2. 音频基础理论：声音的物理特性、数字音频原理与人耳听觉特性

好，咱们正式开始第二讲。这一章是音频开发的“地基”，说白了就是搞清楚“声音到底是什么东西”。我见过不少做穿戴设备的同行，一上来就调算法、跑模型，结果麦克风选型不对，或者采样率设低了，最后出来的声音一塌糊涂。嗯，咱们先把这些基础概念捋清楚，后面做项目才能心里有底。

2.1 声音的物理特性

声音的本质是什么？是振动。空气被扰动，形成疏密波，传到我们耳朵里。描述这个波，有三个核心参数：频率、振幅、相位。

2.1.1 频率

频率就是每秒振动的次数，单位是赫兹（Hz）。频率决定了音调的高低。频率越高，声音越尖锐；频率越低，声音越低沉。

• 人耳可听范围：20 Hz ~ 20 kHz。这是理想情况。实际上，随着年龄增长，高频听力会逐渐下降。我35岁以后，就明显感觉16 kHz以上的声音听不太清了。
• 穿戴设备关注频段：语音通信主要关注300 Hz ~ 3.4 kHz（电话语音频段）。如果是做音乐或环境声采集，那就要覆盖20 Hz ~ 20 kHz。

2.1.2 振幅

振幅就是振动的幅度，决定了声音的响度（音量）。振幅越大，声音越响。在数字音频里，振幅通常用分贝（dB）来表示。

• 分贝是相对值：0 dBFS（数字满量程）是数字音频能表示的最大值。超过0 dB就会削波（Clipping），产生难听的失真。
• 动态范围：系统能记录的最大声音与最小声音之间的比值。穿戴设备受限于体积和功耗，动态范围通常不如专业设备。

2.1.3 相位

相位描述的是波形在时间轴上的位置。单位是度（°）或弧度（rad）。

• 同相与反相：两个同频率、同振幅的信号，如果相位差为0°，叠加后振幅加倍；如果相位差为180°，叠加后相互抵消。
• 实际应用：在穿戴设备中，经常用双麦克风做波束成形（Beamforming），就是利用相位差来增强某个方向的声音，抑制其他方向的噪声。

为什么会这样？因为声音到达两个麦克风的时间不同，产生了相位差。算法利用这个差异，就能“听”出声音是从哪个方向来的。

2.2 数字音频原理

模拟声音要变成计算机能处理的数字信号，需要经过采样、量化和编码。这里三个核心参数：采样率、位深、通道数。

2.2.1 采样率

采样率就是每秒采集多少个声音样本，单位是Hz或kHz。根据奈奎斯特采样定理，采样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。

• 常见采样率：

  采样率	典型应用
  8 kHz	电话语音、对讲机
  16 kHz	语音识别、穿戴设备语音采集
  44.1 kHz	CD音质、音乐
  48 kHz	电影、专业音频

• 穿戴设备的选择：我个人习惯，做语音唤醒和语音识别，用16 kHz就够了。如果要做音乐录制或环境声分析，至少要用44.1 kHz。

2.2.2 位深

位深决定了每个样本的精度，也就是能表示多少种不同的振幅值。位深越大，动态范围越大，信噪比越高。

• 常见位深：
  • 8位：256个量化等级，动态范围约48 dB。音质较差，有量化噪声。
  • 16位：65536个量化等级，动态范围约96 dB。CD音质，也是穿戴设备的常用选择。
  • 24位：16777216个量化等级，动态范围约144 dB。专业录音常用。
• 量化噪声：位深不够，量化误差就会变成噪声。你想想看，如果只用8位去录一段交响乐，弱音部分会被噪声淹没，强音部分又容易削波。

我记得有一次，一个学生用8位采样做心率监测的声音分析，结果数据里全是量化噪声，根本提取不到有效特征。后来换成16位，问题就解决了。

2.2.3 通道数

通道数就是同时采集的音频信号路数。

• 单声道：1个通道。穿戴设备最常用，省电、省带宽。
• 立体声：2个通道。左右声道，能提供空间感。
• 多声道：4个、6个甚至更多。用于环绕声、阵列麦克风。

在穿戴设备上，我建议优先考虑单声道。除非你的应用需要做声源定位或波束成形，否则双麦克风带来的功耗和体积增加，往往得不偿失。

2.3 人耳听觉特性

搞音频处理，不能只懂物理和数学，还得懂“人”。人耳不是一台完美的测量仪器，它有很多“非线性的”特性。

2.3.1 等响曲线

人耳对不同频率的声音敏感度不一样。对1 kHz ~ 5 kHz的声音最敏感，对低频和高频相对不敏感。而且，这种敏感度还跟音量有关。

• 等响曲线（Fletcher-Munson曲线）：描述了人耳在不同声压级下，对不同频率声音的感知响度。
• 实际意义：在穿戴设备上做音量调节时，不能简单地线性增减。比如，降低音量时，低频和高频的衰减速度应该比中频慢，否则听起来会觉得“声音变闷了”。

2.3.2 掩蔽效应

一个声音的存在，会让人耳对另一个声音的感知能力下降。这就是掩蔽效应。

• 频域掩蔽：一个强音会掩蔽掉它附近频率的弱音。比如，一个响亮的1 kHz纯音，会让你听不到旁边1.1 kHz的微弱声音。
• 时域掩蔽：强音出现之前和之后的一小段时间内，弱音也会被掩蔽。

这个特性在音频压缩里用得最多。比如MP3编码，就是利用掩蔽效应，把那些“听不到”的声音信息丢掉，从而大幅压缩数据量。我在做穿戴设备的音频传输时，也借鉴了这个思路，把一些不重要的频段信息降低精度，节省带宽。

2.3.3 听觉疲劳与保护

长时间暴露在大音量下，人耳会产生听觉疲劳，甚至永久性损伤。穿戴设备（尤其是耳机类产品）必须考虑这一点。

• 安全音量：世界卫生组织建议，连续听音时间不超过1小时，音量不超过最大音量的60%。
• 产品设计：我参与过一款儿童手表的音频设计，专门加了一个“音量限制”功能，最大输出限制在85 dB SPL以下。虽然有些用户抱怨声音不够大，但安全第一。

2.4 小结

这一章的内容比较基础，但非常重要。频率、振幅、相位是声音的“三要素”；采样率、位深、通道数是数字音频的“三要素”；人耳的等响曲线和掩蔽效应，则是我们做音频处理时必须考虑的“生理约束”。

下一章，咱们会把这些知识用到实际中，聊聊穿戴设备上麦克风的选型和布局。到时候，你会发现这些基础概念有多重要。