其实原本写了一些通信信道仿真的内容，但ToolBox出了点问题，除夕辞旧迎新把原本的卸载了，但新的又有问题没装上（北太天元暂缓）。故改用Python.这一系列的内容编排是基于阅读刘海英老师的《数字音频处理教程》的第三章和第五章。之前24年读了一遍，这次挑出一些可以编程实操的内容撰写文章。看似是音频处理，其实还是DSP那一套，只是推广到了音频处理领域。在数字信号处理（DSP）课本里，我们学过很多看起来很“抽象”的东西：采样、量化、滤波、频谱分析、线性预测、随机过程……我们日常用的很多音频编码方法，其实就是把这些 DSP 工具按需拼装起来，变成一个可以“压缩”声音的系统。这一类编码有很多种，其中在尽量少占用比特率的前提下，让重建出来的声音波形，尽量长得和原始波形一模一样。叫做 波形编码（waveform coding）。我希望用几组 Python 小实验，讨论三种压缩方式PCM、µ-law和DPCM，顺便讨论一下如何比较压缩前后音质的差异。为了简单直观，我选的是一小段弦乐声音（其实是从老师学习通资料里下载的），并且转换为单声道，把幅度归一化到 [-1, 1] 的范围。
接下来，我们对这同一段语音，分别做三类波形压缩操作：
用最普通的 PCM 量化，先用足够高的采样率把连续时间的声音变成离散采样点。比如 16 kHz 或 44.1 kHz，这部分满足奈奎斯特定律就不展开了。再把每一个采样点的幅度，从连续值变成有限个等级。局部波形对比如下：
换成 µ-law 非线性压缩再量化，把靠近 0 的小幅度放大，把大的幅度缩小，整体再做一次均匀量化。波形结果如下：
小结一下，我们从采样定理、量化噪声理论出发，是最朴素的PCM；考虑信号的统计分布和人耳对小信号更敏感的特点，发展出了µ-law/A-law 这类非均匀量化。但这个音频貌似效果不太显著，我再找找有没有其他音频的资料。
