BarkスケールとMelスケール
- 提唱者
- Eberhard Zwicker, Stanley Smith Stevens
- 年
- 1937
- 種類
- Perceptual frequency mapping
- 系統
- Psychoacoustics
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
BarkスケールとMelスケールは、物理的な周波数(Hz)を知覚される音高と聴覚にマッピングする知覚周波数スケールです。Zwicker(Bark, 1961)とStevens(Mel, 1937)によって形式化されたこれらの非線形スケールは、人間の耳が音を処理する方法を反映しています。Barkスケールは聴覚を24の臨界帯域に分割し、Melスケールは音高知覚をモデル化します。どちらも、音声特徴抽出、音声処理、および人間の聴覚に合致するオーディオシステムの設計に不可欠です。
手法の背後にある直感
耳は周波数を線形に知覚しません。100 Hzから200 Hzへの100 Hzの変化は大きな変化(オクターブ)に聞こえますが、5100 Hzから5200 Hzへの同じ変化はほとんど気づかれません。BarkスケールとMelスケールは、周波数を、等しい距離が等しい知覚差を表す知覚空間にマッピングします。Barkスケールは周波数弁別(マスキングパターン)に焦点を当て、Melスケールは音高(メロディとトーン)に焦点を当てます。
歴史学
Stevens、Volkmann、Newmanは1937年に、等しい知覚間隔(メロディ)で音高知覚を定量化するためにMelスケールを導入しました。Zwickerは1961年に、臨界帯域幅測定とマスキング現象に基づいてBarkスケールを開発しました。どちらも心理音響学とオーディオコーデック設計の基礎となりました。現代の改良(例:Gammatoneフィルターバンク、Melスペクトログラム)は、より正確な知覚モデルを提供します。Melスペクトログラムに対する機械学習は、音声および音楽AIの標準となっています。
使うべき場面
オーディオコーデック設計、知覚オーディオ符号化、マスキング効果の分析にはBarkスケールを使用します。音声処理、音楽情報検索、話者認識、オーディオ特徴に対する機械学習にはMelスケールを使用します。どちらも補聴器設計、オーディオ修復、知覚オーディオ品質指標に適用可能です。
限界と注意点
- BarkスケールとMelスケールは経験的な近似です。正確な臨界帯域幅は、レベル、周波数コンテキスト、および個々のリスナーによって異なります。
- 非可逆マッピング(順変換は情報を失います)。正確な周波数再構築は複雑であり、アーティファクトを導入する可能性があります。
- どちらのスケールも正常聴力者向けの平均モデルです。難聴、年齢、個人差が臨界帯域幅と音高知覚を調整します。
- 計算コスト。HzとBark/Mel間の変換には超越関数(対数、逆正接)が必要です。ルックアップテーブルと近似が一般的です。
- 単耳(片耳)知覚に限定されます。両耳聴覚(両耳)と空間オーディオには追加のモデリングが必要です。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 分析を人間の聴覚知覚に合わせます。Bark/Mel空間で導出された特徴は、主観的なオーディオ品質とリスナーの好みに良く相関します。
- 高周波情報を圧縮します。高周波では知覚的な「チャネル」が少なくても済むため、オーディオコーデックの計算コストが削減されます。
- 臨界帯域幅の概念はマスキングを予測します。1 Bark内の領域は共通のマスキングを受けるため、知覚コーデックの設計が簡素化されます。
- 確立され標準化されています。市販のオーディオコーデック(MP3、AAC)や音声認識システムで広く使用されています。
- 柔軟性があります。BarkスケールとMelスケールは、洗練された知覚モデリングのために他の技術(ラウドネス曲線、圧縮)と組み合わせることができます。
応用
- オーディオコーデックとストリーミング:MP3、AAC、OPUSは、知覚量子化のためにBarkスケールフィルターバンクを使用しています。Melスケールバリアントは一部の最新コーデックで使用されています。
- 自動音声認識と話者照合:Mel周波数ケプストラム係数(MFCCs)は、Melスケールスペクトログラムから導出され、音声処理の標準的な特徴です。
- 音楽情報検索とジャンル分類:Melスペクトログラムは、音楽特徴抽出とオーディオに対する深層学習を可能にします。
- 補聴器と人工内耳の設計:臨界帯域幅(Barkスケール)は、インプラントのチャネル設計と周波数割り当てに情報を提供します。
- オーディオ修復と音声強調:知覚スケールは、聴覚に合わせたアーティファクト除去とノイズ抑制をガイドします。
- オーディオ品質評価:知覚指標(PESQ、PEMO-Q)は、BarkスケールとMelスケールを使用して主観的なオーディオ品質を予測します。
使い方
使い方
分析または表示するオーディオ信号または周波数領域表現(FFTスペクトル)を取得します。
標準的な窓関数とFFT技術を使用してパワースペクトルを計算します。周波数配列をHzで準備します。
線形周波数スケール(Hz)を知覚スケールに変換します。Bark: z = 13 * arctan(0.76f/1000) + 3.5 * arctan((f/7500)²)、Mel: m = 2595 * log10(1 + f/700)。これらの式はHzを知覚単位にマッピングします。
知覚周波数スケールを使用して、聴覚処理に合致する周波数選択的特徴(フィルターバンク、スペクトログラム)を設計します。各周波数における臨界帯域幅を計算します。BW ≈ 25 + 75(1 + 1.4(f/1000)²)^0.69 Hzであり、Bark空間ではほぼ一定(1 Bark ≈ 臨界帯域幅)です。
知覚的に正確な解釈のために、BarkスケールまたはMelスケールでスペクトルを視覚化します。特徴の重要性を比較します。線形Hzでは、高周波が視覚的に支配的ですが、知覚的には重要度が低い場合があります。Bark/Melでは、知覚的に顕著な領域に重点が移ります。
よくある落とし穴
- BarkスケールとMelスケールを知覚的に同一であると仮定すること。これらは異なる側面(周波数弁別と音高)をモデル化しており、選択はアプリケーションに依存します。
- すべての周波数に単一のBark/Melスケールを使用すること。臨界帯域幅は周波数によって異なり、より洗練されたモデル(例:等価矩形帯域幅)の方が正確です。
- レベル依存効果を無視すること。臨界帯域幅とマスキングは音レベルに応じて変化します。一定の臨界帯域幅の仮定は近似です。
- 知覚的検証なしにBarkスケールを使用して高周波を過度に圧縮すること。知覚されるオーディオ品質は、周波数ワーピングだけでなく、全体的なコンテキストに依存します。
- Bark/Mel変換を知覚品質と混同すること。Barkスケールへの変換は、知覚的に最適なオーディオを保証するものではなく、臨界帯域との整合性を示すだけです。
よくある質問
BarkスケールとMelスケールの違いは何ですか?
Barkスケールは周波数弁別と臨界帯域幅、つまり耳が近くの周波数をマスキング帯域にどのようにグループ化するかをモデル化します。Melスケールは音高知覚、つまり周波数が知覚されるメロディにどのようにマッピングされるかをモデル化します。Barkスケールは知覚的な意味でほぼ均一です(1 Bark ≈ 1臨界帯域)。Melスケールは主観的な音高(オクターブ、音楽的間隔)をモデル化します。コーデックとマスキング分析にはBarkを、音高と音声処理にはMelを使用します。
1 Bark帯域はHzで何を表しますか?
1 BarkはHzで一定ではありません。それは臨界帯域幅を表し、周波数によって異なります。100 Hzでは1 Bark ≈ 100 Hz、1 kHzでは1 Bark ≈ 130 Hz、10 kHzでは1 Bark ≈ 700+ Hzです。これは、耳が低周波の詳細を細かく分解する一方で、高周波の詳細を粗くグループ化することを意味します。
人間の聴覚にはいくつのBark帯域がありますか?
人間の聴覚は、可聴スペクトル(約20 Hzから20 kHz)にわたる臨界帯域幅単位に対応する約24のBark帯域に及びます。これは、Bark間隔に合わせた24バンドフィルターバンクを使用する多くのオーディオコーデックの基礎となっています。
Melスペクトログラムが音声認識で非常に人気があるのはなぜですか?
Melスペクトログラムは、音声に関連する低周波情報(音高、フォルマント)を保持しながら、高周波の詳細を圧縮します。これらは人間が音声をどのように知覚するかと一致するため、学習された特徴がより堅牢になります。Melスペクトログラムで訓練された深層ニューラルネットワークは、話者やアクセントを超えてより良く汎化します。
1つの分析でBarkスケールとMelスケールを組み合わせることはできますか?
はい、可能です。コーデックとマスキング分析にはBarkスケールを使用し、音高とメロディ抽出にはMelスケール特徴を個別に計算します。これらは補完的です。Barkは聴覚のメカニズムに、Melは知覚的な音高に焦点を当てます。一部の高度なオーディオシステムでは、周波数弁別(Bark)と音高知覚(Mel)を重ね合わせて両方を使用します。
関連する手法
参考文献
Zwicker, E. (1961). Subdivision of the audible frequency range into critical bands. Journal of the Acoustical Society of America, 33(2), 248–248.
出版物の文献を開くコピーしました。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.
DOI 文献を開くコピーしました。Moore, B. C. J. (2012). An Introduction to the Psychology of Hearing (6th ed.). Academic Press.
ISBN:978-0123914232コピーしました。