一句话定义：采样率（sample rate）是每秒钟对声音波形“拍照”的次数；PCM（Pulse Code Modulation，脉冲编码调制）就是把这些照片按时间顺序存成一串整数的最基础音频格式。
原理：像用连拍相机记录一段跳水
声音本质是空气压强的连续波动。想把它存进计算机，就得“离散化”：每隔固定时间量一次当前振幅，记一个数。这个测量频率就是采样率，16kHz 意味着每秒拍 16000 张“照片”。PCM 则规定了每个数怎么存——比如用 16 位有符号整数表示振幅。WAV 文件里最常见的内容，就是一段 16kHz / 16bit 的 PCM。
这里有一条硬约束，叫奈奎斯特采样定理：采样率必须大于信号最高频率的两倍，否则高频会“折叠”成不存在的低频噪音（混叠）。反过来说，采样率直接决定了这份音频里还剩多高的频率。
| 采样率 | 可表示的最高频率 | 典型场景 | 听感 |
|---|---|---|---|
| 8 kHz | 4 kHz | 传统电话 | 能听懂字，明显发闷 |
| 16 kHz | 8 kHz | 语音识别、语音合成的默认选择 | 说话内容基本完整 |
| 44.1 kHz | 22.05 kHz | CD、音乐制作 | 覆盖人耳整个听觉范围 |
16kHz 丢掉了什么
人耳能听到约 20kHz，但语音的能量和可懂度主要落在几百赫兹到 3~4kHz 之间，所以 8kHz 电话才勉强够用。16kHz 把上限推到 8kHz，多出来的那段里装着：擦音（s、sh、f、th）的高频摩擦成分、呼吸与唇齿细节、部分说话人音色和情绪线索。
结果是：如果你只关心“说了什么”，16kHz 足够；如果你要判断“谁在说、什么情绪”，8kHz 以上那段就不是垃圾，而是特征。用 44.1kHz 录制的音频降采样到 16kHz 后，做声纹或情感任务可能变差，原因就在这里。
和相邻概念的边界
采样率只解决“多久量一次”；位深（bit depth）决定“量得多细”，16bit 的动态范围约 96dB；码率（bitrate）是两者乘以声道数后的结果。而 MP3、AAC、Opus 是压缩编码，解压之后依然会还原成 PCM 再喂给模型——PCM 是终点，不是竞争者。
对从业者的实际意义
第一，训练和推理的采样率要一致。用 44.1kHz 数据训的模型直接喂 16kHz，或者反过来，频谱分布会整体错位。第二，降采样前必须做抗混叠滤波，否则高频折叠成噪音，比单纯丢失高频更糟。第三，升采样不会凭空恢复信息，把 16kHz 转成 44.1kHz 只是插值，听起来更“顺”，但内容还是 8kHz 封顶。第四，工程上 16kHz 之所以流行，是因为模型输入长度与采样率成正比——从 16k 提到 44.1k，序列长度和算力开销接近三倍，而语音任务未必换得来收益。具体某个平台或工具链要求的格式，以官方页面为准。
一句话收尾：采样率不是音质参数，而是信息预算——你在录音那一刻就决定了模型以后能听见什么、永远听不见什么。