如何正确实现数字音频音量增益 避免量化失真

你观察到的采样值0、100、200…离散分布、阶梯状听感，既不是16bit音频精度不足，也不是小型扬声器的物理限制，完全是现有实现的逻辑缺陷导致的：

• 你读取的原始16bit采样是整数类型，当原始信号是极微弱的野生动物录音时，采样值本身分布在非常窄的整数区间（比如-10_{10），乘以0}100的增益后，结果会按增益值为步长跳变，直接强转short时的向零取整操作会直接丢弃所有小数部分，相当于人为把有效量化级从16bit的65536级砍到了只有几百级，这种和信号强相关的量化谐波失真听感就是颗粒感、阶梯感的来源，和削波失真、扬声器失真有非常明显的区别，你没有过度敏感。

这些都是专业音频领域用了几十年的标准处理流程，全链路遵循即可彻底解决你遇到的量化阶梯问题：

• 全处理链路使用高位深格式，不要在16bit整数域做增益运算。正确流程是先把读取到的16bit整数采样归一化转成32位浮点，所有增益、限幅、效果处理全部在浮点域完成，最后输出阶段再做量化。Android系统从5.0开始就支持ENCODING_PCM_FLOAT格式的AudioTrack输出，直接把处理完的32位浮点采样传给系统即可，现代移动设备的音频DAC普遍支持24bit以上输入，系统层会处理后续的数模转换，完全不需要你在应用层提前量化回16bit整数，从根源上避免应用层量化误差。
• 如果必须输出16bit整数格式，量化前必须加抖动（Dither）。这是解决低比特量化失真的标准方案：在量化前给信号叠加幅度为1个最低有效位的三角概率分布（TPDF）白噪声，把原本和信号相关的刺耳量化谐波失真，转换成和信号无关的均匀低电平白噪声。人耳对这种低电平白噪声的感知度极低，叠加后你听到的阶梯感会完全消失，效果远好于事后用滤波器平滑——滤波器是在失真产生后抹除痕迹，抖动是从根源上避免可感知的失真产生。
• 替换硬截断削波逻辑。你现在用的Math.max(Math.min(...))属于硬削波，信号超过满幅时会被直接砍平，产生大量刺耳的奇次谐波失真。高增益场景下应该用软削波（Soft Clipping）或者真峰值限幅器，把超幅信号平滑压缩到合法范围，这部分解决的是削波带来的失真，和量化阶梯是两个独立的失真来源，需要分开处理。

核心修改点就是把增益计算移到浮点域，输出时根据目标格式选择直接传浮点，或者加抖动后再量化回16bit：

// 建议优先把AudioTrack配置为ENCODING_PCM_FLOAT格式，直接输出浮点采样，省略手动量化步骤
Random random = new Random();
while (isPlaying() && (i = is.read(music)) != -1) {
    int sampleCount = i / 2;
    for (int j = 0; j < sampleCount; j++) {
        // 解析原始16bit小端采样
        short rawSample = (short) ((music[j * 2] & 0xff) | (music[j * 2 + 1] << 8));
        // 归一化到[-1, 1]浮点范围做增益，所有处理都在浮点域完成
        float processedSample = rawSample / 32768.0f * gain;
        
        // 此处可替换为软削波/限幅逻辑，替代硬截断
        // 简单软削波示例：processedSample = (float) Math.tanh(processedSample);
        processedSample = Math.max(-1.0f, Math.min(1.0f, processedSample));

        // 如果输出浮点格式，直接写入浮点数组即可，以下为输出16bit short时的量化逻辑
        // 叠加TPDF抖动，幅度为1个16bit最低有效位
        float dither = (random.nextFloat() - random.nextFloat()) / 32768.0f;
        processedSample += dither;
        // 量化回16bit整数
        musics[j] = (short) Math.max(Short.MIN_VALUE, 
            Math.min(Short.MAX_VALUE, (int)(processedSample * 32768.0f)));
    }
    if (isPlaying()) mplayer.write(musics, 0, sampleCount);
}

补充说明：16bit PCM本身拥有约96dB的动态范围，完全满足消费级回放的精度要求，你遇到的问题和16bit精度无关，纯粹是处理流程中整数域运算、无抖动截断导致的有效位损失，修正后40dB（100倍）增益下的量化噪声完全在可感知阈值以下，不会出现明显的阶梯感。

内容的提问来源于stack exchange，提问作者Luis A. Florit