做在线教育的团队把一节课的录屏从 48kHz 降到 8kHz,想省一点带宽。上线后学生反馈两件事:老师讲「s」的时候像在说「sh」,安静的地方有一层细细的沙沙声。负责处理的同学先怀疑是麦克风坏了,换了设备重录,问题照旧。
另一边,一位做播客的同事把麦克风增益拧到很大,录出来的底噪像老式电视的雪花声。他以为是房间太吵,买了更贵的吸音棉,底噪小了一点,但那种「沙沙」的质感还在。这两件事看起来不相干,其实都出在声音变成数字的同一个环节:采样和量化。
采样决定一秒钟记多少个点,量化决定每个点的值能记多细。前者不够,高频会折叠成奇怪的音;后者不够,安静处会出现台阶一样的噪声。这篇把这两个动作拆开,用 Python 标准库实际生成正弦波,量出不同采样率和位深下的误差,再讲清楚抖动和采样率转换为什么不能随手做。
| 现象 | 真实原因 | 第一步查什么 |
|---|---|---|
| 安静段落有均匀的沙沙声,音量大时反而听不见 | 量化噪声:位深不够或录音电平太低,弱信号占用的量化台阶太少 | 看源文件位深和录音峰值电平,算一下实际用了多少位 |
| 高频出现「锯齿」或金属感的尖啸 | 采样率低于信号最高频率的两倍,产生了混叠 | 确认源采样率和麦克风前端有没有抗混叠滤波 |
| 8kHz 电话录音里 s 和 sh 分不清 | 4kHz 以上的辅音能量被彻底砍掉,语音清晰度受损 | 看链路的采样率和编码带宽,不要只看麦克风参数 |
| 波形放大后像一级级楼梯 | 零阶保持重建或量化步长太大,点与点之间没有插值 | 算量化步长,比较理论信噪比和实测值 |
| 44.1kHz 转 48kHz 后高频变糊 | 重采样滤波器质量差,或者用了简单的线性插值 | 比较不同重采样器的频响和误差,不要连转多次 |
| 同一段素材在不同软件里底噪不一样 | 解码、重采样、抖动和增益处理的顺序不同 | 把处理链列出来,逐段对比,找出哪一步引入了变化 |
| 音量很小却仍然听得到明显底噪 | 24 位录、16 位存,或者低位深下把增益压得太低 | 检查导出位深和归一化设置,必要时加抖动 |
| 慢放录音时高频尖叫变成低鸣 | 混叠频率随播放速度改变,说明采样时已经折叠过 | 用频谱看有没有非原始频率的成分,回溯采集环节 |
声音进电脑,一共四步
声音是空气压力的连续变化。麦克风把它变成连续变化的电压,这一步还是模拟信号。要送进电脑,得经过模数转换器,也就是 ADC。ADC 内部做的事可以拆成四步,每一步都可能引入问题。
第一步是换能,麦克风把声压转成电压。第二步是低通滤波,把高于采样率一半的频率先削掉,这一步叫抗混叠。第三步是采样,每隔固定时间取一个电压值,采样率就是每秒取多少个点。第四步是量化,把电压值映射到有限个整数档位,位深决定档位有多少。
很多人只记得「采样率」和「位深」两个词,却忽略了滤波器。滤波器必须在采样之前,因为一旦高频被采样进来,后面再怎么处理也分不清它是原来的高频还是折叠出来的低频。这一点决定了混叠几乎不可逆。
还要区分「采样」和「量化」的误差来源。采样带来的是时间上的离散,误差表现为高频信息丢失和混叠;量化带来的是幅度上的离散,误差表现为噪声。两者不会互相抵消,位深再高也救不回混叠,采样率再高也消不掉量化噪声。
采样率与奈奎斯特:一秒记多少个点才够
奈奎斯特定理给了一个下限:采样率必须大于信号最高频率的两倍,才能把原信号完整地还原出来。人耳能听到的频率大约到 20kHz,所以理论上 40kHz 就够。CD 选了 44.1kHz,多出来的 4.1kHz 是留给抗混叠滤波器的过渡带,滤波器不可能在 20kHz 处突然一刀切干净,得留余量。
如果采样率不够,高于一半采样率的频率不会消失,而是会「折叠」到低频区。比如 9kHz 的 tone 用 8kHz 采样,采样后的序列看起来就像 1kHz。这个现象叫混叠,折叠出来的频率叫 alias。下面这段代码用标准库的 DFT 验证这件事,输入是 0.8 幅度的 9kHz 正弦,采样率 8kHz,取 0.1 秒。
import math
def sine(fs, f, seconds=1.0, amp=0.8):
n = int(fs * seconds)
return [amp * math.sin(2 * math.pi * f * i / fs) for i in range(n)]
fs, f = 8000, 9000
x = sine(fs, f, 0.1, 0.8)
n = len(x)
def magnitude(k):
re = sum(v * math.cos(2 * math.pi * k * i / n) for i, v in enumerate(x))
im = sum(v * math.sin(2 * math.pi * k * i / n) for i, v in enumerate(x))
return math.hypot(re, im)
best = max(range(1, n // 2), key=magnitude)
print(f"sample_rate={fs} input={f} alias={best * fs / n:.0f} Hz")
本机 Python 3.15 实际输出:
sample_rate=8000 input=9000 alias=1000 Hz
输入明明是 9kHz,采样后却出现了 1kHz,而且在原始数据里再也找不到 9kHz 的痕迹。这就是为什么抗混叠滤波器必须放在采样之前:采样之后,9kHz 和 1kHz 的样本序列完全相同,无法区分。
不同场景的采样率不是随便定的。电话用 8kHz,因为人说话的核心信息集中在 300Hz 到 3.4kHz,砍掉高频能省大量带宽,代价是 s、f、th 这类辅音变模糊。语音识别常用 16kHz,保留到 8kHz,兼顾清晰度和模型成本。音乐用 44.1kHz 或 48kHz,要覆盖 20kHz 的听感范围。影视和直播多用 48kHz,因为它和常见的 24 帧、25 帧、30 帧时间基准更容易对齐。
还有一个容易混淆的点:采样率高不代表能记录更宽的频率,前提是前端滤波器和麦克风也得支持。一个标称 192kHz 的声卡,如果模拟输入端在 20kHz 就被削平,那多出来的采样点记到的只是噪声。看参数时要同时看采样率和模拟带宽,不能只看一个数字。
量化位深:每个点记多细
量化是把连续的电压值映射到整数。假设满量程是正负一,位深是 n,那么台阶宽度就是 2 除以 2 的 n 次方。16 位有 65536 个档位,台阶宽度约 0.0000305;8 位只有 256 个档位,台阶宽度 0.0078,两者差了 256 倍。
量化误差可以近似看成均匀分布的随机量,理论信噪比约等于 6.02n 加 1.76 分贝。16 位对应约 98 分贝,24 位对应约 146 分贝。实际测量会低一些,因为信号幅度通常没有打满,而且电路本身有噪声。下面用 440Hz 正弦实测不同位深的信噪比,信号幅度 0.8,采样率 48kHz,时长一秒。
def quantize(x, bits):
levels = 1 << (bits - 1)
return [max(-levels, min(levels - 1, round(v * levels))) for v in x]
def rms(v):
return math.sqrt(sum(a * a for a in v) / len(v))
ref = sine(48000, 440)
for bits in (4, 8, 12, 16, 24):
q = quantize(ref, bits)
err = [a - b / (1 << (bits - 1)) for a, b in zip(ref, q)]
db = 20 * math.log10(rms(ref) / rms(err))
print(f"bits={bits:2d} step={2/(1<<bits):.8f} snr={db:6.2f} dB")
本机实际输出:
bits= 4 step=0.12500000 snr= 23.92 dB
bits= 8 step=0.00781250 snr= 47.98 dB
bits=12 step=0.00048828 snr= 72.08 dB
bits=16 step=0.00003052 snr= 96.10 dB
bits=24 step=0.00000012 snr=144.39 dB
每增加 4 位,信噪比大约提高 24 分贝,和公式一致。4 位只有 24 分贝,接近早期电话或玩具录音的水平,安静处能明显听到颗粒感;8 位接近 48 分贝,电话语音够用,做音乐就太糙;16 位 96 分贝,已经低于大多数房间和环境的本底噪声;24 位 144 分贝,主要价值是给后期留余量,而不是真的能听到那么低的噪声。
注意实测的 16 位是 96.10 分贝,比理论值 98.09 低了近 2 分贝。原因是信号幅度只有 0.8,没有用满量程,损失了约 1.94 分贝。这个细节很实用:录音时峰值太低,相当于白白丢了几位。把 24 位素材录到负 20 分贝,再导出 16 位,实际有效位深可能只剩 13 位左右。
反过来,峰值打得太满也不行。超过满量程的样本会被削平成最大或最小值,产生削波失真,听起来像破了的高音。录音时通常把峰值控制在负 6 到负 3 分贝之间,既保留余量,又不浪费太多位深。
录音软件里还有一个容易混进来的选项:32 位浮点。它不是 32 位整数精度,而是用指数扩大动态范围,尾数实际有效位数大约 24 位。好处是中途做增益、混音时不容易削波,坏处是文件比 24 位整数大三分之一,而且最终交付仍要落回 16 位或 24 位整数。
抖动 dither:把有规律的误差打散
量化误差并不总是像白噪声。当输入是一个缓慢变化的弱信号时,误差会和信号相关,表现为奇怪的谐波和「颗粒感」,而不是均匀的沙沙声。解决方法是抖动:在量化之前加一点很小的随机噪声,让每个样本落在不同台阶的概率更均匀,误差就从有规律的失真变成接近随机的噪声。
常用的抖动是 TPDF,也就是三角分布的概率密度,峰峰值大约一个量化台阶。它比简单的均匀随机噪声更有效,因为它让量化误差的一阶和二阶统计特性都更接近白噪声。抖动会抬高整体的噪声底,但换来的是弱信号不被「卡住」,听感更自然。
不加抖动:安静处更「干净」,但有畸变
弱信号可能长时间停在同一个台阶,波形变成方方的阶梯,频谱里出现输入频率的奇次谐波。听感上像颗粒噪声,而不是均匀底噪。
加抖动:底噪略高,但失真消失
噪声底大约抬高 3 分贝,但弱信号的细节和衰减过程能保留下来。做 24 位到 16 位的导出时,通常都建议加。
抖动不是随便加一点 random.random() 就行。幅度太小起不到打散作用,幅度太大又会明显抬高噪声。工程上还会用噪声整形,把量化噪声往人耳不敏感的高频推,比如在 16 位导出时把噪声集中到 15kHz 以上。噪声整形不适合所有素材,对高频敏感的节目要谨慎。
采样率转换:44.1 和 48 为什么老打架
44.1kHz 和 48kHz 的最小公倍数是 705.6kHz,换算成整数比例是 147 比 160。也就是说,每 147 个 44.1kHz 的样本,对应 160 个 48kHz 的样本。重采样器要在两个不同的时间网格之间插值,插值的质量直接决定高频会不会变糊、有没有引入新的噪声。
最粗糙的做法是线性插值,只在相邻两个样本之间画一条直线。用 440Hz 正弦从 44.1kHz 转到 48kHz,实测信噪比约 68.9 分贝。这个数字听起来不低,但对 16 位素材来说,已经接近量化噪声的水平,高频密集的素材会听出明显的模糊。
正经的重采样器会用多相滤波,先把信号上采样到很高的中间频率,再用低通滤波器把镜像削掉,最后抽取到目标采样率。好一点的实现能做到 100 分贝以上,代价是更多的计算和更长的滤波器。实时通话里为了延迟,往往用短滤波器,音质和延迟要权衡。
第三层最容易被忽略。重采样器假设输入严格是 44.1kHz,但实际设备的晶振可能有几十 ppm 的偏差。两边时钟不一致时,哪怕比例算得再准,长时间播放也会累积误差,最后表现为缓冲欠载或者音画不同步。这个问题在第六篇会单独展开。
还有一个实操建议:能在采集端统一采样率,就不要在后期反复转。一次 44.1 到 48 的转换已经会损失一点高频,转三次不会让它变回来,只会多几次滤波和取整。素材归档时保留原始采样率,交付时只转一次。
边界与代价:参数不是越高越好
采样和量化的参数选择,本质是在文件体积、计算量、延迟和听感之间做取舍。把参数拉满不难,难的是知道什么时候不需要。
| 选择 | 得到什么 | 付出什么 |
|---|---|---|
| 采样率从 44.1kHz 升到 96kHz | 可记录的频率上限提高,后期降速和滤波余量更大 | 文件体积翻倍多,重采样和编码 CPU 增加,多数回放设备听不出差别 |
| 位深从 16 位升到 24 位 | 量化噪声更低,弱信号和后期增益有更多余量 | 体积增加一半,模拟前端噪声往往才是真正的瓶颈 |
| 加抖动 | 弱信号失真减少,衰减更自然 | 噪声底略微抬高,反复加会累积 |
| 高质量重采样 | 高频保留更好,镜像和混叠更少 | 计算量增加,实时场景可能增加延迟 |
| 直接降采样而不滤波 | 省事、快 | 高频折叠回低频,产生无法修复的混叠 |
还有两个边界值得记住。第一,数字化不能恢复模拟前端已经丢掉的信息。麦克风频响只到 15kHz,采样率再高也录不到 20kHz。第二,播放链路的瓶颈通常在最后一段:蓝牙编解码、耳机单元、房间声学,任何一个环节都可能比 16 位量化更早限制听感。
判断参数够不够,最靠谱的方法是对比而不是猜。同一段素材,用不同采样率和位深导出,做一次盲听;同时看频谱和信噪比,确认差异是来自采样、量化,还是编码。多数时候,问题出在录音电平、麦克风位置或者编码码率,而不是采样率少了几千赫兹。
当天能自己验证的五个练习
- 用上面的
sine()生成 440Hz 正弦,分别量化到 4、8、12、16 位,记录实测信噪比,和 6.02n 加 1.76 的公式对比。 - 把输入频率改成 9kHz,采样率保持 8kHz,用 DFT 找峰值,确认它出现在 1kHz,再把输入改成 7kHz 观察结果。
- 把 44.1kHz 的正弦用线性插值转到 48kHz,记录信噪比;再换成一个简单的多相滤波器,比较差异。
- 录一段 10 秒的安静房间底噪,分别导出 16 位和 8 位,放大波形看台阶,再听一遍差别。
- 找一段 24 位素材,导出 16 位时分别开启和关闭抖动,对比安静段的频谱和听感。
小结
三句话收尾:采样率决定能记录多高的频率,低于两倍最高频率就会混叠;位深决定每个点有多细,量化噪声大约每 4 位差 24 分贝;抖动和重采样都是工程手段,用对了减少失真,用错了只是多一层处理。
下一篇讲 PCM。采样和量化完成之后,这些整数样本要以什么顺序排进文件、声道怎么交错、WAV 头里的每个字段是什么意思,以及为什么一段三分钟的立体声录音会占三十多兆。搞清楚了这些,再看 MP3 才有对照。