场景描述

音乐中只有一种声音有时候很单薄的，我们经常希望把不同的声音加在一起，但是在录制的时候我们需要严格同步起来，把两种声音的时差控制在听觉允许的范围内，才可能获得我们想要的结果。另外一点，在录制的时候，为了不把播放的声音和人声或者器乐声混到一块，通常都需要录制者带着耳机边听边录。

为了实现最终两个或者多个声音能非常好的契合到一起，除了要解决录音和播放的同步，还需要考虑到声音从手机传输到耳机上的延时。这个场景除了会出现在一些比较专业的音乐软件上，常用的 K 歌软件也不可避免会遇到这个问题。

一线希望：MediaSyncEvent?

先抛出结论：并不能解决问题～

肯定先从 SDK 入手，发现 AudioRecord 里面有个方法 startRecording(MediaSyncEvent syncEvent) , 再看了一遍文档，仿佛在黑暗中看到了一丝光亮。

The MediaSyncEvent class defines events that can be used to synchronize playback or capture * actions between different players and recorders.

然而对于它的使用资料实在太少，stackoverflow 上有个提问是 0 回答：这里。翻了 Google 很久，最终在官方的 CTS (Compatibility Test Suite) 中找到了它的身影：在 AudioRecordTest 的testSynchronizedRecord方法中。这里顺便提一下，这些单元测试是非常好实打实的官方学习资料，如果苦于找不到答案的时候，不妨来这里找找看。

研究完testSynchronizedRecord我们回来看看MediaSyncEvent它究竟是用来干嘛的？

MediaSycEvent 可以通过 MediaSyncEvent.createEvent() 进行构造，它支持两种事件类型。

    /**
     * No sync event specified. When used with a synchronized playback or capture method, the
     * behavior is equivalent to calling the corresponding non synchronized method.
     */
    public static final int SYNC_EVENT_NONE = AudioSystem.SYNC_EVENT_NONE;

    /**
     * The corresponding action is triggered only when the presentation is completed
     * (meaning the media has been presented to the user) on the specified session.
     * A synchronization of this type requires a source audio session ID to be set via
     * {@link #setAudioSessionId(int) method.
     */
    public static final int SYNC_EVENT_PRESENTATION_COMPLETE = AudioSystem.SYNC_EVENT_PRESENTATION_COMPLETE;

其实就只有一种，SYNC_EVENT_NONE 就相当于没有同步事件，常规的 AudioRecord.startRecording() 方法就是用的这个参数。从AudioRecordTest.testSynchronizedRecord 的测试用例中可以得知SYNC_EVENT_PRESENTATION_COMPLETE的作用其实是等AudioTrack播放完的瞬间才触发AudioRecord的录音，这明显和我们的需求是不通的，没想明白在哪些场景会有这个需求，Google 要专门提供这个一个参数，如果有想法的朋友可以给我留言。

CyclicBarrier 来帮忙

此路不通之后，我们需要另辟蹊径。在运动员比赛前，我们需要先让大家在同一线上等待，直到看到信号发出再一起出发。在这里，我们也需要让 AudioTrack 和 AudioRecord 先在同一起跑线上等着，然后一起出发，各奔东西。Java 世界里面的CyclicBarrier就很合适做这件事情。

// play 和 record 两个同步线程
CyclicBarrier recordBarrier = new CyclicBarrier(2);

AudioTrack audioTrack;
AudioRecord audioRecord;

// UI Thread
public void start(){
    recordBarrier.reset();
    audioTrack.play();
    audioRecord.startRecording();
    new RecordThread().start();
    new PlayThread().start();
}

class RecordThread extends Thread{
    public void run(){
        //等play线程开始写的时候read
        recordBarrier.await();
        audioRecord.read();
    }
}

class PlayThread extends Thread{
    public void run(){
        //等reacord线程开始读的时候write
        recordBarrier.await();
        audioTrack.write();
    }
}

上面通过CyclicBarrier让 AudioTrack的 write 和 AudioRecord 的 read 在同一起跑线上，似乎事情已经解决了，然而并没有。虽然你开始往耳机write数据，但是耳机接收到信号真正发出声音还要一段时间。

处理录音延时问题

我们回到用户真实的使用场景中，来看看问题是如何发生的？

录音延时

播放源是真实的数据源，比如位于 1ms 的伴奏数据块从写入AudioTrack开始到耳机播放可能已经是 100ms 后的事情了，而用户这个时候才开始录入自己的声音，这里还可能会有从设备开始采集声音到缓冲区的一个延时，如果是使用蓝牙耳机的话，那延时的问题就会更加突出了。

我们来感受一下延时的情况，在咖啡馆录的音，杂音比较多，但是不难听出来录音是比原来的声音要延迟了。

看下声波图：

延迟声波图

解决方案：

当录音和播放开始之后，它们就会在同一时域中平行演绎，根据延时的特点，我们不难得出：

录音时长 = 延迟时长 + 播放时长 + 额外时长(播放完之后的自由录音)

只要我们能知道延迟的时长，在读取录音数据的时候，我们只要截取掉 AudioRecord 前面的延迟数据就可以让问题得到解决了。那怎么才能知道应该截掉多少个 byte 的数据呢？在这里我想到了一个巧妙的解决方法，给大家分享一下思路。

从上面的节拍器的声波图我们可以看到，波峰对应的就是哒的那一声，录音音轨和节拍器音轨上的波峰差就是我们想知道的延迟时长。根据这个特点，我们可以设计出获取这个延迟时长的一个思路：

让用户带上耳机，根据固定节奏的节拍器(要有一定时间间隔)声音进行录音，简单的啦..啦..啦..就好。
根据获取到的录音数据和原始的节拍器声音进行比较, 我取的是 8 个波峰区间数据进行比较，如果延迟误差都在一个小范围内，那就认为是正确的。

具体的算法大概如下：

//ANALYZE_BEAT_LEN = 8
int[] maxPositions = new int[ANALYZE_BEAT_LEN];
for(i = 0; i != maxPositions.length; i++){
    byte[] segBytes = getSegBytes(); //获取一拍时长的数据
    maxPositions[i] = getMaxSamplePos(segBytes);// 获取拍中波峰所在的大致位置
}

//按小到大排序
Arrays.sort(maxPositions);

//取中间一半的值，如果平均值误差在 10 毫秒内，就认为是正确的
int sampleTotalValue = 0;
int sampleLen = ANALYZE_BEAT_LEN / 2;
int[] sampleValues = new int[sampleLen];

for(int beginIndex = sampleLen / 2, i=0; i != sampleLen; i++){
    sampleValues[i] = maxPositions[ i + beginIndex];
    sampleTotalValue += sampleValues[i];
}

int averSampleValue = sampleTotalValue / sampleLen;

boolean isValid = true;
for(int sampleValue : sampleValues){
    //errorRangeByteLen : 10 毫秒的 byte 长度
    if(Math.abs(averSampleValue - sampleValue) > errorRangeByteLen){
        isValid = false;
    }
}

if(isValid){
    stopPlay = true;
    // 结果
    int result = averSampleValue;
}