2. 音频DSP基础
各位同学，咱们今天聊点实在的。音频数据格式，说白了就是声音在数字世界里的「身份证」。你想想看，模拟信号是连续的波浪，数字信号是一串离散的数字。怎么把波浪变成数字？这里面门道可多了。
我刚开始做音频DSP那会儿，踩过一个坑。项目里用了16位整型存音频，结果动态范围不够，背景噪声全被放大了。后来换成24位，问题才解决。嗯，从那以后，我对数据格式的选择就特别敏感。
采样率：时间轴上的「快门」
采样率，就是每秒钟对模拟信号采多少个点。单位是Hz（赫兹）。
为什么要有采样率？因为人耳能听到的频率范围是20Hz到20kHz。根据奈奎斯特采样定理，采样率至少要是信号最高频率的两倍，才能无失真地重建信号。
核心公式： fs ≥ 2 × fmax
其中 fs 是采样率，fmax 是信号最高频率。
常见的采样率有这些：
| 采样率 | 典型应用 | 最高可表示频率 |
|---|---|---|
| 8 kHz | 电话语音 | 4 kHz |
| 16 kHz | VoIP、语音识别 | 8 kHz |
| 44.1 kHz | CD音质 | 22.05 kHz |
| 48 kHz | 电影、专业音频 | 24 kHz |
| 96 kHz | 高解析度音频 | 48 kHz |
| 192 kHz | 录音室母带 | 96 kHz |
我个人习惯，做语音处理用16kHz就够了。做音乐处理，至少48kHz起步。采样率越高，数据量越大，但高频细节保留得越好。这是个取舍问题。
避坑指南： 我曾经在项目里把44.1kHz的音频直接重采样到48kHz，没做抗混叠滤波。结果高频出现了镜像频率，听起来像「嘶嘶」的噪声。记住：重采样前一定要做低通滤波！
位深度：幅度轴上的「精度」
位深度，也叫量化精度。它决定了每个采样点用多少比特来表示。说白了，就是你能把声音的「音量」分得多细。
常见的位深度有：
- 8位： 256个量化等级。动态范围约48dB。听起来像老式游戏机。
- 16位： 65536个量化等级。动态范围约96dB。CD标准。
- 24位： 16777216个量化等级。动态范围约144dB。录音室标准。
- 32位浮点： 动态范围接近理论无限。后期处理神器。
你想想看，16位能表示96dB的动态范围。人耳在安静环境下的动态范围大约是120dB。所以16位其实不够用，尤其是处理交响乐或者电影音效时。
注意： 位深度不是越高越好。32位浮点虽然动态范围大，但占用的存储和带宽也大。在嵌入式系统里，我一般用16位或24位定点。在PC端做后期，我才用32位浮点。
声道数：空间维度的「布局」
声道数，就是音频信号包含几个独立的通道。
- 单声道（Mono）： 1个通道。所有声音从一个点出来。
- 立体声（Stereo）： 2个通道。左声道和右声道，能营造空间感。
- 5.1环绕声： 6个通道。前左、前右、中置、后左、后右、低音炮。
- 7.1.4全景声： 12个通道。增加了天空声道。
声道数直接影响数据量。立体声的数据量是单声道的两倍。5.1是六倍。做性能优化时，声道数是个关键参数。
我记得有一次优化一个多声道音频播放器。原始代码对每个声道单独处理，循环里做了很多重复计算。我把声道数作为最外层循环，把公共计算提到循环外面，性能提升了30%。
PCM与浮点格式：两种「语言」
PCM（脉冲编码调制）是最原始的音频数据格式。它直接用整数表示采样点的幅度值。16位PCM就是每个采样点用一个16位整数表示。
浮点格式，则是用IEEE 754浮点数表示采样点。通常用32位浮点（float）或64位双精度（double）。
| 特性 | PCM（定点） | 浮点 |
|---|---|---|
| 表示范围 | 固定，如-32768 ~ 32767 | 动态范围极大 |
| 精度 | 均匀量化 | 非均匀量化，小信号精度高 |
| 计算开销 | 低（整数运算） | 高（浮点运算） |
| 存储大小 | 16位/24位 | 32位/64位 |
| 适用场景 | 嵌入式、实时系统 | PC端、后期处理 |
为什么浮点格式在后期处理中这么流行？因为它在处理过程中不容易「爆音」。你想想看，PCM做乘法运算时，结果很容易超出表示范围，产生削波失真。浮点格式的动态范围大，基本不用担心这个问题。
我个人的习惯是：在算法内部用浮点计算，输出时再转成PCM。这样既保证了精度，又兼容了硬件。
量化误差分析：数字世界的「舍入误差」
量化误差，就是把连续的模拟值映射到离散的数字值时产生的误差。说白了，就是「四舍五入」带来的损失。
量化误差的数学模型很简单：
量化误差 = 原始模拟值 - 量化后的数字值对于均匀量化（PCM），量化误差的范围是：
-Δ/2 ≤ 量化误差 ≤ Δ/2其中Δ是量化步长。对于16位PCM，Δ = 满量程 / 65536。
量化误差听起来像什么？像背景噪声。我们称之为「量化噪声」。它的功率可以用公式计算：
量化噪声功率 = Δ² / 12信噪比（SNR）则是：
SNR = 6.02 × N + 1.76 dB其中N是位深度。每增加1位，SNR提升约6dB。
实战经验： 我在做语音增强算法时，发现16位PCM的量化噪声在静音段特别明显。后来我用了噪声整形技术，把量化噪声的能量推到人耳不敏感的高频段，主观听感好了很多。
量化误差有两种类型：
- 截断误差： 直接丢弃低位数据。误差大，有直流偏置。
- 舍入误差： 四舍五入到最近的值。误差小，无偏。
我建议你永远用舍入，不要用截断。截断会让信号产生直流分量，后续处理会很麻烦。
知识体系总览
下面这张图，把本章的核心概念串起来了。你可以看到采样率、位深度、声道数如何共同决定音频数据量，以及PCM和浮点格式在量化过程中的位置。
这张图展示了从模拟信号到数字音频的完整流程。采样率决定时间精度，位深度决定幅度精度，声道数决定空间维度。三者共同决定了音频数据量和质量。
实战中的选择建议
说了这么多理论，咱们来点实际的。你在项目中该怎么选？
- 语音通信： 16kHz采样率，16位PCM，单声道。够用，省带宽。
- 音乐播放： 44.1kHz或48kHz，24位PCM，立体声。音质和存储的平衡点。
- 录音室后期： 96kHz，32位浮点，多声道。保留最大动态和细节。
- 嵌入式系统： 根据硬件资源选。我常用16kHz/16位/单声道，用定点算法。
小技巧： 如果你不确定选什么格式，先选高规格的。后期可以降采样、降位深。但反过来，低规格转高规格，丢失的信息是补不回来的。
好了，这一章的内容就到这儿。音频数据格式是DSP的基石，理解透了，后面的优化才能有的放矢。