双声道立体声的声场构建机制
双声道立体声技术的核心在于利用人类听觉系统的双耳效应，通过左右两个独立声道传递存在相位差和强度差的声音信号，从而在听者脑海中重建出声源的空间位置。当声音从特定方向传来时，由于两耳到声源的距离不同，声波到达两耳的时间会出现细微差异，即双耳时间差（ITD）；同时，头部对声波的遮挡作用使得远端耳朵接收到的声压级低于近端耳朵，形成双耳强度差（ILD）。大脑会实时处理这些微小的物理差异，结合视觉和其他感官信息，判断出声源的方位和距离，从而产生具有宽度和深度的立体声场感知。
在录音与回放环节，立体声的实现依赖于精密的声学采集与电子信号处理。传统的XY制式或AB制式麦克风摆放方法，旨在捕捉环境中的自然声场信息。XY制式使用两支指向性麦克风以一定夹角放置，振膜几乎重合，主要利用强度差提供出色的单声道兼容性；AB制式则将两支全指向麦克风保持一定距离，主要依赖时间差提供宽广的声场定位。这种物理上的空间信息记录，经过放大、记录介质存储，最终通过左右扬声器或耳机还原，若回放系统能精确复现原始录音中的相位和幅度关系，听者即可在非自然听音环境下获得接近现场聆听的沉浸感。
44.1kHz/16bit数字音频标准的技术确立
CD数字音频标准采用44.1kHz的采样频率，这一数值源于早期数字录音设备中视频记录方式的限制。在1980年代，Sony和Philips联合制定CD标准时，由于当时主流的数字录音机使用视频磁带记录数据，采样率必须与电视场的频宽相匹配。对于NTSC制式（每秒50场），采样率约为44.056kHz，而PAL制式（每秒60场）则为44.056kHz的变体，最终为了兼容不同制式并留出保护频带，标准定为44.1kHz。根据奈奎斯特采样定理，采样频率必须至少是信号最高频率的两倍，44.1kHz的采样率确保了人类听觉范围上限（20kHz）附近的信号能够被完整且无混叠地还原。
16bit的量化深度则决定了音频信号的动态范围和信噪比。在数字音频中，采样是将连续的时间信号离散化，而量化是将连续的幅度信号离散化为有限个数值。16bit意味着每个采样点有2的16次方，即65,536个可能的电平值。理论上，16bit量化带来的动态范围约为98dB（计算公式为6.02 × N + 1.98dB，其中N为位数），这足以覆盖从最轻微听阈到最大失真阈值的声学范围，满足高保真音乐回放的需求。这一参数组合平衡了存储容量、处理速度与音质表现，成为过去数十年数字音频分发的事实标准。
HRTF头部相关传输函数的声学特性
头部相关传输函数（HRTF）描述了声音从空间中某一点传播到人体耳道入口过程中，受头部、躯干、耳廓等物理结构遮挡、反射和衍射影响后产生的频谱变化特征。与双耳时间差和强度差不同，HRTF更侧重于频谱塑形效应，特别是耳廓的褶皱结构会像声学滤波器一样，根据声音入射角度（尤其是垂直方向和前后方向）对特定频率进行增强或衰减。这种频谱线索对于消除上下前后的声源混淆至关重要，因为仅靠双耳时间差和强度差很难区分声源是在正前方还是正后方，HRTF提供的频谱印记使得大脑能够解析出声源的三维空间坐标。
HRTF具有显著的个体差异性，因为每个人的头部大小、耳廓形状、甚至耳道长度都不相同，导致每个人接收到的HRTF参数存在独特指纹。通用的HRTF数据库（如KEMAR人工头测量数据）虽然能提供平均化的空间听觉效果，但在高保真或沉浸式音频应用中，针对个体定制的HRTF能提供更精准的定位感和声场自然度。在数字音频处理中，HRTF通过卷积运算应用于单声道信号，模拟出声源相对于听者的空间位置，这是现代耳机虚拟环绕声、虚拟现实（VR）音频以及游戏音频引擎实现3D音效的核心算法基础。