1. 声音的物理基础：频率、振幅、相位、声波传播特性

各位同学，欢迎来到《声学特征提取从零到实战》的第一章。

说实话，很多做音频的工程师，上来就撸代码、调参数，结果模型效果不好，根本不知道问题出在哪。我见过太多这种情况了。说白了，就是物理基础没打牢。

这一章，我们就来聊聊声音最底层的四个物理量：频率、振幅、相位，以及声波怎么传播。这些东西，你搞懂了，后面做特征提取才能心里有数。

声音是什么？说白了，就是物体振动，带动周围的空气分子一推一挤，形成疏密相间的波，传到我们耳朵里。

你想想看，敲一下桌子，桌面在振动，空气分子被推开又弹回来，这个扰动就像多米诺骨牌一样传出去。这就是声波。

声波是纵波，什么意思？就是振动方向和传播方向是平行的。空气分子前后摆动，能量沿着这个方向传出去。这和绳子上下抖动的横波不一样，别搞混了。

核心要点：没有介质，声音就传不了。真空中是听不到声音的。我在项目中遇到过有人问“太空飞船爆炸为什么有巨响”，嗯，那是电影特效，物理上不成立。

频率，单位是赫兹（Hz），表示物体每秒振动的次数。振动越快，频率越高，声音就越“尖”；振动越慢，频率越低，声音就越“沉”。

人耳能听到的频率范围，大概是 20 Hz 到 20,000 Hz。但这是理想情况。我年纪大了，现在 15 kHz 以上基本就听不见了，这是正常的生理退化。

避坑指南：做语音识别时，采样率一般设 16 kHz，因为人声能量主要集中在中低频。但做音乐分析，采样率至少 44.1 kHz，否则高频泛音全丢了。我曾经有个项目，用 8 kHz 采样率做乐器分类，结果模型死活学不好高频特征，后来才发现是采样率设低了。

振幅，说白了就是振动的幅度。振幅越大，声音越响；振幅越小，声音越轻。

但这里有个坑：人耳对响度的感知不是线性的。你让振幅翻一倍，人耳感觉到的音量并没有翻倍。所以工程上我们常用分贝（dB）来表示声压级。

分贝的计算公式很简单：

dB = 20 * log10(P / P_ref)

其中 P 是声压，P_ref 是参考声压（通常取 20 μPa，也就是人耳刚好能听到的最小声压）。

我建议你记住几个典型值：

注意：分贝是相对值，不是绝对值。你看到“-3 dB”时，意思是功率降到了一半。在数字音频里，0 dB 通常代表满量程，超过 0 dB 就会削波失真。嗯，这里要注意，录出来的波形如果顶部被削平了，那就是过载了，数据就废了。

相位这个概念，很多人觉得抽象。其实很简单：相位就是描述振动在某个时刻处于什么位置。

一个完整的振动周期是 360° 或 2π 弧度。0° 是起始点，90° 是波峰，180° 是过零点，270° 是波谷，360° 又回到起点。

相位本身不产生声音，但相位差决定了声音叠加后的效果。两个同频率的声波，如果相位相同（0° 差），振幅会叠加，声音变响；如果相位相反（180° 差），振幅会抵消，声音变弱甚至消失。

我在项目中遇到过一件事：做麦克风阵列时，两个麦克风距离没算好，结果某些频率的声波到达两个麦克风时刚好反相，信号直接抵消了。找了好久才发现是相位问题。

关键点：相位差是声源定位、波束成形、降噪算法的核心基础。你后面学这些内容时，会反复用到这个概念。

声波在空气中传播，不是直线走的。它会反射、折射、衍射、干涉。这些特性决定了我们在真实环境中录到的声音是什么样的。

声速在空气中大约是 343 m/s（20°C 时）。温度每升高 1°C，声速增加约 0.6 m/s。这个值在计算延时和定位时很常用。

个人经验：做室内声学处理时，我习惯先算一下房间的混响时间。混响太长，语音清晰度会下降；混响太短，声音又太“干”。一般语音通信场景，混响时间控制在 0.3-0.5 秒比较合适。

下面这张图，把本章的核心知识点串起来了。你可以把它当作一个思维导图来用。

这一章，我们讲了声音的四个核心物理量：

这些概念，你后面做特征提取时会反复用到。比如，梅尔频率倒谱系数（MFCC）就是基于人耳对频率的非线性感知设计的；短时傅里叶变换（STFT）同时包含了频率和相位信息；而波束成形算法，本质上就是在利用相位差来增强目标方向的声音。