16bit与24bit量化噪声深度解析:动态范围、ADC及Dither实战指南

先说实话:16bit和24bit的差别,属于那种“理论上说得很清楚、一落到听感就全是玄学”的问题。不少做音频的同学折腾一晚上AB对比,最后怀疑自己耳朵坏了;做雷达和生物信号的朋友又被一堆ADC参数绕晕。这篇文章我不绕弯子,直接从信号处理最底层的量化与量化噪声聊起,把bit数到底影响了什么、为什么录音用24bit、交付却回到16bit、以及小信号量化失真的坑,一次说透。适合所有正在入门信号处理、或者被ADC位深困扰的人。

先说结论:16bit和24bit,差的不是“音量大小”,而是量化噪声的基底高度。16bit的量化噪声底大约在-96dB,24bit大约在-144dB,差了整整256倍的台阶数量。这个数字背后的推导、应用和坑,就是下面要展开的全部内容。

1. 量化到底在做什么:连续信号到数字编码的“翻译”

1.1 采样和量化,一次记住不混淆

很多入门资料喜欢把“数字化”笼统地说成“采样”,其实更严谨地说,数字化包含两步:采样和量化。采样解决的是“时间上取哪些点”的问题,量化解决的是“每个点的幅度用什么数字表示”的问题。

举个例子:你拿手机录一段吉他声,声波本来是连续变化的电压信号,任意时刻都有取值。采样器每隔1/44100秒取一个点,得到一串在时间上离散的样本。但每个样本的电压值可能是0.123456伏这样的小数,CPU没法直接存无限小数,所以要用一个整数值去“近似”它。这个把连续幅度映射到有限台阶的过程,就是量化。

这两步经常绑在一起被叫做“模数转换”,但心里一定要分开:采样率不够会造成混叠,位深不够会造成量化失真,这是两个维度的损伤。我看到太多人一发现波形“有锯齿”就怪采样率低,结果其实是被量化台阶害的。

1.2 bit数决定台阶的粗细:65536 vs 16777216

量化台阶的数量由bit数直接决定。N bit能表示2的N次方个不同电平:

16bit:2的16次方 = 65536个台阶

24bit:2的24次方 = 16777216个台阶

也就是说,如果满量程电压范围是-1V到+1V,16bit的台阶宽度(专业说法叫LSB,即最低有效位对应的电压)大约是2V除以65536,约等于30.5微伏;24bit的台阶宽度则是2V除以16777216,约等于0.12微伏。同样一段信号,24bit能用更细的“尺子”去量,量出来的误差天然就更小。

这个差距不是“16bit够用、24bit更精细”这么轻描淡写,而是差了256倍。满幅电压相同的情况下,24bit的最小可分辨电压是16bit的256分之一,这条信息后面推导动态范围时直接会用到。

1.3 一个用尺子量身高的类比

我给学生讲量化时最爱用身高类比:测量身高,如果尺子的最小刻度是1厘米,你量出175厘米,真实身高可能是174.6厘米,也可能是175.4厘米,误差在正负0.5厘米以内。如果尺子最小刻度是1毫米,把同一身高量出来,误差就压缩到了正负0.5毫米。

量化也一样,数字系统拿一把“最小刻度等于1个LSB的尺子”去量信号。16bit和24bit的本质差别,就是尺子粗细的差别。台阶越细,近似误差越小,量化噪声本底就越低。这里没有任何玄学,一切都能用数学算出来。

2. 量化噪声为什么躲不掉:误差的统计模型

2.1 量化误差的范围:正负半个LSB

只要信号幅度没有恰好落在量化台阶的中心,就会产生误差。假如采用最常见的“四舍五入”策略(专业上叫mid-rise均匀量化,截断策略是另一个边缘话题),一个样本的量化误差e总是落在:

Δ/2 ≤ e ≤ +Δ/2

这里Δ就是LSB的电压宽度。误差最大不超过半个台阶,这是量化误差的第一个基本事实。