音频压缩赌的是「听觉掩蔽」：被盖住的声音，扔了也听不见。 目标码率是上限，不是承诺——用不完是正常的。
上一节视频靠「帧间重复」省，音频没有这么现成的重复可捡。 这一节讲清楚音频压缩凭什么能把 1411 kbps 压到 128 kbps。
一、音频压缩靠的是掩蔽效应
两个声音同时响，响的那个会把轻的那个盖住——这就是听觉掩蔽。 编码器把频段切成很多条，算一算每条上有多少能量， 被邻段盖住的、或者在听阈以下的，直接不传。
编码器在干的事 依据 能不能回头补
频段切分 听觉的临界带宽 能 算掩蔽阈 心理声学模型 能 丢掉听不见的 掩蔽与听阈 不能 量化剩下的 比特预算 不能
所以音频编码是有损的，而且是有「依据」的有损：丢的是人耳本来也听不清的部分。 这条依据对耳机、对音箱、对老年人的听力都不完全一样——这就是「能听出差别」的来源。
二、码率是上限，不是承诺
同一段纯正弦波，三个目标码率各压一遍：
目标码率 字节 实测码率 占目标
64 kbps 17274 69 kbps 108% 128 kbps 33349 133 kbps 104% 192 kbps 36230 145 kbps 75%
第一二行略微超一点：容器头与编码器补齐也算进文件大小，短素材上占比明显。 第三行只做到 75%——这段素材是单频正弦波，编码器找不到更多值得花字节的地方。
所以「设了 192 就是 192」是错的。码率是「不许超过」的预算上限， 复杂素材会顶到上限，简单素材用不完。要「一定不超过」，那才该用上限模式。
三、三个旋钮：采样率、声道、位深
这三个都能改，但三个都是「降下去就回不来」：
旋钮 常见取值 降了会怎样
采样率 44100／48000 高频细节没了，补回来是补零 声道数 单声道／立体声 空间感没了，混成立体声是复制 位深 16 位／24 位浮点 动态范围变小，小声音被噪声盖住
第二行值得多说一句：单声道转立体声，两个声道内容一模一样，听着「在中间」。 它不是「假的」，但确实没有任何新的空间信息被恢复出来。
所以音频转码的方向应该是「尽量不动」： 采样率与位深照着源走，只在目标设备确实不支持时才降。
四、动手 Demo：三个目标码率各压一遍，回算真实码率
同一段声音按 64、128、192 kbps 各压一遍，再用「字节乘 8 除时长」回算实际码率。 素材 2 秒，所以头部的固定开销会被放大，这也正好能看清「差一点点」是多少。
import av, os
for br in (64000, 128000, 192000):
fn = u"a%d.m4a" % (br // 1000)
c1 = av.open(fn, u"w")
s1 = c1.add_stream(u"aac", rate=44100)
s1.layout, s1.bit_rate = u"stereo", br
c0 = av.open(u"s5.mp4")
for f in c0.decode(audio=0):
for o in s1.encode(f):
c1.mux(o)
for o in s1.encode(None):
c1.mux(o)
c1.close()
c0.close()
n = os.path.getsize(fn)
real = n * 8 / 2.0
print(u"目标 %3d kbps 实测 %3.0f kbps 占 %3.0f%%"
% (br // 1000, real / 1000, real * 100 / br))
实跑输出：
--------------------------------------------------------------------
5.1.2 音频编解码——码率是唯一的硬指标
--------------------------------------------------------------------
**① 同一段声音，三个码率压一遍**
目标码率 字节 实测码率 占目标
-------------------------------------------
64 kbps 17274 69 kbps 108%
128 kbps 33349 133 kbps 104%
192 kbps 36230 145 kbps 75%
**第三列是「字节数 × 8 ÷ 时长」算出来的，只有前两行贴得住目标。**
**第三行差了四分之一：这段素材是纯正弦波，编码器认为再高的码率也换不来更多信息，**
**于是按上限之内花了就行。所以目标码率是「不超过」的意思，不是「一定用到」。**
**② 音频编码的三个可调项**
项 影响什么 不可逆吗
-----------------------------------------
码率 每秒花多少字节 不可逆
采样率 每秒采多少点 降了不可逆
声道数 几路声音 降了不可逆
**三个都不可逆：降下去之后再升回来，只是把「少掉的信息」补成 0。**
**所以音频转码的方向应该是「尽量不动」，而不是「先降再升」。**
s1.bit_rate 是给编码器的建议值，不是硬约束。
真要卡死上限，得用 -maxrate 加 -bufsize 这一对。
时长这里写死 2 秒，是因为素材就是 2 秒；真实脚本应该读容器的 duration。 读出来的 duration 也未必精确，音视频轨往往差几十毫秒，算码率时取音频轨的更准。
注意第三行：目标翻了三倍，字节只多了百分之九。 这不是编码器偷懒，是这段信号本来就没那么多信息——这就是有损编码的天花板。
30 秒实验
- 换素材：换成真实音乐再压一遍，192 kbps 那一行就会顶到目标附近。
- 看上限模式：
-b:a 128k -maxrate 128k -bufsize 256k，观察字节是否被卡住。 - 换编码器：同码率下 OPUS 通常比 AAC 好听，可以对比文件大小与实际听感。
常见误区
- 以为设了码率就一定达到。简单素材用不完，这是正常现象。
- 以为 320 kbps 一定比 128 kbps 好。源本身只有 128 kbps 的信息量，重压只会更差。
- 以为音频转码不影响画质。只转音频时视频可以用
copy，确实一帧都不动。
自测三问（点开对答案）
1. 音频编码凭什么能丢掉大量数据还听着差不多？ —— 靠听觉掩蔽：被强音盖住的、或低于听阈的成分直接不传，人耳本来也分辨不出来。 2. 为什么目标 192 kbps 只做到 145 kbps？ —— 这段素材是单频正弦波，信息量有限，编码器在上限之内花完就够了，不会硬凑。 3. 单声道转立体声有意义吗？ —— 没有新增信息，只是两个声道放同样内容。真要空间感得从源头就是立体声录的。- ☐ （本节完，下一节 5.1.3 音视频转码简介）