1. 音频信号基础：声音的物理特性
各位同学，欢迎来到《音频算法系统化学习》的第一章。我是你们这门课的主讲，一个在音频算法领域摸爬滚打了十几年的工程师。今天咱们不聊虚的，直接切入正题——声音到底是个什么东西？
你可能会说：“声音不就是耳朵听到的东西吗？”没错，但从算法工程师的角度看，声音就是一连串随时间变化的空气压力值。说白了，就是空气分子在那儿推来推去。我刚开始接触这个领域时，总觉得这些基础概念太简单，结果后来在做一个降噪算法时，因为对相位理解不透彻，折腾了整整两周才找到bug。嗯，从那以后我再也不敢小看这些基础了。
1.1 声音的三大物理属性：频率、振幅、相位
任何一个声音信号，都可以用三个基本参数来描述。你想想看，就像描述一个人需要身高、体重、年龄一样，描述一个纯音（单一频率的声音）也需要三个维度。
| 物理属性 | 单位 | 人耳感知 | 数学表示 |
|---|---|---|---|
| 频率 | Hz（赫兹） | 音调高低 | f = 1/T |
| 振幅 | dB（分贝）或Pa（帕斯卡） | 响度大小 | A（峰值幅度） |
| 相位 | rad（弧度）或°（度） | 声音的起始位置/空间感 | φ（初始相位角） |
频率决定了声音有多“尖”或多“沉”。20Hz到20kHz是人耳能听到的范围，低于20Hz叫次声波，高于20kHz叫超声波。我在做车载音频系统时，遇到过一个问题：发动机的轰鸣声主要在50-200Hz，而风噪则集中在1-4kHz。搞清楚这些频率分布，才能有针对性地做降噪处理。
振幅决定了声音有多“响”。但要注意，人耳对响度的感知是非线性的——这就是为什么我们用分贝（dB）这个对数单位。每增加10dB，人耳感觉到的响度大约翻一倍。我建议你记住几个参考值：0dB是听阈，60dB是正常交谈，120dB是痛阈。
相位这个属性，说实话，很多初学者容易忽略。相位描述的是波形在时间轴上的偏移量。两个同频率的信号，如果相位相反（相差180°），叠加后会相互抵消——这就是主动降噪（ANC）的基本原理。我曾经在一个多麦克风阵列项目中，因为忽略了麦克风之间的相位差，导致波束成形的效果一塌糊涂。避坑指南：处理多通道音频时，永远先检查相位对齐。
核心公式：一个纯音信号可以表示为：s(t) = A · sin(2πft + φ)
其中 A 是振幅，f 是频率，φ 是初始相位，t 是时间。
1.2 时域与频域：看问题的两种视角
做音频算法，最核心的思维转变就是学会在时域和频域之间自由切换。说白了，时域看的是“信号随时间怎么变”，频域看的是“信号由哪些频率成分组成”。
我个人的习惯是：处理瞬态问题（比如爆破音、敲击声）时优先看时域；处理稳态问题（比如嗡嗡的噪声、乐器的音色）时优先看频域。
时域波形直观易懂——横轴是时间，纵轴是幅度。但它的信息密度很低。举个例子，一段1秒钟的语音，时域上就是一条弯弯曲曲的线，你很难看出它包含了哪些频率。
频域就不一样了。通过傅里叶变换，我们可以把时域信号拆解成不同频率的正弦波分量。频域图上，横轴是频率，纵轴是幅度（或能量）。这时候，噪声的分布、信号的谐波结构一目了然。
我的经验：刚开始学频域时，别急着啃傅里叶变换的数学推导。先学会“看频谱图”——能看出哪个频率能量大、哪个频率有噪声，这就够了。数学推导可以后面慢慢补。
时域和频域之间通过傅里叶变换（FT）连接。对于计算机处理的离散信号，我们用的是离散傅里叶变换（DFT），而快速傅里叶变换（FFT）是它的高效实现算法。这个我们后面章节会详细讲。
1.3 采样定理与量化：从模拟到数字
现实世界的声音是连续的模拟信号，但计算机只能处理离散的数字信号。把模拟信号变成数字信号，需要经过两个步骤：采样和量化。
采样是在时间轴上把连续信号离散化——每隔一个固定的时间间隔取一个样本值。这个时间间隔的倒数就是采样率（Sample Rate），单位是Hz。
量化是在幅度轴上把连续的取值离散化——把无限多种可能的幅度值映射到有限个量化等级上。量化等级数由位深（Bit Depth）决定，比如16位量化就有65536个等级。
| 参数 | 常见取值 | 说明 |
|---|---|---|
| 采样率 | 44.1 kHz（CD）、48 kHz（视频）、96 kHz（高保真） | 每秒采集的样本数 |
| 位深 | 16 bit（CD）、24 bit（专业音频）、32 bit float（处理） | 每个样本的精度 |
| 声道数 | 1（单声道）、2（立体声）、5.1/7.1（环绕声） | 独立音频通道数量 |
举个例子，CD音质的参数是44.1kHz采样率、16位量化、立体声。这意味着每秒采集44100个样本，每个样本用16位二进制数表示，左右声道各一路。数据量算一下：44100 × 16 × 2 = 1,411,200 bps ≈ 1.41 Mbps。
注意：量化会产生量化噪声。位深每增加1 bit，信噪比（SNR）提升约6 dB。16位量化的理论SNR是96 dB，24位是144 dB。这就是为什么专业录音都用24位——给后期处理留足余量。
1.4 奈奎斯特频率：采样定理的核心
采样定理（也叫奈奎斯特-香农采样定理）是数字信号处理的基石。它的核心思想是：为了能从采样后的离散信号中无失真地恢复出原始连续信号，采样率必须至少是信号最高频率的两倍。
这个“最高频率的两倍”就是奈奎斯特频率（Nyquist Frequency）。公式很简单：
奈奎斯特频率： fNyquist = fs / 2
其中 fs 是采样率。
为什么会这样？你想想看，采样就是在时间轴上“打点”。如果采样率太低，一个周期内只采到一两个点，你根本分不清这个信号是高频还是低频——这就是混叠（Aliasing）现象。
我在做音频效果器插件时，遇到过混叠问题。当时写了一个失真效果器，没做抗混叠滤波，结果出来的声音里出现了很多刺耳的高频伪影。后来加了一个低通滤波器，在失真处理之前先把高于奈奎斯特频率的成分滤掉，问题就解决了。
实际工程中，我们通常不会卡着奈奎斯特频率用。比如人耳能听到20kHz，CD采样率选44.1kHz而不是40kHz，就是为了留出过渡带，让抗混叠滤波器更容易设计。我建议你记住这个经验法则：采样率至少是信号最高频率的2.5倍，这样比较安全。
// 一个简单的混叠演示（伪代码）
// 假设采样率 fs = 1000 Hz，奈奎斯特频率 = 500 Hz
// 输入一个 600 Hz 的信号（高于奈奎斯特频率）
// 采样后，这个信号会被“折叠”到 400 Hz（fs - 600 = 400 Hz）
float fs = 1000.0;
float f_signal = 600.0; // 原始信号频率
float t = 0.0;
for (int n = 0; n < 100; n++) {
t = n / fs;
float sample = sin(2 * PI * f_signal * t);
// 实际听到的会是 400 Hz 的信号，而不是 600 Hz
printf("采样点 %d: %f\n", n, sample);
}
1.5 知识体系总览
下面这张图总结了本章的核心知识结构。我建议你把它当作一个思维导图来记——每个概念都不是孤立的，它们之间有着紧密的逻辑关系。
这张图从中心向外展开：先理解声音的三大物理属性，然后掌握时域和频域两种分析视角，接着学习如何把模拟信号数字化（采样、量化、奈奎斯特频率），最后延伸到工程中会遇到的关键问题（混叠、抗混叠滤波、FFT）。每一层都是下一层的基础，环环相扣。
学习建议：这一章的概念比较多，但别急着一次性全记住。我的方法是：先理解“频率、振幅、相位”这三个词到底在说什么，然后搞清楚“采样率不够高会发生什么”。这两个点抓住了，后面的内容自然就串起来了。
好了，第一章的内容就到这里。这些基础概念会贯穿整个课程，后面每一章都会用到。如果你现在觉得有些地方还不太清楚，没关系——先有个印象，等后面用到的时候再回来翻翻，效果会更好。