1. Βασικές έννοιες
1) Ρυθμός bit: δείχνει πόσα bit ανά δευτερόλεπτο πρέπει να αναπαριστώνται τα κωδικοποιημένα (συμπιεσμένα) δεδομένα ήχου και η μονάδα είναι συνήθως kbps.
2) Δυνατότητα και ένταση: Τα υποκειμενικά χαρακτηριστικά ενός ήχου. Η ένταση δείχνει πόσο δυνατός ακούγεται ένας ήχος. Η ένταση ποικίλλει κυρίως με την ένταση του ήχου, αλλά επηρεάζεται επίσης από τη συχνότητα. Σε γενικές γραμμές, οι καθαροί ήχοι μέσης συχνότητας είναι καλύτεροι από τους καθαρούς ήχους χαμηλής συχνότητας και υψηλής συχνότητας.
3) Ρυθμός δειγματοληψίας και δειγματοληψίας: Η δειγματοληψία είναι η μετατροπή ενός συνεχούς σήματος χρόνου σε ένα διακριτό ψηφιακό σήμα. Ο ρυθμός δειγματοληψίας αναφέρεται σε πόσα δείγματα συλλέγονται ανά δευτερόλεπτο.
Νόμος δειγματοληψίας Nyquist: Όταν ο ρυθμός δειγματοληψίας είναι μεγαλύτερος ή ίσος με 2 φορές το υψηλότερο στοιχείο συχνότητας του συνεχούς σήματος, το σήμα δειγματοληψίας μπορεί να χρησιμοποιηθεί για την τέλεια ανακατασκευή του αρχικού συνεχούς σήματος.
2. κοινές μορφές ήχου
1) Η μορφή WAV είναι μια μορφή αρχείου ήχου που αναπτύχθηκε από τη Microsoft, που ονομάζεται επίσης αρχείο ήχου κύματος. Είναι η πρώτη ψηφιακή μορφή ήχου, που υποστηρίζεται ευρέως από την πλατφόρμα των Windows και τις εφαρμογές της, και έχει χαμηλό ρυθμό συμπίεσης.
2) Το MIDI είναι η συντομογραφία της Ψηφιακής Διασύνδεσης Μουσικών Οργάνων, επίσης γνωστή ως Ψηφιακή Διασύνδεση Μουσικών Οργάνων, η οποία είναι ένα ενοποιημένο διεθνές πρότυπο για ψηφιακή μουσική / ηλεκτρονικά συνθετικά μουσικά όργανα. Καθορίζει τον τρόπο με τον οποίο τα προγράμματα μουσικής υπολογιστών, οι ψηφιακοί συνθέτες και άλλες ηλεκτρονικές συσκευές ανταλλάσσουν μουσικά σήματα και καθορίζει το πρωτόκολλο μετάδοσης δεδομένων μεταξύ καλωδίων και υλικού και συσκευών που συνδέουν ηλεκτρονικά μουσικά όργανα από διαφορετικούς κατασκευαστές σε υπολογιστές και μπορεί να προσομοιώσει τον ήχο πολλαπλών μουσικών όργανα. Ένα αρχείο MIDI είναι ένα αρχείο σε μορφή MIDI και ορισμένες εντολές αποθηκεύονται στο αρχείο MIDI. Στείλτε αυτές τις οδηγίες στην κάρτα ήχου και η κάρτα ήχου θα συνθέσει τον ήχο σύμφωνα με τις οδηγίες.
3) Το πλήρες όνομα του MP3 είναι MPEG-1 Audio Layer 3, το οποίο συγχωνεύτηκε με τις προδιαγραφές MPEG το 1992. Το MP3 μπορεί να συμπιέσει ψηφιακά αρχεία ήχου με υψηλή ποιότητα ήχου και χαμηλό ρυθμό δειγματοληψίας. Η πιο κοινή εφαρμογή.
4) Το MP3Pro αναπτύχθηκε από τη Σουηδική Εταιρεία Τεχνολογίας Κωδικοποίησης, η οποία περιέχει δύο κύριες τεχνολογίες: η μία είναι η μοναδική τεχνολογία αποκωδικοποίησης από την Coding Technology Company και η άλλη είναι η ενσωμάτωση του κατόχου διπλωμάτων ευρεσιτεχνίας MP3 French Thomson Multimedia Company και της Γερμανίας Fraunhofer από το Circuit Association. Το MP3Pro μπορεί να βελτιώσει την αρχική ποιότητα ήχου μουσικής MP3 χωρίς να αλλάξει βασικά το μέγεθος του αρχείου. Μπορεί να διατηρήσει την ποιότητα του ήχου πριν από τη συμπίεση στο μεγαλύτερο βαθμό, ενώ συμπιέζει αρχεία ήχου με χαμηλότερο ρυθμό bit.
5) Το MP3Pro αναπτύχθηκε από τη Σουηδική Εταιρεία Τεχνολογίας Κωδικοποίησης, η οποία περιέχει δύο κύριες τεχνολογίες: η μία είναι η μοναδική τεχνολογία αποκωδικοποίησης από την Coding Technology Company και η άλλη είναι η ενσωμάτωση του κατόχου διπλωμάτων ευρεσιτεχνίας MP3 French Thomson Multimedia Company και της Γερμανίας Fraunhofer από το Circuit Association. Το MP3Pro μπορεί να βελτιώσει την αρχική ποιότητα ήχου μουσικής MP3 χωρίς να αλλάξει βασικά το μέγεθος του αρχείου. Μπορεί να διατηρήσει την ποιότητα του ήχου πριν από τη συμπίεση στο μεγαλύτερο βαθμό, ενώ συμπιέζει αρχεία ήχου με χαμηλότερο ρυθμό bit.
6) Το WMA (Windows Media Audio) είναι το αριστούργημα της Microsoft στον τομέα του Διαδικτύου ήχου και βίντεο. Η μορφή WMA επιτυγχάνει υψηλότερο ρυθμό συμπίεσης μειώνοντας την κυκλοφορία δεδομένων αλλά διατηρώντας την ποιότητα του ήχου. Ο ρυθμός συμπίεσης μπορεί γενικά να φτάσει στο 1:18. Επιπλέον, το WMA μπορεί επίσης να προστατεύσει τα πνευματικά δικαιώματα μέσω DRM (Digital Rights Management).
7) Το RealAudio είναι μια μορφή αρχείου που ξεκίνησε από τα Real Networks. Το μεγαλύτερο χαρακτηριστικό είναι ότι μπορεί να μεταδώσει πληροφορίες ήχου σε πραγματικό χρόνο, ειδικά όταν η ταχύτητα του δικτύου είναι αργή, μπορεί ακόμα να μεταφέρει δεδομένα ομαλά, έτσι το RealAudio είναι κυρίως κατάλληλο για το δίκτυο Play on on. Οι τρέχουσες μορφές αρχείων RealAudio περιλαμβάνουν κυρίως RA (RealAudio), RM (RealMedia, RealAudio G2), RMX (RealAudio Secured), κλπ. Η ομοιότητα αυτών των αρχείων είναι ότι η ποιότητα του ήχου αλλάζει με τη διαφορά στο εύρος ζώνης δικτύου. Υπό την προϋπόθεση ότι οι περισσότεροι άνθρωποι ακούνε απαλό ήχο, οι ακροατές με μεγαλύτερο εύρος ζώνης μπορούν να έχουν καλύτερη ποιότητα ήχου.
8) Το Audible έχει τέσσερις διαφορετικές μορφές: Audible1, 2, 3, 4. Ο ιστότοπος Audible.com πωλεί κυρίως ακουστικά βιβλία στο Διαδίκτυο και παρέχει προστασία για τα αγαθά και τα αρχεία που πωλούν μέσω μιας από τις τέσσερις ειδικές μορφές ήχου Audible.com . Κάθε μορφή λαμβάνει κυρίως υπόψη την πηγή ήχου και τη συσκευή ακρόασης που χρησιμοποιείται. Οι μορφές 1, 2 και 3 χρησιμοποιούν διαφορετικά επίπεδα συμπίεσης φωνής, ενώ η μορφή 4 χρησιμοποιεί χαμηλότερο ρυθμό δειγματοληψίας και την ίδια μέθοδο αποκωδικοποίησης με το MP3. Η φωνή που προκύπτει είναι πιο καθαρή και μπορεί να ληφθεί πιο αποτελεσματικά από το Διαδίκτυο. Το Audible χρησιμοποιεί το δικό του εργαλείο αναπαραγωγής επιφάνειας εργασίας, το οποίο είναι το Audible Manager. Με αυτήν τη συσκευή αναπαραγωγής, μπορείτε να αναπαράγετε αρχεία ηχητικής μορφής που είναι αποθηκευμένα σε υπολογιστή ή μεταφέρονται σε φορητή συσκευή αναπαραγωγής.
9) Το AAC είναι στην πραγματικότητα συντομογραφία για την προηγμένη κωδικοποίηση ήχου. Το AAC είναι μια μορφή ήχου που αναπτύχθηκε από κοινού από τους Fraunhofer IIS-A, Dolby και AT&T. Είναι μέρος της προδιαγραφής MPEG-2. Ο αλγόριθμος που χρησιμοποιείται από το AAC είναι διαφορετικός από αυτόν του MP3. Το AAC συνδυάζει άλλες λειτουργίες για τη βελτίωση της απόδοσης κωδικοποίησης. Ο αλγόριθμος ήχου της AAC υπερβαίνει κατά πολύ κάποιους προηγούμενους αλγόριθμους συμπίεσης (όπως MP3 κ.λπ.) στις δυνατότητες συμπίεσης. Υποστηρίζει επίσης έως και 48 κομμάτια ήχου, 15 κομμάτια ήχου χαμηλής συχνότητας, περισσότερους ρυθμούς δειγμάτων και ρυθμούς bit, συμβατότητα πολλαπλών γλωσσών και υψηλότερη απόδοση αποκωδικοποίησης. Εν ολίγοις, το AAC μπορεί να προσφέρει καλύτερη ποιότητα ήχου υπό την προϋπόθεση ότι είναι 30% μικρότερο από τα αρχεία MP3.
10) Το Ogg Vorbis είναι μια νέα μορφή συμπίεσης ήχου, παρόμοια με τις υπάρχουσες μορφές μουσικής όπως το MP3. Αλλά μια διαφορά είναι ότι είναι εντελώς δωρεάν, ανοιχτό και χωρίς περιορισμούς διπλωμάτων ευρεσιτεχνίας. Το Vorbis είναι το όνομα αυτού του μηχανισμού συμπίεσης ήχου και το Ogg είναι το όνομα ενός έργου που σκοπεύει να σχεδιάσει ένα πλήρως ανοιχτό σύστημα πολυμέσων. Το VORBIS είναι επίσης απώλεια συμπίεσης, αλλά χρησιμοποιεί πιο προηγμένα ακουστικά μοντέλα για τη μείωση της απώλειας. Επομένως, η κωδικοποίηση OGG με τον ίδιο ρυθμό bit ακούγεται καλύτερα από το MP3.
11) Το APE είναι μια μορφή συμπιεσμένου ήχου χωρίς απώλειες, υπό την προϋπόθεση ότι η ποιότητα του ήχου δεν μειώνεται, το μέγεθος συμπιέζεται στο ήμισυ του παραδοσιακού αρχείου WAV χωρίς απώλειες.
12) Το FLAC είναι η συντομογραφία του Free Lossless Audio Codec, ένα σύνολο γνωστών κωδικών συμπίεσης χωρίς ήχο χωρίς ήχο, το οποίο χαρακτηρίζεται από συμπίεση χωρίς απώλειες.
3. η βασική αρχή της κωδικοποίησης ήχου
Η κωδικοποίηση ομιλίας είναι αφιερωμένη στη μείωση του εύρους ζώνης του καναλιού που απαιτείται για τη μετάδοση, διατηρώντας παράλληλα την υψηλή ποιότητα της ομιλίας εισόδου.
Ο στόχος της κωδικοποίησης ομιλίας είναι ο σχεδιασμός κωδικοποιητή χαμηλής πολυπλοκότητας για την επίτευξη υψηλής ποιότητας μετάδοσης δεδομένων με τον χαμηλότερο δυνατό ρυθμό bit.
1) Σίγαση καμπύλης κατωφλίου: Το κατώφλι στο οποίο το ανθρώπινο αυτί μπορεί να ακούσει ήχο σε διάφορες συχνότητες μόνο σε ένα ήσυχο περιβάλλον.
2) Κρίσιμη ζώνη συχνοτήτων
Επειδή το ανθρώπινο αυτί έχει διαφορετικές αναλύσεις για διαφορετικές συχνότητες, το MPEG1 / Audio διαιρεί το αισθητό εύρος συχνοτήτων εντός 22khz σε 23 ~ 26 κρίσιμες ζώνες συχνοτήτων σύμφωνα με διαφορετικά στρώματα κωδικοποίησης και διαφορετικές συχνότητες δειγματοληψίας. Το παρακάτω σχήμα παραθέτει την κεντρική συχνότητα και το εύρος ζώνης της ιδανικής ζώνης κρίσιμης συχνότητας. Όπως φαίνεται στο σχήμα, το ανθρώπινο αυτί έχει καλύτερη ανάλυση χαμηλής συχνότητας
3) Επίδραση κάλυψης στον τομέα συχνότητας: Ένα σήμα με μεγαλύτερο πλάτος θα καλύψει ένα σήμα με παρόμοια συχνότητα και μικρότερο πλάτος, όπως φαίνεται στο παρακάτω σχήμα:
4) Εφέ κάλυψης στον τομέα του χρόνου: Σε σύντομο χρονικό διάστημα, εάν εμφανιστούν δύο ήχοι, ο ήχος με μεγαλύτερο SPL (επίπεδο ηχητικής πίεσης) θα καλύψει τον ήχο με μικρότερο SPL. Το εφέ κάλυψης χρονικού τομέα χωρίζεται σε εμπρόσθια κάλυψη (προ-κάλυψη) και πίσω κάλυψη (μετά την κάλυψη). Ο χρόνος μετά την απόκρυψη θα είναι μεγαλύτερος, περίπου 10 φορές ο χρόνος της προ-κάλυψης.
Το εφέ κάλυψης τομέα-χρόνου βοηθά στην εξάλειψη της προ-ηχώ.
4. τα βασικά μέσα κωδικοποίησης
1) Quantizer και quantizer
Ποσοτικοποίηση και ποσοτικοποίηση: Ο ποσοτικοποίηση μετατρέπει ένα συνεχές σήμα σε διακριτό χρόνο σε ένα διακριτό σήμα σε διακριτό χρόνο. Οι συνήθεις κβαντοποιητές είναι: ομοιόμορφος κβαντιστής, λογαριθμικός κβαντιστής και μη ομοιόμορφος κβαντιστής. Ο στόχος που επιδιώκεται από τη διαδικασία κβαντοποίησης είναι να ελαχιστοποιηθεί το σφάλμα κβαντοποίησης και να ελαχιστοποιηθεί η πολυπλοκότητα του κβαντιστή (τα δύο είναι από μόνα τους μια αντίφαση).
(Α) Ομοιόμορφος κβαντιστής: η απλούστερη, η χειρότερη απόδοση, κατάλληλη μόνο για τηλεφωνική φωνή.
(Β) Λογαριθμικός κβαντιστής: Είναι πιο περίπλοκος από τον ομοιόμορφο κβαντιστή και είναι εύκολο να εφαρμοστεί και η απόδοσή του είναι καλύτερη από τον ομοιόμορφο κβαντιστή.
(C) Μη ομοιόμορφος κβαντιστής: Σύμφωνα με την κατανομή του σήματος, σχεδιάστε τον κβαντιστή. Η λεπτομερής ποσοτικοποίηση πραγματοποιείται όταν το σήμα είναι πυκνό και η τραχιά ποσοτικοποίηση πραγματοποιείται όταν το σήμα είναι αραιό.
2) Κωδικοποιητής φωνής
Υπάρχουν τρεις τύποι κωδικοποιητών ομιλίας: (α) Κωδικοποιητής κυματομορφής. (β) Κωδικοποιητής. (γ) Υβριδικός κωδικοποιητής.
Ο κωδικοποιητής κυματομορφής στοχεύει στην κατασκευή μιας αναλογικής κυματομορφής που περιλαμβάνει το φύλλο θορύβου φόντου. Ενεργώντας σε όλα τα σήματα εισόδου, θα παράγει δείγματα υψηλής ποιότητας και θα καταναλώνει υψηλό ρυθμό bit. Ο κωδικοποιητής δεν θα αναδημιουργήσει την αρχική κυματομορφή. Αυτό το σύνολο κωδικοποιητών θα εξαγάγει ένα σύνολο παραμέτρων, οι οποίες αποστέλλονται στο τέλος λήψης για να αντλήσουν το μοντέλο παραγωγής φωνής. Η ποιότητα φωνής του κωδικοποιητή δεν είναι αρκετά καλή. Υβριδικός κωδικοποιητής, ο οποίος ενσωματώνει τα πλεονεκτήματα του κωδικοποιητή κυματομορφής και του sounder.
2.1 Κωδικοποιητής κυματομορφής
Ο σχεδιασμός του κωδικοποιητή κυματομορφής είναι συχνά ανεξάρτητος από το σήμα. Επομένως, είναι κατάλληλο για την κωδικοποίηση διαφόρων σημάτων και δεν περιορίζεται στην ομιλία.
1) Κωδικοποίηση τομέα χρόνου
α) PCM: διαμόρφωση κωδικού παλμού, είναι η απλούστερη μέθοδος κωδικοποίησης. Είναι μόνο η διακριτοποίηση και η κβαντοποίηση του σήματος και συχνά χρησιμοποιείται ο λογαριθμοποίηση.
b) DPCM: διαφορική διαμόρφωση κωδικού παλμού, η οποία κωδικοποιεί μόνο τη διαφορά μεταξύ των δειγμάτων. Το προηγούμενο ένα ή περισσότερα δείγματα χρησιμοποιούνται για την πρόβλεψη της τρέχουσας τιμής δείγματος. Όσο περισσότερα δείγματα χρησιμοποιούνται για την πραγματοποίηση προβλέψεων, τόσο ακριβέστερη είναι η προβλεπόμενη τιμή. Η διαφορά μεταξύ της πραγματικής τιμής και της προβλεπόμενης τιμής ονομάζεται υπολειμματική, η οποία είναι το αντικείμενο κωδικοποίησης.
c) ADPCM: προσαρμοστική διαφορική διαμόρφωση παλμού, προσαρμοστικός διαφορικός παλμός. Δηλαδή, βάσει του DPCM, ο κβαντιστής και ο προβλεπόμενος ρυθμίζονται κατάλληλα σύμφωνα με τις αλλαγές του σήματος, έτσι ώστε η προβλεπόμενη τιμή να είναι πιο κοντά στο πραγματικό σήμα, το υπόλοιπο είναι μικρότερο και η απόδοση συμπίεσης είναι υψηλότερη.
(2) Κωδικοποίηση τομέα συχνότητας
Η κωδικοποίηση τομέα συχνότητας είναι η αποσύνθεση ενός σήματος σε μια σειρά διαφορετικών στοιχείων συχνότητας και η εκτέλεση ανεξάρτητης κωδικοποίησης.
α) Κωδικοποίηση υποζώνης: Η κωδικοποίηση υποζώνης είναι η απλούστερη τεχνική κωδικοποίησης τομέα συχνότητας. Είναι μια τεχνολογία που μετατρέπει το αρχικό σήμα από τον τομέα του χρόνου στον τομέα της συχνότητας, στη συνέχεια το διαιρεί σε διάφορες υποζώνες και εκτελεί ψηφιακή κωδικοποίηση σε αυτές αντίστοιχα. Χρησιμοποιεί μια ομάδα φίλτρου διέλευσης ζώνης (BPF) για να διαιρέσει το αρχικό σήμα σε πολλές (για παράδειγμα, m) υπο-ζώνες (αναφέρονται ως υπο-ζώνες). Περάστε κάθε υποζώνη μέσω των χαρακτηριστικών διαμόρφωσης που ισοδυναμούν με διαμόρφωση πλάτους μιας πλευρικής ζώνης, μετακινήστε κάθε υποζώνη σε σχεδόν μηδενική συχνότητα, περάστε αντίστοιχα μέσω του BPF (σύνολο m) και μετά μεταφέρετε κάθε υποζώνη με καθορισμένο ρυθμό ( Ρυθμός Nyquist) Δείγμα δείγματος εξόδου υποζώνης και η τιμή δειγματοληψίας συνήθως κωδικοποιείται ψηφιακά και ορίζονται ψηφιακοί κωδικοποιητές. Στείλτε κάθε ψηφιακό κωδικοποιημένο σήμα στον πολυπλέκτη και τέλος εξάγετε την κωδικοποιημένη ροή δεδομένων υποζώνης.
Για διαφορετικές υποζώνες, μπορούν να χρησιμοποιηθούν διαφορετικές μέθοδοι ποσοτικοποίησης και διαφορετικοί αριθμοί δυαδικών ψηφίων μπορούν να κατανέμονται στις υποζώνες σύμφωνα με το μοντέλο αντίληψης του ανθρώπινου αυτιού.
β) κωδικοποίηση μετασχηματισμού: κωδικοποίηση DCT.
5. Ψηφοφόρος
Κωδικοποιητής καναλιού: Χρησιμοποιεί τη μη ευαισθησία του ανθρώπινου αυτιού στη φάση.
ομομορφικό φωνοκωδικοποιητή: μπορεί να επεξεργαστεί αποτελεσματικά συνθετικά σήματα.
Formant vocoder: Οι περισσότερες από τις πληροφορίες του φωνητικού σήματος βρίσκονται στη θέση και το εύρος ζώνης του formant.
γραμμικό προγνωστικό φωνοκωδικοποιητή: Το πιο συχνά χρησιμοποιούμενο φωνοκωδικοποιητή.
6. Υβριδικός κωδικοποιητής
Ο κωδικοποιητής κυματομορφής προσπαθεί να διατηρήσει τη κυματομορφή του κωδικοποιημένου σήματος και μπορεί να παρέχει ομιλία υψηλής ποιότητας με μεσαίο ρυθμό bit (32 kbps), αλλά δεν μπορεί να εφαρμοστεί σε περιπτώσεις χαμηλού ρυθμού bit. Ο κωδικοποιητής προσπαθεί να δημιουργήσει ένα σήμα που είναι ακουστικά παρόμοιο με το κωδικοποιημένο σήμα και μπορεί να παρέχει κατανοητή ομιλία με χαμηλό ρυθμό bit, αλλά η προκύπτουσα ομιλία ακούγεται αφύσικη. Ο υβριδικός κωδικοποιητής συνδυάζει τα πλεονεκτήματα και των δύο.
RELP: Με βάση τη γραμμική πρόβλεψη, το υπόλοιπο κωδικοποιείται. Ο μηχανισμός είναι: μεταδίδει μόνο ένα μικρό μέρος των υπολειμμάτων και ανακατασκευάζει όλα τα υπολείμματα στο άκρο λήψης (αντιγράψτε τα υπολείμματα της ζώνης βάσης).
MPC: κωδικοποίηση πολλαπλών παλμών, η οποία αφαιρεί τη συσχέτιση των υπολειμμάτων και χρησιμοποιείται για την αντιστάθμιση της απλής ταξινόμησης των φωνών του φωνητικού σε φωνητικές και μη φωνητικές χωρίς τα ελαττώματα των ενδιάμεσων καταστάσεων.
CELP: γραμμική πρόβλεψη ενθουσιασμένου βιβλίου κωδικών, η οποία χρησιμοποιεί την πρόβλεψη φωνητικής οδού και τον καταρράκτη του προγνωστικού βήματος για καλύτερη προσέγγιση του αρχικού σήματος.
MBE: διέγερση πολλαπλών ζωνών, ο σκοπός είναι να αποφευχθεί ένας μεγάλος αριθμός υπολογισμών CELP, για να επιτευχθεί υψηλότερη ποιότητα από το φωνοκωδικοποιητή.
άλλο προϊόν μας:
