音频是数字世界中最古老也最贴近人类的媒体形态。无论是打电话、听音乐、语音助手还是车载语音交互，背后都有一套完整的声音数字化技术体系。本文从物理学出发，系统梳理数字音频的核心概念、技术指标与常见格式。

1. 声音的本质

声音是物体振动通过介质（空气、水、固体）传播的机械纵波。它有三个基本物理属性：

物理属性	单位	听感对应
频率	Hz（赫兹）	音调高低
振幅	dB（分贝）	响度大小
相位	弧度/度	音色与空间感

人耳可听范围约为 20Hz ~ 20kHz。低于 20Hz 为次声波，高于 20kHz 为超声波。语音的主要能量集中在 300Hz ~ 3400Hz，这也是电话系统长期采用窄带传输的原因。

2. 声音的数字化：模拟 → 数字

要让计算机处理声音，必须把连续变化的声波（模拟信号）转成离散的数字序列。这个过程称为 ADC（模数转换），包含三个关键步骤：

声波 → 采样(Sampling) → 量化(Quantization) → 编码(Coding) → PCM 数据

2.1 采样（Sampling）

按固定时间间隔采集声波的瞬时幅度值。

• 采样率（Sample Rate）：每秒采样的次数，单位 Hz。
• 依据奈奎斯特采样定理：采样率必须大于信号最高频率的 2 倍，才能无失真重建原信号。
• 常见采样率：
  • 8kHz：电话（窄带语音）
  • 16kHz：宽带语音、语音识别（人耳听感较好的语音下限）
  • 44.1kHz：CD 音乐
  • 48kHz：DVD/电影
  • 96kHz / 192kHz：高解析度音频（Hi-Res）

2.2 量化（Quantization）

把每个采样点的幅度值用有限位的二进制数表示，位数即位深/位宽（Bit Depth）：

位深	动态范围	典型应用
8 bit	约 48 dB	早期语音、对讲
16 bit	约 96 dB	CD、标准 PCM
24 bit	约 144 dB	录音室制作、Hi-Res

位深越高，幅度分级越细，噪声与失真越小。

2.3 编码（Coding）

将量化后的数值按序排列，形成线性脉冲编码调制数据，即 PCM（Pulse Code Modulation）。PCM 是最基本的数字音频格式，后续所有压缩格式都建立在 PCM 之上。

2.4 声道（Channels）

• 单声道（Mono）：1 个声道，语音场景常用
• 双声道（Stereo）：左右 2 个声道，立体声
• 多声道：5.1 / 7.1 / 全景声（Atmos）等，用于影院、游戏

2.5 数据量计算

PCM 数据量（字节/秒）= 采样率 × 位深/8 × 声道数。

例如 CD 音质（44.1kHz × 16bit × 2ch）：

44 100 × 16 / 8 × 2 = 176 400 字节/s ≈ 172 KB/s，一分钟约 10 MB。

这正是未压缩音频体积大的原因，也是各类压缩编码存在的意义。

3. 音频编码与常见格式

3.1 无损压缩

在不丢失任何信息的前提下减小体积：

格式	特点
WAV（PCM）	未压缩，体积大，通用性极强
FLAC	无损压缩，压缩率约 50%~60%，Hi-Res 标配
ALAC	Apple 无损格式
APE	Monkey's Audio，压缩率略高于 FLAC

3.2 有损压缩

利用心理声学模型（掩蔽效应：强声会掩蔽临近的弱声，人耳听不见的部分可丢弃）大幅压缩：

格式	码率典型值	特点
MP3	128~320 kbps	最经典的格式，普及度最高
AAC	96~256 kbps	MP3 的继任者，同码率音质更好，视频/流媒体标准
OGG Vorbis	128~256 kbps	开源格式，游戏常用
OPUS	6~510 kbps	极低延迟，VoIP / 实时通信首选，对语音优化极佳

码率（Bit Rate）：每秒音频数据量，单位 kbps。码率越高音质越好、体积越大。

3.3 音频编码层次总结

PCM（原始）
 ├── 无损压缩：FLAC / ALAC / APE
 └── 有损压缩：MP3 / AAC / OGG / OPUS ...

4. 音频应用的基本流程

一个典型音频产品涉及两套流程：

4.1 播放链路

音频文件/流 → 解封装 → 解码器 → PCM → 混音/音效处理 → 播放设备

4.2 采集链路

麦克风 → ADC → PCM →（可选）编码压缩 → 存储/传输

以 OpenHarmony 轻量系统为例，采集链路对应 audio_lite 组件的 AudioCapturer 接口：配置 AudioCapturerInfo（采样率、声道数、位宽、码率、编码格式）→ Start() → Read() 循环取数 → Stop()/Release()。

5. 音频质量主观评估要点

• 采样率决定频率上限（高音细节）
• 位深决定动态范围（背景噪声底）
• 码率决定有损压缩后保留的信息量
• 设备（麦克风/扬声器/DAC）与声学环境决定物理上限——瓶颈往往在终端硬件

6. 结语

从 1876 年贝尔的电话到今天的 Hi-Res 无损音乐与实时语音通话，音频技术两百年的演进，本质上都是在"信息量"与"带宽/存储"之间做取舍：采样与量化决定信息上限，编码技术决定如何更高效地携带信息。理解了 PCM、采样率、位深与码率这四根支柱，就掌握了理解一切音频技术的钥匙。