基于Twilio实时API存储媒体流MP3：音质差且慢放问题求助

核心问题 #

1. 双声道处理错误：当设置track='both_tracks'时，Twilio推送的是立体声μ-law音频（左右声道分别对应通话双方），但你的代码按单声道处理，导致音频帧错位，出现播放速度慢、音质失真。
2. 低采样率兼容性差：G.711原生8kHz采样率，多数MP3播放器对该采样率支持不佳，易引发播放速度异常。

修正后的代码 #

@app.websocket("/store-stream")
async def handle_store_stream(ws: WebSocket):
    await ws.accept()
    left_pcm = bytearray()
    right_pcm = bytearray()
    try:
        async for message in ws.iter_text():
            data = json.loads(message)
            event = data['event']
            if event == "media":
                payload = data["media"]["payload"]
                ulaw_data = base64.b64decode(payload)
                
                # 拆分双声道μ-law数据：每两个字节对应左右声道各一个样本
                left_ulaw = ulaw_data[::2]  # 取偶数索引字节（左声道）
                right_ulaw = ulaw_data[1::2]  # 取奇数索引字节（右声道）
                
                # 分别将μ-law转换为16位线性PCM
                left_pcm_chunk = audioop.ulaw2lin(left_ulaw, 2)
                right_pcm_chunk = audioop.ulaw2lin(right_ulaw, 2)
                
                left_pcm.extend(left_pcm_chunk)
                right_pcm.extend(right_pcm_chunk)
            
            if event == "stop":
                # 将左右声道PCM交织成立体声数据
                stereo_pcm = bytearray()
                for l_byte, r_byte in zip(left_pcm, right_pcm):
                    stereo_pcm.extend([l_byte, r_byte])
                
                # 创建AudioSegment对象，指定立体声参数
                audio_segment = AudioSegment(
                    data=bytes(stereo_pcm),
                    sample_width=2,  # 16位采样宽度
                    frame_rate=8000,  # 原生8kHz采样率
                    channels=2  # 立体声
                )
                
                # 重采样到16kHz（提升播放器兼容性）
                audio_segment = audio_segment.set_frame_rate(16000)
                
                # 导出MP3，指定比特率优化音质
                audio_segment.export('audio.mp3', format="mp3", bitrate="64k")
                break
    except Exception as e:
        print(f"Error processing stream: {e}")

关键修正点 #

• 拆分双声道：从Twilio的μ-law数据中分离左右声道，分别解码为PCM后交织成立体声，避免数据错位。
• 重采样优化：将8kHz采样率提升至16kHz，解决多数播放器对低采样率的兼容问题。
• 指定立体声参数：创建AudioSegment时明确channels=2，确保音频按立体声解析。
• 比特率设置：导出MP3时指定bitrate参数（如64k），平衡音质和文件大小。

额外建议 #

• 如果不需要录制双方音频，可将TwiML中的track改为inbound_track或outbound_track，对应仅录制用户或AI的音频，此时代码可按单声道逻辑处理。
• 增加异常捕获逻辑，避免因WebSocket断开、数据格式异常等情况导致录音失败。

内容的提问来源于stack exchange，提问作者Lucasvan