音视频基础_2_数字音频简介

数字音频简介

模拟信号与数字信号

什么是信号？学术上的标准定义为：信号是信息的载体。例如，司机可以通过红绿灯信号获取当前是否可以通行的信息；人们说话时会发出声音信号，声音信号中就有他想传递的信息；医生可以通过听诊器听到患者的心跳信号，从中获取病理信息。

从数学角度来讲，信号一般可以模拟为拥有一个或多个独立自变量的函数。自变量可以是时间，空间位置，速度等等。

按照自变量和函数值的对应关系对信号进行分类的话，可以将其分为模拟信号和数字信号。如果自变量和函数值都是连续的，那么这样的信号可称为模拟信号（Analog Signals），如下图所示，自变量（时间）和函数值（振幅）都是连续的：

自然界中几乎所有的信号都是模拟信号，如声音，温度，压力等等，因为这些信号都是随着时间的变化而连续变化的。

如果自变量和函数值都是离散的（不连续的），则这样的信号称为数字信号（Digital Signals），如下图所示：

举个简单的例子，汽车在路上行驶，车速本身就是一个模拟信号，因为随着时间变化，车速也是连续变化的。我们可以通过指针仪表盘来模拟车速信号，这种方式也是模拟信号，因为指针仪表盘也是连续变化的，但是如果我们使用数字仪表盘来表示车速，就变成了数字信号，因为数字并不连续。如下图所示。

模拟信号和数字信号在生活中都有应用。**人们一般会用电信号（电流，电磁波等）模拟其他模拟信号，这样产生的电信号同样是模拟信号。**以前的电话，广播，电视使用就是模拟信号。声音和画面本身都是模拟信号，人们使用电信号对其进行模拟，再使用电流或电磁波的方式发射出去，依然是模拟信号（实际原理比这复杂很多，这里不详细介绍了）。

但是模拟信号有一个缺点，就是在传输过程中，抗干扰性比较弱，因为无论是电流还是电磁波，由于其物理特性，都会受到干扰，也会在传播过程中衰减，很容易失真。此时就体现出数字信号的优势了，数字信号由于是离散的值，抗干扰性极强，而且便于存储，传输和分析。在计算机中，都是使用数字信号进行存储和处理的。

要将自然界中的模拟信号转为计算机中的数字信号，需要进行模电转换（A/D转换），下面我们就以声音为例，来介绍这个过程。

要将声音信号转为数字信号，首先要采集原始声音信号，通过麦克风将声音信号转为模拟电信号，有了模拟电信号之后，才可以将其转化为数字信号，这个过程分为三步：

• 采样
• 量化
• 编码

下面逐一讲解。

采样

所谓采样，就是通过周期性地以某一规定间隔截取模拟信号，也就是在时间上将模拟信号离散化，从而将模拟信号变换为数字信号。听上去很费解，我们通过下面的示意图来理解：

上图中，横轴代表时间，纵轴代表模拟信号值的变化，从中可以看到，每隔固定的时间，截取一次模拟信号的值，这些截取到的值就是采样样本，即数字信号。

每秒从模拟信号中提取并组成离散信号的样本个数被称为采样频率（采样率），单位是 Hz。采样频率的倒数是采样周期或者叫作采样时间，它是样本之间的时间间隔。通俗地讲采样率是指每秒钟采集多少个信号样本。

那么很容易得出结论，采样率越高，得到的离散值就越多，就越接近模拟信号，但同时数据量就越大。那么如何既能减少数据量，又能不丢失信息精度呢？奈奎斯特定理给出了解决方案。

奈奎斯特定理：在进行模拟/数字信号的转换过程中，当采样频率大于信号中最高频率的2倍时，采样之后的数字信号可以完整地保留了原始信号中的信息，奈奎斯特定理又称采样定理。

人能听到的声音的最大频率为 20kHz，对于声音信号的采样，业界大多使用的采样率为 44100Hz，符合奈奎斯特定理。当然也有使用更高的采样率的情况，例如47250Hz，48000Hz等，但是使用 44100Hz 的情况比较常见。

PS. 由于人耳对高频率的声音并不敏感，对于不同的场景的声音质量要求不同，所以采样频率也不同，数字电话的采样率只有11025Hz，数字广播的采样率为22050Hz，而对于对音质要求比较高的音乐CD，会采用44100Hz。

量化

由于模拟信号的值是连续的，我们采样到的这些点理论上来说可能有无限个取值的可能，显然，对无限个样值一一给出数字码来对应是不可能的。为了实现以数字码表示样值，必须采用类似“四舍五入”（实际上并不是四舍五入）的方法把样值分级“取整”，使一定取值范围内的样值由无限多个值变为有限个值。这一过程称为量化。

进行量化时，规定的可取值的个数，则由比特深度决定。比特深度（bit depth，也叫位深度）描述了处理音频数据的硬件或软件能达到的细节精度。计算机中使用二进制，一位就是一个 bit，比特深度为 1，则可以表示两种取值，比特深度为 2，则可以表示 4 种取值，以此类推。

总的来说，更多的比特意味着数据处理后更精确的输出结果。每增加一个比特位，所获得的表示意义的可能性将会翻一倍。如果比特深度为16，那么将获得65536种取值可能性，而24位的比特深度将能够表示16777216种不同的取值。

对于音频采样值的量化，现在常用的比特深度为 16，对于人耳已经足够了。

PS. 量化方式并不是线性的，由于人耳对低频率声音更敏感，所以在几百Hz这个范围的的数值，量化步长可以端一些，对于高频率声音（如超过10000Hz）的量化步长可以取的长一些，这种量化方式称为非线性量化，也是常用的量化方式。

编码

经过采样和量化，模拟信号就被转化为了数字信号，记下来就要进行编码，写入到数字存储设备中，典型的存储设备有 CD，硬盘等等。

由于计算机只支持二进制，需要将数字信号的值转化为为0101的二进制数据才能写入存储设备，这个转化过程就叫编码。在音频领域中，采用的编码技术为 PCM，即脉冲编码调制（Pulse Code Modulation）。除了原始的数字信号值，PCM 编码过程中还会写入一些其他的控制数据，以便于后期处理。经过 PCM 编码后的数字信号，可称为原始数字音频数据，有时也被称为 PCM 数据。

那么1秒钟的声音信号，转化为数字信号之后，是多大的数据量呢？计算方法如下：

数字信号的大小（bit）= 采样率 * 比特深度 * 声道数 * 时间（s）

那么对于采样率 44.1KHz，比特深度16，立体声（双声道）的声音，1秒钟的大小为：44100 * 16 * 2 = 1411200 bit，1 Byte=8bit，即 176400 Byte，那么一分钟的数字信号大小为：176400 * 60 = 10584000 Byte，约等于 10 MB。由于 PCM 编码还会写入控制数据，PCM 数据会比这个值还要再大一些。

那么一首4分钟的歌曲，大小在 40 MB 以上。这和我们认知的一首歌曲的大小不太一样，我们从网络上下载一首歌，一般也就几MB。这是为何呢？

这是因为，PCM 数据太大了，存在 CD 或硬盘上还好，但是如果进行网络传输的，每分钟 10 MB，早些年的带宽承受不了，所以人们发明了压缩技术，将 PCM 数据进行压缩，转化为数据量更小，更易传输，更易存储的数据。常见的压缩技术有：WAV，APE，FLAC，WMA，MP3，AAC，OGG 等等。很多时候，人们把这些音频压缩技术也叫做音频编码技术，这是一种普遍叫法。关于压缩技术，后面我们会进一步介绍。

数字音频处理

声音信号经过编码，转化为 PCM 数据，就可以在计算机中进行存储和处理了。我们可以对这些数字音频进行各种处理，包括变声，混音，消音，剪辑，模拟，传输等等等等。数字音频处理技术在日常生活中非常常见，例如手机K歌中的各种变声，广受欢迎的电子音乐，语音聊天等等，后面我们会介绍其中一部分技术。

数字音频处理是一门及其复杂的技术，即使到了今天，还有很多难题没有解决。例如，PS 技术可以轻易的将图片中的某个人替换成另一个人，但是对于声音，很难在一段音频中将一个人的声音换成另一个人的声音，现在有些技术能够做到，但是还不完美。数字音频处理技术一直在发展，很多难题还需要大量的底层技术研究。