auditivo
Refírese ás ondas sonoras cunha frecuencia de son entre 20 Hz e 20 kHz que pode escoitar o oído humano.
Se engade unha tarxeta de audio correspondente ao ordenador: a tarxeta de son que adoitamos dicir, podemos gravar todos os sons e as características acústicas do son, como o nivel do son, pódense almacenar como ficheiros no disco duro do ordenador. disco. Pola contra, tamén podemos usar un determinado programa de audio para reproducir o ficheiro de audio almacenado e restaurar o son gravado previamente.
1 Formato de ficheiro de audio
O formato de ficheiro de audio refírese especificamente ao formato do ficheiro que almacena os datos de audio. Hai moitos formatos diferentes.
O método xeral de obtención de datos de audio consiste en mostrar (cuantificar) a tensión de audio nun intervalo de tempo fixo e almacenar o resultado a unha determinada resolución (por exemplo, cada mostra de CDDA é de 16 bits ou 2 bytes). O intervalo de mostraxe pode ter diferentes estándares. Por exemplo, CDDA usa 44,100 veces por segundo; O DVD usa 48,000 ou 96,000 veces por segundo. Polo tanto, [taxa de mostraxe], [resolución] e o número de [canles] (por exemplo, 2 canles para estéreo) son os parámetros clave do formato de ficheiro de audio.
1.1 Perda e perda
Segundo o proceso de produción de audio dixital, a codificación de audio só pode estar infinitamente próxima aos sinais naturais. Polo menos a tecnoloxía actual só pode facelo. Calquera esquema de codificación de audio dixital ten perdas porque non se pode restaurar completamente. Nas aplicacións informáticas, o nivel de fidelidade máis alto é a codificación PCM, que se usa moito para a preservación do material e a valoración da música. Úsase en CD, DVD e nos nosos ficheiros WAV máis comúns. Polo tanto, PCM converteuse nunha codificación sen perdas por convención, porque PCM representa o mellor nivel de fidelidade no audio dixital.
Existen dous tipos principais de formatos de ficheiro de audio:
Formatos sen perdas, como WAV, PCM, TTA, FLAC, AU, APE, TAK, WavPack (WV)
Formatos perdidos, como MP3, Windows Media Audio (WMA), Ogg Vorbis (OGG), AAC
Introdución de 2 parámetros
2.1 Taxa de mostraxe
Refírese ao número de mostras sonoras obtidas por segundo. O son é realmente unha especie de onda de enerxía, polo que tamén ten as características de frecuencia e amplitude. A frecuencia corresponde ao eixe do tempo e a amplitude corresponde ao eixe do nivel. A onda é infinitamente lisa e a corda pode considerarse composta por infinidade de puntos. Debido a que o espazo de almacenamento é relativamente limitado, os puntos da cadea deben ser mostrexados durante o proceso de codificación dixital.
O proceso de mostraxe consiste en extraer o valor de frecuencia dun determinado punto. Obviamente, canto máis puntos se extraen nun segundo, máis información de frecuencia se obtén. Para restaurar a forma de onda, canto maior sexa a frecuencia de mostraxe, mellor será a calidade do son. Canto máis real é a restauración, pero ao mesmo tempo ocupa máis recursos. Debido á resolución limitada do oído humano, non se pode distinguir unha frecuencia demasiado alta. A frecuencia de mostraxe de 22050 úsase habitualmente, 44100 xa ten calidade de son de CD e unha mostraxe superior a 48,000 ou 96,000 xa non é significativa para o oído humano. Isto é similar aos 24 fotogramas por segundo das películas. Se é estéreo, duplicarase a mostra e case se duplicará o ficheiro.
Segundo a teoría da mostraxe de Nyquist, para garantir que o son non está distorsionado, a frecuencia de mostraxe debería estar arredor dos 40kHz. Non precisamos saber como xurdiu este teorema. Só necesitamos saber que este teorema nos di que se queremos gravar un sinal con precisión, a nosa frecuencia de mostraxe debe ser maior ou igual ao dobre da frecuencia máxima do sinal de audio. Lembre, é a frecuencia máxima.
No campo do audio dixital, as taxas de mostraxe de uso habitual son:
8000 Hz: a frecuencia de mostraxe utilizada polo teléfono, que é suficiente para a fala humana
Frecuencia de mostraxe de 11025 Hz utilizada polo teléfono
22050 Hz-taxa de mostraxe empregada na radiodifusión
Velocidade de mostraxe de 32000 Hz para videocámara dixital miniDV, DAT (modo LP)
CD de audio de 44100 Hz, tamén usado habitualmente como frecuencia de mostraxe para audio MPEG-1 (VCD, SVCD, MP3)
Frecuencia de mostraxe de 47250 Hz empregada polos gravadores PCM comerciais
Velocidade de mostraxe de 48000 Hz para son dixital usado en miniDV, TV dixital, DVD, DAT, películas e audio profesional
Frecuencia de mostraxe de 50000 Hz empregada polos gravadores dixitais comerciais
96000 Hz ou 192000 Hz: a frecuencia de mostraxe usada para DVD-Audio, algunhas pistas de audio DVD LPCM, pistas de audio BD-ROM (Blu-ray Disc) e pistas de audio HD-DVD (DVD de alta definición)
2.2 Número de bits de mostraxe
O número de bits de mostraxe tamén se denomina tamaño de mostraxe ou número de bits de cuantificación. É un parámetro usado para medir a flutuación do son, é dicir, a resolución da tarxeta de son ou pode entenderse como a resolución da tarxeta de son procesada pola tarxeta de son. Canto maior sexa o valor, maior será a resolución e máis realista será o son gravado e reproducido. O bit da tarxeta de son refírese aos díxitos binarios do sinal de son dixital empregado pola tarxeta de son ao recoller e reproducir ficheiros de son. O bit da tarxeta de son reflicte obxectivamente a precisión da descrición do sinal de son dixital do sinal de son de entrada. As tarxetas de son comúns son principalmente de 8 e 16 bits. Hoxe en día, todos os produtos principais do mercado teñen tarxetas de son de 16 bits ou superiores.
Cada dato mostrado rexistra a amplitude e a precisión da mostraxe depende do número de bits de mostraxe:
1 byte (é dicir, 8 bits) só pode gravar 256 números, o que significa que a amplitude só se pode dividir en 256 niveis;
2 bytes (é dicir, 16 bits) poden ser tan pequenos como 65536, que xa é un estándar CD;
4 bytes (é dicir, 32 bits) poden subdividir a amplitude en 4294967296 niveis, o que é realmente innecesario.
2.3 Número de canles
É dicir, o número de canles de son. O mono e o estéreo común (dobre canle) desenvolveronse agora a catro sons surround (catro canles) e 5.1 canles.
2.3.1 mono
O mono é unha forma relativamente primitiva de reprodución de son, e as primeiras tarxetas de son usábano con máis frecuencia. O son mono só se pode soar cun altofalante e algúns tamén se procesan en dous altofalantes para emitir a mesma canle de son. Cando a información monofónica se reproduce a través de dous altofalantes, podemos sentir claramente que o son é de dous altofalantes. É imposible determinar a localización específica da fonte de son que se transmite aos nosos oídos desde o medio do altofalante.
2.3.2 estéreo
As canles binaurais teñen dúas canles de son. O principio é que cando as persoas escoitan un son, poden xulgar a posición específica da fonte de son en función da diferenza de fase entre os oídos esquerdo e dereito. O son está asignado a dúas canles independentes durante o proceso de gravación, para conseguir un bo efecto de localización de son. Esta técnica é particularmente útil para apreciar a música. O oínte pode distinguir claramente a dirección da que proceden varios instrumentos, o que fai a música máis imaxinativa e máis próxima á experiencia no lugar.
Actualmente son as dúas voces as máis empregadas. No karaoke, un é para tocar música e o outro é para a voz do cantante; en VCD, un dobra en mandarín e o outro dobra en cantonés.
2.3.3 Surround de catro tons
O contorno envolvente de catro canles define catro puntos de son: fronte esquerda, fronte dereita, traseira esquerda e traseira dereita, e o público está rodeado destes. Tamén se recomenda engadir un subwoofer para reforzar o procesamento de reprodución de sinais de baixa frecuencia (esta é a razón pola que os sistemas de altofalantes de 4.1 canles son moi populares hoxe en día). No que se refire ao efecto global, o sistema de catro canles pode traer o son envolvente dos oíntes desde varias direccións diferentes, pode obter a experiencia auditiva de estar nunha variedade de ambientes diferentes e dar aos usuarios unha nova experiencia. Hoxe en día, a tecnoloxía de catro canles integrouse amplamente no deseño de varias tarxetas de son de gama media a alta, converténdose na tendencia principal do desenvolvemento futuro.
2.3.4 5.1 canle
As canles 5.1 foron amplamente utilizadas en varios teatros tradicionais e en casa. Algúns dos formatos de compresión de gravación de son máis coñecidos, como Dolby AC-3 (Dolby Digital), DTS, etc., están baseados no sistema de son 5.1. A canle ".1" é unha canle de subwoofer especialmente deseñado que pode producir subwoofers cun rango de resposta de frecuencia de 20 a 120 Hz. De feito, o sistema de son 5.1 provén de 4.1 surround, a diferenza é que engade unha unidade central. Esta unidade central é a responsable de transmitir o sinal de son por baixo de 80Hz, o que é útil para fortalecer a voz humana ao ver a película e concentrar o diálogo no medio de todo o campo sonoro para aumentar o efecto global.
Na actualidade, moitos reprodutores de música en liña, como QQ Music, proporcionaron música de 5.1 canles para escoitar e descargar de proba.
2.4 Marco
O concepto de fotogramas de audio non é tan claro como os fotogramas de vídeo. Case todos os formatos de codificación de vídeo poden simplemente pensar nun marco como unha imaxe codificada. Non obstante, o marco de audio está relacionado co formato de codificación, que é implementado por cada estándar de codificación.
Por exemplo, no caso de PCM (datos de audio non codificados), non precisa en absoluto o concepto de fotogramas e pódese reproducir segundo a frecuencia de mostraxe e a precisión de mostraxe. Por exemplo, para audio dual cunha frecuencia de mostraxe de 44.1 kHz e unha precisión de mostraxe de 16 bits, pode calcular que a velocidade de bits é 44100162bps e os datos de audio por segundo son 44100162/8 bytes fixos.
O marco amr é relativamente sinxelo. Estipula que cada 20 ms de audio é un cadro e que cada cadro de audio é independente e é posible empregar diferentes algoritmos de codificación e diferentes parámetros de codificación.
O cadro mp3 é un pouco máis complicado e contén máis información, como a taxa de mostraxe, a taxa de bits e varios parámetros.
2.5 ciclos
Nesta unidade baséanse o número de fotogramas que un dispositivo de audio require para procesar á vez e o acceso aos datos do dispositivo de audio e o almacenamento de datos de audio.
2.6 Modo entrelazado
O método de almacenamento do sinal de audio dixital. Os datos almacénanse en fotogramas continuos, é dicir, rexístranse primeiro as mostras da canle esquerda e as mostras da canle dereita do fotograma 1 e despois iníciase a gravación do fotograma 2.
2.7 Modo non entrelazado
Primeiro, rexistra as mostras da canle esquerda de todos os fotogramas nun período e logo rexistra todas as mostras da canle correcta.
2.8 taxa de bits (taxa de bits)
A taxa de bits tamén se denomina taxa de bits, que se refire á cantidade de datos reproducidos pola música por segundo. A unidade exprésase por bit, que é bit binario. bps é a taxa de bits. b é bit (bit), s é segundo (segundo), p é cada (por), un byte equivale a 8 bits binarios. É dicir, o tamaño do ficheiro dunha canción de 4 minutos de 128bps calcúlase así (128/8) 460 = 3840kB = 3.8MB, 1B (Byte) = 8b (bit), polo xeral o mp3 é beneficioso a uns 128 bit taxa, e probablemente sexa O tamaño rolda os 3-4 BM.
Nas aplicacións informáticas, o nivel de fidelidade máis alto é a codificación PCM, que é moi utilizada para a preservación do material e a valoración da música. Úsanse CD, DVD e os nosos ficheiros WAV máis comúns. Polo tanto, PCM converteuse nunha codificación sen perdas por convención, porque PCM representa o mellor nivel de fidelidade no audio dixital. Non significa que PCM poida garantir a fidelidade absoluta do sinal. PCM só pode alcanzar a máxima proximidade infinita.
Para calcular a taxa de bits dun fluxo de audio PCM é unha tarefa moi sinxela, valor da taxa de mostraxe × valor do tamaño da mostraxe × número de canle bps. Un ficheiro WAV cunha frecuencia de mostraxe de 44.1 KHz, un tamaño de mostraxe de 16 bits e codificación PCM de dobre canle, a súa velocidade de datos é de 44.1 K × 16 × 2 = 1411.2 KB. O noso CD de audio común usa codificación PCM e a capacidade dun CD só pode almacenar 72 minutos de información musical.
Un sinal de audio codificado PCM de dobre canle require 176.4 KB de espazo en 1 segundo e aproximadamente 10.34 M en 1 minuto. Isto é inaceptable para a maioría dos usuarios, especialmente para aqueles aos que lles gusta escoitar música no ordenador. Ocupación de disco, só hai dous métodos: índice de mostraxe descendente ou compresión. Non é aconsellable reducir o índice de mostraxe, polo que os expertos desenvolveron varios esquemas de compresión. Os máis orixinais son DPCM, ADPCM e o máis famoso é MP3. Polo tanto, a taxa de código despois da compresión de datos é moito menor que o código orixinal.
2.9 Exemplo de cálculo
Por exemplo, a lonxitude do ficheiro de "Windows XP startup.wav" é de 424,644 bytes, que ten o formato "22050HZ / 16bit / stereo".
Entón a súa velocidade de transmisión por segundo (taxa de bits, tamén chamada taxa de bits, taxa de mostraxe) é 22050162 = 705600 (bps), convertida en unidade de bytes é 705600/8 = 88200 (bytes por segundo), tempo de reprodución: 424644 (Bytes total) / 88200 (bytes por segundo) ≈ 4.8145578 (segundos).
Pero isto non é o suficientemente preciso. O ficheiro WAVE (* .wav) no formato estándar PCM ten polo menos 42 bytes de información de cabeceira, que se debería eliminar ao calcular o tempo de reprodución, polo que hai: (424644-42) / (22050162/8) ≈ 4.8140816 ( segundos). Isto é máis preciso.
3 codificación de audio PCM
PCM significa Pulse Code Modulation. No proceso PCM, o sinal analóxico de entrada é mostrado, cuantificado e codificado, e o número codificado binario representa a amplitude do sinal analóxico; o extremo receptor restaura estes códigos ao sinal analóxico orixinal. É dicir, a conversión A / D de audio dixital inclúe tres procesos: mostraxe, cuantificación e codificación.
A taxa de adopción de PCM por voz é de 8 kHz e o número de bits de mostraxe é de 8 bits, polo que a taxa de código do sinal codificado dixital de voz é de 8 bits × 8 kHz = 64 kbps = 8 KB / s.
3.1 Principios da codificación de audio
Calquera que teña unha base electrónica determinada sabe que o sinal de son recollido polo sensor é unha cantidade analóxica, pero o que empregamos no proceso de transmisión real é unha cantidade dixital. E isto implica o proceso de conversión de analóxico a dixital. O sinal analóxico ten que pasar por tres procesos, a saber, mostraxe, cuantificación e codificación, para realizar a tecnoloxía de dixitalización de voz de modulación de código de pulso (PCM, Pulse Coding Modulation).
Proceso de conversión
3.1.1 Mostraxe
A mostraxe é o proceso de extracción de mostras (velocidade de mostraxe) dun sinal analóxico a unha frecuencia que é máis de 2 veces o ancho de banda do sinal (Teorema de mostraxe de Lequist) e converteo nun sinal de mostraxe discreto no eixe do tempo.
Taxa de mostraxe: o número de mostras extraídas dun sinal continuo por segundo para formar un sinal discreto, expresado en Hz (Hz).
mostra:
Por exemplo, a taxa de mostraxe do sinal de son é de 8000 Hz.
Pódese entender que a mostra da figura anterior corresponde á curva do cambio de tensión co tempo na figura durante 1 segundo, despois a inferior 1 2 3 ... 10, porque debería haber 1-8000 puntos, é dicir, 1 o segundo divídese en 8000 partes e despois sácaas á súa vez. O valor de tensión correspondente a ese tempo de 8000 puntos.
3.1.2 Cuantificación
Aínda que o sinal mostrado é un sinal discreto no eixe do tempo, segue sendo un sinal analóxico e o seu valor de mostra pode ter un número infinito de valores dentro dun certo rango de valores. Débese adoptar o método de "redondeo" para "redondear" os valores da mostra, de xeito que os valores da mostra dentro dun determinado rango de valores cambien dun número infinito de valores a un número finito de valores. Este proceso chámase cuantificación.
Número de mostraxe de bits: refírese ao número de bits empregados para describir o sinal dixital.
8 bits (8 bits) representan 2 á 8a potencia = 256, 16 bits (16bit) representan 2 á 16a potencia = 65536;
mostra:
Por exemplo, o rango de tensión recollido polo sensor de audio é de 0-3.3 V e o número de mostraxe é de 8 bits (bit)
É dicir, consideramos 3.3V / 2 ^ 8 = 0.0128 como a precisión de cuantificación.
Dividimos 3.3v en 0.0128 como eixo Y de paso, como se mostra na figura 3, 1 2 ... 8 convértese en 0 0.0128 0.0256 ... 3.3 V
Por exemplo, o valor de tensión dun punto de mostraxe é de 1.652 V (entre 1280.128 e 1290.128). Redondémolo a 1.65 V e o nivel de cuantificación correspondente é 128.
3.1.3 Codificación
O sinal de mostraxe cuantificado transfórmase nunha serie de fluxos de código dixital decimal dispostos segundo a secuencia de mostraxe, é dicir, o sinal dixital decimal. Un sistema de datos sinxelo e eficiente é un sistema de código binario. Polo tanto, o código dixital decimal debería converterse nun código binario. Segundo o número total de códigos dixitais decimais, pódese determinar o número de bits necesarios para a codificación binaria, é dicir, a lonxitude da palabra (número de bits de mostraxe). Este proceso de transformación do sinal de mostra cuantificado nun fluxo de código binario cunha lonxitude de palabra dada chámase codificación.
mostra:
Entón o anterior 1.65V corresponde a un nivel de cuantificación de 128. O sistema binario correspondente é 10000000. É dicir, o resultado da codificación do punto de mostraxe é 10000000. Por suposto, este é un método de codificación que non ten en conta os valores positivos e negativos. , e hai moitos tipos de métodos de codificación que requiren unha análise específica de problemas específicos. (A codificación do formato de audio PCM é a codificación polilínea A-law 13)
3.2 Codificación de audio PCM
O sinal PCM non sufriu ningunha codificación e compresión (compresión sen perdas). En comparación cos sinais analóxicos, non é facilmente afectado pola desorde e distorsión do sistema de transmisión. O rango dinámico é amplo e a calidade do son é bastante boa.
3.2.1 codificación PCM
A codificación empregada é a codificación polilínea A-law 13.
Para máis detalles, consulte: Codificación de voz PCM
3.2.2 Canle
As canles pódense dividir en mono e estéreo (dobre canle).
Cada valor de mostra de PCM está contido nun número enteiro i, e a lonxitude de i é o número mínimo de bytes necesario para acomodar a lonxitude da mostra especificada.
Tamaño da mostra Formato de datos Valor mínimo Valor máximo
PCM de 8 bits sen asinar int 0 225
PCM de 16 bits int -32767 32767
Para ficheiros de son mono, os datos de mostraxe son un enteiro curto de 8 bits (curto int 00H-FFH) e os datos de mostraxe almacénanse en orde cronolóxica.
Ficheiro de son estéreo de dúas canles, cada dato de mostraxe é un número enteiro de 16 bits (int), os oito bits superiores (canle esquerdo) e os oito bits inferiores (canle dereita) representan respectivamente dúas canles e os datos de mostraxe están en orde cronolóxica Depósito por orde alternativa.
O mesmo ocorre cando o número de bits de mostraxe é de 16 bits e o almacenamento está relacionado coa orde de bytes.
Formato de datos PCM
Todos os protocolos de rede utilizan a gran forma endian para transmitir datos. Polo tanto, o método endian grande tamén se denomina orde de bytes de rede. Cando se comunican dous hosts con orde de bytes diferente, deben converterse en orde de bytes de rede antes de enviar datos antes de transmitilos.
4 G.711
En xeral, o sinal analóxico sofre algún procesamento (como a compresión de amplitude) antes de ser dixitalizado. Unha vez dixitalizado, o sinal PCM adoita procesarse máis (como a compresión dixital de datos).
G.711 é un algoritmo de sinal dixital multimedia (compresión / descompresión) estándar que modula o código de pulso do UIT-T. É unha técnica de mostraxe para dixitalizar sinais analóxicos, especialmente para sinais de audio. PCM mostra o sinal 8000 veces por segundo, 8 KHz; cada mostra ten 8 bits, un total de 64 Kbps (DS0). Hai dous estándares para a codificación dos niveis de mostraxe. América do Norte e Xapón usan a norma Mu-Law, mentres que a maioría dos outros países utilizan a norma A-Law.
A-law e u-law son dous métodos de codificación de PCM. A-law PCM úsase en Europa e no meu país e a Mu-law úsase en Norteamérica e Xapón. A diferenza entre ambos é o método de cuantificación. A lei A usa a cuantificación de 12 bits e a lei u usa a cuantificación de 13 bits. A frecuencia de mostraxe é de 8 KHz e ambos son métodos de codificación de 8 bits.
Comprensión sinxela: PCM son os datos de audio orixinais recollidos polos equipos de audio. G.711 e AAC son dous algoritmos diferentes, que poden comprimir datos PCM cunha determinada proporción, aforrando así o ancho de banda na transmisión de rede.
Noso outro produto:
