一、音频基础
从初中物理我们就知道，声音是一种波。然而计算机只能处理离散的数字信号，它无法直接记录连续的模拟波形。于是，人们通过在时间轴上密集地采集离散样本，来逼近原始波形，这个过程就叫做采样（Sampling）。
那么，怎样才能更完整地还原原始声音呢？这自然引出了几个核心概念。
采样频率（Sample Rate）
采样频率是指每秒钟采集声音样本的次数，单位为赫兹（Hz）。采样率越高，采集到的样本越密集，还原出来的声音也就越接近原声。常见的采样率有以下几种：
| 采样率 | 应用场景 |
|---|---|
| 8 kHz | 电话通话，对人声记录已经足够 |
| 22.05 kHz | 广播 |
| 44.1 kHz | 音频 CD（最常见的音乐格式） |
| 48 kHz | DVD、数字电视 |
| 96 ~ 192 kHz | DVD-Audio、蓝光高清等高保真音频 |
采样精度（Bit Depth）
采样精度（也称位深度）表示每个采样值所使用的二进制位数。位数越多，能够记录的幅度范围就越大，声音的动态层次也就越丰富。
采样精度的常用范围为 8 bit 到 32 bit，CD 音质通常使用 16 bit。
声音通道（Channel）
只要一个喇叭，就能让声音传进耳朵——这是最早的单声道（Mono）。但人类富有创造力，当人们把不同的声音分别传递给不同方向的喇叭时，竟然产生了惊人的空间感！即使是同一段声音，多通道也比单通道带来更好的听觉体验。于是便有了立体声（Stereo）、5.1 环绕声等技术。
声音通道定义了每个通道的声音会从哪个喇叭播出。当然，也可以通过算法模拟，让喇叭数量不足的设备也能呈现出类似的效果。
有了声道的概念，录音时就可以为乐队的每位成员单独分配一条音轨，录完之后再通过后期混音合并输出。
比特率（Bit Rate）
比特率（bps，bits per second）表示每秒钟需要播放多少 bit 的音频数据，它直接决定了音频文件的大小和音质上限。计算公式为：
以 CD 音质为例：采样率 44100 Hz、采样精度 16 bit、双通道（Stereo），则：
一般而言，比特率越高，音频质量越好。需要注意的是，比特率的单位换算是以 1000 为进制，而非常见的 1024：
| 换算关系 |
|---|
| 1,000 bps = 1 kbps |
| 1,000,000 bps = 1 Mbps |
| 1,000,000,000 bps = 1 Gbps |
二、音频在计算机中的表示
理解了上面这些概念，我们再来看音频数据在计算机中究竟是如何存储的。这里说的是原始 PCM 数据，即未经编码（非 MP3、AAC 等格式）的裸数据。
以 .wav 文件为例，整个文件由两部分组成：
- 文件头（Header）：前 44 个字节，用于记录采样率、通道数、采样精度等元信息；
- 数据区（Data）：紧随其后的原始 PCM 音频数据。
WAV 文件格式规范可参考 soundfile.sapp.org，这里不做深入介绍。我们重点关注数据区的存储方式，以便后续理解混音算法。
一个采样的存储结构
下图展示了一个含三个通道（每通道 16 bit）的采样在内存中的排列方式：
可以看到，多个通道的数据是交错（Interleaved）存储的——通道 1 的采样值、通道 2 的采样值、通道 3 的采样值，依次排列，然后是下一个采样时刻的三个通道值，如此循环。
每个采样值以 Little-Endian（低字节在前） 的方式存储。例如，通道 1 的采样值为 0x03AB，在内存中存放顺序为 AB 03，低位字节 AB 在前，高位字节 03 在后。
每个采样值的大小代表该时刻声音的**幅度（Amplitude）**信息，正是这些幅度值的变化，重建了声音波形。
三、小结
本文介绍了音频编程中最基础的几个概念：
- 采样频率：每秒采集样本的次数，决定了频率还原能力；
- 采样精度：每个样本的位深，决定了动态范围；
- 声音通道：多路声音的分离记录与播放；
- 比特率：单位时间的数据量，综合反映音频质量；
- PCM 原始数据：多通道交错、Little-Endian 存储。
掌握这些基础，是后续深入理解音频编码、混音处理等进阶知识的前提。