声学基础回顾：声音的物理特性、时域与频域表示、采样定理与量化噪声
做语音算法落地，说白了就是跟声音打交道。但很多人一上来就调模型、跑代码，结果遇到杂音问题就抓瞎。我见过不少团队，模型在实验室跑得挺好，一上设备就崩——根源往往不是算法不行，而是连声音的基本特性都没搞清楚。
这一节，咱们把声学基础过一遍。别嫌基础，这些概念在杂音处理里天天要用到。
声音的物理特性：频率、振幅与相位
声音的本质是什么？是机械振动在介质中的传播。你对着麦克风说话，声带振动，空气分子被推来推去，形成疏密波。麦克风把这种气压变化转成电信号，ADC 再把它变成数字信号。
描述一个声音信号，有三个核心物理量：
- 频率（Frequency）：单位时间内振动的次数，单位 Hz。人耳能听到的大约是 20 Hz 到 20 kHz。语音信号的能量主要集中在 300 Hz 到 3.4 kHz 这个范围——这也是电话语音的带宽由来。
- 振幅（Amplitude）：振动的幅度，决定了声音的响度。在数字信号里，振幅对应采样值的幅度。
- 相位（Phase）：振动在时间轴上的起始位置。很多人觉得相位不重要，其实不然。在波束形成、回声消除这些场景里，相位信息是命根子。
避坑指南：我曾经在一个麦克风阵列项目里，因为忽略了相位一致性校准，导致波束形成算法出来的指向性完全不对。后来花了整整两天排查，才发现是两路 ADC 的采样时钟有微小偏差。所以，做多通道语音处理时，相位对齐是第一道坎。
时域表示：波形图里能看出什么？
时域表示最简单——横轴是时间，纵轴是振幅。你录一段语音，用 Python 的 matplotlib 画出来，就是一条上下起伏的曲线。
时域波形能告诉我们什么？
- 能量分布：振幅大的地方能量高，比如元音部分；振幅小的地方可能是清辅音或静音段。
- 周期性：浊音（元音、鼻音）有明显的周期性，周期对应基频（F0）。清音（如 /s/、/ʃ/）则像噪声，没有明显周期。
- 突发噪声：关门声、敲桌子声，在时域上表现为一个尖锐的脉冲。
但时域有个致命缺点——你看不出频率成分。一个 100 Hz 的正弦波和一个 1000 Hz 的正弦波，在时域上都是正弦曲线，只是疏密不同。人眼很难从波形里分辨出频率信息。这就引出了频域表示。
频域表示：傅里叶变换与频谱
傅里叶变换告诉我们：任何时域信号都可以分解成不同频率的正弦波之和。这个思想太重要了。在杂音处理里，我们经常要把信号从时域变到频域，看看哪些频率上有噪声，然后有针对性地处理。
离散傅里叶变换（DFT）的公式长这样：
X[k] = Σ_{n=0}^{N-1} x[n] · e^{-j·2π·k·n/N}实际工程里没人手写 DFT，都用快速傅里叶变换（FFT）。Python 里用 numpy.fft.fft 就行。
我的习惯：做语音增强时，我一般用 512 点或 1024 点的 FFT，帧长 20-30 ms，帧移 10 ms。这个参数组合在频域分辨率和时间分辨率之间比较平衡。你想想看，帧太长频域分辨率好，但时域上跟不上语音的快速变化；帧太短又看不清频率细节。
频谱图（Spectrogram）是时频分析的利器。横轴是时间，纵轴是频率，颜色深浅代表能量大小。从频谱图上，你能一眼看出语音的基频谐波结构、共振峰位置，以及噪声分布在哪些频段。
采样定理：奈奎斯特频率与混叠
把模拟信号变成数字信号，第一步就是采样。采样定理（奈奎斯特-香农定理）说：采样频率必须大于信号最高频率的两倍，否则会发生混叠。
用公式表达：
f_s > 2 · f_max其中 f_s 是采样率，f_max 是信号中的最高频率成分。
混叠是什么？就是高频成分“伪装”成了低频成分，混进你的信号里。一旦混叠发生，就再也分不开了。我见过有人用 8 kHz 采样率去录包含 5 kHz 成分的信号，结果 5 kHz 的信号被“折叠”到了 3 kHz 的位置，听起来完全变味了。
| 应用场景 | 常用采样率 | 有效带宽 |
|---|---|---|
| 电话语音 | 8 kHz | 0 - 3.4 kHz |
| 宽带语音 | 16 kHz | 0 - 7.2 kHz |
| 高保真音频 | 44.1 kHz / 48 kHz | 0 - 20 kHz |
注意：采样前必须加抗混叠滤波器（低通滤波器），把高于 f_s/2 的频率成分滤掉。我见过有人为了省成本省掉这个滤波器，结果混叠噪声让整个语音增强系统直接报废。这个钱不能省。
量化噪声：精度与信噪比
采样之后是量化——把连续的振幅值映射到离散的量化电平上。量化会引入误差，这个误差就是量化噪声。
量化噪声的功率跟量化步长有关。对于均匀量化，量化噪声的信噪比（SNR）近似为：
SNR ≈ 6.02 · B + 1.76 dB其中 B 是量化位数。每增加 1 位，信噪比提升约 6 dB。
常见的量化位数：
- 8 位：信噪比约 50 dB，用于早期电话或对讲机，音质粗糙。
- 16 位：信噪比约 98 dB，CD 音质，也是语音处理最常用的格式。
- 24 位：信噪比约 146 dB，录音棚级别，动态范围极大。
在杂音处理里，量化噪声本身也是一种噪声。如果你的信号动态范围很大（比如安静环境下的微弱语音），量化噪声可能会淹没掉信号的低电平部分。这就是为什么做语音增强时，我建议至少用 16 位量化，条件允许的话用 24 位。
我的经验：有一次做远场语音识别，麦克风离说话人 5 米远，信号非常微弱。用 16 位量化时，量化噪声已经把语音的细节吃掉了。换成 24 位 ADC 后，信噪比明显改善，识别率从 62% 提到了 81%。所以，量化位数不是越高越好，但太低肯定不行。
知识体系总览
下面这张图把这一节的核心概念串起来了。从声音的物理特性出发，经过时域和频域两种表示方式，再到数字化的两个关键步骤——采样和量化。每一步都有对应的工程陷阱和注意事项。
这张图把整个知识链条理清楚了。从物理特性到两种表示方式，再到数字化的两个关键步骤，最后落到工程要点上。做杂音处理时，你遇到的每一个问题，几乎都能在这个链条上找到根因。