音频基础：声音的物理特性、采样率与位深度、PCM数据格式、音频编解码原理
大家好，我是你们的老朋友。今天咱们来聊聊音频基础。说实话，很多做Android开发的朋友，一开始接触音视频都会觉得有点懵。我当年也是这样，看着一堆术语——采样率、位深度、PCM、编解码——感觉像在看天书。但别怕，这些东西说白了，就是声音从物理世界走进数字世界的那几步路。走通了，后面就顺了。
一、声音的物理特性：从振动到波形
声音的本质是什么？就是振动。你说话，声带在振动；你敲桌子，桌面在振动。这些振动通过空气传播，传到我们耳朵里，我们就听到了声音。
声音有两个核心物理参数：频率和振幅。
- 频率：单位是赫兹（Hz），表示每秒振动的次数。频率越高，声音越尖锐；频率越低，声音越低沉。人耳能听到的频率范围大概是20Hz到20kHz。低于20Hz的叫次声波，高于20kHz的叫超声波，咱们耳朵就无能为力了。
- 振幅：表示振动的幅度。振幅越大，声音越响；振幅越小，声音越轻。我们平时说的“音量”，本质上就是振幅的大小。
你想想看，声音在空气中传播，其实就是一种波——声波。声波有周期、有波长，这些概念在后续的音频处理中会反复出现。我个人习惯把声波想象成水面的涟漪，一圈一圈往外扩散，这样理解起来就直观多了。
核心要点：声音是模拟信号，连续且平滑。而计算机只能处理离散的数字信号。所以，我们需要把模拟的声音“数字化”。这就是采样和量化的由来。
二、采样率与位深度：数字化的两个关键参数
把模拟信号变成数字信号，需要两步：采样和量化。
1. 采样率
采样率，说白了就是“每秒采多少个点”。单位是Hz（或kHz）。比如44.1kHz，意思就是每秒钟采集44100个样本点。
这里有个著名的定理——奈奎斯特采样定理。它告诉我们：采样率必须大于信号最高频率的两倍，才能无失真地还原信号。举个例子，人耳能听到的最高频率是20kHz，那么采样率至少要40kHz以上。CD音质的44.1kHz就是这么来的。
我在项目中遇到过一个问题：有个同事录了一段语音，采样率设成了8kHz，结果回放时声音闷闷的，高频细节全丢了。为什么？因为8kHz的采样率，理论上只能还原4kHz以下的频率，而人声的很多辅音（比如“s”、“f”）频率都在4kHz以上。嗯，这就是采样率不够的后果。
避坑指南：我曾经在做一个语音识别项目时，为了省存储空间把采样率从16kHz降到了8kHz。结果识别率直接掉了20%。后来我才意识到，语音识别对高频信息很敏感。所以，采样率的选择一定要结合应用场景，不能盲目压缩。
2. 位深度
位深度，也叫采样精度，表示每个样本点用多少位（bit）来表示。常见的位深度有8位、16位、24位、32位。
位深度决定了动态范围——也就是能记录的最轻声音和最响声音之间的差距。16位能提供96dB的动态范围，24位能提供144dB。CD音质用的是16位，而专业录音棚通常用24位甚至32位浮点。
你想想看，位深度越大，能记录的细节就越丰富。但代价也很明显：数据量成倍增加。16位每个样本占2字节，24位占3字节，32位占4字节。在移动设备上，存储和带宽都是稀缺资源，所以需要权衡。
| 位深度 | 动态范围 | 每个样本大小 | 常见应用 |
|---|---|---|---|
| 8位 | 48 dB | 1 字节 | 低质量语音、老式游戏 |
| 16位 | 96 dB | 2 字节 | CD音质、MP3 |
| 24位 | 144 dB | 3 字节 | 专业录音、高解析音频 |
| 32位浮点 | 理论无限 | 4 字节 | 音频处理、DAW内部 |
三、PCM数据格式：最原始的音频数字表示
PCM，全称是脉冲编码调制（Pulse Code Modulation）。说白了，它就是采样和量化之后得到的原始数字音频数据。没有压缩，没有编码，就是最纯粹的“裸数据”。
PCM数据在内存或文件中的排列方式，有几个关键参数：
- 声道数：单声道（Mono）、双声道（Stereo）、多声道（5.1、7.1等）。
- 采样率：前面讲过了。
- 位深度：前面讲过了。
- 字节序：大端（Big Endian）还是小端（Little Endian）。Android上通常是小端。
- 数据格式：有符号整型（signed int）还是无符号整型（unsigned int）。16位PCM通常是有符号的。
举个例子，一段CD音质的立体声PCM数据：采样率44.1kHz，位深度16位，双声道。那么每秒的数据量就是：44100 × 2字节 × 2声道 = 176,400字节，约172KB。一首3分钟的歌，光PCM数据就要30MB左右。这就是为什么我们需要压缩编码。
// Android中，AudioRecord读取PCM数据的典型代码
int bufferSize = AudioRecord.getMinBufferSize(44100,
AudioFormat.CHANNEL_IN_STEREO,
AudioFormat.ENCODING_PCM_16BIT);
byte[] audioData = new byte[bufferSize];
audioRecord.read(audioData, 0, bufferSize);
注意：PCM数据是“裸”的，没有文件头，没有元数据。如果你把PCM数据直接保存成文件，播放器是不知道采样率、位深度、声道数的。所以通常我们会把它封装成WAV、AIFF等格式，或者直接压缩成MP3、AAC。
四、音频编解码原理：压缩的艺术
为什么要编解码？说白了就是为了省空间、省带宽。PCM数据太大了，不压缩根本没法在网络上传输，也没法在手机上存太多歌。
音频压缩分为两类：无损压缩和有损压缩。
1. 无损压缩
无损压缩，就是压缩后还能完全还原成原始的PCM数据。常见的格式有FLAC、ALAC、APE。它的原理是利用音频数据中的冗余信息——比如一段静音、重复的波形——用更高效的方式重新编码。
无损压缩的压缩比通常在2:1到3:1之间。也就是说，一首30MB的PCM歌曲，压缩成FLAC大概10-15MB。对于追求音质的发烧友来说，无损是必须的。但在移动端，无损的代价是解码时需要更多的计算资源。
2. 有损压缩
有损压缩，就是丢掉一些人耳不敏感的信息，换来更高的压缩比。常见的格式有MP3、AAC、OGG、Opus。
有损压缩的核心原理是心理声学模型。人耳有一些“听觉掩蔽”特性——比如一个响的声音会盖住旁边一个轻的声音；再比如人耳对某些频率不敏感。有损编码器就是利用这些特性，把那些“听不到”或“不重要”的信息丢掉。
举个例子，MP3的典型压缩比是10:1到12:1。一首30MB的PCM歌曲，压成320kbps的MP3大概只有3-4MB。而128kbps的MP3更是只有1-2MB。当然，码率越低，音质损失越大。
我的经验：在Android开发中，我建议优先使用AAC而不是MP3。为什么？因为AAC在同等码率下音质更好，而且Android系统对AAC的硬件解码支持更完善。我做过一个测试，96kbps的AAC听起来和128kbps的MP3差不多，但文件小了25%。
3. 编解码流程
编码和解码是一对逆过程。编码器把PCM数据压缩成压缩格式（比如AAC），解码器再把压缩格式还原成PCM数据（用于播放）。
在Android中，MediaCodec是处理音视频编解码的核心API。它支持硬件加速，效率很高。我习惯用MediaCodec来做AAC编码和解码，配合AudioTrack播放PCM数据，整个链路非常流畅。
// Android中，使用MediaCodec解码AAC的简化流程
MediaCodec decoder = MediaCodec.createDecoderByType("audio/mp4a-latm");
decoder.configure(format, null, null, 0);
decoder.start();
// 循环：从输入缓冲区喂数据，从输出缓冲区取PCM数据
// 然后喂给AudioTrack播放
五、知识体系总览
说了这么多，咱们来一张图总结一下。这张图展示了音频从物理世界到数字世界的完整链路，以及各个核心概念之间的关系。
这张图把整个音频数字化的流程串起来了。从物理世界的声音振动，到采样量化变成PCM数据，再到压缩编码成MP3/AAC等格式，最后解码播放。每一步都有它的意义和权衡。
好了，今天的内容就到这里。音频基础是音视频开发的基石，把这些概念吃透了，后面学音频处理、音频录制、音频播放就会轻松很多。记住，采样率、位深度、PCM、编解码——这四个词会贯穿你整个音视频开发生涯。好好消化，咱们下节课见。