一.数字音频 1.1 采样
1.2 量化
1.3 编码
二. 音频编码
2.1 压缩比
无损压缩
有损压缩
2.2 压缩编码
2.2.1 WAV编码
2.2.2 MP3编码
.2.3 AAC编码
2.2.4 Ogg编码
一.数字音频
为了将模拟信号数字化，将会有三个操作分别是采样、量化和编码。
1.1 采样
首先要对模拟信号进行采样，所谓采样就是在时间轴上对信号进行数字化。
根据奈奎斯特定理（也称为采样定理），按照声音最高频率的 2 倍以上的频率对声音进行采样（也称为AD转换），对于高质量的音频信号，其频率范围（人类能够听到的频率范围）是20Hz～20kHz，所以采样频率一般为44.1kHz，这样就可以保证采样声率达到20kHz也能被数字化，从而使得经过数字化处理之后，人类听到的声音质量不会被降低。
所谓的 44.1kHz 就是代表 1 秒会采样44100次（如下图）。
那么，具体的每个采样又该如何表示呢？这就涉及将要讲解的第二个概念：量化。
1.2 量化：
量化是指在幅度轴上对信号进行数字化，例如 用16 比特的二进制信号来表示声音的一个采样，而16比特（C语言中一个short类型的长度）所表示的范围是[-32768，32767]，共有65536个可能取值，因此最终模拟的音频信号在幅度上也分为了65536层（如下图）。
既然每一个量化都是一个采样，那么这么多的采样该如何进行存储呢？这就涉及将要讲解的第三个概念：编码。
1.3 编码
所谓编码，就是按照一定的格式记录采样和量化后的数字数据，例如顺序存储或压缩存储，等等。
这样就涉及了很多种格式，通常所说的音频的裸数据格式就是脉冲编码调制（Pulse Code Modulation，PCM）数据。
描述这段PCM数据一般需要以下三个概念：量化格式（sampleFormat）、采样率（sampleRate）、声道数（channel）。
1.3.1 比特率：
以CD的音质为例：量化格式（有的描述为位深度）为16比特（2字节），采样率为44100，声道数为2，这些信息就描述了CD的音质。而对于声音格式，还有一个概念用来描述它的质量，称为数据比特率，即1秒时间内的比特数量，它用于衡量音频数据单位时间内的容量音质。而对于CD音质的数据，比特率为多少呢？计算如下：
44100 * 16 * 2 = 1378.125kbps那么在1分钟内，这类CD音质的数据需要占据多少的存储空间呢？计算如下：
1378.125 * 60 / 8 / 1024 = 10.09MB当然，如果sampleFormat更加精确（例如用4字节来描述一个采样），或者sampleRate更加密集（例如48kHz的采样率），那么所占的存储空间就会更多，同时能够描述的声音细节就会越精确。存储的这段二进制数据即表示将模拟信号转换为数字信号了，以后就可以对这段二进制数据进行存储、播放、复制，或者进行其他任何操作。
1.3.2 麦克风采集声音
麦克风音频有一层碳膜，非常稀薄且十分敏感。声音其实是一种纵波，会压缩空气也会压缩这层碳膜，碳膜在受到挤压时也会发出振动，在碳膜的压力就是一个电极，碳膜在振动的时候会接触电极，接触时间的长短和频率与声波的振动幅度和频率有关，这样就完成了声音信号到电信号的转换。之后再经过放电路处理，就可以实施后面的采样量化处理了。
1.3.3 分贝
前面提到过分贝，那么什么是分贝呢？分贝是用来表示声音强度的单位。生活中听到的声音，若以声压值来表示，由于其变化范围非常广，可以达到六个数量级以上，同时声音功率由于人体听觉对声信号强弱刺激反应不是线形的，而是成对数比例关系。所以引入分贝的概念来表达声学量值。所谓分贝是指两个相同的物理量（例如，A1和A0）之所取以10为底的对数并乘以10（或20），即：
N= 10 * lg（A1 / A0）分贝符号为“dB”，它是无量纲的。式中A0是基准量（或参考量），A1是被量度量。
被量度量和基准量之比取对数，这对数值称为被量度量的"级"。亦即用对数标度时，所得到的是比值,它代表被量度量比基准量高出多少"级"。
1.3.4 声功率（W）
声功率是指单位时间内，声波通过垂直于传播方向某指定面积的声能量。在噪声监测中，声功率是指声源总声功率。单位为W。 声功率级： Lw =10lg(W/W0) 式中：Lw——声功率级（dB）； W—— 声功率（W）； W0—— 基准声功率，为10-12 W。
1.3.5 声强（I）
声强是指单位时间内，声波通过垂直于传播方向单位面积的声能量。单位为 W / m2。 声强级： LI = 10lg(I/I0)式中：LI —— 声压级(dB)； I —— 声强（W/m2）； I0 —— 基准声强，为10-12 W/m2。
1.3.6 声压（P）
声压是由于声波的存在而引起的压力增值。单位为Pa。声波在空气中传播时形成压缩和稀疏交替变化，所以压力增值是正负交替的。但通常讲的声压是取均方根值，叫有效声压，故实际上总是正值，对于球面波和平面波，声压与声强的关系是： I= P2 / ρc式中：ρ-空气密度，如以标准大气压与20℃的空气密度和声速代入，得到ρ?c =408 国际单位值,也叫瑞利。称为空气对声波的特性阻抗. 声压级： LP = 20lg(P/P0) 式中： LP—— 声压级（dB）； P ——声压（Pa）； P0—— 基准声压，为2×10-5Pa，该值是对1000HZ声音人耳刚能听到的最低声压。
二. 音频编码
上面提到了CD音质的数据采样格式，曾计算出每分钟需要的存储空间约为10.1MB，如果仅仅是将其存放在存储设备（光盘、硬盘）中，可能是可以接受的，但是若要在网络中实时在线传播的话，那么这个数据量可能就太大了，所以必须对其进行压缩编码。
2.1 压缩比
压缩编码的基本指标之一就是压缩比，压缩比通常置于1（否则就没有必要去做压缩，因为压缩就是要减少数据容量）。
压缩算法包括有损压缩和无损压缩。
无损压缩
无损压缩是指解压后的数据可以完全复原。在常量的压缩格式中，使用得较多的是有损压缩。
有损压缩
有损压缩是指解压后的数据不能完全复原，会丢失一部分信息，压缩的越多，丢失的信息就越多，信号还原后的失真就会越多。
根据不同的应用场景（包括存储设备、传输网络环境、播放设备等），可以选则不同的压缩编码算法，如 PCM、WAV、AAC、MP3、Ogg等。
2.2 压缩编码
压缩编码的原理实际上是压缩掉冗余信号，冗余信号是指不能被人类感知到的信号，包含人耳听觉范围之外的音频信号以及被掩蔽掉的音频信号等。而被掩蔽掉的音频信号则主要是因为人耳的掩蔽效应，主要表现为频域掩蔽效应与时域掩蔽效应，不论是在时域还是频域上，被掩蔽掉的声音信号都被认为是冗余信息，不进行编码处理。
下面介绍几种常用的压缩编码格式
2.2.1 WAV编码
PCM（脉冲编码调制）是Pulse Code Modulation的缩写。前面已经介绍过PCM格式的制作流程，而WAV编码的几种实现（有多种实现方式，但是都不会进行压缩操作）就是在PCM数据格式的前面加上 44 字节，分别别来描述PCM的采样率、声道数、数据格式等信息。
特点：音质非常好，常用软件都能持。
适用场合：多媒体开发的中间插件、保存音乐和音效素材。
2.2.2 MP3编码
MP3具有不错的压缩比，使用LAME编码（MP3编码格式的几种实现）的中低码率的MP3文件，听感上去非常接近源WAV文件，当然在不同的应用场景下，应该调整合适的参数以达到最好的效果。
特点：音质在128Kbit/s以上表现还不错，压缩比比较少，音量软件和硬件都支持，兼容性好。
适用场合：低比特率下对兼容性有要求的音乐欣赏。
2.2.3 AAC编码
AAC是新一代的音频有损压缩技术，它通过一些附加的编码技术（例如PS、SBR等），衍生出了LC-AAC、HE-AAC、HE-AAC v2三种主要的编码格式。LC-AAC是比较传统的AAC，相对于此，其主要应用于高码率场景的编码（≥80Kbit/s）；HE-AAC（相当于AAC+SBR）主要应用于中低码率场景的编码（≤80Kbit/s）；而新近推出的HE-AAC v2（相当于AAC+SBR+PS）主要应用于低码率场景的编码（≤48Kbit/s）。事实上一部分编码器都设置为≤48Kbit/s启用PS技术，而>48Kbit/s则不加PS，相当于普通的HE-AAC。
特点：在低于128Kbit/s的码率下表现优异，并且多用于视频中的音频编码。
适用场合：128Kbit/s以下的音频编码，多用于视频中音频轨的编码。
2.2.4 Ogg编码
Ogg是一种非常有潜力的编码，在各种码率下都有着较优秀的表现，尤其是在中低码率场景下。Ogg除了音质好之外，还是完全免费的，这为Ogg获得更多的支持打好了基础。Ogg有着非常出色的算法，可以替代更高的码率达到更好的音质，128Kbit/s的Ogg比192Kbit/s甚至更高码率的MP3还要出色。但目前因为还没有媒体服务软件的支持，因此基于Ogg的数字编播还无法实现。Ogg目前受支持的情况还不够好，无论是软件上的还是硬件上的支持，都无法和MP3相提并论。
特点：可以替代MP3更高的码率实现比MP3更好的音质，在中低码率下均有良好的表现，兼容性不够好，流媒体特性不支持。
适用场合：语音聊天的音频消息场景。
