03_重识音频
我们平时在互联网上听到的声音，都是先经过录制后，再传输到互联网上的。比如歌曲、电影、主播等的声音。
PCM
录音的原理可以简单理解为：把声源的振动记录下来，需要时再让某个物体按照记录下来的振动规律去振动，就会产生与原来一样的声音。
记录
重现
如何把声音（声源的振动）记录下来呢？声音属于模拟信号，但更便于计算机处理和存储的是数字信号（二进制编码），所以需要将模拟信号（Analog Signal）转成数字信号（Digital Signal）后进行存储。这一过程，我们可以称之为：音频数字化。
模拟信号与数字信号的比喻
模拟信号与数字信号的转换
将音频数字化的常见技术方案是脉冲编码调制（PCM，Pulse Code Modulation），主要过程是：采样 → 量化 → 编码。
模拟信号转数字信号
模拟信号转数字信号
采样
模拟信号的波形是无限光滑的，可以看成由无数个点组成，由于存储空间是相对有限的，数字编码过程中，必须要对波形的点进行采样。采样（Sampling）：每隔一段时间采集一次模拟信号的样本，是一个在时间上将模拟信号离散化（把连续信号转换成离散信号）的过程。
采样率
每秒采集的样本数量，称为采样率（采样频率，采样速率，Sampling Rate）。比如，采样率44.1kHz表示1秒钟采集44100个样本。
采样定理
根据采样定理（奈奎斯特–香农采样定理，Nyquist-Shannon sampling theorem）得知：只有当采样率高于声音信号最高频率的2倍时，才能把采集的声音信号唯一地还原成原来的声音。人耳能够感觉到的最高声音频率为20000Hz，因此为了满足人耳的听觉要求，需要至少每秒进行40000次采样（40kHz采样率）。这就是为什么常见的CD的采样率为44.1kHz。电话、无线对讲机、无线麦克风等的采样率是8kHZ。
量化
量化（Quantization）：将每一个采样点的样本值数字化。
位深度
位深度（采样精度，采样大小，Bit Depth）：使用多少个二进制位来存储一个采样点的样本值。位深度越高，表示的振幅越精确。常见的CD采用16bit的位深度，能表示65536（216）个不同的值。DVD使用24bit的位深度，大多数电话设备使用8bit的位深度。
不同采样率、位深度对比
编码
编码：将采样和量化后的数字数据转成二进制码流。
其他概念
声道（Channel）
单声道产生一组声波数据，双声道（立体声）产生两组声波数据。
采样率44.1kHZ、位深度16bit的1分钟立体声PCM数据有多大？
- 采样率 * 位深度 * 声道数 * 时间
- 44100 * 16 * 2 * 60 / 8 ≈ 10.34MB
1分钟10.34MB，这对于大部分用户来说是不能接受的。要想在不改变音频时长的前提下，降低音频数据的大小，只有2种方法：降低采样指标、压缩。降低采样指标是不可取的，会导致音频质量下降，用户体验变差，因此专家们研发了各种压缩方案。
比特率
比特率（Bit Rate），指单位时间内传输或处理的比特数量，单位是：比特每秒（bit/s或bps），还有：千比特每秒（Kbit/s或Kbps）、兆比特每秒（Mbit/s或Mbps）、吉比特每秒（Gbit/s或Gbps）、太比特每秒（Tbit/s或Tbps）。
采样率44.1kHZ、位深度16bit的立体声PCM数据的比特率是多少？
- 采样率 * 位深度 * 声道数
- 44100 * 16 * 2 = 1411.2Kbps
通常，采样率、位深度越高，数字化音频的质量就越好。从比特率的计算公式可以看得出来：比特率越高，数字化音频的质量就越好。
信噪比
信噪比（Signal-to-noise ratio，SNR，S/N，讯噪比），指信号与噪声的比例，用于比较所需信号的强度与背景噪声的强度，以分贝（dB）为单位。
位深度限制了信噪比的最大值，它们的关系如下表所示。
| 位深度 | 信噪比 |
|---|---|
| 4 | 24.08 |
| 8 | 48.16 |
| 11 | 66.22 |
| 12 | 72.24 |
| 16 | 96.33 |
| 18 | 108.37 |
| 20 | 120.41 |
| 24 | 144.49 |
| 32 | 192.66 |
| 48 | 288.99 |
| 64 | 385.32 |
音频的编码与解码
编码（Encode）
PCM数据可以理解为是：未经压缩的原始音频数据，体积比较大，为了更便于存储和传输，一般都会使用某种音频编码对它进行编码压缩，然后再存成某种音频文件格式。
编码
压缩分为无损压缩和有损压缩。
-
无损压缩
- 解压后可以完全还原出原始数据
- 压缩比小，体积大
-
有损压缩
- 解压后不能完全还原出原始数据，会丢失一部分信息
- 压缩比大，体积小
- 压缩比越大，丢失的信息就越多，还原后的信号失真就会越大
- 一般是通过舍弃原始数据中对人类听觉不重要的部分，达成压缩成较小文件的目的
- 压缩比 = 未压缩大小 / 压缩后大小
解码（Decode）
当需要播放音频时，得先解码（解压缩）出PCM数据，然后再进行播放。
解码
常见的音频编码和文件格式
需要注意的是：音频文件格式并不等于音频编码。比如：
-
WAV只是一种文件格式，并不是一种编码
-
FLAC既是一种文件格式，又是一种编码
下面对常见的音频编码和文件格式做一个简介，以后有需要时再进行详细介绍。
| 名称 | 无损压缩 | 文件扩展名 |
|---|---|---|
| Monkey's Audio | ✔️ | .ape |
| FLAC（Free Lossless Audio Codec） | ✔️ | .flac |
| ALAC（Apple Lossless Audio Codec） | ✔️ | .m4a/.caf |
| MP3（MPEG Audio Layer III） | ❌ | .mp3 |
| WMA（Windows Media Audio） | ❌ | .wma |
| AAC（Advanced Audio Coding） | ❌ | .acc/.mp4/.m4a |
| Vorbis | ❌ | .ogg |
| Speex | ❌ | .spx |
| Opus | ❌ | .opus |
| Ogg | .ogg | |
| WAV（Waveform Audio File Format） | .wav | |
| AIFF（Audio Interchange File Format） | .aiff、.aif |
无损
Monkey's Audio
Monkey's Audio，是一种无损的音频编码和文件格式，文件扩展名为.ape，压缩率一般在55%左右。
FLAC
FLAC（Free Lossless Audio Codec），是一种无损的音频编码和文件格式，文件扩展名为.flac。虽然压缩率稍有不及Monkey's Audio，但FLAC技术更先进，占用资源更低，有更多的平台及硬件产品支持FLAC。
ALAC
ALAC（Apple Lossless Audio Codec），是由Apple开发的一种无损的音频编码，文件扩展名为.m4a、.caf。
有损
MP3
MP3（MPEG Audio Layer III），是非常流行的一种有损音频编码和文件格式，文件扩展名为.mp3。
- 第1版是：MPEG-1 Audio Layer III，属于国际标准ISO/IEC 11172-3
- 第2版是：MPEG-2 Audio Layer III，属于国际标准ISO/IEC 13818-3
- 第3版是：MPEG-2.5 Audio Layer III，并不是由MPEG官方开发的，不是公认的标准
WMA
WMA（Windows Media Audio），是由Microsoft开发的音频编码和文件格式，文件扩展名为.wma。包括4种类型：
- WMA：原始的WMA编解码器，作为MP3的竞争者，属于有损音频编码
- WMA Pro：支持更多声道和更高质量的音频，属于有损音频编码
- WMA Lossless：属于无损音频编码
- WMA Voice：属于有损音频编码
AAC
AAC（Advanced Audio Coding），是由Fraunhofer IIS、杜比实验室、AT&T、Sony、Nokia等公司共同开发的有损音频编码和文件格式，压缩比通常为18:1。
AAC被设计为MP3格式的后继产品，通常在相同的比特率下可以获得比MP3更高的声音质量，是iPhone、iPod、iPad、iTunes的标准音频格式。
AAC编码的文件扩展名主要有3种：
- .aac：传统的AAC编码，使用MPEG-2 Audio Transport Stream（ADTS）容器
- .mp4：使用了MPEG-4 Part 14的简化版即3GPP Media Release 6 Basic（3gp6）进行封装的AAC编码
-
.m4a：为了区别纯音频MP4文件和包含视频的MP4文件而由Apple公司使用的扩展名
- Apple iTunes对纯音频MP4文件采用了.m4a文件扩展名
- M4A的本质和音频MP4相同，故音频MP4文件可以直接更改文件扩展名为.m4a
Vorbis
Vorbis，是由Xiph.Org基金会开发的一种有损音频编码。通常以Ogg作为容器格式，所以常合称为Ogg Vorbis，文件扩展名为.ogg。
Speex
Speex，是由Xiph.Org基金会开发的一种有损音频编码和文件格式，文件扩展名为.spx。
Opus
Opus，是由Xiph.Org基金会开发的一种有损音频编码和文件格式，文件扩展名为.opus。用以取代Vorbis和Speedx。经过多次盲听测试，在任何给定的比特率下都比其他标准音频格式具有更高的质量，包括MP3、AAC。
文件格式
Ogg
Ogg是一种多媒体文件格式，由Xiph.Org基金会所维护，可以纳入各式各样的音视频编码（音频、视频都可以），文件扩展名常为.ogg。
Ogg常用的音频编码有：
- 有损压缩：Speex、Vorbis、Opus
- 无损压缩：FLAC
- 未压缩：PCM
WAV
WAV（Waveform Audio File Format），是由IBM和Microsoft开发的音频文件格式，扩展名是.wav，通常采用PCM编码，常用于Windows系统中。
WAV的文件格式如下图所示，前面有44个字节的文件头，紧跟在后面的就是音频数据（比如PCM数据）。
WAV文件格式
WAV文件格式
- NumChannels：声道数
- SampleRate：采样率（Hz）
- ByteRate：每秒多少个字节（Byte/s）
- BitsPerSample：位深度
- BlockAlign:一个样本的字节数 = BitsPerSample * NumChannels / 8
AIFF
AIFF（Audio Interchange File Format），由Apple开发的音频文件格式，扩展名是.aiff、.aif。跟WAV一样，通常采用PCM编码，常用于Mac系统中。
有损和无损
根据采样率和位深度可以得知：相对于自然界的信号，音频编码最多只能做到无限接近，任何数字音频编码方案都是有损的，因为无法完全还原。目前能够达到最高保真水平的就是PCM编码，因此，PCM约定俗成叫做无损音频编码，被广泛用于素材保存及音乐欣赏，CD、DVD以及常见的WAV文件中均有应用。
但并不意味着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。我们习惯性的把MP3列入有损音频编码范畴，是相对于PCM编码的。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。
