Âm thanh 44.1 kHz và 48 kHz trên ESP32: khác nhau thế nào, xử lý lệch sample rate ra sao

44,1 kHz và 48 kHz khác nhau ở nguồn gốc: 44,1 kHz sinh ra từ chuẩn âm thanh CD, còn 48 kHz là chuẩn phổ biến của video, DAT và thiết bị ghi âm — cả hai đều hợp lệ. Vấn đề chỉ xuất hiện khi sample rate (tần số lấy mẫu, số mẫu xử lý trong một giây) của nội dung không khớp với sample rate ở đầu ra: nhạc sẽ nhanh và cao giọng, chậm và trầm, hoặc đứt quãng định kỳ tùy cơ chế lệch. Bài này giải thích cơ chế đó và cách xử lý đúng trên ESP32, đặt trong bức tranh tổng thể của bài trụ cột ESP32 xử lý âm thanh số: kiến trúc và giới hạn.

44,1 kHz và 48 kHz khác nhau ở đâu?

44,1 kHz bắt nguồn từ âm thanh CD theo chuẩn Red Book — gần như toàn bộ kho nhạc số thương mại, MP3, FLAC rip từ CD và nhạc trực tuyến đều dùng tần số này. 48 kHz là chuẩn của video, băng DAT và thiết bị ghi âm. Dự án ESP32 phát nhạc từ nhiều nguồn gần như chắc chắn gặp cả hai.

Hai con số khác nhau ở tốc độ lấy mẫu, không phải ở "độ nét": cả hai đều vượt xa nhu cầu của dải nghe tai người, và chất lượng thực tế phụ thuộc nhiều hơn vào bản ghi, codec và mạch analog. Đừng ép mọi thứ về một con số vì nghĩ nó "chuẩn hơn".

BCLK là xung nhịp bit (bit clock) của I2S, quyết định tốc độ đẩy từng bit ra DAC. Với stereo, slot 32 bit: BCLK = sample rate × 2 kênh × 32 bit — 2.8224 MHz ở 44,1 kHz, 3.072 MHz ở 48 kHz.

Điều gì xảy ra khi sample rate của nội dung và đầu ra không khớp?

Trường hợp 1: phát bằng clock sai mà không chuyển đổi

Tỉ lệ giữa hai tần số là 44.100 : 48.000 = 147 : 160. Giả định: mẫu giữ nguyên, không chuyển đổi, nhưng bị đẩy ra bằng một clock (xung nhịp làm mốc thời gian phát) khác clock lúc ghi. Thời gian phát co hoặc giãn theo tỉ lệ clock, cao độ đổi cùng hệ số:

• Phát nội dung 44,1 kHz bằng clock 48 kHz: hệ số = 48.000 / 44.100 ≈ 1,088 — âm thanh nhanh và cao hơn khoảng 8,8%, giọng hát the thé, tiết tấu bị đẩy nhanh.
• Phát nội dung 48 kHz bằng clock 44,1 kHz: hệ số = 44.100 / 48.000 ≈ 0,919 — âm thanh chậm và trầm xuống như băng bị kéo giãn.

Đây là kết quả tính toán lý thuyết từ tỉ lệ tần số, không phải kết quả đo. Nó giúp nhận diện lỗi bằng tai: nhạc lệch cao độ đồng đều từ đầu đến cuối thường do rate cấu hình sai so với rate của file.

Trường hợp 2: hai clock độc lập lệch nhau rất nhỏ – hiện tượng drift

Tinh vi hơn: nguồn phát và đầu ra dùng hai clock độc lập, mỗi clock sai số rất nhỏ tính bằng ppm (phần triệu). Cao độ nghe gần như bình thường, nhưng dữ liệu trong buffer (bộ đệm chứa mẫu chờ phát) đầy dần hoặc cạn dần vì hai phía không khóa vào cùng một mốc thời gian. Hiện tượng trượt dần này gọi là drift: buffer đầy thì hệ thống phải lặp hoặc bỏ mẫu, buffer cạn thì đầu ra mất dữ liệu, nghe thành tiếng đứt quãng lặp lại theo chu kỳ khá đều — thường không xuất hiện ngay mà sau vài chục giây đến vài phút mới nghe thấy. Nếu bài nào cũng khựng ở cùng một vị trí cố định, hãy kiểm tra file trước.

Giải pháp đúng: cấu hình khớp rate hoặc resample

Resample (chuyển đổi tần số lấy mẫu) là quá trình tính lại chuỗi mẫu từ rate này sang rate khác, ví dụ 44,1 kHz lên 48 kHz theo tỉ lệ hữu tỉ 147/160, giữ nguyên thời lượng và cao độ. Hai hướng xử lý chính:

• Cấu hình lại I2S đúng rate của nội dung: khi chỉ phát một nguồn tại một thời điểm, đây là cách sạch nhất — không tốn tính toán, không đổi dữ liệu; chuyển bài khác rate thì cấu hình lại driver.
• Resample về một rate chung: khi cần trộn nhiều nguồn khác rate, hoặc một khâu áp đặt rate cố định, mọi nguồn phải về cùng một rate bằng SRC (sample rate converter – bộ chuyển đổi tần số lấy mẫu) trước khi trộn.

Với ESP32 bản gốc, tài liệu ESP-IDF cho biết chip có APLL — vòng khóa pha dành riêng cho âm thanh — tạo được clock chính xác cho cả hai họ tần số 44,1 kHz và 48 kHz, qua tùy chọn dùng APLL ở driver I2S thế hệ cũ hoặc lựa chọn nguồn clock ở driver thế hệ mới. Nhờ đó chip không phải làm tròn clock từ nguồn nhịp hệ thống vốn chỉ chia đẹp cho một họ tần số — nguyên nhân kinh điển khiến họ còn lại lệch nhẹ và sinh drift. Với ESP32-S3, nguồn clock và cách chia khác biệt: cần kiểm tra theo tài liệu ESP-IDF của đúng phiên bản chip và SDK đang dùng.

Quy trình thực hành xử lý lệch sample rate trên ESP32

Bước 1: Xác định rate thật của file và của nguồn

Đừng tin vào tên file. Kiểm tra metadata bằng phần mềm phát nhạc hoặc công cụ xem thông tin media, ghi lại rate của từng nguồn: thẻ nhớ, stream mạng hay Bluetooth. Nhiều lỗi "thi thoảng sai một bài" chỉ là thư viện lẫn file khác rate.

Bước 2: Cấu hình I2S khớp rate, rồi kiểm chứng bằng tín hiệu thật

Đặt sample rate của driver I2S bằng đúng rate của nội dung và bảo đảm DAC chấp nhận rate đó. Đừng chỉ tin code không báo lỗi: hãy đo tần số LRCK (xung nhịp chọn kênh, chạy đúng bằng sample rate) để xác nhận phần cứng. Cách đo có trong bài đo và debug tín hiệu I2S.

Bước 3: Chỉ resample khi thật sự cần, và hiểu cái giá của nó

Resample bằng phần mềm chấp nhận được khi nguồn áp đặt rate khác mà bạn không đổi được clock đầu ra, hoặc khi cần trộn nhiều nguồn. Cái giá gồm hai phần: tải CPU — tính toán liên tục theo thời gian thực, cạnh tranh với giải mã, và hệ thống đã sát giới hạn có thể tràn hoặc cạn buffer vì chính khâu này; và chất lượng tùy thuộc thuật toán — nội suy đơn giản nhẹ CPU nhưng dễ sinh méo, thuật toán tốt hơn thì nặng hơn. Đánh đổi này mang tính định tính, tùy thư viện: hãy nghe thử và chạy dài để kiểm tra.

Bước 4: Trường hợp Bluetooth và nguồn ngoài áp đặt rate

Khi nhận âm thanh qua Bluetooth hoặc nguồn ngoài, rate của luồng vào do phía phát quyết định và bạn thường không đổi được. Hai cách xử lý: cấu hình đầu ra I2S theo đúng rate của luồng vào, hoặc giữ đầu ra cố định và resample luồng vào về rate đó. Cách thứ hai ổn định hơn cho hệ thống nhiều nguồn, vì tránh cấu hình lại clock mỗi lần đổi nguồn.

Bảng khoanh vùng lỗi theo triệu chứng

Nguyên tắc xuyên suốt: rate của nội dung, rate sau chuyển đổi (nếu có) và rate của clock đầu ra phải là cùng một con số. Lệch hoàn toàn thì sai cao độ ngay; lệch rất nhỏ giữa hai clock độc lập thì trả giá bằng drift.

Câu hỏi thường gặp về 44.1 kHz và 48 kHz trên ESP32

48 kHz có hay hơn 44,1 kHz không?

Không. Cả hai đều đủ cho dải nghe của tai người; chất lượng phụ thuộc chủ yếu vào bản ghi gốc, codec và phần analog. Resample lên 48 kHz không tạo thêm thông tin mới.

Vì sao nhạc bị cao giọng khi phát trên ESP32?

Thường do nội dung 44,1 kHz bị phát bằng clock 48 kHz mà không qua resample: tốc độ tăng theo hệ số 48.000/44.100 ≈ 1,088 nên cao độ tăng theo. Kiểm tra rate của file và rate cấu hình I2S, rồi cấu hình khớp lại hoặc bật resample.

Có nên resample mọi file về 48 kHz cho thống nhất không?

Chỉ nên làm khi cần trộn nhiều nguồn khác rate, hoặc một khâu như Bluetooth áp đặt rate cố định. Nếu chỉ phát từng file một, cấu hình I2S theo đúng rate của file nhẹ CPU hơn và giữ nguyên dữ liệu gốc.

Tiếng đứt quãng xuất hiện sau vài phút nghe có phải do lệch sample rate không?

Có thể, nếu hai đầu dùng hai clock độc lập lệch nhau vài ppm khiến buffer đầy dần hoặc cạn dần — cơ chế drift. Dấu hiệu: lỗi xuất hiện muộn và lặp đều khi chạy dài, khác với sai rate hoàn toàn vốn lệch cao độ ngay từ đầu.

Nắm được quan hệ giữa rate của nội dung và clock đầu ra, phần lớn lỗi "nghe lạ" trên ESP32 đều khoanh vùng được nhanh. Nếu đang chọn module DAC I2S hoặc bo ESP32 cho dự án loa DIY, tham khảo thêm sản phẩm và bài kỹ thuật tại cimo.vn để đối chiếu thông số trước khi lắp.