极客时间-《搞定音频技术》-学习笔记
语音基础知识
https://www.zhangzhenhu.com/audio/feature.html
序章-0
作者说这个语音技术啊，未来肯定前景大好啊，大家都来学习，然后给出了课程的脑图
音频基础
什么是声音
声音的三要素是指响度、音调和音色，它们都是声音的主观属性，用来描述声音的特征。
响度指声音的强弱，音调指声音的高低，音色指声音的质量或特征。
- 响度（Loudness）：
-
指声音的强弱，由振幅决定。
-
振幅越大，响度越大；振幅越小，响度越小。
-
响度还跟距离发声体远近有关。
-
单位是分贝(dB)。
- 音调（Pitch）：
-
指声音的高低，由频率决定。
-
频率越高，音调越高；频率越低，音调越低。
-
单位是赫兹(Hz)。
-
人耳能听到的频率范围大约是20Hz 到20000Hz。
- 音色（Timbre）：
-
指声音的质量、特征，由声源的材料、结构、形状等决定。
-
不同发声体的音色不同，可以帮助我们区分不同的声源。
-
音色也与声波的波形有关
01｜声音是如何保存成数字信号的？
这章我觉得这个介绍得更好：数字音频基础－从PCM说起
声音本质是空气振动，数字音频是这种振动的数学表达。如果声音的三大构成是响度，音高，音色。
那么理解数字音频信号的三大核心指标——就是采样位深、采样率、通道数
模拟到数字：PCM编码链路
声音采集遵循经典的模数转换流程。麦克风将声波转换为电信号（模拟信号），ADC再通过PCM脉冲编码调制完成数字化。这个过程包含三个关键步骤：抽样、量化、编码。
graph LR
A[声波] --> B[麦克风振膜]
B --> C[模拟电信号]
C --> D[ADC转换器（硬件）]
D --> E[PCM数字信号（软件）]
E --> F[音频裸数据]
关于模拟信号到数字信号的部分：
PCM文件即未封装的音频原始数据，也称"裸数据"。所有压缩格式的源头都是PCM。
-
什么是ADC 模数转换器
-
什么是PCM脉冲编码
-
什么是DAC 数模转换器
采样位深：振幅精度的量化标尺
位深决定每个采样点的存储精度，直接影响动态范围和失真度。16位提供96dB动态范围，足够电话通信；32位达到192dB，满足专业音乐制作需求。
位深与精度关系：
- 8位：256个量化级别，早期设备标准，明显失真
- 16位：65536个级别，消费级音频主流
- 24位：1677万个级别，专业录音标准
- 32位：42亿个级别，后期处理无损
采样率：频域完整性的奈奎斯特约束
采样率确定可还原的最高频率。我们在《计算机网络》里学过，根据奈奎斯特定理，采样率必须超过目标频率的2倍才能无失真重建信号。
常见采样率应用：
- 8kHz：电话通信（4kHz带宽）
- 16kHz：语音识别（8kHz带宽）
- 44.1kHz：CD音质（22.05kHz带宽）
- 48kHz：专业音频标准（24kHz带宽）
- 96kHz：高保真录音（48kHz带宽）
graph LR
A[模拟信号] --> B[采样率 fs]
B --> C{fs > 2×fmax?}
C -->|是| D[完整重建]
C -->|否| E[频谱混叠]
44.1kHz覆盖人耳20Hz-20kHz全频段，48kHz则为数字音频工作流提供更大余量，避免抗混叠滤波器设计复杂化。
通道数：空间音频的维度扩展
通道数定义同一时刻并行处理的独立音频流数量。每个通道对应一个物理扬声器或采集麦克风，决定音频系统的空间表现力。
典型通道配置：
- 单声道（Mono）：实时通信、语音识别
- 立体声（Stereo）：音乐播放、耳机体验
- 2.1声道：左右主音箱+低音炮
- 5.1声道：环绕声影院系统
立体声通过左右耳差异营造空间感，麦克风阵列通过多通道采集实现波束成形和噪声抑制。通道数直接影响存储需求和传输带宽。
PCM存储计算：从理论到实践
PCM文件大小遵循简单乘法法则：存储空间 = 位深 × 采样率 × 通道数 × 时长
实例计算：
- 音频参数：立体声，48kHz，16位，100秒
- 存储空间：16 × 48000 × 2 × 100 = 153,600,000位 = 18.31MB
- 传输带宽：16 × 48000 × 2 = 1,536,000bps = 1.5Mbps
这解释了为什么原始PCM文件如此庞大，也说明了音频压缩的必要性。
音频封装：有损与无损的权衡艺术
音频封装格式通过不同压缩策略在文件大小与音质间寻找平衡。理解压缩原理有助于选择适合的格式。
有损压缩（感知编码）：
利用人耳听觉掩蔽效应，去除感知冗余信息。MP3、AAC属此类，压缩比高但存在不可逆失真。
无损压缩（统计编码）：
仅去除统计冗余，保持完全可逆。FLAC、ALAC提供CD级音质，但文件仍较大。
原始格式：
WAV、AIFF本质是PCM的容器格式，添加文件头信息但不压缩音频数据。
选择策略取决于应用场景：存储受限选MP3，音质优先选FLAC，专业制作用WAV。
# to do
# 等待更新
