語音處理之位元速率、位元率、取樣率
基本概念
我們所說的音訊，都是數字音訊。數字音訊由取樣頻率、取樣精度、聲音通道數三個部分組成。取樣頻率，既取樣率，指記錄聲音時每秒的取樣個數，它用赫茲(Hz)來表示。取樣精度，也即是下文中的取樣位數，指記錄聲音的動態範圍，它以位(bit)為單位。
取樣率
音訊取樣，是把聲音從模擬訊號轉換為數字訊號。取樣率，就是每秒對聲音進行採集的次數，同樣也是所得的數字訊號的每秒樣本數。在對聲音進行取樣時，常用的取樣率有：
- 8,000 Hz - 電話所用取樣率, 對於人的說話已經足夠
- 11,025 Hz - AM調幅廣播所用取樣率
- 22,050 Hz和24,000 Hz - FM調頻廣播所用取樣率
- 32,000 Hz - miniDV 數碼視訊 camcorder、DAT (LP mode)所用取樣率
- 44,100 Hz - 音訊 CD, 也常用於 MPEG-1 音訊（VCD, SVCD, MP3）所用取樣率
- 47,250 Hz - 商用 PCM 錄音機所用取樣率
- 48,000 Hz - miniDV、數字電視、DVD、DAT、電影和專業音訊所用的數字聲音所用取樣率
- 50,000 Hz - 商用數字錄音機所用取樣率
- 96,000 或者 192,000 Hz - DVD-Audio、一些 LPCM DVD 音軌、BD-ROM（藍光碟）音軌、和 HD-DVD （高清晰度 DVD）音軌所用所用取樣率
- 2.8224 MHz - Direct Stream Digital 的 1 位 sigma-delta modulation 過程所用取樣率。
取樣越高，聲音的還原就越真實越自然，人對頻率的識別範圍是 20HZ - 20000HZ, 如果每秒鐘能對聲音做 20000 個取樣, 回放時就足以滿足人耳的需求. 所以 22050 的取樣頻率是常用的, 44100已是 CD 音質, 超過48000的取樣對人耳已經沒有意義。
取樣位數
音訊在經過取樣得到樣本後，還需要對該樣本執行兩個步驟：
- 量化。音訊量化的量化位數常用的有：
- 8bit (也就是1位元組) 只能記錄 256 個數, 也就是隻能將振幅劃分成 256 個等級;
- 16bit (也就是2位元組) 可以細到 65536 個數, 這已是 CD 標準了;
- 32bit (也就是4位元組) 能把振幅細分到 4294967296 個等級, 實在是沒必要了.
量化位數又叫做取樣位數、位深度、解析度， 它是指聲音的連續強度被數字表示後可以分為多少級。N-bit的意思聲音的強度被均分為 級。16-bit的話，就是65535級。這是一個很大的數了，人可能也分辨不出65535分之一的音強差別。也可以說是音效卡的解析度，它的數值越大，解析度也就越高，所發出聲音的能力越強。這裡的取樣倍數主要針對的是訊號的強度特性，取樣率針對的是訊號的時間（頻率）特性這是兩個不一樣的概念。
- 二進位制編碼。也就是把量化所得的結果，即單個聲道的樣本，以二進位制的碼字進行存放。其中有兩種存放方式：
- 直接以整形來存放量化結果，即 Two’s complement code；
- 以浮點型別來存放量化結果，即 Floating point encoding code。
大多數格式的 PCM 樣本資料使用整形來存放，而在對一些對精度要求高的應用方面，則使用浮點型來表示PCM 樣本資料。
聲道
通道數，即聲音的通道的數目。常有單聲道和立體聲之分，單聲道的聲音只能使用一個喇叭發聲，立體聲可以使兩個喇叭都發聲（一般左右聲道有分工），更能感受到空間效果，當然還有更多的通道數。當人聽到聲音時，能對聲源進行定位，那麼通過在不同的位置設定聲源，就可以造就出更好的聽覺感受，如果配合影像進行音訊位置的調整，則會得到更好的視聽效果。常見的聲道有：
- 單聲道，mono
- 雙聲道，stereo，最常見的型別，包含左聲道以及右聲道
- 2.1聲道，在雙聲道基礎上加入一個低音聲道
- 5.1聲道，包含一個正面聲道、左前方聲道、右前方聲道、左環繞聲道、右環繞聲道、一個低音聲道，最早應用於早期的電影院
- 7.1聲道，在5.1聲道的基礎上，把左右的環繞聲道拆分為左右環繞聲道以及左右後置聲道，主要應用於BD以及現代的電影院
位元率
單位時間內播媒體壓縮後的位元數量。在多媒體領域也稱位元速率、碼流，位元率代表了資訊的數量。一般原始的多媒體檔案都比較大，為了便於使用需要（更好的儲存與傳輸）對其進行壓縮，而碼流就對應了壓縮時的取樣率，單位時間內取樣率越大，精度就越高，處理出來的檔案就越接近原始檔案，但是檔案也會越大。影響位元率的因素：
- 對原始檔案的取樣頻率；
- 壓縮演算法；
- 資料編碼方式等。
對於 mp3 檔案的壓縮有 CBR、VBR 兩種方式。CBR 指 Constants Bit Rate，即恆定位元率；VBR 指 Variable Bit Rate，即動態位元率。理論上說，VBR 的方式是根據音訊原始檔中聲音的具體頻率，自動修正一些位元率，以達到在同樣位元率效果中，達到更小的檔案。
舉個例子：
128kbps 的音訊檔案對應的大小為：
，即 128kbps 位元速率的音樂檔案每分鐘大小為 0.9375MB。
Q&A:
-
位元速率與視訊解析度關係 ？
- 解析度是單位英寸中所包含的畫素點數。在解析度一定的情況下，位元速率與清晰度成正比關係，位元速率越高，影象越清晰；位元速率越低，影象越不清晰。
- 關於一個視訊流的資料量：
位元速率如果為10Mb/s，代表1秒鐘有10M bit的視訊資料，對於YUV422格式的1080P視訊而言，一幀影象是 1920x1080x2(通道)x8/1024/1024 = 31.64Mbit，1秒鐘30幀影象的話，則有949.2Mb/s，可見其資料量之大，不壓縮根本無法網上傳播，所以一定要經過視訊壓縮處理。1080P的視訊不一定是高清的，清晰度還跟視訊位元速率密切相關，對於1080P的視訊而言，藍光視訊的位元速率是20Mb/s，一般下載的視訊位元速率大都是10Mb/s，一些IPCamera/無人機的位元速率是2～8Mb/s，而很多視訊網站的位元速率甚至低於5M/s，其實有時還不如高位元速率的720P清晰。比如愛奇藝的 1080p 超高清視訊還不如 Netflix 的720p。
-
位元速率與取樣率什麼關係？
取樣（頻）率是指把音訊訊號數字化後一個通道1秒鐘有多少個樣本，對應而來的就是原始的資料。如 44.1kHz 的取樣率，就是指1個通道1秒鐘有44.1k個數據。
位元速率就是音訊檔案或者音訊流中1秒中的資料量，如1.44Mbps，就是1秒鐘內的資料量達1.44Mbits。
對於2通道的音訊，如果其取樣率為 44.1kHz，取樣位數為 16bit，那麼音訊資料1秒鐘的資料量是44.1k162=1411.2kbits, 壓縮成 128kbps 的 MP3，1秒鐘資料就變成了 128kbits 了。 -
幀率與位元速率區別？
即是幀速率 FPS(Frames PerSecond)：幀/秒，指每秒鐘重新整理的圖片的幀數，也可以理解為圖形處理器每秒鐘能夠重新整理幾次。每秒鐘幀數(FPS)越多，所顯示的動作就會越流暢。捕捉動態視訊內容時，此數字愈高愈好。
位元速率(Data Rate)是指視訊檔案在單位時間內使用的資料流量，也叫碼流或碼流率，通俗一點的理解就是取樣率,是視訊編碼中畫面質量控制中最重要的部分，一般我們用的單位是kb/s或者Mb/s。一般來說同樣解析度下，視訊檔案的位元速率越大，壓縮比就越小，畫面質量就越高。碼流越大，說明單位時間內取樣率越大，資料流，精度就越高，處理出來的檔案就越接近原始檔案，影象質量越好，畫質越清晰，要求播放裝置的解碼能力也越高。
wave 讀取音訊
wave 是 Python 自帶一個操作 wav 格式檔案的介面，不支援壓縮/解壓功能，但支援單聲道/立體聲。
f = wave.open('test.wav', 'rb') ### 讀取檔案
f.getnchannels() # 讀取聲道資訊
f.getsampwidth() # 取樣位數
f.getframerate() # 取樣率