波仔
🎬 第五章 FFmpeg命令行实现音视频转码
📄 一句话概括

降采样容易，省空间；升采样补不出高频，只会把文件撑大。 「采样率高」不等于「高频多」，这是重采样里最大的误解。

📝 本节和前面几节的关系

上一节改的是「存几份」，这一节改的是「每秒记多少个点」。 这两个参数合起来决定音频的原始体积：字节 = 点 × 声道 × 每点字节。

一、三个采样率，时长都一样

同一段声音按三档采样率各存一份：

采样率 采样点 字节 时长

44100 89088 178176 2.02 秒 22050 44544 89088 2.02 秒 48000 96967 193934 2.02 秒

第四列三行相同，说明转采样率不改时长；变的是「每秒记多少个点」。 22050 那一点数正好是一半，字节也是一半——这就是「降采样省空间」的字面含义。

48000 那一行点数比 44100 多了百分之九，字节也多了百分之九。 这一档是为视频准备的：视频的帧率多是 24、25、30 的倍数，音频取 48 kHz 才好对齐。

二、升回来是空的

拿一个 15 kHz 的正弦波做实验：先降到 22050，再升回 44100：

阶段 采样点 均方根

原始 44100（15 kHz） 44100 0.354 降到 22050 22034 — 再升回 44100 44068 0.001

第三行的均方根掉到 0.001，几乎归零——声音没了。 因为 22050 的奈奎斯特频率只有 11025 Hz，15 kHz 在那一步就被彻底滤掉了。

升回 44100 只是把点补密，补出来的全是零。「采样率高」不等于「高频多」。 所以「把 44.1 kHz 升到 96 kHz 提升音质」这件事，物理上不可能成立。

三、什么时候该改采样率

三种需求，三种做法：

需求 做法

体积太大 先降采样率，再降码率 设备不认 只改到设备要求的那一档 想「提升音质」 做不到，重采不能凭空造信息

第一行要注意顺序：先降采样率再降码率，比只降码率省得多。 因为码率是压缩后的目标，采样率直接砍掉了一半的原始数据。

第三行是很多人踩过的坑：升采样之后文件变大了，声音一点没变好， 而且下游还得为多出来的这些零付存储与带宽。

四、动手 Demo：三档采样率各存一份，再试一次升回来

把素材音频按 44100、22050、48000 各解一份裸 PCM，比点数与字节。 再拿一个 15 kHz 的正弦波走一遍「降下去再升回来」，看高频能不能回来。

import av, os
import numpy as np

def to_pcm(dst, rate, src=u"s5.mp4"):
    c1 = av.open(dst, u"w", format=u"s16le")
    s1 = c1.add_stream(u"pcm_s16le", rate=rate)
    s1.layout = u"mono"
    rs = av.AudioResampler(format=u"s16", layout=u"mono", rate=rate)
    c0 = av.open(src)
    n = 0
    for f in c0.decode(audio=0):
        for rf in rs.resample(f):
            n += rf.samples
            for o in s1.encode(rf):
                c1.mux(o)
    for rf in rs.resample(None):
        n += rf.samples
        for o in s1.encode(rf):
            c1.mux(o)
    for o in s1.encode(None):
        c1.mux(o)
    c1.close()
    c0.close()
    return n, os.path.getsize(dst)

for sr in (44100, 22050, 48000):
    n, b = to_pcm(u"sr%d.pcm" % sr, sr)
    print(u"%d Hz  %d 点  %d 字节  %.2f 秒" % (sr, n, b, n / float(sr)))

SR = 44100
t = np.arange(SR) / float(SR)
sig = (0.5 * np.sin(2 * np.pi * 15000 * t)).astype(np.float32)
fr = av.AudioFrame.from_ndarray(np.ascontiguousarray(sig.reshape(1, -1)),
                                format=u"fltp", layout=u"mono")
fr.sample_rate = SR
down = av.AudioResampler(format=u"fltp", layout=u"mono", rate=22050)
up = av.AudioResampler(format=u"fltp", layout=u"mono", rate=SR)
mid = down.resample(fr)
back = up.resample(mid[0]) + up.resample(None)
out = np.concatenate([b.to_ndarray()[0] for b in back])
r0 = float(np.sqrt((sig.astype(np.float64) ** 2).mean()))
r1 = float(np.sqrt((out[:len(sig)].astype(np.float64) ** 2).mean()))
print(u"原始 15 kHz 均方根 %.3f" % r0)
print(u"降到 22050 得 %d 点" % mid[0].samples)
print(u"升回 44100 得 %d 点 均方根 %.3f" % (len(out), r1))

实跑输出：

--------------------------------------------------------------------
5.5.2 采样率转换——降下去容易，升回来是空的
--------------------------------------------------------------------

**① 单声道文件，三个采样率各存一份**

  采样率     采样点     字节       时长
  -----------------------------------------
  44100      89088      178176     2.02 秒
  22050      44544      89088      2.02 秒
  48000      96967      193934     2.02 秒

**第四列三行相同，说明转采样率不改时长；变的是「每秒记多少个点」。**
**22050 那一点数正好是一半，字节也是一半——这就是「降采样省空间」的字面含义。**

**② 升回来能不能恢复高频**

  阶段                     采样点     均方根
  -------------------------------------------
  原始 44100（15 kHz）     44100      0.354
  降到 22050               22034      —
  再升回 44100             44068      0.001

**第三行的均方根掉到 0.001，几乎归零。**
**因为 22050 的奈奎斯特频率只有 11025 Hz，15 kHz 在那一步就被彻底滤掉了。**
**升回 44100 只是把点补密，补出来的全是零——「采样率高」不等于「高频多」。**

**③ 所以转换的正确顺序**

  需求               做法
  ----------------------------------------------
  体积太大           先降采样率，再降码率
  设备不认           只改到设备要求的那一档
  想「提升音质」     做不到，重采不能凭空造信息

**第三行是很多人踩过的坑：把 44.1 kHz 的素材「升」到 96 kHz，文件变大了，声音一点没变好。**

AudioResampler 用完要再次调用 resample(None) 收尾， 把内部缓冲的尾巴吐出来——不收尾会少几十个点。

15 kHz 这个频率是故意选的：它高于 22050 的一半，所以必然被滤掉。 换成 5 kHz 再试一次，你会看到几乎完整的还原——这就是奈奎斯特线的意义。

那段正弦波是代码自己造的，不需要外部音频文件， 所以这个实验可以脱离素材单独跑。

30 秒实验

  1. 命令行对照：ffmpeg -i 源.mp4 -ar 48000 出.wav。
  2. 看奈奎斯特线：把 15000 改成 5000，均方根会保住。
  3. 只降码率不降采样率：对比字节，体会两种省法的差别。

常见误区

  1. 以为采样率越高音质越好。超过原始素材的采样率，多出来的全是补的零。
  2. 降采样后想升回去。被滤掉的高频找不回来，升回去只是把点补密。
  3. 忘记 resample(None) 收尾。最后几十个点会丢掉，时长差一丁点。
自测三问（点开对答案） 1. 为什么 22050 的奈奎斯特频率是 11025？ —— 奈奎斯特频率等于采样率的一半，超过这个频率的成分无法被还原。 2. 把 44.1 kHz 升到 96 kHz 能提升音质吗？ —— 不能。原始信号里没有的信息，重采样造不出来，只会让文件变大。 3. 降采样为什么比降码率省得多？ —— 降采样直接砍掉原始数据量，降码率只是让压缩更狠，前者是减法不是压缩。

相关笔记