پوشش صوتی-روانشناختی
- معرفیشده توسط
- Eberhard Zwicker
- سال
- 1961
- نوع
- Perceptual model for audio systems
- خانواده
- Psychoacoustics, Auditory perception
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
پوشش صوتی-روانشناختی توصیف میکند که چگونه سیستم شنوایی انسان درک صداهای ضعیف را در حضور صداهای قویتر سرکوب میکند. این پدیده که توسط ابرهارد زویکر در دهه ۱۹۶۰ فرموله شد، یک پدیده اساسی در شنوایی و اساس کدگذاری ادراکی صدا (MP3، AAC، OPUS) است. پوشش هم در فرکانس (پوشش طیفی) و هم در زمان (پوشش زمانی) رخ میدهد و درک این اثرات، فشردهسازی کارآمد صدا و طراحی واقعگرایانه صدا را ممکن میسازد.
شهود پشت روش
گفتگوی آرامی را در یک کافیشاپ شلوغ تصور کنید. شما میتوانید دوست خود را درک کنید، حتی اگر مکالمات دیگر و صدای پسزمینه شما را احاطه کرده باشند. گوش شما به طور طبیعی صداهای نامربوط را سرکوب میکند - این پوشش است. صداهای قوی (جمعیت) صداهای ضعیفتر (مکالمات نزدیک اما کماهمیتتر) را میپوشانند یا پنهان میکنند، زیرا پاسخ گوش داخلی به صدای قوی، پردازش سیگنال صداهای ضعیفتر را تحتالشعاع قرار میدهد. مهندسان صدا از این اصل برای حذف یا فشردهسازی جزئیاتی که انسانها نمیتوانند بشنوند استفاده میکنند و فایلها را بدون افت کیفیت قابل توجه، کوچکتر میکنند.
تاریخ
زویکر در دهه ۱۹۶۰ پیشگام صوتی-روانشناسی بود و آستانههای پوشش را هم در فرکانس و هم در زمان اندازهگیری و مدلسازی کرد. مور و دیگران درک پهنای باند بحرانی و مکانیک غشای پایه را اصلاح کردند. کار جانستون در سال ۱۹۸۸ پوشش را در کدگذاری صدا به کار برد و پایهای برای کدکهای ادراکی گذاشت. MPEG و ISO مدلهای پوشش را در دهه ۱۹۹۰ (MP3، AAC) استاندارد کردند؛ انواع کدکهای مدرن (OPUS، LAME) از مدلهای پوشش پیچیده برای بهینهسازی فشردهسازی استفاده میکنند.
چه زمانی استفاده شود
مدلهای پوشش صوتی-روانشناختی را در فشردهسازی صدا (MP3، AAC، OPUS)، بهبود صدا و کاهش نویز، طراحی سمعک، ارزیابی وضوح گفتار و رندرینگ صدای مجازی اعمال کنید. پوشش برای طراحی کدکهای ادراکی که در آن اندازه فایل و پهنای باند مهم است، ضروری است. پوشش زمانی که وفاداری صدا اولویت دارد (میکس استودیو) یا زمانی که معیارهای ادراکی مورد نیاز نیستند، کمتر مرتبط است.
محدودیتها و ملاحظات
- آستانههای پوشش به طور قابل توجهی در بین افراد متفاوت است؛ کم شنوایی، سن و تفاوتهای فردی، پیشبینیپذیری را در برخی شنوندگان کاهش میدهد.
- مدلهای پوشش پردازش خطی شنوایی را فرض میکنند؛ اثرات غیرخطی (انطباق بلندی صدا، محصولات اعوجاج) به طور کامل در نظر گرفته نمیشوند.
- پوشش زمانی کمتر از پوشش فرکانسی مشخص شده است؛ مدلها برای پدیدههای حوزه زمان (گذارها، مصنوعات موسیقی) سادهتر و کمتر دقیق هستند.
- به شدت به آمارههای سیگنال بستگی دارد؛ آستانههای پوشش با طیف، ساختار زمانی و نوع سیگنال تغییر میکنند. مدلها ممکن است در همه سیگنالها تعمیم داده نشوند.
- تغییرات فردی و اثرات زمینه (توجه، خستگی، قرار گرفتن قبلی) آستانههای پوشش را تعدیل میکنند؛ مدلهای ثابت نمیتوانند این تغییرات را ثبت کنند.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- به خوبی بر فیزیولوژی شنوایی استوار است؛ آستانههای پوشش با اندازهگیریهای ارتعاش غشای پایه و پردازش حلزونی همبستگی دارند.
- با بهرهبرداری از محدودیتهای شنوایی انسان به جای دور ریختن دادهها، فشردهسازی چشمگیر صدا (۱۰:۱ یا بالاتر) را بدون افت کیفیت قابل درک ممکن میسازد.
- در طیف وسیعی از شرایط شنیداری و محیطهای صوتی کاربرد دارد؛ منحنیهای پوشش در بین شنوندگان و زمینهها نسبتاً سازگار هستند.
- پیادهسازی محاسباتی ساده و کارآمد؛ مدلهای پوشش با حداقل سربار CPU در کدکهای صوتی بیدرنگ و سمعکها جای میگیرند.
- استانداردهای تثبیت شده (ISO/MPEG) و دههها پالایش؛ مدلهای پوشش در سیستمهای صوتی تجاری بالغ و قابل اعتماد هستند.
کاربردها
- فشردهسازی و پخش صدا: MP3، AAC، OPUS و سایر کدکها از مدلهای پوشش برای دستیابی به فشردهسازی ۱۰-۲۰:۱ بدون افت کیفیت شنیداری استفاده میکنند؛ اساس پخش صدا در پهنای باند محدود.
- طراحی سمعک: مدلهای پوشش را برای سرکوب وزوز گوش و تقویت گفتار در نویز، ضمن جلوگیری از مصنوعاتی که برای کاربران کمشنوا قابل درک است، ادغام کنید.
- بهبود گفتار و کاهش نویز: پوشش را برای شناسایی و سرکوب نویز در مناطق فرکانس-زمان که توسط گفتار پوشانده شده است، اعمال کنید و وضوح را بهبود بخشید.
- ترمیم و پزشکی قانونی صدا: از پوشش برای تعیین اینکه کدام مصنوعات تخریب در ضبطهای آسیبدیده از نظر ادراکی مهم هستند، استفاده کنید؛ اولویتهای ترمیم را هدایت کنید.
- صدای سهبعدی و طراحی صدای فضایی: از پوشش فرکانسی و زمانی برای کاهش تعداد فیلترهای HRTF و کانالهای صوتی فضایی مورد نیاز برای غوطهوری واقعگرایانه بهره ببرید.
- تولید و میکس موسیقی: از دانش پوشش برای جلوگیری از تداخل فرکانسی (پوشش سازها توسط سازهای دیگر) و بهینهسازی تنظیمات EQ و فشردهسازی برای وضوح استفاده کنید.
چگونه کار میکند
چگونه کار میکند
یک سیگنال صوتی حاوی نویز پوشاننده (یا تنها) و سیگنالهای آزمایشی (تنها یا نویز با فرکانس و شدت متغیر) را ضبط یا سنتز کنید.
سطوح سیگنال را نرمال کنید، پنجرهبندی حوزه فرکانس را اعمال کنید و سیگنال را به باندهای فرکانسی تجزیه کنید (با استفاده از فیلتربانکها یا تحلیل فوریه) تا تحلیل پوشش مخصوص باند ممکن شود.
برای هر باند فرکانسی، آستانه پوشش را اندازهگیری کنید - حداقل سطح سیگنال در آن باند که در حضور نویز پوشاننده قابل درک است. به طور جداگانه، پوشش فرکانسی (یک فرکانس، فرکانسهای مجاور را میپوشاند) و پوشش زمانی (یک صدای بلند، صداهای ضعیفتر قبل و بعد از خود را میپوشاند) را کمیسازی کنید.
مدلهای صوتی-روانشناختی (مانند منحنیهای پوشش ISO/MPEG) را برازش دهید که آستانه پوشش را به طیف و ساختار زمانی سیگنال پوشاننده مرتبط میکنند. مدلها معمولاً پهنای باند بحرانی، تحریک غشای پایه و پنجرههای ادغام زمانی را در نظر میگیرند.
از آستانههای پوشش برای تعیین اینکه کدام اجزای سیگنال از نظر ادراکی زائد هستند و میتوانند حذف یا فشرده شوند، استفاده کنید. مدلهای پوشش را در طراحی کدک صوتی اعمال کنید تا بیتها را به طور مؤثر تخصیص دهید: بیتهای بیشتری را به سیگنالهای غیرپوشانده و بیتهای کمتری را به سیگنالهای پوشانده اختصاص دهید.
دامهای رایج
- فشردهسازی بیش از حد تهاجمی بر اساس آستانههای پوشش؛ مصنوعاتی که به طور معمول پوشانده میشوند، زمانی که چندین سیگنال ترکیب میشوند یا در زمینههای شنیداری متفاوت، قابل شنیدن میشوند.
- نادیده گرفتن تفاوتهای فردی در شنوایی؛ منحنیهای پوشش استاندارد شنوایی طبیعی را فرض میکنند. شنوندگان کمشنوا ممکن است الگوهای پوشش متفاوتی داشته باشند.
- نادیده گرفتن پوشش زمانی هنگام فشردهسازی سیگنالهای غنی از گذرا (گفتار، موسیقی کوبهای)؛ تخصیص بیتریت بالا در گذراها از مصنوعات 'پیشصدا' جلوگیری میکند.
- فرض اینکه مدلهای پوشش آموزشدیده بر روی محرکهای ساده (امواج سینوسی، نویز باند باریک) به موسیقی یا گفتار پیچیده اعمال میشوند. سیگنالهای دنیای واقعی میتوانند رفتار متفاوتی داشته باشند.
- فراموش کردن اینکه آستانههای پوشش مقادیر مطلق هستند؛ بلندی نسبی نیز بر کیفیت ادراکی تأثیر میگذارد. یک مصنوع پوشانده شده ممکن است به تنهایی نامفهوم باشد اما در زمینه قابل توجه باشد.
پرسشهای متداول
تفاوت بین پوشش فرکانسی و پوشش زمانی چیست؟
پوشش (طیفی) فرکانسی زمانی رخ میدهد که یک محدوده فرکانسی، درک صداها در فرکانسهای مجاور را میپوشاند (به عنوان مثال، یک باس فرکانس پایین بلند، شنیدن سازهای میانی را میپوشاند). پوشش زمانی زمانی رخ میدهد که یک صدای بلند، درک صداهای ضعیفتر قبل از خود (پیشپوشش، ~۵ میلیثانیه) یا بعد از خود (پسپوشش، ~۱۰۰ میلیثانیه) را سرکوب میکند. هر دو به پوشش کلی کمک میکنند، اما مدلسازی پوشش زمانی دشوارتر و کمتر درک شده است.
پهنای باند بحرانی چیست و چرا اهمیت دارد؟
پهنای باند بحرانی، عرض ناحیه فرکانسی است که در آن پوشش قویترین است؛ این نشاندهنده 'تنظیم' مؤثر حلزون گوش (گوش داخلی) است. زیر ۵۰۰ هرتز، پهنای باند بحرانی تقریباً ۱۰۰ هرتز است؛ بالای ۲ کیلوهرتز، گسترش مییابد. کدکهای صوتی از پهنای باند بحرانی برای گروهبندی سطلهای فرکانسی برای تحلیل پوشش و تخصیص بیت استفاده میکنند - فرکانسهای درون یک باند بحرانی اغلب به عنوان یک واحد در نظر گرفته میشوند.
صدا چقدر میتواند با استفاده از پوشش فشرده شود؟
نسبتهای فشردهسازی معمول ۱۰-۲۰:۱ برای گفتار و ۸-۱۲:۱ برای موسیقی بدون افت کیفیت قابل تشخیص است (MP3 با ۱۲۸ کیلوبیت بر ثانیه، AAC با ۹۶ کیلوبیت بر ثانیه). فشردهسازی تهاجمی (۴۰:۱، ۶۴ کیلوبیت بر ثانیه) مصنوعات شنیداری (پیشصدا، از دست دادن جزئیات گذرا، مصنوعات تنال) را معرفی میکند. نسبت قابل دستیابی به محتوای سیگنال، کیفیت مدل پوشش و حدت شنوایی شنونده بستگی دارد.
آیا شنوندگان کمشنوا میتوانند صداهایی را که شنوندگان عادی پوشانده میدانند، درک کنند؟
بله. کم شنوایی میتواند آستانههای پوشش را تغییر دهد. برخی از شنوندگان کمشنوا آستانههای بالاتری دارند (به سیگنالهای بلندتر نیاز دارند) یا وابستگی فرکانسی متفاوتی دارند. علاوه بر این، استخدام (رشد بلندی صدا) میتواند سیگنالهای پوشانده شده را در سطوح بالاتر قابل درک کند. مدلهای پوشش استاندارد شنوایی طبیعی را فرض میکنند؛ برای برنامههای کاربردی کمشنوایان، سفارشیسازی لازم است.
چه مصنوعاتی از تخمین نادرست آستانه پوشش ناشی میشود؟
کم تخمین زدن پوشش (تخصیص بیتهای کم) باعث ایجاد نویز کوانتیزاسیون قابل شنیدن، پیشصدا (مصنوعات قبل از گذراها) و پخش شدن زمانی میشود. بیش از حد تخمین زدن پوشش (تخصیص بیتهای زیاد) فضا را هدر میدهد اما کیفیت بالا را تضمین میکند. رایجترین مصنوعات، وزوز تنال (کوانتیزاسیون اجزای با دامنه پایین) و از دست دادن جزئیات فضایی در صدای چند کاناله است.
روشهای مرتبط
منابع
Zwicker, E., & Scharf, B. (1965). Psychoacoustics: Facts and Models. Springer-Verlag.
شابک: 978-3540631644کپی شد.Moore, B. C. J. (2012). An Introduction to the Psychology of Hearing (6th ed.). Academic Press.
شابک: 978-0123914232کپی شد.Johnston, J. D. (1988). Transform coding of audio signals using perceptual noise criteria. IEEE Journal on Selected Areas in Communications, 6(2), 314–323.
باز کردن مرجع DOIکپی شد.