试了一下科大讯飞的音频识别云 api，踩了点坑

与本文无关：讯飞的 api 使用 wss，按文件字节顺序分 chunk 上传音频文件，并且应该是在上传结束前开始处理，返回结果。sdk 里面的 frame 不是视频的帧，是 http 的 chunksz。理论上可以是任意整数

raw 音频格式：PCM

原始音频格式（如 PCM） 就是音频的“原始样子”，它可以类比为没有压缩过的图像：

• 音频的每一“点”是一个采样点（类似图像的像素）。Channel
• 音频的“维度”由 采样率、位深 和 声道数 决定。Nsize

如果我们用矩阵形式表示：

音频数据可以看作 $N\times C$ 的二维矩阵：

• N：表示时间上的采样点数量：采样率(采样次数16kHz) x 采样深度(16bit per sample) = 256kbps
• C：表示声道数（单声道 1，立体声 2，类似图像的 RGB 通道）。

所以对于单通道音频，看作从数列切片，read_byte(256kbit) 就是一秒。但是 pcm 没有头文件，采样率，深度需要在外面约定好。

例：如果音频是 44,100 Hz 的采样率，单声道，16 位位深，1 秒的数据大小就是 44100×1×244100 \times 1 \times 244100×1×2 字节（约 88 KB）。

PCM 音频格式 = 无压缩的音频信号，类似于没有压缩的 BMP 图像格式。

其他音频格式：mp3

正如图像会有压缩格式（如 PNG、JPEG），音频格式也有多种压缩方法，主要分为两大类：无损压缩 和 有损压缩。

1. 无损压缩音频（类比 PNG 图像）

无损压缩的音频格式可以保存音频的完整细节，但体积会比原始 PCM 格式小一些。

常见格式：

• FLAC（Free Lossless Audio Codec）
• ALAC（Apple Lossless Audio Codec）
• WAV（有时包含无损压缩）

特点： 无任何信息丢失，解压后可以还原为 PCM 原始数据。

一段 1 分钟的 44,100 Hz 立体声音频，用 PCM 格式大约是 10 MB，但用 FLAC 压缩后可能只有 5~7 MB。

2. 有损压缩音频（类比 JPEG 图像）

有损压缩会丢弃人耳不敏感的音频信息，从而显著减少文件大小，但可能会损失部分音质。

常见格式：

• MP3（MPEG Audio Layer III）
• AAC（Advanced Audio Coding，苹果和流媒体常用）
• OGG（开源格式，常用于游戏音频）

特点：类似 JPEG 图像，压缩后文件体积显著减小，但会丢失某些像素细节。

例子：
一段 1 分钟的 44,100 Hz 立体声音频，使用 MP3 编码（128 kbps）后可能只有 1 MB，但音质与原始音频接近。
文件大小对比：

比特率决定了压缩后的音频文件的大小和音质。常见比特率：
MP3：128 kbps（标准）/ 256 kbps（较高）/ 320 kbps（接近无损）。