数字音频基础：采样率、位深与量化噪声

引言

数字音频的一切都建立在两个动作之上：在时间轴上离散化（采样），在幅度轴上离散化（量化）。前者由采样率描述，后者由位深描述。这两个参数一旦确定，整条链路的质量上限就被锁死——后续任何处理都无法突破它。

工程师对这两个概念通常"知道"，但很少算清楚。比如：为什么 44.1 kHz 能覆盖 20 kHz 的听觉上限，却还需要 96 kHz？为什么 16 bit 的 96 dB 动态范围在加了抖动之后反而"变差"了却更好听？为什么把一个 44.1 kHz 文件"转成"96 kHz 不会增加任何信息？这些问题的答案都在采样与量化的数学里。

本文从采样定理出发，逐层拆解混叠、抗混叠滤波、量化噪声、抖动、过采样、采样率转换与位深转换，最后给出可实测的指标与验证方法。目标是让读者在看到一个采样率/位深组合时，能立刻说出它的带宽、动态范围、数据量与适用场景。

目录

1. 采样定理与奈奎斯特频率
2. 混叠：现象、成因与听感
3. 抗混叠滤波器的工程实现
4. 量化：位深与信噪比公式
5. 抖动与噪声整形
6. 过采样与 ΔΣ 调制
7. 采样率转换（SRC）
8. 位深转换与增益结构
9. 实测指标：SNR、THD+N 与动态范围

1. 采样定理与奈奎斯特频率

采样定理（Nyquist–Shannon）指出：若信号带宽限制在 f_max 以内，则以高于 2 × f_max 的速率采样可以完全重建原信号。2 × f_max 称为奈奎斯特率，fs / 2 称为奈奎斯特频率。

fs = 44100 Hz  →  奈奎斯特频率 = 22050 Hz
fs = 48000 Hz  →  奈奎斯特频率 = 24000 Hz
fs = 96000 Hz  →  奈奎斯特频率 = 48000 Hz

定理的前提是"带宽限制"，这是最容易被忽略的部分。现实中麦克风信号、合成器输出、失真效果器的输出都不是带限的，必须主动施加带限，也就是抗混叠滤波。没有这一步，定理不成立。

1.1 重建不是"连点成线"

时域上，重建是用 sinc 函数对样本做加权求和：

x(t) = Σ x[n] · sinc((t - nT) / T),  T = 1/fs

DAC 内部的零阶保持（zero-order hold）只是 sinc 插值的粗糙近似，它会在高频产生 sinc 衰减（在奈奎斯特频率处约 -3.9 dB）。这就是为什么高质量 DAC 会在数字域先做"半带补偿"滤波，把 sinc 滚降补回来。

1.2 采样率与带宽的对应

选 48 kHz 而不是 44.1 kHz 的一个现实理由是它与 24/25/30 fps 视频帧率的关系更"整"：一帧 30 fps 对应 1600 个样本，一帧 25 fps 对应 1920 个样本。44.1 kHz 除不尽，视频同步时要处理余数。

2. 混叠：现象、成因与听感

**混叠（Aliasing）**是指高于奈奎斯特频率的成分被"折叠"到低频，成为无法与原信号区分的虚假频率。

若 fs = 48000，输入含 20000 Hz：
20000 < 24000，正常保留

若 fs = 48000，输入含 30000 Hz：
折叠后频率 = |30000 - 48000| = 18000 Hz（可听！）

若 fs = 48000，输入含 50000 Hz：
折叠后频率 = |50000 - 48000| = 2000 Hz（完全错误的低频）

2.1 混叠为什么难听

真实音乐信号的谐波结构是有序的：基频 440 Hz 的乐音，谐波在 880、1320、1760 Hz……混叠产生的频率与原始谐波没有整数倍关系，因此听起来是"金属味"“沙沙声"或"鸟叫”，与信号本身不协调。更糟的是它不可逆：一旦折叠进来，任何滤波都无法把它与真实信号分离。

2.2 混叠的典型来源

• 降采样不做低通：最常见的来源。把 96 kHz 素材直接抽成 48 kHz，2448 kHz 的成分全部折回 024 kHz。
• 非线性处理：失真、削波、波形整形（waveshaping）会产生无穷多的高次谐波，超出奈奎斯特频率的部分立即折回。这是"数字失真听起来刺耳"的根本原因。
• 合成器的锯齿波/方波：理想的锯齿波含无限谐波，直接采样必然混叠。工程上要么用带限波形（BLIT、PolyBLEP），要么大幅过采样。
• ADC 前端滤波不足：模拟抗混叠滤波器滚降不够陡，高频噪声折回。

# 演示混叠：把 30 kHz 正弦以 48 kHz 采样，听感等效于 18 kHz
import numpy as np
fs = 48000
t = np.arange(fs) / fs
x = np.sin(2 * np.pi * 30000 * t)      # 30 kHz 输入
# 采样后（离散序列）其表观频率：
alias = abs(30000 - round(30000 / fs) * fs)   # = 18000 Hz
print(alias)   # 18000.0

2.3 用扫频听混叠

验证一个链路是否抗混叠，最直接的方法是喂一个 20 Hz~20 kHz 的对数扫频，在频谱图上观察是否出现"折返"的镜像轨迹。若在 15 kHz 以上看到一条向下走的谱线，就是混叠的典型特征。

3. 抗混叠滤波器的工程实现

抗混叠滤波器必须在采样前（ADC 侧）或降采样前（SRC 侧）把 fs/2 以上的能量压到量化噪声以下。

3.1 模拟前端的现实约束

理想抗混叠滤波器是"砖墙"（在 fs/2 处瞬间从通带跳到阻带），但模拟滤波器做不到。一阶 RC 只有 6 dB/oct，要实现 24 bit 级别的衰减（-144 dB）需要极陡的滚降，电路上不可行。现实做法是留出过渡带：

通带：0 ~ 0.45·fs（20 kHz @ 44.1 kHz）
过渡带：0.45·fs ~ 0.5·fs
阻带：> 0.5·fs，衰减 > 90 dB

过渡带越窄，滤波器阶数越高。44.1 kHz 的过渡带只有约 2 kHz，用 FIR 实现需要数百抽头。

3.2 数字侧：过采样是标准解

现代 ADC 几乎都采用过采样 + 数字抽取：模拟前端先以 64×~256× 采样（例如 2.8 MHz），模拟抗混叠滤波器只需在 1.4 MHz 处滚降，非常容易实现；然后在数字域用陡峭的 FIR 抽取到目标采样率，数字滤波器的过渡带可以是"相对宽"的，因为绝对带宽被过采样率放大了。

模拟输入 → 模拟低通（1.4 MHz）→ ADC @ 2.8 MHz
        → 数字抽取 FIR（64:1）→ PCM @ 44.1 kHz

这样模拟滤波器的压力被转移到数字域，而数字 FIR 可以做到任意陡。

3.3 FIR 与 IIR 的取舍

抗混叠场景通常用 FIR：线性相位保证瞬态不失真，且系数可以离线设计。IIR 用于对延迟敏感、对相位不敏感的场景（如实时参数均衡）。滤波器设计的数学细节见 audio-dsp-filters 。

4. 量化：位深与信噪比公式

量化把连续幅度映射到有限个离散电平。N bit 有 2^N 个电平，量化步长：

Δ = 满量程 / 2^N

对满量程归一化到 ±1 的信号，量化误差在 [-Δ/2, +Δ/2] 内近似均匀分布，其功率为 Δ²/12。由此得到经典的 SNR 公式：

SNR(dB) = 6.02 × N + 1.76

4.1 为什么 24 bit 是"有效 20 bit"

146 dB 是理论值，实际受限于模拟前端。即使是最好的 ADC，模拟前端的本底噪声也就在 -120 dBFS 左右，对应约 20 bit 的有效精度。24 bit 的意义在于留出增益余量：录到 -18 dBFS 时仍然保留约 126 dB 的动态范围，远超任何模拟前端的本底。

4.2 32 bit float 的真实精度

IEEE 754 单精度有 24 bit 尾数，所以它在归一化到 ±1 时和 24 bit 定点精度相当。真正的优势是指数范围：可以表示到 10^38 而不溢出，小信号也不丢精度。这就是混音总线必须用 float 的原因——累加 100 路信号时定点早就溢出，float 毫无压力。

4.3 量化噪声不是"白噪声"

上述公式假设量化误差是均匀分布的白噪声，这要求信号足够复杂（跨越多个量化电平）。当信号很小时（例如淡出到 -80 dBFS 的正弦），量化误差变成与信号相关的周期性失真，听感上是"粗糙的嗡声"而不是"嘶声"。这正是抖动要解决的问题。

5. 抖动与噪声整形

**抖动（Dither）**是在量化前加入极小幅度的随机噪声，让量化误差去相关，从而把"与信号相关的失真"转成"与信号无关的恒定噪声底"。感知上，稳定的低电平噪声远比随信号变化的失真更可接受。

def quantize_with_dither(x, bits, dither_amp=1.0):
    """x: 归一化到 [-1, 1] 的浮点数组；bits: 目标位深"""
    q = 2 ** (bits - 1)
    # TPDF dither（三角分布，两个均匀分布之和）
    d = (np.random.uniform(-1, 1, x.shape) + np.random.uniform(-1, 1, x.shape))
    d = d * (dither_amp / q)      # 幅度约为 1 LSB
    return np.clip(np.round((x + d) * q), -q, q - 1) / q

抖动幅度的选择很讲究：太小不起作用，太大会抬高噪声底。标准做法是 TPDF（Triangular Probability Density Function）dither，峰峰值 2 LSB，它能让量化误差的一阶、二阶统计量都与信号无关，代价是噪声底抬高约 4.8 dB。

5.1 噪声整形（Noise Shaping）

噪声整形把量化误差通过一个反馈滤波器重新分布：牺牲某个频段的噪声底，换取另一个频段的降低。因为人耳在 2~4 kHz 最敏感、在高频不敏感，所以典型的整形曲线是"把噪声推到 15 kHz 以上"。

误差反馈结构：
e[n] = quant(x[n] - Σ h[k]·e[n-k])
y[n] = x[n] - Σ h[k]·e[n-k] + e[n]

一阶噪声整形能把噪声底在低频降低约 9 dB/oct，二阶约 15 dB/oct。代价是高频噪声大幅上升，所以噪声整形通常与过采样配合：过采样把量化噪声摊到更宽的频带，整形再把剩下的噪声推到超声频段，最后用数字低通滤掉。

5.2 抖动的工程结论

• 降位深时必加抖动：24 bit → 16 bit 不加抖动会引入与信号相关的失真。
• 升位深时不需要：16 bit → 24 bit 只是补零，没有新的量化发生。
• 中间处理不要反复抖动：每次抖动都会抬高噪声底，应在链路末端一次性完成。

6. 过采样与 ΔΣ 调制

过采样（Oversampling）以高于奈奎斯特率的速率采样，带来的收益有三：

1. 抗混叠更容易：过渡带被放大，模拟滤波器可以做得很简单。
2. 量化噪声被摊薄：量化噪声总功率不变，但分布在更宽的频带上，0 ~ fs/2 内的噪声功率下降。过采样率 OSR 带来的 SNR 增益为：

SNR 增益 = 10·log10(OSR)  dB   （每 4 倍过采样 +6 dB，即 1 bit）

3. 配合噪声整形收益翻倍：一阶整形的增益为 10·log10(OSR³/π²)，二阶更高。这就是 ΔΣ（Delta-Sigma）调制器的基础。

6.1 ΔΣ 调制器

ΔΣ ADC 的核心是一个积分器 + 1 bit 量化器 + 反馈环。它用极高的过采样率（64×~256×）换取 1 bit 量化下的高精度：

输入 ──▶ Σ ──▶ 积分器 ──▶ 1bit 量化 ──▶ 输出（1 bit 流）
        ▲                              │
        └──────── 反馈（DAC）◀─────────┘

1 bit 量化器天然线性（两点之间没有"中间点"误差），整个调制器的精度靠噪声整形与过采样获得。之后用一个数字抽取滤波器把 1 bit 流降到 24 bit/48 kHz 的多 bit PCM。

6.2 过采样在 DSP 中的另一用途

非线性处理（失真、波形整形、压缩器）会产生大量超出奈奎斯特频率的谐波。在这些处理前后各加 4×~8× 过采样（前升后降），可以把混叠压到听阈以下。这是插件中"oversampling 2x/4x/8x"开关的真实含义，代价是 CPU 占用按倍数增长。

7. 采样率转换（SRC）

采样率转换分两类：整数倍（同步） 与 任意比（异步，ASRC）。

7.1 整数倍转换

升采样：插入 L-1 个零 → 低通滤波 → 得到 L 倍采样率。降采样：低通滤波 → 每 M 个取一个。低通滤波器的实现是多相分解（polyphase），把长 FIR 拆成 L 个子滤波器，只在需要的相位上计算，算力降低 L 倍。

原始 48 kHz → 上采样 ×2（96 kHz）→ 下采样 ×3（32 kHz）
等效比 = 2/3，需要 L=2, M=3 的多相滤波器组

7.2 异步转换

44.1 kHz ↔ 48 kHz 的比值是 147:160，是整数比但很大，直接多相分解需要 160 相。工程上更常用基于 FFT 的重采样（对整段信号做频域补零/截断）或带插值核的任意比重采样（如 libsamplerate 的 sinc 插值、SoX 的 rate 效果）。

# sox 的高质量重采样（very high quality, 允许混叠 > 20 kHz）
sox in.wav -r 48000 out.wav rate -v 48000

# ffmpeg 的重采样（默认 swr，可指定滤波长度）
ffmpeg -i in.wav -af "aresample=48000:filter_size=64" out.wav

7.3 SRC 的质量指标

评估 SRC 要看三项：通带纹波（应 < 0.1 dB）、阻带衰减（应 > 100 dB）、群延迟（线性相位时应恒定）。SoX 的 rate -v 在 44.1→48 kHz 上可达约 145 dB 阻带衰减，代价是约 20 ms 的延迟与可观算力。

关键结论：升采样不增加信息。把 44.1 kHz 转成 96 kHz 只是把 22.05 kHz 以上的部分填成零，不会恢复任何被抗混叠滤波器砍掉的成分。

8. 位深转换与增益结构

位深转换的方向决定处理方式：

8.1 增益结构

位深决定动态范围，但真正决定"用掉多少动态范围"的是增益结构。经验规则：

录音峰值：-18 dBFS（留 18 dB 余量给意外瞬态）
混音总线峰值：-6 dBFS
最终母带真峰值：-1 dBTP

如果录音峰值只有 -40 dBFS，那么 16 bit 的 98 dB 动态范围实际只用到 58 dB，等效于 9~10 bit。反过来，如果录音峰值贴着 0 dBFS，任何后续增益提升都会削波。余量不是浪费，而是必要的工作空间。

8.2 定点与浮点的接口

设备边界上经常需要定点↔浮点转换，转换时要注意满量程定义：16 bit 有符号整数的满量程是 ±32767（不是 32768），除以 32768 会得到略微超过 ±1.0 的值，直接送进某些 DSP 可能溢出。标准做法是除以 32768 并把 +1.0 视为可接受的边界值，或显式限幅到 [-1.0, 1.0)。

// 16 bit 整数 → float
inline float s16_to_f32(int16_t v) { return v * (1.0f / 32768.0f); }
// float → 16 bit 整数（带限幅）
inline int16_t f32_to_s16(float v) {
    float c = std::clamp(v, -1.0f, 1.0f);
    return (int16_t)std::lrintf(c * 32767.0f);
}

9. 实测指标：SNR、THD+N 与动态范围

理论公式之外，还要能实测验证。

9.1 SNR 与 THD+N

SNR 用满量程正弦测：信号功率与"去掉信号后的残余"功率之比。THD+N 则包含谐波失真与噪声，测法是给正弦，用陷波器滤掉基频，测剩余能量。

# 生成 1 kHz 满量程正弦
ffmpeg -f lavfi -i "sine=frequency=1000:sample_rate=48000:duration=10" \
  -af "volume=-1dB" -c:a pcm_s24le ref.wav

# 测 THD+N：sox 的 stat 给出 RMS 与峰值
sox ref.wav -n stat 2>&1 | grep -E "RMS|Maximum"

9.2 动态范围与噪声底

动态范围 = 最大不失真电平 − 噪声底。对 16 bit 系统，若噪声底在 -93 dBFS，动态范围就是 93 dB，接近理论值 98 dB 减去抖动抬高的 4.8 dB。

9.3 用 null test 验证 SRC

把 48 kHz 信号升到 96 kHz 再降回 48 kHz，与原信号反相相加。理想情况下残差应当接近噪声底：

ffmpeg -i in48.wav -ar 96000 tmp96.wav
ffmpeg -i tmp96.wav -ar 48000 back48.wav
ffmpeg -i in48.wav -i back48.wav -filter_complex \
  "[0:a][1:a]amix=inputs=2:weights=1 -1,volumedetect" -f null -

若残差的 max_volume 高于约 -90 dB，说明 SRC 的阻带衰减不足或存在群延迟失配。更系统的质量评估方法（PESQ、ViSQOL、MUSHRA）见 audio-quality-testing 。

权衡取舍

需要强调的一个反直觉结论：过采样不提升"保真度"，它只是让抗混叠与非线性处理的实现更容易。真正决定质量的是原始采样率与位深，以及模拟前端的本底噪声。

常见坑清单

1. 降采样前不滤波：直接抽取导致高频折回，听感是"沙沙"或"鸟叫"。必须先低通再抽取。
2. 失真效果器不过采样：削波产生的高次谐波折回，是"数字失真刺耳"的主因。加 4× 过采样即可显著改善。
3. 降位深不加抖动：低电平信号出现与信号相关的周期性失真，淡出时尤其明显。
4. 反复抖动：每降一次位深加一次抖动，噪声底被逐次抬高，应在链路末端一次性完成。
5. 误以为升采样能提升音质：44.1→96 kHz 只是补零，不会恢复被砍掉的 22.05 kHz 以上成分。
6. 满量程定义不一致：16 bit 除以 32768 还是 32767 会导致 ±1 LSB 的偏差与溢出，需在接口处统一。
7. 浮点直接截断到定点：float 超过 ±1.0 的值直接转换会回绕（wrap）成反相的大信号，必须先限幅。
8. 噪声整形用在高采样率却不过采样：高频噪声推到超声频段但采样率不足，会折回可听频段。
9. 用理论 SNR 评估实际设备：模拟前端本底噪声通常只有 -120 dBFS，理论值无法达到。
10. 忽略群延迟失配：SRC 前后的延迟不同会导致 null test 残差偏大，需要对齐后再比较。

小结

采样与量化是数字音频的两个基本约束。采样率决定可用带宽，位深决定动态范围，抗混叠滤波保证采样定理的前提成立，抖动保证低位深下的失真被转成可接受的噪声。这四个环节共同决定了链路的质量天花板。

工程上最值得记住的三条：降采样必先滤波、降位深必加抖动、非线性处理必过采样。违反其中任何一条，都会产生可听且不可逆的失真。

继续深入建议先读 audio-spectral-analysis-fft 掌握频域分析手段，用它来验证本文提到的混叠与量化噪声；再读 audio-dsp-filters 理解抗混叠滤波器的系数设计；需要落地到浏览器时，audio-web-audio-api 会说明 Web Audio 在采样率与重采样上的具体行为。