音频基础概念-学习笔记

目录
一、声音的物理本质
二、数字音频
 2.1 麦克风是如何采集声音的
 2.2 音频采样
 2.3 音频量化
 2.4 音频编码
三、常用的音频压缩编码格式

---

一、声音的物理本质

声音是一种压力波，物体振动引起空气振动，产生疏密变化，形成声波（像石头落到水里形成的波纹）。
如下图，当小球撞击到音叉的时候， 音叉会发生振动， 对周围的空气产生挤压， 从而产生声音。

声音有三个重要要素：频率、 振幅和波形， 频率代表音阶的高低， 振幅代表响度， 波形代表音色。

• 频率越高， 波长就越短。 低频声响的波长则较长， 所以其可以更容易地绕过障碍物， 因此能量衰减就小， 声音就会传得远， 反之则会得到完全相反的结论；
• 振幅：指声音能量的大小(响度)，也就是平时说的音量，分贝常用于描述响度的大小；
• 音色：波形决定了声音的音色。声音因物体材料的特性而不同。在同样的音调(频率)和响度(振幅)下，不同物体通过介质所产生的波形不同，形成不同的音色。

人耳对3～4kHz频率范围内的声音比较敏感。 频率范围较宽的音乐， 其声压以80～90dB为最佳， 超过90dB将会损害人耳（105dB为人耳极限） 。

回声是因为声音在传播过程中遇到障碍物会反弹回来， 再次被我们听到。若两种声音传到我们的耳朵里的时差小于80毫秒， 我们就无法区分开这两种声音了。

共鸣：两个频率相同的物体， 敲击其中一个物体时另一个物体也会振动发声。

二、数字音频

上一小节，认识了声音的物理特性，如果要将声音给到计算机处理，就需要再认识数字音频，因为计算机最终只会认识0或1的二进制数，所以需要将自然界的声音进行处理，形成数字音频才可以被计算机识别到。首先，了解一下模拟信号和数字信号。

• 模拟信号是指用连续变化的物理量所表达的信息，通常又把模拟信号称为连续信号，它在一定的时间范围内可以有无限多个不同的取值。实际生产生活中的各种物理量，如摄相机摄下的图像、录音机录下的声音、车间控制室所记录的压力、流速、转速、湿度等等都是模拟信号。
• 数字信号是指在取值上是离散的、不连续的信号。数字信号是在模拟信号的基础上经过采样、量化和编码而形成的。

2.1 麦克风是如何采集声音的

麦克风里面有一层非常薄而且十分敏感碳膜，说话的声音会压缩空气也会压缩这层碳膜， 碳膜在受到挤压时也会发出振动， 在碳膜的下方就是一个电极， 碳膜在振动的时候会接触电极， 接触时间的长短和频率与声波的振动幅度和频率有关， 这样就完成了声音信号到电信号的转换。之后再经过放大电路处理， 就可以实施后面的采样量化处理了。

2.2 音频采样

音频采样就是将模拟信号的音频转换成数字信号音频的过程，通过模/数转换器（A/D）对声波进行采样，每一次采样都记录下了原始模拟声波在某一时刻的状态，称之为样本，将一串的样本连接起来，就可以描述一段声波。把每一秒钟所采样的次数称为采样频率，单位为HZ（赫兹）。其实，采样就是在时间轴上对信号进行数字化。

对于高质量的音频信号， 其频率范围（人耳能够听到的频率范围） 是20Hz～20kHz， 所以采样频率一般为44.1kHz， 这样就可以保证采样声音达到20kHz也能被数字化， 从而使得经过数字化处理之后， 人耳听到的声音质量不会被降低。 而所谓的44.1kHz就是代表1秒会采样44100次。

2.3 音频量化

音频量化指将模拟信号的连续取值近似为有限多个(数字信号)离散值的过程，通过采样之后，获取了一系列样本，量化就是确定这些样本的取值范围。比如用16比特的二进制信号来表示声音的一个采样， 而16比特（一个short） 所表示的范围是[-32768， 32767]， 共有65536个可能取值， 因此最终模拟的音频
信号在幅度上也分为了65536层。

2.4 音频编码

音频编码， 就是按照一定的格式记录采样和量化后的数字数据， 比如顺序存储或压缩存储， 等
等。描述一段音频数据一般需要这几个概念：采样率(sampleRate)、量化格式(sampleFormat) 、声道数(channel)。 以CD的音质为例：采样率为44100，量化格式为16比特(2字节)，声道数为2，这些信息就描述了CD的音质。此外还有一个概念：比特率，即1秒时间内的比特数目， 它用于衡量音频数据单位时间内的容量大小。以刚才的CD音质为例，其比特率计算为：44100 * 16 * 2 = 1378.125kbps 。如果1分钟则需要的存储空间为：1378.125 * 60 / 8 / 1024 = 10.09MB（乘以60分钟，bit换算为byte要除以8，字节换算到MB除以1024）。

1分钟音频数据就需要10.09MB的存储空间，数据量比较大，所以音频存储时一般会进行压缩编码。压缩算法包括有损压缩和无损压缩，无损压缩是指解压后的数据可以完全复原。

三、常用的音频压缩编码格式

(1) WAV编码
PCM（脉冲编码调制） 是Pulse Code Modulation的缩写，是音频的裸数据格式，而WAV编码的一种实现（有多种实现方式， 但是都不会进行压缩操作） 就是在PCM数据格式的前面加上44字节， 分别用来描述PCM的采样率、 声道数、 数据格式等信息。
特点： 音质非常好， 大量软件都支持。
适用场合： 多媒体开发的中间文件、 保存音乐和音效素材。

(2) MP3
编码MP3具有不错的压缩比， 使用LAME编码（MP3编码格式的一种实现） 的中高码率的MP3文件，听感上非常接近源WAV文件， 当然在不同的应用场景下， 应该调整合适的参数以达到最好的效果。
特点： 音质在128Kbit/s以上表现还不错， 压缩比比较高， 大量软件和硬件都支持， 兼容性好。
适用场合： 高比特率下对兼容性有要求的音乐欣赏。

(3) AAC编码
AAC是新一代的音频有损压缩技术， 它通过一些附加的编码技术（比如PS、 SBR等），衍生出了LC-AAC、 HE-AAC、 HE-AAC v2三种主要的编码格式。 LC-AAC是比较传统的AAC， 相对而言， 其主要应用于中高码率场景的编码（≥80Kbit/s） ； HE-AAC（相当于AAC+SBR）主要应用于中低码率场景的编码（≤80Kbit/s） ； 而新近推出的HE-AAC v2（相当于AAC+SBR+PS） 主要应用于低码率场景的编码（≤48Kbit/s） 。 事实上大部分编码器都设置为≤48Kbit/s自动启用PS技术， 而>48Kbit/s则不加PS， 相当于普通的HE-AAC。
特点： 在小于128Kbit/s的码率下表现优异， 并且多用于视频中的音频编码。
适用场合： 128Kbit/s以下的音频编码， 多用于视频中音频轨的编码。

(4) Ogg编码
Ogg是一种非常有潜力的编码， 在各种码率下都有比较优秀的表现， 尤其是在中低码率场景下。 Ogg除了音质好之外， 还是完全免费的， 这为Ogg获得更多的支持打好了基础。 Ogg有着非常出色的算法，可以用更小的码率达到更好的音质， 128Kbit/s的Ogg比192Kbit/s甚至更高码率的MP3还要出色。 但目前因为还没有媒体服务软件的支持， 因此基于Ogg的数字广播还无法实现。 Ogg目前受支持的情况还不够好， 无论是软件上的还是硬件上的支持， 都无法和MP3相提并论。
特点： 可以用比MP3更小的码率实现比MP3更好的音质， 高中低码
率下均有良好的表现， 兼容性不够好， 流媒体特性不支持。适用场合： 语音聊天的音频消息场景

---

参考资料：
《百度百科》
《音视频开发指南-基于android与ios的平台实践》