音频格式、码率，以及为什么这一首听起来更响

母版要保持无损，制作过程中用 WAV，存档用 FLAC。当你清楚文件会在什么设备上播放时，交付 AAC 或 Opus；不清楚时交付 MP3。语音内容以单声道、低码率输出。用 LUFS 而不是峰值来定电平，并在满刻度之下留出一分贝的余量。

这就是结论。下面解释为什么。

每种格式各自的用途

无损意味着解码出来的采样与输入的完全一致；FLAC 节省空间的办法是根据前面的采样预测下一个采样，只存储预测误差。有损格式则依据一个“耳朵察觉不到什么”的模型，永久性地丢弃信息。

uncompressed   44100 x 16 x 2 / 8 = 176400 B/s = 10.6 MB per minute
lossy          192000 / 8 x 60    = 1.44 MB per minute

采样率与位深度

采样率是对波形测量的频次。奈奎斯特极限指出，采样信号只能携带不超过采样率一半的频率，再高就没有了，所以 44.1 kHz 覆盖 22.05 kHz 以下的一切，而人耳的听力上限在 20 kHz 附近，随年龄增长还会更低。配合视频时用 48 kHz；更高的采样率只在制作阶段有帮助。

位深度决定的是动态范围，不是细节。每一位大约值 6 dB，所以 16 位把本底噪声压在满刻度以下约 96 dB 处，24 位约 144 dB，其中转换器实际能兑现的大概是 120 dB。这些位是录音时的余量：录制时把电平留得保守一些，事后再抬起来，而不会同时抬起可闻的嘶声。已经完成并调好电平的文件不需要它们。

上采样什么也得不到：把 44.1 kHz 插值到 96 kHz 只会让文件翻倍，却没有增加任何信息，而补到 24 位也会把原来的本底噪声一起带上。每一次重采样都要跑一遍滤波器，所以往 48 kHz 走一趟再回来，是白白付出的一点点损失。

码率，以及再往上加就不再有用的位置

数字的单位是 kbps。MP3 在两头都显出了年纪：低于大约 96 kbps 时会出现能听见的涂抹感，而高于大约 192 kbps 之后改善就很难听出来了，所以 320 kbps 买到的是心安而不是音质。AAC 只需要大约三分之二的码率就能达到同样的效果。Opus 又更进一步，而且码率越低它的领先幅度越大，因为在低带宽下它会切换到一种围绕语音产生方式设计的模式，于是用 MP3 需要 64 kbps 的人声，在它这里用一半的码率就够了。

把一个有损文件转成另一个有损文件时提高码率，什么也恢复不了。一个 128 kbps 的 MP3 用 320 kbps 重新编码，只会把小文件里的编码瑕疵忠实地保存进一个大文件，而第二个编码器还要花比特把这些瑕疵当成真实的音频来处理。请从无损母版开始做。

单声道、立体声与下混

在同等音质下，立体声的开销大约是单声道的两倍。一个人对着一支麦克风说话，本来就不产生立体声信息，所以一份立体声的口语文件其实是两条几乎相同的声道，转成单声道能把体积减半而没有任何损失。音乐和空间录音则保持立体声。

下混并不是免费的。下混会把两个声道做平均，因此左右之间反相的成分会相互抵消：一个加宽效果，或者一条接反了的麦克风线，可能只在单声道下变薄甚至消失。发布之前先检查一遍，并衰减大约 3 dB，因为相加会抬高电平。

峰值、RMS 与 LUFS

峰值是最高的采样值，单位是 dBFS，0 是数字世界不可逾越的天花板。按峰值归一化会缩放整个文件，让其中最响的那个采样正好落在目标值上，所以一段安静的录音里如果有一声关门响，它依旧是安静的：那声关门被顶到了天花板，其余一切几乎没动。RMS 是在一个时间窗内对能量求平均，比峰值更接近人听到的感觉，但它把 60 Hz 和 3 kHz 一视同仁。LUFS 则对测量做了加权以模拟听觉，会把安静段落门限掉，并对整个节目给出一个数字。各个平台测的都是 LUFS。

因为平台会把所有内容都拉向一个目标值，把母带做得更响已经不再等于播得更响了；平台会把音量调下去，听众得到的是被压扁的动态，却没有换来响度。响度战争就是这样结束的：二十年越来越狠的限幅，让母带的峰值和平均电平之间几乎不剩空隙，听上去平板而疲劳。

削波是指本该超过满刻度的采样被截断到最大值，波形顶部被削平，从而产生谐波失真。真峰值更进一步：在采样之间重建出来的波形，可能高于存储下来的最高采样，所以一个测得 -0.1 dBFS 的文件可能达到 +0.5 dBTP，并在输出时削波。把上限留在 -1 dBTP，如果后面还要做有损编码就再低一些。音量工具可以按目标值做归一化，而不是只按固定的分贝数平移。

咔嗒声、拼接与裁剪

在任意一点切开波形，切点通常处在某个周期的中途，取值不为零，于是输出在一个采样之内就掉到了静音。这一步跃变是一个宽带脉冲，听起来就是一声咔嗒。在每个剪辑点加上五到二十毫秒的淡入淡出就能消除它，而这段时间短到听不出来；在拼接处，十到五十毫秒的交叉淡化还要更干净。

拼接需要双方一致。这些文件必须采样率相同，因为把一个 48 kHz 的文件接进 44.1 kHz 的流里，播放速度会慢大约百分之九、音高也随之降低；声道数也必须相同，否则某一段会落到错误的声道上。响度同样要匹配。用音频转换工具重采样，用音量工具调平，然后再做音频合并。刻意的变速交给音频变速工具：重采样会让音高和速度一起移动，而要保持音高就得做时间伸缩，那可能会让瞬态变得涂抹。

裁剪则完全可以跳过重新编码，且不损失任何音质。WAV 能精确到采样，因为裁剪就是字节复制；压缩格式由帧构成，直接复制的切口只能落在帧边界上。

MP3 frame = 1152 samples = 26.12 ms at 44.1 kHz
cut asked for at 12.000 s
nearest boundaries: frame 459 = 11.990 s, frame 460 = 12.016 s

AAC 使用 1024 个采样的帧，在 48 kHz 下约 21 ms，Opus 通常使用 20 ms 的包。MP3 还有一个比特池，允许某一帧向前面的帧借用空间，所以切口之后的第一帧可能缺少数据而出现杂音。如果边界必须精确，就让音频裁剪工具重新编码，并接受这一代的损失。

浏览器能啃下多少

这一切都发生在内存里。文件在能够被测量、淡化、拼接或重新编码之前，都要先解码成原始采样，通常是 32 位浮点：一小时 44.1 kHz 的立体声，按 16 位 PCM 算约 635 MB，解码之后是 1.27 GB。一个标签页的内存上限远低于桌面应用能寻址的范围，所以真正的限制是时长，而不是格式。先裁剪，或者把长录音拆开处理完再合并。