处理一个音频文件

语音备忘、采访、课程录音等包含人声和室内噪音的文件都可以处理。这一页介绍支持的文件、处理流程、输出格式，以及这一步在你其余的工作流程里该放在哪。

什么文件能进去

mp3、wav、m4a、aac、flac 和 ogg，以及大多数视频文件的音轨。把这当成参考而不是保证：我们是靠读文件本身的开头来判断的，不是信任它的扩展名，所以一个被改过名的文件会按它的实际内容来处理。

如果你的浏览器压根解不开某个文件，你会看到一条说明这件事的错误，而先转成 mp3 或 wav 基本都能解决。那是一条真的退路，不是打发你 —— 那种情况下缺的是一个容器解包器，不是降噪本身。

对 mp4、m4a 以及裸的 aac 或 mp3，我们只解开真正需要的那一段：顺着文件自己的索引找过去，只读那些字节。长录音不必整个装进内存 —— 在一个大文件上，这样实测比整个解码少用约 103 倍内存。

无损和开放格式 —— wav、flac、ogg、webm —— 目前还没有这条捷径，所以会被整个解码。正常长度没问题，而这是唯一一种「非常长的文件可能把浏览器内存撑爆」的情况。真遇上了，同一段录音的 mp3 或 m4a 走的是省事的那条路。

每个文件在模型看到它之前都会经历两件事，两件都值得知道：

**一切都会被并成 48 kHz 的单声道。**模型是单通道的，所以这不是一个偏好设置。如果你的录音是立体声、或者两支话筒分别在两个声道上，它们会先被混到一起 —— 什么时候这件事要紧、以及那时该怎么做，见播客那一页。
**我们挑的是最响的 30 秒，不是开头的 30 秒。**录音的开头通常是椅子响、清嗓子、和一句「这个开了吗」—— 拿那一段去判断效果，会让它显得比实际差。结果卡片上会告诉你用的是哪一段。

一个 48 kHz 的 16 位单声道 WAV，30 秒大约 2.9 MB。用 WAV 是因为浏览器没有通用的音频编码器 —— 要给你一个 mp3，就得在 9 MB 的引擎之外再塞一个编码器给你，一个下载按钮不值这个代价。

**我们不对两个版本做响度匹配。**在我们首页那条样例上，原版测得 −11.6 LUFS，处理后是 −13.7，大约低 2 LU。这不是 bug：去掉噪音就是去掉能量，你的文件也会这样。把两者电平拉齐会让对比显得好看，也会藏起一件你在调电平之前就该知道的事。

**先降噪，再调电平，最后做母带。**因为我们不做归一化，输出音量会比输入更低 —— 所以任何跟响度有关的决定都该在这一步之后，不是之前。先给一个有噪音的文件调电平，等于是对着一个即将移动的底噪做了所有判断。
**在铺音乐和音效之前做。**模型保留它认得出是语音的部分，把其余压下去，所以垫在人声底下的音乐床正是它要去动的那类东西。先处理人声，再铺音乐。
**它不是均衡器。**不做齿音处理、不做音色调整、不修削波或失真的音频。只干一件事。