第1章声音的本质

第一章：声音的本质

各位同学好，我是你们这门课的老朋友。做音频算法这行十几年了，每次带新人，我第一件事就是让他们重新理解声音。不是那种物理课本上的定义，而是从工程师的角度——说白了，声音就是我们要处理的信号。

这一章，我们先把地基打牢。你想想看，连声音是什么都没搞明白，后面怎么去设计动态处理器？

声音的本质是振动。一个物体在空气中来回运动，挤压周围的空气分子，形成疏密相间的波。这个波传到我们耳朵里，鼓膜跟着振动，大脑就解读成了声音。

我在项目里遇到过最典型的例子：有一次调试一个降噪算法，怎么都滤不掉某个低频噪声。后来发现是设备外壳的机械共振，根本不是声学问题。嗯，这里要注意——你处理的永远是振动信号，不管它来自麦克风还是合成器。

声波有几个基本参数：

它们的关系很简单：声速 = 频率 × 波长。这个公式你后面会反复用到。

频率决定了音高，振幅决定了响度。这是最基础的两个概念。

频率，单位是赫兹（Hz），表示每秒振动多少次。人耳能听到的范围大概是20Hz到20kHz。低于20Hz的叫次声波，高于20kHz的叫超声波。我刚开始做音频时，总觉得20kHz以上的东西跟我没关系，直到有一次做高频扩展算法——嗯，真香。

振幅，表示振动的幅度大小。振幅越大，声音越响。但要注意，人耳对响度的感知不是线性的。这就是为什么我们要用分贝（dB）这个单位。

关键点：频率和振幅是正交的两个维度。你可以改变频率不影响振幅，也可以改变振幅不影响频率。动态处理器主要动的是振幅，但频率决定了你该在哪个频段动手。

同一个声音，你可以从两个角度去看它。

时域：横轴是时间，纵轴是振幅。示波器上看到的就是时域波形。我习惯用这个来观察瞬态——比如鼓的起振、人声的爆破音。

频域：横轴是频率，纵轴是能量。频谱分析仪上看到的就是频域。这个用来分析声音的成分——比如这个噪声是50Hz的工频干扰，还是3kHz的齿音。

时域和频域之间通过傅里叶变换来转换。你不需要把傅里叶变换的数学推导背下来，但一定要理解它的物理意义：任何一个时域信号，都可以分解成若干个不同频率、不同振幅的正弦波之和。

我的经验：做动态处理时，我通常先在时域看整体动态范围，再到频域看具体哪个频段需要压缩。两个视角来回切换，比只看一个维度要靠谱得多。

下面这张图展示了时域和频域的关系：

计算机处理不了连续的模拟信号，必须把它变成离散的数字信号。这个过程分两步：采样和量化。

奈奎斯特-香农采样定理告诉我们：采样频率必须大于信号最高频率的两倍，才能无失真地重建原始信号。

举个例子：人耳能听到20kHz，所以CD的采样率是44.1kHz。为什么是这个数？44.1kHz > 2 × 20kHz = 40kHz，留了点余量。

避坑指南：我曾经在一个项目里用了22kHz的采样率去录一段吉他，结果高频泛音全被折叠到低频区域，产生了混叠失真。听起来就像吉他里混进了金属摩擦声。从那以后，我每次选采样率都会先确认信号的最高频率成分。

采样定理的数学表达：

fs ≥ 2 × fmax

其中：
fs = 采样频率
fmax = 信号最高频率

如果采样率不够，会发生什么？高频成分会伪装成低频信号混进来，这就是混叠。解决方法是加抗混叠滤波器——在采样之前把高于fs/2的频率滤掉。

采样是在时间轴上离散化，量化是在幅度轴上离散化。每个采样点的幅度值被近似到最近的量化等级上。

量化位数决定了动态范围。16位量化有65536个等级，动态范围约96dB。24位量化有16777216个等级，动态范围约144dB。

量化位数	量化等级数	理论动态范围	常见应用
8位	256	48 dB	早期游戏、语音
16位	65,536	96 dB	CD、WAV
24位	16,777,216	144 dB	专业录音、混音
32位浮点	约4.3×10^9	理论无限	DAW内部处理

量化会产生量化误差，听起来就是背景噪声。我习惯在项目初期就确定好量化策略——如果最终要输出16位，那中间处理最好用32位浮点，等最后再dither到16位。

核心总结：声音的本质是振动信号。我们用频率和振幅来描述它，用时域和频域来分析它，用采样和量化来数字化它。这四个知识点，是后面所有动态处理算法的基础。

个人习惯：每次开始一个新项目，我都会先检查采样率和量化位数。这两个参数一旦定错，后面所有处理都是白费功夫。你想想看，源头就丢了信息，后面再怎么补也补不回来。