音频(一) - 音频基础知识

版权声明：本文为原创文章，未经允许不得转载

博客地址：http://blog.csdn.net/kevindgk

GitHub地址：https://github.com/KevinDGK/MyAudioDemo

前言

最近做的项目涉及到了局域网时时语音通信，研究了一段时间Android端的音频技术，包括音频的录制、播放、降噪、压缩，以及在局域网中的实时传输等。虽然网上关于音频的基本使用有很多资料，但是关于音频的处理和实际开发中遇到的问题不是很详尽，而且有些都过时了，所以小编将非业务相关的音频部分做了整理，写了几篇博客，供大家参考，希望能和大家多多交流。

基础知识点

1.音频的使用场景

音频播放器，录音机，语音电话，音视频监控应用，音视频直播应用，音频编辑/处理软件，蓝牙耳机/音箱等。

2.音频开发的具体内容

（1）音频采集/播放

（2）音频算法处理（去噪、静音检测、回声消除、音效处理、功放/增强、混音/分离等）

（3）音频的编解码和格式转换

（4）音频传输协议的开发（SIP，A2DP、AVRCP等）

3.难点

延时敏感、卡顿敏感、噪声抑制(Denoise)、回声消除(AEC)、静音检测(VAD)、混音算法等，看到这里，是不是慌了呢，其实这些大部分问题都已经有了很好的解决方案或者开源框架，如果不是专门的视音频的开发，不会涉及到太复杂的技术。

4.音频编码

4.1 概念

从信息论的观点来看，描述信源的数据是信息和数据冗余之和，即：数据=信息+数据冗余。音频信号在时域和频域上具有相关性，也即存在数据冗余。将音频作为一个信源，音频编码的实质是减少音频中的冗余。

根据编码方式的不同，音频编码技术分为三种：波形编码、参数编码和混合编码。一般来说，波形编码的话音质量高，但编码速率也很高；参数编码的编码速率很低，产生的合成语音的音质不高；混合编码使用参数编码技术和波形编码技术，编码速率和音质介于它们之间。

通常我们采用的是脉冲代码调制编码，即PCM编码。PCM通过抽样、量化、编码三个步骤将连续变化的模拟信号转换为数字编码。

简单讲，其实就是将采集到的音频模拟信号，经过一定的转换，变成方便在信道中传输的数字信号。在不同的使用场景，也许会使用不同的编码方式，那么音频质量、码率、安全系数等都不一样。

4.2 有损和无损

对于自然界中的音频信号，如果转换成数字信号，进行音频编码，那么只能无限接近，不可能百分百还原，所以说实际上任何信号转换成数字信号都会“有损”。但是在计算机应用中，能够达到最高保真水平的就是PCM编码，被广泛用于素材保存及音乐欣赏，CD、DVD以及我们常见的WAV文件中均有应用。因此，PCM约定俗成了无损编码，因为PCM代表了数字音频中最佳的保真水准，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。我们而习惯性的把MP3列入有损音频编码范畴，是相对PCM编码的。强调编码的相对性的有损和无损，是为了告诉大家，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。

5.PCM - 脉冲编码调制

模拟信号经过->抽样->量化->编码->数字信号

5.1 抽样 - 采样频率

• 抽样：连续的时间信号进行周期性扫描，变成时间上离散的瞬时信号，抽样遵循抽样定理。

• 抽样定理(又称采样定理、奈奎斯特定理)：当采样频率fs大于信号中最高频率fmax的2倍时(fs>2fmax)，采样之后的数字信号完整地保留了原始信号中的信息，也就是说可以不失真的恢复出原始的模拟信号。

• 采样频率：由于人耳能听到的频率范围为20~20kHz，根据抽样定理，fs>=40KHz的时候就可以完整的记录20KHz以下的音频信号，就可以完整的保存人耳能听到的音频数据。采样频率越高，音质就越好，因为保存的音频信息频带越宽，但是如果信号>20KHz的话，人耳也听不到，而且数据量还会变得特别大，所以不可能太高，通常采用CD音质的44.1KHz。刚开始的时候小编也很疑惑，为什么是44.1KHz，最后终于搞懂以后发现并没有什么卵用，这个是根据早期的录音技术和设备有关系的，不用纠结，附上链接：CD为什么采用44.1kHz采样频率？

  附加：常用的音频采样频率有8kHz、11.025kHz、22.05kHz、16kHz、37.8kHz、44.1kHz、48kHz、96kHz、192kHz等。

  ​

5.2 量化

• 量化：用一组规定的电平，把瞬时值用最接近的电平值表示，比如可以分为量化值A0~A15。
• 量化误差：量化后的信号和抽样信号的差值。

比如，A3表示幅度6，那么幅度为6.05和6.1的都可以用最接近的A3表示，它们的差值就是量化误差。

5.3 编码 - 位宽(量化位数，量化级)

用一组二进制码组来表示量化值，比如用0011来表示上面提到的量化值A3。通常，可以使用8bit或者16bit来表示量化值，如果太大了，也没有意义。

8bit：8位二进制，可以表示2^8个量化值；

16bit：16位二进制，可以表示2^16个量化值。

如果是CD音质，量化位数应该是16bit；如果是语音通话，要求不太高的情况下可以是8bit。

5.4 码率

码率 = 采样频率 * 量化位数 * 声道个数

如果是CD音质，采样频率44.1KHz，量化位数16bit，立体声(双声道)，码率 = 44.1 * 16 * 2 = 1411.2Kbps = 176.4KBps，那么录制一分钟的音乐，大概10.34MB。除非专业需要，这个size是我们常常不能接受的，不利于保存和传输。如果是实时的话，每秒需要的带宽就达到了180KB(加上数据包头信息)。

5.5 音频帧

音频数据是流式的，本身没有明确的一帧帧的概念，在实际的应用中，为了音频算法处理/传输的方便，一般约定俗成取2.5ms~60ms为单位的数据量为一帧音频。这个时间被称之为“采样时间”，其长度没有特别的标准，它是根据编解码器和具体应用的需求来决定的，我们可以计算一下一帧音频帧的大小。

假设某通道的音频信号是采样率为8kHz，位宽为16bit，20ms一帧，单通道，则一帧音频数据的大小为：

int size = 8000 x 16bit x 0.02s x 1 = 2560 bit = 320 byte = 160 short

我们采用这种方式来录音，那么我们从音频缓冲区读取音频数据的时候，要一帧一帧的读取，每个音频帧大小为320byte。

6.常见音频的编码技术

根据不同的量化策略，产生了许多不同的编码方式，常见的编码方式有：PCM 和 ADPCM，这些数据代表着无损的原始数字音频信号，添加一些文件头信息，就可以存储为WAV文件了，它是一种由微软和IBM联合开发的用于音频数字存储的标准，可以很容易地被解析和播放。

我们在音频开发过程中，会经常涉及到WAV文件的读写，以验证采集、传输、接收的音频数据的正确性。

7.常见音频数据格式

• WAV

  WAV为微软公司开发的一种声音文件格式，它符合RIFF文件规范，用于保存Windows平台的音频信息资源，被Windows平台及其应用程序所广泛支持，该格式也支持MSADPCM，CCITT A LAW等多种压缩运算法，支持多种音频数字，取样频率和声道，标准格式化的WAV文件和CD格式一样，也是44.1K的取样频率，16位量化数字，因此在声音文件质量和CD相差无几！

  WAV格式文件都有一个文件头，这个文件头包含了音频流的编码参数。

  特点：音质非常好，被大量软件所支持。
  适用于：多媒体开发、保存音乐和音效素材。

• MP3

  特点：音质好，压缩比比较高，被大量软件和硬件支持，应用广泛。
  适用于：适合用于比较高要求的音乐欣赏。

• OGG

  特点：可以用比mp3更小的码率实现比mp3更好的音质，高中低码率下均具有良好的表现。
  适用于：用更小的存储空间获得更好的音质(相对MP3)。

• WMA

  特点：低码率下的音质表现难有对手。
  适用于：数字电台架设、在线试听、低要求下的音乐欣赏。

• APE

  一种新兴的无损音频编码，可以提供50-70%的压缩比，虽然比起有损编码来太不值得一提了，但对于追求完美音质的朋友简直是天大的福音。APE可以做到真正的无损，而不仅是听起来无损，压缩比也要比类似的无损格式要好。

  特点：音质非常好。
  适用于：最高品质的音乐欣赏及收藏。

8.音频开发的Android API

• 音频采集：  MediaRecoder，AudioRecord
• 音频播放：  SoundPool，MediaPlayer，AudioTrack
• 音频编解码： MediaCodec
• NDK API：     OpenSL ES

9.音频处理的开源库

Speex、WebRTC、Opus等

引用

1.基础知识 - 卢俊

2.音频编码 - 百度百科

3.PCM脉冲编码调制 - 百度百科

联系方式

邮箱：[e-mail]

微信：