2. 声学基础

说实话，很多做声学特征提取的朋友，一上来就调库、算MFCC，结果数据稍微变个采样率就崩了。为什么？因为底层的数字音频原理没吃透。这一章，我们就来把数字音频的四个核心概念——采样、量化、编码、PCM——彻底讲明白。

我个人习惯把数字音频比作「用尺子量声音」。你想想看，声音是连续的波浪，但计算机只能存离散的数字。怎么把波浪变成数字？这就是本章要解决的问题。

2.1 采样定理：多快才算够？

采样，说白了就是每隔一小段时间，记录一次声音的瞬时值。问题来了：隔多久采一次，才能把原始声音完整还原回来？

这里有个黄金法则——奈奎斯特-香农采样定理：

举个例子。人耳能听到的最高频率大约是20kHz。所以CD音频的采样率定在44.1kHz，刚好大于40kHz。为什么不是40kHz整？因为实际滤波器做不到一刀切，得留点余量。

我在项目中遇到过一件事：有个同事录鸟叫声，采样率设了22kHz。结果高频鸟鸣全变成了「嘶嘶」的混叠噪声。嗯，这就是典型的欠采样——高频信号伪装成了低频信号，混进来了。

常见的采样率有这些：

2.2 量化：把连续值变成离散值

采样解决了「什么时候记」的问题。量化解决的是「记成什么数」的问题。

你想想看，采样得到的电压值是连续的，比如3.14159V。但计算机只能用有限位数的二进制数来表示。量化就是把这个连续值，就近取整到最近的量化电平上。

这里有个关键参数——量化位数（bit depth）：

• 8 bit：256个量化等级。动态范围约48dB。听起来像老式游戏机。
• 16 bit：65536个等级。动态范围96dB。CD标准。
• 24 bit：16777216个等级。动态范围144dB。录音棚常用。
• 32 bit float：浮点表示，动态范围接近无限。后期处理首选。

量化会产生一个不可避免的问题——量化误差。每次取整都会引入一点小偏差，这些偏差听起来就是背景「嘶嘶」声，我们叫它量化噪声。

量化噪声的功率计算公式：

量化噪声功率 = Δ² / 12
其中 Δ = 满量程电压 / 2^(bit_depth)

看出来了吗？每增加1 bit，量化噪声功率降低6dB。这就是为什么16bit比8bit安静那么多的原因。

2.3 编码：把数字变成字节流

采样和量化做完，我们得到了一串数字。但计算机怎么存这些数字？这就轮到编码出场了。

最常见的编码方式就是PCM（脉冲编码调制）。说白了，就是把量化后的数值，按顺序一个接一个地写进文件里。

PCM编码有几个关键参数：

• 采样率：每秒采多少个点
• 量化位数：每个点用多少bit
• 声道数：单声道、立体声、5.1环绕等
• 字节序：大端（Big Endian）还是小端（Little Endian）
• 编码格式：有符号整型、无符号整型、浮点型

举个例子，一段CD音质的立体声音频：

采样率：44100 Hz
量化位数：16 bit
声道数：2（立体声）
字节序：小端
编码格式：有符号整型

每秒数据量 = 44100 × 2 × 2 = 176400 字节 ≈ 172 KB/s

我刚开始做音频处理时，经常搞混字节序。有一次在ARM芯片上读WAV文件，出来的声音全是噪声。查了半天才发现，PC是小端，ARM默认大端，读出来的字节顺序反了。嗯，从那以后我写代码都会显式指定字节序。

2.4 PCM格式：最朴素的音频格式

PCM是音频的「原始格式」。WAV、AIFF这些格式，本质上就是在PCM数据外面包了一层文件头。

一个标准的WAV文件结构是这样的：

用Python读取PCM数据其实很简单：

import numpy as np

def read_pcm_from_wav(filename):
    """从WAV文件中读取PCM数据"""
    import wave
    with wave.open(filename, 'rb') as wf:
        # 获取参数
        n_channels = wf.getnchannels()
        sampwidth = wf.getsampwidth()  # 字节数
        framerate = wf.getframerate()
        n_frames = wf.getnframes()
        
        # 读取原始数据
        raw_data = wf.readframes(n_frames)
        
        # 根据量化位数选择dtype
        if sampwidth == 1:
            dtype = np.uint8  # 8-bit 无符号
        elif sampwidth == 2:
            dtype = np.int16  # 16-bit 有符号
        elif sampwidth == 4:
            dtype = np.int32  # 32-bit 有符号
        else:
            raise ValueError(f"不支持的量化位数: {sampwidth}")
        
        # 转为numpy数组
        audio = np.frombuffer(raw_data, dtype=dtype)
        
        # 如果是多声道，重塑为 (帧数, 声道数)
        if n_channels > 1:
            audio = audio.reshape(-1, n_channels)
        
        return audio, framerate

2.5 知识体系总览

说了这么多，我们来画一张图，把数字音频的整个流程串起来：

import wave
import numpy as np

def inspect_audio(filename):
    """查看音频文件的基本信息"""
    with wave.open(filename, 'rb') as wf:
        print(f"声道数: {wf.getnchannels()}")
        print(f"量化位数: {wf.getsampwidth() * 8} bit")
        print(f"采样率: {wf.getframerate()} Hz")
        print(f"总帧数: {wf.getnframes()}")
        print(f"时长: {wf.getnframes() / wf.getframerate():.2f} 秒")
        
        # 读取前1秒的数据做分析
        frames_to_read = wf.getframerate()
        raw = wf.readframes(frames_to_read)
        audio = np.frombuffer(raw, dtype=np.int16)
        
        print(f"\n前1秒数据统计:")
        print(f"  最大值: {audio.max()}")
        print(f"  最小值: {audio.min()}")
        print(f"  平均值: {audio.mean():.2f}")
        print(f"  标准差: {audio.std():.2f}")

# 使用示例
# inspect_audio("example.wav")