最近给一个语音处理的练手项目准备数据，处理管线只认 wav，手里攒的素材全是 mp3。第一反应是把后缀改了，被同行一句话拦下来："你改的不是格式，是文件名。"仔细把音频编码这块捋了一遍，顺便实测了一次完整的转换过程，记录下来。
一、mp3 里存的是什么
mp3 是典型的感知编码格式。它的核心思路不是"把声音原样压缩"，而是利用人耳的听觉遮蔽效应：强信号会掩盖邻近频段的弱信号，人耳对 16kHz 以上的高频也不太敏感。编码器据此做两件事：
- 通过心理声学模型计算每个频段的"可感知阈值"；
- 把听不见或几乎听不见的成分直接丢弃或大幅量化，再对剩下的数据做 MDCT 变换和熵编码。
所以 mp3 文件里存的已经是频域数据 + 量化结果，不是波形本身。这也是为什么 128kbps 的 mp3 听起来和原始 PCM 差别不大，但频谱图上看高频是被"削"过——编码的时候就已经丢了。
二、wav 里存的又是什么
wav 大多数情况下是一个 RIFF 容器，里面装着 PCM 裸数据：按固定采样率、固定位深，把每个采样点的振幅值原样排列。44.1kHz、16bit、双声道的 PCM，每秒数据量是 44100 × 2字节 × 2 = 176.4KB，一分钟约 10MB。没有压缩、没有心理声学模型，所见即所得。
一个是"记了重点的频域摘要"，一个是"逐点记录的波形账本"，两者之间的转换注定不是无损往返。
三、改后缀会发生什么
把 song.mp3 改成 song.wav，文件系统里只是换了个名字，字节一个没变。播放器靠文件头判断真实格式，改名的文件要么播不出来，要么播放器宽容地按 mp3 解码了——但那个"假装是 wav"的文件交给要求严格格式输入的处理管线时，八成会直接报错。这也是为什么有些工具"改完名能听"，进了剪辑软件却不认。
四、真正的转换做了哪几步
一次规范的 mp3 → wav 转换，内部大致是：
- 解码：对 mp3 做 MDCT 逆变换、反量化，还原出 PCM 采样点。这一步只能还原出"编码后剩下的信息"，丢掉的高频回不来；
- 重采样（如果目标采样率不同）：用插值滤波器把 44.1kHz 变成 48kHz 之类。重采样本身是数学运算，但抗混叠滤波器的设计会影响高频还原；
- 位深调整：16bit 转 24bit 是补零，反过来要加抖动（dither）避免量化失真；
- 写容器：按 RIFF 规范写入头信息和 PCM 数据。
注意全程没有任何一步能找回 mp3 编码时丢弃的信息。这就是"有损转无损"的本质：格式是 wav 的，音质还是 mp3 的。
五、实测记录
拿一段 3.13MB 的 mp3（128kbps 档）实测。这次我在浏览器里用工具派的音频格式转换器做的，目标格式选 WAV：
转换是本地完成的，没有上传环节。处理完成后拿到的 wav 文件，体积从 3.13MB 涨了好几倍——符合 PCM 的数据量估算，时长和原文件一致。
两个细节值得记录：
- 体积涨了不等于音质涨了。wav 的大体积只是"按波形逐点记录"的正常开销，音质上限仍然是那次 mp3 编码决定；
- 时长严格一致。如果转完发现时长变了，多半是转换过程中采样率处理有误，这类文件进管线会出对齐问题。
六、什么时候转换才真正有损
- 有损 → 无损（mp3 → wav）：不再引入新损失，但 MP3 已有的损失永久保留；
- 有损 → 有损（mp3 → aac）：两次量化叠加，代际损失最伤，尽量避免；
- 无损 → 有损（wav → mp3）：这是唯一"值得纠结码率"的方向，128k 日常够用，存档建议 320k。
所以下次要 wav 的时候，最优先的永远是回头找原始录音，而不是把 mp3 转一遍——转换解决的是"格式不匹配"，不是"音质不够"。
项目地址：gjupai.com
