音頻基礎(chǔ)知識及編碼原理

1、一、基本概念1 比特率：表示經(jīng)過編碼（壓縮）后的音頻數(shù)據(jù)每秒鐘需要用多少個比特來表示，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聲音聽來有多響的程度。響度主要隨聲音的強(qiáng)度而變化，但也受頻率的影響?？偟恼f，中頻純音聽來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)的時間信號，變成離散的數(shù)字信號。采樣率是指每秒鐘采集多少個樣本。nyquist采樣定律：采樣率大于或等于連續(xù)信號最高頻率分量的2倍時，采樣信號可以用來完美重構(gòu)原始連續(xù)信號。二、常見音頻格式1. wav格式，是微軟公司開發(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，又稱作樂器數(shù)字接口，是數(shù)字音樂/電子合成樂器的統(tǒng)一國際標(biāo)準(zhǔn)。它定義了計算機(jī)音樂程序、數(shù)字合成器及其它電子設(shè)備交換音樂信號的方式，規(guī)定了不同廠家的電子樂器與計算機(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，可以模擬多種樂器的聲音。midi文件就是midi格式的文件，在midi文件中存儲的是一些指令。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。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科技公司開發(fā)的，其中包含了兩大技術(shù)：一是來自于coding科技公司所特有的解碼技術(shù)，二是由mp3的專利持有者法國湯姆森多媒體公司和德國fraunhofer集成電路協(xié)會共同研究的一項(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科技公司開發(fā)的，其中包含了兩大技術(shù)：一是來自于coding科技公司所特有的解碼技術(shù)，二是由mp3的專利持有者法國湯姆森多媒體公司和德國fraunhofer集成電路協(xié)會

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)人聽到流暢聲音的前提下，令帶寬較寬敞的聽眾獲得較好的音質(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)上販賣有聲書籍，并對它們所銷售商品、文件通過四種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的設(shè)備。格式1、2和 3采

6、用不同級別的語音壓縮，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)際上是高級音頻編碼的縮寫。aac是由fraunhofer iis-a、杜比和at&t共同開發(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通過結(jié)合其他的功能 來提高編碼效率。aac的音頻算法在壓縮能力上遠(yuǎn)遠(yuǎn)超過了以前的一些壓縮算法

7、（比如mp3等）。它還同時支持多達(dá)48個音軌、15個低頻音軌、更多種采樣率和比特率、多種語言的兼容能力、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)有的音樂格式。但有一點(diǎn)不同 的是，它是完全免費(fèi) 、開放和沒有專利限制的。vorbis 是這種音頻壓縮機(jī)制的名字，而ogg則是一個計劃的名字，該計劃 意圖設(shè)計 一個完全開放性的多媒體系統(tǒng)。vorbis也是有損壓縮，但通過使用更加先進(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mp

8、3相比聽起來更好一些。11. ape是一種無損壓縮音頻格式,在音質(zhì)不降低的前提下，大小壓縮到傳統(tǒng)無損格式 wav 文件的一半.12 .flac即是free lossless audio codec的縮寫，是一套著名的自由音頻無損壓縮編碼，其特點(diǎn)是無損壓縮。三、音頻編碼基本原理語音編碼致力于：降低傳輸所需要的信道帶寬，同時保持輸入語音的高質(zhì)量。語音編碼的目標(biāo)在于：設(shè)計低復(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，人耳在各個頻率能聽到聲音的閾值。  2 臨界頻帶由于人耳對不同頻率的解析度不同，mpeg1/audio將22khz內(nèi)可感知的

9、頻率范圍，依不同編碼層，不同取樣頻率，劃分成2326個臨界頻帶。下圖列出理想臨界頻帶的中心頻率與頻寬。圖中可看到，人耳對低頻的解析度較好。                                      

10、60;                   圖53 頻域上的掩蔽效應(yīng)：幅值較大的信號會掩蔽頻率相近的幅值較小的信號，如下圖： 4 時域上的遮蔽效應(yīng)：在一個很短的時間內(nèi)，若出現(xiàn)了2個聲音，spl（sound pressure level）較大的聲音會掩蔽spl較小的聲音。時域掩蔽效應(yīng)分前向掩蔽（pre-masking）和后向掩蔽(post-masking),其中post-masking的時間會比較長，約是pr

11、e-masking的10倍。 時域遮蔽效應(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：量化是把離散時間上的連續(xù)信號，轉(zhuǎn)化成離散時間上的離散信號。常見的量化器有：均勻量化器，對數(shù)量化器，非均勻量化器。量化過程追求的目標(biāo)是：最小化量化誤差，并盡量減低量化器的復(fù)雜度（這2者本身就是一個矛盾）。（a）均勻量化器：最簡單，性能最差，僅適應(yīng)于電話語音。（b）對數(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)信號的分布情況，來設(shè)計量化器。信號密集的地方進(jìn)行細(xì)致的量化，稀疏的地方進(jìn)行粗略量化。2 語音編碼器語音編碼器分為三種類形

12、：（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，因此會產(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）不會再生原始波形。這組編碼器 會提取一組參數(shù) ，這組參數(shù)被送到接收端，用來導(dǎo)出語音產(chǎn)生模形。聲碼器語音質(zhì)量不夠好?；旌暇幋a器，它融入了波形編碼器和聲器的長處。2.1 波形編碼器波形編碼器的設(shè)計常獨(dú)立于信號。所以適應(yīng)于各種信號的編碼而不限于語音。1 時域編碼a）pcm：pulse code modulation,是最簡單的編碼方式。僅僅是對信

13、號的離散和量化，常采用對數(shù)量化。b）dpcm：differential pulse code modulation，差分脈沖編碼，只對樣本之間的差異進(jìn)行編碼。前一個或多個樣本用來預(yù)測當(dāng)前樣本值。用來做預(yù)測的樣本越多，預(yù)測值越精確。真實(shí)值和預(yù)測值之間的差值叫殘差，是編碼的對象。                    c）adpcm：adaptive differential pulse code m

14、odulation，自適應(yīng)差分脈沖編碼。即在dpcm的基礎(chǔ)上，根據(jù)信號的變化，適當(dāng)調(diào)整量化器和預(yù)測器，使預(yù)測值更接近真實(shí)信號，殘差更小，壓縮效率更高。（2）頻域編碼頻域編碼是把信號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：子帶編碼是最簡單的頻域編碼技術(shù)。是將原始信號由時間域轉(zhuǎn)變?yōu)轭l率域，然后將其分割為若干個子頻帶，并對其分別進(jìn)行數(shù)字編碼的技術(shù)。它是利用帶通濾波器(bpf)組把原始信號分割為若干(例如m個)子頻帶(簡稱子帶)。將各子帶通過等效于單邊帶調(diào)幅的調(diào)制特性，將各子帶搬移到零頻率附近，分別經(jīng)過bpf(共m個)之后，再以規(guī)定的速率(奈奎斯特速率)對各子帶

15、輸出信號進(jìn)行取樣，并對取樣數(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)字編碼信號送到多路復(fù)用器，最后輸出子帶編碼數(shù)據(jù)流。對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子帶分配不同的比特數(shù)。b）transform coding：dct編碼。6 聲碼器channel vocoder:利用人耳對相位的不敏感。homomorphic vocoder：能有效地處理合成信號。formant vocoder:以用語音信號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的波形，能以中等比特率（32kbps）提供高品質(zhì)語音，但無法應(yīng)用在低比特率場合。聲碼器試圖產(chǎn)生在聽覺上與被編碼信號相似的信號，能以低比特率提供可以理解的語音，但是所形成的語音聽起來不自然?；旌暇幋a器結(jié)合了2者的優(yōu)點(diǎn)。relp：在線性預(yù)測的基