audio是如何用数字表示的？
我喜欢思考如何做一切事情，并用数字来表示。 例如，明文用ASCII码等代码表示，图像用RGB值表示。 这些是表示文字和图像的最简单的方法。
audio可以用数字表示的最简单的方法是什么？ 我想学习如何编写与audio兼容的程序，并认为这将是一个很好的开始。 但是，我似乎无法在网上find任何好的解释。
身体上，你可能知道，audio是一种振动。 通常情况下，我们正在谈论空气的振动约20Hz和20,000Hz之间。 这意味着空气每秒钟来回移动20到20,000次。
如果您测量振动并将其转换为电信号（例如，使用麦克风），您将获得电压与声音波形相同的电信号。 在我们的纯音假设中，该波形将与正弦函数的波形相匹配。
现在，我们有一个模拟信号，电压。 仍然不是数字的。 但是，我们知道这个电压在（例如）-1V和+ 1V之间变化。 当然，我们可以在电线上加一个电压表并读取电压。
任意地，我们将改变我们的电压表的规模。 我们将电压乘以32767，现在调用-1V -32767和+ 1V 32767 。 哦，它会四舍五入到最接近的整数。
现在，我们把伏特计挂在电脑上，指示电脑每秒钟读44100次。 添加第二个电压表（用于另一个立体声通道），现在我们有一个audioCD上的数据。
这种格式被称为立体声44,100赫兹，16位线性PCM 。 这实际上只是一堆电压测量。
audio可以由数字样本表示。 实质上，采样器（也称为模数转换器）每隔1 / fs抓取audio信号的值，其中fs是采样频率。 ADC然后量化信号，这是一个舍入操作。 所以，如果你的信号范围从0到3伏（满量程），那么一个采样将被舍入到例如一个16位数字。 在这个例子中，一个16位的数字每1 / fs /
例如，大多数WAV / MP3都是以44 kHz的频率采样audio信号的。 我不知道你想要什么细节，但有一件叫做奈奎斯特采样率（Nyquist Sampling Rate）的东西，即采样频率必须至less是所需频率的两倍。 所以在你的WAV / MP3文件中，你最多可以听到22 kHz的频率。
你可以在这方面进行很多细节。 最简单的forms肯定是WAV格式。 这是未压缩的audio。 像MP3和ogg格式，必须进行解压缩之前，你可以使用它们。
将声音表示为数字的最简单方式是PCM（脉码调制）。 这意味着声音的幅度以设定的频率被logging（每个幅度值被称为样本）。 CD质量的声音例如是在44100Hz的频率下的16位采样（以立体声）。
样本可以表示为整数（通常为8,12,16,24或32位）或浮点数（16位浮点型或32位双精度型）。 该号码可以是有符号的或无符号的。
对于16位有符号采样，值0将在中间，-32768和32767将是最大的放大。 对于16位无符号采样，值32768将在中间，0和65535将是最大幅度。
对于浮点采样，通常的格式是0在中间，-1.0和1.0是最大幅度。
PCM数据然后可以被压缩，例如使用MP3。
我认为特定采样频率下的波形样本将是最基本的代表。
你有没有看过波形？ Y轴简单表示为一个整数，通常为16位。
查找模拟数字转换之类的东西。 这应该让你开始。 这些设备可以将audio信号（正弦波）转换为数字表示。 所以，一个16位ADC将能够表示-32768到32768之间的一个正弦。这是一个固定点。 也可以用浮点的方式来完成（尽pipe不是出于性能原因而推荐的，但是由于范围的原因可能是需要的）。 当我们将数字转换为正弦波时，会发生相反的（数字 – 模拟转换）。 这是由一个叫做DAC的东西来处理的。
我认为开始播放audio的一个好方法是使用Processing和Minim 。 这个程序将画出你的麦克风的声audio谱！
import ddf.minim.*; import ddf.minim.analysis.*; AudioInput in; FFT fft; void setup() { size(1024, 600); noSmooth(); Minim.start(this); in = Minim.getLineIn(); fft = new FFT(in.bufferSize(), in.sampleRate()); } void draw() { background(0); fft.forward(in.mix); stroke(255); for(int i = 0; i < fft.specSize(); i++) line(i*2+1, height, i*2+1, height - fft.getBand(i)*10); } void stop() { in.close(); Minim.stop(); super.stop(); } 最小的Caudio生成示例
下面的例子以原始格式生成一个纯的1000k Hz窦。 在44.1kHz采样率下，将持续4秒：
#include <math.h> #include <stdio.h> #include <stdlib.h> #include <stdint.h> int main(void) { FILE *f; const double PI2 = 2 * acos(-1.0); const double SAMPLE_FREQ = 44100; const unsigned int NSAMPLES = 4 * SAMPLE_FREQ; uint16_t ampl; uint8_t bytes[2]; unsigned int t; f = fopen("out.raw", "wb"); for (t = 0; t < NSAMPLES; ++t) { ampl = UINT16_MAX * 0.5 * (1.0 + sin(PI2 * t * 1000.0 / SAMPLE_FREQ)); bytes[0] = ampl >> 8; bytes[1] = ampl & 8; fwrite(bytes, 2, sizeof(uint8_t), f); } fclose(f); return EXIT_SUCCESS; }
玩起来：
sudo apt-get install ffmpeg ffplay -autoexit -f u16be -ar 44100 -ac 1 out.raw
参数解释在： https : //superuser.com/a/1063230/128124
在Ubuntu 15.10上testing GitHub上更有趣的例子 ，包括一个简单的佳能合成器。
物理
audio在每个时刻都被编码为一个单一的号码。 将它与一个video进行比较，该video需要每时每刻的WIDTH * HEIGHT数字。
这个数字然后被转换为您的扬声器膜片的线性位移：
| / | / |-/ | | AIR |-\ | \ | \ <-> displacement | / | / |---/ | | AIR |---\ | \ | \ <---> displacement | / | / |-----/ | | AIR |-----\ | \ | \ <-----> displacement
位移推动空气前后移动，产生压力差，以P波forms穿过空气。
只有位移才是重要的：即使最大，信号也不会产生声音：振动膜只停留在固定位置。
采样频率决定了应该以多快的速度完成位移。
由于奈奎斯特 – 香农（Nyquist-Shannon）采样定理 ，人耳可以听到高达20kHz的频率，因此44.1kHz是一种常见的采样频率。
采样频率类似于video的FPS，虽然它比我们通常看到的video的25（电影）-144（铁杆游戏显示器）范围高得多。
格式
.raw是一个不足指定的格式，只包含振幅字节，不包含元数据。
我们必须在命令行上传递一些元数据参数，如采样频率，因为格式不包含这些数据。
还有其他未压缩格式，包含所有需要的元数据，例如.wav ，参见： WAV File Synthesis From Scratch – C
然而在实践中，大多数人只处理压缩格式，这使得文件/stream式传输变得更小。 其中一些格式考虑到人耳的特征，以有损的方式进一步压缩audio。
生物学
人类主要通过频率分解（AKA 傅立叶变换 ）来感知声音。
我认为这是因为内耳有不同频率共振的部分（TODO确认）。
因此，在合成音乐时，我们更多地考虑频率合计而不是时间点。 在这个例子中说明了这一点 。
这导致了对于每个时间点在20Hz和20kHz之间的1Dvector的思考。
math傅里叶变换失去了时间的概念，所以我们在合成时要做的是取一组点，并对该组进行求和，然后在那里进行傅立叶变换。
幸运的是，傅立叶变换是线性的，所以我们可以直接叠加和归一化位移。
每组点的大小导致了一个时频精度的折衷，由海森伯不确定性原理的相同math调解。
小波可能是这种中介时频描述的更精确的math描述。
将实际的模拟audio转换成数字forms涉及两个步骤。
- 采样
- 量化
采样
连续波形（在这种情况下是audio）的采样率被称为采样率。 人类感知的频率范围是20 – 20000 Hz。 然而，CD使用奈奎斯特采样定理，这意味着采样率为44,100赫兹，覆盖范围为0 – 22,050赫兹的频率。
量化
现在需要将从“采样”阶段接收到的离散值转换成有限数量的值。 8位量化提供256个可能的值，而16位量化提供高达65,536个值。
答案都与抽样频率有关，但不涉及这个问题。 我想，一个特定的声音快照会包含许多不同频率的个别幅度（例如，您同时在键盘上同时按下A和C，A会变大）。 这是如何logging在一个16位数字？ 如果你只是在测量幅度（声音多大），你怎么得到不同的音符？
啊! 我想我从这个评论中得到：“这个数字，然后转换为你的扬声器膜片的线性位移”。 音符显示振动膜振动的速度。 这就是为什么你需要每秒44,000个不同的值。 一个音符在1000赫兹左右的地方，所以一个纯音符会使振膜进出每秒约1000次。 整个pipe弦乐队的录音在整个地方都有许多不同的音符，奇迹般地可以转换成一个单一的膈膜运动历史。 每隔44,000次膈板指示进出一点点，这个简单（长）的数字列表可以代表碧昂丝到贝多芬！
