极客时间-《搞定音频技术》-学习笔记

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。

1. 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)。

2. 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。

3. 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 LRA[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 LRA[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