数字音频处理基础：从采样量化到时频分析

1. 音频信号的本质与物理基础

声音本质上是一种机械波，通过介质（如空气、水或固体）中的分子振动传播。当物体振动时，它会使周围的空气分子产生交替的压缩和稀疏区域，这种压力变化以波的形式向外传播。人耳能够感知的频率范围通常在20Hz到20kHz之间，这个范围内的压力波动被我们称为声音。

声波有三个基本物理特性：

• 频率：决定音高，单位赫兹(Hz)，表示每秒振动次数
• 振幅：决定响度，通常用分贝(dB)表示
• 波形：决定音色，由基频和泛音组成

专业提示：在实际音频工程中，我们通常使用对数刻度来表示声音强度，因为人耳对声音强度的感知本身就是对数关系的。这就是为什么使用分贝(dB)而不是线性标度的原因。

2. 从模拟到数字：采样与量化

2.1 采样过程详解

采样是将连续时间信号转换为离散时间信号的过程。根据奈奎斯特采样定理，要完整重建原始信号，采样频率必须至少是信号最高频率的两倍。这就是为什么CD音质采用44.1kHz采样率——它能完整记录最高22.05kHz的声音，刚好覆盖人耳听觉范围。

常见采样率标准：

• 8kHz：电话语音质量
• 16kHz：宽带语音
• 44.1kHz：CD音质
• 48kHz：专业音频
• 96kHz/192kHz：高解析度音频

采样过程可以用以下数学表达式描述：
x[n] = x(nT), 其中T=1/fs是采样间隔，fs是采样率

2.2 量化深度与精度

量化是将连续幅值转换为离散值的过程。16位量化将幅值范围划分为65,536个离散级别(2^16)，24位量化则提供16,777,216个级别(2^24)。

量化误差计算公式：
量化误差 = |原始值 - 量化值| ≤ Δ/2
其中Δ是量化步长，Δ = (最大幅值 - 最小幅值)/(2^N - 1)

实践建议：对于大多数音乐制作，24位深度已经足够。32位浮点主要在内部处理阶段使用，可以避免多次处理导致的累积误差。

3. 数字音频的数学表示与处理

3.1 时域表示

数字音频在时域可以表示为一个离散序列：
x = [x[0], x[1], ..., x[N-1]]
其中每个x[n]表示第n个采样点的幅值。

Python示例（使用NumPy）：

python复制import numpy as np

# 生