Question

我阅读了计算机here中的数字表示声音的方式。

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。

然后在我的想象中，必须有一个大的单列矩阵，对吗？

我是R用户，所以用R说话，声音数据为3秒，

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？

例如，如果我的头像是256 * 256，我想在脑海中找到一些类似的图片，

如果我们用RGB图像，我们将得到3个矩阵，每个矩阵为256 * 256。

关于声音，我们会得到一个长长的专栏吗？当我再次考虑这个问题时，它甚至根本不是矩阵。这是专栏。

我是对的吗？在互联网上找不到类似的数据集。

任何建议都将受到欢迎。谢谢。

Answer 1

在该链接的问题的早期创建的原始格式看起来很像单维数组。也许发送到扬声器以发出声音的信号也可以类似地表示。

但是由于多种原因，您不太可能在计算机上找到看起来像这样的文件：

声音可以以不同的位深度存储-每个“数字” CD音频轨道有多少位，深度为16位，但是您可以有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读到下一个数字的距离，以便需要在某个地方保护信息的安全。
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。
声音通常更复杂。您可以拥有立体声或5声道之类的音响，而不是一个音源，因此系统需要能够存储/解码要在特定时间听到的声音的多条信息
很多声音是重复性的，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，其中包括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通道，使用了哪种压缩等。

您可能会找到的最接近的文件是.wav文件（Windows）或.aiff（Mac）。但是，即使这些都包含一些元数据（采样率和开始的位深度）。