音频领域基本概念

概念	作用	常见值
采样率	决定频率范围	44.1kHz, 48kHz
位深度	决定动态范围	16bit, 24bit
比特率	决定数据量与音质	128kbps, 320kbps, 无损
编码方式	压缩算法（有损/无损）	MP3, AAC, FLAC
声道数	空间感与沉浸感	单声道、立体声、5.1
容器格式	文件封装方式	MP4, MKV, WAV, FLAC
编解码器	实现压缩与播放	LAME（MP3）、FDK AAC
元数据	文件信息管理	ID3、Vorbis Comment
延迟与抖动	影响实时性与音质	低延迟 < 10ms
响度标准化	统一播放音量	LUFS, ReplayGain

1. 采样率（Sample Rate）

定义：
采样率是指每秒钟对声音信号进行采样的次数，单位是赫兹（Hz）或千赫兹（kHz）。它决定了音频能还原的频率范围。

原理：
根据奈奎斯特定理（Nyquist Theorem），采样率必须至少是声音最高频率的两倍，才能准确还原原始声音。

常见采样率：

8 kHz：电话音质，语音清晰即可。
16 kHz：网络语音、对讲机等。
22.05 kHz：接近FM广播音质。
44.1 kHz：CD 音质标准（如音乐CD）。
48 kHz：数字视频、DVD、流媒体常用。
96 kHz 或更高：高解析度音频（Hi-Res Audio），用于专业录音。

举例：44.1 kHz 表示每秒采集 44,100 个声音样本。

2. 比特率（Bit Rate）

定义：
比特率是指每秒钟传输或存储的音频数据量，单位是 kbps（千比特每秒）。

作用：
比特率越高，音频质量通常越好，但文件也越大。

影响因素：

采样率
位深度（Bit Depth）
声道数（如单声道、立体声）
编码方式（有损/无损）

常见比特率举例：

128 kbps：MP3 常见音质，适合流媒体。
192 kbps：接近CD音质，平衡质量与大小。
320 kbps：MP3 最高质量。
1411 kbps：CD 音质（未压缩，44.1kHz, 16bit, 立体声）。
无损格式（如 FLAC）：500–1000+ kbps，保留全部原始信息。

注意：比特率 ≠ 采样率。比特率是“数据流量”，采样率是“采样频率”。

3. 编码（Encoding） / 音频格式

定义：
编码是指将模拟音频信号转换为数字数据，并通过特定算法进行压缩和存储的过程。不同的编码方式对应不同的音频格式。

分类：

（1）无损编码（Lossless）

压缩时不丢失任何原始信息，可完全还原。
文件较大。
常见格式：
- FLAC（Free Lossless Audio Codec）：开源、广泛支持。
- ALAC（Apple Lossless）：苹果生态。
- WAV、AIFF：未压缩或无损压缩，质量高但体积大。

（2）有损编码（Lossy）

通过去除人耳不易察觉的声音信息来大幅减小文件。
不可逆，损失部分音质。
常见格式：
- MP3（MPEG-1 Audio Layer III）：最普及。
- AAC（Advanced Audio Coding）：比 MP3 更高效，常用于 Apple、YouTube、流媒体。
- OGG Vorbis：开源格式，常用于游戏和网页。
- WMA（Windows Media Audio）：微软推出。

三者关系总结

概念	决定什么？	影响
采样率	音频频率范围（清晰度）	高频还原能力
比特率	数据量（音质与文件大小）	细节丰富度、噪声
编码	压缩方式与格式	兼容性、效率、有损/无损

✅ 高采样率 + 高比特率 + 无损编码 = 高保真音质（如 FLAC 96kHz/24bit）
❌ 低采样率 + 低比特率 + 有损编码 = 语音级音质（如 8kbps AMR 语音）

举个实际例子

你听一首 MP3 歌曲：

格式：MP3（编码）
采样率：44.1 kHz
比特率：128 kbps

这意味着：每秒采集 44,100 次声音，每秒传输 128,000 比特的数据，使用有损压缩算法。

4. 位深度（Bit Depth）

定义：
位深度表示每次采样时用来记录声音振幅精度的比特数，决定了音频的动态范围和信噪比。

常见值：

8 bit：动态范围小，音质粗糙，多用于早期游戏或语音提示。
16 bit：CD 标准，动态范围约 96 dB，适合大多数音乐播放。
24 bit：专业录音常用，动态范围可达 144 dB，保留更多细节，便于后期处理。
32 bit float：高端录音与混音使用，允许极大动态范围，防止削波失真。

✅ 举例：16 bit 可表示 65,536 个振幅级别；24 bit 可表示超过 1600 万个级别。

5. 声道数（Channels）

定义：
指音频中独立录音或播放的声音通道数量。

常见类型：

单声道（Mono）：1 个声道，声音来自一个方向。
立体声（Stereo）：2 个声道（左、右），营造空间感，最常见于音乐。
环绕声（Surround Sound）：
- 5.1 声道：左、中、右、左后、右后 + 低音炮（.1）
- 7.1 声道：在 5.1 基础上增加两个侧向声道
空间音频 / 3D 音频：如 Dolby Atmos，支持声音在三维空间定位。

💡 声道越多，文件越大，沉浸感越强，常用于电影、游戏。

6. 动态范围（Dynamic Range）

定义：
音频中最弱声音与最强声音之间的差值，单位为分贝（dB）。反映声音的“细腻程度”和“冲击力”。

高动态范围：能同时表现轻柔耳语和震撼爆炸。
低动态范围：声音趋于“平坦”，常因压缩过度导致。

🎧 在流媒体中常使用动态压缩（Dynamic Compression）来缩小动态范围，使声音在嘈杂环境中更清晰。

7. 音频容器（Container / Format）

定义：
容器是封装音频（有时还包括视频、字幕等）数据的文件格式，决定了哪些编码可以被包含。

常见容器与支持的编码：

容器格式	常见用途	支持的音频编码
`.mp4`	视频/音乐	AAC, MP3, ALAC
`.mkv`	高清视频	AAC, DTS, AC3, FLAC
`.avi`	老式视频	MP3, PCM
`.wav`	未压缩音频	PCM（通常）
`.flac`	无损音乐	FLAC（本身是编码+容器）
`.m4a`	Apple 音乐	AAC, ALAC
`.ogg`	开源媒体	Vorbis, Opus

⚠️ 注意：.mp3 是编码也是容器；而 .mp4 是容器，内部音频可以是 AAC 或其他。

8. 编码器与解码器（Codec）

定义：
Codec = Encoder + Decoder，即“编解码器”，是实现音频压缩与还原的软/硬件算法。

编码器（Encoder）：将原始音频压缩成 MP3、AAC 等格式。
解码器（Decoder）：播放时将压缩数据还原为可听声音。

✅ 不同设备是否支持某种 codec，决定了你能否播放某个音频文件。

9. 抖动（Jitter）与延迟（Latency）

抖动（Jitter）：数字音频传输中，采样时间不精确导致的失真，影响音质。
延迟（Latency）：声音从输入到输出的时间差，对录音、直播、游戏至关重要。
- 高延迟：说话后回听有明显延迟，影响体验。
- 低延迟：专业声卡通常支持 < 10ms 延迟。

10. 元数据（Metadata）

定义：
嵌入在音频文件中的附加信息，不参与声音播放，但用于管理和识别。

常见元数据（ID3 Tags）：

歌名、歌手、专辑、年份
封面图片、歌词、流派、音量标准化信息（ReplayGain）

📁 例如：你在音乐 App 中看到的封面和歌词，就是元数据。

11. 归一化与响度标准化（Normalization / Loudness Normalization）

峰值归一化：调整音频最大音量不超过 0 dB，防止爆音。
响度归一化：使不同歌曲播放时听起来“一样响”，如 Spotify 使用 -14 LUFS 标准。

🔊 目的是避免“一首歌很轻，下一首很炸耳朵”。

12. 采样精度与量化误差（Quantization Error）

当模拟信号转换为数字时，由于位深度有限，实际振幅会被“四舍五入”到最近的数值，产生微小误差，称为量化噪声。
高位深度（如 24bit）可显著降低此误差。