NetEq 时间伸缩 · 变速不变调
NetEq 靠加速/减速播放来微调缓冲，但快进磁带会变尖、慢放会变低沉——怎么变速却不变调？靠 WSOLA：找相似波形、去掉或插入一个基音周期、交叉叠加。这一章讲清这个让 NetEq 悄悄调节延迟的核心技术。
NetEq 时间伸缩 · 变速不变调
NetEq 靠加速 / 减速播放微调缓冲：缓冲多了加速追回、少了减速攒回。但有个难题：普通的变速会变调——快进像磁带倒带尖细，慢放像喝醉了低沉。NetEq 必须变速却不变调，才能让人察觉不到。这一章讲这个精妙的技术。
难题：变速为什么会变调
先理解为什么天真的变速会变调：
声音的“音调”由波形的频率决定。如果你简单地把音频“快放”（每秒播更多样本），波形的频率就整体升高——音调变尖（花栗鼠效应）；“慢放”则频率降低，音调变闷。 这是因为“播放速度”和“频率”被绑在了一起：快放 = 波形被横向压缩 = 频率升高 = 音调变高。所以不能简单地“少播点样本来加速”——那会毁掉音色，一听就假。
NetEq 要的是：把一段音频的时长改变（变短 = 加速 / 变长 = 减速），但保持音调不变——就像你正常语速说话和略快说话，音调是一样的，只是时长不同。这在信号处理里叫时间伸缩（time-stretching），是个经典难题。
解法：WSOLA，按基音周期增删
NetEq 用的技术是 WSOLA（Waveform Similarity Overlap-Add，波形相似交叠相加），思路巧妙：
要给语音“加速”（缩短），就找到一个基音周期、把它去掉一个**；要“减速”（拉长），就插入一个——因为语音是准周期的，去掉 / 插入一整个基音周期，音调（周期本身）不变，只是时长变了。** 关键在“去掉 / 插入的接缝处怎么不咔哒”：WSOLA 用波形相似性找到最匹配的拼接点（让接缝两侧的波形尽量吻合），再用交叉叠加（overlap-add） 平滑过渡——和 Merge 的交叉淡化异曲同工。
举例：一段 30ms 的音频，基音周期是 5ms（200Hz 的低音）。要加速，就找一个位置去掉一个 5ms 周期，变成 25ms——播放时长短了、但每个周期还是 5ms，所以音调没变，只是这段话说得略快了。人耳对“略快 / 略慢”的语速极不敏感（尤其只调几毫秒），于是 NetEq 能神不知鬼不觉地每次微调几毫秒，把缓冲量慢慢拉回目标。变速不变调，是 NetEq 能“悄悄调节延迟”的技术基石。
为什么这如此重要
WSOLA 时间伸缩，是 NetEq 自适应缓冲的执行手段，它的意义比看起来大：
正因为能“无感地变速”，NetEq 才能把延迟控制做得如此丝滑——它不必“要么多缓冲、要么断音”地生硬取舍，而能持续地、微量地伸缩播放，让缓冲量始终平滑地贴着目标。 对比视频抖动缓冲：视频只能“整帧地”增减缓冲（要么多等一帧、要么丢一帧），粒度粗；而音频靠 WSOLA 能以毫秒级、连续地调节，粒度细得多。这就是为什么音频的延迟自适应比视频平滑得多——你几乎从不会感觉到音频在“调整缓冲”，但它一直在。
代价是 CPU：WSOLA 要做波形相似性搜索，有计算量。但音频数据量小，这点开销值得——换来的是流畅、低延迟、无感的音频体验。当你视频通话时觉得“声音一直很顺”，背后正是 NetEq 在用 WSOLA 持续地、悄悄地伸缩着每一小段音频。
小结与第 7 部分 NetEq 回顾
时间伸缩让 NetEq 变速不变调：天真变速会变调（快尖慢闷），NetEq 用 WSOLA——按基音周期去掉一个（加速）/ 插入一个（减速），音调不变、只改时长，接缝用波形相似 + 交叉叠加磨平。这让 NetEq 能无感、连续、毫秒级地微调缓冲，比视频抖动缓冲平滑得多。
NetEq 至此讲透：总览→缓冲与延迟→六种操作→丢包隐藏→时间伸缩。它把抖动缓冲、丢包隐藏、时间伸缩融为一体，是实时音频接收侧的杰作。
接收侧讲完，转到发送侧的另一座高峰——音频处理 APM，尤其是回声消除。下一章总览 APM。👉 APM 音频处理总览。
参考资料
- [1] libwebrtc 源码.
modules/audio_coding/neteq/accelerate.cc、preemptive_expand.cc、time_stretch.cc。 - [2] WSOLA 算法 —— Waveform Similarity Overlap-Add 时间伸缩。
- [3] 关联NetEq 缓冲与延迟——时间伸缩的目的。