如果需要视频的直观讲解，可以看这个 视频合集。

波形的数字化

让我们从声音的本质开始讲起，注意，声音的本质绝对不是复读机，人类才是。声音的本质是什么？

对呀，声音不就是一种机械波嘛！那采样率是什么呢？简单来讲就是你每秒钟去测量它多少次嘛！

你看，这不就有了交点了吗？

采样率越高，是不是就能采到越多的点啦？

那我们实际在听的 CD 音质的采样率有多少呢？高达 44.1 kHz。也就是每秒钟要测量它 44100 次。

那位深度是什么？就是你在采样的时候，这个点的高度能有多接近波形，看吧，如果位深度非常不够，采样到的点就能差上十万八千里：

如果我们增加一位位深，也就是位深的数量翻倍的话，采到的点会精细一些。

由此看来，我们只要让这个网络足够细密，就能够比较完美地复原真实的波形了，但是似乎总是有偏差，看起来像是一条折线，对吗？

但我想说的是，这种被广为传播的解释方式是完全错误的！我们从数字信号还原模拟信号的时候，原理根本就不是这样！它的原理更接近：

能感受到其中的区别吗？我们之前所谓的采样，它得到的不是一个时段的位深，而仅仅是一个个分立的采样点，在把数字信号还原成模拟信号的时候，我们实际上是在利用这些点去构建波形，所以很多人脑海中理解的所谓「锯齿」是根本不存在的东西。好，下面我们要提到「采样定理」。

采样定理

如果信号带宽小于被采样频率的二分之一（奈奎斯特频率），那么此时这些离散的采样点能够完全表示原信号。

采样定理，也叫奈奎斯特–香农采样定理。下面举个例子。

一个车轮，每根辐条都有编号，一共是八根，这个车轮呢，每 8 秒转动一周，也就是在下一秒钟，1 移动到 2 的位置，2 移动到 3，以此类推。现在啊，我们给它拍照，如果我们每 8 秒拍摄一张照片（T = 8），在我们眼里它怎么样啊？

静止不动，对不对？

那如果每 4 秒拍一张（T = 4）呢？你会认为它动了，但是旋转的方向不知道，对吗？

那我们每 5 秒拍一张（T = 5）呢？

在这种情形下，我们会认为它是逆时针一次转 3 格而非顺时针一次转 5 格。这也就意味着，如果用低于奈奎斯特频率的采样率去采样，最后会还原出虚假的低频信息。不知道你小时候有没有这样的经验：看一些汽车逐渐加速，它的轮子在其中一段时间仿佛会反着转，对吗？

而如果用 3 秒为周期去采样就不会有这个问题。

数字音频的规格

在了解了上述两个重要概念以后，我们就可以很方便地计算音频文件的大小了。 上述原理构建的未压缩的音频文件的格式是 WAV，它就是我们计算的对象。

已知 CD 品质的音频文件采样率为 44.1 kHz，位深为 16 bit，双声道，则其所对应的 WAV 文件的比特率为？

答案是 1411.2 kbps。比特率 (bps) = 采样率 × 位深 × 声道数。比特率所指的就是文件每秒钟的大小，那通过它，我们也能很方便地计算整个文件的大小：文件大小 (B) = 比特率 × 时长 (s) ÷ 8。那这里为什么要除以 8 呢？你可以看到，文件大小的单位是大写的 B，而比特率的单位里有个小写的 b，它们的关系就是，一个大写的 B 即一字节等于 8 个小写的 b 也就是比特，所以要除以 8。看到这里，人们就不禁犯嘀咕了，我的天，这 WAV 文件的体积也太臃肿了，要怎么解决这个问题呢？

接下来，我会展示一行文字，我需要你以最快的速度记录它，可以用纸笔，然后复原到空白的地方，注意，请尽可能快，因为你只有 10 秒时间。

F F F F T T T N N N N N N N N N S S S S S S

结果如何？

你大概率会按 4F 3T 9N 6S 去记忆。

刚才这个过程已经揭示了数据压缩的诀窍，那就是寻找其中的规律并使用较短的数据描述较长的数据，而这种压缩是绝对无损的，能够在解压时得到逐位精确的结果。

那么利用无损压缩原理的音频格式有哪些呢？目前非常主流的代表就是 FLAC，同时，它还有另外一个杀手锏，那就是可变比特率。

像刚才的 WAV 文件，我们算出来每秒的比特率都是一样的，这就叫恒定比特率，那顾名思义，可变比特率就是比特率每秒都不同，这对于数据的压缩很有好处。举个例子，常规的歌曲，一般都有前奏、高潮这些复杂度不同的部分。对于复杂度较低的前奏，少给一点比特率，而对于复杂度较高的高潮，就多给一点比特率，这样既能保证质量，又能减少空间占用，没有比这更美妙的了。

此外还有一种，叫做平均比特率，它的原理是，每秒的比特率不一样，但是整个文件平均下来，每秒的比特率会达到你预设的那个值。

最后，向你推荐我翻译的一部科普视频 Digital Show & Tell，它能帮你进一步理解上述内容。