主题：哪位搞音频或者语音的，请教一个基本概念 -- 黑猫夜行

wav文件，或者pcm文件里面每个采样点的数据究竟是什么啊，为了把问题简化，我们假设，44.1k、16bit的线性pcm。我狗了一通，没找到详细解释，人人都说那是个采样后“量化”的数据，依靠什么量化的，怎样量化的呢？

我把某一个wav的data chunk里所有采样点都减少或者增加一个常量后生成新的wav，要么裁减得太狠了干脆不出声要么就跟原来的听上去没什么区别。所以我想wav在经过声卡D/A转换再到speaker时一定不是一个点一个点独立的。

那么究竟是怎么回事呢？

声音信号有两种分析方法，时域上的和 频域上的。

人的声音是个模拟信号。 它在频域上的带宽是无限的。就是说你想用数字

方法储存，---- 单论理论上说是存储空间是要求无限大的。

其次上其实用不了那么大。因为人耳能听到的带宽是 50Hz -22000Hz，

其他的频率分量是无用的。所以基本只要储存这些模拟信号即可。

根据香农（不是咖啡的香浓）定理，保存这些模拟信号，可以通过数字

抽样的数据保存，但必须比它的最大频率大两倍，即是要求数字抽样信号

的频率是 44kHz。否则会有叠频的问题。造成差错。

大于 44khz，就可以把这个模拟的声音信号在每一 1/44000 秒的声值

大小抽取出来保存成数字信号，以便用于恢复模拟声音信号。这叫抽样。

数字抽样是如何抽呢？ 就是说，在某一瞬间抽样取得声音大小分级数

也是问题，分级太多，储存量极大，分级太少，大小声音无法区分，

16bit 是个权衡值，相当于是2 的16 次方，取了1024 个级别。

声音可能是 1 级，2 级，7 级， 19 级，一直到 1024 为最大音量。

线形 pcm 就是指这些分级是线形的，而非某些优化算法非线性。

7级和8级的区别 和 1022 和 1023 的区别是一样大的。

这样抽出来数字抽样信号带有了模拟信号的信息，是一连串的 7， 9 ，

1022， 13， 989，。。。。。等等等等的数字。它记录的是一秒钟

44K 次，记录的是声音每前进 1/44000 秒的声强大小。用它就可以完整

记录声音的信息，而且因为 44000 >= 2*22000，不会出现差错。

你把每个声音采样点都减少或者增加一个常量确实感觉怪怪的，这

相当于是频域增加了无数的随机信号，频域的变化是-------

我且要算上一会儿看看表示是什么呢。不过一般是不这么做的。

你要想把信号减小或者增大，应该在时域--- 采样点都按比例的

减小或者增大，才是音量等比例减小或增大，--- 而音调不变，否则

频域比例一变，肯定是变调了。

你拿本教材就看到了。放狗是很难搜出来的。因为这些

有图的话你就看的更清楚了。可是图很难上网。

信息理论的一个基本定理是nyquist thereom，当数据采样以后，再恢复出来的信号，其频率最高只能是采样频率的一半， 也就是说，如果要保留带宽为 2k, 那么理论上的采样频率至少要是 4k.

Wiki的简介

外链出处

是很难用耳朵听出区别的, 建议你使用高精度的数字采集卡然后配上Matlab或者NI的Labview来分析. 哈哈, 看起来一时半会也凑不齐这些装备来.

　　上过大学物理应该做过示波器实验，音频就相当于示波器屏幕上显示的波形。

　　这个波形X轴是时间，Y轴是电压。

　　采样频率的高低决定了时间采样的精细度，频率越高能还原出的音频频率就越高；

　　每个采样点的数值代表了这个时间点的电压值（相对值），位数越多还原出的电压值就越准确。

　　数字音频就等于用直方图来代替曲线图，很明显，直方图每一个长方条越细，高度的分辨率越高，长方条的顶点连成的曲线与原曲线就越接近。

　　16bit就是每个采样点量化（用A／D转换器）后的数值是个16位二进制数，分辨率为65536。楼下说的1024是10位二进制数。

　　音频电压是交流的，正负电压都有，所以这个16位数要能表示出正负来。为了处理方便，一般使使数值向上平移。

　　为表示方便以下以10位为例：

　　音频瞬间电压的绝对值并不重要，重要的是相对值，所以以下的具体电压变一下可无妨，只要所有点按同样比例变就行。

　　10位二进制数分辨率为1024，如果表示一个0－10V的电压，数值0＝0V，512＝5V，1024＝10V，其他按比例算。

　　如果表示一个－5－＋5V的电压，可以把512定为0V，1024就是＋5V，0就是－5V。其他同样按比例算。

　　因为是交流信号，我们要还原的是各点数值在X、Y值上连成的相对曲线，所以这个曲线只要不变形，向上、下平移一段距离对还原没有影响，就象示波器看波形上下移动扫描基线一样。你把某一个wav的data chunk里所有采样点都减少或者增加一个常量后生成新的wav，实际上就是把音频曲线向下（减少）或向上（增加）平移一点。而实际把音频电压量化成数字信号时为了保证不失真都不会用满，所以少量平移不会影响原来的音质。但移的多了造成超出范围（就象示波器把波形一部分移出屏幕外），所有超出范围的点都变成最低电压或最高电压（这有个术语叫削顶，在示波器上看就是最高的部分或最低的部份变成平直线），这就造成失真，如果移的太多就会变成最高电压或最低电压的一条直线，还原出就是直流电压，这就没了声音。

你看起来是个软件专家，所以对电路什么的有点晕。

所以你在改变数据以后，可以用播放器看看效果，当然那个比较粗糙。

另外WAV文件的数据结构我估计是有的，你看一些编程的书里面应该提及，或者是与WAV相关的函数什么的。

我离开技术已经很远了，从常识上说些想法供参考。

44.1K是取样速率，就是每一秒钟取44.1k个数据，每一个数据是16bit，左右两个声道数据量就加倍。由于动态范围的原因，可能还有一个常数来描述音量的基准值或峰值。另外也可能先把信号标准化，再取样，就是先变成峰值1V的信号。

你可以先在data chunk里把左右声道先分开，看哪些数据是哪个声道的，然后注意每一个点是16bit，有两个Bytes。

也不知道帮不帮得上忙，凑合看看吧。

里面告诉你每个取样的那16bit是怎么安排的。。。

如果你的编码不同，找到相应的标准即可。

njyd老兄的平移的说法能够解释我的疑问。

再深究下去，恐怕得跑到电声学去了。各位的回答都很有启发，我埋头学习一阵子再说。

就是信号系统的基础概念。找一本信号系统的教材，把采样以及相关的时域和频域的关系看看就差不多了。楼下 landkid 已经解说了一些。njyd 给出了时域上的分析。不牵涉到电路什么的，都是些数学的东西，变来变去的。只要你有一定的数学底子，不是太难的。

时域、频域；加窗、过零率、mfcc、fft、hmm之类的也略有耳闻。但是我就是对一个采样点数据对应实际振动的过程感到理解困难，这些个采样点是如何还原成既有声强又有频率还有包络的声波？所以我猜可能涉及到电声学。

就像电路、数字电路课一样，当年也算学过，可是我从来就没明白过三极管怎么就能放大。

一个周期为 1s 的正弦波(想象一个以时间为x轴的正弦波形, 其周期为一秒)，如果你一秒钟只采样一个点（均匀采样），那么你在时域得到的波形将是一条直线，如果要恢复这个波形(即便你已经知道是正弦波)，你至少要在一个周期内采样稍多于两个点, 也就是说采样频率要大于你要恢复的频率的两倍.

这里面的确都是数学的东西,可以完全不要懂电路.

我对采样率没有疑问，两倍采样率，为了不发生漏掉的情况。

这个跟我理解困难的地方有点不一样啊。

信号的强度, 恢复成声波的办法就是滤波阿,

最简单的情形, 如果在采样点t1的幅度是 A1, 采样点t2的幅度是A2, 那么系统设置 t1-t2时间段的幅度为 A1 + (t-t1)/(t2-t1) * (A2-A1) , 这是线形插值,当然实际的情形要更复杂一些.

至于取得包络的方法也是滤波, 滤掉高频成分就可以了.