第 3 章 · 音频基础：让声音也变小

VOD 流媒体技术全解 · 第 3 / 12 章

本章你会理解：声音怎么变成数字、采样率/位深是什么、声道/立体声/5.1 的含义、AAC 为什么是流媒体首选。

预计阅读时间：12 分钟

3.1声音怎么变成数字

声音本质是空气的振动，是一条连续变化的波形：

音量

 ▲

 │    ╱╲        ╱╲

 │   ╱  ╲      ╱  ╲

 │  ╱    ╲    ╱    ╲

 └──────────────────► 时间

电脑只能存数字，不能存连续波形。所以要做两件事：

1. 采样（Sampling）：每隔一小段时间，测一次波形的高度

2. 量化（Quantization）：把测到的高度数字化

音量

 ▲

 │  ●   ●                     ●    采样点

 │     ●  ●  ●

 │           ●  ●

 │              ●  ●   ●

 └──────────────────────► 时间

     ↑ ↑ ↑ 每秒采样 N 次，N 就是"采样率"

3.2采样率（Sample Rate）

单位：Hz（赫兹，每秒多少次）

常见采样率：

采样率	场景
8 kHz	电话语音
16 kHz	语音识别、VoIP（Zoom/Teams）
22.05 kHz	老游戏、AM 收音机
44.1 kHz	CD 唱片、音乐首选
48 kHz	视频领域默认（电影、流媒体、广播）
96 kHz	高保真录音
192 kHz	专业录音室

💡 奈奎斯特定理：要还原频率 F 的信号，采样率至少要 2F。人耳能听到的频率上限大约 20 kHz，所以 44.1/48 kHz 刚好够（还留有一点余量）。

📌 VOD 音频统一用 48 kHz。如果你有 44.1 kHz 的源，转码时用 -ar 48000 重采样。

3.3位深（Bit Depth）

每个采样点用几个 bit 存它的"高度"：

位深	能表达的响度级数	场景
8 bit	256 级	老游戏、电话
16 bit	65,536 级	CD、消费流媒体
24 bit	约 1700 万级	专业录音
32 bit 浮点	天文数字	音频制作内部格式

大多数视频里音频都是 16-bit 48 kHz。

3.4声道（Channel）

声道 = 有几条独立的声音轨。

声道	英文	配置	用途
1.0	Mono	单声道	电话、老电视
2.0	Stereo	左 + 右	音乐、大部分视频
5.1	5.1 surround	前左+中+前右+后左+后右+低音（.1 指低频炮）	电影院、家庭影院
7.1	7.1 surround	5.1 + 两个侧向	顶级家庭影院
7.1.4	Atmos 等	7.1 + 4 个天空声道	杜比全景声

布局

家庭影院 5.1 布局（俯视）：

         前左(FL)──中置(C)──前右(FR)

              │    观众    │

              │    ┃       │

         侧左(SL)──┻━━━━──侧右(SR)

                   低音炮(LFE)

3.5音频码率：多少 kbps 够用？

音频码率也是每秒 bit 数。视频码率是几 Mbps，音频码率是几十到几百 kbps，只占视频码率的 5-10%。

码率	听感	场景
32 kbps	能听清语音、音乐破破的	极低带宽
64 kbps	语音清晰、音乐勉强	低码率场景
96 kbps	音乐尚可	广播、YouTube 默认
128 kbps	音乐好听	流媒体默认
192 kbps	高保真	高质量音乐
256 kbps	发烧级	Apple Music
320 kbps	MP3 最大	音乐爱好者
无损 FLAC	透明	发烧 HiFi

📌 VOD 视频配音频：立体声 128 kbps AAC 是绝大多数场景的正确答案。

3.6主流音频编码

AAC（Advanced Audio Coding）：流媒体首选

• 由谁：MPEG（同 H.264 的组织）

• 年份：1997

• 兼容性：所有视频平台、浏览器、手机都支持

• 变体：

- AAC-LC（Low Complexity）：最常用，HLS/DASH 默认

- HE-AAC（High Efficiency）：低码率下更好（64 kbps 以下）

- HE-AAC v2：HE-AAC + 参数化立体声，48 kbps 下依然不错

📌 绝大多数 VOD 项目，音频用 AAC-LC、48 kHz、立体声、128 kbps，就完事了。

MP3：退出历史舞台

• 经典但效率低于 AAC

• 2017 年原始专利到期

• 新项目没理由再用 MP3

Opus：Web 新贵

• 开源、免版税

• 从 6 kbps（语音）到 510 kbps（音乐）都表现优秀

• WebRTC 默认、Discord 使用

• 但 HLS/DASH 兼容性不如 AAC，iOS/Safari 支持有限

Dolby 系列：电影院味儿

编码	用途
AC-3（Dolby Digital）	5.1 声道、蓝光、老 HDTV
E-AC-3 / DD+（Dolby Digital Plus）	5.1 / 7.1，流媒体电影
Dolby Atmos（基于 E-AC-3 + JOC 或 AC-4）	全景声，顶级平台

💡 Dolby Atmos 在 Netflix、Disney+、Apple TV+ 是高价值订阅的标志。

FLAC / ALAC：无损

无损压缩，只能减小 50%-70%，但完全还原原始 PCM。用于：

• Apple Music 无损档

• 音乐发烧友

• 视频领域基本不用（码率太大）

3.7多语言音轨：一个视频带多种语言

一个视频文件里可以装多条音轨：

MP4 file

├── video track   (H.264)

├── audio track 1 (AAC, English)

├── audio track 2 (AAC, Chinese)

├── audio track 3 (AAC, Japanese)

└── subtitle track (WebVTT)

流媒体协议（HLS/DASH）支持独立分发音轨，播放器可以只下载用户选中的语言。

对应的 HLS manifest 配置大致如下：

#EXT-X-MEDIA:TYPE=AUDIO,GROUP-ID="audio",LANGUAGE="en",NAME="English",DEFAULT=YES,URI="audio/en/index.m3u8"

#EXT-X-MEDIA:TYPE=AUDIO,GROUP-ID="audio",LANGUAGE="zh",NAME="中文",URI="audio/zh/index.m3u8"

详见第 5 章：流媒体协议。

3.8响度标准化（Loudness Normalization）

你一定遇到过：切到广告音量突然变大。这是因为不同内容的"响度"差别很大。

响度标准化是按感知响度（不是峰值音量）统一各内容的响度水平。

常用标准

标准	目标响度	用途
EBU R128	-23 LUFS	欧洲广电
ATSC A/85	-24 LUFS	北美广电
Apple Music / Spotify	-14 LUFS	流媒体音乐
YouTube	-14 LUFS	默认
短视频/移动端	-16 ~ -14 LUFS	手机小喇叭上下限

LUFS（Loudness Units Full Scale）是国际标准的感知响度单位。

🛠️ ffmpeg 做响度标准化：

# 把音频规范到 -14 LUFS

ffmpeg -i input.mp4 -af loudnorm=I=-14:TP=-1.5:LRA=11 -c:v copy output.mp4

3.9动手：查看和转码音频

🛠️ 动手试一试。

查看一个视频里有几条音轨

ffprobe -v error -show_streams -select_streams a input.mp4
      

典型输出：

codec_name=aac

sample_rate=48000

channels=2

channel_layout=stereo

bit_rate=128000

把多种音频统一转成 AAC 48 kHz 128 kbps 立体声

ffmpeg -i input.mov \

  -c:a aac -b:a 128k -ar 48000 -ac 2 \

  -c:v copy \

  output.mp4

参数解释：

• -c:a aac：音频编码 AAC

• -b:a 128k：码率 128 kbps

• -ar 48000：采样率 48 kHz

• -ac 2：声道数 2（立体声）

• -c:v copy：视频不动、直接复制（节省时间）

✦ 本章要点回顾

1. 声音数字化需要采样率（时间轴密度）和位深（幅度精度）。

2. VOD 默认采样率 48 kHz、位深 16-bit。

3. 消费流媒体默认声道立体声（2.0），电影级用 5.1 / Atmos。

4. AAC-LC 128 kbps 是 VOD 项目的默认音频设置。

5. 一个视频文件可以带多条音轨（多语言）。

6. 响度标准化（EBU R128 / -14 LUFS）能避免"切广告就变吵"。