PCM音频编码

偏执的太偏执、 2023-03-13 11:37 24阅读 0赞

# 概述 #

PCM [脉冲编码调制][Link 1]是Pulse Code Modulation的缩写。脉冲编码调制是数字通信的[编码方式][Link 2]之一。主要过程是将话音、图像等模拟信号每隔一定时间进行取样，使其离散化，同时将抽样值按分层单位四舍五入取整量化，同时将抽样值按一组二进制码来表示抽样脉冲的幅值。

# 语音编码原理 #

有一定电子基础的都知道传感器采集音频信号是模拟量，而我们实际传输过程中使用的是数字量。而这就涉及到模拟转数字的过程。而[模拟信号][Link 3]数字化必须经过三个过程，即抽样、量化和编码，以实现话音数字化的[脉冲编码调制][Link 4]（PCM，Pulse Coding Modulation）技术。

模拟信号转换成数字信号

### 抽样(Sampling) ###

抽样是把[模拟信号][Link 3]以其信号带宽2倍以上的频率提取样值，变为在时间轴上离散的抽样信号的过程。

**采样率 (sample)**：每秒从连续信号中提取并组成离散信号的采样个数，用赫兹（Hz）来表示.

> 举例：  
> 如音频信号采样率为8000hz。  
> 可以理解上图采样对应图中 那段电压随时间变化的曲线 为1秒 那下面那个1 2 3 …10那就因该有1-8000个点，即将1秒均分为8000份，依次取出来那8000个点时间 对应的电压值。

### 量化（quantizing） ###

抽样信号虽然是时间轴上离散的信号，但仍然是[模拟信号][Link 3]，其样值在一定的取值范围内，可有无限多个值。显然，对无限个样值一一给出数字码组来对应是不可能的。为了实现以数字码表示样值，必须采用“四舍五入”的方法把样值分级“取整”，使一定取值范围内的样值由无限多个值变为有限个值。这一过程称为量化。

量化后的抽样信号与量化前的抽样信号相比较，当然有所失真，且不再是模拟信号。这种量化失真在接收端还原模拟信号时表现为噪声，并称为量化噪声。量化噪声的大小取决于把样值分级“取整”的方式，分的级数越多，即量化级差或间隔越小，量化噪声也越小。

**采样位数：**指的是描述数字信号所使用的位数。  
8位(8bit)代表2的8次方=256，16 位(16bit)则代表2的16次方=65536； 采样位数越高，精度越高。

> 这里引用了采样位数来描述模拟信号之间的最小间隔。  
> 假设我们采样位数是 8 ，而模拟信号的范围是2，0，那么数字信号之间的间隔最小就是2/2^8= 2/256=1/128;  
> 同理采样位数是16，那么 数字信号之间的最小间隔就是2/256/256=1/(128\*256)

> 举例  
> 如音频传感器采集到的电压范围为0-3.3V，采样位数为8bit(位)  
> 即我们把3.3V/ 2^8 = 0.0128 即为量化精度。  
> 我们把3.3v分成0.0128为步进的Y轴，如图3中的1 2 …8就变成了0 0.0128 0.0256 …..3.3 V  
> 比如某个采样点的电压值为1.652V(128 \* 0.128 与 129 \* 0.128之间) 我们对它四舍五入就为1.65V 对应 量化等级为128 。

### 编码（Coding） ###

量化后的抽样信号就转化为按抽样时序排列的一串十进制数字码流，即十进制数字信号。简单高效的数据系统是二进制码系统，因此，应将十进制数字代码变换成二进制编码，根据十进制数字代码的总个数，可以确定所需二进制编码的位数，即字长(采样位数)这种把量化的抽样信号变换成给定字长的二进制码流的 过程称为编码。

> 举例  
> 接着上面的1.65V 对应 量化等级为128 。对应的2进制为10000000 。即该采样点编码后结果为10000000 。当然这是没有考虑正负值情况下的编码方式，而且编码方式种类非常多，需要具体问题具体分析。（PCM音频格式编码为A律13折线编码）

# PCM 音频编码 #

PCM信号未经过任何编码和压缩处理(无损压缩)。与模拟信号比，它不易受传送系统的杂波及失真的影响。动态范围宽，可得到音质相当好的效果。编码上采用A律13折线编码。

### A律13折线 ###

A律是P**CM非均匀量化**中的一种对数压扩形式。数字脉冲编码调制（PCM）是目前模拟信号数字化的基本方法，PCM包括采样、量化、编码三个步骤，其中量化是对抽样值的取值离散，根据量化间隔的不同选取分为均匀量化和非均匀量化，非均匀量化可以有效地改善信号的量化信噪比。语音信号的量化常采用ITU建议的两种对数形式的**非均匀量化压缩**特性：A律和μ律，A律编码主要用于30/32路一次群系统， A律PCM用于欧洲和中国。

具体可以看[文章][Link 5]

### 声道 ###

声道可以分为单声道和立体声（双声道）  
PCM的每个样本值包含在一个整数i中，i的长度为容纳指定样本长度所需的最小字节数。

![format_png][]

首先存储低有效字节，表示样本幅度的位放在i的高有效位上，剩下的位置为0，这样8位和16位的PCM波形样本的数据格式如下所示。

### 采样频率 ###

人对频率的识别范围是 20HZ - 20000HZ, 如果每秒钟能对声音做 20000 个采样, 回放时就足可以满足人耳的需求.

*  8000hz 为电话采样。
 *  22050 的采样频率是常用的。
 *  44100已是CD音质, 超过48000的采样对人耳已经没有意义

> 对采样率为44.1kHz的AAC（Advanced Audio Coding）音频进行解码时，一帧的解码时间须控制在23.22毫秒内。通常是按1024个采样点一帧。

> 为什么这里需要说下音频帧呢？  
> 音频的帧的概念没有视频帧那么清晰，几乎所有视频编码格式都可以简单的认为一帧就是编码后的一副图像。但音频帧跟编码格式相关，它是各个编码标准自己实现的。因为如果以PCM（未经编码的音频数据）来说，它根本就不需要帧的概念，根据采样率和采样精度就可以播放了。比如采样率为44.1kHZ，采样精度为16位的音频，你可以算出bitrate（比特率）是44100*16kbps，每秒的音频数据是固定的44100*16/8 字节。  
> 但是我们不希望每一次采样都返回给我们进行处理，我们希望的是返回一段时间内的所有采样数据。这里的音频帧就是每次返回给我们多少个采样数据，一般情况是下返回2048个采样数据。  
> 那么单声道 采用16位采样位数 2048个采样数据的大小是多少呢 2048\*16/8 = 4096字节。

### 采样位数 ###

每个采样数据记录的是振幅, 采样精度取决于储存空间（采样位数）的大小:

*  1 字节(也就是8bit) 只能记录 256 个数, 也就是只能将振幅划分成 256 个等级
 *  2 字节(也就是16bit) 可以细到 65536 个数, 这已是 CD 标准了;
 *  4 字节(也就是32bit) 能把振幅细分到 4294967296 个等级, 实在是没必要了

如果是双声道(stereo), 采样就是双份的, 文件也差不多要大一倍.

### 比特率 ###

码率是指经过编码后的音频数据每秒钟需要用多少个比特来表示.

### 有损和无损 ###

对于我们最常说的“无损音频”来说，一般都是指传统CD格式中的16bit/44.1kHz采样率的文件格式，而知所以称为无损压缩，也是因为其包含了20Hz-22.05kHz这个完全覆盖人耳可闻范围的频响频率而得名。

> 这里我有个混淆的地方是 声道和采样频率之间的关系？刚开始假设采样频率是44100,要是使用双声道的话，那么每个声道的采样率就是22100了。其实这是错误的，采样频率是在每个声道上的采样速率，不是在所有频道的采样速率。  
> 因此，要是采样速率是44100 ，那么双声道，采集的样本个数应该是88200个。

作者：充满活力的早晨  
链接：https://www.jianshu.com/p/cfb3d4dc3676  
来源：简书  
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

正常人听觉的频率范围大约在20Hz~20kHz之间。

采样频率是指将模拟声音波形进行数字化时，每秒钟抽取声波幅度样本的次数。

根据奈奎斯特采样理论，为了保证声音不失真，采样频率应该在40kHz左右。

常用的音频采样频率有8kHz、11.025kHz、22.05kHz、16kHz、37.8kHz、44.1kHz、48kHz等，

如果采用更高的采样频率，还可以达到DVD的音质。

对采样率为44.1kHz的AAC音频进行解码时，一帧的解码时间须控制在23.22毫秒内。

通常是按1024个采样点一帧

分析：

1. AAC

一个AAC原始帧包含某段时间内1024个采样点相关数据。

用1024主要是因为AAC是用的1024点的mdct。

音频帧的播放时间 = 一个AAC帧对应的采样样本的个数 / 采样频率(单位为s)。

采样率(samplerate)为 44100Hz，表示每秒 44100个采样点,

所以，根据公式,

音频帧的播放时长 = 一个AAC帧对应的采样点个数 / 采样频率

则，当前一帧的播放时间 = 1024 \* 1000000/44100= 22.32ms(单位为ms)

PS：公式改成1024/44100=0.02321s=23.21ms更容易理解

48kHz采样率，

则，当前一帧的播放时间 = 1024 \* 1000000/48000= 21.32ms(单位为ms)

22.05kHz采样率，

则，当前一帧的播放时间 = 1024 \* 1000000/22050= 46.43ms(单位为ms)

2.MP3

mp3 每帧均为1152个字节，

则：

每帧播放时长 = 1152 \* 1000000 / sample\_rate

例如：sample\_rate = 44100HZ时，

计算出的时长为26.122ms，

这就是经常听到的mp3每帧播放时间固定为26ms的由来。

[Link 1]: https://baike.baidu.com/item/%E8%84%89%E5%86%B2%E7%BC%96%E7%A0%81%E8%B0%83%E5%88%B6/5143788
[Link 2]: https://baike.baidu.com/item/%E7%BC%96%E7%A0%81%E6%96%B9%E5%BC%8F/6451499
[Link 3]: https://baike.baidu.com/item/%E6%A8%A1%E6%8B%9F%E4%BF%A1%E5%8F%B7
[Link 4]: https://baike.baidu.com/item/%E8%84%89%E5%86%B2%E7%BC%96%E7%A0%81%E8%B0%83%E5%88%B6
[Link 5]: https://blog.csdn.net/qingkongyeyue/article/details/52122486
[format_png]: /images/20230312/ca381f1cd649403bb820258c7d97e6a8.png