前言
此篇为总结音频的各种基础知识，不定期更新。另外此篇为网上各大博客总结的合集，参考链接放在了后面。
音频基础知识
声音是什么
声音（sound)是由物体振动产生的声波。声音作为一种机械波，频率在20 Hz~20 kHz之间的声音是可以被人耳识别的。—–百度百科
音频录制
最简单的音频录制流程为：
graph LR;
A[设备采集]
B[模数转换]
C[存储]
A-->B
B-->C
播放端流程相反：
graph LR;
A[音频文件]
B[数模转换]
C[播放器播放]
A-->B
B-->C
模数转换
模拟信号转化为数字信号的流程
- 采样： 对模拟信号隔一定的时间间隔取一个点（图中交点）
- 量化： 给纵坐标加刻度，根据近似取整数值，使采样得到的点的值都是整数。
- 编码：对量化取得的整数值按二进制进行编码
- 数字信号：把编码得到的 0 和 1 的序列变现为高低电平的信号
上述整个模数转换的过程称为：脉冲编码调制（PulseCodeModulation），简称PCM。由上面的模数转换可知，PCM 格式文件存储的内容实际上就是编码得到的序列。
采样率
每秒的采样次数。
对于声音来说，从上图采样的过程可以看的出来，采样率越高，即每秒内的采样点越多，采样点越密集，也就意味着离散信号对模拟信号的还原度越高。
采样点无限多即连成原来的模拟信号曲线。当然，无限多的点无限多的数据存储和 cpu 也不允许啊。那什么样的采样率比较合适呢？
根据 “奈奎斯特采样理论”：当对被采样的模拟信号进行还原时，其最高频率只有采样频率的一半。
换句话说：要想重构完整的模拟信号，采样率要是模拟信号频率的两倍以上。
鉴于所讲，人听觉范围：20 Hz -20 KHz。所以对于给人听的音频，采样率要宁杀错不放过，要大于40 KHz 才不会使人感觉到音质受损。
由此得出，合适的采样率 一般大于 40 KHz，注意是一般，采样率小一些高音会受损，不过除了对那些能听出热情火电和清冽水电的耳机党外，略小应该也不明显，平常 8k，16k 都有。
为什么大多数音频采样率采用 44.1K?不是 40K，也不是 44K,非要带个 0.1？
在高深莫测的数学领域有一个神奇的数字即 44100，前四个素数的平方的乘积
44100:2x2x3x3x5x5x7x7 = 44100
历史原因：早期录像机：245 扫描线，一行 3 个数据块，60 场频：245x3x60=44100，现在也有在推 48kHz,甚至 96kHz 的。
采样深度
即量化时纵坐标的量化粒度。
在上图模拟信号中，纵坐标代表的是声音的响度，即音量。
由上图量化过程可知，当量化的粒度越细，离散点取的值也就越接近模拟信号实际的值，如果量化时，采样深度为 1bit，即量化只能为 1 和 0，那每首歌听起来都像忐忑，一惊一乍的，要么播放最大声音，要么没有声音。
只有采样深度越深，即量化的粒度越细，采样出来的数据，才更接近实际的音量。
现在一般用 16 位来表示一个采样数据的音量大小，即一个采集的样本点中，音量大小用 16 位二进制数来表示音量大小。
声道和立体声
- 单声道 Monaural：只有一个采集器采集音频做以上图中的流程处理；
- 立体音 Stereophonic：两个或两个以上声道数，多个设备录音，然后数据编码整合到一起。常见的有 双声道 4.1 环绕立体声（四个音源加一个低音喇叭来加强低音）5.1 、7.1 环绕立体声（杜比音效：装逼知识点）；
PCM 数据
你没有看错，就是这么简单。对于 8 位采样深度的单声道，8 位表示一个采样的音量，都是这样的采样数据。
pcm 就是原始数据，没有 header，全是 body，满满的干货。双声道就是两个声道采样序列交替排列。
播放 PCM：由上面格式也可以看出 pcm 没有 header，没有采样率等信息，所以播放时需要告诉播放器：采样率、采样深度、声道数。