数字音频技术知识点及声卡驱动; |+ K: h' @) B) H
关于PCM
& L: x+ u$ t$ l `, O7 @# X6 @2 N4 M2 s+ P& R' A2 [% P
2 o1 i+ x6 b) z5 W9 ?5 ?; ?
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。& a# i% v# ?3 \. t2 A3 a4 c! D
4 l* A& U) b3 `. M' C6 @! t4 {
Sampling 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。% q2 W/ ]" D5 v, T; g5 i/ Q+ X
+ m1 N2 U# z4 `# DSample 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。
- I/ V6 d9 p5 d( i
. ~* z! F: R; L% N8 ZNumber 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。: u0 b# @* S4 A' k# Z: i
* R2 |" H+ t: a6 g
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)。
) {7 U. Z) ]. u1 ?) D6 q% U+ V5 f1 b, ?
一、数字音频/ [; x/ u1 [4 {) L8 P
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。
G: p/ S9 E& w- {- \" o6 Q/ G8 l
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。0 x) r3 f' S* G7 c/ |% y! J3 L
) i8 g4 v5 P( ^' _
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:6 W4 }6 s+ w, `/ q# X& y
. Y% {4 V8 p N. p6 ^采样频率4 L- @9 F$ P: w2 M" o
# k% r6 I# C; x8 S3 h0 F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。
5 e& @! f8 k% V2 g( z/ z7 R- B7 b) k
量化位数
8 ]+ v& v$ g/ O& h) H: k
2 ?: D) B; A! T: Z% `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。( w1 y* `( z s9 C1 w1 J
' M% h5 m. a8 B/ M3 N: i声道数+ M ], A1 u6 n
6 Y& ?1 K/ z R1 e1 y( i
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。* P6 _; w$ S9 v/ f/ I
( n- B$ D2 u! r& ?1 G2 S4 N4 B( ~
二、声卡驱动9 }$ S" j2 e. @+ Y' _0 A8 B9 l
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。. V3 f3 u! J; H8 w
( K8 p8 s' p" n" {
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。
) T% H$ ^' Z9 U+ Y2 Z3 X* \; y+ D7 D' N1 r) ]& r0 T
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。
' U/ J0 ?1 \2 ^9 R6 i6 x- W" `# O7 ] ^6 Q# M* l
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:
% S$ N6 @; @7 U/ u) ^+ P
# N! H {5 L* [3 Q' ]; y, z支持多种声卡设备* z z5 I, _3 V/ M
: A4 {' I U" v
模块化的内核驱动程序
2 o5 V1 ~& D' o8 ^( E9 E0 C1 K8 {" d- ?. r0 |
支持SMP和多线程0 \7 a! V/ [8 B8 \. k0 H, `
6 M) Q0 M% }7 n+ @) c) z5 P
提供应用开发函数库
/ q |2 k/ a9 D' ~: Y8 p
5 D1 ^* O% B" v# B2 F. \; P# A' x兼容OSS应用程序
9 b7 z J2 T6 c. G6 H; w$ J' j1 n4 z# p, d
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。 |
