一场两小时的访谈录完，你把文件拖进播放器：受访者靠近时声音发炸，靠回椅背时又轻得像耳语；两句话之间的空隙里，空调的嗡嗡声和一层细密的「嘶」声一起浮上来。同事用一支千元内的录音笔录的另一场，音量平平稳稳，安静段落只是一层薄薄的本底。
把两个文件并排看波形，很容易得出一个结论：手机不行。这个结论只对了一小半。
底层原理：从声波到文件，中间隔了三道处理
一段录音要经过三道关。
第一道是换能。 声压推动振膜变成电压。灵敏度（mV/Pa）决定同样的声压能换出多大的电信号，等效噪声级（EIN）决定没有声音时话筒自己会产生多少噪声。这两项天生矛盾：振膜面积越大，灵敏度越高、自噪声越低；面积越小，越要靠后级放大来补，而放大电路会把底噪一起抬起来。
第二道是增益。 毫伏级的信号要放大到 ADC 能用的电平。这一步可以是固定增益，也可以是带反馈的自动增益控制（AGC）：前者把决定权交给操作者，后者交给算法。
第三道是量化与编码。 ADC 把电压切成 48kHz、16bit 或 24bit 的 PCM 采样点，编码器再按心理声学模型压成 M4A、Opus 或 MP3，丢掉「听不见」的成分。
差距一：振膜尺寸与等效噪声，决定底噪的地板
第一道关的物理差距是最难绕过去的。
手机 MEMS 麦的振膜直径在毫米级，为了塞进 8mm 厚的机身，腔体也只能做得很小。腔体小意味着低频响应差、灵敏度低，后级就必须给更高的增益；增益一高，话筒自噪声和电路底噪被同比放大，就是安静段落里那层挥不去的「嘶」。
一个容易忽略的推论：底噪不是恒定的绝对值，而是跟着增益走的相对值。 安静的房间里录，底噪几乎听不见；稍微有点环境声的会议室里，AGC 为了拉住远场人声而提高增益，底噪跟着一起上台。所以「办公室录特别脏、在家录还行」不是麦克风变了，是工作点变了。
软件只能把已知的噪声画像压下去，代价是细节：低频段分辨率天然粗糙，压得狠了，人声的厚度和气息会一起被削。这是后期补救，不是录音质量。
差距二：AGC 关不掉，动态被压平
第二个差距是策略性的，也最容易被忽略。
手机录音的 AGC 是个闭环：持续检测输入峰值，在几十毫秒的时间常数内调整数字增益，把远近不同的说话声都拉到接近的电平。这对通话是加分项------手机夹在肩膀和耳朵之间走来走去，对方始终听得清。
但对素材录制，它带来三个后果。
字头被吃掉。 开口瞬间声压有陡峭的上升沿，AGC 检测到峰值需要时间，等它把增益压下来，第一个字的辅音已经过完了。这就是「b、p、d、t」听起来发软的原因。
句尾底噪抬起。 一句话说完声压骤降，AGC 判定「太轻了」，开始抬增益去追；抬的过程中底噪先被放大，形成一小段可闻的呼吸声。反复几次，听感上就是一层一层的起伏。
电平基准每句都在变。 两段不同距离的素材剪在一起，接点处音量对不上------不是剪辑错了，是两段增益基准本来就不同，后期找不到稳定的参照。
录音笔反过来：手动电平 + 限幅器（Limiter）。增益拧到合适档位后全程不动，只有信号超过阈值时限幅器才介入，削平峰值而不改整体增益。动态保住了，段落间的电平关系也就稳住了。
差距三：容器与编码，M4A 已经先损了一刀
第三个差距在文件落地那一刻就发生了。
手机默认输出 M4A，里面是 AAC-LC，码率常见 96~192kbps。它的压缩逻辑是心理声学：算出每个临界频带的掩蔽阈值，阈值以下的成分直接不编码，频谱上留下空洞。
对「听」，96kbps 的 AAC 在语音上够用；对「处理」，它已经先损了一刀。降噪、分离、变调都在时频域上做运算，而编码器的量化噪声在时频图上是一层随频率起伏的颗粒，算法很难把它和真实的弱信号分开。在压缩过的文件上做分离，掩码会把一部分编码噪声当作信号留下，就是分离轨里那层「沙」。
反复转码更麻烦：AAC 解码成 WAV 再编码回去，每次都要重跑一遍心理声学模型，误差累积，工程上叫代数损失（generation loss）。三次之后，高频的空气感基本就没了。
认知收尾：先分清哪一环节在丢东西
设备差距是真实的，但不是全部。手机录音难听，多半是增益策略替你的素材做了不想要的决定，加上压缩格式把后期余量提前吃掉了。把这两件事分开看，问题大多出现在录制的头十秒，而不是你反复调参数的第三个小时。