音频的存储要素

音频以 2 维或 3 维数组的格式储存，3 个维度的分辨率分别为采样率、位深度、声道数。

采样率

指的是连续的声音转化为离散的数字信号时，一秒钟的采样次数，单位为 Hz。人耳的听觉范围是 20~20000 Hz，发声范围则一般不超过 60~2000 Hz。

根据 Nyquist 采样定理，要保证无损采样，采样频率至少需要是频谱最大频率的 2 倍。

常见的音频采样率有 44.1 kHz 等。VOICEVOX 语音合成时，生成的音频采样率就是 24 kHz。

在音频信号中，采样值（即音频文件储存的强度）将直接对应声压。也就是说，使用同个设备、同个扬声器、在相同的距离下听一段音频时，采样值翻倍则声压翻倍。

在物理中，声音是纵波，声波是空气中压强的周期性变化。固定的一个点处的压强将满足：

\Delta p = p_m \sin(\omega t + \varphi).

其中 \Delta p 是指相对于当前大气压的变化量，称为声压，p_m 则是振幅。根据物理定律，声强 I（单位：W/m²）和声压有效值 p_{\text{rms}}（单位：Pa）的关系是：

I = \frac{p_{\text{rms}}^2}{\rho v};

其中 \rho 为空气密度，v 为声速。也就是说，声强和声压的平方成正比。这类似于电磁波的光强和电场强度的关系。

同图片的位深度一样，音频的位深度是在幅度轴上的分辨率。大多数音频的位深度为 16 bit，因为人耳已经难以分辨出 \frac{1}{2^{16}} 强度大小的声音。一般认为 16 bit 的位深度已经是高品质声音。

多数的音频使用整数采样，这意味着每个采样点都用整数表示。对于 16 bit 位深度的音频，整数的范围通常是 -32768 \sim 32767。声波的声压是有正有负的，因此储存其值也需要携带正负信息。

可分为单声道（mono / single track）和双声道（dual track）。双声道将记录两个二维数组，在左右耳机播放不一样的声音，可以模拟立体声（stereotype）效果。