تجزیه و تحلیل پارامترهای صوتی

1. صوتی
به امواج صوتی با فرکانس بین 20 هرتز تا 20 کیلوهرتز گفته می شود که توسط گوش انسان شنیده می شود.
اگر کارت صوتی مربوطه را به رایانه اضافه کنید ، همان چیزی است که ما اغلب کارت صدا می نامیم ، می توانیم همه صداها را ضبط کنیم ، و ویژگی های صوتی صدا مانند سطح صدا را می توان به عنوان پرونده در آن ذخیره کرد دیسک سخت کامپیوتر برعکس ، ما همچنین می توانیم از یک برنامه صوتی خاص برای بازیابی فایل صوتی ذخیره شده برای بازیابی صدای ضبط شده قبلی استفاده کنیم.

2. فرکانس نمونه برداری
به تعداد نمونه های صوتی به دست آمده در ثانیه اشاره دارد. صدا در واقع نوعی موج انرژی است ، بنابراین ویژگی های فرکانس و دامنه را نیز دارد. فرکانس مربوط به محور زمان و دامنه مربوط به محور تراز است. موج بی نهایت صاف است و می توان رشته را از نقاط بیشماری تشکیل داد. از آنجا که فضای ذخیره سازی نسبتاً محدود است ، باید از نقاط رشته در طی مراحل رمزگذاری دیجیتال نمونه برداری شود.
فرآیند نمونه گیری برای استخراج مقدار فرکانس یک نقطه خاص است. بدیهی است که هرچه امتیاز بیشتری در یک ثانیه استخراج شود ، اطلاعات فرکانسی بیشتری نیز بدست می آید. به منظور بازیابی شکل موج ، هرچه فرکانس نمونه برداری بالاتر باشد ، کیفیت صدا بهتر است. هرچه مرمت واقعی تر باشد ، در عین حال منابع بیشتری را اشغال می کند. به دلیل وضوح محدود گوش انسان ، فرکانس خیلی زیاد را نمی توان تشخیص داد. از فرکانس نمونه برداری 22050 معمولاً استفاده می شود ، 44100 از قبل کیفیت صدای CD است و نمونه برداری از 48,000 یا 96,000 دیگر برای گوش انسان معنی ندارد. این فیلم مشابه 24 فریم در ثانیه در فیلم ها است. اگر استریو باشد ، نمونه دو برابر می شود و پرونده تقریباً دو برابر می شود.
طبق نظریه نمونه برداری Nyquist ، برای اطمینان از عدم تحریف صدا ، فرکانس نمونه برداری باید در حدود 40kHz باشد. نیازی نیست که بدانیم این قضیه چگونه بوجود آمده است. فقط باید بدانیم که این قضیه به ما می گوید که اگر می خواهیم سیگنالی را به طور دقیق ضبط کنیم ، فرکانس نمونه برداری ما باید بزرگتر یا برابر دو برابر حداکثر فرکانس سیگنال صوتی باشد. به یاد داشته باشید ، این حداکثر فرکانس است. .
در زمینه صوتی دیجیتال ، نرخ نمونه گیری معمولاً مورد استفاده قرار می گیرد:
  8000 هرتز - میزان نمونه گیری مورد استفاده در تلفن ، که برای گفتار انسان کافی است
  11025 هرتز-سرعت نمونه برداری که توسط تلفن استفاده می شود
  نرخ نمونه برداری 22050 هرتز برای پخش رادیویی استفاده می شود
  نرخ نمونه برداری 32000 هرتز که توسط دوربین فیلمبرداری دیجیتال miniDV ، DAT (حالت LP) استفاده می شود
  44100 هرتز-سی دی صوتی ، همچنین معمولاً در میزان نمونه گیری صوتی MPEG-1 (VCD ، SVCD ، MP3) استفاده می شود
  نرخ نمونه برداری 47250 هرتز توسط ضبط کننده های PCM تجاری استفاده می شود
  نرخ نمونه برداری 48000 هرتز برای صدای دیجیتال مورد استفاده در miniDV ، تلویزیون دیجیتال ، DVD ، DAT ، فیلم ها و صدای حرفه ای
  نرخ نمونه برداری 50000 هرتز توسط ضبط کننده های دیجیتال تجاری استفاده می شود
  96000 هرتز یا 192000 هرتز - میزان نمونه گیری مورد استفاده برای DVD-Audio ، برخی از آهنگ های صوتی LPCM DVD ، آهنگ های صوتی BD-ROM (Blu-ray Disc) و HD-DVD (High Definition DVD) آهنگ های صوتی

3. تعداد بیت های نمونه برداری
به تعداد بیت های نمونه برداری ، اندازه نمونه یا تعداد بیت های کوانتیزاسیون نیز گفته می شود. این پارامتری است که برای اندازه گیری نوسانات صدا ، یعنی وضوح کارت صدا استفاده می شود یا می توان آن را به عنوان وضوح کارت صدا پردازش شده توسط کارت صدا درک کرد. هرچه مقدار بزرگتر باشد ، وضوح تصویر بالاتر است و صدای ضبط شده و پخش شده واقع بینانه تر است. بیت کارت صدا به ارقام دودویی سیگنال صدای دیجیتال است که کارت صدا هنگام جمع آوری و پخش فایل های صوتی استفاده می کند. کمی کارت صدا به طور عینی نشان دهنده دقت توصیف سیگنال صدای دیجیتال در مورد سیگنال صدای ورودی است. کارت های صدای معمول عمدتا 8 بیتی و 16 بیتی هستند. امروزه همه محصولات اصلی موجود در بازار دارای کارت های صدا 16 بیتی و بالاتر هستند.
دامنه هر داده نمونه برداری شده ثبت می شود و دقت نمونه گیری به تعداد بیت های نمونه بستگی دارد:
  1 بایت (یعنی 8 بیت) فقط می تواند 256 عدد را ثبت کند ، یعنی دامنه را فقط می توان به 256 سطح تقسیم کرد.
  2 بایت (یعنی 16 بیت) می تواند به کوچکی 65536 باشد که در حال حاضر یک استاندارد CD است.
  4 بایت (یعنی 32 بیت) می تواند دامنه را به 4294967296 تقسیم کند ، که واقعاً غیرضروری است.

4. تعداد کانال ها
این تعداد کانال صدا است. مونو و استریو (دو کاناله) متداول اکنون به چهار صدا فراگیر (چهار کانال) و 5.1 کانال تبدیل شده است.

(1) جاده واحد
مونو نوعی تولید مثل صدا نسبتاً بدوی است و کارتهای صوتی اولیه از آن بیشتر استفاده می کنند. صدای مونو را فقط می توان با استفاده از یک بلندگو به صدا درآورد و برخی از آنها نیز به دو بلندگو پردازش می شوند تا از کانال صوتی یکسان خارج شوند. وقتی اطلاعات تک صدایی از طریق دو بلندگو پخش می شود ، می توانیم به وضوح احساس کنیم که صدا از دو بلندگو است. تعیین محل خاص منبع صوتی که از وسط بلندگو به گوش ما منتقل می شود غیرممکن است.

(2) استریو
کانال های Binaural دارای دو کانال صدا هستند. اصل بر این است که وقتی افراد صدایی را می شنوند ، می توانند مکان خاص منبع صدا را بر اساس اختلاف فاز بین گوش چپ و راست قضاوت کنند. صدا در طی فرایند ضبط به دو کانال مستقل اختصاص می یابد ، تا به یک اثر محلی سازی صدا برسد. این روش به ویژه در ارزیابی موسیقی بسیار مفید است. شنونده می تواند جهتی را که سازهای مختلف از آن می آیند به وضوح تشخیص دهد ، این باعث می شود موسیقی خیالی تر و به تجربه در محل نزدیک شود.

در حال حاضر دو صدا رایج ترین کاربرد است. در کارائوکه ، یکی برای پخش موسیقی و دیگری برای صدای خواننده است. در VCD ، یکی در حال دوبله به زبان ماندارین و دیگری در حال دوبله به کانتونی است.

(3) چهار حالت فراگیر
فراگیر چهار کاناله چهار نقطه صدا را مشخص می کند ، جلو چپ ، جلو راست ، عقب چپ و عقب راست و مخاطب توسط این چهار نقطه صدا احاطه شده است. در عین حال ، توصیه می شود برای تقویت پردازش پخش سیگنال های با فرکانس پایین ، ساب ووفر اضافه کنید (این دلیل محبوبیت امروزه سیستم های بلندگو 4.1 کانال است). تا آنجا که به اثر کلی مربوط می شود ، سیستم چهار کاناله می تواند شنوندگان را از چند جهت مختلف به صدا در آورد ، می تواند تجربه شنیداری را از حضور در محیط های مختلف بدست آورد و تجربه ای کاملاً جدید به کاربران بدهد. امروزه ، فناوری چهار کاناله به طور گسترده ای در طراحی کارت های صوتی مختلف میان رده و پیشرفته ادغام شده و به روند اصلی توسعه آینده تبدیل شده است.

(4) کانال
5.1 کانال به طور گسترده ای در تئاترهای مختلف سنتی و سینماهای خانگی مورد استفاده قرار گرفته است. برخی از معروف ترین فرمت های فشرده سازی ضبط صدا مانند Dolby AC-3 (Dolby Digital) ، DTS و غیره براساس سیستم صوتی 5.1 ساخته شده اند. کانال ".1" یک کانال ساب ووفر مخصوص طراحی شده است که می تواند ساب ووفرهایی با دامنه پاسخ فرکانسی 20 تا 120 هرتز تولید کند. در واقع ، سیستم صوتی 5.1 از 4.1 فراگیر می آید ، تفاوت در این است که یک واحد مرکزی را اضافه می کند. این واحد مرکزی وظیفه انتقال سیگنال صوتی زیر 80 هرتز را دارد ، که برای تقویت صدای انسان هنگام تماشای فیلم و تمرکز گفتگو در وسط کل زمینه صدا برای کمک به تأثیر کلی مفید است.
در حال حاضر ، بسیاری از پخش کننده های موسیقی آنلاین ، مانند QQ Music ، موسیقی 5.1 کانال را برای گوش دادن و بارگیری آزمایشی فراهم کرده اند.

5. قاب
مفهوم فریم های صوتی به اندازه فریم های ویدیویی واضح نیست. تقریباً همه فرمت های رمزگذاری ویدئو به راحتی می توانند یک فریم را به عنوان یک تصویر رمزگذاری شده تصور کنند. با این حال ، قاب صوتی مربوط به قالب رمزگذاری است که توسط هر استاندارد رمزگذاری پیاده سازی می شود. زیرا اگر PCM باشد (داده های صوتی بدون کد) به هیچ وجه به مفهوم فریم نیازی ندارد و با توجه به میزان نمونه برداری و دقت نمونه برداری می توان آن را بازی کرد. به عنوان مثال ، برای صدای دوتایی با سرعت نمونه برداری 44.1kHZ و دقت نمونه گیری 16 بیت ، می توانید محاسبه کنید که نرخ بیت 44100 * 16 * 2bps است و داده های صوتی در ثانیه 44100 * 16 * 2 ثابت است 8 بایت
قاب amr نسبتاً ساده است. این شرط می گوید که هر 20 میلی ثانیه صدا یک فریم است و هر فریم صدا مستقل است. امکان استفاده از الگوریتم های رمزگذاری مختلف و پارامترهای رمزگذاری مختلف وجود دارد.
فریم mp3 کمی پیچیده تر است و شامل اطلاعات بیشتری مانند نرخ نمونه برداری ، نرخ بیت و پارامترهای مختلف است.

6. چرخه
تعداد فریم های مورد نیاز برای یک پردازش توسط دستگاه صوتی به عنوان واحدی برای دسترسی به داده ها و ذخیره سازی داده های صوتی توسط دستگاه صوتی استفاده می شود.

7. حالت درهم
روش ذخیره سیگنال های صوتی دیجیتال. داده ها در فریم های مداوم ذخیره می شوند ، یعنی ابتدا نمونه های کانال سمت چپ و نمونه های کانال راست قاب 1 ضبط می شوند و سپس ضبط قاب 2 آغاز می شود.

8. حالت غیر درهم
ابتدا نمونه های کانال سمت چپ همه فریم ها را در یک دوره ضبط کنید و سپس همه نمونه های کانال سمت راست را ضبط کنید.

9. نرخ بیت
  نرخ بیت نرخ بیت نیز نامیده می شود که به مقدار داده پخش شده توسط موسیقی در هر ثانیه اشاره دارد و واحد در بیت ها بیان می شود که بیت های باینری هستند. bps نرخ بیت است. b بیت (بیت) ، s دوم (دوم) ، p هر (به ازای) ، یک بایت معادل 8 بیت باینری است. به عبارت دیگر ، اندازه پرونده آهنگ 4 دقیقه ای 128 بیت بر ثانیه به این صورت محاسبه می شود (128/8) * 4 * 60 = 3840kB = 3.8MB ، 1B (بایت) = 8b (بیت) ، به طور کلی mp3 در در حدود 128 بیت سرعت ، همچنین اندازه آن در حدود 3-4 BM است.

  در برنامه های رایانه ای ، بالاترین سطح وفاداری رمزگذاری PCM است ، که به طور گسترده ای برای ذخیره سازی مواد و قدردانی از موسیقی استفاده می شود. در سی دی ، دی وی دی و پرونده های WAV رایج ما استفاده می شود. بنابراین ، PCM طبق رمزگذاری تبدیل به یک رمزگذاری بدون ضرر شده است ، زیرا PCM نشان دهنده بهترین سطح وفاداری در صدای دیجیتال است. این بدان معنا نیست که PCM می تواند از وفاداری مطلق سیگنال اطمینان حاصل کند. PCM تنها می تواند به بیشترین میزان مجاورت بی نهایت برسد.

  محاسبه نرخ بیت جریان صوتی PCM کار بسیار ساده ای است ، مقدار نرخ نمونه برداری value مقدار اندازه نمونه برداری number تعداد کانال bps. یک پرونده WAV با نرخ نمونه برداری 44.1KHz ، اندازه نمونه 16bit و رمزگذاری PCM دو کاناله ، سرعت داده آن 44.1K × 16 × 2 = 1411.2Kbps است. سی دی صوتی رایج ما از رمزگذاری PCM استفاده می کند و ظرفیت یک CD تنها می تواند 72 دقیقه از اطلاعات موسیقی را در خود جای دهد.

  یک سیگنال صوتی رمزگذاری شده دو کاناله PCM در 176.4 ثانیه به 1KB فضا و در 10.34 دقیقه به حدود 1M فضای نیاز دارد. این مورد برای اکثر کاربران ، خصوصاً کسانی که دوست دارند از طریق رایانه به موسیقی گوش دهند ، غیر قابل قبول است. اشغال دیسک ، فقط دو روش وجود دارد ، شاخص کوچک سازی نمونه یا فشرده سازی. کاهش شاخص نمونه گیری توصیه نمی شود ، بنابراین متخصصان طرح های مختلف فشرده سازی را ایجاد کرده اند. اصلی ترین آنها DPCM ، ADPCM و معروف ترین آنها MP3 است. بنابراین ، میزان کد پس از فشرده سازی داده ها بسیار کمتر از کد اصلی است.