Современные методы позиционирования и сжатия звука

Каждый из описанных методов кодирования характеризуется скоростью

битового потока (bitrate), с которой сжатая информация должна поступать в

декодер при восстановлении звукового сигнала. Декодер преобразует серию

сжатых мгновенных спектров сигнала в обычную цифровую волновую форму.

Audio MPEG - группа методов сжатия звука, стандартизованная MPEG

(Moving Pictures Experts Group - экспертной группой по обработке движущихся

изображений). Методы Audio MPEG существуют в виде нескольких типов - MPEG-

1, MPEG-2 и т.д.; в настоящее время наиболее распространен тип MPEG-1.

Существует три уровня (layers) Audio MPEG-1 для сжатия стереофонических

сигналов: 1 - коэффициент сжатия 1:4 при потоке данных 384 кбит/с; 2 -

1:6..1:8 при 256..192 кбит/с; 3 - 1:10..1:12 при 128..112 кбит/с.

Минимальная скорость потока данных в каждом уровне определяется в 32

кбит/с; указанные скорости потока позволяют сохранить качество сигнала

примерно на уровне компакт-диска.

Все три уровня используют входное спектральное преобразование с

разбиением кадра на 32 частотные полосы. Наиболее оптимальным в отношении

объема данных и качества звука признан уровень 3 со скоростью потока 128

кбит/с и плотностью данных около 1 Мб/мин. При сжатии с более низкими

скоростями начинается принудительное ограничение полосы частот до 15-16

кГц, а также возникают фазовые искажения каналов (эффект типа фэйзера или

фленжера).

Audio MPEG используется в компьютерных звуковых системах, CD-i/DVD,

"звуковых" дисках CD-ROM, цифровом радио/телевидении и других системах

массовой передачи звука.

PASC (Precision Adaptive Sub-band Coding - точное адаптивное

внутриполосное кодирование) - частный случай Audio MPEG-1 Layer 1 со

скоростью потока 384 кбит/с (сжатие 1:4). Применяется в системе DCC.

ATRAC (Adaptive TRansform Acoustic Coding - акустическое кодирование

адаптивным преобразованием) базируется на стереофоническом звуковом формате

с 16-разрядным квантованием и частотой дискретизации 44.1 кГц.

При сжатии каждый кадр делится на 52 частотные полосы, результирующая

скорость потока - 292 кбит/с (сжатие 1:5). Применяется в системе MiniDisk.

Форматы, используемые для представления цифрового звука

Понятие формата используется в двух различных смыслах. При

использовании специализированного носителя или способа записи и специальных

устройств чтения/записи в понятие формата входят как физические

характеристики носителя звука - размеры кассеты с магнитной лентой или

диском, самой ленты или диска, способ записи, параметры сигнала, принципы

кодирования и защиты от ошибок и т.п. При использовании универсального

информационного носителя широкого применения - например, компьютерного

гибкого или жесткого диска - под форматом понимают только способ

кодирования цифрового сигнала, особенности расположения битов и слов и

структуру служебной информации; вся "низкоуровневая" часть, относящаяся

непосредственно к работе с носителем, в этом случае остается в ведении

компьютера и его операционной системы.

Из специализированных форматов и носителей цифрового звука в настоящее

время наиболее известны следующие: CD (Compact Disk - компакт-диск) -

односторонний пластмассовый диск с оптической лазерной записью и

считыванием, диаметром 120 или 90 мм, вмещающий максимум 74 минуты

стереозвучания с частотой дискретизации 44.1 кГц и 16-разрядным линейным

квантованием. Система предложена фирмами Sony и Philips и носит название CD-

DA (Compact Disk - Digital Audio). Для защиты от ошибок используется

двойной код Рида-Соломона с перекрестным перемежением (Cross Interleaved

Reed-Solomon Code, CIRC) и модуляция кодом Хэмминга 8-14 (Eight-to-Fourteen

Modulation, EFM).

Различаются штампованные (CD) однократно записываемые (CD-R) и

многократно перезаписываемые (CD-RW) компакт-диски.

ИКМ-приставка (PCM deck) - система для преобразования цифрового

звукового сигнала в псевдовидеосигнал, совместимый с популярными

видеоформатами (NTSC, PAL/SECAM), и обратно. ИКМ-приставки применяются в

сочетании с бытовыми (VHS) или студийными (S-VHS, Beta, U-Matic)

видеомагнитофонами, используя их в качестве устройств чтения/записи.

Устройства работают с 16-разрядным линейным квантованием на частотах

дискретизации 44.056 кГц (NTSC) и 44.1 кГц (PAL/SECAM), и позволяют

записывать двух- или четырехканальную цифровую сигналограмму. По сути,

такая приставка представляет собой модем (модулятор-демодулятор) для

видеосигнала.

S-DAT (Stationary head Digital Audio Tape - цифровая звуковая лента с

неподвижной головкой) - система наподобие обычного кассетного магнитофона,

запись и чтение в которой ведутся блоком неподвижных тонкопленочных головок

на ленте шириной 3.81 мм в двухсторонней кассете размером 86 x 55.5 x 9.5

мм. Реализует 16-разрядную запись двух или четырех каналов на частотах 32,

44.1 и 48 кГц.

R-DAT (Rotary head Digital Audio Tape - цифровая звуковая лента с

вращающейся головкой) - система наподобие видеомагнитофона с поперечно-

наклонной записью вращающимися головками. Наиболее популярный формат

ленточной цифровой записи, системы R-DAT часто обозначаются просто DAT. В R-

DAT используется кассета размером 73 x 54 x 10.5 мм, с лентой шириной 3.81

мм, а сама система кассеты и магнитофона очень похожа на типовой

видеомагнитофон. Базовая скорость движения ленты - 8.15 мм/с, скорость

вращения блока головок - 2000 об/мин. R-DAT работает с двухканальным (в

ряде моделей - четырехканальным) сигналом на частотах дискретизации 44.1 и

48 кГц с 16-разрядном линейным квантованием, и 32 кГц - с 12-разрядным

нелинейным. Для защиты от ошибок используется двойной код Рида-Соломона и

модуляция кодом 8-10. Емкость кассеты - 80..240 минут в зависимости от

скорости и длины ленты. Бытовые DAT-магнитофоны обычно оснащены системой

защиты от незаконного копирования фонограмм, не допускающей записи с

аналогового входа на частоте 44.1 кГц, а также прямого цифрового

копирования при наличии запрещающих кодов SCMS (Serial Code Managenent

System). Студийные магнитофоны таких ограничений не имеют.

DASH (Digital Audio Stationary Head) - система с записью на магнитную

ленту шириной 6.3 и 12.7 мм в продольном направлении неподвижными

головками. Скорость движения ленты - 19.05, 38.1, 76.2 см/с. Реализует 16-

разрядную запись с частотами дискретизации 44.056, 44.1 и 48 кГц от 2 до 48

каналов.

ADAT (Alesis DAT) - собственная (proprietary) система восьмиканальной

записи звука на видеокассету типа S-VHS, разработанная фирмой Alesis.

Использует 16-разрядное линейное квантование на частоте 48 кГц, емкость

кассеты составляет до 60 минут на каждый канал. Магнитофоны ADAT допускают

каскадное соединение, в результате чего может быть собрана система 128-

канальной синхронной записи. Для ADAT выпускается множество различных

интерфейсных блоков для сопряжения с DAT, CD, MIDI и т.п. Модель Meridian

(ADAT Type II) использует 20-разрядное квантование на частотах 44.1 и 48

кГц.

DCC (Digital Compact Cassette - цифровая компакт-кассета) - бытовая

система записи в продольном направлении на стандартную компакт-кассету,

разработанная Philips. Скорость движения ленты - 4.76 см/с, максимальное

время звучания такое же, как при аналоговой записи.

Частоты дискретизации - 32, 44.1, 48 кГц, разрешение - 16/18 разрядов

(метод сжатия PASC). На DCC-магнитофонах могут воспроизводиться (но не

записываться) обычные аналоговые компакт-кассеты. В настоящее время система

DCC признана неперспективной.

MD (MiniDisk) - бытовая и концертная система записи на

магнитооптический диск, разработанная Sony. Диск диаметром 64 мм,

помещенный в пластмассовый футляр размером 70 x 67.5 x 5 мм, вмещает 74

минуты (60 в ранних версиях) стереофонического звучания. При обмене со

внешними устройствами используется формат 16-разрядных отсчетов на частоте

44.1 кГц, однако на сам диск сигнал записывается после сжатия методом

ATRAC.

Из универсальных компьютерных форматов наиболее популярны следующие:

Microsoft RIFF/WAVE (Resource Interchange File Format/Wave - формат файлов

передачи ресурсов/волновая форма) - стандартный формат звуковых файлов в

компьютерах IBM PC. Файл этого формата содержит заголовок, описывающий

общие параметры файла, и один или более фрагментов (chunks), каждый из

которых представляет собой волновую форму или вспомогательную информацию -

режимы и порядок воспроизведения, пометки, названия и координаты участков

волны и т.п. Файлы этого формата имеют расширение .WAV.

Apple AIFF (Audio Interchange File Format - формат файла обмена звуком)

- стандартный тип звукового файла в системах Apple Macintosh.

Похож на RIFF и также позволяет размещать вместе со звуковой волной

дополнительную информацию, в частности - самплы WaveTable-инструментов

вместе с параметрами синтезатора.

Формат "чистой оцифровки" RAW, не содержащий заголовка и представляющий

собой только последовательность отсчетов звуковой волны. Обычно оцифровка

хранится в 16-разрядном знаковом (signed) формате, когда первыми в каждой

паре идут отсчеты левого канала, хотя могут быть и исключения.

Фоpматы, используемые для пpедставления звука и музыки

В настоящее вpемя стандаpтом де-факто стали два фоpмата: Microsoft RIFF

(Resource Interchange File Format - фоpмат файлов пеpедачи pесуpсов) Wave

(.WAV) и SMF (Standard MIDI File - стандаpтный MIDI-файл) (.MID). Пеpвый

содеpжит оцифpованный звук (моно/стеpео, 8/16 pазpядов, с pазной частотой

оцифpовки), втоpой - "паpтитуpу" для MIDI-инстpументов (ноты, команды смены

инстpументов, упpавления и т.п.). Поэтому WAV-файл на всех каpтах,

поддеpживающих нужный фоpмат, pазpядность и частоту оцифpовки звучит

совеpшенно одинаково (с точностью до качества пpеобpазования и усилителя),

а MID-файл в общем случае - по-pазному.

RAW - одноканальный фоpмат "чистой оцифpовки", не содеpжащий заголовка.

Обычно оцифpовка хpанится в 16-pазpядном знаковом (signed) фоpмате, хотя

могут быть и исключения.

VOC и CMF - фоpматы пpедставления оцифpованного звука и паpтитуp от

фиpмы Creative Labs, AIFF (Audio-...) - фоpмат звуковых файлов на Macintosh

и SGI, AU - фоpмат SUN/NeXT.

MOD - шиpоко pаспpостpаненный тpекеpный фоpмат. Содеpжит оцифpовки

инстpументов и паpтитуpу для них, отчего звучит везде пpимеpно одинаково

(опять же - с точностью до качества воспpоизведения). В оpигинале

поддеpживаются четыpе канала, в pасшиpениях - до восьми и более.

STM - фоpмат Scream Tracker, пpимеpно того же уpовня, что и MOD.

S3M - фоpмат Scream Tracker 3. Развитие STM в стоpону увеличения

pазpядности инстpументов и количества музыкальных эффектов. Сам ST3

поддеpживает до 32 каналов, но не поддеpживает пpедусмотpенных в фоpмате 16-

pазpядных самплов.

XM - фоpмат Fast Tracker. Один из наиболее высокоуpовневых сpеди

тpекеpных фоpматов. Поддеpживаются 16-pазpядные самплы, один ин- стpумент

может содеpжать pазличные самплы на pазные диапазоны нот, возможно задание

амплитудных и паноpамных огибающих.

MPEG: Общая информация

Стандарт сжатия MPEG разработан Экспертной группой кинематографии

(Moving Picture Experts Group - MPEG). MPEG это стандарт на сжатие звуковых

и видео файлов в более удобный для загрузки или пересылки, например через

интернет, формат.

Существуют разные стандарты MPEG (как их еще иногда называют фазы -

phase): MPEG-1, MPEG-2, MPEG-3, MPEG-4, MPEG-7.

MPEG состоит из трех частей: Audio, Video, System (объединение и

синхронизация двух других).

MPEG-1

По стандарту MPEG-1 потоки видео и звуковых данных передаются со

коростью 150 килобайт в секунду -- с такой же скоростью, как и

односкоростной CD-ROM проигрыватель -- и управляются путем выборки ключевых

видео кадров и заполнением только областей, изменяющихся между кадрами. К

несчастью, MPEG-1 обеспечивает качество видеоизображения более низкое, чем

видео, передаваемое по телевизионному стандарту.

MPEG-1 был разработан и оптимизирован для работы с разрешением 352 ppl

(point per line -- точек на линии) * 240 (line per frame -- линий в кадре)

* 30 fps (frame per second -- кадров в секунду), что соответствует скорости

передачи CD звука высокого качества. Используется цветовая схема - YCbCr

(где Y - яркостная плоскость, Cb и Cr - цветовые плоскости).

Как MPEG работает:

В зависимости от некоторых причин каждый frame (кадр) в MPEG может быть

следующего вида:

I (Intra) frame - кодируется как обыкновенная картинка.

P (Predicted) frame - при кодировании используется информация от предыдущих

I или P кадров.

B (Bidirectional) frame - при кодировании используется информация от одного

или двух I или P кадров (один предшествующий данному и один следующий за

ним, хотя может и не непосредственно, см. Рис.1)

Последовательность кадров может быть например такая:

IBBPBBPBBPBBIBBPBBPB...

Последовательность декодирования: 0312645...

Нужно заметить, что прежде чем декодировать B кадр требуется

декодировать два I или P кадра. Существуют разные стандарты на частоту, с

которой должны следовать I кадры, приблизительно 1-2 в секунду,

соответствуюшие стандарты есть и для P кадров (каждый 3 кадр должен быть P

кадром). Существуют разные относительные разрешения Y, Cb, Cr плоскостей

(Таблица 1), обычно Cb и Cr кодируются с меньшим разрешением чем Y.

|Вид |Отношения разрешений по |Отношение разрешений по |

|Формата|горизонтали (Cb/Y): |вертикали (Cb/Y): |

|4:4:4 |1:1 |1:1 |

|4:2:2 |1:2 |1:1 |

|4:2:0 |1:2 |1:2 |

|4:1:1 |1:4 |1:1 |

|4:1:0 |1:4 |1:4 |

Для применения алгоритмов кодировки происходит разбивка кадров на

макроблоки каждый из которых состоит из определенного количества блоков

(размер блока - 8*8 пикселей). Количество блоков в макроблоке в разных

плоскостях разное и зависит от используемого формата:

Техника кодирования:

Для большего сжатия в B и P кадрах используется алгоритм предсказания

движения (что позволяет сильно уменьшить размер P и B кадров -- Таблица 2)

на выходе которого получается:

Вектор смещения (вектор движения) блока который нужно предсказать

относительно базового блока.

Разница между блоками (которая затем и кодируется).

Так как не любой блок можно предсказать на основании информации о

предыдущих, то в P и B кадрах могут находиться I блоки (блоки без

предсказания движения).

|Вид кадра |I |P |B |Средний размер |

|Размер кадра для стандарта SIF |150 |50 |20 |38 |

|(kilobit) | | | | |

Метод кодировки блоков (либо разницы, получаемой при методе

предсказание движения) содержит в себе:

Discrete Cosine Transforms (DCT - дискретное преобразование косинусов).

Quantization (преобразование данных из непрерывной формы в дискретную).

Кодировка полученного блока в последовательность.

DCT использует тот факт, что пиксели в блоке и сами блоки связаны между

собой (т.е. коррелированны), поэтому происходит разбивка на частотные фурье

компоненты (в итоге получается quantization matrix - матрица преобразований

данных из непрерывной в дискретную форму, числа в которой являются

величиной амплитуды соответствующей частоты), затем алгоритм Quantization

разбивает частотные коэффициенты на определенное количество значений.

Encoder (кодировщик) выбирает quantization matrix которая определяет то,

как каждый частотный коэффициент в блоке будет разбит (человек более

чувствителен к дискретности разбивки для малых частот чем для больших). Так

как в процессе quantization многие коэффициенты получаются нулевыми то

применяется алгоритм зигзага для получения длинных последовательностей

нулей.

Звук в MPEG:

Форматы кодирования звука деляться на три части: Layer I, Layer II,

Layer III (прообразом для Layer I и Layer II стал стандарт MUSICAM, этим

именем сейчас иногда называют Layer II). Layer III достигает самого

большого сжатия, но, соответственно, требует больше ресурсов на

кодирование.

Принципы кодирования основаны на том факте, что человеческое ухо не

совершенно и на самом деле в несжатом звуке (CD-audio) передается много

избыточной информации. Принцип сжатия работает на эффектах маскировки

некоторых звуков для человека (например, если идет сильный звук на частоте

1000 Гц, то более слабый звук на частоте 1100 Гц уже не будет слышен

человеку, также будет ослаблена чувствительность человеческого уха на

период в 100 мс после и 5 мс до возникновения сильного звука). Psycoacustic

(психоакустическая) модель используемая в MPEG разбивает весь частотный

спектр на части, в которых уровень звука считается одинаковым, а затем

удаляет звуки не воспринимаемые человеком, благодаря описанным выше

эффектам.

В Layer III части разбитого спектра самые маленькие, что обеспечивает

самое хорошее сжатие. MPEG Audio поддерживает совместимость Layer'ов снизу

вверх, т.е. decoder (декодировщик) для Layer II будет также распознавать

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28