如何在Windows下无需虚拟设备或驱动，用WASAPI混合麦克风与自定义PCM音频

核心前提说明 #

由于禁止使用虚拟设备或自定义驱动，无法直接修改系统级别的麦克风输入流（让所有应用都能读取混音后的数据），仅能在当前应用内部捕获麦克风数据后，与自定义PCM实时混音，再将结果用于录制、推流等业务场景。

一、混音基础逻辑 #

混音的核心是保证数据格式一致，并处理采样叠加的溢出问题：

• 格式对齐：麦克风捕获的PCM与自定义PCM必须具有相同的采样率、位深、声道数，否则需先做格式转换。
• 采样叠加与限幅：对相同位置的采样点进行数值相加，由于PCM有取值范围（如16位PCM为-32768~32767），叠加后需做限幅防止失真：

// 16位单声道采样混音示例
int16_t mic_sample = ...;    // 麦克风采样值
int16_t custom_sample = ...; // 自定义PCM采样值
int32_t mixed = (int32_t)mic_sample + (int32_t)custom_sample;
// 限幅处理
mixed = max(min(mixed, 32767), -32768);
int16_t final_sample = (int16_t)mixed;

二、WASAPI实现步骤与代码 #

1. 初始化WASAPI捕获设备 #

通过WASAPI接口获取默认麦克风设备，初始化捕获客户端并指定统一的PCM格式：

HRESULT hr;
IMMDeviceEnumerator* pEnumerator = nullptr;
IMMDevice* pDevice = nullptr;
IAudioClient* pAudioClient = nullptr;
IAudioCaptureClient* pCaptureClient = nullptr;

// 创建设备枚举器
hr = CoCreateInstance(__uuidof(MMDeviceEnumerator), nullptr, CLSCTX_ALL, __uuidof(IMMDeviceEnumerator), (void**)&pEnumerator);
// 获取默认麦克风设备
hr = pEnumerator->GetDefaultAudioEndpoint(eCapture, eConsole, &pDevice);
// 激活音频客户端
hr = pDevice->Activate(__uuidof(IAudioClient), CLSCTX_ALL, nullptr, (void**)&pAudioClient);

// 设置统一PCM格式（示例：44.1kHz、16位、单声道）
WAVEFORMATEX wfx = {0};
wfx.wFormatTag = WAVE_FORMAT_PCM;
wfx.nChannels = 1;
wfx.nSamplesPerSec = 44100;
wfx.wBitsPerSample = 16;
wfx.nBlockAlign = (wfx.nChannels * wfx.wBitsPerSample) / 8;
wfx.nAvgBytesPerSec = wfx.nSamplesPerSec * wfx.nBlockAlign;

// 初始化音频客户端（共享模式，避免独占麦克风）
hr = pAudioClient->Initialize(AUDCLNT_SHAREMODE_SHARED, 0, 10000000, 0, &wfx, nullptr);
// 获取捕获客户端接口
hr = pAudioClient->GetService(__uuidof(IAudioCaptureClient), (void**)&pCaptureClient);

2. 实时捕获与混音 #

启动捕获后，循环读取麦克风缓冲数据，与自定义PCM实时混音：

// 启动捕获
hr = pAudioClient->Start();

bool bRunning = true;
BYTE* pData;
UINT32 framesAvailable;
DWORD flags;
// 自定义PCM数据指针（需提前按格式准备，长度匹配捕获帧数量）
int16_t* pCustomPCM = (int16_t*)your_custom_pcm_buffer;
// 自定义PCM播放位置指针（循环播放时维护）
size_t custom_pos = 0;

while (bRunning) {
    hr = pCaptureClient->GetBuffer(&pData, &framesAvailable, &flags, nullptr, nullptr);
    if (SUCCEEDED(hr) && framesAvailable > 0) {
        int16_t* pMicSamples = (int16_t*)pData;
        
        // 逐帧混音
        for (UINT32 i = 0; i < framesAvailable; i++) {
            int32_t mixed = (int32_t)pMicSamples[i] + (int32_t)pCustomPCM[custom_pos];
            mixed = max(min(mixed, 32767), -32768);
            pMicSamples[i] = (int16_t)mixed;
            
            // 更新自定义PCM播放位置，循环播放
            custom_pos++;
            if (custom_pos >= your_custom_pcm_frame_count) custom_pos = 0;
        }

        // 混音后的数据可用于录制、推流等操作
        // write_to_file(pData, framesAvailable * wfx.nBlockAlign);
        
        hr = pCaptureClient->ReleaseBuffer(framesAvailable);
    }
    Sleep(10); // 降低CPU占用
}

// 资源清理
pAudioClient->Stop();
pCaptureClient->Release();
pAudioClient->Release();
pDevice->Release();
pEnumerator->Release();

三、关键注意事项 #

• 格式同步：自定义PCM必须与麦克风捕获格式完全一致，若格式不匹配，可使用IAudioFormatConverter或手动实现采样率/声道转换。
• 缓冲同步：自定义PCM的播放进度需与麦克风捕获帧率同步，避免混音错位（如循环播放时维护位置指针）。
• 权限要求：Windows 10及以上系统需开启应用的「麦克风访问权限」，否则无法捕获麦克风数据。
• 性能优化：若处理大缓冲区，建议将混音逻辑放到子线程，避免阻塞捕获线程导致丢帧。

内容的提问来源于stack exchange，提问作者G-Virus