4.4 音频与输入——XAudio2与XInput协奏

4.4 音频与输入——XAudio2 与 XInput 协奏

本节摘要：声音与输入是实时性的极限考场：延迟超过极短阈值，玩家就会感知到"不同步"。本节拆解 XAudio2 的声音图与提交节奏、XInput 的手柄协议与震动反馈，并顺路梳理输入子系统的代际演化——为什么 DirectInput 退出、现代方案接棒。

延迟是唯一的主角

图形管线的延迟以帧计，人的眼睛对几十毫秒的推迟还算宽容；耳朵与手指苛刻得多——按下按键到画面响应、触发音效到声音入耳，只要超出极短的窗口，手感立刻"发面"。这决定了音频与输入子系统的设计基调：队列要浅、路径要短、回调要稳。XAudio2 与 XInput 的 API 形态，处处透着这个基调。

XAudio2：声音图与提交节奏

XAudio2 的模型是一张声音图：源声音（Source Voice）持有音频数据，经子混音（Submix Voice）做效果与分组混音，最终汇入主声音（Mastering Voice）送往设备。这个三层结构对应真实的混音台：每个音效是一路推子，脚步声归一组、音乐归一组，各组可以独立调音量与效果——爆炸时压低音乐（侧链压缩）这类游戏标配，在子混音层实现干净利落。

// 源声音：加载一段 WAV 后建立播放通道
IXAudio2SourceVoice* source;
xaudio->CreateSourceVoice(&source, &wfx);
XAUDIO2_BUFFER buf{};
buf.AudioBytes = dataSize;
buf.pAudioData = dataBytes;
buf.Flags = XAUDIO2_END_OF_STREAM;
source->SubmitSourceBuffer(&buf);   // 提交缓冲入队
source->Start(0);                   // 开始发声
​

关键纪律在提交节奏：源声音内部是一个缓冲队列，播放消费队头，你要在队列见底前提交新缓冲，否则出现断音（underrun）。常规做法是回调驱动——注册缓冲结束回调，队列水位低于阈值就补货。这与图形侧的帧循环同构：生产与消费之间靠队列解耦，靠水位监测保供——只是音频的水位纪律比图形严格得多，断音比掉帧刺耳得多。3D 空间音效也只是把听者与声源的相对位置喂给 XAudio2，它负责按距离与方向做音量、音高与声像运算，不需要你手写空间化滤波。

XInput：手柄协议与震动

XInput 是 Xbox 手柄在 Windows 上的标准协议，接口刻意保持极简——查询状态、设置震动，就这两件主事：

XINPUT_STATE state{};
DWORD ok = XInputGetState(0, &state);          // 0 号手柄
if (ok == ERROR_SUCCESS) {
    float lx = state.Gamepad.sThumbLX / 32767.0f;   // 左摇杆归一化
    bool pressed = state.Gamepad.wButtons & XINPUT_GAMEPAD_A;
    if (crossedDeadzone(lx)) handleMove(lx);        // 死区处理！
}

XINPUT_VIBRATION vib{ 30000, 15000 };          // 左马达强、右马达弱
XInputSetState(0, &vib);
​

三处工程细节值得展开。死区：摇杆静止时数值并不归零，直接映射会让角色漂移；要按死区半径归一化处理——这是手柄手感的第一课。轮询频率：输入以每帧轮询即可，但事件驱动的窗口消息（键盘鼠标）与轮询的手柄并存时，要统一到同一输入帧，否则两路设备时序错位。震动即反馈通道：震动强度映射到游戏事件（受击、爆炸、引擎转速），是廉价而有效的手感放大器；持续满强度会耗电且麻木，按事件脉冲式触发是更好的习惯。还有一个工程取舍值得一记：轮询与事件的选择。XInput 的轮询模型简单可靠，每帧一次状态查询的代价可忽略；但"按下瞬间"的判定要自己比对前后两帧的状态差——漏了比对，长按会被当成连发。事件模型省了比对逻辑，时序与帧循环的对齐又成了新问题。两种模型没有高下，选了哪种，就把它的边界条件收进固定的处理函数，别在业务代码里散落判断。

输入子系统的代际演化

DirectInput 的退出值得记一笔：它诞生于手柄键位混乱的年代，想提供统一的输入抽象，把键盘、鼠标、摇杆全部装进一套接口。但它的抽象层逐渐跟不上设备演进——force feedback 规范碎片化、Xbox 手柄崛起后 XInput 以"少而稳"取胜，微软自己也把 DirectInput 列为遗留。现代方案是分层并存：手柄走 XInput（或其继任者 Windows.Gaming.Input，支持更多设备与更细的震动），键鼠走原生窗口消息或 Raw Input（绕过历史兼容层、拿到未加工数据），UI 文本另有专门的文本服务。统一大抽象输给了分层专业化——这个教训与 4.2 节"用对工具"一脉相承。

音频数据怎么搬：常驻、流式与压缩三选

音频数据的搬运策略值得单独立一节，因为它跟图形资源的账法不同。短音效（枪声、脚步、界面点击）走常驻：解码成 PCM 一次装进内存，随叫随到，反正几 MB 的事。背景音乐与过场语音走流式：磁盘上一小块一小块读进环形缓冲，边播边补——一首三分钟的曲子常驻要吃几十 MB，流式只需两个缓冲区的水位管理，代价是读盘失败要兜底（卡顿处静音循环，别崩）。压缩则横跨两派：PCM 无压缩的带宽与内存开销都大，XAudio2 支持 ADPCM 与 xWMA 这类硬件友好的压缩格式，解码负担小、延迟低——音效批量压 ADPCM、音乐压流式压缩格式，是常见的组合拳。

三选的判断式其实就两个变量：这一响的体量，与它的触发实时性。体量小、要随时响——常驻；体量大、按序播——流式；两派都得压一压省内存。这里与 3.4 节的显存账本对照着看很有意思：图形资源讲究"放哪堆、什么状态"，音频讲究"驻多久、怎么流"，账本不同，记账思维相通——都是让稀缺的内存与带宽只装当下真正需要的东西。

协奏：把音画输入对齐

三者齐备后，真正的工程题是对齐。一帧内的事件顺序应是：轮询输入 → 更新逻辑 → 触发音效提交 → 图形录制提交。反过来（先画再收输入）会让操控感迟滞一帧。音频与图形的同步点通常在事件层：爆炸那一帧提交音效缓冲，不必追求波形与像素的精确对齐——人耳对音频延迟敏感、对音画间的微小错位宽容，把延迟预算花在刀刃上。顺带记一条音频侧的独有陷阱：声音线程卡顿的表象是爆音杂音而非掉帧，别把它当渲染性能问题去优化——两套系统的故障表现完全不同，先分清再动手。输入则相反，每一步都要省：轮询放在帧首、避免在输入路径上做昂贵解析，是手感工程师的基本功。

本节要点回顾

• XAudio2 三层声音图：源、子混音、主控，对应混音台心智模型；断音是头号事故，回调补水是标准姿势。
• XInput 极简双事：查状态、设震动；死区处理决定手感下限。
• 输入演化的教训：统一大抽象（DirectInput）败给分层专业化——现代方案按设备类型各用其道。
• 帧内对齐顺序：输入 → 逻辑 → 音频提交 → 图形提交，操控感的迟滞往往来自顺序颠倒。

本章油路电路全部接通。下一章装仪表盘：调试层、PIX、设备丢失排错实录——让所有隐性故障显形。