楔子一个不可能的任务想象你正在做一件事——把一段真实的声音装进电脑里。这段声音在物理世界里是空气压力的连续变化。它在每一个瞬间都有一个精确的值——注意是每一个瞬间。数学上这意味着无穷多个瞬间每个瞬间的压力又可以取无穷多个精确的实数值。你要把无穷 × 无穷 装进有限的计算机里。这不是修辞——这是字面意义上的不可能。计算机的存储是有限的、离散的。它只能存储一定数量的、精度有限的数字。那怎么办现代数字音频给出的答案是三个词采样率、位深、声道。这三个参数定义了物理世界的声音如何被翻译成数字世界的数据。它们是数字音频的三根支柱——如果理解错了你的音频要么听起来像屎要么占用巨大空间毫无收益。今天我们把这三个概念彻底讲透。不只是是什么更是为什么是这样、“背后的物理与数学”、以及在实际工程里怎么选。第一章采样率——时间的切片从连续到离散物理世界的声音波形是这样的压力 ↑ | ╱╲ ╱╲ | ╱ ╲ ╱ ╲ | ╱ ╲ ╱ ╲ |─────────────────→ 时间连续的每一个瞬间都有一个精确的压力值。数学上这条曲线是连续函数——时间轴上的每一个实数点都对应一个y值。计算机不能存每一个瞬间。它只能每隔一段时间拍一张照——测一次当前的压力值记下来。压力 ↑ ● ← 采样点离散的 | ● ● | ● ● ● ● | ● ● ● ● | ● ● ● ● |●─────●─●─────●●───────●●─→ 时间这就是采样Sampling——把连续的物理信号变成一串离散的数字。采样率Sample Rate每秒采样多少次。单位是Hz赫兹或kHz。44100 Hz每秒4万4千1百次48000 Hz每秒4万8千次96000 Hz每秒9万6千次一个立刻会想到的问题每秒钟拍4万多次够吗中间那些没被采到的时刻怎么办岂不是永远丢失了这是个非常自然的疑问。但答案是——不会丢失。只要采样率足够高原信号可以被完美还原。这个足够高的标准就是数字音频最重要的一个定理——奈奎斯特-香农采样定理1928年贝尔实验室的Harry Nyquist证明了一个惊人的结果后来被Claude Shannon正式化要完美还原一个信号采样率必须至少是信号最高频率的2倍。用公式表达f_sample ≥ 2 × f_maxf_sample采样率f_max信号中最高频率成分这条定理的含义是如果一个信号最高频率是1000 Hz只要采样率 ≥ 2000 Hz就能完美还原它如果最高频率是10000 Hz采样率 ≥ 20000 Hz 就够了如果最高频率是20000 Hz人耳上限采样率 ≥ 40000 Hz 就够了完美还原是数学意义上的完美——从离散的采样点可以用一个特定的数学公式sinc插值精确重建中间任意时刻的原信号值没有任何信息损失。这不是近似这是精确的数学定理。为什么是2倍——直觉理解想象你要描述一个正弦波一个纯净的频率。它有波峰、波谷、上升段、下降段。如果你每个周期只采1次样——你可能永远只采到波峰位置。数据看起来是一条直线——完全丢失了这个波如果你每个周期采2次样——如果时机恰好你能采到一个波峰和一个波谷。这时候连接两个点你至少知道这里有个波在振动如果你每个周期采得更多——每个采样点更精细波形被锁定得更牢为什么2次是临界值因为2次采样是能辨别出这个频率存在的最少信息量——采到一个峰和一个谷你才能确认这里有振动。少于2次你无法区分有振动和没振动。这就是奈奎斯特定理的直觉起源要抓住一个频率的波每个周期最少需要2个采样点。如果采样率不够会怎样——混叠如果采样率低于信号最高频率的2倍会发生一件很糟糕的事——混叠Aliasing。想象一个真实的高频信号比如30000 Hz你用不够高的采样率比如40000 Hz去采它。奈奎斯特要求至少60000 Hz——你不够。结果这个30000 Hz的信号会被错采成一个虚假的低频信号比如10000 Hz。数字系统里出现了一个物理上不存在的假频率。这就是混叠——它是数字音频里最恶劣的失真之一。听起来是奇怪的金属感、刺耳的电子噪音。电影里车轮倒转的错觉其实是同一种现象的视觉版——摄像机的帧率不够快无法准确捕捉车轮的高速旋转于是车轮看起来是反向转动的。这就是视觉混叠。为什么标准采样率是44100 Hz回到最重要的问题——为什么CD音质的采样率是44100 Hz为什么不是40000 Hz整逻辑链条人耳能听到的最高频率大约是20000 Hz根据奈奎斯特定理采样率至少要2 × 20000 40000 Hz但实际系统需要抗混叠滤波器来去除20000 Hz以上的成分——这个滤波器不可能陡峭到瞬间截断需要一段过渡带过渡带留出2000~2500 Hz的余量所以采样率大约需要44000~45000 Hz最终选定44100 Hz——这个数字还有历史原因早期使用视频磁带存储数字音频44100 Hz恰好能整齐地嵌进视频信号的时序所以44100 Hz不是够用就行的最低值而是够用留有工程余量的稳妥值。常见采样率对比采样率用途说明8000 Hz电话通信只保留300-3400 Hz够听清人话22050 Hz早期游戏音效、低质量音频半CD音质32000 Hz调频广播、部分数字广播中等音质44100 HzCD、MP3、大多数流媒体标准音乐制作48000 Hz电影、电视、专业视频、大多数游戏视频行业标准88200 Hz高解析音频44100的2倍96000 Hz专业录音、蓝光音频高解析主流192000 Hz顶级母带制作超采样高采样率有意义吗——一个有争议的问题既然44100 Hz已经能覆盖人耳可闻范围为什么还要用96000 Hz、192000 Hz支持派的理由制作过程中的多次处理效果器、变调等会积累误差高采样率能保留处理余量抗混叠滤波器的过渡带更宽松滤波质量更好超声频率虽然人耳听不到但可能通过身体感知“存在感”反对派的理由人耳听不到20000 Hz以上超采样是浪费存储双盲实验中绝大多数人分辨不出44100 Hz和192000 Hz的差别高采样率消耗更多CPU和存储实际收益微乎其微实践建议音乐终端播放44100 Hz就够了音乐制作过程中48000 Hz或96000 Hz给自己留余量游戏音频跟着视频行业走用48000 Hz电话/通信8000-16000 Hz节省带宽第二章位深——振幅的精度采样点如何存储采样只是第一步——它告诉你什么时候记录。但每次记录时**“记录什么值”**是另一个问题。每一个采样点本质是一个当前压力值的数字。这个数字用多少位bit来表示就是位深Bit Depth也叫采样精度。8位能表示 2⁸ 256 个不同的值16位能表示 2¹⁶ 65536 个不同的值24位能表示 2²⁴ ≈ 1670万 个不同的值32位浮点更大的动态范围且是浮点数不是等间距的整数量化——把模拟值套进整数格子原始的压力值是连续的实数——可以是1.234567891、也可以是1.234567892、也可以是任何精度的值。但用N位整数存储时你只能存离散的整数值。所以要做量化Quantization——把连续的实数四舍五入到最近的整数格子里。真实值 1.234567891... 16位量化后1.2346对应某个整数编号量化本质上是丢失信息的——真实值和量化值之间的差就是量化误差Quantization Error。这个误差最终以量化噪声的形式表现在声音里——一种极其微弱的、类似白噪声的背景嘶嘶声。位深与动态范围位深最直接的影响是动态范围Dynamic Range——最响的声音和最轻的声音之间的差距。粗略公式动态范围dB≈ 位深 × 68位动态范围约48 dB16位动态范围约96 dB24位动态范围约144 dB32位浮点动态范围超过1500 dB远超实际需求这些数字什么意思人耳的听觉范围从0 dB听觉阈值到120 dB疼痛阈值约120 dB动态范围交响乐现场最轻的独奏到最响的合奏约80~90 dB动态范围一般流行音乐动态范围只有20~40 dB大部分被压缩了16位96 dB的动态范围理论上足够覆盖人耳可感知的绝大部分声音。这就是为什么CD选择16位——既够用又不浪费。24位144 dB的动态范围远超人类听觉能力。它不是给你听的——它是给制作过程的余量。为什么制作用24位想象你在混音——一段音乐里有几十条轨道每条轨道都要经过均衡、压缩、混响、限幅等处理。每一步处理都可能引入微小的舍入误差误差会累积。如果每一轨都是16位的几十轨叠加、几十次处理之后量化噪声可能累积到能听见的程度。用24位就多了8位的精度余量——这些额外的位在最终成品里根本听不出来但在制作过程中它们像一层缓冲垫吸收了所有中间处理的误差。最终发布时再降到16位——量化噪声非常低感知不到。这是行业标准做法。32位浮点一种不同的东西32位浮点32-bit Float和上面几种不一样——它不是更多的格子而是换了一种数字表示方式。16位、24位是整数等间距的格子32位浮点是浮点数像科学计数法可以表示极大和极小的值浮点的好处动态范围极大实际上不会削波clipping——即使音量在处理过程中超过0 dB浮点也能容纳最后再调回来精度在小音量时更高浮点的分辨率是相对的现在专业音频软件DAW内部处理几乎都用32位浮点——不是为了最终输出是为了让你在制作时不用担心数值溢出。你可以随意调音量、加效果只要最终输出前调回合理范围就行。位深的实际影响8位音频听起来复古、“游戏化”、有明显的量化噪声。故意的低保真美学Lo-Fi。16位音频CD音质。绝大多数人听不出它和24位的区别在最终成品中。24位音频专业录音、母带制作的标准。32位浮点制作过程内部、专业录音的选项。第三章声道——空间的维度前面两节讲的是如何在时间上、幅度上精确表示一个声音。但真实世界的声音还有一个维度——空间。单声道 Mono单声道Mono只有一路信号。所有声音都从一个来源发出。这是最简单的声音形式。收音机、电话、AM广播传统上都是单声道。单声道的特点文件小只有一路数据没有空间感所有声音仿佛来自一个点不受播放系统影响单声道音频不管用什么设备放一个音箱、两个音箱、耳机听起来都一样什么时候用单声道语音、播客、有声书人声不需要空间感手机通话游戏中的一些效果比如脚步声、UI音效——单个声源立体声 Stereo立体声Stereo两路信号——左声道L和右声道R。立体声的物理基础是——你有两只耳朵位于头的两侧。真实世界里声音到达你左耳和右耳的时间、强度是不同的——大脑正是用这个差异来判断声源的方向。立体声就是模拟这个——用两个不同的信号分别播放给左右耳或左右音箱营造出某个声音来自左边/右边/中间的错觉。立体声的空间感来自两个机制音量差Panning某个声音在左声道大、右声道小 → 感觉在左边时间差Time delay某个声音在左声道比右声道早到达 → 感觉在左边立体声的常见用途音乐几乎所有音乐都是立体声电影主音轨大部分游戏音频多声道 Surround一旦你有了用多个声道模拟空间的想法就可以继续扩展——用更多的声道模拟更精细的空间感。5.1声道5个环绕声道 1个低音炮.1指的是低频专用声道前左、前中、前右后左、后右低音炮7.1声道在5.1的基础上加两个侧面声道Atmos / 3D音频加入高度维度——头顶上的声道或者通过算法模拟任意方向的声音为什么需要这么多声道在电影院、家庭影院里你希望声音能从任意方向包围你——飞机从头顶飞过、脚步声从背后传来、爆炸声在你左侧30度方向……多声道系统让这种沉浸感成为可能。双耳录音 Binaural一种特殊的立体声——双耳录音Binaural Recording。普通立体声只有粗糙的左右信息。双耳录音是用一个人头模型Dummy Head在两只耳朵里各放一个麦克风录制的——它捕捉了真实的、经过头部散射的声波。用普通耳机听双耳录音——你会听到惊人真实的3D空间感。声音仿佛真的在你周围甚至在头内、脑后。这就是所谓的沉浸式音频。双耳录音的物理基础头部会遮挡、反射、散射声波耳廓的形状会改变到达耳道的声波频谱这些头部效应编码了极其丰富的方向信息双耳录音把这些效应完整记录下来用耳机播放时声波直接进入耳道——绕过了播放环境的干扰——真实感极强游戏中的3D音频游戏是3D音频的天堂。玩家的角色在虚拟世界里移动声源也在移动——每一秒都需要重新计算这个声音应该从哪个方向、多远、多响传到玩家耳朵。现代游戏引擎Unity、Unreal、Wwise、FMOD实现3D音频有几种方式1. 简单声像Panning仅根据水平方向调整左右音量。老式的、粗糙的方案。2. HRTFHead-Related Transfer Function用一个数学函数模拟从任意方向来的声音经过头部到达耳朵会变成什么样。相当于用算法实现双耳录音的效果。戴耳机时能实现真正的3D空间感。3. Ambisonics一种用数学分解的方式表示球面上的声场的技术。用于VR和360度视频。4. 硬件加速如Windows Sonic、Dolby Atmos for Headphones——操作系统级别的3D音频渲染。游戏音频的核心挑战既要真实的空间感又要CPU开销可控。HRTF距离衰减简单遮挡是目前性价比最高的方案被绝大多数3A游戏采用。第四章三个参数如何决定文件大小三个参数一乘就是原始音频未压缩的数据量。公式数据率bit/秒 采样率 × 位深 × 声道数 文件大小字节/秒 数据率 / 8让我们算几个实例CD音质44100 Hz, 16 bit, 立体声数据率 44100 × 16 × 2 1,411,200 bit/s ≈1.4 Mbps每分钟 1,411,200 × 60 / 8 ≈10.6 MB一首4分钟的歌 ≈42 MB电话音质8000 Hz, 8 bit, 单声道数据率 8000 × 8 × 1 64,000 bit/s 64 kbps每分钟 ≈480 KB电影音质48000 Hz, 24 bit, 5.1声道数据率 48000 × 24 × 6 6,912,000 bit/s ≈6.9 Mbps每分钟 ≈52 MB专业录音96000 Hz, 24 bit, 立体声数据率 96000 × 24 × 2 4,608,000 bit/s ≈4.6 Mbps每分钟 ≈34.5 MB你会发现——原始未压缩音频真的很占空间。这就是为什么我们需要音频压缩——MP3、AAC、Opus这些格式通过丢掉人耳不敏感的信息能把文件缩小5~20倍感知上几乎无损。第五章在实际工程中怎么选现在讲实用——面对具体项目采样率/位深/声道应该怎么设场景1游戏开发背景音乐44100 Hz 或 48000 Hz16 bit存储立体声通常压缩为 Ogg Vorbis 或 MP3节省包体积音效SFX44100 Hz 或 48000 Hz16 bit大部分单声道UI、脚步、武器——单声道会被引擎实时3D定位环境声可以立体声森林、雨声语音对白22050 Hz 或 32000 Hz人声不需要高频16 bit单声道用于节省包体积游戏音频的核心考量包体积和运行时性能。手游尤其敏感——一个几十MB的音乐文件可能让玩家放弃下载。场景2音乐制作录音过程48000 Hz 或 96000 Hz24 bit立体声或多轨混音过程内部处理用 32位浮点保持原始采样率最终导出分发格式44100 Hz, 16 bitCD或 44100 Hz 有损压缩流媒体高解析版96000 Hz, 24 bit发烧友市场场景3视频制作统一使用 48000 Hz——这是视频行业的标准避免和视频软件的采样率冲突。位深录音时24位最终输出16位或24位声道主音轨立体声特殊项目5.1、Atmos场景4播客 / 有声书44100 Hz 或 48000 Hz16 bit单声道人声不需要立体声压缩为MP3或AAC128kbps足够单声道播客文件只有立体声的一半大小——对于长时间的语音内容这个节省很显著。场景5机器学习 / 语音识别16000 Hz大多数语音模型的标准16 bit单声道为什么这么低因为人类语音的主要能量集中在8000 Hz以下——采样率16000 Hz覆盖到8000 Hz对语音识别已经足够。而更低的采样率能大幅降低模型的计算量。尾声三个数字一整个数字音频宇宙我们从一个不可能的任务开始——把连续的物理世界装进有限的数字里。采样率回答在时间轴上怎么切——奈奎斯特定理告诉我们2倍最高频率就够不多不少。位深回答每一次切片用多细的刻度——16位对听感够用24位给制作留余量32位浮点给数学处理留天空。声道回答用几路信号描述空间——从单声道的一维、立体声的二维、多声道的3D、到HRTF的完全空间。这三个参数是连接物理声音与数字世界的三根桥。理解了它们你在做任何音频项目时都有清晰的判断别人问你文件为什么这么大——你能算出来别人问你用什么规格合适——你能给出理由别人问你为什么听起来是这样——你能追溯到根因更深一层——这三个参数其实体现了一个哲学数字世界不是要完美复制物理世界而是要足够精确地欺骗人的感官。我们不需要真的记录每一个瞬间——奈奎斯特定理告诉我们采样够密就等于连续我们不需要真的记录无穷精度——16位就已经让人耳分辨不出量化噪声我们不需要真的复现整个声场——两个声道加算法就能欺骗大脑感知3D空间数字音频不是物理声音的备份是针对人类听觉系统的精心设计的错觉。每一次你戴上耳机听一首歌——你听到的不是真实的物理声音而是被三个数字精心编码、再由你的大脑重建的关于声音的信息。这就是数字音频的魔法。采样率、位深、声道——三个看似枯燥的技术参数其实是这个魔法的三根魔杖。