1. 音频延迟基础概念：什么是音频延迟、延迟的测量单位、延迟对用户体验的影响

1.1 到底什么是音频延迟？

音频延迟，说白了就是声音从产生到被你耳朵听到之间的时间差。

你对着麦克风说一句话，经过设备处理，再从耳机里听到自己的声音——这中间的时间差，就是延迟。我刚开始做音频开发时，总觉得这玩意儿不就是个时间差嘛，能有多大事？后来被用户骂了几次，才真正意识到它的厉害。

举个例子：你弹电子琴，按下琴键到听到音符，中间有 50 毫秒的延迟。你试试看，弹快一点，节奏全乱。这就是延迟在捣鬼。

1.2 延迟的测量单位

音频延迟的测量单位，最常见的就是毫秒（ms）。1 秒 = 1000 毫秒。

但光说毫秒还不够。我习惯把延迟分成几个档次来看：

延迟范围	感受描述	典型场景
< 10 ms	几乎感觉不到	专业监听、现场演出
10 - 30 ms	轻微可感知，但可接受	语音通话、直播
30 - 100 ms	明显延迟，影响体验	视频会议、在线K歌
> 100 ms	严重延迟，无法使用	实时互动、游戏语音

你想想看，100 毫秒是什么概念？就是十分之一秒。听起来很短对吧？但在音频世界里，这已经足够让一段对话变得支离破碎。

除了毫秒，有时候也会用「采样点」来衡量延迟。比如一个音频缓冲区是 512 个采样点，采样率是 48000 Hz，那这个缓冲区的延迟就是 512 / 48000 ≈ 10.67 ms。嗯，这里要注意，采样点算出来的只是缓冲区延迟，实际总延迟还要加上硬件传输、处理时间等等。

1.3 延迟对用户体验的影响

延迟这东西，影响比你想象的大得多。我做过一个在线K歌项目，上线第一天就被用户骂「没法唱」。排查下来，延迟到了 120 ms。用户唱一句，伴奏已经跑远了，根本合不上。

具体来说，延迟对用户体验的影响有这几个方面：

• 实时互动类（语音通话、视频会议）：延迟超过 30 ms，对话就开始出现「抢话」现象。你这边刚说完，对方还没反应，你又以为他没听到，结果两个人同时开口。我曾经在项目里遇到过，用户投诉说「你们这个软件是不是有回声？」其实不是回声，是延迟导致的对话错位。
• 音乐创作类（录音、混音、监听）：延迟超过 10 ms，音乐人就会觉得「手感不对」。弹钢琴的、打鼓的，对延迟极其敏感。我记得有个用户是专业鼓手，他说「10 ms 的延迟就像戴着厚手套打鼓，完全找不到感觉」。
• 游戏类（FPS、MOBA）：延迟超过 50 ms，枪声和画面就对不上了。你明明看到敌人，开枪，但声音晚到，那种割裂感非常难受。
• 直播类（连麦、互动）：延迟超过 100 ms，主播和观众之间就会出现「时间差」。主播说「大家好」，观众 100 ms 后才听到，互动节奏全乱。

1.4 延迟是怎么产生的？

延迟不是凭空来的。我习惯把延迟拆成几个环节来看：

1. 采集延迟：麦克风把声音转成电信号，再转成数字信号。这个时间很短，但不可忽略。
2. 缓冲区延迟：音频数据在缓冲区里排队等待处理。缓冲区越大，延迟越高，但越稳定。缓冲区越小，延迟越低，但容易卡顿。这是个经典的 trade-off。
3. 处理延迟：CPU 处理音频数据的时间。比如降噪、回声消除、混音等算法。算法越复杂，延迟越高。
4. 传输延迟：数据从设备 A 传到设备 B 的时间。网络延迟、蓝牙延迟都属于这一类。
5. 播放延迟：数字信号转回模拟信号，再通过耳机或喇叭播放出来。

你看，每个环节都在「吃」时间。加起来，就是用户感受到的总延迟。

1.5 延迟优化的目标

那到底延迟降到多少才算合格？我个人的经验是：

• 专业场景：目标 < 5 ms。比如录音棚监听、现场演出。
• 消费级场景：目标 < 20 ms。比如语音通话、在线K歌。
• 可接受场景：目标 < 50 ms。比如视频会议、直播互动。

但说实话，很多时候不是你想降就能降的。硬件限制、网络条件、算法复杂度，都会拖后腿。所以做延迟优化，本质上是在「延迟」和「稳定性」之间找平衡。

好了，这一章先聊到这。下一章我们深入讲讲「延迟的测量方法」，包括怎么用工具精确测量延迟、怎么分析延迟的瓶颈在哪里。到时候我会分享一些我在项目中实际用过的测量脚本和工具链，挺实用的。