音频之岁月留声

花满楼原创，转载须授权。

---

听得到的，或听不到的声音，抽象来说，都是模拟信号，也可以形象一点，叫能量波，因为声音是有能量的，而且有大小变化，呈波形状。平常听到的声音都是复杂的波形，不会像单一频率的声音那么干净（比如正弦波、方波之类），但为了便于分析，经常会抽象为简单的波形。

小白：我听过单频率的声音，比如400hz，它是一个正弦波，随时间它的能量会变大变小，但为什么我听不出它有变化呢？

花满楼：400hz就是小蜜蜂嗡嗡啰，你听不出大小变化是因为频率太高了，这跟独立的图片以较高帧率显示就成了连续的，是一个道理。

声音有两个维度是很重要的，一个是能量，一个是频率。能量以时间为横向坐标，即某个时间点对应一个能量值（也叫振幅或气压），表现出来的就是波形图，也叫时域表示。

小白：能量这个好理解啊，在“音频之狮吼功”那篇文章中有介绍过。我能说声音的大小即响度就是振幅吗？

花满楼：振幅（能量）的确影响了响度。但响度是一个心理感知的东西，很难说只受振幅的影响，很可能还跟频率（音调高低）及持续的时间，甚至对比度都有关系，所以不能说响度就是振幅，只能说响度受振幅影响。

小白：要不要这么严格啊？

声音的频率维度，是一个很复杂的概念，不在本文展开，会另作介绍。

小白：频率不就是音调，即声音的高低吗？有什么复杂？

花满楼：频率怎么来？频率怎么表示？怎么从频率看音色？这些内容足够讲一篇文章了。即使是刚才说的波形图，也是没有展开讲包络与精细结构之类的概念的。

小白：……那还是回到正题，快点说怎么采集声音吧！

本文介绍声音的采集。

小白：你之前介绍过用ffmpeg来录制声音的，是不是那样采集？

花满楼：那是采集的应用层的实现，这次要介绍原理性的东西，而且不涉及录音师之类的工作，比如布mic、配音、拟音之类。

小白：好枯燥啊！

自然界的声音转换成数字编码，要经过电平化、放大、采样、量化、编码。

（一）电平化

比如，通过碳膜来对接声音。声音的能量推动话筒的碳膜，碳膜振动时触发跟它相连的电极，产生电信号。电平大小与碳膜的振幅相关，而这又与声音的能量有关。

（二）放大

通过话筒取到的电信号是微弱的，为了支持后续的处理，有必要通过放大电路把信号放大。

（三）采样

采样是模数转换（ADC）的过程，也就是把连续的电信号采样成离散的数值。

这里有一个概念叫采样率，采样率就是一秒钟一个声道采多少个样本。比如采样率为44100hz，则表示一秒钟一个声道采集了44100个样本（数值），如果一个样本用2个字节（即16bit）来表示，则对于双通道的同时采集（相当于两个话筒输入），一秒钟占的字节数是：44100*2*2=176400，约176kB，这样采集下去，如果不作处理，则大小不是一般的磁盘与带宽能够接受得了的，所以才会有编码压缩的引入。

小白：为什么要使用44100hz，使用10hz来采，不就没有那么大的占用了吗？

花满楼：你用10hz当然小很多啦，但10hz不能还原或逼近原模拟信号（最终是要播放即转换成模拟信号的）。这里有一个采样定理，即如果想还原出模拟信号，则采样率不能低于模拟信号的最高频率的2倍，也就是对于最高频率的一次全振动内，你至少也要采到两个点。对于人耳来说，听到的频率范围是20hz到20khz，所以可以认为最高的模拟信号的频率为20khz，那么采样的频率就要达到40khz才能保证还原模拟信号。

小白：那就40khz啊，为什么常见的是44.1khz呢？

花满楼：当时索尼公司正是人生的巅峰，而他使用了这个值，行业就都跟风去了。

（四）量化

采样得到样本后，用多少二进制位去表示它，这个就是量化，而多少位则为量化精度（位深）。

一般位深为16bit、24bit或32bit。

对于16bit，2^16=65536，20log(65536)约等于96dB，也就是16bit能表示96分贝的能量变化。从安静环境的30dB到演唱会的120dB，96dB都基本能覆盖上了。16bit的1bit就相当于6dB。

24bit与32bit也是量化精度的选择，因为会比16bit更细腻，但占的空间也更大。

小白：如果我选择1bit来表示会怎么样？

花满楼：1bit只有两个值，即0跟1，那它对应的电平值就只有两个等级，比如0dB跟100dB，中间的音量都听不到，结果就是表示的0dB你听不到，而表示的100dB又基本不出现，于是就什么声音都听不到。如果用2bit来表现，就有4个值，对应的电平等级就有4级，但层次还是不分明，不能细腻地表示变化。

（五）编码

这里的编码是指采样后电平值的表示方式。

pcm（脉冲编码调制）是常用的音频编码格式，也就是对每个采样的样本，用最接近的电平值（电平值的范围由量化精度决定）去表示，每个样本互相独立。

pcm编码格式在表示上，还可以细分为很多种，比如pcm_s16be、pcm_f32le、pcm_alaw之类。

显然，pcm编码是没有压缩的。

小白：这个pcm编码跟mp3、aac之类的编码有什么不一样？

花满楼：pcm编码是没有压缩数据的，它是采样时表示数据的一种方式。而mp3、aac之类则是对pcm数据的压缩编码。如果要播放，则要把压缩编码的数据，解码成pcm数据。

小白：除了这个方式，还有别的表示方式吗？

花满楼：还有一种有名的编码格式叫DSD，以44100的64倍的频率去采样，而每一个样本用1bit去表示，并且样本彼此关联。

小白：我都快睡着了，真是枯燥的“岁月留声”啊。

花满楼：……

---

开心时间

1、同学面试一大公司，录取二人，大概五六十个人报名。考题是：让考官在最短的时间内记住自己。我同学一句没说上去给考官一嘴巴，调头跑了。第二天通知他去上班。他思索许久放弃了。2、局长与科长共乘电梯，局长放一屁后对科长说:你放屁了。科长说:不是我放的。不久科长被免职。局长在会上说:屁大的事你都担待不起，要你何用?3、蜜蜂狂追蝴蝶，蝴蝶却嫁给了蜗牛。蜜蜂不解：他哪里比我好。蝴蝶回答：人家好歹有自己的房子，哪像你住在集体宿舍。4、一同学去食堂打饭，打到饭后问打饭师傅，“师傅，怎么你们沙子里面有米啊!!!”5、大二时，全宿舍的女生都喜欢周华建的歌，一盘磁带被大家借来借去的。一日，上铺的女生问：我的周华建呢？下铺的女生回答：在我床上呢！两秒钟寂静无声，然后全体翻倒在床。

---

多媒体开发，关联阅读

FFmpeg第一次约会

ffplay看直播，简洁是美

摄像头启动，开始监控

调试FFmpeg

组装FFmpeg，为我所用

从视频中抽几张图

流媒体服务器，给你好看

他们都在说的概念

媒体封装格式的时装show

音频之狮吼功

---

扫一扫下面的二维码直接加入技术讨论群：

---

在公众号对话框输入数字2，小编拉你进去程序员技术讨论群。