音頻基礎(chǔ)知識(shí)及編碼原理

1、一、基本概念1 比特率：表示經(jīng)過(guò)編碼（壓縮）后的音頻數(shù)據(jù)每秒鐘需要用多少個(gè)比特來(lái)表示，單位常為kbps。2 響度和強(qiáng)度：聲音的主觀屬性響度表示的是一個(gè)聲音聽(tīng)來(lái)有多響的程度。響度主要隨聲音的強(qiáng)度而變化，但也受頻率的影響。總的說(shuō)，中頻純音聽(tīng)來(lái)比低頻和高頻純音響一些。3 采樣和采樣率：采樣是把連續(xù)的時(shí)間信號(hào)，變成離散的數(shù)字信號(hào)。采樣率是指每秒鐘采集多少個(gè)樣本。Nyquist采樣定律：采樣率大于或等于連續(xù)信號(hào)最高頻率分量的2倍時(shí)，采樣信號(hào)可以用來(lái)完美重構(gòu)原始連續(xù)信號(hào)。二、常見(jiàn)音頻格式1. WAV格式，是微軟公司開(kāi)發(fā)的一種聲音文件格式，也叫波形聲音文件，是最早的數(shù)字音頻格式，被Windows平臺(tái)及其應(yīng)用

2、程序廣泛支持，壓縮率低。2. MIDI是Musical Instrument Digital Interface的縮寫(xiě)，又稱作樂(lè)器數(shù)字接口，是數(shù)字音樂(lè)/電子合成樂(lè)器的統(tǒng)一國(guó)際標(biāo)準(zhǔn)。它定義了計(jì)算機(jī)音樂(lè)程序、數(shù)字合成器及其它電子設(shè)備交換音樂(lè)信號(hào)的方式，規(guī)定了不同廠家的電子樂(lè)器與計(jì)算機(jī)連接的電纜和硬件及設(shè)備間數(shù)據(jù)傳輸?shù)膮f(xié)議，可以模擬多種樂(lè)器的聲音。MIDI文件就是MIDI格式的文件，在MIDI文件中存儲(chǔ)的是一些指令。把這些指令發(fā)送給聲卡，由聲卡按照指令將聲音合成出來(lái)。3. MP3全稱是MPEG-1 Audio Layer 3，它在1992年合并至MPEG規(guī)范中。MP3能夠以高音質(zhì)、低采樣率對(duì)數(shù)字音頻

3、文件進(jìn)行壓縮。應(yīng)用最普遍。4. MP3Pro是由瑞典Coding科技公司開(kāi)發(fā)的，其中包含了兩大技術(shù)：一是來(lái)自于Coding科技公司所特有的解碼技術(shù)，二是由MP3的專利持有者法國(guó)湯姆森多媒體公司和德國(guó)Fraunhofer集成電路協(xié)會(huì)共同研究的一項(xiàng)譯碼技術(shù)。MP3Pro可以在基本不改變文件大小的情況下改善原先的MP3音樂(lè)音質(zhì)。它能夠在用較低的比特率壓縮音頻文件的情況下，最大程度地保持壓縮前的音質(zhì)。5. MP3Pro是由瑞典Coding科技公司開(kāi)發(fā)的，其中包含了兩大技術(shù)：一是來(lái)自于Coding科技公司所特有的解碼技術(shù)，二是由MP3的專利持有者法國(guó)湯姆森多媒體公司和德國(guó)Fraunhofer集成電路協(xié)會(huì)

4、共同研究的一項(xiàng)譯碼技術(shù)。MP3Pro可以在基本不改變文件大小的情況下改善原先的MP3音樂(lè)音質(zhì)。它能夠在用較低的比特率壓縮音頻文件的情況下，最大程度地保持壓縮前的音質(zhì)。6. WMA (Windows Media Audio)是微軟在互聯(lián)網(wǎng)音頻、視頻領(lǐng)域的力作。WMA格式是以減少數(shù)據(jù)流量但保持音質(zhì)的方法來(lái)達(dá)到更高的壓縮率目的，其壓縮率一般可以達(dá)到1:18。此外，WMA還可以通過(guò)DRM（Digital Rights Management）保護(hù)版權(quán)。7. RealAudio是由Real Networks公司推出的一種文件格式，最大的特點(diǎn)就是可以實(shí)時(shí)傳輸音頻信息，尤其是在網(wǎng)速較慢的情況下，仍然可以較為流

5、暢地傳送數(shù)據(jù)，因此RealAudio主要適用于網(wǎng)絡(luò)上的在線播放?，F(xiàn)在的RealAudio文件格式主要有RA(RealAudio)、RM（RealMedia，RealAudio G2）、RMX(RealAudio Secured)等三種，這些文件的共同性在于隨著網(wǎng)絡(luò)帶寬的不同而改變聲音的質(zhì)量，在保證大多數(shù)人聽(tīng)到流暢聲音的前提下，令帶寬較寬敞的聽(tīng)眾獲得較好的音質(zhì)。8. Audible擁有四種不同的格式：Audible1、2、3、4。A網(wǎng)站主要是在互聯(lián)網(wǎng)上販賣有聲書(shū)籍，并對(duì)它們所銷售商品、文件通過(guò)四種A 專用音頻格式中的一種提供保護(hù)。每一種格式主要考慮音頻源以及所使用的收聽(tīng)的設(shè)備。格式1、2和 3采

6、用不同級(jí)別的語(yǔ)音壓縮，而格式4采用更低的采樣率和MP3相同的解碼方式，所得到語(yǔ)音吐辭更清楚，而且可以更有效地從網(wǎng)上進(jìn)行下載。Audible 所采用的是他們自己的桌面播放工具，這就是Audible Manager，使用這種播放器就可以播放存放在PC或者是傳輸?shù)奖銛y式播放器上的Audible格式文件9AAC實(shí)際上是高級(jí)音頻編碼的縮寫(xiě)。AAC是由Fraunhofer IIS-A、杜比和AT&T共同開(kāi)發(fā)的一種音頻格式，它是MPEG-2規(guī)范的一部分。AAC所采用的運(yùn)算法則與MP3的運(yùn)算法則有所不同，AAC通過(guò)結(jié)合其他的功能 來(lái)提高編碼效率。AAC的音頻算法在壓縮能力上遠(yuǎn)遠(yuǎn)超過(guò)了以前的一些壓縮算法（比如M

7、P3等）。它還同時(shí)支持多達(dá)48個(gè)音軌、15個(gè)低頻音軌、更多種采樣率和比特率、多種語(yǔ)言的兼容能力、更高的解碼效率?？傊?，AAC可以在比MP3文件縮小30%的前提下提供更好的音質(zhì)。10. Ogg Vorbis 是一種新的音頻壓縮格式，類似于MP3等現(xiàn)有的音樂(lè)格式。但有一點(diǎn)不同的是，它是完全免費(fèi)、開(kāi)放和沒(méi)有專利限制的。Vorbis 是這種音頻壓縮機(jī)制的名字，而Ogg則是一個(gè)計(jì)劃的名字，該計(jì)劃意圖設(shè)計(jì)一個(gè)完全開(kāi)放性的多媒體系統(tǒng)。VORBIS也是有損壓縮，但通過(guò)使用更加先進(jìn)的聲學(xué)模型去減少損失，因此，同樣位速率(Bit Rate)編碼的OGG與MP3相比聽(tīng)起來(lái)更好一些。11. APE是一種無(wú)損壓縮音頻格

8、式,在音質(zhì)不降低的前提下，大小壓縮到傳統(tǒng)無(wú)損格式 WAV 文件的一半.12 .FLAC即是Free Lossless Audio Codec的縮寫(xiě)，是一套著名的自由音頻無(wú)損壓縮編碼，其特點(diǎn)是無(wú)損壓縮。三、音頻編碼基本原理語(yǔ)音編碼致力于：降低傳輸所需要的信道帶寬，同時(shí)保持輸入語(yǔ)音的高質(zhì)量。語(yǔ)音編碼的目標(biāo)在于：設(shè)計(jì)低復(fù)雜度的編碼器以盡可能低的比特率實(shí)現(xiàn)高品質(zhì)數(shù)據(jù)傳輸。1 靜音閾值曲線：只在安靜環(huán)境下，人耳在各個(gè)頻率能聽(tīng)到聲音的閾值。2 臨界頻帶由于人耳對(duì)不同頻率的解析度不同，MPEG1/Audio將22khz內(nèi)可感知的頻率范圍，依不同編碼層，不同取樣頻率，劃分成2326個(gè)臨界頻帶。下圖列出理想臨界

9、頻帶的中心頻率與頻寬。圖中可看到，人耳對(duì)低頻的解析度較好。 圖53 頻域上的掩蔽效應(yīng)：幅值較大的信號(hào)會(huì)掩蔽頻率相近的幅值較小的信號(hào)，如下圖：4 時(shí)域上的遮蔽效應(yīng)：在一個(gè)很短的時(shí)間內(nèi)，若出現(xiàn)了2個(gè)聲音，SPL（sound pressure level）較大的聲音會(huì)掩蔽SPL較小的聲音。時(shí)域掩蔽效應(yīng)分前向掩蔽（pre-masking）和后向掩蔽(post-masking),其中post-masking的時(shí)間會(huì)比較長(zhǎng)，約是pre-masking的10倍。時(shí)域遮蔽效應(yīng)有助于消除前回音。四、編碼基本手段1 量化和量化器量化和量化器：量化是把離散時(shí)間上的連續(xù)信號(hào)，轉(zhuǎn)化成離散時(shí)間上的離散信號(hào)。常見(jiàn)的量化器有

10、：均勻量化器，對(duì)數(shù)量化器，非均勻量化器。量化過(guò)程追求的目標(biāo)是：最小化量化誤差，并盡量減低量化器的復(fù)雜度（這2者本身就是一個(gè)矛盾）。（a）均勻量化器：最簡(jiǎn)單，性能最差，僅適應(yīng)于電話語(yǔ)音。（b）對(duì)數(shù)量化器：比均勻量化器復(fù)雜，也容易實(shí)現(xiàn)，性能比均勻量化器好。（c）Non-uniform量化器：根據(jù)信號(hào)的分布情況，來(lái)設(shè)計(jì)量化器。信號(hào)密集的地方進(jìn)行細(xì)致的量化，稀疏的地方進(jìn)行粗略量化。2 語(yǔ)音編碼器語(yǔ)音編碼器分為三種類形：（a）波形編器；（b）聲碼器；（c）混合編碼器。波形編碼器以構(gòu)造出背景噪單在內(nèi)的模擬波形為目標(biāo)。作用于所有輸入信號(hào)，因此會(huì)產(chǎn)生高質(zhì)量的樣值并且耗費(fèi)較高的比特率。 而聲碼器（vocoder

11、）不會(huì)再生原始波形。這組編碼器會(huì)提取一組參數(shù)，這組參數(shù)被送到接收端，用來(lái)導(dǎo)出語(yǔ)音產(chǎn)生模形。聲碼器語(yǔ)音質(zhì)量不夠好?；旌暇幋a器，它融入了波形編碼器和聲器的長(zhǎng)處。2.1 波形編碼器波形編碼器的設(shè)計(jì)常獨(dú)立于信號(hào)。所以適應(yīng)于各種信號(hào)的編碼而不限于語(yǔ)音。1 時(shí)域編碼a）PCM：pulse code modulation,是最簡(jiǎn)單的編碼方式。僅僅是對(duì)信號(hào)的離散和量化，常采用對(duì)數(shù)量化。b）DPCM：differential pulse code modulation，差分脈沖編碼，只對(duì)樣本之間的差異進(jìn)行編碼。前一個(gè)或多個(gè)樣本用來(lái)預(yù)測(cè)當(dāng)前樣本值。用來(lái)做預(yù)測(cè)的樣本越多，預(yù)測(cè)值越精確。真實(shí)值和預(yù)測(cè)值之間的差值叫殘差

12、，是編碼的對(duì)象。c）ADPCM：adaptive differential pulse code modulation，自適應(yīng)差分脈沖編碼。即在DPCM的基礎(chǔ)上，根據(jù)信號(hào)的變化，適當(dāng)調(diào)整量化器和預(yù)測(cè)器，使預(yù)測(cè)值更接近真實(shí)信號(hào)，殘差更小，壓縮效率更高。（2）頻域編碼頻域編碼是把信號(hào)分解成一系列不同頻率的元素，并進(jìn)行獨(dú)立編碼。a）sub-band coding：子帶編碼是最簡(jiǎn)單的頻域編碼技術(shù)。是將原始信號(hào)由時(shí)間域轉(zhuǎn)變?yōu)轭l率域，然后將其分割為若干個(gè)子頻帶，并對(duì)其分別進(jìn)行數(shù)字編碼的技術(shù)。它是利用帶通濾波器(BPF)組把原始信號(hào)分割為若干(例如m個(gè))子頻帶(簡(jiǎn)稱子帶)。將各子帶通過(guò)等效于單邊帶調(diào)幅的調(diào)制

13、特性，將各子帶搬移到零頻率附近，分別經(jīng)過(guò)BPF(共m個(gè))之后，再以規(guī)定的速率(奈奎斯特速率)對(duì)各子帶輸出信號(hào)進(jìn)行取樣，并對(duì)取樣數(shù)值進(jìn)行通常的數(shù)字編碼，其設(shè)置m路數(shù)字編碼器。將各路數(shù)字編碼信號(hào)送到多路復(fù)用器，最后輸出子帶編碼數(shù)據(jù)流。對(duì)不同的子帶可以根據(jù)人耳感知模型，采用不同量化方式以及對(duì)子帶分配不同的比特?cái)?shù)。b）transform coding：DCT編碼。6 聲碼器channel vocoder:利用人耳對(duì)相位的不敏感。homomorphic vocoder：能有效地處理合成信號(hào)。formant vocoder:以用語(yǔ)音信號(hào)的絕大部分信息都位于共振峰的位置與帶寬上。linear predictive vocoder：最常用的聲碼器。7 混合編碼器波形編碼器試圖保留被編碼信號(hào)的波形，能以中等比特率（32kbps）提供高品質(zhì)語(yǔ)音，但無(wú)法應(yīng)用在低比特率場(chǎng)合。聲碼器試圖產(chǎn)生在聽(tīng)覺(jué)上與被編碼信號(hào)相似的信號(hào)，能以低比特率提供可以理解的語(yǔ)音，但是所形成的語(yǔ)音聽(tīng)起來(lái)不自然?；旌暇幋a器結(jié)合了2者的優(yōu)點(diǎn)。RELP：在線性預(yù)測(cè)的基礎(chǔ)上，對(duì)殘差進(jìn)行編碼。機(jī)制為：只傳輸小部分殘差，在接受