本文为个人学习笔记，从公开的声学与信息研究角度，介绍声音数字化相关的一些基础研究结论。所有内容仅作知识背景介绍，不构成任何建议或指引。文中不涉及任何训练方法、操作步骤或效果承诺。如有相关具体问题，请咨询正规专业人员。
引言：声音如何变成数字
声音是连续的。空气的振动是光滑的、不间断的。当你说话时，声压随时间连续变化，没有“跳跃”，没有“断点”。
但计算机只能处理离散的数据。它不能直接存储一条连续的曲线，它只能存储一串数字。所以，要把声音放进计算机，就必须先做一件事：把连续的世界切成碎片。
这个切碎的过程，就是声音的数字化。它决定了你听到的音乐有多清晰、有多真实、有多少细节被保留、有多少细节被扔掉。
这一篇，我们从公开研究的角度，看看三个核心概念：采样率、比特率、听觉压缩。
冷知识：你也许不知道，声音数字化最早的商业应用不是音乐，而是电话。20世纪60年代，贝尔实验室开发了数字电话系统，把人的语音变成数字信号，在电话网络中传输。所以，你今天打的所有电话，其实都是“数字化声音”的最早应用场景。
第一部分：采样：把时间切成小段
采样，是数字化的第一步。它的意思是：每隔一个固定的时间间隔，测量一次声波的幅度。
这个间隔的倒数，就是采样率。单位是赫兹，意思是“每秒采样多少次”。
采样率越高，时间被切得越细，还原出来的声音就越接近原始波形。但采样率不是越高越好，因为人耳能感知的频率上限大约是20000Hz。根据奈奎斯特采样定理，要无失真地还原一个频率为f的信号，采样率必须至少是2f。所以，要还原20000Hz的声音，采样率至少要40000Hz。
这就是为什么CD的采样率是44100Hz。它略高于40000Hz，留了一点余量，足以覆盖人耳的全部听觉范围。
常见的采样率：
44100Hz：CD音质，音乐发行标准。
48000Hz：视频、电影、广播标准。
96000Hz及以上：高解析度音频，用于录音和母带处理。
采样率越高，文件越大。48000Hz的文件比44100Hz大9%，96000Hz比44100Hz大118%。但超过一定阈值后，人耳已经分辨不出差别。
冷知识：你也许不知道，CD的采样率是44100Hz，这个数字不是随便选的。它和早期的视频录制设备有关。当时要把数字音频记录在视频磁带上，而视频的行频是44100Hz。所以，CD的采样率其实是“借用”了视频设备的标准。这个“借用”一直沿用到现在。
第二部分：量化：把幅度切成小格
采样解决了“什么时候测”的问题。量化解决了“测出来存成什么”的问题。
每次采样，测到的幅度是一个连续值。但计算机只能存有限精度的数字。所以，必须把连续的幅度，映射到有限数量的“格子”里。这个格子的数量，由位深度决定。
位深度是2的幂。16位意味着每个采样点有65536个可能的值。24位意味着有16777216个可能的值。
位深度决定了动态范围——也就是最弱音和最强音之间的差距。16位的动态范围大约是96分贝，24位大约是144分贝。
96分贝是什么概念？人耳从“刚好能听到”到“感到不适”大约是120分贝。16位足够覆盖绝大部分音乐和语音。24位主要用于录音和后期处理，因为更大的动态范围意味着更多的编辑余量。
位深度越高，文件越大。16位到24位，文件大小增加50%。但对最终听众来说，16位已经足够。
冷知识：你也许不知道，位深度不仅影响动态范围，还影响“本底噪声”。16位音频的本底噪声大约在-96分贝，24位在-144分贝。这意味着，24位音频在极安静的部分，能保留更多的细节。这就是为什么录音棚通常用24位录制——它给后期处理留了更多的“空间”。
第三部分：比特率：每秒多少数据
采样率和位深度合在一起，决定了比特率——每秒传输或存储的比特数。
计算公式：比特率 = 采样率 × 位深度 × 声道数。
CD音质：44100 × 16 × 2 = 1411200 bps ≈ 1411 kbps。
这就是为什么一张CD的音频数据量大约是每分钟10MB。一张60分钟的CD，大约600MB。
这个数据量在1980年代是可行的（CD刚好装得下），但在互联网时代太大了。下载一首歌要几分钟，流媒体根本不可能。所以，必须压缩。
冷知识：你也许不知道，一张CD的容量是700MB左右，刚好能装下74分钟的CD音质音频。这个“74分钟”的容量，据说是为了能完整装下贝多芬第九交响曲——当时索尼和飞利浦在制定CD标准时，希望一张CD能装下这首经典曲目。所以，CD的容量，其实是“为贝多芬设计的”。
第四部分：听觉压缩：扔掉听不到的东西
压缩有两种：无损压缩和有损压缩。
无损压缩（如FLAC、ALAC）只去除冗余，不丢失任何信息。文件大小可以压缩到原来的50%—70%。但压缩率有限，无法满足流媒体的需求。
有损压缩（如MP3、AAC）走得更远。它利用听觉掩蔽效应，删除了人耳“听不到”的信息。
什么是听觉掩蔽效应？
当一个强音和一个弱音同时出现，且频率相近时，强音会“掩蔽”弱音，人耳只能听到强音，听不到弱音。这个弱音的信号，在感知上是“不存在”的。
有损压缩就是基于这个原理：把被掩蔽的频率成分直接删掉。既然人耳听不到，删掉它，听起来也“差不多”。
MP3的压缩率可以达到10:1甚至12:1。一首CD音质的歌，从50MB压缩到4MB。听起来“差不多”，但数据量小得多。
冷知识：你也许不知道，MP3的“听觉掩蔽效应”是利用了人耳的一个特点：当一个响亮的声音和一个轻柔的声音同时出现时，人耳往往只能听到响亮的声音，轻柔的声音被“掩蔽”了。MP3会删除那些被掩蔽的声音，因为反正你也听不到。这就是为什么MP3可以把文件压得那么小——它删掉了你“听不到”的部分。
第五部分：MP3、AAC与流媒体：压缩技术的演进
MP3是最早普及的有损压缩格式。它诞生于1990年代，在互联网时代迅速传播。MP3的压缩率、兼容性、文件大小，都适合当时的网络环境。
但MP3有一个问题：它在低频和高频的压缩不够精细。听久了会感到“闷”或“刺”。
AAC是MP3的继任者。它在相同比特率下，音质更好，特别是在低频和高频。Apple的iTunes、iPhone、YouTube、Netflix，都使用AAC。
流媒体时代，压缩技术进一步演进。Spotify使用Ogg Vorbis，Apple Music使用AAC，YouTube使用Opus。这些格式在低比特率下表现更好，适合移动网络。
无损流媒体也在兴起。Tidal、Qobuz、Apple Music的无损层，使用FLAC或ALAC。它们提供CD音质甚至更高，但需要更大的带宽。
冷知识：你也许不知道，MP3的专利在2017年才彻底过期。在此之前，使用MP3格式需要支付专利费。这就是为什么很多公司选择开发自己的音频格式——不是为了技术更好，而是为了避开专利。AAC、Ogg Vorbis、Opus，在某种程度上都是“MP3专利”的产物。
第六部分：数字音频的边界
数字音频已经非常成熟。但仍有边界和争议。
边界一：采样率是否越高越好？
理论上，更高的采样率可以还原更高的频率。但人耳的听觉上限大约是20000Hz，超过这个频率的信息，人耳听不到。所以，44100Hz已经足够。更高的采样率主要是为了录音和后期处理，不是为了最终回放。
边界二：位深度是否越高越好？
理论上，更高的位深度意味着更大的动态范围。但16位的96分贝已经覆盖了绝大多数音乐。24位主要用于录音和编辑。对最终听众来说，16位足够。
边界三：压缩是否一定损失音质？
在有损压缩中，音质损失是必然的。但损失多少，取决于比特率和编码器。高比特率（如320kbps）的MP3或AAC，大多数人听不出和CD的差别。低比特率（如128kbps）则明显有损。
边界四：人耳能否分辨压缩与无损？
研究表明，在受控条件下，大多数人无法可靠区分高比特率有损音频和无损音频。但训练有素的听众、特定类型的音乐、特定的设备，可能听出差别。
冷知识：你也许不知道，声音在真空中无法传播。这意味着，如果你在月球上大喊，旁边的人什么也听不到。宇航员在月球上必须通过无线电通讯，因为月球上没有空气，声音无法通过真空传递。
结语：数字化不是“复制”，是“翻译”
我们回到开头那个问题：把连续的世界切成碎片，会发生什么？
答案取决于碎片的大小。切得太粗，声音就失真；切得太细，文件就太大。数字化的核心，是在保真度和效率之间找到平衡。
从公开的声学与信息研究视角来看，数字化不是对声音的“复制”，而是对声音的“翻译”。它把连续的振动，翻译成离散的数字。这个翻译过程，决定了你能听到什么，以及你听不到什么。
免责声明： 本文仅客观介绍公开的基础知识，不构成任何形式的建议或指引。文中不涉及任何训练方法、操作步骤或效果承诺。如有相关具体问题，请咨询正规专业人员。
参考文献
Pohlmann, K. C. (2011). Principles of Digital Audio (6th ed.). McGraw-Hill.
Watkinson, J. (2001). The Art of Digital Audio (3rd ed.). Focal Press.
Painter, T., & Spanias, A. (2000). Perceptual coding of digital audio. Proceedings of the IEEE, 88(4), 451-515.