音频基础：声音的物理特性、声波、频率、振幅与人类听觉范围

在进入TinyML音频采集的硬件选型与PCM数据处理之前，我们必须先建立对声音本身的物理认知。声音是振动通过弹性介质（通常是空气）传播的机械纵波，它既不是电磁波，也不依赖真空传播。理解声波的产生、传播与感知方式，是后续设置采样率、选择麦克风灵敏度以及设计音频特征提取算法的前提。本节将从声波的物理本质出发，依次剖析频率、振幅、波形与人类听觉的边界，并最终将这些概念映射到TinyML工程中的具体参数选择上。

声波的物理本质与传播特性

声音的物理本质是机械振动在弹性介质中的传播。当物体振动时，会挤压相邻的空气分子，形成局部高压区（密部）和低压区（疏部），这些疏密相间的区域以波的形式向外传播。这种波的传播方向与振动方向平行，因此声波属于纵波。在标准大气压、20℃的空气中，声速约为343 m/s，这个速度受温度、湿度和气压影响，温度每升高1℃，声速约增加0.6 m/s。

声波在传播过程中会经历衰减、反射、折射和衍射等现象。在TinyML音频采集场景中，我们最关心的是近场与远场的区别：当声源距离麦克风较近（通常小于波长）时，声压随距离的衰减遵循近场规律；而远场中声压与距离成反比。对于麦克风阵列设计，近场与远场的判断直接影响波束成形算法的选择。此外，声波的衍射效应使得低频声波更容易绕过障碍物，这也是为什么我们在房间角落仍能听到低音炮的声音，而高频声音则表现出更强的方向性。

频率、周期与音高的对应关系

频率（f）是声波每秒完成振动的次数，单位是赫兹（Hz），其倒数即为周期（T = 1/f）。频率决定了人耳感知到的音高：频率越高，音高越高。在音乐中，中央C（C4）的频率为261.63 Hz，而标准音A4为440 Hz。人耳对频率的感知并非线性，而是近似对数关系，因此音乐中采用八度来划分频率范围——每升高一个八度，频率翻倍。

在TinyML音频处理中，频率分析是核心任务之一。例如，在关键词识别（KWS）任务中，我们通常需要将时域信号通过短时傅里叶变换（STFT）转换为频域特征，提取梅尔频率倒谱系数（MFCC）。梅尔刻度正是模拟人耳对频率的非线性感知，将线性频率映射到梅尔频率：

mel(f) = 2595 × log10(1 + f / 700)

这种非线性映射使得低频段的分辨率更高，更符合人耳的听觉特性。对于TinyML设备，由于计算资源有限，通常选择8 kHz或16 kHz的采样率，对应的有效频率分析范围分别为0–4 kHz和0–8 kHz，足以覆盖语音信号的主要能量集中区域。

振幅、声压级与动态范围

振幅是声波振动的最大位移量，它决定了声音的响度。但在声学工程中，我们更常使用声压级（SPL）来描述声音的强度，其单位为分贝（dB SPL）。声压级的计算公式为：

SPL = 20 × log10(p / p_ref)

其中p为实际声压（Pa），p_ref为参考声压（20 μPa），这是人耳在1 kHz处能感知的最小声压。0 dB SPL对应人耳听阈，120 dB SPL对应痛阈，两者相差100万倍的声压变化，但人耳能感知的响度范围远小于此。

在TinyML音频采集系统中，振幅参数直接决定了ADC（模数转换器）的位深选择。16位ADC的理论动态范围为96 dB（6.02 × 16），而24位ADC可达144 dB。然而，实际麦克风的动态范围通常限制在80–100 dB之间，因此16位采样对于大多数语音应用已经足够。需要注意的是，振幅的量化误差会引入噪声，当信号幅度过小时，量化噪声会显著影响信噪比（SNR）。因此，在设计麦克风前置放大电路时，需要根据目标声源的典型声压级来设置合适的增益，避免信号过小导致量化噪声过大，或信号过大导致削波失真。

人类听觉范围与等响曲线

人类听觉的频率范围通常为20 Hz至20 kHz，但这个范围随年龄增长而逐渐收窄，尤其是高频部分。人耳对2 kHz至5 kHz的频率最为敏感，这是人类语音中辅音（如/s/、/f/、/t/）的主要能量集中区域，也是为什么电话系统将带宽限制在300 Hz至3.4 kHz仍能保证语音可懂度的原因。

人耳对响度的感知还受到频率的影响，这就是等响曲线的概念。等响曲线（Fletcher-Munson曲线）描述了在不同频率下，达到相同响度感知所需的声压级。例如，在100 Hz时，需要约50 dB SPL才能与1 kHz处40 dB SPL的响度感知相同。这意味着低频声音在低音量时感知到的响度衰减更快。在TinyML音频应用中，如果目标声音包含丰富的低频成分（如工业设备故障声），需要在特征提取时考虑频率加权，或者使用A计权滤波器来模拟人耳的频率响应。

频率范围	感知特性	TinyML应用场景	采样率建议
20 Hz – 250 Hz	低频，方向感弱，衍射强	工业设备异常检测、地震监测	≥ 1 kHz（若仅关注低频）
250 Hz – 2 kHz	中低频，语音基频范围	语音活动检测（VAD）、说话人识别	≥ 8 kHz
2 kHz – 5 kHz	人耳最敏感区，辅音能量集中	关键词识别（KWS）、声学事件检测	≥ 16 kHz
5 kHz – 20 kHz	高频，方向性强，易衰减	超声检测、鸟类识别、玻璃破碎检测	≥ 44.1 kHz

波形与音色：时域特征的重要性

波形是声波在时域上的形状，它决定了声音的音色。纯音（正弦波）只包含单一频率，而自然声音（如人声、乐器声）由基频和多个谐波叠加而成。谐波的幅度分布决定了声音的“质感”——例如，小提琴和长笛演奏同一音符时，基频相同但谐波结构不同，因此听感迥异。

在TinyML音频处理中，时域波形分析同样重要。零交叉率（ZCR）是衡量波形变化快慢的简单指标，它统计信号在单位时间内穿过零轴的次数。对于语音信号，清音（如/s/）的ZCR较高，浊音（如/a/）的ZCR较低。ZCR计算量极小，非常适合在资源受限的MCU上实时计算，常被用作语音/音乐分类或端点检测的辅助特征。此外，波形的峰值幅度、均方根（RMS）能量等时域特征，也是判断声音事件起止点的常用依据。

案例拆解：语音关键词识别中的采样参数设计

假设我们要设计一个基于TinyML的唤醒词检测系统，目标是在嵌入式设备上实时识别“小智小智”这个唤醒词。以下是完整的参数设计过程：

背景与约束：设备采用Cortex-M4内核MCU，主频80 MHz，内存256 KB，Flash 1 MB。麦克风为MEMS数字麦克风（如INMP441），内置PDM接口。系统需要持续监听环境声音，功耗预算低于10 mW。

初始现象与目标：唤醒词“小智小智”的语音能量主要集中在300 Hz至3.5 kHz之间，辅音部分（如“小”的声母/x/）包含高达6 kHz的高频成分。目标是保证唤醒词识别准确率≥95%，同时最小化计算量和内存占用。

关键参数分析：

1. 采样率选择：语音信号最高有效频率为6 kHz，根据奈奎斯特定理，采样率需≥12 kHz。考虑到抗混叠滤波器的过渡带，选择16 kHz采样率，留出足够裕量。16 kHz采样率下，每帧（20 ms）包含320个采样点，计算量适中。
2. 位深选择：语音动态范围约60 dB（从安静环境30 dB SPL到近距离说话90 dB SPL），16位ADC提供96 dB动态范围，满足需求。选择16位PCM格式，每帧数据量为640字节（320 × 2），内存占用可控。
3. 抗混叠滤波：数字麦克风内置低通滤波器，截止频率设为7 kHz（略高于6 kHz有效频率），确保8 kHz以上的噪声被滤除。
4. 特征提取：使用MFCC特征，每帧提取13维系数，加上一阶差分共26维。16 kHz采样率下，MFCC滤波器组覆盖0–8 kHz，其中前13个滤波器集中在0–4 kHz，符合语音能量分布。

实际操作步骤：

// 伪代码：采样参数配置
#define SAMPLE_RATE 16000
#define FRAME_SIZE 320  // 20ms @ 16kHz
#define BIT_DEPTH 16

// 初始化PDM麦克风
pdm_init(SAMPLE_RATE, BIT_DEPTH);

// 配置数字低通滤波器（截止7kHz）
pdm_set_lpf(7000);

// 每20ms采集一帧
while (1) {
    pdm_read(frame_buffer, FRAME_SIZE);
    extract_mfcc(frame_buffer, mfcc_features);
    run_keyword_classifier(mfcc_features);
}

结果对比与复盘：在16 kHz采样率下，唤醒词识别准确率达到97.2%，误唤醒率低于0.5次/小时。相比8 kHz采样率（准确率91.5%），16 kHz虽然增加了50%的计算量，但准确率提升显著。若采用22.05 kHz采样率，准确率仅提升0.3%，但计算量增加38%，性价比不高。最终选择16 kHz作为最优平衡点。

常见误区与总结复盘

在音频采集系统设计中，工程师常犯以下错误：

• 误区一：忽略抗混叠滤波。即使采样率满足奈奎斯特定理，如果信号中存在高于fs/2的噪声成分（如电源干扰、射频干扰），这些成分会混叠到有效频带内，且无法通过数字滤波去除。必须在ADC之前使用硬件低通滤波器。
• 误区二：位深选择不当。在安静环境中使用16位采样可能引入过量量化噪声，而在嘈杂环境中使用24位采样则浪费存储和计算资源。应根据实际信噪比需求选择位深。
• 误区三：忽视麦克风的频率响应。不同麦克风在低频和高频的灵敏度差异很大，MEMS麦克风通常在100 Hz以下衰减明显。如果目标声音包含低频成分，需要选择具有平坦低频响应的麦克风型号。
• 误区四：将人耳听觉范围等同于系统需求。虽然人耳可听范围为20 Hz–20 kHz，但TinyML应用往往只关注特定频段。例如，工业设备故障检测可能只需分析1 kHz–5 kHz的振动声，过宽的带宽反而引入更多环境噪声。

总结而言，音频采集的物理基础决定了系统设计的边界条件。频率决定了采样率的下限，振幅决定了位深和增益设置，波形特征影响了特征提取算法的选择，而人类听觉范围则提供了感知层面的参考基准。在TinyML项目中，我们需要在物理约束、计算资源和应用需求之间找到平衡点，通过合理的参数映射实现高效、可靠的音频采集系统。