第2章音频编解码基础

2、音频编解码基础：PCM原理、采样率与位深度、常见编码格式对比与选型

好，咱们进入第二章。音频编解码，说白了就是声音的「数字身份证」怎么生成、怎么压缩、怎么还原。我在智能音箱项目里踩过不少坑，今天把这些经验掰开揉碎讲给你听。

PCM，全称脉冲编码调制。名字听着唬人，其实原理特简单——就是把连续的声音波形，每隔一小段时间「咔嚓」拍一张快照，再把快照的高度用数字记下来。

这个过程分三步：

举个例子。你对着麦克风说「你好」，声波是连续的。采样器每1/44100秒切一刀，得到一串离散的电压值。量化器把这些电压值四舍五入到65536个等级之一。编码器再把等级号转成16位二进制。搞定。

核心公式：
数据速率（bps）= 采样率（Hz）× 位深度（bit）× 声道数

比如CD音质：44100 × 16 × 2 = 1,411,200 bps ≈ 1.4 Mbps

我在项目里遇到过一个问题：麦克风采集的PCM数据直接传给WiFi模块，结果声音断断续续。后来发现是I2S总线的时钟没配好，采样率对不上。嗯，硬件层面的时钟同步，往往是第一个坑。

采样率决定你能录多高的频率。根据奈奎斯特定理，采样率至少要是信号最高频率的两倍。人耳能听到20Hz-20kHz，所以44.1kHz成了CD标准。电话只用8kHz，因为人声主要能量在300Hz-3.4kHz。

位深度决定动态范围。每增加1位，信噪比提升约6dB。16位能到96dB，24位能到144dB。你想想看，一个安静房间的背景噪声大概30dB，摇滚演唱会能到120dB。16位其实够用，但做音频处理时，中间计算用24位或32位浮点，能避免累积误差。

我的建议：智能音箱做语音唤醒，用16kHz/16bit就够了。做音乐播放，至少支持44.1kHz/16bit。别盲目上192kHz，WiFi传输和DSP处理都扛不住。

原始PCM数据太大，必须压缩。压缩分两种：无损（FLAC、ALAC）和有损（MP3、AAC、Opus）。智能音箱场景，网络带宽有限，有损压缩是主流。

MP3诞生于90年代，用了心理声学模型，把听不到的声音成分扔掉。128kbps是「可接受」的下限，320kbps接近透明。但它的编码器太老了，同样码率下，AAC和Opus都比它强。

我曾经在项目里用MP3 128kbps做音乐流，用户投诉「高频有金属声」。查了半天，是MP3的预回声处理太糙，换AAC 96kbps反而更干净。嗯，别迷信老牌格式。

AAC是MP3的继任者，编码效率更高。同样的透明音质，AAC比MP3低30%的码率。它支持更多采样率（8-96kHz）和声道数（最多48个）。智能音箱里，AAC是主流选择。

但要注意：AAC有多个变种。LC-AAC是低复杂度版，适合嵌入式。HE-AAC（aacPlus）加了SBR技术，低码率下表现好，但编码延迟大。做实时通话别用HE-AAC，延迟会让你抓狂。

Opus是IETF标准，完全开源，免专利费。它融合了SILK（语音）和CELT（音乐）两种编码器，码率范围从6kbps到510kbps。最厉害的是，它的算法延迟最低只有5ms，非常适合VoIP和实时对讲。

我做过一个测试：用Opus 64kbps和AAC 128kbps做AB对比，盲听下大部分人分不出区别。而且Opus在丢包10%的情况下还能保持可懂度，AAC丢包5%就开始噼里啪啦了。

没有银弹。选型要看具体场景：

音乐流媒体播放：首选AAC 128-256kbps。生态好，几乎所有平台都支持。MP3作为降级备选。
语音助手/实时对讲：Opus 16-32kbps。低延迟、抗丢包，用户体验好。我曾经把AAC换成Opus，对讲延迟从200ms降到40ms，用户反馈「终于能正常聊天了」。
本地录音/回放：用PCM或FLAC。不经过压缩，方便后续语音识别处理。
多房间同步播放：AAC或Opus都可以，但要注意解码延迟的一致性。不同芯片的解码器实现不同，可能导致不同步。

避坑指南：我曾经在选型时只看码率，没考虑解码器的内存占用。某款低端芯片跑AAC解码需要80KB RAM，而Opus只需要40KB。结果AAC解码时内存溢出，系统重启。所以选型时一定要看芯片的SRAM和Flash余量。

最后说一句：编解码只是音频链路的一环。采样率转换、音量归一化、动态范围压缩，这些预处理同样影响最终听感。下一章咱们聊音频链路怎么搭，从麦克风采集到扬声器输出，一条龙讲清楚。