第5章 數(shù)據(jù)音頻技術(shù).ppt

1、多媒體技術(shù)與應用,第3章 數(shù)據(jù)壓縮技術(shù) 第4章 數(shù)據(jù)存儲技術(shù) 第5章 數(shù)字音頻技術(shù) 第6章 數(shù)字圖形圖像技術(shù) 第7章 數(shù)字視頻技術(shù) 第8章 網(wǎng)絡(luò)多媒體技術(shù) 第9章 多媒體操作系統(tǒng),第5章 數(shù)據(jù)音頻技術(shù),聲音是多媒體技術(shù)研究中的一個重要內(nèi)容。聲音的種類繁多，如人的話音、樂器的聲響、動物的叫聲、機器產(chǎn)生的聲音以及自然界的雷聲、風聲、雨聲、閃電聲等。在用計算機處理這些聲音時，既要考慮它們的共性，又要利用它們各自的特性。 自從1969年Bell實驗室開始數(shù)字語音的研究以來，計算機產(chǎn)生音樂以及語音識別、語音合成技術(shù)得到了越來越廣泛的研究和應用。多媒體數(shù)字音頻處理技術(shù)在音頻數(shù)字化、語音處理、合成及識別等各

2、個方面都有著很好的發(fā)展。,5.1 聲音與聲音信號數(shù)字化,作為一種模擬信號，聲音在時間和振幅上都是連續(xù)的，即它的振幅能以任意精度并在任何一個時刻進行測量。與之不同的是，數(shù)字信號只能在確定的時刻才有意義，其數(shù)值也只能取有限的量。,5.1.1 聲音與聽覺器官,聲音的強弱表現(xiàn)在聲波壓力的大小上，音調(diào)的高低表現(xiàn)在聲音的頻率上。當聲音用電信號表示時，在時間和幅度上都是連續(xù)的模擬信號。對聲音信號的分析表明，聲音信號由許多頻率不同的信號組成，這類信號稱為復合信號，而單一頻率的信號稱為分量信號。聲音信號的一個重要參數(shù)就是帶寬，用來描述組成復合信號的頻率范圍，如高保真聲音的頻率范圍為1020000Hz，帶寬約為2

3、0kHz，而視頻信號的帶寬是6MHz。,5.1.1 聲音與聽覺器官,聲音信號的兩個基本參數(shù)是頻率和幅度。信號的頻率是指信號每秒鐘變化的次數(shù)，用Hz表示。頻率小于20Hz的信號稱為亞音信號，或稱為次音信號；頻率范圍為20Hz20kHz的信號稱為音頻（Audio）信號。雖然人的發(fā)音器官發(fā)出的聲音頻率大約是803400Hz，但人說話的信號頻率通常為3003000Hz，在這種頻率范圍的信號稱為話音信號；高于20kHz的信號稱為超音頻信號，或稱超聲波信號。一般來說，人的聽覺器官能感知的聲音頻率大約在2020000Hz之間，在這種頻率范圍里感知的聲音幅度大約在0120db之間。多媒體技術(shù)中處理的主要是音頻

4、信號，包括音樂、語音和音效（風雨聲、鳥叫聲、機器聲）等。,5.1.2 模擬信號與數(shù)字信號,大多數(shù)電信號（模擬信號）過去一直是用模擬元部件（如晶體管、變壓器、電阻、電容等）進行處理的。但是，開發(fā)一個具有相當精度、且?guī)缀醪皇墉h(huán)境變化影響的模擬信號處理元部件相當困難，成本也很高。 話音信號是典型的連續(xù)信號，不僅在時間上，而且在幅度上也是連續(xù)的。時間上“連續(xù)”是指在一個指定的時間范圍內(nèi)聲音信號的幅值有無窮多個，在幅度上“連續(xù)”是指幅度的數(shù)值有無窮多個。我們把在時間和幅度上都是連續(xù)的信號稱為模擬信號。,5.1.2 模擬信號與數(shù)字信號,如果把模擬信號轉(zhuǎn)變成數(shù)字信號，用數(shù)字來表示模擬量和對數(shù)字信號做計算，那

5、么開發(fā)模擬運算部件的問題就轉(zhuǎn)變成了開發(fā)數(shù)字運算部件的問題，這就出現(xiàn)了數(shù)字信號處理器（digital signal processor，DSP）。DSP與通用微處理器相比，除了結(jié)構(gòu)不同外，它們的基本差別是，DSP有能力響應和處理采樣模擬信號得到的數(shù)據(jù)流，如做乘法和累加求和運算等。,5.1.2 模擬信號與數(shù)字信號,在數(shù)字環(huán)境進行信號處理的主要優(yōu)點是：首先，數(shù)字信號計算是一種精確的運算方法，它不受時間和環(huán)境變化的影響；其次，表示部件功能的數(shù)學運算不是物理上實現(xiàn)的功能部件，而僅僅是用數(shù)學運算來模擬，相對容易實現(xiàn)；此外，可以對數(shù)字運算部件進行編程，如欲改變算法或改變某些功能，還可對數(shù)字部件進行再編程。,

6、5.1.3 聲音信號數(shù)字化,計算機要處理或合成聲音，就必須把模擬的（連續(xù)的）聲音波形轉(zhuǎn)換成數(shù)字（離散化），這個過程稱為聲音采樣（圖5-1），它是把連續(xù)的聲波信號通過一種稱為模數(shù)（A/D）轉(zhuǎn)換器的部件轉(zhuǎn)換成數(shù)字信號，供計算機處理，如果需要的話，這種轉(zhuǎn)換后的數(shù)字信號又可以通過數(shù)模轉(zhuǎn)換（D/A）器，經(jīng)過放大輸出，變成人耳能夠聽到的聲音。,圖5-1 聲音信號數(shù)字化的過程,5.1.3 聲音信號數(shù)字化,連續(xù)時間的離散化通過采樣來實現(xiàn)，就是每隔相等的一小段時間采樣一次，這種采樣稱為均勻采樣；連續(xù)幅度的離散化通過量化來實現(xiàn)，就是把信號的強度劃分成一小段一小段，如果幅度的劃分是等間隔的，就稱為線性量化，否則就稱

7、為非線性量化。圖5-2表示了聲音數(shù)字化的概念。,圖5-2 聲音的采樣和量化,5.1.3 聲音信號數(shù)字化,我們把時間和幅度都用離散的數(shù)字表示的信號稱為數(shù)字信號。聲音數(shù)字化需要回答兩個問題： 每秒鐘采集多少個聲音樣本，也就是采樣頻率是多少； 每個聲音樣本的位數(shù)（bit per sample，bps）應該是多少，也就是量化精度。 采樣的速度決定了錄制聲音的準確性，而采樣值的精度則決定了錄制聲音的精確性。實踐證明，采樣速度越快，采樣值越準確，聲音特征復原得就會越好。,5.1.3 聲音信號數(shù)字化,常用的幾種音頻信號數(shù)字化的采樣率標準是：44.2kHz（CD音質(zhì)）、22.05kHz（FM音質(zhì)）、11.02

8、5kHz（AM音質(zhì)）等。為了追求音響品質(zhì)的完美，減少噪聲的干擾，達到理想的傳播聲音的環(huán)境，國際上制定了一系列判斷音質(zhì)的標準，圖5-3給出了幾種數(shù)字聲音質(zhì)量等級的國際標準所對應的頻率范圍。,圖5-3 數(shù)字聲音質(zhì)量等級對應的頻率范圍,5.1.3 聲音信號數(shù)字化,樣本大小是用每個聲音樣本的位數(shù)（bit/s或b/s）表示的，它反映度量聲音波形幅度的精度。例如，每個聲音樣本用16位（2字節(jié)）表示，測得的聲音樣本值是在065 536的范圍里，它的精度就是輸入信號的1/65536。樣本位數(shù)的大小影響到聲音的質(zhì)量，位數(shù)越多，聲音的質(zhì)量越高，而需要的存儲空間也越多；位數(shù)越少，聲音的質(zhì)量越低，需要的存儲空間越少。

9、 采樣精度的另一種表示方法是信號噪聲比。,5.1.3 聲音信號數(shù)字化,原始的音頻數(shù)據(jù)一般需進行編輯加工才能使用。通過編輯可以實現(xiàn)各種聲音混合以及消除或降低聲音中的畸變等。一般的音頻編輯軟件都具有設(shè)置音量、漸強漸弱處理及多通道混合等常用功能。音頻處理主要集中在音頻壓縮上，最新的語音壓縮算法可將原始聲音數(shù)據(jù)壓縮6 8倍以上。,5.1.4 聲音質(zhì)量與數(shù)據(jù)率,數(shù)字化音頻的質(zhì)量取決于采樣頻率和量化位數(shù)這兩個重要參數(shù)，反映音頻數(shù)字化質(zhì)量的另一個因素是通道（或聲道）個數(shù)。記錄聲音時，如果每次生成一個聲波數(shù)據(jù)，稱為單聲道；每次生成二個聲波數(shù)據(jù)，稱為立體聲（雙聲道），立體聲更能反映人的聽覺感受。音頻數(shù)字化的采樣

10、頻率和量化級越高，結(jié)果越接近原始聲音，除此之外，數(shù)字化音頻的質(zhì)量還受其他一些因素（如揚聲器的質(zhì)量等）的影響。 根據(jù)聲音的頻帶，通常把聲音的質(zhì)量分成5個等級，由低到高分別是電話、調(diào)幅廣播（AM）、調(diào)頻廣播（FM）、光盤（CD）和數(shù)字錄音帶（digital audio tape，DAT）的聲音。在這 5個等級中，使用的采樣頻率、樣本精度、通道數(shù)和數(shù)據(jù)率見表5-1。,表5-1 聲音質(zhì)量和數(shù)據(jù)率,5.2 音樂合成和MIDI,多媒體音頻數(shù)據(jù)的一個重要來源是MIDI（樂器數(shù)字接口）。從20世紀80年代初期開始，MIDI逐步為音樂界廣泛接受和使用。MIDI是樂器和計算機使用的標準語言，是一套指令（即命令）的

11、約定，它指示樂器（即MIDI設(shè)備）要做什么，怎么做，如演奏音符、加大音量、生成音響效果等。MIDI不是聲音信號，它傳送的是發(fā)給MIDI設(shè)備或其他裝置讓其產(chǎn)生聲音或執(zhí)行某個動作的指令。,5.2 音樂合成和MIDI,作為數(shù)字音樂的一個國際標準，MIDI標準規(guī)定了電子樂器與計算機之間傳送數(shù)據(jù)的通信協(xié)議等規(guī)范。MIDI標準使不同廠家生產(chǎn)的電子合成樂器可以互相發(fā)送和接收音樂數(shù)據(jù)。隨著MIDI標準的施行，計算機成為電子合成樂器間的控制環(huán)節(jié)，出現(xiàn)了大量可進行記錄、存儲、編輯和播放樂譜（音符表或音符序列）的計算機軟件。 MIDI音頻的處理過程如圖5-4所示，其主要優(yōu)點是： 1）生成的文件比較小。由于MIDI文

12、件存儲的是命令，而不是聲音本身，因此它比較節(jié)省空間。例如，同樣半小時的立體聲音樂，MIDI文件只有200KB左右，而波形文件（WAV）則要差不多300MB。,圖5-4 MIDI音頻的處理過程,5.2 音樂合成和MIDI,2）容易編輯。因為編輯命令比編輯聲音波形要容易得多。 3）可以作為背景音樂。MIDI音樂可以和其他的媒體，如數(shù)字電視、圖形、動畫、話音等一起播放，這樣可以加強演示效果。 產(chǎn)生MIDI樂音的方法很多，主要有兩種：一種是頻率調(diào)制（frequency modulation，F(xiàn)M）合成法，另一種是樂音樣本合成法，也稱為波形表（wave table）合成法。,5.3 數(shù)碼音樂MP3,MP

13、3的全稱是MPEG-1 Layer3音頻文件。MPEG-1是活動影音壓縮標準，其中的聲音部分稱為MPEG-1音頻層，它根據(jù)壓縮質(zhì)量和編碼復雜度劃分為三層，即Layer1、Layer2和Layer3，分別對應MP1、MP2和MP3這3種聲音文件，并根據(jù)不同的用途，使用不同層次的編碼。MPEG音頻編碼的層次越高，對應的編碼器越復雜，壓縮率也越高，MP1和MP2的壓縮率分別為4:1和6:1 8:1，而MP3的壓縮率則高達10:1 12:1。也就是說，分鐘CD音質(zhì)的音樂，未經(jīng)壓縮需要10MB的存儲空間，而經(jīng)過MP3壓縮編碼后只有1MB左右。,5.3 數(shù)碼音樂MP3,不過MP3對音頻信號采用的是有損壓縮

14、方式，為了降低失真度，MP3采取了“感官編碼技術(shù)”，即編碼時先對音頻文件進行頻譜分析，然后用過濾器濾掉噪音電平，再通過量化的方式將剩下的每一位打散排列，最后形成具有較高壓縮比的MP3文件，使壓縮后的文件在回放時能達到比較接近原音源的聲音效果。雖然它是一種有損壓縮方式，但它以極小的聲音失真換取了較高的壓縮比，使得MP3能夠在因特網(wǎng)上廣泛傳播。,5.3 數(shù)碼音樂MP3,MP3這種壓縮比非常高的數(shù)字音頻文件不僅能在網(wǎng)上傳播，而且還能容易地下載到便攜式數(shù)字音頻設(shè)備（MP3隨身聽）中。MP3隨身聽基于DSP（數(shù)字信號處理器），無需計算機支持便可以實現(xiàn)MP3文件的存儲、解碼和播放。事先可以將創(chuàng)建好的MP3

15、文件從計算機或因特網(wǎng)上下載到MP3隨身聽內(nèi)置的存儲器中，當從中選擇播放一首MP3歌曲時，文件數(shù)據(jù)將被傳送給DSP，通過它來對文件進行解壓縮。所需的解壓縮軟件被置入DSP處理器內(nèi)部，或者存放在存儲體中。DSP將處理完的數(shù)據(jù)傳給數(shù)模轉(zhuǎn)換器，它將二進制的數(shù)碼信息轉(zhuǎn)換成模擬信號，然后再輸出到耳機或揚聲器中。,5.4 語音信號與處理,語音是人類溝通的主要方式，可以被人或機器來處理，后者就稱為數(shù)字語音處理。 語音理解意味著要有效地適應說話人及其說話習慣，包括不同方言和情緒化的發(fā)音。語音信號有兩個重要的特點可以用在語音處理應用中： 1）濁語音信號（相對于清語音）在某一個確定的時間間隔上有一個幾乎是周期性的結(jié)

16、構(gòu)，因此這種信號保持大約30ms的準穩(wěn)態(tài)。 2）一些聲音的頻譜具有特征最大值，通常包括多達5個頻率。這些在說話時生成的頻率最大值被稱作共振峰。根據(jù)定義，共振峰是一段語音質(zhì)量的特征成分。,5.4.1 語音輸出,語音輸出涉及到機器如何生成語音的問題，在這方面的主要挑戰(zhàn)是，如何使得語音輸出系統(tǒng)能夠?qū)崟r地生成語音信號，例如，自動地把文字轉(zhuǎn)化為語音。某些應用（如語音報時）采用有限的詞匯表來處理這一任務，但大多數(shù)采用的是廣泛的詞匯表。 機器輸出的語音必須是可以聽懂的，而且應該聽起來很自然。其中可懂性是強制而自然的事情，可以增加用戶的接受度。,5.4.1 語音輸出,與語音輸出相關(guān)的幾個重要術(shù)語是： 1）語音

17、基本頻率，是語音信號中最低周期信號部分。它體現(xiàn)在嗓音中。 2）音素，是最小的語音單位之一，用于區(qū)分語言或方言中的兩個發(fā)音。它是最小的有意義的語言學單位，但并不攜帶內(nèi)容。 3）音位變體，確定了作為語音環(huán)境的函數(shù)的音素變化。 4）詞素，是有意義的語音學單位，在自由或受限的形式中都包含的最小且有意義的部分。 5）嗓音，由聲帶的振動產(chǎn)生。嗓音強烈地依賴于說話者。 6）非嗓音，由聲帶張開產(chǎn)生，這些聲音相對獨立于說話者。,5.4.2 語音合成,音頻技術(shù)的一個重要方面是語音合成，即將普通正文合成為語音。如圖5-5所示。,圖5-5 使用時間域聲音連接的語音合成系統(tǒng),5.4.2 語音合成,第一步涉及到轉(zhuǎn)錄，或?qū)?/p>

18、文本翻譯成相應的音標。大部分方法使用一個包含大量單詞或僅僅是音節(jié)或音調(diào)組的詞典。這樣的詞典創(chuàng)建非常復雜，可以是單獨實現(xiàn)的或是幾個人使用的普通詞典，其質(zhì)量可通過相互作用的用戶干預而不斷提高。這意味著由用戶識別出轉(zhuǎn)換公式的缺陷，人工地改進發(fā)音，他們的發(fā)現(xiàn)逐漸成為詞典的一個集成部分。 第二步將音素記錄轉(zhuǎn)換成聲學的語音信號，其中連接可以發(fā)生在時域或頻域。通常第一步用軟件來解決，第二步則涉及信號處理器或?qū)ｉT的處理器。,5.4.2 語音合成,除了副發(fā)音和韻律產(chǎn)生的問題外，語音識別還必須注意發(fā)音模糊問題。解決這個問題的惟一方式就是提供有關(guān)上下文的附加信息。,5.4.3 語音輸入與識別,在語音輸入處理的各種應

19、用中，需要正確回答3個問題，即： 1）誰？語音輸入依賴說話者的某種特性，這意味著語音輸入能識別出說話者。計算機可用于識別說話者的聲音指紋。 2）什么？語音輸入的關(guān)鍵是檢測語音內(nèi)容本身。通常輸入的語音序列產(chǎn)生一塊文本。典型的應用有語言翻譯系統(tǒng)。 3）怎么樣？第三個問題有關(guān)如何研究語音采樣。其典型應用如測謊儀。 音頻技術(shù)中難度最大、也最具應用前景的當屬語音識別，其潛在的商業(yè)應用前景使之一直是音頻技術(shù)研究關(guān)注的熱點。語音識別和語音合成相結(jié)合，實現(xiàn)了媒體轉(zhuǎn)換。,5.4.3 語音輸入與識別,語音識別一般是通過各種比較來完成的。利用現(xiàn)有技術(shù)，可以實現(xiàn)一個包含有大約25 000詞匯的依賴于講話者的識別系統(tǒng)。

20、語音識別中影響識別質(zhì)量的問題主要是方言、情緒化的發(fā)音以及環(huán)境噪聲等。要改善語音識別和語音生成的質(zhì)量，需要彌合人類大腦與高性能計算機之間的相當大的性能差異，這仍需要一定的時間。,5.4.3 語音輸入與識別,語音識別的原理如圖5-6所示，是將個人發(fā)音的特殊特征和由以前抽取的語音元素組成的句子做比較。這意味著這些特征通常被量化，用于被研究的語音序列。這結(jié)果與現(xiàn)有的參考做比較，以將它定位于現(xiàn)有的語言單元之一。識別出的言詞作為參數(shù)化的語言單元序列被存儲，傳輸或處理。,圖5-6 語音識別原理,5.4.3 語音輸入與識別,具體操作通常使用專門的元件或信號處理器抽取特征信息。比較和決定一般由系統(tǒng)的主處理器處理

21、，但具有參考特征的詞典通常位于計算機的二級存儲單元。大多數(shù)具體的實現(xiàn)方法在如何定義特征信息時會有所不同。如圖5-7所示。,圖5-7 語音識別組成部分,5.4.3 語音輸入與識別,語音輸入中的一個特殊問題是房間的聲學特性，即環(huán)境噪聲，此外，必須定義字邊界，但這并不容易做到，因為大多數(shù)人說話并不強調(diào)一個字的開始和結(jié)束，同一個字也可以被說得有快有慢。 依賴于特定人的識別系統(tǒng)比獨立于講話者的系統(tǒng)能識別更多的字，但這是以提前“訓練”系統(tǒng)為代價的。為訓練系統(tǒng)使之適應說話者，通常要求他讀特定的語音序列。目前的語音識別系統(tǒng)有大約半個小時的訓練時間。大多數(shù)依賴說話者的系統(tǒng)能識別出25 000個字或者更多，而獨立

22、于說話者的系統(tǒng)則命中率接近l 000個字。注意，現(xiàn)實的系統(tǒng)評估還應包括環(huán)境因素。,5.5 聲音文件的存儲格式,在因特網(wǎng)和各種計算機上使用的聲音文件格式很多，但比較流行的主要是WAV、AU（audio）、AIFF（audio interchangeable file format）和SND（sound）文件格式。WAV格式用于PC機，AU用于Unix工作站，AIFF和SND用于蘋果機和SGI工作站。 為便于讀者辨認文件的屬性，表5-2列出了部分聲音文件的后綴。,表5-2 常見的聲音文件擴展名,5.6 聲 卡,在多媒體計算機中，所有的音樂與音效都需要經(jīng)過聲卡來處理。聲卡使用大規(guī)模集成電路技術(shù)，將音

23、頻技術(shù)范圍的各類電路制成芯片而組成，以便直接插入計算機的擴展槽里，使用方便。聲卡的主要工作就是把數(shù)字信號轉(zhuǎn)換成模擬信號，然后送到喇叭上發(fā)出聲音；另一方面，聲卡也可以對計算機上的各種音頻進行“混音”，例如串聯(lián)電子合成樂器，或是從麥克風輸入聲音后與CD音樂一起由喇叭放出來等。,5.6 聲 卡,聲卡通過反復地檢測和記錄聲音信號的幅度來實現(xiàn)稱為“采樣”（實際上每秒種要做幾萬次這樣的操作）的錄音過程，將聲音信號轉(zhuǎn)化為大量的幅度隨時間變化的數(shù)字，并存儲在磁盤上。 播放聲音的過程與錄音正好相反，計算機將一串數(shù)字傳給聲卡，聲卡將它們轉(zhuǎn)換成模擬信號，根據(jù)數(shù)字量的大小改變模擬信號的幅度，經(jīng)放大后由音箱播出。,5.

24、6.1 主要技術(shù)指標,評價聲卡的主要技術(shù)指標是： 1）采樣頻率：為記錄信號的精確細節(jié)，聲卡必須以極快的速率進行采樣。聲卡的采樣頻率通常有三個標準：11.025kHz、22.05kHz和44.1kHz，目前一般的聲卡都能達到44.1kHz的采樣頻率。 2）采樣位數(shù)（量化位數(shù)）：另一個影響聲音質(zhì)量的重要因素是每個采樣點幅度的準確性。采樣位數(shù)越多，聲音的幅度就會越精確，但占用的存儲空間也就越多。目前通常使用的有8位（低檔）、16位（中檔）和32位（高檔）3種量化精度的聲卡。 3）聲道數(shù)：分單聲道和雙聲道，雙聲道可以播放立體聲信號。一般的聲卡都是雙聲道的。,5.6.1 主要技術(shù)指標,4）MIDI（數(shù)字

25、化樂器接口）和游戲桿接口：該接口能夠利用計算機控制和演奏電子樂器，或利用諸如Windows提供的實用程序記錄電子樂器演奏的音樂，然后進行回放。游戲桿接口用來與游戲操縱桿相接，在聲卡上一般與MIDI接口共享。 5）合成器：音色是區(qū)別不同樂器的重要特征之一，聲卡上的合成器能將各種不同頻率的聲音混合起來，形成某種特定樂器的音色。例如安裝在計算機上的控制軟件對于同一組電子琴樂曲，可以同時選擇小號演奏效果和鋼琴演奏效果。 合成器的主要參數(shù)是合成的復音數(shù)和用語音合成的操作數(shù)目。一般有20種復音就可以滿足大多數(shù)用戶的需要了，復音成分越多越適合于專業(yè)音樂工作者。,5.6.1 主要技術(shù)指標,6）內(nèi)部聲音混合調(diào)節(jié)

26、器：主要功能是將來自不同輸入源的聲音信號進行混合和音量調(diào)節(jié)。該混合器可以編程和控制。 7）CD-ROM接口：若用戶需要使用CD-ROM來播放CD、VCD節(jié)目，應將聲卡上的CD-ROM接口和CD-ROM上的聲卡接口用專用的三芯電纜連接起來。連接時應注意各接口的規(guī)格，因為不同的CD-ROM聲卡接口標準可能略有不同。,5.6.2 功能和分類,聲卡的心臟是音效芯片，它有多個音頻接口，通過音頻線和光驅(qū)或其他的音頻輸入相連。一般聲卡上都有CD-ROM接口，在聲卡的檔板上，可以看見一排輸出/入端子及游戲桿連接口。 聲卡的主要功能包括錄音、編輯和回放數(shù)字音頻文件；控制各聲源的音量并加以混合；在記錄和回放數(shù)字音

27、頻文件時進行壓縮和解壓縮；采用語音合成技術(shù)讓計算機朗讀文本；具有初步的語音識別功能；具有MIDI接口、輸出功率放大等。,5.6.2 功能和分類,聲卡主要根據(jù)其數(shù)據(jù)采樣量位數(shù)來確定其分類，通常分為8位、16位和32位等。位數(shù)越大，其量化精度越高，音質(zhì)就越好。聲卡通常帶有自己的CPU，具有較高的智能性和靈活性。聲卡的關(guān)鍵技術(shù)包括數(shù)字音頻、音樂合成、MIDI與音效。數(shù)字音頻部分具有的基本功能有44.1kHz的采樣率，8位以上的分辨率，錄音和播放聲音信號，同時具有壓縮采樣信號的能力。最常用的壓縮方法是自適應脈沖編碼調(diào)制。數(shù)字音頻的實現(xiàn)有不同的方法和芯片，大多數(shù)采用的是CODEC芯片，它具有硬件壓縮功能

28、，部分采用的是DSP+ ADC方法，利用軟件方法壓縮數(shù)字音頻信號。,5.6.2 功能和分類,聲卡上的音樂合成器也有許多不同的類型，目前主要采用兩種合成技術(shù)：FM與波形表。波形表合成使用了DSP技術(shù)，它要求大容量的ROM，以獲得高質(zhì)量的演奏效果；通用MIDI要求支持128種樂器；不少聲卡采用音效芯片，從硬件上實現(xiàn)回聲、混響、和聲等，使聲卡發(fā)出的聲音更生動。,5.6.2 功能和分類,聲卡的種類很多，其功能不盡相同，但在相應軟件支持下，應具備以下大部分或全部功能： 1）錄制、編輯和回放數(shù)字聲音文件。聲卡可將來自話筒、收錄音機以及激光唱盤等的聲源采樣，保存成數(shù)字文件，并由相應的軟件對聲音文件的數(shù)據(jù)進行

29、編輯、混合或回放。 2）控制、混合各聲源的音量。通常隨聲卡提供的軟件有一個Mixer程序，它顯示有多個滑鍵的控制板，用來控制和混合各聲源的音量，用鼠標可調(diào)節(jié)話筒、激光唱盤和其他音源的輸入音量，以及調(diào)節(jié)MIDI、WAV文件回放和主輸出電路音量，除話筒之外均為雙通道立體聲調(diào)節(jié)。,5.6.2 功能和分類,3）在記錄和回放數(shù)字文件時壓縮和解壓縮。在記錄和回放數(shù)字文件時進行壓縮和解壓縮可以節(jié)省存儲空間。以立體聲為例，其數(shù)字聲音文件每分鐘可占多達10 MB的磁盤空間，因此，聲音文件的壓縮與解壓縮是多媒體領(lǐng)域研究的一個重要課題。一般聲卡的壓縮算法固化在卡上，也有的以軟件形式提供給用戶。,5.6.2 功能和分類,4）采用語音合成技術(shù)讓電腦朗讀文本。在相應軟件的支持下，采用語音合成技術(shù)，可讓大部分聲卡朗讀英文或中文文本，用來幫助用戶檢查文章中的句法和語法錯誤，這是一般的拼寫檢查功能所無法做到的。常用的語音合成技術(shù)有兩種：一種是基于字典技術(shù)，根據(jù)單詞查到發(fā)音代碼并送到合成器上去，另一種是基于規(guī)則將文本轉(zhuǎn)換成語音。 聲卡一般只能合成英文語音，國內(nèi)在漢語語音識別、漢語語音合成方面做了多年的