音频处理入门：从声音本质到数字音频核心技术
音频处理入门：从声音本质到数字音频核心技术
音频处理是现代多媒体技术的重要组成部分，涉及声音的采集、编码、传输和播放等多个环节。本文将从声音的本质出发，深入探讨音频处理中的关键概念，包括采样率、量化、音频帧等核心知识点，帮助读者建立对数字音频处理的全面理解。
声音的本质
声音是一种由物体震动引发的物理现象，如小提琴的弦声等。物体的震动使其四周空气的压强产生变化，这种变化以波的形式向四周传播，当被人耳接收时，我们就听见了声音。
声音的物理性质
波形
声音是由物体的振动产生的，这种震动引起了周围空气压强的震荡，我们称这种震荡的函数表现形式为波形。振幅反映了声音的音量大小。
频率
声音的频率是周期的倒数，它表示的是声音在1秒时间内的周期数，单位是赫兹(Hz)、千赫(kHz)，即1000Hz，表示每秒震动一千次。声音按频率可做如下划分：
- 低频：20Hz - 200Hz
- 中频：200Hz - 2000Hz
- 高频：2000Hz - 20kHz
人耳能听见的声音频率范围大约在20Hz到20kHz之间。
一个例子
这是一个采样率16kHz，16bit，1kHz的音源。放大后效果如下：
这就是音频数据在计算机中的存储方式——数字音频。
数字音频
主要从采样率、采样量化、编码来进行讲解。
为什么需要采样？
计算机并不直接使用连续平滑的波形来表示声音，而是每隔固定的时间对波形的幅值进行采样，用得到的一系列数字量来表示声音，如下图：
PCM（脉冲编码调制）是将声音从模拟信号转化为数字信号的核心技术。
采样率
采样率（也称为采样速度或者采样频率）定义了每秒从连续信号中提取并组成离散信号的采样个数，单位用赫兹（Hz）来表示。根据奈奎斯特采样定律，要从采样中完全恢复原始信号波形，采样频率必须至少是信号中最高频率的两倍。人耳能听到的是20Hz到20kHz频率的声音，所以采样率一般为40kHz，为了不使其造成低频失真，所以CD质量采样率使用44.1kHz，这样就能保证声音到达20kHz也能被数字化，从而使得经过数字化处理之后，人耳听到的声音质量不会被降低。
采样量化（采样精度、采样深度）
采样的精度取决于它用多少位来表示，这就是量化。如8bit量化可以表示256个不同的值，而CD质量的16bit量化可以表示65536个值，范围为[-32768,32767]。下图是一个3bit量化的示意图，可以看出3bit量化只能表示8个值:0.75,0.5,0.25,0,-0.25,-0.5,-0.75和-1，因而量化位数比较少，波形就很难辨认，还原后的声音质量也就越差（可能除了嗡嗡声之外什么都没有）：
音频帧
音频和视频不一样，视频每一帧都是一张图像，音频数据是流式的，不同的编码格式各自有不同的编码标准。拿PCM和MP3做一个对比。PCM因为没有压缩，根据采样率位宽等数据可以得到每秒的音频数据，并不需要帧的概念；MP3是因为压缩后信息比较多，则有了类似H264的帧概念，每一个帧都有帧头。
每帧的采样点 = 采样率 / 帧率
帧率是我们自己定义的
MP3原理（待更）
常见名词解释
5.1声道常用于电影院，是环绕的立体声。码率就是单位时间内的音频数据量(bit)。
以上的两个模式就是左右声道存储的方式。如果是四声道：
- 交错存储方式就是1234 1234 1234 1234
- 非交错存储方式是1111 2222 3333 4444
举例
如上图，采样频率44100Hz，采样精度16bit，2通道(声道)，采集4分钟的数据：
44100 x 16 x 2 x 4 x 60 = 338688000 bit
338688000 / 8 / 1024 / 1024 = 40M byte
比特率：采样频率 x 采样精度 x 通道数= 44100 x 16 x2 = 1411200 bit/s
可以看到，如果不做压缩，存储空间还是很多的。