音频开发技术（一）数字音频基础知识
本教程面向开发【音频处理/音乐制作】类软件，如效果器、虚拟乐器、宿主、采样音源、应用了音频效果的应用与游戏。
不涉及编解码，不涉及语音识别。
前言
写这教程两个原因：
1.填补资料空缺
2.帮助想做 音源 或 VST/AU/AAX插件 的人
早在2017年，我就尝试写过几节《用JUCE开发VST插件》，当时阅历尚浅，卡在一些小问题上，教程也就搁置了。
再次想起这个教程，已是三年后。上网搜了下，国内在这方面至今还是没什么靠谱的资料。于是决定动笔。
现在我对音频技术有了更多的了解，在这版课程中，我有信心教会你一个完整且系统的知识体系。
说到采样，采样率，位深，声道等，你可能觉得再熟悉不过。但我希望你耐心看下去，因为你可能并根本不知道它们是什么意思。
(编程语言，不要求会写C++，了解任何一门面向对象的语言都可以，用到C++特性的时候我会详细讲的。本教程大部分示例使用JUCE，但是原理放之四海皆准。)
声音的本质
声音是人的直观感觉，它在物理世界中体现为空气的振动（压强变化）。
声音与电信号之间的转换 （ANALOG）
我们已经知道，声音是空气中的振动，现在用电路的方式把空气中的振动记录下来。
十九世纪，贝尔实验室发明了电话，人类第一次把声音转换成电信号。
【变化的磁场产生电场】一块磁铁前放一个贴有线圈的振动膜就做成了麦克风，声音的空气振动带动振膜振动，线圈随着振动，磁场相对也就振动着变化，然后就产生了电压连续变化的电流，这样一段声音就转化成了电信号。
【变化的电场产生磁场】依然是一块磁铁前放一个贴有线圈的振动膜，完全一样的结构在这里却是扬声器，把信号电流通向线圈，线圈在连续变化的电流下产生连续变化的磁场，这个磁场和磁铁的磁场相互作用，然后产生振膜的振动，振膜的振动又带动空气振动，于此电信号就变回了声音。
直到20世纪末，人类都是通过这样的电信号处理声音，唱片，磁带 记录的就是这样的电信号。
电信号与数字信号之间的转换（ADDA）
预备知识：比特
随着计算机的出现，我们有了比特的概念。
计算机记录与操作的是二进制的数据，也就是只有0和1两个数的数据，比如数字7转化为二进制就是111（4+2+1)。
类似于十进制的 个、十、 百、 千、 万 位, 二进制的位叫做比特(bit)
比如1001就是一个四个比特位的二进制数据
8个比特位称作一个字节(Byte) 像这样 10011100
1024个字节称为一个千字节(KB)
1024个千字节为一个兆字节(MB)
1024个兆字节为一吉字节(GB)
1024个吉字节为一个太字节(TB)
举个例子，一段大小为16MB的 .wav 文件 它包含的就是 16*1024*1024*8 个1或0这样的数据。
采样技术
我们已经知道，计算机里操作和储存的只能是像101010这样的一串二进制数字，而音频的电信号则是一段连续变化的波形电信号，为了把这个连续的波形电信号记录成计算机里101110这样的数据，就要采样。
比如一个1秒的波形
打了17个点，每隔十七分之一（1/17）秒打一个点，每个点记录波形在那个时间上振动到的位置（纵轴），这种记录就是采样。
这样 一段电信号就变成了一堆点。
那我用什么表示 每个点的振动位置呢 ？
用数字，比如我用1-3的，3代表在轴最上方，2代表在轴中央，1代表在轴最下方，第一个点在轴中央，就用2表示，二进制就是10， 第二个点在轴上方，用3表示，二进制就是11，取完17个点之后
得到整个信号的采样为 10 11 10 01 10 11 10 01 10 11 10 01 10 11 10 01 10
（PS: 真实情况中，每个点表示的位置绝不仅仅是在轴上下那么简单，还要考虑幅度多大，例如我们提升精度，用1-5表示，3代表轴中央，1代表轴最下方，2代表轴最下方二分之一处，5代表轴最上方，4代表轴最上方二分之一处。）
这样操作之后，我们得到以下几个概念。
术语
采样频率（sample rate）： 每秒打17个点，就说它的采样率是17Hz。44.1KHz就是说1秒内打44100个点，96KHz就是1秒打96000个点。采样频率指单位时间内采集的点数。
采样深度（bit depth）： 每个点只用1-3，也就是二进制01-11, 用了2个比特位 的精度表示，就说它的采样深度是 2 bits， 采样深度越大，每个点描述的振动位置就越精确，记录的动态也就越准。16 bits就是说每个点用16个二进制位表示0000 0000 0000 0000，转换成十进制范围就是0-65535，换句话说就是把动态空间分成65535段来表示在这个点时波形振动到了其中的哪一段位置。采样深度指取样中对声音强度记录的精细程度。
比特率（bit rate）： 每秒17个点且每个点用2个比特位，它的比特率就是每秒17*2个比特（bit），就说它的比特率是34bps (bit per second)。 比特率指单位时间内传送的比特量。
声道（channel） ： 实际操作中，我们处理的往往是立体声，甚至是环绕声，而不是单声道，每一个声道都是一个独立的采样序列，立体声就是左右声道，两个采样序列。如果本例是立体声，它的比特率则要翻一倍 34*2 = 68bps。
无损音频（lossless）： 像本例这样的，直接采样得到后，没有经过任何压缩处理的，（比特率直接等于 采样频率*采样深度*声道 的），属于无损音频，即使它的采样频率和采样深度都非常低，它仍然是无损音频。所以，音质不一定和是否无损相关。
采样定理 ：也叫香农采样定理、奈奎斯特采样定律，为了不失真地恢复模拟信号，采样频率应该不小于模拟信号频谱中最高频率的2倍。
采样频率不等于被采样的信号的频率，采样频率只是取点的频率，如果采样频率小于信号频谱最高频率的2倍，就会出现aliasing现象，还原的波形会发生畸变，点这观看aliasing现象。
我说个更直观的，比如以1Hz采样频率采样一个1Hz的Sine波，那把采样点连起来则是一个1Hz的三角波，他们虽然波形大致相同，但是泛音特征完全不一样的。
人耳听到的最高频一般在16000Hz左右 保留一点余量，就算是20000Hz，根据采样定理，取它的两倍做采样频率则是40000Hz （40KHz），这就是现代设备采样频率至少为44100Hz的原因。
为什么是44100
因为 44100 刚好等于 2^2 * 3^2 * 5^2 * 7^2
这会让运算变得简单
