Audio
Az emberi fül által hallható, 20 Hz és 20 kHz közötti hangfrekvenciájú hanghullámokra vonatkozik.
Ha hozzáad egy megfelelő hangkártyát a számítógéphez - a hangkártya, amelyet gyakran mondunk, akkor az összes hangot rögzíthetjük, és a hang akusztikai jellemzői, például a hang szintje fájlként tárolhatók a számítógép merevlemezén. korong. Ezzel szemben egy bizonyos audio programot is használhatunk a tárolt hangfájl lejátszására a korábban rögzített hang visszaállításához.
1 Audio fájl formátum
Az audio fájlformátum kifejezetten a hangadatokat tároló fájl formátumára vonatkozik. Sokféle formátum létezik.
A hangadatok megszerzésének általános módszere az, hogy rögzített időintervallummal mintát vesznek (kvantálnak) az audio feszültségről, és az eredményt bizonyos felbontásban tárolják (például a CDDA minden egyes mintája 16 bit vagy 2 bájt). A mintavételi intervallumnak különböző szabványai lehetnek. Például a CDDA másodpercenként 44,100 48,000-szor használ fel; A DVD másodpercenként 96,000 2 vagy XNUMX XNUMX alkalommal használ fel. Ezért a [mintavételi frekvencia], a [felbontás] és a [csatornák] száma (például XNUMX csatorna a sztereóhoz) a legfontosabb paraméter az audio fájlformátumban.
1.1 Veszteség és veszteség
A digitális hang előállítási folyamata szerint az audiokódolás csak végtelenül közel lehet a természetes jelekhez. Legalábbis a jelenlegi technológia csak erre képes. Bármely digitális hangkódolási séma veszteséges, mert nem lehet teljesen visszaállítani. A számítógépes alkalmazásokban a legmagasabb szintű hűség a PCM kódolás, amelyet széles körben használnak az anyag megőrzésére és a zene megbecsülésére. CD, DVD és közös WAV fájljainkban használják. Ezért a PCM az egyezmény szerint veszteségmentes kódolássá vált, mivel a PCM képviseli a digitális audio legjobb hűségszintjét.
Az audiofájl-formátumok két fő típusa létezik:
Veszteségmentes formátumok, például WAV, PCM, TTA, FLAC, AU, APE, TAK, WavPack (WV)
Vesztes formátumok, például MP3, Windows Media Audio (WMA), Ogg Vorbis (OGG), AAC
2 paraméter bevezetése
2.1 Mintavételi arány
A másodpercenként kapott hangminták számára utal. A hang valójában egyfajta energiahullám, tehát megvan a frekvencia és az amplitúdó jellemzői is. A frekvencia megfelel az idő tengelyének, az amplitúdó pedig a szint tengelyének. A hullám végtelenül sima, és a húr számtalan pontból áll. Mivel a tárhely viszonylag korlátozott, a karakterlánc pontjaiból a digitális kódolási folyamat során mintát kell venni.
A mintavételi eljárás egy bizonyos pont frekvenciaértékének kinyerése. Nyilvánvaló, hogy minél több pontot nyerünk ki egy másodperc alatt, annál több frekvencia információt kapunk. A hullámforma helyreállítása érdekében minél magasabb a mintavételi frekvencia, annál jobb a hangminőség. Minél valóságosabb a helyreállítás, ugyanakkor több erőforrást foglal el. Az emberi fül korlátozott felbontása miatt a túl nagy frekvencia nem különböztethető meg. A 22050 mintavételi frekvenciát általában használják, a 44100 már CD hangminőség, és a 48,000 96,000 vagy 24 XNUMX feletti mintavétel már nem értelmezhető az emberi fül számára. Ez hasonló a filmek másodpercenként XNUMX képkockájához. Ha sztereó, akkor a minta megduplázódik, és a fájl majdnem megduplázódik.
A Nyquist mintavételi elmélet szerint annak érdekében, hogy a hang ne torzuljon, a mintavételi frekvenciának 40 kHz körül kell lennie. Nem kell tudnunk, hogyan jött létre ez a tétel. Csak azt kell tudnunk, hogy ez a tétel azt mondja nekünk, hogy ha pontosan akarunk rögzíteni egy jelet, akkor a mintavételi frekvenciánknak nagyobbnak vagy egyenlőnek kell lennie, mint az audiojel maximális frekvenciájának kétszerese. Ne feledje, hogy ez a maximális frekvencia.
A digitális hangzás területén a gyakran használt mintavételi arányok:
8000 Hz - a telefon által használt mintavételi frekvencia, amely elegendő az emberi beszédhez
11025 Hz-es mintavételi frekvencia, amelyet a telefon használ
22050 Hz-es mintavételi frekvencia, amelyet a rádió műsorszórásban használnak
32000 Hz-es mintavételi frekvencia miniDV digitális videokamerához, DAT (LP mód)
44100 Hz-Audio CD, gyakran használják mintavételi frekvenciaként MPEG-1 audio (VCD, SVCD, MP3)
47250 Hz-es mintavételi frekvencia, amelyet a kereskedelmi PCM-felvevők használnak
48000 Hz-es mintavételi frekvencia a miniDV, digitális TV, DVD, DAT, filmek és professzionális hangokhoz használt digitális hanghoz
50000 Hz-es mintavételi frekvencia, amelyet kereskedelmi digitális felvevők használnak
96000 Hz vagy 192000 Hz - a DVD-Audio, egyes LPCM DVD hangsávok, BD-ROM (Blu-ray Disc) és HD-DVD (High Definition DVD) hangsávok mintavételi frekvenciája
2.2 A mintavételi bitek száma
A mintavételi bitek számát mintavételi méretnek vagy kvantálási bitek számának is nevezik. Ez egy olyan paraméter, amelyet a hang ingadozásának, azaz a hangkártya felbontásának mérésére használnak, vagy felfogható a hangkártya által feldolgozott hangkártya felbontásaként. Minél nagyobb az érték, annál nagyobb a felbontás, és annál valósághűbb a rögzített és lejátszott hang. A hangkártya bitje a digitális hangjel bináris számjegyére utal, amelyet a hangkártya használ a hangfájlok gyűjtésekor és lejátszásakor. A hangkártya bitje objektíven tükrözi a digitális hangjel bemeneti hangjel leírásának pontosságát. A közös hangkártyák főleg 8 bites és 16 bitesek. Manapság a piacon lévő összes mainstream termék 16 bites vagy annál magasabb hangkártya.
Minden mintavételezett adat rögzíti az amplitúdót, és a mintavételi pontosság a mintavételi bitek számától függ:
1 bájt (vagyis 8 bites) csak 256 számot képes rögzíteni, ami azt jelenti, hogy az amplitúdó csak 256 szintre osztható fel;
2 bájt (vagyis 16 bites) lehet olyan kicsi, mint 65536, ami már CD-szabvány;
4 bájt (vagyis 32 bites) feloszthatja az amplitúdót 4294967296 szintekre, ami valóban felesleges.
2.3 Csatornák száma
Vagyis a hangcsatornák száma. A közös mono és sztereó (kétcsatornás) mára négyhangú surround (négycsatornás) és 5.1 csatornássá vált.
2.3.1 Majom
A mono egy viszonylag primitív hangvisszaadási forma, és a korai hangkártyák gyakrabban használták. A monó hangot csak egy hangszóróval lehet megszólaltatni, és némelyiket két hangszóróvá is feldolgozzák ugyanazon hangcsatorna kimenetéhez. Amikor a monofonikus információkat két hangszórón keresztül játsszák le, egyértelműen érezhetjük, hogy a hang két hangszóróról származik. Lehetetlen meghatározni a hangforrás konkrét helyét, amely a hangszóró közepéről kerül a fülünkbe.
2.3.2 Sztereó
A binaurális csatornáknak két hangcsatornája van. Az elv az, hogy amikor az emberek hangot hallanak, a bal és a jobb fül közötti fáziskülönbség alapján meg tudják ítélni a hangforrás sajátos helyzetét. A hang a felvétel során két független csatornához van rendelve, a jó hang lokalizációs hatás elérése érdekében. Ez a technika különösen hasznos a zene megbecsülésében. A hallgató egyértelműen meg tudja különböztetni az irányt, ahonnan a különféle hangszerek származnak, ami ötletesebbé és közelebb teszi a zenét a helyszíni élményhez.
Jelenleg két hangot használnak a leggyakrabban. A karaoke-ban az egyik a zenélés, a másik az énekes hangja; a VCD-ben az egyik mandarin, a másik kantoni nyelven szinkronizál.
2.3.3 Négy hangsugárzás
A négycsatornás surround négy hangzási pontot határoz meg: bal első, jobb első, hátsó bal és hátsó jobb, és a közönséget ezek veszik körül. Javasoljuk továbbá egy mélynyomó hozzáadását az alacsony frekvenciájú jelek lejátszási feldolgozásának megerősítése érdekében (ez az oka annak, hogy a 4.1 csatornás hangszórórendszerek manapság széles körben népszerűek). Ami az összhatást illeti, a négycsatornás rendszer többféle irányból hozhatja a hallgatók térhatású hangját, megszerezheti a különböző környezetekben való tartózkodás hallási élményét, és vadonatúj élményt nyújthat a felhasználóknak. Manapság a négycsatornás technológiát széles körben beépítették a különféle közepes és csúcskategóriás hangkártyák tervezésébe, és ez lett a jövőbeli fejlődés fő trendje.
2.3.4 5.1 csatorna
Az 5.1 csatornákat széles körben használták a különféle hagyományos színházakban és házimozikban. Néhány ismertebb hangrögzítési tömörítési formátum, például a Dolby AC-3 (Dolby Digital), DTS stb., Az 5.1-es hangrendszeren alapul. A ".1" csatorna egy speciálisan tervezett mélynyomó csatorna, amely képes előállítani 20 és 120 Hz közötti frekvenciatartományú mélynyomókat. Valójában az 5.1-es hangrendszer 4.1-es surround-ból származik, a különbség az, hogy hozzáad egy középső egységet. Ez a központi egység felelős a 80Hz alatti hangjel továbbításáért, ami hasznos az emberi hang erősítéséhez a film nézésekor, és a párbeszédet az egész hangmező közepére koncentrálja az összhatás növelése érdekében.
Jelenleg sok online zenelejátszó, például a QQ Music, 5.1 csatornás zenét biztosított próbahallgatáshoz és letöltéshez.
2.4 keret
Az audiokeretek fogalma nem olyan egyértelmű, mint a videokeretek. Szinte az összes videó kódolási formátum egyszerűen képkockának tekintheti a keretet. Az audiokeret azonban a kódolási formátumhoz kapcsolódik, amelyet az egyes kódolási szabványok valósítanak meg.
Például a PCM (kódolatlan audio adatok) esetében egyáltalán nincs szüksége a keretek fogalmára, és a mintavételi gyakoriság és a mintavételi pontosság szerint játszható le. Például 44.1 kHz-es mintavételi frekvenciájú és 16 bites mintavételi pontosságú kettős audio esetén kiszámíthatja, hogy a bitsebesség 44100162 bps, a másodpercenkénti hangadat pedig fix 44100162/8 bájt.
Az amr keret viszonylag egyszerű. Kimondja, hogy minden 20 ms hang egy képkocka, és az egyes hangkockák függetlenek, és lehetőség van különböző kódolási algoritmusok és különböző kódolási paraméterek használatára.
Az mp3 keret egy kicsit bonyolultabb, és több információt tartalmaz, mint például a mintavételezési sebesség, a bitsebesség és a különféle paraméterek.
2.5 ciklusok
Az audioeszközök által egyidejűleg történő feldolgozáshoz szükséges keretek száma, valamint az audioeszköz adatelérése és az audioadatok tárolása mind ezen az egységen alapul.
2.6 Interleaved mód
A digitális audiojel tárolási módja. Az adatokat folyamatos képkockákban tároljuk, vagyis először rögzítjük az 1. képkocka bal és jobb csatornás mintáit, majd megkezdjük a 2. képkocka rögzítését.
2.7 Nem váltott soros mód
Először rögzítse az összes keret bal csatornás mintáit egy periódusban, majd rögzítse az összes jobb csatorna mintát.
2.8 Bitsebesség (bitsebesség)
A bitsebességet bitrátának is nevezik, amely a zene másodpercenként lejátszott adatmennyiségére utal. Az egységet bitekkel fejezik ki, ami bináris bit. a bps a bitsebesség. b bit (bit), s második (második), p minden (per), egy bájt 8 bináris bitnek felel meg. Vagyis egy 4 perces, 128 bps-os dal fájlméretét így számolják (128/8) 460 = 3840kB = 3.8MB, 1B (bájt) = 8b (bit), általában az mp3 kb. 128 bitnél előnyös arány, és valószínűleg A méret 3-4 BM körül van.
A számítógépes alkalmazásokban a legmagasabb szintű hűség a PCM kódolás, amelyet széles körben használnak az anyag megőrzéséhez és a zene megbecsüléséhez. CD-ket, DVD-ket és közös WAV fájljainkat használják. Ezért a PCM az egyezmény szerint veszteségmentes kódolássá vált, mivel a PCM képviseli a digitális audio legjobb hűségszintjét. Ez nem azt jelenti, hogy a PCM képes biztosítani a jel abszolút hűségét. A PCM csak a maximális végtelen közelséget tudja elérni.
A PCM audió folyam bitsebességének kiszámítása nagyon egyszerű feladat, mintavételi sebesség értéke × mintavétel mérete × csatorna száma bps. A WAV fájl 44.1KHz mintavételezési sebességgel, 16bit mintavételezéssel és kétcsatornás PCM kódolással rendelkezik, adatátviteli sebessége 44.1K × 16 × 2 = 1411.2Kbps. Közös Audio CD-jünk PCM kódolást használ, és egy CD kapacitása csak 72 perc zenei információt képes tárolni.
A kétcsatornás PCM kódolású audiojelhez 176.4 KB hely szükséges 1 másodperc alatt, és körülbelül 10.34 MB 1 perc alatt. Ez a legtöbb felhasználó számára elfogadhatatlan, különösen azok számára, akik szeretnek zenét hallgatni a számítógépen. Lemezfoglaltság, csak két módszer létezik, a mintavételi index vagy a tömörítés. Nem ajánlatos csökkenteni a mintavételi indexet, ezért a szakértők különféle tömörítési sémákat dolgoztak ki. A legeredetibbek a DPCM, az ADPCM, a leghíresebb pedig az MP3. Ezért az adattömörítés utáni kódsebesség sokkal alacsonyabb, mint az eredeti kód.
2.9 Példa számításra
Például a "Windows XP startup.wav" fájlhossza 424,644 22050 bájt, amely "16HZ / XNUMXbit / stereo" formátumban van.
Ekkor a másodpercenkénti átviteli sebessége (bitsebesség, más néven bitsebesség, mintavételezési sebesség) 22050162 = 705600 (bps), bájt egységre konvertálva 705600/8 = 88200 (bájt / másodperc), lejátszási idő: 424644 (összes bájt) / 88200 (bájt / másodperc) ≈ 4.8145578 (másodperc).
De ez nem elég pontos. A standard PCM formátumú WAVE fájl (* .wav) legalább 42 bájt fejlécinformációval rendelkezik, amelyet el kell távolítani a lejátszási idő kiszámításakor, így van: (424644-42) / (22050162/8) ≈ 4.8140816 ( másodpercig). Ez pontosabb.
3 PCM hangkódolás
A PCM jelentése Pulse Code Modulation. A PCM folyamatban a bemenő analóg jel mintavétele, kvantálása és kódolása történik, és a binárisan kódolt szám az analóg jel amplitúdóját jelöli; a vevő vég ezután visszaállítja ezeket a kódokat az eredeti analóg jelre. Vagyis a digitális hang A / D átalakítása három folyamatot foglal magában: mintavételt, kvantálást és kódolást.
A hang-PCM átviteli sebessége 8kHz, a mintavételi bitek száma pedig 8bit, tehát a hangos digitális kódolt jel kódolási sebessége 8bits × 8kHz = 64kbps = 8KB / s.
3.1 A hangkódolás alapelvei
Aki rendelkezik bizonyos elektronikus alapokkal, tudja, hogy az érzékelő által gyűjtött hangjel analóg mennyiség, de amit a tényleges átviteli folyamatban használunk, az egy digitális mennyiség. Ez magában foglalja az analóg átalakítását digitálisvá. Az analóg jelnek három folyamaton kell keresztülmennie, nevezetesen mintavételen, kvantáláson és kódoláson keresztül, hogy megvalósítsa a hang digitalizálásának impulzuskód modulációs (PCM, Pulse Coding Modulation) technológiáját.
Konverziós folyamat
3.1.1 Mintavétel
A mintavétel az a folyamat, amikor a mintákat (mintavételi frekvencia) kinyerjük egy analóg jelből a jel sávszélességének kétszeresét meghaladó frekvencián (Lequist Sampling Theorem), és diszkrét mintavételi jellé alakítjuk az idő tengelyén.
Mintavételi gyakoriság: A folyamatos jelből másodpercenként kivett minták száma, diszkrét jel létrehozása céljából, Hertz-ben (Hz) kifejezve.
minta:
Például az audiojel mintavételezési sebessége 8000 Hz.
Érthető, hogy a fenti ábrán szereplő minta megfelel az ábrán látható feszültségváltozás görbéjének 1 másodpercig, majd az alsó 1 2 3… 10, mert 1-8000 pontnak kell lennie, vagyis 1 másodpercet 8000 részre osztjuk, majd sorban vegyük ki azokat a feszültségértékeket, amelyek ennek a 8000 pontnak felelnek meg.
3.1.2 Számszerűsítés
Bár a mintavételezett jel az idő tengelyén diszkrét jel, mégis analóg jel, és mintavételének értéke végtelen számú értéket tartalmazhat egy bizonyos értéktartományon belül. A „kerekítés” módszert el kell fogadni a minta értékeinek „felfelé kerekítésére”, hogy a minta értékei egy bizonyos értéktartományon belül végtelen számú értékről véges számú értékre váltsanak. Ezt a folyamatot hívják számszerűsítés.
Mintavételi bitszám: a digitális jel leírásához használt bitek számára utal.
8 bit (8 bites) 2-t jelent a 8. teljesítményig = 256, 16 bit (16 bites) pedig 2-t jelent a 16. hatványig = 65536;
minta:
Például az audió érzékelő által összegyűjtött feszültségtartomány 0-3.3 V, a mintavétel száma 8 bites (bit)
Vagyis a kvantálási pontosságnak tekintjük a 3.3 V / 2 ^ 8 = 0.0128.
A 3.3v-t 0.0128-ra osztjuk, mint az Y léptető tengelyt, amint az a 3. ábrán látható, 1 2… 8 értéke 0 0.0128 0.0256… 3.3 V
Például egy mintavételi pont feszültségértéke 1.652V (1280.128 és 1290.128 között). 1.65 V-ra kerekítjük, és a megfelelő kvantálási szint 128.
3.1.3 Kódolás
A kvantált mintavételi jelet a mintavételi szekvencia, azaz a decimális digitális jel szerint elrendezett decimális digitális kódfolyamok sorozatává alakítják. Az egyszerű és hatékony adatrendszer bináris kódrendszer. Ezért a decimális digitális kódot bináris kódgá kell konvertálni. A decimális digitális kódok teljes száma szerint meghatározható a bináris kódoláshoz szükséges bitek száma, vagyis a szóhossz (a mintavételi bitek száma). Ezt a folyamatot, amelynek során a kvantált mintajel átalakul egy adott szóhosszúságú bináris kódsá, kódolásnak nevezzük.
minta:
Ekkor a fenti 1.65 V megfelel a 128 kvantálási szintnek. A megfelelő bináris rendszer 10000000. Vagyis a mintavételi pont kódolásának eredménye 10000000. Természetesen ez egy olyan kódolási módszer, amely nem veszi figyelembe a pozitív és a negatív értékeket , és sokféle kódolási módszer létezik, amelyek megkövetelik a konkrét kérdések specifikus elemzését. (A PCM audio formátum kódolása A-law 13 vonallánc kódolás)
3.2 PCM hangkódolás
A PCM jelet nem tapasztalták kódoláson és tömörítésen (veszteség nélküli tömörítés). Az analóg jelekhez képest az átviteli rendszer rendetlensége és torzulása nem befolyásolja könnyen. A dinamikatartomány széles, a hangminőség pedig elég jó.
3.2.1 PCM kódolás
Az alkalmazott kódolás az A-law 13 vonallánc kódolás.
Részletek: PCM hangkódolás
3.2.2 Channel
A csatornákat fel lehet osztani monó és sztereó (kétcsatornás) csatornákra.
A PCM minden mintaértékét egy i egész szám tartalmazza, és az i hossza a minimális bájtok száma, amely szükséges a megadott minta hosszának befogadásához.
Minta mérete Adatformátum Minimális érték Maximális érték
8 bites PCM aláíratlan int 0 225
16 bites PCM int -32767 32767
Mono hangfájlok esetében a mintavételi adatok egy 8 bites rövid egész szám (rövid int 00H-FFH), és a mintavételi adatokat időrendben tárolják.
Kétcsatornás sztereó hangfájl, minden mintavételi adat 16 bites egész szám (int), a felső nyolc bit (bal csatorna) és az alsó nyolc bit (jobb csatorna) két csatornát képvisel, és a mintavételi adatok időrendben vannak Betét alternatív sorrendben.
Ugyanez a helyzet akkor is, ha a mintavételi bitek száma 16 bit, és a tárolás a bájtsorrendhez kapcsolódik.
PCM adatformátum
Valamennyi hálózati protokoll a big endian módon továbbítja az adatokat. Ezért a big endian módszert hálózati bájtsorrendnek is nevezzük. Amikor két különböző bájt sorrendű gazdagép kommunikál, azokat az adatküldés előtt hálózati bájtsorrenddé kell átalakítani, mielőtt továbbítaná őket.
4 G.711
Általában a PCM esetében az analóg jel némi feldolgozáson (például amplitúdó tömörítésen) megy keresztül, mielőtt digitalizálnák. Miután digitalizálták, a PCM jelet általában tovább dolgozzák fel (például digitális adattömörítés).
A G.711 egy szabványos multimédiás digitális jel (tömörítés / dekompresszió) algoritmus, amely modulálja az impulzus kódot az ITU-T-től. Ez egy mintavételi technika az analóg jelek, különösen az audio jelek digitalizálásához. A PCM másodpercenként 8000-szer mintázza a jelet, 8KHz; mindegyik minta 8 bit, összesen 64Kbps (DS0). A mintavételi szintek kódolására két szabvány létezik. Észak-Amerika és Japán a Mu-Law szabványt használja, míg a legtöbb ország az A-Law szabványt használja.
Az A-törvény és az u-törvény a PCM két kódolási módszere. Az A-law PCM-et Európában és az én országomban, a Mu-law-t Észak-Amerikában és Japánban használják. A kettő közötti különbség a kvantálási módszer. Az A törvény 12 bites, az u törvény pedig 13 bites kvantálást használ. A mintavételi frekvencia 8KHz, és mindkettő 8bites kódolási módszer.
Egyszerű megértés: A PCM az audio berendezések által gyűjtött eredeti audio adat. A G.711 és az AAC két különböző algoritmus, amelyek egy bizonyos arányra képesek tömöríteni a PCM adatokat, ezáltal megtakarítva a sávszélességet a hálózati átvitelben.
Másik termék:
