4. 音频流基础概念：音频编码原理（AAC, MP3）、采样率、声道数、音频比特率、音频重采样
音频处理，说白了就是跟「声音的数字化」打交道。很多做视频的同学容易忽略音频，觉得「不就是个声儿嘛」。但我在项目中踩过不少坑——视频画质调得再好，音频一卡顿、一爆音，用户直接关播放器。所以这一章，咱们把音频的底子打扎实。
4.1 声音是怎么变成数字的？
声音是连续的波。计算机没法存连续的东西，只能「采样」——每隔一小段时间记一个点。这个记点的频率，就是采样率。
我习惯把采样率理解成「拍照的帧率」。每秒拍 44100 张照片，就能还原出人耳能听到的所有频率。为什么是 44100？因为人耳上限约 20kHz，根据奈奎斯特定理，采样率得是最高频率的两倍以上。44100 就是这么来的。
| 采样率 | 常见用途 | 质量等级 |
|---|---|---|
| 8000 Hz | 电话语音 | 可听懂，但闷 |
| 16000 Hz | VoIP、语音识别 | 清晰语音 |
| 44100 Hz | CD 音质、MP3 | 高保真 |
| 48000 Hz | 电影、广播、FFmpeg 默认 | 专业级 |
| 96000 Hz | 高解析音频 | 发烧友级别 |
4.2 声道数：单声道、立体声、5.1
声道数就是「几个喇叭出声」。单声道一个通道，立体声左右两个，5.1 是六个（前左、前右、中置、后左、后右 + 低音炮）。
我在做直播项目时遇到过一个问题：推流端采集的是立体声，但观众端很多手机只有单声道喇叭。结果人声在左右声道来回飘，听着像「鬼畜」。后来我强制在服务端做了一次声道下混，把立体声合并成单声道，问题就解决了。
FFmpeg 里声道布局用 channel_layout 表示，常见的有：
mono— 单声道，1 通道stereo— 立体声，2 通道5.1— 六通道7.1— 八通道
4.3 音频比特率：码率与质量的平衡
比特率就是每秒用多少 bit 来存音频。它直接决定了文件大小和音质。
我见过不少新手直接给音频设 320kbps，觉得「越高越好」。其实没必要。对于 AAC 编码，128kbps 立体声已经接近透明音质了，再往上提升很小，但文件体积涨得很快。
| 编码 | 比特率 | 音质评价 |
|---|---|---|
| MP3 | 128 kbps | 可接受，有压缩感 |
| MP3 | 192 kbps | 不错，多数人听不出区别 |
| MP3 | 320 kbps | 接近 CD，但文件大 |
| AAC | 96 kbps | 相当于 MP3 128k |
| AAC | 128 kbps | 透明音质，推荐 |
| AAC | 256 kbps | 发烧级，流媒体很少用 |
4.4 音频编码原理：AAC vs MP3
编码器的作用，就是把 PCM 裸数据压缩成更小的格式。PCM 是啥？就是采样后的原始数据，没压缩过。一个 CD 音质的 PCM 流，每秒要 1.4Mbps 左右，不压缩根本没法传。
MP3 是上世纪 90 年代的产物。它利用心理声学模型，把人耳不敏感的频率信息丢掉。说白了就是「听不见的就不存」。MP3 在低比特率下（128k 以下）表现还行，但到了 2024 年，技术上已经落后了。
AAC 是 MP3 的接班人。它用了更先进的滤波器组和编码算法，同样比特率下音质比 MP3 好一截。我个人的经验是：AAC 96kbps 约等于 MP3 128kbps。所以现在流媒体几乎清一色用 AAC。
FFmpeg 里常用的 AAC 编码器有：
aac— FFmpeg 内置的 AAC 编码器，质量不错libfdk_aac— Fraunhofer 的 AAC 编码器，质量最好，但需要编译时开启libmp3lame— MP3 编码器，老牌但稳定
4.5 音频重采样：为什么需要它？
重采样就是把音频从一个采样率转成另一个。比如你的源文件是 44100 Hz，但输出需要 48000 Hz，就得重采样。
为什么会需要？因为不同设备、不同标准用的采样率不一样。电影是 48k，CD 是 44.1k，语音采集可能是 16k。混流时如果不统一，FFmpeg 会报错或者输出奇怪的音频。
FFmpeg 里用 aresample filter 做重采样：
ffmpeg -i input.mp3 -af "aresample=48000" output.wav这个命令把输入音频重采样到 48000 Hz。注意，重采样是有损的——算法会做插值，不可能 100% 还原原始波形。所以能不重采样就别重采样。
4.6 音频知识体系总览
下面这张图把音频基础概念串起来了。从模拟信号到数字信号，再到编码和输出，每一步都有对应的参数和工具。
4.7 实战：用 FFmpeg 查看音频信息
说了这么多理论，咱们来点实际的。用 FFmpeg 查看一个音频文件的详细信息：
ffmpeg -i input.mp3输出里你会看到类似这样的内容：
Stream #0:0: Audio: mp3, 44100 Hz, stereo, s16p, 192 kb/s这行信息包含了：编码格式（mp3）、采样率（44100 Hz）、声道数（stereo）、采样格式（s16p，即 16 位有符号整型）、比特率（192 kb/s）。
如果你想看更详细的声道布局信息，可以加 -f lavfi 参数，或者用 ffprobe：
ffprobe -v error -show_entries stream=channel_layout input.mp3ffprobe 把音频流的参数全部 dump 出来，确认采样率、声道数、比特率是否一致。很多音画不同步的问题，根源就是音频参数不统一。
4.8 避坑指南
- 采样率不匹配：混流前一定要统一采样率，否则会出现爆音或音画不同步。
- 比特率设太高：对于流媒体，AAC 128k 已经足够。设到 320k 只会浪费带宽，人耳听不出区别。
- 声道数乱用：如果输出设备只有单声道，立体声信号会被下混，可能损失人声清晰度。提前做声道规划很重要。
- 重采样次数过多：每次重采样都会引入失真。尽量在 pipeline 里只做一次重采样，不要反复转。
嗯，音频基础就聊到这儿。这些概念看着简单，但实际项目中处处都是坑。把采样率、比特率、声道数这三个参数吃透，音频处理就稳了一半。