1. 课程导入
各位同学好，欢迎来到《声学特征提取系统实战》的第一章。说实话，音频处理这个领域，入门门槛不高，但想做好做深，基础必须打牢。我见过太多人一上来就调库、跑模型，结果遇到一点采样率不匹配、量化噪声的问题就抓瞎。嗯，咱们今天就把地基夯实。
1.1 声音的物理特性：频率、振幅、相位
声音的本质是什么？说白了，就是空气分子的振动。这种振动通过介质传播到我们耳朵里，就形成了听觉。描述这种振动，有三个核心物理量：频率、振幅和相位。
- 频率（Frequency）：单位时间内振动的次数，单位是赫兹（Hz）。频率决定了音调的高低。人耳能听到的频率范围大约是 20 Hz 到 20 kHz。低于 20 Hz 叫次声波，高于 20 kHz 叫超声波。我在做语音增强项目时，经常需要把采样率从 48 kHz 降到 16 kHz，这时候就得小心滤掉 8 kHz 以上的高频成分，不然混叠进来会很麻烦。
- 振幅（Amplitude）：振动的幅度大小，决定了声音的响度（音量）。振幅越大，声音越响。在数字信号里，振幅通常用采样点的数值来表示。
- 相位（Phase）：描述振动在某一时刻所处的状态，单位是角度（°）或弧度（rad）。相位本身不直接影响听觉感知，但它对多个声音的叠加、干涉至关重要。比如做波束形成时，麦克风阵列的相位差就是定位声源的关键。
核心关系：一个纯音（单频信号）可以用公式表示为：s(t) = A * sin(2πft + φ)，其中 A 是振幅，f 是频率，φ 是相位。这三个参数，就完整描述了一个简谐振动。
1.2 模拟信号与数字信号的区别
自然界的声音是连续的，我们称之为模拟信号。它的特点是时间连续、幅值连续。但计算机只能处理离散的、有限精度的数据。所以，我们需要把模拟信号转换成数字信号。
这个过程，我习惯把它拆成三步：采样、量化、编码。咱们先看一个直观的对比：
| 特性 | 模拟信号 | 数字信号 |
|---|---|---|
| 时间轴 | 连续 | 离散（采样点） |
| 幅值轴 | 连续（无限精度） | 离散（有限精度） |
| 抗干扰能力 | 弱（易受噪声影响） | 强（可纠错、可压缩） |
| 存储与传输 | 困难（易衰减） | 方便（可复制、可压缩） |
| 典型例子 | 磁带、黑胶唱片 | CD、MP3 文件 |
你想想看，为什么现在数字音频全面取代了模拟？核心就是数字信号不怕复制、不怕噪声。我当年调试一个音频采集板，模拟信号走线长了 5 厘米，底噪就大了 3 dB。换成数字传输后，这种问题基本不存在了。
1.3 采样定理（奈奎斯特定理）
这是整个数字信号处理里最重要的定理，没有之一。它的核心思想是：为了能从采样后的离散信号中无失真地恢复出原始连续信号，采样频率必须至少是信号最高频率的两倍。
公式很简单：f_s ≥ 2 * f_max。这个 f_s/2 被称为奈奎斯特频率。
避坑指南：我曾经接手过一个项目，同事用 8 kHz 的采样率去采集一段包含 5 kHz 成分的音频。结果回放时听到一个奇怪的 3 kHz 声音。这就是典型的混叠（Aliasing）——5 kHz 的信号在 8 kHz 采样下，被折叠到了 3 kHz（8 - 5 = 3）。所以，采样前必须加抗混叠滤波器，把高于 f_s/2 的成分滤掉。
常见的音频采样率有：
- 8 kHz：电话语音，覆盖 0-4 kHz，够说话用。
- 16 kHz：宽带语音，语音识别常用。
- 44.1 kHz：CD 音质，覆盖 0-22.05 kHz，满足人耳极限。
- 48 kHz：影视、专业音频制作。
为什么是 44.1 kHz 而不是 44 kHz？这里有个小故事：早期索尼和飞利浦在制定 CD 标准时，为了兼容 PAL 和 NTSC 两种电视制式的录像带存储，最终选定了 44.1 kHz 这个数字。嗯，历史遗留问题，但一直沿用至今。
1.4 量化与编码
采样解决了时间连续的问题，但幅值还是连续的。量化就是把这个连续的幅值，映射到有限个离散的等级上。
量化的精度用位深（Bit Depth）表示。常见的位深有：
- 8 bit：256 个等级，动态范围约 48 dB，音质较差，常见于早期电话或对讲机。
- 16 bit：65536 个等级，动态范围约 96 dB，CD 音质标准。
- 24 bit：16777216 个等级，动态范围约 144 dB，录音棚常用。
量化会产生量化噪声。简单说，就是真实值和量化值之间的误差。位深每增加 1 bit，信噪比（SNR）大约提升 6 dB。所以 16 bit 比 8 bit 的 SNR 高 48 dB。
我的习惯：做语音识别时，16 bit、16 kHz 是黄金组合。做音乐制作或高精度声学测量，我会用 24 bit、48 kHz 或更高。别盲目追求高位深，存储和带宽也是成本。
编码就是把量化后的数值用二进制表示。最简单的就是PCM（脉冲编码调制），直接存储采样值。WAV 文件通常就是 PCM 编码。
1.5 常见音频格式对比
市面上音频格式很多，但核心就两类：无损和有损。咱们直接看表：
| 格式 | 编码方式 | 压缩类型 | 音质 | 文件大小 | 典型应用 |
|---|---|---|---|---|---|
| WAV | PCM（通常） | 无损（未压缩） | 原始音质 | 大 | 录音、编辑、专业制作 |
| FLAC | 线性预测 + 熵编码 | 无损（压缩） | 原始音质 | 约为 WAV 的 50-60% | 音乐存档、发烧友 |
| MP3 | 感知编码（MDCT + 心理声学模型） | 有损 | 取决于码率（128-320 kbps） | 小 | 网络传输、便携播放 |
| AAC | 改进的感知编码 | 有损 | 同码率下优于 MP3 | 小 | 视频流、Apple 生态 |
我个人在项目中，原始数据一定存 WAV 或 FLAC。WAV 处理起来最快，不需要解码开销。FLAC 适合归档，能省一半空间。MP3 和 AAC 只用于最终交付或测试，因为每次有损压缩都会丢失信息，不适合做特征提取。
一句话总结：做音频算法开发，永远用 WAV（PCM 编码）作为中间格式。别偷懒用 MP3 做训练数据，那点空间省下来，换来的是模型性能的下降，不值当。
1.6 本章知识体系总览
下面这张图，把本章的核心逻辑串起来了。从物理世界的声音，到计算机里的数字信号，每一步都对应一个关键概念。
这张图把本章的脉络理清了。从物理世界的频率、振幅、相位出发，经过采样、量化、编码三步，最终落地到具体的音频文件格式。每一步都有坑，但每一步也都有对应的数学工具和工程实践来填坑。