音频基础与音频编码

1、音频基础

1.1 声音是什么

引用百度百科中对声音的一段描述：

声音其实是一种能量波，因此也有频率和振幅的特征，频率对应于时间轴线，振幅对应于电平轴线。波是无限光滑的，弦线可以看成由无数点组成，由于存储空间是相对有限的，数字编码过程中，必须对弦线的点进行采样。采样的过程就是抽取某点的频率值，很显然，在一秒中内抽取的点越多，获取得频率信息更丰富，为了复原波形，一次 振动中，必须有2个点的采样，人耳能够感觉到的最高频率为20kHz，因此要满足人耳的听觉要求，则需要至少每秒进行40k次采样，用40kHz表达，这个40kHz就是采样率

大致来说，声音需要以下过程才能转变成计算机所能识别的音频编码：

在介绍音频编码的整体知识之前，我们先认识在音频编码中的一些专业术语以及名词。

• 码率/比特率 = 采样率*采样大小*声道数 - 一般情况码率越高代表音频质量越高
• 采样率：每秒从连续信号中提取并组成离散信号的采样个数，一般为44.1KHz 16KHz 8KHz
• 采样大小：将采样个数的采样数据进行整合的单位大小，一般为16bit，8bit，即为一次1字节或者2字节，采样大小越大会使得音频更清晰。

人耳听见的声音范围是20Hz-20KHz，所以根据采样率来计算，每秒40KHz的采样率可以采样20Hz的声音2000次，采样20KHz的声音2次，而生活中大部分的声音都是低频的，所以40KHz采样率已经可以让声音极大程度的还原了。

1.2 有损和无损

我们经常会讨论说音频的有损和无损，其实呢，有损和无损是相对的。相对于大自然中的原始声音，计算机中音频无论怎么编码都是有损的，无法做到完全的复原。而我们大多数人口中的无损一般是指音频采样率为44.1KHz、采样大小16bit、双声道的音频，有损自然是相较于质量差的音频了。

2、音频编码

2.1 PCM

引用百度百科中对PCM的概念描述：

PCM 脉冲编码调制是Pulse Code Modulation的缩写。前面的文字我们提到了PCM大致的工作流程，我们不需要关心PCM最终编码采用的是什么计算方式，我们只需要知道PCM编码的音频流的优点和缺点就可以了。PCM编码的最大的优点就是音质好，最大的缺点就是体积大。我们常见的Audio CD就采用了PCM编码，一张光盘的容量只能容纳72分钟的音乐信息。

PCM是一种波形编码，其记录的信息会尽可能的接近原始采集的信息，没有经过处理，所以体积大。一般来说，较高音质的PCM 1秒需要170KB的大小来存储。

2.2 AMR

AMR音频编码下面又分为两种，分别为：Amr-nb 和 Amr-wb AMR-NB一般代表8bit 采样大小 8KHz 采样率的音频 AMR-WB一般代表16bit 采样大小 16KHz 采样率的音频 AMR一般用于语音通信的音频数据传输，其具有体积小，转码快，音质能满足基本需求的特点。 一般来说 1秒需要8KB左右

2.3 PCM编码

一段PCM编码的数据结构是非常简单的。因为PCM编码仅仅是将采样的音频数据原样的放起来，所以数据中并没有保存采样率，采样大小等信息。 对于一个16bit双声道的PCM编码数据如下：

上图采样大小为16bit，每一次采样的氛围高8位和低8位。有两个声道，所以是按照声道0，1，0，1依次排列。 在音频里面，帧这个概念不如视频那么明显。对于音频来说，一帧可以变化的，对于44.1 KHz采样率的音频来说，通常1024个采样点为一帧。这样一帧的时间是23.22ms。由于在实际播放中，用户可以调整播放的速度，音频的加快或方面，所以加速播放即为让更多的采样点变为一帧，反之亦然。

2.4 AMR-NB编码

这里我们主要讨论AMR-NB，AMR-WB不做讨论。 首先AMR编码和PCM编码有着很大的不同，也不属于一种编码模型。 AMR编码器将原始的音频数据（PCM）经过AMR编码的模型处理后，才能得出AMR的音频数据。这个过程叫做编码。AMR编码模型主要分为以下几种：

这里我们主要以AMR_12.20来分析。其余的可以举一反三。 AMR_12.20 - 12.20kbps 代表码率为12.20kbps的AMR音频。 首先我们来看AMR音频文件的结构。

AMR文件头为6个字节固定，以这6个字节打头代表这是一个音频文件。

在AMR编码中， 1帧 = 20ms 1s = 50帧。 所以对于我们所选的AMR_12.20编码模型来说。我们可以倒退每一帧所需要的大小。 AMR_12.20 - 12.2 kbps 1帧 = 12200 / 50 = 244bit = 30.5Byte 而每一个语音帧都有1个字节的帧头。 所以一帧的大小为： 1Byte(帧头) + 30.5Byte(数据) ≈ 32Byte

那么这30.5个字节的音频数据和PCM也是有很大区别的，主要结构如下：

这里解释一下每一个部分的作用： AMR辅助信息这一块，一般来说记录这这个帧的类型，是否坏帧，以及一些其他帧的参数。这里就不做更加深入的介绍了，如需了解，可以查阅AMR-NB的相关编码文档。 Class A部分为整个音频帧数据最重要的部分，我们可以以重要程度排序为： Class A > Class B > Class C 这三个Class都存储着AMR音频数据。我们可以理解为，如果Class A的数据缺失或者损坏，那么这一段音频帧将无法播放被丢弃。而Class C缺失或损坏依然不影响播放。

AMR 编码参考资料（RFC3276）：http://www.rfc-editor.org/rfc/rfc3267.txt

以上就是PCM和AMR编码的基本介绍。