如何将PCM字节数组转换为小端序单声道格式适配Vosk语音识别API

原有实现的错误点 #

• 单声道转换逻辑错误：你的输入是PCM_SIGNED 48000.0 Hz, 16 bit, stereo, 4 bytes/frame, big-endian格式，每帧4个字节对应左右两个声道各2字节的采样，原有代码将所有2字节块都读取为独立采样，最终输出仍是双声道采样序列，没有合并为单声道。
• 端序转换逻辑冗余：不需要通过ByteBuffer写入再读取的方式转换端序，可在采样处理环节一次性完成，性能更高。

修正后的实现代码 #

转换逻辑为：拆分左右声道采样 -> 合并为单声道（取左右声道平均值）-> 转小端序输出

byte[] audioData = userAudio.getAudioData(1);
// 立体声每帧4字节，单声道采样总数为总字节数 / 4
int monoSampleCount = audioData.length / 4;
short[] convertedAudio = new short[monoSampleCount];

for (int i = 0; i < audioData.length; i += 4) {
    // 读取大端序左声道采样
    short left = (short) ((audioData[i] & 0xFF) << 8 | (audioData[i+1] & 0xFF));
    // 读取大端序右声道采样
    short right = (short) ((audioData[i+2] & 0xFF) << 8 | (audioData[i+3] & 0xFF));
    // 合并为单声道：先转int计算避免溢出，取平均值
    short monoSample = (short) ((left + right) / 2);
    // 转换为小端序
    convertedAudio[i/4] = Short.reverseBytes(monoSample);
}

queue.add(convertedAudio);

可选优化：如果确认有效音频仅在左/右其中一个声道，可以直接取对应声道的采样，无需计算平均值，减少计算开销。

可选：直接输出小端单声道字节数组 #

如果Vosk接口要求输入字节数组格式的PCM数据，可以直接生成目标字节数组，省略中间short数组转换步骤，性能更高：

byte[] audioData = userAudio.getAudioData(1);
int monoSampleCount = audioData.length / 4;
byte[] monoLittleEndianPcm = new byte[monoSampleCount * 2];
int writeIndex = 0;
for (int i = 0; i < audioData.length; i += 4) {
    short left = (short) ((audioData[i] & 0xFF) << 8 | (audioData[i+1] & 0xFF));
    short right = (short) ((audioData[i+2] & 0xFF) << 8 | (audioData[i+3] & 0xFF));
    short monoSample = (short) ((left + right) / 2);
    // 直接写入小端字节：先写低8位，再写高8位
    monoLittleEndianPcm[writeIndex++] = (byte) (monoSample & 0xFF);
    monoLittleEndianPcm[writeIndex++] = (byte) ((monoSample >> 8) & 0xFF);
}

queue.add(monoLittleEndianPcm);

内容的提问来源于stack exchange，提问作者moeux