音频PCM编码「建议收藏」

音频PCM编码「建议收藏」PCM编码PCM就是把一个时间连续,取值连续的模拟信号变换成时间离散,取值离散的数字信号后在信道中传输。简而言之PCM就是对模拟信号先抽样,再对样值幅度量化,编码的过程。例如听到的声音就是模拟信号,

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

PCM编码

PCM就是把一个时间连续,取值连续的模拟信号变换成时间离散,取值离散的数字信号后在信道中传输。简而言之PCM就是对模拟信号先抽样,再对样值幅度量化,编码的过程。例如听到的声音就是模拟信号,然后对声音采样,量化,编码产生数字信号。相对自然界声音信号,任何音频编码都是有损的,在计算机应用中,能达到高保真的就是PCM编码,因此PCM约定成俗成了无损编码,对于声音而言,我们通常采用PCM编码。

音频PCM编码「建议收藏」

对于音频常见术语有采样率,采样大小,声道,比特率等。

参数

  • 采样率,单位时间内采样次数,采样率越高,音质越好,人耳听觉范围大致在20HZ-20KHZ,采样频率超过信号带宽2倍不会产生混迭,例如常用的规范采用44.1kHZ作为标准采样率,大于20kHZ两倍,所以44.1kHZ采样率足够用。

  • 采样大小,存储空间常见的有8bit,16bit,32bit,64bit等,每个采样数据记录的是振幅,采样精度取决于空间大小,采样率和采样大小值越大,音质越好。

  • 声道,常见的有单声道,双声道,双声道数据量比单声道大一倍。

例如 “44.1kHZ,16bit, 2channel” 格式,速率就是 44100 * 16 * 2 = 1411200 kpbs,如果pcm文件大小为10M,则播放时长 10 * 1024 * 1024 * 8 / 1411200 = 59.5s

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/167601.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • Tesseract OCR初探

    Referfromhttp://hellosure.github.io/ocr/2014/10/11/tesseract-ocr/11October2014OPENCV&OCROpenCV(OpenSourceComputerVisionLibrary,跨平台计算机视觉库),专注机器视觉,是个更大范围的概念OCR(OpticalCh

    2022年4月10日
    60
  • selenium webdriver下载_webdriver怎么读

    selenium webdriver下载_webdriver怎么读地址:http://npm.taobao.org/mirrors/chromedriver/下载完对应的webdriver后,放到python目录下的Scripts文件夹内测试示例:fromseleniumimportwebdriver#测试用例1driver=webdriver.Chrome()如果能够打开浏览器就表示成功,如果报错Thisversiono…

    2026年1月22日
    5
  • 【quorum源码】quorum tessera源码剖析

    【quorum源码】quorum tessera源码剖析tessera是quorum的一种隐私管理器实现,使用Java语言编写,用于对quorum隐私交易的加密、解密和分发。

    2022年5月30日
    95
  • matlab灰度化处理函数_matlab中imfinfo的用法

    matlab灰度化处理函数_matlab中imfinfo的用法Matlabinfl()依次使用函数IM=imreconstruct(marker,mask)有关算法的详细信息,请参见Soille,P.,《形态图像分析:原理和应用》,SpringerVerlag,1999年,第208-209页。第6.3.7节“填充孔”部分importnumpyasnpfromskimage.morphologyimportreconstructionimpor…

    2025年11月10日
    4
  • thinkphp5中的配置如何使用

    thinkphp5中的配置如何使用

    2021年6月16日
    78
  • word-embedding_open compound word

    word-embedding_open compound wordWordEmbedding之CBOWCBOW模型结构准备文字数字化构建损失函数基于RNN的方法基于CBOW的方法CBOWCBOW是一个非常优秀的WordEmbedding模型,其原理非常简单,本文章尝试深入模型内部,探索这个模型的性能和表现。模型结构准备再介绍模型的网络结构之前,首先要介绍的是一个向量计算。假定特征为,x=(x0,x1,⋯ ,xn−1…

    2025年9月4日
    4

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号