數字音頻簡介
模擬信號與數字信號
什麼是信號？學術上的標準定義爲：信號是信息的載體。例如，司機可以通過紅綠燈信號獲取當前是否可以通行的信息；人們說話時會發出聲音信號，聲音信號中就有他想傳遞的信息；醫生可以通過聽診器聽到患者的心跳信號，從中獲取病理信息。
從數學角度來講，信號一般可以模擬爲擁有一個或多個獨立自變量的函數。自變量可以是時間，空間位置，速度等等。
按照自變量和函數值的對應關係對信號進行分類的話，可以將其分爲模擬信號和數字信號。如果自變量和函數值都是連續的，那麼這樣的信號可稱爲模擬信號（Analog Signals），如下圖所示，自變量（時間）和函數值（振幅）都是連續的：
自然界中幾乎所有的信號都是模擬信號，如聲音，溫度，壓力等等，因爲這些信號都是隨着時間的變化而連續變化的。
如果自變量和函數值都是離散的（不連續的），則這樣的信號稱爲數字信號（Digital Signals），如下圖所示：
舉個簡單的例子，汽車在路上行駛，車速本身就是一個模擬信號，因爲隨着時間變化，車速也是連續變化的。我們可以通過指針儀表盤來模擬車速信號，這種方式也是模擬信號，因爲指針儀表盤也是連續變化的，但是如果我們使用數字儀表盤來表示車速，就變成了數字信號，因爲數字並不連續。如下圖所示。
模擬信號和數字信號在生活中都有應用。**人們一般會用電信號（電流，電磁波等）模擬其他模擬信號，這樣產生的電信號同樣是模擬信號。**以前的電話，廣播，電視使用就是模擬信號。聲音和畫面本身都是模擬信號，人們使用電信號對其進行模擬，再使用電流或電磁波的方式發射出去，依然是模擬信號（實際原理比這複雜很多，這裏不詳細介紹了）。
但是模擬信號有一個缺點，就是在傳輸過程中，抗干擾性比較弱，因爲無論是電流還是電磁波，由於其物理特性，都會受到干擾，也會在傳播過程中衰減，很容易失真。此時就體現出數字信號的優勢了，數字信號由於是離散的值，抗干擾性極強，而且便於存儲，傳輸和分析。在計算機中，都是使用數字信號進行存儲和處理的。
要將自然界中的模擬信號轉爲計算機中的數字信號，需要進行模電轉換（A/D轉換），下面我們就以聲音爲例，來介紹這個過程。
要將聲音信號轉爲數字信號，首先要採集原始聲音信號，通過麥克風將聲音信號轉爲模擬電信號，有了模擬電信號之後，纔可以將其轉化爲數字信號，這個過程分爲三步：
- 採樣
- 量化
- 編碼
下面逐一講解。
採樣
所謂採樣，就是通過週期性地以某一規定間隔截取模擬信號，也就是在時間上將模擬信號離散化，從而將模擬信號變換爲數字信號。聽上去很費解，我們通過下面的示意圖來理解：
上圖中，橫軸代表時間，縱軸代表模擬信號值的變化，從中可以看到，每隔固定的時間，截取一次模擬信號的值，這些截取到的值就是採樣樣本，即數字信號。
每秒從模擬信號中提取並組成離散信號的樣本個數被稱爲採樣頻率（採樣率），單位是 Hz。採樣頻率的倒數是採樣週期或者叫作採樣時間，它是樣本之間的時間間隔。通俗地講採樣率是指每秒鐘採集多少個信號樣本。
那麼很容易得出結論，採樣率越高，得到的離散值就越多，就越接近模擬信號，但同時數據量就越大。那麼如何既能減少數據量，又能不丟失信息精度呢？奈奎斯特定理給出瞭解決方案。
奈奎斯特定理：在進行模擬/數字信號的轉換過程中，當採樣頻率大於信號中最高頻率的2倍時，採樣之後的數字信號可以完整地保留了原始信號中的信息，奈奎斯特定理又稱採樣定理。
人能聽到的聲音的最大頻率爲 20kHz，對於聲音信號的採樣，業界大多使用的採樣率爲 44100Hz，符合奈奎斯特定理。當然也有使用更高的採樣率的情況，例如47250Hz，48000Hz等，但是使用 44100Hz 的情況比較常見。
PS. 由於人耳對高頻率的聲音並不敏感，對於不同的場景的聲音質量要求不同，所以採樣頻率也不同，數字電話的採樣率只有11025Hz，數字廣播的採樣率爲22050Hz，而對於對音質要求比較高的音樂CD，會採用44100Hz。
量化
由於模擬信號的值是連續的，我們採樣到的這些點理論上來說可能有無限個取值的可能，顯然，對無限個樣值一一給出數字碼來對應是不可能的。爲了實現以數字碼表示樣值，必須採用類似“四捨五入”（實際上並不是四捨五入）的方法把樣值分級“取整”，使一定取值範圍內的樣值由無限多個值變爲有限個值。這一過程稱爲量化。
進行量化時，規定的可取值的個數，則由比特深度決定。比特深度（bit depth，也叫位深度）描述了處理音頻數據的硬件或軟件能達到的細節精度。計算機中使用二進制，一位就是一個 bit，比特深度爲 1，則可以表示兩種取值，比特深度爲 2，則可以表示 4 種取值，以此類推。
總的來說，更多的比特意味着數據處理後更精確的輸出結果。每增加一個比特位，所獲得的表示意義的可能性將會翻一倍。如果比特深度爲16，那麼將獲得65536種取值可能性，而24位的比特深度將能夠表示16777216種不同的取值。
對於音頻採樣值的量化，現在常用的比特深度爲 16，對於人耳已經足夠了。
PS. 量化方式並不是線性的，由於人耳對低頻率聲音更敏感，所以在幾百Hz這個範圍的的數值，量化步長可以端一些，對於高頻率聲音（如超過10000Hz）的量化步長可以取的長一些，這種量化方式稱爲非線性量化，也是常用的量化方式。
編碼
經過採樣和量化，模擬信號就被轉化爲了數字信號，記下來就要進行編碼，寫入到數字存儲設備中，典型的存儲設備有 CD，硬盤等等。
由於計算機只支持二進制，需要將數字信號的值轉化爲爲0101的二進制數據才能寫入存儲設備，這個轉化過程就叫編碼。在音頻領域中，採用的編碼技術爲 PCM，即脈衝編碼調製（Pulse Code Modulation）。除了原始的數字信號值，PCM 編碼過程中還會寫入一些其他的控制數據，以便於後期處理。經過 PCM 編碼後的數字信號，可稱爲原始數字音頻數據，有時也被稱爲 PCM 數據。
那麼1秒鐘的聲音信號，轉化爲數字信號之後，是多大的數據量呢？計算方法如下：
數字信號的大小（bit）= 採樣率 * 比特深度 * 聲道數 * 時間（s）
那麼對於採樣率 44.1KHz，比特深度16，立體聲（雙聲道）的聲音，1秒鐘的大小爲：44100 * 16 * 2 = 1411200 bit，1 Byte=8bit，即 176400 Byte，那麼一分鐘的數字信號大小爲：176400 * 60 = 10584000 Byte，約等於 10 MB。由於 PCM 編碼還會寫入控制數據，PCM 數據會比這個值還要再大一些。
那麼一首4分鐘的歌曲，大小在 40 MB 以上。這和我們認知的一首歌曲的大小不太一樣，我們從網絡上下載一首歌，一般也就幾MB。這是爲何呢？
這是因爲，PCM 數據太大了，存在 CD 或硬盤上還好，但是如果進行網絡傳輸的，每分鐘 10 MB，早些年的帶寬承受不了，所以人們發明了壓縮技術，將 PCM 數據進行壓縮，轉化爲數據量更小，更易傳輸，更易存儲的數據。常見的壓縮技術有：WAV，APE，FLAC，WMA，MP3，AAC，OGG 等等。很多時候，人們把這些音頻壓縮技術也叫做音頻編碼技術，這是一種普遍叫法。關於壓縮技術，後面我們會進一步介紹。
數字音頻處理
聲音信號經過編碼，轉化爲 PCM 數據，就可以在計算機中進行存儲和處理了。我們可以對這些數字音頻進行各種處理，包括變聲，混音，消音，剪輯，模擬，傳輸等等等等。數字音頻處理技術在日常生活中非常常見，例如手機K歌中的各種變聲，廣受歡迎的電子音樂，語音聊天等等，後面我們會介紹其中一部分技術。
數字音頻處理是一門及其複雜的技術，即使到了今天，還有很多難題沒有解決。例如，PS 技術可以輕易的將圖片中的某個人替換成另一個人，但是對於聲音，很難在一段音頻中將一個人的聲音換成另一個人的聲音，現在有些技術能夠做到，但是還不完美。數字音頻處理技術一直在發展，很多難題還需要大量的底層技術研究。