如何使用C# NAudio按自定义位置和长度混合多个音频文件？

非对齐起始位置的多音频混合不需要依赖现成封装的方法，基于NAudio的基础采样读写能力即可快速实现，核心是给每个音轨增加起始偏移配置，而非默认所有音轨都从0点开始写入。

核心实现逻辑 #

• 统一格式：所有参与混合的音频必须先转换为完全一致的输出格式（相同采样率、位深、声道数），否则混合结果会出现变速、声道错乱、爆音问题，可以用NAudio自带的WaveFormatConversionStream完成格式转换。
• 元信息统计：为每个音轨记录文件路径、相对于总输出起点的起始偏移时间；遍历所有音轨，计算「起始偏移+音轨自身时长」的最大值，作为最终输出文件的总时长。
• 缓冲区写入：初始化对应总时长的空PCM采样缓冲区，逐个读取每个音轨的采样数据，按照该音轨的起始偏移计算在缓冲区中的写入起始位置，将采样值叠加到缓冲区对应位置；多轨重叠区域的采样值做累加后必须做范围钳位，避免数值溢出产生爆音。
• 输出文件：将处理完成的缓冲区PCM数据写入WAV文件即可。

参考实现代码 #

首先定义音轨配置实体：

public class MixAudioTrack
{
    // 音频文件本地路径
    public string AudioPath { get; set; }
    // 该音轨在最终输出中的起始偏移，单位：秒
    public double StartTimeOffset { get; set; }
}

核心混合方法：

using NAudio.Wave;

public void MixAudios(List<MixAudioTrack> tracks, string outputPath, WaveFormat targetFormat = null)
{
    // 默认输出格式：44.1kHz 16位 双声道
    targetFormat ??= new WaveFormat(44100, 16, 2);
    
    // 1. 预加载所有音轨，统一格式，计算总输出时长
    var trackData = new List<(float[] samples, long startSamplePos)>();
    long totalSamples = 0;
    foreach (var track in tracks)
    {
        using var reader = new AudioFileReader(track.AudioPath);
        // 将当前音轨转换为目标格式
        using var convertedStream = new WaveFormatConversionStream(targetFormat, reader);
        // 读取当前音轨全部采样为浮点数（避免整数累加溢出）
        var samples = new float[convertedStream.Length / 4]; // 32位浮点数单采样占4字节
        convertedStream.ToSampleProvider().Read(samples, 0, samples.Length);
        // 计算该音轨在缓冲区中的起始采样位置
        long startPos = (long)(track.StartTimeOffset * targetFormat.SampleRate * targetFormat.Channels);
        trackData.Add((samples, startPos));
        // 更新总采样长度
        long trackEndPos = startPos + samples.Length;
        if (trackEndPos > totalSamples) totalSamples = trackEndPos;
    }

    // 2. 初始化混合缓冲区，逐轨叠加采样
    var mixBuffer = new float[totalSamples];
    foreach (var (samples, startPos) in trackData)
    {
        for (int i = 0; i < samples.Length; i++)
        {
            long bufferPos = startPos + i;
            // 偏移小于0的部分直接丢弃，如需支持负偏移可在计算总长度时补正
            if (bufferPos < 0 || bufferPos >= totalSamples) continue;
            mixBuffer[bufferPos] += samples[i];
        }
    }

    // 3. 采样钳位，防止溢出爆音
    for (int i = 0; i < mixBuffer.Length; i++)
    {
        mixBuffer[i] = Math.Clamp(mixBuffer[i], -1f, 1f);
    }

    // 4. 导出为WAV文件
    using var writer = new WaveFileWriter(outputPath, targetFormat);
    writer.WriteSamples(mixBuffer, 0, mixBuffer.Length);
}

使用示例 #

对应5个音频错位排布的场景，只要给每个音频配置对应的起始偏移值即可：

var tracks = new List<MixAudioTrack>
{
    new() { AudioPath = "A.wav", StartTimeOffset = 0 },
    new() { AudioPath = "B.wav", StartTimeOffset = 4.2 }, // 按实际排布设置偏移
    new() { AudioPath = "C.wav", StartTimeOffset = 1.1 },
    new() { AudioPath = "D.wav", StartTimeOffset = 3.8 },
    new() { AudioPath = "E.wav", StartTimeOffset = 6.5 }
};
MixAudios(tracks, "mixed_output.wav");

优化提示 #

• 如果需要混合的音轨数量多、总时长久，不要一次性加载全部音轨采样到内存，可以按固定块长度（比如每次处理1秒的采样）分块读取、叠加、写入，大幅降低内存占用。
• 如果需要调整单个音轨的音量，在写入采样时给该轨的采样值乘上0-1之间的音量系数即可。
• 如果需要支持MP3等其他格式输入，直接适配AudioFileReader的读取逻辑即可，核心混合逻辑不需要改动。
• 如果你使用的是.NET Framework等没有自带Math.Clamp方法的版本，把钳位逻辑替换为手动判断上下限即可，不影响功能。

内容的提问来源于stack exchange，提问作者P. ful