【音频基础学习】第 10 天，学习最基础的音频处理

前言前 9 天你已经建立了音频基础声音、采样、PCM、声道、波形、分贝、动态范围、格式、频域和 FFT。第 10 天开始把这些概念落到实际操作上音频工具里最基础的处理到底在做什么。今天会讲裁剪拼接淡入淡出归一化静音片段检测这些处理看起来简单但它们涉及 frame 边界、采样值修改、增益、峰值、RMS、导出格式等很多基础知识。这篇在整套教程里的位置这篇承接 [第 3 天理解声道和帧]的数据组织概念也承接 [第 5 天] 和 [第 6 天] 的电平与边界知识。本文会把“看懂音频”正式推进到“开始动音频”让裁剪、拼接、淡化、归一化、静音检测各自对应到真实PCM操作。学完后建议继续看 [第 11 天理解重采样和格式转换]理解处理动作之外规格和编码变化时发生了什么。今天学完后你应该掌握什么看完这篇文章后你应该能说清裁剪音频为什么要按 frame 边界拼接音频为什么可能产生点击声淡入淡出为什么能减少爆音归一化到底改变了什么峰值归一化为什么不等于响度统一静音检测为什么需要阈值和持续时间这些处理哪些会修改 PCM哪些只是分析裁剪是什么裁剪就是从一段音频中取出指定时间范围。例如原始音频: 0s - 60s 裁剪范围: 10s - 20s 输出结果: 10 秒音频对 PCM 来说裁剪本质上是从原始数据中复制一段 frame 范围。裁剪为什么要按 frame 边界第 3 天讲过多声道 PCM 必须按 frame 对齐。裁剪流程通常是起始时间 - 起始 frame - 起始字节偏移 结束时间 - 结束 frame - 结束字节偏移不能随便从任意字节开始截。例如16-bit / stereo每 frame 4 字节。如果从不能被 4 整除的位置开始裁剪就可能破坏左右声道排列。所以裁剪看似只是“截一段”本质上仍然要尊重 PCM 数据结构。裁剪为什么可能产生点击声如果裁剪点刚好落在波形振幅较大的位置输出开头可能会从一个非零值突然开始。扬声器播放时这种突变可能听起来像咔啪点击声同样结尾如果突然从较大振幅切到 0也可能产生点击声。解决方法通常是尽量在接近零点的位置裁剪裁剪后加短淡入淡出使用平滑裁剪策略拼接是什么拼接就是把多段音频接在一起。例如A 段 B 段 C 段 - 输出音频PCM 层面上拼接通常是把多段 frame 数据按顺序连接。拼接为什么也可能有爆音拼接边界可能出现不连续。假设 A 段最后一个采样值很大而 B 段第一个采样值很小甚至方向相反那么拼接处会出现突然跳变。这种跳变可能听起来像点击声。常见处理方式在 A 末尾做短淡出在 B 开头做短淡入做交叉淡化crossfade交叉淡化就是让 A 慢慢减小同时 B 慢慢增大两段重叠一小段时间过渡更自然。淡入淡出是什么淡入淡出是最基础、最实用的音频处理之一。淡入淡入Fade In是让开头声音从小逐渐变大0 - 正常音量淡出淡出Fade Out是让结尾声音从正常音量逐渐变小正常音量 - 0PCM 层面上它本质是给采样值乘以一个随时间变化的增益系数。淡入淡出的核心原理假设淡入持续 1000 个 frame。第 0 frame 系数接近 0第 999 frame 系数接近 1output input × fadeCoeff淡出则相反output input × (1 - fadeCoeff)对多声道音频同一 frame 内所有声道通常使用同一个系数保证左右声道包络一致。常见淡化曲线线性淡化系数均匀变化。优点是简单直接缺点是听感不一定最自然。等功率淡化更符合某些听感场景尤其交叉淡化时常用。S 曲线淡化开头和结尾变化慢中间变化快听起来更平滑。不同曲线不是绝对谁最好要看素材和目标。归一化是什么归一化Normalize是把音频整体调整到某个目标水平。最常见的是峰值归一化找到整段音频最大峰值计算目标峰值和当前峰值差距对整段音频应用统一增益例如当前 Peak 是-8 dBFS目标 Peak 是-1 dBFS可以增加约7 dB。归一化不等于压缩归一化通常对整段音频应用一个固定增益。它不会改变大声和小声之间的相对差距。压缩器会根据电平动态改变增益大声部分压得更多小声部分可能相对更突出。所以归一化整体抬高或降低压缩改变动态关系这也是为什么归一化不等于动态范围控制。峰值归一化不等于响度统一两段音频都归一化到-1 dBFS听起来仍然可能不一样大。原因是RMS 不同动态范围不同频率分布不同人耳对不同频率敏感度不同如果目标是“听起来一样大”通常要考虑响度归一化比如 LUFS。那是更高级的主题。静音片段检测是什么静音检测是找出音频中接近安静的区间。它常用于自动剪掉开头结尾静音找到说话间隔分割录音跳过无声区域但静音检测不能只判断采样值是否等于 0。真实录音里有底噪即使没人说话也可能有微弱波动。静音检测为什么需要阈值阈值表示低于某个能量水平就认为接近静音。例如RMS -50 dBFS可以作为静音候选。阈值太高会把小声内容误判为静音。阈值太低会漏掉实际安静段。所以静音阈值要根据素材类型调整。静音检测为什么需要持续时间单个瞬间低于阈值不代表静音。一段声音中可能有短暂停顿、波形过零点、瞬间低能量。如果只看一个采样点会误判很多。所以静音检测通常要求连续一段时间低于阈值持续时间达到最小长度例如低于阈值并持续 300 ms才认为是静音段哪些处理会修改 PCM会修改 PCM裁剪拼接淡入淡出归一化声道混合滤波这些会改变输出数据。只分析 PCM波形统计Peak/RMS 计算静音段检测频谱分析这些可以不修改原始数据只输出分析结果。实际工具设计中要明确某个功能是破坏性处理还是非破坏性预览。应用场景音频编辑器裁剪、拼接、淡化是基础编辑能力。自动处理工具静音检测可以自动裁掉空白区域归一化可以统一输出峰值。批量处理批量归一化、批量淡化、批量裁剪都需要稳健处理边界条件。播放预览非破坏性处理通常需要独立预览缓存避免直接覆盖当前 PCM。初学者最容易混淆的几个点误区 1裁剪只是按字节截取不对。PCM 裁剪要按 frame 边界操作。误区 2拼接就是直接把文件粘起来不一定。压缩格式不能简单字节拼接PCM 拼接也要考虑格式一致和边界平滑。误区 3淡入淡出只是调播放器音量不对。导出处理中的淡化通常会改变 PCM 数据。误区 4归一化后听起来都会一样响不对。峰值归一化只统一最大峰值不统一主观响度。误区 5静音就是 sample 等于 0不对。真实录音有底噪静音检测通常需要阈值和持续时间。今天建议这样练练习 1分析裁剪边界找一段音频选择一个波形振幅较大的位置裁剪再选择一个接近零点的位置裁剪对比听感。练习 2手算淡入系数假设淡入 5 帧写出一组线性系数0, 0.25, 0.5, 0.75, 1思考每一帧采样值如何变化。练习 3解释归一化用自己的话解释当前 Peak 为-7 dBFS目标-1 dBFS为什么要增加约6 dB。练习 4设计静音检测规则写出一个简单规则RMS 低于某阈值并持续某个时间判断为静音再思考阈值太高和太低分别会怎样。今天的总结今天要记住裁剪是复制指定 frame 范围拼接要考虑格式一致和边界不连续淡入淡出是随时间变化的增益处理归一化通常是整体应用固定增益峰值归一化不等于响度统一静音检测需要阈值和持续时间多声道处理要保持 frame 对齐和声道策略一致自检问题裁剪 PCM 为什么要按 frame 边界拼接为什么可能产生点击声淡入淡出的本质是什么峰值归一化的基本步骤是什么为什么归一化不等于压缩静音检测为什么不能只判断 sample 是否等于 0静音检测为什么需要持续时间自检参考答案1. 裁剪 PCM 为什么要按 frame 边界因为多声道 PCM 中一个 frame 包含同一时刻所有声道 sample从半帧位置裁剪会破坏声道对齐。2. 拼接为什么可能产生点击声因为前一段结尾和后一段开头的采样值可能不连续播放时会产生突变。3. 淡入淡出的本质是什么本质是对采样值乘以随时间变化的增益系数。4. 峰值归一化的基本步骤是什么先找最大峰值再计算目标峰值所需增益最后对整段应用统一增益。5. 为什么归一化不等于压缩归一化通常使用固定增益不改变大声和小声的相对动态压缩会根据电平动态改变增益。6. 静音检测为什么不能只判断 sample 是否等于 0因为真实录音常有底噪安静段也可能有微弱采样值变化。7. 静音检测为什么需要持续时间因为瞬间低电平不代表静音必须连续低于阈值一段时间才更可靠。明天会学什么明天会讲重采样和格式转换。你会理解为什么44.1kHz和48kHz之间转换不是简单删点或补点位深转换为什么也要小心。