Node.js中AWS Polly音频转Twilio μ-law格式的问题排查

1. 是否需要剥离头部？需要 #

Twilio双向流接收的是原始的mu-law音频数据（无文件头），不需要带WAV格式的头部信息。如果你直接生成完整WAV文件，标准WAV头长度是44字节，需要剥离；但用WaveFile库处理时，wav.data.samples已经是纯音频样本数据，无需额外剥离——前提是你对音频的初始化参数正确，否则会导致数据错误。

2. 如何让呼叫者听到清晰语音？ #

你的代码核心问题是初始化WaveFile时的位深参数错误，导致后续转换完全偏离，产生杂音。以下是修正步骤和代码：

错误点分析 #

Polly返回的是带符号16位单声道小端PCM，但你调用wav.fromScratch(1, 8000, '8', audioData)时，错误指定了位深为8，相当于把16位数据当成8位处理，直接破坏了音频结构，后续转换自然全是杂音。

修正后的代码 #

try {
  // 注意：Polly的params里要确保设置正确：SampleRate: '8000', OutputFormat: 'pcm'
  const data = await this.polly.synthesizeSpeech(params).promise();
  const audioData = Buffer.from(data.AudioStream as Uint8Array);
  
  const wav = new WaveFile();
  // 正确初始化：单声道、8kHz采样率、16位带符号PCM
  wav.fromScratch(1, 8000, '16', audioData);
  // 转换为mu-law格式
  wav.toMuLaw();
  // 直接取纯mu-law样本数据，转base64
  const payload = Buffer.from(wav.data.samples).toString('base64');
  return payload;
} catch (err) {
  console.error('音频转换错误:', err);
  throw err;
}

关键注意事项 #

• Polly参数配置：必须在synthesizeSpeech的params里指定SampleRate: '8000'和OutputFormat: 'pcm'，确保输出和Twilio流要求的采样率匹配（Twilio流默认是8kHz）。
• 无需额外位深转换：toMuLaw()方法会自动将16位PCM转换为8位的mu-law格式，不需要再调用toBitDepth('8')，多余操作会导致数据异常。
• 发送纯样本数据：Twilio流只需要原始的mu-law字节，不能带任何文件头，所以直接用wav.data.samples即可。

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