Iphone 如何将一个音频文件添加到另一个音频文件？

我有一个音乐音频文件，我需要录制歌曲的小片段，并在不同的时间添加到音乐文件中。你可以这样理解，我有一张长纸条，我必须把小纸条贴在大纸条的不同位置。 请提出一些建议

---

让我在这里提供更多细节。假设我有10个5秒的小声音片段，我有一个50秒的音乐文件。所以我总共有11个声音文件。现在我必须创建一个最终的音频文件，在音乐文件上添加不同时间后的10个小片段。第一个文件应在5.22秒时添加，第二个文件应在10.34秒时添加

我将根据您在评论中的澄清回答：

假设我有两个mp3文件，a.mp3为5秒，b.mp3为7秒 秒，我想混合它们，以生成c.mp3的持续时间 7秒

如评论中所述，我无法向您提供任何iOS细节，但我可以让您了解执行此过程在逻辑上需要什么，而不管使用什么平台和库。我将使用简单的C++代码段来演示。然而，听起来你想做的是将a.mp3（以下简称a）混合到b.mp3（以下简称b）的某个地方——让我们说将a混合到b的开头——以生成最终的音频片段C

最重要的是，由于您提到它们是MP3文件，而不是WAV或其他未压缩的PCM格式，如RAW或AIFF，因此首先需要将A和B转换为未压缩的格式，如

S16_LE

PCM（CD音频格式——带符号的16位整数采样，小尾端），这意味着您将使用一个样本值数组——如果立体声音频，左声道和右声道交错——用于A和B，因此C，最后一个可能在您完成混音后被选择性地重新编码为MP3

您应该使用库来处理文件编码/格式问题，但在使用它们时，它们（包括用于直接录制或回放的系统接口）都会产生（即读取时）或期望（即写入时）基本相同的基本未压缩PCM样本流格式。对于一般开发，除了您可能应该关注的WAV格式变体之外，无处不在的

libsndfile

C库对于处理47种文件格式（包括Ogg Vorbis和FLAC）（但不支持直接的MP3）的所有这些非常有用

为简单起见，我们只考虑单声道声音片段A和B（即，A和B的样本值是直的数组，我们不必担心交错的左/右通道）；如果有必要，您可以通过独立地考虑每个立体声通道（A.左混音与B.左混音，A.右混音与B.右混音），轻松地将概念扩展到立体声。如果您特定的A和B是立体声，但C不需要，您也可以根据应用程序，将两个输入音频剪辑预先转换为单声道

此外，将音频样本作为浮点值使用通常更容易，因此将未压缩样本格式转换为[-1.0，+1.0]范围内的浮点值（或者通常由音频文件库为您执行--

libsndfile

does），其中，绝对值1.0表示最大可能的采样值，0.0表示静音。这些采样值包括任意音频波形随时间（即，在阵列上）的演变

首先，在混音之前，您需要确保您有足够的“净空”（防止输出中的剪辑）。为什么？混合使用信号叠加（加法）的原理来组合信号/声音：我们将为每个重叠样本加上A和B，因此，如果A和B的相应样本之和超过1.0或低于-1.0，则混合输出样本可能会“剪裁”

有几种方法可以防止剪切，具体取决于您各自的输入电平，以及您是希望保留它们的音量比还是简单地将它们平均组合（或者您是否正在使用立体声，并希望使用A或B中声音最大的通道作为参考点，这是我们最后听到的立体声）

我们将采用最简单的方法，对A和B的体积进行归一化，使其在不超过满量程一半（0.5）的情况下达到峰值，这样当它们加在一起时，它们将永远不会剪裁（即，任何混合输出样本都不会超过范围[-1.0，+1.0]）。如果用这种方法同时混合3个输入音频片段X、Y和Z，而不是2个输入，我们会在峰值（0.33）处将每个音频片段标准化为满标度的1/3

通过迭代A和B各自的样本缓冲区/数组并确定每个缓冲区/数组中的最大样本值，找到A和B的峰值，

A_peak

和

B_peak

。[要遵循的代码。]

A_scale * A_peak == 0.5
B_scale * B_peak == 0.5

分别为每个样本缓冲区a和B确定缩放值

a_scale

和

B_scale

，使其与各自峰值相乘产生半个刻度。[要遵循的代码。]

A_scale * A_peak == 0.5
B_scale * B_peak == 0.5

因此：

现在，我们可以将整个样本缓冲区A和B分别乘以

A_标度

和

B_标度

，它们将在精确的半标度处标准化为峰值，并且这两个样本的混合样本不会超过满标度。也就是说，即使样本的A和B的最大值对齐，它们的缩放和求和混合输出也将精确为1.0，并且永远不会更大。这种比例系数通常被称为“增益”

同样，在混音时，有多种方法规范化两个或多个采样缓冲区（音频剪辑）之间的增益，但这是演示中最简单和最通用的方法。此外，它还可以轻松地将N个不同的音频片段混合在一起（如上所述），并稍微简化，实时混合样本流（其中整个aud

unsigned int C_len = max(A_len, B_len);
double C[] = new double[ C_len ];

double A_peak = -1.0, B_peak = -1.0;

for (unsigned int i = 0; i < A_len; ++i) A_peak = max( A_peak, fabs(A[i]) );
for (unsigned int i = 0; i < B_len; ++i) B_peak = max( B_peak, fabs(B[i]) );

double A_scale = 1 / ( 2 * A_peak );
double B_scale = 1 / ( 2 * B_peak );

assert(A_len <= B_len);
assert(B_len == C_len);

unsigned int x = 0;

for (; x < A_len; ++x)
  C[x] = A_scale * A[x] + B_scale * B[x]; // actual mixing of A and B, finally

for (; x < B_len; ++x)
  C[x] = B_scale * B[x]; // as if A[x] were zero & no abrupt gain change