iOS 音频-audioUnit 总结

在看 LFLiveKit 代码的时候，看到音频部分使用的是 audioUnit 做的，所以把 audioUnit 学习了一下。总结起来包括几个部分：播放、录音、音频文件写入、音频文件读取.

demo 放在 VideoGather 这个库，里面的 audioUnitTest 是各个功能的测试研究、singASong 是集合各种音频处理组件来做的一个“播放伴奏+唱歌 ==> 混音合成歌曲”的功能。

###基本认识

在 AudioUnitHostingFundamentals 这个官方文档里有几个不错的图：

对于通用的audioUnit,可以有1-2条输入输出流，输入和输出不一定相等，比如mixer,可以两个音频输入，混音合成一个音频流输出。每个element表示一个音频处理上下文(context), 也称为bus。每个element有输出和输出部分，称为 scope，分别是 input scope 和 Output scope。Global scope 确定只有一个 element，就是 element0，有些属性只能在 Global scope 上设置。

对于 remote_IO 类型 audioUnit，即从硬件采集和输出到硬件的 audioUnit,它的逻辑是固定的：固定 2 个 element,麦克风经过 element1 到 APP，APP 经 element0 到扬声器。

我们能把控的是中间的“APP 内处理”部分，结合上图，淡黄色的部分就是APP可控的，Element1 这个组件负责链接麦克风和 APP，它的输入部分是系统控制，输出部分是APP控制；Element0 负责连接 APP 和扬声器，输入部分 APP 控制，输出部分系统控制。

这个图展示了一个完整的录音+混音+播放的流程，在组件两边设置 stream 的格式，在代码里的概念是 scope。

文件读取

demo 在 TFAudioUnitPlayer 这个类,播放需要音频文件读取和输出的 audioUnit。

文件读取使用 ExtAudioFile，这个据我了解，有两点很重要：1.自带转码 2.只处理 pcm。

不仅是 ExtAudioFile，包括其他 audioUnit,其实应该是流数据处理的性质，这些组件都是“输入+输出”的这种工作模式，这种模式决定了你要设置输出格式、输出格式等。

• ExtAudioFileOpenURL 使用文件地址构建一个 ExtAudioFile 文件里的音频格式是保存在文件里的，不用设置，反而可以读取出来，比如得到采样率用作后续的处理。

• 设置输出格式

AudioStreamBasicDescription clientDesc;
   clientDesc.mSampleRate = fileDesc.mSampleRate;
   clientDesc.mFormatID = kAudioFormatLinearPCM;
   clientDesc.mFormatFlags = kAudioFormatFlagIsSignedInteger | kAudioFormatFlagIsPacked;
   clientDesc.mReserved = 0;
   clientDesc.mChannelsPerFrame = 1; //2
   clientDesc.mBitsPerChannel = 16;
   clientDesc.mFramesPerPacket = 1;
   clientDesc.mBytesPerFrame = clientDesc.mChannelsPerFrame * clientDesc.mBitsPerChannel / 8;
   clientDesc.mBytesPerPacket = clientDesc.mBytesPerFrame;
复制代码

pcm是没有编码、没有压缩的格式，更方便处理，所以输出这种格式。首先格式用 AudioStreamBasicDescription 这个结构体描述，这里包含了音频相关的知识：

• 采样率 SampleRate: 每秒钟采样的次数

• 帧 frame：每一次采样的数据对应一帧

• 声道数 mChannelsPerFrame：人的两个耳朵对统一音源的感受不同带来距离定位，多声道也是为了立体感，每个声道有单独的采样数据，所以多一个声道就多一批的数据。

• 最后是每一次采样单个声道的数据格式：由 mFormatFlags 和 mBitsPerChannel 确定。mBitsPerChannel 是数据大小，即 采样位深 ，越大取值范围就更大，不容易数据溢出。mFormatFlags 里包含是否有符号、整数或浮点数、大端或是小端等。有符号数就有正负之分，声音也是波，振动有正负之分。这里采用 s16 格式，即有符号的 16 比特整数格式。

• 从上至下是一个包含关系：每秒有 SampleRate 次采样，每次采样一个 frame,每个 frame有mChannelsPerFrame 个样本，每个样本有 mBitsPerChannel 这么多数据。所以其他的数据大小都可以用以上这些来计算得到。 当然前提是数据时没有编码压缩的

• 设置格式：

size = sizeof(clientDesc);
   status = ExtAudioFileSetProperty(audioFile, kExtAudioFileProperty_ClientDataFormat, size, &clientDesc);
复制代码

在APP这一端的是 client,在文件那一端的是 file，带 client 代表设置 APP 端的属性。测试 mp3 文件的读取，是可以改变采样率的，即mp3文件采样率是 11025，可以直接读取输出 44100 的采样率数据。

• 读取数据 ExtAudioFileRead(audioFile, framesNum, bufferList) framesNum 输入时是想要读取的 frame 数，输出时是实际读取的个数，数据输出到 bufferList 里。bufferList 里面的 AudioBuffer 的 mData 需要分配内存。

播放

播放使用 AudioUnit,首先由3个相关的东西：AudioComponentDescription、AudioComponent 和 AudioComponentInstance。AudioUnit 和 AudioComponentInstance是一个东西，typedef 定义的别名而已。

AudioComponentDescription 是描述，用来做组件的筛选条件，类似于 SQL 语句 where 之后的东西。

AudioComponent 是组件的抽象，就像类的概念，使用 AudioComponentFindNext 来寻找一个匹配条件的组件。

AudioComponentInstance 是组件，就像对象的概念，使用 AudioComponentInstanceNew 构建。

构建了 audioUnit 后，设置属性：

• kAudioOutputUnitProperty_EnableIO,打开 IO。默认情况 element0,也就是从 APP 到扬声器的IO时打开的，而 element1,即从麦克风到 APP 的 IO 是关闭的。使用 AudioUnitSetProperty 函数设置属性，它的几个参数分别作用是：
  • 1.要设置的 audioUnit
  • 2.属性名称
  • 3.element, element0 和 element1 选一个，看你是接收音频还是播放
  • 4.scope 也就是范围，这里是播放，我们要打开的是输出到系统的通道，使用 kAudioUnitScope_Output
  • 5.要设置的值
  • 6.值的大小。

比较难搞的就是 element 和 scope,需要理解 audioUnit 的工作模式，也就是最开始的两张图。

• 设置输入格式 AudioUnitSetProperty(audioUnit, kAudioUnitProperty_StreamFormat, kAudioUnitScope_Input, renderAudioElement, &audioDesc, sizeof(audioDesc)); ,格式就用 AudioStreamBasicDescription 结构体数据。输出部分是系统控制，所以不用管。

• 然后是设置怎么提供数据。这里的工作原理是：audioUnit 开启后，系统播放一段音频数据，一个 audioBuffer,播完了，通过回调来跟 APP 索要下一段数据，这样循环，知道你关闭这个 audioUnit。重点就是：

  • 1.是系统主动来跟你索要，不是我们的程序去推送数据
  • 2.通过回调函数。就像 APP 这边是工厂，而系统是商店，他们断货了或者要断货了，就来跟我们进货，直到你工厂倒闭了、不卖了等等

所以设置播放的回调函数：

AURenderCallbackStruct callbackSt;
   callbackSt.inputProcRefCon = (__bridge void * _Nullable)(self);
   callbackSt.inputProc = playAudioBufferCallback;
AudioUnitSetProperty(audioUnit, kAudioUnitProperty_SetRenderCallback, kAudioUnitScope_Group, renderAudioElement, &callbackSt, sizeof(callbackSt));
复制代码

传入的数据类型是 AURenderCallbackStruct 结构体，它的inputProc 是回调函数，inputProcRefCon 是回调函数调用时，传递给 inRefCon 的参数，这是回调模式常用的设计，在其他地方可能叫 context。这里把 self 传进去，就可以拿到当前播放器对象，获取音频数据等。

回调函数

回调函数里最主要的目的就是给 ioData 赋值，把你想要播放的音频数据填入到 ioData 这个 AudioBufferList 里。结合上面的音频文件读取，使用 ExtAudioFileRead 读取数据就可以实现音频文件的播放。

播放功能本身是不依赖数据源的，因为使用的是回调函数，所以文件或者远程数据流都可以播放。

录音

录音类 TFAudioRecorder，文件写入类 TFAudioFileWriter 和 TFAACFileWriter。为了更自由的组合音频处理的组件，定义了 TFAudioOutput 类和 TFAudioInput 协议，TFAudioOutput 定义了一些方法输出数据，而 TFAudioInput 接受数据。

在 TFAudioUnitRecordViewController 类的 setupRecorder 方法里设置了4种测试：

• pcm 流写入到 caf 文件
• pcm 通过 extAudioFile 写入，extAudioFile 内部转换成aac格式，写入 m4a 文件
• pcm 转 aac 流，写入到 adts 文件
• 比较 2 和 3 两种方式性能

1. 使用audioUnit获取录音数据

和播放时一样，构建 AudioComponentDescription 变量，使用 AudioComponentFindNext 寻找 audioComponent,再使用 AudioComponentInstanceNew 构建一个 audioUnit。

• 开启 IO：

UInt32 flag = 1;
   status = AudioUnitSetProperty(audioUnit,kAudioOutputUnitProperty_EnableIO, // use io
                                 kAudioUnitScope_Input, // 开启输入
                                 kInputBus, //element1是硬件到APP的组件
                                 &flag, // 开启，输出YES
                                 sizeof(flag));
复制代码

element1是系统硬件输入到APP的element,传入值1标识开启。

• 设置输出格式：

AudioStreamBasicDescription audioFormat;
   audioFormat = [self audioDescForType:encodeType];
   status = AudioUnitSetProperty(audioUnit,
                                 kAudioUnitProperty_StreamFormat,
                                 kAudioUnitScope_Output,
                                 kInputBus,
                                 &audioFormat,
                                 sizeof(audioFormat));
复制代码

在 audioDescForType 这个方法里，只处理了AAC和PCM两种格式，pcm的时候可以自己计算，也可以利用系统提供的一个函数 FillOutASBDForLPCM 计算,逻辑是跟上面的说的一样，理解音频里的采样率、声道、采样位数等关系就好搞了。

对 AAC 格式，因为是编码压缩了的，AAC 固定 1024frame 编码成一个包(packet),许多属性没有用了，比如 mBytesPerFrame， 但必须把他们设为0，否则未定义的值可能造成影响 。

• 设置输入的回调函数

AURenderCallbackStruct callbackStruct;
   callbackStruct.inputProc = recordingCallback;
   callbackStruct.inputProcRefCon = (__bridge void * _Nullable)(self);
   status = AudioUnitSetProperty(audioUnit,kAudioOutputUnitProperty_SetInputCallback,
                                 kAudioUnitScope_Global,
                                 kInputBus,
                                 &callbackStruct,
                                 sizeof(callbackStruct));
复制代码

属性 kAudioOutputUnitProperty_SetInputCallback 指定输入的回调，kInputBus 为 1，表示 element1。

• 开启 AVAudioSession

AVAudioSession *session = [AVAudioSession sharedInstance];
   [session setPreferredSampleRate:44100 error:&error];
   [session setCategory:AVAudioSessionCategoryRecord withOptions:AVAudioSessionCategoryOptionDuckOthers
                  error:&error];
[session setActive:YES error:&error];
复制代码

AVAudioSessionCategoryRecord 或 AVAudioSessionCategoryPlayAndRecord 都可以，后一种可以边播边录，比如录歌的APP，播放伴奏同时录制人声。

• 最后，使用回调函数获取音频数据

构建 AudioBufferList,然后使用 AudioUnitRender 获取数据。AudioBufferList 的内存数据需要我们自己分配，所以需要计算 buffer 的大小，根据传入的样本数和声道数来计算。

2.pcm数据写入 caf 文件

在 TFAudioFileWriter 类里，使用 extAudioFile 来做音频数据的写入。首先要配置 extAudioFile：

• 构建

OSStatus status = ExtAudioFileCreateWithURL((__bridge CFURLRef _Nonnull)(recordFilePath),_fileType, &_audioDesc, NULL, kAudioFileFlags_EraseFile, &mAudioFileRef);
复制代码

参数分别是：文件地址、类型、音频格式、辅助设置（这里是移除就文件）、audioFile 变量。

这里 _audioDesc 是使用 -(void)setAudioDesc:(AudioStreamBasicDescription)audioDesc 从外界传入的，是上面的录音的输出数据格式。

• 写入

OSStatus status = ExtAudioFileWrite(mAudioFileRef, _bufferData->inNumberFrames, &_bufferData->bufferList);
复制代码

在接收到音频的数据后，不断的写入，格式需要 AudioBufferList，中间参数是写入的 frame 个数。frame 和 audioDesc 里面的 sampleRate 共同影响音频的时长计算，frame 传错，时长计算就出错了。

3. 使用ExtAudioFile自带转换器来录制aac编码的音频文件

从录制的 audioUnit 输出pcm数据，测试是可以直接输入给 ExtAudioFile 来录制 AAC 编码的音频文件。在构建 ExtAudioFile 的时候设置好格式：

AudioStreamBasicDescription outputDesc;
            outputDesc.mFormatID = kAudioFormatMPEG4AAC;
            outputDesc.mFormatFlags = kMPEG4Object_AAC_Main;
            outputDesc.mChannelsPerFrame = _audioDesc.mChannelsPerFrame;
            outputDesc.mSampleRate = _audioDesc.mSampleRate;
            outputDesc.mFramesPerPacket = 1024;
            outputDesc.mBytesPerFrame = 0;
            outputDesc.mBytesPerPacket = 0;
            outputDesc.mBitsPerChannel = 0;
            outputDesc.mReserved = 0;

复制代码

重点 是mFormatID和mFormatFlags，还有个坑是那些没用的属性没有重置为0。

然后创建ExtAudioFile: OSStatus status = ExtAudioFileCreateWithURL((__bridge CFURLRef _Nonnull)(recordFilePath),_fileType, &outputDesc, NULL, kAudioFileFlags_EraseFile, &mAudioFileRef);

设置输入的格式： ExtAudioFileSetProperty(mAudioFileRef, kExtAudioFileProperty_ClientDataFormat, sizeof(_audioDesc), &_audioDesc);

其他的不变，和写入pcm一样使用 ExtAudioFileWrite 循环写入，只是需要在结束后调用 ExtAudioFileDispose 来标识写入结束，可能跟文件格式有关。

4. pcm 编码 AAC

使用 AudioConverter 来处理，demo 写在 TFAudioConvertor 类里了。

• 构建

OSStatus status = AudioConverterNew(&sourceDesc, &_outputDesc, &_audioConverter);

和其他组件一样，需要配置输入和输出的数据格式，输入的就是录音 audiounit输出的 pcm 格式，输出希望转化为 aac,则把 mFormatID 设为 kAudioFormatMPEG4AAC,mFramesPerPacket 设为 1024。然后采样率 mSampleRate 和声道数 mChannelsPerFrame 设一下，其他的都设为 0 就好。为了简便，采样率和声道数可以设为和输入的pcm数据一样。

编码之后数据压缩，所以输出大小是未知的，通过属性 kAudioConverterPropertyMaximumOutputPacketSize 获取输出的 packet 大小，依靠这个给输出 buffer 申请合适的内存大小。

• 输入和转化

首先要确定每次转换的数据大小： bufferLengthPerConvert = audioDesc.mBytesPerFrame*_outputDesc.mFramesPerPacket*PACKET_PER_CONVERT;

即每个 frame 的大小 *每个 packet 的 frame 数 * 每次转换的 pcket 数目。每次转换后多个 frame打包成一个 packet，所以 frame 数量最好是 mFramesPerPacket 的倍数。

在 receiveNewAudioBuffers 方法里，不断接受音频数据输入，因为每次接收的数目跟你转码的数目不一定相同，甚至不是倍数关系，所以一次输入可能有多次转码，也可能多次输入才有一次转码，还要考虑上次输入后遗留的数据等。

所以：

1. leftLength 记录上次输入转码后遗留的数据长度， leftBuf 保留上次的遗留数据

2. 每次输入，先合并上次遗留的数据，然后进入循环每次转换 bufferLengthPerConvert 长度的数据，直到剩余的不足，把它们保存到 leftBuf 进行下一次处理

转换函数本身很简单： AudioConverterFillComplexBuffer(_audioConverter, convertDataProc, &encodeBuffer, &packetPerConvert, &outputBuffers, NULL);

参数分别是：转换器、回调函数、回调函数参数 inUserData 的值、转换的 packet 大小、输出的数据。

数据输入是在会掉函数里处理，这里输入数据就通过"回调函数参数 inUserData 的值"传递进去，也可以在回调里再读取数据。

OSStatus convertDataProc(AudioConverterRef inAudioConverter,UInt32 *ioNumberDataPackets,AudioBufferList *ioData,AudioStreamPacketDescription **outDataPacketDescription,void *inUserData){
    
    AudioBuffer *buffer = (AudioBuffer *)inUserData;
    
    ioData->mBuffers[0].mNumberChannels = buffer->mNumberChannels;
    ioData->mBuffers[0].mData = buffer->mData;
    ioData->mBuffers[0].mDataByteSize = buffer->mDataByteSize;
    return noErr;
}
复制代码