VOD 深度解析 第 3 部分：音频基础 —— 让声音变小

这是 VOD 流媒体深度解析 系列的第 3 部分。

---

声音如何变成数字

声音是空气的振动 —— 一段连续的波形。计算机只能存储数字，无法存储连续的波。因此需要两个步骤：

1. 采样（Sampling）：以固定间隔测量波形的高度
2. 量化（Quantization）：把每次测量结果转换成一个数字

Amplitude
 ▲
 │  ●   ●                     ●    Sample points
 │     ●  ●  ●
 │           ●  ●
 │              ●  ●   ●
 └──────────────────────► Time
     ↑ ↑ ↑ Sample N times per second — N is the "sample rate"

---

采样率

单位：Hz（赫兹 —— 每秒采样次数）

采样率	使用场景
8 kHz	电话语音
16 kHz	语音识别、VoIP（Zoom/Teams）
22.05 kHz	复古游戏、AM 广播
44.1 kHz	CD 音频，音乐首选
48 kHz	视频行业默认值（电影、流媒体、广播）
96 kHz	Hi-fi 录音
192 kHz	专业录音棚

奈奎斯特定理（Nyquist theorem）：要还原频率 F，采样率至少需要达到 2F。人耳听力上限大约为 20 kHz，因此 44.1/48 kHz 刚好够用（并留有少量余量）。

对于 VOD，统一采用 48 kHz。如果你的源素材是 44.1 kHz，请在转码时用 -ar 48000 进行重采样。

---

位深

每个采样使用多少比特：

位深	响度级数	使用场景
8-bit	256	复古游戏、电话
16-bit	65,536	CD、消费级流媒体
24-bit	~16.7M	专业录音
32-bit float	天文数字级	音频制作的内部格式

大多数视频音频为 16-bit、48 kHz。

---

声道

一个**声道（channel）**就是一条独立的音轨：

声道	名称	配置	应用于
1.0	单声道（Mono）	单个声道	电话、老式电视
2.0	立体声（Stereo）	左 + 右	音乐、多数视频
5.1	环绕声	前左 + 中置 + 前右 + 后左 + 后右 + LFE（.1 = 低音炮）	影院、家庭影院
7.1	环绕声	5.1 + 两个侧向声道	高端家庭影院
7.1.4	Atmos 等	7.1 + 4 个顶置声道	Dolby Atmos

5.1 surround layout (top-down view):

         FL ──── C ──── FR
              │  🧑  │
              │      │
         SL ──┻━━━━──SR
                LFE

---

音频码率：多少 kbps 才够？

音频码率同样是以每秒比特数计量的，但比视频小得多 —— 通常只有视频码率的 5–10%。

码率	主观感受	典型用途
32 kbps	语音可用，音乐失真	极低带宽
64 kbps	语音清晰，音乐勉强	低码率场景
96 kbps	音乐可接受	广播、YouTube 默认
128 kbps	音乐听感良好	流媒体默认值
192 kbps	高保真	高端音乐流媒体
256 kbps	发烧级	Apple Music
320 kbps	MP3 上限	音乐爱好者
无损（FLAC）	透明无损	Hi-fi 小众

对于 VOD 而言：128 kbps 的立体声 AAC 在绝大多数场景下都是正确答案。

---

主流音频编解码器

AAC（Advanced Audio Coding）—— 流媒体默认之选

• 出品方：MPEG（与 H.264 出自同一组织）
• 年份：1997
• 兼容性：所有视频平台、浏览器和手机
• 变种：
  • AAC-LC（Low Complexity）：最常见。HLS/DASH 默认。
  • HE-AAC（High Efficiency）：在低码率（<64 kbps）下表现更好
  • HE-AAC v2：HE-AAC + 参数化立体声，在 48 kbps 下效果尚可

MP3 —— 已退役

经典之作，但效率不及 AAC。原始专利已于 2017 年到期。新项目没有理由再使用 MP3。

Opus —— Web 新秀

• 开源、免版税
• 从 6 kbps（语音）到 510 kbps（音乐）均表现优异
• WebRTC 默认编解码器，Discord 也在使用
• 但其 HLS/DASH 兼容性落后于 AAC；iOS/Safari 支持有限

Dolby 家族 —— 影院级

编解码器	使用场景
AC-3（Dolby Digital）	5.1 环绕声、蓝光、传统高清电视
E-AC-3 / DD+（Dolby Digital Plus）	5.1/7.1、流媒体电影
Dolby Atmos（E-AC-3 + JOC 或 AC-4）	空间音频、高端平台

Netflix、Disney+ 和 Apple TV+ 上的 Dolby Atmos 是高端订阅的标志。

FLAC / ALAC —— 无损

无损压缩可将体积减小 50–70%，同时完美保留原始 PCM 数据。用于 Apple Music 无损档位和发烧场景。不适合视频流媒体 —— 码率太高。

---

多语言音轨

单个视频文件可以携带多条音轨：

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）支持独立音轨投送 —— 播放器只会下载用户选定的语言：

#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"

关于这部分内容，第 5 部分：流媒体协议 中会有更多讲解。

---

响度归一化

有没有注意过，广告插进来时音量会突然飙升？那是因为不同内容的响度水平相差悬殊。

**响度归一化（Loudness normalization）**会把所有内容调整到统一的主观感知响度（而非峰值音量）。

常见标准

标准	目标响度	使用方
EBU R128	-23 LUFS	欧洲广播
ATSC A/85	-24 LUFS	北美广播
Apple Music / Spotify	-14 LUFS	音乐流媒体
YouTube	-14 LUFS	默认
短视频 / 移动端	-16 至 -14 LUFS	手机扬声器范围

LUFS（Loudness Units Full Scale，满量程响度单位）是衡量主观感知响度的国际标准。

ffmpeg 响度归一化

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

---

动手实践：检查与转码音频

查看视频中的音轨

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

统一为 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

• -c:a aac：音频编解码器 AAC
• -b:a 128k：128 kbps 码率
• -ar 48000：48 kHz 采样率
• -ac 2：2 声道（立体声）
• -c:v copy：原样复制视频流（省时）

---

关键要点

1. 数字音频需要采样率（时间密度）和位深（幅度精度）。
2. VOD 默认值：48 kHz 采样率、16-bit 位深。
3. 消费级流媒体默认使用立体声（2.0）；影院使用 5.1 / Atmos。
4. 128 kbps 的 AAC-LC 是 VOD 的默认音频设置。
5. 单个视频文件可以携带多条音轨（多语言）。
6. 响度归一化（EBU R128 / -14 LUFS）可以解决“广告太吵”的问题。

---

上一篇： 第 2 部分：视频编解码器

下一篇： 第 4 部分：容器格式 —— MP4、fMP4 与 CMAF