视频快放时声音是经过了怎样的处理才保证了音高的不变？

你要的功能叫做「变速不变调」。知乎上有人写过一些综述，比如：

我想稍微介绍一下其中的 PSOLA (pitch-synchronous overlap-and-add) 算法。它的大概步骤是：

1. 测出语音的基频；
2. 把语音分帧，每帧代表一个周期（通常让帧有重叠，并加窗，以避免帧的两端信号有跳变）；
3. 把各帧移近或移远一些，就可以升高或者降低音调（同时也会加快或减慢速度）；
4. 把各帧多重复几次，或者去掉一些帧，就可以减慢或者加快速度（同时不改变音调）。

PSOLA 算法不仅可以「变速不变调」，它可以独立地改变语音的速度和音调：

• 不进行第 3 步，就可以单独改变速度；
• 在第 4 步中让速度的变化与第 3 步抵消，就可以单独改变音调；
• 在第 4 步中让速度的变化与第 3 步不抵消，就可以随心所欲地改变速度和音调。

PSOLA 算法还有一个优点是，在整个算法中不需要对波形进行重采样。这有两个好处：

• 不会改变声音的共振峰分布，所以不会改变音色；
• 在升高音调时不会导致频谱溢出，在降低音调时不会导致高频部分频谱为零。

当然 PSOLA 算法也有一些局限和挑战：

1. 算法依赖于语音有基频，所以语音中的清音、打击乐器声等没有基频的声音需要用其它算法处理；
2. 语音的基频是变化的，所以要测量瞬时基频，也就是进行 pitch tracking，这本身也是一个有难度的任务。