2.1 概述

声音是携带信息的重要媒体。研究表明，人类从外部世界获取的信息中，10%是通过听觉获得的，因此声音是多媒体技术研究中的一个重要内容。

如图2.1所示，声音是由物体振动产生的，这种振动引起周围空气压强的振荡，从而使耳朵产生听觉。声音的种类繁多，人的语音是最重要的声音，此外，还有动物、乐器等发出的声音，风声、雨声、雷声等自然声音，以及机器合成产生的声音等。这些声音有许多共同的特性，也有它们各自的特性。在用计算机处理这些声音时，既要考虑它们的共性，又要利用它们各自的特性。

人耳能识别的声音频率（范围在20～20000Hz）通常被称为音频（Audio）信号。音频信号所携带的信息大体上可分为语音（Speech）、音乐和音效3类。语音是指具有语言内涵和人类约定俗成的特殊媒体，如人的发音器官发出的声音范围在80～3400Hz，人说话的信号频率通常为300～3000Hz，就是语音信号。低于20Hz的信号被称为次声波（Subsonic），高于20000Hz的信号被称为超声波（Ultrasonic）。对次声波和超声波，人的耳朵都无法听到。图2.2给出了声音的频率范围。音乐是规范的、符号化了的声音，音效是指人类熟悉的其他声音，如动物发出的声音、机器产生的声音、自然界的风雨雷电声等。音频信号可以携带大量精细、准确的信息。在多媒体系统中，处理的信号主要是音频信号。

声音包含3个要素，即音调、音强和音色，这3个要素与声波参数紧密相关。

（1）基频与音调：一个声源每秒钟可产生成百上千个波，通常把每秒钟波峰所产生的数目称为信号的频率，单位用赫兹（Hz）或千赫兹（kHz）表示。例如，一个声波信号在一秒钟内有5000个波峰，则可将它的频率表示为5000Hz或5kHz。

人对声音频率的感觉表现为音调的高低，在音乐中被称为音高。音调正是由频率ω所决定的。音乐中音阶的划分是在频率的对数坐标（20×log）上取等分而得的（见表2.1）。

（2）谐波与音色：n×ωo被称为ωo的高次谐波分量，也被称为泛音。音色是由混入基音的泛音所决定的，高次谐波越丰富，音色就越有明亮感和穿透力。不同的谐波具有不同的幅值和相位偏移，由此产生各种音色效果。

（3）幅度与音强：信号的幅度是从信号的基线到当前波峰的距离。幅度决定了信号音量的强弱程度。幅度越大，声音越强。对音频信号，它的强度用分贝（dB）表示。分贝的幅度就是音量。人耳对声音细节的分辨只有在强度适中时才最灵敏。人的听觉响应与强度成对数关系。一般的人只能察觉出3dB的音强变化。在处理音频信号时，绝对强度可以放大，但其相对强度更有意义，一般用动态范围定义，即

（4）音宽与频带：频带宽度也被称为带宽，它是描述组成复合信号的频率范围。例如，普通电话容许语音信号通过，带宽约为3.2kHz；高保真度（High-Fidelity，Hi-Fi）声音的频率范围为10～20000Hz，带宽约为20kHz。

客观上，通常用频带宽度、动态范围、信噪比等指标衡量音频信号的质量。音频信号的频带越宽，所包含的音频信号分量越丰富，音质越好。图2.3给出了CD-DA数字音乐、调频（FM）广播、调幅（AM）广播和电话的带宽。

动态范围越大，信号强度的相对变化范围越大，音响效果越好。

声音的质量可以通过信噪比来度量。信噪比（Signal to Noise Ratio，SNR）是有用信号与噪声的平均功率之比的简称，定义为：

信噪比越大，声音质量越好。