一、音频基础与采样理论

各位好，我是老张。做音频同步采集这行十几年了，踩过的坑比走过的路还多。今天咱们先聊聊最基础的东西——声音到底是个什么玩意儿，以及我们怎么把它变成计算机能处理的数字信号。

你可能会觉得基础内容没什么好讲的。但我跟你说，很多后期同步出问题，根子都在采样理论上没吃透。我见过太多项目，最后查出来是采样率设置不对，或者量化精度不够，导致时间戳对不上。嗯，咱们从头捋一遍。

1.1 声音的物理特性

声音的本质是什么？说白了就是机械振动在介质中的传播。空气分子被振源推来推去，形成疏密波，传到我们耳朵里。

描述声音有几个关键参数：

• 频率（Frequency）：每秒振动的次数，单位赫兹（Hz）。人耳能听到的大概是20Hz到20kHz。低于20Hz叫次声波，高于20kHz叫超声波。
• 振幅（Amplitude）：振动的幅度，决定了声音的响度。我们通常用分贝（dB）来表示。
• 相位（Phase）：振动在时间轴上的位置。这个在做多通道同步时特别重要，后面会细讲。
• 波长（Wavelength）：一个完整周期在空间中传播的距离。λ = v / f，v是声速（约340m/s）。

1.2 奈奎斯特定理——采样的铁律

做音频采集，第一个要记住的就是奈奎斯特定理。我当年刚入行时觉得这玩意儿就是课本上的公式，直到有一次采集超声波信号，采样率设低了，结果出来的波形完全不对……

定理本身很简单：采样频率必须大于信号最高频率的两倍。公式是：

fs > 2 × fmax

其中fs是采样频率，fmax是信号中的最高频率分量。

为什么必须这样？因为如果采样率不够，就会发生混叠（Aliasing）——高频信号会伪装成低频信号混进来，你根本分不清哪个是真的。

实际工程中，我们通常留出余量。比如CD音频用44.1kHz，理论上能覆盖20kHz，但实际会加抗混叠滤波器。我个人习惯采样率至少取信号最高频率的2.5倍。

1.3 量化与编码

采样是把时间轴离散化，量化则是把幅度轴离散化。简单说，就是把连续的电压值映射到有限的几个数字上。

量化的核心参数是位深度（Bit Depth）：

• 8位：256个量化等级。动态范围约48dB。电话语音常用。
• 16位：65536个等级。动态范围约96dB。CD标准。
• 24位：16777216个等级。动态范围约144dB。专业录音常用。
• 32位浮点：理论上动态范围极大，但实际受前端模拟电路限制。

量化会产生量化噪声。你想想看，一个连续值被硬生生截断成整数，肯定有误差。这个误差就是噪声。位深度每增加1位，信噪比提升约6dB。

编码方式也值得一说。常见的编码有：

• PCM（脉冲编码调制）：最原始的方式，直接存量化后的数值。WAV、AIFF都是PCM。
• μ-law/A-law：非线性量化，对小信号分配更多量化等级。电话系统用得多。
• 浮点编码：用科学计数法存，动态范围大，但精度在低幅度时可能不如定点。

1.4 常见音频格式对比

做同步采集，选对格式很重要。我整理了一个表格，方便你对比：

格式	编码方式	压缩类型	典型位深度	典型采样率	适用场景
WAV	PCM	无损（无压缩）	16/24/32	44.1k/48k/96k	专业录音、后期处理
AIFF	PCM	无损（无压缩）	16/24/32	44.1k/48k	苹果生态、音乐制作
FLAC	线性预测	无损（压缩）	16/24	任意	存档、分发
MP3	感知编码	有损	16（内部）	44.1k	消费级播放、网络传输
AAC	感知编码	有损	16（内部）	44.1k/48k	流媒体、视频封装

1.5 本章知识体系

下面这张图帮你理清本章的核心逻辑：

这张图把本章的知识点串起来了。从声音的物理特性出发，经过奈奎斯特定理和量化编码，最后落到格式选择上。每一步都环环相扣。

好了，这一章就到这里。记住：声音是连续的，计算机是离散的，中间的桥梁就是采样和量化。选对参数，后面少踩坑。