编码与格式 / 系统课时
重采样时如何控制混叠与失真
重采样时如何控制混叠与失真
将 48 kHz 音频转换为 16 kHz 时,如果只是删除部分采样点,高频信号可能折叠成原本不存在的低频声音。本课使用 FFmpeg 完成一次可重复的重采样实验,观察混叠产生的原因,掌握低通滤波、质量参数和输出验证的方法。
学习目标
- 解释降采样时奈奎斯特频率、低通滤波与混叠的关系。
- 使用 FFmpeg 生成测试信号并转换采样率。
- 通过频谱和输出参数检查重采样结果,判断失真来源。
为什么降采样会产生混叠
采样率表示每秒记录多少个离散样本。对于采样率为 的信号,奈奎斯特频率为 。将 48 kHz 音频转换为 16 kHz 后,新的奈奎斯特频率只有 8 kHz。
如果原始信号含有 10 kHz 正弦波,直接每隔三个样本保留一个,相当于未滤波抽取,10 kHz 分量会折叠到 6 kHz。转换后的 6 kHz 不是原始录音中的真实低频,而是混叠伪影。
对于单一正弦波,可以通过寻找最接近的整数 ,计算折叠后的频率:
在本例中, Hz、 Hz、,所以混叠频率为 6000 Hz。这一计算描述的是未经充分抗混叠滤波时的结果,并不意味着正确的重采样一定产生 6 kHz 分量。

正确的降采样应先抑制目标奈奎斯特频率以上的分量,再进行采样率转换。实际数字滤波器存在过渡带,因此通常要让通带边缘低于 8 kHz,而不是假定能在 8 kHz 处实现理想的垂直截止。
使用 FFmpeg 完成重采样实验
以下命令适用于支持 lavfi、sine、aresample 和 astats 的常见 FFmpeg 构建版本。先用 ffmpeg -version 确认已安装,并保持全部测试文件使用单声道 PCM,避免压缩编码损失干扰观察。
先生成 3 秒、48 kHz、10 kHz 的测试音频:
ffmpeg -hide_banner -y -f lavfi -i "sine=frequency=10000:sample_rate=48000:duration=3" -c:a pcm_s16le source.wav预期结果:生成 source.wav,包含 3 秒单声道、48 kHz、16-bit PCM 音频。命令输出中应显示音频流为 pcm_s16le、48000 Hz、mono;不同版本的日志格式可能不同。
接着使用 FFmpeg 的高质量 SWR 重采样参数转换为 16 kHz:
ffmpeg -hide_banner -y -i source.wav -af "aresample=16000:filter_size=64:phase_shift=10:cutoff=0.95" -c:a pcm_s16le filtered.wav预期结果:生成 filtered.wav,采样率为 16000 Hz,时长约 3 秒。原始 10 kHz 分量位于新采样率的奈奎斯特频率之外,理应受到明显抑制,而不是成为响亮的 6 kHz 声音。
这里的 filter_size=64 设置 SWR 重采样滤波器长度参数,phase_shift=10 控制滤波相位精度相关参数,cutoff=0.95 设置归一化截止比率;具体滤波器响应还与 FFmpeg 的实现有关,不能将 0.95 直接解释成固定的 9500 Hz 截止频率。
为了说明错误操作,可以把同一个信号转换成 16 kHz、16-bit PCM 的原始数据,再按每三个样本保留一个进行抽取。下面的 Python 示例依赖已生成的 source.wav,仅演示错误算法,不应用于正式音频处理。
import wave
with wave.open('source.wav', 'rb') as src:
assert src.getnchannels() == 1
assert src.getsampwidth() == 2
assert src.getframerate() == 48000
frames = src.readframes(src.getnframes())
# 每个16-bit样本占2字节,直接抽取会产生混叠
samples = [frames[i:i + 2] for i in range(0, len(frames), 2)]
decimated = b''.join(samples[::3])
with wave.open('naive.wav', 'wb') as dst:
dst.setnchannels(1)
dst.setsampwidth(2)
dst.setframerate(16000)
dst.writeframes(decimated)
print('naive.wav:', len(decimated) // 2, 'samples')预期输出:
naive.wav: 48000 samples这是故意不加抗混叠滤波的对照组。它虽然拥有正确的输出采样率,但不具备正确的频谱内容。
用频谱验证过滤效果
只查看音频采样率,无法证明没有混叠。必须同时检查输出文件属性,以及 6 kHz 附近是否出现不应存在的频率成分。
先检查两个输出文件的采样信息:
ffprobe -v error -select_streams a:0 -show_entries stream=codec_name,sample_rate,channels -of json filtered.wav预期输出:
{
"streams": [
{
"codec_name": "pcm_s16le",
"sample_rate": "16000",
"channels": 1
}
]
}然后为两份 16 kHz 文件生成频谱图。showspectrumpic 是 FFmpeg 的音频可视化滤镜,输出图片可直接放大查看。
ffmpeg -hide_banner -y -i naive.wav -lavfi "showspectrumpic=s=1280x720:legend=1" -frames:v 1 naive-spectrum.png
ffmpeg -hide_banner -y -i filtered.wav -lavfi "showspectrumpic=s=1280x720:legend=1" -frames:v 1 filtered-spectrum.png预期结果:生成 naive-spectrum.png 和 filtered-spectrum.png。未经滤波的文件在约 6 kHz 处应出现清晰的能量峰;正确重采样的文件中,该峰应显著减弱。频谱亮度、动态范围和背景噪声随滤镜设置及量化方式而变化,不要求图像完全一致。
还可以使用 astats 比较两份文件的总体能量:
ffmpeg -hide_banner -i filtered.wav -af "astats=metadata=0:reset=0" -f null -预期结果:终端输出包含 RMS level dB、Peak level dB 等统计信息。由于输入主要是超过目标奈奎斯特频率的正弦波,滤波后 RMS 电平应明显低于未滤波的 naive.wav。具体分贝值受滤波器、边界瞬态和 PCM 量化影响,不宜预设一个完全相同的数值。
怎样选择重采样参数
实际生产中,不必对每个文件手动设计滤波器。FFmpeg 默认重采样已考虑抗混叠,优先保证正确的目标采样率,再根据听感、频谱和 CPU 消耗调整质量。
| 场景 | 建议做法 | 检查重点 |
|---|---|---|
| 48 kHz 转 16 kHz 语音 | 使用 aresample=16000 |
高频伪影、语音清晰度 |
| 48 kHz 转 44.1 kHz 音乐 | 使用默认高质量重采样,必要时增大滤波器参数 | 高频保留、过渡带失真 |
| 实时直播转码 | 先以默认配置测试,再评估 CPU 和处理延迟 | 持续吞吐、音频连续性 |
| 离线音频母带处理 | 对比 SWR 与可用的 SoX 重采样实现 | 通带响应、阻带衰减 |
某些 FFmpeg 构建支持 libsoxr。只有执行 ffmpeg -h filter=aresample 确认相关选项可用后,才使用如下命令:
ffmpeg -hide_banner -y -i source.wav -af "aresample=16000:resampler=soxr:precision=28" -c:a pcm_s16le soxr.wav预期结果:如果当前 FFmpeg 构建包含 SoX Resampler 支持,生成 16 kHz PCM 文件 soxr.wav;否则可能提示重采样引擎不可用,需要更换支持 libsoxr 的构建。precision=28 是 SoX 重采样器的精度参数,不表示输出 PCM 位深。
失真仍然存在时如何定位
如果重采样后出现尖锐啸叫,首先检查源文件和输出文件的实际采样率,再用已知单频测试信号比较频谱。输出参数正确但出现折叠峰,通常需要排查是否存在跳样抽取、错误的处理顺序或不充分的低通滤波。
如果听到的是爆音、断续或削波,不能直接认定为混叠。可以分别检查 PCM 峰值、是否发生整数溢出、处理缓冲区是否欠载,以及是否错误地将声道交错数据当成单声道读取。重采样不会自动修复这些问题。
最后做一个对照验证:将 1 kHz 正弦波从 48 kHz 转为 16 kHz,频谱主峰应仍在约 1 kHz;将 10 kHz 正弦波进行同样的正确转换,则其主峰应被明显抑制。前者检查通带保留,后者检查阻带抑制。这两项同时通过,比只检查文件是否能播放更能说明重采样是否正确。