如何避免 DirectSound 中的失真和卡顿？

Posted 2023-02-16

【中文标题】如何避免 DirectSound 中的失真和卡顿？

【英文标题】：How can I avoid distortion and stuttering in DirectSound?

【发布时间】：2015-01-20 06:54:43

【问题描述】：

我有一个使用 C 语言编写的 DirectSound 应用程序，在 Windows 7 上运行。该应用程序只是捕获一些声音帧，然后播放它们。为了对捕获结果进行完整性检查，我将 PCM 数据写入一个文件，我可以使用 aplay 在 Linux 中播放该文件。

不幸的是，声音断断续续，有时包含口吃（并且在 Linux 中播放速度不正确）。奇怪的是，如果 PCM 数据在捕获时没有在播放缓冲区中播放，则在播放捕获文件时观察到的失真量会更少。

这是我的 WAVEFORMATEX 的初始化：

memset(&wfx, 0, sizeof(WAVEFORMATEX)); 
wfx.cbSize = 0;
wfx.wFormatTag = WAVE_FORMAT_PCM; 
wfx.nChannels = 1; 
wfx.nSamplesPerSec = sampleRate; 
wfx.wBitsPerSample = sampleBitWidth;
wfx.nBlockAlign = (wfx.nChannels * wfx.wBitsPerSample) / 8; 
wfx.nAvgBytesPerSec = wfx.nSamplesPerSec * wfx.nBlockAlign code here

sampleRate 为 8000，sampleBitWidth 为 16。

我使用相同的结构创建了一个捕获和播放缓冲区，捕获缓冲区有 3 个通知位置。我开始捕捉：

lpDsCaptureBuffer->Start(DSCBSTART_LOOPING);

然后我启动一个播放线程，该线程在与通知点关联的事件上调用 WaitForMultipleObjects。收到通知后，我重置所有事件，并将 1 或 2 块捕获缓冲区复制到本地缓冲区，然后将它们传递给播放例程：

void playFromBuff(LPVOID captureBuff,DWORD captureLen) 
  LPVOID playBuff;
  DWORD playLen;
  HRESULT hr;

  hr = lpDsPlaybackBuffer->Lock(0L,captureLen,&playBuff,&playLen,NULL,0L,0L);

  memcpy(playBuff,captureBuff,playLen);
  hr = lpDsPlaybackBuffer->Unlock(playBuff,playLen,NULL,0L);
  hr = lpDsPlaybackBuffer->SetCurrentPosition(0L);
  hr = lpDsPlaybackBuffer->Play(0L,0L,0L);

（省略了一些错误检查）。

请注意，播放缓冲区没有通知位置。每次从捕获缓冲区中获取块时，我都会从位置 0 开始锁定播放缓冲区。

由 WaitForMultipleObjects 保护的捕获代码如下所示：

    lpDsCaptureBuffer->GetCurrentPosition(NULL,&readPos);

    hr = lpDsCaptureBuffer->Lock(...,...,&captureBuff1,&captureLen1,&captureBuff2,&captureLen2,0L);

其中省略号包含涉及当前和先前看到的读取位置的计算。我忽略了那些可能错误的计算——我怀疑这就是问题所在。

我的通知位置是 1024 的倍数。但报告的读取位置是 1500、2500 和 3500。所以如果我看到读取位置为 1500，这是否意味着我可以从字节 0 读取到 1500。当接下来我看到 2500，这是否意味着我应该从 1501 读取到 2500？为什么这些阅读位置与我的通知位置不完全对应？这里的正确算法是什么？

我尝试了一种更简单的替代方法，即在捕获缓冲区已满时停止捕获，而无需其他通知位置。但这意味着，我认为，允许一些声音逃脱捕获。

【参考方案1】：

我的通知位置是 1024 的倍数。但报告的读取位置是 1500、2500 和 3500。所以如果我看到读取位置为 1500，这是否意味着我可以从字节 0 读取到 1500。当接下来我看到 2500，这是否意味着我应该从 1501 读取到 2500？为什么这些阅读位置与我的通知位置不完全对应？这里的正确算法是什么？

DirectSound API 现在是其他“真实”音频捕获 API 之上的兼容层。这意味着内部音频捕获会填充一些缓冲区（尤其是 500 的倍数），然后将填充的缓冲区传递给 DirectSound 捕获，然后再将它们报告给您。这就解释了为什么您会看到读取位置是 500 的倍数，因为 DirectSound 本身就可以通过这种方式获得数据。

由于您对获取捕获的数据感兴趣，因此您的假设是正确的，即您主要对读取位置感兴趣。您收到通知，并且知道可以安全读取的偏移量。由于捕获 API 是分层的，因此会涉及一些延迟，因为层需要在彼此之间传递大量数据，然后才能将它们提供给您。

【讨论】：

我重新计算了我的捕获缓冲区计算，所以现在，当我将捕获数据保存到一个文件时，在使用 Linux aplay 播放时声音是完美的——如果我不使用Windows 中的播放缓冲区。不知何故，在单独的缓冲区中播放数据的行为会影响捕获的内容。

一些提示：您应该能够使用调试器找到一些东西并跟踪调用和操作的顺序。也许您的线程同步会使您以某种方式丢失某些循环。出于调试目的，您需要从超长捕获缓冲区开始，以确保您没有上溢、下溢等问题。一旦在这个简单的场景中进行了调整，您就可以将其更改为接近您最终想要的。

我将一个 WAV 文件加载到缓冲区中，并尝试以 2 种方式播放它。首先，我尝试了老式的调用 sndPlaySound，听起来不错。接下来，我尝试使用我的 DirectSound 播放缓冲区。尽管音高和速度合适，但它听起来波涛汹涌且失真。会不会是因为仿真层效果不好？

我是这样看的：如果您有一个标准/外部方法可以流畅地播放捕获的数据，那么捕获本身就可以了。如果捕获受到并发播放的影响，那么我会研究导致捕获延迟的线程问题和死锁。如果只是播放有问题，那么那里应该有一个错误。请注意，在回放时，您再次处理分层 API，您必须提前准备好数据并远离缓冲数据（20-30-50 毫秒），否则数据在实际回放时到达较晚，您会听到断断续续的声音。

请参阅相关 Q What is the smallest audio buffer needed to produce Tone sound without distotions with WaveOUT API 以获取另一个旧 API，这同样适用于 DirectSound 播放 - 数据预加载时间最短，并且做得少于此时间会导致由于迟到而播放静音片段数据到达。