每日基础课

一句话定义 音频采样是把连续的模拟声波按固定时间间隔“拍照”存成数字点；混叠是“拍照频率不够快”，导致高频声波在数字世界里被误认成低频假信号。

生活类比：倒转的车轮 你看高速行驶的汽车视频时，车轮有时看起来像在倒着转，甚至静止。这是因为摄像机每秒只拍 30 张照片，车轮转得太快，“采样”跟不上，眼睛接收到了错误的运动频率。声波也是同理：高频声音采样太慢，就会“倒折”成低频杂音。

必要公式与符号解释 奈奎斯特-香农采样定理： $$f_s \ge 2 \cdot f_{\max}$$ - $f_s$（采样率）：每秒采集多少个样本点（单位：Hz）。比如 16000 Hz 意味着一秒采 1.6 万个点。 - $f_{\max}$（最高频率）：音频信号中包含的最高物理频率（单位：Hz）。 - $f_N = \frac{f_s}{2}$（奈奎斯特频率）：当前采样率能无失真记录的频率天花板。超过这个频率的声音，百分之百会发生混叠。

它解决什么问题？没有它会怎样？ - 解决的问题：为连续物理世界到离散计算机世界建立准确桥梁，确保声音数字化后还能原样还原。 - 没有它会怎样：如果采样率不足或没有做抗混叠处理，8000 Hz 的高频齿音在 8000 Hz 采样率下，会被系统误当成 0 Hz 直流或 2000 Hz 杂音。声音会变得浑浊、金属声泛滥，声学特征完全失真。

在主流模型与说话人日志中的实际位置 在音视频理解和说话人日志（Speaker Diarization）中，采样是所有流程的“第 0 步”： 1. 统一输入规格：Whisper、CAM++、PyAnnote 等模型普遍要求输入为固定 16 kHz 采样率。 2. 重采样防混叠：若原始音视频是 48 kHz，模型前端下采样到 16 kHz 时，必须先过一道低通抗混叠滤波器（截断 8 kHz 以上成分）。 3. 特征图防伪影：如果发生混叠，计算 Mel 谱图时，低频滤波器组会收到本属于高频的虚假能量，导致 VAD（语音活动检测）误判、说话人 Embedding 提取漂移，说话人聚类直接崩盘。

实现思路 1. 在 48 kHz 高采样率下合成一段 6000 Hz 纯音。 2. 目标采样率设为 8 kHz（奈奎斯特极限为 4000 Hz，6000 Hz 已经超限）。 3. 方式 A（错误做法）：直接隔 6 个点抽取一次（暴力下采样），观察混叠。 4. 方式 B（正确做法）：使用 `torchaudio.transforms.Resample`（带抗混叠低通滤波）。 5. 用 FFT 计算频谱，打印两种方式下的最大能量频率。

import torch
import torchaudio

def run_aliasing_demo():
    # 1. 基础参数
    orig_sr = 48000       # 原始采样率
    target_sr = 8000      # 目标采样率 (Nyquist 极限为 4000 Hz)
    freq = 6000.0         # 生成 6000 Hz 纯音（已超目标 Nyquist）
    duration = 1.0        # 1 秒
    
    # 2. 生成 48kHz 纯音信号: shape [1, 48000]
    t = torch.linspace(0, duration, int(orig_sr * duration), endpoint=False)
    waveform = torch.sin(2 * torch.pi * freq * t).unsqueeze(0)
    
    # 3. 错误做法：暴力下采样（隔 6 点取 1 点，无抗混叠滤波）
    step = orig_sr // target_sr
    bad_downsampled = waveform[:, ::step]
    
    # 4. 正确做法：带抗混叠滤波的标准重采样
    resampler = torchaudio.transforms.Resample(orig_freq=orig_sr, new_freq=target_sr)
    good_downsampled = resampler(waveform)
    
    # 5. 频域分析：计算 FFT 找到能量最高的频率峰值
    def get_peak_freq(sig: torch.Tensor, sr: int) -> float:
        n_fft = sig.shape[-1]
        fft_vals = torch.abs(torch.fft.rfft(sig[0]))
        freqs = torch.fft.rfftfreq(n_fft, d=1.0/sr)
        peak_idx = torch.argmax(fft_vals)
        return freqs[peak_idx].item(), fft_vals[peak_idx].item()

    bad_freq, bad_energy = get_peak_freq(bad_downsampled, target_sr)
    good_freq, good_energy = get_peak_freq(good_downsampled, target_sr)

    print("=== 实验结果 ===")
    print(f"原始信号频率: {freq} Hz (输入采样率: {orig_sr} Hz)")
    print(f"目标采样率: {target_sr} Hz (奈奎斯特上限: {target_sr / 2} Hz)\n")
    print(f"【暴力下采样】检测到主频: {bad_freq:.1f} Hz (能量: {bad_energy:.1f})")
    print(f" -> 现象: 6000 Hz 发生混叠，折叠成了 |8000 - 6000| = {abs(target_sr - freq):.1f} Hz 的假信号！\n")
    print(f"【抗混叠重采样】检测到主频能量: {good_energy:.4f}")
    print(f" -> 现象: 超过 4000 Hz 的信号被低通滤波器安全截断，未产生假峰。")

if __name__ == "__main__":
    run_aliasing_demo()