[ Linux Audio 篇 ] 音频开发入门基础知识

本文介绍: 在短视频兴起的背景下，音视频开发越来越受到重视。接下来将为大家介绍音频开发者入门知识，帮助读者快速了解这个领域。轻柔的音乐、程序员有节奏感的键盘声、嗡嗡的发动机、刺耳的手提钻……这些声音是如何产生的呢？又是如何传到我们耳中的呢？声音是振动产生的声波，通过介质（气体、固体、液体）传播并能被人或动物听觉器官所感知的波动现象。声音的频率一般会以赫兹表示，记为Hz，指每秒钟周期性震动的次数。而分贝是用来表示声音强度的单位，记为dB。

在短视频兴起的背景下，音视频开发越来越受到重视。接下来将为大家介绍音频开发者入门知识，帮助读者快速了解这个领域。
在这里插入图片描述
轻柔的音乐、程序员有节奏感的键盘声、嗡嗡的发动机、刺耳的手提钻……这些声音是如何产生的呢？又是如何传到我们耳中的呢？声音是振动产生的声波，通过介质（气体、固体、液体）传播并能被人或动物听觉器官所感知的波动现象。声音的频率一般会以赫兹表示，记为Hz，指每秒钟周期性震动的次数。而分贝是用来表示声音强度的单位，记为dB。

1. 认识声音

声音的物理本质非常简单，其实就是两个字：振动。我们对振动应该不陌生，振动的钟、振动的鼓膜、振动的音叉等等。那么到底振动如何引起的声音，又怎样能被我们听到呢？

从技术上来说，声音是物理能量（如拍手）到空气压力扰动的转换。空气压力中的这种改变通过空气以一连串振动（声波）的形式传播。声音振动也可以通过其他介质传播，如墙壁或地板。

在这里插入图片描述

上图显示了正弦波的示波图（图形显示），这是最简单最纯粹的波形。如果振动不以可辨别的形式传播，则声音就称为噪声。

在这里插入图片描述波形的重复（示波器中的每个波峰和波谷）被称为循环。每秒钟发生的循环数决定波形的基本音高，通常称为频率，大部分乐器都可以提供振荡器频率控制，以赫兹 (Hz) 为单位，用于确定每秒的循环数，从而决定声音的基本音高。

2. 耳朵是如何听到声音

我们的耳朵是一个很神奇的器官，通过耳朵，我们可以感受到周围空气中的声音，转化成信息处理。能够让我们清楚的知道声音的来源。当声波进入耳朵时，会引起鼓膜和耳内的骨头振动。内耳中细小而脆弱的耳毛将振动转换为电信号发送到大脑，然后大脑将信号解析为声音。总结起来耳朵通过外耳、中耳和内耳的协同作用，将声音的机械能转化为神经信号，从而使我们能够听到声音。另外人耳并不是所有的声波都可以听到，只可以听到 20Hz 到 20KHz 之间的声波。这个过程可以大家搜索下相关视频介绍解释的会更加清楚一些。大家可以听下这个音频，通过听感结合视频中看到的频率分析，感受下。

20Hz-20kHz

3. 工程角度的音频 播放

在这里插入图片描述
从工程角度来处理声音时，首先是通过麦克风采集到声音的模拟信号。然后通过音频模数转换器，将模拟信号转换成数字信号。这些数字信号可以被计算机处理和存储，或者通过扬声器输出。扬声器会根据数字信号产生一定频率的震动，然后通过空气传播模拟信号到我们的耳朵。这样我们就能够听到对应的声音。在处理声音时，我们还会应用数字信号处理技术。通过使用数字信号处理算法，我们能够对声音进行滤波、音频增强、降噪等处理，从而进一步优化声音效果。此外，还可以利用多通道录制技术，将不同方向的声音分离出来，实现立体声效果。为了提高声音的传输质量，我们还会使用压缩算法对声音进行压缩，以减少数据量，同时保持一定的音质。这些工程技术能够使我们在日常生活中享受到更清晰、更真实的声音体验。

4. 采样率（Sample Ra t e）

采样率是每秒从音频信号记录的样本数量的度量。它以赫兹 (Hz) 为单位进行测量，表示每秒记录音频信号样本的频率。样本是对特定时间点音频信号响度的度量。采样率是音频信号质量的重要因素，因为它直接影响信号的带宽。更高的采样率可以捕获音频信号的更多细节，从而提高信号质量。然而，更高的采样率也需要更多的存储空间和带宽来存储和传输音频信号。在音频行业中，根据音频信号的预期用途使用不同的采样率。一些最常用的采样率是 44.1kHz、48kHz 和 96kHz。

在这里插入图片描述
如图所示，如果想完美地重建信号，必须对原始音频进行数千个样本。在A示例中，您可以看到我们的数字结果很差，因为我们的样本不够频繁。在B示例中，我们的数字结果更好并且看起来更平滑。然而，在C示例中，数字结果与原始音频一样平滑。那是因为我们已经采集了足够的样本！换句话说，足够高的采样率可以让我们捕捉到原始声音的每一个细节。

来听一下不同采样率录制的声音，需要注意高频成分的变化，因为采样率越低，高频信息越少。首先是每秒采样次数为16000Hz, 并且可以通过频率分析观察到信号的截止频率为8kHz。

16k

接下来同样的音乐，每秒采样次数为48000Hz, 并且可以通过频率分析观察到信号的截止频率为24kHz。

48k

5. 位深度 (bit depth)

音频位深度决定了可以为每个音频样本记录的可能幅度值的数量。位深度越高，捕获的每个样本的幅度值就越多，以重新创建原始音频信号。由于声波是连续波，因此具有无数可能的振幅值，因此我们需要将其振幅值建立为数字位，以准确地再现它们。查看下面的位深度示例：

位深度 + 采样率 = 音频带宽

在这里我们可以看到位深度如何与采样率一起重建一个波周期。在前两个示例中，我们没有足够的可用位来平滑地再现连续声波。但在第三个示例中，我们有足够的可用位来无误地映射信号的幅度值。

当一个信号被采样时，它需要以比特存储采样的音频信息。这就是位深度发挥作用的地方。位深度决定了可以存储多少信息。具有 24 位深度的采样可以存储更多细微差别，因此比具有 16 位深度的采样更精确。

最常见的音频位深度是 16 位、24 位和 32 位。每个都是一个二进制项，代表许多可能的值。更高音频位深度的系统能够表达更多可能的值。更明确地说，让我们看看每个位深度可以存储的最大值数是多少。可以看到两个位深度之间可能值的数量存在巨大差异。

16 bit 代表能够存储多达 65536 级信息
24 bit 代表能够存储多达 16777216 级信息
32 bit代表能够存储多达 4294967296 级信息

位深度影响的另一个重要因素是信号的动态范围。16 位数字音频的最大动态范围为 96 分贝，而 24 位深度将为我们提供最大 144 分贝。CD 质量的音频以 16 位深度录制，因为一般来说，我们只想处理足够响亮的声音，但同时又不足以损坏设备或耳膜。对于 44.1kHz 的采样率，16 位的位深度足以再现普通人的可听频率和动态范围，这就是它成为标准 CD 格式的原因。

6. 音频通道 (c ha nnles)

理解音频通道的最简单方法是想象轨道或交通车道。其中单声道代表一 (1) 个轨道，立体声代表两 (2) 个轨道。因此，当以单声道录制时，您将音频录制到单个轨道中。当以立体声录制时，您将音频录制到两个轨道中；左和右。显然立体声可以让声音更加有空间感，但相应的数据量要比单声道的数据量多一倍。

在这里插入图片描述
还有更多通道数，基本上可以拥有任意数量的通道（扬声器），最常见的配置有：

2.0。这是普通立体声音频，具有左右扬声器。所有音乐都以立体声录制，正常的视频媒体播放都是立体声。
5.1。这是最标准的环绕声格式，如果你是游戏新手，这将是最简单的。它有普通的左右扬声器、一个中置声道和 2 个环绕扬声器，通常位于您的座位区后面。
6.1。它拥有 5.1 环绕声的所有功能，但包括一个额外的后环绕声道，位于您的座位区后面，以获得更身临其境的声音。
7.1。这些扬声器系统具有内置系统，基本上将单个后置通道（在 6.1 系统中）的信号分成 2 个音频通道，从而为您提供更高的沉浸感。
8.1 或更高。一旦超过 7.1 声道，就进入了非常专业的领域，很可能会自己构建这个系统。添加的扬声器越多，就越会有身临其境的感觉。

在这里插入图片描述

7. 总结

首先，我们了解了声音的物理本质是振动，并且通过介质传播。其次，我们探讨了耳朵如何听到声音，以及人耳能够听到的频率范围。然后，从工程角度出发，介绍了音频是如何播放和录音的，包括麦克风采集声音、模数转换、数字信号处理等。接着，我们讨论了采样率和位深度对音频信号质量的影响。最后，我们介绍了音频通道的概念和常见配置。通过这些内容，读者可以初步了解音频开发的基础知识。