1. 语音信号基础：声音的物理特性与数字信号处理入门
各位同学，欢迎来到《语音算法核心原理解析》的第一章。
说实话，做语音算法这些年，我见过太多人一上来就扎进深度学习模型里，结果连最基本的采样率、量化位数都搞不清楚。嗯，这就像盖楼不打地基——迟早要塌。今天我们就从最底层开始，把声音的物理本质和数字化的过程彻底讲明白。
1.1 声音的物理三要素：频率、振幅、相位
声音是什么？说白了就是空气的振动。这种振动传到我们耳朵里，大脑就把它解读成了声音。描述这种振动，只需要三个物理量：频率、振幅、相位。
核心概念速查：
- 频率（Frequency）：每秒振动的次数，单位 Hz。频率决定音高。人耳能听到的范围大约是 20 Hz ~ 20 kHz。
- 振幅（Amplitude）：振动的幅度大小，决定音量（响度）。振幅越大，声音越响。
- 相位（Phase）：振动在某个时刻所处的状态，单位是角度（°）或弧度（rad）。相位本身人耳不敏感，但多路声音的相位差会影响叠加效果。
我记得刚入行时，有个项目要做多麦克风阵列的波束成形。当时怎么调都调不好，最后发现是相位计算差了 180 度——两个麦克风的信号直接抵消了。你想想看，如果连相位都搞不清楚，这种问题你排查三天都未必能找到原因。
1.2 从模拟到数字：采样、量化、编码
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？三步走：采样、量化、编码。
1.2.1 采样（Sampling）
采样就是每隔一段时间，记录一次信号的瞬时值。这个时间间隔的倒数就是采样率。
我的经验：语音算法里最常见的采样率是 16 kHz（每秒 16000 个采样点）。为什么是 16 kHz？因为人声的主要能量集中在 8 kHz 以下，根据奈奎斯特定理，采样率至少要是最高频率的两倍。16 kHz 刚好覆盖 8 kHz 带宽，留了点余量。
这里有个经典问题：采样率太低会怎样？——混叠（Aliasing）。高频信号会被错误地映射成低频信号，听起来就是失真。我曾经在一个语音唤醒项目里，因为 ADC 的采样率设置错了，导致“你好”的“好”字高频部分全被折叠到了低频，模型死活识别不出来。排查了整整两天，最后发现是采样率配置少了个 0。
1.2.2 量化（Quantization）
采样得到了时间上离散的点，但每个点的幅度还是连续的。量化就是把连续的幅度值，映射到有限个离散的等级上。
量化位数（Bit Depth）决定了等级数量：
| 量化位数 | 等级数 | 动态范围（dB） | 典型应用 |
|---|---|---|---|
| 8 bit | 256 | ~48 dB | 早期电话、对讲机 |
| 16 bit | 65536 | ~96 dB | CD 音质、语音算法标准 |
| 24 bit | 16777216 | ~144 dB | 专业录音、后期制作 |
避坑指南：量化位数不是越高越好。16 bit 对于语音算法来说已经足够。我曾经见过有人用 24 bit 做语音识别，结果模型训练时间翻倍，精度几乎没有提升。算力是有成本的，别浪费在不需要的地方。
1.2.3 编码（Encoding）
量化之后，每个采样点就是一个整数。编码就是把这些整数按照某种格式存储或传输。最常见的格式是 PCM（脉冲编码调制），也就是直接把量化后的数值按顺序存起来。
举个例子，一段 16 kHz、16 bit、单声道的 PCM 音频，每秒的数据量就是：
16000 采样/秒 × 2 字节/采样 × 1 声道 = 32000 字节/秒 ≈ 31.25 KB/s这个数据量其实不小。所以后来才有了各种压缩编码，比如 μ-law、A-law、Opus 等。但那是后面章节的内容，今天先把 PCM 搞明白。
1.3 时域与频域：看声音的两个视角
同一个声音信号，我们可以从两个完全不同的角度去看它：时域和频域。
- 时域（Time Domain）：横轴是时间，纵轴是幅度。我们看到的是一条随时间变化的波形曲线。
- 频域（Frequency Domain）：横轴是频率，纵轴是幅度（或能量）。我们看到的是信号由哪些频率成分组成。
时域直观，但信息量有限。比如一段语音里混入了 50 Hz 的工频噪声，你在时域波形上几乎看不出来，但在频域里一目了然——50 Hz 处会多出一根明显的谱线。
怎么从时域变到频域？最核心的工具就是傅里叶变换（Fourier Transform）。
一句话理解傅里叶变换：任何一个时域信号，都可以分解成若干个不同频率、不同幅度、不同相位的正弦波的叠加。傅里叶变换就是帮我们找出这些正弦波的“配方”。
实际算法里，我们用的是离散傅里叶变换（DFT）和它的快速版本 FFT。FFT 把计算复杂度从 O(N²) 降到了 O(N log N)，这才让实时语音处理成为可能。
我建议你记住这个公式（不用背，理解就行）：
X[k] = Σ x[n] · e^(-j·2π·k·n / N) (n = 0 to N-1)其中 x[n] 是时域采样点，X[k] 是频域的第 k 个频率分量。N 是 FFT 点数，通常取 512、1024 或 2048。
1.4 本章知识体系总览
下面这张图，把本章的核心知识点串在了一起。我建议你多看几遍，把每个节点之间的关系理清楚。
1.5 本章小结
这一章我们讲了三个核心内容：
- 声音的物理三要素：频率、振幅、相位。这是理解一切语音算法的基础。
- 数字化的三个步骤：采样、量化、编码。记住 16 kHz / 16 bit / PCM 这个黄金组合。
- 时域与频域：两个视角看信号，FFT 是连接它们的桥梁。
说实话，这些内容看起来简单，但真正吃透的人并不多。我见过不少做了两三年语音算法的工程师，遇到噪声问题还是只会调模型参数，根本想不到先去频域看看噪声的分布。嗯，基础打牢了，后面的路才能走得稳。