Skip to content
検索結果に戻る

聴覚心理学的マスキング

提唱者
Eberhard Zwicker
年
1961
種類
Perceptual model for audio systems
系統
Psychoacoustics, Auditory perception

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

文字サイズ

何をする手法か?

聴覚心理学的マスキングとは、より強い音の存在下で、弱い音の知覚が人間の聴覚系によって抑制される現象を指す。1960年代にエーベルハルト・ツヴィッカーによって形式化されたマスキングは、聴覚における基本的な現象であり、知覚的オーディオコーディング(MP3、AAC、OPUS)の基礎となっている。マスキングは周波数(スペクトルマスキング)と時間(時間的マスキング)の両方で発生し、これらの効果を理解することは、効率的なオーディオ圧縮とリアルな音響設計を可能にする。

手法の背後にある直感

賑やかな喫茶店での静かな会話を想像してほしい。周りには他の多くの会話や背景ノイズがあるにもかかわらず、友人の声を聞き取ることができる。耳は自然に無関係な音を抑制する――これがマスキングである。強い音(雑踏)は、内耳の強い音への応答が弱い音の信号処理を圧倒するため、弱い音(近くにあるが重要度の低い会話)をマスキングまたは隠蔽する。オーディオエンジニアはこの原理を利用して、人間が聞くことのできない詳細を削除または圧縮し、知覚可能な品質低下なしにファイルを小さくする。

歴史学

ツヴィッカーは1960年代に聴覚心理学を開拓し、周波数と時間の両方でマスキング閾値を測定・モデル化した。ムーアらはクリティカルバンド幅と基底膜の力学に関する理解を洗練させた。ジョンストンの1988年の研究はマスキングをオーディオコーディングに適用し、知覚的コーデックの基礎を築いた。MPEGとISOは1990年代(MP3、AAC)にマスキングモデルを標準化し、現代のコーデックバリアント(OPUS、LAME)は洗練されたマスキングモデルを使用して圧縮を最適化している。

使うべき場面

オーディオ圧縮(MP3、AAC、OPUS)、オーディオ強調およびノイズリダクション、補聴器設計、音声明瞭度評価、および仮想オーディオレンダリングに聴覚心理学的マスキングモデルを適用する。ファイルサイズと帯域幅が重要な知覚的コーデック設計においてマスキングは不可欠である。オーディオ忠実度が最優先される場合(スタジオミキシング)や、知覚的指標が不要な場合にはマスキングの関連性は低い。

限界と注意点

  • マスキング閾値は個人間で大きく変動する;聴覚損失、年齢、および個々の違いにより、一部のリスナーでは予測可能性が低下する。
  • マスキングモデルは線形聴覚処理を仮定する;非線形効果(ラウドネス適応、歪み生成)は完全には捉えられていない。
  • 時間的マスキングは周波数マスキングよりも特性が不明瞭である;モデルは時間領域現象(過渡現象、音楽的アーティファクト)に対してより単純で精度が低い。
  • 信号統計に決定的に依存する;マスキング閾値はスペクトル、時間構造、および信号タイプによって変化する。モデルは全ての信号に一般化できない可能性がある。
  • 個人の変動性およびコンテキスト効果(注意、疲労、事前の暴露)がマスキング閾値を変調する;固定モデルではこれらの変動を捉えられない。

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

  • 聴覚生理学に十分に根差している;マスキング閾値は基底膜振動および蝸牛処理の測定値と相関する。
  • 人間の聴覚の限界を利用して、データを捨てるのではなく、知覚可能な品質低下なしに劇的なオーディオ圧縮(10:1以上)を可能にする。
  • リスナーやコンテキスト間でマスキング曲線はかなり一貫している;幅広いリスニング条件および音響環境に適用可能である。
  • 単純で効率的な計算実装;マスキングモデルは、最小限のCPUオーバーヘッドでリアルタイムオーディオコーデックや補聴器に組み込むことができる。
  • 確立された標準(ISO/MPEG)と数十年にわたる改良;マスキングモデルは商用オーディオシステムにおいて成熟しており信頼性が高い。

応用

  • オーディオ圧縮とストリーミング:MP3、AAC、OPUS、およびその他のコーデックは、マスキングモデルを使用して、知覚可能な品質低下なしに10~20:1の圧縮を実現する;帯域幅が限られたストリーミングオーディオの基礎。
  • 補聴器設計:マスキングモデルを組み込み、難聴者にとって知覚可能なアーティファクトを回避しながら、耳鳴りを抑制し、ノイズ中の音声を強調する。
  • 音声強調およびノイズリダクション:マスキングを適用して、音声によってマスキングされる周波数時間領域のノイズを特定・抑制し、明瞭度を向上させる。
  • オーディオ修復およびフォレンジック:マスキングを使用して、破損した録音の劣化アーティファクトのうち、知覚的に重要なものを特定し、修復の優先順位を決定する。
  • 3Dオーディオおよび空間音響設計:周波数および時間的マスキングを利用して、リアルな没入感に必要なHRTFフィルターおよび空間オーディオチャンネルの数を削減する。
  • 音楽制作およびミキシング:マスキングの知識を利用して、周波数競合(他の楽器による楽器のマスキング)を防ぎ、明瞭度を高めるためにEQおよび圧縮設定を最適化する。

使い方

使い方

1

マスキングノイズ(またはトーン)とテスト信号(様々な周波数と強度のトーンまたはノイズ)を含むオーディオ信号を記録または合成する。

2

信号レベルを正規化し、周波数領域の窓関数を適用し、フィルターバンクまたはフーリエ解析を使用して信号を周波数帯域に分解し、帯域ごとのマスキング分析を可能にする。

3

各周波数帯域について、マスキングノイズの存在下で知覚可能な最小信号レベルであるマスキング閾値を測定する。周波数マスキング(ある周波数が近傍の周波数をマスキングする)と時間的マスキング(大きな音がその前後の弱い音をマスキングする)を個別に定量化する。

4

マスキング閾値とマスキング信号のスペクトルおよび時間構造との関係を示す聴覚心理学的モデル(例:ISO/MPEGマスキング曲線)を適合させる。モデルは通常、クリティカルバンド幅、基底膜の励起、および時間的統合ウィンドウを考慮する。

5

マスキング閾値を使用して、知覚的に冗長であり、破棄または圧縮できる信号成分を決定する。オーディオコーデック設計にマスキングモデルを適用してビットを効率的に割り当てる:マスキングされない信号にはより多くのビットを、マスキングされる信号にはより少ないビットを割り当てる。

よくある落とし穴

  • マスキング閾値に基づく過度に積極的な圧縮;通常マスキングされるアーティファクトが、複数の信号が結合された場合や異なるリスニングコンテキストで可聴になる可能性がある。
  • 個人の聴覚の違いを無視すること;標準的なマスキング曲線は正常な聴覚を仮定する。聴覚障害のあるリスナーは異なるマスキングパターンを持つ可能性がある。
  • 過渡現象が多い信号(音声、打楽器)を圧縮する際に時間的マスキングを無視すること;過渡現象への高ビットレート割り当ては「プリエコー」アーティファクトを回避する。
  • 単純な刺激(正弦波、狭帯域ノイズ)で訓練されたマスキングモデルが、複雑な音楽や音声に適用されると仮定すること。現実世界の信号は異なる挙動を示す可能性がある。
  • マスキング閾値は絶対値であることを忘れること;相対的なラウドネスも知覚品質に影響を与える。マスキングされたアーティファクトは単独では聞こえなくても、コンテキストでは認識される可能性がある。

よくある質問

周波数マスキングと時間的マスキングの違いは何ですか?

周波数(スペクトル)マスキングは、ある周波数範囲が近傍の周波数の音の知覚をマスキングする場合(例:大きな低周波ベースが中音域楽器の聴覚をマスキングする)に発生する。時間的マスキングは、大きな音がその前の(プリマスキング、約5 ms)またはその後の(ポストマスキング、約100 ms)弱い音の知覚を抑制する場合に発生する。両方とも全体的なマスキングに寄与するが、時間的マスキングはモデル化が難しく、理解が不十分である。

クリティカルバンド幅とは何ですか?なぜ重要ですか?

クリティカルバンド幅とは、マスキングが最も強い周波数領域の幅であり、蝸牛(内耳)の実効的な「チューニング」を表す。500 Hz未満では、クリティカルバンド幅は約100 Hzである;2 kHz以上では、それは広がる。オーディオコーデックは、マスキング分析およびビット割り当てのために周波数ビンをグループ化するためにクリティカルバンド幅を使用する――クリティカルバンド内の周波数はしばしば単位として扱われる。

マスキングを使用してオーディオをどの程度圧縮できますか?

知覚可能な品質低下なしの典型的な圧縮率は、音声で10~20:1、音楽で8~12:1である(MP3で128 kbps、AACで96 kbps)。過度な圧縮(40:1、64 kbps)は、可聴アーティファクト(プリエコー、過渡現象の詳細の喪失、音響的アーティファクト)を引き起こす。達成可能な比率は、信号の内容、マスキングモデルの品質、およびリスナーの聴覚鋭敏度に依存する。

正常なリスナーがマスキングされると感じる音を、聴覚障害のあるリスナーは知覚できますか?

はい。聴覚損失はマスキング閾値をシフトさせることがある。一部の聴覚障害のあるリスナーは、閾値が高い(より大きな信号が必要)か、周波数依存性が異なる。さらに、増幅現象(ラウドネスの増加)により、マスキングされた信号が高レベルで知覚可能になることがある。標準的なマスキングモデルは正常な聴覚を仮定する;聴覚障害のあるアプリケーションにはカスタマイズが必要である。

不適切なマスキング閾値推定から生じるアーティファクトは何ですか?

マスキングの過小評価(ビット割り当てが少なすぎる)は、可聴量子化ノイズ、プリエコー(過渡現象前のアーティファクト)、および時間的広がりを引き起こす。マスキングの過大評価(ビット割り当てが多すぎる)はスペースを浪費するが、高品質を保証する。最も一般的なアーティファクトは、音響的なバズ音(低振幅成分の量子化)およびマルチチャンネルオーディオにおける空間的詳細の喪失である。

関連する手法

参考文献

  1. Zwicker, E., & Scharf, B. (1965). Psychoacoustics: Facts and Models. Springer-Verlag.

    ISBN:978-3540631644
    コピーしました。
  2. 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。
  3. Johnston, J. D. (1988). Transform coding of audio signals using perceptual noise criteria. IEEE Journal on Selected Areas in Communications, 6(2), 314–323.

    DOI 文献を開く
    コピーしました。