基于SDL与KissFFT的双声道音频幅度及分贝计算问题

我正在编写一个基于SDL和KissFFT的小程序，需实现打开并播放WAV文件，计算当前采样缓冲区中左右声道各自的幅度和分贝值，以在屏幕上可视化显示左右声道。目前已完成文件打开与播放功能，并编写了一个接收当前采样缓冲区、计算其幅度和分贝值的函数。

我对信号处理和FFT非常陌生，但了解基本流程是获取缓冲区、分配IN/OUT数组、填充采样数据后执行FFT并将结果存入OUT数组。据我所知，OUT数组包含大量频率值，现在希望基于这些值得到左右声道的幅度和分贝值。

以下是我的代码：

void audio_callback(void *userdata, Uint8 *stream, int len) { 
    if (audio_len ==0) return; 
    SDL_memset(stream, 0, len); 
    len = ( len > audio_len ? audio_len : len ); 
    SDL_memcpy (stream, ptr_audio_buffer, len); 
    calc_loudness(ptr_audio_buffer, len); // 8192/2 = 4096 samples 
    ptr_audio_buffer += len; 
    audio_len -= len; 
} 

void calc_loudness(uint8_t *buff, int len) { 
    int nfft = len; 
    double magnitude = 0; 
    kiss_fft_cfg cfg; 
    kiss_fft_cpx *cx_in = new kiss_fft_cpx[len]; 
    kiss_fft_cpx *cx_out = new kiss_fft_cpx[len]; 
    int16_t val = NULL; 
    cfg = kiss_fft_alloc(nfft, 0, 0, 0); 
    for (int i = 0;i<len;i+=2) // 4096 samples 
    { 
        decode_signed16(&buff[i], &val); 
        cx_in[i].r = (float)val / 32768.0; // I have to do this because values get wild. Why? 
        cx_in[i].i = 0.0; 
    } 
    kiss_fft(cfg, cx_in, cx_out); 
    int position = len/2-1; // last sample 
    magnitude = sqrt(pow(cx_out[position].r, 2) + pow(cx_out[position].i, 2)); 
    double dB = 10 * log10(pow(cx_out[position].r, 2) + pow(cx_out[position].i, 2)); 
    printf("magnitude: %9.4f \t dB: %9.4f\n", magnitude,dB); 
    // ... 
    // free memory. 
} 

目前我只能得到一个数值，且不确定代码中是否存在错误。请问如何分离得到左右声道的对应数值？是否需要对每个声道单独执行FFT？

咱们先拆解你遇到的几个核心问题，一步步来解决：

1. 为什么当前代码只能得到一个数值？ #

你现在的代码有两个关键问题：

• 没有分离左右声道：立体声WAV文件的采样是按「左声道采样→右声道采样→左声道采样→右声道采样」的顺序交替存储的，每个采样是2字节的16位有符号整数，所以每4字节对应一组左+右的采样。你当前的循环i+=2其实是把左右声道的采样混在一起处理了，自然只能得到一个混合后的数值。
• 错误地使用了FFT输出的单个点：你取了cx_out[len/2-1]这个点，这只是FFT输出中对应最高频率的分量，完全不能代表整个声道的响度。响度是整个信号能量的体现，不是单个频率的能量。

另外，你问为什么要除以32768：因为16位有符号整数的取值范围是-32768到32767，除以32768是把采样值归一化到[-1.0, 1.0]的范围，避免后续计算时出现数值溢出或异常大的数，这个操作是对的。

2. 如何分离左右声道？ #

首先要把缓冲区里的左、右声道采样数据分开。假设你的WAV是16位立体声（从代码里的decode_signed16和i+=2来看应该是），那么每4字节为一组：

• 第0-1字节：左声道采样（16位有符号）
• 第2-3字节：右声道采样（16位有符号）

所以在循环里，我们需要每次步进4字节，分别提取左、右声道的采样值：

// 示例：分离左右声道采样
int num_samples_per_channel = len / 4; // 总字节数 ÷ 每声道采样字节数(2) ÷ 声道数(2)
int16_t left_sample, right_sample;

for (int i = 0; i < len; i += 4) {
    decode_signed16(&buff[i], &left_sample);   // 左声道：i到i+1字节
    decode_signed16(&buff[i+2], &right_sample); // 右声道：i+2到i+3字节
    
    // 后续分别处理左、右采样
}

3. 是否需要对每个声道单独执行FFT？ #

要看你的需求：

• 如果你只是想计算声道的整体响度（幅度和分贝），其实不需要FFT——直接在时域计算RMS（均方根）更简单高效，结果和频域求和是等价的。
• 如果你需要分析各频率分量的响度（比如做频谱可视化），那必须对每个声道单独执行FFT。

方案1：时域计算左右声道的响度（推荐，高效） #

RMS的计算公式是：RMS = sqrt( (sum(sample²) ) / N )，其中N是采样数。分贝则是dB = 20 * log10(RMS)（注意：如果用能量的话是10*log10，但RMS是幅度，所以用20）。

修改后的calc_loudness函数示例：

void calc_loudness(uint8_t *buff, int len) {
    int num_samples_per_channel = len / 4;
    double left_sum_sq = 0.0, right_sum_sq = 0.0;
    int16_t left_sample, right_sample;

    // 遍历所有采样对，计算平方和
    for (int i = 0; i < len; i += 4) {
        decode_signed16(&buff[i], &left_sample);
        decode_signed16(&buff[i+2], &right_sample);
        
        // 归一化后计算平方
        double left_norm = (double)left_sample / 32768.0;
        double right_norm = (double)right_sample / 32768.0;
        
        left_sum_sq += left_norm * left_norm;
        right_sum_sq += right_norm * right_norm;
    }

    // 计算RMS（幅度）
    double left_rms = sqrt(left_sum_sq / num_samples_per_channel);
    double right_rms = sqrt(right_sum_sq / num_samples_per_channel);

    // 计算分贝：注意要处理RMS为0的情况（避免log10(0)报错）
    double left_db = (left_rms > 0) ? 20 * log10(left_rms) : -INFINITY;
    double right_db = (right_rms > 0) ? 20 * log10(right_rms) : -INFINITY;

    printf("Left RMS: %9.4f \t Left dB: %9.4f\n", left_rms, left_db);
    printf("Right RMS: %9.4f \t Right dB: %9.4f\n", right_rms, right_db);
}

方案2：频域计算左右声道的响度（用于频谱分析） #

如果需要做频谱可视化，就需要对每个声道单独执行FFT。步骤如下：

1. 为左、右声道分别分配FFT的输入输出数组
2. 填充左、右声道的归一化采样值到各自的输入数组
3. 分别执行FFT
4. 对每个声道的FFT输出计算所有频率分量的幅度平方和，再开根得到整体幅度（和时域RMS一致），或者单独分析每个频率的幅度

示例代码片段：

void calc_loudness(uint8_t *buff, int len) {
    int num_samples_per_channel = len / 4;
    int nfft = num_samples_per_channel; // FFT点数取单声道的采样数

    // 为左右声道分配FFT资源
    kiss_fft_cfg cfg_left = kiss_fft_alloc(nfft, 0, 0, 0);
    kiss_fft_cfg cfg_right = kiss_fft_alloc(nfft, 0, 0, 0);
    
    kiss_fft_cpx *cx_in_left = new kiss_fft_cpx[nfft];
    kiss_fft_cpx *cx_out_left = new kiss_fft_cpx[nfft];
    kiss_fft_cpx *cx_in_right = new kiss_fft_cpx[nfft];
    kiss_fft_cpx *cx_out_right = new kiss_fft_cpx[nfft];

    int16_t left_sample, right_sample;
    for (int i = 0; i < num_samples_per_channel; i++) {
        // 提取第i组左右采样
        decode_signed16(&buff[i*4], &left_sample);
        decode_signed16(&buff[i*4+2], &right_sample);
        
        // 归一化并填充FFT输入（虚部为0，因为是实信号）
        cx_in_left[i].r = (double)left_sample / 32768.0;
        cx_in_left[i].i = 0.0;
        
        cx_in_right[i].r = (double)right_sample / 32768.0;
        cx_in_right[i].i = 0.0;
    }

    // 分别执行FFT
    kiss_fft(cfg_left, cx_in_left, cx_out_left);
    kiss_fft(cfg_right, cx_in_right, cx_out_right);

    // 计算左声道整体幅度（频域方式）
    double left_mag_sum_sq = 0.0;
    for (int i = 0; i < nfft; i++) {
        left_mag_sum_sq += cx_out_left[i].r * cx_out_left[i].r + cx_out_left[i].i * cx_out_left[i].i;
    }
    double left_rms = sqrt(left_mag_sum_sq) / nfft; // 注意FFT后需要除以点数才能和时域RMS一致
    double left_db = (left_rms > 0) ? 20 * log10(left_rms) : -INFINITY;

    // 右声道同理
    double right_mag_sum_sq = 0.0;
    for (int i = 0; i < nfft; i++) {
        right_mag_sum_sq += cx_out_right[i].r * cx_out_right[i].r + cx_out_right[i].i * cx_out_right[i].i;
    }
    double right_rms = sqrt(right_mag_sum_sq) / nfft;
    double right_db = (right_rms > 0) ? 20 * log10(right_rms) : -INFINITY;

    printf("Left RMS (FFT): %9.4f \t Left dB: %9.4f\n", left_rms, left_db);
    printf("Right RMS (FFT): %9.4f \t Right dB: %9.4f\n", right_rms, right_db);

    // 记得释放所有分配的内存和FFT配置
    kiss_fft_free(cfg_left);
    kiss_fft_free(cfg_right);
    delete[] cx_in_left;
    delete[] cx_out_left;
    delete[] cx_in_right;
    delete[] cx_out_right;
}

最后注意事项 #

• 记得在代码中处理内存释放，避免内存泄漏（你当前的代码里cx_in和cx_out没有delete，cfg也没有free）。
• 当计算分贝时，一定要处理RMS为0的情况，否则log10(0)会导致数学错误（返回负无穷）。
• 如果你的WAV文件不是16位立体声，需要根据实际格式调整采样提取的逻辑（比如8位、24位，或者单声道）。

内容的提问来源于stack exchange，提问作者Milo