1、音视频基础概念：模拟信号与数字信号、采样率与位深度、编码与解码的基本原理
各位同学，咱们今天聊聊音视频的“地基”。
说实话，我见过太多人一上来就怼FFmpeg命令行，结果遇到个杂音问题就抓瞎。为什么？因为基础不牢。今天这一章，咱们就把模拟信号、数字信号、采样率、位深度、编码解码这些最核心的概念，一次性讲透。
1.1 从模拟信号到数字信号：一场“复制”与“还原”的游戏
你想想看，声音在自然界里是什么样子的？
是连续的。就像你说话时声带的振动，或者吉他弦的颤动，它们在空气中形成一条连续不断的波浪线。这就是模拟信号——时间和幅度都是连续的。
但计算机不认连续的东西。计算机只认0和1。所以，我们必须把这条连续的波浪线，变成一串离散的数字。这个过程，就叫模数转换（ADC）。
核心理解：模拟信号是“原版”，数字信号是“照片”。照片拍得再清晰，也不是原版。我们的目标，是让这张“照片”尽可能接近原版。
我在项目中遇到过一个问题：一个老式麦克风输出的模拟信号，直接连到电脑声卡上，结果底噪巨大。后来发现是信号电平不匹配。嗯，这里要注意，模拟信号的电压范围，必须和ADC的输入范围匹配，否则要么削波，要么信噪比极差。
1.2 采样率与位深度：决定“照片”清晰度的两个参数
把模拟信号变成数字信号，需要做两件事：采样和量化。
采样率（Sample Rate）
采样率，说白了就是“每秒拍多少张照片”。
比如CD音质的采样率是44100Hz，意思就是每秒钟对模拟信号采样44100次。采样率越高，能还原的频率上限就越高。
这里有个著名的奈奎斯特采样定理：采样率必须大于信号最高频率的两倍，才能无失真地还原。
我的经验：人耳能听到的频率范围是20Hz-20kHz。所以理论上，40kHz的采样率就够了。为什么CD选了44.1kHz？因为要留一点余量给抗混叠滤波器。我个人习惯，做语音处理用16kHz，做音乐用48kHz或更高。
位深度（Bit Depth）
位深度决定的是“每张照片的细节丰富程度”。
它决定了量化时的精度。常见的位深度有：
| 位深度 | 动态范围 | 常见用途 |
|---|---|---|
| 8-bit | 48 dB | 早期游戏、语音（极低质量） |
| 16-bit | 96 dB | CD、WAV标准 |
| 24-bit | 144 dB | 录音室、专业制作 |
| 32-bit float | 理论无限 | 后期处理、混音 |
位深度越大，能记录的声音强弱变化就越细腻。16-bit能记录65536个不同的音量等级，而24-bit能记录超过1600万个。
避坑指南：我曾经犯过一个错误——用8-bit位深度录制了一段语音，结果背景噪音像砂纸一样粗糙。后来才明白，位深度不够，量化噪声会直接淹没弱信号。所以，做语音识别训练数据，至少用16-bit。
1.3 编码与解码：给数据“减肥”和“复原”
原始的数字音频数据有多大？咱们算一笔账：
CD音质：44100采样率 × 16位深度 × 2声道 = 1,411,200 bps ≈ 176 KB/s。一首4分钟的歌，大约42MB。
这还只是音频。如果是视频，数据量更是天文数字。所以，必须编码——也就是压缩。
编码的基本原理
编码分为两类：
- 无损编码：压缩后可以完全还原原始数据。比如FLAC、ALAC。适合存档和发烧友。
- 有损编码：丢掉一些人耳不敏感的信息，换来更高的压缩比。比如MP3、AAC。
有损编码的核心思想是什么？说白了就是“骗耳朵”。
人耳有一些听觉特性，比如：
- 掩蔽效应：一个响的声音，会盖住旁边弱的声音。那弱的声音就可以丢掉。
- 频率敏感度差异：人耳对中频最敏感，对极低频和极高频不敏感。那这些不敏感的频率就可以少分配一些比特。
我记得有一次做项目，客户要求把一段语音从WAV转成MP3，码率压到64kbps。结果转出来之后，高频部分全是“嘶嘶”声。为什么？因为MP3在低码率下，会把高频细节全部砍掉。后来我建议改用AAC编码，同样64kbps，听感好很多。
解码：反向操作
解码就是编码的逆过程。把压缩后的比特流，还原成可以播放的PCM数据。
这里有个关键点：解码器必须和编码器匹配。你用AAC编码的文件，用MP3解码器是打不开的。
一句话总结：编码是“做减法”，解码是“做加法”。但加法做出来的，永远不是原来的那个数——有损编码丢掉的信息，是找不回来的。
1.4 一个简单的代码示例：用Python查看音频的采样率和位深度
光说不练假把式。咱们用Python的wave模块，看看一个WAV文件的“底细”。
import wave
# 打开一个WAV文件
with wave.open('example.wav', 'rb') as wf:
# 获取参数
n_channels = wf.getnchannels() # 声道数
sampwidth = wf.getsampwidth() # 采样字节数（位深度/8）
framerate = wf.getframerate() # 采样率
n_frames = wf.getnframes() # 总帧数
print(f"声道数: {n_channels}")
print(f"采样率: {framerate} Hz")
print(f"位深度: {sampwidth * 8} bit")
print(f"总帧数: {n_frames}")
print(f"时长: {n_frames / framerate:.2f} 秒")
运行这段代码，你就能看到音频文件的“身份证”信息。我建议你找几个不同格式的文件试试，对比一下它们的参数差异。
1.5 本章小结
好了，咱们把今天的内容串一下：
- 模拟信号是连续的波浪，数字信号是离散的点阵。
- 采样率决定频率范围，位深度决定动态范围。
- 编码是为了压缩数据，解码是为了还原播放。
- 有损编码利用人耳特性“偷工减料”，无损编码则保留全部信息。
这些概念，是后面所有章节的基石。你如果现在觉得有点绕，没关系，先记住“采样率、位深度、编码格式”这三个关键词。后面咱们实战的时候，你会反复和它们打交道。
下一章，咱们聊聊音频采集的硬件——麦克风和声卡。到时候我会分享一个我踩过的“地线环路”的坑，保证让你印象深刻。