1. 音频信号基础：声音的物理特性与数字化的第一课

各位同学，欢迎来到《音频特征提取与前端处理》的第一章。我是这门课的主讲，做了十几年音频处理，踩过不少坑，也积累了一些经验。今天咱们就从最基础的东西聊起——声音到底是什么，以及怎么把它变成计算机能处理的数据。

说实话，很多人觉得这部分太理论，直接跳过去学算法。我个人习惯是，先把地基打牢。你想想看，如果连频率和振幅都搞不清楚，后面做特征提取时，很容易被各种参数搞晕。

1.1 声音的物理三要素：频率、振幅、相位

声音的本质是机械振动在介质（空气、水、固体）中的传播。它有三个核心物理量，我一个个说。

频率（Frequency）

频率决定音高。单位是赫兹（Hz），表示每秒振动的次数。人耳能听到的范围大约是20Hz到20kHz。低于20Hz叫次声波，高于20kHz叫超声波。

我在项目中遇到过一个典型问题：采集语音时，麦克风频响范围不够，导致高频成分丢失，语音听起来闷闷的。后来换了一款频响到22kHz的麦克风，问题才解决。

振幅（Amplitude）

振幅决定响度。振幅越大，声音越响。但要注意，人耳对响度的感知不是线性的，而是对数关系。所以我们在工程中常用分贝（dB）来表示相对响度。

相位（Phase）

相位描述振动在时间轴上的位置。单位是弧度或度。两个同频率的信号，相位差会影响叠加后的结果。同相叠加增强，反相叠加抵消——这就是降噪耳机的基本原理。

嗯，这里要注意：相位信息在听觉上不如频率和振幅敏感，但在特征提取中，相位对某些任务（如声源定位、语音增强）至关重要。

1.2 数字音频：从连续到离散

计算机只能处理离散的数字信号。所以我们需要把连续的声波变成一串数字。这个过程分两步：采样和量化。

采样（Sampling）

采样就是在时间轴上等间隔地取点。每隔一个固定的时间间隔，记录一个振幅值。这个间隔的倒数就是采样率。

量化（Quantization）

量化是把采样得到的连续振幅值，映射到有限个离散的数值上。量化精度用位深（bit depth）表示。16位量化有65536个等级，24位有16777216个等级。

我曾经做过一个项目，为了省存储空间，把24位音频降到了8位。结果底噪明显增大，背景里全是量化噪声。从那以后，我再也不敢在关键任务上降低位深了。

1.3 奈奎斯特定理：采样率的底线

这个定理是数字音频的基石。说白了就是：采样率必须大于信号最高频率的两倍，否则会发生混叠（aliasing）。

举个例子：如果信号最高频率是10kHz，采样率至少要20kHz。低于这个值，高频成分会折叠到低频区域，产生虚假的频率分量。你想想看，本来没有的低频噪声，因为采样率不够硬生生造出来了，这多坑人。

常见的音频采样率：

• 8 kHz：电话语音，最高频率4 kHz，够用但音质差
• 44.1 kHz：CD标准，最高频率22.05 kHz，覆盖人耳
• 48 kHz：视频制作标准，兼容性好
• 96 kHz / 192 kHz：高采样率，用于专业录音和后期处理

1.4 常见音频格式对比

数字音频存储时，可以选择不同的格式。主要分两类：无损和有损。

无损格式

• WAV：微软和IBM联合开发，不压缩，数据量大。适合编辑和存档。
• FLAC：自由无损音频压缩，压缩比约50%-60%。适合存储和传输。
• ALAC：苹果的无损格式，与FLAC类似，但生态封闭。

有损格式

• MP3：最流行的有损格式，利用心理声学模型去除人耳不敏感的成分。128kbps是常见码率。
• AAC：MP3的继任者，同等码率下音质更好。YouTube、iTunes都用它。
• OGG：开源有损格式，Vorbis编码，游戏和开源软件中常见。

1.5 本章知识体系总览

下面这张图把本章的核心概念串起来了。你可以把它当作一个思维导图，方便复习。

这张图把本章内容分成了三大块：物理特性、数字化过程、奈奎斯特定理，最后汇总到常见格式对比。你可以用它来快速回顾。

好了，第一章就到这里。内容不多，但都是后面所有章节的基础。我建议你花点时间把采样、量化、奈奎斯特这几个概念彻底搞明白。后面做特征提取时，你会感谢现在的自己。