后续要开始做一些音频相关的内容
在此记录一些基础的音频知识吧
人耳可以听到的声音频率在20HZ~20kHz之间的声波，称为音频。
音频采样，是把声音从模拟信号转换为数字信号

参考

• 音频 属性详解(涉及采样率、通道数、位数、比特率、帧等)
• PCM数据格式
• FFmpeg音频样本

一些基础参数

• 采集音频的时候会涉及到一些采集参数，比如说：采样频率，采样深度，通道数，在此简单介绍一下

采样频率

• 采样设备（麦克风）每秒进行的采样次数（每台电脑的麦克风都有固定的采样频率），同样也是所得的数字信号的每秒样本数。

• 人耳可以听到的频率为 20 hz - 20k hz 之间

• 采样频率越高，声音的质量也就越好，声音的还原也就越真实，但同时它占的资源比较多。由于人耳的分辨率很有限，太高的频率并不能分辨出来。

  • 8000 Hz - 电话所用采样率, 对于人的说话已经足够
  • 11025 Hz - AM调幅广播所用采样率
  • 22050 Hz 和 24000 Hz - FM调频广播所用采样率
  • 32000 Hz - miniDV 数码视频 camcorder、DAT (LP mode)所用采样率
  • 44100 Hz - 音频 CD, 也常用于 MPEG-1 音频（VCD, SVCD, MP3）所用采样率
  • 47250 Hz - 商用 PCM 录音机所用采样率
  • 48000 Hz - miniDV、数字电视、DVD、DAT、电影和专业音频所用的数字声音所用采样率
  • 50000 Hz - 商用数字录音机所用采样率
  • 96000 或者 192,000 Hz - DVD-Audio、一些 LPCM DVD 音轨、BD-ROM（蓝光盘）音轨、和 HD-DVD （高清晰度 DVD）音轨所用所用采样率
  • 2.8224 MHz - Direct Stream Digital 的 1 位 sigma-delta modulation 过程所用采样率。

• 如果是双声道(stereo)， 采样就是双份的， 文件也差不多要大一倍。

采样位数

• 音频在经过采样得到样本后，还需要对该样本执行两个步骤：

1. 量化。音频量化的量化位数常用的有：
   -8bit (也就是1字节) 只能记录 256 个数, 也就是只能将振幅划分成 256 个等级;
   • 16bit (也就是2字节) 可以细到 65536 个数, 这已是 CD 标准了;
   • 32bit (也就是4字节) 能把振幅细分到 4294967296 个等级, 实在是没必要了.

• 量化位数又叫做采样位数、位深度、分辨率， 它是指声音的连续强度被数字表示后可以分为多少级。N-bit的意思声音的强度被均分为2^N级。16-bit的话，就是65535级。这是一个很大的数了，人可能也分辨不出六万五千五百三十五分之一的音强差别。也可以说是声卡的分辨率，它的数值越大，分辨率也就越高，所发出声音的能力越强。这里的采样倍数主要针对的是信号的强度特性，采样率针对的是信号的时间（频率）特性这是两个不一样的概念。

2. 二进制编码。也就是把量化所得的结果，即单个声道的样本，以二进制的码字进行存放。其中有两种存放方式：
   • 直接以整形来存放量化结果，即Two’s complement code；
   • 以浮点类型来存放量化结果，即Floating point encoding code。

• 大多数格式的PCM（脉冲编码调制 - Pulse Code Modulation,PCM）样本数据使用整形来存放，而在对一些对精度要求高的应用方面，则使用浮点型来表示PCM 样本数据

• pcm详解

通道数

• 即声音的通道的数目，一般分为单声道和双声道 可以理解为在声音采集时从一个点进行收集，双声道从两个点进行收集

• 常有单声道和立体声之分，单声道的声音只能使用一个喇叭发声（有的也处理成两个喇叭输出同一个声道的声音），立体声可以使两个喇叭都发声（一般左右声道有分工） ，更能感受到空间效果，当然还有更多的通道数。

帧

• 音频在量化得到二进制的码字后，需要进行变换，而变换（MDCT）是以块为单位（block）进行的，一个块由多个（120或128）样本组成。而一帧内会包含一个或者多个块。帧的常见大小有960、1024、2048、4096等。一帧记录了一个声音单元，它的长度是样本长度和声道数的乘积。FFmpeg中 AVFrame 结构体中的 nb_samples 代表的就是一帧中单个声道的音频样本数量。

样本的组合方式

• 这个主要是针对双声道或多声道音频来说的，对于一个双声道音频来说，它的组合方式可能有以下两种：
  • 交错（interleaved）。以stereo为例，一个stereo音频的样本是由两个单声道的样本交错地进行存储得到的。
  • 平面（planar）。各个声道的样本分开进行存储。

• FFmpeg音频解码后的数据是存放在AVFrame结构中的。
• Packed格式，frame.data[0]或frame.extended_data[0]包含所有的音频数据中。
• Planar格式，frame.data[i]或者frame.extended_data[i]表示第i个声道的数据（假设声道0是第一个）, AVFrame.data数组大小固定为8，如果声道数超过8，需要从frame.extended_data获取声道数据。

比特率

• 每秒的传输速率(位速, 也叫比特率)。如705.6kbps 或 705600bps, 其中的 b 是 bit, ps 是每秒(per second)的意思，表示每秒705600bit的容量。压缩的音频文件常常用倍速来表示，譬如达到CD音质的MP3是128kbps/44100HZ。注意这里的单位是bit而不是Byte,一个Byte等于8个bit(位),bit是最小的单位，一般用于网络速度的描述和各种通信速度，Byte则用于计算硬盘，内存的大小。

  • Mbps 即：Milionbit per second(百万位每秒)；
  • Kbps 即： Kilobit per second（千位每秒);
  • bps 即：bit per second (位每秒)， 相应的换算关系为：

• 1Milionbit=1000Kilobit=1000000bit；1Mbps = 1000 000bps; 再次强调这里是速度单位，指每秒传输的二进制位数，数据传输速率的衡量单位K是十进制含义，但数据存储的K是二进制含义。例如：

• 通常描述的1M带宽就是1Mbps = 1000 000 bps = 1000 000 / 8 / 1000 = 125; 所以1M带宽的下载速率一般不超过125KB/s

• 100M宽带也就是100 000 000bps = 100 000 000 / 8 / 1000 / 1000 = 12.5, 所以100M带宽的下载速率最大可达到12.5MB/s

• 当然了，以上只是理论速率，实际上最大的下载速率可能还达不到那么多，主要还会受到各种损耗的影响，一般100MB宽带下载速率能达到10MB就算不错了。

采样率、采样位数、比特率三者之间的关系

• 例：根据一个文件的大小推算出文件时长

• 譬如 “Windows XP 启动.wav” 的文件长度是 424,644 字节, 它是 “22050HZ / 16bit / 立体声” 格式(这可以从其 “属性->摘要” 里看到),

• 那么它的每秒的传输速率(位速, 也叫比特率、取样率)是 22050162 = 705600(bit/s), 换算成字节单位就是 705600/8 = 88200(字节/秒),
  播放时间：424644(总字节数) / 88200(每秒字节数) ≈ 4.8145578(秒)。

• 但是这还不够精确, 包装标准的 PCM 格式的 WAVE 文件(*.wav)中至少带有 42 个字节的头信息, 在计算播放时间时应该将其去掉,

• 所以就有：(424644-42) / (22050162/8) ≈ 4.8140816(秒). 这样就比较精确了。也就是：

  • （文件总大小 - 头信息）/ (采样率 * 采样位数 * 通道数 / 8) [也就是比特率] ≈ 文件时长。