一些数字音频的基础定义

一些定义

最近在看python的相关东西，然后看到了对音频的处理方面的知识，然后记录一下：

声道（audio channel）

采样率（sampling rate）

位元度（bit-depth）

比特率（bit rate）

本文中用到的工具是Sony家的Sony Sound Forge（以下简称SSF），这是一款对音频进行处理的工具。这款工具可以对多声道（multi-channel）音频文件进行处理，最多可以处理32声道的音频文件。每个声道都有自己的波形（waveform）。

举个例子：

一个双声道或立体声（stereoscopic sound）文件，拖到SSF中后，可以看到其两个波形图：

（来自http://www.sonycreativesoftware.com/）

上图中，上面的波形是Channel #1，来自左声道，也就是你的左边的扬声器发出的声波，下面的是Chanel #2即右声道，是你邮右边的扬声器发出的声波。

那如果是单声道（mono sound），那么波形只会有一个，这样两个扬声器发的都是这个声道的声音。

另外四声道（quadraphonic sound）也属于立体声的范畴，它的扬声器摆放位置是前左、前右、后左、后右四个方位，听众坐其中。可以增加一个增强低音的扬声器，这就是所谓的4.1声道系统。五声道（5.1 surrounded sound）跟四声道一样，属于立体声范畴，它的扬声器的位置是前左、前中、前右、后左、后右，听众坐其中，其中0.1跟4.1的0.1相同，是一个低音加强的扬声器。

采样率（sampling rate）就是每秒选取声波上的样本数。你每秒的样本采得多，那你就能得到更多的音频细节，进而能描述得该段更清楚。就好比，你面前有一行汉字，你拿到足够近的话，那就只能看到单个汉字，拿远的话就能看到更多的字，有助于理解句子的意思。我们再用一个波形具体说一下。如下图所示：


（来自http://www.sonycreativesoftware.com/）

下面分别采取三种采样来尽可能准确的还原这个正弦波。

第一种采样率8kHz，第二种采样率44100Hz，第三种96000Hz，他们的波形图分别由上到下由下图所示：


（来自http://www.sonycreativesoftware.com/）

图中的黑点就表示所采之样，8000Hz的采样率这根本就不是还原吧，与“原”相差甚远，基本看不出正弦波的样子，44100Hz还差不多可以看得出是正弦波，只是棱角比较分明，这种不准确的地方人耳（20Hz~20000Hz）已经是听不出来的，就是说给你听原版和采样率是44100Hz版本的音频，你是听不出区别的，而且这个采样率就是普通CD的采样率。而96000Hz的就更加接近正弦波了。很明显可以看出，每秒的采样数与还原程度成正比，即每秒样本数越多，越能更好的还原。

好音质谁都想要，但是好音质也带来了“大体积”。8000Hz的采样率的文件差不多3M左右，44100Hz的16M左右，而96000Hz的差不多（（96000/8000）*3M）36M左右。

数字音乐最重要的两个参数（dynamic duo）：采样率与位元度（bit-depth）。位元度是指，每个样本的比特位数（number of bits）。打个比方对于台湾人来说，他们看得懂正体，看简体反而蒙圈，还是采样率所举的那行汉字，这里的比特位数就好比汉字的笔画数，比如那行字里有个简体“龙”，那他可能会想一想这是对应正体的哪个字，但是如果给他写成“龍”，他很快就能知道是龙的意思，这样也就加快他理解整句话的意思。学计算机的都知道bit是最小的单位，非0即1。那比特位越多，那肯定这个样本就被描述得越细致，样本细致了，那整段音频自然也就细致了。

这里要提到“量化”（quantization）这一过程。量化顾名思义就是要数量化，具体化。那么如何给音频量化，那就是通过比特位的位数来描述该样本。量化过程就是一个化零为整的过程，它将各个“零”划（化）到离其最近的“整”处。下面举个例子：


（来自http://www.sonycreativesoftware.com/）

这是一把二进制的且只有4个刻度的尺子，相当于十进制的且只有10（1cm~10cm）个刻度的尺子。现在要用这把尺子测量一块橡皮，这块橡皮的一头对齐00处，而另一头却在01到10之间，如果离01近些，那我们将这个零头划给01，我们就说这块橡皮的长度是01；如果离10近些，那就划给10，橡皮的长度也就变成了10。如果这个橡皮刚好在01和10的中间，那么划给哪边？这个划分涉及到一个误差的问题，本来这个橡皮的长度是01.0111，如果归给10的话，会产生10-01.0111=00.0001的误差，而且如果00.0001处是音乐的细节或重要的一个点的话，那么这个点将被抹去，进而该音乐将无法完美诠释和展现。这样的话，我们换一把尺子。如下图：


（来自http://www.sonycreativesoftware.com/）

这样看来，这把尺子比起上一把细分了很多，可以将橡皮的长度更好的划分，或许橡皮的00.0111就在尺面上。果然，就在尺子上，这样不就更准确了吗。

采样率和位元深不是越大越好，你若是要烧曲子到CD盘里，那么你需要的采样率是44100Hz和位元深是16bit。

比特率（bit rate）是指单位时间携带或传输的比特位，这个应该要和位元深匹配吧。有一个公式来描述比特率

（本图来自https://en.wikipedia.org/wiki/Bit_rate）

下面是一个python例子，需要安装的模块是wave

#import numpy
import wave
#import pylab

file = wave.open(r'D:\yanhuayileng.wav', 'rb')
# 读取格式信息
# (nchannels, sampwidth, framerate, nframes, comptype, compname)
params = file.getparams()
# 取前四个：声道数, 量化位数（byte单位）, 采样频率, 采点数
nchannels, sampwidth, framerate, nframes = params[:4]
print nchannels, sampwidth, framerate, nframes
#我用周杰伦的烟花易冷.wav做测试，输出如下：
#2 2 44100 11606004
#意思是双声道，2byte（16bit）的位元深，采样率是44100Hz，采点数11606004个

参考

1: http://www.sonycreativesoftware.com/de/basic_definitions_of_digital_audio

2: http://www.pcwaishe.cn/portal.php?mod=list&catid=58

3: https://en.wikipedia.org/wiki/Audio_bit_depth

4: https://en.wikipedia.org/wiki/Dolby_Digital

5: http://sebug.net/paper/books/scipydoc/wave_pyaudio.html