当前位置：首页 > article >正文

声音是如何产生的

article 2025/1/7 14:45:32

一、音频概述

RTMP中一般音频采用aac编码，采样率为44100HZ, 每帧1024采样，帧率43，23.2ms一帧
RTC中一般音频采用opus编码，采样率为48000HZ，每帧480采样，帧率100，10ms一帧

通道数（channels）

声音的通道数,常用的有单声道和立体声之分。

采样频率

也称为采样速度，定义了每秒从连续信号中提取并组成离散信号的采样个数，它用赫兹（HZ）来表示，例如44.1Hz

采样位数(采样格式)

采样格式是为了实现度量每个采样点。通常使用16bit(2字节)，也就是2的16次方，共有65536个不同的度量值，这样采样位数越高，音频度量化的就越精细，音质同样也就越高。

采样个数(样本数)

对于采样频率，采样频率是一秒采样的个数，例如48000HZ，每秒采样个数为48000，44100HZ，每秒采样个数为44100。

而对于一帧音频的采样个数，AAC固定一帧采样1024个，MP3格式则为1152。

计算一帧音频的大小

一帧音频的大小(字节) = 通道数 x 采样个数 x 采样位数。

例如该音频帧是FLTP格式的PCM数据，那么就是aac，所以一帧中包含1024个采样个数，并且是双声道的话，那么该音频帧包含的数据量是 2 x 1024 x 4 = 8192字节。若格式改成AV_SAMPLE_FMT，那那么采样位数是64位8字节，数据量为 2 x 1024 x 8 = 16384字节。

每秒播放的音频字节大小

每秒播放的音频字节大小(字节) = 通道数 x 采样个数 x 采样位数。

公式是一样的，但是由于求的是每秒的数据量而不是一帧的数据量，所以我们需要知道它的采样频率。例如当采样频率为48kHZ时，一秒包含48k个采样个数而不是1024个，同样是双声道，FLTP格式，那么每秒的数据量是 2 x 48000 x 4 = 384000字节。

一帧音频的播放时长

一帧播放时间(毫秒) = 每帧样本数 * 1000 / 采样率

以采样率44100HZ来计算，每秒44100个sample，而正常一帧为1024个sample，由于比是相等的，可知每帧播放时间/1024 = 1000ms/44100，得到每帧播放时间= (1024 * 1000) / 44100 = 23.2ms(更精确的是23.21995464852608)。

或者用另一种方式去理解公式，1s显示的帧数 = 44100 / 1024 = 43.06640625帧。所以每一帧的播放时长 = 1s / 43.06640625 = 1000ms / 43.06640625 = 23.21995464852607ms。和上面的公式一样(浮点数尾部运算存在极小误差是正常)。帧率：44100(每秒的采样) / 1024（每帧的采样）= 43帧/s

所以转换一下公式：一帧播放时间(毫秒) = 1000ms / (44100 / 1024) = 1000ms * 1024 / 44100 = 23.2ms(更精确的是23.21995464852607)。

关于音频时间精度的例子

例如当采样频率为44.1kHZ：一帧播放时间(毫秒) = nb_sample样本数 * 1000 / 采样率 = 1024 * 1000 / 44100 = 23.21995464852608ms，约等于23.2ms，精确损失了0.011995464852608ms，如果累计10万帧，误差 > 1199毫秒，如果有视频一起的就会出现音视频同步的问题，如果按着23.2msm去计算pts(0 23.2 46.4 …)就会有累积误差。

二、声波

波形叠加原理

声波是一种机械波，遵循叠加原理，当两个波形相遇时，它们的振幅会相加，如果一个波形与其完全相反的波形（相位相差180度）叠加，理论上会相互抵消，这也叫做相位反转或者音频反向。可利用这个原理进行噪声消除，通过分析原始音频中的噪声部分，可以生成一个与噪声波形完全相反的波形。将这个反向波形添加到原始音频中，理论上可以抵消噪声部分。

波是一种能量传播的形式，不涉及物质的整体移动。波通过介质中的粒子振动来传播能量。

叠加原理状态：当两个或多个波在同一介质中传播时，每个波的效果是独立的，总效果是各个波效果的代数和。当两个波相遇时，它们会同时影响介质中的同一粒子，每个波都试图使粒子按照自己的方式振动，粒子的实际运动是这些独立影响的综合结果。

同相波：如果两个波的相位相同，它们的振幅会直接相加，导致更大的振幅。

反相波：如果两个波的相位相差180度，它们的振幅会相互抵消

当两个或多个波相遇时，它们会暂时相互影响，产生叠加效果，但在相遇后，每个波会继续按照自己原有的方向、速度、频率和振幅传播，就像它们从未相遇过一样。

每个波保持其独立性，不会因为与其他波的相遇而永久改变其特性，在一个嘈杂的房间里，尽管有多种声音混合在一起，但你仍然能够分辨出特定的声音（如某人的说话声）。这是因为每个声波在相互叠加后仍保持其原有特性。当两个水波圈相遇时，它们会在交叉点产生干涉图案，但通过这个区域后，每个波仍然保持其原有的形状和传播方向。

空气是声波传播的主要介质之一，声波通过空气分子的压缩和膨胀来传播。温度、湿度、密度等因素会影响波（尤其是声波）在空气中的传播速度和衰减。空气的流动（如风）也会影响波的传播方向和速度。

振幅是波从平衡位置到波峰（或波谷）的最大位移，它表示波的强度或"大小"。在波形图上，振幅是从中线（平衡位置）到波峰或波谷的垂直距离。

频率指的是每秒钟声波振动的次数，单位是赫兹（Hz），一般来说，频率越高，我们感知到的声音音调就越高，频率低的声音我们听起来音调较低，超过20,000 Hz的声波称为超声波，人耳通常听不，低于20 Hz的声波称为次声波，同样难以被人耳直接感知。

音调是我们感知声音"高低"的主观体验，在音乐中，音调直接对应音符（如C、D、E等）。响度是我们感知声音"大小"或"强弱"的主观体验，主要由声波的振幅（强度）决定，振幅越大，感知的响度通常越大，客观上用分贝（dB）来测量声压级，在音乐中体现为音量的强弱变化。

三、分子是如何振动的

声波本质上是一种能量传递的形式。它通过介质（如空气）中的压力波动来传播。空气由分子组成（主要是氮气和氧气分子）。这些分子之间存在微弱的相互作用力。声波通常由物体的振动产生（如扬声器振膜、声带振动等）。这种振动首先推动附近的空气分子。被推动的分子会与周围的分子发生碰撞。通过这些碰撞，能量从一个分子传递到另一个分子。空气具有一定的弹性。当分子被挤压时，它们会产生反作用力，试图恢复原来的位置。分子具有质量，因此也具有惯性。这意味着它们倾向于保持运动状态。声波在传播过程中创造了局部的压力差。高压区的分子会向低压区移动，造成振动。这种压力波动和分子运动的过程不断重复。结果是一种连续的、波状的能量传递。不同频率的声波会导致分子以不同的速率振动。这就是为什么我们能听到不同音调的声音。

声波是一种纵波，即振动方向与波传播方向平行，它通过空气中的压缩和膨胀区域传播。空气分子在声波影响下沿着波的传播方向前后振动。它们不会随波传播而持续移动，而是在原位置附近振动。

声波传播时，会形成交替的高压（压缩）和低压（膨胀）区域。在压缩区域，分子被挤压在一起。在膨胀区域，分子相对分散。分子通过碰撞将能量传递给相邻分子。这种能量传递导致声波在空气中传播。分子振动的幅度很小，通常在纳米级别。分子振动的频率与声波频率相同。

尽管单个分子的运动微小，但大量分子的集体运动产生了我们能感知的声音。

声波的能量最终会转化为热能。这就是为什么声波会随距离衰减。