2、声音的物理基础：声波特性、数字音频采样与量化、常见音频格式对比
各位同学，咱们今天聊聊声音的物理基础。说实话，这部分内容看起来有点理论，但你要是搞AI语音合成，这些就是地基。地基不稳，楼盖得再高也得塌。我自己刚入行那会儿，就因为没搞懂采样率，折腾了好几天，最后发现是数据格式不对——嗯，都是血泪教训。
2.1 声波的三大特性：频率、振幅、相位
声音的本质是什么？说白了，就是空气的振动。这种振动以波的形式传播，所以我们叫它声波。声波有三个核心参数，你必须要吃透。
2.1.1 频率
频率决定了声音的「音高」。单位是赫兹（Hz），表示每秒振动的次数。人耳能听到的范围大概是20Hz到20kHz。低于20Hz叫次声波，高于20kHz叫超声波。
我在做语音克隆项目时，遇到过一个问题：合成的女声听起来有点「闷」。后来一查，原来是模型对高频部分的还原不够好。女声的基频通常在200-300Hz，但泛音能到8kHz以上。你想想看，如果高频细节丢了，声音自然就不像了。
2.1.2 振幅
振幅决定了声音的「响度」。振幅越大，声音越响。单位是分贝（dB）。这里有个坑：人耳对响度的感知不是线性的。比如，10dB的差别，人耳感觉音量翻了一倍。
我曾经在调试TTS（文本转语音）系统时，发现合成出来的语音忽大忽小。后来发现是音频文件本身的振幅不一致。所以，我建议你在预处理数据时，一定要做振幅归一化处理。
2.1.3 相位
相位这个概念，很多人容易忽略。它描述的是波在某个时刻的位置状态。单位是度（°）或弧度（rad）。
说实话，人耳对相位的敏感度不高。但在多声道系统里，相位就很重要了。比如立体声，左右声道的相位差决定了声音的「空间感」。我做AI语音合成时，一般不直接操作相位，但如果你要做声源定位或空间音频，相位就是绕不开的。
2.2 数字音频：采样与量化
模拟声音是连续的，但计算机只能处理离散的数字。所以，我们需要把模拟信号转成数字信号。这个过程叫模数转换（ADC）。核心就两步：采样和量化。
2.2.1 采样
采样，就是每隔一段时间，记录一次声音的振幅值。采样的频率叫采样率，单位是Hz。常见的采样率有：
- 8kHz：电话语音，够用但音质差
- 16kHz：语音合成和识别的标准，我大部分项目都用这个
- 44.1kHz：CD音质，适合音乐
- 48kHz：影视制作标准
这里有个经典问题：采样率到底要多高？答案是遵循奈奎斯特定理——采样率至少要是信号最高频率的两倍。比如，人声最高到8kHz，那16kHz的采样率就够用了。
2.2.2 量化
量化，就是把采样得到的振幅值，用有限个数字来表示。量化的精度叫位深度，单位是bit。常见的位深度有：
- 8-bit：256个等级，音质粗糙，有底噪
- 16-bit：65536个等级，CD标准，语音合成够用
- 24-bit：16777216个等级，录音棚标准
- 32-bit float：科学计算常用，精度极高
量化会产生误差，叫量化噪声。位深度越高，噪声越小。我个人习惯，做AI语音训练时，音频统一用16-bit。为什么？因为16-bit的量化噪声已经低于人耳可感知的范围了。再高，文件体积变大，收益却很小。
2.3 常见音频格式对比：WAV、MP3、FLAC
搞AI语音，你天天都得跟音频格式打交道。常见的就三种：WAV、MP3、FLAC。我分别说说它们的优缺点。
| 格式 | 类型 | 压缩方式 | 音质 | 文件大小 | 适用场景 |
|---|---|---|---|---|---|
| WAV | 无损 | 无压缩 | 完美 | 大 | 原始数据存储、AI训练 |
| MP3 | 有损 | 感知编码 | 可接受 | 小 | 网络传输、音乐播放 |
| FLAC | 无损 | 无损压缩 | 完美 | 中等 | 存档、高质量传输 |
2.3.1 WAV格式
WAV是微软和IBM联合开发的。说白了，它就是裸数据加一个文件头。没有压缩，音质最好。但文件体积也最大。
我做AI语音训练时，所有原始数据都存成WAV。为什么？因为任何压缩都会引入失真，哪怕是无损压缩。对于模型训练来说，数据越纯净越好。
2.3.2 MP3格式
MP3是有损压缩格式。它利用人耳的听觉特性，把听不到或不太敏感的频率信息丢掉。所以，文件可以压缩到原来的十分之一，但音质损失不大。
不过，对于AI语音合成来说，MP3是「毒药」。因为压缩算法会引入伪影（artifacts），这些伪影在模型训练时会被当成有效特征学进去。结果就是，合成出来的语音有「沙沙」声。我曾经用MP3数据训练过一个模型，效果惨不忍睹。从那以后，我再也不用MP3做训练数据了。
2.3.3 FLAC格式
FLAC是无损压缩格式。它能把WAV文件压缩到60%左右，但解压后数据完全一样。对于存档和传输来说，FLAC是个好选择。
我个人习惯，在项目交付时，如果对方需要高质量音频，我会给FLAC。既节省了带宽，又保证了音质。但在训练阶段，我还是坚持用WAV。为什么？因为FLAC解压需要时间，训练时频繁解压会拖慢速度。
好了，这一章的内容就这些。声音的物理基础，说白了就是频率、振幅、相位这三个东西。数字音频的核心就是采样和量化。音频格式嘛，记住WAV为王。下一章，咱们聊聊语音信号处理的基本操作，比如预加重、分帧、加窗这些。到时候见。