2. 音频编码基础
在深入码率控制之前，必须先建立数字音频的底层认知。音频编码的本质，是将连续变化的声波（模拟信号）转换为离散的数字序列，再通过压缩算法降低存储或传输所需的数据量。而决定“原始数据量”的三个核心参数——采样率、位深度和声道数，直接构成了码率计算的基石。理解这三者如何相互作用，是后续优化码率的前提。
数字音频的生成链路与核心参数
模拟声音信号在时间上是连续、在幅度上也是连续的。数字化过程需要两步：采样（在时间轴上离散化）和量化（在幅度轴上离散化）。采样率决定每秒采集多少个时间点，位深度决定每个时间点上用多少比特来表示声音的幅度。声道数则决定同时记录几路独立的音频信号。
核心公式：未压缩音频码率（bps） = 采样率（Hz） × 位深度（bit） × 声道数
例如，CD 音质的标准参数为 44.1kHz 采样率、16bit 位深度、双声道（立体声）。其未压缩码率为：
44100 × 16 × 2 = 1,411,200 bps ≈ 1411 kbps这个 1411kbps 就是 PCM（脉冲编码调制）格式的原始码率。任何有损或无损压缩编码（如 MP3、AAC、FLAC）的目标，都是在尽量保持听感的前提下，让最终码率远低于这个值。
采样率：时间分辨率的代价
采样率决定了可还原的最高频率。根据奈奎斯特定理，采样率必须大于信号最高频率的两倍。人耳听觉范围约为 20Hz～20kHz，因此 44.1kHz 采样率足以覆盖人耳极限。更高的采样率（如 96kHz、192kHz）主要用于影视制作或高解析度音频，它们能保留超声波频段或为后期处理提供更大余量，但代价是线性增加码率。
在实际编码中，采样率的选择往往与内容类型绑定：
- 语音通话：8kHz 或 16kHz 采样率即可，因为语音能量集中在 300Hz～3.4kHz。
- 音乐流媒体：44.1kHz 或 48kHz 是主流选择，兼顾保真度与码率。
- 高清视频伴音：48kHz 是行业标准，与视频帧率保持整数倍关系。
优化提示：如果内容仅为语音（如播客、有声书），将采样率从 44.1kHz 降至 16kHz，码率可直降约 64%，而听感几乎无损。这是码率控制中最“划算”的一步。
位深度：动态范围与量化噪声
位深度决定了每个采样点的幅度精度。每增加 1bit，动态范围提升约 6dB。16bit 提供 96dB 动态范围，24bit 提供 144dB。位深度不足会导致量化噪声——在安静段落表现为“沙沙”声或颗粒感。
位深度对码率的影响是直接的乘法关系。但值得注意的是，有损编码器（如 AAC）内部通常以 24bit 或 32bit 浮点处理，而最终输出到码流时，位深度的影响主要体现在编码器的内部精度，而非直接决定输出码率。真正直接决定输出码率的是编码器参数（如 AAC 的 -b:a），但源文件的位深度会影响编码器在低码率下的失真策略。
| 位深度 | 动态范围 | 适用场景 | 对码率影响 |
|---|---|---|---|
| 16bit | 96dB | CD、流媒体分发 | 基准 |
| 24bit | 144dB | 录音、混音母带 | 原始码率 +50% |
| 32bit float | 理论无限 | 后期处理、特效 | 仅内部处理，不直接输出 |
声道数：空间信息的数量
声道数代表独立音频流的数量。单声道（Mono）只有 1 路信号，立体声（Stereo）有 2 路，5.1 环绕声有 6 路。每增加一个声道，未压缩码率就线性增加。但在有损编码中，编码器会利用声道间冗余（如中侧编码、参数立体声）来大幅降低多声道的实际码率开销。
例如，一个 128kbps 的 AAC 立体声文件，如果转为单声道，在相同码率下，单声道版本会获得明显更好的音质（因为每声道可用码率翻倍）。反之，若强行将立体声内容编码为单声道，会丢失空间感和声像定位。
案例：从原始 PCM 到目标码率的计算
假设有一段 5 分钟的立体声音乐，原始 PCM 参数为 48kHz / 24bit，计算其未压缩大小：
码率 = 48000 × 24 × 2 = 2,304,000 bps = 2304 kbps
文件大小 = 2304 kbps × 300 秒 ÷ 8 = 86,400 KB ≈ 84.4 MB若使用 AAC 编码为 256kbps，则压缩后文件大小约为：
256 kbps × 300 秒 ÷ 8 = 9,600 KB ≈ 9.4 MB压缩比约为 9:1。如果改用 128kbps，文件进一步减半，但高频细节和立体声分离度会开始出现可闻损失。
误区与复盘：参数选择的常见陷阱
常见误区 1：盲目追求高采样率和高位深度。对于最终分发（如流媒体），96kHz/24bit 的源文件在编码为 128kbps AAC 时，并不会比 44.1kHz/16bit 的源文件更好听。因为有损编码的瓶颈在于心理声学模型的掩蔽阈值，而非源文件的“理论精度”。高参数只会增加编码耗时和存储成本。
常见误区 2：忽略声道数的码率分摊。5.1 声道的 384kbps 码率，平均每声道仅 64kbps，远低于立体声 128kbps 的每声道质量。在码率受限时，优先保证立体声的听感，或使用 Dolby Pro Logic II 等矩阵编码技术将环绕声下混为立体声，往往比强行保留多声道更明智。
复盘要点：码率控制的第一原则是“先降冗余，再降质量”。冗余来自三方面：时间冗余（相邻采样点相似）、频率冗余（部分频段不敏感）、空间冗余（声道间相关）。采样率、位深度、声道数的选择，决定了这些冗余的“天花板”。例如，将采样率从 48kHz 降到 44.1kHz 只减少 8% 的数据量，但将立体声转为单声道则减少 50%——但后者对听感的影响远大于前者。因此，调整参数前必须明确内容类型和播放场景：语音内容优先降采样率，音乐内容优先保立体声，影视内容则需平衡声道数与整体码率预算。
理解这三者与码率的关系后，下一步才能深入探讨编码器如何通过心理声学模型、比特池分配和可变码率策略，在给定码率下最大化主观音质。本节所建立的“原始码率 = 采样率 × 位深度 × 声道数”这一基线，是所有码率控制讨论的出发点。