1. 课程导入
各位同学好，欢迎来到《声学特征提取工程化实践》的第一章。
做音频算法这些年，我见过不少新人一上来就扎进深度学习模型，结果连采样率和比特率都搞混。说实话，这就像盖楼不打地基——迟早要塌。今天我们就从最根本的东西聊起：声音到底是什么，以及怎么把它变成计算机能处理的数据。
1.1 声音的物理属性
声音的本质是机械振动在介质中的传播。说白了，就是空气分子被推来推去，形成疏密波，传到我们耳朵里。
描述一个声音信号，有三个核心参数：
- 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——我们做语音处理，主要关注300Hz～3400Hz这个电话频段。
- 振幅（Amplitude）：振动的幅度，决定了声音的响度。振幅越大，声音越响。工程上我们通常用分贝（dB）来表示相对大小。
- 相位（Phase）：振动在时间轴上的起始位置，单位是角度（°）或弧度（rad）。相位单独听起来没啥感觉，但它决定了多个声波叠加后的结果——混音、波束成形都离不开它。
我的经验：刚入行时我总觉得相位不重要，直到有一次做双麦克风降噪，怎么调都消不掉低频噪声。后来发现是两个通道的相位差算反了，导致信号相长叠加。嗯，从那以后我再也不敢轻视相位了。
1.2 模拟信号与数字信号
自然界的声音是连续的模拟信号——你可以想象成一条光滑的曲线。但计算机只能处理离散的数字，也就是一串数值。所以我们需要把模拟信号转成数字信号，这个过程叫模数转换（ADC）。
反过来，播放声音时要把数字信号还原成模拟信号，这叫数模转换（DAC）。
两者的核心区别：
| 特性 | 模拟信号 | 数字信号 |
|---|---|---|
| 连续性 | 时间连续、幅值连续 | 时间离散、幅值离散 |
| 抗干扰 | 易受噪声影响 | 抗干扰能力强 |
| 存储 | 磁带、唱片 | 硬盘、内存 |
| 处理 | 模拟电路 | CPU/DSP/GPU |
小提示：你手机里的麦克风采集到的就是模拟信号，经过ADC芯片转换后才变成你看到的WAV文件。所以ADC芯片的质量直接决定了录音的底噪水平——这也是为什么专业录音棚的声卡那么贵。
1.3 采样定理与量化
把模拟信号变成数字信号，需要做两件事：采样和量化。
采样
采样就是在时间轴上每隔固定间隔取一个点。这个间隔的倒数就是采样率（Sample Rate），单位是Hz。
这里有个黄金法则——奈奎斯特采样定理：采样率必须大于信号最高频率的两倍，才能无失真地重建原始信号。
举个例子：人声最高频率大约8kHz，那么采样率至少要16kHz。CD音质的44.1kHz是怎么来的？因为人耳理论上能听到20kHz，两倍就是40kHz，再加点余量，就成了44.1kHz。
注意：如果采样率不够，会发生混叠（Aliasing）——高频信号会伪装成低频信号混进来，而且去不掉。我曾经在一个语音唤醒项目里遇到过这个问题：麦克风阵列的采样率设成了8kHz，结果高频噪声折叠到低频段，导致误唤醒率飙升。后来加了抗混叠滤波器才解决。
量化
采样得到的是时间上离散的点，但每个点的幅值还是连续的。量化就是把幅值也离散化——用有限个二进制数来表示。
量化精度用位深（Bit Depth）表示：
- 8-bit：256个等级，噪声大，基本不用
- 16-bit：65536个等级，CD音质标准
- 24-bit：16777216个等级，录音棚常用
- 32-bit float：浮点表示，动态范围极大，适合后期处理
量化会产生量化噪声——说白了就是真实值和量化值之间的误差。位深每增加1-bit，信噪比提升约6dB。16-bit的理论信噪比是96dB，已经超过人耳的动态范围了。
避坑指南：我曾经在嵌入式设备上为了省内存，把音频从16-bit降到8-bit。结果语音识别准确率直接掉了15%。量化噪声把特征淹没了。所以做特征提取时，我建议至少保留16-bit，除非你明确知道自己在做什么。
1.4 音频文件格式概述
数字音频存成文件，主要分两类：无损格式和有损格式。
| 格式 | 类型 | 特点 | 常见用途 |
|---|---|---|---|
| WAV | 无损 | PCM编码，文件大，无压缩 | 音频处理、科研数据 |
| FLAC | 无损 | 压缩比约2:1，开源 | 音乐存档、发烧友 |
| MP3 | 有损 | 感知编码，压缩比高 | 音乐播放、网络传输 |
| AAC | 有损 | 比MP3效率更高 | 视频流、Apple生态 |
| OGG | 有损/无损 | Vorbis编码，开源 | 游戏、开源项目 |
做声学特征提取，我个人最推荐WAV格式。为什么？因为它不压缩、不丢信息，而且解析起来最简单——文件头+裸PCM数据，读出来就是原始采样点。你想想看，如果输入数据本身就有损，那提取出来的特征还能准吗？
WAV文件的结构大致如下：
RIFF头 (12字节)
└── "RIFF" + 文件大小 + "WAVE"
fmt块 (24字节)
└── 音频格式、声道数、采样率、字节率、块对齐、位深
data块 (变长)
└── 实际的PCM采样数据读WAV文件时，我建议你关注三个字段：采样率、位深、声道数。这三个参数决定了后续所有处理流程的参数设置。
小技巧：如果你用Python做音频处理，scipy.io.wavfile.read() 和 soundfile.read() 是最常用的两个库。前者轻量，后者支持更多格式。我个人习惯用soundfile，因为它能直接返回float类型的数组，省去自己归一化的步骤。
本章知识体系
下面这张图把本章的核心概念串起来了，你可以对照着回顾一下：
从这张图可以看得很清楚：声音的物理属性是基础，经过采样和量化变成数字信号，然后以特定文件格式存储。每一步都有坑，每一步也都有对应的工程实践技巧。
好了，第一章就到这里。记住这些基础概念，后面讲傅里叶变换、MFCC、滤波器组的时候，你会感谢今天认真看完了这一章。