如何给WAV文件添加标记并在播放输出流中程序化识别

首先明确：可以识别标记，但不能直接通过比对原始WAV字节的方式实现。

为什么播放后的音频字节和原文件不一致？ #

你遇到的字节差异是系统音频栈处理导致的，核心原因包括：

• 混音：标记WAV和背景音乐播放时会被系统混音器叠加，原始标记的波形会被背景音乐波形修改
• 格式转换：系统音频通常用浮点格式做内部处理，再转换回16位时会有精度损失，导致采样值和原文件不完全一致
• 音效/增益：系统的音量调节、均衡器、音效插件等都会改变原始音频的采样值

可行的标记识别方案 #

针对这种场景，需要用鲁棒性强的音频标记方案，以下是具体建议：

1. 采用频域标记（推荐） #

把标记信息嵌入到音频的特定频段，比如人类听觉不敏感的高频区域，或者设计一组特定频率的组合（类似不可听的DTMF信号）。在录制时，对采集到的音频做实时FFT（快速傅里叶变换），检测这些特征频率是否存在。

• 用NAudio可以结合FftProvider类实现实时频谱分析，在recorderDataAvailable回调中处理采样数据，提取频谱特征。

2. 使用具有统计特征的时域标记 #

不要用精确的采样值序列做标记，而是用有明显统计规律的模式：

• 比如一段固定时长的、周期性的振幅波动（比如每100ms出现一次峰值）
• 或者一段特定的音量变化序列（比如快速的强弱交替）
  在录制时，通过滑动窗口分析采集到的采样值的振幅、能量等统计特征，匹配标记模式。

3. 优化采集流程减少误差 #

• 确保CustomWasapiLoopbackCapture的采样率、位深度和你播放的WAV文件一致，减少格式转换带来的精度损失
• 在采集后对音频做预处理：比如归一化采样值、使用低通/高通滤波过滤无关噪音，突出标记特征

代码处理思路示例 #

在你的recorderDataAvailable回调中，可以先把字节转换成16位采样值，再进行特征分析：

static void recorderDataAvailable(object sender, WaveInEventArgs args)
{
    // 将字节转换为16位采样数组
    short[] samples = new short[args.BytesRecorded / 2];
    Buffer.BlockCopy(args.Buffer, 0, samples, 0, args.BytesRecorded);
    
    // 这里可以对samples做特征分析：
    // 1. 计算当前窗口的能量、振幅峰值
    // 2. 进行FFT分析检测特征频率
    // 3. 匹配预设的标记模式
}

内容的提问来源于stack exchange，提问作者Michal B.