音频基础知识

声音

声音本质上是人类可察觉范围内的气压周期性波动, 即声波。

声波是一种连续信号，在任意时间内的声音信号有无数个取值。

对于只能读取有限长数组计算机来说，我们需要将连续的声音信号转换为一个离散的序列，即数字化表示。

奈奎斯特采样定律：

当采样频率大于信号中最高频率的2倍时，采样之后的数字信号完整地保留了原始信号中的信息，不会发生混叠。

人耳可接受声音频率范围在20-20KHz，根据奈奎斯特采样定理，40KHz的采样率可以通过DAC还原出模拟信号，采样率越高，还原的声音越真实。

采样

采样是在固定时间间隔上测量连续信号，并将这些间隔信号转换为离散数值的过程。

指声音模拟信号通过ADC转换为离散的数字信号(一个一个的点组成)，使用离散信号代替连续的模拟信号。（如果超过48k是人耳听不到的频率，没有实际意义）。

采样率

音频采样率，简单来说，是指录音设备在一秒钟内对声音信号的采样次数 ，单位为赫兹（Hz）。假如采样率为44100Hz，那就意味着每秒会对声音信号进行44100次采样。可以把它想象成给声音“拍照”，采样率越高，每秒钟拍摄的“照片”数量就越多。

采样率（sampling rate，也叫采样频率，sampling frequency）指的是每秒测量信号数值的次数，其单位为赫兹（Hz）。

常用采样率

• 语音模型常用的采样率为16,000赫兹，即16kHz。
• CD音质的音频一般采用44100Hz的采样率，即每秒钟测量了44100次信号的数值, 44.1kHz。
• 高清（High-resolution）音频的采样率一般为192000Hz，即192kHz。

采样越高，声音的还原就越真实越自然，人对频率的识别范围是 20HZ - 20000HZ, 如果每秒钟能对声音做 20000 个采样, 回放时就足可以满足人耳的需求。

所以 22050 的采样频率是常用的, 44100已是CD音质, 超过48000的采样对人耳已经没有意义。

采样率对音质的影响

1. 频率范围的捕捉：根据奈奎斯特定理，采样率必须至少是最高音频频率的两倍，才能防止混叠效应 。

人耳能听到的声音频率范围大致在20Hz - 20kHz 。CD音质采用44.1kHz的采样率，能够覆盖人耳能听到的全频范围，因为它可以捕捉到最高22.05kHz的音频频率 。而更高的采样率，比如96kHz或192kHz，能捕捉到更广泛的频率范围，对于一些高频成分丰富的音乐，像古典音乐中的小提琴高音、电子音乐里的高频合成音效等，高采样率可以更精准地还原，使声音听起来更加清晰、明亮，细节更丰富 。

2. 声音的保真度：高采样率可以更精确地还原声音的波形。

以一段钢琴演奏为例，低采样率下，可能会丢失一些钢琴按键按下时细微的起始瞬态，导致声音听起来比较模糊，缺乏钢琴演奏时那种清脆、灵动的感觉；而高采样率能更完整地记录这些起始瞬态以及琴弦震动的细微变化，让回放的声音更接近真实的钢琴演奏，仿佛演奏者就在你面前弹奏 。

采样深度(采样位宽、比特深度)

采样深度（bit depth）指的是每次采样时用于表示声音信号幅度的位数。采样深度越高，能够表示的声音幅度范围就越大，音质也会更好。

比特深度，又称采样精度或量化精度，指的是每个音频样本用多少位二进制数来表示 。常见的比特深度有8位、16位、24位和32位浮点 。

可以把比特深度想象成照片的分辨率，比特深度越高，分辨率越高，能够呈现的细节就越丰富 。

常用采样深度

• 8位采样深度：每个采样值用8位二进制数表示，能够表示256个不同的声音幅度值。
• 16位采样深度：每个采样值用16位二进制数表示，能够表示65536个不同的声音幅度值。
• 24位采样深度：每个采样值用24位二进制数表示，能够表示16777216个不同的声音幅度值。
• 32位采样深度：每个采样值用32位二进制数表示，能够表示4294967296个不同的声音幅度值。

采样深度对音质影响

1. 动态范围：比特深度决定了音频的动态范围，即声音中最安静和最响亮部分之间的差值 。

8位音频每个采样点有256个离散值，动态范围较小；
16位音频每个采样点有65536个离散值，动态范围为96dB，这是CD音频的标准，能够满足大多数音乐的动态需求；
24位音频每个采样点有16777216个离散值，动态范围达到144dB ，可以记录更低电平的细节，对于一些动态范围较大的音乐，如交响乐，24位能更好地展现从轻柔的弦乐到激昂的铜管乐的变化 。

2. 信噪比：更高的比特深度可以最大限度地降低本底噪声，产生更高的信噪比 。

例如，16位音频的本底噪声通常在 -96分贝左右，而24位音频的本底噪声约为 -144分贝 ，更低的本底噪声意味着声音更纯净，在播放安静的段落时，不会有明显的杂音干扰 。

采样深度(采样位宽)和采样频率的关系

采样率和比特深度共同决定了数字音频的质量和文件大小 。

较高的采样率和比特深度能够捕捉更细腻的声音细节，但也会产生更大的文件 。

例如，一个采样率为44.1kHz、比特深度为16位的立体声（双声道）音频文件，其比特率为44.1kHz × 16位 × 2 = 1411200bps 或1411.2kbps；而如果将比特深度提高到24位，比特率则变为44.1kHz × 24位 × 2 = 2116800bps 或2116.8kbps ，文件大小也会相应增加 。

在实际应用中，需要在音质和存储空间、传输带宽之间找到平衡 。

对于普通音乐听众，16位/44.1kHz的音频已经能提供很好的音质；而对于专业音频制作人员，可能会根据项目需求选择更高的采样率和比特深度 。

分析

采样本质是在横坐标（时间轴）对信号的数字化。

对在时间轴的信号，每隔一段时间，按一定的采样率（如44100）采集离散的、独立的点数据，最后根据这些离散的点可以画出一个波形(不一定是正弦波，声音叠加可以组成任意波形）。

量化本质是纵坐标（信号变化幅度值）对信号的数字化。

量化位数其实是对纵坐标的振幅量化，比如采样点6和采样点7,中间其实还可以再划分更多等级（及采样点）。

如果一个n位二进制数表示一个量化级，则表达量化级总数Y=2^n。n称为量化数，又称量化比特数，Y称为量化级数。

例如：8bit、16bit、32bit将振幅划分的等级
8bit：(1byte)把振幅细分到256个数,只能将振幅划分成2^8=256个等级;
16bit：(2byte)把振幅细分到2^16=65536等级。
32bit：(4byte)能把振幅细分到2^32=4294967296个等级。

编码

将采样、量化后的数据按照一定的格式存放。

编码：

把量化所得的结果，即单/多个声道的样本，以二进制的码字进行存放。

有两种存放方式：<1>.整形存放量化结果.<2>.浮点类型来存放量化结果.

大多数格式PCM样本数据使用整形来存放，对精度要求高的，则使用浮点型来表示PCM样本数据。

总结

1. PCM（脉冲编码调制）

2. 压缩算法

时域压缩：减少数据冗余
频域压缩：利用心理声学模型
熵编码：霍夫曼编码等优化

参考

链接1

链接2

链接3

链接4