声音是振动产生的声波，通过介质（气体、固体、液体）传播并能被人或动物听觉器官所感知的波动现象。 音频指人耳可以听到的声音频率在20Hz~20kHz之间的声波。

声音作为波的一种，频率和振幅就成了描述波的重要属性，频率的大小与我们通常所说的音高对应，而振幅影响声音的大小。声音总可以被分解为不同频率不同强度正弦波的叠加。这种变换（或分解）的过程，称为傅立叶变换。

声音属于机械波，其在空气中的传播属于纵波，即振动方向与传播方向一致。

（1）横波和纵波

回忆初中物理到知识：

那么问题来了，为什么我们平时看到纵波（比如声波）的波形图好像跟横波是一样的（比如下图）？

（2）纵波的振动波动图

从图像中可以看出，（纵波）波形图的横坐标表示的发生振动的物体（也即固定的每个质子），而纵坐标表示的是质子在某个时刻距离其基准产生的位移！

也即，在某一时刻 t，横坐标表示的是发生振动的物体的各个质点，反正这里表示的并不是时间；而纵坐标表示的是每一个质子的位移。 在下一个时刻 t+1 ，其又会是另外一个波形：其横坐标并不会改变，发生变化的每个质子的位移量。

注意：一定要区分清楚波的“振动波动图”和“波形图”。 横波的“振动波动图”和“波形图”类似， 纵波的“振动波动图”（水平方向）和“波形图”（类似正弦曲线， 有上有下）则有差别。

振动图表示的是一个粒子随时间振动变化的图像 波形图表示N多粒子在平衡位置上下（就是坐标上一个个点在竖直上下）振动形成的波的图像

那么，问题来了，那些坐标横轴是时间的波形图（声波）是如何得来的？

（3）声波

找了好久，用两个动态图来表示声音的传播（借助空气分子的来回振动实现）以及在示波器上的表示（时域声波图）吧。

这张图值得注意的是，质子只是来回振动，并没有向前运动，与横波一样！

这里值得注意的是，声波图描述的是任意一个质子的运动？

以扬声器的发声为示例，下图为动圈式扬声器的结构示意图。 将线圈套在永久（固定）磁铁上，并通入电流，则线圈变为电磁铁； 改变电流的方向和大小，则电磁铁的极性和强度也随之改变，因而会与永久固定磁铁产生不同强度的吸引和排斥，所以会使得线圈在磁铁上往复运动； 线圈一般绑定在一个薄膜上面（这里是纸盆），线圈的移动便会带动薄膜推动它碰到的空气粒子，形成了一面“气墙”。实际上这一面面的 "气墙“也就是声音的本质，或者说声音的本质就是空气的震动。

（后续，这一面面气墙在碰到人的耳朵时，就会引起人耳骨膜的摆动，与骨膜相联系的神经细胞会对这种震动的频率和幅度产生反应，反应成大脑理解的声音） 而不同声音的种类是怎么决定出来的呢？ 这个主要与声音的震动频率有关， 这个震动频率其实就是一面面气墙之间的间隔。人们说，女生的声音会尖一些，或者说，声音的频率高一些。 其实就是女生产生的气墙的间隔要比男生的窄。或者说，女生们的喇叭，对应的电磁铁震动的速度相对快些。术语上讲，就是女生声带的震动频率要高。

补充下，声学处理的难点之一：机器很难知道混合声音各个声音源的声音情况，它听到的就是一个混合在一起的声音。

声音（空气震动）——>改变电容两端的物理间距——>电阻大小发生变化——>电压大小的变化——>记录形成“正弦波”

声音储存的本质也很简单，类似人耳的骨膜，计算机拾取声音的方法也是搞一个薄膜。 将薄膜作为电容的一端，当代表声音的气墙过来的时候，将会推动薄膜震动，从而有规律地改变它和电容另外一端的间距。因此，电容两端的电压也就会发生有规律的变化，然后经过一个模数转换器ADC（Analog to Digital Converter），将电压的变动幅度映射到一系列的数字上（比如4.3v-5v 对应 200 之类），最后声音就变成了时间轴上的数字。

可以看出来ADC转换器十分重要，其精度的好坏，直接决定了对声音的记录质量。

有了声音的数字值之后，便是如何组织成数据文件的问题了。问题就化简为，已知一个整数数组，和一些约定，如何高效的存储成文件。

最简单的存储方式就是，原封不动的把数组存储下来。 这也就是asr领域常用的音频数据格式——pcm格式。这样，每隔一段时间探测一下电压值，然后转换为对应的数字，然后就存一下。 如仅下面的图。

在声音的储存过程中，有三个比较重要的概念，也是音频信号的三个重要参数：采样频率、量化位数和声道。

采样频率：每隔多长时间观测和记录一下电压值。 采样频率越高声音的还原就越真实越自然。在当今的主流采集卡上，采样频率一般共分为22.05KHz、44.1KHz、48KHz三个等级

量化位数： 电压转换为数字的精细度。 用多少bit表达一次采样所采集的数据，通常有8bit、16bit、24bit和32bit等几种。（说大白话，就是数字取整的精度）

声道：用了几个麦克风在录，有单声道、双声道和多声道。

声道数：单声道、双声道和立体声 单声道一定不是立体声 双声道不一定是立体声 立体声一定一个以上的发生源，且有两个声道的波形相位不一样。

更多详细的细节可以查看后续文章：“声音”背后的原理（2）：采样、量化和编码

目前主流对人声的研究一般分为语音识别和声纹识别（说话人识别）。前者研究的是共性问题，判定所说的内容，而后者是个性识别，判定说话人的身份。

这部分可以参考之前的总结：声纹识别·总章

参考：