定点数字信号处理里有一个广为流传的经验法则：字长每增加一位，信噪比大约改善6分贝。反过来，字长砍掉一位，信噪比掉6分贝，似乎是顺理成章的推论。但在实际系统里，工程师常常发现，砍掉一位带来的恶化远不止6分贝，有时滤波器直接变得不稳定，有时输出噪声谱的形状完全变了样。这不是经验法则错了，而是它成立的前提被忽略了，量化噪声整形正是理解这个差距的关键。

经验法则背后的模型是这样的：量化误差被近似为均匀分布的白噪声，功率与量化步长的平方成正比，字长增加一位，步长减半，噪声功率降为四分之一，也就是6分贝。这个模型在信号幅度较大、量化误差近似随机、系统为简单加法链时比较贴切。但在真实的定点滤波器里，量化噪声并不是简单地加在输出端，它会在系统内部经历与信号相同的传递路径。滤波器的极点位置、反馈结构、级联方式，都会对噪声谱进行整形，把白噪声变成有色噪声。

整形效应的典型例子是无限冲激响应滤波器。反馈环路里的量化噪声会被环路反复放大，尤其当极点靠近单位圆时，噪声在极点频率附近会被显著抬升，形成谱峰。字长砍掉一位，量化步长翻倍，噪声功率本身只增加6分贝，但如果这份噪声恰好落在被放大的频段，输出端的恶化就会远超6分贝。更严重的是系数本身也被量化，极点位置会偏离设计值，靠近单位圆的极点可能被推到不稳定区，系统从性能下降直接变成无法工作。

有限冲激响应滤波器相对温和一些，因为没有反馈环路，量化噪声不会被循环放大，但级联结构和中间节点的溢出处理同样会带来额外问题。中间结果截断、舍入方式、饱和处理的选择，都会改变噪声的分布。简单的截断会引入直流偏置和与信号相关的误差成分，输出噪声不再是白噪声，信噪比的计算也就偏离了理想模型。定点实现中常见的处理是合理分配各级字长、采用舍入代替截断、必要时引入噪声整形反馈，把量化噪声推向信号不敏感的频段。

量化噪声整形的思想，正是主动利用这一点：既然噪声谱的形状可以被系统改变，就可以在设计时把噪声能量推到带外或者人耳、后续处理不敏感的频段，再用滤波器滤掉。过采样加噪声整形是其中的经典组合，过采样把噪声功率摊到更宽的频带，整形把带内噪声进一步压低，最终带内信噪比的改善可以远超字长本身带来的6分贝。反过来，设计不当的整形也会把噪声推回带内，适得其反。

实操上有几条原则。第一，字长预算不能只算信号动态范围，还要算系数精度和中间节点精度，极点靠近单位圆的设计要留出更多余量。第二，评估量化影响时要看输出噪声谱，而不只看总噪声功率，谱峰位置比总功率更能说明问题。第三，舍入与饱和策略要全链路统一，混用不同策略容易引入难以复现的误差。第四，仿真时要用真实信号激励做定点仿真，理想浮点仿真通过不代表定点实现通过。字长砍掉一位，掉的不只是6分贝，还可能是稳定性、谱形和系统余量，理解噪声整形，才能在字长、功耗和性能之间做出真正划算的取舍。