1. 课程导入
各位同学，欢迎来到《音频DSP算法入门到部署》的第一章。我是你们这门课的主讲，一个在音频嵌入式领域摸爬滚打了十几年的老工程师。今天咱们不聊虚的，直接从声音的“根”上说起。
你可能会问：“声音不就是振动吗？有什么好学的？”嗯，我当年也这么想。直到有一次，我在一个降噪项目里，死活滤不掉某个频段的噪声，最后发现是相位问题——那一刻我才意识到，基础不牢，地动山摇。
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。描述一个简谐振动，只需要三个参数：频率、振幅和相位。这三个东西，就是音频DSP世界里最底层的“原子”。
- 频率（Frequency）：单位时间内振动的次数，单位是赫兹（Hz）。人耳能听到的范围大约是20Hz～20kHz。低于20Hz叫次声波，高于20kHz叫超声波。我个人习惯把1kHz以下叫“低频段”，1kHz～4kHz叫“中频段”，4kHz以上叫“高频段”。
- 振幅（Amplitude）：振动的幅度大小，决定了声音的响度。在数字域里，振幅通常用dBFS（分贝满量程）表示。0dBFS是数字系统能表示的最大值，超过就削波——嗯，这个坑我踩过不止一次。
- 相位（Phase）：振动在时间轴上的起始位置，单位是度（°）或弧度（rad）。相位本身不被人耳直接感知，但相位差会严重影响声音的叠加效果。我曾经在调试一个双麦克风阵列时，因为一根信号线焊反了，导致两路信号相位差了180°，结果降噪变成了“增噪”……
核心理解：任何一个复杂的音频信号，都可以分解成无数个不同频率、不同振幅、不同相位的正弦波的叠加。这就是傅里叶变换的物理基础。
1.2 时域与频域：看声音的两种“眼镜”
时域和频域，说白了就是看同一个信号的两副眼镜。时域眼镜看的是“声音随时间怎么变”，频域眼镜看的是“声音里有哪些频率成分”。
举个例子：你听到一个钢琴的中央C（约261.6Hz）。在时域里，你看到的是一个周期约3.8ms的波形；在频域里，你看到的是在261.6Hz处有一个尖峰，以及它的整数倍谐波（523Hz、784Hz……）。
我个人做算法时，90%的调试工作都在频域里完成。为什么？因为人耳对频率的感知是“对数”的，而时域波形往往看不出噪声的具体频段。你想想看，一个50Hz的工频干扰，在时域里可能只是波形上的一点点抖动，但在频域里就是一个刺眼的尖峰。
小技巧：刚开始学DSP的同学，建议养成“时频双看”的习惯。遇到任何音频问题，先看时域波形判断有没有削波或静音，再看频谱判断噪声分布。这个习惯能帮你省下大量调试时间。
下面这张图，是我自己画的一个时频域对应关系，帮你建立直观印象：
1.3 采样定理与量化：从模拟到数字的“翻译”
要把连续的声音信号变成计算机能处理的离散数据，需要经过两步：采样和量化。这两步做不好，后面所有算法都是白搭。
1.3.1 采样定理（Nyquist-Shannon定理）
这个定理的内容很简单：采样频率必须大于信号最高频率的两倍。用公式说就是：fs > 2 * fmax。
举个例子：人耳能听到20kHz，所以CD的采样率是44.1kHz（略大于2×20kHz）。为什么不是刚好40kHz？因为实际滤波器做不到理想截止，需要留过渡带。我见过有人为了省存储，用32kHz采样率录20kHz的信号，结果回放时全是混叠失真——那声音，怎么说呢，像砂纸在玻璃上刮。
避坑指南：我曾经在一个低功耗项目里，为了降低数据率，把采样率从48kHz降到16kHz，但忘了加抗混叠滤波器。结果采集到的信号里，8kHz以上的成分全部“折叠”到了低频段，怎么滤波都滤不干净。记住：采样前必须加抗混叠低通滤波器，这是铁律。
1.3.2 量化与量化噪声
采样是把时间离散化，量化是把幅度离散化。量化位深（bit depth）决定了幅度被分成多少级：16bit有65536级，24bit有16777216级。
量化必然带来误差，这个误差就是量化噪声。量化噪声的功率只与量化步长有关，与信号本身无关。理论上，每增加1bit，信噪比（SNR）提升约6.02dB。所以16bit的理论SNR是96.3dB，24bit是144.5dB。
我个人的经验是：做语音通信，16bit足够了；做音乐制作或高保真录音，至少24bit。为什么？因为后续的DSP处理（如滤波、增益调整）会放大量化噪声，留点余量总是好的。
| 参数 | 典型值 | 说明 |
|---|---|---|
| 采样率 (fs) | 8kHz / 16kHz / 44.1kHz / 48kHz / 96kHz | 语音常用8k/16k，音乐常用44.1k/48k，高保真用96k |
| 位深 (bit depth) | 8bit / 16bit / 24bit / 32bit float | 8bit用于语音质量要求极低场景，16bit是CD标准，24bit是录音室标准 |
| 理论SNR | 48dB / 96dB / 144dB / ∞ (浮点) | 每增加1bit，SNR提升约6.02dB |
| 数据率 | fs × bit_depth × channels | 例如：44.1kHz × 16bit × 2ch = 1411.2 kbps |
1.4 常见音频格式对比：WAV、MP3、AAC
做音频DSP，你一定会跟文件格式打交道。我挑三个最常用的说说：
- WAV（Waveform Audio File Format）：无损格式，本质上是PCM数据的“容器”。优点是没有压缩损失，算法处理时直接读写样本值，非常方便。缺点是文件体积大。我在调试阶段，一律用WAV格式，因为我不想在“数据有没有被压缩破坏”这件事上浪费时间。
- MP3（MPEG-1 Audio Layer 3）：有损压缩格式，利用心理声学模型（掩蔽效应）去掉人耳不敏感的频率成分。压缩比可达10:1以上。但要注意：MP3在低码率（如128kbps以下）时，高频细节损失明显，而且会产生“预回声”伪影。
- AAC（Advanced Audio Coding）：MP3的继任者，同样是有损压缩，但编码效率更高。在相同码率下，AAC的音质通常优于MP3。我个人的建议是：如果项目允许，优先用AAC替代MP3，尤其是在低码率场景（如网络流媒体）。
| 特性 | WAV | MP3 | AAC |
|---|---|---|---|
| 压缩方式 | 无损（PCM） | 有损（心理声学） | 有损（心理声学） |
| 典型码率 | 1411 kbps (CD) | 128～320 kbps | 64～320 kbps |
| 音质（同码率） | 最高（无损失） | 一般 | 较好 |
| 编码复杂度 | 无（直接存储） | 中等 | 较高 |
| 适用场景 | 调试、编辑、存档 | 音乐分发、兼容性要求高 | 流媒体、低码率高质量 |
我的工作流：开发阶段全部用WAV（44.1kHz/16bit/单声道或双声道），方便用Python或MATLAB直接分析。算法定型后，再根据产品需求决定是否转成MP3或AAC。记住：不要在压缩域里做DSP处理——先把数据解压成PCM，处理完再重新编码。这是铁律。
好了，第一章的内容就到这里。音频信号的基础，说白了就是“频率、振幅、相位”这三个物理量，加上“时域/频域”两种观察视角，再加上“采样/量化”两个数字化步骤。这些概念会贯穿整个课程，后面的每一章都会用到它们。
下次见。