數(shù)字音頻技術(shù)知識(shí)點(diǎn)及聲卡驅(qū)動(dòng)

關(guān)于PCM

PCM是Pulse code modulation的縮寫，它是對(duì)波形最直接的編碼方式。它在音頻中的地位可能和BMP在圖片中的地位有點(diǎn)類似吧。

Sampling rate：從模擬信號(hào)到數(shù)字信號(hào)，即從連續(xù)信號(hào)到離散信號(hào)的轉(zhuǎn)換都是通過離散采樣完成的，Sampling rate就是每秒種采樣的個(gè)數(shù)。根據(jù)香農(nóng)采樣定理，要保證信號(hào)不失真，Sampling rate要大于信號(hào)最高頻率的兩倍。我們知道人的耳朵能聽到的頻率范圍是20hz – 20khz，所以Sampling rate達(dá)到40k就夠了，再多了也只是浪費(fèi)。但是有時(shí)為了節(jié)省帶寬和存儲(chǔ)資源，可以降低Sampling rate而損失聲音的質(zhì)量，所以我們常常見到小于40k采樣率的聲音數(shù)據(jù)。

Sample size：用來(lái)量化一個(gè)采樣的幅度，一般為8 bits、16 bits和24 bits。8 bits只有早期的聲卡支持，而24 bits只有專業(yè)的聲卡才支持，我們用的一般都是16 bits的。

Number of channels：聲音通道個(gè)數(shù)，單聲道為一個(gè)，立體聲為兩個(gè)，還有更多的（如8個(gè)聲道的7.1格式）。一般來(lái)說，每個(gè)聲道都來(lái)源于一個(gè)獨(dú)立的mic，所以聲道多效果會(huì)更好（更真實(shí)），當(dāng)然代價(jià)也更大。

Frame： Frame是指包含了所有通道的一次采樣數(shù)據(jù)，比如對(duì)于16bits的雙聲道來(lái)說，一個(gè)frame的大小為4個(gè)字節(jié)（2 * 16）。

一、數(shù)字音頻

音頻信號(hào)是一種連續(xù)變化的模擬信號(hào)，但計(jì)算機(jī)只能處理和記錄二進(jìn)制的數(shù)字信號(hào)，由自然音源得到的音頻信號(hào)必須經(jīng)過一定的變換，成為數(shù)字音頻信號(hào)之后，才能送到計(jì)算機(jī)中作進(jìn)一步的處理。

數(shù)字音頻系統(tǒng)通過將聲波的波型轉(zhuǎn)換成一系列二進(jìn)制數(shù)據(jù)，來(lái)實(shí)現(xiàn)對(duì)原始聲音的重現(xiàn)，實(shí)現(xiàn)這一步驟的設(shè)備常被稱為模/數(shù)轉(zhuǎn)換器（A/D）。A/D轉(zhuǎn)換器以每秒鐘上萬(wàn)次的速率對(duì)聲波進(jìn)行采樣，每個(gè)采樣點(diǎn)都記錄下了原始模擬聲波在某一時(shí)刻的狀態(tài)，通常稱之為樣本（sample），而每一秒鐘所采樣的數(shù)目則稱為采樣頻率，通過將一串連續(xù)的樣本連接起來(lái)，就可以在計(jì)算機(jī)中描述一段聲音了。對(duì)于采樣過程中的每一個(gè)樣本來(lái)說，數(shù)字音頻系統(tǒng)會(huì)分配一定存儲(chǔ)位來(lái)記錄聲波的振幅，一般稱之為采樣分辯率或者采樣精度，采樣精度越高，聲音還原時(shí)就會(huì)越細(xì)膩。

數(shù)字音頻涉及到的概念非常多，對(duì)于在Linux下進(jìn)行音頻編程的程序員來(lái)說，最重要的是理解聲音數(shù)字化的兩個(gè)關(guān)鍵步驟：采樣和量化。采樣就是每隔一定時(shí)間就讀一次聲音信號(hào)的幅度，而量化則是將采樣得到的聲音信號(hào)幅度轉(zhuǎn)換為數(shù)字值，從本質(zhì)上講，采樣是時(shí)間上的數(shù)字化，而量化則是幅度上的數(shù)字化。下面介紹幾個(gè)在進(jìn)行音頻編程時(shí)經(jīng)常需要用到的技術(shù)指標(biāo)：

采樣頻率

采樣頻率是指將模擬聲音波形進(jìn)行數(shù)字化時(shí)，每秒鐘抽取聲波幅度樣本的次數(shù)。采樣頻率的選擇應(yīng)該遵循奈奎斯特（Harry Nyquist）采樣理論：如果對(duì)某一模擬信號(hào)進(jìn)行采樣，則采樣后可還原的最高信號(hào)頻率只有采樣頻率的一半，或者說只要采樣頻率高于輸入信號(hào)最高頻率的兩倍，就能從采樣信號(hào)系列重構(gòu)原始信號(hào)。正常人聽覺的頻率范圍大約在20Hz~20kHz之間，根據(jù)奈奎斯特采樣理論，為了保證聲音不失真，采樣頻率應(yīng)該在40kHz左右。常用的音頻采樣頻率有8kHz、11.025kHz、22.05kHz、16kHz、37.8kHz、44.1kHz、48kHz等，如果采用更高的采樣頻率，還可以達(dá)到DVD的音質(zhì)。 其中，8kHZ為電話的采樣頻率。

量化位數(shù)

量化位數(shù)是對(duì)模擬音頻信號(hào)的幅度進(jìn)行數(shù)字化，它決定了模擬信號(hào)數(shù)字化以后的動(dòng)態(tài)范圍，常用的有8位、12位和16位。量化位越高，信號(hào)的動(dòng)態(tài)范圍越大，數(shù)字化后的音頻信號(hào)就越可能接近原始信號(hào)，但所需要的存貯空間也越大。

聲道數(shù)

聲道數(shù)是反映音頻數(shù)字化質(zhì)量的另一個(gè)重要因素，它有單聲道和雙聲道之分。雙聲道又稱為立體聲，在硬件中有兩條線路，音質(zhì)和音色都要優(yōu)于單聲道，但數(shù)字化后占據(jù)的存儲(chǔ)空間的大小要比單聲道多一倍。

二、聲卡驅(qū)動(dòng)

出于對(duì)安全性方面的考慮，Linux下的應(yīng)用程序無(wú)法直接對(duì)聲卡這類硬件設(shè)備進(jìn)行操作，而是必須通過內(nèi)核提供的驅(qū)動(dòng)程序才能完成。在Linux上進(jìn)行音頻編程的本質(zhì)就是要借助于驅(qū)動(dòng)程序，來(lái)完成對(duì)聲卡的各種操作。

對(duì)硬件的控制涉及到寄存器中各個(gè)比特位的操作，通常這是與設(shè)備直接相關(guān)并且對(duì)時(shí)序的要求非常嚴(yán)格，如果這些工作都交由應(yīng)用程序員來(lái)負(fù)責(zé)，那么對(duì)聲卡的編程將變得異常復(fù)雜而困難起來(lái)，驅(qū)動(dòng)程序的作用正是要屏蔽硬件的這些底層細(xì)節(jié)，從而簡(jiǎn)化應(yīng)用程序的編寫。目前Linux下常用的聲卡驅(qū)動(dòng)程序主要有兩種：OSS和ALSA。

最早出現(xiàn)在Linux上的音頻編程接口是OSS（Open Sound System），它由一套完整的內(nèi)核驅(qū)動(dòng)程序模塊組成，可以為絕大多數(shù)聲卡提供統(tǒng)一的編程接口。OSS出現(xiàn)的歷史相對(duì)較長(zhǎng)，這些內(nèi)核模塊中的一部分（OSS/Free）是與Linux內(nèi)核源碼共同免費(fèi)發(fā)布的，另外一些則以二進(jìn)制的形式由4Front Technologies公司提供。由于得到了商業(yè)公司的鼎力支持，OSS已經(jīng)成為在Linux下進(jìn)行音頻編程的事實(shí)標(biāo)準(zhǔn)，支持OSS的應(yīng)用程序能夠在絕大多數(shù)聲卡上工作良好。

雖然OSS已經(jīng)非常成熟，但它畢竟是一個(gè)沒有完全開放源代碼的商業(yè)產(chǎn)品，ALSA（AdvancedLinux Sound Architecture）恰好彌補(bǔ)了這一空白，它是在Linux下進(jìn)行音頻編程時(shí)另一個(gè)可供選擇的聲卡驅(qū)動(dòng)程序。ALSA除了像OSS那樣提供了一組內(nèi)核驅(qū)動(dòng)程序模塊之外，還專門為簡(jiǎn)化應(yīng)用程序的編寫提供了相應(yīng)的函數(shù)庫(kù)，與OSS提供的基于ioctl的原始編程接口相比，ALSA函數(shù)庫(kù)使用起來(lái)要更加方便一些。ALSA的主要特點(diǎn)有：

支持多種聲卡設(shè)備

模塊化的內(nèi)核驅(qū)動(dòng)程序

支持SMP和多線程

提供應(yīng)用開發(fā)函數(shù)庫(kù)

兼容OSS應(yīng)用程序

ALSA和OSS最大的不同之處在于ALSA是由志愿者維護(hù)的自由項(xiàng)目，而OSS則是由公司提供的商業(yè)產(chǎn)品，因此在對(duì)硬件的適應(yīng)程度上OSS要優(yōu)于ALSA，它能夠支持的聲卡種類更多。ALSA雖然不及OSS運(yùn)用得廣泛，但卻具有更加友好的編程接口，并且完全兼容于OSS，對(duì)應(yīng)用程序員來(lái)講無(wú)疑是一個(gè)更佳的選擇。