Escalas Bark y Mel
- Propuesto por
- Eberhard Zwicker, Stanley Smith Stevens
- Año
- 1937
- Tipo
- Perceptual frequency mapping
- Familia
- Psychoacoustics
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
Las escalas Bark y Mel son escalas perceptuales de frecuencia que mapean la frecuencia física (Hz) a la percepción del tono y la audición.
Formalizadas por Zwicker (Bark, 1961) y Stevens (Mel, 1937), estas escalas no lineales reflejan cómo el oído humano procesa el sonido. La escala Bark divide la audición en 24 bandas críticas; la escala Mel modela la percepción del tono. Ambas son esenciales para la extracción de características de audio, el procesamiento del habla y el diseño de sistemas de audio que se alinean con la audición humana.
La intuición detrás del método
El oído no percibe la frecuencia de forma lineal. Un cambio de 100 Hz de 100 Hz a 200 Hz suena como un gran cambio (una octava), pero el mismo cambio de 5100 Hz a 5200 Hz apenas se nota. Las escalas Bark y Mel mapean la frecuencia a un espacio perceptual donde distancias iguales representan diferencias percibidas iguales. La escala Bark se centra en la discriminación de frecuencia (patrones de enmascaramiento); la escala Mel se centra en el tono (melodía y afinación).
Historia
Stevens, Volkmann y Newman introdujeron la escala Mel en 1937 para cuantificar la percepción del tono en intervalos de igual apariencia (melodía). Zwicker desarrolló la escala Bark en 1961, basándose en mediciones de ancho de banda crítico y fenómenos de enmascaramiento. Ambas se convirtieron en la base de la psicoacústica y el diseño de códecs de audio. Refinamientos modernos (por ejemplo, bancos de filtros Gammatone, Mel-espectrogramas) proporcionan modelos perceptuales más precisos. El aprendizaje automático sobre Mel-espectrogramas se ha convertido en un estándar en la IA de voz y música.
Cuándo usarlo
Utilizar la escala Bark para el diseño de códecs de audio, codificación perceptual de audio y análisis de efectos de enmascaramiento. Utilizar la escala Mel para el procesamiento del habla, la recuperación de información musical, el reconocimiento de locutores y el aprendizaje automático sobre características de audio. Ambas son aplicables al diseño de audífonos, restauración de audio y métricas de calidad de audio perceptual.
Limitaciones y consideraciones
- Las escalas Bark y Mel son aproximaciones empíricas; el ancho de banda crítico exacto varía con el nivel, el contexto de frecuencia y los oyentes individuales.
- Mapeos no invertibles (la transformación directa pierde información); la reconstrucción precisa de la frecuencia es compleja y puede introducir artefactos.
- Ambas escalas son modelos promedio para oyentes con audición normal; la pérdida auditiva, la edad y las diferencias individuales modulan el ancho de banda crítico y la percepción del tono.
- Costo computacional: la conversión entre Hz y Bark/Mel requiere funciones trascendentales (logaritmo, arcotangente); las tablas de consulta y las aproximaciones son comunes.
- Limitadas a la percepción monoaural (un oído); la audición binaural (dos oídos) y el audio espacial requieren modelado adicional.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Alinear el análisis con la percepción auditiva humana; las características derivadas en el espacio Bark/Mel se correlacionan mejor con la calidad de audio subjetiva y la preferencia del oyente.
- Comprimir información de alta frecuencia: se necesitan menos 'canales' perceptuales en altas frecuencias, lo que reduce el costo computacional en los códecs de audio.
- El concepto de ancho de banda crítico predice el enmascaramiento: las regiones dentro de un Bark están sujetas a enmascaramiento compartido, lo que simplifica el diseño de códecs perceptuales.
- Bien establecidas y estandarizadas; ampliamente utilizadas en códecs de audio comerciales (MP3, AAC) y sistemas de reconocimiento de voz.
- Flexibles: las escalas Bark y Mel se pueden combinar con otras técnicas (curvas de sonoridad, compresión) para un modelado perceptual refinado.
Aplicaciones
- Códecs de audio y streaming: MP3, AAC, OPUS utilizan bancos de filtros de escala Bark para cuantificación perceptual; variantes de escala Mel se utilizan en algunos códecs modernos.
- Reconocimiento automático del habla y verificación de locutor: los coeficientes cepstrales de frecuencia Mel (MFCC) derivados de espectrogramas de escala Mel son características estándar para el procesamiento del habla.
- Recuperación de información musical y clasificación de género: los Mel-espectrogramas permiten la extracción de características musicales y el aprendizaje profundo sobre audio.
- Diseño de audífonos e implantes cocleares: el ancho de banda crítico (escala Bark) informa el diseño de canales y la asignación de frecuencia en los implantes.
- Restauración de audio y mejora del habla: las escalas perceptuales guían la eliminación de artefactos y la supresión de ruido alineadas con la audición.
- Evaluación de la calidad del audio: las métricas perceptuales (PESQ, PEMO-Q) utilizan escalas Bark y Mel para predecir la calidad subjetiva del audio.
Cómo funciona
Cómo funciona
Adquirir una señal de audio o una representación en el dominio de la frecuencia (espectro FFT) a analizar o mostrar.
Calcular el espectro de potencia utilizando técnicas estándar de ventana y FFT. Preparar el array de frecuencias en Hz.
Convertir la escala de frecuencia lineal (Hz) a escalas perceptuales: Bark: z = 13 * arctan(0.76f/1000) + 3.5 * arctan((f/7500)²), Mel: m = 2595 * log10(1 + f/700). Estas fórmulas mapean Hz a unidades perceptuales.
Utilizar la escala de frecuencia perceptual para diseñar características selectivas de frecuencia (bancos de filtros, espectrogramas) alineadas con el procesamiento auditivo. Calcular el ancho de banda crítico en cada frecuencia: BW ≈ 25 + 75(1 + 1.4(f/1000)²)^0.69 en Hz, que en el espacio Bark es aproximadamente constante (1 Bark ≈ ancho de banda crítico).
Visualizar espectros en escala Bark o Mel para una interpretación perceptualmente precisa. Comparar la importancia de las características: en Hz lineal, las altas frecuencias dominan visualmente pero pueden ser menos importantes perceptualmente; en Bark/Mel, el énfasis se desplaza a las regiones perceptualmente salientes.
Errores comunes
- Asumir que las escalas Bark y Mel son perceptualmente idénticas; modelan aspectos diferentes (discriminación de frecuencia vs. tono), y la elección depende de la aplicación.
- Usar una única escala Bark/Mel para todas las frecuencias; el ancho de banda crítico varía con la frecuencia, y algunos modelos refinados (por ejemplo, Ancho de Banda Rectangular Equivalente) son más precisos.
- Ignorar los efectos dependientes del nivel: el ancho de banda crítico y el enmascaramiento escalan con el nivel de sonido; las suposiciones de ancho de banda crítico constante son aproximaciones.
- Sobredimensionar las altas frecuencias usando la escala Bark sin validación perceptual; la calidad de audio percibida depende del contexto general, no solo de la deformación de la frecuencia.
- Confundir la conversión Bark/Mel con la calidad perceptual; la transformación a la escala Bark no garantiza un audio perceptualmente óptimo, solo la alineación con las bandas críticas.
Preguntas frecuentes
¿Cuál es la diferencia entre las escalas Bark y Mel?
La escala Bark modela la discriminación de frecuencia y el ancho de banda crítico—cómo el oído agrupa frecuencias cercanas en bandas de enmascaramiento. La escala Mel modela la percepción del tono—cómo la frecuencia se mapea a la melodía percibida. La escala Bark es uniforme en el sentido perceptual (1 Bark ≈ una banda crítica); la escala Mel modela el tono subjetivo (octavas, intervalos musicales). Usar Bark para códecs y análisis de enmascaramiento; Mel para tono y procesamiento del habla.
¿Qué representa una banda Bark en Hz?
Una Bark no es constante en Hz; representa un ancho de banda crítico, que varía con la frecuencia. A 100 Hz, 1 Bark ≈ 100 Hz; a 1 kHz, 1 Bark ≈ 130 Hz; a 10 kHz, 1 Bark ≈ 700+ Hz. Esto significa que el oído resuelve finamente los detalles de baja frecuencia pero agrupa los detalles de alta frecuencia de forma gruesa.
¿Cuántas bandas Bark hay en la audición humana?
La audición humana abarca aproximadamente 24 bandas Bark, correspondientes a unidades de ancho de banda crítico en todo el espectro audible (≈20 Hz a 20 kHz). Esta es la base de muchos códecs de audio, que utilizan bancos de filtros de 24 bandas alineados con el espaciado Bark.
¿Por qué los Mel-espectrogramas son tan populares en el reconocimiento del habla?
Los Mel-espectrogramas comprimen el detalle de alta frecuencia mientras preservan la información de baja frecuencia relevante para el habla (tono, formantes). Se alinean con cómo los humanos perciben el habla, haciendo que las características aprendidas sean más robustas. Las redes neuronales profundas entrenadas en Mel-espectrogramas generalizan mejor entre locutores y acentos.
¿Puedo combinar las escalas Bark y Mel en un solo análisis?
Sí. Utilizar la escala Bark para análisis de códecs y enmascaramiento; calcular características de escala Mel por separado para la extracción de tono y melodía. Son complementarias: Bark para la mecánica auditiva, Mel para el tono perceptual. Algunos sistemas de audio avanzados utilizan ambas, superponiendo la discriminación de frecuencia (Bark) con la percepción del tono (Mel).
Métodos relacionados
Fuentes
Zwicker, E. (1961). Subdivision of the audible frequency range into critical bands. Journal of the Acoustical Society of America, 33(2), 248–248.
Abrir referencia de la publicaciónCopiado.Stevens, S. S., Volkmann, J., & Newman, E. B. (1937). A scale for the measurement of the psychological magnitude pitch. Journal of the Acoustical Society of America, 8(3), 185–190.
Abrir referencia DOICopiado.Moore, B. C. J. (2012). An Introduction to the Psychology of Hearing (6th ed.). Academic Press.
ISBN: 978-0123914232Copiado.