第4章：音频数据格式——PCM格式详解、采样率与位深、多通道音频布局
各位同学，咱们今天聊点实在的。音频数据格式，说白了就是声音在数字世界里的「长相」。你写USB音频驱动，天天跟这些数据打交道。不懂PCM，你连数据手册都看不懂。我当年刚入行时，就被这玩意儿坑过好几次。
4.1 PCM格式——最朴素的音频编码
PCM，全称Pulse Code Modulation，脉冲编码调制。名字挺唬人，其实原理特简单：把连续的声音波形，每隔一小段时间量一下，记个数值。就像你拿尺子量东西，每隔1毫米记个读数。
USB音频设备里，PCM是的主流。为什么？因为它没压缩，没损失，驱动写起来也省心。你想想看，你从麦克风采集到的模拟信号，经过ADC（模数转换器）出来，就是PCM数据。直接扔给USB端点发出去就行。
核心要点：PCM数据就是一系列采样点的数值。每个采样点代表某一时刻的音频信号幅度。
我在项目中遇到过一种情况：某款USB麦克风，厂商说支持PCM，结果我抓包一看，数据格式居然是A-law压缩的。嗯，这就是典型的「挂羊头卖狗肉」。所以，拿到设备后第一件事，就是通过USB描述符确认它到底用哪种格式。
4.2 采样率——每秒测多少次？
采样率，就是每秒钟采集多少个样本点。单位是Hz（赫兹）。常见的采样率有：
| 采样率 | 典型用途 | 我的评价 |
|---|---|---|
| 8 kHz | 电话语音 | 够用，但音质像收音机 |
| 16 kHz | VoIP、对讲机 | 比8k好点，还是糊 |
| 44.1 kHz | CD音质 | 经典，音频行业的基石 |
| 48 kHz | DVD、专业音频 | 我项目里用得最多的 |
| 96 kHz | 高解析音频 | 录音棚常见，驱动要小心 |
| 192 kHz | 发烧级 | 说实话，人耳真听不出区别 |
为什么会这样？根据奈奎斯特采样定理，采样率必须大于信号最高频率的两倍。人耳能听到20Hz~20kHz，所以44.1kHz刚好够用。你想想看，如果采样率太低，高频信号就会混叠，听起来像「滋滋」的噪声。
我个人习惯，做USB音频驱动时，优先支持48kHz和44.1kHz。这两个最通用。如果你要支持192kHz，记得检查USB带宽够不够。我曾经在一个项目里，USB全速模式下跑192kHz双通道，结果带宽直接爆了。嗯，这是个坑。
4.3 位深——每个采样点用多少比特？
位深，也叫采样精度。它决定了每个采样点的动态范围。常见的位深有：
- 8位：256个量化等级。噪声大，动态范围小。基本淘汰了。
- 16位：65536个量化等级。CD标准，够用。
- 24位：16777216个量化等级。专业音频标配。
- 32位：浮点或定点。高端设备用，驱动处理要小心。
位深越大，信噪比越高。每增加1位，信噪比提升约6dB。16位理论信噪比是96dB，24位是144dB。你想想看，录音棚里那些昂贵的设备，为什么用24位？就是为了留足动态余量，后期处理时不会引入噪声。
避坑指南：我曾经在调试一个USB音频设备时，发现播放出来的声音有「咔咔」的爆音。查了半天，原来是驱动把24位数据当16位处理了，高位被截断。记住：24位数据在USB传输时，通常用3字节或4字节对齐。别搞错了字节序！
USB音频设备里，位深直接影响数据包大小。比如48kHz、16位、双通道，每秒数据量是：48000 × 2 × 2 = 192000字节/秒。如果是24位，就是48000 × 2 × 3 = 288000字节/秒。这个计算，写驱动时天天用。
4.4 多通道音频布局——左声道、右声道，还有更多
多通道，说白了就是多个音频流同时传输。最常见的当然是立体声（2通道）。但USB音频设备可以支持更多：
- 单声道（1通道）：麦克风、对讲设备
- 立体声（2通道）：耳机、音箱
- 5.1环绕声（6通道）：家庭影院
- 7.1环绕声（8通道）：游戏耳机、专业音频
多通道数据在USB里怎么排列？通常是交错排列（interleaved）。比如双通道，数据顺序是：左采样、右采样、左采样、右采样……
// 双通道16位PCM数据布局示例
// 假设采样率48kHz，缓冲区大小4个采样点
// 内存中的字节顺序：
// [左声道低字节] [左声道高字节] [右声道低字节] [右声道高字节]
// [左声道低字节] [左声道高字节] [右声道低字节] [右声道高字节]
// ...
// 伪代码：读取一个立体声帧
void read_stereo_frame(uint8_t *buffer, int16_t *left, int16_t *right) {
*left = (buffer[1] << 8) | buffer[0]; // 小端序
*right = (buffer[3] << 8) | buffer[2];
}
多通道布局在USB音频描述符里用「音频通道配置」来描述。每个通道有对应的位置信息，比如：
| 通道编号 | 位置描述 | USB定义值 |
|---|---|---|
| 1 | 左前 | 0x01 |
| 2 | 右前 | 0x02 |
| 3 | 中置 | 0x03 |
| 4 | 低音炮 | 0x04 |
| 5 | 左后 | 0x05 |
| 6 | 右后 | 0x06 |
写驱动时，你得根据这个通道配置，把数据正确地映射到硬件DMA缓冲区。我见过一个项目，工程师把左后和右后通道搞反了，结果用户听环绕声时，声音方向全是反的。嗯，这种bug很难查，因为播放普通立体声时根本发现不了。
重要提醒：多通道设备在USB音频类（UAC）规范中，有严格的同步要求。所有通道的采样率必须一致。你不能让左声道跑48kHz，右声道跑44.1kHz。USB音频协议不支持这种操作。
4.5 实际驱动开发中的注意事项
好了，理论讲完了。咱们聊聊实际写驱动时要注意什么。
第一，字节序。USB音频数据通常是小端序（little-endian）。但有些嵌入式平台是大端序。你得做转换。我习惯在DMA传输完成后，统一做一次字节序转换，而不是每个采样点都转，那样太慢。
第二，数据对齐。24位数据在内存里怎么放？有的设备用3字节对齐，有的用4字节对齐（高位补0）。你得看设备描述符里的「子帧大小」字段。别猜，猜就出错。
第三，缓冲区管理。USB音频是等时传输（isochronous），数据流是连续的。你的驱动缓冲区必须足够大，能容忍USB主机的调度延迟。我一般设4~8个微帧的缓冲区，够用。
第四，采样率切换。有些设备支持多种采样率。切换时，你得先停止数据流，等设备锁相环稳定后，再重新启动。我曾经偷懒没等，结果切换后前几个采样点全是噪声。
我的经验：调试音频驱动时，别用正弦波测试。用一段熟悉的音乐，或者白噪声。正弦波太干净了，很多问题听不出来。白噪声能暴露数据截断、字节序错误、通道错位等各种问题。
最后说一句，PCM格式虽然简单，但细节很多。你写驱动时，一定要把采样率、位深、通道数这三个参数搞清楚。它们决定了数据流的格式、带宽和延迟。搞错了，声音要么不出，要么出怪声。
下一章，咱们聊聊USB音频设备的枚举过程。到时候你会看到，刚才讲的这些参数，在描述符里是怎么定义的。