录音初始阶段音频振幅出现大幅波动的原因探究

我使用PyAudio录制扬声器输出并写入WAV文件，随后绘制该文件的声波图，代码如下：

import pyaudio
import wave
import numpy as np
import matplotlib.pyplot as plt

FORMAT = pyaudio.paInt16
CHANNELS = 2
RATE = 44100
CHUNK = 1024
RECORD_SECONDS = 10
WAVE_OUTPUT_FILENAME = "output.wav"

p = pyaudio.PyAudio()

stereo_mix_name = 'Stereo Mix'
info = p.get_host_api_info_by_index(0)
numdevices = info.get('deviceCount')
stereo_mix = None

# Find Stereo Mix device
for i in range(0, numdevices):
    device_info = p.get_device_info_by_host_api_device_index(0, i)
    if (device_info.get('maxInputChannels')) > 0 and stereo_mix_name in device_info.get('name'):
        stereo_mix = device_info
        break

stream = p.open(format = FORMAT,
                channels = CHANNELS,
                rate = RATE,
                input = True,
                input_device_index = stereo_mix.get('index'),
                frames_per_buffer = CHUNK)

frames = []
current_index = 0
audio = np.zeros([CHUNK * 20,], dtype=np.int16)

try:
    while True:
        data = stream.read(CHUNK)
        frames.append(data)
except KeyboardInterrupt:
    pass

stream.stop_stream()
stream.close()
p.terminate()

# save as WAV file
wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()

# read the output
wf = wave.open(WAVE_OUTPUT_FILENAME, 'rb')
sample_freq = wf.getframerate()
n_samples = wf.getnframes()
t_audio = n_samples / sample_freq
signal_wave = wf.readframes(n_samples)
signal_array = np.frombuffer(signal_wave, dtype=np.int16)
times = np.linspace(0, n_samples / sample_freq, num = n_samples * 2)

plt.figure(figsize=(15,5))
plt.plot(times, signal_array)
plt.title('WAV File')
plt.ylabel('Signal Value')
plt.xlabel('Time (s)')
plt.xlim(0, t_audio)
plt.show()

在无播放内容（此时现象更清晰）或有播放内容时录制，发现录音刚启动的阶段存在随机振幅波动，波形如下图：

请问这是什么原因？我使用的是Windows笔记本的Stereo Mix录制设备。

原因分析 #

• 音频设备初始化瞬态噪声：Stereo Mix作为虚拟录制设备，启动流时驱动需要完成初始化、电平校准等操作，过程中会产生短暂的随机电噪声，表现为波形波动。
• 缓冲区初始填充异常：PyAudio首次调用stream.read()时，缓冲区可能未完全稳定填充，读取到的初始数据可能包含未初始化的内存值或驱动过渡数据，引发异常波形。
• Windows音频栈调度延迟：Windows音频服务启动新录制流时，可能存在短暂的线程调度延迟，导致初始采样数据出现偏差，呈现振幅波动。

解决建议 #

• 丢弃初始帧数据：录制开始后先读取5-10帧并丢弃，跳过初始化阶段的异常数据，再将后续帧写入文件。
• 增加设备预热时间：打开流后调用time.sleep(0.1)等待100ms左右，给驱动和音频栈足够的初始化时间再开始录制。
• 调整缓冲区大小：尝试增大CHUNK值（如2048或4096），降低初始缓冲区填充的不稳定概率。

内容的提问来源于stack exchange，提问作者coder19