2. 音频基础

做音频同步，说白了就是跟「数字化的声音」打交道。你连声音是怎么变成 0 和 1 的都不清楚，后面谈同步就是空中楼阁。这一章我把最核心的几个概念掰开揉碎讲清楚，都是我这些年踩坑换来的经验。

1. 采样率：时间轴上的「快门」

模拟声音是连续的波形，计算机只能记录离散的点。采样率就是每秒取多少个样本来描述这个波形。

人耳能听到的频率范围大约是 20Hz ~ 20kHz。所以理论上 40kHz 就够了。为什么 CD 用 44.1kHz？

我记得刚入行时也问过这个问题。其实是因为早期数字音频设备用视频系统的时钟，PAL 和 NTSC 制式下算来算去，44.1kHz 刚好能兼容。嗯，历史遗留问题，但成了行业标准。

采样率	常见用途	我的评价
8 kHz	电话语音	够用，但别指望音质
44.1 kHz	CD、MP3	消费级黄金标准
48 kHz	电影、视频	后期同步首选，我项目里 90% 用这个
96 kHz / 192 kHz	高解析音频、录音棚	后期处理有优势，但存储翻倍

2. 位深度：动态范围的「尺子」

采样率决定了能记录多高的频率，位深度决定了能记录多宽的动态范围——也就是从最安静到最响亮之间的跨度。

位深度每增加 1 bit，动态范围增加约 6 dB。16 bit 就是 96 dB，24 bit 就是 144 dB。

我在项目中遇到过一件事：有个客户说他的录音底噪特别大，我一看文件，16 bit、录音电平拉得太满。换成 24 bit 录制，留出 6 dB 的 headroom，后期降噪轻松很多。说白了，位深度就是你的「安全余量」。

位深度	动态范围	适用场景
8 bit	48 dB	早期游戏、语音合成
16 bit	96 dB	CD、MP3 分发
24 bit	144 dB	录音、混音、后期
32 bit float	理论无限	DAW 内部处理、极端动态

3. 声道数：声音的空间感

声道数决定了声音的「维度」。单声道是点，立体声是线，环绕声是面。

• Mono（单声道）：一个信号通道。适合语音、播客。
• Stereo（立体声）：左右两个通道。音乐、视频的标配。
• 5.1 / 7.1：多声道环绕。电影、游戏。
• Object-based（基于对象）：Dolby Atmos 这类，每个声音独立定位。

做同步时最容易翻车的就是声道映射。我记得有一次，一个 5.1 的素材被当成立体声导入，左声道和右声道正常，中置和低音炮的信号全丢了。嗯，从那以后我每次导入多声道文件都会先看一眼声道布局。

4. 音频编码格式：PCM、MP3、AAC

编码格式就是怎么把采样点打包存起来。分两类：无损和有损。

4.1 PCM：最原始的「裸数据」

PCM（Pulse Code Modulation）就是直接把采样值存下来。WAV、AIFF 都是 PCM 的容器。

// 一个 16 bit 立体声 PCM 样本的二进制结构
// 左声道 16 bit | 右声道 16 bit
// 采样点 1:  0x23A1  0x4B2F
// 采样点 2:  0x1C8E  0x3D12
// 采样点 3:  0xE7F3  0xA0B4

PCM 的好处是零延迟、零损失。坏处是体积大。CD 音质一分钟大约 10 MB。

4.2 MP3：有损压缩的「老大哥」

MP3 利用心理声学模型，把人耳不敏感的频率信息丢掉。128 kbps 是「能听」的底线，320 kbps 接近无损听感。

但 MP3 有个硬伤：编码延迟。低码率下延迟可能超过 100 ms。做直播同步时，MP3 编码器会引入不可忽略的延迟。

我曾经在一个直播项目里用 MP3 做语音传输，结果画面和声音差了将近 200 ms。排查了半天，发现是 MP3 编码器 buffer 太大。换成 AAC 后问题解决。

4.3 AAC：更高效的「后来者」

AAC（Advanced Audio Coding）是 MP3 的继任者。同样码率下，AAC 的音质明显更好。延迟也更低，适合实时通信。

特性	PCM	MP3	AAC
压缩方式	无损	有损	有损
典型码率	1411 kbps (CD)	128~320 kbps	64~256 kbps
编码延迟	无	~100 ms	~20 ms
适用场景	制作、存档	音乐分发	流媒体、直播

知识体系总览

下面这张图把本章的核心概念串起来了。你从模拟信号出发，经过采样、量化、编码，最终得到数字音频流。每一步的参数选择都会影响最终的同步精度和音质。