1. 声学基础回顾：声音的物理属性与数字化的第一道坎

各位同学，欢迎来到《声学特征提取实战要点解析》的第一章。说实话，很多做语音的工程师干了好几年，遇到采样率选错、相位信息丢失这种基础问题还是会翻车。我自己带项目时就见过，有人把 48kHz 采样的数据直接喂给 16kHz 训练的模型，结果识别率直接腰斩。所以这一章，咱们把地基打牢。

1.1 声音的物理三要素：频率、振幅、相位

声音的本质是机械波。你对着麦克风说话，声带振动挤压空气，形成疏密相间的纵波。描述这个波，只需要三个参数。

物理量	单位	物理意义	在音频中的体现
频率	Hz	每秒振动的次数	音调高低（男声 100Hz，女声 200Hz）
振幅	Pa 或 dB	偏离平衡位置的最大位移	音量大小（响度）
相位	rad 或 °	振动在周期中的位置	波形对齐、空间定位

我在做麦克风阵列波束成形时，相位差算错 1 度，波束指向就偏了十几度。你想想看，相位这东西，平时做单通道特征提取可能不太在意，但一到多通道、声源定位，它就是命根子。

1.2 时域与频域：同一枚硬币的两面

时域信号就是麦克风直接录下来的波形——横轴是时间，纵轴是振幅。频域信号呢？它告诉你这个信号里有哪些频率成分，每个频率有多强。

为什么需要频域？因为人耳的听觉系统本身就是个频谱分析仪。基底膜不同位置对不同频率敏感，说白了，耳朵天生就在做傅里叶变换。你听一段音乐，能分辨出小提琴和钢琴，靠的就是频域信息。

时域和频域的桥梁是傅里叶变换。公式长这样：

X(f) = ∫ x(t) · e^(-j2πft) dt

别被数学吓到。你只需要记住：时域信号乘以不同频率的复正弦，再积分，就得到了该频率的强度。 计算机里做的是离散傅里叶变换（DFT），快速算法叫 FFT。

1.3 采样定理：奈奎斯特的底线

模拟信号要变成数字信号，第一步就是采样。采样定理说：采样频率必须大于信号最高频率的两倍。

为什么？

• 采样频率 f_s 的一半叫奈奎斯特频率 f_N
• 信号中高于 f_N 的成分会被「折叠」回低频，产生混叠
• 混叠一旦发生，无法恢复

常见的音频采样率：

采样率	奈奎斯特频率	典型应用
8 kHz	4 kHz	电话语音
16 kHz	8 kHz	语音识别（主流）
44.1 kHz	22.05 kHz	CD 音质音乐
48 kHz	24 kHz	影视、专业音频

1.4 量化噪声：精度与代价的博弈

采样把时间离散化了，量化把幅度离散化了。每个采样点用有限个比特表示，比如 16 位就是 65536 个等级。

量化误差就是真实值和量化值之间的差。这个误差在频域表现为噪声，均匀分布在 0 到 f_s/2 之间。量化噪声的功率只和量化位数有关：

SNR ≈ 6.02 × N + 1.76 dB

其中 N 是量化位数。每增加 1 位，信噪比提升约 6 dB。

量化位数选择建议：

• 8 位： 玩具级，不推荐用于任何严肃分析
• 16 位： 语音识别、普通录音的底线
• 24 位： 专业录音、高动态范围场景
• 32 位浮点： 后期处理友好，但文件体积大

1.5 知识体系总览

下面这张图把本章的核心逻辑串起来了。从物理属性到数字化，再到时频域分析，每一步都有对应的工程要点。

1.6 本章小结

这一章我们聊了三件事：

1. 声音的物理属性——频率、振幅、相位，是后续所有特征提取的源头
2. 时域与频域——傅里叶变换是连接两座城市的桥梁，必须理解它的物理含义
3. 数字化约束——采样定理和量化噪声是硬件和算法之间的契约，违反它就要付出代价