声学链路基础：声音的采集与播放原理
做音频延迟诊断，你得先搞清楚声音是怎么进到设备里，又是怎么出来的。说白了，就是摸清这条声学链路的每一个环节。我见过不少工程师，一上来就追着网络延迟猛查，结果问题出在声卡驱动上——白忙活半天。
所以这一章，咱们把基础打牢。声音的采集与播放、模拟与数字的转换、采样率与位深度，这些概念搞透了，后面诊断延迟才能指哪打哪。
声音的采集与播放：从声波到电信号
声音的本质是机械波。它通过空气传播，撞到麦克风的振膜上。振膜一振动，就把声能转成了电能。这个过程叫声电转换。
我习惯把麦克风分成两类：
- 动圈式：结构简单，结实耐用。适合现场演出，但灵敏度偏低。
- 电容式：灵敏度高，频响宽。录音棚里常见，但需要外部供电（幻象电源）。
播放端刚好反过来。扬声器里的音圈通上电信号，产生磁场，推动振膜振动，再把电能变回声波。嗯，这里要注意：扬声器的振膜有惯性，不可能瞬间启动和停止。这个惯性，就是延迟的一个物理来源。
关键认知：从麦克风振膜振动，到扬声器振膜发声，整个物理过程本身就有延迟。虽然通常只有几微秒到几十微秒，但在高精度测量场景下，不能忽略。
模拟信号与数字信号转换
麦克风出来的是模拟信号——连续变化的电压。但计算机只认0和1。所以必须做转换。这个转换芯片叫ADC（模数转换器）。反过来，播放时用DAC（数模转换器）。
我曾在项目中遇到过一个问题：某款USB声卡在48kHz采样率下表现正常，但切到96kHz就出现周期性爆音。查了半天，发现是ADC的时钟抖动过大。时钟不稳，转换出来的数字信号就全是坑。
ADC的工作流程大致分三步：
- 采样：按固定时间间隔，读取模拟信号的瞬时电压值。
- 量化：把采样到的电压值，归到最近的离散电平上。
- 编码：把量化后的电平值，转成二进制数据。
DAC就是反过来：把二进制数据转成阶梯状的模拟电压，再通过低通滤波器平滑成连续波形。
避坑指南：我曾经调试一个VoIP系统，发现远端声音总是发闷。查到最后，是DAC后面的低通滤波器截止频率设得太低了。滤波器会引入群延迟，频率越低延迟越大。所以，别光盯着采样率，滤波器设计也是延迟大户。
采样率与位深度
这两个参数，决定了数字音频的质量和延迟特性。
采样率
采样率就是每秒采样的次数，单位是Hz。根据奈奎斯特定理，采样率必须大于信号最高频率的两倍，才能无失真地重建信号。
常见的采样率有：
| 采样率 | 常见用途 | 最高可还原频率 |
|---|---|---|
| 8 kHz | 电话语音 | 4 kHz |
| 44.1 kHz | CD音质 | 22.05 kHz |
| 48 kHz | 影视、专业音频 | 24 kHz |
| 96 kHz | 高采样率录音 | 48 kHz |
你想想看，采样率越高，单位时间内采集的数据点就越多。这直接影响了缓冲区大小和处理延迟。我个人习惯，在实时通信场景下，优先用48kHz。它比44.1kHz多了一点频率余量，又不像96kHz那样对CPU和带宽压力那么大。
位深度
位深度决定了每个采样点的精度。它直接影响了动态范围和信噪比。
- 16-bit：动态范围约96 dB。CD标准，够用。
- 24-bit：动态范围约144 dB。录音和混音常用，余量足。
- 32-bit float：动态范围理论上无限大。后期处理时不怕过载，但文件体积大。
位深度对延迟的影响，不像采样率那么直接。但它会影响数据量。数据量大了，传输和处理时间就会变长。我在做嵌入式音频系统时，为了省那几百微秒的延迟，硬是把24-bit降到了16-bit。效果立竿见影。
经验之谈：如果你在做低延迟音频应用，比如网络K歌或远程演奏，建议用48kHz采样率 + 16-bit位深度。这个组合在延迟和音质之间，平衡得最好。别盲目追求高规格，延迟才是实时场景的第一敌人。
核心知识体系
下面这张图，把本章的核心逻辑串起来了。从声波到数字信号，再到播放输出，每个环节都可能引入延迟。
从这张图可以看得很清楚：声音从采集到播放，经历了声→电→数→电→声的完整链路。每一个转换节点，都是潜在的延迟来源。我建议你把这个图记在脑子里，以后排查延迟问题时，就按这个链路逐级往下查。