音频拼接时出现爆音，很大概率不是压缩失真，而是接缝两端的采样点不连续。一段音频文件的结束位置很少刚好停在零交叉点，另一段音频的起始位置也可能带着明显的直流或瞬态偏移，直接把两个缓冲区拼起来，数模转换器就会在接缝处产生一个接近阶跃的电压变化。这个阶跃包含很宽的频率成分，反映到听感上就是啪的一声。要消除这种爆音，需要从时域波形入手，做交叉淡化与增益调整。
一、爆音的根源：接缝处的采样点跳变
PCM格式的音频本质上是一串按固定频率采样的数值，例如44.1kHz采样率表示每秒44100个采样点。播放器把这些点依次送给数模转换器，转换成连续变化的电压。如果相邻两个采样点之间的差值很小，电压变化平缓，扬声器振膜的运动就是连续的；如果某个位置出现大幅跳变，振膜会在极短时间内被推到一个完全不同的位置，这种冲击信号就是人耳听到的爆音。
可以举一个具体例子：假设前一段音频的最后一个采样点是0.8，后一段音频的第一个采样点是-0.7。这两个数值本身都在合法范围内，但它们相邻时，差值达到1.5。以16bit音频为例，满量程范围是-1.0到约0.99997，1.5的瞬间跳变已经超过满量程的七成。即使原始文件里没有任何削波，拼接动作本身也会制造出一个宽度仅一个采样周期的阶跃。代码可以直观地计算这个跳变量。
import numpy as np sr = 44100 # 生成两段正弦波，模拟待拼接音频 seg1 = np.sin(2 * np.pi * 440 * np.arange(sr // 5) / sr) * 0.8 seg2 = np.sin(2 * np.pi * 550 * np.arange(sr // 5) / sr) * 0.8 # 模拟拼接点附近的跳变 seg1[-1] = 0.8 seg2[0] = -0.7 audio = np.concatenate([seg1, seg2]) delta = abs(audio[len(seg1)] - audio[len(seg1) - 1]) print(delta) # 输出 1.5
从代码输出可以看到，拼接后第一个新采样点与上一采样点的差值就是1.5。这个差值在频谱上表现为宽频瞬态，能量虽然短，但峰值很高。除了波形跳变，直流偏移也会加剧问题。如果某段录音带有轻微直流分量，它的结尾可能不围绕零轴，截断后同样会产生一个台阶。因此正式处理前可以先做高通滤波或减去均值，但更直接有效的方式仍然是在接缝处做平滑过渡。
二、交叉淡化：把瞬间跳变分散到重叠区
交叉淡化的思路很简单：不让前一段在接缝处立刻结束，也不让后一段在接缝处突然开始，而是让两者在一小段重叠区间内同时存在，前一段按比例降低，后一段按比例升高，最后只保留混合后的信号。重叠区内的输出可以表示为：out[i] = a[i] * fade_out[i] + b[i] * fade_in[i]。fade_out从1线性降到0，fade_in从0线性升到1。这样即使a和b原本差异很大，混合结果也会从a连续过渡到b，不会出现单采样点跳变。
最简单的实现是线性交叉淡化。它的优点是计算量小，适合实时拼接、游戏音频和流式处理。代码示例如下：
def linear_crossfade(a, b, fade_samples):
if len(a) < fade_samples or len(b) < fade_samples:
raise ValueError("音频长度不足")
fade_out = np.linspace(1.0, 0.0, fade_samples)
fade_in = np.linspace(0.0, 1.0, fade_samples)
a_tail = a[-fade_samples:] * fade_out
b_head = b[:fade_samples] * fade_in
overlap = a_tail + b_head
return np.concatenate([a[:-fade_samples], overlap, b[fade_samples:]])
线性交叉淡化在信号相关时表现不错，例如同一段音乐因编辑需要被拆开后再拼回。但如果两段音频相关性较弱，线性叠加会让重叠区中间的功率下降，听起来音量会有一个小凹陷。此时更适合使用等功率交叉淡化，用正弦和余弦曲线代替直线，使两个系数的平方和在任意时刻都等于1。其实现差异只在系数计算：fade_out = cos(linspace(0, pi/2, n))，fade_in = sin(linspace(0, pi/2, n))。等功率法对语音和音乐拼接通常更稳，是大多数编辑器的默认思路。
交叉淡化时长不能随意调大。一般语音拼接建议10到20毫秒，音乐拼接建议30到50毫秒。太短会残留爆音，太长则重叠区会同时出现两段声音，让人耳感觉浑浊甚至产生梳状滤波效应。具体数值还要看素材瞬态强度，如果接缝正好在鼓点或爆破音上，最好把接缝位置前移或后移，避开强瞬态，而不是无限增加淡化时间。
三、增益调整：先对齐响度，再处理削波
交叉淡化解决的是波形不连续问题，但它不会改变两段音频本身的响度差异。如果前一段人声是-18 LUFS，后一段是-24 LUFS，哪怕过渡曲线再平滑，接缝后音量也会明显变轻。增益调整的目标是在拼接前让两端响度尽量接近。通常做法是计算各自RMS或感知响度，然后对后段乘上一个增益系数。RMS计算简单，实时性强；LUFS更符合人耳感知，但在脚本里需要依赖响度测量库。
以RMS为例，假设两段音频都是浮点PCM，目标是把后段响度对齐到前段。可以用以下代码实现：
def match_rms(seg, target_rms):
current_rms = np.sqrt(np.mean(seg ** 2))
gain = target_rms / (current_rms + 1e-12)
out = seg * gain
peak = np.max(np.abs(out))
if peak > 0.98:
out = out * 0.98 / peak
return out
target = np.sqrt(np.mean(seg1 ** 2))
seg2_matched = match_rms(seg2, target)
这段代码先根据后段当前RMS和希望达到的目标RMS计算增益，再对后段进行缩放。最后一步峰值检查很重要：提升响度可能让某些采样点超过0dBFS，导出到16bit或24bit文件时就会被硬削波，产生新的失真。示例里如果峰值超过0.98，就整体缩小到0.98，保持一定余量。对于更复杂的母带场景，可以使用软限幅器或砖墙限制器，但在普通拼接任务里，峰值归一化已经足够。
增益调整和交叉淡化的顺序不能颠倒。先做增益匹配，再做交叉淡化，重叠区里的响度变化才会平滑。如果先做交叉淡化再测量响度，淡出部分会拉低前段RMS，淡入部分会拉低后段RMS，最终计算出的增益可能不准确。另一个细节是增益变化本身如果太快，也可能引入新的阶跃，所以如果两段响度相差超过6dB，不建议一次性硬对齐，可以在后段内部再做一次短时增益渐变，或者手动微调素材音量。
四、组合流程与验证方法
实际工程中，拼接处理通常按照固定顺序执行：读取两段音频并转为浮点PCM；如果需要，先去除直流偏移；计算前段RMS作为目标响度；对后段做增益匹配；选择重叠长度并执行等功率交叉淡化；最后做峰值检查并导出。这个流程可以封装成一个函数，方便批量处理。下面是一个简化但完整的示例：
def concat_audio(a, b, sr, fade_ms=40.0):
fade_samples = int(sr * fade_ms / 1000)
target_rms = np.sqrt(np.mean(a ** 2))
b_matched = match_rms(b, target_rms)
fade_out = np.cos(np.linspace(0, np.pi / 2, fade_samples))
fade_in = np.sin(np.linspace(0, np.pi / 2, fade_samples))
a_tail = a[-fade_samples:] * fade_out
b_head = b_matched[:fade_samples] * fade_in
overlap = a_tail + b_head
result = np.concatenate([a[:-fade_samples], overlap, b_matched[fade_samples:]])
peak = np.max(np.abs(result))
if peak > 0.98:
result = result * 0.98 / peak
return result
验证时不能只看波形是否连续，还要实际试听接缝处。可以在处理前和处理后分别播放接缝前后约500毫秒，对比是否还有咔哒声。也可以计算接缝附近的相邻采样点最大差值，处理后这个差值应该显著下降。频谱图同样能提供线索：如果接缝处存在一条贯穿所有频段的竖线，说明还有瞬态能量残留。
需要特别注意的是，交叉淡化和增益调整并不是万能。它们不能修复丢帧、时钟漂移或编码错误造成的爆音，那些问题需要从源头解决。对于节奏型音乐或带有强烈打击乐的内容，过度淡化会吃掉起音，让人感觉声音变软。所以参数要保守，先把爆音去掉，再根据听感慢慢减少淡化时间。