在現(xiàn)實生活中，音頻（audio）主要用在兩大場景中：語音（voice）和音樂（music）。語音主要用于溝通通信，如打電話，現(xiàn)在由于語音識別的發(fā)展，人機語音交互也是語音的一個應用，目前正在風口上，好多大廠都推出了智能音箱。音樂主要用于欣賞，如音樂播放。

下面簡單介紹音頻的基礎知識：

采樣和采樣頻率：

現(xiàn)在是數(shù)字時代，在音頻處理時要先把音頻的模擬信號變成數(shù)字信號，這叫A/D轉換。要把音頻的模擬信號變成數(shù)字信號，就需要采樣，或者叫抽樣。當要把音頻播放出來時則需要把數(shù)字信號轉換成模擬信號，這叫D/A轉換。一秒鐘內采樣的次數(shù)稱為采樣頻率。根據(jù)Nyquist采樣定理，要想重建原始信號，采樣頻率必須大于信號中最高頻率的兩倍。采樣頻率越高，越接近原始信號，但是也加大了運算處理的復雜度。人能感受到的頻率范圍為20HZ--20kHZ, 一般音樂的采樣頻率為44.1kHZ(根據(jù)Nyquist采樣定理,采樣頻率大于信號中最高頻率的兩倍), 更高的可以是48kHZ和96kHZ，不過一般人用耳聽感覺不出差別了。語音主要是以溝通為主，不需要像音樂那樣清晰，分窄帶和寬帶。窄帶頻率范圍為300Hz--3400Hz,相應的采樣頻率為8000Hz; 寬帶頻率范圍為50Hz--7000Hz,相應的采樣頻率為16000Hz，用16k采樣的語音就稱為高清語音了?，F(xiàn)在主流的語音采樣頻率為16kHz。

采樣位數(shù)：

數(shù)字信號是用0和1來表示的。采樣位數(shù)就是采樣值用多少位0和1來表示，也叫采樣精度，用的位數(shù)越多就越接近真實聲音。如用8位表示，采樣值取值范圍就是-128--127，如用16位表示，采樣值取值范圍就是-32768--32767?，F(xiàn)在一般都用16位采樣位數(shù)。

聲道（channel）

通常語音只用一個聲道。而對于音樂來說，既可以是單聲道（mono），也可以是雙聲道（即左聲道右聲道，叫立體聲stereo），還可以是多聲道，叫環(huán)繞立體聲，多用于影院中。

音頻采集和播放

一般用專門的芯片（通常叫codec芯片）采集音頻，做A/D轉換，然后把數(shù)字信號通過I2S總線（主流用I2S總線，也可以用其他總線，比如PCM總線）送給CPU處理（也有的會把codec芯片與CPU芯片集成在一塊芯片中）。當要播放時CPU會把音頻數(shù)字信號通過I2S總線送給codec芯片，然后做D/A轉換得到模擬信號再播放出來。這部分對語音和音樂是通用的，只是用的采樣率有可能不一樣，音樂的采樣率用的高一些。

編解碼

如果把采樣值直接保存或者發(fā)送，會占用很大的存儲空間或者很大的流量。以16kHz采樣率16位采樣位數(shù)單聲道為例，一秒鐘就有32000（2字節(jié)*16000）字節(jié)。通常需要把采樣后的數(shù)字信號壓縮后才保存或者發(fā)送。把采樣值壓縮叫編碼（encode），形成比特流（bitstream）. 把比特流還原出采樣值叫解碼（decode），統(tǒng)稱編解碼（codec）。

音頻的編解碼

通常也把音頻采樣過程叫脈沖編碼調制編碼，即PCM（Pulse Code Modulation）編碼，采樣值也叫PCM值。為了節(jié)省保存空間或者發(fā)送流量，會對PCM值壓縮。

目前主要有三大技術標準組織制定壓縮標準：
a）ITU，主要制定有線語音的壓縮標準（g系列），有g711/g722/g726/g729等。
b）3GPP,主要制定無線語音的壓縮標準（amr系列等）, 有amr-nb/amr-wb。后來ITU吸納了amr-wb，形成了g722.2。
c）MPEG,主要制定音樂的壓縮標準，有11172-3，13818-3/7，14496-3等。

一些大公司或者組織也制定壓縮標準，比如iLBC，OPUS。

無損壓縮和有損壓縮：把PCM數(shù)據(jù)壓縮后無任何損傷叫無損壓縮，不過壓縮程度不高。把PCM數(shù)據(jù)壓縮后有損傷叫有損壓縮，最多可以壓到幾十分之一，不過音頻質量差些。

音頻前后處理

音頻處理是指對PCM數(shù)據(jù)（也叫線性數(shù)據(jù)）進行處理，從而達到想要的效果，如回聲消除。

對音頻編碼前的PCM數(shù)據(jù)進行處理叫音頻前處理，主要用于語音中，來去除各種干擾，使聲音更清晰，主要有回聲消除、噪聲抑制、增益控制等。

對音頻解碼后的PCM數(shù)據(jù)進行處理叫音頻后處理，主要用于音樂中，來產(chǎn)生各種音效，使音樂更動聽，主要有均衡器、混響等。

音頻傳輸

這里主要是指網(wǎng)絡傳輸，通過網(wǎng)絡把音頻數(shù)據(jù)傳給對方。語音和音樂兩種場景下有明顯的區(qū)別。

對于語音來說，實時性要求很高，主要用RTP/UDP做承載，由于UDP是不可靠傳輸，會丟包亂序等，影響語音質量，所以要采取相應的措施，主要有PLC(丟包補償)、FEC(前向糾錯)、重傳、jitter buffer等。

對于音樂來說，以前是播放本地音樂文件，近些年隨著網(wǎng)絡帶寬的加大，可以播放云端的音樂文件了。播放時要把音樂文件傳給播放器，一般是邊播放邊下載，播放音樂對實時性要求不高，一般用HTTP/TCP做承載，也就不存在丟包亂序等問題了。

在軟件實現(xiàn)時，語音的傳輸要做好是不容易的，尤其在無線網(wǎng)絡環(huán)境下。個人覺得它是除了音頻算法外最難的部分（算法是有門檻的，需要精通數(shù)字信號處理）。