而本文，要介紹的是聲音采集的一些流程與概念。

聲音的采集流程與概念，是枯燥的，你如果不想了解的話，到這裏就可以退出閱讀了。

但是，小程也會盡量說一些有趣的現象來緩解這種枯燥。

聽得到的，或聽不到的聲音，抽象來說，都是模擬信號，也可以形象一點，叫能量波，因為聲音是有能量的，而且有大小變化，呈波形狀。平常聽到的聲音都是復雜的波形，不會像單一頻率的聲音那麽幹凈（比如正弦波、方波之類），但為了便於分析，經常會抽象為簡單的波形。

註意，對於單頻率的聲音，能量雖然有大小變化，但這種變化並非一定聽得出來。比如400hz，相當於小蜜蜂嗡嗡的頻率，它是一個正弦波，它的能量會變大變小，但小程是聽不出變化的，因為頻率太高了，這跟獨立的圖片以較高幀率顯示就成了連續的，是一個道理。

聲音有兩個維度是很重要的，一個是能量，一個是頻率。能量以時間為橫向坐標，即某個時間點對應一個能量值（也叫振幅或氣壓），表現出來的就是波形圖，也叫時域表示。

說到能量，你一定聽過“獅吼功”，有想起“包租婆”嗎？

獅子吼天下至剛至強的少林七十二絕學之一。 清嘯之下，猶如訊雷疾瀉聲聞數裏，令敵肝膽劇烈，心驚膽戰，震懾人心的不可思議之威力。
     -- 小說<<獅子吼>>

包租婆的獅吼功大家都見識過了，如果加上大喇叭，殺手榜第一的火雲邪神都不是她對手。

大喇叭是能量放大器，能量越大殺傷力越強。

聲音，是能量波，能推動耳膜，耳膜振動就聽到聲音。這個推動，跟用手去推動，是一個道理，都需要力道。

聲音的力道（也叫音量）用分貝來衡量。

1分貝是大部分人能分辨出的最小的聲音，相當於3米外一只蚊子發出的嗡嗡聲。

讀者平常面對面說話的音量是50分貝，它的能量是1分貝聲音的大約10萬倍，註意這不一個線性變化的關系。

電鉆打孔的音量大約有100分貝。

演唱會現場音量可以去到137分貝，這時耳朵可以會疼。

近距離炮彈產生的聲音可達150分貝，這樣強度的聲音足以撕裂鼓膜。

殘暴的科學家曾經用高達180分貝的聲音摧殘過小白鼠，發現這樣的聲音可以震碎它們的肝臟。

所以說，只要你喊得足夠大聲，世界都可以摧毀。但是，一般人，都很難去到100分貝，但借助小喇叭是有可能的。

註意，尖叫時的高音，只說明頻率高，頻率高會讓耳朵覺得不舒服，但不會去到撕裂耳膜的程度，因為人聲在高頻率時，能量一般是很小的。如果既能高頻率又能大能量，又能高音準，那就是“我是歌手”。

註意，聲音的大小（即響度）是一個心理感知的東西，很難說只受振幅的影響，很可能還跟頻率（音調高低）及持續的時間，甚至對比度都有關系，所以不能說聲音大小就是振幅，只能說振幅影響了聲音大小。

那麽在嗓門不夠大的情況下，還有辦法讓“破壞力”大起來嗎？

我們還有一招，就是共振。

能量用的是振幅，則共振利用的是聲音的另一個維度--頻率。

話說世間萬物都有自然的振動頻率，叫固有頻率，就是一秒內固定會振動幾次。如果推動物體的頻率與物體的固定頻率接近或等同，就叫共振。

共振有多可怕？

據說，特斯拉曾有一次滿不在乎地告訴記者，他可以跑到帝國大廈，在很短時間內將它化為一堆碎磚爛瓦。而所用的機械只是一個微小的振蕩器而已。特斯拉使用振蕩器進行機械共振實驗，曾使周圍的一些建築物產生了共振，最後他測出了房子的共振頻率，但是同時他也發現了這個實驗存在巨大的危險，連警察也被引來了。

尼古拉·特斯拉是誰？據說是最接近神的人，或者被叫作外星人或未來人。是真是假，由各位讀者判斷。

來看幾個共振的實例。

摘錄，因大風引起的共振而塌毀的塔柯姆大橋：

塔柯姆大橋位於美國華盛頓州的塔柯姆海峽，1940年7月1日建成通車，在大橋垮塌前，
人們早就觀察到這座橋的怪異之處，即使只是微風，這座橋也起伏的厲害，
於是，它有了一個外號——舞動的格蒂。

在大橋上行駛的車輛，會由於大橋上下起伏，導致小車一會兒看得見，
一會兒看不見，而坐在車裏的人，簡直就像在坐過山車。
當時，一個地方性的運動就是在有風的天氣到塔柯姆大橋行車或走路。
一些人為塔柯姆大橋的怪異“行為”感到不安，但是很多人卻沒當回事。

“舞動的格蒂”就這樣瀟灑地舞動了4個月，終於到了它謝幕的那一天。
1940年11月7日，那天的風速，還不到設計風速限值的三分之一，
但塔柯姆大橋還是在風中四分五裂，舞完了它短暫的一生。

摘錄，因共振引起的火箭爆炸：

1995年１月２６日，我國“長征２號Ｅ”運載火箭發射美國研制的“亞太２號衛星”時，
由於美方沒有告之衛星的共振頻率，而湊巧衛星的共振頻率與火箭整流罩的
共振頻率相同，發射時，由於高空風速風向的劇烈變化，
引起共振，造成星箭爆炸。

《加油！向未來》第二季節目中，黃綺珊在舞臺上一展“獅吼功”，只見隨著她的高音響起，舞臺一側十幾個玻璃杯同時被震碎，其畫面之震撼令現場觀眾全都目瞪口呆。

這個震碎玻璃的例子還是有疑點的，但這裏不細說。石英玻璃的固定頻率在20khz以上（其它材質的另說），人聲達到這個頻率也是有可能的，但達到這個頻率後還要持續，並且一定要有較大的能量，才可能把玻璃震碎。

最後，理解共振原理的最好的例子就是蕩秋千：

在秋千蕩到最高點，推它一下，它就會越蕩越高，當然這個推的頻率跟秋千的頻率要一致。這就是共振效果。

以上，小程介紹了聲音的能量與頻率兩個維度的有趣的現象，那接下來就是正文了。

之前介紹用ffmpeg來錄制聲音的，是應用層的實現，這次要介紹原理性的東西，而且不涉及錄音師之類的工作，比如布mic、配音、擬音之類。

自然界的聲音轉換成數字編碼，要經過電平化、放大、采樣、量化、編碼。

（一）電平化

比如，通過碳膜來對接聲音。聲音的能量推動話筒的碳膜，碳膜振動時觸發跟它相連的電極，產生電信號。電平大小與碳膜的振幅相關，而這又與聲音的能量（變化）有關。

（二）放大

通過話筒取到的電信號是微弱的，為了支持後續的處理，有必要通過放大電路把信號放大。

（三）采樣

采樣是模數轉換（ADC）的過程，也就是把連續的電信號采樣成離散的數值。

這裏有一個概念叫采樣率，采樣率就是一秒鐘一個聲道采多少個樣本。比如采樣率為44100hz，則表示一秒鐘一個聲道采集了44100個樣本（數值），如果一個樣本用2個字節（即16bit）來表示，則對於雙通道的同時采集（相當於兩個話筒輸入），一秒鐘占的字節數是：44100*2*2=176400，約176kB，這樣采集下去，如果不作處理，則大小不是一般的磁盤與帶寬能夠接受得了的，所以才會有編碼壓縮的引入。

那為什麽不使用10hz來采集以減小體積呢？

因為10hz不能還原或逼近原模擬信號（采集後的數據，最終是要播放即轉換成模擬信號的）。這裏有一個采樣定理，即如果想還原出模擬信號，則采樣率不能低於模擬信號的最高頻率的2倍，也就是對於最高頻率的一次全振動內，至少也要采到兩個點。對於人耳來說，聽到的頻率範圍是20hz到20khz，所以可以認為最高的模擬信號的頻率為20khz，那麽采樣的頻率就要達到40khz才能保證還原模擬信號。

而至於常見的是44.1khz，而不是40khz，這跟索尼有關，當時索尼公司正是人生的巔峰，而他使用了這個值，行業就都跟風去了。

（四）量化與編碼

采樣得到樣本後，用多少二進制位去表示它，這個就是量化，而多少位則為量化精度（位深）。

一般位深為16bit、24bit或32bit。

對於16bit，2^16=65536，20log(65536)約等於96dB，也就是16bit能表示96分貝的能量變化。從安靜環境的30dB到演唱會的120dB，96dB都基本能覆蓋上了。16bit時的1bit就相當於6dB。

24bit與32bit也是量化精度的選擇，因為會比16bit更細膩，但占的空間也更大。

極端一點，如果選擇1bit來表示會怎麽樣？

1bit只有兩個值，即0跟1，那它對應的電平值就只有兩個等級，比如0dB跟100dB，中間的音量都聽不到，結果就是表示的0dB你聽不到，而表示的100dB又基本不出現，於是就什麽聲音都聽不到。如果用2bit來表現，就有4個值，對應的電平等級就有4級，但層次還是不分明，不能細膩地表示變化。

這裏的編碼是指采樣後電平值的表示方式。

pcm（脈沖編碼調制）是常用的音頻編碼方式，也就是對每個采樣的樣本，用最接近的電平值（電平值的範圍由量化精度決定）去表示，每個樣本互相獨立。

pcm也表示編碼格式。pcm編碼格式在表示上，還可以細分為很多種，比如pcm_s16be、pcm_f32le、pcm_alaw之類。

顯然，pcm編碼是沒有壓縮的。

除了pcm編碼格式（同時pcm也表示一種采集方式），還有一種有名的編碼格式叫DSD，以44100的64倍的頻率去采樣，而每一個樣本用1bit去表示，並且樣本彼此關聯。

總結一下，本文主要介紹的是聲音的采集過程以及相關的概念，同時也介紹了聲音的振幅與頻率的概念。

多媒體開發（9）：聲音采集的概念 | 振幅 | 頻率 | 共振 | 電平化