Node.js 为什么有时我可以使用NodeJS缓冲区连接音频数据，而有时我不能？

作为我正在从事的一个项目的一部分，需要将多个音频数据连接到一个大型音频文件中。音频文件由四个来源生成，单个文件存储在谷歌云存储桶中。每个文件都是mp3文件，很容易验证每个文件是否正确生成（我可以单独播放它们，在我最喜欢的软件中编辑它们，等等）

为了将音频文件合并在一起，nodejs服务器使用axios POST请求从Google云存储加载文件作为阵列缓冲区。从那里，它使用

buffer.From（）

将每个数组缓冲区放入节点缓冲区，因此现在我们有了一个缓冲区对象数组。然后它使用

Buffer.concat（）

将缓冲区对象连接到一个大缓冲区中，然后将其转换为Base64数据并发送到客户机服务器

这很酷，但是当连接从不同来源生成的音频时会出现问题。我上面提到的4个来源是文本到语音软件平台，如谷歌云语音和亚马逊波利。具体来说，我们有来自谷歌云语音、亚马逊Polly、IBM Watson和Microsoft Azure文本到语音的文件。基本上只有五种文本到语音的解决方案。同样，所有单独的文件都可以工作，但通过此方法将它们连接在一起时，会产生一些有趣的效果

当声音文件连接起来时，似乎取决于它们来自哪个平台，声音数据会或不会包含在最终的声音文件中。以下是基于我的测试的“兼容性”表：

|------------|--------|--------|-----------|-----|
| Platform / | Google | Amazon | Microsoft | IBM |
|------------|--------|--------|-----------|-----|
| Google     | Yes    | No     | No        | No  |
|------------|--------|--------|-----------|-----|
| Amazon     |        | No     | No        | Yes |
|------------|--------|--------|-----------|-----|
| Microsoft  |        |        | Yes       | No  |
|------------|--------|--------|-----------|-----|
| IBM        |        |        |           | Yes |
|------------|--------|--------|-----------|-----|

其效果如下：当我播放大输出文件时，它将始终开始播放包含的第一个声音文件。从那里，如果下一个声音文件是兼容的，它将被听到，否则它将被完全跳过（没有空的声音或任何东西）。如果被跳过，该文件的“长度”（例如10秒长的音频文件）将包含在生成的输出声音文件的末尾。然而，当我的音频播放器到达播放最后一个“兼容”音频的位置时，它会立即跳到末尾

作为一个场景：

Input:
sound1.mp3 (3s) -> Google
sound2.mp3 (5s) -> Amazon
sound3.mp3 (7s)-> Google
sound4.mp3 (11s) -> IBM

Output:
output.mp3 (26s) -> first 10s is sound1 and sound3, last 16s is skipped.

在这种情况下，输出的声音文件将为26秒长。在前10秒钟，您将听到连续播放的

sound1.mp3

和

sound3.mp3

。然后在10秒（至少在firefox中播放此mp3文件）时，播放器立即跳到26秒结束

我的问题是：有人知道为什么有时候我可以用这种方式连接音频数据，而有时候我不能？为什么会在输出文件的末尾包含这些“缺失”数据？如果二进制数据在某些情况下有效，那么连接二进制数据不应该在所有情况下都有效吗，因为所有文件都有mp3编码？如果我错了，请让我知道我可以做什么来成功连接任何mp3文件：） 我可以提供我的nodeJS后端代码，但是上面描述了使用的过程和方法

感谢阅读？

潜在问题源 采样率 44.1 kHz通常用于音乐，因为它是用于CD音频的。48kHz通常用于视频，因为它是DVD上使用的。这两种采样率都比语音所需的采样率高得多，所以很可能您的各种文本到语音提供者输出的是不同的内容。22.05 kHz（44.1 kHz的一半）是常见的，11.025 kHz也是常见的

虽然每个帧都指定自己的采样率，从而可以生成具有不同采样率的流，但我从未见过解码器尝试在流中间切换采样率。我怀疑解码器跳过了这些帧，或者甚至跳过了任意块，直到它再次获得一致的数据

使用类似（或FFprobe）的方法计算文件的采样率：

ffmpeg -i sound2.mp3

您将得到如下输出：

Duration: 00:13:50.22, start: 0.011995, bitrate: 192 kb/s
  Stream #0:0: Audio: mp3, 44100 Hz, stereo, fltp, 192 kb/s

在此示例中，44.1 kHz是采样率

通道计数 我希望你的语音MP3是单声道的，但检查一下就知道了。如上所述，检查FFmpeg的输出。在我上面的例子中，它表示

立体声

和采样率一样，从技术上讲，每一帧都可以指定自己的频道计数，但我不知道有哪个播放器会在中途切换频道计数。因此，如果要连接，则需要确保所有通道计数相同

ID3标签 文件的开头（ID3v2）和/或结尾（ID3v1）通常都有。不太可能在中途得到这些数据。在连接之前，您需要确保此元数据已全部剥离

MP3钻头储液罐 MP3帧不一定是独立的。如果您有一个恒定的比特率流，编码器可能仍然会使用更少的数据来编码一个帧，而使用更多的数据来编码另一个帧。发生这种情况时，某些帧包含其他帧的数据。这样，可以从额外带宽中获益的帧可以获得额外带宽，同时仍然在恒定比特率内拟合整个流。这是“钻头储层”

如果剪切一个流并在另一个流中拼接，则可以拆分一个帧及其从属帧。这通常会导致音频故障，但也可能导致解码器提前跳转。一些行为恶劣的解码器将完全停止播放。在你的例子中，你没有切割任何东西，所以这可能不是你麻烦的根源。。。但我在这里提到它，因为它肯定与你处理这些流的方式有关

另见：

解决 选择“正常”格式，对不符合要求的文件重新采样并重新编码 如果您的大多数来源都是完全相同的格式，并且只有一个或两个未完成，那么您可以转换不一致的文件。从那里，剥离所有ID3标记并连接起来

要进行转换，我建议将其转换为FFmpeg

child_process.spawn('ffmpeg' [
  // Input
  '-i', inputFile, // Use '-' to write to STDIN instead

  // Set sample rate
  '-ar', '44100',

  // Set audio channel count
  '-ac', '1',

  // Audio bitrate... try to match others, but not as critical
  '-b:a', '64k',

  // Ensure we output an MP3
  '-f', 'mp3',

  // Output
  outputFile // As with input, use '-' to write to STDOUT
]);