第3章 音频信息处理

3.1.3 数字音频的文件格式
在多媒体技术中，存储音频信息的文件格式主要 有：WAV文件、VOC文件和MP3文件等。 1. WAV文件 WAV文件 WAV文件又称波形文件，来源于对声音模拟波形 的采样，并以不同的量化位数把这些采样点的 值轮换成二进制数，然后存入磁盘，这就产生 了波形文件。WAV文件用于保存Windows平台的 音频信息资源，被Windows平台及其应用程序所 广泛支持。
4. RealAudio文件 文件——.RA/.RM/.RAM 文件 RealAudio文件是RealNetworks公司开发的一种新 型流式音频(Streaming Audio)文件格式；它包含在 RealNetworks所制定的音频、视频压缩规范RealMedia 中，主要用于在低速率的广域网上实时传输音频信 息；网络连接速率不同，客户端所获得的声音质量 也不尽相同：对于28.8kb/s的连接，可以达到广播级 的声音质量；如果拥有ISDN或更快的线路连接，则 可获得CD音质的声音。
fs ≥ 2f
2. 量化
采样只解决了音频波形信号在时间坐标 即横轴 时间坐标(即横轴 时间坐标 即横轴)上把一个波 形切成若干个等分的数字化问题，但是还需要用某种数字化的 方法来反映某一瞬间声波幅度的电压值大小。该值的大小影响 音量的高低。我们把对声波波形幅度的数字化表示称之为“量 对声波波形幅度的数字化表示称之为“ 对声波波形幅度的数字化表示称之为 化”。 量化的过程是先将采样后的信号按整个声波的幅度划分成 量化的过程 有限个区段的集合，把落入某个区段内的样值归为一类，并赋 于相同的量化值。如何分割采样信号的幅度呢? 我们还是采取二 进制的方式，以８位(bit)或16位(bit)的方式来划分纵轴 的方式来划分纵轴。也就是 以 或 位 的方式来划分纵轴 说在一个以8位为记录模式的音效中，其纵轴将会被划分为个量 化等级，用以记录其幅度大小。
失真在采样过程中是不可避免的，如何减少失真呢 如何减少失真呢？可以直 失真 如何减少失真呢 观地看出，我们可以把上图中的波形划分成更为细小的区间，即 采用更高的采样频率。同时，增加量化精度，以得到更高的量化 采用更高的采样频率。同时，增加量化精度 等级，即可减少失真的程度。在下图（左）中，采样率和量化等 级均提高了一倍，分别为2000次/秒和20个量化等级。在下图（右） 中，采样率和量化等级再提高了一倍，分别达到4000次/秒和40个 量化等级。从图中可以看出，当用D/A转换器重构原来信号时 （图中的轮廓线），信号的失真明显减少，信号质量得到了提高。
3.1.1 音频信号的特点
1.音频信号的分类 1.音频信号的分类
音频信号可分为两类：语音信号和非语音信号 音频信号可分为两类：语音信号和非语音信号。 语音是语言的物质载体，是社会交际工具的符号, 它包含了丰 语音 富的语言内涵，是人类进行信息交流所特有的形式。 非语音信号主要包括音乐和自然界存在的其他声音形式。非语 非语音信号 音信号的特点是不具有复杂的语义和语法信息，信息量低、识 别简单。
100101100011101
模拟信号的数字化过程
1. 采样
信息论的奠基者香农（Shannon）指出：在一定条件下，用 在一定条件下， 在一定条件下 离散的序列可以完全代表一个连续函数，这是采样定理的基本 离散的序列可以完全代表一个连续函数 内容。 为实现A/D转换，需要把模拟音频信号波形进行分割 这种 把模拟音频信号波形进行分割，这种 把模拟音频信号波形进行分割 方法称为采样(Sampling)。采样的过程是每隔一个时间间隔在 方法称为采样 采样的过程是每隔一个时间间隔在 模拟声音的波形上取一个幅度值，把时间上的连续信号变成时 模拟声音的波形上取一个幅度值 间上的离散信号。该时间间隔称为采样周期，其倒数为采样频 率。采样频率 采样频率是指计算机每秒钟采集多少个声音样本。 采样频率 采样频率与声音频率之间有一定的关系，根据奈奎斯特 （Nyquist）理论，只有采样频率高于声音信号最高频率的两 只有采样频率高于声音信号最高频率的两 倍时，才能把数字信号表示的声音还原成为原来的声音。 倍时，才能把数字信号表示的声音还原成为原来的声音
第3章 音频信息处理 章
学习目标 了解声音信号的特点、存储格式及质量的度量方法 理解音频信号压缩方法及音频编码标准 掌握常用的音频处理软件对声音信号进行处理 了解语音识别技术及其应用
3.1 音频信息处理基础
音频信息在多媒体中的应用 应用极为广泛：视频图像配以娓 音频信息 应用 娓动听的音乐和语音 ；静态或动态图像配以解说和背景音 乐 ；立体声音乐可增加空间感 ；游戏中的音响效果等。 音频处理技术主要包括电声转换、音频信号的存储、重 音频处理技术主要包括 放技术、加工处理技术以及数字化音频信号的编码、压缩、 传输、存取、纠错等。
3. 编码
模拟信号量经过采样和量化以后，形成一系列的离散信 号——脉冲数字信号。这种脉冲数字信号可以一定的方式进行 编码，形成计算机内部运行的数据。所谓编码，就是按照一定 编码， 编码 的格式把经过采样和量化得到的离散数据记录下来， 的格式把经过采样和量化得到的离散数据记录下来，并在有用 的数据中加入一些用于纠错、同步和控制的数据。在数据回放 的数据中加入一些用于纠错、同步和控制的数据 时，可以根据所记录的纠错数据判别读出的声音数据是否有错， 如在一定范围内有错，可加以纠正。 编码的形式比较多，常用的编码方式是PCM——脉冲调制。 脉冲编码调制（ 脉冲编码调制（PCM）是把模拟信号变换为数字信号的一种调 ） 制方式， 制方式，即把连续输入的模拟信号变换为在时域和振幅上都离 散的量，然后将其转化为代码形式传输或存储。 散的量，然后将其转化为代码形式传输或存储
3.1.2 模拟音频的数字化过程
数字化的声音易于用计算机软件处理，现在几乎所有的专 业化声音录制、编辑器都是数字方式。对模拟音频数字化过程 涉及到音频的采样、量化和编码。 音频的采样、 音频的采样 量化和编码。 采样和量化的过程可由A/D转换器实现 A/D转换器实现。A/D转换器以固定的 采样和量化的过程可由A/D转换器实现 频率去采样，即每个周期测量和量化信号一次。经采样和量化 后声音信号经编码后就成为数字音频信号，可以将其以文件形 式保存在计算机的存储介质中，这样的文件一般称为数字声波 文件。
周期 幅度限
基线
声音的A/D D/A转换 A/D与 3. 声音的A/D与D/A转换
A/D转换 A/D转换就是把模拟信号转换成数字信号的过程，模拟电信号 转换 变为了由“0”和“1”组成的Bit信号。这样做的好处是显而易 见的，声音存储质量得到了加强，数字化的声音信息使计算 机能够进行识别、处理和压缩 。 A/D转换的一个关键步骤是声音的采样和量化 采样和量化，得到数字音频 采样和量化 信号，它在时间上是不连续的离散信号。 借助于A/D或D/A转换器，模拟信号和数字信号可以互相转换。
未压缩的声音文件的存储量可用下式计算： 未压缩的声音文件的存储量可用下式计算： 可用下式计算 存储量（KB） 采样频率KHZ 采样位数bit 声道数×时间秒） KHZ× bit× 存储量（KB）=（采样频率KHZ×采样位数bit×声道数×时间秒）/8
2.VOC文所使用的标准音频文件格式， 多用于保存 Creative Sound Blaster(创新声霸)系列声卡所采 集的声音数据，被Windows平台和DOS平台所支持。 与WAV格式类似，VOC文件由文件头块和音频数据块组成。 文件头包含一个标识、版本号和一个指向数据块起始地址 的指针，这个指针帮助数据块定位以便顺利找到第一个数 据块。数据块分成各种类型的子块，如声音数据、静音、 标记、ASCII码文件、重复、重复的结束及终止标记等。
WAV声音文件是使用RIFF（Resource Interchange File Format资源交换文件）的格式描述的，它由文件头和波形 音频文件数据块组成。文件头包括标志符、语音特征值、 声道特征以及PCM格式类型标志等。WAV数据块是由数据子 块标记、数据子块长度和波形音频数据3个数据子块组成。 Wave格式支持多种压缩算法，支持多种音频位数、采样 频率和声道，是PC机上最为流行的声音文件格式，但其文 件尺寸较大，多用于存储简短的声音片断。
以下图所示的原始模拟波形为例进行采样和量化。假设采样 频率为1000次/秒，即每1/1000秒A/D转换器采样一次，其幅度被 划分成0到9共10个量化等级，并将其采样的幅度值取最接近0~ 9 之间的一个数来表示，如下图所示。图中每个正方形表示一次 采样。
D/A转换器 转换器从上图得到的数值中重构原来信号时，得到下 转换器 图中蓝色(直线段)线段所示的波形。从图中可以看出，蓝色线 与原波形(红色线)相比，其波形的细节部分丢失了很多。这意 味着重构后的信号波形有较大的失真。
5.声音的频谱 5.声音的频谱
声音的频谱有线性频谱和连续频谱之分。线性频谱 线性频谱是具有 线性频谱 周期性的单一频率声波；连续频谱 连续频谱是具有非周期性的带有 连续频谱 一定频带所有频率分量的声波。纯粹的单一频率的声波只 能在专门的设备中创造出来，声音效果单调而乏味。自然 界中的声音几乎全部属于非周期性声波，该声波具有广泛 的频率分量，听起来声音饱满、音色多样且具有生气。
3.MPEG音频文件——.MP1/.MP2/.MP3
这里的音频文件格式指的是MPEG标准中的音频部分，即 MPEG音频层(MPEG Audio Layer)。MPEG音频文件的压缩是 一种有损压缩，根据压缩质量和编码复杂程度的不同可分 为三层(MPEG Audio Layer 1/2/3)，分别对应MP1、MP2和MP3 这三种声音文件； MPEG音频编码具有很高的压缩率，MP1和MP2的压缩率分 别为4∶1和6∶1～8∶1，而MP3的压缩率则高达10∶1～ 12∶1，也就是说一分钟CD音质的音乐，未经压缩需要 10MB存储空间，而经过MP3压缩编码后只有1MB左右，同 时其音质基本保持不失真。
模拟音频信号有两个重要参数：频率和幅度 频率和幅度。声音的频率 频率和幅度 体现音调的高低，声波幅度的大小体现声音的强弱。 一个声源每秒钟可产生成百上千个波，我们把每秒钟波峰 所发生的数目称之为信号的频率 频率，单位用赫兹(Hz)或千赫兹 频率 (kHz)表示。信号的幅度 信号的幅度是从信号的基线到当前波峰的距离。 信号的幅度 幅度决定了信号音量的强弱程度。幅度越大，声音越强。对音 频信号，声音的强度用分贝(dB)表示 声音的强度用分贝(dB)表示，分贝的幅度就是音量。 声音的强度用分贝(dB)表示