📚 课程目录第2章声学基础

2. 声学基础

做音频算法，第一个绕不开的问题就是：声音是怎么变成数字的？

我刚开始接触这个领域时，总觉得把模拟信号转成数字是件很“自然”的事——不就是拿个ADC采一下嘛。直到有一次我在做语音增强项目，发现降噪后的音频听起来总有奇怪的“锯齿感”，排查了半天才发现是采样率设置出了问题。嗯，从那以后我再也不敢小看这些基础概念了。

这一章，我们就来把数字音频的三个核心基石讲透：采样定理、量化与位深、常见文件格式。这些知识会贯穿你整个音频算法生涯。

2.1 采样定理：为什么是44.1kHz？

先问一个问题：人耳能听到的频率范围是多少？

大概是20Hz到20kHz。那如果我们想完整记录一段声音，需要多快的采样速度？

答案就是奈奎斯特采样定理：采样频率必须大于信号最高频率的两倍。

核心公式：

f_s > 2 × f_max

其中 f_s 是采样频率，f_max 是信号中的最高频率成分。

换句话说，如果你想记录20kHz的声音，采样率至少得40kHz以上。这就是为什么CD标准选择了44.1kHz——留了一点余量。

我个人习惯把采样定理理解成“拍照”：你拍一个快速运动的物体，快门速度不够快，拍出来的就是模糊的。音频也一样，采样率不够，高频信息就会“混叠”成低频噪声。

避坑指南：我曾经在做一个语音识别前端时，为了节省计算量把采样率从16kHz降到了8kHz。结果识别率暴跌——因为8kHz只能覆盖到4kHz的语音信息，而很多辅音（比如/s/、/ʃ/）的能量集中在4-8kHz。降采样前一定要先做低通滤波，否则混叠会让你怀疑人生。

2.2 量化与位深：精度与噪声的博弈

采样解决了“时间轴”的问题，那“幅度轴”呢？

量化就是把连续的幅度值映射到离散的等级上。每个等级用一个二进制数表示，这个二进制数的位数就是位深。

位深	量化等级数	动态范围（理论）	常见用途
8-bit	256	~48 dB	早期电话、低质量语音
16-bit	65,536	~96 dB	CD、WAV标准
24-bit	16,777,216	~144 dB	录音棚、专业音频
32-bit float	理论上限极高	~1528 dB	算法内部处理、DAW

你想想看，16-bit有65536个等级，听起来很多对吧？但在实际录音中，如果信号太弱，量化噪声就会变得很明显。这就是为什么录音时要尽量让信号“满”一点，但又不能削波。

我的经验：在特征提取的预处理阶段，我通常会把音频转成32-bit float来处理。原因很简单——16-bit在做加减乘除时容易产生截断误差，而float格式可以避免很多“莫名其妙”的噪声。等特征提取完了，再根据需求转回16-bit输出。

2.3 音频文件格式：WAV vs MP3

聊完采样和量化，我们来看看实际中怎么存音频。

2.3.1 WAV格式

WAV是微软和IBM联合开发的波形文件格式。它的核心特点就是无损——存的就是原始的PCM数据，或者最多加个简单的压缩。

一个标准的WAV文件结构是这样的：

RIFF头（4字节 "RIFF" + 4字节文件大小 + 4字节 "WAVE"）
├── fmt块（采样率、位深、声道数等）
└── data块（实际的音频样本数据）

用Python读取WAV非常简单：

import wave
import numpy as np

with wave.open('audio.wav', 'rb') as wf:
    # 获取参数
    n_channels = wf.getnchannels()      # 声道数
    sampwidth = wf.getsampwidth()       # 字节宽度（位深/8）
    framerate = wf.getframerate()       # 采样率
    n_frames = wf.getnframes()          # 总帧数
    
    # 读取原始数据
    raw_data = wf.readframes(n_frames)
    
    # 转成numpy数组（这里假设是16-bit单声道）
    audio = np.frombuffer(raw_data, dtype=np.int16)
    audio = audio.astype(np.float32) / 32768.0  # 归一化到[-1, 1]

注意：WAV文件可以存多种编码格式，不一定是PCM。我遇到过有人拿了个“WAV”文件，结果里面是MP3编码的——读取时直接报错。所以读取前最好检查一下 wf.getcompname()，确保是 'NONE'（未压缩）。

2.3.2 MP3格式

MP3是有损压缩格式，利用心理声学模型去掉人耳不敏感的频率成分。它的核心思想是：

频率掩蔽：一个强音会掩盖附近频率的弱音
时间掩蔽：强音前后短暂时间内，人耳对弱音不敏感
临界频带：人耳对频率的感知不是线性的，低频分辨率高，高频分辨率低

MP3的编码流程大致如下：

PCM音频 → 时频变换（MDCT） → 心理声学模型 → 量化与编码 → MP3比特流

用Python读取MP3需要额外库，比如 pydub 或 librosa：

from pydub import AudioSegment
import numpy as np

# 读取MP3
audio_seg = AudioSegment.from_mp3('audio.mp3')

# 转成numpy数组（16-bit）
samples = np.array(audio_seg.get_array_of_samples())
samples = samples.astype(np.float32) / 32768.0

# 如果是立体声，reshape成两列
if audio_seg.channels == 2:
    samples = samples.reshape((-1, 2))

我曾经踩过的坑：做特征提取时，千万别直接用MP3文件！MP3的压缩过程会引入量化噪声和频带截断，这些“假信息”会被特征提取算法放大。我见过有人用MP3做语音识别训练，结果模型在WAV测试集上表现很好，一到真实场景就崩——因为训练数据里的噪声模式跟MP3压缩噪声“过拟合”了。所以，训练和测试尽量用WAV，如果只有MP3，至少用320kbps的高码率版本。

2.4 知识体系总览

下面这张图把本章的核心概念串起来了：

2.5 本章小结

这一章我们聊了三个核心概念：

采样定理：采样率必须大于最高频率的两倍，否则会产生混叠。44.1kHz和16kHz是两种最常见的采样率。
量化与位深：位深决定了动态范围和信噪比。16-bit是消费级标准，24-bit是专业级，32-bit float适合算法内部。
文件格式：WAV是无损的PCM容器，适合做特征提取；MP3是有损压缩，适合存储和传输，但别用它做训练数据。

这些基础概念会反复出现在后面的每一章里。你想想看，如果连采样率和位深都搞不清楚，后面做MFCC、做滤波器组，那误差会越积越大。所以，花点时间把这些基础打牢，绝对值得。