एनालॉग ऑडियो का डिजिटल प्रतिनिधित्व। संक्षिप्त शैक्षिक कार्यक्रम

प्रिय पाठकों, मेरा नाम फेलिक्स हरुट्युनियन है। मैं एक छात्र हूं, एक पेशेवर वायलिन वादक हूं। इस लेख में मैं अपनी प्रस्तुति का एक अंश आपके साथ साझा करना चाहता हूं, जिसे मैंने ग्रेज म्यूजिक एंड थिएटर विश्वविद्यालय में लागू ध्वनिकी के विषय में प्रस्तुत किया था।

एनालॉग (ऑडियो) सिग्नल को डिजिटल में परिवर्तित करने के सैद्धांतिक पहलुओं पर विचार करें।
लेख व्यापक नहीं होगा, लेकिन विषय के आगे के अध्ययन के लिए पाठ में हाइपरलिंक होंगे।

डिजिटल ऑडियो और एनालॉग के बीच अंतर क्या है ?

एनालॉग (या सातत्य) संकेत समय के एक निरंतर कार्य द्वारा वर्णित है, अर्थात। यह हैसंभावित मूल्यों के एक निरंतर सेट के साथ एक सतत रेखा (छवि 1)।


एक डिजिटल सिग्नल एक सिग्नल है जिसे परिभाषित डिजिटल मूल्यों के अनुक्रम के रूप में दर्शाया जा सकता है। किसी भी समय, यह केवल एक निश्चित अंतिम मूल्य (छवि 2) ले सकता है।


डायनेमिक रेंज में एनालॉग सिग्नल किसी भी मूल्य पर ले सकता है। एक एनालॉग सिग्नल को दो प्रक्रियाओं का उपयोग करके डिजिटल में बदल दिया जाता है - विवेक और मात्रा का ठहराव । प्रक्रिया कतार महत्वपूर्ण नहीं है।

विचलन कुछ समय के अंतराल (आमतौर पर बराबर) पर एक संकेत के मूल्य को रिकॉर्ड करने (मापने) की प्रक्रिया है (चित्र 3)।


परिमाणीकरण एक निश्चित संख्या में स्तरों में सिग्नल आयाम रेंज को विभाजित करने और निकटतम स्तर (नमूना 4) के नमूने के दौरान मापा गया मूल्यों को गोल करने की प्रक्रिया है।


समय घटक (लंबवत रूप से, चित्र 5, बाएं) में विचलन संकेत को तोड़ता है।
परिमाणीकरण दिए गए मानों के लिए संकेत लाता है, अर्थात, यह संकेत को उसके निकटतम स्तरों (क्षैतिज, अंजीर। 5, दाईं ओर) के लिए गोल करता है।


ये दो प्रक्रियाएं एक तरह की समन्वय प्रणाली बनाती हैं जो आपको किसी भी समय एक विशिष्ट मूल्य के साथ ऑडियो सिग्नल का वर्णन करने की अनुमति देती है।
डिजिटल एक संकेत है जिसके लिए विवेक और मात्रा का ठहराव लागू किया जाता है। डिजिटलीकरण एक एनालॉग-टू-डिजिटल कनवर्टर (एडीसी) में होता है । परिमाणीकरण स्तर की संख्या जितनी अधिक होती है और नमूना आवृत्ति जितनी अधिक होती है, उतना ही सटीक रूप से डिजिटल सिग्नल एनालॉग एक (छवि 6) से मेल खाता है।


परिमाणीकरण स्तर गिने जाते हैं और एक बाइनरी कोड प्रत्येक स्तर को सौंपा जाता है । (अंजीर। 7)


बिट्स की संख्या जो प्रत्येक परिमाणीकरण स्तर को सौंपी जाती है, बिट गहराई या परिमाणीकरण गहराई (eng। बिट गहराई) कहलाती है । बिट गहराई जितनी अधिक होगी, बाइनरी कोड (छवि 8) में अधिक स्तरों का प्रतिनिधित्व किया जा सकता है।


यह सूत्र आपको परिमाणीकरण स्तरों की संख्या की गणना करने की अनुमति देता है:

यदि एन परिमाणीकरण स्तरों की संख्या है, तो
एन थोड़ी गहराई है, फिर

$$

$$N = 2^n$$

आमतौर पर, 8, 12, 16 और 24 बिट्स का उपयोग किया जाता है। यह गणना करना आसान है कि n = 24 के लिए स्तरों की संख्या N = 16,777,216 है।

N = 1 पर, ऑडियो सिग्नल मोर्स कोड में बदल जाएगा: या तो "नॉक" है या नहीं। एक 32 बिट फ्लोटिंग पॉइंट भी है। एक पारंपरिक कॉम्पैक्ट ऑडियो-सीडी में 16 बिट्स की क्षमता है। कम गहराई, अधिक मान गोल और अधिक मात्रा में त्रुटि है।

एक परिमाणीकरण त्रुटि एक एनालॉग से एक परिमाणित संकेत का विचलन है, अर्थात। इनपुट मूल्य के बीच अंतर$$$X$ और निर्धारित मूल्य $$$X'$($$$X-X'$)

बड़े परिमाणीकरण त्रुटियों के परिणामस्वरूप ऑडियो सिग्नल ( परिमाणीकरण शोर ) की गंभीर विकृति होती है ।

उच्च बिट गहराई, अधिक नगण्य त्रुटि परिमाणीकरण और बेहतर सिग्नल / शोर अनुपात (सिग्नल-टू-शोर अनुपात, एसएनआर), और कम बिट गहराई पर इसके विपरीत शोर बढ़ता है (छवि 9.)।


बिट गहराई भी संकेत की गतिशील सीमा को निर्धारित करती है , अर्थात, अधिकतम और न्यूनतम मूल्यों का अनुपात। प्रत्येक बिट के साथ, डायनेमिक रेंज लगभग 6dB ( डेसीबल ) से बढ़ती है (6dB 2 गुना है; यानी ग्रिड सघन हो जाता है, ग्रेडेशन बढ़ जाता है)।


स्तरों की अपर्याप्त संख्या के कारण परिमाणीकरण (गोलाई) त्रुटियों को ठीक नहीं किया जा सकता है।



ऑडियो उदाहरण 1: 8bit / 44.1kHz, ~ 50dB SNR
नोट: यदि ऑडियो फ़ाइलें ऑनलाइन नहीं खेली जा सकती हैं, तो कृपया उन्हें डाउनलोड करें।



ऑडियो उदाहरण 2: 4bit / 48kHz, ~ 25dB SNR



ऑडियो उदाहरण 3: 1bit / 48kHz, ~ 8dB SNR

अब नमूने के बारे में।

जैसा कि पहले उल्लेख किया गया है, यह संकेत का एक ऊर्ध्वाधर विभाजन है और एक निश्चित अवधि के बाद मूल्य का मूल्य मापता है। इस अंतराल को नमूनाकरण अवधि या नमूना अंतराल कहा जाता है। नमूनाकरण दर , या नमूना दर (अच्छी तरह से ज्ञात नमूना दर) नमूना अवधि के विपरीत मूल्य है और हर्ट्ज में मापा जाता है । यदि
टी नमूना अवधि है, तो
एफ नमूना नमूना है, तो
$$$F=1/T$

एक एनालॉग सिग्नल को डिजिटल सिग्नल से वापस परिवर्तित करने के लिए (असतत, "बिंदु" मूल्यों से एक निरंतर और सुचारू फ़ंक्शन को सही ढंग से फिर से संगठित करने के लिए), एक को कोलोनिकोव प्रमेय (न्यक्विस्ट - शैनन प्रमेय) का पालन करना होगा ।

Kotelnikov के प्रमेय में कहा गया है:

( ) , , , .

क्या आप 44.1kHz नंबर जानते हैं? यह नमूना आवृत्ति के लिए मानकों में से एक है, और इस संख्या को ठीक से चुना गया था क्योंकि मानव कान केवल 20kHz तक संकेत सुनता है। संख्या 44.1 20 के रूप में दो बार से अधिक है, इसलिए मानव कान के लिए सुलभ एक डिजिटल सिग्नल में सभी आवृत्तियों को विरूपण के बिना एनालॉग रूप में परिवर्तित किया जा सकता है।

लेकिन आखिर 20 * 2 = 40, 44.1 क्यों? यह सब PAL और NTSC मानकों के साथ संगतता के बारे में है । लेकिन आज हम इस पल पर विचार नहीं करेंगे। अगर आप कोटेलनिकोव की प्रमेय का पालन नहीं करते हैं तो क्या होगा?

जब ऑडियो सिग्नल में एक आवृत्ति होती है जो नमूना आवृत्ति के 1/2 से अधिक होती है, तो अलियासिंग होती है - एक प्रभाव जो सुपरपोज़िशन की ओर जाता है, जब उन्हें नमूना लिया जाता है तो विभिन्न निरंतर संकेतों की अविभाज्यता होती है।


जैसा कि पिछली तस्वीर से देखा जा सकता है, नमूना बिंदु एक दूसरे से इतनी दूर स्थित हैं कि जब प्रक्षेप (यानी असतत बिंदुओं को एक एनालॉग सिग्नल में परिवर्तित करना), तो गलती से पूरी तरह से अलग आवृत्ति बहाल हो जाती है।

ऑडियो उदाहरण 4: ~ 100 से 8000 हर्ट्ज तक एक रेखीय रूप से बढ़ती आवृत्ति। नमूनाकरण आवृत्ति - 16000Hz। कोई अलियासिंग नहीं।



ऑडियो उदाहरण 5: एक ही फाइल। नमूनाकरण आवृत्ति - 8000Hz। अलियासिंग है



उदाहरण:
वहाँ ऑडियो सामग्री है जहाँ शिखर आवृत्ति 2500Hz है। इसलिए, नमूना आवृत्ति को कम से कम 5000 हर्ट्ज चुना जाना चाहिए।

डिजिटल ऑडियो की अगली विशेषता बिटरेट है । बिटरेट समय की प्रति यूनिट प्रेषित डेटा की मात्रा है। बिट दर आमतौर पर बिट्स प्रति सेकंड (बिट / एस या बीपीएस) में मापा जाता है। बिटरेट परिवर्तनशील, स्थिर या औसत हो सकता है।

निम्न सूत्र आपको बिटरेट की गणना करने की अनुमति देता है (केवल असम्पीडित डेटा धाराओं के लिए मान्य):

बिटरेट = नमूना दर * बिट * चैनलों की संख्या

उदाहरण के लिए, ऑडियो-सीडी बिटरेट की गणना निम्नानुसार की जा सकती है:
44100 (नमूना दर) * 16 (बिट) * 2 (चैनलों की संख्या, स्टीरियो) ) = 1411200 बीपीएस = 1411.2 kbit / s

लगातार बिटरेट (सीबीआर) के साथ, डेटा ट्रांसमिशन की मात्रा प्रति यूनिट समय के प्रसारण पूरे प्रसारण में नहीं बदलती है। मुख्य लाभ अंतिम फ़ाइल के आकार की काफी सटीक भविष्यवाणी करने की क्षमता है। संगीत के एक टुकड़े के दौरान ऑडियो सामग्री के "घनत्व" गतिशील रूप से बदलने के बाद से - आकार / गुणवत्ता का इष्टतम अनुपात नहीं।

जब चर बिट दर (VBR) के साथ एन्कोडिंग होता है, तो कोडेक वांछित वांछित गुणवत्ता के आधार पर बिट दर का चयन करता है। जैसा कि नाम से ही स्पष्ट है, बिटरेट एन्कोडेड ऑडियो फ़ाइल पर भिन्न होता है। यह विधि आउटपुट फ़ाइल का सर्वोत्तम गुणवत्ता / आकार अनुपात देती है। Minuses की: अंतिम फ़ाइल का सटीक आकार बहुत खराब भविष्यवाणी की है।

औसत बिटरेट (ABR) VBR का एक विशेष मामला है और निरंतर और परिवर्तनीय बिटरेट के बीच एक मध्यवर्ती स्थान लेता है। विशिष्ट बिटरेट उपयोगकर्ता द्वारा निर्धारित किया गया है। कार्यक्रम अभी भी इसे एक निश्चित सीमा में बदलता है, लेकिन किसी दिए गए औसत मूल्य से आगे नहीं जाता है। 

किसी दिए गए बिटरेट के लिए, वीबीआर गुणवत्ता आमतौर पर एबीआर से अधिक होती है। एबीआर की गुणवत्ता, बदले में, सीबीआर से अधिक है: वीबीआर> एबीआर> सीबीआर।

एबीआर उन उपयोगकर्ताओं के लिए उपयुक्त है, जिन्हें वीबीआर एन्कोडिंग के लाभों की आवश्यकता होती है, लेकिन अपेक्षाकृत अनुमानित फ़ाइल आकार के साथ। एबीआर के लिए, 2 पास में एन्कोडिंग की आवश्यकता होती है, क्योंकि पहले पास पर कोडेक को यह नहीं पता होता है कि ऑडियो सामग्री के किन हिस्सों को अधिकतम बिटरेट के साथ एन्कोड किया जाना चाहिए।

डिजिटल ऑडियो सामग्री के भंडारण के लिए 3 विधियाँ हैं:

• असम्पीडित (कच्चा) डेटा
• दोषरहित डेटा
• हानिपूर्ण संपीड़ित डेटा

असम्पीडित (रॉ) डेटा प्रारूप

बाइनरी मानों का सिर्फ एक क्रम होता है।
यह इस प्रारूप में है कि ऑडियो सामग्री ऑडियो-सीडी में संग्रहीत है। एक असम्पीडित ऑडियो फ़ाइल को खोला जा सकता है, उदाहरण के लिए, ऑडेसिटी में। उनके पास एक्सटेंशन .raw, .pcm, .sam, या कोई एक्सटेंशन नहीं है। RAW में फ़ाइल हेडर ( मेटाडेटा ) नहीं है।

असम्पीडित ऑडियो स्ट्रीम के भंडारण के लिए एक अन्य प्रारूप WAV है । RAW के विपरीत, WAV में एक फ़ाइल हेडर होता है।

दोषरहित ऑडियो प्रारूप

संपीड़न सिद्धांत आर्काइवर्स (विनर, विनज़िप, आदि) के समान है। सूचना के नुकसान के बिना किसी भी समय डेटा फिर से संकुचित और विघटित हो सकता है।

यह साबित करने के लिए कि दोषरहित संपीड़न के साथ, सूचना वास्तव में अछूती रहती है? यह विनाशकारी हस्तक्षेप की विधि द्वारा सिद्ध किया जा सकता है । हम दो ऑडियो ट्रैक लेते हैं। पहले ट्रैक में, हम मूल, असम्पीडित wav फ़ाइल आयात करते हैं। दूसरे ट्रैक में, हम उसी ऑडियो फ़ाइल को आयात करते हैं, जो दोषरहित संपीड़ित होती है। पटरियों में से एक का चरण उल्टा (दर्पण छवि)। जब दोनों ट्रैक एक साथ बजते हैं, तो आउटपुट सिग्नल चुप हो जाएगा।

यह साबित करता है कि दोनों फाइलों में बिल्कुल समान जानकारी है (चित्र 11)।


दोषरहित संपीड़न कोडेक: flac, WavPack, बंदर का ऑडियो ...

यदि हानिपूर्ण संपीड़न

जोर सूचना के नुकसान से बचने पर नहीं है, लेकिन व्यक्तिपरक धारणाओं ( साइकोएकास्टिक्स ) के साथ अटकलों पर है । उदाहरण के लिए, एक वयस्क का कान आमतौर पर 16kHz से अधिक आवृत्तियों का अनुभव नहीं करता है। इस तथ्य का उपयोग करते हुए, एक हानिरहित संपीड़न कोडेक बस 16kHz से ऊपर की सभी आवृत्तियों को काट सकता है, क्योंकि "किसी को भी अंतर नहीं सुनाई देगा।"

एक और उदाहरण मास्किंग प्रभाव है । कमजोर एम्पलीट्यूड जो मजबूत एम्पलीट्यूड के साथ ओवरलैप होते हैं, उन्हें कम गुणवत्ता के साथ पुन: पेश किया जा सकता है। जोर से कम आवृत्तियों पर, शांत मध्य आवृत्तियों को कान द्वारा कब्जा नहीं किया जाता है। उदाहरण के लिए, यदि 80dB के वॉल्यूम स्तर के साथ 1kHz पर ध्वनि है, तो 40dB की मात्रा के साथ 2kHz ध्वनि अब सुनाई नहीं देती है।

यह कोडेक का उपयोग करता है: 2kHz-sound हटाया जा सकता है।


हानिपूर्ण संपीड़न कोडेक्स: एमपी 3, एएसी, ओग, डब्ल्यूएमए, मूसैपैक ...

आपका ध्यान देने के लिए धन्यवाद।

UPD:
यदि किसी कारण से ऑडियो फ़ाइलें लोड नहीं होती हैं, तो आप उन्हें यहाँ डाउनलोड कर सकते हैं: cloud.mail.ru/public/HbzU/YEsT34i4c