音频Codec原理：PCM采样与量化、时域与频域变换、心理声学模型、AAC与MP3核心差异

各位好，我是老周。今天咱们聊聊音频Codec的底层原理。说实话，很多做音视频开发的同学，调了几年Codec，却连PCM怎么变成比特流都说不清楚。这章我就把这块硬骨头啃一啃，用我这些年踩过的坑，帮你把基础打牢。

1. PCM采样与量化：数字音频的起点

PCM，全称脉冲编码调制。说白了，就是把连续的声波变成离散的数字点。你想想看，声波是连续的，但计算机只能处理0和1，怎么办？只能每隔一小段时间取一个点，再把这个点的幅度值用二进制表示出来。

采样率决定了你能记录多高的频率。根据奈奎斯特定理，采样率必须大于信号最高频率的两倍。CD用44.1kHz，就是因为人耳上限约20kHz，留点余量。量化位深决定了动态范围。16bit能表示65536个等级，理论动态范围约96dB。24bit能达到144dB。

我在项目中遇到过一个坑：某次做语音采集，用了8bit量化，结果背景噪声全被放大了。后来换成16bit，信噪比立刻改善。所以啊，量化位深不是摆设，它直接决定了你的底噪水平。

参数	常见值	适用场景	我的建议
采样率	8kHz / 16kHz	语音通话	语音用16kHz起步
采样率	44.1kHz / 48kHz	音乐、广播	音乐用44.1kHz
采样率	96kHz / 192kHz	高保真录音	除非混音，否则没必要
位深	16bit	CD、流媒体	通用标准
位深	24bit	录音、混音	后期处理留余量

2. 时域与频域变换：从波形到频谱

时域信号，就是咱们看到的波形图，横轴是时间，纵轴是幅度。但人耳对频率更敏感，所以编码时需要把时域信号转到频域。这里的关键工具就是傅里叶变换。

实际Codec里用的不是标准FFT，而是MDCT（改进型离散余弦变换）。为什么？因为MDCT能解决块边界效应。我刚开始做音频编码时，直接用FFT分块处理，结果块与块之间出现咔咔声，后来换成MDCT才搞定。

你想想看，一段音乐信号，时域上看密密麻麻，但转到频域后，你会发现大部分能量集中在少数几个频率上。这就是压缩的基础——把不重要的频率成分丢掉，只保留人耳敏感的部分。

// 伪代码：MDCT变换流程
function MDCT(input_frame) {
    // 1. 加窗（正弦窗或KBD窗）
    windowed = input_frame * window_function
    
    // 2. 50%重叠
    overlap = previous_windowed + windowed
    
    // 3. 执行MDCT变换
    spectrum = mdct_transform(overlap)
    
    return spectrum
}

3. 心理声学模型：人耳的弱点就是压缩的机会

心理声学模型，说白了就是研究人耳听不见什么。人耳不是完美的，它有各种掩蔽效应。你想想看，在一个嘈杂的酒吧里，别人小声说话你根本听不见，这就是掩蔽。

心理声学模型的核心机制：

• 绝对听阈：人耳对不同频率的敏感度不同，2kHz-4kHz最敏感，低频和高频不敏感
• 频域掩蔽：一个强信号会掩盖附近频率的弱信号
• 时域掩蔽：强信号前后一段时间内的弱信号也会被掩盖

心理声学模型的工作流程是这样的：先把音频信号分成若干子带，计算每个子带的掩蔽阈值。然后对比实际信号能量和掩蔽阈值，低于阈值的部分直接丢弃，高于阈值的部分分配更多比特。这样就能在保证听感的前提下，大幅降低码率。

4. AAC与MP3核心差异：新老两代的较量

MP3诞生于90年代初，AAC是90年代末的产物。两者都基于心理声学模型，但AAC在很多方面做了改进。我当年从MP3切换到AAC时，第一感觉就是同样码率下，AAC的声音干净多了。

对比维度	MP3	AAC	我的评价
滤波器组	混合滤波器组（32子带+MDCT）	纯MDCT（1024/960点）	AAC更简洁高效
窗函数	固定窗	正弦窗/KBD窗可选	AAC更灵活
子带数量	32个等宽子带	1024个频线（可分组）	AAC频率分辨率更高
立体声编码	MS/强度立体声	MS/强度/参数立体声	AAC效率更高
采样率支持	32/44.1/48kHz	8-96kHz	AAC覆盖更广
典型码率	128-320kbps	64-320kbps	AAC低码率优势明显

核心差异详解：

第一，滤波器组不同。MP3用了32子带的多相滤波器加MDCT的混合结构，而AAC直接用纯MDCT。这意味着AAC的频率分辨率更高，能更精细地控制每个频率成分的量化噪声。

第二，窗函数更灵活。AAC支持正弦窗和KBD窗两种，可以根据信号特性动态切换。MP3只有一种固定窗，遇到瞬态信号时容易产生预回声。

第三，立体声编码更高效。AAC除了支持MP3的MS立体声和强度立体声外，还增加了参数立体声。在低码率下，参数立体声能大幅节省比特。

5. 知识体系总览

下面这张图，我把本章的核心知识点串起来了。你对照着看，思路会更清晰。

嗯，这张图把本章的知识体系串起来了。从PCM采集开始，经过时频变换，再到心理声学模型指导量化，最后落到AAC和MP3的具体实现上。你把这个流程吃透了，后面调Codec参数时就知道该动哪里了。