24-bit/192kHz音乐下载：为何毫无意义

# 24/192 音乐下载确实非常愚蠢 来源：https://people.xiph.org/~xiphmont/demo/neil-young.html 另请参见 Xiph.Org 的新视频《数字演示与讲解》（https://video.xiph.org/vid2.shtml），其中详细演示了数字采样在真实设备上的实际效果！ 上个月的文章透露，音乐人 Neil Young 和苹果公司的 Steve Jobs 曾讨论提供“无损工作室品质”的数字音乐下载。许多媒体和用户评论对未压缩的 24 位 192kHz 下载前景尤为热衷。几个月前，我与 Mr. Young 的团队交流时，24/192 正是讨论的重点。 不幸的是，以 24 位/192kHz 格式分发音乐毫无意义。其回放保真度略低于 16/44.1 或 16/48，而占用空间却是后者的 6 倍。 如今数字音乐分发在音质和“体验”上确实存在一些真正的问题。24/192 一个都没解决。当大家把 24/192 当作灵丹妙药时，我们实际看不到任何改进。 ## 首先，坏消息 过去几周里，我与一些聪明、有科学头脑的人进行了交谈，他们深信 24/192 下载的价值，并想知道怎么会有人反对。他们提出了很好的问题，值得详细解答。 我也很好奇高采样率数字音频倡导者的动机。回应表明，很少有人理解基本信号理论或采样定理（http://en.wikipedia.org/wiki/Sampling_theorem），这并不奇怪。在大多数对话中，对数学、技术和生理学的误解层出不穷，甚至常常出自拥有丰富音频专业知识的专业人士之口。有些人甚至争辩说，采样定理并不能真正解释数字音频的实际工作方式 [1 (https://people.xiph.org/~xiphmont/demo/neil-young.html#foot1)]。 错误信息和迷信只会助长骗子。因此，在提出一些真正有益的改进之前，我们先来探讨一下为什么 24/192 分发毫无意义。 ### 各位，认识一下你们的耳朵 耳朵通过位于耳蜗共振基底膜上的毛细胞来感知声音。每个毛细胞实际上都调谐在一个狭窄的频带上，其位置决定了该频带。灵敏度在频带中间达到峰值，向两侧以不对称的锥形下降，并与附近其他毛细胞的频带重叠。如果没有调谐到该频率的毛细胞，声音就是听不见的。 左上图：人耳蜗的解剖剖面图，基底膜用米色标出。基底膜沿其长度在不同频率处共振，高频靠近基部，低频靠近顶端。标注了几个频率的大致位置。 右上图：示意性地表示基底膜上沿长度分布的毛细胞响应，相当于一组重叠的滤波器。 这类似于模拟收音机，当调谐器实际设置在某频率附近时，会接收到强电台的频率。电台频率偏离越远，信号越弱、失真越大，直到完全消失，无论信号多强。存在一个上（和下）可听频率极限，超过该极限，最后一个毛细胞的灵敏度降为零，听觉结束。 ### 采样率与可听频谱 我相信你已经听过很多次：人类听力范围覆盖 20Hz 至 20kHz。了解研究人员是如何得出这些具体数字很重要。 首先，我们测量一组受试者在整个音频范围内的“绝对听阈”。这给出了一条曲线，代表在理想条件下、健康耳朵能感知到的最轻微的声音。消声环境、精确校准的回放设备以及严格的统计分析还只是容易的部分。耳朵和听觉注意力都会快速疲劳，因此测试必须在听者精力充沛时进行。这意味着需要大量的休息和停顿。根据方法不同，测试时间从数小时到数天不等。 然后我们收集另一极端的数据——“痛阈”。这是音频振幅高到耳朵的物理和神经硬件不仅完全被输入淹没，而且还会感到疼痛的点。收集这些数据更棘手，因为你不希望在此过程中永久损害任何人的听力。 上图：近似等响曲线，基于 Fletcher 和 Munson（1933 年）以及 >16kHz 频率的现代来源。绝对听阈和痛阈曲线用红色标出。后续研究者进一步完善了这些读数，最终形成了 Phon 标度和 ISO 226 标准等响曲线。现代数据表明，耳朵对低频的敏感度远低于 Fletcher 和 Munson 的结果。 人类音频范围的上限定义为绝对听阈曲线与痛阈曲线相交的点。要在此点（或以上）勉强感知到声音，它必须同时响亮得令人难以忍受。 在低频区，耳蜗的工作原理类似于低音反射箱。*蜗孔*是基底膜顶端的一个开口，相当于一个调谐在 40Hz 至 65Hz 之间的端口（因人而异）。响应在此频率以下急剧下降。 因此，20Hz - 20kHz 是一个宽裕的范围。它完全覆盖了可听频谱，这一断言得到了近一个世纪实验数据的支持。 ### 天赋异禀与金耳朵 根据我的通信往来，许多人相信存在听力超常的个体。这样的“金耳朵”真的存在吗？ 这取决于你对金耳朵的定义。 年轻健康的耳朵比年老或受损的耳朵听得更好。有些人经过特别训练，能听出大多数人甚至不知道存在的声音和音乐中的细微差别。在 1990 年代，我曾有一段时间能通过声音识别出每一种主要的 mp3 编码器（当时它们都还很差），并在双盲测试中可靠地证明这一点 [2 (https://people.xiph.org/~xiphmont/demo/neil-young.html#foot2)]。 当健康的耳朵与高度训练的分辨能力相结合时，我会称此人为金耳朵。即便如此，低于平均水平的听力也可以通过训练注意到未经训练的听众忽略的细节。金耳朵更多在于训练，而不是超越普通人类身体能力的听力。 听觉研究人员非常希望找到、测试并记录具有真正超凡听力（例如听力范围大大扩展）的个体。普通人固然不错，但每个人都想找到遗传变异者来发表一篇真正有分量的论文。在过去 100 年的测试中，我们没有发现这样的人，所以他们可能并不存在。抱歉。我们会继续寻找。 ### 光谱爱好者 也许你对以上我所写的一切持怀疑态度；这当然与大多数营销材料相悖。那么，让我们考虑一个假设的“宽光谱视频”狂热现象，它不带有既有的发烧友包袱。 上图：人眼视杆细胞和视锥细胞的近似对数响应曲线，叠加在可见光谱上。这些感觉器官对重叠的光谱波段做出反应，就像耳朵的毛细胞对重叠的声音频率波段做出反应一样。 人眼看到的光频率范围有限，即可见光谱。这直接类比于声波的可听频谱。与耳朵一样，眼睛有感光细胞（视杆细胞和视锥细胞）检测不同但重叠的光频率波段。 可见光谱大约从 400THz（深红）延伸到 850THz（深紫）[3 (https://people.xiph.org/~xiphmont/demo/neil-young.html#foot3)]。在边缘处感知急剧下降。超出这些大致限度后，最轻微感知所需的光功率可能灼伤视网膜。因此，即使对于年轻、健康、遗传天赋好的个体，这也是一个宽裕的范围，类似于可听频谱的宽裕限度。 在我们假设的“宽光谱视频”狂热中，考虑一群狂热的光谱爱好者，他们认为这些限度还不够宽裕。他们建议视频不仅表现可见光谱，还应包括红外线和紫外线。继续类比，还有一个更硬核（并以此为傲！）的派别坚持认为这个扩展范围仍然不够，视频在同时包含微波和部分 X 射线谱时感觉要自然得多！他们坚称，对于金眼来说，差别是天壤之别！ 这当然是荒谬的。 没有人能看到 X 射线（或红外线、紫外线、微波）。一个人相信自己能看到并不重要。视网膜根本没有相应的感觉硬件。 这里有一个任何人都能做的实验：去拿你的苹果红外遥控器。LED 发射波长约 980nm，即约 306THz，位于近红外光谱。这距离可见范围并不远。把遥控器带到地下室，或你家里最黑暗的房间，在半夜关灯，让你的眼睛适应黑暗。 上图：苹果红外遥控器用数码相机拍摄的照片。尽管发射器相当亮，且发射频率距离可见光谱的红色部分不远，但对眼睛来说完全不可见。 当你按下按钮时，能看到苹果遥控器的 LED 闪光吗 [4 (https://people.xiph.org/~xiphmont/demo/neil-young.html#foot4)]？看不到？连最微弱的也没有？试试其他红外遥控器；许多使用更接近可见光波段的红外波长，大约 310-350THz。你也看不到它们。其余的在可见边界附近（350-380THz）发射，可能只有在完全黑暗、眼睛适应黑暗后才能勉强看见 [5 (https://people.xiph.org/~xiphmont/demo/neil-young.html#foot5)]。如果它们处于可见光谱内部，则会耀眼得令人痛苦。 这些近红外 LED 的发射频率从可见光边界延伸到最多超出可见频率限度的 20%。而 192kHz 音频则延伸到可听频率限度的 400%。为避免被指责为将苹果与橙子相提并论，听觉和视觉感知在边缘处的下降方式类似。 ### 192kHz 被认为有害 192kHz 数字音乐文件没有任何好处。它们也并非完全中性；实际保真度略差。超声波在回放过程中是一种负担。 音频换能器和功率放大器都无法完全避免失真，且失真往往在最低和最高频率处迅速增加。如果同一个换能器同时再现超声波和可听内容，任何非线性都会将部分超声波成分下移混入可听范围，成为覆盖整个可听频谱的不可控互调失真产物。功率放大器中的非线性也会产生相同效果。效果非常轻微，但聆听测试已证实两者都可能被听到。 上图：在一个总谐波失真（THD）恒定约为 0.09% 的理论放大器中，30kHz 和 33kHz 音调互调产生的失真产物示意图。失真产物出现在整个频谱中，包括低于这两个音调的频率。 不可听的超声波在可听范围内（浅蓝色区域）产生互调失真。未设计用于再现超声波的系统通常在 20kHz 以上具有更高的失真水平，进一步加剧互调。为了容纳超声波而扩展设计的频率范围，需要在可听频谱内降低噪声和失真性能方面做出妥协。无论哪种方式，不必要的超声波内容回放都会降低性能。 有几种方法可以避免额外的失真： 1. 使用专用的超声波扬声器、功放和分频器，将你听不到的超声波分离并独立再现，以免它们干扰你能听到的声音。 2. 设计用于更宽频率再现的放大器和换能器，使超声波不会引起可听的互调失真。在相同成本和复杂度下，额外的频率范围必须以牺牲可听频谱部分性能为代价。 3. 精心设计不再现超声波的扬声器和放大器。 4. 一开始就不编码如此宽的频率范围。如果没有超声波内容，你就不可能在可听频带内产生超声波互调失真。 所有这些都归结为同一件事，但只有 4）是合理的。 如果你对自己的系统性能感到好奇，以下样本包含一个 30kHz 和一个 33kHz 的音调（24/96 WAV 文件）、一个更长版本的 FLAC、一些三音调摆动，以及一个上移 24kHz 的正常歌曲片段（完全位于 24kHz 至 46kHz 的超声波范围）： - **互调测试：** - 30kHz 音调 + 33kHz 音调（24 位 / 96kHz）[\[5 秒 WAV\]](https://people.xiph.org/~xiphmont/demo/30_and_33.wav)[\[30 秒 FLAC\]](https://people.xiph.org/~xiphmont/demo/30_and_33-long.flac) - 26kHz - 48kHz 摆动音调（24 位 / 96kHz）[\[10 秒 WAV\]](https://people.xiph.org/~xiphmont/demo/warbles-96.wav) - 26kHz - 96kHz 摆动音调（24 位 / 192kHz）[\[10 秒 WAV\]](https://people.xiph.org/~xiphmont/demo/warbles-192.wav) - 上移 24kHz 的歌曲片段（24 位 / 96kHz WAV）[\[10 秒 WAV\]](https://people.xiph.org/~xiphmont/demo/Pido_O_trollbat.wav)（上述片段的原始版本 (https://people.xiph.org/~xiphmont/demo/Pido_O.wav)（16 位 / 44.1kHz WAV）） 假设你的系统确实能够完整回放 96kHz [6 (https://people.xiph.org/~xiphmont/demo/neil-young.html#foot6)]，上述文件应该完全静音，听不到任何噪声、音调、啸叫、咔嗒声或其他声音。如果你听到任何声音，说明你的系统存在非线性，导致超声波产生可听的互调失真。增大音量时要小心；如果进入数字或模拟削波（即使是软削波），会突然产生响亮的互调音调。 总之，不一定会听到超声波互调失真。增加的失真可能微不足道，也可能很明显。无论如何，超声波内容从来不是优势，而且在许多系统上会明显损害保真度。在不受影响的系统上，处理超声波的代价和复杂性本可以节省下来，或用于改善可听范围内的性能。 ### 采样的谬误与误解 如果没有信号处理背景，采样理论往往不直观。大多数人，甚至其他领域的杰出博士，都经常误解它，这并不奇怪。同样不奇怪的是，许多人甚至没有意识到自己理解错了。 上图：采样信号通常被描绘成一个粗糙的阶梯（红色），看起来是对原始信号很差的近似。然而，这种表示在数学上是精确的，当转换回模拟时，信号会恢复原始的光滑形状（蓝色）。 最常见的误解是采样从根本上就是粗糙且有损的。采样信号常常被描绘成原始完美光滑波形的锯齿状、硬边阶梯复制品。如果你是这样理解采样工作的，你可能会认为采样率越高（每个样本的位数越多），阶梯就越精细，近似就越接近。数字信号听起来会接近