从声波到数字数据：采样与量化

我们听到的声音是压力在空气等介质中传播形成的连续波。然而，计算机处理的是离散的数字数据。为弥合这一差异，我们必须将模拟声波转换为数字形式。这一转换过程是所有数字音频处理的根本，主要包括两个步骤：采样和量化 (quantization)。

理解模拟信号

模拟信号在时间和振幅上都是连续的。想象一下一个人说话时产生的声波。在任何给定时刻，波都有特定的振幅（与其响度相关），并且它从一个时刻到下一个时刻平滑地流动，没有任何中断。对计算机而言，这种平滑、无限的信息流无法直接使用。我们需要一种方法来获取其有限的近似值。

第一步：采样

这一转换的第一步是采样。采样是指在固定、离散的时间间隔内测量模拟信号振幅的过程。这就像为声波制作一本翻页书。翻页书中的每一页都是一个“样本”，是波在特定时间点的振幅快照。

用于捕获声波瞬时幅值的速率称为采样率或采样频率，单位是赫兹（Hz）。16,000 Hz（或16 kHz）的采样率意味着我们每秒测量波的振幅16,000次。

采样率的选择很重要。为了准确重构信号，奈奎斯特-香农采样定理指出，采样率必须至少是信号中最高频率的两倍。由于人说话的声音频率范围通常低于8 kHz，因此16 kHz的采样率在语音识别中很常见，因为它提供了足够的信息来捕捉口语的重要特征。对于存在更高频率的音乐，44.1 kHz（CD使用的）等速率是标准。

第二步：量化 (quantization)

采样后，我们得到一系列离散时间间隔的测量值，但每个样本的振幅值仍然是实数，可以具有无限精度。量化是将这些连续的振幅值映射到有限的离散级别集合的过程。

这本质上是一种四舍五入的行为。我们定义了固定数量的可能振幅值，每个样本的真实振幅都会被四舍五入到最近的可用级别。级别的数量由位深度决定。更高的位深度提供更多级别，从而更准确地近似原始振幅。

• 一个8位音频信号使用 $2^8 = 256$ 个离散级别。
• 一个16位音频信号使用 $2^{16} = 65,536$ 个离散级别。

对于大多数ASR应用，16位深度是标准配置。它在音频保真度和文件大小之间提供了良好的平衡。使用较低的位深度可能会节省空间，但会引入可听见的失真，称为量化误差或量化噪声，这是实际采样振幅与其四舍五入后的量化值之间的差异。

下图显示了连续模拟波通过采样和量化转换为数字信号的过程。

模拟波（蓝色）在固定的时间间隔（采样）被测量。然后每个测量值的振幅被舍入到最近的离散级别（灰色线），得到最终的数字点（紫色方块）。

结果：数字音频数据

采样和量化 (quantization)共同将连续模拟波转换为一系列离散数字。这个序列是音频的数字表示形式，一种计算机可以轻松存储、操作和分析的格式。

将模拟声波转换为计算机可读数字信号的过程。

这串数字是我们ASR处理流程后续阶段的输入。在接下来的部分中，你将了解到如何将这些原始数字音频转换为对机器学习 (machine learning)模型更有用的特征。