声学基础
声音的产生
声音（Sound），是由物体的振动产生的。一切正在发声的物体都在振动。
蜜蜂飞过时发出嗡嗡嗡的声音，是翅膀在快速振动
人耳
另外，人耳又是如何听到声音的呢？大概过程是：
声源 → 耳廓（收集声波） → 外耳道（传递声波） → 鼓膜（将声波转换成振动） → 听小骨（放大振动） → 耳蜗（将振动转换成电信号） → 听觉神经（传递电信号） → 大脑（形成听觉）
声波
参考资料：可汗学院的《Introduction to sound》。
以扬声器为例子，扬声器发声时是振膜在振动。下图是放了块小纸片到振膜上，振膜的振动导致小纸片“跳起了街舞”。
一般人可以感觉到20 Hz~20kHz，强度为 -5dB~130dB 的声音信号。成年人为 30~16000Hz 之间，老年人为 50~10000Hz 之间。人是通过耳朵进行感受音波的，那为什么会称为波呢？最直观的可以看我们耳朵是怎么反应声音的。当声音经过外耳传入中耳时，镫骨的运动引起耳蜗内流体压强的变化，从而引起行波沿基底膜的传播。
耳蜗就像一个频谱分析仪，将复杂的信号分解成为各种频率分量。频谱分析会比较专业一点，简单说就是 声波 通过 快速 FFT 变化，由空域变为频率，这样让音频分析多了一个维度分析。
其中，在音频中有一个非常通用并且流行的单位，分贝。分贝最初使用是在电信行业，是为了量化长导线传输电报和电话信号时的功率损失而开发出来的。这个单位实际上并不是实际带物理单位的量，它原始含义其实就是 两个数值的对数比率，这两个数值分别是测量值和参考值（也称为基准值）
声压是描述声波最基本的物理量，是媒质中的压力与静压的差值。单位为 Pa。（你可以理解为大气压的波动值）。前面说了分贝是参考值，那他参考的是啥呢？
其实是20μPa，这个值表示人耳在1000Hz处的平均可听阈值，或者是人耳在1000Hz处可被感知的平均最小声压波动值。
如何把声音（声源的振动）记录下来呢？声音属于模拟信号，但更便于计算机处理和存储的是数字信号（二进制编码），所以需要将模拟信号（Analog Signal）转成数字信号（Digital Signal）后进行存储。这一过程，我们可以称之为：音频数字化。
将音频数字化的常见技术方案是脉冲编码调制（PCM，Pulse Code Modulation），主要过程是：采样 → 量化 → 编码。
采样
模拟信号的波形是无限光滑的，可以看成由无数个点组成，由于存储空间是相对有限的，数字编码过程中，必须要对波形的点进行采样。采样（Sampling）：每隔一段时间采集一次模拟信号的样本，是一个在时间上将模拟信号离散化（把连续信号转换成离散信号）的过程。
采样率
每秒采集的样本数量，称为采样率（采样频率，采样速率，Sampling Rate）。比如，采样率44.1kHz表示1秒钟采集44100个样本。
采样定理
根据采样定理（奈奎斯特–香农采样定理，Nyquist-Shannon sampling theorem）得知：只有当采样率高于声音信号最高频率的2倍时，才能把采集的声音信号唯一地还原成原来的声音。人耳能够感觉到的最高声音频率为20000Hz，因此为了满足人耳的听觉要求，需要至少每秒进行40000次采样（40kHz采样率）。这就是为什么常见的CD的采样率为44.1kHz。电话、无线对讲机、无线麦克风等的采样率是8kHZ。
量化
量化（Quantization）：将每一个采样点的样本值数字化。
位深度
位深度（采样精度，采样大小，Bit Depth）：使用多少个二进制位来存储一个采样点的样本值。位深度越高，表示的振幅越精确。常见的CD采用16bit的位深度，能表示65536（216）个不同的值。DVD使用24bit的位深度，大多数电话设备使用8bit的位深度。
编码
编码：将采样和量化后的数字数据转成二进制码流。
其他概念
声道（Channel）
单声道产生一组声波数据，双声道（立体声）产生两组声波数据。
采样率44.1kHZ、位深度16bit的1分钟立体声PCM数据有多大？
采样率 * 位深度 * 声道数 * 时间
44100 * 16 * 2 * 60 / 8 ≈ 10.34MB
1分钟10.34MB，这对于大部分用户来说是不能接受的。要想在不改变音频时长的前提下，降低音频数据的大小，只有2种方法：降低采样指标、压缩。降低采样指标是不可取的，会导致音频质量下降，用户体验变差，因此专家们研发了各种压缩方案。
比特率
比特率（Bit Rate），指单位时间内传输或处理的比特数量，单位是：比特每秒（bit/s或bps），还有：千比特每秒（Kbit/s或Kbps）、兆比特每秒（Mbit/s或Mbps）、吉比特每秒（Gbit/s或Gbps）、太比特每秒（Tbit/s或Tbps）。
采样率44.1kHZ、位深度16bit的立体声PCM数据的比特率是多少？
采样率 * 位深度 * 声道数
44100 * 16 * 2 = 1411.2Kbps
通常，采样率、位深度越高，数字化音频的质量就越好。从比特率的计算公式可以看得出来：比特率越高，数字化音频的质量就越好。
信噪比
信噪比（Signal-to-noise ratio，SNR，S/N，讯噪比），指信号与噪声的比例，用于比较所需信号的强度与背景噪声的强度，以分贝（dB）为单位。
位深度限制了信噪比的最大值，它们的关系如下表所示。
