Java - How do you convert Java Discord API stereo byte[] to a CMU Sphinx 4 format?

Question

我一直坚持这个感觉至少一个星期。 我查看了各种解决方案和来源，但仍然不明白这应该如何工作。 我正在尝试将 Java Discord API 与 CMU Sphinx 4 一起使用。

在第一段代码中，当用户在 Discord 中讲话时，handleUserAudio() 方法就会运行。 它每 20ms 触发并发送一个 userAudio object，其中包含一个 20ms 立体声字节 []...。

public class SpazVoiceListener extends ListenerAdapter {

    // joins channel of user that types "-join", audio from each user is sent to the convertor
    public void run(MessageReceivedEvent event) {

        VoiceChannel userVoiceChannel = (VoiceChannel) event.getMember().getVoiceState().getChannel();
        VoiceFileSaver voiceFileSaver = new VoiceFileSaver();

        try {
            userVoiceChannel.getGuild().getAudioManager().openAudioConnection(userVoiceChannel);
        } catch (Exception e) {
            System.out.println("Error connecting to voice channel: " + e.getMessage());
        }

        try {
            userVoiceChannel.getGuild().getAudioManager().setReceivingHandler(new AudioReceiveHandler() {
                @Override
                public boolean canReceiveCombined() {
                    return false;
                }

                @Override
                public boolean canReceiveUser() {
                    return true;
                }

                @Override
                public void handleCombinedAudio(@NotNull CombinedAudio combinedAudio) {
                }

                @Override
                public void handleUserAudio(@NotNull UserAudio userAudio) {
                    voiceFileSaver.newStream(userAudio);
                }
            });
        } catch (Exception e) {
            System.out.println("Error setting Audio Receive Handler: " + e.getMessage());
        }
    }
}

我创建了一个 object 来存储用户的用户 object。 我还尝试获取 20ms 字节 []，从立体声转换为 mono，另存为.wav，然后将.wav 文件“连接”在一起，以创建一个包含用户完整讲话事件的.wav 文件。 稍后我将通过语音识别运行 full.wav 文件。

HashMap 只是我跟踪用户对象以检查它是否已经存在的一种方式，仅此而已。

public class VoiceFileSaver {

    HashMap<User, String> usersAudioData = new HashMap<>();

    public VoiceFileSaver() {
    }

    public void newStream(UserAudio userAudio) {

        try {
            AudioInputStream newAudio = convertToMono(userAudio.getAudioData(1));
            // If user key exists, the new audio file is added to the existing audio file
            if (usersAudioData.containsKey(userAudio.getUser())) {
                try {
                    AudioSystem.write(newAudio, AudioFileFormat.Type.WAVE, new File("src/main/resources/tmp/" + userAudio.getUser().getIdLong() + "TEMP.wav"));
                    AudioInputStream convertedClip = AudioSystem.getAudioInputStream(new File("src/main/resources/tmp/" + userAudio.getUser().getIdLong() + "TEMP.wav"));
                    AudioInputStream existingClip = AudioSystem.getAudioInputStream(new File("src/main/resources/tmp/" + userAudio.getUser().getIdLong() + ".wav"));
                    AudioInputStream appendedAudio = new AudioInputStream(new SequenceInputStream(existingClip, convertedClip), existingClip.getFormat(), existingClip.getFrameLength() + convertedClip.getFrameLength());
                    AudioSystem.write(appendedAudio, AudioFileFormat.Type.WAVE, new File("src/main/resources/tmp/" + userAudio.getUser().getIdLong() + ".wav"));
                } catch (Exception e) {
                    System.out.println("Error appending audio files:" + e.getMessage());
                }
            } else {
                // If user key does not exist, creates new hashmap entry with new user key and file name as a String
                usersAudioData.put(userAudio.getUser(), "src/main/resources/tmp/" + userAudio.getUser().getIdLong() + ".wav");
                AudioSystem.write(newAudio, AudioFileFormat.Type.WAVE, new File("src/main/resources/tmp/" + userAudio.getUser().getIdLong() + ".wav"));
            }
        } catch (Exception e) {
            System.out.println("Error converting from stereo to mono: " + e.getMessage());
        }
    }

    public AudioInputStream convertToMono(byte[] audio) {
        AudioFormat targetFormat = new AudioFormat(16000f, 16, 1,  true, false);
        AudioInputStream ais = new AudioInputStream(new ByteArrayInputStream(audio), targetFormat, audio.length);
        return ais;
    }
}

来自 userAudio 的原始 byte[] 是 48KHz 16bit 立体声签名的 BigEndian PCM。 我想将其转换为 CMU Sphinx 4 的 .wav 文件，即 16KHz 16 位 mono LittleEndian。 我得到的最终结果是一个 20 毫秒的 static 听起来昙花一现。 这告诉我，首先，音频没有被正确转换，其次，文件没有被正确连接。

我之前用 Clip 对象测试了 userAudio byte[]，所以我知道进来的 20ms Discord 音频剪辑确实有效。

如果需要更多信息，请告诉我，我会尽我所能提供。