采样率和位深应该怎么选
最后更新：2026-06-17
音频格式不只包含扩展名，还包含采样率、位深、声道数和编码方式。对语音素材来说，参数选择不一定越高越好。更重要的是清晰、稳定、兼容目标工具，并且整批数据保持一致。
采样率是什么
采样率表示每秒记录多少次声音波形，常见单位是 Hz 或 kHz。16 kHz 表示每秒 16000 个采样点，44.1 kHz 表示每秒 44100 个采样点，48 kHz 表示每秒 48000 个采样点。采样率越高，理论上能记录的高频信息越多，文件也会更大。
常见采样率怎么选
| 采样率 | 常见用途 | 建议 |
|---|---|---|
| 16 kHz | 语音识别、电话语音、轻量语音数据 | 许多语音任务足够使用，但音乐和环境声细节较少 |
| 44.1 kHz | 音乐、播客、普通音频处理 | 兼容性广，适合多数通用素材 |
| 48 kHz | 视频、影视、会议录制 | 视频工作流常见，适合从视频提取音频后的统一处理 |
位深是什么
位深影响每个采样点能表示的动态范围。常见 WAV 处理会使用 16-bit PCM，兼容性好，文件体积也可控。24-bit 在录音和专业制作中常见，给后期留下更多动态余量，但对普通语音标注和转写任务通常不是必要条件。
声道数如何选择
语音任务通常可以使用单声道，尤其是单人朗读、命令词、客服话术和普通转写。双声道适合保留空间信息，或左右声道分别记录不同说话人的场景。若后续工具只接受单声道，应在处理前明确转换策略，避免混音后丢失重要说话人信息。
参数不是越高越好
把 16 kHz 的低质量录音升采样到 48 kHz，不会凭空增加真实细节，只会让文件变大。把低码率 MP3 转成 24-bit WAV，也不能恢复压缩时丢失的信息。对数据集来说，一致性和可复现往往比“看起来很高”的参数更重要。
实用选择
- 普通语音标注：单声道 WAV，16 kHz 或目标工具要求的采样率。
- 视频来源音频：保留或统一到 48 kHz，避免反复重采样。
- 通用剪辑和播客：44.1 kHz 或 48 kHz 都可，保持项目内一致。
- 机器学习训练：优先遵守模型或数据处理脚本要求，不要混用参数。
本站的 WAV 转换会输出浏览器解码后的音频数据并写入 16-bit PCM WAV。实际采样率取决于浏览器解码结果和音频上下文能力，重要生产流程建议在目标工具中再次确认参数。