2、数字音频基础：量化、编码、PCM与WAV格式解析
各位好，欢迎来到第二章。上一章我们聊了声音的物理本质和采样定理，算是把「模拟」那半边讲清楚了。这一章我们正式进入数字域，看看模拟信号是怎么变成一串串0和1的。
说白了，数字音频的核心就三件事：量化、编码、封装。我做了十几年音频处理，见过太多新手在这三个环节上踩坑。尤其是量化噪声和WAV头解析，几乎是每个入门者必过的坎。咱们一个一个来拆。
2.1 量化：从连续到离散的「舍入艺术」
采样把时间轴离散化了，但每个采样点的幅度还是连续的。量化要做的，就是把这种连续幅度值映射到有限个离散等级上。
举个例子。假设一个信号幅度范围是 -1V 到 +1V，我们用 3 bit 来量化。3 bit 能表示 2³ = 8 个等级。那么每个等级覆盖的电压范围就是 (1 - (-1)) / 8 = 0.25V。
实际信号落在哪个区间，我们就用该区间的代表值（通常是中点）来近似。这个过程，本质上就是舍入。
核心公式：
量化步长 Δ = (Vmax - Vmin) / 2^N
其中 N 是量化位数，Vmax 和 Vmin 是信号幅度的上下限。
量化位数越高，步长越小，精度越高。但代价是数据量成倍增长。我记得刚入行时做过一个项目，为了省存储空间，把 24 bit 的录音强行截成 8 bit。结果回放时底噪大得吓人，背景里全是「沙沙」声——那就是量化噪声。
2.1.1 量化噪声与信噪比
量化误差是不可避免的。你想想看，一个连续值被强行「挤」到最近的离散等级上，肯定有偏差。这个偏差就是量化噪声。
对于均匀量化（也就是等步长量化），量化噪声的功率可以近似为 Δ²/12。而信号的最大功率是 (Vmax - Vmin)² / 8。两者一除，就得到了理论上的最大信噪比：
SNR ≈ 6.02N + 1.76 dB
这个公式你肯定见过。每增加 1 bit，信噪比提升约 6 dB。CD 用的是 16 bit，理论 SNR 大约是 98 dB。人耳的动态范围大概在 120 dB 左右，所以 16 bit 对于消费级音乐来说基本够用，但专业录音棚通常用 24 bit，就是为了留足余量。
我的经验： 实际量化噪声往往比理论值大 3-6 dB。原因很简单——信号不是理想的正弦波，量化器也不是理想的。做降噪滤波器设计时，我习惯把量化噪声当作一个平坦的底噪来处理，但要注意它其实和信号是相关的，不是纯白噪声。
2.2 编码：把量化值变成二进制
量化完的数值，得用二进制表示出来。这个过程就是编码。最常见的编码方式是脉冲编码调制（PCM）。
PCM 编码其实很简单：每个采样点的量化值，直接转换成对应的二进制数。比如量化值是 127（假设是 8 bit 无符号），二进制就是 01111111。
但这里有个坑——有符号 vs 无符号。音频信号是交流信号，有正有负。如果用无符号整数表示，就得加一个直流偏置。CD 用的就是有符号 16 bit 整数，范围是 -32768 到 +32767。0 值对应静音。
我见过不少新手在写 WAV 解析器时，把有符号数当无符号读，结果波形全偏了，听起来像加了直流偏移的「噗噗」声。嗯，这个坑我年轻时也踩过。
2.2.1 常见的 PCM 编码格式
| 格式 | 位数 | 表示方式 | 典型应用 |
|---|---|---|---|
| 整数 PCM | 8 / 16 / 24 / 32 | 有符号或无符号整数 | WAV、AIFF、CD |
| 浮点 PCM | 32 / 64 | IEEE 754 浮点数 | 专业音频软件内部处理 |
| A-law / μ-law | 8 | 非线性量化 | 电话语音（G.711） |
浮点 PCM 在 DSP 处理中非常常见。它的动态范围极大，几乎不用担心溢出问题。但要注意，浮点运算的精度损失和整数不同，做定点化时得小心。
避坑指南： 我曾经在移植一个浮点降噪算法到嵌入式平台时，直接用了 16 bit 整数。结果算法完全失效——因为浮点滤波器系数需要很高的精度，16 bit 根本不够。后来改用 32 bit 定点数，才勉强跑起来。所以，编码格式的选择直接影响算法性能，别想当然。
2.3 PCM 与 WAV 格式解析
PCM 是编码方式，WAV 是文件容器。WAV 基于 RIFF（Resource Interchange File Format）结构，说白了就是一块一块的数据拼在一起。
一个标准的 WAV 文件包含三个主要块：
- RIFF 头：标识文件类型，总文件大小。
- fmt 块：描述音频格式信息（采样率、位数、声道数等）。
- data 块：实际的 PCM 采样数据。
下面是一个典型的 WAV 文件头结构（44 字节）：
偏移量 长度 内容 说明
0 4 "RIFF" RIFF 标识
4 4 文件大小 - 8 整个文件减去前8字节
8 4 "WAVE" WAVE 标识
12 4 "fmt " fmt 块标识（注意有空格）
16 4 16 fmt 块大小（PCM 格式固定为16）
20 2 1 音频格式（1 = PCM）
22 2 2 声道数（1=单声道，2=立体声）
24 4 44100 采样率
28 4 176400 字节率 = 采样率 × 声道数 × 位深/8
32 2 4 块对齐 = 声道数 × 位深/8
34 2 16 位深
36 4 "data" data 块标识
40 4 数据大小 PCM 数据的总字节数
44 ... 数据开始 PCM 采样数据
这个结构我背得滚瓜烂熟。为什么？因为当年写一个实时音频播放器时，WAV 头解析错了，导致播放出来的声音全是「吱吱」的噪声。查了一整天，最后发现是 fmt 块大小字段读错了——有些软件写的不是 16，而是 18 或 40（扩展格式）。从那以后，我写解析器都会先检查 fmt 块大小，再做相应处理。
实用技巧： 解析 WAV 时，不要硬编码偏移量。应该按块结构来读：先读 4 字节块标识，再读 4 字节块大小，然后根据块大小读取块内容。这样即使遇到非标准 WAV 文件，也能正确解析。
2.4 本章知识体系
下面这张图把量化、编码、PCM 和 WAV 的关系串起来了。建议你多看几遍，理解每个环节的输入输出是什么。
2.5 小结
这一章我们走完了从模拟到数字的完整链路：采样 → 量化 → 编码 → 封装。量化决定了精度和噪声，编码决定了表示方式，WAV 则是我们最常接触的容器格式。
我个人建议，初学者最好亲手写一个 WAV 解析器。不用多复杂，能读出采样率、位深、声道数，然后把 PCM 数据打印成波形图就行。这个过程会让你对数字音频的理解深一个层次。