14、音频处理基础：PCM数据格式、音频重采样、音量调整、音频频谱分析基础

各位好，欢迎来到第14章。从这一章开始，我们正式进入音频处理的实战环节。说实话，音频处理比视频处理更容易上手——数据量小、逻辑直观、调试方便。但别小看它，很多坑藏在细节里。我当年做第一个音频项目时，就因为PCM的字节序问题，整整排查了两天。

这一章我们会覆盖四个核心知识点：PCM数据格式、音频重采样、音量调整、以及音频频谱分析基础。它们就像音频处理的四根柱子，后面所有高级功能都建立在它们之上。

14.1 PCM 数据格式——最原始的音频"底片"

PCM，全称是脉冲编码调制。说白了，它就是麦克风把声音变成数字信号后，最原始、最直接的那串数据。没有压缩，没有编码，就是纯粹的采样值。

我习惯把PCM比作照片的RAW格式——它占空间大，但信息最完整。你在WAV文件里听到的声音，本质上就是PCM数据加上一个文件头。

三个核心参数

理解PCM，你只需要记住三个数字：

• 采样率（Sample Rate）：每秒采多少个点。常见的有8000Hz（电话）、44100Hz（CD）、48000Hz（视频）。
• 位深（Bit Depth）：每个采样点用多少位存储。8位、16位、24位、32位浮点。位深越大，动态范围越宽。
• 声道数（Channels）：单声道（1）、立体声（2）、5.1声道（6）等。

PCM 数据的存储布局

立体声PCM有两种常见布局：

• 交错（Interleaved）：L R L R L R ... 这是最常见的，比如WAV文件内部就是这种。
• 平面（Planar）：LLLL... RRRR... 左声道全部数据在前，右声道在后。FFmpeg内部很多格式用这种。

我在项目中遇到过一个问题：用FFmpeg解码出来的音频默认是平面格式，但声卡驱动只认交错格式。如果不做转换，出来的声音就是"嘶嘶"的噪声。嗯，这个坑我踩过。

代码示例：读取PCM文件并打印前10个采样值

#include <cstdio>
#include <cstdint>

int main() {
    FILE* fp = fopen("audio.pcm", "rb");
    if (!fp) return -1;

    int16_t sample;
    printf("前10个采样值：\n");
    for (int i = 0; i < 10; i++) {
        fread(&sample, sizeof(int16_t), 1, fp);
        printf("sample[%d] = %d\n", i, sample);
    }
    fclose(fp);
    return 0;
}

14.2 音频重采样——让不同采样率"对齐"

重采样，就是把一段音频从一种采样率转换成另一种。比如你有一个48kHz的音频，但你的播放器只支持44.1kHz，那就得重采样。

你想想看，这本质上是一个"插值"问题。原来每秒钟有48000个点，现在要变成44100个点，多出来的点怎么算？少了点又怎么补？

常见的重采样算法

算法	质量	性能	适用场景
最近邻插值	差	极快	实时预览、低功耗设备
线性插值	一般	快	简单转换，对音质要求不高
Sinc插值	好	慢	专业音频处理、离线转换

我个人习惯在项目中用libsamplerate（也叫SRC）这个库。它提供了从简单到高质量的多种转换模式。如果你用FFmpeg，它的swr_convert函数也封装了重采样逻辑。

代码示例：使用FFmpeg进行重采样（核心片段）

// 初始化重采样上下文
SwrContext* swr = swr_alloc_set_opts(
    nullptr,
    AV_CH_LAYOUT_STEREO, AV_SAMPLE_FMT_FLT, 44100,  // 输出：44.1kHz 浮点
    AV_CH_LAYOUT_STEREO, AV_SAMPLE_FMT_FLT, 48000,  // 输入：48kHz 浮点
    0, nullptr
);
swr_init(swr);

// 执行重采样
int out_samples = swr_convert(
    swr,
    &out_data,  out_nb_samples,  // 输出缓冲区
    &in_data,   in_nb_samples    // 输入缓冲区
);

14.3 音量调整——不只是"乘个系数"那么简单

音量调整，听起来太简单了？不就是把每个采样值乘以一个增益系数吗？

嗯，理论上没错。但实际做起来，有几个坑你必须知道。

整数PCM的溢出问题

假设你有一个16位的PCM数据，取值范围是 -32768 到 32767。如果你把音量调大2倍，一个原本是20000的采样值变成了40000——但40000已经超出了16位整数的范围！结果就是"削波"，声音出现刺耳的失真。

浮点PCM的音量调整

如果你用的是32位浮点PCM，那简单多了。直接乘系数就行，因为浮点数的动态范围极大。但要注意：最终输出到声卡时，如果声卡只支持16位整数，还是会有截断问题。

// 浮点PCM音量调整
void adjust_volume(float* data, int num_samples, float gain) {
    for (int i = 0; i < num_samples; i++) {
        data[i] *= gain;
        // 可选：加一个软限幅
        if (data[i] > 1.0f)  data[i] = 1.0f;
        if (data[i] < -1.0f) data[i] = -1.0f;
    }
}

14.4 音频频谱分析基础——让声音"可视化"

频谱分析，就是把声音从"时间域"转换到"频率域"。说白了，就是告诉你这段声音里，哪些频率成分多，哪些少。

最核心的工具就是FFT（快速傅里叶变换）。它能把一段时域信号，分解成一组频率分量。

FFT 的基本流程

1. 取帧：从PCM数据中取出一小段，比如1024个采样点。
2. 加窗：对这段数据应用窗函数（汉宁窗、海明窗等），减少频谱泄漏。
3. 执行FFT：得到N个复数，每个复数代表一个频率分量的幅度和相位。
4. 计算幅度谱：取每个复数的模，得到该频率的能量。

窗函数为什么重要？

直接对一段信号做FFT，相当于默认加了一个"矩形窗"。矩形窗会在频谱上产生旁瓣，把能量"泄漏"到相邻频率上。我刚开始做频谱分析时，看到频谱图上莫名其妙多了一些"鬼影"频率，排查了半天才发现是没加窗。

窗函数	主瓣宽度	旁瓣衰减	推荐场景
矩形窗	窄	差	瞬态信号分析
汉宁窗	中等	好	通用音频分析
海明窗	中等	更好	语音处理
布莱克曼窗	宽	极好	需要高动态范围

代码示例：使用FFTW库计算频谱

#include <fftw3.h>

void compute_spectrum(float* pcm_data, int n) {
    fftw_complex* out = (fftw_complex*)fftw_malloc(sizeof(fftw_complex) * n);
    fftw_plan plan = fftw_plan_dft_r2c_1d(n, pcm_data, out, FFTW_ESTIMATE);
    
    fftw_execute(plan);
    
    // 输出前10个频率分量的幅度
    for (int i = 0; i < 10; i++) {
        double mag = sqrt(out[i][0] * out[i][0] + out[i][1] * out[i][1]);
        printf("频率分量 %d: 幅度 = %f\n", i, mag);
    }
    
    fftw_destroy_plan(plan);
    fftw_free(out);
}

14.5 四个知识点的串联应用

在实际项目中，这四个知识点很少单独使用。我给你描述一个典型场景：

你从网络收到一段8kHz、16位、单声道的PCM音频。现在要把它显示到频谱可视化界面上，同时用户要求把音量调大50%。

流程是这样的：

1. 重采样：先把8kHz重采样到44.1kHz，因为频谱显示需要更高的频率分辨率。
2. 音量调整：转成浮点，乘以1.5倍增益，加限幅保护。
3. 频谱分析：取1024点帧，加汉宁窗，做FFT，计算幅度谱。
4. 显示：把幅度谱映射到颜色或柱状图上。

你看，四个知识点串成了一条线。这就是实战中的常态。

好了，这一章的内容就到这里。音频处理其实很有意思——你改一个参数，声音就变了，反馈非常直接。下一章我们会继续深入，看看音频编码和格式转换的那些事。

---

公众号:蓝海资料掘金营，微信deep3321