我之前也碰到过类似的困扰——直接对双声道取平均后音质变差，本质原因大多是没有处理音频样本的取值范围限制，导致出现削波（clipping）失真，再加上底层模块（比如wave/audioop）需要手动处理很多细节，容易出错。下面给你拆解正确的算法逻辑，以及更易用的Python工具方案：

一、正确的转换算法步骤 #

不管用什么工具，核心逻辑都是这几步：

1. 读取双声道音频样本：注意区分音频的采样格式（比如16位PCM是有符号整数，取值范围-32768 ~ 32767；32位浮点是-1.0 ~ 1.0）
2. 计算单声道样本：对每个时间点的左右声道样本取平均值
3. 归一化/范围校验：
   • 如果是整数格式：确保平均后的样本值不超出对应格式的取值范围，若超出则按比例缩放所有样本（比如把最大值缩放到格式允许的上限）
   • 如果是浮点格式：通常取值范围已经是-1.0~1.0，平均后一般不会溢出，但也要避免极端情况
4. 写入单声道WAV文件：保持原采样率、位深等参数，仅修改声道数为1

二、推荐的Python实现方案 #

1. 用高层库快速解决（推荐） #

如果不想手动处理细节，用librosa或pydub这类库会省心很多，它们自动处理归一化和格式转换：

方案A：使用pydub（简单直观，依赖ffmpeg）

from pydub import AudioSegment

# 读取立体声WAV
stereo_audio = AudioSegment.from_wav("立体声.wav")
# 转换为单声道（内部已处理归一化）
mono_audio = stereo_audio.set_channels(1)
# 保存文件
mono_audio.export("单声道.wav", format="wav")

pydub会自动处理样本的范围限制，避免削波，而且支持多种音频格式，只需要提前安装ffmpeg并配置环境变量。

方案B：使用librosa（适合音频分析场景）

import librosa
import soundfile as sf

# 读取立体声音频，sr=None保持原采样率
y_stereo, sr = librosa.load("立体声.wav", sr=None, mono=False)
# 转换为单声道：对两个声道取平均
y_mono = librosa.to_mono(y_stereo)
# 写入文件，保持原采样率和位深
sf.write("单声道.wav", y_mono, sr, subtype="PCM_16")

librosa处理的是浮点格式的音频样本，to_mono方法内部已经做了合理的平均和范围控制，输出时通过subtype指定原有的位深即可。

2. 手动用wave模块实现（适合理解底层逻辑） #

如果一定要用基础模块，需要手动处理归一化，示例如下（以16位PCM为例）：

import wave
import numpy as np

def stereo_to_mono(input_path, output_path):
    with wave.open(input_path, 'rb') as stereo_wav:
        params = stereo_wav.getparams()
        # 修改声道数为1
        mono_params = (1, params.sampwidth, params.framerate, params.nframes, params.comptype, params.compname)
        
        # 读取所有样本，转换为numpy数组
        frames = stereo_wav.readframes(params.nframes)
        # 16位PCM转换为有符号整数
        samples = np.frombuffer(frames, dtype=np.int16)
        # 重塑为双声道：每行是一个采样点的左右声道
        stereo_samples = samples.reshape(-1, 2)
        # 计算单声道样本
        mono_samples = stereo_samples.mean(axis=1, dtype=np.int16)
        
        # 检查是否有超出范围的样本，做归一化（如果需要）
        max_val = np.abs(mono_samples).max()
        if max_val > 32767:
            # 缩放比例
            scale = 32767 / max_val
            mono_samples = (mono_samples * scale).astype(np.int16)
        
        # 写入单声道文件
        with wave.open(output_path, 'wb') as mono_wav:
            mono_wav.setparams(mono_params)
            mono_wav.writeframes(mono_samples.tobytes())

# 调用函数
stereo_to_mono("立体声.wav", "单声道.wav")

这里的关键是计算平均值后，检查是否超出16位PCM的范围（-32768~32767），如果超出就按比例缩放，避免样本被截断导致失真。

三、为什么直接平均会音质差？ #

当左右声道的样本值相加后超过格式允许的最大值时，直接截断会导致削波失真——比如左声道是32767，右声道是32767，平均后是32767没问题，但如果处理不当（比如用无符号格式存储），就可能出现溢出变成负数，导致杂音。归一化就是为了避免这种情况，让所有样本都在合法范围内。

内容的提问来源于stack exchange，提问作者Simullacra