大家好，欢迎来到停止重构的频道。

上期我们讨论了视频的相关概念，本期我们讨论音频的相关概念。

包括采样率、码率、单双声道、音频帧、编码格式等概念。

这里先抛出一个关于无损音频的问题。

为什么48KHz采样率的.mp3不是无损音乐 ，而48KHz采样率的.wav、.flac音频是无损的呢？

音频相关概念我们按这样的顺序分类讨论：

1、 音频采样的概念

2、 单个音频帧的概念

3、 多个音频帧的概念

音频采样的概念

相关概念有：采样、位深度、声道、采样率。

与视频不同的是，音频的最小单位不是一帧，而是一个采样。

采样是当前一刻声音的声音样本，样本需要经过数字转换才能存储为样本数据。

数字转换时会根据位深度转换，位深度就是存储单个样本数据的大小，位深度越大，记录的样本数据精度就越高。

网络视频、音频文件一般位深度为16bit，常用位深度还有8bit、24bit等。

这里需要一提的是，位深度越大虽然意味着声音还原度越高，但是过高的位深度，如32bit、64bit float或以上，可能需要特殊的软件和硬件设备才能播放。

接下来是声道，音频有单声道、双声道、立体声等。

每个声道的声音样本都会单独记录，一般双声道的采样数是单声道的两倍，多声道同理。

多个声道的样本数据一般会按声道排列顺序记录，播放时，程序会根据排列顺序将声音用不同的扬声器播放。

而采样率是采样的频率，与视频的帧率类似，是一秒钟对声音的采样个数，如果是双声道，那么1秒采样的个数是采样率的两倍，多声道同理。

普遍认为，流畅且不失真的音频，要求采样率达到40KHz以上，这个采样率是人类听觉频率上限的两倍，一般CD品质音频的采样率是44.1KHz，网络视频、视频文件一般是48KHz。

不过，某些具体场景可能会降低采样率要求，如语音通话、监控摄像头等，这些场景下，音频采样率一般只有8KHz，这个频率虽然听音乐是一种折磨，会一卡一卡的，但是对听清别人说话倒是一点问题没有。

单个音频帧的概念

这里我们理解为什么存在音频帧就可以了。

理论上，音频并不需要音频帧的概念，因为音频采样数据和采样率已经可以把音频播放描述清楚了。

但是音视频文件播放时，为了保证音视频同步，程序需要根据每帧的播放时间戳进行有序播放。

但是每个音频采样数据太小了，如果每个采样数据都记录播放时间戳的话，那么就得不偿失了。毕竟一个时间戳数据的大小比一个音频采样数据都大，所以就有了音频帧的概念。

音频帧实际上就是把一小段时间的音频采样数据打包起来，如每20ms的音频采样数据合并成一帧。

这里的具体时间间隔是具体编码码格式决定的，一般不需要特别关心。

多个音频帧的概念

多个音频帧的概念有播放时间戳PTS、码率、编码格式。与

视频帧一样，每一帧音频帧也会记录播放时间戳PTS，程序播放时会根据播放时间戳PTS播放音频帧。

音频帧的播放是比较特别的，因为一帧音频包含的是一小段时间的音频采样，所以实际上音频帧的播放时间戳只是这一小段音频的开始播放时间，里面的采样数据会根据采样频率连续播放。

同时音频也有码率，也就是常听到的音频比特率，码率就是一秒钟的数据量大小。

在不压缩的情况下，音频码率的大小=采样率*位深度声*道数。

接下来是编码格式，编码格式实际上是压缩数据的方式，常用的编码格式有wav、mp3、aac等，音频编码格式有有损、无损压缩之分。

这里可以解释开篇的问题了，为什么采样参数相同的mp3和wav文件会有不同的音质，这实际上是编码格式的问题。

mp3、aac这些编码格式是有损压缩，其中mp3支持的最大码率是320Kbps，而wav编码格式是无损压缩，虽然压缩后的码率可能会比降低，但是它在播放时能无损还原采样数据。

最后值得一提的是，在网络音频文件、音频直播时，需要考虑限制码率，限制码率的目的是为了限制数据量的大小，避免带宽、流量等问题。

音频编码格式一般采用aac，音频码率一般设置为128Kbps就可以了。

总结

以上是音频的基础概念，音频在很多介绍中都不会说到音频帧，因为普通的视频编辑场景是用不到的，但是在音视频处理中音频帧的概念是十分重要的，不然会出现很多问题，如音频重编码重采样后，出现卡顿、音频播放过快等问题。

介绍完了音频和视频的基础概念，后面我们会介绍关于音视频处理、识别的一些软件和框架。