音视频集中营1-音频的录制

最近学习音视频的相关知识，林林总总查了很多资料（博客，官方文档，源码，工具），对于初学者，完全满足“了解”的需求。这些零散的知识都是针对某个部分解析的，是音视频的砖，音视频的美丽大厦还得用它们砌起来。好了，废话少说，搬砖砌墙。

音视频包括音频和视频两个部分。通常简称为“视频”，而默认包含音频。如果把音频看成声音一维，视频看成平面二维，加上时间轴那么一个音视频是个四维空间。因此，音视频可以理解为在特定的时间上发生的声音和图像。本质也是一种运动。

音视频承载于万维网，是信息存储的方式之一,是人类信息传递方式伴随科技发展而“进化”的产物。由于它比文字符号载体更符合人的感官，而更容易被接受和传播，但是它的严谨性，个人觉得不如文字。

信息具有可度量，可传递，可变换，可扩充，可识别等等特征，而音视频是信息的载体，因此音视频同样也具备这些特征。其表现为音视频的录制，处理，封装，传输，解封装和播放。下面一一介绍这些组成部分。
音频和视频这里要分开而论

---

音频的录制

这个过程是音频的源头。

采集声音的最简单设备就是麦克风，将振动信号转换成电压信号，然后放大再采集成 PCM（脉冲编码调制）。无论现在的麦克风设计的多么的花哨和时尚，这一过程别无二致。简单的理解：PCM数据是一串按照固定频率采集到的电压正负振幅值。

为什么是固定频率呢？1.基于一定的信息学原理；2.减少不必要的存储。如果采样率不同，那么在数字化过程中，就要记录时间点，如此相比固定频率需要多存储一维数据。（固定采样率可以依据值所在位置推算）频率也称为采样率，常见的采样率有22050HZ，44100HZ。比如Mp3，CD都是是44.1kHz。为什么用44.1kHz这个“前不着村后不着店”的数字呢？根据奈奎斯特采样理论，为了保证声音不失真，采样频率应该在40kHz左右。

…在 CD 发明前硬盘还很贵，主要的数字音频信号储存媒体是录像带，用黑白来记录 0 与 1 。而当时的录像带格式为每秒 30 张，而一张图又可以分为 490 条线，每一条线又可以储存三个取样信号，因此每秒有 30*490*3=44100 个取样点，而为了研发的方便， CD唱盘也继承了这个规格

采样率越大，每秒采样数越大，音频的品质越好。但是不可奢望完美，还要有存储空间的权衡。查资料得之，电话所用8kHz采样率, 对于人的说话已经足够，22.05KHz使用于无线电广播；48kHz是数字电视、DVD、DAT、电影和专业音频所用的采样率。能有多大的采样率，就看你有多豪，发烧的够不够级别。

电压的正负振幅值使用计算机8bit，16bit，32bit或者64bit 存储，不同的存储字节，不同的位宽，够存储振幅值范围不同，16bit比8bit能够表达的值域更大，因此8bit相比16bit相当于把超过区间(-255,255]的振幅值一刀切了。位宽越大，存储越大。

一个麦克风效果不佳，来两个，两个还不完美来四个。毕竟声音是可以混效的。从多个音频源或者相同音频源不同位置采集声音，播放时输入到不同的扬声器中，使得声音叠加起来，达到环绕的效果，可以提高听觉体验。录制的麦克风个数，或者播放的扬声器个数称为声道数。常见的分左右的双声道的立体声；前左、前右，后左、后右的环绕四声道。有时会听到X.1声道，那个.1就是低音炮。

最后还有音频帧的概念，对于PCM来说没有这个玩意。前文提到声音是一维的，图像是二维的，因此声音没有图像二维帧的概念。但是为了方便使用和管理，在把数据用于编码封装时引用了帧的概念，如此把连续的音频数据分割成音频帧，封装到容器中，在播放时实现播放器的拖拉播放。帧一般指一定时长的采样数；确定时长和采样率就确定音频帧的大小。在下文中的音频格式中会用到它。

参考资料

1. PCM数据格式
2. 音频数字化简单原理
3. 声音
4. 声道
5. 音频帧概念详解