Audio
Avser ljudvågor med en ljudfrekvens mellan 20 Hz och 20 kHz som kan höras av det mänskliga örat.
Om du lägger till ett motsvarande ljudkort till datorn - det ljudkort som vi ofta säger kan vi spela in alla ljud och ljudets akustiska egenskaper, t.ex. ljudnivån, kan lagras som filer på datorns hårda disk. Omvänt kan vi också använda ett visst ljudprogram för att spela upp den lagrade ljudfilen för att återställa det tidigare inspelade ljudet.
1 Ljudfilformat
Ljudfilformatet hänvisar specifikt till formatet på filen som lagrar ljuddata. Det finns många olika format.
Den allmänna metoden för att erhålla ljuddata är att sampla (kvantisera) ljudspänningen vid ett fast tidsintervall och lagra resultatet vid en viss upplösning (till exempel är varje CDDA-sampel 16 bitar eller 2 byte). Samplingsintervallet kan ha olika standarder. Till exempel använder CDDA 44,100 48,000 gånger per sekund; DVD använder 96,000 2 eller XNUMX XNUMX gånger per sekund. Därför är [samplingsfrekvens], [upplösning] och antalet [kanaler] (till exempel två kanaler för stereo) nyckelparametrarna för ljudfilformatet.
1.1 Förlust och förlustfri
Enligt produktionsprocessen för digitalt ljud kan ljudkodning bara vara oändligt nära naturliga signaler. Åtminstone den nuvarande tekniken kan bara göra detta. Varje digitalt ljudkodningsschema är förlorat eftersom det inte kan återställas helt. I datorprogram är PCM-kodning den högsta nivån av trohet, som ofta används för att bevara material och uppskatta musik. Den används i CD-skivor, DVD-skivor och våra vanliga WAV-filer. Därför har PCM blivit en förlustfri kodning enligt konvention, eftersom PCM representerar den bästa trovärdighetsnivån i digitalt ljud.
Det finns två huvudtyper av ljudfilformat:
Förlustfria format, som WAV, PCM, TTA, FLAC, AU, APE, TAK, WavPack (WV)
Förlorade format, såsom MP3, Windows Media Audio (WMA), Ogg Vorbis (OGG), AAC
2 parameter introduktion
2.1 Provtagningshastighet
Avser antalet ljudprover som erhållits per sekund. Ljud är faktiskt en slags energivåg, så det har också egenskaperna för frekvens och amplitud. Frekvensen motsvarar tidsaxeln och amplituden motsvarar nivåaxeln. Vågen är oändligt jämn och strängen kan betraktas som sammansatt av otaliga punkter. Eftersom lagringsutrymmet är relativt begränsat måste strängens punkter samplas under den digitala kodningsprocessen.
Provtagningsprocessen är att extrahera frekvensvärdet för en viss punkt. Det är uppenbart att ju fler poäng extraheras på en sekund, desto mer frekvensinformation erhålls. För att återställa vågformen, ju högre samplingsfrekvens, desto bättre ljudkvalitet. Ju mer verklig restaureringen är, men samtidigt tar den upp mer resurser. På grund av den begränsade upplösningen på det mänskliga örat kan en alltför hög frekvens inte urskiljas. Samplingsfrekvensen 22050 används ofta, 44100 är redan CD-ljudkvalitet och sampling över 48,000 96,000 eller 24 XNUMX är inte längre meningsfullt för det mänskliga örat. Detta liknar XNUMX bilder per sekund i filmer. Om det är stereo fördubblas provet och filen fördubblas nästan.
Enligt Nyquist-samplingsteorin bör samplingsfrekvensen vara cirka 40 kHz för att säkerställa att ljudet inte förvrängs. Vi behöver inte veta hur denna sats kom till. Vi behöver bara veta att denna teorem säger att om vi vill spela in en signal exakt måste vår samplingsfrekvens vara större än eller lika med dubbelt så hög som frekvensen för ljudsignalen. Kom ihåg att det är den maximala frekvensen.
Inom området digitalt ljud är vanliga samplingsfrekvenser:
8000 Hz - samplingsfrekvensen som används av telefonen, vilket är tillräckligt för mänskligt tal
11025 Hz-samplingsfrekvens som används av telefonen
22050 Hz-samplingsfrekvens som används i radiosändningar
32000 Hz samplingsfrekvens för miniDV digital videokamera, DAT (LP-läge)
44100 Hz-Audio-CD, används ofta som samplingsfrekvens för MPEG-1-ljud (VCD, SVCD, MP3)
47250 Hz samplingsfrekvens som används av kommersiella PCM-inspelare
48000 Hz samplingsfrekvens för digitalt ljud som används i miniDV, digital TV, DVD, DAT, filmer och professionellt ljud
50000 Hz samplingsfrekvens som används av kommersiella digitala inspelare
96000 Hz eller 192000 Hz - samplingsfrekvensen som används för DVD-Audio, vissa LPCM DVD-ljudspår, BD-ROM-ljudspår (Blu-ray Disc) och HD-DVD-ljudspår (High Definition DVD)
2.2 Antal samplingsbitar
Antalet samplingsbitar kallas också samplingsstorleken eller antalet kvantiseringsbitar. Det är en parameter som används för att mäta ljudets fluktuationer, det vill säga ljudkortets upplösning eller kan förstås som ljudkortets upplösning som behandlas av ljudkortet. Ju större värde, desto högre upplösning och desto mer realistiskt spelas ljudet in och spelas upp. Ljudkortets bit refererar till de binära siffrorna i den digitala ljudsignalen som används av ljudkortet när du samlar in och spelar upp ljudfiler. Ljudkortets bit reflekterar objektivt noggrannheten i den digitala ljudsignalens beskrivning av ingångssignalen. Vanliga ljudkort är huvudsakligen 8-bitars och 16-bitars. Numera är alla vanliga produkter på marknaden 16-bitars och över ljudkort.
Varje samplad data registrerar amplituden och samplingsnoggrannheten beror på antalet samplingsbitar:
1 byte (dvs 8bit) kan bara spela in 256 nummer, vilket innebär att amplituden bara kan delas in i 256 nivåer;
2 byte (dvs 16bit) kan vara så liten som 65536, vilket redan är en CD-standard;
4 byte (det vill säga 32 bitar) kan dela upp amplituden i 4294967296 nivåer, vilket verkligen är onödigt.
2.3 Antal kanaler
Det vill säga antalet ljudkanaler. Gemensam mono och stereo (dual-channel) har nu utvecklats till fyra-sound surround (fyra-channel) och 5.1 kanaler.
2.3.1 Mono
Mono är en relativt primitiv form av ljudåtergivning, och tidiga ljudkort använde det oftare. Monoljud kan bara ljudas med en högtalare, och vissa bearbetas också till två högtalare för att mata ut samma ljudkanal. När monofonisk information spelas upp genom två högtalare kan vi tydligt känna att ljudet kommer från två högtalare. Det är omöjligt att bestämma den specifika platsen för ljudkällan som överförs till våra öron från mitten av högtalaren.
2.3.2 stereo
Binaurala kanaler har två ljudkanaler. Principen är att när människor hör ett ljud kan de bedöma ljudkällans specifika position baserat på fasskillnaden mellan vänster och höger öron. Ljudet tilldelas två oberoende kanaler under inspelningsprocessen för att uppnå en bra ljudlokaliseringseffekt. Denna teknik är särskilt användbar för musikuppskattning. Lyssnaren kan tydligt skilja i vilken riktning olika instrument kommer från, vilket gör musiken mer fantasifull och närmare platsupplevelsen.
Två röster är för närvarande de vanligaste. I karaoke är den ena för att spela musik och den andra för sångers röst; i VCD, den ena dubbar på mandarin och den andra dubbar på kantonesiska.
2.3.3 Fyrtonig surround
Fyra kanals surround definierar fyra ljudpunkter, fram till vänster, fram till höger, bak till vänster och bak till höger, och publiken omges av dessa. Det rekommenderas också att lägga till en subwoofer för att stärka uppspelningsbehandlingen av lågfrekventa signaler (detta är anledningen till att 4.1-kanals högtalarsystem är mycket populära idag). När det gäller den övergripande effekten kan fyrkanalssystemet ge lyssnarna surroundljud från flera olika riktningar, kan få hörselupplevelsen att vara i en mängd olika miljöer och ge användarna en helt ny upplevelse. Numera har fyrkanalsteknologi integrerats i stor utsträckning i utformningen av olika mid-to-end-ljudkort, vilket har blivit den vanliga trenden för framtida utveckling.
2.3.4 5.1 kanal
5.1 kanaler har använts i stor utsträckning i olika traditionella teatrar och hemmabio. Några av de mer kända komprimeringsformaten för ljudinspelning, som Dolby AC-3 (Dolby Digital), DTS, etc., är baserade på 5.1-ljudsystemet. Kanalen ".1" är en specialdesignad subwooferkanal som kan producera subwoofers med ett frekvenssvar på 20 till 120 Hz. Faktum är att 5.1-ljudsystemet kommer från 4.1 surround, skillnaden är att det lägger till en centralenhet. Denna centralenhet ansvarar för att sända ljudsignalen under 80Hz, vilket är till hjälp för att stärka den mänskliga rösten när du tittar på filmen och koncentrera dialogen i mitten av hela ljudfältet för att öka den totala effekten.
För närvarande har många online-musikspelare, som QQ Music, tillhandahållit 5.1-kanals musik för provlyssning och nedladdning.
2.4-ram
Begreppet ljudramar är inte lika tydligt som videoramar. Nästan alla videokodningsformat kan helt enkelt tänka på en ram som en kodad bild. Ljudramen är emellertid relaterad till kodningsformatet, som implementeras av varje kodningsstandard.
Till exempel, när det gäller PCM (okodad ljuddata) behöver den inte alls konceptet med ramar och kan spelas enligt samplingsfrekvensen och samplingsnoggrannheten. Till exempel, för dubbelt ljud med en samplingsfrekvens på 44.1 kHz och en samplingsnoggrannhet på 16 bitar kan du beräkna att bithastigheten är 44100162bps, och ljuddata per sekund är en fast 44100162/8 byte.
Amr-ramen är relativt enkel. Den föreskriver att var 20: e ms ljud är en ram, och varje bildram är oberoende, och det är möjligt att använda olika kodningsalgoritmer och olika kodningsparametrar.
Mp3-ramen är lite mer komplicerad och innehåller mer information, såsom samplingshastighet, bithastighet och olika parametrar.
2.5 cykler
Antalet ramar som krävs av en ljudenhet för bearbetning åt gången, och dataåtkomst för ljudenheten och lagring av ljuddata baseras alla på den här enheten.
2.6 Interleaved-läge
Lagringsmetoden för digital ljudsignal. Datan lagras i kontinuerliga ramar, det vill säga de vänstra kanalproverna och högerkanalproverna för ram 1 spelas in först och sedan startas inspelningen av ram 2.
2.7 Icke-sammanflätat läge
Registrera först de vänstra kanalproverna för alla ramar under en period och spela sedan in alla rätt kanalprover.
2.8 Bithastighet (bithastighet)
Bithastighet kallas också bithastighet, vilket hänvisar till mängden data som spelas av musik per sekund. Enheten uttrycks med bit, vilket är binär bit. bps är bithastigheten. b är bit (bit), s är sekund (sekund), p är varje (per), en byte motsvarar 8 binära bitar. Det vill säga filstorleken på en 4-minuterslåt på 128bps beräknas så här (128/8) 460 = 3840kB = 3.8MB, 1B (Byte) = 8b (bit), i allmänhet är mp3 fördelaktigt vid cirka 128 bitar hastighet, och det är förmodligen Storleken är runt 3-4 BM.
I datorprogram är PCM-kodning, som används i stor utsträckning, högst trovärdig för materialbevarande och musikuppskattning. CD-skivor, DVD-skivor och våra vanliga WAV-filer används alla. Därför har PCM blivit en förlustfri kodning enligt konvention, eftersom PCM representerar den bästa trovärdighetsnivån i digitalt ljud. Det betyder inte att PCM kan säkerställa signalens absoluta trohet. PCM kan bara uppnå maximal oändlig närhet.
Att beräkna bithastigheten för en PCM-ljudström är en mycket enkel uppgift, samplingshastighetsvärde × samplingsstorleksvärde × kanalnummer bps. En WAV-fil med en samplingshastighet på 44.1 kHz, en samplingsstorlek på 16 bitar och dubbelkanal PCM-kodning, dess datahastighet är 44.1 k × 16 × 2 = 1411.2 kbit / s. Vår vanliga ljud-CD använder PCM-kodning, och CD-skivans kapacitet kan bara innehålla 72 minuter musikinformation.
En PCM-kodad ljudsignal med dubbla kanaler kräver 176.4 kB utrymme på 1 sekund och cirka 10.34 M på 1 minut. Detta är oacceptabelt för de flesta användare, särskilt de som gillar att lyssna på musik på datorn. Diskbeläggning, det finns bara två metoder, nedprovningsindex eller komprimering. Det är inte tillrådligt att minska samplingsindexet, så experter har utvecklat olika komprimeringsscheman. De mest originella är DPCM, ADPCM, och den mest kända är MP3. Därför är kodhastigheten efter datakomprimering mycket lägre än den ursprungliga koden.
2.9 Exempel på beräkning
Exempelvis är fillängden på "Windows XP startup.wav" 424,644 22050 byte, vilket är i formatet "16HZ / XNUMXbit / stereo".
Då är överföringshastigheten per sekund (bithastighet, även kallad bithastighet, samplingshastighet) 22050162 = 705600 (bps), omvandlad till byteenhet är 705600/8 = 88200 (byte per sekund), uppspelningstid: 424644 (Totalt antal byte) / 88200 (byte per sekund) ≈ 4.8145578 (sekunder).
Men detta är inte tillräckligt noggrant. WAVE-filen (* .wav) i standard-PCM-formatet har minst 42 byte av huvudinformation, som bör tas bort vid beräkning av uppspelningstiden, så det finns: (424644-42) / (22050162/8) ≈ 4.8140816 ( sekunder). Detta är mer exakt.
3 PCM-ljudkodning
PCM står för Pulse Code Modulation. Vid PCM-processen samplas, kvantiseras och kodas den analoga ingångssignalen, och det binära kodade numret representerar amplituden för den analoga signalen; den mottagande änden återställer sedan dessa koder till den ursprungliga analoga signalen. A / D-omvandlingen av digitalt ljud inkluderar tre processer: sampling, kvantisering och kodning.
Antagningshastigheten för röst-PCM är 8 kHz och antalet samplingsbitar är 8 bitar, så kodhastigheten för den röst digitala kodade signalen är 8 bitar × 8 kHz = 64 kbit / s = 8 KB / s.
3.1 Principer för ljudkodning
Den som har en viss elektronisk grund vet att ljudsignalen som samlas in av sensorn är en analog kvantitet, men det vi använder i den faktiska överföringsprocessen är en digital kvantitet. Och det handlar om att konvertera analog till digital. Den analoga signalen måste gå igenom tre processer, nämligen sampling, kvantisering och kodning, för att realisera pulskodmoduleringstekniken (PCM, Pulse Coding Modulation) för röstdigitalisering.
Konverteringsprocessen
3.1.1 Provtagning
Sampling är processen att extrahera sampel (samplingsfrekvens) från en analog signal med en frekvens som är mer än 2 gånger signalbandbredden (Lequist Sampling Theorem) och förvandla den till en diskret samplingssignal på tidsaxeln.
Samplingsfrekvens: Antalet prover som extraheras från en kontinuerlig signal per sekund för att bilda en diskret signal, uttryckt i Hertz (Hz).
prov:
Exempelvis är samplingsfrekvensen för ljudsignalen 8000Hz.
Det kan förstås att provet i ovanstående figur motsvarar kurvan för spänningsförändringen med tiden i figuren under 1 sekund, sedan är den nedre 1 2 3 ... 10, eftersom det bör vara 1-8000 punkter, det vill säga 1 sekund är uppdelad i 8000 delar, och ta sedan ut dem i tur och ordning Spänningsvärdet motsvarande den 8000 punkten.
3.1.2 Kvantifiering
Även om den samplade signalen är en diskret signal på tidsaxeln, är den fortfarande en analog signal, och dess samplingsvärde kan ha ett oändligt antal värden inom ett visst intervall av värden. Metoden "avrundning" måste antas för att "runda upp" samplingsvärdena, så att samplingsvärdena inom ett visst värdeintervall ändras från ett oändligt antal värden till ett ändligt antal värden. Denna process kallas kvantifiering.
Samplingsantal bitar: avser antalet bitar som används för att beskriva den digitala signalen.
8 bitar (8bit) representerar 2 till 8: e effekten = 256, 16 bitar (16bit) representerar 2 till den 16: e effekten = 65536;
prov:
Till exempel är spänningsområdet som samlas in av ljudsensorn 0-3.3V, och samplingsnumret är 8bit (bit)
Det vill säga vi betraktar 3.3V / 2 ^ 8 = 0.0128 som kvantiseringsnoggrannheten.
Vi delar 3.3v i 0.0128 som steg-Y-axeln, som visas i figur 3, 1 2 ... 8 blir 0 0.0128 0.0256 ... 3.3 V
Till exempel är spänningsvärdet för en samplingspunkt 1.652V (mellan 1280.128 och 1290.128). Vi rundar den till 1.65V och motsvarande kvantiseringsnivå är 128.
3.1.3 Kodning
Den kvantiserade samplingssignalen omvandlas till en serie decimala digitala kodströmmar anordnade enligt samplingssekvensen, det vill säga den decimala digitala signalen. Ett enkelt och effektivt datasystem är ett binärt kodsystem. Därför bör den decimala digitala koden konverteras till en binär kod. Enligt det totala antalet decimala digitala koder kan antalet bitar som krävs för binär kodning bestämmas, det vill säga ordlängden (antal samplingsbitar). Denna process för att omvandla den kvantiserade samplingssignalen till en binär kodström med en given ordlängd kallas kodning.
prov:
Då motsvarar ovanstående 1.65V en kvantiseringsnivå på 128. Motsvarande binärt system är 10000000. Det vill säga resultatet av kodning av samplingspunkten är 10000000. Naturligtvis är detta en kodningsmetod som inte beaktar de positiva och negativa värdena , och det finns många typer av kodningsmetoder som kräver specifik analys av specifika problem. (PCM-ljudformatkodning är A-lag 13 polyline-kodning)
3.2 PCM-ljudkodning
PCM-signalen har inte genomgått någon kodning och komprimering (förlustfri komprimering). Jämfört med analoga signaler påverkas det inte lätt av överföringssystemets röran och störningar. Det dynamiska området är brett och ljudkvaliteten är ganska bra.
3.2.1 PCM-kodning
Den använda kodningen är A-law 13 polyline-kodning.
Mer information finns i: PCM-röstkodning
3.2.2 Kanal
Kanaler kan delas in i mono och stereo (dubbel kanal).
Varje sampelvärde för PCM ingår i ett heltal i, och längden på i är det minsta antal byte som krävs för att tillgodose den angivna samplängden.
Provstorlek Dataformat Lägsta värde Maximalt värde
8-bitars PCM osignerad int 0 225
16-bitars PCM int -32767 32767
För monoljudfiler är samplingsdata ett 8-bitars kort heltal (kort int 00H-FFH) och samplingsdata lagras i kronologisk ordning.
Tvåkanals stereoljudfil, varje samplingsdata är ett 16-bitars heltal (int), de övre åtta bitarna (vänster kanal) respektive de nedre åtta bitarna (höger kanal) representerar två kanaler, och samplingsdata är i kronologisk ordning Insättning i alternativ ordning.
Detsamma gäller när antalet samplingsbitar är 16 bitar och lagringen är relaterad till byteordningen.
PCM-dataformat
Alla nätverksprotokoll använder det stora endian-sättet att överföra data. Därför kallas den stora endianmetoden också nätverksbyteordning. När två värdar med olika byteordning kommunicerar måste de konverteras till nätverksbyteordning innan de skickar data innan de sänds.
4 G.711
I allmänhet PCM genomgår den analoga signalen viss bearbetning (såsom amplitudkomprimering) innan den digitaliseras. När den väl digitaliserats bearbetas vanligtvis PCM-signalen ytterligare (såsom digital datakomprimering).
G.711 är en vanlig multimedia digital signal (komprimering / dekompression) algoritm som modulerar pulskoden från ITU-T. Det är en samplingsteknik för digitalisering av analoga signaler, särskilt för ljudsignaler. PCM samplar signalen 8000 gånger per sekund, 8KHz; varje sampel är 8 bitar, totalt 64 kbps (DS0). Det finns två standarder för kodning av samplingsnivåer. Nordamerika och Japan använder Mu-Law-standarden, medan de flesta andra länder använder A-Law-standarden.
A-lag och u-lag är två kodningsmetoder för PCM. A-law PCM används i Europa och mitt land, och Mu-law används i Nordamerika och Japan. Skillnaden mellan de två är kvantiseringsmetoden. A-lagen använder 12-bitars kvantisering och u-lagen använder 13-bitars kvantisering. Samplingsfrekvensen är 8 KHz, och båda är kodningsmetoder på 8 bitar.
Enkel förståelse: PCM är den ursprungliga ljuddata som samlas in av ljudutrustning. G.711 och AAC är två olika algoritmer som kan komprimera PCM-data till ett visst förhållande, vilket sparar bandbredd vid nätverksöverföring.
Vår andra produkt:
