1. 音频基础与数字信号入门

各位同学，欢迎来到《声学特征提取部署实践》的第一章。

做音频算法这些年，我见过不少工程师一上来就调模型、跑特征，结果遇到采样率不匹配、量化噪声爆炸的问题，debug 到怀疑人生。说白了，声学特征提取的根基，就是今天要聊的这些基础概念。你把这些搞透了，后面部署模型时才能心里有底。

1.1 声音的物理特性

声音的本质是什么？是振动。声源振动，挤压空气分子，形成疏密波，传到我们耳朵里。

描述一个声音，通常看三个物理量：

• 频率（Frequency）：每秒振动的次数，单位 Hz。频率越高，音调越高。人耳能听到的范围大约是 20 Hz – 20 kHz。
• 幅度（Amplitude）：振动的强弱，决定音量大小。通常用声压级（SPL, dB）表示。
• 相位（Phase）：振动在时间轴上的起始位置。虽然人耳对相位不敏感，但在阵列信号处理中，相位差是定位声源的关键。

我记得刚入行时，有个项目要做远场语音唤醒。麦克风阵列的相位校准没做好，结果 beamforming 出来的信号还不如单麦。嗯，从那以后我再也不敢轻视相位了。

1.2 采样定理

模拟信号是连续的，计算机只能处理离散的数值。怎么把连续信号变成离散点？采样。

这里有个黄金法则——奈奎斯特-香农采样定理：

如果模拟信号的最高频率为 f_max，那么采样频率 f_s 必须满足 f_s > 2 × f_max，才能无失真地重建原始信号。

为什么会这样？你想想看，采样其实是用离散点去“拟合”连续波形。如果采样太慢，高频成分会被“伪装”成低频，这就是混叠（Aliasing）。

实际工程中，我习惯把采样率设为最高频率的 2.5 – 3 倍，留出过渡带余量。比如语音信号最高 8 kHz，我会用 22.05 kHz 或 24 kHz 采样。

1.3 量化与编码

采样把时间轴离散化了，但每个采样点的幅度还是连续的。量化就是把这些连续幅度值映射到有限个离散等级上。

量化有两个关键参数：

• 量化位数（Bit Depth）：比如 16-bit 有 65536 个等级，24-bit 有 16777216 个等级。位数越高，动态范围越大，量化噪声越低。
• 量化噪声：量化误差本质上是一种噪声。每增加 1 bit，信噪比提升约 6 dB。16-bit 的理论动态范围是 96 dB。

量化位数	等级数	理论动态范围	常见应用
8-bit	256	48 dB	早期电话、低端对讲
16-bit	65536	96 dB	CD 音质、语音识别
24-bit	16777216	144 dB	专业录音、高动态音频
32-bit float	约 4.3e9	理论无限	音频处理内部计算

编码则是把量化后的数值用二进制表示。常见的编码方式有：

• PCM（脉冲编码调制）：最原始、最直接的编码方式，WAV 文件常用。
• μ-law / A-law：非线性编码，在低比特率下保持语音清晰度，电话系统里用得很多。
• 浮点编码：32-bit float 或 64-bit double，用于高精度中间计算。

1.4 奈奎斯特频率

奈奎斯特频率就是采样频率的一半，即 f_N = f_s / 2。它是系统能无混叠处理的最高频率。

举个例子：CD 音质的采样率是 44.1 kHz，奈奎斯特频率就是 22.05 kHz。人耳上限约 20 kHz，所以 CD 能完整覆盖人耳听觉范围。

但在实际系统中，我们不会让信号刚好到奈奎斯特频率。因为抗混叠滤波器不是理想砖墙，会有过渡带。我一般会留 10% – 20% 的余量。

1.5 本章知识体系

下面这张图把今天讲的核心概念串起来了。你可以把它当作一张“音频数字化路线图”。

从模拟声波到数字音频，经历了采样、量化、编码三步。每一步都有对应的理论约束：采样受奈奎斯特频率限制，量化受位数和噪声限制，编码受平台和精度限制。把这些搞清楚了，后面做特征提取时，你就能知道哪些参数能调、哪些不能动。