游戏音频系统 — Wu Chenfeng

游戏音频管线把压缩资源解码为采样数据，按发声实例（Voice）计算增益和空间参数，再经过总线、效果器和最终混音器输出。音频线程有严格的实时性要求。一次锁等待、磁盘卡顿或临时分配都可能直接变成爆音。

样本交付与实时预算

回调的实时预算

音频回调的时间预算由缓冲区决定：48 kHz 采样率、512 帧缓冲意味着约 10.7 ms 内必须交付出 512 个采样帧（每帧含各输出声道的样本），超时就出现可闻的爆音或断裂。这个预算与帧率无关，帧率降到 20 FPS 时音频线程仍要按同样的节奏交付。

因此音频回调内不允许出现不可控耗时：分配内存、读写文件、等待锁、调用未知复杂度的回调都在禁止之列。能预先算的在主线程算好，通过无锁队列或双缓冲交给音频线程；音频线程执行有明确耗时上界的混合与滤波；压缩解码若无法满足上界，就由后台预解码。

缓冲越大预算越宽，代价是延迟：按键音效 100 ms 后才出声是可感知的。较大的流送缓冲适合音乐与对白，较小的设备回调缓冲有助于降低操作反馈延迟。它们是不同层次：一个最终设备通常按共同回调节奏混音，各 Voice 可以有不同的预解码和流送缓存。

流送欠载

预解码环形缓冲把后台解码与设备回调分开。生产者写样本后发布写游标，消费者只读取已经发布的区间，再发布读游标。帧数必须按“每帧含所有声道”计算，立体声512帧就是1024个标量样本。

例如容量为1024帧，单生产者与单消费者分别维护单调递增的写游标W与读游标R，且保持0<=W-R<=1024。W=1500、R=1200时，有效区间为逻辑帧1200到1499，共300帧；实际数组位置为logicalFrame % 1024。生产者只能写入1024-(W-R)=724个空闲帧。立体声每个数组帧还包含左右两个float，两个声道一起写好以后才发布新的W，避免消费者读到半帧。消费者读取发布的W，消费以后再发布R；两个方向都需要相应的内存同步。此处明确限定单生产者、单消费者，多写者不能直接共享这套游标规则。

如果本次需要512帧，缓冲只有300帧，回调仍必须填满输出。一种欠载策略是消费这300帧，随后用各声道的最后一个有效样本乘以递减包络，短暂过渡到零，其余位置填零；缺失区间没有可继续读取的源样本。与此同时增加欠载计数。等待磁盘补齐会把缺口扩大成整个回调超时，恢复时再渐入可以减轻第二次点击。回调日志写入预分配计数或追踪环，格式化和磁盘输出交给其他线程。

数字音频基础

PCM 用固定采样率记录离散振幅。采样率必须覆盖目标信号带宽，低于 Nyquist 条件会产生混叠。位深决定可表示的动态范围和量化噪声，不等于播放音量。

分贝是对数比值。振幅比常写为：

L_{dB}=20\log_{10}(A/A_0)

两个声音的线性振幅不能直接按 dB 数值相加。Mixer 通常在线性域累加，再用 Meter 显示 dBFS。总线增益过高会削波，浮点混音虽能暂时容纳超出范围的值，最终输出前仍需控制峰值。

WAV 常作为 PCM 容器，FLAC 是无损压缩，MP3、Vorbis、Opus 等常用于有损编码；Ogg 是可承载不同编码的容器。短而频繁的音效可预解码，长音乐和对白更适合流式解码。选择取决于内存、I/O、CPU 和随机跳转需求。

线性增益与连续混合

音量参数以dB表示时，样本乘法使用gain = 10^(db/20)。0、-6、-12 dB约对应1、0.501、0.251的振幅比，-80 dB是否静音由产品阈值决定。声源和总线增益可以在线性域相乘，多个声音则在线性域相加。

直接把增益从0切到1，会在波形上制造不连续台阶，其宽频能量表现为点击声。下面的C++机制片段把单声道预解码浮点样本混入已有浮点总线，输入输出均为count个样本，数值无单位。缓冲由调用者预先分配；声道映射、采样率转换、解码和最终限幅在相邻阶段处理。

cpp

void MixMono(float* bus, const float* pcm, unsigned count,
             float previousGain, float targetGain)
{
    for (unsigned i = 0; i < count; ++i) {
        float t = count > 1 ? float(i) / float(count - 1) : 1.0f;
        float gain = previousGain + (targetGain - previousGain) * t;
        bus[i] += pcm[i] * gain;
    }
}

每个Voice从上一块末尾增益开始，在本块内逼近目标，块结束后保存targetGain。实际平滑时长若需固定为毫秒，应按采样率确定斜坡长度并跨块保留剩余样本数，避免设备缓冲变化导致音量响应改变。

总线累加阶段保留超过1的浮点值。若每混入一个Voice就截断，结果会依赖Voice遍历顺序；最终输出前统一控制峰值，才便于定义削波或限制器行为。测试两路同相满幅正弦时，求和峰值为2；两路反相则相消。这能同时检查符号、增益和通道映射。

空间化与混音

Voice 与空间化

每个发声实例包含资源、播放位置、音高、增益、循环状态和路由。Listener 提供听者位置与朝向。一种可计算的立体声模型把声源在听者右轴上的归一化投影映射为pan，限制在[-1,1]，再令theta=(pan+1)*pi/4、左右增益分别为cos(theta)与sin(theta)。居中时各约0.707，平方和为1；最左侧为(1,0)，最右侧为(0,1)。它保持该模型的功率权重，却不模拟真实双耳的时差与频率变化。耳机的HRTF滤波以方向对应的脉冲响应卷积样本，解释目标不同，不能只调左右音量替代。

距离衰减曲线是设计参数，不必机械照搬物理平方反比。Min/Max Distance、Roll-off 和 Priority 一起决定哪些声音值得保留。超过实体Voice预算时，系统可按感知响度、距离和玩法重要性进行虚拟化：保留逻辑播放位置，暂不产生采样；重新变得重要时按该位置恢复。恢复需要处理流送定位和增益渐变，否则会听到重播或突跳。

遮蔽通常用少量 Raycast 或场景声学数据估计，再驱动音量和低通滤波。每帧为所有声源做精确射线检测成本过高，需要分帧、缓存并限制重要声源。混响描述空间反射形成的尾音，常按 Reverb Zone、卷积响应或参数化模型实现。

多普勒效应由声源和听者的相对径向速度产生。速度不连续会让 Pitch 突变，因此需要稳定速度估计和合理上限。

Mixer 与资源系统

Voice先路由到音效、音乐、对白等总线，再经过压缩、EQ、Reverb Send 和 Master。Ducking 可以在对白出现时压低音乐，但攻击和释放时间过短会抽动。

音频 Bank 负责把事件、样本和元数据作为一组资源发布。异步加载要区分“事件已请求”“Bank 已加载”“样本已解码”和“Voice 已开始”。卸载时需要引用计数或所有权约定，避免正在播放的 Voice 失去底层数据。

Wwise、FMOD 一类中间件提供事件、混音、Profiler 和平台编码工具。接入重点在于统一资源 ID、语言包、版本、流送策略和构建产物，包一层播放函数只是起点。

调试

音频 Profiler 要同时观察活跃 Voice、虚拟 Voice、解码耗时、Stream Buffer、回调峰值和总线电平。偶发爆音应记录 Audio Callback 的最长耗时，而不是只看平均值。暂停、切后台、切换输出设备和快速场景切换都是必要回归场景。

验证方法

记录音频回调的最长耗时，与缓冲时间预算对比，而不是只看平均值。
压力测试：同时播放上百个 Voice，观察虚拟化策略与爆音出现的先后顺序。
暂停、切后台、切换输出设备后恢复，确认 Voice 状态与流送缓冲正确续播。
用正弦波测试增益链路：0、-6、-12 dB 的线性振幅应分别约为 1、0.5、0.25。
频繁启停流式音乐，检查解码线程与缓冲的边界状态。

参考实验与证据

CPU参考模型的mix_mono验证浮点叠加、块内线性斜坡、单样本和空缓冲。2026-10-22执行python 知识库/examples/revision_22_26/test_reference.py，21项通过，其中3项为混音检查。Python模型是离线数值实验，不能证明回调实时性；C++片段编译、设备回放、流送欠载和听觉结果尚未验证。

参考资料

PortAudio 2.0/v19 Writing a Callback Function，实时回调禁止无界耗时调用与完整输出缓冲的示例；2026-10-22核读。
分贝与线性增益、采样预算和斜坡公式由本页定义及CPU数值实验支持。Wwise、FMOD和引擎音频接口需另按项目版本接入，本页不提供已运行的中间件工程。