|
|
发表于 2020-5-30
|
|阅读模式
关于PCM
) B9 |, T4 X4 w2 @) ?) [
) H- ~8 S( S2 s, T 0 W$ R1 h8 W- N% ?6 W) T8 h
PCM 是Pulse code modulaTIon的缩写，它是对波形最直接的编码方式。它在音频中的地位可能和BMP在图片中的地位有点类似吧。 A# O* z# s6 g3 t
! _0 @' S4 [1 N" H
Sampling rate:从模拟信号到数字信号，即从连续信号到离散信号的转换都是通过离散采样完成的，Sampling rate就是每秒种采样的个数。根据香农采样定理，要保证信号不失真，Sampling rate要大于信号最高频率的两倍。我们知道人的耳朵能听到的频率范围是20hz – 20khz，所以Sampling rate达到40k就够了，再多了也只是浪费。但是有时为了节省带宽和存储资源，可以降低Sampling rate而损失声音的质量，所以我们常常见到小于40k采样率的声音数据。6 n; ^" k# b1 Z" e# ?9 s) B
- x7 U( g0 O( I3 i( E. A
Sample size:用来量化一个采样的幅度，一般为8 bits、16 bits和24 bits。8 bits只有早期的声卡支持，而24 bits只有专业的声卡才支持，我们用的一般都是16 bits的。2 S% | g7 I0 |* `; S; O
1 [" r9 \/ A7 G
Number of channels:声音通道个数，单声道为一个，立体声为两个，还有更多的(如8个声道的7.1格式)。一般来说，每个声道都来源于一个独立的mic，所以声道多效果会更好(更真实)，当然代价也更大。
7 }% s5 ?2 y9 v4 g3 q j8 W: Q) @, P
Frame: Frame是指包含了所有通道的一次采样数据，比如对于16bits的双声道来说，一个frame的大小为4个字节(2 * 16)。( }' N0 z; o) i
+ m9 e6 b! H& U, b; O一、数字音频
: F" L! E0 b! t0 B音频信号是一种连续变化的模拟信号，但计算机只能处理和记录二进制的数字信号，由自然音源得到的音频信号必须经过一定的变换，成为数字音频信号之后，才能送到计算机中作进一步的处理。6 }6 s1 L/ L) [6 z( ?
$ x' O0 T& N' l2 A; z5 ]3 ~
数字音频系统通过将声波的波型转换成一系列二进制数据，来实现对原始声音的重现，实现这一步骤的设备常被称为模/数转换器(A/D)。A/D转换器以每秒钟上万次的速率对声波进行采样，每个采样点都记录下了原始模拟声波在某一时刻的状态，通常称之为样本(sample)，而每一秒钟所采样的数目则称为采样频率，通过将一串连续的样本连接起来，就可以在计算机中描述一段声音了。对于采样过程中的每一个样本来说，数字音频系统会分配一定存储位来记录声波的振幅，一般称之为采样分辩率或者采样精度，采样精度越高，声音还原时就会越细腻。/ P4 c O a& Z a* U
\# p9 ^' ]( p3 p3 K数字音频涉及到的概念非常多，对于在Linux下进行音频编程的程序员来说，最重要的是理解声音数字化的两个关键步骤:采样和量化。采样就是每隔一定时间就读一次声音信号的幅度，而量化则是将采样得到的声音信号幅度转换为数字值，从本质上讲，采样是时间上的数字化，而量化则是幅度上的数字化。下面介绍几个在进行音频编程时经常需要用到的技术指标:3 {! ^" ~* z* L w7 t$ E0 W) b
. Y$ a) |9 S* V) F, @ W
采样频率1 t' Z6 o" A3 e* }0 y! ^
$ o3 Y1 x- r2 j/ ]. J# f: f7 @采样频率是指将模拟声音波形进行数字化时，每秒钟抽取声波幅度样本的次数。采样频率的选择应该遵循奈奎斯特(Harry Nyquist)采样理论:如果对某一模拟信号进行采样，则采样后可还原的最高信号频率只有采样频率的一半，或者说只要采样频率高于输入信号最高频率的两倍，就能从采样信号系列重构原始信号。正常人听觉的频率范围大约在20Hz~20kHz之间，根据奈奎斯特采样理论，为了保证声音不失真，采样频率应该在40kHz左右。常用的音频采样频率有8kHz、11.025kHz、22.05kHz、16kHz、37.8kHz、44.1kHz、48kHz等，如果采用更高的采样频率，还可以达到DVD的音质。 其中，8kHZ为电话的采样频率。
G2 W: Y Q& `9 z' b3 a8 H5 k& q
E: V( l# g, G7 }% o; U- T$ n量化位数: M- ]4 F! p* A
1 I; K$ K4 Z$ @ v- P# T" q量化位数是对模拟音频信号的幅度进行数字化，它决定了模拟信号数字化以后的动态范围，常用的有8位、12位和16位。量化位越高，信号的动态范围越大，数字化后的音频信号就越可能接近原始信号，但所需要的存贮空间也越大。 h& C3 n3 o: G* f4 ]; E" L/ U
; O+ o: N1 B7 S7 X声道数
, t, i: q+ `6 c, A& T1 s h" y9 t
$ F6 i' { ~$ t声道数是反映音频数字化质量的另一个重要因素，它有单声道和双声道之分。双声道又称为立体声，在硬件中有两条线路，音质和音色都要优于单声道，但数字化后占据的存储空间的大小要比单声道多一倍。3 \8 R$ s' D' l( V
- `) {( w; r4 D/ E8 J二、声卡驱动6 ]( q1 F7 r( z. }8 b, D
出于对安全性方面的考虑，Linux下的应用程序无法直接对声卡这类硬件设备进行操作，而是必须通过内核提供的驱动程序才能完成。在Linux上进行音频编程的本质就是要借助于驱动程序，来完成对声卡的各种操作。8 D6 I/ p- R1 J+ A1 l' a% g
. Q- M) L2 h1 J3 {
对硬件的控制涉及到寄存器中各个比特位的操作，通常这是与设备直接相关并且对时序的要求非常严格，如果这些工作都交由应用程序员来负责，那么对声卡的编程将变得异常复杂而困难起来，驱动程序的作用正是要屏蔽硬件的这些底层细节，从而简化应用程序的编写。目前Linux下常用的声卡驱动程序主要有两种:OSS和ALSA。$ Q; a9 L/ d1 X+ W. w. w. D
, v7 d' \& `9 W- l: ^* i, A
最早出现在Linux上的音频编程接口是OSS(Open Sound System)，它由一套完整的内核驱动程序模块组成，可以为绝大多数声卡提供统一的编程接口。OSS出现的历史相对较长，这些内核模块中的一部分(OSS/Free)是与Linux内核源码共同免费发布的，另外一些则以二进制的形式由4Front Technologies公司提供。由于得到了商业公司的鼎力支持，OSS已经成为在Linux下进行音频编程的事实标准，支持OSS的应用程序能够在绝大多数声卡上工作良好。
7 [0 V( k8 Y! V* X- }) t6 N1 B3 \6 d' F/ ^+ ?' @: x% @3 _3 |2 u& Y5 g
虽然OSS已经非常成熟，但它毕竟是一个没有完全开放源代码的商业产品，ALSA(AdvancedLinux Sound Architecture)恰好弥补了这一空白，它是在Linux下进行音频编程时另一个可供选择的声卡驱动程序。ALSA除了像OSS那样提供了一组内核驱动程序模块之外，还专门为简化应用程序的编写提供了相应的函数库，与OSS提供的基于ioctl的原始编程接口相比，ALSA函数库使用起来要更加方便一些。ALSA的主要特点有:* o1 j* v* d3 U, Q7 R
0 m9 q4 n( n7 i: }- R' Y
支持多种声卡设备
+ _# W- O5 ~0 M% u" j6 \* y, r3 X+ E. B
模块化的内核驱动程序
! }, C3 h; s; r5 L- E1 I% ~1 U) k! Q8 D# k# Q* g
支持SMP和多线程 Z: e' |/ Y3 M6 N; x( Z
' n6 ^/ Q* N+ W( K+ _8 y i提供应用开发函数库
: ]( l9 W5 ~2 `
2 m! l2 m! X! G0 _兼容OSS应用程序3 D5 D: w3 u Z% Z' I! M
1 u `2 o0 P* a% D$ ^+ ?7 Q; XALSA和OSS最大的不同之处在于ALSA是由志愿者维护的自由项目，而OSS则是由公司提供的商业产品，因此在对硬件的适应程度上OSS要优于ALSA，它能够支持的声卡种类更多。ALSA虽然不及OSS运用得广泛，但却具有更加友好的编程接口，并且完全兼容于OSS，对应用程序员来讲无疑是一个更佳的选择。 |
|
