1. Pangunahing konsepto
1) Bit rate: ipinapahiwatig kung gaano karaming mga piraso bawat segundo ang naka-encode (naka-compress) na data ng audio na kailangang kinatawan, at ang unit ay karaniwang kbps.
2) Loudness at intensity: Ang mga subhetibong katangian ng isang tunog. Isinasaad ng katahimikan kung gaano kalakas ang tunog ng tunog. Pangunahing nagbabago ang lakas sa tindi ng tunog, ngunit apektado rin ito ng dalas. Sa pangkalahatan, ang mga dalisay na tunog ng mid-frequency ay mas mahusay kaysa sa purong mababang-dalas at mataas na dalas na mga tunog.
3) Sampling at rate ng pag-sample: Ang pag-sample ay upang ibahin ang anyo ng isang tuluy-tuloy na signal ng oras sa isang discrete digital signal. Ang rate ng sampling ay tumutukoy sa kung gaano karaming mga sample ang nakolekta bawat segundo.
Batas sa sampling ng Nyquist: Kapag ang rate ng sampling ay mas malaki sa o katumbas ng 2 beses sa pinakamataas na bahagi ng dalas ng tuluy-tuloy na signal, maaaring magamit ang sample na signal upang ganap na maitaguyod muli ang orihinal na tuluy-tuloy na signal.
2. karaniwang mga format ng audio
1) Ang format ng WAV ay isang format ng file ng tunog na binuo ng Microsoft, na tinatawag ding wave sound file. Ito ang pinakamaagang digital audio format, malawak na sinusuportahan ng platform ng Windows at mga application nito, at may mababang rate ng compression.
2) Ang MIDI ay ang pagpapaikli ng Musical Instrument Digital Interface, na kilala rin bilang Musical Instrument Digital Interface, na isang pinag-isang pamantayan sa internasyonal para sa digital music / electronic synthetic musical instrumento. Tinutukoy nito ang paraan ng mga programa ng musika sa computer, mga digital synthesizer, at iba pang mga elektronikong aparato na nagpapalitan ng mga signal ng musika, at tinutukoy ang data transmission protocol sa pagitan ng mga cable at hardware at mga aparato na kumokonekta sa mga elektronikong instrumento sa musika mula sa iba't ibang mga tagagawa sa mga computer, at maaaring gayahin ang tunog ng maraming musikal mga instrumento. Ang isang MIDI file ay isang file sa format na MIDI, at ang ilang mga utos ay nakaimbak sa MIDI file. Ipadala ang mga tagubiling ito sa sound card, at isasabay ng sound card ang tunog ayon sa mga tagubilin.
3) Ang buong pangalan ng MP3 ay MPEG-1 Audio Layer 3, na isinama sa pagtutukoy ng MPEG noong 1992. Maaaring i-compress ng MP3 ang mga digital audio file na may mataas na kalidad ng tunog at mababang rate ng pag-sample. Ang pinaka-karaniwang application.
4) Ang MP3Pro ay binuo ng Suweko Coding Technology Company, na naglalaman ng dalawang pangunahing teknolohiya: ang isa ay ang natatanging teknolohiya ng pagde-decode mula sa Coding Technology Company, at ang isa pa ay ang pagsasama ng MP3 na may hawak ng patent na French Thomson Multimedia Company at German Fraunhofer Isang decoding na teknolohiya na magkasamang sinaliksik ng Circuit Association. Maaaring mapabuti ng MP3Pro ang orihinal na kalidad ng tunog ng musika ng MP3 nang hindi binabago ang laki ng file. Maaari itong mapanatili ang kalidad ng tunog bago ang pag-compress sa pinakamalaking sukat habang pinipiga ang mga audio file sa isang mas mababang rate ng bit.
5) Ang MP3Pro ay binuo ng Suweko Coding Technology Company, na naglalaman ng dalawang pangunahing teknolohiya: ang isa ay ang natatanging teknolohiya ng pagde-decode mula sa Coding Technology Company, at ang isa pa ay ang pagsasama ng MP3 na may hawak ng patent na French Thomson Multimedia Company at German Fraunhofer Isang decoding na teknolohiya na magkasamang sinaliksik ng Circuit Association. Maaaring mapabuti ng MP3Pro ang orihinal na kalidad ng tunog ng musika ng MP3 nang hindi binabago ang laki ng file. Maaari itong mapanatili ang kalidad ng tunog bago ang pag-compress sa pinakamalaking sukat habang pinipiga ang mga audio file sa isang mas mababang rate ng bit.
6) Ang WMA (Windows Media Audio) ay obra maestra ng Microsoft sa larangan ng audio at video sa Internet. Nakakamit ng format na WMA ang isang mas mataas na rate ng compression sa pamamagitan ng pagbawas ng trapiko ng data ngunit pinapanatili ang kalidad ng tunog. Ang rate ng compression ay maaaring umabot sa 1:18. Bilang karagdagan, mapoprotektahan din ng WMA ang copyright sa pamamagitan ng DRM (Digital Rights Management).
7) Ang RealAudio ay isang format ng file na inilunsad ng Real Networks. Ang pinakamalaking tampok ay maaari itong magpadala ng impormasyon sa audio nang real time, lalo na kung mabagal ang bilis ng network, maaari pa rin itong magpadala ng data nang maayos, kaya't ang RealAudio ay pangunahing angkop para sa network Play online on. Ang kasalukuyang mga format ng RealAudio file na pangunahing kasama ang RA (RealAudio), RM (RealMedia, RealAudio G2), RMX (RealAudio Secured), atbp Ang pagkakapareho ng mga file na ito ay ang kalidad ng tunog na nagbabago sa pagkakaiba-iba sa bandwidth ng network. Sa ilalim ng saligan na maririnig ng karamihan sa mga tao ang makinis na tunog, ang mga tagapakinig na may isang mas malawak na bandwidth ay maaaring makakuha ng mas mahusay na kalidad ng tunog.
8) Ang naririnig ay mayroong apat na magkakaibang format: Audible1, 2, 3, 4. Pangunahin na nagbebenta ang audio ng Audible.com na mga libro sa audio sa Internet, at nagbibigay ng proteksyon para sa mga kalakal at file na ibinebenta nila sa pamamagitan ng isa sa apat na nakatuon na audio format ng Audible.com . Pangunahing isinasaalang-alang ng bawat format ang audio source at ginagamit ang aparato sa pakikinig. Ang mga format na 1, 2 at 3 ay gumagamit ng iba't ibang mga antas ng compression ng boses, habang ang format 4 ay gumagamit ng isang mas mababang rate ng pag-sample at ang parehong pamamaraan ng pag-decode bilang MP3. Ang nagresultang boses ay mas malinaw at maaaring ma-download nang mas mahusay mula sa Internet. Gumagamit ang Audible ng kanilang sariling tool sa pag-playback ng desktop, na Audible Manager. Gamit ang player na ito, maaari mong i-play ang Naririnig na mga file ng format na nakaimbak sa isang PC o ilipat sa isang portable player.
9) Ang AAC ay talagang isang pagpapaikli para sa Advanced Audio Coding. Ang AAC ay isang format na audio na magkasamang binuo ng Fraunhofer IIS-A, Dolby at AT&T. Bahagi ito ng pagtutukoy ng MPEG-2. Ang algorithm na ginamit ng AAC ay naiiba sa MP3. Pinagsasama ng AAC ang iba pang mga pagpapaandar upang mapabuti ang kahusayan sa pag-coding. Ang audio algorithm ng AAC ay lumampas sa ilang nakaraang mga algorithm ng compression (tulad ng MP3, atbp.) Sa mga kakayahan sa compression. Sinusuportahan din nito ang hanggang sa 48 mga audio track, 15 mga audio track na may mababang dalas, mas maraming mga rate ng sample at mga rate ng bit, pagiging tugma sa multi-wika, at mas mataas na kahusayan sa pag-decode. Sa madaling sabi, ang AAC ay maaaring magbigay ng mas mahusay na kalidad ng tunog sa ilalim ng saligan na ito ay 30% na mas maliit kaysa sa mga MP3 file.
10) Ogg Ogg ay isang bagong format ng audio compression, katulad ng mga umiiral na format ng musika tulad ng MP3. Ngunit ang isang pagkakaiba ay ang ganap na libre, bukas at walang mga paghihigpit sa patent. Ang Ogg ay ang pangalan ng mekanismo ng compression ng audio na ito, at ang Ogg ay ang pangalan ng isang proyekto na balak na magdisenyo ng isang ganap na bukas na multimedia system. Ang VORBIS ay lossy compression din, ngunit gumagamit ito ng mas advanced na mga modelo ng acoustic upang mabawasan ang pagkawala. Samakatuwid, naka-encode ang OGG na may parehong tunog ng rate ng bit na mas mahusay kaysa sa MP3.
11) Ang APE ay isang lossless compressed audio format, sa ilalim ng saligan na ang kalidad ng tunog ay hindi nabawasan, ang laki ay nai-compress sa kalahati ng tradisyunal na lossless format na WAV file.
12) Ang FLAC ay ang pagpapaikli ng Free Lossless Audio Codec, isang hanay ng mga kilalang libreng audio lossless compression code, na nailalarawan sa pamamagitan ng lossless compression.
3. ang pangunahing prinsipyo ng audio coding
Ang pag-coding ng pagsasalita ay nakatuon sa pagbabawas ng kinakailangang bandwidth ng channel para sa paghahatid habang pinapanatili ang mataas na kalidad ng input na pagsasalita.
Ang layunin ng pagsasalita sa pag-coding ay ang pagdisenyo ng isang encode ng mababang kumplikado upang makamit ang de-kalidad na paghahatid ng data sa pinakamababang posibleng rate ng bit.
1) I-mute ang curve ng threshold: Ang threshold kung saan ang tainga ng tao ay maaaring makarinig ng tunog sa iba't ibang mga frequency lamang sa isang tahimik na kapaligiran.
2) Kritikal na banda ng dalas
Dahil ang tainga ng tao ay may iba't ibang mga resolusyon para sa iba't ibang mga frequency, hinahati ng MPEG1 / Audio ang napapansin na saklaw ng dalas sa loob ng 22khz sa 23 ~ 26 kritikal na mga frequency band ayon sa iba't ibang mga layer ng coding at iba't ibang mga frequency ng pag-sample. Inililista ng sumusunod na pigura ang dalas ng gitna at bandwidth ng perpektong kritikal na dalas ng banda. Tulad ng makikita sa pigura, ang tainga ng tao ay may isang mas mahusay na resolusyon ng mababang dalas
3) Masking effect sa domain ng dalas: Ang isang senyas na may mas malaking amplitude ay magtakip sa isang senyas na may katulad na dalas at isang mas maliit na amplitude, tulad ng ipinakita sa figure sa ibaba:
4) Masking effect sa domain ng oras: Sa isang maikling panahon, kung lilitaw ang dalawang tunog, ang tunog na may mas malaking SPL (antas ng presyon ng tunog) ay takip sa tunog ng isang mas maliit na SPL. Ang epekto ng masking time-domain ay nahahati sa forward masking (pre-masking) at backward masking (post-masking). Ang oras ng post-masking ay magiging mas mahaba, halos 10 beses kaysa sa pre-masking.
Ang epekto ng masking time-domain ay nakakatulong upang maalis ang pre-echo.
4. ang pangunahing paraan ng pag-coding
1) Quantizer at quantizer
Quantization at quantizer: Ang dami ng nagpapalit ng tuluy-tuloy na signal sa discrete time sa isang discrete signal sa discrete time. Ang mga karaniwang dami ng ay: pare-parehong dami, logarithmic dami, at hindi pare-parehong dami. Ang layunin na hinabol ng proseso ng pagsukat ay upang i-minimize ang error sa pagsukat at i-minimize ang pagiging kumplikado ng dami (ang dalawa ay nasa kanilang sarili isang kontradiksyon).
(A) Unipormadong dami, ang pinakasimpleng, pinakamasamang pagganap, na angkop lamang para sa boses ng telepono.
(B) Logarithmic quantizer: Ito ay mas kumplikado kaysa sa pare-parehong dami at madaling ipatupad, at ang pagganap nito ay mas mahusay kaysa sa pare-parehong dami.
(C) Non-pare-parehong dami, ayon sa pamamahagi ng signal, idisenyo ang dami. Isinasagawa ang detalyadong dami ng dami kung saan ang signal ay siksik, at ang magaspang na dami ay isinasagawa kung saan ang signal ay kalat-kalat.
2) Voice encoder
Mayroong tatlong uri ng mga encoder ng pagsasalita: (a) Waveform encoder; (b) Vocoder; (c) Hybrid encoder.
Nilalayon ng encoder ng waveform ang pagbuo ng isang analog na form ng alon kasama ang background sheet na ingay. Kumikilos sa lahat ng mga signal ng pag-input, makagawa ito ng mga de-kalidad na sample at ubusin ang isang mataas na rate ng bit. Hindi muling bubuhayin ng vocoder ang orihinal na form ng alon. Ang hanay ng mga encoder na ito ay kukuha ng isang hanay ng mga parameter, na ipinapadala sa pagtanggap upang makuha ang modelo ng pagbuo ng boses. Ang kalidad ng boses ng vocoder ay hindi sapat. Hybrid encoder, na nagsasama ng mga pakinabang ng waveform encoder at sounder.
2.1 Encoder ng Waveform
Ang disenyo ng encoder ng waveform ay madalas na independiyente sa signal. Kaya angkop ito para sa pag-coding ng iba't ibang mga signal at hindi limitado sa pagsasalita.
1) Pag-coding ng oras ng domain
a) PCM: modulate ng pulse code, ay ang pinakasimpleng pamamaraan ng pag-encode. Ito lamang ang discretization at dami ng signal, at madalas na ginagamit ang logarithmization.
b) DPCM: pagkakaiba-iba ng modulasyon ng code ng pulse, na nag-encode lamang ng pagkakaiba sa pagitan ng mga sample. Ang nakaraang isa o higit pang mga sample ay ginagamit upang mahulaan ang kasalukuyang halaga ng sample. Ang mas maraming mga sample na ginamit upang gumawa ng mga hula, mas tumpak ang hinulaang halaga. Ang pagkakaiba sa pagitan ng totoong halaga at ang hinulaang halaga ay tinatawag na tira, na siyang object ng pag-encode.
c) ADPCM: adaptive kaugalian pulso code modulation, adaptive differential pulse code. Iyon ay, sa batayan ng DPCM, ang dami at tagahula ay naaangkop na naaayos ayon sa mga pagbabago ng signal, upang ang hinulaang halaga ay mas malapit sa tunay na signal, ang natitirang mas maliit, at ang kahusayan ng compression ay mas mataas.
(2) Pag-coding ng dalas ng domain
Ang pag-coding ng madalas na domain ay upang mabulok ang isang senyas sa isang serye ng iba't ibang mga elemento ng dalas at magsagawa ng malayang pag-coding.
a) Pag-coding ng sub-band: Ang coding ng sub-band ay ang pinakasimpleng diskarte sa pag-coding ng domain ng dalas. Ito ay isang teknolohiya na nagbabago ng orihinal na signal mula sa time domain patungo sa domain ng dalas, pagkatapos ay hinahati ito sa maraming mga sub-band, at nagsasagawa ng digital coding sa kanila ayon sa pagkakabanggit. Gumagamit ito ng pangkat ng band-pass filter (BPF) upang hatiin ang orihinal na signal sa maraming (halimbawa, m) mga sub-band (tinukoy bilang mga sub-band). Ipasa ang bawat sub-band sa pamamagitan ng mga katangian ng modulation na katumbas ng solong-sideband amplitude modulation, ilipat ang bawat sub-band sa malapit sa zero frequency, ayon sa pagkakasunod sa BPF (isang kabuuang m), at pagkatapos ay ilipat ang bawat sub-band sa isang iniresetang rate ( Angquist rate) Ang signal ng output ng sub-band ay na-sample, at ang halimbawang halaga ay karaniwang naka-code sa digital, at ang mga digital na encoder ay nakatakda. Magpadala ng bawat digital na naka-code na signal sa multiplexer, at sa wakas ay naglalabas ng sub-band na naka-code na stream ng data.
Para sa iba't ibang mga subband, maaaring magamit ang iba't ibang mga pamamaraan ng pagsukat at iba't ibang mga bilang ng mga piraso ay maaaring ilaan sa mga subband ayon sa modelo ng pang-unawa ng tainga ng tao.
b) ibahin ang anyo ang coding: DCT coding.
5. Vocoder
Channel vocoder: Ginagamit ang hindi pagkasensitibo ng tainga ng tao hanggang sa yugto.
homomorphic vocoder: maaaring mabisa ang proseso ng mga sintetikong signal.
Formant vocoder: Karamihan sa impormasyon ng signal ng boses ay matatagpuan sa posisyon at bandwidth ng formant.
linear predictive vocoder: Ang pinakakaraniwang ginagamit na vocoder.
6. Hybrid encoder
Sinusubukan ng encoder ng waveform na mapanatili ang form ng alon ng naka-code na signal at maaaring magbigay ng de-kalidad na pagsasalita sa isang medium bit rate (32 kbps), ngunit hindi ito mailalapat sa mga pagkakataong mababa ang rate ng rate. Ang vocoder ay nagtatangka upang makabuo ng isang senyas na katulad na naaayon sa naka-encode na signal, at maaaring magbigay ng madaling maunawaan na pagsasalita sa isang mababang rate ng bit, ngunit ang nagresultang pagsasalita ay tunog na hindi natural. Pinagsasama ng hybrid encoder ang mga pakinabang ng pareho.
RELP: Batay sa linear na hula, ang natitirang naka-encode. Ang mekanismo ay: magpapadala lamang ng isang maliit na bahagi ng mga labi, at muling itatayo ang lahat ng mga labi sa natanggap na dulo (kopyahin ang mga natitira sa baseband).
MPC: pag-coding ng multi-pulse, na tinanggal ang ugnayan ng mga labi, at ginagamit upang mabayaran ang simpleng pag-uuri ng tinig ng mga boses sa tininigan at hindi binigyan ng tunog nang walang mga depekto ng mga kalagitnaan ng estado.
CELP: nasasabik sa linear na hula ng codebook, na gumagamit ng hula ng vocal tract at ang cascade ng pitch prediktor upang mas matantiya ang orihinal na signal.
MBE: multiband paggulo, ang layunin ay upang maiwasan ang isang malaking bilang ng mga kalkulasyon CELP, upang makakuha ng mas mataas na kalidad kaysa sa vocoder.
Ang aming iba pang mga produkto:
