音频数字化简单原理

从字面上来说，数字化 (Digital) 就是以数字来表示，例如用数字去记录一张桌子的长宽尺寸，各木料间的角度，这就是一种数字化。跟数位常常一起被提到的字是模拟 ( Analog/Analogue) ，模拟的意思就是用一种相似的东西去表达，例如将桌子用传统相机 将三视图拍下来，就是一种模拟的记录方式。

两个概念：

1、分贝(dB):声波振幅的度量单位，非绝对、非线性、对数式度量方式。以人耳所能听到的最静的声音为1dB,那么会造成人耳听觉损伤的最大声音为100dB。人们正常语音交谈大约为20dB。10dB意味着音量放大10倍，而20dB却不是20倍，而是100倍（10的2次方）
。

2、频率（Hz）:人们能感知的声音音高。男性语音为180Hz，女性歌声为600Hz，钢琴上 C调至A调间为440Hz,电视机发出人所能听到的声音是17kHz，人耳能够感知的最高声音频 率为20kHz。

将音频数字化，其实就是将声音数字化。最常见的方式是透过 PCM(脉冲) 。运作原理如下。首先我们考虑声音经过麦克风，转换成一连串电压变化的信号，如下图所示。这张图的横座标为秒，纵座标为电压大小。要将这样的信号转为 PCM 格 式的方法，是先以等时距分割。

我们把分割线与信号图形交叉处的座标位置记录下来，可以得到如下资料，(0.01,11.6 5) ，(0.02,14.00) 、 (0.03,16.00) 、 (0.04,17.74) … ..(0.18,15.94) 、 (0.19 ,17.7) 、 (0.20,20) 。好了，我们现在已经把这个波形以数字记录下来了。由于我们 已经知道时间间隔是固定的 0.01 秒，因此我们只要把纵座标记录下来就可以了，得到 的结果是 11.65 14.00 16.00 17.74 19.00 19.89 20.34 20.07 19.44 18.59 17.47
16.31 15.23 14.43 13.89 13.71 14.49 15.94 17.70 20.00 这一数列。这一串数字就
是将以上信号数字化的结果。看吧，我们确实用数字记录了事物。在以上的范例中，我
们的采样频率是 100Hz(1/0.01 秒 ) 。其实电脑中的 .WAV 档的内容就是类似这个样子
，文件头中记录了采样频率和可容许最大记录振幅，后面就是一连串表示振幅大小的数
字，有正有负。常见CD唱盘是以PCM格式记录，而它的采样频率 (Sample Rate) 是 441
00Hz ，振幅采样精度/数位是 16Bits ，也就是说振幅最小可达 -32768(-2^16/2) ，最
大可达 +32767(2^16/2-1) 。CD唱盘是以螺旋状由内到外储存资料，可以存储74分钟的
音乐。CD唱盘的规格为什么是 44.1kHz、16Bits呢？关于 44.1kHz 这个数字的选取分为
两个层面。首先人耳的聆听范围是 20Hz 到 20kHz ，根据 Nyquist s ，理论
上只要用 40kHz 以上的采样频率就可以完整记录 20kHz 以下的信号。那么为什么要用
44.1kHz 这个数字呢？那是因为在 CD 发明前硬盘还很贵，所以主要将数字音频信号储
存媒体是录像带，用黑白来记录 0 与 1 。而当时的录像带格式为每秒 30 张，而一张
图又可以分为 490 条线，每一条线又可以储存三个取样信号，因此每秒有 30*490*3=4
4100 个取样点，而为了研发的方便， CD唱盘也继承了这个规格，这就是 44.1kHz 的由
来。在这里我们可以发现无论使用多么高的采样精度/数位，记录的数字跟实际的信号大
小总是有误差，因此数字化无法完全记录原始信号。我们称这个数字化造成失真称为量
化失真。

数字化的最大好处是资料传输与保存的不易失真。记录的资料只要数字大小不改变，记
录的资料内容就不会改变。如果我们用传统类比的方式记录以上信号，例如使用录音带
表面的磁场强度来表达振幅大小，我们在复制资料时，无论电路设计多么严谨，总是无
法避免杂讯的介入。这些杂讯会变成复制后资料的一部份，造成失真，且复制越多次信
噪比 ( 信号大小与噪音大小的比值 ) 会越来越低，资料的细节也越来越少。如果多次
复制过录音带，对以上的经验应该不陌生。在数字化的世界里，这串数字转换为二进制
，以电压的高低来判读1与0，还可以加上各种检查码，使得出错机率很低，因此在一般
的情况下无论复制多少次，资料的内容都是相同，达到不失真的目的。

那么，数字化的资料如何转换成原来的音频信号呢？在计算机的声卡中一块芯片叫做 D
AC(Digital to Analog Converter) ，中文称数模转换器。DAC的功能如其名是把数字信
号转换回模拟信号。我们可以把DAC想像成 16 个小电阻，各个电阻值是以二的倍数增大
。当 DAC 接受到来自计算机中的二进制 PCM 信号，遇到 0 时相对应的电阻就开启，遇
到 1 相对应的电阻不作用，如此每一批 16Bits 数字信号都可以转换回相对应的电压大
小。我们可以想像这个电压大小看起来似乎会像阶梯一样一格一格，跟原来平滑的信号
有些差异，因此再输出前还要通过一个低通滤波器，将高次谐波滤除，这样声音就会变
得比较平滑了。

从前面的内容可以看出，音频数字化就是将模拟的(连续的)声音波形数字化(离散化)，
以便利用数字计算机进行处理的过程，主要包参数括采样频率（Sample Rate）和采样数
位/采样精度（Quantizing，也称量化级）两个方面，这二者决定了数字化音频的质量。
采样频率是对声音波形每秒钟进采样的次数。根据这种采样方法，采样频率是能够再现
声音频率的一倍。人耳听觉的频率上限在2OkHz左右，为了保证声音不失真，采样频率应
在4OkHz左右。经常使用的采样频率有11.025kHz、22.05kHz和44.lkHz等。采样频率越高
，声音失真越小、音频数据量越大。采样数位是每个采样点的振幅动态响应数据范围，
经常采用的有8位、12位和16位。例如，8位量化级表示每个采样点可以表示256个(0-25
5)不同量化值，而16位量化级则可表示65536个不同量化值。采样量化位数越高音质越好
，数据量也越大。

反映音频数字化质量的另一个因素是通道(或声道)个数。记录声音时，如果每次生成一
个声波数据，称为单声道；每次生成二个声波数据，称为立体声(双声道)，立体声更能
反映人的听觉感受。

除了上述因素外，数字化音频的质量还受其它一些因素(如扬声器质量，麦克风优劣，计
算机声卡A/D与D/A（模/数、数/模）转换芯片品质，各个设备连接线屏蔽效果好坏等)的
影响。

综上所述，声音数字化的采样频率和量化级越高，结果越接近原始声音，但记录数字声
音所需存储空间也随之增加。可以用下面的公式估算声音数字化后每秒所需的存储量(假
定不经压缩):

存储量=(采样频率*采样数位)/8(字节数)

若采用双声道录音，存储量再增加一倍。例如，数字激光唱盘(CD－DA，红皮书标准)的
标准采样频率为44.lkHz，采样数位为16位，立体声，可以几乎无失真地播出频率高达2
2kHz的声音，这也是人类所能听到的最高频率声音。激光唱盘一分钟音乐需要的存储量
为:

44.1*1000*l6*2*60/8=10，584，000(字节)=10.584MBytes

这个数值就是微软Windows系统中WAVE(.WAV)声音文件在硬盘中所占磁盘空间的存储量。
由MICROSOFT公司开发的WAV声音文件格式，是如今计算机中最为常见的声音文件类型之
一，它符合RIFF文件规范，用于保存WINDOWS平台的音频信息资源，被WINDOWS平台机器
应用程序所广泛支持。另外，WAVE格式支持MSADPCM、CCIPTALAW、CCIPT-LAW和其他压缩
算法，支持多种音频位数，采样频率和声道，但其缺点是文件体积较大，所以不适合长
时间记录。因此，才会出现各种音频压缩编/解码技术的出现，例如，MP3，RM，WMA,VQ
F,ASF等等它们各自有自己的应用领域，并且不断在竞争中求得发展。

WAVE、MIDI、MP3、RM常见音频格式简介

WAVE--WINDOWS系统最基本音频格式---*.wav

1、占用巨大硬盘空间，音质最好，支持音乐与语音
2、通常采样使用44KHZ采样/秒,16位/采样，立体声，双声道，CD音质
3、一分钟音乐占用大约10M硬盘空间,56K调制解调器需要30分钟才能完成网络传送

MIDI--电子合成音乐---*.mid

1、与WAVE格式截然不同，只有音乐，没有语音
2、使用音色库回放，有软硬波表之分，
3、十分节省磁盘空间，但是音质回放对声卡依赖较大
4、无法使用Total Recorder录制mid音乐
5、可以使用Wingroove软波表或其它软件转为wave

MP3--最流行音频压缩格式---*.mp3

1、节省硬盘空间，有损压缩，无法复原
2、音质与不同压缩编码软件有关
3、音乐与语音，可以使用各种采样比率

RM--网络流媒体压缩格式---*.rm/*.ra

1、节省磁盘空间，有损压缩，无法复原
2、在目前比较窄的网络带宽下，与Real Server服务器配合，使用Real Player在客户端
比较流畅地播放音视频媒体

其它还有：

1、微软的WMA编码--*.wma
2、微软的ASF流媒体编码--*.asf
3、Yamaha的VQF编码--*.vqf

我又看了下这个文章，还是不太理解采样大小的概念，但是我百度后终于明白了。"举个简单例子：假设对一个波进行8次采样，采样点分别对应的能量值分别为A1-A8，但我们只使用2bit的采样大小，结果我们只能保留A1-A8中4个点的值而舍弃另外4个。如果我们进行3bit的采样大小，则刚好记录下8个点的所有信息。采样率和采样大小的值越大，记录的波形更接近原始信号。"