声音是连续的气压变化，数字化就是「每隔一会儿量一次、每次量个整数」。 码率 ＝ 采样率 × 位深 × 声道数，三个乘数各管一件事，互不替代。
上一节算清了画面的数据量，这一节算声音的。 两者放一起才好理解「为什么视频里音频只占几个百分点」：1080p30 未压缩是 746 Mbps， CD 音质只有 1.4 Mbps，差五百多倍。 但声音不能省——画面糊了还能忍，声音断了立刻出戏。 这也是为什么弱网下播放器常先降画质、很少降音质。
一、采样：把连续的波切成点
麦克风把气压变化变成电压，电压是一条连续曲线。 计算机存不了连续曲线，只能每隔一小段时间取一个值——这就是采样。
采样率就是「每秒取多少个点」。 采得越密，能表示的高频越高：采样率 8 kHz 只够电话语音，44.1 kHz 够音乐， 48 kHz 是视频行业的标准。
这里有一条硬约束，叫采样定理： 采样率必须大于信号最高频率的两倍，否则高频会「折」成低频，变成假声。 人耳上限约 20 kHz，两倍就是 40 kHz，所以 44.1 kHz 够用。 如果只采 8 kHz，那么 4 kHz 以上的声音都会被折回来变成刺耳的杂音。
这个「折叠」不是软件 bug，是数学必然： 采样之后你根本无法区分「4 kHz 的真信号」和「5 kHz 折回来的假信号」。 所以采样率一旦定死，能还原的带宽就定死了。
二、44.1 kHz 这个奇怪数字的来历
为什么不取整成 44 或 48，偏要 44.1？ 因为它要跟当年的磁带录像机对齐：PAL 制式的行频是 15625 Hz，一行正好塞三个采样， 15625 × 3 ＝ 46875，再乘个系数就落到了 44100。
这是典型的「工程妥协留下历史包袱」：今天没人再用磁带存音频，但 CD 定了 44.1， 几十年就改不动了。
而视频行业走另一条线，定了 48 kHz：因为早期数字录像设备（DAT）用它，后来电影、电视、
直播全跟着用。
所以一个播放器必须能重采样——素材是 44.1 kHz，声卡按 48 kHz 出，中间那一步就是 swr_convert。
三、位深：每次量多细
采样解决了「多久量一次」，位深解决「量得多细」。 16 位就是每个采样点用 65536 个刻度去量。
位深直接决定动态范围，公式是「位数 × 6.02 分贝」：
| 位深 | 刻度数 | 理论动态范围 | 典型用途 |
|---|---|---|---|
| 8 位 | 256 | 约 48 dB | 老游戏、电话 |
| 16 位 | 65536 | 约 96 dB | CD、绝大多数素材 |
| 24 位 | 16777216 | 约 144 dB | 录音棚、影视后期 |
「96 分贝」听着抽象，换成日常场景：它大致是「最轻的呼吸声」到「最响的交响乐」的跨度。 所以 16 位对回放够用，24 位是给后期留余量用的——多出来的位不是让人听见更细， 是让录音师有空间调。
位深不足的表现不是「变糊」，是「底噪」：安静段落会听到沙沙声，那是量化误差被放大的结果。
四、声道：一次存几路
单声道是一路，立体声是左右两路，5.1 是六路（前左、前右、中置、低音、后左、后右）。
声道数直接乘进码率，所以是最贵的一项：48 kHz 16 位，立体声是 1536 kbps， 5.1 就是 4608 kbps——三倍。
但声道不是越多越好：手机上两个喇叭离得比耳朵还近，5.1 的信息量根本放不出来； 耳机倒是能靠 HRTF 做出环绕感，那是另一套算法（双耳渲染），不是「多存几路」就能解决的。
播放器这边要处理的是「布局不匹配」：素材是 5.1，输出是立体声，
就要下混（downmix）——把后环绕按比例并进左右，同时保证人声不飘。这一步也归 swr_convert 管。
五、压缩：AAC 在做减法
PCM 是把每个采样点原样存下来，一个字节都不省。 AAC 则在两个地方做减法： 一是心理声学——被强音盖住的弱音，人耳听不见，干脆不存。 二是冗余——波形里有大量可预测的部分，只存「与预测的差」。
所以 AAC 的码率是「预算」，不是「结果」：128 kbps 是硬指标，复杂的交响乐会被摊薄， 安静的独白也照花这么多。这一点跟视频的 CBR 是一样的脾气。
这也是为什么 AAC 在不同素材上表现差很多：人声谈话 64 kbps 就很干净， 金属摇滚 256 kbps 还嫌不够。心理声学模型假设「掩蔽效应」，而密集的宽带噪声几乎不产生掩蔽。
六、动手 Demo：声音比画面小得多，但也不是白给的
这段先把四种常见规格的 PCM 码率算出来，再真编一段 AAC 看压缩比。 注意最后一行 5.1——声道数一多，码率立刻翻三倍。
for name, sr, bits, ch in cases:
b = sr * bits // 8 * ch # 每秒字节数
T([name, u"%d" % b,
u"%.0f kbps" % (b * 8 / 1000.0),
u"%.2f GB" % (b * 3600 / (1024.0 ** 3))], [0, 0, 0, 0])
# 真跑：2 秒 48 kHz 立体声，编码 AAC 128 kbps
pcm = 48000 * 2 * 2 * 2
n = _make_audio(path, 2.0, 48000)
实跑输出：
--------------------------------------------------------------------
声音比画面小得多，但也不是白给的
--------------------------------------------------------------------
**PCM 的码率是三样相乘：采样率 × 位深 × 声道数。**
规格 每秒字节 码率 一小时
------------------------------------------------------------------
44.1 kHz／16 位／立体声 176400 1411 kbps 0.59 GB
48 kHz／16 位／立体声 192000 1536 kbps 0.64 GB
48 kHz／24 位／立体声 288000 2304 kbps 0.97 GB
48 kHz／16 位／5.1 576000 4608 kbps 1.93 GB
**CD 音质是 1411 kbps，比 1080p 视频的 746 Mbps 小 529 倍。**
**这就是为什么早期网络视频总先砍画面、不砍声音。**
**真跑 2 秒 48 kHz 立体声**：
PCM 的账是 384000 字节（192000 字节每秒 × 2 秒）。
AAC 128 kbps 压完，文件实际 33616 字节。
**压缩比 11.4 比 1，误差来自 ADTS 头与编码器填充。**
**注意 AAC 是按「码率」而不是按「质量」配的**：128 kbps 是个硬预算，复杂的音乐会被摊薄，
安静的段落也照花这么多。
压缩比十一倍多一点，误差来自 ADTS 头——AAC 裸流每帧前面有几个字节的头，两秒几十帧， 加起来几百字节。
这段测试音是 440 Hz 纯正弦，比真实音乐好压得多，所以这个压缩比偏乐观。 真实音乐在 128 kbps 下的压缩比也是十几倍，但主观听感差得多——因为纯音的掩蔽效应简单， 音乐的复杂得多。
最后记住一条实用的：音频码率低到 64 kbps 以下，人声还能忍、音乐就明显发闷； 视频会议把音频从 32 提到 64 kbps，体验提升比把画面从 720p 提到 1080p 大。因为人对声音的劣化比对画面敏感。
30 秒实验
- 查一下你常用会议软件的音频设置，看它给的采样率与码率是多少。
- 用「采样率 × 位深 × 声道 ÷ 8」算出它的 PCM 码率，再和实际码率比。
- 想一想：为什么手机录音常给 48 kHz 而不是 44.1 kHz？
常见误区
- 以为采样率越高声音越好。 超过两倍最高频率之后，再高的采样率对可听频段没有帮助， 只是让文件变大。
- 把位深当成「精度」而不是「动态范围」。 位深不足的表现是底噪，不是模糊；安静段落最先出问题。
- 以为立体声就是「两倍的数据、两倍的好听」。 它给的是空间定位，在单喇叭设备上要下混， 处理不好人声会变薄。
自测三问（点开对答案）
1. 为什么 CD 选 44.1 kHz 而不是 40 kHz？ —— 40 kHz 只是「刚好两倍人耳上限」，没有余量； 44.1 kHz 留了抗混叠滤波器的过渡带，而且它的数字来自当年录像机的行频。 2. 16 位为什么是 96 分贝？ —— 每个比特约 6.02 分贝，16 × 6.02 ≈ 96。这条公式对任何位深都成立。 3. 素材是 44.1 kHz、声卡按 48 kHz 出，中间发生什么？ —— 重采样：按比例插值出新的采样点。 这一步在 FFmpeg 里是 `swr_convert`，它同时能处理声道布局转换。画面和声音的账都算清了，下一个问题是「怎么把它们送到对面」——这就分出了下载、单播、 组播几条完全不同的路。
- ☐ （本节完，下一节 01.02.01 流媒体传输方式）