音乐音质那些事：从比特率到全景声

你打开音乐 App，音质选项从「标准」到「臻音全景声」排了一长串：128kbps、320kbps、44.1kHz/16bit、192kHz/24bit、7.1.4 声道……

这些数字到底在说什么？有损和无损差别大吗？16bit 和 24bit 能听出来吗？「空间音频」是音质变好了，还是声音变了个样子？

这篇文章把这些参数一个一个拆开讲清楚，最后会告诉你：哪些参数真正影响你听到的声音，哪些只是数字游戏。

摘要：先给结论

如果把影响「你实际听到的声音」的因素按重要性排个序，大概是这样的：

优先级 因素 说明
1 母带与混音 同一首歌不同版本（母带重制、不同平台的不同母带）差异最大
2 耳机 / 音箱 / 房间 换一条耳机的影响远大于 128kbps 换无损
3 有损码率（128 → 320） 从明显能听出到几乎听不出
4 空间音频/多声道 听感变化极大，但那是「形态」而不是「保真度」
5 有损 320kbps → 无损 多数人在多数设备上听不出
6 采样率 44.1 → 96/192kHz 几乎听不出（成品音乐）
7 位深 16 → 24bit 几乎听不出（成品音乐）

一句话总结：

有损看比特率，决定「丢了多少」；无损看采样率和位深，决定「原始有多精细」；而真正决定好不好听的，往往是母带、耳机和房间。

一、常见音质选项一览

以国内主流音乐 App（QQ 音乐、网易云、酷狗等）为例，大致分这几档。各家命名不同，但内涵基本一致：

音质档位 类型 典型参数 特点 会员要求
标准 有损 128kbps（AAC/MP3） 体积小，细节损失明显 免费
极高 HQ 有损 最高 320kbps 接近 CD 听感 免费
无损 SQ 无损 最高 48kHz/16bit（FLAC） CD 级无损 VIP
高解析度无损 Hi-Res 无损 最高 192kHz/24bit 高于 CD 的参数 VIP
高清臻音 Spatial Audio 空间音频 96kHz/24bit + 空间渲染 带空间感的高解析 VIP
臻音全景声 Audio Vivid 全景声 最高 7.1.4 声道 真三维环绕 SVIP

海外平台对照：

平台 免费/基础 高级 最高
Apple Music AAC 256kbps — 无损 ALAC 最高 192kHz/24bit + 杜比全景声
Spotify Ogg Vorbis 96~160kbps 320kbps 320kbps（无损档长期难产）
YouTube Music Opus 128kbps Opus 256kbps 256kbps
Tidal AAC 16bit/44.1 FLAC FLAC 最高 192/24 + Atmos

注意几个现象：

  • 免费档通常停在 128kbps，这是有损压缩「开始明显能听出问题」的分界线。
  • HQ 档基本就是 320kbps，这是有损压缩的收益拐点。
  • 再往上（SQ / Hi-Res）全部是 VIP 内容，也正是「心理价值」最高的部分。
  • 全景声档往往是 SVIP 且独立计费，因为它不只是音质，而是另一种内容形态。

二、四个核心参数

所有音质参数，归根结底只有四个维度：比特率、采样率、位深、声道数。

2.1 比特率（kbps）

每秒用多少数据来描述声音。

  • 单位是 kbps（kilobits per second），即千比特每秒。
  • 128kbps 意味着：每秒最多用 128,000 bit 来表达这一段音乐。
  • 这是一个预算：编码器必须在这么小的预算里，尽可能保住「人耳敏感」的信息。

比特率是衡量有损压缩质量的核心指标，因为它直接决定了编码器能保留多少信息。

按用途分三种模式：

模式 含义 特点
CBR（固定码率） 全程码率恒定 体积可预测，适合流媒体，复杂段落质量下降
VBR（可变码率） 按内容复杂度动态分配 同体积下质量更好，专业场景常用
ABR（平均码率） 一段内平均达标 折中方案

所以「320kbps」这个说法严格来说并不精确——它可能是 320kbps CBR，也可能是目标平均 320kbps 的 VBR。同一首歌、同样标 320kbps，不同编码器（LAME、Fraunhofer、iTunes AAC、libopus）的实际质量可以差出一截。

2.2 采样率（kHz）

每秒对连续的声音波形「拍照」多少次。

  • 44.1kHz 表示每秒采样 44,100 次。
  • 根据奈奎斯特-香农采样定理：采样率必须大于信号最高频率的 2 倍，才能无失真重建。
  • 反过来说：采样率 / 2 = 能表示的最高频率。
采样率 奈奎斯特频率（理论上限） 用途
32kHz 16kHz 广播语音
44.1kHz 22.05kHz CD、绝大多数音乐
48kHz 24kHz 视频、影视、专业制作
88.2kHz 44.1kHz 44.1 的 2 倍（便于整数分频）
96kHz 48kHz 高解析录音、影视
192kHz 96kHz 高解析母带、营销卖点

人耳听觉上限大约 20kHz（儿童约 20kHz，成年人普遍降到 15~17kHz）。所以 44.1kHz 和 48kHz 已经完整覆盖人耳可听范围。

采样率是无损格式质量的核心指标之一，因为它决定了频率上限。

2.3 位深（bit）

每个采样点用多少位来记录「振幅」的精度。

位深决定的是动态范围（最安静到最响亮的跨度），公式很简单：

$$
\text{动态范围(dB)} \approx 6.02 \times N
$$

位深 理论动态范围 量化级数
8bit 约 48dB 256
16bit 约 96dB 65,536
24bit 约 144dB 16,777,216
32bit float 有效精度约 24bit，但范围极大 —

所以 16bit ≈ 96dB 动态范围，24bit ≈ 144dB——这是 CD 标准与「高解析录音」之间的核心差别。

位深是无损格式质量的另一个核心指标，它决定了振幅精度和噪声地板。

2.4 声道数（如 7.1.4）

普通音乐是 2.0 立体声（左 + 右）。

7.1.4 的读法是：

  • 7：7 个主声道 —— 左(L)、中(C)、右(R)、左环绕(Ls)、右环绕(Rs)、左后环绕(Lb)、右后环绕(Rb)
  • .1：1 个低频效果声道（LFE，就是那个「.1」，负责低频震撼）
  • .4：4 个高度声道 —— 顶部前左、顶部前右、顶部后左、顶部后右

组合起来就是「水平面 7 只 + 低频 1 只 + 头顶 4 只」的真三维声场。注意：影院系统的 7.1.2 里的 2 只顶置，7.1.4 是 4 只顶置的进阶版。

多声道不提升「保真度」，它提升的是「空间信息量」——这是完全不同的一个维度，后面会单独讲。

三、数字音频的底层：PCM、采样、量化

要理解上面这些参数，得先知道声音是怎么被「数字化」的。

3.1 从空气振动到一串数字

声音是空气压强随时间的变化，是一条连续曲线。数字化要经过三步：

1
2
3
4
5
6
7
8
9
10
连续声波
   │  ① 采样（Sampling）：每隔 1/44100 秒取一个点
   ▼
离散时间点
   │  ② 量化（Quantization）：把每个点的振幅对齐到最近的整数刻度
   ▼
离散整数值  ←── ③ 编码（Coding）：按 PCM 或压缩格式存储
   │
   ▼
文件（.wav / .flac / .mp3 / .m4a）
  • 采样率 决定 ① 的密度 → 决定能表示的最高频率
  • 位深 决定 ② 的刻度粗细 → 决定动态范围 + 噪声地板
  • 编码方式 决定 ③ 是不是无损 → 决定文件大小

3.2 PCM：最朴素的存法

PCM（Pulse Code Modulation，脉冲编码调制）就是「把每个采样点的量化值原样写进文件」。CD 音频的全称是：

1
44.1kHz / 16bit / 2ch / PCM

也就是每秒 44,100 个点 × 每点 16bit × 2 个声道。

文件大小公式：

$$
\text{码率(bps)} = \text{采样率} \times \text{位深} \times \text{声道数}
$$

$$
\text{文件大小} = \text{码率} \times \text{时长} \div 8
$$

算一下 CD 标准：

1
44100 × 16 × 2 = 1,411,200 bps = 1411 kbps ≈ 176.4 KB/s

一首 4 分钟的 CD 无损曲目：1411.2 kbps × 240 s ÷ 8 ≈ 42 MB

各格式实测对比（以 4 分钟单曲为参考）：

格式 参数 码率 4 分钟体积
MP3/AAC 标准 128kbps 128 kbps ≈ 3.8 MB
MP3/AAC 极高 320kbps 320 kbps ≈ 9.6 MB
CD 无损 44.1kHz/16bit 立体声 1411 kbps ≈ 42 MB
FLAC 44.1kHz/16bit（压缩） 约 700~1000 kbps ≈ 23 MB
Hi-Res 48kHz/24bit 2304 kbps ≈ 69 MB
Hi-Res 96kHz/24bit 4608 kbps ≈ 138 MB
Hi-Res 192kHz/24bit 9216 kbps ≈ 276 MB
流媒体全景声 Dolby Atmos（E-AC-3 JOC） 约 384~768 kbps ≈ 13 MB

注意最后一行——流媒体的「全景声」几乎都是有损压缩，码率甚至比无损立体声低一个数量级。但它听起来「更丰富」，因为它在讲空间，不在讲保真。

3.3 量化噪声与 dither

把连续振幅对齐到整数刻度，就会产生误差，叫做量化噪声。

  • 16bit 的量化噪声地板约在 -96dBFS。
  • 如果直接「四舍五入」截断，误差和信号相关，听感上会出现** granular 的失真**（低电平段落尤其明显）。
  • 解决办法是 dither（抖动）：在量化前加入极低电平的随机噪声，把相关失真变成不相关的白噪声，听感反而更「干净」。

专业的母带处理在降位深（比如 24bit 混音 → 16bit CD）时一定会加 dither，还会用 noise shaping（噪声整形） 把噪声能量推到人耳不敏感的频段（例如 15kHz 以上）。

这也是为什么「16bit 不如 24bit」这个说法在制作环节是对的，在播放环节意义不大——因为成品 16bit 文件里的量化噪声已经被精心处理过了。

四、有损压缩：魔法在心理声学

有损格式（MP3、AAC、Opus、Vorbis）的核心不是「音频压缩算法」，而是心理声学模型——它在猜你听不见什么。

4.1 心理声学三个基本事实

  1. 人耳不是线性频谱分析仪：频率分辨率随时长变化，低频分辨率高，高频分辨率低。
  2. 听觉阈值：低于某条曲线（绝对听阈）的声音根本听不到；不同频率敏感度不同（2~5kHz 最敏感，因为耳道共振）。
  3. 掩蔽效应（Masking）：一个响亮的声音会把附近频率/时间上的弱声音「盖住」。掩蔽分三类：
    • 频域掩蔽：强音附近的频段阈值抬高
    • 时域前掩蔽：强音之前约 5~20ms
    • 时域后掩蔽：强音之后约 50~200ms

于是编码器的策略非常直接：

凡是「被掩蔽的」和「低于听阈的」信息，直接丢掉不编码，省下来的比特用在人耳敏感的部分。

这就是有损压缩能到 1/10 体积还「听起来差不多」的原因。

4.2 编码流程（以 MP3/AAC 为例）

1
2
3
4
5
6
7
8
9
10
11
12
13
PCM 输入
  │
  ├─→ 时域分析（瞬态检测，决定窗长）
  │
  ├─→ MDCT 变换到频域（把波形拆成一堆频率成分）
  │
  ├─→ 心理声学模型（算出每个频段的掩蔽阈值）
  │
  ├─→ 比特分配（给「听得见」的频段多分比特，「听不见」的少分或不分）
  │
  ├─→ 量化 + 霍夫曼编码
  │
  └─→ 比特流（帧打包）

关键点：「丢掉」的动作发生在量化阶段——给不重要的频段用很粗的量化台阶，甚至直接置零。

4.3 有损压缩的典型瑕疵

现象 成因 常见场景
高频发闷、细节消失 高频段比特分配不足，15kHz 以上被大幅削减 128kbps 及以下
金属感/水声/whale song 频域量化噪声被听见 低码率、复杂信号（合唱、失真吉他）
预回声（pre-echo） 瞬态（鼓点、拍手）在变换编码中噪声扩散到之前 128kbps 敲击类音乐
立体声像变窄 中侧（M/S）联合编码压缩了侧声道 低码率
底噪「呼吸感」 VBR 下安静段落比特不足 古典乐弱奏段落

这些瑕疵在 128kbps 时普遍可闻，在 320kbps 时基本消失。

4.4 各码率的主观感受

码率 主观评价 谁听得出来
64kbps 明显失真，人声发糊 几乎所有人
96kbps 能听但粗糙，高频缺失 大多数人
128kbps 可接受，但复杂段落糊 大多数人（认真听）
192kbps 明显改善，日常够用 部分人
256kbps 接近透明 少数人
320kbps 绝大多数内容「透明」 极少数人 + 特定素材
无损 无压缩损失 —

「透明（transparent）」是音频领域的一个术语，意思是「听不出与原版的差异」。

4.5 编码器横向对比

同码率下的实际质量，一般可以这么排：

1
Opus  >  AAC-LC  >  MP3 (LAME)  >  老式编码器
  • Opus：目前最强，低码率下尤其明显，YouTube / Discord / WebRTC 都在用。64kbps Opus 大致能打 128kbps MP3。
  • AAC-LC：Apple Music / 各大平台的主流，同码率优于 MP3 约 20~30%。
  • MP3：老但兼容性无敌，320kbps 至今仍是很多平台的默认「高音质」。

五、无损压缩：只是「打包方式」不同

无损格式（FLAC、ALAC、APE、WavPack）的原则是：

解码后得到的数据，与原始 PCM 一个比特都不差。

5.1 无损是怎么压缩的

它压缩的不是「声音」，而是「数据的冗余」：

  1. 线性预测：用前几个采样点预测下一个点，只存「预测误差」。音乐波形高度相关，误差通常很小。
  2. 残差编码：小数值用少 bit，大数值用多 bit（Golomb-Rice / 算术编码）。
  3. 立体声去相关：左右声道高度相似，可用 M/S 或 L/R 关系减少冗余。
  4. 分块 + 熵编码：把小块数据用 Huffman 或算术编码做最终压缩。

典型压缩率：原始 PCM 的 50%~70%。

5.2 常见无损格式对比

格式 后缀 压缩率 特点
WAV .wav 0%（不压缩） 容器格式，兼容性最好，无标签支持弱
AIFF .aiff 0% Apple 版 WAV，大端序
FLAC .flac 50~60% 开源、免专利、硬件支持广，事实标准
ALAC .m4a 40~50% Apple 生态，可塞进 MP4 容器
APE .ape 50~60% 压缩率略高，但解码 CPU 开销大、抗损坏差
WavPack .wv 40~70% 支持混合模式（有损+残差修正）

5.3 一个常见误区

「我下的是 FLAC，所以音质一定好。」

不成立。 无损只保证「不丢信息」，不保证「原始信息里有好东西」。

把 128kbps MP3 转成 FLAC，得到一个 100% 无损的、包含了 128kbps 全部瑕疵的文件。这种现象叫 转码（transcoding），也是市面上「假无损」的来源。后面会讲怎么识别。

同理，无损也不代表母带好——一首被响度战争压成砖头的无损，听着还不如一个母带健康的 256kbps。

六、为什么有损看比特率，无损看采样率？

因为两者的存储逻辑完全不同。

6.1 有损：在预算内做取舍

有损格式的工作方式是：

1
2
3
4
5
6
7
给定预算 B kbps
  ↓
分析这一帧里哪些信息「人耳听不到」
  ↓
把 B 按重要性分配给各频段
  ↓
量化 → 编码
  • 采样率在有损格式里意义不大：因为采样率本身也会被降到 44.1k/48k（甚至更低），而且真正决定质量的是「每个频段分到多少比特」。
  • 比特率直接决定预算大小：128kbps 是穷预算，320kbps 是宽裕预算。

所以有损音质 ≈ 比特率 × 编码器效率。

6.2 无损：完整保存，只做数据压缩

无损格式不做任何取舍：

1
2
3
4
原始 PCM（44.1kHz/16bit）
  ↓ 线性预测 + 熵编码（纯数学，可逆）
  ↓
FLAC 文件（信息量 100% 保留）

既然一个采样点都不丢，那么质量就完全由原始 PCM 的参数决定：

  • 采样率 → 频率上限（22.05kHz 还是 48kHz？）
  • 位深 → 动态范围（96dB 还是 144dB？）
  • 声道数 → 空间信息量

所以无损音质 ≈ 源文件的采样率/位深。

6.3 一张图说清

1
2
3
4
5
6
7
8
         ┌── 有损：MP3 / AAC / Opus
         │     质量 ← 比特率（预算）
音频 ────┤              ← 编码器效率
         │
         └── 无损：FLAC / ALAC / WAV
               质量 ← 采样率（频率精度）
                     ← 位深（振幅精度）
                     ← 声道数（空间信息）

七、44.1kHz 和 48kHz 到底差在哪

两者的实测听感差异极小，但它们的历史和工程属性完全不一样。

7.1 44.1kHz 的由来：被录像机逼出来的

1980 年代，索尼和飞利浦要制定 CD 标准。当时的现实约束是：

  • 数字母带没有硬盘可存，只能用**专业录像机（U-matic）**当存储介质。
  • U-matic 的视频格式是 525 行 / 60 场（NTSC）或 625 行 / 50 场（PAL）。
  • 工程师需要在录像机的「行」和「场」里塞音频采样点。

于是算出了这个数字：

1
3 个采样点/行 × 245 行/场 × 60 场/秒 = 44,100 采样/秒

44.1kHz 就是这样被「视频格式」逼出来的，跟人耳没有半点关系。

7.2 48kHz 的由来：为视频而生

48kHz 来自更早的专业数字音频（如 AES/EBU、DAT），好处是：

  • 与 24fps / 25fps / 30fps / 60fps 等视频帧率容易整数对齐，一帧里刚好是整数个采样点。
  • 与 32kHz、96kHz、192kHz 都是同一族（48 × n），时钟分频干净。

7.3 工程上的真正差异：抗混叠滤波器的过渡带

这是 44.1 vs 48 最实质的技术差别。数字系统在 ADC 之前必须有抗混叠低通滤波器，它需要在「20kHz（保留）」和「奈奎斯特频率（必须压死）」之间完成上百 dB 的衰减。

采样率 奈奎斯特 20kHz 到奈奎斯特的过渡带宽度 滤波器难度
44.1kHz 22.05kHz 2.05kHz 很陡，需要高阶滤波器，相位失真/延迟大
48kHz 24kHz 4kHz 稍缓，容易做
96kHz 48kHz 28kHz 很宽松，可用温和的线性相位滤波器
192kHz 96kHz 76kHz 几乎随便做

过渡带越窄，滤波器阶数越高：

  • 高阶滤波器 → 群延迟大、相位响应差
  • 或者用「慢滚降」滤波器 → 20kHz 附近提前开始衰减（有些 44.1kHz 的老 CD 机在 19kHz 就开始掉了）

所以专业制作倾向 48kHz，不是因为「能听到更多」，而是滤波更容易做干净、相位更线性、和视频对齐更简单。

7.4 那 96kHz / 192kHz 呢？

在成品音乐里，96kHz 以上的可听收益基本为零，因为：

  1. 人耳上限 20kHz，44.1kHz 已经覆盖。
  2. 麦克风、话放、音箱的频响在 40kHz 以上普遍劣化。
  3. 绝大多数录音链路的信噪比到不了 24bit 理论水平。

它们的真实价值在：

  • 录音/混音阶段：高采样率可以避免 ADC 滤波器的副作用，也方便做大幅降调、变速等处理。
  • 专业分析：某些噪声整形、DSD 转 PCM 需要更宽的频带。
  • 接口/时钟工艺：高规格设备往往整体做工更好（但那是「设备好」，不是「格式好」）。

以及最重要的：营销价值。

7.5 升频是没有意义的

一个 44.1kHz 的文件「升」到 192kHz，文件变大 4 倍多，但信息量一点没增加——只是把同样的信息用更细的网格重新表达了一遍。

甚至更糟：低质量的重采样会引入新的失真。这就像把一张 720p 的图片放大到 4K，像素变多了，细节并没有。

建议：让播放链路统一用源文件的采样率，不要强行升频。

八、16bit 和 24bit 听起来有差别吗？

答案是：在成品音乐里几乎听不出，在制作环节非常重要。

8.1 动态范围的物理意义

16bit 的动态范围 96dB 意味着什么？我们把它换算到声压级（SPL）：

场景 声压级
人耳听阈 0 dB SPL
安静卧室（夜间） 25~30 dB SPL
普通室内 40~50 dB SPL
正常对话 60~65 dB SPL
交响乐高潮 90~100 dB SPL
摇滚现场前排 110~120 dB SPL
痛阈 120~130 dB SPL

假设你听音乐时峰值是 100 dB SPL：

  • 16bit 的噪声地板 = 100 - 96 = 4 dB SPL，低于人耳听阈，听不见。
  • 24bit 的噪声地板 = 100 - 144 = -44 dB SPL，更是远低于听阈。

也就是说，16bit 已经把噪声地板压到听不见了，24bit 多出来的 48dB 在播放端完全没有用武之地。

再看设备限制：

设备 典型实际动态范围
手机内置 DAC 90~105 dB
普通 USB DAC 110~120 dB
高端台式 DAC/耳放 120~125 dB
房间/环境的本底噪声 常常 30~40 dB SPL

即使有 144dB 的「理论动态范围」，你的环境噪声早就把它吃掉了。你在安静房间里能感知的实际动态范围，大概只有 60~70dB。

8.2 那 24bit 为什么重要？

因为录音和混音的 headroom（余量）。

1
2
3
4
5
6
录音时：麦克风拾取的瞬间峰值可能比平均电平高 20~30dB
         如果只用 16bit，为了不削波，平均电平要压低 20dB
         有效位深只剩 16 - 3.3 ≈ 12.7bit，动态范围只剩约 76dB

用 24bit：可以放心压低平均电平，留足余量
         后期归一化回来，噪声地板依然远低于可闻阈值

再加上多轨叠加：64 轨混音时噪声会累积增加约 18dB（10·log₁₀64）。24bit 提供了这个余量。

所以：

  • 录音/混音/母带：24bit 甚至 32bit float 是刚需。
  • 成品分发：16bit 完全够用。
  • Hi-Res 的 24bit：主要价值是「从 24bit 母带直出，避免了一次降位深」，而不是「24bit 比 16bit 好听」。

8.3 32bit float 是另一回事

32bit float 不是「32bit 精度」，而是「24bit 精度 + 巨大的指数范围」。它的真正用途是：

  • 混音内部计算，永不削波（超过 0dBFS 的值也能存下来）
  • 多级处理时避免累积误差

它不是给听歌用的。

九、有损 vs 无损，到底差多少？

这是本文最实际的问题。

9.1 ABX 盲测的公开结论

音频社区（HydrogenAudio、SoundExpert 等）多年 ABX 双盲测试的共识：

对比 能听出差异的人比例 备注
128kbps vs 无损 大多数（>60%） 复杂素材（古典、金属、合唱）更明显
192kbps vs 无损 约一半 需要认真听、特定段落
256kbps vs 无损 少数（<20%） 训练过的听者
320kbps vs 无损 极少（<5%） 需要好设备 + 安静环境 + 熟悉曲目
44.1/16 无损 vs 96/24 无损 几乎为零 统计学上与随机猜测无差别
CD vs 黑胶 明显（但方向不定） 差异来自母带和播放特性

关键前提：这些测试都在「好设备 + 专注聆听」下进行。日常通勤戴蓝牙耳机听歌，320kbps 和无损的差异基本可以忽略。

9.2 为什么 128 → 320 这么大，320 → 无损这么小

因为收益递减：

1
2
64 ──→ 128 ──→ 192 ──→ 256 ──→ 320 ──→ 无损
    ↑大        ↑大       ↑中      ↑小      ↑极小
  • 低码率时，编码器被迫砍掉大量「有用」的信息（高频、瞬态、空间感）。
  • 码率高到一定程度后，需要砍的信息已经落在「掩蔽阈值以下」，也就是「本来也听不见」的部分。

这就是有损压缩的「透明点」，通常在 256~320kbps 之间。

9.3 真正的差距在母带，不在格式

有一个很少被提到的现实：同一首歌在不同平台上的版本，可能根本是不同的母带。

  • 不同年代的母带重制（remaster）
  • 不同地区的授权版本
  • 平台自己做的响度归一化（loudness normalization）
  • 有些平台对曲目做过二次编码

举个典型例子：一首 1980 年代的老歌，它的 2015 年重制版和 1990 年首版 CD，差异远大于 128kbps 和 192/24 之间的差异——混音平衡、动态压缩、EQ 全都变了。

响度战争（Loudness War） 是更大的问题：

年代 流行音乐典型响度（LUFS） 动态范围
1980s -16 ~ -14 LUFS 大
2000s -10 ~ -8 LUFS 中
现在 -8 ~ -5 LUFS 小（被压得很扁）

一个被压成「砖头」的 192/24 无损，动态表现可能还不如一个母带健康的 44.1/16 无损。

十、空间音频与全景声：换了个维度

这部分和前面完全不同：它讨论的不是「保真度」，而是「空间信息」。

10.1 从声道到对象

传统多声道是**基于声道（channel-based）**的：混音师把声音分配到固定的声道（左、右、中、环绕……），你有几个喇叭就还原几个位置。

全景声是**基于对象（object-based）**的：混音师描述「这个声音在空间中的某个坐标、某个大小」，播放端根据你的设备（耳机、5.1、7.1.4、回音壁）实时计算怎么渲染。

类型 例子 特点
声道（Channel-based） 立体声、5.1、7.1 固定声道，混音即成品
对象（Object-based） Dolby Atmos、DTS:X、Audio Vivid 存「声音对象 + 位置元数据」，播放端渲染
场景（Scene/Ambisonic） Ambisonics、Sony 360RA 部分 存整个声场的球谐表示

10.2 主流全景声标准对比

标准 厂商/组织 内容格式 流媒体编码 特点
Dolby Atmos Dolby ADM/BWF、DAMF E-AC-3 JOC（DD+ Atmos） 生态最成熟，影视+音乐双强
DTS:X DTS MDA DTS-HD / DTS Express 影院强势，音乐较少
Audio Vivid（菁彩声） 中国 UWA / AVS AVS3-P3 AVS3 中国自主标准，最高 7.1.4，QQ 音乐 SVIP
Sony 360 Reality Audio Sony MPEG-H 3D Audio MPEG-H 主打耳机双耳渲染

10.3 Dolby Atmos 音乐的真实规格

这是一个很多人不知道的事实：

1
2
3
4
5
6
7
8
9
影院版 Atmos：
  基于 7.1.2 的 bed（声床）+ 最多 118 个对象
  无损编码（Dolby TrueHD），码率可达数 Mbps
  载体：蓝光

流媒体版 Atmos（Apple Music / Tidal / QQ 音乐）：
  E-AC-3（Dolby Digital Plus）+ JOC（Joint Object Coding）
  码率通常 384~768 kbps
  有损！

也就是说：你在流媒体听到的「全景声」，码率很可能比同平台的「无损立体声」低。

但它听起来「信息更多」，因为：

  • 它多了高度信息、多了环绕信息
  • 它做了针对耳机的双耳渲染（binaural rendering）

这两点带来的听感差异，远大于 320kbps vs 无损的差异。

10.4 耳机上怎么听到「头顶的声音」

耳机只有两个喇叭，却要模拟「声音来自头顶后方」。核心技术是 HRTF（Head-Related Transfer Function，头相关传输函数）：

1
2
3
4
5
声音源在空间某点 (θ, φ, r)
        ↓  HRTF（包含耳廓、头部、躯干的滤波特性）
        ↓  加上极小的双耳时间差（ITD）和强度差（ILD）
        ↓
左右耳两个信号 → 你的大脑判定「声音在头顶后方」

难点在于：

  • HRTF 因人而异（每个人的耳廓形状不同），通用 HRTF 只能「大致像」。
  • 容易产生前后混淆（front-back confusion）和头中效应（in-head localization）。
  • 头部追踪（AirPods 的空间音频）会实时更新 HRTF，效果明显更好。

所以「空间音频」的效果高度依赖：

  1. 内容是不是真的多声道/对象音频（而不是把立体声加个混响假装环绕）
  2. 渲染算法质量
  3. 有没有头部追踪
  4. 耳机本身的素质

10.5 空间音频值得开吗？

场景 建议
听专门为 Atmos 混音的新歌（流行、电子、影视原声） 值得，听感提升明显
听老歌的「Atmos 重制」 谨慎，很多是「加混响 + 拉宽」的伪环绕
古典/爵士原声录音 通常立体声版本更自然
通勤嘈杂环境 收益有限，还费流量
有 5.1.4 家庭影院 必须开，这才是全景声的正确打开方式

十一、别忽略链路的短板：蓝牙与设备

再高的音质，出不了蓝牙这一关也是白搭。

11.1 蓝牙音频编码对比

编码 最高码率 延迟 特点
SBC ~328 kbps 高（150~250ms） 蓝牙强制支持，质量最差
AAC ~256 kbps 中 Apple 生态默认，iOS 上表现好
aptX ~352 kbps 低 高通，Android 常见
aptX HD ~576 kbps 低 接近 CD 的一半
aptX Adaptive 279~420 kbps 低 动态调整，兼顾延迟
LDAC 330/660/990 kbps 中 索尼，理论最高，但 990 模式极不稳定
LHDC / LHDC 5.0 400~900 kbps 低 国产方案，小米/OPPO 常用
LC3（LE Audio） 160~320 kbps 极低 新一代标准，低码率高效

11.2 蓝牙能做到无损吗

CD 无损需要 1411 kbps。蓝牙 A2DP 的实际可用带宽上限就在 990kbps 左右（LDAC 最佳情况）。

所以：

  • 传统蓝牙物理上无法传输 CD 无损（除非用 aptX Lossless 这类新方案，需要特定芯片和极佳信号）。
  • 而且蓝牙在信号差时会动态降码率：LDAC 标称 990，实际走动两米可能掉到 330。
  • 还有一层：手机 → 蓝牙编码 → 耳机解码 → 耳机内部 DAC，中间任何一环都可能做重采样。

结论：蓝牙耳机的音质瓶颈在蓝牙链路，不在音源格式。 用蓝牙耳机纠结 320kbps 还是 Hi-Res，基本没有意义。

11.3 有线链路的隐藏问题：系统重采样（SRC）

即使是有线，也可能被系统坑：

系统 默认行为 解决方式
Android 系统混音器统一重采样到 48kHz 用支持独占输出的播放器（UAPP、海贝、Poweramp）
Windows 共享模式走系统混音器 播放器开 WASAPI 独占 / ASIO
macOS 需要手动匹配采样率 「音频 MIDI 设置」里改，或用 Audirvana、Roon
iOS 系统自动匹配（配合外接 DAC） 一般无需处理

重采样本身不是灾难（现代 SRC 算法很好），但多次转换会累积损失。理想情况下全链路保持同一采样率、一次都不转。

11.4 真正的大头：换耳机

给一个直观的量级对比：

1
2
3
4
从 128kbps 换到无损        → 改善约 5~10%
从手机自带耳机换到 500 元档 → 改善约 30~50%
从 500 元档换到 2000 元档   → 改善约 15~25%
从耳机换到音箱（房间）      → 完全是另一个量级

先投资换能器（耳机/音箱），再考虑格式。 这是音响圈最不缺共识的一条建议。

十二、怎么验证你听到的到底是什么

12.1 用工具查看真实参数

1
2
3
4
5
6
7
8
9
10
11
12
13
# 查看音频文件的真实编码参数
ffprobe -v error -show_streams -select_streams a:0 song.flac

# 只看关键信息
ffprobe -v error -select_streams a:0 \
  -show_entries stream=codec_name,sample_rate,channels,bits_per_raw_sample,bit_rate \
  -of default=noprint_wrappers=1 song.flac

# 用 sox 查看（Linux/macOS）
soxi song.flac

# 用 mediainfo 查看
mediainfo song.flac

输出里要重点看：

  • codec_name：是 flac 还是 mp3（有些「假无损」是把 mp3 转成 flac 容器）
  • sample_rate：44100 / 48000 / 96000
  • bits_per_raw_sample：16 还是 24
  • bit_rate：无损的码率一般是 700~1000kbps（44.1/16），如果只有 320kbps 就非常可疑

12.2 用频谱图识别假无损

这是最直观的方法。用 Spek（免费软件）或 Audacity / Adobe Audition 看频谱：

现象 判断
22kHz 附近自然滚降，20kHz 以上有零星真实信号 真无损（44.1kHz）
20kHz 处出现陡峭的「悬崖」（一片漆黑） 大概率是 320kbps MP3 转的
16kHz 处出现陡峭截止 大概率是 128kbps MP3 转的
有规律的「台阶」或整段空洞 多次转码

原理很简单：有损编码把高频的比特「省」掉了，频谱上就留下一道平直的切口。真正的模拟录音在 20kHz 以上是自然衰减的，不会突然断掉。

1
2
3
# 用 Audacity 生成频谱：选中音轨 → Analyze → Plot Spectrum
# 或用 sox 直接画图
sox song.flac -n spectrogram -o spectrogram.png

12.3 自己做 ABX 测试

想验证「我到底听不听得出」？用 foobar2000 + ABX Comparator 插件（Windows）或 abxpy / lac（macOS/Linux）：

1
2
3
4
5
6
盲测流程：
  1. 准备 A（320kbps）和 B（无损）两个文件，音量对齐
  2. 工具随机播放 X = A 或 B
  3. 你听 X，判断它像 A 还是 B
  4. 重复 10~20 次，统计正确率
  5. 正确率接近 50% → 你听不出

注意事项：

  • 音量必须严格对齐（哪怕 0.5dB 的差异都会让人「听出区别」，其实是响度差异）
  • 用你最熟悉的曲目
  • 在安静环境、用最好的设备
  • 一次不要测太多次，听觉疲劳会掩盖差异

绝大多数人在这个测试里会发现：自己高估了耳朵。

十三、实用建议：按场景选音质

13.1 分场景推荐

场景 推荐 理由
通勤、背景音、蓝牙耳机 320kbps / HQ 环境噪声和蓝牙链路吃掉所有差异
家用、有线耳机、认真听 无损 SQ 心理满足 + 潜在收益，存储成本可接受
极致发烧、有好 DAC + 好耳机 Hi-Res（可选） 收益极小，但设备允许时无妨
影视、游戏、需要空间感 Spatial / Atmos 效果明显，前提是内容真的多声道
手机流量有限 320kbps 无损流量是它的 4~5 倍
本地存储有限 320kbps 或 FLAC（有损转无损没意义） 一平均 23MB vs 9.6MB
做混音/母带参考 无损 + 24bit 需要 headroom 和完整信息

13.2 一个务实的配置

1
2
3
4
5
6
7
8
9
10
11
手机 + 真无线耳机（通勤）：
  320kbps 足够，别开 Hi-Res，省流量也省电量

电脑 + USB DAC + 开放大耳（家里）：
  无损 FLAC（44.1/16 为主），关键曲目收 24bit

家庭影院：
  Atmos 内容（最好蓝光原盘，流媒体的 E-AC-3 版本也行）

车上：
  320kbps，路噪下什么格式都一样

13.3 别为这些花钱

  • 「Hi-Res 认证」贴纸：多数是营销。
  • 「192kHz/24bit 重制」老歌：先查查是不是真的从模拟母带重新采样，很多只是把 44.1/16 升频 + 加 EQ。
  • 「量子/晶体/纳米」音频配件：与音质无关。
  • 超高码率蓝牙：信号一差就打回原形。

13.4 值得花钱的地方

  1. 换耳机/音箱（最大收益）
  2. 改善声学环境（房间处理、耳机套、佩戴）
  3. 安静的聆听环境
  4. 一个干净的 DAC/耳放（如果要推高阻耳机）
  5. 最后才是格式和采样率

十四、常见误区 FAQ

Q1：24bit 一定比 16bit 好听？
A：在成品音乐里几乎听不出。24bit 的价值在录音/混音阶段的余量，以及「避免降位深」这个理论优势。播放端环境噪声早就超过这个差异了。

Q2：Hi-Res 是智商税吗？
A：不完全是，但它卖的更多是「母带质量」和「制作工艺」，而不是「96kHz/24bit 这个参数本身」。如果一首歌有专门的 Hi-Res 母带，它可能确实比 CD 版好听——但那是因为母带不同，不是因为采样率高。

Q3：无损一定比有损好听？
A：不一定。320kbps 以上的有损在多数情况下已经透明。而且「假无损」（低码率转码）到处都是，反而不如老老实实的 320kbps。

Q4：空间音频是音质提升吗？
A：不是。它是内容和渲染方式的变化。它可能让你觉得「更好听」，但那是因为空间感，不是因为保真度。有时它甚至会牺牲保真度（流媒体 Atmos 是有损编码）。

Q5：为什么我的无损文件只有 700kbps，不是 1411kbps？
A：FLAC 是压缩格式，码率会低于原始 PCM 的 1411kbps，这是正常的（压缩率 50~60%）。解码后完全还原。

Q6：为什么我下载的「Hi-Res」听起来和 CD 版一样？
A：可能它就是从 CD 母带升频来的，也可能是你的播放链路（蓝牙、系统重采样、耳机）把它降到了 CD 水平。检查一下链路。

Q7：手机厂商宣传的「Hi-Fi 芯片」有用吗？
A：有，但作用有限。真正决定听感的是耳机和录音质量。独立的 DAC/耳放芯片主要改善的是「推得动」和「底噪低」，对已经推到位的耳机提升不大。

Q8：DSD 比 PCM 好吗？
A：这是另一个宗教话题。技术上 DSD（1bit 高采样率）在极高频有独特特性，但成品音乐的差异主要来自母带。而且 DSD 转 PCM 需要滤波，多数播放链路最终还是有 PCM 转换。听感上没有普适结论。

Q9：为什么感觉 Apple Music 的无损比别的平台好听？
A：可能因为它的母带来源（Apple Digital Masters）、响度归一化策略（Sound Check）或者你用的设备。平台间的差异主要是母带和处理的差异，不是格式的差异。

十五、名词速查表

名词 含义
PCM 脉冲编码调制，最原始的数字音频表示
比特率（kbps） 每秒数据量，衡量有损压缩质量的核心指标
采样率（Hz/kHz） 每秒采样次数，决定频率上限（采样率/2）
位深（bit） 每个采样点的精度，决定动态范围（约 6.02×N dB）
奈奎斯特定理 采样率必须 > 2×最高频率，才能无失真重建
量化噪声 振幅对齐到整数刻度产生的误差
Dither 量化前加入的极低电平噪声，把相关失真变成白噪声
Noise Shaping 把量化噪声推到人耳不敏感频段的技术
掩蔽效应 强音会让附近频率/时间的弱音听不见
ABX 测试 双盲听测方法，用于验证「能否听出差异」
透明（Transparent） 听不出与原版差异
Headroom 录音/混音时预留的电平余量，避免削波
LUFS 响度单位，流媒体响度归一化的标准
SRC 采样率转换（Sample Rate Conversion）
HRTF 头相关传输函数，耳机模拟空间感的核心技术
对象音频 存「声音对象+位置」而非固定声道，播放端渲染
ADM/BWF 广播波形格式，专业多声道/全景声的交收格式
JOC Joint Object Coding，把 Atmos 对象压进 E-AC-3 的技术
LFE 低频效果声道（.1）
7.1.4 7 主声道 + 1 低频 + 4 高度声道

十六、总结

回到最开始的问题：

这些数字到底什么意思？

  • 比特率：有损格式的「数据预算」，决定丢多少。
  • 采样率：每秒采样次数，决定频率上限（采样率 ÷ 2）。
  • 位深：每个采样的精度，决定动态范围（6.02 × N dB）。
  • 声道数：空间信息量，7.1.4 = 7 主 + 1 低频 + 4 顶部。

有损和无损差别大吗？

  • 128kbps vs 无损：差别明显，大多数人能听出。
  • 320kbps vs 无损：差别极小，多数人听不出。
  • 16bit vs 24bit：几乎听不出（成品音乐）。
  • 44.1k vs 96k/192k：几乎听不出（成品音乐）。

什么才是真正重要的？

1
母带与混音  >  耳机/音箱/房间  >  有损码率  >  空间音频形态  >  无损 vs 320k  >  采样率/位深

一句话建议：

把音质开到 320kbps（HQ）或无损 SQ，就已经覆盖了可感知的绝大部分差别。想再提升，去换耳机、改善环境、找好母带，而不是去追 192kHz/24bit 的数字。

音质参数看起来复杂，核心其实就两点：

有损看比特率，决定丢了多少；无损看采样率和位深，决定原始有多精细。

而决定「好不好听」的，往往不在参数表里。