03_重识音频

我们平时在互联网上听到的声音，都是先经过录制后，再传输到互联网上的。比如歌曲、电影、主播等的声音。

PCM

录音的原理可以简单理解为：把声源的振动记录下来，需要时再让某个物体按照记录下来的振动规律去振动，就会产生与原来一样的声音。

记录 重现

如何把声音（声源的振动）记录下来呢？声音属于模拟信号，但更便于计算机处理和存储的是数字信号（二进制编码），所以需要将模拟信号（Analog Signal）转成数字信号（Digital Signal）后进行存储。这一过程，我们可以称之为：音频数字化。

模拟信号与数字信号的比喻 模拟信号与数字信号的转换

将音频数字化的常见技术方案是脉冲编码调制（PCM，Pulse Code Modulation），主要过程是：采样 → 量化 → 编码。

模拟信号转数字信号 模拟信号转数字信号

采样

模拟信号的波形是无限光滑的，可以看成由无数个点组成，由于存储空间是相对有限的，数字编码过程中，必须要对波形的点进行采样。采样（Sampling）：每隔一段时间采集一次模拟信号的样本，是一个在时间上将模拟信号离散化（把连续信号转换成离散信号）的过程。

采样率

每秒采集的样本数量，称为采样率（采样频率，采样速率，Sampling Rate）。比如，采样率44.1kHz表示1秒钟采集44100个样本。

采样定理

根据采样定理（奈奎斯特–香农采样定理，Nyquist-Shannon sampling theorem）得知：只有当采样率高于声音信号最高频率的2倍时，才能把采集的声音信号唯一地还原成原来的声音。人耳能够感觉到的最高声音频率为20000Hz，因此为了满足人耳的听觉要求，需要至少每秒进行40000次采样（40kHz采样率）。这就是为什么常见的CD的采样率为44.1kHz。电话、无线对讲机、无线麦克风等的采样率是8kHZ。

量化

量化（Quantization）：将每一个采样点的样本值数字化。

位深度

位深度（采样精度，采样大小，Bit Depth）：使用多少个二进制位来存储一个采样点的样本值。位深度越高，表示的振幅越精确。常见的CD采用16bit的位深度，能表示65536（2¹⁶）个不同的值。DVD使用24bit的位深度，大多数电话设备使用8bit的位深度。

不同采样率、位深度对比

编码

编码：将采样和量化后的数字数据转成二进制码流。

其他概念

声道（Channel）

单声道产生一组声波数据，双声道（立体声）产生两组声波数据。

采样率44.1kHZ、位深度16bit的1分钟立体声PCM数据有多大？

• 采样率 * 位深度 * 声道数 * 时间
• 44100 * 16 * 2 * 60 / 8 ≈ 10.34MB

1分钟10.34MB，这对于大部分用户来说是不能接受的。要想在不改变音频时长的前提下，降低音频数据的大小，只有2种方法：降低采样指标、压缩。降低采样指标是不可取的，会导致音频质量下降，用户体验变差，因此专家们研发了各种压缩方案。

比特率

比特率（Bit Rate），指单位时间内传输或处理的比特数量，单位是：比特每秒（bit/s或bps），还有：千比特每秒（Kbit/s或Kbps）、兆比特每秒（Mbit/s或Mbps）、吉比特每秒（Gbit/s或Gbps）、太比特每秒（Tbit/s或Tbps）。

采样率44.1kHZ、位深度16bit的立体声PCM数据的比特率是多少？

• 采样率 * 位深度 * 声道数
• 44100 * 16 * 2 = 1411.2Kbps

通常，采样率、位深度越高，数字化音频的质量就越好。从比特率的计算公式可以看得出来：比特率越高，数字化音频的质量就越好。

信噪比

信噪比（Signal-to-noise ratio，SNR，S/N，讯噪比），指信号与噪声的比例，用于比较所需信号的强度与背景噪声的强度，以分贝（dB）为单位。

位深度限制了信噪比的最大值，它们的关系如下表所示。

位深度	信噪比
4	24.08
8	48.16
11	66.22
12	72.24
16	96.33
18	108.37
20	120.41
24	144.49
32	192.66
48	288.99
64	385.32

音频的编码与解码

编码（Encode）

PCM数据可以理解为是：未经压缩的原始音频数据，体积比较大，为了更便于存储和传输，一般都会使用某种音频编码对它进行编码压缩，然后再存成某种音频文件格式。

编码

压缩分为无损压缩和有损压缩。

• 无损压缩
  • 解压后可以完全还原出原始数据
  • 压缩比小，体积大
• 有损压缩
  • 解压后不能完全还原出原始数据，会丢失一部分信息
  • 压缩比大，体积小
  • 压缩比越大，丢失的信息就越多，还原后的信号失真就会越大
  • 一般是通过舍弃原始数据中对人类听觉不重要的部分，达成压缩成较小文件的目的
• 压缩比 = 未压缩大小 / 压缩后大小

解码（Decode）

当需要播放音频时，得先解码（解压缩）出PCM数据，然后再进行播放。

解码

常见的音频编码和文件格式

需要注意的是：音频文件格式并不等于音频编码。比如：

• WAV只是一种文件格式，并不是一种编码

• FLAC既是一种文件格式，又是一种编码

下面对常见的音频编码和文件格式做一个简介，以后有需要时再进行详细介绍。

名称	无损压缩	文件扩展名
Monkey's Audio	✔️	.ape
FLAC（Free Lossless Audio Codec）	✔️	.flac
ALAC（Apple Lossless Audio Codec）	✔️	.m4a/.caf
MP3（MPEG Audio Layer III）	❌	.mp3
WMA（Windows Media Audio）	❌	.wma
AAC（Advanced Audio Coding）	❌	.acc/.mp4/.m4a
Vorbis	❌	.ogg
Speex	❌	.spx
Opus	❌	.opus
Ogg		.ogg
WAV（Waveform Audio File Format）		.wav
AIFF（Audio Interchange File Format）		.aiff、.aif

无损

Monkey's Audio

Monkey's Audio，是一种无损的音频编码和文件格式，文件扩展名为.ape，压缩率一般在55%左右。

FLAC

FLAC（Free Lossless Audio Codec），是一种无损的音频编码和文件格式，文件扩展名为.flac。虽然压缩率稍有不及Monkey's Audio，但FLAC技术更先进，占用资源更低，有更多的平台及硬件产品支持FLAC。

ALAC

ALAC（Apple Lossless Audio Codec），是由Apple开发的一种无损的音频编码，文件扩展名为.m4a、.caf。

有损

MP3

MP3（MPEG Audio Layer III），是非常流行的一种有损音频编码和文件格式，文件扩展名为.mp3。

• 第1版是：MPEG-1 Audio Layer III，属于国际标准ISO/IEC 11172-3
• 第2版是：MPEG-2 Audio Layer III，属于国际标准ISO/IEC 13818-3
• 第3版是：MPEG-2.5 Audio Layer III，并不是由MPEG官方开发的，不是公认的标准

WMA

WMA（Windows Media Audio），是由Microsoft开发的音频编码和文件格式，文件扩展名为.wma。包括4种类型：

• WMA：原始的WMA编解码器，作为MP3的竞争者，属于有损音频编码
• WMA Pro：支持更多声道和更高质量的音频，属于有损音频编码
• WMA Lossless：属于无损音频编码
• WMA Voice：属于有损音频编码

AAC

AAC（Advanced Audio Coding），是由Fraunhofer IIS、杜比实验室、AT&T、Sony、Nokia等公司共同开发的有损音频编码和文件格式，压缩比通常为18:1。

AAC被设计为MP3格式的后继产品，通常在相同的比特率下可以获得比MP3更高的声音质量，是iPhone、iPod、iPad、iTunes的标准音频格式。

AAC编码的文件扩展名主要有3种：

• .aac：传统的AAC编码，使用MPEG-2 Audio Transport Stream（ADTS）容器
• .mp4：使用了MPEG-4 Part 14的简化版即3GPP Media Release 6 Basic（3gp6）进行封装的AAC编码
• .m4a：为了区别纯音频MP4文件和包含视频的MP4文件而由Apple公司使用的扩展名
  • Apple iTunes对纯音频MP4文件采用了.m4a文件扩展名
  • M4A的本质和音频MP4相同，故音频MP4文件可以直接更改文件扩展名为.m4a

Vorbis

Vorbis，是由Xiph.Org基金会开发的一种有损音频编码。通常以Ogg作为容器格式，所以常合称为Ogg Vorbis，文件扩展名为.ogg。

Speex

Speex，是由Xiph.Org基金会开发的一种有损音频编码和文件格式，文件扩展名为.spx。

Opus

Opus，是由Xiph.Org基金会开发的一种有损音频编码和文件格式，文件扩展名为.opus。用以取代Vorbis和Speedx。经过多次盲听测试，在任何给定的比特率下都比其他标准音频格式具有更高的质量，包括MP3、AAC。

文件格式

Ogg

Ogg是一种多媒体文件格式，由Xiph.Org基金会所维护，可以纳入各式各样的音视频编码（音频、视频都可以），文件扩展名常为.ogg。

Ogg常用的音频编码有：

• 有损压缩：Speex、Vorbis、Opus
• 无损压缩：FLAC
• 未压缩：PCM

WAV

WAV（Waveform Audio File Format），是由IBM和Microsoft开发的音频文件格式，扩展名是.wav，通常采用PCM编码，常用于Windows系统中。

WAV的文件格式如下图所示，前面有44个字节的文件头，紧跟在后面的就是音频数据（比如PCM数据）。

WAV文件格式 WAV文件格式

• NumChannels：声道数
• SampleRate：采样率（Hz）
• ByteRate：每秒多少个字节（Byte/s）
• BitsPerSample：位深度
• BlockAlign:一个样本的字节数 = BitsPerSample * NumChannels / 8

AIFF

AIFF（Audio Interchange File Format），由Apple开发的音频文件格式，扩展名是.aiff、.aif。跟WAV一样，通常采用PCM编码，常用于Mac系统中。

有损和无损

根据采样率和位深度可以得知：相对于自然界的信号，音频编码最多只能做到无限接近，任何数字音频编码方案都是有损的，因为无法完全还原。目前能够达到最高保真水平的就是PCM编码，因此，PCM约定俗成叫做无损音频编码，被广泛用于素材保存及音乐欣赏，CD、DVD以及常见的WAV文件中均有应用。

但并不意味着PCM就能够确保信号绝对保真，PCM也只能做到最大程度的无限接近。我们习惯性的把MP3列入有损音频编码范畴，是相对于PCM编码的。要做到真正的无损是困难的，就像用数字去表达圆周率，不管精度多高，也只是无限接近，而不是真正等于圆周率的值。