「MP3をWAVにしたい」という要件は、DAWや動画編集ソフトへの取り込み、音声認識APIへの入力などでよく出てきます。ブラウザだけで実装しようとすると、decodeAudioData でデコードしてPCMをWAVヘッダー付きで書き出す、という流れになります。シンプルに見えて、いくつかハマりどころがありました。

1. decodeAudioDataは勝手にリサンプリングする

AudioContext はデバイスの出力サンプルレート（48kHzが多い）で作られます。そして decodeAudioData は、元ファイルが44.1kHzでもコンテキストのサンプルレートに変換して返します。

const ctx = new AudioContext();          // 48000Hz の環境が多い
const buf = await ctx.decodeAudioData(arrayBuffer);
console.log(buf.sampleRate);              // 44100 ではなく 48000

元のサンプルレートを保ちたい場合は、事前にMP3のフレームヘッダーからサンプルレートを読み、そのレートで OfflineAudioContext を作ってデコードします。

const off = new OfflineAudioContext(2, 1, srcSampleRate);
const buf = await off.decodeAudioData(arrayBuffer);

2. 先頭と末尾の無音（エンコーダーディレイ）

MP3には仕様上、先頭に数十ms程度の無音（エンコーダーディレイ）と末尾のパディングがあります。LAMEでエンコードされたファイルなら、XingヘッダーのLAMEタグに正確なサンプル数が書かれているので、それを読んでトリミングできます。

ループ素材やギャップレス再生が必要な音源では、これを放置すると「つなぎ目でプチッと鳴る」原因になります。

3. ビット深度とクリッピング

AudioBuffer の中身は-1.0〜1.0のFloat32です。16bit PCMに変換するときは必ずクランプします。

for (let i = 0; i < src.length; i++) {
  const s = Math.max(-1, Math.min(1, src[i]));
  view.setInt16(offset, s < 0 ? s * 0x8000 : s * 0x7fff, true);
  offset += 2;
}

MP3は音圧の高い曲だとデコード後に1.0を超えるサンプルが出ることがあります。クランプしないと、オーバーフローして大きなノイズになります。用途によっては32bit floatのWAV（フォーマットコード3）で書き出すのも選択肢です。

4. 大きなファイルとメモリ

1時間のステレオ音声を48kHz・Float32で保持すると約1.4GBになります。モバイルでは落ちます。長尺ファイルは、デコードをチャンク単位で行い、WAVのデータチャンクをストリームで書き出す方が安全です。

5. 「MP3→WAVで音質は良くならない」

最後に仕様ではなく説明の話です。ユーザーには「WAVにしても失われた情報は戻らない。編集ソフトに取り込みやすくなるだけ」と明記しておくと、問い合わせが減ります。

実装の確認用に

自分の実装の出力と比較するのに、ブラウザ内で変換が完結するNibboのMP3→WAV変換を使っています。ファイルをアップロードしないので、手元の音源で気軽に試せます。

まとめ

decodeAudioData はコンテキストのレートにリサンプリングする
エンコーダーディレイを考慮する
Float32→Int16はクランプ必須
長尺はストリーム処理

— Vitalii