Audio ABC | CD为何是44.1KHz采样率？

旧文排版重发，略作修改。

小朋友英语学习的培训教材中附送了一张音频CD，作者在鼓捣这张CD的时候，忽然一个问题冒了出来：为什么CD采用了44.1KHz的采样率？为什么不是48KHz？毕竟48这个数字看起来整齐的多。为此作者做了一番搜索和研究，分享给感兴趣的朋友。

声音的基本概念

首先介绍一些常见的音频概念。大家知道人耳能听到声音，是因为声音在音源处产生后，对空气产生了一系列忽强忽弱的压力，这种压力的变化（振动）可以被人耳内部的耳膜感受到，然后经由各种神经细胞，汇总到大脑中形成声音的感觉。

有时候这种压力比想象的要大的多，它不仅可以驱动薄薄的耳膜，当强度足够大时，甚至可以吹动人的头发和衣服。参加过室外音乐节的朋友，如果碰巧在现场比较靠近喇叭的地方，应该有切身的体会。人耳能听到的这种压力振动的范围大概在20Hz到20KHz，Hz即赫兹，即每秒钟振动发生的次数。

除了耳道，身体的其它一些部分也可以感受到声音的振动，例如骨传导耳机就是绕过了耳膜，利用头部骨骼来传递声音的振动。

（骨传导原理。图片来自网络）

音频信号的采样

因为声音本质上是一个连续的模拟信号，当声音被记录下来，尤其是数字化记录时，就涉及到采样率和采样精度这两个概念。工科的朋友们可能对奈奎斯特采样定理比较熟悉，就是对声音信号做采样时，采样频率一定要大于声音信号最高频率的两倍。一个通用的声音记录系统，当然需要应对声音的大范围频率，即20KHz声音需要的采样频率至少是40KHz，考虑到后续的各种传输、处理过程带来的损失，采样频率一般会高于40KHz。

（数字化的440Hz正弦波，采样频率8KHz，采样精度8bit）

采样频率

常用的采样频率大概分三个系列，分别以8KHz、12KHz、11.025KHz为基准。由此衍生出来的采样频率就有三个系列。

•8K、16K、32K、64K、128K•12K、24K、48K、96K、192K•11.025K、22.05K、44.1K、88.2K

采样精度

如果说采样频率对应的是时间维度上对于声音的采样，那么采样精度就是对应的幅度维度。它把采样系统所支持的幅度范围分成若干间隔，然后用一个数字来代表每一个间隔对应的幅度值。当某一个时刻的声音幅度落在某个间隔时，就用这一间隔的数字来代表这个声音在这个时刻的幅度。

采样精度，通常有8bit、16bit、24bit、32bit这几种。

音频通道

还有一个概念就是声音通道数量，常见的就是两个声道，一左一右。家庭影院声道数量更丰富一些，一般不大于十个。在电影院中，通常会更多，有几十个声道。所以在电影院中声音复现的更为真实，配合电影画面使得观众有身临其境的感觉。每个声道一般都对应录制时的一个麦克风，当然有些声道也可以后期合成。

音频编码

采样完成后，通常还有个编码的过程。最直观的编码就是PCM格式了，它是一种有正有负的数字表示方式，以衡量特定时刻的声音幅度。正、负其实是相对的概念，都是相对于数字零所对应的幅度而言。

音频存储

上面是声音数字化记录的一些参数，那么这些数字化的记录如何存放？数字记录生成的文件有好多种，在Windows平台，最直观就是wav文件了。相比大家熟悉的MP3格式文件，wav直接保存的就是PCM编码的声音幅度信息，而采样频率、采样精度以及声音通道数目，就在wav文件头中标明。这样当一个播放器播放wav文件的时候，它首先读取文件头，了解这个声音的采样率、采样精度、声道数目，就可以恢复出正确的声音了。

为什么是44.1KHz

日常生活中大家都接触过CD，记得在2000年前后，当时MP3还未普及，大家听音乐、歌曲还是主要靠购买CD。CD一般来说是Compact Disc Digital Audio的简称，翻译成中文大概是紧凑型数字音频盘的意思。最初由飞利浦和索尼在上个世纪80年代初以红书（Red Book）的形式联合发布，在1987年被标准化组织IEC接纳为正式标准，编号为IEC 60908。这个标准最近一次修订是在1999年。飞利浦和索尼出版了一系列以颜色命名的标准，全部都是关于Compact Disc的，红书（Red Book）就是其中描述数字音频CD的一本。

（CD Logo、CD盘面、早期的CD唱机、放大的CD表面纹路）

IEC 60908整个标准还是挺繁杂的，我们只关注其中的编码部分。简单来说，存放于CD中的音频编码标准就是声音通道数为2、采样精度16bit、编码格式为线性PCM、采样率固定是44.1KHz。

（适用于CD的音频标准IEC60908）

原因一：PCM Adaptor和视频制式

在红书（Red Book）发布之前的1970年代，还存在着一种录音设备叫做PCM适配器。顾名思义，它把模拟的音频信号转换成数字的PCM编码，并提供录制到视频存储设备上的接口。

为什么音频和视频搅和在一起？因为当时已有的音频存储设备带宽不够大，不足以提供16位的PCM数字音频的存取带宽，这个带宽大概在1M~1.5M bit/s，这在当时是一个相当“高”的带宽，只有视频存储设备才有如此高的存取能力。PCM适配器把音频数据按特定的视频格式打包，从而可以借助于已有的“高带宽”视频存储设备实现音频数据的存取。

（Sony PCM-F1：PCM Adaptor）

好吧，回忆一下文章开头的问题：为什么CD的采样率是44.1KHz？

到这里，已经非常接近问题的答案了。那就是——

任何新事物都要尊重传统的力量。

具体到这个问题，就是音频CD的采样率沿用了PCM适配器的采样率，而PCM适配器的采样率还要能够兼容视频存储设备的特定要求，以便利用当时已有的视频存取设备来存取其中的音频数据。

当时大量存在的视频存储设备主要支持两种视频制式，一种是25帧制式（称为CCIR 625/50，也叫PAL），一种是30帧制式（称为EIAN 525/60，也叫NTSC）。当时世界上有电视普及的国家按这两种制式分为两个阵营。

首先看30帧（即60场）制式，这种制式的一帧中，可利用来录制音频的视频行最多能有490行，分到每一场（Field）就有245行。在每一视频行可以平均存储3个音频采样点，那么音频出现的频率就是60*245*3 = 44100。这就是44.1KHz采样率的由来的原因之一。

同样在25帧（即50场）制式中，最大可利用的行数是588行，分到每一场有294行，同样每一行存放3个音频采样点，那么音频采样率就是50*294*3 = 44100。

这样44.1KHz的音频采样率可以保证对两种视频制式的最大限度兼容。

原因二：Prime Numbers

还有一种解释说明采用44100Hz的原因是，44100可以分解成2、3、5、7四个最小连续质数的平方的乘积。听起来有些神秘主义的倾向，作者推测这些质数因子有助于系统实现时的频率合成。

（神秘数字44100可分解为质数平方积）

原因三：Symphony No. 9 (Beethoven)

还有一种更为传奇的说法，就是最初的CD设计团队发现，如果用48KHz的采样率的话，一张CD放不下74分钟版的贝多芬第九交响曲。而采用稍小的44.1KHz，则刚好可以放下。作者感觉这种说法有点儿太传奇太浪漫了，信不信由您。

（贝多芬第九交响曲手稿）

好了，看到这里，想必您对CD为何采用44.1KHz的音频采样率已经有了一些了解。可以看出，任何一项新技术的发明和发展，都离不开对已有技术的依赖、消化和继承。任何创新都不是凭空从头脑中诞生的，而是一步一步脚踏实地的走出来的。这是作者在这个问题的探索中获得的一点点感悟，与诸君分享。