2024年1月20日发(作者：)
音频基本知识
第一部分 模拟声音-数字声音原理
第二部分 音频压缩编码
第三部分 和弦铃声格式
第四部分 单声道、立体声和环绕声
第五部分 3D环绕声技术
第六部分 数字音频格式和数字音频接口
第一部分 模拟声音-数字声音原理
一、模拟声音数字化原理
声音是通过空气传播的一种连续的波，叫声波。声音的强弱体现在声波压力的大小上，音调的高低体现在声音的频率上。声音用电表示时，声音信号在时间和幅度上都是连续的模拟信号。
图1 模拟声音数字化的过程
声音进入计算机的第一步就是数字化，数字化实际上就是采样和量化。连续时间的离散化通过采样来实现。
声音数字化需要回答两个问题：①每秒钟需要采集多少个声音样本，也就是采样频率(fs)是多少，②每个声音样本的位数(bit)应该是多少，也就是量化位数。
¾ 采样频率
奈奎斯特理论（采样定理）指出，采样频率不应低于声音信号最高频率的两倍，这样才能把以数字表达的声音还原成原来的声音。采样的过程就是抽取某点的频率值，很显然，在一秒中内抽取的点越多，获取得频率信息更丰富，为了复原波形，一次振动中，必须有2个点的采样，人耳能够感觉到的最高频率为20kHz，因此要满足人耳的听觉要求，则需要至少每秒进行40k次采样，用40kHz表达，这个40kHz就是采样率。我们常见的CD，采样率为44.1kHz。电话话音的信号频率约为3.4 kHz，采样频率就选为8 kHz。
常见的音频录制时的采样率和量化位数：
镭射碟
DVD
声音录制格式
杜比数字
线性PCM
从数字音频接口输入输出
杜比数字位信号
线性PCM(48kHz采样/16bit或
48KHz采样/24bit等)
CD
VCD
线性PCM
MPEG
线性PCM(44.1kHz采样/16bit)
线性PCM(44.1kHz采样/16bit)
表1 常见音频录制及传输格式
¾ 量化精度
光有频率信息是不够的，我们还必须纪录声音的幅度。量化位数越高，能表示的幅度的等级数越多。例如，每个声音样本用3bit表示，测得的声音样本值是在0～8的范围里。我们常见的CD位16bit的采样精度，即音量等级个数有2的16次方。样本位数的大小影响到声音的质量，位数越多，声音的质量越高，而需要的存储空间也越多。
¾ 压缩编码
经过采样、量化得到的PCM数据就是数字音频信号了，可直接在计算机中传输和存储。但是这些数据的体积太庞大了！为了便于存储和传输，就需要进一步压缩，就出现了各种压缩算法，将PCM转换为MP3,AAC,WMA等格式。
二、问题
1、音频压缩技术有多重要？
我们可以拿一个未压缩的CD文件(PCM音频流)和一个MP3文件作一下对比：
PCM音频：一个采样率为44.1KHz，采样大小为16bit，双声道的PCM编码CD文件，它的数据速率则为 44.1K×16×2 =1411.2 Kbps，这个参数也被称为数据带宽。再除以8将bit换算成字节byte,就可以得到这个CD的数据速率，即176.4KB/s。这表示存储一秒钟PCM编码的音频信号，需要176.4KB的空间。
MP3音频：将这个WAV文件压缩成普通的MP3，44.1KHz，128Kbps的码率，它的数据速率为128Kbps/8=16KB/s。如下表所示：
音频格式
CD(线性PCM)
MP3
AAC
mp3PRO
WMA
比特率
1411.2 Kbps
128Kbps
96Kbps
64Kbps
64Kbps
存1秒音频数据所占空间
176.4KB
16KB
12KB
8KB
8KB
表2 相同音质下各种音乐大小对比
2、频率与采样率的关系
采样率表示了每秒对原始信号采样的次数，我们常见到的音频文件采样率多为44.1KHz，这意味着什么呢？假设我们有2段正弦波信号，分别为20Hz和20KHz，长度均为一秒钟，以对应我们能听到的最低频和最高频，分别对这两段信号进行40KHz的采样，我们可以得到一个什么样的结果呢？结果是：20Hz的信号每次振动被采样了40K/20=2000次，而20K的信号每次振动只有2次采样。显然，在相同的采样率下，记录低频的信息远比高频的详细。CD的44.1KHz采样也无法保证高频信号被较好记录。要较好的记录高频信号，看来需要更高的采样率，于是有些朋友在捕捉CD音轨的时候使用48KHz的采样率，这是不可取的！这其实对音质没有任何好处，对抓轨软件来说，保持和CD提供的44.1KHz一样的采样率才是最佳音质的保证之一，而不是去提高它。较高的采样率只有相对模拟信号的时候才有用，如果被采样的信号是数字的，请不要去尝试提高采样率。
3、流特征
随着网络的发展，人们对在线收听音乐提出了要求，因此也要求音频文件能够一边读一边播放，而不需要把这个文件全部读出后然后回放，这样就可以做到不用下载就可以实现收听了。也可以做到一边编码一边播放，正是这种特征，可以实现在线的直播，架设自己的数字广播电台成为了现实。
第二部分 音频压缩编码
一．有损(lossy)/无损(lossless)/未压缩(uncompressed)音频格式
未压缩音频是一种没经过任何压缩的简单音频。例如PCM或WAV音轨。
所谓无损压缩格式，顾名思义，就是毫无损失地将声音信号进行压缩的音频格式。常见的像MP3、WMA等格式都是有损压缩格式，相比于作为源的WAV文件，它们都有相当大程度的信号丢失，这也是它们能达到10％的压缩率的根本原因。而无损压缩格式，就好比用Zip或RAR这样的压缩软件去压缩音频信号，得到的压缩格式还原成WAV文件，和作为源的WAV文件是一模一样的！目前比较出名的无损压缩格式有APE、FLAC、LPAC、WavPack。无损压缩的不足就是占用空间大，压缩比不高。
有损压缩就是在压缩过程中会舍弃一些细节，也就是压缩是不可逆的。例如MP3,如果将wav—>MP3,再将此MP3—>wav，则后来的wav音质明显不如开始的wav。有损压缩包括AC3,
DTS, AAC, MPEG-1/2/3的音频部分。
二、语音(Voice)编码和音频(Audio)编码
语音编码主要是针对语音通信系统中的编码方案，应用在有线或无线通信中；音频编码是针对音乐的编码方案，主要用来更方便地实现对音乐文件进行网络传输和存储。两者的差别一方面是频带不同，另一方面是压缩要求不一样，音乐要求具有高保真度和立体感等要求。
音频编码最常见的是MPEG的音频编码。
语音的编码技术通常分为三类：波形编码、参量编码和混合编码。其中，波形编码和参
量编码是两种基本类型。
方案类别
波形编码
代号 码率bps 算法 应用
公众网
公众网
公众网
蜂窝网
蜂窝网
保密网
军用
G711 64k PCM
G721 32k ADPCM
混合编码
G728 16k
LD－DELP
GSM 13k
RPE－LTP
8k CELP
4.8k CELP
参数编码
LPC10 2.4k LPC
表3 代表性的语言编码技术标准表
波形编码的基本原理是在时间轴上对模拟语音按一定的频率抽样，然后量化，并用代码表示。解码是其反过程，将收到的数字序列经过解码和滤波恢复成模拟信号。优点是语音质量好，缺点是所用的编码速率高。
脉冲编码调制（PCM）和增量调制（△M），以及它们的各种改进型自适应增量调制（ADM），自适应差分编码（ADPCM）等，都属于波形编码技术。
参量编码是通过对语音信号特征参数的提取和编码，力图使重建语音信号具有尽可能高的可靠性，即保持原语音的语意，但重建信号的波形同原语音信号的波形可能会有相当大的差别。这种编码技术可实现低速率语音编码，比特率可压缩到2Kbit/s-4.8Kbit/s,甚至更低，但语音质量只能达到中等，特别是自然度较低，连熟人都不一定能听出讲话人是谁。线性预测编码（LPC）及其它各种改进型都属于参量编码。
混合编码将波形编码和参量编码组合起来，兼有波形编码的高质量和参量编码的低速率，在4-16Kbps速率上能够得到高质量的合成语音。多脉冲激励线性预测编码（MPLPC），规则脉冲激励长期线性预测编码（RPE-LTP），码本激励线性预测编码（CELP）等都是属于混合编码技术。很显然，混合编码是适合于数字移动通信的语音编码技术。
三、无线通信中常见语音编码
PHS为32kbps的ADPCM编码，GSM为13kbps的规则脉冲激励长期预测(RPE-LTP)编码，WCDMA使用的是自适应多速率编码(AMR)，cdma2000使用的是可变速率编码(IS-773，IS-127)。
1、AMR编码
（介绍它的原因是因为手机中有使用AMR铃声）。在3G多媒体通信的发展过程中，音视频编码有了很大的发展。1999年初,3GPP采纳了由爱立信、诺基亚、西门子提出的自适应多速率(AMR)标准作为第三代移动通信中语音编解码器的标准。AMR声码器采用代数码本激励线性预测(ACELP:Algebraic Code Excited Linear Prediction)编码方式，编码速率可以为4.75~12.20Kbps。
AMR标准针对不同的应用，分别提出了AMR－NB，AMR-WB和AMR-WB+三种不同的协议。AMR-NB应用于窄带，而AMR-WB和AMR-WB+则应用于宽带通信中。
对于手机铃声，AMR－NB对应的铃声文件扩展名是.amr，AMR-WB对应铃声文件扩展名是.awb。它们不是音乐，而是录音得到的原声。
2、ADPCM编码
自适应差分脉冲编码调制(ADPCM)方案是将脉冲编码、增量调制与自适应技术相结合形
成的一种改进型编码，其编码质量较PCM为好，32kb/s的ADPCM相当于64kb/s的PCM，且抗误码能力较强。
ADPCM也常用于录音，常用的ADPCM有8KHz采样/4bit/单声道,和16KHz采样/4bit/立体声。雅马哈的MMF铃声用到MIDI+PCM/ADPCM技术，其中PCM和ADPCM就是模拟音效，包括人声。
四、各种主流音频编码（或格式）的介绍
1、PCM编码
PCM（Pulse Code Modulation）,即脉冲编码调制，指模拟音频信号只经过采样、模数转换直接形成的二进制序列，未经过任何编码和压缩处理。PCM编码的最大的优点就是音质好，最大的缺点就是体积大。在计算机应用中，能够达到最高保真水平的就是PCM编码，在
CD、DVD以及我们常见的WAV文件中均有应用。
2、WAVE格式（铃声）
这是一种古老的音频文件格式，由微软开发。WAV对音频流的编码没有硬性规定，除了PCM之外，还有几乎所有支持ACM规范的编码都可以为WAV的音频流进行编码。WAV可以使用多种音频编码来压缩其音频流，不过我们常见的都是音频流被PCM编码处理的WAV，但这不表示WAV只能使用PCM编码，MP3编码同样也可以运用在WAV中，只要安装好了相应的Decode，就可以欣赏这些WAV了。
在Windows平台下，基于PCM编码的WAV是被支持得最好的音频格式，所有音频软件都能完美支持，由于本身可以达到较高的音质的要求，因此，WAV也是音乐编辑创作的首选格式，适合保存音乐素材。因此，基于PCM编码的WAV被作为了一种中介的格式，常常使用在其他编码的相互转换之中，例如MP3转换成WMA。
3、 MP3编码（铃声）
MP3，众所周知也就是MPEG-1 Layer 3，是一个意图达到高的压缩率同时又能保持相当不错的音质的有损音频格式。Layer 3不是MPEG Layer 1或Layer 2的新版，只是与它们不同的复杂的编码方案。现在有许多可用的MP3编码器，其中最高品质的莫过于Lame，同时它也是开源免费的。
MP3技术上支持多声道（多于2个声道），但从未实施过或者今后也不会了。
MP3有不同的采样率和比特率（注意比特率并不是量化位数，量化位数都是16bit，它代表压缩比），代表不同的音质。网络上流行的MP3是44.1KHz采样率，128Kbps比特率的。下表中列出了不同品质的MP3，其中列表示SR(采样频率)，范围8KHz~48KHz，行表示BR（比特率），范围8Kbps~320Kbps。
MPEG 2.5 Layer 3
BR(kbps) 8
SR(KHz)
8
11.025
12
MPEG 2 Layer 3
BR(kbps) 8 16 24 32 412128 144 160
16 24 32 4048√√√56√√√64√√√80√√√96√√√112√
√
√
128 144 160
√
√
√
√
√
√
√
√
√
√ √ √ √ √√ √ √ √ √√ √ √ √ √
SR(KHz)
16
22.05
24
MPEG 1 Layer 3
BR(kbps) 32 40SR(KHz)
32
44.1
48
√ √√ √√ √48 56 64√ √ √√ √ √√ √ √80√√√96√√√112√
√
√
128√
√
√
160√
√
√
192√
√
√
224 256 320
√
√
√
√
√
√
√
√
√
√ √ √ √ √√ √ √ √ √√ √ √ √ √√√√√√√√√√√√√√√√√
√
√
√
√
√
√
√
√
√
√
√
表4 MP3对应的不同采样率和比特率
4、OGG编码（铃声）
网络上出现了一种叫Ogg Vorbis的音频编码，号称MP3杀手！Ogg Vorbis究竟什么来头呢？OGG是一个庞大的多媒体开发计划的项目名称，将涉及视频音频等方面的编码开发。整个OGG项目计划的目的就是向任何人提供完全免费多媒体编码方案。
Ogg Vorbis是高质量的音频编码方案，官方数据显示：Ogg Vorbis可以在相对较低的数据速率下实现比MP3更好的音质。Ogg Vorbis这种编码也远比90年代开发成功的MP3先进，它可以支持多声道，这意味着什么？这意味着Ogg Vorbis在SACD、DTSCD、DVD AUDIO抓轨软件的支持下，可以对所有的声道进行编码，而不是MP3只能编码2个声道。多声道音乐的兴起，给音乐欣赏带来了革命性的变化，尤其在欣赏交响时，会带来更多临场感。OGG也支持VBR(可变比特率)。
5、MPC 编码
MPC (Muse Pack)高比特率高保真音乐格式。是另外一个令人刮目相看的实力派选手，它的普及过程非常低调，也没有什么复杂的背景故事，她的出现目的就只有一个，更小的体积更好的音质！MPC以前被称作MP+，很显然，可以看出她针对的竞争对手是谁。但是，只要用过这种编码的人都会有个深刻的印象，就是她出众的音质。
6、mp3PRO 编码
2001年6月14日，美国汤姆森多媒体公司(Thomson Multimedia SA)与佛朗赫弗协会(Fraunhofer Institute)于6月14日发布了一种新的音乐格式版本，名称为mp3PRO，这是一种基于mp3编码技术的改良方案，从官方公布的特征看来确实相当吸引人。从各方面的资料显示，mp3PRO并不是一种全新的格式，完全是基于传统mp3编码技术的一种改良，本身最大的技术亮点就在于SBR（Spectral Band Replication 频段复制），这是一种新的音频编码增强算法。它提供了改善低位率情况下音频和语音编码的性能的可能。mp3PRO其实是一种mp3信号流和SBR信号流的混合数据流编码。官方声称64kbps的mp3PRO可以媲美128kbps的mp3。
7、WMA（铃声）
WMA就是Windows Media Audio编码后的文件格式，由微软开发，WMA针对的不是单机市场，而是网络。竞争对手就是网络媒体市场中著名的Real Networks。微软声称，在只有64kbps的码率情况下，WMA可以达到接近CD的音质。和以往的编码不同，WMA支持防复制
功能，她支持通过Windows Media Rights Manager 加入保护，可以限制播放时间和播放次数甚至于播放的机器等等。WMA支持流技术，即一边读一边播放，因此WMA可以很轻松的实现在线广播，由于是微软的杰作，因此，微软在Windows中加入了对WMA的支持，WMA有着优秀的技术特征，在微软的大力推广下，这种格式被越来越多的人所接受。
8、RA
RA就是RealAudio格式，这是各位网虫接触得非常多的一种格式，大部分音乐网站的在线试听都是采用了RealAudio，这种格式完全针对的就是网络上的媒体市场，支持非常丰富的功能。最大的闪烁点就是这种格式可以根据听众的带宽来控制自己的码率，在保证流畅的前提下尽可能提高音质。RA可以支持多种音频编码，包括ATRAC3。和WMA一样，RA不但都支持边读边放，也同样支持使用特殊协议来隐匿文件的真实网络地址，从而实现只在线播放而不提供下载的欣赏方式。这对唱片公司和唱片销售公司很重要，在各方的大力推广下，RA和WMA是目前互联网上，用于在线试听最多的音频媒体格式。
9、APE
APE是Monkey's Audio提供的一种无损压缩格式。Monkey's Audio提供了Winamp的插件支持，因此这就意味着压缩后的文件不再是单纯的压缩格式，而是和MP3一样可以播放的音频文件格式。这种格式的压缩比远低于其他格式，但能够做到真正无损，因此获得了不少发烧用户的青睐。在现有不少无损压缩方案种，APE是一种有着突出性能的格式。APE的缺点就是压缩比很小，一般800kbps以上，所占空间比较大。
10、AMR(铃声)
AMR(Adaptive Multi-Rate)自适应多速率编码。是一种应用在手机上的一种语音压缩格式，也就是说我们用手机录音而成的文件就是这种格式的。AMR格式压缩率较高但是音质相对较差了一点。优点就是我们可以随心所欲地录制。
11、AAC/AAC+
¾ 什么是AAC?
AAC代表Advanced Audio Coding(高级音频解码)，是一种由MPEG-4标准定义的有损音频压缩格式，由Fraunhofer发展，Dolby, Sony和AT&T是主要的贡献者。它被认为是MP3的继承者。
其实，AAC的技术早在1997年就成型了，当时被称为MPEG-2 AAC，但是随着2000年MPEG-4音频标准的出台，MPEG-2 AAC被用在这一标准中，同时追加了一些新的编码特性，所以它就改称为MPEG-4 AAC。与MP3不同，AAC的技术掌握在多家厂商手中，这使得AAC编码器非常多，既有纯商业的编码器，也有完全免费的编码器。纯商业的编码器如Fraunhofer IIS的FhG、杜比公司的Dolby AAC，免费的有Free AAC、苹果公司的iTune，Nero也通过它的Nero 6提供了Nero AAC。
AAC是一种高压缩比的音频压缩算法，它的压缩比可达20:1，远远超过了AC-3、MP3等较老的音频压缩算法。一般认为，AAC格式在96Kbps码率的表现超过了128Kbps的MP3音频。AAC另一个引人注目的地方就是它的多声道特性，它支持1~48个全音域音轨和15个低频音轨。除此之外，AAC最高支持96KHz的采样率，其解析能力足可以和DVD-Audio的PCM编码相提并论，因此，它得到了DVD论坛的支持，成为了下一代DVD的标准音频编码。
AAC的比特率范围8~320Kbps,可适应不同场合应用的需要。
目前，苹果、AT&T和RealNetworks已经开始提供收费的AAC音乐下载服务。AAC也得
到了众多硬件厂商的支持，除了苹果的iPOD随身听，还有诺基亚的多款手机及松下的部分随身听产品可支持AAC音频的播放。另外，目前已经有部分MPEG-1/2解码芯片中加入了AAC解码功能，出现支持AAC音频播放的DVD影碟机肯定是迟早的事情。
¾ AAC和AAC+？
AAC有两种LC AAC与HE AAC，HE AAC是较新的。LC意思是"low complexity"(低复杂性)；HE意思是 "high efficiency"(高效性)。HE-AAC也称之为AAC SBR/AAC+/aacplus等。
LC AAC低复杂性规格去掉了预测和增益控制模块，降低了复杂度，提高编码效率，是目前使用得最多的规格。注意HE-AAC注重于低码流的编码并很适合多声道文件（更小的文件尺寸）。
从学术上讲，HE-AAC混合了AAC与SBR技术，处理低比特率能有较好的效果。SBR代表的是Spectral Band Replication(频段复制)。SBR提供了改善低位率情况下音频编码的性能。(类似的技术也用在mp3 pro 64kbps能媲美128kbps的mp3就是这道理)
¾ MP4与AAC
MP4最初是一种音频格式，和MPEG-4没有太大的关系，就像MP3和MPEG-3没有关系一样。MP3是MPEG-1 Audio Layer 3 的缩写；而MP4是MPEG-2 AAC，完完全全是一种音频压缩格式， 增加了诸如对立体声的完美再现、多媒体控制、降噪等新特性，最重要的是，MP4通过特殊的技术实现数码版权保护，这是MP3所无法比拟的。
现在市面上的MP4多数偏向于多媒体播放器，能够播放AAC的，可以说是凤毛麟角。甚至有媒体把MP4说成是MPEG4的缩写，这在以前看来是一个谬论，但是经过商家不断的炒作，这个谬论也就成为了真理。现在若果你去电脑城听到MP4这个词，绝对是能播放视频格式的多媒体播放器的概念，而不是能播放音频MP4 AAC的随身听。出现这种怪现象不是毫无原因的，上面已提到AAC有版权保护功能，这也是众多唱片公司支持AAC的原因，要使自己的播放器支持AAC，还得支持付一定的版权费或专利费，另外，AAC的来源也是个问题，不像MP3那么开放，网上来源极少，所以目前音频MP4播放器发展尚不成熟，鉴于以上现状，众商家干脆“借尸还魂”，把MP4等同MPEG-4缩写而论，这样也恰好应了MP4是MP3的下一代这条规律，除了支持MP3所具有的音乐播放功能外，还具备强大的MPEG-4视频播放能力，另外，恰好“4”在“3”后，从这点出发，把MP4等同MPEG-4是合理的。
¾ AAC对比MP3
AAC的特点：
① 提升的压缩率：可以以更小的文件大小获得更高的音质；
② 支持多声道：可提供最多48个全音域声道；
③ 更高的解析度：最高支持96KHz的采样频率；
④ 提升的解码效率：解码播放所占的资源更少；
杜比实验室的结论：
① 128Kbps的AAC立体声音乐被专家认为不易察觉到与原来未压缩音源的区别；
② AAC格式在96Kbps码率的表现超过了128Kbps的MP3格式；
③ 同样是128Kbps，AAC格式的音质明显好于MP3；
④ AAC是目前唯一一个，能够在所有的EBU试听测试项目的获得“优秀”的网络广播格式。
总的来讲，AAC可以说是极为全面的编码方式，一方面，多声道和高采样率的特点使得它非常适合未来的DVD－Audio；另一方面，低码率下的高音质则使它也适合移动通讯、网络电话、在线广播等领域，
第三部分 和弦铃声格式
与音乐不同的是，和弦铃声都是制作出来的。播放的时候，只需要合成（或解码）就可以输出PCM格式的数据，然后PCM格式的数据可以通I2S接口传输，然后经过数-模转换输出。
一、MIDI合成音乐
¾ 什么是MIDI？
MIDI（Musical Instrument Digital Interface）音乐设备数字化接口，也称为数字音序。“MIDI”文件不是声音文件,不是一段录制好的声音，而是记录声音的信息，然后再告诉声卡如何再现音乐的一组指令。可以做这样的比喻：如果数字音频是一个人独奏吉它时的录音带，MIDI文件则相当于该独奏曲的乐谱。虽然乐谱本身不能产生出任何实际的声音来，但是乐谱确定了音乐演奏得有多快，拨哪个音符，以及应该用多大的力度弹奏吉它。
我们可以从以下几点说明“MIDI”文件的特性:
1. 首先,正如上所说,它不是声音文件,只是一组指导声卡如何发声的指令，因此它生成的文件比较小。
2. 它只能应用于电子音乐设备(如电脑声卡等)，而不能应用于人声。原因很简单，它发出的声音只能来自声卡中的内置音源（例如波表ROM中存储的音色）。自然界中那么丰富的音乐的和非音乐的声音，都是不能包括在内的。要在MIDI中混合自然界的模拟音效，一般是在在MIDI上叠加PCM/ADPCM。
3. midi格式是记录每个音的音色、音名、响度、角度、时间等，根据记录查询音色库，得到应发声音。所以音色库是关系midi是否动听的关键因素，好的音色库是很占地方的。手机中记录音乐的方法与电脑上的midi相同或相似，不同的是它所记录的全是单音，而复杂的和弦音效没有记录。手机和弦芯片中的音色库都预先存储在内置的波表ROM中。
¾ MIDI的分类：
MIDI格式后缀名是.MID，但其有MIDI0、MIDI1、MIDI2、SP-MIDI、XGMIDI等多种规范。
SMF 全称Standard MIDI Format。是标准的MIDI格式，SMF分为MIDI0和MIDI1。MIDI0是单音轨，MIDI1是多音轨。手机的和弦数目等于midi格式中的音轨数，手机的每个音轨都是单音音轨。网上的绝大多数MIDI音乐都是多音轨的。另外，MIDI0的读入和处理速度要快些，有的硬件可以直接读软盘上的MIDI文件回放（即时回放），而MIDI1的做不到。SP－MIDI 全称Scalable Polyphony MIDI。意思是“可变和弦数的midi”。 SP-MIDI对MIDI格式进行了新的改进，使得它更适合于各种移动终端。它的好处是，例如，一首64和弦的midi铃声，能在一个40和弦的手机上播放。原因是midi铃声中包括了通道的优先级。
表5 ＭＩＤＩ的分类
¾ 什么是音乐合成技术？
音乐合成的途径
1. 采样合成（波表合成）：这是最常见的音乐合成方式，为了得到钢琴声，就把钢琴在不同音阶下发出的声音录制保存下来，当播放音乐需要钢琴声时，录制下来的样本被调用并通过计算来获得正确的音符。其缺点是需要许多存储空间来保存高质量的声音样本。例如，大多数PC使用采样合成，其波表将占用8MB或更多存储空间，这对移动电话电话来说是一个非常大的开销。
2. 波谱匹配：Yamaha的调频合成（FM合成）同润威公司的GAP都属于这种类型。这种方式包括找到一个数学公式来调制乐器声音输出使得其像真正的乐器那样。这种方式使用很少的
系统开销，同时也比采样合成使用的存储空间少很多。
¾ MIDI的三个标准：GS、GM、XG
音乐的要素之一是音色。在MIDI中，一种乐器就是一种音色（Patch,Program和Timbre)。现实的情况是不同的合成器和音源的制造者为了使自己的产品有独特之处，总是开发出若干种特殊音色，因而不同品牌的设备在音色种类和音色排列顺序方面会大不相同。这就导致了一个缺陷的出现：使用甲合成器制作的MIDI文件，换了乙合成器就不能正确播放。其原因在于甲合成器上01号音色可能是钢琴，而在乙合成器上，01号音色可能是打击乐或其他音色。总而言之。每一种MIDI设备的音色设置（以及其他方面）都具有排他性。这就使音乐家受到了设备的制约。为了有利于音乐家广泛地使用不同的合成器设备和促进MIDI文件的交流， MIDI协会（MMA）于1991年制订了“通用MIDI”（GM）标准。该标准以日本Roland公司的通用合成器（GS）标准为基础而制订。
值得注意的是，虽然现在有了国际通用的GM标准可供电子乐器生产厂家参照，但仍有另外两个标准与GM标准共存，一个是GS标准，为Roland公司的产品所专用，它产生于GM标准出现之前，也是GM的前身。另一个是后来出现的XG标准，为YAMAHA公司的产品所专用。
1、GS标准。 GS为General Synthesizer的缩写，意为“通用合成器”，是罗兰公司创立的一种 MIDI标准。该标准具有有以下五种主要功能：1）16个声部。2）最大复音数为24或更多。3）GS格式的乐器音色排列，该格式包含有各种不同风格的音乐所使用的乐器音色和打击乐音色。4）鼓音色可以通过音色改变信息进行选择。5）包含两种可调节的效果，有混响和合唱。
2、GM标准。 GM是 General MIDI Mode(通用MIDI）的缩写，即GMM，通常缩写为GM。该标准是MIDI协会以罗兰公司的通用合成器（GS）标准为基础而建立的标准。该标准为一般合成器所共有的128种乐器音色（分成16组,即16个通道）规定了序号，将47种标准的非旋律性打击乐器分配在第10通道，并为这47种打击乐器规定了音符序号（35（B2）-81（A6））。以下是GM标准的128种音色分类表：
音色号
1-8
9-16
17-25
26-32
33-40
41-48
49-56
57-64
65-72
73-80
81-88
89-96
97-104
105-112
113-120
121-128
音色类别
钢琴
半音性打击乐器
风琴
吉它
贝司
弦乐器
合（唱）奏
铜管乐器
簧片乐器
管鸣乐器
合成领奏
合成背景音色
合成效果
民间乐器
打击乐
音响效果
表6 GM音色表
3、XG标准。XG-MIDI是Extended General MIDI(扩展的通用MIDI）的缩写。XG是继
GM标准建立之后，雅马哈公司于1994年推出的新的音源控制规格。XG在保持与GM兼容的同时，又增加了许多新的功能，其中包括音色库（音色数量）的增加，和启用更多的控制器对音色亮度等方面进行控制等等。
二、SMAF格式（文件扩展名.MMF)
合成音乐移动应用格式（Synthetic music Mobile Application Format，缩写为SMAF），是雅马哈公司首创的一种移动电话内容标准，是目前手机上使用非常多的和弦铃声，网络上有非常多的铃声资源可供下载。最常见的为MA2，MA3，MA5。MA2对应16和弦，MA3对应40和弦，MA5对应64和弦。与MIDI相比，它采用了MIDI+PCM/ADPCM的技术，故而支持真人铃声。
三、VMD
VMD技术是针对手机平台的新一代多媒体技术，该技术可以用于制作铃声、音乐、卡拉OK、动画、移动电视、流媒体播放等，为手机用户提供完美的多媒体体验。这标志着移动多媒体应用产业链的核心技术层面已经取得了关键性的突破，业内人士认为它将成为未来多媒体手机的新趋势。 以铃声应用为例，目前普遍采用的MIDI播放效果受播放器或合成器的限制，由于文件尺寸较小无法嵌入人声、水声（wave或mp3）等自然界的声音，表现力不足；而WAVE和MP3文件格式可以保存自然界和乐器的声音。但 MP3需要快速解码，WAVE也需要格式转换。VMD格式中对MIDI音乐指令作了全面优化——这种格式对MIDI的指令合并精简，在保留完全相同音质的情况下，使得MIDI音乐指令的长度更小；VMD文件的组织结构也经过专门设计，使得文件组织模块化，从多轨转换为单轨，在这方面比其它格式更适合硬件平台处理。在文件格式上VMD吸取了SMIL等规范的优点，使得VMD-MIDI和WAV、MP3、JPEG等数据可以保留原有存储方式，也可以独立解析；MIDI部分不包含专门针对合成器硬件的繁琐的控制信息，能够广泛地被合成器厂商支持；VMD格式中对歌词、版权等文本信息使用UNICODE编码，可支持多国语言。此外，在VMD文件中还可以控制手机的LED和马达，实现声、光和震动一体化的效果，并嵌入音色库和音效库。
第四部分 单声道、立体声和环绕声
一、单声道（Mono）：
所谓的单声道，就是声音只由一只音箱产生，听众可以很明显地听出声音的来源就是音箱所摆放的位置，其本身的表现力较为平淡；当通过两个扬声器回放单声道信息的时候，我们可以明显感觉到声音是从两个音箱正中间传递到我们耳朵里的。
二、立体声（Stereo）：
它利用了两个独立声道进行录音，整个过程不加任何的声音处理。立体声系统的再现需要一对音箱来完成，它通过调整系统中两只音箱发出声音的大小，让我们误认为声源来自两只音箱之间直线段中的任意位置。特别是当使用耳机的时候，由于左右两边的声音串音情况很少发生，所以声音的定位比较准确；再加上比较真实的音场感觉，它的表现力比单声道真实得多。但（Stereo）的缺陷也十分明显，最明显就是对音箱的位置摆放要求较高，摆位的
不好会直接影响声音的表达。
图2 立体声及其音场
四、3D环绕声 (3D Surround)
有时也称作3D增强立体声(3D Enhancement)。它是一种模拟环绕声系统。左、右声道的立体声信号，经过数字信号处理后，通过左、右两路音箱，产生三维的环绕声场效果。它使用一般双声道创建一个具有三维感觉的环绕声音场，比立体声好，但与编码式环绕系统有相当的差距。常见的有SRS实验室的SRS WOW、Q-sound实验室的Qxpander、Spatializer实验室的Spatializer 3D等技术，主要针对普通双声道立体声信号进行处理，对于杜比环绕声信号不作解码，采用强制处理的方式，显而易见不可能处理AC-3信号。
图3 3D环绕声及其音场
五、环绕声与虚拟环绕声（Virtual Surround）：
主要用在家庭影院系统或DVD中，这里列出来是为了作一下比较。
比较出名的有“杜比AC-3”（也称Dolby Digital，杜比数字)、DTS(Digital Theater
System，数字影院系统)、THX家庭影院系统。以著名的AC-3杜比数码环绕声系统为例。AC-3杜比数码环绕声系统由5个完全独立的全音域声道和一个超低频声道组成,有时又将它们称为5.1声道。其中5个独立声道为:前置左声道、前置右声道、中置声道、环绕左声道和环
绕右声道；另外还有一个专门用来重放120Hz以下的超低频声道,即0.1声道。
图4 5.1声道环绕声
在环绕声的实现上，无论是杜比AC3还是DTS，都有一个特点，就是回放时需要多个音箱，一般一个声道对应至少一个音箱，比如用杜比数字系统，起码需要5个全音频范围的音箱，再加上一个低音炮，由于价格及空间方面的原因，有的消费者，如多媒体电脑的用户，并没有足够的音箱，这时候就需要一种技术，能够把多声道的信号经过处理，在两个平行放置的音箱中回放出来，并且能够让人感觉到环绕声的效果，这就是虚拟环绕声技术。
与3D环绕技术不同的是，它是对杜比类环绕声信号进行解码，再利用单耳效应和双耳效应对环绕声信号进行虚拟化处理，尽管仅有两个重放声道，但让听众感到多声道效果，即产生所谓的扬声器虚拟幻像。虚拟环绕声技术主要有SRS公司的SRS TruSurround、Q-sound公司的Qsurround、Aureal公司的A3D、Spatializer公司的N-2-2DVS等技术，当然还有杜比实验室的杜比虚拟环绕声VSS（Virtual Surround Sound）技术，非杜比实验室的技术一般也获得了杜比实验室的认可，可以用于回放杜比定向逻辑和杜比数字信号。
图5 虚拟环绕声
第五部分 3D环绕声技术
在MP3中用到的最多的音效有BBE Sound的BBE音效和SRS实验室的SRS音效。在音乐芯片FT1960中采用了SRS公司的 WOW XT Surrond Sound技术；在松下的立体声功放AN12974A中采用了Spatializer 3D技术；在雅吗哈的YMU788芯片中采用了DVX技术。
一、SRS音效
这里介绍SRS实验室的SRS WOW（立体声增强技术）。SRS WOW：是SRS实验室针对MP3等新一代的音频格式而开发的一种音质增强技术。这种技术基于人耳的生理声学和心理声学原理，深入挖掘了立体声音响中的三维环绕信息，可显著扩展声场的宽度、高度和深度，使声音变得更加自然、悦耳，久听不易疲劳。而且，它还将SRS的TruBass低音增强技术融入其中，可以产生更加深邃、浑厚、富有弹性的低音，在用容积较小的多媒体音箱重放时所产生的低音效果几乎可以和大音箱相媲美。它所产生的虚拟声场的范围要比扬声器自身产生的声场范围大了许多，相应地，最佳听音区的范围也大了许多。
现在MP3播放器所用的SRS音效是SRS WOW，它由SRS（环绕声）, TruBass（低音增强）和FOCUS（声场提升）组成。
官方对WOW的描述如下:
SRS WOW： 可以突破小型扬声器和耳机的固有局限，通过提供3D音频图象在水平及垂直方位上扩展声音使其超越器材本身的能力。这样，小型音频设备，电视，无线和个人/便携产品的制造商不用增大扬声器尺寸便可显著改善其产品的声响效果。特别在诸如MP3，WMA和音频CD这些经数码压缩使空间感被极大削弱的单声道或立体声音频格式上，WOW的修饰效果尤其显著。
TruBass： TruBass是一种SRS专利技术，运用人类声音心理学专利技术来增强低音性能。这些技术能利用原始音源中表现的和声再现低频信息。恢复基本低频音调的感觉——即使该信息低于扬声器和耳机的低频极限。因此TruBass可以呈现出比小型、中型和大型扬声器和耳机的低频极限还低八度，并且深邃丰富的听感。
FOCUS： FOCUS通过提升声场来生成声音图象的高度感。当与SRS 3D结合时，FOCUS会放大声音图像，产生一个非常高广，最佳听音位置（sweet spot）宽广的声场。另外，FOCUS能改善高频通透度让听者沉浸其中。在扬声器低于音场的产品中，比如内投影电视或固定在门板上的汽车扬声器，FOCUS将可用电子学方法调节重新将声场定位于听者前方的最佳位置上。
表7 ＳＲＳ音效
二、BBE音效
说明：BBE音效并不是立体声增强的音效，而是增强声音的清晰度的音效。
音频信号在转换与传输过程中，频率越高的信号，越容易滞后，这就是所谓的相位失真。而BBE算法可以将高频信号往前提，频率越高，提前得越多，使高频信号恢复到本来的位置上。一个很明显的效果，就是音乐听起来更清晰了，就像图案恢复原来的清晰与美观一样。
BBE音效的技术包括， BBE、BBE Mach3Bass、BBE MP三种。
BBE BBE系统具有两个基本功能，其中之一是调节低、中和高频相位之间的关系。第二个功能是增强了高频和低频信号。此外，BBE还具有静噪功能。BBE电路内部设有噪声门和高截止滤波器，能对输入的杂散信号进行衰减。
BBE Mach3Bass BBE Mach3Bass用电子学方法扩展特定扩音器的低音响应并能精确调整需要的低频极限。在世界知名的BBE处理相位误差校正技术的帮助下，BBE Mach3Bass可提供比标准低音提升电量更深，更密，更精确的低音频率。BBE Mach3Bass不影响中低段声音，
否则会在中低频段产生混浊并改变角色的嗓音。
BBE MP BBE MP (最小化多项非线性饱和)技术通过数字压缩复原和增强谐波损失，进而提高经数字压缩处理的音频（如MP3）音效。BBE MP从原始资料中复原声音，因而有效地恢复声音的温暖感、细腻感和细微差别。BBE MP可将声级平均提高3个分贝，同时保持峰间摇摆不变。由于声音输出高出3个分贝，信噪比也相应地得到了改善。
表8 ＢＢＥ音效
通过上面技术描述的对比可以发现， BBE是对音频信号在转换、传输、放大、播放过程中，由于音源与设备的因素产生的失真进行合理有效的修正与补偿，使听音效果更接近音乐作品本身希望达到的效果（也就是 “原汁原味”）。 SRS是在原来音乐的基础上，进行空间环绕、音场展宽、动态增强等处理，使听音效果更加丰富多彩。
三、Spatializer 3D
Spatializer实验室的3D增强技术。具体不详。
四、DVX技术
具体不详。
第六部分 数字音频格式和数字音频接口
一、数字音频格式
1、PCM格式及其分类
PCM 是未压缩的数字音频格式。其采样速率为可以为6、8、11.025、16、22.05、32、44.1、48、64、88.2、96、192KHz,采样精度可以为8、12、13、16, 20, 或24 bits。可以有1到8个（或更多）声道。例如音频CD为44.1 kHz/16 bits/双声道；DVD中的最大比特速率为6.144 Mbps，如果有5个或更多声道,这个最大速率限制了采样率和比特位数。DVD不仅能够播放2声道的超高保真音响（192KHz/24bit/双声道），还能播放线性PCM 最多6个声道的环绕声音响（96kHz/24bit/6声道）。
PCM格式又根据其量化方式可以分为线性PCM（linear PCM）和非线性PCM(non-linear
PCM)，前者是均匀量化得到的，后者是非均匀量化得到的。
均匀量化 如果采用相等的量化间隔对采样得到的信号作量化，那么这种量化称为均匀量化。均匀量化就是采用相同的“等分尺”来度量采样得到的幅度，也称为线性量化，如图6所示。
图6 均匀量化
非均匀量化 非线性量化的基本想法是，对输入信号进行量化时，大的输入信号采用大的量化间隔，小的输入信号采用小的量化间隔，如图7所示。这样就可以在满足精度要求的情况下用较少的位数来表示。
在非线性量化有μ律压扩算法和A律压扩算法两种,分别称为μ-law PCM和A-law PCM。μ律(μ-Law)压扩(G.711)主要用在北美和日本等地区的数字电话通信中。它的输入和输出关系是对数关系，所以这种编码又称为对数PCM。A律(A-Law)压扩(G.711)主要用在欧洲和中国大陆等地区的数字电话通信中。A律压扩的前一部分是线性的，其余部分与u律压扩相同。
对于采样频率为8kHz，样本精度为13位、14位或者16位的输入信号，使用μ律压扩编码或者使用A律压扩编码，编码之后每个样本的精度为8位。
图8 非均匀量化
表9 两种量化方式
2、DSD音频格式
飞利浦和索尼公司共同推出一种格式。其记录媒体为超级音频CD即SACD，支持立体声和5.1环绕声。
DSD音频格式将模拟音频直接以2.8224MHz的高采样频率（即64倍的CD的采样频率），按1-bit的数字脉冲来记录。它采用了Delta-Sigma 调制，即ΔΣ调制(属于PWM的一种)。
我们目前常见的∆ΣDAC、Σ∆ADC、数字放大器、Ｄ类功放都采用了类似的技术。
二、数字音频接口
常见的数字音频接口有I2S接口、PCM接口和SPDIF接口。这里只作简要介绍。
I2S接口 只能传输单声道或双声道立体声的数字音频，数据格式为PCM格式。该接口又派生出三类：左对齐格式、右对齐格式、I2S格式。I2S时差性能要优于SPDIF，适合短距离通讯。
PCM接口 也叫DSP模式音频接口。一般用来传输语音(Voice)。一般用来传输单声道或双声道立体声的数字音频，但是理论上也可以传输多声道的数字音频。数据格式为PCM格式。
SPDIF接口 SPDIF(Sony Phillips Digital Interface) SONY、PHILIPS数字音频接口。I2S和PCM适合于芯片间的传输，而该接口适合于设备间的传输。它的传输载体有同轴和光纤两种，后者抗干扰能力更强。SPDIF能传输PCM流，也能传输杜比数字（Dolby Digital）、DTS这类环绕声压缩音频信号。PCM流是原始、未经压缩的音频信号，杜比数字、DTS也是来源于PCM流。
发布评论