前面几篇，我们已经讲过三个问题。

1）计算机最底层只有 0 和 1。

2）文字能保存，是因为每个字都可以被编成一个编号。

3）图片能保存，是因为一张图可以拆成很多个小格子，也就是像素。每个像素的颜色，也可以用数字表示。

那问题来了：

声音不是文字，也不是图片。

你说一句话，唱一首歌，拍一段视频，这些东西看起来都不像数字。

可手机为什么能录音？

电脑为什么能保存视频？

微信为什么能发送语音？

这篇就接着往下讲：

声音和视频，为什么也能被电脑保存？

01 声音不是“东西”，而是一阵震动

我们平时说“听到声音”，好像声音是一种看不见的东西。

但如果说得更直白一点：

声音其实是空气在震动。

你说话的时候，声带会震动。

声带一震动，就会带动周围的空气一起震动。

空气一层一层往外传，传到别人的耳朵里，耳膜也跟着震动。

大脑收到这些信号之后，就觉得：

哦，这是人在说话。

所以声音不是一个固定的物体。

它更像一条一直变化的波。

有时候强，有时候弱。

有时候快，有时候慢。

有时候高，有时候低。

问题就在这里：

电脑不认识空气震动。

电脑真正能处理的，还是数字。

那声音要进入电脑，就必须先经过一次“翻译”。

这个翻译器，就是麦克风。

02 麦克风其实是电脑的“耳膜”

人的耳朵听声音，靠的是耳膜。

空气震动过来，耳膜跟着震动。

麦克风也很像一个电子版的耳膜。

它里面通常有一片很薄、很敏感的膜。

你可以先把它想象成一张特别小的鼓皮。

当你对着手机说话时，空气不是安安静静地待在那里，而是在一阵一阵地推这张膜。

声音大一点，推得就明显一点。

声音小一点，推得就轻一点。

声音高一点，推的速度就快一点。

声音低一点，推的速度就慢一点。

所以第一步其实很简单：

空气震动，推动麦克风里的薄膜震动。

但这时候还没有变成电脑能保存的数字。

它只是从“空气在动”，变成了“麦克风里的薄膜在动”。

接下来才是关键：

薄膜一动，怎么变成电信号？

03 薄膜一动，电路也跟着变

不同类型的麦克风，里面的结构不完全一样。

但它们要做的事情是一样的：

把薄膜的运动，变成电路里的变化。

比如有些麦克风里有线圈和磁铁。

薄膜一动，就带着线圈在磁场里动。

线圈在磁场里动，就会产生微小的电信号。

这有点像一个很小很小的发电机。

还有些麦克风用的是另一种方式。

它里面有两片很薄的金属板。

一片会跟着声音轻微移动，另一片相对固定。

声音来了以后，两片金属板之间的距离发生变化。

距离一变，电路里的状态也会跟着变。

手机里的麦克风通常更小，属于微型传感器。

但思路仍然差不多：

空气震动让一个微小结构发生变化。

这个变化再被电路检测出来。

所以麦克风并不是“听懂了你在说什么”。

它只是很老实地记录：

空气什么时候推了我一下，推得有多重，推得有多快，变化节奏是什么样。

到这一步，声音就从空气震动变成了电信号。

但注意：

这时候还不是 0 和 1。

04 电信号还要再变成数字

麦克风产生的电信号，通常是连续变化的。

你可以把它想象成一条上下起伏的曲线。

你说话时，这条曲线就跟着你的声音变化。

声音大，曲线起伏更明显。

声音小，曲线起伏更轻。

音调高，曲线变化更快。

音调低，曲线变化更慢。

但电脑不能直接保存这条连续的曲线。

电脑需要的是一个个明确的数字。

所以手机或电脑里还需要一个东西：

模数转换器。

这个名字听起来有点硬，但意思很简单。

“模”就是模拟信号，也就是连续变化的电信号。

“数”就是数字信号，也就是电脑能保存和处理的数字。

模数转换器做的事情，就是：

把连续变化的电信号，切成一个个数字。

比如它会隔很短很短的时间测一次：

这一刻是多少？

下一刻是多少？

再下一刻是多少？

于是，一条连续变化的声音曲线，就变成了一长串数字。

最后这些数字再变成 0 和 1，保存到电脑里。

所以完整过程可以这样理解：

空气震动 → 薄膜震动 → 电信号变化 → 数字 → 0 和 1

这就是声音进入电脑的大致过程。

05 什么叫采样？

刚才说到，电脑会隔很短的时间测一次声音。

这个动作就叫：

采样。

采样这个词听起来专业，其实很好理解。

比如你想记录一天的气温变化。

你不可能每一秒都盯着温度计。

你可能会这样记录：

早上 8 点，多少度。

中午 12 点，多少度。

下午 6 点，多少度。

晚上 10 点，多少度。

这些记录点，就是采样。

声音采样也是一样。

电脑不会把声音那条连续变化的曲线完整搬进去。

它会隔很短很短的时间，测一下声音现在是多少。

测一次，得到一个数字。

再过一点点时间，再测一次，又得到一个数字。

这样连续测很多次，就得到了一长串数字。

比如可以粗略想成这样：

第 1 次：126第 2 次：130第 3 次：135第 4 次：132第 5 次：128

这些数字按顺序排起来，就大概描述了声音的变化。

所以录音不是把“声音本身”塞进电脑。

而是把声音在很多时间点上的状态，记录成数字。

06 为什么经常听到 44.1kHz？

你可能见过一个词：

44.1kHz

这个词经常出现在音乐、录音、音频设置里。

它说的就是采样率。

44.1kHz 的意思是：

每秒采样 44100 次。

也就是说，一秒钟的声音，电脑会记录 44100 个点。

为什么要这么多？

因为声音变化很快。

如果你每秒只记录几次，声音就会变得非常粗糙。

这就像你只用几个点去画一条曲线，肯定画不准。

点越多，越接近原来的样子。

采样率越高，声音细节通常就越多。

但代价也很明显：

文件会变大。

这和图片很像。

图片像素越多，画面通常越清楚，但文件也越大。

声音采样越密，记录越细，但文件也越大。

07 采样之后，每个点还要记录得够细

采样解决的是：

多久记录一次。

但还有另一个问题：

每一次记录，要记录得多精细？

这就涉及另一个概念：

位深。

这个词不用死记。

你可以把它理解成：

每个声音点，可以分成多少个等级来记录。

如果等级很少，声音变化就会很粗。

比如只能分成：

很小声、小声、中等、大声、很大声。

那很多细微变化就丢了。

如果等级很多，声音就可以记录得更细。

比如从 100 到 101，再到 102，再到 103。

变化就更平滑。

常见的 CD 音质是 16-bit。

可以简单理解为：

每一个采样点，都可以用很多等级来表示。

这样声音听起来就不会太粗糙。

所以，一个声音文件，可以先粗略理解成：

很多很多个时间点，每个时间点都有一个数字。

这些数字按照顺序排起来，电脑就能保存声音。

08 为什么同样是音频，文件大小差很多？

你可能遇到过这种情况。

同一首歌，有的文件几十 MB。

有的文件只有几 MB。

但听起来好像也差不多。

这是为什么？

答案是：

压缩。

最原始的音频保存方式，可以理解成老老实实地全部记录。

比如 WAV 文件，通常就比较接近这种思路。

它保留的信息比较多，声音质量也比较完整。

缺点是文件大。

而 MP3、AAC 这类格式，会做压缩。

压缩不是随便把文件变小。

它背后有一套规则。

比如有些声音太细，人耳不容易听出来。

有些声音被更大的声音盖住了，你也不太容易分辨。

那压缩算法就会想：

这些地方能不能少存一点？

这样一来，文件就变小了。

所以 MP3 不是魔法。

它只是用规则减少了一部分人耳不太敏感的信息。

文件小了，代价是：

声音信息不是百分百保留。

这也是为什么有人会说无损音乐更好。

因为无损格式保留的信息更多。

不过对普通人来说，如果耳机一般、环境也一般，很多差别确实不容易听出来。

09 视频又是怎么保存的？

理解了声音，再看视频就容易多了。

视频看起来很复杂。

有人物。

有动作。

有画面。

还有声音。

但把它拆开，其实就是两部分：

一连串图片，加上一段声音。

电影为什么能动？

不是因为屏幕上真的有一个连续运动的东西。

而是因为它在快速播放很多张图片。

每一张图片叫一帧。

如果一秒播放 24 张、30 张，甚至 60 张图片，人眼就会觉得画面动起来了。

所以视频可以先简单理解成：

第 1 帧图片。第 2 帧图片。第 3 帧图片。第 4 帧图片。

再加上一条同步播放的声音。

这就是视频。

10  如果视频不压缩，文件会大到吓人

我们来算一个很简单的账。

一张 1920×1080 的图片，大约有 207 万个像素。

如果每个像素都要记录红、绿、蓝三个数字，那一帧画面就已经有很多数据。

如果一秒钟有 30 帧。

那就是：

一秒钟要存 30 张高清图片。

一分钟要存 1800 张高清图片。

十分钟要存 18000 张高清图片。

这样一想，视频文件能不大吗？

所以如果视频每一帧都完整保存，文件会非常夸张。

你手机随便拍几分钟，可能就占掉很多空间。

这也是为什么视频必须压缩。

11 视频压缩的核心：不要重复存废话

视频压缩最聪明的地方在于：

它不会每一帧都从头完整保存。

比如你拍一个人坐在桌前说话。

背景可能一直没变。

墙没变。

桌子没变。

窗帘没变。

真正变化的，可能只是人的嘴巴、眼睛和手势。

那电脑就没必要每一帧都把整面墙重新保存一遍。

它可以只记录：

这一帧和上一帧相比，哪里变了。

这就像你给别人描述一个房间。

第一遍你可能要说：

房间里有桌子、椅子、窗户、书架。

第二遍你不用全部重说。

你只要说：

椅子挪了一下。

桌上多了一本书。

这就够了。

视频压缩也是类似的思路。

它利用前后画面的相似性，尽量只保存变化。

所以视频文件才能被压到我们可以接受的大小。

否则，手机和电脑根本装不下那么多视频。

12 文件格式是什么？

说到这里，还差最后一步。

你会看到各种文件后缀：

.mp3.wav.aac.mp4.mov.avi

这些是什么？

它们可以理解成不同的“包装方式”。

比如 MP4，不是简单等于“视频本身”。

它更像一个盒子。

这个盒子里可以装：

视频画面。音频声音。字幕。时间信息。压缩规则。

电脑打开 MP4 文件的时候，要先看懂这个盒子的结构。

然后再按照里面的规则，把视频和声音解出来。

所以文件格式很重要。

同样是一堆 0 和 1，如果不知道它是什么格式，电脑也不知道该怎么解释。

这就像你拿到一串数字：

20260626

它可以是日期。

也可以是编号。

也可以是密码。

数字本身不会告诉你答案。

必须有解释规则。

13 声音和视频到底是怎么被电脑保存的？

现在我们可以把整件事串起来。

声音进入电脑，大概经历了这些步骤：

空气发生震动。

麦克风里的薄膜跟着震动。

薄膜的运动引起电信号变化。

电脑把连续变化的电信号进行采样。

每个采样点变成一个数字。

这些数字再变成 0 和 1，被保存到文件里。

为了节省空间，还可以进行压缩。

视频进入电脑，大概是这样：

画面被拆成一帧一帧的图片。

每一帧图片被拆成一个个像素。

像素颜色变成数字。

声音也被转换成数字。

视频格式把画面、声音和时间信息打包起来。

压缩算法减少重复内容。

最后，它们都变成了电脑能保存的东西：

0 和 1。

14 这件事真正重要的地方

学到这里，其实可以发现一个规律。

电脑并不“懂”声音。

电脑也不“懂”视频。

它不知道这是一首歌。

也不知道这是你拍的旅行视频。

它只是保存数字。

只不过人类设计了一套套规则：

声音怎么采样。

图片怎么拆成像素。

视频怎么分成帧。

文件怎么打包。

数据怎么压缩。

有了这些规则，0 和 1 就能被重新解释成人能听懂的声音、能看懂的画面。

所以，计算机世界里有一句很重要的话：

数据本身没有意义，解释规则才让数据有意义。

这句话后面还会反复出现。

因为不只是声音和视频。

文字、图片、程序、网页、游戏，本质上也都是这样。

底层都是 0 和 1。

区别只在于：

你用什么规则去解释它。

结尾

到现在为止，我们已经从 0 和 1 讲到了文字、图片、声音和视频。

你会发现，电脑不是靠“理解世界”来保存世界。

它靠的是一种很朴素的方法：

把世界拆开，测量它，编号它，再按照规则保存它。

文字被编号。

图片被拆成像素。

声音被切成采样点。

视频被拆成一帧帧图片和一段段声音。

看起来完全不同的东西，到了电脑里面，最后都变成了数字。

这也是计算机最神奇、也最朴素的地方。

它不懂世界。

但它能用数字，把世界重新拼出来。

下一篇，我们就可以继续追问一个更关键的问题：

同样都是 0 和 1，为什么有时候它是文字，有时候它是图片，有时候又变成了声音和视频？