|
|
数字音频技术知识点及声卡驱动/ Q( V9 k5 `! F. i
关于PCM& j' ^' t" ^) I3 z) u. ~: _
9 \7 O+ P. l+ L# b7 d1 z1 g9 n4 r$ @4 Q, ]& i6 d
PCM 是Pulse code modulaTIon的缩写，它是对波形最直接的编码方式。它在音频中的地位可能和BMP在图片中的地位有点类似吧。3 F/ k4 o) K/ x
* b* W% b3 h. w; ^0 JSampling rate:从模拟信号到数字信号，即从连续信号到离散信号的转换都是通过离散采样完成的，Sampling rate就是每秒种采样的个数。根据香农采样定理，要保证信号不失真，Sampling rate要大于信号最高频率的两倍。我们知道人的耳朵能听到的频率范围是20hz – 20khz，所以Sampling rate达到40k就够了，再多了也只是浪费。但是有时为了节省带宽和存储资源，可以降低Sampling rate而损失声音的质量，所以我们常常见到小于40k采样率的声音数据。
6 | B) \; C8 ^+ @! K, z4 [' i) L* F/ Z0 Z% Q
Sample size:用来量化一个采样的幅度，一般为8 bits、16 bits和24 bits。8 bits只有早期的声卡支持，而24 bits只有专业的声卡才支持，我们用的一般都是16 bits的。3 z/ ?- l7 @9 Q: t+ _
7 d: `7 z0 |, O5 j& NNumber of channels:声音通道个数，单声道为一个，立体声为两个，还有更多的(如8个声道的7.1格式)。一般来说，每个声道都来源于一个独立的mic，所以声道多效果会更好(更真实)，当然代价也更大。1 A. |: h% `; z0 k. r# T
/ d5 Z# T5 Y' s9 d
Frame: Frame是指包含了所有通道的一次采样数据，比如对于16bits的双声道来说，一个frame的大小为4个字节(2 * 16)。6 z) x/ j% R F
" i$ L/ b3 B& O" j一、数字音频
8 |( h( P, @: Z+ m音频信号是一种连续变化的模拟信号，但计算机只能处理和记录二进制的数字信号，由自然音源得到的音频信号必须经过一定的变换，成为数字音频信号之后，才能送到计算机中作进一步的处理。1 \$ V# j/ B. P& d' b! B t6 t
7 l6 |; n. j1 H( k/ S m' U# x
数字音频系统通过将声波的波型转换成一系列二进制数据，来实现对原始声音的重现，实现这一步骤的设备常被称为模/数转换器(A/D)。A/D转换器以每秒钟上万次的速率对声波进行采样，每个采样点都记录下了原始模拟声波在某一时刻的状态，通常称之为样本(sample)，而每一秒钟所采样的数目则称为采样频率，通过将一串连续的样本连接起来，就可以在计算机中描述一段声音了。对于采样过程中的每一个样本来说，数字音频系统会分配一定存储位来记录声波的振幅，一般称之为采样分辩率或者采样精度，采样精度越高，声音还原时就会越细腻。
! b% r# K1 p4 k
/ ?# m$ A: |( Y. W$ J数字音频涉及到的概念非常多，对于在Linux下进行音频编程的程序员来说，最重要的是理解声音数字化的两个关键步骤:采样和量化。采样就是每隔一定时间就读一次声音信号的幅度，而量化则是将采样得到的声音信号幅度转换为数字值，从本质上讲，采样是时间上的数字化，而量化则是幅度上的数字化。下面介绍几个在进行音频编程时经常需要用到的技术指标:
* c% R, o- _/ h: o. B0 s; h1 }1 w2 W. }, P# F& ^
采样频率, C! \: R! {& c' \* u
) k. R7 a# j$ d9 F3 s* E# s
采样频率是指将模拟声音波形进行数字化时，每秒钟抽取声波幅度样本的次数。采样频率的选择应该遵循奈奎斯特(Harry Nyquist)采样理论:如果对某一模拟信号进行采样，则采样后可还原的最高信号频率只有采样频率的一半，或者说只要采样频率高于输入信号最高频率的两倍，就能从采样信号系列重构原始信号。正常人听觉的频率范围大约在20Hz~20kHz之间，根据奈奎斯特采样理论，为了保证声音不失真，采样频率应该在40kHz左右。常用的音频采样频率有8kHz、11.025kHz、22.05kHz、16kHz、37.8kHz、44.1kHz、48kHz等，如果采用更高的采样频率，还可以达到DVD的音质。 其中，8kHZ为电话的采样频率。
# F3 E- q6 u! t1 Q( w; h* B
& T' L" y1 G6 x8 v U量化位数
* s5 r) P! }& f1 g% [" ~6 i! F1 q$ ^4 I; A0 c3 ^2 n9 U
量化位数是对模拟音频信号的幅度进行数字化，它决定了模拟信号数字化以后的动态范围，常用的有8位、12位和16位。量化位越高，信号的动态范围越大，数字化后的音频信号就越可能接近原始信号，但所需要的存贮空间也越大。
$ m' m6 M3 ^9 t0 c/ z) @ Y# x
声道数 i3 k, |$ K/ f* q, c
$ c7 K" k& U6 A8 [; C) A+ K
声道数是反映音频数字化质量的另一个重要因素，它有单声道和双声道之分。双声道又称为立体声，在硬件中有两条线路，音质和音色都要优于单声道，但数字化后占据的存储空间的大小要比单声道多一倍。3 M% b% F" x! a1 Y
R# E0 f7 @8 m, m& g& W, z
二、声卡驱动
6 M' W: m6 a7 r l5 d) X出于对安全性方面的考虑，Linux下的应用程序无法直接对声卡这类硬件设备进行操作，而是必须通过内核提供的驱动程序才能完成。在Linux上进行音频编程的本质就是要借助于驱动程序，来完成对声卡的各种操作。& g* y- g5 C% P0 ^
. k7 ]* a( q# W# h! z
对硬件的控制涉及到寄存器中各个比特位的操作，通常这是与设备直接相关并且对时序的要求非常严格，如果这些工作都交由应用程序员来负责，那么对声卡的编程将变得异常复杂而困难起来，驱动程序的作用正是要屏蔽硬件的这些底层细节，从而简化应用程序的编写。目前Linux下常用的声卡驱动程序主要有两种:OSS和ALSA。+ V X1 @" g' Q
6 f$ A P1 M! | n M1 r* c* S
最早出现在Linux上的音频编程接口是OSS(Open Sound System)，它由一套完整的内核驱动程序模块组成，可以为绝大多数声卡提供统一的编程接口。OSS出现的历史相对较长，这些内核模块中的一部分(OSS/Free)是与Linux内核源码共同免费发布的，另外一些则以二进制的形式由4Front Technologies公司提供。由于得到了商业公司的鼎力支持，OSS已经成为在Linux下进行音频编程的事实标准，支持OSS的应用程序能够在绝大多数声卡上工作良好。
! s+ u2 U) D8 {1 _- x# m
0 e0 p* C C' S: _3 `, [虽然OSS已经非常成熟，但它毕竟是一个没有完全开放源代码的商业产品，ALSA(AdvancedLinux Sound Architecture)恰好弥补了这一空白，它是在Linux下进行音频编程时另一个可供选择的声卡驱动程序。ALSA除了像OSS那样提供了一组内核驱动程序模块之外，还专门为简化应用程序的编写提供了相应的函数库，与OSS提供的基于ioctl的原始编程接口相比，ALSA函数库使用起来要更加方便一些。ALSA的主要特点有:
B3 R i, ], |" c
$ k' C$ G, A9 r1 ~6 i% F支持多种声卡设备5 _, D0 ~2 ~6 E. i# n; L [2 x
7 ?+ J- B1 {& L% k3 q a! l- h模块化的内核驱动程序8 s" A& L" a: U4 s1 f* Z
' I% c% }0 H- _+ G& h+ J支持SMP和多线程) y" y3 ]; y1 l
; }1 W- u4 ]/ J8 Z4 F8 [: H7 M& C8 j提供应用开发函数库( r' }3 V0 c7 L( @! ]8 E8 Y) |
: p: Z! M+ J. b5 \ x& G
兼容OSS应用程序+ ]4 a1 _4 V% D" h5 x: l# Z3 q
+ K& H( P1 X0 |2 j8 H
ALSA和OSS最大的不同之处在于ALSA是由志愿者维护的自由项目，而OSS则是由公司提供的商业产品，因此在对硬件的适应程度上OSS要优于ALSA，它能够支持的声卡种类更多。ALSA虽然不及OSS运用得广泛，但却具有更加友好的编程接口，并且完全兼容于OSS，对应用程序员来讲无疑是一个更佳的选择。 |
|
