音频基础：声音的物理特性、数字音频表示（采样率、位深、声道）、奈奎斯特定理与混叠现象

在进入 TinyML 音频实时流处理之前，我们必须先建立对音频信号的底层认知。声音本质上是一种机械纵波，通过介质（空气、水、固体）传播，而数字音频则是将这种连续物理量转换为离散数值序列的过程。对于嵌入式开发者而言，理解声音的物理特性决定了麦克风选型与前端模拟电路设计；理解采样率、位深与声道则直接关系到缓冲区大小、内存占用与推理延迟；而奈奎斯特定理与混叠现象更是区分“可用音频数据”与“失真数据”的分水岭。本章将系统拆解这些核心概念，并给出在 TinyML 设备上实际落地时的工程判断依据。

上图展示了从物理声波到 TinyML 推理的完整链路。声音的物理特性决定了模拟前端的设计边界，ADC 的采样率与位深决定了数字信号的信息含量，而奈奎斯特定理则是连接模拟与数字世界的桥梁。在嵌入式系统中，每一个环节都相互制约：采样率越高，数据量越大，MCU 的 DMA 负载和内存占用也随之上升；位深越大，动态范围越宽，但存储和计算开销同步增加。理解这些关系，是后续实现实时音频流处理的基础。

核心原理：声音的物理特性与感知维度

声音由物体振动产生，通过介质以纵波形式传播。描述声音的物理量主要包括频率、振幅和相位。频率决定音高，人耳可听范围约为 20Hz 至 20kHz，但语音能量主要集中在 300Hz 至 3.4kHz 之间，这也是传统电话系统采用 8kHz 采样率的根本原因。振幅决定响度，工程上常用声压级（dB SPL）表示，0dB SPL 对应人耳听阈（约 20μPa），而 120dB SPL 接近痛阈。相位描述波形在时间轴上的位置，对于单麦克风应用，相位信息通常不直接参与特征提取，但在波束成形或多麦克风阵列中至关重要。

在 TinyML 场景中，我们更关注声音的频域特征而非时域波形。例如，关键词识别（KWS）通常使用梅尔频率倒谱系数（MFCC）或梅尔频谱图作为特征，这些特征本质上是对声音物理特性的统计压缩。理解声音的物理特性有助于选择合适的特征提取参数：如果目标声音是低频机械噪声（如电机异响），则采样率可以适当降低；如果是鸟鸣或玻璃破碎声，则需要更高的采样率以保留高频细节。

数字音频表示：采样率、位深与声道

将连续模拟信号转换为离散数字信号需要经过采样和量化两个步骤。采样是在时间轴上等间隔取点，采样率（fs）表示每秒采样的次数，单位 Hz。量化是在幅度轴上将连续电压值映射到有限个离散电平，位深（bit depth）决定量化级数。16bit 量化提供 65536 个电平，动态范围约为 96dB；24bit 量化则提供 16777216 个电平，动态范围约 144dB。声道数描述同时采集的独立音频通道数量，单声道（Mono）适合语音，双声道（Stereo）适合音乐或空间感知。

在嵌入式系统中，这三个参数直接决定数据缓冲区的大小。以 100ms 音频帧为例：

对于内存通常只有几百 KB 的 MCU 而言，选择 16kHz/16bit/单声道是兼顾信息量与资源消耗的合理折中。如果使用 44.1kHz 立体声，仅 100ms 数据就需要 17.6KB，而一个完整的推理窗口往往需要 500ms 至 1s 的数据，内存压力会急剧增大。

奈奎斯特定理与混叠现象

奈奎斯特定理指出：为了无失真地重建模拟信号，采样率必须至少为信号最高频率分量的两倍，即 fs ≥ 2 × f_max。这里的 f_max 是信号中包含的最高频率成分。当采样率不满足该条件时，高频分量会“折叠”到低频区域，产生混叠（Aliasing）现象。混叠一旦发生，无法通过数字滤波消除，因为混叠后的频率与真实低频成分在采样点上完全不可区分。

例如，若以 8kHz 采样率采集一个 6kHz 的正弦波，由于 6kHz 大于奈奎斯特频率 4kHz，该信号会被错误地重建为 2kHz 的信号（8k - 6k = 2k）。这种失真对 TinyML 推理是致命的：模型可能将混叠后的频率误认为目标特征，导致误分类。解决混叠的标准方法是在 ADC 之前加入低通抗混叠滤波器（Anti-Aliasing Filter），将高于 fs/2 的频率成分衰减到可忽略水平。许多现代 MEMS 麦克风内置了数字滤波器或 sigma-delta 调制器，但 MCU 内部 ADC 通常需要外部 RC 滤波器或依赖芯片自带的模拟滤波器。

案例拆解：16kHz 采样下的语音唤醒词检测配置

假设我们要在 Cortex-M4 内核的 MCU 上实现“小爱同学”风格的唤醒词检测，目标唤醒词为“你好设备”。我们选择 ICS-43434 数字 MEMS 麦克风（内置 24bit ADC，支持 16kHz 输出），通过 I2S 接口与 MCU 通信。该麦克风内部已包含抗混叠滤波器，因此无需外部 RC 电路。

关键参数设定如下：采样率 16kHz，位深 16bit（截取 24bit 数据的高 16 位），单声道。每次推理使用 1 秒音频窗口，即 16000 个样本，缓冲区占用 32KB。MCU 的 RAM 为 256KB，其中模型参数占用约 80KB，特征提取中间变量约 20KB，剩余内存足够容纳 3 个音频帧的环形缓冲区（96KB），实现双缓冲交替采集与推理。

实际调试中我们发现，当采样率从 16kHz 降至 8kHz 时，唤醒词检测准确率从 95% 降至 88%。分析原因：虽然语音能量集中在 4kHz 以下，但“你”和“设”的齿音成分（如 /s/、/sh/）包含 5-8kHz 的高频能量，这些信息在 8kHz 采样下被奈奎斯特频率截断，导致特征区分度下降。这验证了采样率选择不能仅满足“理论带宽”，还要考虑具体目标声音的频谱分布。

另一个值得注意的细节是位深的影响。我们对比了 16bit 与 24bit 量化下的模型表现，发现准确率差异小于 0.5%，但 24bit 数据在 I2S 传输时占用更多带宽，且需要额外的移位操作。因此最终选择 16bit 量化，以节省 CPU 周期和 DMA 带宽。

常见误区与总结

第一个常见误区是认为采样率越高越好。实际上，高采样率带来更大的数据吞吐量、更高的功耗和更多的内存占用，而 TinyML 设备往往资源受限。对于语音类任务，16kHz 已经足够；对于机械振动监测，可能 4kHz 采样率就足够。第二个误区是忽略位深对动态范围的影响。如果环境噪声较大，16bit 量化可能无法同时保留微弱目标信号和强背景噪声的细节，此时需要提高位深或使用自动增益控制（AGC）。第三个误区是混淆声道数与信息量。双声道确实提供空间信息，但大多数 TinyML 模型只接受单声道输入，多出的声道只会增加计算负担。