1. Основни понятия
1) Битрейт: показва колко бита в секунда трябва да бъдат представени кодираните (компресирани) аудио данни и единицата обикновено е kbps.
2) Сила и интензивност: Субективните характеристики на звука. Громкостта показва колко силно звучи звукът. Силата на звука варира главно в зависимост от интензивността на звука, но се влияе и от честотата. Най-общо казано, чистите средночестотни звуци са по-добри от чистите нискочестотни и високочестотни звуци.
3) Вземане на проби и честота на вземане на проби: Вземането на проби е преобразуване на непрекъснат времеви сигнал в дискретен цифров сигнал. Скоростта на вземане на проби се отнася до това колко проби се събират в секунда.
Закон за вземане на проби на Найквист: Когато честотата на вземане на проби е по-голяма или равна на 2 пъти най-високата честотна компонента на непрекъснатия сигнал, дискретизираният сигнал може да се използва за перфектно възстановяване на първоначалния непрекъснат сигнал.
2. често срещани аудио формати
1) WAV форматът е формат на звуков файл, разработен от Microsoft, наричан още вълнов звуков файл. Това е най-ранният цифров аудио формат, широко поддържан от платформата Windows и нейните приложения, и има ниска степен на компресия.
2) MIDI е съкращението на Музикален инструмент Цифров интерфейс, известен също като Музикален инструмент Цифров интерфейс, което е единен международен стандарт за цифрова музика / електронни синтетични музикални инструменти. Той определя начина, по който компютърните музикални програми, цифровите синтезатори и други електронни устройства обменят музикални сигнали, и определя протокола за предаване на данни между кабели и хардуер и устройства, свързващи електронни музикални инструменти от различни производители към компютри, и може да симулира звука на множество музикални инструменти. MIDI файлът е файл във формат MIDI и някои команди се съхраняват в MIDI файла. Изпратете тези инструкции на звуковата карта и звуковата карта ще синтезира звука в съответствие с инструкциите.
3) Пълното име на MP3 е MPEG-1 Audio Layer 3, което е обединено в спецификацията MPEG през 1992 г. MP3 може да компресира цифрови аудио файлове с високо качество на звука и ниска честота на дискретизация. Най-често срещаното приложение.
4) MP3Pro е разработен от шведската компания за кодиране, която съдържа две основни технологии: едната е уникалната технология за декодиране от Coding Technology Company, а другата е интеграцията на притежателя на патент на MP3 френската Thomson Multimedia Company и германската технология за декодиране Fraunhofer A, съвместно проучени от Circuit Association. MP3Pro може да подобри оригиналното качество на MP3 музика, без да променя основно размера на файла. Той може да поддържа качеството на звука преди компресиране в най-голяма степен, докато компресира аудио файлове с по-ниска скорост на предаване.
5) MP3Pro е разработен от шведската компания за кодиране, която съдържа две основни технологии: едната е уникалната технология за декодиране от Coding Technology Company, а другата е интеграцията на притежателя на патент на MP3 френската Thomson Multimedia Company и германската технология за декодиране Fraunhofer A, съвместно проучени от Circuit Association. MP3Pro може да подобри оригиналното качество на MP3 музика, без да променя основно размера на файла. Той може да поддържа качеството на звука преди компресиране в най-голяма степен, докато компресира аудио файлове с по-ниска скорост на предаване.
6) WMA (Windows Media Audio) е шедьовърът на Microsoft в областта на интернет аудио и видео. Форматът WMA постига по-висока степен на компресия, като намалява трафика на данни, но поддържа качеството на звука. Степента на компресия обикновено може да достигне 1:18. В допълнение, WMA може също така да защити авторските права чрез DRM (Управление на цифровите права).
7) RealAudio е файлов формат, стартиран от Real Networks. Най-голямата характеристика е, че той може да предава аудио информация в реално време, особено когато скоростта на мрежата е ниска, все още може да предава данни безпроблемно, така че RealAudio е подходящ главно за мрежово възпроизвеждане онлайн на. Текущите файлови формати на RealAudio включват предимно RA (RealAudio), RM (RealMedia, RealAudio G2), RMX (RealAudio Secured) и др. Общото между тези файлове е, че качеството на звука се променя с разликата в честотната лента на мрежата. Предполагайки, че повечето хора чуват гладък звук, слушателите с по-широка честотна лента могат да получат по-добро качество на звука.
8) Audible има четири различни формата: Audible1, 2, 3, 4. Уебсайтът Audible.com продава главно аудио книги в Интернет и осигурява защита на стоките и файловете, които те продават, чрез един от четирите специални аудио формата на Audible.com . Всеки формат разглежда главно аудио източника и използваното устройство за слушане. Формати 1, 2 и 3 използват различни нива на гласова компресия, докато формат 4 използва по-ниска честота на дискретизация и същия метод на декодиране като MP3. Полученият глас е по-ясен и може да бъде изтеглен по-ефективно от интернет. Audible използва свой собствен инструмент за възпроизвеждане на работния плот, който е Audible Manager. С този плейър можете да възпроизвеждате файлове със звуков формат, съхранени на компютър или прехвърлени на преносим плейър.
9) AAC всъщност е съкращение за Advanced Audio Coding. AAC е аудио формат, разработен съвместно от Fraunhofer IIS-A, Dolby и AT&T. Той е част от спецификацията MPEG-2. Алгоритъмът, използван от AAC, е различен от този на MP3. AAC комбинира други функции, за да подобри ефективността на кодирането. Аудио алгоритъмът на AAC далеч надхвърля някои предишни алгоритми за компресиране (като MP3 и др.) По възможности за компресия. Той също така поддържа до 48 аудиозаписи, 15 нискочестотни аудиозаписи, повече честоти на проби и скорости на предаване, многоезична съвместимост и по-висока ефективност на декодиране. Накратко, AAC може да осигури по-добро качество на звука при предпоставката, че е с 30% по-малък от MP3 файловете.
10) Ogg Vorbis е нов формат за аудио компресия, подобен на съществуващите музикални формати като MP3. Но една разлика е, че тя е напълно безплатна, отворена и без патентни ограничения. Vorbis е името на този механизъм за аудио компресия, а Ogg е името на проект, който възнамерява да проектира напълно отворена мултимедийна система. VORBIS също компресира със загуби, но използва по-усъвършенствани акустични модели за намаляване на загубите. Следователно OGG, кодиран със същия битрейт, звучи по-добре от MP3.
11) APE е компресиран аудио формат без загуби, с предпоставката, че качеството на звука не се намалява, а размерът се компресира до половината от традиционния WAV файл без загуби.
12) FLAC е съкращението на Free Lossless Audio Codec, набор от добре познати безплатни кодове за компресия без загуба на звук, който се характеризира с компресия без загуби.
3. основният принцип на аудио кодирането
Кодирането на речта е посветено на намаляване на честотната лента на канала, необходима за предаване, като същевременно се поддържа високото качество на входната реч.
Целта на кодирането на речта е да се проектира енкодер с ниска сложност, за да се постигне висококачествено предаване на данни при възможно най-ниската битова скорост.
1) Крива на прага на заглушаване: Прагът, при който човешкото ухо може да чува звук на различни честоти само в тиха среда.
2) Критична честотна лента
Тъй като човешкото ухо има различни разделителни способности за различни честоти, MPEG1 / Audio разделя чувствителния честотен диапазон в рамките на 22khz на 23 ~ 26 критични честотни ленти според различни кодиращи слоеве и различни честоти на вземане на проби. На следващата фигура са изброени централната честота и честотна лента на идеалната критична честотна лента. Както се вижда на фигурата, човешкото ухо има по-добра разделителна способност на ниските честоти
3) Ефект на маскиране в честотната област: Сигнал с по-голяма амплитуда ще маскира сигнал с подобна честота и по-малка амплитуда, както е показано на фигурата по-долу:
4) Ефект на маскиране във времевата област: За кратък период от време, ако се появят два звука, звукът с по-голям SPL (ниво на звуково налягане) ще маскира звука с по-малък SPL. Ефектът на маскиране във времето се разделя на маскиране напред (предварително маскиране) и маскиране назад (маскиране след). Времето след маскиране ще бъде по-дълго, около 10 пъти по-голямо от времето на предварително маскиране.
Ефектът на маскиране на времевата област помага да се премахне предварителното ехо.
4. основните средства за кодиране
1) Квантор и квантор
Квантуване и квантуване: Квантуването преобразува непрекъснат сигнал за дискретно време в дискретен сигнал за дискретно време. Общите квантователи са: еднороден квантовател, логаритмичен квантовател и неравномерен квантовател. Целта, преследвана от процеса на квантуване, е да се сведе до минимум грешката на квантуването и да се сведе до минимум сложността на квантователя (двете са сами по себе си противоречие).
(A) Унифициран квантор: най-простото, най-лошото представяне, подходящо само за телефонен глас.
(Б) Логаритмичен квантовател: Той е по-сложен от еднородния квантовател и лесен за изпълнение, а неговата ефективност е по-добра от еднородния квантовател.
(C) Неравномерен квантор: Съгласно разпределението на сигнала, проектирайте квантора. Подробно количествено определяне се извършва там, където сигналът е плътен, и грубо количествено определяне, когато сигналът е оскъден.
2) Гласов енкодер
Има три вида кодери на реч: (а) енкодер на вълновата форма; (б) Вокодер; (в) Хибриден кодер.
Кодерът на формата на вълната има за цел да изгради аналогова форма на вълната, включително фоновия шумов лист. Въздействайки върху всички входни сигнали, той ще произведе висококачествени проби и ще консумира висока битова скорост. Вокодерът няма да регенерира оригиналната форма на вълната. Този набор от енкодери ще извлече набор от параметри, които се изпращат до приемащия край, за да се извлече моделът за генериране на глас. Качеството на гласа на вокодера не е достатъчно добро. Хибриден енкодер, който включва предимствата на енкодера и звуковия сигнал.
2.1 Енкодер на вълновата форма
Дизайнът на кодиращия сигнал често е независим от сигнала. Така че е подходящ за кодиране на различни сигнали и не се ограничава до речта.
1) Кодиране във времеви домейн
а) PCM: модулацията с импулсен код е най-простият метод за кодиране. Това е само дискретизацията и квантуването на сигнала и често се използва логаритмизация.
б) DPCM: диференциална импулсна кодова модулация, която само кодира разликата между пробите. Предишната една или повече проби се използват за предсказване на текущата стойност на пробата. Колкото повече проби се използват за прогнозиране, толкова по-точна е прогнозираната стойност. Разликата между истинската стойност и предсказаната стойност се нарича остатъчна, която е обект на кодиране.
в) ADPCM: адаптивна диференциална импулсна кодова модулация, адаптивна диференциална импулсна кодова. Тоест, на базата на DPCM, кванторът и предикторът се настройват по подходящ начин според промените в сигнала, така че прогнозираната стойност е по-близка до реалния сигнал, остатъкът е по-малък и ефективността на компресията е по-висока.
(2) Кодиране на честотен домейн
Кодирането в честотна област е да се разложи сигнал в поредица от различни честотни елементи и да се извърши независимо кодиране.
а) Поддиапазонно кодиране: Подлентовото кодиране е най-простата техника на кодиране в честотен домейн. Това е технология, която преобразува оригиналния сигнал от времевия домейн в честотния домейн, след това го разделя на няколко подленти и извършва цифрово кодиране на тях съответно. Той използва група лентови филтри (BPF), за да раздели оригиналния сигнал на няколко (например m) поддиапазони (наричани поддиапазони). Прекарайте всяка подлента през модулационните характеристики, еквивалентни на амплитудната модулация на едностранна лента, преместете всяка подлента до почти нулева честота, съответно преминете през BPF (общо m) и след това прехвърлете всяка подлента с предписана скорост ( Nyquist rate) Извлича се изходният сигнал на поддиапазона, а извадковата стойност обикновено се кодира цифрово и се задават m цифрови кодери. Изпратете всеки цифров кодиран сигнал до мултиплексора и накрая изведете потока от данни с кодирана поддиапазон.
За различните подленти могат да се използват различни методи за квантуване и различен брой битове могат да бъдат разпределени към подлентите според модела за възприятие на човешкото ухо.
б) трансформиращо кодиране: DCT кодиране.
5. Вокодер
Вокодер на канала: Използва нечувствителността на човешкото ухо към фаза.
хомоморфен вокодер: може ефективно да обработва синтетични сигнали.
Форманд вокодер: По-голямата част от информацията на гласовия сигнал се намира в позицията и честотната лента на форманта.
линеен предсказуем вокодер: Най-често използваният вокодер.
6. Хибриден енкодер
Кодерът на формата на вълната се опитва да запази формата на вълната на кодирания сигнал и може да осигури висококачествена реч със средна битова скорост (32 kbps), но не може да се приложи при случаи с ниска битова скорост. Вокодерът се опитва да генерира сигнал, който е слухово подобен на кодирания сигнал и може да осигури разбираема реч с ниска скорост на предаване, но получената реч звучи неестествено. Хибридният енкодер съчетава предимствата и на двете.
ОТНОШЕНИЕ: Въз основа на линейно прогнозиране остатъкът се кодира. Механизмът е: предайте само малка част от остатъците и възстановете всички остатъци в приемащия край (копирайте остатъците от основната лента).
MPC: многоимпулсно кодиране, което премахва корелацията на остатъците и се използва за компенсиране на простата класификация на гласовете на вокодера на гласови и негласни без дефектите на междинните състояния.
CELP: линейно предсказване с възбудена кодова книга, което използва предсказване на гласови пътища и каскада от предсказващи височини за по-добро приближаване на оригиналния сигнал.
MBE: многолентово възбуждане, целта е да се избегне голям брой изчисления на CELP, за да се получи по-високо качество от вокодера.
Нашата друг продукт:
