1. Pamatjēdzieni
1) Bitu pārraides ātrums: norāda, cik bitu sekundē jāatspoguļo kodētie (saspiestie) audio dati, un vienība parasti ir kbps.
2) Skaļums un intensitāte: skaņas subjektīvie atribūti. Skaļums norāda, cik skaļi skan skaņa. Skaļums galvenokārt mainās atkarībā no skaņas intensitātes, bet to ietekmē arī frekvence. Parasti tīras vidējas frekvences skaņas ir labākas nekā tīras zemfrekvences un augstfrekvences skaņas.
3) Paraugu ņemšana un paraugu ņemšanas ātrums: Paraugu ņemšana nepārtrauktā laika signālu pārveido par diskrētu digitālo signālu. Paraugu ņemšanas ātrums attiecas uz paraugu skaitu sekundē.
Nyquist paraugu ņemšanas likums: ja paraugu ņemšanas ātrums ir lielāks vai vienāds ar nepārtrauktā signāla augstākās frekvences komponentu 2 reizes vai vienāds ar to, izlases signālu var izmantot, lai pilnīgi rekonstruētu sākotnējo nepārtraukto signālu.
2. izplatīti audio formāti
1) WAV formāts ir Microsoft izstrādāts skaņas faila formāts, ko sauc arī par viļņu skaņas failu. Tas ir agrākais digitālā audio formāts, ko plaši atbalsta Windows platforma un tās lietojumprogrammas, un tam ir zems saspiešanas līmenis.
2) MIDI ir mūzikas instrumenta digitālās saskarnes saīsinājums, kas pazīstams arī kā mūzikas instrumenta digitālais interfeiss, kas ir vienots starptautisks standarts digitālajai mūzikai / elektroniskajiem sintētiskajiem mūzikas instrumentiem. Tas nosaka veidu, kā datora mūzikas programmas, digitālie sintezatori un citas elektroniskās ierīces apmainās ar mūzikas signāliem, un nosaka datu pārraides protokolu starp kabeļiem un aparatūru un ierīcēm, kas savieno dažādu ražotāju elektroniskos mūzikas instrumentus ar datoriem, un var simulēt vairāku mūzikas skaņu instrumenti. MIDI fails ir fails MIDI formātā, un dažas komandas tiek saglabātas MIDI failā. Nosūtiet šīs instrukcijas uz skaņas karti, un skaņas karte sintezēs skaņu atbilstoši instrukcijām.
3) MP3 pilns nosaukums ir MPEG-1 Audio Layer 3, kas tika apvienots MPEG specifikācijā 1992. gadā. MP3 var saspiest digitālos audio failus ar augstu skaņas kvalitāti un zemu paraugu ņemšanas ātrumu. Visizplatītākā lietojumprogramma.
4) MP3Pro izstrādāja Zviedrijas Coding Technology Company, kas satur divas galvenās tehnoloģijas: viena ir unikālā dekodēšanas tehnoloģija no Coding Technology Company, bet otra - MP3 patentu īpašnieka Francijas Thomson Multimedia Company un vācu Fraunhofer integrācija. Dekodēšanas tehnoloģija ir kopīgi pētīta ko veic Circuit Association. MP3Pro var uzlabot oriģinālo MP3 mūzikas skaņas kvalitāti, nemainot faila lielumu. Tas var vislielākajā mērā uzturēt skaņas kvalitāti pirms saspiešanas, vienlaikus saspiežot audio failus ar mazāku bitu pārraides ātrumu.
5) MP3Pro izstrādāja Zviedrijas Coding Technology Company, kas satur divas galvenās tehnoloģijas: viena ir unikālā dekodēšanas tehnoloģija no Coding Technology Company, bet otra - MP3 patentu īpašnieka Francijas Thomson Multimedia Company un vācu Fraunhofer integrācija. Dekodēšanas tehnoloģija ir kopīgi pētīta ko veic Circuit Association. MP3Pro var uzlabot oriģinālo MP3 mūzikas skaņas kvalitāti, nemainot faila lielumu. Tas var vislielākajā mērā uzturēt skaņas kvalitāti pirms saspiešanas, vienlaikus saspiežot audio failus ar mazāku bitu pārraides ātrumu.
6) WMA (Windows Media Audio) ir Microsoft šedevrs interneta audio un video jomā. WMA formāts nodrošina lielāku saspiešanas līmeni, samazinot datu plūsmu, bet saglabājot skaņas kvalitāti. Saspiešanas pakāpe parasti var sasniegt 1:18. Turklāt WMA var arī aizsargāt autortiesības, izmantojot DRM (Digital Rights Management).
7) RealAudio ir faila formāts, kuru palaida Real Networks. Lielākā iezīme ir tā, ka tā var pārraidīt audio informāciju reāllaikā, it īpaši, ja tīkla ātrums ir lēns, tas joprojām var vienmērīgi pārsūtīt datus, tāpēc RealAudio galvenokārt ir piemērots tīkla atskaņošanai tiešsaistē. Pašreizējie RealAudio failu formāti galvenokārt ietver RA (RealAudio), RM (RealMedia, RealAudio G2), RMX (RealAudio Secured) utt. Šo failu kopība ir tāda, ka skaņas kvalitāte mainās līdz ar tīkla joslas platuma atšķirībām. Pieņemot, ka lielākā daļa cilvēku dzird vienmērīgu skaņu, klausītāji ar lielāku joslas platumu var iegūt labāku skaņas kvalitāti.
8) Audible ir četri dažādi formāti: Audible1, 2, 3, 4. Vietne Audible.com galvenokārt pārdod audio grāmatas internetā, kā arī nodrošina to pārdoto preču un failu aizsardzību, izmantojot vienu no četriem Audible.com veltītajiem audio formātiem. . Katrā formātā galvenokārt tiek ņemts vērā izmantotais audio avots un klausīšanās ierīce. 1., 2. un 3. formātā tiek izmantoti dažādi balss saspiešanas līmeņi, savukārt 4. formātā tiek izmantots mazāks paraugu ņemšanas ātrums un tā pati dekodēšanas metode kā MP3. Rezultātā iegūtā balss ir skaidrāka, un to var efektīvāk lejupielādēt no interneta. Audible izmanto savu darbvirsmas atskaņošanas rīku, kas ir Audible Manager. Izmantojot šo atskaņotāju, varat atskaņot skaņas formāta failus, kas saglabāti personālajā datorā vai pārsūtīti uz pārnēsājamo atskaņotāju.
9) AAC faktiski ir uzlabotas audio kodēšanas saīsinājums. AAC ir audio formāts, ko kopīgi izstrādājuši Fraunhofer IIS-A, Dolby un AT&T. Tā ir daļa no MPEG-2 specifikācijas. AAC izmantotais algoritms atšķiras no MP3. AAC apvieno citas funkcijas, lai uzlabotu kodēšanas efektivitāti. AAC audio algoritms saspiešanas iespējās ievērojami pārsniedz dažus iepriekšējos saspiešanas algoritmus (piemēram, MP3 utt.). Tas atbalsta arī līdz 48 audio celiņiem, 15 zemfrekvences audio celiņiem, lielāku izlases ātrumu un bitu pārraides ātrumu, daudzvalodu saderību un lielāku dekodēšanas efektivitāti. Īsāk sakot, AAC var nodrošināt labāku skaņas kvalitāti, pieņemot, ka tas ir par 30% mazāks nekā MP3 faili.
10) Ogg Vorbis ir jauns audio saspiešanas formāts, līdzīgs esošajiem mūzikas formātiem, piemēram, MP3. Bet viena atšķirība ir tā, ka tā ir pilnīgi bez maksas, atvērta un bez patentu ierobežojumiem. Vorbis ir šī audio saspiešanas mehānisma nosaukums, un Ogg ir tā projekta nosaukums, kura mērķis ir izstrādāt pilnīgi atvērtu multimediju sistēmu. VORBIS ir arī bezzudumu saspiešana, taču tā izmanto uzlabotus akustiskos modeļus, lai samazinātu zaudējumus. Tāpēc OGG, kas kodēts ar tādu pašu bitu pārraides ātrumu, izklausās labāk nekā MP3.
11) APE ir saspiests audio formāts bez zaudējumiem, pieņemot, ka skaņas kvalitāte netiek samazināta, izmērs tiek saspiests uz pusi no tradicionālā bezzudumu formāta WAV faila.
12) FLAC ir Free Lossless Audio Codec saīsinājums - plaši pazīstamu bezmaksas audio bezzudumu saspiešanas kodu kopums, kam raksturīga bezzuduma saspiešana.
3. audio kodēšanas pamatprincips
Runas kodēšana ir paredzēta pārraidei nepieciešamā kanāla joslas platuma samazināšanai, vienlaikus saglabājot ievades runas augsto kvalitāti.
Runas kodēšanas mērķis ir izstrādāt zemas sarežģītības kodētāju, lai panāktu augstas kvalitātes datu pārraidi ar zemāko iespējamo bitu pārraides ātrumu.
1) Klusuma sliekšņa līkne: slieksnis, pie kura cilvēka auss dzird skaņu dažādās frekvencēs tikai klusā vidē.
2) Kritiskās frekvenču josla
Tā kā cilvēka ausij ir atšķirīga izšķirtspēja dažādām frekvencēm, MPEG1 / Audio sadala uztveramo frekvenču diapazonu 22 kHz robežās 23 ~ 26 kritisko frekvenču joslās atbilstoši dažādiem kodēšanas slāņiem un dažādām paraugu ņemšanas frekvencēm. Šajā attēlā ir uzskaitīta ideālās kritiskās frekvenču joslas centrālā frekvence un joslas platums. Kā redzams attēlā, cilvēka ausij ir labāka zemas frekvences izšķirtspēja
3) Maskēšanas efekts frekvenču jomā: signāls ar lielāku amplitūdu maskēs signālu ar līdzīgu frekvenci un mazāku amplitūdu, kā parādīts zemāk redzamajā attēlā:
4) Maskēšanas efekts laika apgabalā: Ja parādās divas skaņas, īsā laika posmā skaņa ar lielāku SPL (skaņas spiediena līmenis) maskē skaņu ar mazāku SPL. Laika domēna maskēšanas efekts tiek sadalīts maskēšanā uz priekšu (iepriekšēja maskēšana) un aizmugurējā maskēšanā (pēc maskēšanas). Pēc maskēšanas laiks būs garāks, apmēram 10 reizes lielāks nekā iepriekšējais maskējums.
Laika domēna maskēšanas efekts palīdz novērst iepriekšējo atbalsi.
4. kodēšanas pamatlīdzekļi
1) Kvanteris un kvantators
Kvantēšana un kvantēšana: Kvantēšana pārveido nepārtrauktu signālu diskrētā laikā par diskrētu signālu diskrētā laikā. Parasti kvantatori ir: vienveidīgs kvantizators, logaritmiskais kvantators un nevienmērīgs kvanteris. Kvantēšanas procesa mērķis ir līdz minimumam samazināt kvantēšanas kļūdu un līdz minimumam samazināt kvantatora sarežģītību (abi paši par sevi ir pretrunā).
(A) Vienveidīgs kvantētājs: vienkāršākais, sliktākais sniegums, piemērots tikai tālruņa balss.
(B) Logaritmiskais kvanteris: tas ir sarežģītāk nekā vienots kvantētājs un viegli īstenojams, un tā veiktspēja ir labāka par vienotu kvantatoru.
(C) nevienmērīgs kvanteris: noformējiet kvantatoru atbilstoši signāla sadalījumam. Detalizētu kvantifikāciju veic vietās, kur signāls ir blīvs, un aptuvenu kvantifikāciju veic vietās, kur signāls ir maz.
2) Balss kodētājs
Ir trīs veidu runas kodētāji: (a) viļņu kodētājs; b) vokoders; c) hibrīda kodētājs.
Viļņu kodētāja mērķis ir konstruēt analogo viļņu formu, ieskaitot fona trokšņa lapu. Darbojoties uz visiem ieejas signāliem, tas radīs augstas kvalitātes paraugus un patērēs lielu bitu pārraides ātrumu. Vokoders neatjaunos sākotnējo viļņu formu. Šis kodētāju komplekts iegūs parametru kopumu, kas tiek nosūtīts uz saņēmēju, lai iegūtu balss ģenerēšanas modeli. Vokodera balss kvalitāte nav pietiekami laba. Hibrīda kodētājs, kas ietver viļņu kodētāja un skaņas signāla priekšrocības.
2.1 Viļņu kodētājs
Viļņu kodētāja konstrukcija bieži ir neatkarīga no signāla. Tātad tas ir piemērots dažādu signālu kodēšanai un neaprobežojas tikai ar runu.
1) Laika domēna kodēšana
a) PCM: impulsa koda modulācija ir vienkāršākā kodēšanas metode. Tā ir tikai signāla diskretizācija un kvantēšana, un bieži tiek izmantota logaritmizācija.
b) DPCM: diferenciālā impulsa koda modulācija, kas kodē tikai atšķirību starp paraugiem. Iepriekšējais viens vai vairāki paraugi tiek izmantoti pašreizējās izlases vērtības prognozēšanai. Jo vairāk paraugu tiek izmantots prognozēšanai, jo precīzāka ir paredzamā vērtība. Atšķirību starp patieso vērtību un paredzamo vērtību sauc par atlikumu, kas ir kodēšanas objekts.
c) ADPCM: adaptīvā diferenciālā impulsa koda modulācija, adaptīvā diferenciālā impulsa kods. Tas ir, pamatojoties uz DPCM, kvantators un prognozētājs tiek atbilstoši noregulēti atbilstoši signāla izmaiņām, lai paredzētā vērtība būtu tuvāk reālajam signālam, atlikusī ir mazāka un saspiešanas efektivitāte ir augstāka.
(2) Frekvenču domēna kodēšana
Frekvenču domēna kodēšana ir signāla sadalīšana dažādu frekvenču elementu virknē un neatkarīga kodēšana.
a) Apakšjoslas kodēšana: Apakšjoslas kodēšana ir vienkāršākā frekvenču domēna kodēšanas tehnika. Tā ir tehnoloģija, kas pārveido sākotnējo signālu no laika domēna uz frekvences domēnu, pēc tam to sadala vairākās apakšjoslās un attiecīgi veic to digitālo kodēšanu. Tas izmanto joslas caurlaides filtru (BPF) grupu, lai sākotnējo signālu sadalītu vairākās (piemēram, m) apakšjoslās (turpmāk tekstā - apakšjoslas). Katru apakšjoslu izlaiž caur modulācijas raksturlielumiem, kas ir līdzvērtīgi vienas sānu joslas amplitūdas modulācijai, pārvietojiet katru apakšjoslu gandrīz līdz nullei, attiecīgi pārejiet caur BPF (kopā m) un pēc tam katru apakšjoslu pārsūtiet ar noteikto ātrumu ( Nyquist rate) Apakšjoslas izejas signāls tiek atlasīts, un izlases vērtība parasti tiek kodēta digitāli, un tiek iestatīti m digitālie kodētāji. Nosūtiet katru ciparu kodēto signālu multiplekserim un visbeidzot izvadiet apakšjoslas kodēto datu plūsmu.
Dažādām apakšjoslām var izmantot dažādas kvantēšanas metodes, un apakšjoslām var piešķirt atšķirīgu bitu skaitu atbilstoši cilvēka auss uztveres modelim.
b) transformācijas kodēšana: DCT kodēšana.
5. Vokoders
Kanāla vokoders: izmanto cilvēka auss nejutīgumu līdz fāzei.
homomorfais vokoders: var efektīvi apstrādāt sintētiskos signālus.
Bijušais vokoders: lielākā daļa balss signāla informācijas atrodas formanta pozīcijā un joslas platumā.
lineārais prediktīvais vokoders: visbiežāk izmantotais vokoders.
6. Hibrīda kodētājs
Viļņu formas kodētājs mēģina saglabāt kodētā signāla viļņu formu un var nodrošināt augstas kvalitātes runu ar vidēju bitu pārraides ātrumu (32 kbps), taču to nevar pielietot zemu bitu pārraides ātruma gadījumos. Vokoders mēģina ģenerēt signālu, kas ir fonētiski līdzīgs kodētajam signālam, un ar zemu bitu pārraides ātrumu var nodrošināt saprotamu runu, bet rezultātā radusies runa izklausās nedabiski. Hibrīda kodētājs apvieno abu priekšrocības.
RELP: pamatojoties uz lineāru prognozi, atlikums tiek kodēts. Mehānisms ir šāds: nododiet tikai nelielu daļu atlikumu un rekonstruējiet visus atlikumus saņēmēja galā (kopējiet pamatjoslas atlikumus).
MPC: vairāku impulsu kodēšana, kas novērš atlikumu korelāciju, un tiek izmantota, lai kompensētu vokodera vienkāršo balsu klasifikāciju balsīs un bez balsīm bez starpstāvokļu defektiem.
CELP: kodeksa radīta lineārā prognozēšana, kurā tiek izmantota balss trakta prognozēšana un piķa prognozētāja kaskāde, lai labāk tuvinātu sākotnējo signālu.
MBE: daudzjoslu ierosme, kuras mērķis ir izvairīties no liela skaita CELP aprēķinu, lai iegūtu augstāku kvalitāti nekā vokoders.
citu mūsu produktu:
