2、音频信号基础：声音的物理特性、采样定理、量化与编码、常见音频格式

音频信号处理的第一步，是理解我们面对的信号从何而来、以何种形式存在，以及如何被数字系统忠实（或有限度地）还原。声音本质上是空气分子在弹性介质中的机械振动，这种振动以纵波形式传播，到达人耳后引起鼓膜振动，最终被听觉神经感知为“声音”。在数字音频系统中，我们需要将这种连续的物理振动转换为离散的二进制数据，这一过程涉及声学物理、信号采样、幅度量化和数据编码四个关键环节。本节将系统梳理声音的物理属性、采样定理的数学边界、量化误差的工程取舍，以及主流音频格式的编码逻辑，为后续频谱分析和时频处理奠定信号域基础。

2.1 声音的物理特性：从振动到声波

声音的物理本质是弹性介质（空气、水、固体）中质点围绕平衡位置的机械振动。声源振动时，相邻空气分子被周期性地压缩和稀疏，形成疏密相间的纵波向外传播。描述声波需要三个核心物理量：频率（单位Hz，决定音高）、声压（单位Pa，决定响度）和波长（λ = c/f，其中c为声速，常温空气中约343 m/s）。人耳可听频率范围通常为20 Hz–20 kHz，但这一范围随年龄和个体差异显著变化，且不同频段人耳灵敏度不同——这正是等响度曲线（Fletcher-Munson曲线）所描述的客观现象。

在音频工程中，声压级（SPL）采用对数标度，单位为dB SPL，参考声压为20 μPa（人耳刚能感知的阈值）。0 dB SPL对应听阈，120 dB SPL接近痛阈。值得注意的是，声压每增加一倍，SPL增加约6 dB；而人耳主观响度感知近似遵循幂定律，10 dB的SPL增加通常感觉响度约翻倍。这种非线性关系直接影响后续动态范围处理和响度归一化策略。

2.2 采样定理：连续到离散的数学边界

将连续时间信号转换为离散时间序列，核心依据是奈奎斯特-香农采样定理：若信号最高频率分量为 f_max，则采样率 f_s 必须满足 f_s ≥ 2·f_max，才能从采样序列中无失真地重建原始信号。这里的 2·f_max 称为奈奎斯特率，而 f_s/2 称为奈奎斯特频率。采样定理的数学本质是：采样过程在频域表现为原始频谱以 f_s 为周期进行周期延拓，只要各周期频谱不重叠（即满足采样条件），就可以通过理想低通滤波器完整提取原始频谱。

实际工程中，采样率的选择需要综合考虑信号带宽、抗混叠滤波器可实现性和数据量。例如，CD音频采用 44.1 kHz 采样率，留出约 2.05 kHz 的过渡带（20 kHz 信号上限到 22.05 kHz 奈奎斯特频率之间），使模拟抗混叠滤波器可以采用较低阶数实现。而高分辨率音频（Hi-Res）常采用 96 kHz 或 192 kHz 采样率，并非因为人耳能听到 48 kHz 或 96 kHz 的声音，而是为了：① 将采样噪声推至超声频段，改善可听频段信噪比；② 为后期 DSP 处理（如变调、均衡）提供更高过采样率，减少处理引入的混叠。

2.3 量化与编码：幅度域的离散化

采样将时间连续变为离散，而量化将幅度连续变为有限个离散电平。量化位深 N 决定电平数 2^N，例如 16-bit 量化提供 65,536 个电平。量化过程必然引入误差，称为量化噪声。理想情况下，量化噪声近似均匀分布在 ±0.5 LSB（最低有效位）范围内，其信噪比（SQNR）可由公式计算：SQNR ≈ 6.02·N + 1.76 dB。这意味着每增加 1 bit，信噪比提升约 6 dB。16-bit 量化的理论 SQNR 约为 96.3 dB，24-bit 则达到 144.5 dB。

量化误差在小信号时表现尤为明显，可能产生可听的“颗粒感”噪声。工程上常采用抖动（Dither）技术：在量化前人为添加极低电平的随机噪声（通常为三角波概率密度分布，峰峰值约 1 LSB），将量化误差随机化，使失真转化为本底噪声，从而消除与信号相关的非线性失真。抖动处理在母带降位深（如 24-bit 转 16-bit）时是标准操作。

编码环节将量化后的电平映射为二进制码字。最常用的是线性脉冲编码调制（LPCM），即均匀量化后直接以二进制补码或偏移二进制表示。LPCM 的比特率计算公式为：比特率 = 采样率 × 位深 × 声道数。CD 音频（44.1 kHz × 16 bit × 2 声道）的比特率为 1,411.2 kbps。此外还有非线性量化编码，如电话语音的 G.711 标准采用 A-law / μ-law 压扩，在 8-bit 下实现等效于 12-13 bit 线性量化的动态范围，利用人耳对小信号更敏感的特性分配量化级。

// 量化误差示例（Python 伪代码）
import numpy as np
fs = 44100
t = np.arange(fs) / fs
signal = 0.5 * np.sin(2 * np.pi * 1000 * t)  # 1kHz 正弦，幅度 0.5
quantized = np.round(signal * 32767) / 32767  # 16-bit 量化
noise = quantized - signal
sqnr = 10 * np.log10(np.sum(signal**2) / np.sum(noise**2))
print(f"实测 SQNR = {sqnr:.1f} dB")  # 理论值约 96.3 dB

2.4 常见音频格式：封装与编码的工程选择

音频文件格式分为无压缩格式、无损压缩格式和有损压缩格式三大类。无压缩格式（如 WAV、AIFF）直接存储 LPCM 数据，数据量大但保真度最高，广泛用于专业录音、编辑和母带制作。无损压缩格式（如 FLAC、ALAC、APE）通过去除数据冗余实现约 40%-60% 的压缩率，解码后与原始数据逐位一致，适合音乐存档和高保真播放。有损压缩格式（如 MP3、AAC、Opus）利用人耳听觉掩蔽效应，丢弃人耳不敏感的信息，在较低比特率下提供可接受的音质，适合流媒体和便携播放。

选择音频格式需要权衡音质、文件大小、解码复杂度和生态兼容性。下表对比了主流格式的关键参数：

2.5 实战案例：语音会议系统的音频链路参数设计

某远程会议系统需要设计音频采集与传输链路，要求：语音清晰度 MOS ≥ 4.0，网络带宽受限（单路音频 ≤ 32 kbps），且需兼容不同终端设备。初始方案直接采用 G.711 编码（64 kbps），但带宽超标；改用 G.729（8 kbps）后 MOS 降至 3.6，清晰度不达标。

分析过程：语音信号有效带宽约 300 Hz–3.4 kHz，采样率 8 kHz 即可满足奈奎斯特条件。但 G.729 采用码激励线性预测（CELP）编码，在 8 kbps 下对背景噪声和多人说话场景鲁棒性不足。进一步测试发现，采用 Opus 编码在 24 kbps 下，MOS 可达 4.2，且 Opus 内置噪声抑制和丢包补偿功能。最终方案确定：采样率 16 kHz（覆盖更宽语音带宽，提升辅音清晰度），位深 16-bit，Opus 编码 24 kbps，帧长 20 ms。

实际操作步骤：① 在终端采集端设置 ADC 参数为 16 kHz/16-bit 单声道；② 使用 Opus 编码器设置码率 24 kbps，启用 DTX（不连续传输）降低静音期码率；③ 网络传输采用 RTP 封装，增加前向纠错（FEC）冗余 20%；④ 接收端解码后经 5 ms 抖动缓冲平滑播放。实测结果：MOS 4.2，平均码率 18.6 kbps（含静音抑制），带宽占用降低 71% 相比原 G.711 方案。风险点在于 Opus 编码器 CPU 占用略高于 G.729，在低端嵌入式设备上需验证实时性。

2.6 常见误区与总结复盘

误区一：采样率越高越好。高采样率确实增加带宽余量，但也带来更大的数据量和处理开销。对于最终面向人耳播放的音频，44.1 kHz 或 48 kHz 已足够；96 kHz 以上主要用于 DSP 处理链的内部精度保持，最终输出仍需降采样。盲目追求高采样率而不配合高质量抗混叠滤波器和时钟，反而可能引入更多噪声。

误区二：位深越高音质一定越好。位深决定量化信噪比的理论上限，但实际信噪比还受模拟前端噪声、电源纹波、时钟抖动限制。若模拟电路本底噪声已高于 -80 dBFS，则 16-bit 与 24-bit 的实际可听差异很小。位深提升的真正价值在于提供更大的处理余量（headroom），避免 DSP 运算中的截断误差累积。

误区三：无损格式一定优于有损格式。在理想听音环境下，高比特率有损编码（如 320 kbps MP3 或 256 kbps AAC）与无损格式的差异对绝大多数人耳难以分辨。但在频谱分析、音频编辑、多次转码等场景中，有损编码会引入不可逆的频谱损伤，因此处理链中应使用无压缩或无损格式，仅在最终分发时转换为有损格式。

误区四：忽略时钟精度。采样时钟的抖动（jitter）会直接调制采样时刻，等效于在信号上叠加相位噪声。对于高动态范围音频，时钟抖动比量化噪声更早成为限制因素。工程上应使用低抖动时钟源（如温补晶振 TCXO），并注意 ADC/DAC 的时钟走线远离数字噪声源。