波仔
🎬 第十章 SWResample音频重采样理论及案例实战
📄 一句话概括

音频只有三个参数：采样率、声道数、样本格式。 三者相乘就是它一秒占多少字节——没有任何隐藏项。

📝 本节和前面几节的关系

第九章把画面那条链讲完了，这一章换到声音这头。 音频比视频简单得多：时间只有一条公式，参数只有三个。

一、三个参数

声音是一串数字，这三个参数决定这串数字怎么读。 参数 常见取值 管什么

采样率 44100／48000 每秒采多少个点 声道数 1 单／2 立体声 同时记几个方向 样本格式 s16／flt 每个点用几个字节

这三个数缺一个，那串数字就读不出来。这也是裸 PCM 要靠在文件名里写参数的原因。 采样率不是越高越好：44100 已经盖住人耳上限，再高只是多占空间。 专业录音用 96000 是为了后期有余量，不是为了听得更清。

二、一秒占多少字节

采样率乘声道数乘每样本字节，就这一条。 采样率 声道 格式 每秒字节

44100 2 s16 176400 48000 2 s16 192000 44100 2 flt 352800

44.1k 立体声 16 位，一秒 176400 字节，约 172 KB。 一分钟就是 10 MB，一首五分钟的歌就是 50 MB。 这就是音频非压不可的理由。 换成浮点还要翻一倍，所以「用浮点处理、用整数存盘」成了标准做法。

三、素材里那条音轨的真账

五个数就能把一条音轨说清楚。 项 值

编码 aac 采样率 44100 Hz 声道布局 stereo 解码后格式 fltp 帧数×每帧样本 88 × 1024 总样本 90112 时长 2.0434 秒

90112 ÷ 44100 = 2.0434 秒，与视频轨的 2.02 秒差一点， 因为两条轨本来就不是严格等长——音频编码器会补齐到整帧。 这一点点在剪辑里是要处理的：音画同步靠的不是「长度相等」，而是 pts 对齐。 长度差几十毫秒很正常，时间戳错位才是问题。

四、采样率决定能录多高

上限永远是采样率的一半。 采样率 能表达的最高频率

8000 4000 Hz 22050 11025 Hz 44100 22050 Hz 48000 24000 Hz

这叫奈奎斯特定理：要还原一个频率，一个周期至少得采两个点。 所以 44100 这个数字不是随便定的：人耳上限约 20000 Hz， 取 22050 的一半留了点余量，刚好够。 反过来，采样率不够会出事：高于一半的频率不会消失，它会「折」成低频混进来， 听感是金属味的杂音。这叫混叠，10.1.4 还会碰到它。

五、三个参数在代码里叫什么

PyAV 里三个属性一一对应。 参数 帧上的属性 例

采样率 sample_rate 44100 声道 layout stereo 格式 format.name fltp 这一帧多少样本 samples 1024

注意「样本数」是每声道的个数，不是总个数。一帧 stereo、1024 样本，实际有 2048 个数值。 这个约定很容易混：写数组的时候 planar 是 (2, 1024)， packed 是 (1, 2048)——同一个帧，两种形状。 记住「samples 指的是每声道」，下面所有算式才不会差一倍。

六、动手 Demo：音频的三个参数，决定它一秒有多大

先算一秒钟占多少字节，再把素材里那条音轨的五个数全查出来。

import av

# 一秒钟多少字节 = 采样率 x 声道 x 每样本字节
for rate, ch, byt in ((44100, 2, 2), (48000, 2, 2), (44100, 2, 4)):
    print(rate, ch, byt, rate * ch * byt)

c = av.open("tiny.mp4")
st = c.streams.audio[0]
cc = st.codec_context
print(cc.name, cc.sample_rate, cc.layout.name, cc.format.name)

total = nf = 0
for pk in c.demux(st):
    if pk.size == 0:
        break
    for fr in cc.decode(pk):
        total += fr.samples
        nf += 1
print(nf, total, total / float(cc.sample_rate))
c.close()

实跑输出：

--------------------------------------------------------------------
音频的三个参数，决定它一秒有多大
--------------------------------------------------------------------

**① 三个参数**

  参数         常见取值                 管什么
  ----------------------------------------------------------
  采样率       44100／48000             每秒采多少个点
  声道数       1（单）／2（立体声）     同时录几个方向
  样本格式     s16／flt                 每个点用几个字节

**② 一秒钟占多少字节：三者相乘**

  采样率     声道     格式     每秒字节
  -----------------------------------------
  44100      2        s16      176400
  48000      2        s16      192000
  44100      2        flt      352800

**44.1k 立体声 16 位，一秒就是 176400 字节**，约 172 KB。
**这是「未经压缩」的账**——一分钟就是 10 MB，一首歌就上百 MB。所以音频也非压不可。

**③ 素材里那条音轨的真账**

  项           值
  --------------------------
  编码         aac
  采样率       44100 Hz
  声道布局     stereo
  样本格式     fltp
  帧数         88
  总样本       90112
  时长         2.0434 秒

**88 帧、每帧 1024 个样本，合计 90112 个样本，除以 44100 得到 2.0434 秒。**
**音频的时长永远是这样算出来的：样本数除以采样率。**

**④ 采样率决定能录多高**

  采样率     能表达的最高频率
  -------------------------------
  8000       4000 Hz
  22050      11025 Hz
  44100      22050 Hz
  48000      24000 Hz

**上限永远是采样率的一半**（奈奎斯特）。
**44.1k 能到 22050 Hz，刚好盖住人耳的上限**——这就是这个数字的来历，不是什么巧合。

90112 ÷ 44100 = 2.0434 秒，比视频轨的 2.02 秒长一点，正常。 采样率的上限永远是它的一半，44100 刚好盖住人耳。

30 秒实验

  1. 把 44100 换成 8000，算一遍 4 秒的音频有多大。
  2. 打印 st.codec_context.layout.nb_channels，看它是不是 2。
  3. 查一下 av.AudioLayout("5.1").nb_channels 是几。

常见误区

  1. 以为采样率越高越好。 超过人耳上限的部分只是占空间。
  2. 把「样本数」当成总个数。 它是每声道的个数，立体声要乘二。
  3. 以为音轨长度必须等于视频长度。 差几十毫秒正常，看的是 pts。
自测三问（点开对答案） 1. 音频的三个参数是什么？ —— 采样率、声道数、样本格式。 2. 一秒钟的字节数怎么算？ —— 采样率 × 声道数 × 每样本字节数。 3. 44100 这个采样率为什么是它？ —— 它的一半 22050 Hz 刚好盖住人耳上限，留了点余量。

相关笔记