音频信号基础：声音的物理特性、人耳听觉特性与数字化

音频数字信号处理的第一步，并非直接面对采样率和滤波器系数，而是回到声音本身。声音是一种机械纵波，通过空气等弹性介质传播，其本质是介质分子在平衡位置附近的周期性振动。当我们谈论“数字音频”时，实际上是在用离散的数值序列去逼近一个连续的物理过程。理解声音的物理特性（频率、振幅、相位）决定了我们如何描述信号；理解人耳听觉特性（响度、音调、掩蔽效应）决定了我们如何优化编码与降噪算法；而理解数字化过程（采样、量化、编码）则决定了系统的硬件架构与性能边界。本章将围绕这三条主线展开，为后续的滤波器设计、编解码器集成和音频质量评估奠定理论基础。

2.1 声音的物理特性：频率、振幅与相位

2.1.1 核心原理：三个基本物理量

声音的物理特性可以从三个维度进行数学描述。频率（f） 表示单位时间内介质振动的周期数，单位为赫兹（Hz）。人耳可感知的频率范围约为 20 Hz 至 20 kHz，这一范围被称为“听觉频率范围”。频率决定了声音的“音调”，频率越高，音调越高。振幅（A） 表示介质粒子偏离平衡位置的最大位移，通常用声压（Pa）或声压级（dB SPL）表示。振幅决定了声音的“响度”，振幅越大，声音越响。相位（φ） 描述的是波形在时间轴上的起始位置，单位为度（°）或弧度（rad）。相位本身不携带响度或音调信息，但在多声道系统、波束成形和声场重建中，相位差是决定空间定位的关键因素。

在实际音频工程中，我们通常使用正弦波作为基本分析单元。一个正弦波可以表示为：

x(t) = A · sin(2πft + φ)

其中 A 为振幅，f 为频率，φ 为初始相位。任何复杂的音频信号（如人声、乐器声）都可以通过傅里叶变换分解为多个不同频率、振幅和相位的正弦波叠加。这一原理是后续频谱分析、均衡器和编解码器设计的数学基础。

2.1.2 判断方法与工程测量

在工程实践中，我们通过以下工具测量和表征这三个物理量：

• 频率测量：使用频谱分析仪或 FFT 分析器，观察信号的频域分布。对于稳态信号，可直接读取峰值频率；对于瞬态信号（如打击乐），需结合短时傅里叶变换（STFT）观察频率随时间的变化。
• 振幅测量：使用声级计（SLM）测量声压级，或通过示波器观察电压峰值。在数字域中，振幅通常以满量程百分比（%FS）或 dBFS（相对于数字满量程）表示。
• 相位测量：使用双通道示波器或网络分析仪，对比两个信号之间的时间差，换算为相位差。在音频设备中，相位响应通常与频率响应一起以“Bode 图”形式呈现。

2.1.3 案例拆解：扬声器分频器中的相位对齐

假设我们正在设计一款两分频书架音箱，高音单元和低音单元的分频点设定在 2.5 kHz。初始方案中，高音通道使用 12 dB/oct 的 Linkwitz-Riley 滤波器，低音通道使用相同阶数的滤波器。在实测中我们发现，在分频点附近 1 kHz 范围内，声压级响应出现明显的“凹陷”，最大衰减达 6 dB。

分析过程：通过双通道 FFT 测量，发现高音单元和低音单元在分频点处的相位差约为 180°。原因是两个滤波器的相位响应在分频点处叠加后，产生了反相抵消。进一步检查发现，高音单元由于物理安装位置靠后，其声学中心与低音单元存在约 3 cm 的路径差，导致额外的时间延迟。

解决方案：在 DSP 中为高音通道增加一个全通滤波器，调整其相位响应，使两个单元在分频点处的相位差接近 0°。同时，在数字域中为低音通道增加约 0.09 ms 的延迟（对应 3 cm 声程差），以补偿物理位置差异。调整后，分频点附近的频响凹陷从 6 dB 改善至 ±0.5 dB 以内。

复盘要点：相位问题在音频系统中无处不在，尤其是在多单元、多通道系统中。建议在每次系统集成后，使用“相位曲线”和“群延迟”指标进行验证，而不是仅关注幅频响应。

2.1.4 常见误区与总结

2.2 人耳听觉特性：响度、音调与掩蔽效应

2.2.1 核心原理：听觉感知的非线性

人耳并非一个线性测量仪器，而是一个具有高度非线性的感知器官。响度（Loudness） 是人对声音强弱的主观感受，其单位是“方”（phon）。等响曲线（Fletcher-Munson 曲线）表明，人耳在 3-4 kHz 附近最为敏感，而在低频（<200 Hz）和高频（>10 kHz）灵敏度显著下降。例如，一个 50 Hz、60 dB SPL 的声音，主观响度仅相当于 1 kHz、40 dB SPL 的声音。

音调（Pitch） 是人对频率高低的主观感受，但并非线性映射。Mel 刻度（Mel Scale）将频率映射为符合人耳感知的线性刻度，其转换公式为：

mel = 2595 · log10(1 + f/700)

这一映射在语音识别和音频特征提取中广泛使用（如 MFCC 特征）。掩蔽效应（Masking） 是指一个声音（掩蔽声）的存在使得另一个声音（被掩蔽声）的听阈提高的现象。掩蔽效应分为频域掩蔽（同时掩蔽）和时域掩蔽（前向/后向掩蔽），是 MP3、AAC 等有损压缩算法的心理声学基础。

2.2.2 判断方法与测量指标

2.2.3 案例拆解：MP3 编码中的掩蔽效应利用

MP3 编码器（如 LAME）在编码时，将音频信号划分为 32 个频带，每个频带对应一个临界频带。编码器首先计算每个频带的掩蔽阈值——即该频带内人耳无法感知的最大噪声能量。然后，编码器根据掩蔽阈值分配量化比特：掩蔽阈值高的频带（如低频段）分配较少比特，掩蔽阈值低的频带（如中频段）分配较多比特。

以一个 44.1 kHz、16 bit 的 CD 音轨为例，原始码率为 1411.2 kbps。经过 MP3 编码（128 kbps）后，数据量压缩约 11 倍。在安静环境下，人耳几乎无法区分原始 WAV 与 128 kbps MP3 的差异，因为量化噪声被“隐藏”在掩蔽阈值之下。然而，如果编码器未正确计算掩蔽阈值（如早期低质量编码器），量化噪声会暴露为“预回声”（pre-echo）或“金属声”，严重影响听感。

工程启示：在开发音频编解码器或降噪算法时，不应单纯追求“信噪比最大化”，而应追求“感知噪声最小化”。这要求算法具备心理声学模型，动态调整处理参数。

2.2.4 常见误区与总结

2.3 音频信号的数字化：采样、量化与编码

2.3.1 核心原理：从连续到离散

将模拟音频信号转换为数字信号，需要经历三个关键步骤：采样（Sampling）、量化（Quantization） 和 编码（Coding）。

采样 是在时间轴上以固定间隔 Δt 提取信号的瞬时值。采样率（fs）必须满足奈奎斯特采样定理：fs ≥ 2 × fmax，其中 fmax 为信号最高频率。对于人耳可听的 20 kHz 上限，CD 标准采用 44.1 kHz 采样率，留出约 2.05 kHz 的过渡带余量。若采样率不足，高频信号会“混叠”（Aliasing）到低频段，产生不可恢复的失真。

量化 是将采样得到的连续振幅值映射为有限个离散电平。量化位深（bit depth）决定了动态范围：每增加 1 bit，动态范围增加约 6.02 dB。16 bit 量化提供约 96 dB 动态范围，24 bit 提供约 144 dB。量化过程会引入量化噪声，其功率与量化步长相关，可通过“抖动”（Dithering）技术将量化噪声整形为更平滑的频谱。

编码 是将量化后的数值转换为二进制码流。最简单的编码方式是线性 PCM（脉冲编码调制），即直接存储量化值。此外还有 μ-law/A-law 压扩编码（用于电话语音）、浮点编码（用于专业音频工作站）以及各种感知压缩编码（MP3、AAC、Opus）。

2.3.2 操作流程：ADC 链路设计要点

1. 前置放大与增益匹配：确保信号幅度接近 ADC 满量程（通常为 2 Vrms），但不超过 0 dBFS，否则会产生削波失真。
2. 抗混叠滤波：在 ADC 之前必须使用低通滤波器，衰减高于 fs/2 的频率成分。滤波器阶数越高，过渡带越窄，但相位失真越大。常见设计为 4 阶至 8 阶 Butterworth 或 Elliptic 滤波器。
3. 采样时钟：采样时钟的抖动（Jitter）会直接影响信噪比。对于高精度音频（24 bit/192 kHz），时钟抖动应低于 1 ns RMS。
4. 量化与抖动：在量化前添加幅度为 0.5 LSB 的抖动信号（TPDF 抖动），可消除量化失真与低电平信号的“颗粒感”。
5. 数字接口输出：通过 I2S、TDM 或 USB Audio 接口将 PCM 数据输出至 DSP 或主机处理器。

2.3.3 案例拆解：语音采集系统的采样率选择

假设我们要设计一个智能音箱的语音唤醒系统。语音信号的频率范围约为 300 Hz - 3.4 kHz（电话带宽），但为了保留更多高频细节（如齿音、气声），我们选择 16 kHz 采样率。此时奈奎斯特频率为 8 kHz，远高于语音有效频率上限。

关键参数对比：

在实现中，我们选用一颗 24 bit ADC，实际使用其高 16 bit 数据。采样率配置为 16 kHz，抗混叠滤波器截止频率设为 7 kHz（留出 1 kHz 过渡带）。实测信噪比达到 92 dB（A 加权），满足语音唤醒的识别要求。若误选 44.1 kHz 采样率，虽然音质更好，但数据量增加 2.76 倍，会增加 DSP 的运算负担和功耗，且对唤醒率提升并无明显帮助。

2.3.4 常见误区与总结