1. 语音Codec基础：PCM编码原理、采样率与位深度的选择、量化噪声分析
做语音算法和Codec联调这么多年，我始终觉得PCM是所有音频处理的地基。你想想看，无论后面用多高级的压缩算法、多复杂的神经网络，最终落到硬件上，都得回到PCM这个最原始的表示方式。所以第一章，咱们就把这个地基夯实了。
1.1 PCM编码原理：从模拟到数字的第一步
PCM，全称Pulse Code Modulation，脉冲编码调制。说白了，就是把连续的声音波形，变成一串离散的数字。
这个过程分三步：
- 采样：在时间轴上，每隔固定间隔取一个值。
- 量化：把采样得到的连续幅度值，映射到有限个离散电平上。
- 编码：把量化后的电平值，用二进制数表示出来。
我刚开始做语音算法时，总觉得这步太简单了，不就是ADC嘛。直到有一次调试一个低功耗蓝牙通话方案，发现声音里总有奇怪的毛刺。查了两天，最后发现是ADC的采样时钟抖动太大，导致采样点位置不准。嗯，这里要注意，PCM的精度不仅取决于量化位数，还取决于采样时钟的稳定性。
核心公式：PCM数据速率 = 采样率 × 位深度 × 声道数
例如：16kHz采样、16bit量化、单声道，数据速率 = 16000 × 16 × 1 = 256000 bps = 32 KB/s
1.2 采样率的选择：Nyquist定理的工程实践
Nyquist采样定理告诉我们：采样率必须大于信号最高频率的两倍。但工程上，我从来不会卡着2倍去选。
为什么？因为现实世界没有理想的低通滤波器。你想想看，如果语音信号最高频率是4kHz，你刚好用8kHz采样，那抗混叠滤波器需要从通带到阻带瞬间切换——这在实际电路中根本做不到。
| 应用场景 | 常用采样率 | 有效带宽 | 我的经验建议 |
|---|---|---|---|
| 窄带电话 | 8 kHz | 0.3 - 3.4 kHz | 适合传统PSTN，语音可懂度够，但自然度差 |
| 宽带语音 | 16 kHz | 0 - 8 kHz | 我最常用的采样率，VoIP和语音识别首选 |
| 超宽带语音 | 32 kHz | 0 - 16 kHz | 高清会议系统，能听到更多齿音和气息细节 |
| 全频带音频 | 44.1 / 48 kHz | 0 - 20 kHz+ | 音乐场景，语音算法一般用不到这么高 |
我个人习惯，做语音增强或语音识别时，首选16kHz。这个采样率下，语音的频域特征足够丰富，同时数据量又不会太大。我曾经在一个项目里为了省带宽用了8kHz，结果模型在齿音和摩擦音上的识别率掉了5个点，后来老老实实改回16kHz。
避坑指南：如果你在做语音Codec联调，一定要确认Codec内部是否做了采样率转换。有些Codec会偷偷把输入重采样到内部固定采样率，你外面传16kHz，它里面可能先转成12.8kHz再编码。这种隐式重采样会引入额外的失真，我曾经被这个坑过。
1.3 位深度的选择：动态范围与信噪比的权衡
位深度决定了量化后的动态范围。每增加1bit，动态范围增加约6dB。公式很简单：动态范围 ≈ 6.02 × N + 1.76 dB，其中N是位深度。
常见的位深度选择：
- 8bit：动态范围约50dB。噪声明显，基本只有老式对讲机还在用。
- 16bit：动态范围约96dB。语音算法的黄金标准，CD音质也是这个。
- 24bit：动态范围约144dB。录音棚级别，语音算法一般用不到，除非你要做极低噪声的远场拾音。
- 32bit float：动态范围理论上无限。内部处理常用，但最终输出还是要转成定点。
做语音Codec联调时，我建议输入端至少用16bit。8bit的量化噪声太大，后续做VAD（语音活动检测）或降噪时，噪声底会抬得很高，影响算法效果。
注意：位深度不是越高越好。更高的位深度意味着更大的数据量，对传输带宽和存储都是压力。而且，如果你的麦克风底噪本身就很大，用24bit纯属浪费——你量化的是噪声，不是信号。
1.4 量化噪声分析：为什么你的语音听起来有“沙沙”声
量化噪声，是PCM编码过程中不可避免的产物。你把连续的幅度值强行塞进离散的台阶里，每一步的误差就是量化噪声。
量化噪声的功率可以用一个简单公式估算：
量化噪声功率 = Δ² / 12
其中Δ是量化步长，也就是LSB（最低有效位）对应的电压值。Δ = 满量程电压 / 2^N。
所以，位深度N越大，Δ越小，量化噪声功率越小。这就是为什么16bit比8bit听起来干净得多。
但这里有个容易被忽略的点：量化噪声是均匀分布的，还是与信号相关的？
理想情况下，量化噪声是均匀白噪声，与输入信号不相关。但实际中，当输入信号幅度很小（比如只有几个LSB）时，量化噪声会变得与信号强相关，听起来就不是“沙沙”的白噪声，而是“嗡嗡”的失真。这种现象叫量化失真。
我曾经在一个低功耗语音唤醒项目里，为了省电把ADC的位深度从16bit降到12bit。结果唤醒率从95%直接掉到70%。分析后发现，环境噪声低的时候，语音信号只占几个LSB，量化失真把语音的细微特征全抹掉了。后来我加了一个小信号dither（抖动），才把唤醒率拉回来。
量化噪声的工程影响：
- 噪声底抬升：限制后续算法的动态范围
- 小信号失真：影响语音的弱音段和清音段
- 谐波失真：量化台阶不均匀时，会产生额外谐波
1.5 PCM编码与Codec联调的核心知识图谱
下面这张图，是我做联调时脑子里始终绷着的一根弦。它把PCM编码、采样率、位深度、量化噪声这几个概念串在了一起，告诉你它们之间是怎么相互影响的。
1.6 联调实战：一个典型的PCM参数配置案例
假设你正在做一个蓝牙通话耳机项目，Codec支持16bit/24bit，采样率支持8k/16k/32k。你怎么选？
我的做法是这样的：
- 采样率：选16kHz。8kHz太窄，32kHz对蓝牙带宽压力大，16kHz是语音质量和带宽的最佳平衡点。
- 位深度：选16bit。24bit在蓝牙这种有损链路上意义不大，而且会增加传输延迟。
- 量化噪声：确认Codec的ADC输入范围，确保语音信号不要太小，避免小信号量化失真。
我曾经在一个项目里，硬件工程师把麦克风增益调得太低，语音信号只用了ADC满量程的10%。结果16bit量化下，有效位数只剩不到12bit，量化噪声明显。后来把增益调上去，问题就解决了。
小技巧：联调时，可以用一个简单的正弦波测试PCM链路。输入1kHz正弦波，录下来做频谱分析。如果看到明显的谐波分量，说明量化或采样环节有问题。如果噪声底不平，说明有电源干扰或时钟抖动。
好了，PCM编码的基础就讲到这里。采样率、位深度、量化噪声这三个参数，是后续所有语音算法和Codec联调的起点。选对了，后面事半功倍；选错了，后面再怎么调也救不回来。