音频信号数字化与处理技术详解

1. 音频信号的本质与数字化基础

声音本质上是一种机械波，通过空气分子振动传播。当声波到达人耳时，鼓膜随之振动，经听觉神经传导至大脑形成听觉感知。在物理层面，声波可以用三个关键参数描述：

• 频率：决定音高，单位赫兹(Hz)
• 振幅：决定响度，单位分贝(dB)
• 波形：决定音色，由基频和泛音组成

模拟信号转换为数字信号需要经过两个关键步骤：

1.1 采样与量化原理

采样过程遵循奈奎斯特采样定理：采样频率必须至少是信号最高频率的2倍。例如：

• 电话语音(8kHz带宽)采用16kHz采样率
• CD音质(20kHz带宽)采用44.1kHz采样率
• 高清音频采用192kHz采样率

量化过程将连续振幅离散化，常见位深度：

python复制# 量化示例代码
def quantize(sample, bit_depth):
    max_val = 2**(bit_depth-1)-1
    return round(sample * max_val) / max_val

关键提示：采样率决定频率上限，位深度决定动态范围。16bit/44.1kHz已能满足大多数场景需求。

1.2 数字音频的数学表示

离散音频信号可表示为：
x[n] = A·sin(2πfn/fs + φ)
其中：

• A：振幅
• f：信号频率
• fs：采样频率
• φ：相位偏移

时域波形与频域表示的转换通过傅里叶变换实现：

python复制import numpy as np
fft_result = np.fft.fft(audio_signal)
frequencies = np.fft.fftfreq(len(audio_signal), 1/sample_rate)

2. 核心处理技术与实践

2.1 时频分析技术

短时傅里叶变换(STFT)将信号分段处理：

python复制import librosa
D = librosa.stft(audio, n_fft=2048, hop_length=512)
magnitude = np.abs(D)
phase = np.angle(D)

梅尔频谱计算流程：

1. 预加重：增强高频成分
2. 分帧加窗：通常25ms帧长，10ms帧移