音視頻技術(shù)從零開始-音頻基礎(chǔ)

共 3526字，需瀏覽 8分鐘

2022-02-09 17:34

音視頻技術(shù)從零開始-音頻基礎(chǔ)

本人目前音視頻技術(shù)基本零基礎(chǔ)（在公司里耳濡目染，聽過一些概念，有著膚淺的理解，實(shí)際是一頭霧水），鑒于本人在一個(gè)短視頻公司工作（不好意思不懂這些），本身其實(shí)對這塊也比較感興趣，加上之前一直沒下決心系統(tǒng)學(xué)習(xí)這塊知識(shí)，現(xiàn)在想開始從零開始系統(tǒng)學(xué)習(xí)音視頻技術(shù)，并記錄學(xué)習(xí)筆記「音視頻從零開始」系列，希望能幫到更多零基礎(chǔ)想學(xué)習(xí)音視頻技術(shù)的同學(xué)
注：系列文章都是通過查找各個(gè)資料加上我個(gè)人理解總結(jié)出來的學(xué)習(xí)筆記，文章最后會(huì)附上參考文章或書籍的連接，如果有理解不對或有涉及知識(shí)侵權(quán)的地方，請及時(shí)評論聯(lián)系我

這是音視頻技術(shù)從零開始學(xué)習(xí)筆記的第一篇，從音頻技術(shù)相關(guān)的概念開始，本篇不涉及任何編程相關(guān)內(nèi)容。個(gè)人認(rèn)為，概念理解清楚對以后編程模塊的邊界、職責(zé)劃分以及該使用哪些工具有很大的幫助。

圖1-音頻技術(shù)核心概念

采樣

模擬信號(hào)（連續(xù)信號(hào)）是連續(xù)的，意味著不會(huì)失真（音質(zhì)好），比如磁帶、唱片中就通過物理介質(zhì)（通過唱片表面的起伏跌宕，或者是磁帶上的磁粉引起的磁場強(qiáng)度來表示音箱上振膜的即時(shí)位置）保存著音頻的模擬信號(hào)。

我們都知道唱片和磁帶已經(jīng)逐漸離開人們的視野，就是因?yàn)橥ㄟ^物理手段無法長久的保存音頻信號(hào)，唱片會(huì)磨損，磁帶會(huì)老化，那用什么方法能夠長久的保存音頻信息呢？

目前，使用最多的方法就是通過數(shù)字來保存音頻，那么又如何將音頻轉(zhuǎn)為數(shù)字呢？首先先通過圖中「采樣」手段，將模擬信號(hào)轉(zhuǎn)為離散信號(hào)，離散信號(hào)可以理解為不連續(xù)信號(hào)，把一段連續(xù)函數(shù)按照一定規(guī)則斷開。

圖2-采樣信號(hào) 原圖鏈接

此圖為CD標(biāo)準(zhǔn)的采樣信號(hào)圖，圖中的「采樣率44.1Khz」就是斷開函數(shù)的規(guī)則，每 1s 將一段波分為 44100 個(gè)矩形，經(jīng)過采樣，得到了一個(gè)有一堆柱形圖組成的圖形（離散信號(hào)）

為什么音頻的采樣率是 44.1Khz 呢？對于高質(zhì)量的音頻（人耳能夠聽到的頻率范圍是 20hz-20Khz），根據(jù)采樣定理，按比人能聽到的最大頻率的2倍進(jìn)行采樣可以保證聲音在被數(shù)字化處理后，還能有質(zhì)量保障

量化

圖3-量化（信號(hào)處理）

經(jīng)過采樣后，我們發(fā)現(xiàn)圖中的縱坐標(biāo)是沒有值的，無法表示每段樣本的數(shù)字大小，這時(shí)候就需要引入量化的概念。通俗易懂地講「量化」就是在沿水平方向再將信號(hào)圖按照一定數(shù)字范圍切斷，保證每段樣本能用數(shù)字描述。這個(gè)數(shù)字的最終物理意義是反應(yīng)在音響振膜位置，比如用[0-10萬]進(jìn)行量化，最終反應(yīng)在振膜的位置就是 0-10萬。

那么CD的量化標(biāo)準(zhǔn)是什么呢？采用16bit(short)，也就是2的16次方，總共65536，然后為了由于振膜是可以發(fā)生正向和負(fù)向位移，所以用[-32767,32768]進(jìn)行量化。

所以圖中虛線范圍就代表了量化的數(shù)字范圍，最終的紅色曲線就是量化的結(jié)果，數(shù)字信號(hào)

編碼

經(jīng)過量化后，每一個(gè)采樣都是一個(gè)數(shù)字，那這么多的數(shù)字該如何存儲(chǔ)呢？這就需要第三個(gè)概念：「編碼」，所謂編碼，就是按照一定的格式記錄采樣和量化后的數(shù)據(jù)，比如順序存儲(chǔ)或壓縮存儲(chǔ)等。

這里涉及很多種格式，通常所說的音頻的裸數(shù)據(jù)格式就是脈沖編碼調(diào)制數(shù)據(jù)，簡稱 PCM （Pulse Code Modulation)。描述一段 PCM 通常需要以下三個(gè)概念

量化格式（SampleFormat）
采樣率（SampleRate)
聲道數(shù)（Channel)

還以CD標(biāo)準(zhǔn)為例，量化格式 16bit，采樣率 44100，聲道數(shù) 2。

這里對聲道概念做一個(gè)補(bǔ)充，平時(shí)所謂的雙聲道、單聲道其實(shí)可以理解為需要記錄幾個(gè)信號(hào)，比如磁帶，雙聲道就是同一時(shí)刻記錄兩個(gè)軌道的信息，一個(gè)負(fù)責(zé)記錄左耳機(jī)振膜位置，一個(gè)負(fù)責(zé)記錄右耳機(jī)振膜位置，以此類推，多個(gè)聲道也是類似

上述信息就描述了CD的音質(zhì)，對于聲音格式來說，還有另一個(gè)概念用來描述它的大小，稱為數(shù)據(jù)比特率（bitRate)，即 1s 內(nèi)的比特?cái)?shù)目，用于衡量音頻數(shù)據(jù)單位時(shí)間內(nèi)的容量大小，那么比特率如何計(jì)算？

$BitRate=SampleFormatSampleRateChannel $ 單位為千比特每秒kbps(kb per second)。
比如對于CD音質(zhì)， $44100162=1378.125kbps$ 那么，一分鐘里，CD音質(zhì)數(shù)據(jù)需要占多大存儲(chǔ)空間呢？ $1378.125*60/8/1024=10.09MB$

所以一段1分鐘的音頻經(jīng)過采樣、量化、編碼后可以得到一個(gè)大約10MB裸數(shù)據(jù)，成功地將音頻的模擬信號(hào)轉(zhuǎn)為數(shù)字信號(hào)，并存儲(chǔ)下來。

音頻壓縮編碼

上面說到1分鐘的CD音質(zhì)數(shù)據(jù)的存儲(chǔ)空間大于為 10MB，這對于光盤磁盤存儲(chǔ)來說可接受，但對于網(wǎng)絡(luò)傳輸肯定是無法接受的。所以就需要「壓縮編碼」出面解決問題

所謂音頻編碼主要指音頻壓縮技術(shù)，壓縮通常又被分為有損和無損兩種，但事實(shí)上，任何音頻編碼方式相對于最真實(shí)的自然聲音信號(hào)，都是有損的壓縮。從前面說到的采樣、量化、編碼中不難理解，我們把一條光滑的音頻信號(hào)曲線分割成了許多數(shù)據(jù)塊，然后對數(shù)據(jù)進(jìn)行二進(jìn)制編碼，過程中其實(shí)就已經(jīng)損失了一部分?jǐn)?shù)據(jù)了，所以再次進(jìn)行壓縮也只能是盡可能的接近經(jīng)過PCM編碼后的音頻裸數(shù)據(jù)。

圖4-PCM編碼 原圖鏈接

既然壓縮是為了減小編碼后的數(shù)據(jù)存儲(chǔ)空間，那么就應(yīng)該去掉音頻的“冗余信息”，從以下兩個(gè)方面去衡量哪些數(shù)據(jù)是冗余的

之前提到過，人耳所能察覺的聲音信號(hào)的頻率范圍為20Hz-20KHz，除此之外的其它頻率人耳無法察覺，都可視為冗余信號(hào)
當(dāng)一個(gè)強(qiáng)音頻信號(hào)和一個(gè)弱音頻信號(hào)同時(shí)存在時(shí)，弱信號(hào)會(huì)被強(qiáng)信號(hào)掩蔽，可視為冗余

其中第二點(diǎn)涉及另兩個(gè)概念「頻譜掩蔽效應(yīng)」和「時(shí)域掩蔽效應(yīng)」，名字看起來高深莫測，其實(shí)不難理解。

圖5-頻譜掩蔽效應(yīng) 原圖鏈接

「頻譜掩蔽效應(yīng)」一個(gè)音頻信號(hào)被人耳聽到是有一個(gè)閾值，閾值越小越容易被人聽到，如圖所示，虛線是隨聲音頻率增大反應(yīng)的閾值曲線，在 2-5kHz范圍內(nèi)，閾值很低，是人耳對聲音最敏感的頻率?，F(xiàn)在假設(shè)有一個(gè) 60dB-0.2kHz 的強(qiáng)音信號(hào)出現(xiàn)時(shí)，閾值曲線會(huì)有所改變（圖中實(shí)線部分），0.1-0.5kHz 頻率的閾值被明顯抬高，圖中大概40dB-0.17kHz 左右的信號(hào)和 30dB-0.48kHz左右的信號(hào)都會(huì)被掩蔽。所以在0.1kHz-0.5kHz范圍內(nèi)，只能聽到 65dp-0.2kHz 的聲音，其余信號(hào)可視為冗余。

圖6-時(shí)域掩蔽效應(yīng) 原圖鏈接

「時(shí)域掩蔽效應(yīng)」是強(qiáng)信號(hào)和弱信號(hào)在時(shí)間維度發(fā)生的掩蔽，分為 前掩蔽，人在聽到強(qiáng)信號(hào)之前，一些弱信號(hào)會(huì)被掩蔽 同時(shí)掩蔽，強(qiáng)信號(hào)會(huì)掩蔽同時(shí)發(fā)生的弱信號(hào) * 后掩蔽，強(qiáng)信號(hào)消失后，需要經(jīng)過一段時(shí)間后，才能重新聽到弱信號(hào)

在這過程中被掩蔽的信號(hào)被視為冗余

幾種音頻壓縮編碼簡介

|--|--|--|--|

|WAV|無損壓縮，其中一種實(shí)現(xiàn)方式是在 PCM 數(shù)據(jù)格式前加上 44 字節(jié)，分別描述采樣率、聲道數(shù)、數(shù)據(jù)格式等信息。|音質(zhì)非常好，大量軟件都支持| 多媒體開發(fā)的中間文件、保存音樂和音效

|MP3|具有不錯(cuò)的壓縮比，使用 LAME 編碼（MP3 編碼格式的一種實(shí)現(xiàn)）的中高碼率的 MP3 文件| 音質(zhì)在 128Kbit/s 以上表現(xiàn)還不錯(cuò)，壓縮比比較高，大量軟硬件都支持|高比特率下對兼容性有要求的音樂鑒賞

|AAC|新一代有損壓縮技術(shù)，通過一些附加的編碼技術(shù)（PS、SBR 等），衍生出了 LC-AAC、HE-AAC、HE-AAC v2三種主要編碼格式| 小于 128Kbit/s 表現(xiàn)優(yōu)異，多用于視頻中的音頻編碼 | 128Kbit/s 一下的音頻編碼，多用于視頻中的音頻編碼

|Ogg| 一種非常有潛力的編碼，各種碼率下都有比較優(yōu)秀的表現(xiàn)，尤其是低碼率場景下。可以在低碼率的場景下仍然保持不錯(cuò)的音質(zhì)，但目前軟件硬件支持情況較差|可用比 MP3 更小的碼率實(shí)現(xiàn)比 MP3 更好的音質(zhì)，但兼容性不好| 語音聊天的音頻消息場景