1. Oinarrizko kontzeptuak
1) Bit-tasa: kodetutako (konprimitutako) audio datuak segundoko zenbat bit irudikatu behar diren adierazten du eta unitatea kbps-koa izan ohi da.
2) Gogortasuna eta intentsitatea: soinu baten atributu subjektiboak. Loudness-ek soinu batek zein ozen entzuten duen adierazten du. Soinuaren intentsitatearen arabera aldatzen da batez ere ozentasuna, baina maiztasunak ere eragiten du. Orokorrean, maiztasun ertaineko soinu puruak maiztasun baxuko eta maiztasun handiko soinuak baino hobeak dira.
3) Laginketa eta laginketa-abiadura: Laginketak denbora seinale jarraia seinale digital diskretu bihurtzea da. Laginketa-tasak segundoko zenbat lagin biltzen diren adierazten du.
Nyquist-en laginketa-legea: laginketa-abiadura seinale jarraiaren maiztasun-osagai altuena baino 2 aldiz handiagoa edo berdina denean, laginatutako seinalea jatorrizko seinale jarraia ezin hobeto berreraikitzeko erabil daiteke.
2. ohiko audio formatuak
1) WAV formatua Microsoft-ek garatutako soinu fitxategi formatua da, uhin soinu fitxategia ere deitua. Audio digitaleko formatu zaharrena da, Windows plataformak eta bere aplikazioek onartzen dute eta konpresio tasa txikia du.
2) MIDI Music Instrument Digital Interface-ren laburdura da, Musical Instrument Digital Interface izenarekin ere ezagutzen dena, musika digitalerako / musika tresna sintetiko elektronikoetarako nazioarteko estandar bateratua da. Ordenagailuetako musika programek, sintetizadore digitalek eta beste gailu elektroniko batzuek musika seinaleak trukatzeko modua definitzen du, eta fabrikatzaile desberdinetatik musika tresna elektronikoak ordenagailuetara konektatzen dituzten kableen eta hardwarearen eta gailuen arteko datuen transmisio protokoloa zehazten du, eta musika anitzen soinua simulatu dezake. tresnak. MIDI fitxategia MIDI formatuko fitxategia da, eta zenbait komando MIDI fitxategian gordetzen dira. Bidali argibide hauek soinu-txartelera, eta soinu-txartelak argibideen arabera sintetizatuko du soinua.
3) MP3 izen osoa MPEG-1 Audio Layer 3 da, 1992an MPEG zehaztapenarekin bateratua. MP3-k audio fitxategi digitalak konprimitu ditzake soinu kalitate handiko eta laginketa tasa baxuarekin. Aplikazio ohikoena.
4) MP3Pro Swedish Coding Technology Company-k garatu du, bi teknologia nagusi dituena: bata Coding Technology Company-ren deskodetze teknologia bakarra da, eta bestea MP3 patentearen titularra den Thomson Multimedia Company frantsesa eta Fraunhofer alemaniarra. Circuit Elkartearen eskutik. MP3Pro-k jatorrizko MP3 musikaren soinuaren kalitatea hobe dezake fitxategiaren tamaina aldatu gabe. Konpresioaren aurretik soinuaren kalitatea mantendu dezake neurri handienean audio fitxategiak bit-abiadura txikiagoan konprimitzen dituen bitartean.
5) MP3Pro Swedish Coding Technology Company-k garatu du, bi teknologia nagusi dituena: bata Coding Technology Company-ren deskodetze teknologia bakarra da, eta bestea MP3 patentearen titularra den Thomson Multimedia Company frantsesa eta Fraunhofer alemaniarra. Circuit Elkartearen eskutik. MP3Pro-k jatorrizko MP3 musikaren soinuaren kalitatea hobe dezake fitxategiaren tamaina aldatu gabe. Konpresioaren aurretik soinuaren kalitatea mantendu dezake neurri handienean audio fitxategiak bit-abiadura txikiagoan konprimitzen dituen bitartean.
6) WMA (Windows Media Audio) Microsoft-en maisulana da Interneteko audio eta bideo arloan. WMA formatuak konpresio tasa handiagoa lortzen du datuen trafikoa murriztuz baina soinuaren kalitatea mantenduz. Konpresio tasa 1:18raino irits daiteke. Gainera, WMAk copyrighta babestu dezake DRM (Digital Rights Management) bidez.
7) RealAudio Real Networksek abiarazitako fitxategi formatua da. Ezaugarri handiena da audio informazioa denbora errealean transmititu dezakeela, batez ere sareko abiadura motela denean, oraindik datuak leunki transmititu ditzakeela eta, beraz, RealAudio sareko Play online sareetarako egokia da batez ere. Uneko RealAudio fitxategi formatuen artean, batez ere RA (RealAudio), RM (RealMedia, RealAudio G2), RMX (RealAudio Secured) etab daude. Fitxategi hauen ohikoa da soinuaren kalitatea sareko banda zabaleraren aldearekin aldatzen dela. Jende gehienak soinu leuna entzuten duela aintzat hartuta, banda zabalera zabalagoa duten entzuleek soinu kalitate hobea lor dezakete.
8) Audible-k lau formatu desberdin ditu: Audible1, 2, 3, 4. Audible.com webguneak audio liburuak saltzen ditu batez ere Interneten, eta saltzen dituzten ondasun eta fitxategien babesa eskaintzen du Audible.com-ek eskainitako lau audio formatuetako baten bidez. . Formatu bakoitzak batez ere erabiltzen duen audio iturria eta entzuteko gailua hartzen ditu kontuan. 1., 2. eta 3. formatuek ahots konpresio maila desberdinak erabiltzen dituzte, 4. formatuak, berriz, laginketa tasa baxuagoa eta MP3aren deskodetze metodo bera erabiltzen ditu. Lortutako ahotsa argiagoa da eta Internetetik modu eraginkorragoan deskarga daiteke. Audible-k bere mahaigaineko erreprodukzio tresna erabiltzen du, hau da, Audible Manager. Erreproduzitzaile honekin, ordenagailuan gordetako edo erreproduzitzaile eramangarri batera transferitutako Audible formatuko fitxategiak erreproduzitu ditzakezu.
9) AAC Audio Kodetze Aurreratuaren laburdura da. AAC Fraunhofer IIS-A, Dolby eta AT&T enpresek elkarrekin garatutako audio formatua da. MPEG-2 zehaztapenaren zati bat da. AAC-k erabilitako algoritmoa MP3-ren desberdina da. AAC-k beste funtzio batzuk konbinatzen ditu kodeketaren eraginkortasuna hobetzeko. AAC-ren audio algoritmoak aurreko konpresio algoritmo batzuk (MP3, etab.) Konpresio gaitasunetan gainditzen ditu. Gainera, 48 audio pista, 15 frekuentzia baxuko audio pista, lagin tasa eta bit tasa gehiago, hizkuntza anitzeko bateragarritasuna eta deskodetze eraginkortasun handiagoa onartzen ditu. Laburbilduz, AACek soinu kalitate hobea eman dezake MP30 fitxategiak baino% 3 txikiagoa dela aintzat hartuta.
10) Ogg Vorbis audio konpresio formatu berria da, MP3 bezalako musika formatuen antzekoa. Baina desberdintasun bat da guztiz doakoa, irekia eta patente murrizketarik gabea dela. Vorbis da audioaren konpresio mekanismo honen izena, eta Ogg multimedia sistema guztiz irekia diseinatzeko asmoa duen proiektu baten izena da. VORBIS galera konprimitzea ere bada, baina modelo akustiko aurreratuagoak erabiltzen ditu galera murrizteko. Hori dela eta, bit-tasa berarekin kodetutako OGGak MP3 baino soinu hobea ematen du.
11) APE galerarik gabeko konprimitutako audio formatua da, soinuaren kalitatea murrizten ez denaren premiaren arabera, tamaina galerarik gabeko WAV fitxategi tradizionalaren erdira konprimitzen da.
12) FLAC Free Lossless Audio Codec laburdura da, audio galerarik gabeko konpresio kode ezagunen multzoa, galerarik gabeko konpresioaren ezaugarria.
3. audio kodeketaren oinarrizko printzipioa
Ahots kodetzea transmisiorako beharrezko kanal banda zabalera murriztea da, sarrerako hizketaren kalitate handia mantenduz.
Ahots kodeketaren helburua konplexutasun txikiko kodetzaile bat diseinatzea da, kalitate handiko datuen transmisioa ahalik eta bit abiadura txikienean lortzeko.
1) Atalase kurba mutua: gizakiaren belarriak ingurune lasai batean soinua hainbat maiztasunetan entzuteko ataria.
2) Maiztasun banda kritikoa
Giza belarriak maiztasun desberdinetarako bereizmen desberdinak dituenez, MPEG1 / Audio-k 22 kHz arteko maiztasun tarte hautemangarria 23 ~ 26 maiztasun banda kritikoetan banatzen du kodetze geruza desberdinen eta laginketa maiztasun desberdinen arabera. Ondorengo irudian maiztasun banda kritiko idealaren maiztasun zentrala eta banda zabalera zerrendatzen dira. Irudian ikus daitekeen moduan, giza belarriak maiztasun baxuko bereizmen hobea du
3) Maskatze efektua maiztasun domeinuan: anplitudea handiagoa duen seinaleak antzeko maiztasuna eta anplitudea txikiagoa duen seinale bat ezkutatuko du, beheko irudian agertzen den moduan:
4) Maskatze efektua denbora domeinuan: denbora tarte laburrean, bi soinu agertzen badira, SPL (soinu presio maila) handiagoa duen soinuak SPL txikiagoarekin maskaratuko du soinua. Denboraren domeinuaren maskaratze efektua aurretiko maskaratzean (maskaratu aurretik) eta atzerako maskaratzean (maskaratu ondoren) banatzen da. Maskaratu osteko denbora luzeagoa izango da, aurremaskaratzea baino 10 aldiz handiagoa.
Denboraren domeinua maskaratzeko efektuak aurre-oihartzuna ezabatzen laguntzen du.
4. kodetzeko oinarrizko bitartekoak
1) Kuantizatzailea eta kuantizatzailea
Kuantizazioa eta kuantizatzailea: Kuantizazioak denbora diskretuan etengabeko seinalea denbora diskretuan seinale diskretu bihurtzen du. Kuantizatzaile arruntak hauek dira: kuantizatzaile uniformea, kuantizatzaile logaritmikoa eta kuantizatzaile ez uniformea. Kuantizazio prozesuak bilatzen duen helburua kuantizazio errorea minimizatzea eta kuantizatzailearen konplexutasuna minimizatzea da (biak berez kontraesana dira).
(A) Kuantizatzaile uniformea: errendimendu errazena, txarrena, telefono bidezko ahotserako bakarrik egokia.
(B) Kuantizatzaile logaritmikoa: kuantizatzaile uniformea baino konplikatuagoa da eta inplementatzen erraza da, eta bere errendimendua kuantizatzaile uniformea baino hobea da.
(C) Kuantizatzaile ez uniformea: seinalearen banaketaren arabera, diseinatu kuantizatzailea. Seinale trinkoa den tokian kuantifikazio zehatza egiten da eta seinalea urria denean kuantifikazio latza.
2) Ahots kodetzailea
Hiru kodetzaile mota daude: (a) Uhin forma kodetzailea; (b) Vocoder; (c) Kodetzaile hibridoa.
Uhin formako kodetzaileak uhin forma analogikoa eraikitzea du helburu, atzeko zarata orria barne. Sarrerako seinale guztietan jokatuz, kalitate handiko laginak sortuko ditu eta bit-abiadura handia kontsumituko du. Bokoderiak ez du jatorrizko uhin forma birsortuko. Kodetzaile multzo honek parametro multzo bat aterako du, eta hartzailera bidaliko dira ahotsa sortzeko eredua lortzeko. Bokodearen ahotsaren kalitatea ez da nahikoa ona. Kodetzaile hibridoa, uhin formako kodetzailearen eta soinuaren abantailak biltzen dituena.
2.1 Uhin forma kodetzailea
Uhin forma kodetzailearen diseinua seinaletik independentea izan ohi da. Beraz, seinale desberdinak kodetzeko egokia da eta ez da hizketara mugatzen.
1) Denboraren domeinuaren kodeketa
a) PCM: pultsu kodearen modulazioa, kodeketa metodorik errazena da. Seinalearen diskrezionalizazioa eta kuantizazioa soilik da, eta logaritmizazioa erabili ohi da.
b) DPCM: pultsuen kodeen modulazio diferentziala, laginen arteko aldea soilik kodetzen duena. Aurreko lagin bat edo gehiago uneko laginaren balioa aurreikusteko erabiltzen dira. Zenbat eta lagin gehiago erabili iragarpenak egiteko, orduan eta zehatzagoa da aurreikusitako balioa. Benetako balioaren eta aurreikusitako balioaren arteko aldeari hondarra deritzo, hau da, kodeketaren helburua.
c) ADPCM: pultsu diferentzialaren kodearen modulazio modulatzailea, pultsu diferentzialen kodearen adaptazioa. Hau da, DPCM oinarritzat hartuta, zenbatzailea eta iragarlea egokiro egokitzen dira seinalearen aldaketen arabera, beraz, aurreikusitako balioa benetako seinaletik gertuago dago, hondarra txikiagoa da eta konpresioaren eraginkortasuna handiagoa da.
(2) Maiztasun domeinuaren kodeketa
Maiztasun domeinuaren kodeketa seinale bat maiztasun elementu desberdinetan deskonposatzea da eta kodeketa independentea egitea.
a) Azpi-banda kodetzea: Azpi-banda kodetzea maiztasun domeinuaren kodeketa teknika errazena da. Jatorrizko seinalea denbora-domeinutik maiztasun-domeinura eraldatzen duen teknologia da, ondoren hainbat azpi-bandatan banatzen du eta kodeketa digitala egiten du hurrenez hurren. Banda pasatzeko iragazkia (BPF) talde bat erabiltzen du jatorrizko seinalea hainbat (adibidez, m) azpibanda (azpibanda deritzona) banatzeko. Pasatu azpibanda bakoitza alde bakarreko anplitudearen modulazioaren baliokidetasuneko modulazioen ezaugarrietatik, mugitu azpibanda bakoitza zero maiztasunetik gertu, hurrenez hurren BPF-tik igaro (guztira m), eta ondoren transferitu azpibanda bakoitza agindutako abiaduran ( Nyquist tasa) Azpi-bandaren irteerako seinalea lagin egiten da, eta laginaren balioa normalean digitalki kodetzen da eta m kodetzaile digitalak ezartzen dira. Bidali kodetutako seinale digital bakoitza multiplexorera, eta, azkenean, atera azpi-banda kodetutako datuen korrontea.
Azpibanda desberdinetarako, kuantizazio metodo desberdinak erabil daitezke eta bit kopuru desberdinak banatu daitezke azpibandetara giza belarria hautemateko ereduaren arabera.
b) eraldatu kodeketa: DCT kodeketa.
5. Vokoder
Channel vocoder: gizakiaren belarria fasean sentikortasun eza erabiltzen du.
vocoder homomorfo: seinale sintetikoak modu eraginkorrean prozesatu ditzake.
Formant vocoder: ahots seinalearen informazio gehiena formantaren posizioan eta banda zabaleran kokatzen da.
predikatzaile lineala: gehien erabiltzen den lokailua.
6. Kodetzaile hibridoa
Uhin formako kodetzailea kodetutako seinalearen uhin forma mantentzen saiatzen da eta kalitate handiko hizkera eman dezake bit-abiadura ertainean (32 kbps), baina ezin da bit abiadura baxuetan aplikatu. Bokoderra entzungailuarekin kodetutako seinalearen antzekoa den seinalea sortzen saiatzen da, eta hizketa ulergarria eskain dezake bit abiadura txikian, baina sortutako hizkera ez da naturala. Kodetzaile hibridoak bien abantailak konbinatzen ditu.
RELP: Iragarpen linealaren arabera, hondarra kodetzen da. Mekanismoa hau da: hondarren zati txiki bat soilik transmititzea eta hondar guztiak berreraikitzea hartzailearen muturrean (kopiatu oinarri-bandaren hondarrak).
MPC: pultsazio anitzeko kodeketa, hondarren korrelazioa ezabatzen duena, eta vocoder-en ahotsak ahoz ahostunetan eta ahozkoetan sailkatzen dituen tarteko egoeren akatsik gabe konpentsatzeko erabiltzen da.
CELP: kodeketa-iragarpen lineal kitzikatua, ahots-bideen iragarpena eta tonu-iragarlearen ur-jauzia erabiltzen ditu jatorrizko seinalea hobeto hurbiltzeko.
MBE: banda anitzeko kitzikapena, helburua CELP kalkulu ugari saihestea da, vocoder-a baino kalitate handiagoa lortzeko.
Gure beste produktu:
