r - 声音数据如何？

Question

我读到了计算机中的声音是如何用数字表示的 here .

我发现通常的表示是，我们每秒得到 [-32767, 32767] 之间的 44,100 个数字。

那么在我的想象中，一定有一个很大的单列矩阵，对吧？

我是 R 用户，所以用 R 说话，3 秒的声音数据是，

s <- 3
sound <- matrix(0, ncol = 1, nrow = 44100 * s)
nrow(sound)
#> [1] 132300

具有 132,300 行的单列矩阵。

真的是这样吗？

我想要一些类似的图片在我的脑海中，比如说，如果图片是 256 * 256，

如果我们 RGB 那张图片，我们会得到 3 个矩阵，每个矩阵都是 256 * 256。

在声音的情况下，我们得到一个很长的列？当我再次考虑这一点时，它毕竟甚至不是一个矩阵。这是一个专栏。

我对吗？我在互联网上找不到任何类似的数据集。

任何建议都将受到欢迎。谢谢。

Answer 1

在该链接问题的早期创建的原始格式可能看起来很像一维数组。并且可能发送到扬声器以发出声音的信号可以类似地表示。

但是由于以下几个原因，您不太可能在计算机上找到类似的文件:

声音可以以不同的位深度存储 - 即每个“数字”CD 音轨有多少位深度具有 16 位深度，但您可以有 8 位或 32 位等。在这些数字的直接流中，您需要一些如何知道要读到下一个数字多远，因此需要在某个地方保护信息。

采样率可能会有所不同。如果您有代表音频信号的数字序列，那么您需要知道每个数字持续多长时间。

大多数声音更复杂。您有立体声或 5 声道或其他任何源，而不是单个源，因此系统需要能够存储/解码您想在特定时间听到的声音的多条信息

大部分声音都是重复的，因此通常可以从压缩中受益。

因此，大多数声音都以压缩格式存储，其中包含有关如何解码的包装信息。包装信息包括如何解码不同的音频 channel 、使用了何种压缩等。

您可能找到的最接近的是 .wav文件 (Windows) 或 .aiff (苹果电脑)。但即使这些也包括一些元数据(开始时的采样率和位深度)。