1. Alapfogalmak
1) Bitsebesség: jelzi, hogy másodpercenként hány bitet kell ábrázolni a kódolt (tömörített) audio adatoknak, és az egység általában kbps.
2) Hangosság és intenzitás: A hang szubjektív tulajdonságai. A hangosság jelzi, hogy egy hang milyen hangosan szól. A hangosság főleg a hang intenzitásától függ, de a frekvencia is befolyásolja. Általánosságban elmondható, hogy a tiszta középfrekvenciás hangok jobbak, mint a tiszta alacsony és magas frekvenciájú hangok.
3) Mintavétel és mintavételi arány: A mintavétel egy folyamatos időjelet diszkrét digitális jellé alakít. A mintavételi arány arra vonatkozik, hogy hány minta gyűlik össze másodpercenként.
Nyquist mintavételi törvény: Ha a mintavételi frekvencia nagyobb vagy egyenlő a folyamatos jel legmagasabb frekvenciájú komponensének kétszeresével, a mintavételezett jel felhasználható az eredeti folyamatos jel tökéletes rekonstruálására.
2. általános hangformátumok
1) A WAV formátum a Microsoft által kifejlesztett hangfájl-formátum, más néven hullámfájl. Ez a legkorábbi digitális audio formátum, amelyet a Windows platform és alkalmazásai széles körben támogatnak, és alacsony a tömörítési aránya.
2) A MIDI a Musical Instrument Digital Interface rövidítése, más néven Musical Instrument Digital Interface, amely a digitális zene / elektronikus szintetikus hangszerek egységes nemzetközi szabványa. Meghatározza a számítógépes zenei programok, a digitális szintetizátorok és más elektronikus eszközök zenei jelek cseréjének módját, és meghatározza az adatátviteli protokollt a kábelek és hardverek, valamint a különböző gyártók elektronikus hangszereit számítógépekkel összekötő eszközök között, és képes szimulálni több zenei hangot eszközök. A MIDI fájl egy MIDI formátumú fájl, és néhány parancsot a MIDI fájl tárol. Küldje el ezeket az utasításokat a hangkártyára, és a hangkártya az utasításoknak megfelelően szintetizálja a hangot.
3) Az MP3 teljes neve MPEG-1 Audio Layer 3, amelyet 1992-ben beolvadtak az MPEG specifikációba. Az MP3 magas hangminőséggel és alacsony mintavételi frekvenciával képes tömöríteni a digitális audiofájlokat. A leggyakoribb alkalmazás.
4) Az MP3Pro-t a Svéd Coding Technology Company fejlesztette ki, amely két fő technológiát tartalmaz: az egyik a Coding Technology Company egyedülálló dekódolási technológiája, a másik pedig a francia Thomson Multimedia Company és a német Fraunhofer MP3 szabadalomtulajdonos integrációja. a Circuit Association. Az MP3Pro javíthatja az eredeti MP3 zene hangminőségét anélkül, hogy alapvetően módosítaná a fájl méretét. A tömörítés előtti hangminőséget a legnagyobb mértékben képes fenntartani, miközben az audio fájlokat alacsonyabb bitrátával tömöríti.
5) Az MP3Pro-t a Svéd Coding Technology Company fejlesztette ki, amely két fő technológiát tartalmaz: az egyik a Coding Technology Company egyedülálló dekódolási technológiája, a másik pedig a francia Thomson Multimedia Company és a német Fraunhofer MP3 szabadalomtulajdonos integrációja. a Circuit Association. Az MP3Pro javíthatja az eredeti MP3 zene hangminőségét anélkül, hogy alapvetően módosítaná a fájl méretét. A tömörítés előtti hangminőséget a legnagyobb mértékben képes fenntartani, miközben az audio fájlokat alacsonyabb bitrátával tömöríti.
6) A WMA (Windows Media Audio) a Microsoft remekműve az internetes audio és video terén. A WMA formátum nagyobb tömörítési arányt ér el az adatforgalom csökkentésével, de a hangminőség fenntartásával. A tömörítési arány általában elérheti az 1:18 értéket. Ezenkívül a WMA a DRM (Digital Rights Management) révén védheti a szerzői jogokat is.
7) A RealAudio a Real Networks által elindított fájlformátum. A legnagyobb jellemző, hogy valós időben képes továbbítani hanginformációkat, különösen, ha a hálózati sebesség lassú, továbbra is zökkenőmentesen képes továbbítani az adatokat, így a RealAudio elsősorban a hálózati online lejátszásra alkalmas. A jelenlegi RealAudio fájlformátumok főleg RA (RealAudio), RM (RealMedia, RealAudio G2), RMX (RealAudio Secured) stb. Tartalmazzák. Ezeknek a fájloknak az a közös jellemzője, hogy a hang minősége változik a hálózati sávszélesség különbségével. Feltételezve, hogy a legtöbb ember sima hangot hall, a szélesebb sávszélességű hallgatók jobb hangminőséget kaphatnak.
8) Az Audible négy különböző formátumot tartalmaz: Audible1, 2, 3, 4. Az Audible.com webhely elsősorban hangoskönyveket árul az interneten, és védelmet nyújt az általuk eladott áruk és fájlok számára a négy Audible.com dedikált audio formátum egyikén keresztül. . Mindegyik formátum főként a felhasznált audioforrást és hallgatási eszközt veszi figyelembe. Az 1., 2. és 3. formátum a hangtömörítés különböző szintjeit használja, míg a 4. formátum alacsonyabb mintavételi sebességet és ugyanazt a dekódolási módszert használja, mint az MP3. Az így kapott hang tisztább és hatékonyabban letölthető az internetről. Az Audible a saját asztali lejátszási eszközét használja, amely az Audible Manager. Ezzel a lejátszóval lejátszhatja a PC-n tárolt vagy hordozható lejátszóra átvitt hangos formátumú fájlokat.
9) Az AAC valójában az Advanced Audio Coding rövidítése. Az AAC egy audio formátum, amelyet a Fraunhofer IIS-A, a Dolby és az AT&T közösen fejlesztett ki. Ez az MPEG-2 specifikáció része. Az AAC által használt algoritmus eltér az MP3-tól. Az AAC más funkciókat kombinál a kódolás hatékonyságának javítása érdekében. Az AAC audio algoritmusa jóval meghaladja a korábbi tömörítési algoritmusok (például MP3 stb.) Tömörítési képességeit. Támogatja akár 48 hangsávot, 15 alacsony frekvenciájú hangsávot, nagyobb mintavételi és bitsebességet, többnyelvű kompatibilitást és nagyobb dekódolási hatékonyságot. Röviden, az AAC jobb hangminőséget tud biztosítani azzal a feltevéssel, hogy 30% -kal kisebb, mint az MP3 fájlok.
10) Az Ogg Vorbis egy új hangtömörítési formátum, hasonló a meglévő zenei formátumokhoz, mint az MP3. De az egyik különbség az, hogy teljesen ingyenes, nyitott és szabadalmi korlátozások nélkül. A Vorbis ennek a hangtömörítési mechanizmusnak a neve, az Ogg pedig annak a projektnek a neve, amely egy teljesen nyitott multimédiás rendszert kíván megtervezni. A VORBIS szintén veszteséges tömörítés, de fejlettebb akusztikus modelleket alkalmaz a veszteség csökkentésére. Ezért az ugyanazon bitsebességgel kódolt OGG jobban hangzik, mint az MP3.
11) Az APE veszteségmentesen tömörített audio formátum, azzal a feltevéssel, hogy a hangminőség nem csökken, a méret a hagyományos veszteségmentes formátumú WAV fájl felére tömörül.
12) A FLAC a Free Lossless Audio Codec rövidítése, amely jól ismert, veszteségmentes, tömörítési kódokat tartalmaz, amelyet veszteségmentes tömörítés jellemez.
3. a hangkódolás alapelve
A beszédkódolás célja az átvitelhez szükséges csatorna sávszélességének csökkentése, miközben fenntartja a bemeneti beszéd magas minőségét.
A beszédkódolás célja egy alacsony komplexitású kódoló megtervezése, hogy a lehető legkisebb bitsebesség mellett magas színvonalú adatátvitelt érjen el.
1) Néma küszöbgörbe: Az a küszöb, amelynél az emberi fül csak csendes környezetben hallhat különböző frekvenciájú hangokat.
2) Kritikus frekvenciasáv
Mivel az emberi fülnek különböző felbontásúak a különböző frekvenciák, az MPEG1 / Audio a 22kHz-en belüli érzékelhető frekvenciatartományt 23 ~ 26 kritikus frekvenciasávra osztja különböző kódolási rétegek és különböző mintavételi frekvenciák szerint. Az alábbi ábra felsorolja az ideális kritikus frekvenciasáv középfrekvenciáját és sávszélességét. Amint az ábrán látható, az emberi fül jobb felbontással rendelkezik az alacsony frekvenciák esetén
3) Maszkoló hatás a frekvenciatartományban: A nagyobb amplitúdójú jel hasonló frekvenciájú és kisebb amplitúdójú jelet takar, amint az az alábbi ábrán látható:
4) Maszkolási hatás az időtartományban: Rövid időn belül, ha két hang jelenik meg, a nagyobb SPL (hangnyomásszint) hang kisebb SPL-mel elfedi a hangot. Az időtartomány maszkolási hatása előre maszkolásra (előzetes maszkolás) és visszafelé maszkolásra (utólagos maszkolás) oszlik. Az utólagos maszkolási idő hosszabb lesz, körülbelül tízszerese az előmaszkolásnak.
Az időtartomány maszkoló hatása segít kiküszöbölni az előzetes visszhangot.
4. a kódolás alapvető eszközei
1) Kvantáló és kvantáló
Kvantálás és kvantáló: A kvantálás a diszkrét idő alatt folytonos jelet diszkrét időben diszkrét jellé alakítja. A szokásos kvantorok a következők: egységes kvantáló, logaritmikus kvantáló és nem egyenletes kvantor. A kvantálási folyamat célja a kvantálási hiba minimalizálása és a kvantáló komplexitásának minimalizálása (a kettő önmagában ellentmondás).
(A) Egységes kvantáló: a legegyszerűbb, a legrosszabb teljesítmény, csak telefonos hanghoz alkalmas.
(B) Logaritmikus kvantor: bonyolultabb, mint az egységes kvantor és könnyen kivitelezhető, teljesítménye pedig jobb, mint az egységes kvantor.
(C) Nem egységes kvantáló: A jel eloszlásának megfelelően tervezze meg a kvantálót. A részletes kvantifikációt ott végezzük, ahol a jel sűrű, a durva kvantifikációt pedig ott, ahol a jel ritka.
2) Hangkódoló
Háromféle beszédkódoló létezik: (a) Waveform kódoló; (b) Vocoder; (c) Hibrid kódoló.
A hullámforma kódoló célja egy analóg hullámforma létrehozása, amely tartalmazza a háttérzaj lapot. Minden bemeneti jelre reagálva kiváló minőségű mintákat állít elő, és nagy bitsebességet fogyaszt. A vokóder nem regenerálja az eredeti hullámformát. Ez a kódolókészlet kivon egy paraméterkészletet, amelyet a vevő végére küldünk a hanggenerációs modell levezetéséhez. A vokoder hangminősége nem elég jó. Hibrid kódoló, amely magában foglalja a hullámforma kódoló és hangjelző előnyeit.
2.1 Hullámforma kódoló
A hullámalakú kódoló kialakítása gyakran független a jeltől. Tehát alkalmas különféle jelek kódolására, és nem korlátozódik a beszédre.
1) Időtartomány kódolása
a) PCM: impulzus kód moduláció, a legegyszerűbb kódolási módszer. Ez csak a jel diszkrétálása és kvantálása, és gyakran logaritmizálást alkalmaznak.
b) DPCM: differenciális impulzus kód moduláció, amely csak a minták közötti különbséget kódolja. Az előző egy vagy több mintát használják az aktuális mintaérték előrejelzésére. Minél több mintát használtak az előrejelzésekhez, annál pontosabb az előrejelzett érték. A valódi és a megjósolt érték közötti különbséget maradéknak nevezzük, amely a kódolás tárgya.
c) ADPCM: adaptív differenciális impulzus kód moduláció, adaptív differenciális impulzus kód. Vagyis a DPCM alapján a kvantálót és a prediktort megfelelően beállítják a jel változásai szerint, így az előrejelzett érték közelebb áll a valós jelhez, a maradék kisebb és a tömörítési hatásfok nagyobb.
(2) Frekvencia tartomány kódolása
A frekvenciatartomány kódolásának célja a jel bontása különböző frekvenciaelemek sorozatára és független kódolás végrehajtása.
a) Alsávos kódolás: Az alsávos kódolás a legegyszerűbb frekvenciatartomány-kódolási technika. Ez egy olyan technológia, amely átalakítja az eredeti jelet az időtartományból a frekvenciatartományba, majd több részsávra osztja, és digitális kódolást hajt végre rajtuk. Sáváteresztő szűrő (BPF) csoport segítségével osztja fel az eredeti jelet több (például m) alsávra (továbbiakban részsávokra). Vezesse át az egyes alsávokat az egyoldalas sávú amplitúdó-modulációval egyenértékű modulációs jellemzőkön, mozgassa az egyes részsávokat nulla frekvenciára, vagy adja át a BPF-et (összesen m), majd az egyes részsávokat az előírt sebességgel adja át ( Nyquist rate) Az alsávos kimeneti jel mintavétele történik, a mintavételezett értéket általában digitálisan kódolják, és m digitális kódolót állítanak be. Minden digitális kódolt jelet küldjön a multiplexerbe, és végül adja ki az alsávos kódolt adatfolyamot.
Különböző részsávokhoz különböző kvantálási módszerek alkalmazhatók, és az emberi fül percepciós modellje szerint különböző bitszámok rendelhetők az alsávokhoz.
b) transzformációs kódolás: DCT kódolás.
5. Vocoder
Csatorna vokóder: Az emberi fül fázishoz való érzéketlenségét használja fel.
homomorf vokoder: hatékonyan képes feldolgozni a szintetikus jeleket.
Formáns vokóder: A hangjel információinak nagy része a formáns helyzetén és sávszélességén található.
lineáris prediktív vokoder: A leggyakrabban használt vokoder.
6. Hibrid kódoló
A hullámforma kódoló megpróbálja megőrizni a kódolt jel hullámformáját, és kiváló minőségű beszédet tud nyújtani közepes bitsebességgel (32 kbps), de nem alkalmazható alacsony bitsebességű alkalmakkor. A vokóder megpróbál olyan jelet előállítani, amely hangzásilag hasonló a kódolt jelhez, és érthető beszédet tud nyújtani alacsony bitsebességgel, de az így létrejövő beszéd természetellenesen hangzik. A hibrid kódoló egyesíti mindkettő előnyeit.
RELP: A lineáris predikció alapján a maradékot kódoljuk. A mechanizmus: csak a maradékok egy kis részét továbbítja, és az összes maradékot rekonstruálja a vevő végén (másolja át az alapsáv maradványait).
MPC: több pulzusú kódolás, amely eltávolítja a maradványok korrelációját, és kompenzálásra szolgál a vokóder egyszerű hangok és hangok közötti besorolására a köztes állapotok hibái nélkül.
CELP: a kódkönyv gerjesztett lineáris predikció, amely a vokális traktus predikcióját és a hangmagasság-előrejelző kaszkádját használja az eredeti jel jobb megközelítéséhez.
MBE: többsávos gerjesztés, célja a CELP-számítások nagy számának elkerülése, a vokodernél jobb minőség elérése.
Másik termék:
