1. แนวคิดพื้นฐาน
1) อัตราบิต: ระบุจำนวนบิตต่อวินาทีที่จำเป็นต้องแสดงข้อมูลเสียงที่เข้ารหัส (บีบอัด) และหน่วยมักจะเป็น kbps
2) ความดังและความเข้ม: คุณลักษณะส่วนตัวของเสียง ความดังบ่งบอกว่าเสียงดังแค่ไหน ความดังจะแตกต่างกันไปตามความเข้มของเสียง แต่จะได้รับผลกระทบจากความถี่ด้วย โดยทั่วไปแล้ว เสียงความถี่กลางล้วนดีกว่าเสียงความถี่ต่ำและความถี่สูงล้วนๆ
3) การสุ่มตัวอย่างและอัตราการสุ่มตัวอย่าง: การสุ่มตัวอย่างคือการแปลงสัญญาณเวลาต่อเนื่องเป็นสัญญาณดิจิตอลแบบไม่ต่อเนื่อง อัตราการสุ่มตัวอย่างหมายถึงจำนวนตัวอย่างที่ถูกรวบรวมต่อวินาที
กฎการสุ่มตัวอย่าง Nyquist: เมื่ออัตราการสุ่มตัวอย่างมากกว่าหรือเท่ากับ 2 เท่าของส่วนประกอบความถี่สูงสุดของสัญญาณต่อเนื่องสัญญาณตัวอย่างสามารถใช้เพื่อสร้างสัญญาณต่อเนื่องเดิมได้อย่างสมบูรณ์แบบ
2. รูปแบบเสียงทั่วไป
1) รูปแบบ WAV เป็นรูปแบบไฟล์เสียงที่พัฒนาโดย Microsoft หรือที่เรียกว่าไฟล์เสียงคลื่น เป็นรูปแบบเสียงดิจิทัลที่เก่าที่สุด ซึ่งได้รับการสนับสนุนอย่างกว้างขวางจากแพลตฟอร์ม Windows และแอปพลิเคชันต่างๆ และมีอัตราการบีบอัดต่ำ
2) MIDI เป็นตัวย่อของ Musical Instrument Digital Interface หรือที่เรียกว่า Musical Instrument Digital Interface ซึ่งเป็นมาตรฐานสากลแบบครบวงจรสำหรับดนตรีดิจิทัล/เครื่องดนตรีสังเคราะห์อิเล็กทรอนิกส์ กำหนดวิธีที่โปรแกรมเพลงคอมพิวเตอร์ ซินธิไซเซอร์ดิจิตอล และอุปกรณ์อิเล็กทรอนิกส์อื่นๆ แลกเปลี่ยนสัญญาณดนตรี และระบุโปรโตคอลการรับส่งข้อมูลระหว่างสายเคเบิลและฮาร์ดแวร์และอุปกรณ์ที่เชื่อมต่อเครื่องดนตรีอิเล็กทรอนิกส์จากผู้ผลิตหลายรายกับคอมพิวเตอร์ และสามารถจำลองเสียงดนตรีได้หลายแบบ เครื่องมือ ไฟล์ MIDI คือไฟล์ในรูปแบบ MIDI และบางคำสั่งจะถูกเก็บไว้ในไฟล์ MIDI ส่งคำแนะนำเหล่านี้ไปยังการ์ดเสียง และการ์ดเสียงจะสังเคราะห์เสียงตามคำแนะนำ
3) ชื่อเต็มของ MP3 คือ MPEG-1 Audio Layer 3 ซึ่งรวมเข้ากับข้อกำหนดของ MPEG ในปี 1992 MP3 สามารถบีบอัดไฟล์เสียงดิจิตอลที่มีคุณภาพเสียงสูงและอัตราการสุ่มตัวอย่างต่ำ แอปพลิเคชั่นที่พบบ่อยที่สุด
4) MP3Pro ได้รับการพัฒนาโดย Swedish Coding Technology Company ซึ่งมีเทคโนโลยีหลักสองอย่าง: หนึ่งคือเทคโนโลยีถอดรหัสเฉพาะจาก Coding Technology Company และอีกอันคือการบูรณาการของผู้ถือสิทธิบัตร MP3 French Thomson Multimedia Company และ German Fraunhofer เทคโนโลยีถอดรหัสร่วมกัน โดยสมาคมวงจร MP3Pro สามารถปรับปรุงคุณภาพเสียงดนตรี MP3 ดั้งเดิมโดยไม่ต้องเปลี่ยนขนาดไฟล์โดยพื้นฐาน มันสามารถรักษาคุณภาพเสียงก่อนการบีบอัดในระดับสูงสุดในขณะที่บีบอัดไฟล์เสียงที่อัตราบิตที่ต่ำกว่า
5) MP3Pro ได้รับการพัฒนาโดย Swedish Coding Technology Company ซึ่งมีเทคโนโลยีหลักสองอย่าง: หนึ่งคือเทคโนโลยีถอดรหัสเฉพาะจาก Coding Technology Company และอีกอันคือการบูรณาการของผู้ถือสิทธิบัตร MP3 French Thomson Multimedia Company และ German Fraunhofer เทคโนโลยีถอดรหัสร่วมกัน โดยสมาคมวงจร MP3Pro สามารถปรับปรุงคุณภาพเสียงดนตรี MP3 ดั้งเดิมโดยไม่ต้องเปลี่ยนขนาดไฟล์โดยพื้นฐาน มันสามารถรักษาคุณภาพเสียงก่อนการบีบอัดในระดับสูงสุดในขณะที่บีบอัดไฟล์เสียงที่อัตราบิตที่ต่ำกว่า
6) WMA (Windows Media Audio) เป็นผลงานชิ้นเอกของ Microsoft ในด้านเสียงและวิดีโอทางอินเทอร์เน็ต รูปแบบ WMA บรรลุอัตราการบีบอัดที่สูงขึ้นโดยการลดการรับส่งข้อมูล แต่ยังคงคุณภาพเสียงไว้ อัตราการบีบอัดโดยทั่วไปสามารถเข้าถึง 1:18 นอกจากนี้ WMA ยังสามารถปกป้องลิขสิทธิ์ผ่าน DRM (การจัดการสิทธิ์ดิจิทัล)
7) RealAudio เป็นรูปแบบไฟล์ที่เปิดตัวโดย Real Networks คุณสมบัติที่ใหญ่ที่สุดคือสามารถส่งข้อมูลเสียงแบบเรียลไทม์ โดยเฉพาะอย่างยิ่งเมื่อความเร็วเครือข่ายช้า ก็ยังสามารถรับส่งข้อมูลได้อย่างราบรื่น ดังนั้น RealAudio จึงเหมาะสำหรับเล่นบนเครือข่ายออนไลน์เป็นหลัก รูปแบบไฟล์ RealAudio ปัจจุบันส่วนใหญ่ประกอบด้วย RA (RealAudio), RM (RealMedia, RealAudio G2), RMX (RealAudio Secured) เป็นต้น ลักษณะทั่วไปของไฟล์เหล่านี้คือคุณภาพของเสียงจะเปลี่ยนไปตามความแตกต่างของแบนด์วิดท์เครือข่าย ภายใต้สมมติฐานที่ว่าคนส่วนใหญ่ได้ยินเสียงที่ราบรื่น ผู้ฟังที่มีแบนด์วิดท์กว้างกว่าจะได้รับคุณภาพเสียงที่ดีขึ้น
8) Audible มีรูปแบบที่แตกต่างกันสี่รูปแบบ: Audible1, 2, 3, 4 เว็บไซต์ Audible.com ส่วนใหญ่ขายหนังสือเสียงบนอินเทอร์เน็ต และให้การปกป้องสินค้าและไฟล์ที่พวกเขาขายผ่านหนึ่งในสี่รูปแบบเสียงเฉพาะของ Audible.com . แต่ละรูปแบบจะพิจารณาถึงแหล่งกำเนิดเสียงและอุปกรณ์ฟังที่ใช้เป็นหลัก รูปแบบ 1, 2 และ 3 ใช้ระดับการบีบอัดเสียงต่างกัน ในขณะที่รูปแบบ 4 ใช้อัตราการสุ่มตัวอย่างที่ต่ำกว่าและวิธีการถอดรหัสแบบเดียวกับ MP3 เสียงที่ได้จะชัดเจนขึ้นและสามารถดาวน์โหลดจากอินเทอร์เน็ตได้อย่างมีประสิทธิภาพมากขึ้น Audible ใช้เครื่องมือเล่นบนเดสก์ท็อปของตนเอง ซึ่งก็คือ Audible Manager ด้วยเครื่องเล่นนี้ คุณสามารถเล่นไฟล์รูปแบบเสียงที่เก็บไว้ในพีซีหรือโอนไปยังเครื่องเล่นแบบพกพาได้
9) จริง ๆ แล้ว AAC นั้นย่อมาจาก Advanced Audio Coding AAC เป็นรูปแบบเสียงที่พัฒนาโดย Fraunhofer IIS-A, Dolby และ AT&T เป็นส่วนหนึ่งของข้อกำหนด MPEG-2 อัลกอริทึมที่ใช้โดย AAC นั้นแตกต่างจากของ MP3 AAC รวมฟังก์ชันอื่นๆ เพื่อปรับปรุงประสิทธิภาพการเข้ารหัส อัลกอริธึมเสียงของ AAC นั้นเหนือกว่าอัลกอริธึมการบีบอัดก่อนหน้านี้ (เช่น MP3 เป็นต้น) ในด้านความสามารถในการบีบอัด นอกจากนี้ยังรองรับแทร็กเสียงสูงสุด 48 แทร็ก แทร็กเสียงความถี่ต่ำ 15 แทร็ก อัตราตัวอย่างและบิตเรตเพิ่มเติม ความเข้ากันได้หลายภาษา และประสิทธิภาพการถอดรหัสที่สูงขึ้น กล่าวโดยย่อ AAC สามารถให้คุณภาพเสียงที่ดีกว่าภายใต้สมมติฐานว่ามีขนาดเล็กกว่าไฟล์ MP30 ถึง 3%
10) Ogg Vorbis เป็นรูปแบบการบีบอัดเสียงรูปแบบใหม่ คล้ายกับรูปแบบเพลงที่มีอยู่ เช่น MP3 แต่ข้อแตกต่างประการหนึ่งก็คือ ฟรีทั้งหมด เปิดกว้าง และไม่มีข้อจำกัดด้านสิทธิบัตร Vorbis เป็นชื่อของกลไกการบีบอัดเสียงนี้ และ Ogg เป็นชื่อของโครงการที่ตั้งใจจะออกแบบระบบมัลติมีเดียแบบเปิดอย่างสมบูรณ์ VORBIS ยังเป็นการบีบอัดแบบสูญเสีย แต่ใช้โมเดลอะคูสติกขั้นสูงเพื่อลดการสูญเสีย ดังนั้น OGG ที่เข้ารหัสด้วยบิตเรตเดียวกันจึงฟังดูดีกว่า MP3
11) APE เป็นรูปแบบเสียงที่บีบอัดโดยไม่สูญเสียคุณภาพ ภายใต้เงื่อนไขที่ว่าคุณภาพเสียงจะไม่ลดลง ขนาดจะถูกบีบอัดให้เหลือครึ่งหนึ่งของไฟล์ WAV รูปแบบที่ไม่สูญเสียข้อมูลแบบดั้งเดิม
12) FLAC เป็นตัวย่อของ Free Lossless Audio Codec ซึ่งเป็นชุดของรหัสการบีบอัดเสียงแบบไม่สูญเสียข้อมูลที่รู้จักกันดี ซึ่งมีลักษณะเฉพาะคือการบีบอัดแบบไม่สูญเสียข้อมูล
3. หลักการพื้นฐานของการเข้ารหัสเสียง
การเข้ารหัสเสียงมีไว้เพื่อลดแบนด์วิดท์ของช่องสัญญาณที่จำเป็นสำหรับการรับส่งข้อมูลในขณะที่ยังคงคุณภาพของเสียงพูดเข้า
เป้าหมายของการเข้ารหัสเสียงพูดคือการออกแบบตัวเข้ารหัสที่มีความซับซ้อนต่ำเพื่อให้ได้การส่งข้อมูลที่มีคุณภาพสูงในอัตราบิตต่ำสุดเท่าที่จะเป็นไปได้
1) เส้นโค้งการปิดเสียง: ธรณีประตูที่หูของมนุษย์สามารถได้ยินเสียงที่ความถี่ต่างๆ ได้เฉพาะในสภาพแวดล้อมที่เงียบเท่านั้น
2) แถบความถี่วิกฤต
เนื่องจากหูของมนุษย์มีความละเอียดที่แตกต่างกันสำหรับความถี่ที่แตกต่างกัน MPEG1 / Audio จึงแบ่งช่วงความถี่ที่รับรู้ได้ภายใน 22khz เป็นแถบความถี่วิกฤต 23 ~ 26 ตามชั้นการเข้ารหัสที่แตกต่างกันและความถี่ในการสุ่มตัวอย่าง รูปต่อไปนี้แสดงความถี่กลางและแบนด์วิดท์ของย่านความถี่วิกฤตในอุดมคติ ดังที่เห็นในรูปหูของมนุษย์มีความละเอียดของความถี่ต่ำที่ดีกว่า
3) Masking effect ในขอบเขตความถี่: สัญญาณที่มีแอมพลิจูดที่ใหญ่กว่าจะกำบังสัญญาณที่มีความถี่ใกล้เคียงกันและแอมพลิจูดที่เล็กกว่า ดังแสดงในรูปด้านล่าง:
4) เอฟเฟกต์การปิดบังในโดเมนเวลา: ในช่วงเวลาสั้นๆ หากเสียงสองเสียงปรากฏขึ้น เสียงที่มี SPL ที่ใหญ่กว่า (ระดับความดันเสียง) จะกลบเสียงด้วย SPL ที่เล็กกว่า เอฟเฟกต์การปิดบังโดเมนเวลาแบ่งออกเป็นการมาสก์ล่วงหน้า (การมาสก์ล่วงหน้า) และการมาสก์ย้อนหลัง (การมาสก์หลัง) เวลาหลังการมาส์กจะนานขึ้นประมาณ 10 เท่าของก่อนการมาส์ก
เอฟเฟกต์การมาสก์โดเมนเวลาช่วยกำจัดเสียงสะท้อนล่วงหน้า
4. วิธีพื้นฐานของการเข้ารหัส
1) ควอนไทเซอร์และควอไทเซอร์
Quantization and quantizer: Quantization แปลงสัญญาณต่อเนื่องในเวลาที่ไม่ต่อเนื่องเป็นสัญญาณไม่ต่อเนื่องในเวลาที่ไม่ต่อเนื่อง ควอนไทเซอร์ทั่วไป ได้แก่ ควอนไทเซอร์แบบสม่ำเสมอควอนไทเซอร์ลอการิทึมและควอนไทเซอร์ที่ไม่สม่ำเสมอ เป้าหมายที่ดำเนินการโดยกระบวนการหาปริมาณคือการลดข้อผิดพลาดในการหาปริมาณและลดความซับซ้อนของเครื่องวัดปริมาณให้น้อยที่สุด (ทั้งสองอย่างขัดแย้งกันในตัวเอง)
(A) ควอนไทเซอร์แบบสม่ำเสมอ: ประสิทธิภาพที่ง่ายที่สุดและแย่ที่สุดเหมาะสำหรับเสียงโทรศัพท์เท่านั้น
(B) ควอนไทเซอร์ลอการิทึม: มีความซับซ้อนกว่าควอนไทเซอร์แบบสม่ำเสมอและใช้งานง่ายและประสิทธิภาพของมันจะดีกว่าควอนไทเซอร์แบบสม่ำเสมอ
(C) ควอนไทเซอร์แบบไม่สม่ำเสมอ: ตามการกระจายของสัญญาณให้ออกแบบควอนไทเซอร์ การหาปริมาณโดยละเอียดจะดำเนินการในกรณีที่สัญญาณมีความหนาแน่นและดำเนินการหาปริมาณอย่างคร่าวๆโดยที่สัญญาณเบาบาง
2) ตัวเข้ารหัสเสียง
ตัวเข้ารหัสเสียงพูดมีสามประเภท: (ก) ตัวเข้ารหัสรูปคลื่น; (b) Vocoder; (c) ตัวเข้ารหัสแบบไฮบริด
ตัวเข้ารหัสรูปคลื่นมีจุดมุ่งหมายเพื่อสร้างรูปคลื่นอนาล็อกรวมทั้งแผ่นเสียงพื้นหลัง ทำหน้าที่กับสัญญาณอินพุตทั้งหมดจะสร้างตัวอย่างที่มีคุณภาพสูงและใช้อัตราบิตสูง Vocoder จะไม่สร้างรูปคลื่นเดิมขึ้นมาใหม่ ตัวเข้ารหัสชุดนี้จะแยกชุดของพารามิเตอร์ซึ่งจะถูกส่งไปยังจุดสิ้นสุดการรับเพื่อรับโมเดลการสร้างเสียง คุณภาพเสียงของนักร้องไม่ดีพอ ตัวเข้ารหัสแบบไฮบริดซึ่งรวมเอาข้อดีของตัวเข้ารหัสและตัวปรับเสียงรูปคลื่น
2.1 ตัวเข้ารหัสรูปคลื่น
การออกแบบตัวเข้ารหัสรูปคลื่นมักไม่ขึ้นกับสัญญาณ ดังนั้นจึงเหมาะสำหรับการเข้ารหัสสัญญาณต่างๆและไม่ จำกัด เฉพาะเสียงพูด
1) การเข้ารหัสโดเมนเวลา
ก) PCM: การมอดูเลตรหัสพัลส์เป็นวิธีการเข้ารหัสที่ง่ายที่สุด เป็นเพียงการแยกแยะและการหาปริมาณของสัญญาณเท่านั้นและมักใช้ลอการิทึม
b) DPCM: การมอดูเลตรหัสพัลส์ดิฟเฟอเรนเชียลซึ่งเข้ารหัสเฉพาะความแตกต่างระหว่างตัวอย่างเท่านั้น ตัวอย่างก่อนหน้าอย่างน้อยหนึ่งตัวอย่างถูกใช้เพื่อทำนายค่าตัวอย่างปัจจุบัน ยิ่งใช้ตัวอย่างในการทำนายมากเท่าใดค่าทำนายก็ยิ่งแม่นยำมากขึ้นเท่านั้น ความแตกต่างระหว่างมูลค่าที่แท้จริงและค่าที่ทำนายเรียกว่าส่วนที่เหลือซึ่งเป็นวัตถุของการเข้ารหัส
c) ADPCM: การมอดูเลตโค้ดพัลส์ดิฟเฟอเรนเชียลแบบปรับได้, รหัสพัลส์ดิฟเฟอเรนเชียลแบบปรับได้ นั่นคือบนพื้นฐานของ DPCM ควอนไทเซอร์และตัวทำนายจะถูกปรับอย่างเหมาะสมตามการเปลี่ยนแปลงของสัญญาณเพื่อให้ค่าที่คาดการณ์ใกล้เคียงกับสัญญาณจริงส่วนที่เหลือน้อยลงและประสิทธิภาพการบีบอัดสูงขึ้น
(2) การเข้ารหัสโดเมนความถี่
การเข้ารหัสโดเมนความถี่คือการแยกสัญญาณออกเป็นชุดขององค์ประกอบความถี่ที่แตกต่างกันและทำการเข้ารหัสแบบอิสระ
a) Sub-band coding: Sub-band coding เป็นเทคนิคการเข้ารหัสโดเมนความถี่ที่ง่ายที่สุด เป็นเทคโนโลยีที่เปลี่ยนสัญญาณดั้งเดิมจากโดเมนเวลาเป็นโดเมนความถี่จากนั้นแบ่งออกเป็นแถบย่อยหลาย ๆ แถบและทำการเข้ารหัสดิจิทัลตามลำดับ ใช้กลุ่มแบนด์พาสฟิลเตอร์ (BPF) เพื่อแบ่งสัญญาณดั้งเดิมออกเป็นหลาย ๆ แถบย่อย (เช่น m) (เรียกว่าแถบย่อย) ส่งผ่านแต่ละย่านความถี่ย่อยผ่านลักษณะการมอดูเลตที่เทียบเท่ากับการมอดูเลตแอมพลิจูดแบบไซด์แบนด์ด้านเดียวย้ายแต่ละย่านความถี่ย่อยไปที่ความถี่ใกล้ศูนย์ตามลำดับผ่าน BPF (รวมเป็น m) จากนั้นโอนแต่ละย่านความถี่ย่อยตามอัตราที่กำหนด ( อัตรา Nyquist) สัญญาณเอาท์พุตซับแบนด์จะถูกสุ่มตัวอย่างและโดยปกติค่าตัวอย่างจะถูกเข้ารหัสแบบดิจิทัลและมีการตั้งค่าตัวเข้ารหัสดิจิทัล m ส่งสัญญาณรหัสดิจิทัลแต่ละตัวไปยังเครื่องมัลติเพล็กเซอร์และสุดท้ายส่งออกสตรีมข้อมูลรหัสย่านย่อย
สำหรับซับแบนด์ที่แตกต่างกันสามารถใช้วิธีการหาปริมาณที่แตกต่างกันและสามารถจัดสรรจำนวนบิตที่แตกต่างกันให้กับซับแบนด์ตามแบบจำลองการรับรู้ของหู
b) เปลี่ยนการเข้ารหัส: การเข้ารหัส DCT
5. ผู้พูด
Channel vocoder: ใช้ความรู้สึกไม่ไวของหูมนุษย์เป็นเฟส
homomorphic vocoder: สามารถประมวลผลสัญญาณสังเคราะห์ได้อย่างมีประสิทธิภาพ
Formant vocoder: ข้อมูลส่วนใหญ่ของสัญญาณเสียงจะอยู่ที่ตำแหน่งและแบนด์วิดท์ของ formant
Vocoder เชิงเส้นตรง: Vocoder ที่ใช้กันมากที่สุด
6. ตัวเข้ารหัสไฮบริด
ตัวเข้ารหัสรูปคลื่นพยายามรักษารูปคลื่นของสัญญาณที่เข้ารหัสไว้และสามารถให้เสียงพูดคุณภาพสูงในอัตราบิตปานกลาง (32 kbps) แต่ไม่สามารถใช้กับอัตราบิตต่ำได้ นักร้องพยายามสร้างสัญญาณที่คล้ายกับสัญญาณที่เข้ารหัสและสามารถให้เสียงพูดที่เข้าใจได้ในอัตราบิตต่ำ แต่เสียงพูดที่ได้นั้นฟังดูไม่เป็นธรรมชาติ ตัวเข้ารหัสแบบไฮบริดรวมข้อดีของทั้งสองอย่างเข้าด้วยกัน
RELP: บนพื้นฐานของการทำนายเชิงเส้นส่วนที่เหลือจะถูกเข้ารหัส กลไกคือ: ส่งเฉพาะส่วนที่เหลือเพียงเล็กน้อยและสร้างส่วนที่เหลือทั้งหมดขึ้นใหม่ที่ปลายรับ (คัดลอกส่วนที่เหลือของเบสแบนด์)
MPC: การเข้ารหัสแบบหลายพัลส์ซึ่งจะลบความสัมพันธ์ของส่วนที่เหลือและใช้เพื่อชดเชยการจำแนกประเภทของเสียงที่เรียบง่ายของนักร้องให้เป็นเสียงที่เปล่งออกมาและไม่มีการเปล่งเสียงโดยไม่มีข้อบกพร่องของสถานะระดับกลาง
CELP: การทำนายเชิงเส้นที่น่าตื่นเต้นซึ่งใช้การทำนายเส้นเสียงและน้ำตกของตัวทำนายระดับเสียงเพื่อประมาณสัญญาณต้นฉบับได้ดีขึ้น
MBE: การกระตุ้นแบบมัลติแบนด์ มีวัตถุประสงค์เพื่อหลีกเลี่ยงการคำนวณ CELP จำนวนมาก เพื่อให้ได้คุณภาพที่สูงกว่าโวโคเดอร์
สินค้าอื่น ๆ ของเรา:
