Ubuntu音频入门：用arecord和aplay掌握ALSA底层录音与播放

1. 为什么从arecord和aplay开始学 Ubuntu 音频？——一个老手的真实建议

刚装好 Ubuntu，想录一段语音做会议纪要，或者调试麦克风阵列，又或者只是想确认自己的 USB 麦克风是不是真能用……你搜“Ubuntu 录音”，十有八九会撞上arecord和aplay这两个命令。它们不像 Audacity 那样带图形界面、点点鼠标就能用，但恰恰是这种“原始感”，让它们成了 Linux 音频世界的“万能钥匙”和“诊断听诊器”。我带过几十个刚转 Linux 的工程师，几乎所有人最初都卡在“明明设备插上了，arecord -l却不显示”或者“录出来是杂音，播放时卡顿断续”这类问题上。不是他们不会用软件，而是没搞懂背后那套 ALSA（Advanced Linux Sound Architecture）机制——它不像 Windows 的音频栈那样把所有细节藏起来，而是把声卡、PCM 设备、采样格式、缓冲区这些概念全摊开给你看。arecord和aplay就是这套机制最直接的命令行接口。你用它们录 5 秒钟，其实已经完成了设备枚举、硬件参数协商、DMA 缓冲区配置、数据流启动这一整套底层动作。这比打开 GUI 软件点“开始录音”有价值得多。它不教你怎么“做一件事”，而是帮你建立对 Linux 音频系统的直觉：哪个环节出问题，就去查哪一层。比如，arecord -l没输出，问题在内核驱动或 USB 权限；录出来是爆音，大概率是采样率/格式不匹配；播放时延迟高，得调--buffer-time和--period-time。这篇教程，就是带你亲手拧开这个黑盒子，从零开始搭一条“录音→保存→播放→实时回环”的完整链路。它不假设你懂 ALSA，但要求你愿意敲几行命令、看几行输出。适合所有想真正掌控自己 Ubuntu 声音的人——无论是学生做嵌入式语音项目，还是程序员调试 IoT 设备，甚至只是想给家里老人配个稳定可用的语音留言机。你不需要记住所有参数，但得知道每个关键开关背后“管什么”，以及“拧错了会怎样”。

2. 核心设计思路与方案选型逻辑：为什么是arecord/aplay，而不是 PulseAudio 或其他？

2.1 绕不开的底层真相：ALSA 是 Linux 音频的基石，PulseAudio 只是“翻译官”

很多新手一上来就想用pactl或parec，觉得“既然 Ubuntu 默认装了 PulseAudio，那就该用它”。这个想法很自然，但容易走弯路。PulseAudio 本质是一个运行在用户空间的“声音服务器”，它的核心任务是把多个应用的音频流混合、重采样、路由，再转发给真正的硬件驱动。它像一个繁忙的机场调度中心，而arecord/aplay对应的 ALSA PCM 接口，才是连接飞机（应用）和跑道（声卡硬件）的那条专用滑行道。当你用arecord直接操作hw:0,0，你绕过了调度中心，直连跑道——这意味着：第一，延迟最低，没有额外的缓冲和混音开销；第二，控制最精确，你能直接指定硬件支持的任何采样率、位深、通道数，而不受 PulseAudio 中间层的限制或“自动转换”干扰；第三，诊断最清晰，错误信息直接来自内核驱动，比如arecord: set_params:1303: Sample format not available，这比 PulseAudio 报的Connection refused明确一百倍。我做过对比测试：在一块 Intel HDA 声卡上，用arecord -D hw:0,0 -r 48000 -f S16_LE录音，端到端延迟稳定在 8ms；换成parec --device=alsa_input.pci-0000_00_1f.3.analog-stereo，同样参数下，延迟跳变在 20–60ms 之间，且偶尔丢包。所以，本教程选择arecord/aplay，不是因为它“更简单”，而是因为它“更真实”。它是你理解 Ubuntu 音频的第一块基石。等你把hw:设备玩明白了，再上plughw:（带自动转换的插件层）或 PulseAudio，才能知其然更知其所以然。

2.2 方案取舍：hw:vsplughw:vsdefault—— 三把钥匙，各开各的锁

arecord的-D参数后面跟的设备名，是方案选型的核心战场。常见选项有三个：hw:X,Y、plughw:X,Y和default。它们不是简单的“高级”和“低级”之分，而是应对不同场景的精密工具。

• hw:X,Y（如hw:0,0）：这是最硬核的模式，直通硬件。它要求你指定的采样率、格式、通道数，必须完全匹配声卡硬件原生支持的能力。好处是零开销、零延迟、绝对可控；坏处是容错率为零。比如你的声卡硬件只支持S16_LE16位小端格式，你却用-f S32_LE，命令会立刻报错退出。我第一次调试 ReSpeaker 4 Mic Array 时，就栽在这儿——arecord -D hw:1,0 -r 16000 -f S16_LE成功，但-f cd（即S16_LE,44100,2）失败，因为该 USB 麦克风硬件只支持单声道 16kHz。这个错误不是 bug，而是硬件在告诉你：“我只能干这个”。

• plughw:X,Y（如plughw:1,0）：这是 ALSA 的“智能适配层”。它内部集成了重采样、格式转换、通道映射等插件。当你用plughw:1,0 -r 44100 -f cd，ALSA 会自动把 44100Hz 的请求，通过软件重采样成硬件实际支持的 16000Hz，并把双声道数据降为单声道。它牺牲了一点 CPU 和微秒级延迟，换来了极高的兼容性。对于快速验证设备是否“能用”，或者写脚本需要“不管硬件啥样，先录下来再说”，plughw是最省心的选择。但要注意，重采样会引入轻微音质损失，对专业音频处理不可接受。

• default：这是 ALSA 的“懒人模式”，它通常指向一个预设的、经过 PulseAudio 包装的虚拟设备。在 Ubuntu 桌面版中，default往往等价于pulse，意味着你的录音流会先进入 PulseAudio 服务，再被路由。它的优势是能无缝接入桌面音量控制、应用独立音量调节；劣势是增加了不可控的延迟和潜在的路由冲突。比如，你用arecord -D default test.wav录音时，如果另一个应用正在用 PulseAudio 播放音乐，有时会触发arecord: pcm_read:2147: read error: Input/output error。这不是arecord的错，是 PulseAudio 在争抢资源。所以，除非你明确需要桌面集成，否则入门阶段，我强烈建议避开default，从hw:或plughw:开始。

提示：如何快速判断该用哪个？先跑arecord -D hw:0,0 -l看设备是否存在；存在，就用hw:测试原生能力；如果报错，立刻切到plughw:0,0重试。成功了，说明问题出在参数匹配上，不是设备坏了。

2.3 为什么“同时录制和播放”是检验系统健康度的黄金标准？

教程末尾那句arecord -f cd | aplay -f cd，看起来只是个炫技的管道命令，但它其实是整个音频链路的“压力测试仪”。它强制要求：输入设备能持续稳定地产生数据流；CPU 能实时处理这个流（无丢帧）；输出设备能以完全相同的参数（采样率、格式）接收并播放；整个 ALSA 子系统在无文件 I/O 干扰下，保持 DMA 缓冲区同步。我在现场调试过太多案例：arecord单独能录，aplay单独能播，但一管道就卡死或爆音。最常见的原因有三个：一是输入和输出设备的硬件采样率不一致（比如 Mic 硬件只支持 16kHz，而 Speaker 支持 44.1kHz），管道里数据流速率不匹配，缓冲区瞬间溢出；二是arecord和aplay的缓冲区参数（-B,-F）没对齐，一个填得太快，一个取得太慢；三是 CPU 负载过高，实时性不足。能跑通这个命令，基本可以断定你的 ALSA 配置、驱动、硬件都处于健康状态。它比任何 GUI 软件的“测试麦克风”按钮都更严苛、更真实。所以，别把它当成一个可有可无的彩蛋，把它当作你搭建音频环境的最终验收步骤。

3. 核心细节解析与实操要点：参数、设备、格式，一个都不能错

3.1 设备枚举：-l和-L的区别，90% 的人没搞懂

arecord -l和arecord -L都是查设备，但它们回答的是完全不同的问题，混淆它们是新手最大的坑。

• arecord -l（小写 L）：列出的是物理声卡和数字音频设备（DAC/ADC）的硬件拓扑。它的输出像这样：

  **** List of CAPTURE Hardware Devices **** card 0: PCH [HDA Intel PCH], device 0: ALC256 Analog [ALC256 Analog] Subdevices: 1/1 Subdevice #0: subdevice #0 card 1: ArrayUAC10 [ReSpeaker 4 Mic Array (UAC1.0)], device 0: USB Audio [USB Audio] Subdevices: 1/1 Subdevice #0: subdevice #0

  这里的card 0, device 0是一个物理实体，对应主板上的 Intel HDA 控制器和 ALC256 编解码芯片。card 1, device 0是一个 USB 设备，即那个圆形的 4 麦克风阵列板。-l告诉你“我家有几台收音机，每台收音机有几个频道”。它不关心你能不能用，只告诉你硬件存在。

• arecord -L（大写 L）：列出的是 ALSA可用的 PCM 设备名称（逻辑设备）。它的输出长这样（节选）：

  null pulse dmix dsnoop hw:CARD=PCH,DEV=0 plughw:CARD=PCH,DEV=0 sysdefault:CARD=PCH front:CARD=PCH,DEV=0 surround21:CARD=PCH,DEV=0 ... hw:CARD=ArrayUAC10,DEV=0 plughw:CARD=ArrayUAC10,DEV=0

  这里的hw:CARD=PCH,DEV=0和arecord -l的card 0, device 0是一一对应的，只是用了更易读的命名方式。而plughw:CARD=PCH,DEV=0、sysdefault:CARD=PCH则是 ALSA 创建的逻辑层。-L告诉你“我家的收音机，除了原装频道，还装了哪些信号放大器、混音器、自动调谐器”。它回答的是“我能用什么”。

注意：-l输出中的card X, device Y，可以直接映射为-L输出中的hw:X,Y或hw:CARD=xxx,DEV=y。但plughw:X,Y在-l的输出里是看不到的，它只存在于-L的列表中。所以，正确流程是：先用-l确认硬件在线；再用-L查看所有可用的逻辑设备名，从中挑选hw:或plughw:使用。

3.2 采样格式-f：cd、cdr、dat这些快捷方式，到底代表什么？

arecord -f后面的参数，是音频质量的“基因密码”。cd、cdr、dat这些看似神秘的缩写，其实是 ALSA 社区约定俗成的“速记模板”，背后对应着一组固定的、经过工业验证的参数组合：

但这些只是“常用模板”。真正决定音质和兼容性的，是三个独立参数：-r（采样率）、-f（样本格式）、-c（通道数）。-f cd是方便，但不是必须。比如，你想录一个超低延迟的语音指令，用-r 16000 -f S16_LE -c 1（16kHz 单声道）比cd更合适，数据量小一半，处理更快。再比如，你的 ReSpeaker 麦克风阵列硬件只支持单声道，硬用-c 2就会失败。所以，我的建议是：入门时用cd快速验证；一旦进入项目开发，务必根据硬件规格书（Datasheet）和实际需求，手动指定-r、-f、-c。arecord --dump-hw-params -D hw:1,0这个命令，会直接打印出该设备原生支持的所有采样率、格式、通道数组合，这才是你该抄的作业。

3.3 缓冲区与周期：-B、-F、--buffer-size这些参数，不是可有可无的装饰

arecord和aplay的性能瓶颈，90% 出现在缓冲区（Buffer）和周期（Period）的配置上。它们是 ALSA 驱动与硬件 DMA（直接内存访问）交互的“心跳节奏”。

• 缓冲区（Buffer）：可以想象成一个环形水池，arecord不停地往里注水（录音数据），aplay不停地从里抽水（播放数据）。-B或--buffer-time参数，就是设定这个水池的“深度”，单位是微秒（μs）。例如-B 100000表示水池能存下 100ms 的音频数据。池子太小（如-B 10000），aplay稍微卡一下，水就溢出了，导致爆音或中断；池子太大（如-B 1000000），arecord注水太慢，aplay抽水太快，池子就见底了，导致播放断续。100–200ms 是一个比较稳健的起点。

• 周期（Period）：是缓冲区被划分的“小格子”。-F或--period-time参数，就是设定每个小格子的“大小”，单位也是微秒。例如-F 25000表示每个格子是 25ms。ALSA 驱动每填满一个小格子，就会触发一次中断（Interrupt），通知 CPU 来处理。周期越小，中断越频繁，CPU 负担越大，但延迟越低；周期越大，中断越少，CPU 轻松，但延迟升高。一个健康的配置，通常是buffer-time是period-time的整数倍，比如100000 / 25000 = 4，表示缓冲区被分成 4 个周期。

实操心得：我调试一块老旧的 USB 声卡时，发现-B 50000 -F 12500（4个周期）总在播放 30 秒后卡住。换成-B 100000 -F 25000（还是4个周期），问题消失。原因在于，该声卡的 USB 固件在处理小周期中断时有竞态条件，增大周期长度避开了这个 Bug。所以，不要迷信“越小越好”，要根据实际硬件表现来调。一个简单法则：先用cd默认参数（它内部有合理的缓冲区设置）；如果遇到卡顿或爆音，再逐步增大-B（如200000），保持-F不变；如果追求极致低延迟（如实时语音通信），再尝试减小-F（如10000），但必须同步监控 CPU 使用率。

4. 实操过程与核心环节实现：从零开始，一步步搭通整条链路

4.1 环境准备与权限检查：99% 的“设备找不到”问题，都出在这里

在敲下第一个arecord命令前，请务必完成这三步检查。跳过它们，后面所有操作都是空中楼阁。

第一步：确认 ALSA 工具已安装Ubuntu 桌面版通常预装了alsa-utils，但最小化安装或服务器版可能没有。运行：

which arecord aplay

如果返回空，说明没装。执行：

sudo apt update && sudo apt install alsa-utils

第二步：检查当前用户是否在audio用户组Linux 内核对声卡设备（如/dev/snd/pcmC0D0c）的访问有严格的权限控制。普通用户默认无权直接读写。运行：

groups

查看输出中是否包含audio。如果没有，执行：

sudo usermod -a -G audio $USER

然后必须注销并重新登录，让组权限生效。这是新手最容易忽略的一步！我见过太多人反复arecord -l无输出，最后发现只是没加组。

第三步：检查内核模块是否加载声卡驱动是以内核模块（Kernel Module）形式加载的。对于常见的 Intel HDA 声卡，模块名是snd_hda_intel；对于 USB 麦克风，是snd_usb_audio。运行：

lsmod | grep snd

你应该能看到类似snd_hda_intel、snd_hda_codec_realtek、snd_usb_audio的行。如果完全没输出，说明驱动没加载。尝试手动加载：

sudo modprobe snd_hda_intel sudo modprobe snd_usb_audio

如果报错Module not found，说明内核没编译该驱动，需要安装对应固件包，如linux-firmware。

提示：一个快速自检命令是cat /proc/asound/cards。它会直接列出内核识别到的所有声卡。如果这里为空，问题一定在驱动或硬件层面；如果这里有输出，但arecord -l没输出，则一定是权限问题（第二步没做对）。

4.2 设备发现与参数探测：用--dump-hw-params找到硬件的“真实身份证”

假设权限和驱动都没问题，现在开始找设备。先运行：

arecord -l

得到类似这样的输出：

**** List of CAPTURE Hardware Devices **** card 0: PCH [HDA Intel PCH], device 0: ALC256 Analog [ALC256 Analog] Subdevices: 1/1 Subdevice #0: subdevice #0 card 1: ArrayUAC10 [ReSpeaker 4 Mic Array (UAC1.0)], device 0: USB Audio [USB Audio] Subdevices: 1/1 Subdevice #0: subdevice #0

很好，两块设备都在线。现在，我们想知道它们各自“能干什么”。对card 0, device 0（笔记本内置麦克风）执行：

arecord -D hw:0,0 --dump-hw-params

输出会非常长，关键部分如下（已精简）：

Access: MMAP_INTERLEAVED RW_INTERLEAVED Format: S16_LE S24_3LE S32_LE FLOAT_LE Subformat: STD Channels: 1 2 Rate: 4000 - 192000 Period size: 64 - 8192 Buffer size: 256 - 32768

解读：

• Format：硬件原生支持S16_LE（16位小端）、S24_3LE（24位3字节小端）等格式。
• Channels：支持 1（单声道）或 2（立体声）。
• Rate：采样率范围是 4kHz 到 192kHz，但注意，不是所有值都支持，中间会有“缺口”。

再对card 1, device 0（ReSpeaker）执行：

arecord -D hw:1,0 --dump-hw-params

输出关键部分：

Access: MMAP_INTERLEAVED RW_INTERLEAVED Format: S16_LE S24_LE S32_LE Subformat: STD Channels: 1 Rate: 16000 Period size: 1024 Buffer size: 4096

解读：

• Channels: 1：明确只支持单声道。如果你用-c 2，必败。
• Rate: 16000：只有一个固定值，16kHz。-r 44100会直接失败。
• Period size和Buffer size：给出了硬件推荐的缓冲区尺寸（单位是“帧”，Frame，即一个采样点）。我们可以据此计算时间：Buffer size / Rate = 4096 / 16000 ≈ 0.256s，即 256ms 缓冲区。

实操心得：--dump-hw-params是你的“硬件说明书”。不要凭经验猜，一定要查。我曾以为 ReSpeaker 支持 44.1kHz，结果浪费了两小时调试，最后发现--dump-hw-params清清楚楚写着Rate: 16000。这个命令应该成为你每次接入新声卡后的第一反应。

4.3 分步实操：录制、保存、播放、回环，四步走稳

现在，我们基于上面的探测结果，进行完整的四步实操。所有命令都针对card 1, device 0（ReSpeaker），因为它更具挑战性，更能体现原理。

第一步：录制并保存到 WAV 文件目标：用 ReSpeaker 录 5 秒钟，保存为标准 WAV。

# 使用硬件原生参数：16kHz, S16_LE, 单声道 arecord -D hw:1,0 -r 16000 -f S16_LE -c 1 -d 5 test_repeaker.wav

执行后，你会听到提示音（如果设备有），然后安静 5 秒，命令自动退出。用file test_repeaker.wav检查文件：

test_repeaker.wav: RIFF (little-endian) data, WAVE audio, Microsoft PCM, 16 bit, mono 16000 Hz

完美匹配。

第二步：播放刚录制的文件目标：用笔记本内置扬声器（card 0, device 0）播放。

# 查询内置声卡的播放设备 aplay -l | grep "PLAYBACK" # 通常，card 0, device 0 也支持播放 aplay -D hw:0,0 -r 16000 -f S16_LE -c 1 test_repeaker.wav

注意：这里-r,-f,-c必须和录制时完全一致。WAV 文件头里虽然存了这些信息，但aplay为了极致控制，要求你显式指定。如果参数不匹配，会报Sample format not available。

第三步：指定设备录制（进阶）目标：用 ReSpeaker 录音，但保存为更通用的cd格式（44.1kHz, 立体声），利用plughw自动转换。

# plughw 会自动把 ReSpeaker 的 16kHz 单声道，重采样为 44.1kHz 立体声 arecord -D plughw:1,0 -f cd -d 5 test_plug.wav

用file test_plug.wav检查，会看到44100 Hz, stereo。播放时，也必须用plughw或default：

aplay -D plughw:0,0 test_plug.wav

第四步：实时录制并播放（回环）目标：对着 ReSpeaker 说话，声音实时从笔记本扬声器出来，零延迟监听。

# 关键：输入和输出必须用完全相同的参数！ arecord -D hw:1,0 -r 16000 -f S16_LE -c 1 | aplay -D hw:0,0 -r 16000 -f S16_LE -c 1

按Ctrl+C停止。如果成功，你会听到自己声音的实时回响。如果失败，首先检查aplay -l确认card 0, device 0是否支持播放（有些声卡只有录音功能）；其次，确保输入输出参数（-r,-f,-c）严格一致。

4.4 高级技巧：用--use-strftime实现自动分段录音

在做长时间语音采集（如会议记录、环境噪音监测）时，一个几 GB 的大文件既难管理，又怕损坏。arecord的--use-strftime参数，可以让你的录音文件名自动带上时间戳，实现“按需分段”。

# 录制 60 秒，文件名自动为 "rec_20231015_143022.wav" arecord -D plughw:1,0 -f cd --use-strftime -t wav -d 60 "rec_%Y%m%d_%H%M%S.wav"

%Y%m%d_%H%M%S是 strftime 格式符，%Y是4位年份，%m是月份，%d是日期，%H是小时，%M是分钟，%S是秒。你还可以用--max-file-time=300让它每 5 分钟自动创建一个新文件：

# 每 300 秒（5分钟）生成一个新文件，如 rec_20231015_143022.wav, rec_20231015_143522.wav... arecord -D plughw:1,0 -f cd --use-strftime -t wav --max-file-time=300 "rec_%Y%m%d_%H%M%S.wav"

注意：--use-strftime必须和-t wav（指定文件类型）一起用，否则会报错。而且，它只对wav和raw格式有效，对voc或au无效。

5. 常见问题与排查技巧实录：那些踩过的坑，我都替你趟平了

5.1 典型问题速查表

5.2 独家避坑技巧：三个你绝不会在官方文档里看到的经验

技巧一：“静音”不是没声音，是amixer的陷阱有时候，你arecord录音，文件大小在增长，但播放是静音。别急着重装驱动。先运行：

amixer -c 1 get Capture

（-c 1对应card 1，即你的 ReSpeaker）。如果输出是Front Left: Playback 0 [0%] [off]，说明 Capture 通道被软件静音了。用：

amixer -c 1 set Capture cap

cap是capture的缩写，这条命令会打开 Capture 开关。amixer的Playback和Capture是两套独立的音量控制，Capture控制录音增益，Playback控制播放音量。很多人只调Playback，忘了Capture是关的。

技巧二：USB 麦克风拔插后，arecord -l不刷新？试试udevadmUSB 设备热插拔后，内核会加载驱动，但 ALSA 的设备列表有时不会立即更新。arecord -l还显示旧的设备。这时，不要重启，运行：

sudo udevadm trigger --subsystem-match=sound sudo udevadm settle

这两条命令会强制 udev 重新扫描声卡子系统，arecord -l就会立刻刷新。

技巧三：arecord录音时 CPU 占用 100%？关掉--verbose-v（verbose）参数会打印 PCM 的详细结构和设置，这对调试很有用。但它会显著增加 CPU 开销，尤其在高采样率下。如果你只是正常录音，永远不要在生产脚本里加-v。我曾经写了一个后台录音服务，加了-v，结果树莓派 CPU 一直 100%，去掉后降到 5%。-v是调试利器，不是日常工具。

5.3 故障树：当一切都不工作时，按这个顺序检查

当你的arecord/aplay完全失灵，不要慌。按以下顺序，逐层向下排查，99% 的问题都能定位：

1. 物理层：USB 线是否插紧？麦克风指示灯是否亮？（ReSpeaker 有蓝色 LED）
2. 内核层：dmesg | tail -20，看插入 USB 麦克风时，是否有usb 1-1: new full-speed USB device和snd_usb_audio加载成功的日志？
3. ALSA 层：cat /proc/asound/cards有输出吗？arecord -l有输出吗？arecord -L有hw:或plughw:吗？
4. 权限层：groups有audio吗？`ls -