nutné zachovat schopnost reprodukovat zvukovou vlnu

KÓDOVÁNÍ ZVUKU

Digitalizace zvuku 

Digitalizace 



Bitová hloubka (bit depth)  



nutné zachovat schopnost reprodukovat zvukovou vlnu ovlivňuje dynamický rozsah a šum, 16 bitů dává 65 536 stupňů hlasitosti neovlivňuje frekvenční rozsah (dán vzorkováním)

Dynamický rozsah 

rozdíl mezi nejtišším a nejhlasitějším zvukem  



Vzorkovací frekvence 



rozlišit frekvence tónů se u každého člověka liší a je frekvenčně závislá populární hudba 6 – 10 dB, obecně 1 – 15 dB

ucho slyší asi od 20 Hz do 20 kHz, vhodný vzorkovací kmitočet okolo 40kHz

Přenosová rychlost (bit rate)   

jaký objem informace se přenese za jednotku času Bit rate = (bit depth) × (sampling rate) × (number of channels) př. CD: 1 411 200 = 16 × 44 100 × 2 [b/s]

Digitalizace zvuku 

Dynamický rozsah a velikost šumu – odstup signálu od šumu  

 

Signal to Noise Ratio (SNR) výkonový poměr signálu a kvantizačního šumu D = 10 log(s2/š2) [dB] kvantizační chyba rovna šířce kvantizační úrovně  odstup závisí na velikosti užitečného signálu 

maximální počet kvantizačních úrovní daného převodníku N

D = 20 log(2N)  6,02 N [dB] s každým přidáním bitu se zvětšuje hodnota o 6 dB 

Příklady maximálního dynamického rozsahu   

16 bitové kvantování u hudby na CD 24 bitové digital audio

16 × 6,02 = 96 dB 24 × 6,02 = 144 dB

některé způsoby kódování vyjadřují jinak

Frekvenční maskování 

Snížená schopnost vnímání zvuku z důvodu přítomnosti jiného zvuku 

stav, kdy zvuk o určité frekvenci není slyšitelný kvůli intenzivnějšímu zvuku o jiné frekvenci

Frekvence pod maskovací úrovní jsou maskovány a mohou být odstraněny

http://home.zcu.cz/~mtoman/zvuk.htm

Časové maskování 

Lidské ucho bezprostředně před silným zvukem a po něm nevnímá slabší tóny 

po silném zvuku 



postmasking

před zvukem 

premasking

http://home.zcu.cz/~mtoman/zvuk.htm

Psychoakustický model 

Rozdělení zvukového signálu v kmitočtové oblasti  

do několika subpásem (32) využití psychoakustického maskovacího jevu lidského sluchu v každém subpásmu

Silnější zvukové signály potlačují vnímání slabších spektrálních složek v dané oblasti kmitočtů není nutno kódovat

V každém subpásmu lze zvolit optimální bitovou hloubku, při které je kvantovací šum ještě maskován a nedochází ke slyšitelnému snížení kvality

http://www.digitalnitelevize.cz/magazin/dvb-t/dvb-t-technologie/technicke_minimum_mpeg2.html

Modifikovaná DCT a alokace šumu 

Modul MDCT dále dělí pásma a výrazně zlepší frekvenční rozlišení 



i bezztrátový algoritmus

Modul alokace šumu 

zjišťuje množství kvantizačního šumu 



dva iterační cykly – inner a outer loop

Inner loop 

kvantuje spektrální hodnoty 

 

zakóduje hodnoty pomocí Huffmanova kódování je-li výsledný počet bitů větší než předpokládaná bitrate 



které byly vypočteny v MDCT

zvolí se nový kvantovací krok a celý proces se provede znovu

Outer loop 

zkontroluje, zda každé pásmo má menší zkreslení než povolené 

pokud je zkreslení větší, potom je pásmo zesíleno a je opakován inner loop

Úpravy dynamického rozsahu 

Komprese dynamiky zvukového signálu 

zmenšení dynamického rozsahu signálu  





úroveň výstupního signálu (dB)

řízený nelineární zesilovač zmenšuje dynamický rozsah signálu 

úroveň vstupního signálu (dB)

slabé signály zesiluje více a silné méně

Limitér  



redukce zisku, zvýšení celkové hlasitosti zvedne se úroveň nižších signálů

Kompresor 



redukce zisku

speciální druh kompresoru omezuje pouze nejsilnější dynamické špičky

Křivka řízení dynamiky 

možné provádět kompresní a limitační nastavení 

úroveň výstupního signálu (dB)

omezovat nežádoucí zvuky (pod určitým prahem hlasitosti) úroveň vstupního signálu (dB)

Úpravy dynamického rozsahu 

Parametry kompresorů dynamiky 

THRESHOLD 



RATIO 



rychlost (čas) uvolnění komprese po poklesu vstupního signálu pod práh

INPUT, OUTPUT 



rychlost (čas) reakce na překročení prahu

RELEASE 



nastavený poměr snížení úrovně signálu

ATTACK 



nastavený práh

vstupní a výstupní úrovně

KNEE 

způsob řízení komprese

úroveň výstupního signálu (dB)

úroveň vstupního signálu (dB)

Úpravy dynamického rozsahu

Úpravy dynamického rozsahu původní nahrávka

distortion (deformace)

clipping (ořez)

limiting (omezovač)

Zvýšení účinnosti kódování 

Kompanze  

nejčastěji logaritmická; předchází uniformní kvantizaci více zesílí malé hodnoty okamžitých výchylek signálu 



Expanze 

při obnovování signálu (expanzér za dekódérem) 



převodní amplitudová charakteristika kompandéru

Expanzní charakteristika 

převodní amplitudová charakteristika expandéru 



obnoví původní rozsah signálu, vrátí vzorkům správný poměr velikostí

Kompresní charakteristika 



velké hodnoty výchylek signálu jsou zesíleny jen nepatrně

má inverzní průběh ke kompresní charakteristice

Používané kompresní charakteristiky  

-law (sev.Amerika, Japonsko) A-law (Evropa)

Pulzně kódová modulace (PCM) 

Modulační metoda převodu analogového zvukového signálu na signál digitální 

 

PCM (Pulse-code modulation) pravidelné odečítání hodnoty signálu pomocí A/D převodníku její zaznamenání v binární podobě

Pulzně kódová modulace 

Určující parametry 

vzorkovací frekvence   

8 kHz u dig. tel. linek ISDN 44,1 kHz u zvukového CD vyšší hodnoty 



u profesionálních zařízení

kvantování  

jemnost rozlišení hodnot 8 nebo 16 bitů 



256 nebo 65 536 hodnot

kvantizační šum 

úroveň s rostoucím rozlišením klesá

Pulzně kódová modulace 

PCM v telekomunikacích   

vzorkovací frekvence 8 kHz rozlišení 8 bitů dává datový tok 64 kbit/s  



základní kapacita hovorového kanálu v digitální síti ISDN někdy označováno jako DS0.

Kódování hovorového kanálu DS0 

logaritmická komprese 



severní Amerika a Japonsko – vyšší komprese  



12- či 13-bitový signál převáděn na osmibitový signál v telefonních sítích pouze 7 bitů pro přenos hlasu osmý bit na signalizaci (typ CAS)

Evropa  

pro přenos hlasu všech 8 bitů signalizace je přenášena samostatným kanálem. (Například pomocí signalizace č.7, či jinou CCS signalizací.)

Pulzně šířková modulace (PWM) 

PWM 

diskrétní modulace pro přenos analogového signálu 



pomocí 2 hodnot

Střída 

poměr časů, ve kterých je signál v jednotlivých úrovních

Nosný signál konstantní amplituda a frekvence (vyšší než modulační) pilový nebo trojúhelníkový průběh

Srovnávání okamžité hodnoty modulačního a nosného signálu pokud menší, PWM 1, jinak 0

Direct Stream Digital (DSD) 

Direct Stream Digital (DSD) technologie masteringu 



Sony, Philips

typ pulzně hustotní modulace (PDM) 



vyjadřuje informaci počtem pulsů v nějakém časovém intervalu, přičemž na poloze pulsů v daném intervalu nezáleží

0101101111111111111101101010010000000000000100010011011101111 111111111011010100100000000000000100101

jedničky (modré) nuly (bílé) střídání jedniček a nul

(1111) odpovídají maximu (0000) minimu (1010) nule

Audio CD 

Audio CD (Compact Disc Digital Audio, CDDA)   

použití PCM dva kanály vzorkovací frekvence 44,1 kHz a rozlišení 16 bitů 

  

frekvenční rozpětí do 20 kHz

přenosová rychlost 44 100 × 16 × 2 = 1 411 200 b/s jedna minuta záznamu zabere 44 100 × 16 × 2 × 60 : 8 = 10 584 000 B/min

Super Audio Compact Disc 

Super Audio Compact Disc (SACD)  

až 6 kanálů (5.1), 1999 Direct Stream Digital (DSD) technologie masteringu  



1 bit, vzorkovací frekvence 2,8224 MHz frekvenční rozpětí do 20 kHz

vícevrstvé kvůli zpětné kompatibilitě

CD

SACD

16 bit PCM

1 bit DSD

jedna vrstva klasické CD

Format

další vrstva High Density DSD

Sampling freq.

44.1 kHz

2822.4 kHz

Dynamic range

96 dB

120 dB

20 Hz – 20 kHz

20 Hz – 50 kHz

700 MB

7.95 GB

Stereo

Yes

Yes

Discrete surround

No

Yes

Frequency range Disc capacity

DVD-Audio 

DVD-Audio  

kapacita 74 min, plná surround kvalita, 2000 vzorkovací frekvence  



5.1 až 96 kHz stereo až 192 kHz

až 24 bitová hloubka

44.1 kHz Mono (1.0) Yes Stereo (2.0) Yes Stereo (2.1) Yes

48 kHz Yes Yes Yes

16-, 20- or 24-bit depth 88.2 kHz 96 kHz 176.4 kHz Yes Yes Yes Yes Yes Yes Yes Yes No

192 kHz Yes Yes No

Stereo + mono surround (3.0 or 3.1) Yes

Yes

Yes

Yes

No

No

Quad (4.0 or 4.1) Yes 3-stereo (3.0 or 3.1) Yes

Yes Yes

Yes Yes

Yes Yes

No No

No No

3-stereo + mono surround (4.0 or 4.1) Yes

Yes

Yes

Yes

No

No

Full surround (5.0 or 5.1) Yes

Yes

Yes

Yes

No

No

Datový tok 

Velikost datového objemu Vzorkovací Bitová frekvence hloubka [Hz] b 44 100 16 48 000 16 96 000 16 192 000 16 48 000 16 48 000 16



Velikost za hodinu 605 MB 659 MB 1,29 GB 2,57 GB 1,93 GB 2.57 GB

datový tok je konstantní za každých okolností (typický případ u PCM)

VBR - variable bitrate 



2 2 2 2 5.I 7.I

Velikost za minutu [MB] 10 11 22 44 33 44

CBR - constant bitrate 



Počet kanálů

datový tok se mění a není přesně definovaný

ABR - average bitrate 

průměrný datový tok v určitém časovém okně je konstantní 

v průběhu okna se ale může měnit

Audioformáty 

Nekomprimované 



Bezztrátové 



PCM, WAV FLAC (Free Lossless Audio Codec)

Ztrátové DTS (Digital Theater System)  AC3 – Dolby Digital (DVD)  MP3  WMA  AAC (Advanced Audio Coding) 

Nekomprimované audioformáty 

WAV   

přípona .wav (Windows) většinou nekomprimovaný zvuk PCM stejně jako CD 



velikost WAV souboru omezena na 4 GB 

 

odpovídá asi 6.6 hodinám záznamu v CD kvalitě

možnost komprimace součást formátu RIFF (používá jeho strukturu) 

   



snadný převod

WAV (Windows audio) AVI (Windows audiovisual) RMI (Windows "RIFF MIDIfile") CDR (CorelDRAW vector graphics file) ANI (Animated Windows cursors)

AIFF 

standardní audioformát Apple, obdoba wav pro Mac

Bezztrátové audioformáty 

RAW 

podpora komprimace libovolným kodekem, nejčastěji PCM audio 



AU 



standardní formát audia, Sun Microsystems PCM nebo kodeky μ-law, a-μlaw nebo G729 







bezztrátový kodek, podobný jako zip; špatný kompresní poměr vhodný k archivaci PCM souborů s důrazem na kvalitu

MPEG-4 ALS (Audio Lossless Coding ) Monkey’s Audio 

o něco lepší než FLAC, freeware, 



užívaný Sun, Unix a Java

FLAC (Free Lossless Audio Codec) 



zřídka používán

.ape, metadata .ap1

Dolby TrueHD a DTS-HD Master Audio

Audioformáty 

Dolby Digital (AC-3)   

digitální ztrátová komprese zvuku, 1991 standard pro filmy v kinech, digitální televizi a DVD možná součást videosouborů 

 

maximální datový tok 640 kb/s DVD video max. 448 kbit/s, nejčastěji:   





AVI, OGM, nebo MKV

192 nebo 224 kb/s pro konfiguraci 2.0 a 2.0 Surround 384 nebo 448 kb/s pro konfigurace 5.0 a 5.1 448 kb/s pro konfigurace 5.1 EX

digitální televizní vysílání max. 448 kb/s (ATSC 384 kb/s)

Digital Theater Systém (DTS)   

digitální formát prostorového ozvučení se ztrátovou kompresí především pro ozvučení filmů v kinech a DVD Video maximální datový tok 1536 kb/s 

DVD 768 kb/s

Audioformáty 

MP2   



MPEG-1 Layer-2, někdy nesprávně Musicam standard pro vysílání DAB (Digital Audio Broadcasting) srovnatelný se špičkovými kodeky jako Dolby Digital AC-3

MP3 

MPEG-1 Layer-3 

 

nejpopulárnější formát pro stahování a ukládání hudby komprimováno na zhruba desetinu velikosti PCM při zachování dobré kvality 



u hlasu horší poměr – zkráceny pauzy …

snaha odstranit redundanci zvukového signálu  





licencovaný

na základě psychoakustického modelu ze vstupního signálu se odeberou informace, jež člověk neslyší, nebo si je neuvědomuje využívá se principů časového a frekvenčního maskování

zahrnuje 3 vrstvy, jež se liší kvalitou a obtížností implementace

Audioformáty 

AAC (Advanced Audio Coding)  

pův. MPEG-2 Part 7, MPEG-4 Part 3; známý i jako MPEG-4 AAC špičkový, nástupce MP3, lepší zvuk pří stejném bitrate 



založen na modifikované diskrétní kosinové transformaci 



použití psychoakustického modelu

vyvinut pův. Apple (iTunes) 



optimální hifi kvalita při 256 kb/s, nejčastěji 128 kb/s

bez licence, licence nutná pouze pro vývoj AAC kodeků

WMA (Windows Media Audio) 

Microsoft, pův. jako náhrada MP3 

 



licencovaný

podpora Digital Rights Management (DRM) do verze 9 nezajímavý, dnes špičkový téměř výhradně kontejner ASF (.asf, .wma)

Audioformáty 

OGG Vorbis  

součást Ogg open source kontejneru podporujícího množství kodeků hlavní zvuková data ve střední až vysoké úrovni VBR 



kvalitní – komprese podobá MP3 



~16 500 kbit/s/kanál méně rozšířen (podporuje i Matroska)

MPC, Musepack  



pův. MPEGplus, MPEG+ or MP+ open source ztrátový audiokodek, vyvinut na základě MP2 optimalizován pro transparentní kompresi sterea při bitratech 160–180 kbt/s  

spolu s Ogg Vorbis nejvhodnější vysoce kvalitní ztrátová komprese ještě méně používán

Audioformáty pro záznam řeči 

GSM kodeky   



DCT  



formát pro telefonickou kvalitu, v Evropě dobrý kompromis mezi velikostí a kvalitou kodekem GSM možno kódovat i soubory wav variabilní formát určený k záznamu řeči (diktafony) možnost kódování

VOX 

přenos řeči při nízké vzorkovací frekvenci



nejčastěji používá kodek Dialogic ADPCM (Adaptive Differential PCM)    



diferenční (delta) – hodnoty kóduje jako rozdíl oproti předpovězené adaptivní – rozdílný kvantizační krok komprimuje do 4 bitů neobsahuje informace o vzorkovací frekvenci a počtu kanálů – musí být specifikováno předem

Speex  

svobodný zvukový kodek ke kompresi řeči, součást projektu ogg hlasová data v nízkém bitratu (~8, 16, 32 kb/s/kanál)