音频开发 / 系统课时

理解位深与量化噪声来源

理解位深与量化噪声来源

本篇解决“位深为什么会影响精度和噪声”的问题。你会把连续幅度映射到有限整数码值,观察低位深量化误差,并理解位深、理论信噪比、削波和真实系统噪声之间的边界。

学习目标

  • 解释 NN 位整数 PCM 为什么只有 2N2^N 个可表示码值
  • 通过量化实验观察位深降低后误差如何增大
  • 正确区分量化噪声、削波与模拟前端噪声

位深决定幅度轴有多少格

采样率决定时间轴多密,位深决定每个采样点的幅度能落在哪些离散级别上。NN 位 PCM 一共有 2N2^N 个码值;以有符号整数为例,码值通常覆盖 −2N−1-2^{N-1} 到 2N−1−12^{N-1}-1。

真实模拟幅度往往落在两个码值之间,量化器只能选一个可表示值。原值与量化值之间的差就是量化误差。位深越低,相邻级别间距越大,同一输入产生的误差通常也越明显。

低位深与高位深 PCM 的量化级别和误差对比

量化误差如何变成可听见的噪声

对理想均匀量化器,若采用四舍五入,误差通常被限制在大约半个量化步长内。信号足够复杂、误差与信号近似不相关时,这些误差在频谱上常表现得像宽带噪声,因此工程上常称为量化噪声。

对满幅正弦波,理想 NN 位量化器的信噪比常用近似式:

SQNR≈6.02N+1.76 dBSQNR \approx 6.02N + 1.76\text{ dB}

这意味着每增加 1 bit,理想量化信噪比大约提升 6 dB。16 bit 的理想满幅正弦量化信噪比约为 98 dB,但这只是量化模型的上限估计;麦克风、自噪声、前置放大器、ADC 模拟部分和时钟等都会降低真实系统可达到的有效动态范围。

用实验比较不同位深的误差

下面用同一组归一化正弦样本分别模拟 4 bit 和 16 bit 有符号整数 PCM,再计算量化前后的均方误差。这里故意选择 4 bit,是为了让差异足够明显。

python
import math

def quantize(samples, bits):
    max_code = 2 ** (bits - 1) - 1
    min_code = -2 ** (bits - 1)
    codes = []

    # 映射到有符号整数码值,并限制在当前位深范围内。
    for x in samples:
        code = round(x * max_code)
        codes.append(max(min(code, max_code), min_code))

    restored = [code / max_code for code in codes]
    mse = sum((x - y) ** 2 for x, y in zip(samples, restored)) / len(samples)
    return mse

samples = [0.8 * math.sin(2 * math.pi * i / 32) for i in range(32)]

for bits in (4, 16):
    print(f"{bits}-bit MSE: {quantize(samples, bits):.10f}")

预期输出

text
4-bit MSE: 0.0013107349
16-bit MSE: 0.0000000001

结果表明,位深增加后,同一信号被映射到更密的幅度级别,均方量化误差显著下降。这里的数值只对应这组测试样本和量化规则,不应直接当作设备的实际噪声指标。

不要把所有失真都归因于位深

量化噪声发生在信号仍处于可表示范围内时;如果输入幅度超过整数 PCM 的最大码值,样本会被截到上限或下限,这属于削波,产生的失真通常比正常量化误差严重得多。

低电平、周期性很强的信号还可能让量化误差与原信号相关,此时误差不一定像随机白噪声,而可能形成谐波或杂散。录音和格式转换中常用抖动把这种相关误差随机化,但代价是增加少量噪声底。

因此选择位深时,不只看“能表示多少级”。需要同时检查目标动态范围、模拟链路实际噪声底、是否会发生削波,以及最终是否还要做增益、混音或滤波等处理。位深提供的是数字表示精度上限,不会自动改善已经带入系统的模拟噪声。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

理解位深与量化噪声来源

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通