音频编码技术

下面将从发展历程、数学原理和典型应用场景三个维度，深入介绍 WAV/PCM、MP3、FLAC、AAC 四种主流音频格式。

一、WAV / PCM

1. 发展历程

• PCM（Pulse Code Modulation，脉冲编码调制）最早于 1937 年由英国工程师 Alec Reeves 提出，随后在二战期间得到进一步研究。
• WAV（Waveform Audio File Format）是微软与 IBM 在 1991 年联合制定的音频文件封装格式，底层数据即以 PCM 形式存储。

2. 数学原理

1. 采样（Sampling）

   • 模拟声波 $x(t)x(t)$ 以固定频率 $f_{s}f\_s$（如 44.1 kHz）进行离散化，得到序列 $x[n]=x(nT)x[n]\; =\; x(nT)$，其中 $T=1\mathrm{/}{f}_{s}T\; =\; 1/f\_s$。

2. 量化（Quantization）

   • 每个采样值 $x[n]x[n]$ 被映射到最近的离散振幅级别，量化误差 $ϵ[n]\backslash epsilon[n]$ 满足：

     $$ϵ[n]=x[n]-\widehat{x}[n],\widehat{x}[n]=Q(x[n])\backslash epsilon[n]\; =\; x[n]\; -\; \backslash hat\{x\}[n],\backslash quad\; \backslash hat\{x\}[n]\; =\; Q(x[n])$$

   • 量化位深（如 16 bit、24 bit）决定可表示的离散级数 $2^{B}2^B$。

3. 编码（Coding）

   • 直接将量化后的数值逐一以二进制存储，无额外压缩或去冗余。

3. 应用场景

• 专业录音棚及音频编辑中常用原始 PCM 数据进行无损处理。
• WAV 文件广泛用于 Windows 平台游戏、音频采集与回放。

二、MP3（MPEG-1 Audio Layer III）

1. 发展历程

• 1987 年，Fraunhofer IIS 及 MPEG 组织开始研究；1991 年定稿 MPEG-1 标准，其中 Audio Layer III（MP3）成为最著名的有损压缩方案。
• 1993 年出现首款商用编码器 “l3enc”；1998 年—2000 年间，MP3 播放器和在线音乐广泛普及。

2. 数学原理

1. 分帧与分带

   • 输入 PCM 流按固定大小（如 1152 样本）分帧；每帧再分成若干子带（21 带或 32 带）。

2. MDCT 变换

   • 对每个子带应用修正型离散余弦变换（MDCT）：

     $$X[k]=\sum _{n=0}^{N-1}x[n]\cos \left[\frac{\pi }{N}\right(n+\frac{1}{2}+\frac{N}{2}\left)\right(k+\frac{1}{2}\left)\right]X[k]\; =\; \backslash sum\_\{n=0\}^\{N-1\}\; x[n]\backslash cos\backslash Bigl[\backslash frac\{\backslash pi\}\{N\}\backslash bigl(n+\backslash tfrac12+\backslash tfrac\{N\}\{2\}\backslash bigr)\backslash bigl(k+\backslash tfrac12\backslash bigr)\backslash Bigr]$$

3. 心理声学模型

   • 基于人耳听觉掩蔽效应，计算每个子带可允许抑制的量化噪声阈值，将不可闻成分去除。

4. 量化与码率控制

   • 对变换系数进行非线性量化，并通过 Huffman 编码进一步压缩。
   • 可设定恒定码率（CBR）或可变码率（VBR）。

3. 应用场景

• 早期的便携式 MP3 播放器。
• 网络音乐下载与流媒体（如早期 Napster、iPod）。
• 对存储空间有限且对音质要求中等的场景最为合适。

三、FLAC（Free Lossless Audio Codec）

1. 发展历程

• 2000 年，Xiph.Org 基金会启动 FLAC 项目，旨在开发一款开源、专注于无损压缩的音频格式。
• 2001 年发布首个稳定版本，并很快被主流播放器和硬件厂商支持。

2. 数学原理

1. 线性预测（Linear Prediction）

   • 利用前 $pp$ 个采样值预测当前样本：

     $$\widehat{x}[n]=\sum _{i=1}^p{a}_{i}x[n-i]\backslash hat\{x\}[n]\; =\; \backslash sum\_\{i=1\}^p\; a\_i\backslash ,x[n-i]$$

   • 预测残差 $e[n]=x[n]-\widehat{x}[n]e[n]\; =\; x[n]\; -\; \backslash hat\{x\}[n]$ 会比原始信号具有更低熵。

2. 残差编码与熵编码

   • 对残差序列使用 Rice 编码 或 Huffman 编码 进一步压缩。

3. 分块与 CRC 校验

   • 将音频分块处理，每块有 CRC 校验，保证数据完整性与流式解码。

3. 应用场景

• 音乐档案馆、发烧友收藏，追求原始音质无损还原。
• 专业音频制作中间稿交换。
• 支持标签、可快速跳转且兼容性佳，被多数播放器原生支持。

四、AAC（Advanced Audio Coding）

1. 发展历程

• 1994 年起，MPEG 组织在 MPEG-2 标准中引入 AAC；2003 年在 MPEG-4 正式成为标准。
• Apple iTunes、YouTube、数字电视等平台广泛采用。

2. 数学原理

1. 窗函数与MDCT

   • 先对 PCM 音频流根据信号特性选择长窗或短窗进行加窗处理，然后将加窗后的数据通过修正型离散余弦变换（MDCT）映射到频域。

2. 改进的心理声学模型

   • 引入更精准的临近掩蔽与时频掩蔽计算，提升量化效率。

3. 联合立体声与感知编码工具

   • 提供 MS Stereo、Parametric Stereo、Temporal Noise Shaping (TNS)、Spectral Band Replication (SBR) 等多种工具，以在低码率下保持较高音质。

4. 熵编码

   • 使用统计最优的 Huffman 表对量化后的频谱系数进行压缩。

3. 应用场景

• 主流流媒体（Apple Music、Spotify）、数字广播（DAB+）、移动视频（YouTube、Netflix）。
• 低码率语音传输及 VoIP（结合 Opus 时常见）。

五、对比与选用建议