4、AAC编码进阶：AAC编码器架构、MDCT变换、TNS工具、AAC与MP3对比
好，咱们继续深入。上一章我们把AAC的基础概念和编码流程捋了一遍，算是入了门。但说实话，真正让AAC在音质上甩开MP3的，是它内部那几个核心模块的设计。今天我们就来拆开看看，AAC编码器到底是怎么工作的，以及它和MP3的差距到底在哪。
4.1 AAC编码器整体架构
先看一张总图，把AAC编码器的骨架搭起来。我个人习惯把编码器分成三个大块：时频变换模块、心理声学模型、量化与编码模块。它们之间是流水线关系，但心理声学模型会反过来指导量化过程。
这张图里有个关键点：心理声学模型和MDCT是并行工作的。MDCT把音频从时域变到频域，心理声学模型则分析原始PCM，算出每个频段的掩蔽阈值。量化器拿到这两份信息，才知道哪些频率分量可以粗量化，哪些必须精细保留。
核心要点：AAC的编码质量，很大程度上取决于心理声学模型的精度。模型算得准，码率就能省下来，音质还不掉。
4.2 MDCT变换——AAC的时频转换核心
MDCT（改进型离散余弦变换）是AAC的看家本领。它和MP3用的MDCT其实同源，但AAC在实现上做了几个关键优化。
4.2.1 MDCT的基本原理
说白了，MDCT就是把一段音频信号，从随时间变化的波形，变成随频率变化的频谱。它有几个特点：
- 重叠处理：相邻帧有50%的重叠，消除块边界处的“咔嗒”声
- 时域混叠消除（TDAC）：编码时故意引入混叠，解码时再消除，保证完美重建
- 临界采样：N个输入样本产生N/2个频域系数，没有数据冗余
我记得刚接触MDCT时，被那个TDAC绕得晕头转向。后来自己动手写了个小解码器，才真正理解——编码器加窗后做MDCT，解码器做IMDCT再加窗，两次加窗的混叠正好抵消。嗯，这个设计真的很巧妙。
4.2.2 AAC的块切换策略
AAC支持两种块类型：长块（2048点）和短块（256点）。长块频率分辨率高，适合平稳信号；短块时间分辨率高，适合瞬态信号（比如打击乐、爆破音）。
编码器会动态检测信号特性，在长块和短块之间切换。切换时有个过渡块，避免块边界产生噪声。我在项目中遇到过一个问题：某段钢琴录音，编码器频繁在长块和短块之间切换，导致码率波动很大。后来调整了切换阈值，才稳定下来。
| 块类型 | 样本点数 | 频率分辨率 | 时间分辨率 | 适用场景 |
|---|---|---|---|---|
| 长块 | 2048 | 高 | 低 | 人声、弦乐、平稳背景 |
| 短块 | 256 | 低 | 高 | 打击乐、瞬态、爆破音 |
| 起始块 | 2048 | — | — | 长块→短块过渡 |
| 停止块 | 2048 | — | — | 短块→长块过渡 |
实战建议：如果你在做实时编码器，块切换的决策延迟很关键。短块虽然能抓住瞬态，但会降低编码效率。我一般建议：只有在检测到明显瞬态（比如能量突变超过6dB）时才切短块，其他情况尽量用长块。
4.3 TNS工具——时域噪声整形
TNS（Temporal Noise Shaping）是AAC里一个容易被忽视但非常重要的工具。它的作用，是把量化噪声在时域上“整形”，让噪声集中在信号的掩蔽区内。
4.3.1 TNS的工作原理
你想想看，普通的频域量化，噪声是均匀分布在每个频段上的。但对于某些信号（比如语音的辅音、打击乐的瞬态），噪声在时域上会“提前”或“滞后”出现，人耳就能感知到。
TNS的做法是：在频域上做线性预测，把噪声的时域包络拉平。具体来说，它对MDCT系数做LPC分析，得到一组预测系数，然后用这些系数对频谱进行滤波。解码时再做逆滤波，噪声就被“推”到了信号能量强的地方，被掩蔽掉了。
// TNS处理的简化伪代码
// 输入：MDCT系数 spec[0..N-1]
// 输出：滤波后的MDCT系数
// 1. 计算自相关
for (i = 0; i < order; i++) {
autoc[i] = 0;
for (j = i; j < N; j++) {
autoc[i] += spec[j] * spec[j - i];
}
}
// 2. 用Levinson-Durbin算法求LPC系数
lpc = levinson_durbin(autoc, order);
// 3. 对频谱进行滤波（前向或后向）
for (i = order; i < N; i++) {
pred = 0;
for (j = 1; j <= order; j++) {
pred += lpc[j] * spec[i - j];
}
spec[i] -= pred; // 残差信号
}
我曾经在一个低码率（48kbps）的AAC编码器里，发现高频段有很明显的“嘶嘶”声。折腾了好几天，最后发现是TNS没开。打开之后，嘶嘶声几乎听不到了。你看，有时候一个小工具就能解决大问题。
注意：TNS不是万能的。对于稳态信号（比如纯正弦波），TNS反而可能引入额外的噪声。AAC编码器会根据信号特性，动态决定是否启用TNS。一般建议：只在瞬态信号或高频段启用TNS。
4.4 AAC与MP3对比——差距到底在哪？
这个问题，我几乎每次培训都会被问到。说实话，AAC和MP3都是基于MDCT的感知编码，但AAC在几个关键点上做了改进。
4.4.1 核心差异对比
| 对比维度 | MP3 | AAC | 我的评价 |
|---|---|---|---|
| 变换长度 | 576/192点 | 2048/256点 | AAC频率分辨率更高，低频更准 |
| 窗函数 | 混合窗（正弦/矩形） | KBD窗/正弦窗 | AAC的KBD窗旁瓣衰减更好 |
| 心理声学模型 | 模型1/模型2 | 更精确的掩蔽模型 | AAC在高频段掩蔽计算更准 |
| 编码工具 | 立体声耦合、比特池 | TNS、PNS、SBR、PS | AAC工具链更丰富 |
| 采样率支持 | 最高48kHz | 最高96kHz | AAC支持高清音频 |
| 码率效率 | 128kbps基本透明 | 96kbps基本透明 | 同等音质，AAC省30%码率 |
4.4.2 实际听感差异
我个人做过盲听测试：同一段音乐，MP3 128kbps vs AAC 96kbps。结果是，大部分听众觉得AAC的音质更好，尤其是在高频细节和瞬态响应上。为什么会这样？
- 高频更干净：AAC的MDCT块更长，频率分辨率更高，高频量化噪声更少
- 瞬态更准：AAC的短块切换更灵活，打击乐不会“糊”
- 立体感更强：AAC的立体声编码更先进，声场更宽
但MP3也不是一无是处。它的兼容性太好了，几乎所有设备都支持。而且，MP3在低码率（64kbps以下）的表现，其实和AAC差距不大。嗯，这里要注意：如果你在做流媒体服务，码率低于64kbps时，用AAC HE（SBR+PNS）才是正解。
一句话总结：同等码率下，AAC音质优于MP3；同等音质下，AAC码率比MP3低30%左右。但MP3的兼容性优势，在短期内仍然无法替代。
4.5 本章小结
这一章我们拆解了AAC编码器的核心架构，重点讲了MDCT的块切换策略、TNS的噪声整形原理，以及AAC和MP3的对比。说白了，AAC之所以能成为主流，靠的是更精细的时频分析、更智能的噪声控制，以及更丰富的编码工具集。