FFMpeg 4.1 音频检测

前言

网络上各种 FFMPEG，尤其是雷大神的一些样例，很好，但是一堆 deprecated 的API，编译看着是真心很烦。所以自己写了一个针对各种格式的输入音频，然后，也没复杂的功能，就是进行音频内部的一些检测。

说一说音频格式

关键的参数：

1. 采样率

2. 位深（说白了也就是精度）

现实生活中的声音其实是连续的，而到电脑，手机等设备中的音频是数字的，离散的。连续的数据是如何变成离散的呢，就是录音，就是采样过程。这么说太抽象了，假设一个例子：

我们现在来测一天的温度。怎么测？

第一：多久测一次？第二：温度计用什么样子的？刻度需要到什么样的精细程度？

假设：一个小时测量一次，温度计能够精确到0.1度。那么采样率就是 1 次/小时，当然，次不是个物理的计量单位，小时是时间计量单位，物理里面针对这种情况，引入了一个特别的单位，就是赫兹。1 小时负一次方，转换成秒的负一次方，就是具有标准单位的采样单位，赫兹了。精度，如果是精确到度，那么比如32度，31度，跟精确到0.1度，33.1度，31.3度，影响的就是存储数据的空间大小了，8bit长度的数字，16bit长度甚至是32bit长度的数字，能够表达的精度，是不一样的。这就是位深。

采样率是不是越高越好呢？测量温度为例：一分钟测一次，甚至一秒钟测量一次，是否有必要呢？其实完全没有必要，因为气温的变化，太慢，一分钟一次，完全没有必要，很可能很多时候测量的数据都是一样的。还有就是精度，精度太细，有没有必要呢？对于人体而言，低于0.1度的气温，人体根本感受不到。测量精细了有什么用呢？甚至到0.5度精度就足矣了。当然也不能太粗，那测量出来，跟没有温度计的估计是一样的效果，精度如果是10读，测量下来，20度，30度，20度，30度，也没啥特别的作用。

所以，对于音频，也一样，不同需求下的声音的录制，根据场景需要来进行采样的。

比如人声，也就是所谓的语音。语音录制，一般场景下，回放出来，只要能听懂，就OK。满足这种要求的情况下，8K的采样率一般足矣了，甚至个别场景下，采用6k的采样率。为什么是6k或者8k？因为人体说话的声音的固有震动频率一般都是3到4k之间。而且大多数人都是在3k左右，到4k的一般都很少。可想，画成波形，那么采样之后的数据回放，如何让人能够听懂呢？至少能尽量“恢复”成原来的样子呢？直观而言，至少在波峰处取一个点，波谷处取一个点，这样才能还原吧。当然，这种直观是不靠谱的。其实，如果了解傅里叶变换，知道频域时域这些知识，理论上是可以证明：4k固有震动频率的波形，采样必须要在4k*2的采样率以上，其实就是香农采样定理。还有就是位深，采样精度，跟温度精度其实也是类似的。

好，这下我们就知道了音频数据最关键的两个数据了，采样率跟位深。

对于语音，一般8k采样率，8bit采样位深也就足够了。但是为了更好的品质呢，一般都采用8k16bit的采样率跟位深。这样采集来的数据，就是所谓的PCM，也就是没有经过压缩的数据。其实WAV格式的音频，内部的数据，一般就是这样的数据，加了个格式头而已。

为什么会有所谓的44100采样率？因为前文说的是语音，就是人说话，那唱歌呢？乐器呢？经过反复试验，发现采样率到了44100的时候，再往上，不好意思，放出来的声音，人耳朵已经分辨不出其中的差距了。所以，一般的44100就是音频采样的最高