0.著者について

みなさんこんにちは、マキシム・ログビノフです。私はハリコフ国立ラジオ電子大学の学生です。



私はいつも音と音楽に興味がありました。 私自身、エレクトロニックダンスミュージックを書くのが大好きで、数学の高度な問題に精通していない人として、コンピューターで音がどうなるかを知ることは常に興味深いものでした。それがどのように書かれ、圧縮され、これにどのようなテクノロジーが存在するかなどです。 結局のところ、学校や物理学から、音は「アナログ」であることに気付きました。デジタルに変換する必要があります（ADCなどのデバイスが必要です）が、何らかの方法で保存する必要があります。 さらに良いことに、この音楽はより少ないディスクスペースを占有するため、より多くの音楽をケチなフォルダに入れることができます。 そして、聞こえる圧縮アーティファクトなしで、良い音に。 ミュージシャン、結局のところ。 音楽の聴力を欠いていない訓練された耳は、少なくともかなり低いビットレートで、損失のある音を圧縮するために使用される方法で欺くのは非常に困難です。 あなたはとても気難しいです。



そして、サウンドが何であるか、どのようにエンコードされるか、そしてこのエンコードに使用されるツールを見てみましょう。 さらに、これまでで最も高度なコーデックの1つであるOpusのビットレートを試して、魚を食べるためにどの桁をエンコードできるかを評価します。 コンピューターがオーディオを保存およびエンコードする方法だけでなく、今日の最高のコーデックの1つをテストする方法だけでなく、単純な言語で説明してみませんか？ 特に、既存のほとんどすべてのコーデックが小さなファイルサイズに収まるように音で信じられないほどの処理を開始する超低ビットレートに関しては。 ルーチンから注意をそらし、新しいコーデックのテスト時にどのような結論が得られたかを知りたい場合は、Catへようこそ。

1.音声コーディング

音には物理的な性質があります。 音はすべて、空間（この場合は空中）の振動であり、耳で捉えられます。 振動は本質的に連続的であり、数学モデルで説明できます。 もちろん、これは行いませんが、ゼロと1のみで動作するマシンで連続的な性質の振動をどのように書くことができるのかという疑問を提起します。

1.1。 圧縮なし、損失なし

図 1.1-パルス符号変調の図解

WAV（WAVE）形式は、オーディオファイル自体を操作することなく、オーディオトラックを真の品質で保存します。

サウンドを録音するには、ゼロと1のセットに変換する必要があります。 WAV形式の場合、これは最も単純な方法で行われます。着信サウンドストリームは最小セグメント（量子、したがって「量子化周波数」、「サンプリング周波数」または「 サンプリング周波数 」）に分割され、バイナリ信号のアナログ信号の現在値はそのような各時間間隔で書き込まれますフォーム。 WAVファイルは、たとえば8 kHz〜192 kHzのサンプリング周波数で記録できますが、事実上、44.1 kHzのサンプリング周波数が標準と見なされます。



WAVは、コンテナとして、オーディオ情報を格納する他の方法をサポートしていることに注意してください。たとえば、 ADPCMは 、帯域幅に応じて、可変サンプリングレートでオーディオデータをエンコードできます。

44.1 kHzの周波数は偶然ではありませんでした。 説明の不正確さを許容する場合、この図はコテルニコフの定理の記述として発生します。最大20 kHz（人間の耳の可聴性の理論的限界）までの周波数で最も正確な波形を維持するには、40 kHzの2倍のサンプリング周波数が必要です。 実際、44.1 kHzの周波数は技術的な側面によるものであり、その詳細についてはこちらをご覧ください 。

このような各セグメントでは、アナログ信号の実際の電圧はバイナリ形式でエンコードされます。最高レベルは「1111」、最低レベルは「0000」の形式で表すことができます。 そして、ここで2番目のパラメーターが作用します。音の深さは、時間間隔で波の値がデジタル化される精度を決定します。 多くの場合、WAVファイルは16ビットまたは32ビットの解像度で書き込まれます。 より高いビット深度-より正確には、録音。

PCMといえば。 オーディオカセットの後に非常に人気があった普通のCDの録音とは何ですか？ すなわち-PCM形式の非圧縮のゼロと1のストリーム。 解像度は16ビット、サンプリング周波数は44.1 kHzです。 そのようなレコードは、どのビットレートになりますか？

• 1秒あたり44100回、16ビットの数値が書き込まれます。 44100 * 16 = 1つのチャネルで705600 bps;
• ステレオ録音の場合、この値は2-1411200 bpsまたは私たちの〜1411 kbit / sで乗算されます。
• 32ビット記録の場合、この値は2倍の高さ（約2822 kbit / s）になります。

結論：したがって、これらのファイルの大食いはハードドライブの空き容量になりますが、ゲインとして-オーディオファイルの録音と再生時に損失がまったくありません。

1.2。 ロスレス圧縮

ロスレス圧縮についてはあまり書きません。 この用語はここで見つけることができます 。 実際、この方法は、おおまかに言って、コーデックに埋め込まれたアルゴリズムを使用してオーディオ録音をアーカイブしますが、データは失われず、ビット単位の精度でオーディオ録音を復元することが可能です。 そのような形式をデコードするとき、実際には同じWAVE形式を取得しますが、必要なディスク容量はそれだけです。 圧縮は約2倍であり、エンコードされたコンポジションの性質に依存します。 録音を聞くとき、コーデックはコンポジションを「解凍」し、圧縮されていないゼロと1のストリームをサウンドカードの処理に送信します。



このようなコーデックは多数あります。これらは、 Xiph （彼女もOpusを開発）によって開発されたFLAC （無料ロスレスオーディオコーデック）、同じ名前の会社のALAC （Apple Lossless）、 APE （Monkeyのオーディオ）、 WV （WavPack）などのあまり知られていませんロスレスオーディオ圧縮形式。

1.3。 非可逆圧縮-耳をだます

科学者は、耳が不完全であるため、原則として、録音に関する完全な情報を保持することは原則として意味がないことが多いという事実について考え始めました。 大きな音の後に静かな音が聞こえない場合や、高すぎる周波数や低すぎる周波数が聞こえない場合があります。 これらの現象はマスキング効果と呼ばれます。



その結果、 ここでそれを捨てることができ、 そこでカットすることができ 、リスナーはほとんど何も気付かないでしょう-不完全な耳は、リスナーが自分を欺くことができるだけです。 その結果、ファイル内の心理音響的冗長性を取り除くことが可能になります。



実際、 心理音響学は専門分野として存在し、人による音の知覚の心理的および生理学的特性を研究しています。 実際、これらの心理音響モデルは非可逆圧縮プログラムの作業の基礎に据えられており、そのような最初の形式の1つはMPEG 1 Layer IIIまたは単なるMP3でした。 ここでは、ほとんど誇張することなく事実に基づいて動作するマーケティングが仕事をしたことを予約します。オーディオファイルは10分の1のスペースしか消費しません（注意：これは128 kbpsのビットレートでエンコードする場合です。 「-WAVEの場合は1411 kbit / sを思い出してください）。したがって、オーディオレコードはCDまたはハードディスク上で1桁以上に適合します。 激怒！ このフォーマットの人気は、デジタルオーディオ業界を爆破しました。 インターネットへの最速接続ではない期間に、そのようなファイルを転送することは非常に便利になりました。 転送が便利で、保存が便利で、プレーヤーに曲のパックを便利に投げることができます。 多くのハードウェアMP3デコーダーが作成され、これに関連して、ファイルは各鉄の冷蔵庫でほぼ再生されました。



この記事の執筆時点で、特許の制限は失効しており、ライセンス料は廃止されています。



非可逆圧縮についてはどうでしょうか。また、リスナーの品質を大きく損なうことなく、音声ファイルを1桁圧縮する方法はありますか？ つまり、次のシーケンスは、コーデックごとにほとんど異なりません。 このプロセスの説明は不名誉になるまで簡略化されていますが、そのコースはほぼ次のとおりです。

1. 非圧縮データの着信ストリームは、等しいセグメントに分割されます-フレーム（フレーム）に;
2. 分析のために、スペクトルの連続セクションを作成するために、すでに選択されているフレームに加えて、前のフレームと次のフレームが取得されます。
3. 圧縮番号1：セクションはMDCT （修正離散コサイン変換）を通過します。 大まかに言えば、この変換は音響信号のスペクトル分析を実行します-スペクトルの各セグメントにおける音響エネルギーの高さに関する情報を取得することができます。 レイヤーIIIの場合、2番目のMDCT変換が実行され、低ビットレートで高周波数をエンコードする効率が向上します。これは、このコーデックの人気の爆発に対する特効薬であることが判明しました。 修正のための割り込みユーザーのおかげで、MPEG 1レイヤーIIIはオーディオデータの変換にハイブリッドアプローチを使用します。 これらの各帯域は、MDCTによって周波数形式に変換されます。実際には、フレームにどの周波数およびどのエネルギーが存在するかについての特定の情報が既に提供されています。
4. MDCT分析の結果は、「仮想耳」のようなものである心理音響モデルに送信されます。 この段階で、知覚を大きく損なうことなく、音声信号から何を残すか、何を捨てることができるかという質問に答えます。
5. 圧縮＃2：このような変換を経たフレームは、ハフマンコードを使用して圧縮できます。 実際、大まかに言って、各フレームはさらにアーカイブされ、冗長性がなくなります。 これは、ゼロと1の長いチェーンを短い形式にパックするようなものです。
6. フレームは接着されています。 そのような各フレームには、コーデックに必要な情報が追加されます。
   
   
   
   
   • フレーム番号/サイズ;
   • フォーマットバージョン（MPEG1 / 2 / 2.5）;
   • レイヤーバージョン（レイヤーI / II / III）;
   • サンプリングレート;
   • ステレオベースモード（モノ、ステレオ、ステレオの組み合わせ）。
   
   
   

MP3形式には重大な欠点がないわけではないことに注意してください。一方、形式自体では機能を適切に拡張することはできません。 たとえば、 プリエコーのような現象を考えてみましょう。 この圧縮アーチファクトの現象は、 ここで簡潔かつかなりよく説明されていますが、その本質は、例えば、Hi Hat楽器のように、無音に比べて急激に増加する音の歪みにあります。 MDCTの機能により、このようなツールを無音でエンコードすると、多くの振動を伴う急激な遷移が作成されます。 元の録音では、これらの振動は存在しませんが、結果の録音に存在する場合は、明らかに耳に十分に捕らえられています。 AACやOGGなどの最新のコーデックにもこの欠点がないわけではありませんが、より正確で高度なアルゴリズムを使用して対処しようとしています。 しかし、たとえばMusePack（以下について）は、2番目のMDCT変換を使用して効率を高めることはなく 、非常に高品質の心理音響モデルと組み合わせたSBC を使用するため、この欠点はありません 。これは、160 kbpsのビットレートと まれに、しかし適切に：このビットレートでは、コーデックは同じビットレートのMP3よりも優れたオーディオをエンコードします。



無料のLameコーデックの開発者は、心理音響モデルと可変ビットレートコーディングアルゴリズムを改善することで、まだ頭脳を改善しようとしていることに注意してください。 バージョン3.100のリリースは、2017年12月に導入されました。

フレームフォーマットに関してMP3が内部でどう配置されるかに関する詳細情報はここで見つけることができます 。



しかし、MP3オーディオコーデックの圧縮がどのように機能するかについての素晴らしい記事（またはその翻訳）は、 ここで読むことができます 。 お勧めです！

1.4。 損失の多いコーディングの強化：AAC形式の概要

この記事の執筆時点では、MP3コーデックは23年以上前のものです。 OGG Vorbisコーデックが既に説明されている記事 （ 新しいバージョン ）で繰り返さないために（再び、Xiph組織からの挨拶もその開発です）、 MPC （Musepack）、 WMA （Windows Media Audio）、およびAAC、ここで簡単に形式を説明します非可逆符号化の分野で最近まで進歩していた技術の観点からのAAC。



私の謙虚な意見では、 AAC （Advanced Audio Codec）は、データエンコーディングの分野で最も高度な形式の1つです。 この形式の主な機能について、入れ子人形で表すことができる一般的なプロファイルから説明します（下図を参照）。





図 1.2-AACプロファイル階層、ソース-ウィキペディア



-低複雑度の高度なオーディオコーディング（LC-AAC）



デコードの複雑さが低いことは、ハードウェアコーデックの実装に最適です。 CPUとRAMのハードウェア要件も低く、このプロファイルで非常に人気があります。 96 kbit / sで信号を十分にエンコードします。



-高効率の高度なオーディオコーディング（HE-AAC）。



HE-AACプロファイルはLC-AACの拡張であり、特許取得済みのSBRテクノロジー（スペクトルバンドレプリケーション、粗い-「スペクトル反復」、 英語の記事 ）によって補完されます。 低ビットレートでエンコードするときに高周波数を「保存」できるのは、スペクトル繰り返しの技術です。





図 1.3-高周波の復元の原理のグラフィック表現

なぜ「保存」するのか-引用符で囲みますか？ キングは本物ではないため、コーデックはコーデックシンセサイザーが高周波数を復元するために使用する追加情報のためのスペースを空けますが、これらの周波数は合成される、つまりコーデックによって再作成されるため、実際にはソースファイルに存在する高周波数の近似コピーです。 実際には、デコーダでサポートされている場合、48 kbit / sのビットレートでエンコードされた信号は、たとえばmp3 @ 98 kbit / s形式と同様に聞こえます。 それ以外の場合、このようなファイルは高周波数を復元せずに再生され、そのビットレートはmp3と同様の品質に対応します。

-高効率の高度なオーディオコーディングバージョン2（HE-AACv2）



このプロファイルは比較的若く（2006年に説明）、低帯域幅条件でのより効率的なオーディオコーディングのために作成されました。

プロファイルの2番目のバージョンは、実際には、最初のプロファイルの拡張であり、 PSテクノロジー（Parametric Stereo）が追加されています。 原理はSBRテクノロジーに多少似ています：コーデックは、情報を保存するためのスペースを占有して、ステレオベースを復元し、精度を犠牲にします。





図 1.4-グラフィカルイメージエンコーディングパラメトリックステレオ

このプロファイルの動作条件は、上記のHE-AACと同じです。 デコーダーがプロファイルをサポートしていないため、録音はモノラルになります。

-AAC-LD（高度なオーディオコーディング-低遅延）



AAC-LDプロファイルには高度なコーディングアルゴリズムがあり、待ち時間を短縮します（最大20ミリ秒）。



-AAC-ELD（高度なオーディオコーディング-拡張低遅延）



このプロファイルは、HE-AACv2のすべての機能を継承します（SBRおよびPS技術の類似物を使用しますが、低遅延用に設計されています）。



-AACメインプロファイル



このプロファイルは、MPEG-2 AACまたはHC-AAC（高複雑度アドバンストオーディオコーディング）として導入されました。 LC-AACと互換性がありません。



-AAC-LTP（高度なオーディオコーディング-長期予測）



このプロファイルは、他のすべてのプロファイルよりも複雑でリソースを大量に消費します（ただし、より優れています）。 LC-AACとも互換性がありません。



このコーデックについて書きたかったのはそれだけです。 さまざまなAACプロファイルで使用されているテクノロジーに重点を置いています（ちなみに、AAC、LC-AAC、eAAC +、aacPlus、HE-AACなど、多くの略語が作成されています）。オーパス、しかしコーデックはその仕事をします：それはインターネットラジオ、およびデジタルラジオ放送技術で広く使用されています：DRM（デジタルラジオモンディアル）およびDAB（デジタルオーディオ放送）（ ここでこれらの技術に精通できます ）、YouTube、方法mp4、mkvコンテナーなどの多くのクリップへのオーディオトラック

2. Opusの概要：形式の説明

図 2.1-Opusロゴ



2017年12月21日に、XiphはOpusオーディオコーデックバージョン1.3のベータ版を発表しました。 このコーデックを説明するとき、このような情報は自由に利用できるため、 ここでは重要なことはしません（たとえば、 ここ 、 ここ 、および英語を知っている人- こことここ 。））。 このベータ版のリリースノートはこちらにあります 。 ここで、このコーデックは、残りのコーデックを置き換えるための優れた候補であることに注意してください。 彼には多くの利点があります。

• 6から510 Kbit / sのビットレート。
• 8〜48KHzのサンプリングレート。
• 定数（CBR）および可変（VBR）ビットレートのサポート。
• ナローバンドおよびブロードバンドサウンドのサポート。
• 音声および音楽のサポート。
• ステレオおよびモノラルのサポート。
• 可変ビットレート（VBR）のサポート。
• フレーム損失（PLC）の場合にサウンドストリームを復元する機能。
• 最大255チャネルのサポート。
• 浮動小数点および固定小数点演算を使用した実装の可用性。

コーデックはBSDライセンスに基づいて配布され、すべての特許出願から完全に無料であり、インターネット標準としても承認されています。 Opusは、オープンソースを必要とせずに、商用プロジェクトを含むそのプロジェクトで使用できます。 現時点では、コーデックはTeleRTメッセンジャーで使用され、 WebRTCプロジェクトでVoIPを実装し、YouTubeビデオなどのオーディオトラックをエンコードします。 このコーデックの見込みを過小評価しないでください。



合理的な疑問が生じる可能性があります：上記の論文の何がそんなに特別なのですか？ これはほぼ現代のコーデックにほぼすべて含まれています。 回答は記事の後半で説明します。



このコーデックの重要な機能の1つは、2.5 msからの非常に低いエンコード遅延です。 （！）最大60ミリ秒。これは、ユーザーがインターネット上の音声で通信できるようにするアプリケーションに、空気のように必要なだけです。 このような低遅延により、音楽などを共同で作成するためのデジタルサウンドスタジオなどのインタラクティブなアプリケーションを構築することもできます。 このパラメータでは、コーデックが上記の比較的新しいAAC-ELDプロファイルと競合することに注意してください。 ただし、コーディングアルゴリズムの最小遅延は約です。 20ミリ秒。これは、無料のオープンで無料のコーデックOpusにとってほとんど問題です。



このコーデックを使用してオーディオをエンコードすることに関連するすべての微妙な点を検討するわけではありませんが、以下ではビットレートの変化に応じてコーデックを変更するモードについて説明します。

2.1。 Opus：コーディングモード

図 2.2-異なるコーデックによるコーディングの品質の比較-opus-codec.orgの公式チャート





このベータ版のリリース後、ビットレートに応じてエンコードモードがどのように変化するかに興味を持つようになったので、最低のビットレートから始めて実験を行うことにしました。 より高いビットレートを試してみると、ポイントがわかりません。これは記事で完全に説明されています（たとえば、 こちら ）。



次に、コーデックが動作するモードをリストします。

1. 信号コーディングモード-LP、ハイブリッド、MDCT：
   
   
   • LPCまたはLP（線形予測コーディング、 英語の記事 ）は音声圧縮コーデックで使用され、非常に低いビットレートを使用して、知覚に十分な品質で音声をエンコードできます。 コーデックGSM 、 AMR 、 SILK （Skypeでも使用）、 Speex （およびHi Xiphで使用されますが、彼女はコーデックを「非推奨」として宣言し、Opusの使用を推奨しています） Opusコーデックは、低ビットレートで音声をエンコードするために修正されたSILKコーデックを使用しますが、これはSkypeとの後方互換性がありません。
   • MDCT （修正離散コサイン変換）は、フーリエ変換の一種です（ ここで説明しています ）。MP3、AAC、OGG Vorbisなど、音楽の非可逆圧縮のほぼすべてのコーデックで使用されます。 OpusコーデックはCELTコーデックを使用します（ 英語の記事 ）。
   • ハイブリッドモード（ハイブリッドコーディングモード）はXiph組織の開発であり、LPは信号スペクトルの下部（8 kHzまで）のコーディングに使用され、MDCTは上部（8 kHz以上から）にコーディングされ、出力で妥協の品質を得るという事実から成りますかなり低いビットレートを維持しながら音。
   
   
   
2. ステレオベース：
   
   
   • モノコーディング;
   • ステレオコーディング;
   • ジョイントステレオモードエンコーディング。
   
   
   
3. 上記に基づいて、ビットレートに応じたスペクトルの幅の変化：
   
   
   • 狭帯域（狭帯域コーディング）-最大6 kHzのスペクトル幅を持つ信号のコーディングは、GSMおよびAMR-NBコーデックによるコーディングの品質に対応します。
   • ワイドバンド（ワイドバンドコーディング）-6 kHzから14 kHzの帯域幅を持つ信号のコーディングは、現在第三世代（ 3G ）ネットワークで使用されているAMR-WBコーデック（またはいわゆる「 HD Voice 」オペレーター）によるコーディングの品質に対応しています。
   • フルバンド（フルバンドコーディング）-人間の耳（20 Hz〜20 kHz）で聞こえる帯域全体の保存、モノラル信号。
   • フルバンドステレオ-上記を参照、ただしステレオ信号。

2.2。 低ビットレート-高周波数。 これらの結果はどのように達成されますか？

この記事の冒頭で、AACコーデックとその洗練されたプロファイルを考慮しても無駄ではありませんでした。実際、ステレオベースを構築し、「薄い空気」から言うように高周波を復元します。 もちろん誇張しますが、その表現は真実からそう遠くありません。 しかし問題は、コーデックが特許を取得しており、 Bell Labs 、 フラウンホーファー集積回路研究所 （ ついでに MP3フォーマットの重要な作成者）、 Dolby Laboratoriesなどのアライアンスの独自開発であるということです。 したがって、これらの技術を使用するにはロイヤリティが必要になりますが、これは完全にオープンで無料のコーデックでは受け入れられません。 そのため、Opusの開発者は別の方法を採用しました。高周波数を再現するための独自のアルゴリズム-Band Folding（Spectral Folding、Hybrid Folding）を実装しました。 高周波をエンコードするこのアプローチは、それぞれここ（インタラクティブな画像もあります）、 ここ（4.4.1を参照） 、 ここにあります 。 コーデックは、HE-AACv2のように追加データから高周波を合成せず、元の信号でエンコードされた高周波領域のエネルギーに基づいて、信号自体を基礎とします。 愛好家によるブラインドテストは、この方法が非常に効果的であることを示しています。開発者によると、このような高周波再生方法は、SBRまたはそのアナログよりも実装が簡単であり、アルゴリズムの遅延が少ない実装です。



ところで、ブラインドテストの結果は、 次のリンクのグラフで見ることができます。



損失のある音声圧縮の分野でこの最後の言葉を体験してみましょう。

2.3。 Opus：コーディングおよびテストツール

このテストは、Vadim Zeland-Reality Transerfingによるオーディオブックからの短い抜粋で実施されました。 この本は、ロシアの俳優でありラジオの司会者であるミハイル・チェルニャックによって声を出されました。



パッセージはどのように受け取られましたか？

1. 「youtube-dl」ユーティリティは、 WebM形式ファイルの断片をダウンロードしました。このファイルには、オーディオトラックのみが含まれています。
   
   

   youtube-dl "https://www.youtube.com/watch?v=_-OUXW3a0Yw" -f 250
         
         
   
           
           
           
         
   
       
           
           
           
         
         
   
           
           
           
         
   
       
        

   
   
   
2. フラグメントは、 opusencコーデックを供給するためにWAV形式にトランスコードされました（便宜上、ソースファイルの名前が変更されました）。

    ffmpeg -i tr1_original.webm -acodec pcm_s16le tr1.wav
         
         
   
           
           
           
         
   
       
           
           
           
         
         
   
           
           
           
         
   
       
        

3. さまざまなビットレートで多くのファイルをエンコードすることに煩わされないように、私はBash言語でシンプルな単一行プログラムを使用し、必要な多くのファイルを取得しました。

    for i in `seq 8 21`; do opusenc --bitrate $i tr1.wav tr-enc-${i}.opus ; done
         
         
   
           
           
           
         
   
       
           
           
           
         
         
   
           
           
           
         
   
       
        

4. これらのファイルはすべて、耳で音質を評価し、対応するトラックを視覚的に評価するために、 AudacityとQmmpプレーヤーにインポートされました。

図 2.3-スクリプトの結果-Dolphinのスクリーンショット



次は、それらのほぼすべての説明です-スクリーンショットの適用と音の主観的な説明、その後、小さな結論が続きます。

3.エンコードされたトラックの音の評価

良い方法では、音の評価は客観的で、たとえばブラインドABXテスト方法を使用して実行する必要があります（ 英語の記事 ）。 ダミー（プラセボ）の影響を排除するために、テストが実行されます。



要するに、このメソッドの本質は、それぞれ参照ボタンと圧縮ボタンAおよびBの2つのサンプルの補助ソフトウェア（Foobarまたは同様のWebアプリケーション、図3.1の例を参照）の助けを借りて聞いていることです。 リスナーは、どれが圧縮されていて、どれが参照されているかを事前に知りません。





図 3.1-ブラインドABXテストのプログラムの1つの外観の例



次に、リスナーは、Xボタンの下のプログラムによって置き換えられたオーディオ録音を聴き、2つのサンプル（AまたはB）のどちらがXボタンのサンプルを参照するかを判断しようとします。リスナーがボタンをランダムに押した可能性。

心理音響圧縮の効果を認識せず、実際には、たとえばFLACからmp3 @ 128 kbpsを区別できない人がいることに言及する価値があります。どちらのファイルも「素晴らしい」ように聞こえます。 そのような人はたくさんいますが、彼らにとっては128 kbpsは完全に透明な音です。彼らはそこにどんなアーティファクトがあり、どのように聞こえるかを考えないからです。 音楽はありますか？ 楽器は聞こえますか？ 素晴らしい。 これは、MP3形式の人気が高いもう1つの理由です。

私は基本的にブラインドABXテストを実施しませんでしたが、この記事の読者が興味を持つことを期待して、各サンプルのスペクトログラムのスクリーンショットで音の主観的知覚を説明したかったのです。

行こう





図 3.2-8 kbpsのビットレートでエンコードされたスペクトログラム記録

opus-enc-8.opus



1.図 3.2は、実際に最低のビットレートでコーディングするためのスペクトログラムを示しています。 オーディオファイルはLP方式を使用してエンコードされ、コーデックは6 kHzの周波数スペクトルを割り当てます。 上記のすべてが切断されます。 その結果、ファイルサイズは非常に小さく、音質はAMR-NB（狭帯域）コーデックの音質と一致します。 第二世代携帯電話ネットワーク（GSM）のジャンルの古典。 Opusコーデックの動作は、6〜9 kbit / sのビットレートの範囲で上記に対応します。





図 3.3-10 kbit / sのビットレートでエンコードされたスペクトログラムの記録

opus-enc-10.opus



2.図 3.3は、ビットレートが10 kbit / sのエンコードのスペクトログラムを示しています。 同じ状況：LPエンコーディングですが、周波数スペクトルはすでに広く、最大8 kHzです。 音はAMR-NBとAMR-WBの平均です。





図 3.4-12および13 kbpsのビットレートでエンコードされたレコードのスペクトログラム

opus-enc-12.opus

opus-enc-13.opus



3.図 3.4は、2つのスペクトログラムを示しています。ビットレートがそれぞれ12および13 kbit / sです。 ここでの状況はもっと興味深いです。12kbpsでは同じLPが使用されますが、スペクトルの幅はさらに拡大されます。最大10 kHzで、サウンドはAMR-WBとほぼ同じです。



13 kbpsのビットレートから開始して、コーデックはハイブリッドモードに切り替わり、LP、MDCT、およびバンドフォールディングの3つの方法を同時に使用し始めます。 0〜8 kHzの範囲にあるすべてのものは、LPによってエンコードされます（8〜10 kHz-MDCT）。 Band Koldingを使用するためのソース情報として使用されるのは、2 kHzのスペクトルのこのセグメントです-ここから、実際に最大20 kHzの高周波数が復元されます。



10 kHzから始まる、記録に沿ってはっきりと見える「ストローク」。 高周波に関する最大情報を維持しようとするコーデックの試みを見ることができます。 興味深いことに、すでに13 kbpsです。 Hybrid Foldingを使用するハイブリッドモードのコーデックは、フルバンドモードで動作し、最大20 kHzのスペクトルを復元しようとします。



音はどうですか？ 声の音は幻想的です-大文字のFがあります。SBRを備えたHE-AACでさえ、そのような結果は得られません-まったく近くさえありません。 シューという音、口tlingを吹く音、クリック音（W、U、C、C）が存在する領域では、高周波数が驚くほど再現され、人間の音声を聞くのは楽しいです。 「13 kbit / s」という数字を忘れないでください。結局のところ、GSMコーデック（AMR-NB）はそのようなビットレートで動作していました。



それでも、音楽のコーディングにはこのモードがあまり適していないことを忘れないでください：スペクトルの低い部分のLPコーディングのため、低周波数領域、特に音声がない遷移領域では大きな歪みがありますが、対応するものは聞こえます「大気ざわめき」のエリアFX効果。





図 3.5-14および15 kbpsのビットレートでエンコードされたレコードのスペクトログラム

opus-enc-14.opus

opus-enc-15.opus





図 3.6-FXエフェクトの選択領域に注意してください



4.図3.5は、信号のエンコード方法が14から15 kbit / sからより高いビットレートへの移動からどのように変化するかを示しています。 14 kbit / sビットレートの記録スペクトログラムは上記の13 kbit / sのスペクトログラムと似ていますが、15 kbit / sビットレートから開始し、ハイブリッドモードの使用は停止し、コーデックはMDCTとBand Foldingに完全に依存します。



なぜそう決めたのですか？ なぜなら、FXエフェクトの領域で録音を聴くと、LPに固有の歪みがすべて消えるためです。 はい。両方のレコードのスペクトログラムを詳しく見ると（図3.6も参照）、スペクトルの再現精度が向上していることがわかります。 ただし、10 kHzの領域でスペクトルを半分に分割する特性「スミア」は、どちらの場合にも見られます。



これは、ここでの品質がmp3 @ 80 kbpsに匹敵する場合です。 繰り返しますが、私はブラインドABXテストを実施しなかったため、判断を最終的な真実にする権利はありません。



5. 18 kbpsのビットレート（ opus-enc-18.opus ）から始めて 、後者はフルバンドステレオモードに切り替えるのに十分になります。つまり、このビットレートでは、条件で「許容できる」記録品質を得ることができます。非常に低いネットワーク帯域幅。 いいえ、これは大失敗ではありません、これは勝利です！



さらに、すべてが非常に単純です。ビットレートが増加すると、コーデックはバンドフォールディングをますます使用しなくなります。実際には、ビットレートは人工的な復元を必要とせずに高い周波数をエンコードするのに十分になるためです。 ビットレートが高いほど、帯域折りたたみなしでエンコードされる範囲が広くなります。

4.結論の代わりに

私に関しては、「透明度のしきい値」（または英語のネイティブスピーカーが「透明度」と呼ぶ）は、オリジナルを圧縮されたアナログと区別できないことで表されます。 170 kbps mp3の場合、このパラメーターは、音楽の性質に応じて224〜256 kbit / sの範囲にあります。



何と言ってもいい。 技術は急速に発展しています。 そして、音声データ圧縮技術だけでなく、すべての技術、一般化することを恐れていません。 人間の耳を非常に質的に欺くことができ、非常に普遍的になることを可能にするそのような高品質の技術も開発され、自由で開かれたままであることが特に楽しいです。 開発者と進歩を生み出し推進するすばらしい人々に感謝します。 また、皆さんの注意と、この記事を最後までマスターした皆さんに感謝します。



PS：重大な不正確さが検出された場合、記事は修正されます。 構文エラーと意味エラーが修正されます。



PPS： telegra.phサービスを使用して書かれた私自身の記事へのリンク 。 それはどこにも公開されておらず、著者の仕事であり（著者を確認できます）、現在の記事の古いバージョンです。