音频基础：声音的物理特性与数字音频表示

在进入 TinyML 音频数据采集的工程实践之前，必须先建立对音频信号本身的物理与数学直觉。麦克风布置、采样率选择、位深设定等看似工程决策的问题，本质上都源于声音的物理特性与数字化的量化约束。本章从声波的频率、振幅、相位三个核心维度出发，梳理人耳听觉范围对采样率设计的决定性影响，并深入解析 PCM 编码、位深与声道配置在嵌入式系统中的具体含义。理解这些基础，是后续设计麦克风阵列、规避混叠噪声、平衡存储与算力开销的前提。

2.1 声音的物理特性：频率、振幅与相位

声音本质上是介质（空气、水、固体）中传播的机械纵波。在 TinyML 音频采集中，我们通常将麦克风处的声波视为随时间变化的压力信号，并可用正弦波叠加模型近似描述。理解频率、振幅、相位这三个物理量，是后续所有信号处理与模型设计的基石。

2.1.1 频率：音高的物理基础

频率（Frequency）指单位时间内声波完成周期性振动的次数，单位是赫兹（Hz）。频率决定了人耳感知的“音高”：频率越高，音调越高。例如，钢琴中央 A 音为 440 Hz，而人耳能感知的上限约为 20 kHz。在 TinyML 场景中，频率直接决定了采样率的下限。根据奈奎斯特采样定理，为了无失真地还原最高频率为 fmax 的信号，采样率 fs 必须满足 fs ≥ 2×fmax。若采样率不足，高频成分会折叠到低频区域，产生混叠（Aliasing）现象，导致信号不可逆地失真。

实际工程中，麦克风频率响应范围、目标声音的频谱分布、以及抗混叠滤波器的过渡带宽度，都会影响最终采样率的选择。例如，语音识别任务通常关注 300 Hz – 3.4 kHz 的频带，而声学事件检测（如玻璃破碎声）可能需要覆盖到 10 kHz 以上。

2.1.2 振幅：响度与动态范围

振幅（Amplitude）表示声波压力的变化幅度，单位是帕斯卡（Pa），但在音频工程中更常用分贝（dB）表示相对响度。人耳对声音强度的感知范围极宽，从听阈（约 20 μPa）到痛阈（约 20 Pa），相差约 120 dB。振幅决定了信号的动态范围，即最大不失真信号与最小可分辨信号之比。在数字音频中，动态范围由位深决定：每增加 1 bit，动态范围约增加 6.02 dB。因此，16 bit 系统理论动态范围约为 96 dB，24 bit 系统约为 144 dB。

在 TinyML 设备中，振幅处理需要特别关注麦克风的灵敏度（通常以 dBV/Pa 表示）和前置放大器的增益设置。如果增益过高，信号会削波（Clipping），产生谐波失真；如果增益过低，则量化噪声相对增大，信噪比下降。

2.1.3 相位：时间差与空间信息

相位（Phase）描述的是声波在特定时刻的振动状态，单位是弧度（rad）或度（°）。对于单一频率的正弦波，相位是时间偏移的度量；对于复杂声音信号，相位关系决定了波形形状。在单麦克风采集中，相位信息通常不直接影响识别结果，但在多麦克风阵列中，相位差是声源定位（DoA）和波束成形的核心依据。例如，两个麦克风间距为 d，声源从侧面入射时，到达时间差 Δt = d·sinθ/c（c 为声速），对应的相位差 Δφ = 2πf·Δt。TinyML 设备若需实现语音增强或声源定位，必须保证多通道采样时钟同步，否则相位误差会直接破坏空间信息。

2.2 人耳听觉范围与采样率选择

人耳听觉范围通常定义为 20 Hz – 20 kHz，但这一范围随年龄和个体差异显著变化。对于 TinyML 应用，采样率的选择并非越高越好，而是要在信号保真度、存储开销、计算功耗之间取得平衡。

值得注意的是，TinyML 设备通常使用 MEMS 麦克风，其频率响应在 100 Hz – 10 kHz 范围内较为平坦，超过 10 kHz 后响应逐渐下降。因此，即使采样率设置为 48 kHz，麦克风本身的高频响应也可能成为瓶颈。设计时应同时查阅麦克风数据手册的频率响应曲线和信噪比（SNR）指标。

2.3 数字音频表示：PCM、位深与声道

模拟声波经麦克风转换为电信号后，需通过模数转换器（ADC）量化为数字信号。最基础的编码方式是脉冲编码调制（Pulse Code Modulation, PCM），它包含三个关键参数：采样率、位深、声道数。

2.3.1 PCM 编码原理

PCM 编码过程分为三步：采样（Sampling）、量化（Quantization）、编码（Encoding）。采样在时间轴上离散化信号，量化在幅度轴上离散化信号，编码则将量化后的数值转换为二进制码。例如，一个 16 bit、16 kHz 的单声道 PCM 流，每秒产生 16,000 × 2 字节 = 32,000 字节的数据。在 TinyML 设备中，PCM 数据通常以帧（Frame）为单位送入 DSP 或神经网络处理，每帧包含 10 – 30 ms 的音频数据。

// 示例：16 kHz、16 bit、单声道 PCM 数据率计算
采样率 fs = 16000 Hz
位深 bit_depth = 16 bit = 2 bytes
声道数 channels = 1
数据率 = fs × bit_depth × channels = 16000 × 2 × 1 = 32000 bytes/s ≈ 31.25 KB/s

2.3.2 位深：量化精度与噪声

位深决定了每个采样点的量化级数。16 bit 提供 65,536 个量化级，24 bit 提供 16,777,216 个量化级。量化误差（量化噪声）的功率与位深直接相关，每增加 1 bit，量化噪声降低约 6 dB。对于 TinyML 应用，16 bit 是主流选择，因为大多数 MCU 的硬件 I²S 接口和 DSP 指令集原生支持 16 bit 数据。24 bit 通常用于高端音频采集，但会显著增加存储和计算负担。

2.3.3 声道：单声道与多通道

声道数决定了空间信息的维度。单声道（Mono）数据量最小，适合语音命令、关键词检测等任务；双声道（Stereo）可用于简单的声源左右定位；多通道阵列（如 4 麦、6 麦）则支持波束成形和更精确的声源定位。在 TinyML 中，多通道数据必须考虑同步采集问题——如果各通道的采样时钟存在偏差，相位信息将失真。常见的解决方案是使用同一颗编解码器（Codec）的多通道 ADC，或使用 PDM 麦克风配合硬件抽取滤波器。

2.4 案例拆解：智能音箱唤醒词的采样参数设计

以一个典型的 TinyML 智能音箱唤醒词检测模块为例，设计目标是在 3 米距离内识别“小智小智”唤醒词，误唤醒率低于 1 次/24 小时，且整机音频采集功耗不超过 50 mW。

初始约束与目标：设备使用单颗 MEMS 麦克风（INMP441，I²S 接口，SNR 61 dB），主控为 ESP32-S3（内置 16 bit ADC，支持 I²S 外设）。唤醒词语音能量集中在 300 Hz – 2.5 kHz，但环境噪声（如空调、交通）可能包含 5 kHz 以上的高频成分。若采样率过低，高频噪声会混叠到语音频带，影响识别准确率。

分析判断过程：首先，根据语音频带上限 2.5 kHz，理论最低采样率为 5 kHz。但考虑到抗混叠滤波器并非理想低通，工程上通常留出 20% – 30% 的余量，因此选择 16 kHz 采样率。位深方面，16 bit 提供 96 dB 动态范围，足以覆盖从安静室内（约 40 dB SPL）到近距离说话（约 80 dB SPL）的场景。声道数选择单声道，因为唤醒词检测不依赖空间信息，且单声道数据率最低。

实际操作步骤：

1. 配置 ESP32-S3 的 I²S 外设，主时钟 BCLK = 16 kHz × 32（I²S 标准帧宽）× 2（左右声道） = 1.024 MHz，实际仅使用左声道数据。
2. 设置 DMA 缓冲区为 32 帧，每帧 512 个采样点（32 ms @ 16 kHz），双缓冲交替，避免数据丢失。
3. 在 MCU 端实现 4 阶 IIR 高通滤波器（截止频率 100 Hz），去除次声波和直流偏置。
4. 将 PCM 数据按 30 ms 窗口（480 采样点）送入神经网络进行唤醒词分类。

结果对比与风险：实测在 16 kHz / 16 bit / 单声道配置下，音频采集功耗为 18 mW（含麦克风偏置和 I²S 外设），数据率为 32 KB/s，满足设计约束。若将采样率提升至 48 kHz，功耗升至 52 mW，超出预算，且识别准确率仅提升 0.3%（因语音频带外信息对唤醒词无贡献）。主要风险在于：若环境存在 7 kHz 以上的强噪声源（如高频设备啸叫），16 kHz 采样率下该噪声会混叠至 1 kHz 附近，干扰唤醒词检测。缓解方案是在模拟前端增加 RC 低通滤波器（截止频率 7 kHz），或在 DSP 中实现数字抗混叠滤波。

2.5 总结复盘：从物理到数字的关键决策点

本章的核心逻辑可以归纳为一条决策链：声音物理特性 → 人耳/应用需求 → 采样率与位深 → 数据率与硬件选型。在实际项目中，建议按以下顺序进行参数设计：

• 第一步：明确目标声音的频带范围（通过查阅文献或实测频谱），确定 fmax。
• 第二步：根据奈奎斯特定理和滤波器非理想性，选择采样率 fs = (2.5 – 3) × fmax。
• 第三步：评估环境噪声和信号动态范围，选择位深（通常 16 bit 起步）。
• 第四步：根据是否需要空间信息，决定声道数。
• 第五步：计算数据率，验证 MCU 的存储带宽、DMA 吞吐量和功耗预算。

最后需要强调的是，PCM 只是音频数字化的起点。在 TinyML 实际部署中，往往还会使用 I²S 接口直接传输 PCM 数据，或使用 PDM 麦克风输出 1-bit 流再经硬件抽取滤波。无论采用何种接口，本章所述的频率、振幅、相位、采样率、位深、声道这六个参数，始终是音频采集系统设计的核心维度。掌握这些基础，才能在麦克风布置和场景覆盖中做出有理有据的工程决策。