抖一抖，细节有——数字音频的抖动

量化误差是数字音频对模拟音频的记录中，不可避免的一个问题。通过抖动技术，可以在一定程度上规避量化噪声的影响，获得更加完整的音频体验。根据我的观察，“抖动”这个概念仍然存在曲解和误读，因此我认为有必要写一篇文章讲讲。

 

1. 量化过程存在的问题

我在关于采样中的量化的文章中，讲过什么是量化、量化会带来什么问题，如果需要复习可以参考《两耳不闻白噪声？采样率、动态范围与实际应用》一文。简单来说，量化是为了让模拟信号可以用数字的方式记录下来，由于数字的记录是“分立的”，模拟信号是“连续的”，所以为了记录模拟信号，我们必须容忍四舍五入过程中的误差。

这样的舍入量化带来的误差在大多数情况下可以类比于白噪声，也就是每个频率的能量都均匀分布：

上面的量化噪声是来自一个吉他录音的，吉他的频率分布并不是宽谱的，而是多数集中在中高频。所以量化噪声并不是严格的白噪声。真正的白噪声的波形和频谱是：

更极端的例子是正弦波的量化误差：

 

由于正弦波存在周期性，且频率单一，因此它的量化噪声不再是白噪声，而是和正弦波的频率相关。因此它的量化噪声并不会像白噪声一样“淹没在不经意间”，而是会伴随着正弦波的频率一直干扰你的听觉。 

听听看降低比特后，量化噪声对听觉的干扰吧，以下例子是一个100Hz到440Hz扫频的正弦波，首先是原始音频： 

降比特到4bit后的音频：

可以明显听到量化噪声和原始音频是相关的。只不过大多情况下我们不会听到单音，所以量化噪声接近于白噪声。 

白噪声是生活中常见的噪声，由于没有显著频率突出，它更加“低调”。因此我们要想办法让量化噪声不要太突出，因此我们需要——抖动。

 

2. 抖动的意义

 

抖动这个词的翻译属于是，理解的人觉得很贴切，不理解的人则不知所云。为了更好地解释，让我们用图像领域的应用举个例子吧。 我随手在我桌子上拍下我的杯子：

 

熟练掌握Word/WPS的同学应该知道这四个图形选项：

 

灰度，就是把图片弄成灰白色：

而黑白，就是直接四舍五入，暗的和比较暗的，都变成黑的；亮的和比较亮的，都变成白的，简单粗暴：

相比之下，灰度肯定比黑白看得到更多细节。 

这个过程是不是有点熟悉？灰度照片里，为什么能记录那么清晰的细节呢？因为电脑用8bit的数据来记录每个像素点的灰度值，告诉你黑的有多黑，白的有多白，不黑不白的地方也能给你安排出个分级。8bit可以记录256个量化等级，所以每个像素可以有256个不同的灰度值，动态范围也足够表现图片细节了。而黑白图片则是简单粗暴地用1bit来记录图象，非黑即白。 

数字技术其实是共通的。 

可惜的是，这个杯子有太多细节在黑白图中被隐藏了。我们能大概知道光影的变化，但是其他的信息完全丢失，有没有办法让黑白图保留更多一些的细节呢？有。 

首先，在原始图片上叠加一层随机的白噪声（每个像素点的灰度值都要叠加）：

虽然叠加噪声会影响画质，但是这是节约文件大小必须付出的代价。对这张照片进行黑白处理之后，我们会得到——

 

杯子的细节保留下来了，书桌的光影变化也保存下来了，键盘的细节也可以看到，甚至还能看到桌子上的木纹。 对彩色照片同样有这样的处理：

像这样，在降低比特深度的操作之前，提前加入一层噪声，然后再降比特，可以获得相比不加噪声更多的细节，这就是抖动。 音频技术中的抖动也是如此。

3. 音频中的抖动

 

音频降低比特会产生量化噪声。在这一步之前可以先叠加一层噪声，再进行量化，会使得量化噪声不再明显，而且有可能保留更多的信息。叠加的噪声的功率应该不大不小，恰好分布在最低一级量化单位上。 还记得这个钢琴吗：

干净的和弦尾音，还有一个踏板声。频谱如下：

 

如果直接对它进行降比特，则会产生标题1中提到的，相关性的量化噪声：

用抖动的思路，叠加一层8bit的专属白噪声（注意此时文件还是24bit）：

 

在此基础上降比特，听起来尾音可以一直保留了：

此时的频谱和24bit下相差无几，低能量部分也可以保存下来！最后的踏板声得以保留。但是听起来还是很吵啊，噪声干扰太大了。 

聪明的工程师们想到了人耳的听觉特点，众所周知的等响曲线告诉我们，人耳对不同频率的声音敏感度不同，尤其是极高频（大于16kHz），很多人已经听不到了。

 

换个思路，我们同样叠加进一段噪声，但是这段噪声并不是常用的白噪声，而是把人耳敏感的频率能量分配多一些给不敏感的频段，这样就可以在实现抖动的作用的同时，还能保证人耳听到的部分尽量干净。 

因此出现了新的方法：噪声整形（Noise Shaping）。 

不同的整形方式各不相同，但是基本思路都一样——中高频减少，极高频增加。有点增加采样率来提升信噪比的意思了。（可以参考之前文章）

 iZotope公司的Ozone母带插件提供完整的Dither工具，如图中的Noise Shaping部分，从Off（不整形，完全白噪声）到Max（高度扭曲的频谱，高频区有大量能量存余），代表着这个流程的不同程度。应当结合实际歌曲需要来调整。

 

听听看经过噪声整形后的低比特音频吧：

 

可以从波形看到，由于高频信号的增加，噪音区的振幅增大了，不再是严格的1量化单位。但是听起来反而不太吵。

这是最强的噪声整形的音频：

 

高频区域已经报警了。而且整个波形都淹没在噪声中，看不到衰减的趋势。但是不要被波形骗了，从频谱可以看到，中低频的部分会更加清晰。但是相比上面的音频，低频更多了。这是一个取舍的过程，找到最适合歌曲的整形方式即可。

 

总的来说，抖动就是通过增加一层不太明显的噪声，使得歌曲信息不会因为量化而产生过分的扭曲，可以尽可能地保留信息量。虽然抖动对音频本身是一种破坏，但在降比特的时候，可以拯救低电平信号。毕竟“有，但不完美”比“没有”更好。 

由于抖动本质就是增加噪声，所以请不要在任何效果器之前进行抖动。否则效果器可能会对这一层噪声进行改变，进而影响预期效果。换句话说，抖动必须紧接在降比特操作之前，不可替换位置。 

显而易见的结论：1. 降低比特深度后再抖动——无意义；2. 抖动之后再进行其他处理——无意义；3. 从录音到母带每个环节都在24bit以上——无需抖动。（动态范围已经超过世界上所有音频接口，不需考虑量化噪声） 

还有人会问，当今CD的标准采样深度是16bit，这个情况下的音频的量化噪声已经很小了，是否抖动听起来没区别，这种情况下还有意义吗？ 

是的，当今很多歌曲响度极大，动辄超过-9LUFS，甚至有达到-5LUFS、-3LUFS的。这类歌曲抖动作用确实不大。如果你的扬声器开到可以听到量化噪声的程度，那么当你听歌曲本身的时候差不多也要聋了。 

但是音乐不只是大响度的。赵季平的《远情》现场版录音，它的波形是这样的：

 

歌曲的响度是-24.0LKFS，但是峰值依然在-0.1dB，已经到了“将爆未爆”的程度。这就代表着这首歌的动态范围将会非常大。

在前面的独唱部分，峰值电平是-27.7dB，平均响度是-44.8LKFS，在这个情况下，16bit的量化噪声已经不能忽视了。因此这首歌的母带制作事实上也经过了抖动，而且使用了噪声整形，能量几乎集中在16kHz以上的最高频部分。

所以，抖动在这类大动态的音乐中，更具有意义，甚至是不可或缺。 

为了保险起见，你可以在你所有准备降比特到16bit的歌曲的母带上都使用抖动。再提醒一次，如果你的母带文件也是24bit的，则抖动无意义。

本文作者：艾夫

音乐制作人、编曲人、混音师、艾楽音乐工作室主理人、华中科技大学光电信息专业硕士。