iOS变声语音项目总结

最近做了一个变声语音的项目，里面涉及到很多音频相关的知识，怕时间久了记不住，写下来备忘。

1. 语音的编码

     语音录制的时候要选择一个编码格式，因为移动端的原因，这个编码格式需要满足压缩比高、声音质量较好（至少变声后能听得清说什么），同时还要编码难度小。

     我们前期选择了几种格式：amr、speex、aac、wav。 说下几种编码的优缺点。

     首先amr 是最常用于语音的编码，特别是在移动端上，优点是压缩比相当高，60s 的语音采用8K 采样率、16bit的样本大小，可以达到35K-90K的文件大小。缺点就是 iOS原生是不支持的，需要借助第三方库来实现编解码，比如著名的OpenCore-AMR。（实际开发中还发现 网上能搜到的只有8K采样率的编解码器，16K的只有编码，没有解码，32K以上的搜不到）

      然后是speex， 这种编码格式是专门用于speex这个开源库的，好处之一是开源，而且里面实现了语音的降噪、回音消除等功能，特别适合于VOIP的开发。不过缺点就是整个框架是一体的，单独拆开某个模块来使用可能不太容易，而我们录制和播放的过程中有其他的处理，并不想使用他的那一套代码。而且貌似speex已经不维护了，现在更名为 opus。这个就没有仔细去研究了。 

      aac 这种格式是iOS原生支持的，而且据说声音效果很好，但是缺点就是文件有点大，而且安卓原生sdk也不支持。如果是要做一个iOS本地的语音app，我觉得还是挺不错的。

      wav 就不用多说了，用过windows的都知道，微软自家的，苹果对他的支持也不错，缺点嘛，跟aac一样，太大，只适合在本地录制和播放，不适合移动网络下的传输。

    为了兼容安卓，并且考虑到移动网络的带宽，我们最终选定了amr -nb作为传输格式， 也就是amr 8Khz采样率的编码格式。（其实这里还有一个坑，后面再说）本地的播放我们采用 wav，因为wav是无损的，可以在录制的时候变声，而且可以很方便的转换到amr。

2. 录制和播放

     选择好编码后，就是录制语音。网上有很多开源的代码，我们选择的是官方的SpeakHere，技术上用的是AudioQueueService 来录制和播放。SpeakHere的代码很久没更新了，有些不兼容 ios7 的，我们下载之后解决了很多warning，才开始用起来。 关于AudioQueueService的相关知识，可以自行谷歌百度，总得来说就是通过一个异步队列去获取麦克风的数据（录制） 或者是即将输出的数据（播放），属于CoreAudio框架的一部分。  语音录制还有AudioUnit, AudioFileStream等方案， AudioUnit相对来讲复杂一些，需要自己设定inputBus，outBus，设的不好就什么都听不到。AudioFileStream 是用于音频流的解析，可以获取音频的格式信息，解析音频帧，跟AudioQueue配合使用可以实现音频的seek等功能。

从项目开发的角度上来看，AudioQueue是最适合的，所以我们果断选择了AudioQueue。

3. 转码

    前面讲到wav跟amr的转换，我们采用的就是先解码wav，将wav的头部信息去除掉，然后读出pcm的音频数据，同时打开一个新的文件，写入amr的头部信息，再将pcm一帧一帧的转换成amr的数据，写入到amr文件中。反之亦然。

      原理挺简单，但是真正做起来还是碰到很多问题。 首先就是录音时候的分辨率跟转码时候的分辨率、变声的分辨率都要一致，否则就会出现声音走样，或者根本不能播放的问题。然后在32位和64位机器上，wav的编码有一点点不一样，主要是32位上采样率和声道数以十六进制写进去的时候需要去掉低字节，至于原因，我也不是很清楚，可能是OC与C++混编导致的吧，这种混编能避免就尽量避免，否则一些莫名奇妙的问题真的不好解决。还有一个就是原本安卓是支持直接编解码amr的，但是由于我们需要做变声处理，不能直接录制完就存起来，而安卓本身MideaPlayer和AudioPlayer封装的很死，没有提供转换编码的方法，所以只能再去源码中提取OpenCore这个库，重新编译so文件。安卓的同学有么有感觉特别坑爹啊～～

4. 变声

   变声我们采用的soundTouch的开源库，现在做变声基本都是用这个。这个库可以做到变调、变速的自己组合，使用起来很简单，先初始化一个soundTouch的实例，然后把录音获取的数据 调用putSamples 方法传进去，然后调用receiveSamples 再传出来，然后再写到自己的文件里。需要注意的是，soundTouch里面的sampleType是根据你的样本大小来定的，如果是16bit的大小，就对应short类型，如果是32bit的大小，就对应float或者int。

5. 下载和播放逻辑

     下载这块其实跟音频关系不大，但是项目中也碰到了不少问题，所以还是提一下。

      我们的音频文件都是按消息中带的Id去服务器拉取的，然后下载到本地再按顺序播放，所以需要一个队列去控制这块的逻辑。最开始我们是把下载跟播放完全分开，下载模块就管理下载的队列，播放模块只管理播放的队列。但是后面发现不行，因为下载是异步的，而播放是同步的，所以还需要一个中间的controller去协调。

      队列控制我们采用的是NSOperationQueue，这里有个问题，就是ios7以后, isConcurrent不能用了，取而代之的是一个叫isAsynchorized的方法，按官方文档的说法，isAsynchorized设为NO，应该就是同步的，但是实测发现完全不靠谱，还是并发的下载，而且有多少个operation，就有多少个线程！难道是我理解错了，同步跟非并发不能对等？ 没办法，我们只能再增加一个 maxConcurrentOperationCount ＝ 1 的限制，这才变成了同步的下载。

      由于AudioQueue的回调函数本身是异步执行的，所以当把播放的operation加到队列里面之后，又出现一个问题，就是播放了一两秒之后，就会停下来。这是因为operation结束了，AudioQueue的回调函数就终止了。要解决这个问题，还得再一个runloop去阻塞线程，并且监听AudioQueue 的运行状态，当最后一帧播放完成后，AudioQueue会将running属性置为false，这时候再结束播放的线程就OK了。

按正常情况来说，语音到这里其实也就差不多了，但是要做的事情其实很有很多。由于iPhone麦克风的问题，会将很多杂音录制进来，所以还需要降噪、自动增益，然后还有语音的播放模式问题（听筒跟扬声器的切换）等等，后面抽时间再写吧。