如何避免双声道转单声道时的音频失真（.NET macOS应用）

核心问题定位 #

你的双声道转单声道音频失真，根源在于采样数据读取错误、循环逻辑混乱、WAV头参数错误三个基础问题叠加：

1. 采样数组长度不匹配 #

双声道输入时，PortAudio的frameCount代表每声道的帧数，因此输入缓冲区的总采样数是 frameCount × 2（交错格式：左、右、左、右...）。你之前创建的short[frameCount]数组长度仅为实际采样数的一半，导致Marshal.Copy只复制了部分数据，后续访问samples[i+1]会读取到未初始化的垃圾内存，直接引入噪声。

2. 循环逻辑错误 #

原循环中，你在for循环的i++之外又手动执行i++，导致步长变为2，但循环条件是i < frameCount，这会导致仅处理了frameCount/2个采样对，同时_totalSamplesWritten错误累加了双声道总采样数（而非实际写入的单声道采样数），导致WAV头的采样数统计错误，播放时出现速度/时长异常。

3. WAV头采样率错误 #

转单声道不需要修改采样率——采样率是指每秒的采样点数，单声道下每秒仍保持44100个采样点。你之前将采样率减半是为了弥补采样数统计错误的问题，属于饮鸩止渴的错误做法。

修复后的代码 #

1. 修正双声道回调函数 #

private static readonly int _sampleRate = 44100; 
private static int _totalSamplesWritten = 0;
private const ushort BIT_DEPTH = 16;

// 原StreamParameters代码保持不变

StreamCallbackResult CallbackStereoInput(
    IntPtr input, 
    IntPtr output, 
    uint frameCount, 
    ref StreamCallbackTimeInfo timeInfo, 
    StreamCallbackFlags statusFlags, 
    IntPtr userData
)
{
    // 双声道总采样数 = 帧数 × 声道数
    var samples = new short[frameCount * 2];
    Marshal.Copy(input, samples, 0, samples.Length);
    
    int monoSampleCount = 0;
    // 步长为2，每次处理一组左右声道采样
    for (var i = 0; i < samples.Length; i += 2)
    {
        var sampleL = samples[i];
        var sampleR = samples[i + 1];
        
        // 转换为Int32避免相加溢出，合并后除以2
        int combined = (int)sampleL + (int)sampleR;
        short monoSample = (short)(combined / 2);
        
        // 可选：极端情况下钳位到Int16范围（防止罕见的溢出）
        // monoSample = Math.Clamp(monoSample, short.MinValue, short.MaxValue);
        
        _outputFileWriter.Write(monoSample);
        monoSampleCount++;
    }
    
    // 统计实际写入的单声道采样数
    _totalSamplesWritten += monoSampleCount;

    return StreamCallbackResult.Continue;
}

// 原Stream初始化代码保持不变

2. 修正WAV头调用 #

// 采样率保持44100，不要除以2
WriteWavHeader(_outputFileWriter, 1, BIT_DEPTH, _sampleRate, _totalSamplesWritten);

// 原WriteWavHeader函数保持不变

额外说明 #

• 你提到的"采样率减半才能正常播放"的问题，本质是之前_totalSamplesWritten统计错误导致WAV头数据长度不匹配，修复采样数统计后，使用原始44100采样率即可正常播放。
• 合并声道时，(左+右)/2是语音场景下的合理方案，完全能满足清晰识别的需求，无需更换其他算法。
• 若要进一步减小文件体积，可考虑在转单声道后降低采样率（比如16000Hz），这对语音识别的影响极小，同时能大幅压缩文件大小。

内容的提问来源于stack exchange，提问作者Andre Streimann