1. 声音的本质：从物理到数字的第一步

各位同学好，我是这门课的主讲。做了十几年声学特征提取，我越来越觉得——理解声音的本质，比会调任何模型都重要。今天咱们就从最根儿上的东西聊起。

1.1 声波到底是什么？

声音说白了就是振动。你敲桌子，桌子在振；你说话，声带在振。这些振动通过空气分子一个传一个，最后传到我们耳朵里。我刚开始学的时候总觉得这概念太虚，直到有一次在消声室做实验——那地方安静得能听见自己心跳，我才真正体会到：声音就是空气分子在跳舞。

描述这段舞蹈，有三个核心参数：

• 频率：每秒振多少次，单位是赫兹（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。我做过一个项目，客户非要用超声波做语音唤醒，结果发现麦克风阵列根本收不到——嗯，这就是没搞懂频率范围。
• 振幅：振动的幅度，决定了声音的响度。振幅越大，声音越响。但注意，人耳对响度的感知不是线性的，这个后面会细讲。
• 相位：振动在时间轴上的位置。两个同频声波，相位不同，叠加后可能增强也可能抵消。我在做麦克风阵列波束成形时，相位差算错1度，整个方向图就歪了——血的教训。

1.2 时域与频域——看声音的两个视角

同一个声音，你可以从两个完全不同的角度去看它。

时域：横轴是时间，纵轴是振幅。这就是我们最常见的波形图。我早期做语音识别时，整天盯着波形看，试图从波形里找出音素的规律——后来发现这基本是徒劳。波形里信息太杂了，人眼根本看不出来。

频域：横轴是频率，纵轴是能量（或幅度）。这就是频谱图。频域告诉我们：这个声音里包含了哪些频率成分，每个成分有多强。你想想看，一个钢琴的中央C和一个小提琴的中央C，波形完全不同，但频谱里基频都是261.6Hz——这就是频域的魅力。

时域和频域之间怎么转换？傅里叶变换。这个后面会专门讲，今天先记住一句话：时域是表象，频域是本质。

1.3 采样定理——模拟到数字的桥梁

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）。怎么把连续的变成离散的？采样。

采样有个铁律，叫奈奎斯特采样定理：采样频率必须大于信号最高频率的两倍，否则会发生混叠。

举个例子：人声最高频率大概8kHz，那采样率至少得16kHz。CD音质的44.1kHz是怎么来的？人耳上限20kHz，44.1kHz刚好大于两倍，再留点余量。

应用场景	常用采样率	最高频率	说明
电话语音	8 kHz	4 kHz	够用，但音质差
语音识别	16 kHz	8 kHz	行业标准
音乐CD	44.1 kHz	22.05 kHz	覆盖人耳范围
高清音频	96 kHz	48 kHz	留足余量

1.4 量化——把连续值变成离散值

采样解决了时间上的离散化，但每个采样点的幅度还是连续的。量化就是把这些连续的幅度值，映射到有限个离散的等级上。

量化精度用位深表示。16位量化就是2^16=65536个等级，24位就是16777216个等级。位深越高，动态范围越大，信噪比越高。

量化会引入量化噪声。这个噪声的功率跟量化步长有关，步长越小噪声越小。我做过一个实验：同样的信号，16位量化后做特征提取，跟32位浮点比，MFCC的前几维系数差了不到0.1dB——但到了高维系数，误差就明显了。所以如果你做精细的声学分析，建议用24位或32位浮点。

1.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了。我建议你把它存下来，后面每学一章都回来对照一下。

1.6 本章小结

这一章我们聊了三个核心问题：

1. 声音是什么——频率、振幅、相位三个物理量决定了声音的全部信息。
2. 怎么看声音——时域直观但信息杂乱，频域抽象但揭示本质。两者通过傅里叶变换连接。
3. 怎么存声音——采样定理决定了采样率的下限，量化决定了精度的上限。这两个参数选错了，后面再怎么处理都救不回来。