概述
数字音频（Digital Audio）是指通过将声波信号转换为离散的数字序列（即采样和量化过程）来记录、存储、处理和回放声音的技术。与模拟音频相比，数字音频具有抗干扰能力强、复制无损失、便于编辑和传输等优势，是现代音乐、广播、影视、通信及多媒体领域的核心基础。其关键技术包括采样率、位深度、压缩编码及数字信号处理等。
1 基本原理
数字音频的根本任务是将连续的模拟声波转化为离散的数字值。这一过程依赖采样、量化及编码三个步骤，最终形成可被计算机识别的二进制数据。
1.1 采样与量化
采样是时间轴上的离散化，量化是幅度轴上的离散化。两者共同决定了数字音频对原信号的还原精度。
1.1.1 采样定理（奈奎斯特定理）
采样定理指出，为了无失真地重建一个带限模拟信号，采样频率必须至少等于信号最高频率的两倍。这一最低频率称为奈奎斯特频率。例如，人耳可听范围上限约为20 kHz，因此CD音频采用44.1 kHz的采样率，恰好略高于40 kHz的奈奎斯特要求。若采样率不足，则会发生混叠失真，即高频成分被错误地折叠进低频区域。
1.1.2 量化分辨率与量化噪声
量化将每个采样点的连续幅度值映射为有限个阶梯等级。分辨率由位深度决定，位深度越高，等级越细，量化误差越小。量化误差表现为随机的背景噪声，称为量化噪声。理想情况下，每增加1位位深度，信噪比提升约6 dB。16位音频的理论动态范围为96 dB，24位则可达144 dB。
1.2 数字信号表示
量化后的幅度值需要以特定的数值格式进行编码，以便存储和运算。
1.2.1 脉冲编码调制（PCM）
脉冲编码调制（PCM）是最基本的数字音频编码方式。它将模拟信号经采样、量化后，直接以二进制码字表示每个采样点的幅度。PCM无压缩，数据量大，但保真度极高，是WAV、AIFF等格式的基础，也是DVD-Audio和蓝光音频的底层格式。
1.2.2 浮点与定点表示
数字音频处理中，幅度值可用定点或浮点数表示。定点表示（如整型16位、24位）在存储中占用固定比特，运算效率高，但动态范围受限。浮点表示（如32位浮点）使用指数与尾数表达数值，动态范围极大，适合混音、效果处理等需要避免削波的场景，但计算开销稍大。现代DAW内部普遍以32位浮点运算。
1.3 关键参数
三个最基本的参数共同定义了数字音频的数据率和质量。
1.3.1 采样率
采样率（单位Hz）表示每秒采集的样本点数。常见值有8 kHz（电话质量）、22.05 kHz（AM广播质量）、44.1 kHz（CD质量）、48 kHz（影视音轨）、96 kHz（高解析度音频）及192 kHz（极高解析度）。更高的采样率能保留更丰富的超声波信息，但存储与带宽成本同步增长。
1.3.2 位深度
位深度（或称量化位数）决定每个采样点的幅度分辨率。典型值包括8位（低质量语音）、16位（CD标准）、24位（录音室标准）及32位浮点（后期处理）。位深度越高，动态范围越宽，噪声底层越低，但文件体积线性增加。
1.3.3 声道数
声道数表示音频信号的空间维度数量。单声道（Mono）使用一个通道，立体声（Stereo）使用左、右两个通道。多声道配置包括5.1（左、中、右、左环绕、右环绕+超低音）、7.1及杜比全景声等基于对象的格式。声道数越多，沉浸感越强，数据量也成倍增长。
2 常见数字音频格式
不同的应用场景催生了多种音频文件格式，主要分为无损、有损和专有三类。
2.1 无损格式
无损格式通过压缩算法在不损失任何原始信息的前提下减小文件体积，解压后可完全还原为原始PCM数据。
2.1.1 WAV
WAV（Waveform Audio File Format）由微软与IBM联合开发，是Windows平台上最基础的无损格式。它将PCM数据直接封装在RIFF容器中，支持多种位深度与采样率，但文件体积庞大，常用于专业录音和存档。
2.1.2 FLAC
FLAC（Free Lossless Audio Codec）是一种开源的无损压缩格式。它利用线性预测和熵编码实现约40%–50%的压缩率，解码速度快，支持元数据封装和流媒体传输，是目前最流行的无损编码之一。
2.1.3 ALAC
ALAC（Apple Lossless Audio Codec）是苹果公司开发的无损格式，集成于QuickTime和iTunes中。其压缩率与FLAC接近，但在苹果生态下兼容性更优。2011年苹果将其开源。
2.2 有损格式
有损格式利用心理声学模型丢弃人耳不易察觉的声音成分，大幅降低数据量，但无法完全还原原信号。
2.2.1 MP3
MP3（MPEG-1 Audio Layer 3）是最著名的有损音频格式。它采用掩蔽效应和比特分配技术，能在128–320 kbps的码率下提供接近CD的听感。自1990年代起主导数字音乐市场，至今仍被广泛使用。
2.2.2 AAC
AAC（Advanced Audio Coding）由MPEG组织制定，被视为MP3的继任者。它在同等码率下音质优于MP3，支持多声道和高效编码。是YouTube、iTunes Store、蓝牙A2DP协议中的默认音频格式。
2.2.3 Ogg Vorbis
Ogg Vorbis是一种免费开源的有损格式，采用Vorbis编解码器封装在Ogg容器中。其音质与MP3相当或略优，常被用于游戏、开源软件（如Spotify早期版本）以及VoIP通信。
2.3 专有格式
专有格式由特定厂商或行业组织定义，常与硬件或商业生态绑定。
2.3.1 WMA
WMA（Windows Media Audio）由微软开发，包含有损（WMA Standard）和无损（WMA Lossless）两种变体。在Windows Media Player生态中广泛使用，但跨平台支持有限，逐渐被边缘化。
2.3.2 DSD
DSD（Direct Stream Digital）是索尼和飞利浦为Super Audio CD（SACD）开发的格式。它采用1位脉冲密度调制（PDM）而非传统PCM，采样率极高（2.8224 MHz起），声称具有更自然的模拟感。DSD文件体积庞大，编辑处理困难，主要面向高端发烧市场。
2.3.3 MQA
MQA（Master Quality Authenticated）由英国Meridian Audio公司推出，是一种基于折叠技术的无损压缩格式，旨在以较小的文件体积传输高解析度音频，同时提供录音室母带级别的认证。MQA需要专用解码器，涉及专利授权，在流媒体和便携播放器中得到一定支持。
3 数字音频的处理与编辑
数字音频的可编辑性是其优于模拟的核心优势。通过软件算法和硬件加速，可对音频进行精细的修饰与改造。
3.1 数字信号处理（DSP）
DSP利用数学运算对音频信号进行变换，实现各类效果。
3.1.1 滤波与均衡
滤波器用于提升或衰减特定频率成分。常见类型包括低通、高通、带通、陷波滤波。均衡器（EQ）则允许用户对多个频段分别调节，如图形EQ（固定频点）和参数EQ（可调频点、Q值），广泛应用于音色塑形。
3.1.2 动态范围压缩
压缩器通过降低高电平部分的增益、提升低电平部分来缩小动态范围，使声音更加均匀有力。常用参数包括阈值、比率、启动和释放时间。压缩技术在流行音乐、广播和现场扩声中不可或缺。
3.1.3 混响与延迟
混响模拟声音在密闭空间的反射效果，延迟则是原始声音的简单回声。混响算法基于脉冲响应卷积或算法生成（如Schroeder混响器），延迟效果包括拍打回声、乒乓延迟等，两者共同营造空间感与深度。
3.2 音频编辑软件
音频编辑依赖专门的软件工具，从多轨制作到格式转换，实现全流程数字化。
3.2.1 DAW（数字音频工作站）
DAW是集录音、编辑、混音、母带于一体的综合软件。主流产品包括Pro Tools、Logic Pro、Ableton Live、FL Studio、Cubase等。DAW支持多轨音频、MIDI编排、虚拟乐器及插件扩展，是音乐制作和影视音频的核心环境。
3.2.2 专业编解码工具
编解码工具负责格式转换和参数设置。例如Adobe Audition、dBpoweramp、XLD（macOS）等，支持批处理、元数据编辑及错误修复。编码器（如LAME for MP3、FFmpeg）通常基于命令行，提供精细的码率控制。
3.2.3 开源替代方案
开源社区提供了丰富的免费音频软件。Audacity是一款跨平台多轨编辑器，功能涵盖录音、剪切、效果添加。Ardour是专业化DAW，支持Linux、macOS。此外，SoX（命令行）用于格式转换与基础处理，适合自动化脚本。
3.3 音频修复与增强
修复与增强技术旨在清理录音中的瑕疵，提升听感或可懂度。
3.3.1 降噪算法
降噪算法通过分析噪声样本（如背景嗡嗡声、空调声），利用频谱减法、维纳滤波或神经网络模型消除稳态噪声。iZotope RX是行业标准的降噪套件，可去除点击、咔嗒声、齿音等。
3.3.2 去咔嚓声与爆音
咔嚓声源于数字错误或录音瞬间冲击，爆音则因录音电平过高导致削波。修复工具通过检测波形异常的尖峰，插值替换或平滑处理。去爆音算法还结合直流偏移校正。
3.3.3 频率重建
频率重建技术用于恢复有损压缩或低采样率录音中丢失的高频信息。基于带宽扩展（BWE）或深度学习模型（如Spectral Enhancement），可预测并生成合理的谐波成分，常用于老旧录音的修复。
4 数字音频的传输与存储
数字音频从生成到最终回放，经历传输与存储两个关键环节，涉及多种物理接口与网络协议。
4.1 音频接口与协议
接口负责将数字音频信号从源设备传输到接收设备，保持时钟同步与数据完整性。
4.1.1 S/PDIF与AES/EBU
S/PDIF（Sony/Philips Digital Interface）是一种消费级数字音频接口，使用同轴电缆（RCA）或光纤（TOSLINK）传输未压缩的PCM或压缩环绕声（如杜比数字）。AES/EBU（Audio Engineering Society/European Broadcasting Union）是专业级版本，采用平衡XLR连接，支持更长距离和更高采样率。
4.1.2 USB音频类
USB音频类（USB Audio Class）标准允许通过USB传输数字音频。版本从UAC 1.0（支持96 kHz/24位）发展到UAC 2.0（支持192 kHz/32位、多声道）和UAC 3.0（增强功耗管理）。该接口广泛应用于DAC、音频接口和USB耳机。
4.1.3 HDMI与DisplayPort音频
HDMI和DisplayPort在传输视频时附带了音频通道。HDMI支持未压缩的多声道PCM以及压缩环绕格式（如杜比全景声、DTS:X）。DisplayPort同样支持多声道高解析度音频，常用于电脑显示器与电视。
4.2 流媒体技术
流媒体解决了实时收听与即时播放的需求，依赖网络传输优化。
4.2.1 压缩流传输（如HTTP Live Streaming）
HTTP Live Streaming（HLS）由苹果开发，将音频流切片为短时间的小片段（如6秒），通过HTTP协议分发。客户端按序下载并播放，支持网络适应和加密。类似的还有MPEG-DASH，两者均广泛用于播客和音乐平台。
4.2.2 自适应比特率（ABR）
自适应比特率技术让播放器根据当前网络带宽动态切换不同码率的音频流。编码器生成多版本（如128 kbps、256 kbps、320 kbps），客户端在选择时尽量维持连续播放，避免缓冲中断。Spotify、Apple Music等均采用此技术。
4.2.3 低延迟编码（如Opus）
Opus是一种开源、免专利的音频编解码器，专为低延迟（低至5 ms）和动态比特率（6–510 kbps）设计。它融合SILK（语音）和CELT（音频）算法，在VoIP、在线游戏和直播通话中表现出色，延迟远低于AAC和MP3。
4.3 存储介质
数字音频的持久化存储经历了从光盘到云端的演变。
4.3.1 光盘（CD、DVD-Audio）
CD（Compact Disc）采用44.1 kHz/16位立体声PCM，容量约747 MB，可存储约74分钟音频。DVD-Audio支持高达192 kHz/24位多声道，容量4.7 GB（单层）。两者均需专用光驱播放，逐渐被数字文件取代。
4.3.2 硬盘与固态硬盘
硬盘（HDD）和固态硬盘（SSD）是当前主要的本地存储介质。无损音频文件体积较大（一首24位/96 kHz的5分钟歌曲约170 MB），硬盘提供大容量（数TB）低成本方案，SSD则提供高速读写，适合实时编辑和采样库加载。
4.3.3 网络存储与云盘
NAS（网络附加存储）和云盘（如Google Drive、iCloud、Dropbox）允许远程访问音频库。流媒体服务（如Tidal、Qobuz）直接提供云存储，用户无需下载即可高音质播放。云存储同时支持协作，方便制作团队共享工程文件。
5 应用领域
数字音频技术渗透至娱乐、通信、工业等方方面面，每个领域都有其独特的实现方式。
5.1 音乐制作与发行
音乐产业是数字音频最早也是最深的应用领域，从录音到发行全面数字化。
5.1.1 录音与混音
录音环节使用麦克风采集声波，经音频接口转换为数字信号进入DAW。混音阶段调整各轨音量、声像、均衡和动态，创造空间层次。现代录音几乎完全依赖数字多轨系统，支持多次叠加和后期修正。
5.1.2 母带处理
母带是发行前的最后一步，通过立体声总线处理优化整体响度、频谱平衡和动态范围。母带工程师利用限制器、多段压缩和均衡器将混音转化为最终成品，同时制作适合不同平台（流媒体、CD、黑胶）的版本。
5.1.3 数字发行平台
数字发行取代了实体唱片，Spotify、Apple Music、网易云音乐等平台通过流媒体分发音乐。平台要求音频符合特定格式（如16位/44.1 kHz FLAC或AAC 256 kbps），并使用响度标准化（如LUFS）确保曲目间音量一致。
5.2 广播与影视
广播和影视对音频的实时性、规范性和沉浸感有严格要求。
5.2.1 广播音频系统
广播电台采用数字调音台、音频服务器和编码器实现节目的制作、播出与传输。常用标准包括AES67（网络音频传输）和ST 2110（IP广播）。数字广播（DAB/DAB+）使用MPEG-4 HE-AAC v2编码，提供比FM更清晰的音质。
5.2.2 电影声音设计
电影声音设计包含对白、音效和音乐三个要素。数字音频工作站（如Pro Tools）用于精细剪辑与混录。环绕声格式（如5.1、7.1、杜比全景声）通过定位算法将声音对象置于三维空间，增强观影体验。
5.2.3 视频会议与电话
视频会议软件（如Zoom、Teams）和VoIP电话（如Skype）依赖低延迟编解码器。Opus是当前主流，支持动态带宽适应。回声消除、降噪和自动增益控制算法确保通话清晰，是远程协作的基石。
5.3 游戏与虚拟现实
游戏和VR要求实时、低延迟且具有高交互性的音频环境。
5.3.1 互动音频引擎
游戏音频引擎（如Wwise、FMOD）管理声音资源的触发、混音和空间化。它们支持随机播放、分层混音和基于游戏状态的参数控制，使枪声、脚步声等随场景变化而动态响应。
5.3.2 空间音频（如杜比全景声）
空间音频在游戏中通过HRTF（头相关传输函数）实现3D定位，让玩家感知声音来自前后左右上下。杜比全景声（Dolby Atmos）在影院基础上扩展至耳机（双耳渲染），提供沉浸式枪战或环境氛围。
5.3.3 语音聊天与声控交互
游戏内语音聊天使用低延迟编码（如Opus）配合降噪和回声消除。声控交互依赖语音识别引擎提取指令，如“开枪”“换弹”等。虚拟现实环境中，语音控制与空间音频结合，形成自然的手势与语音交互。
5.4 消费电子
消费电子产品使普通用户能便捷地享受数字音频。
5.4.1 数字播放器与耳机
数字音频播放器（如iPod、Walkman系列）以及智能手机支持多种格式解码。高解析度音频播放器常配备专用DAC芯片（如ESS、AKM）。无线耳机通过蓝牙编解码器（SBC、AAC、LDAC、aptX）传输，支持降噪和空间音频。
5.4.2 智能音箱与语音助手
智能音箱（如Amazon Echo、Google Nest、Apple HomePod）集成了扬声器、麦克风和语音处理。它们采用波束成形和降噪技术从嘈杂环境中提取语音命令，并通过云端处理实现音乐播放、问答和家居控制。
5.4.3 车载音频系统
车载音响系统从CD、FM发展到数字流媒体和车载DSP。高级系统（如Burmester、Bose）通过多声道功放和算法校正车内声学缺陷。苹果CarPlay和Android Auto将手机音频映射到车载屏幕，支持Hi-Res流媒体。
6 发展趋势与挑战
数字音频技术正向着更高音质、更强智能化以及更沉浸的体验迈进，同时也面临版权和技术瓶颈。
6.1 高解析度音频（Hi-Res Audio）
Hi-Res Audio指采样率高于44.1 kHz（如96 kHz/24位及以上）的音频，声称能还原录音细节。日本电子信息技术产业协会（JEITA）制定了Hi-Res认证标准。流媒体平台（如Amazon Music HD、Tidal Masters）开始提供Hi-Res曲库，但人耳能否区分其与CD质量的差异仍存争议。
6.2 人工智能与数字音频
AI正在重塑音频的创作、处理和修复流程。
6.2.1 AI音频生成与合成
深度学习模型（如WaveNet、Jukebox）可从头生成逼真的语音、音乐或声效。AI作曲工具（如Suno、AIVA）根据风格提示生成旋律和伴奏。文本转语音（TTS）已能做到极自然的人类音色，应用于有声书和虚拟主播。
6.2.2 智能降噪与增强
基于神经网络的降噪（如Adobe Enhance、NVIDIA RTX Voice）能实时分离人声与背景噪声。AI还可进行超分辨率处理，将低采样率音频升频至Hi-Res，或修复破损录音中的缺失频段。
6.3 沉浸式音频技术
沉浸式音频超越传统环绕声，采用基于对象的音频格式。杜比全景声和MPEG-H 3D Audio允许声音对象在三维空间中自由移动。耳机版本利用双耳渲染模拟环绕声，结合头部追踪进一步增加真实感。该技术正从影院向家庭、游戏和VR普及。
6.4 版权保护与数字水印
数字音频的易复制性带来版权挑战。数字水印技术将不可听的信息嵌入音频信号，可在传播中追溯来源。此外，区块链被用于音乐版权登记和版税分配（如Audius平台）。流媒体平台采用DRM（数字版权管理）加密传输，但用户反感度较高。如何在保护与便利间取得平衡，仍是行业焦点。