数字化：采样、量化与信噪比

前几篇讲的都是”连续世界”的声波。计算机里没有连续函数，只有一串数字。把声波变成数字要经过两步：采样（每隔固定时间取一个值）和量化（把连续值四舍五入到有限等级）。这一篇把这两步的数学完全展开，并推导出数字音频最重要的公式之一：量化信噪比 ≈ 6.02N + 1.76 dB。

---

1. 采样：把连续变成离散

1.1 采样过程

设采样率为 $f_s$（每秒取多少个点），采样间隔为：

$$T_s = \frac{1}{f_s}$$

连续信号 $x(t)$ 变成离散序列：

$$x[n] = x(nT_s), \qquad n = 0, 1, 2, \dots$$

图里：

• ① 是原始连续波形；
• ② 是每隔固定间隔取的点（圆点）；
• ③ 是用平滑曲线把这些点”重建”出来的波形。

关键问题是：③ 和 ① 一定一样吗？

1.2 反例：采样点不够多

如果两个不同频率的正弦波恰好都在采样点上取值相同，重建时就会分不清谁是谁。比如每秒采 10 个点，3 Hz 和 7 Hz 的正弦波在某些采样时刻可能完全重合（7 Hz 是 $f_s - 3$ Hz，采样后会”伪装”成 3 Hz）。

这就是混叠（aliasing）：高频信号被错误地重建为低频。

---

2. 采样定理：$f_s \ge 2f_{\max}$

2.1 直觉版本

一个周期内至少要采两个点，才能区分”波峰”和”波谷”。所以采样率必须至少是最高频率的两倍：

$$f_s \ge 2 f_{\max}$$

$f_s / 2$ 叫奈奎斯特频率（Nyquist frequency）：

$$f_{\text{Nyquist}} = \frac{f_s}{2}$$

2.2 频域版本（严格推导）

要严格证明，需要傅里叶变换（系列第 5 篇）。这里给出推导思路：

采样可以看成原信号 $x(t)$ 乘以一个”梳状脉冲串” $\sum_n \delta(t-nT_s)$。时域相乘 = 频域卷积。脉冲串的频谱是一串间距为 $f_s$ 的冲击，所以采样后信号的频谱是原频谱以 $f_s$ 为周期无限复制：

$$X_s(f) = \frac{1}{T_s}\sum_{k=-\infty}^{\infty} X(f - kf_s)$$

如果原信号最高频率 $f_{\max} < f_s/2$，这些副本互不重叠，我们用一个理想低通滤波器（截止 $f_s/2$）就能取出中间的副本，完全恢复原信号。

如果 $f_{\max} > f_s/2$，副本重叠，高频能量”折叠”进低频区，混叠发生。折叠后的伪频率：

$$f_{\text{alias}} = \left| f - k f_s \right|, \qquad k \text{ 取使结果最小的整数}$$

2.3 抗混叠滤波器

真实录音时，先经过模拟低通滤波器把高于 $f_s/2$ 的成分滤掉，再采样。这个滤波器叫抗混叠滤波器。44.1 kHz 采样率对应 22.05 kHz 截止，刚好覆盖 20 kHz 听觉上限。

---

3. 量化：把连续值”阶梯化”

3.1 为什么需要量化

采样得到的值是任意实数，计算机只能存有限位数的整数（如 16 bit 能表示 $2^{16}=65536$ 个值）。把连续值映射到最近等级的过程叫量化。

3.2 量化阶梯

设满量程为 $V$，位深 $N$，等级数为 $2^N$，量化步长为：

$$q = \frac{V}{2^N}$$

图里橙色阶梯是量化后的结果，蓝色虚线是原始波形。可以清楚看到：

• 原始波形是光滑曲线；
• 量化后变成台阶；
• 台阶和曲线之间的差就是量化误差，范围约为 $[-q/2, q/2]$。

3.3 量化误差 = 噪声

量化误差在每个样本上近似随机、均匀分布在 $[-q/2, q/2]$。它听起来像”嘶嘶”的底噪，所以也叫量化噪声。

---

4. 量化信噪比：6.02N + 1.76 dB 的推导

4.1 信号功率

假设信号是满量程正弦波，振幅 $V/2$，RMS 为：

$$S_{\text{rms}} = \frac{V/2}{\sqrt{2}} = \frac{V}{2\sqrt{2}}$$

信号功率（平方）：

$$P_S = \left(\frac{V}{2\sqrt{2}}\right)^2 = \frac{V^2}{8}$$

4.2 量化噪声功率

量化误差均匀分布在 $[-q/2, q/2]$。均匀分布的方差是：

$$\text{Var} = \frac{(b-a)^2}{12} = \frac{q^2}{12}$$

所以噪声功率：

$$P_N = \frac{q^2}{12} = \frac{1}{12}\left(\frac{V}{2^N}\right)^2$$

4.3 信噪比

信噪比（SNR）定义为信号功率与噪声功率之比：

$$\text{SNR} = \frac{P_S}{P_N} = \frac{V^2/8}{V^2/(12 \cdot 2^{2N})} = \frac{12 \cdot 2^{2N}}{8} = 1.5 \cdot 2^{2N}$$

转成分贝：

$$\text{SNR}_{\text{dB}} = 10\log_{10}(1.5 \cdot 2^{2N}) = 10\log_{10}1.5 + 20N\log_{10}2$$

代入数值：

$$10\log_{10}1.5 \approx 1.76, \qquad 20\log_{10}2 \approx 6.02$$

得到最终公式：

$$\boxed{\text{SNR}_{\text{dB}} \approx 6.02N + 1.76}$$

这个公式的意义：

• 每增加 1 bit，动态范围提高约 6 dB；
• 16 bit → 约 96 dB；
• 24 bit → 约 145 dB；
• 32 bit float → 动态范围远超实际需要。

---

5. 实际数字音频参数

格式	采样率	位深	动态范围	用途
电话	8 kHz	8 bit	~50 dB	语音
广播	32 kHz	12–16 bit	~96 dB	早期广播
CD	44.1 kHz	16 bit	~96 dB	音乐发行
DVD/高清	48 kHz	24 bit	~145 dB	电影、游戏
高解析	96/192 kHz	24 bit	~145 dB	录音棚母带

浏览器 AudioContext 内部通常按 44.1 或 48 kHz、浮点 32 bit 处理，动态范围足够，所以浏览器端基本不用担心量化噪声，混叠反而更值得注意。

---

6. 与可视化的关系

6.1 播放器从哪里拿到数字

播放器用 AnalyserNode 从播放中的音频实时取一段采样（默认 1024 点），这段数据就是本篇讲的 $x[n]$。FFT（下一篇）再把它变成频谱。

6.2 噪声门与底噪

量化噪声虽然小（16 bit 约 −96 dBFS），但经过 RMS 计算后静音段仍会有微弱底噪。播放器的噪声门：

$$E' = \max(0,\ E - \theta)$$

本质上是把”低于底噪阈值”的能量清零，防止地形在静音时乱动。

6.3 采样率对频谱分辨率的影响

FFT 的每个 bin 频率间隔：

$$\Delta f = \frac{f_s}{N}$$

$f_s = 44100$、$N = 1024$ 时，$\Delta f \approx 43$ Hz。这个分辨率由采样率和 FFT 长度共同决定，与量化无关。

---

7. 小结

1. 采样：每隔 $T_s = 1/f_s$ 取一个点；
2. 采样定理：$f_s \ge 2f_{\max}$，否则混叠；
3. 混叠本质是频谱复制后重叠，伪频率 $f_{\text{alias}} = |f - kf_s|$；
4. 量化：连续值映射到 $2^N$ 个等级，步长 $q = V/2^N$；
5. 量化噪声功率 $q^2/12$，正弦波信噪比 $6.02N + 1.76$ dB；
6. 16 bit ≈ 96 dB，24 bit ≈ 145 dB。

下一篇《频域入门与 DFT》终于进入频域：为什么任意信号能分解成正弦波、内积和正交性、以及 DFT 公式的逐步推导和手算例子。

8. 深入专题：量化误差、抖动、过采样与常见误区

量化看起来只是”四舍五入”，但里面的细节足以影响专业音频质量。这一节讲量化误差长什么样、抖动（dither）和过采样（oversampling）为什么有用，并用手算例子加深理解。

8.1 量化误差逐点演示

图里：

• 蓝色虚线是原始正弦；
• 橙色阶梯是量化结果；
• 红色折线是两者之差（放大显示）。

可以观察到：

• 误差始终在 $[-q/2, q/2]$ 内；
• 误差方向”随机”交替，近似均匀分布；
• 信号变化慢时误差变化也慢（阶梯平坦段）。

8.2 量化噪声与抖动（dithering）

问题：量化误差其实不是完全随机的——它对低频信号有相关性。一个缓慢变化的信号，误差会在某些采样点”卡”在同一台阶，形成可听的低频失真，甚至让微弱信号变成”咔哒”声。

解决办法是抖动（dither）：在量化前加一点微小的随机噪声：

$$y[n] = x[n] + d[n], \qquad d[n] \sim \text{均匀分布 } [-q/2, q/2]$$

抖动把量化误差”去相关”，让它变成真正的白噪声，听起来是均匀的”嘶嘶”，而不是失真的”嗡嗡”。代价是底噪稍微升高，但听感大幅改善。

更高级的做法是噪声整形（noise shaping）：把量化误差反馈回去，把噪声推到人耳不敏感的高频段，让 16 bit 的实际听感接近 20 bit。

8.3 过采样（oversampling）为什么有用

过采样：用远高于奈奎斯特的频率采样（如 96 kHz、192 kHz），再在数字域降回目标采样率。

好处：

1. 抗混叠更简单：模拟滤波器不需要在 20 kHz 处急剧截止，数字滤波器可以做到；
2. 量化噪声被摊薄：同样位深，过采样后噪声分布到更宽的频带，听频带内噪声密度降低；
3. 数字处理更干净：非线性处理（如限幅、失真）会产生高频谐波，过采样给它们留出空间，避免混叠回听频带。

播放器内部一般固定 44.1/48 kHz，但专业音频处理（均衡、压缩）常用 4× 或 8× 过采样。

8.4 8-bit 手算例子

设满量程 $V = 256$（8 bit 等级 0–255），信号采样值：

$$x = [0.4, 1.7, 3.2, 5.1, 6.8, 5.4, 3.1, 1.2]$$

量化步长 $q = 1$（每个整数一个等级），四舍五入：

原始	量化	误差
0.4	0	−0.4
1.7	2	+0.3
3.2	3	−0.2
5.1	5	−0.1
6.8	7	+0.2
5.4	5	−0.4
3.1	3	−0.1
1.2	1	−0.2

误差都落在 $[-0.5, 0.5] = [-q/2, q/2]$。误差平方和：

$$0.16+0.09+0.04+0.01+0.04+0.16+0.01+0.04 = 0.55$$

平均误差功率 $0.55/8 \approx 0.0688$，接近理论值 $q^2/12 = 1/12 \approx 0.0833$（样本少所以有偏差）。这就是”量化噪声功率 $q^2/12$“的来源。

8.5 常见误区

误区一：“采样率越高越好，24 bit 一定比 16 bit 好听”

高采样率/高位深只提供潜力。如果原始录音本身有噪声、压缩过狠，或者回放设备平庸，高参数听不出来。而且高采样率文件更大。

误区二：“混叠只在录音时发生，播放端不用担心”

播放端做数字处理（变速、失真、均衡）同样会产生高于奈奎斯特的分量，处理后再输出就会混叠。所以专业插件都做内部过采样。

误区三：“16 bit 的 -96 dB 底噪听不见”

在安静环境下、用高保真设备、播放微弱的结尾渐弱时，-96 dB 的量化底噪是可以感知的。这也是为什么录音用 24 bit。

误区四：“把音量调小就不会削波”

削波发生在信号链内部：如果内部某个节点（如混音总线）已经超过 0 dBFS，后面把主音量调小并不能修复已经被削掉的波形。

误区五：“FFT 的 bin 频率是连续的”

FFT 只能给出离散 bin 上的频率，bin 之间没有信息（除非做插值或更多点）。分辨率 $\Delta f = f_s/N$。

8.6 扩展练习

1. 用 8 个采样值手算 4-bit 量化的误差，验证误差范围。
2. 为什么抖动能让量化误差”更随机”？用误差相关性的角度解释。
3. 48 kHz 采样、32 点 FFT，相邻 bin 间隔是多少 Hz？
4. 过采样 4 倍后，同一 16 bit 系统的听频带内噪声密度下降多少 dB？

练习

1. 采样率 48 kHz，奈奎斯特频率是多少？能无混叠录制的最高频率是多少？
2. 16 bit 量化步长是满量程的多少分之一？
3. 用 $P_N = q^2/12$ 和 $P_S = V^2/8$ 重新推导 6.02N + 1.76。
4. 为什么 32 bit 浮点格式的动态范围远超 24 bit 整数？