AudioStreamPlayer.play() 是同步返回的，但声音真正从扬声器出来要等 5–20ms——这个延迟的来源不是 Godot，是操作系统的音频缓冲模型。而 pitch_scale = 1.5 会让音高和播放时长一起变化，很多第一次用的人以为这是 bug。这篇讲这两个"出乎意料"背后的机制，源码在 scene/audio/audio_stream_player.cpp 和 servers/audio_server.cpp。
播放调度：三层缓冲的接力
从 play() 到听见声音，数据要穿过三层缓冲：
- 引擎内部 mix buffer（
audio/driver/mix_rate决定采样率，buffer 长度由驱动协商，典型 512–2048 帧）； - 操作系统音频会话缓冲（CoreAudio/WASAPI 自己再缓冲一段，通常 2–10ms）；
- 设备硬件 FIFO（声卡自身的输出队列，不可控）。
play() 做的事只是：把 active 标记置真，playback 对象注册进 AudioServer 的激活列表，下次 mix step 时开始产数据。所以从调用到出声的最短延迟是 一个 mix buffer + OS 缓冲 ≈ 10–25ms。这不是"Godot 有延迟"，任何软件音频栈都如此——纯硬件直通（ASIO 低延迟模式）能压到几毫秒，但那是 DAW 的活，游戏一般不折腾。
seek 与 start offset 的边界在 _audio_stream_player.cpp 里体现为：play(from_position) 的语义是"从流的第 N 秒开始播"。对流式 OGG 这意味着要先执行 seek（八-2 说的 keyframe 定位 + 缓冲重灌），所以 play(0.5) 在流式源上有几百毫秒的建立延迟，而 WAV 是即时的。交互式音效（按键反馈音）如果要可预测的触发延迟，用短 WAV，别用 OGG。
pitch_scale：重采样相位步长
变调的原理一句话：以不同速度读采样。playback 内部维护一个浮点读指针 $p$，每产出一帧，$p$ 前进 pitch_scale 个输入帧：
$$ p_{t+1} = p_t + s,\qquad \text{out}[t] = \text{src}[\lfloor p_t \rfloor] \text{ 经插值} $$
$s = 1.5$ 时读指针跑得比产出快 50%，每秒产出 48000 帧需要读 72000 个输入帧——3 秒的音 2 秒就播完了，音高也升了纯五度。变调不变速在信号处理上是不适定问题：要变速不变调（time-stretch）需要相位声码器那类分析-合成算法，计算量是实时重采样的几十倍，所以游戏引擎的 pitch_scale 语义就是"两者一起变"。
真要在游戏里变速不变调（比如慢动作时 BGM 保持音高），方案是把 time-stretch 离线做进素材：用 Rubber Band 之类的库预渲染多个速度版本，运行时按速度档位切流。或者接受"降速 = 低沉"的听感——很多游戏（慢动作镜头）反而利用这一点做情绪渲染。
play 的状态机：和直觉不同的一步
AudioStreamPlayer 的播放状态不是简单的 bool。内部状态机有三个状态：STOPPED（无 playback 对象）、PLAYING（active，有 playback）、以及一个容易被忽略的FADING（stop() 后 fade out 过渡中）。4.x 的 stop() 立即终止不淡出——想要淡出必须自己用 tween 调 volume_db 再 stop，或者挂 AudioEffect（比如让 tail bus 的混响自然衰减）。
另一个反直觉点：play() 在已 PLAYING 状态下调用是从头重播，不会叠加第二个声音。要叠加（比如连续 footsteps）得 duplicate() 节点或自己管理 player 池——这就是八-14 会展开的对象池问题，高频音效用 instantiate 一个 player 场景比运行时 new AudioStreamPlayer 快，因为 add_child 的场景就绪路径已经预热。
采样率匹配：mix_rate 与你的素材
AudioServer.get_mix_rate() 默认跟随输出设备（通常 48kHz），而你的 WAV 素材可能是 44.1kHz。引擎对所有非匹配采样率的流统一走重采样路径——这正是 pitch 机制那条路，$s = f_{\text{src}} / f_{\text{mix}}$。所以 44.1k 素材在 48k 混音器里一直微跑着 $s \approx 0.91875$，质量没问题，但意味着每条流都背着插值成本。素材量大时，统一在导入期转成混音采样率（WAV 导入设置里有 resample 选项）能省一点 CPU，虽然实测 saving 通常在 1–2% 量级，不算大钱。
本文基于 Godot 4.2–4.4，源码 scene/audio/audio_stream_player.cpp、servers/audio_server.cpp；变调不变调的工程方案（Rubber Band 离线渲染）为通用音频实践，非 Godot 特有。