声学掩蔽
- 提出者
- Eberhard Zwicker
- 年份
- 1961
- 类型
- Perceptual model for audio systems
- 类别
- Psychoacoustics, Auditory perception
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
声学掩蔽描述了人类听觉系统如何在强音存在的情况下抑制对弱音的感知。该现象由 Eberhard Zwicker 在 20 世纪 60 年代正式提出,是听觉中的基本现象,也是感知音频编码(MP3、AAC、OPUS)的基础。掩蔽同时发生在频率(频谱掩蔽)和时间(时间掩蔽)上,理解这些效应可以实现高效的音频压缩和逼真的声音设计。
方法背后的直觉
想象一下在嘈杂的咖啡馆里进行一次安静的谈话。即使周围有许多其他谈话声和背景噪音,您也能听懂朋友说的话。您的耳朵会自动抑制不相关的声音——这就是掩蔽。强音(人群的嘈杂声)会掩蔽或隐藏弱音(附近但不太重要的谈话声),因为内耳对强音的反应压倒了对弱音的信号处理。音频工程师利用这一原理去除或压缩人耳听不到的细节,从而减小文件大小而不会明显损失质量。
历史学
Zwicker 在 20 世纪 60 年代开创了声学心理学,测量并模拟了频率和时间上的掩蔽阈值。Moore 等人改进了对临界带宽和基底膜力学的理解。Johnston 在 1988 年的工作将掩蔽应用于音频编码,为感知编解码器奠定了基础。MPEG 和 ISO 在 20 世纪 90 年代标准化了掩蔽模型(MP3、AAC);现代编解码器变体(OPUS、LAME)使用复杂的掩蔽模型来优化压缩。
何时使用
将声学掩蔽模型应用于音频压缩(MP3、AAC、OPUS)、音频增强和降噪、助听器设计、语音可懂度评估和虚拟音频渲染。掩蔽对于需要考虑文件大小和带宽的感知编解码器设计至关重要。当音频保真度是首要任务(录音室混音)或不需要感知指标时,掩蔽的相关性较低。
局限与注意事项
- 掩蔽阈值因个体而异;听力损失、年龄和个体差异会降低某些听众的可预测性。
- 掩蔽模型假设听觉处理是线性的;非线性效应(响度适应、失真产物)未被完全捕捉。
- 时间掩蔽的表征不如频率掩蔽充分;模型对于时域现象(瞬态、音乐伪影)更简单,准确性也较低。
- 严重依赖于信号统计特性;掩蔽阈值会随频谱、时间结构和信号类型而变化。模型可能无法泛化到所有信号。
- 个体差异和环境效应(注意力、疲劳、先验接触)会调节掩蔽阈值;固定的模型无法捕捉这些变化。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 与听觉生理学有良好的一致性;掩蔽阈值与基底膜振动和耳蜗处理的测量结果相关。
- 通过利用人类听觉的局限性而不是丢弃数据,可以实现显著的音频压缩(10:1 或更高),而不会有可感知的质量损失。
- 适用于广泛的听觉条件和声学环境;掩蔽曲线在听众和环境中相当一致。
- 计算实现简单高效;掩蔽模型可以集成到实时音频编解码器和助听器中,CPU 开销极小。
- 已建立标准(ISO/MPEG)并经过数十年的改进;掩蔽模型在商用音频系统中成熟可靠。
应用
- 音频压缩和流媒体:MP3、AAC、OPUS 和其他编解码器使用掩蔽模型在没有可闻质量损失的情况下实现 10–20:1 的压缩;这是有限带宽下流媒体音频的基础。
- 助听器设计:集成掩蔽模型以抑制耳鸣并增强语音在噪声中的可懂度,同时避免可感知到听力受损用户的伪影。
- 语音增强和降噪:应用掩蔽来识别和抑制语音掩蔽的频域-时域区域中的噪声,提高可懂度。
- 音频修复和取证:利用掩蔽来确定损坏录音中哪些退化伪影在感知上是重要的;指导修复的优先级。
- 3D 音频和空间声音设计:利用频率和时间掩蔽来减少实现逼真沉浸感所需的 HRTF 滤波器和空间音频通道数量。
- 音乐制作和混音:利用掩蔽知识来防止频率冲突(一个乐器被另一个乐器掩蔽),并优化均衡和压缩设置以获得清晰度。
使用方式
使用方式
录制或合成包含掩蔽噪声(或音调)和测试信号(不同频率和强度的音调或噪声)的音频信号。
对信号电平进行归一化,应用频域加窗,并将信号分解为频带(使用滤波器组或傅里叶分析),以便进行特定频带的掩蔽分析。
对于每个频带,测量掩蔽阈值——即在掩蔽噪声存在的情况下,该频带中可感知的最小信号电平。分别量化频率掩蔽(一个频率掩蔽附近频率)和时间掩蔽(响亮的音调掩蔽其之前和之后较弱的音调)。
拟合声学模型(例如,ISO/MPEG 掩蔽曲线),这些模型将掩蔽阈值与掩蔽信号的频谱和时间结构相关联。模型通常会考虑临界带宽、基底膜激励和时间积分窗口。
使用掩蔽阈值来确定哪些信号分量是可感知冗余的,可以被丢弃或压缩。在音频编解码器设计中应用掩蔽模型以高效分配比特:为未被掩蔽的信号分配更多比特,为被掩蔽的信号分配更少比特。
常见陷阱
- 基于掩蔽阈值的过度压缩;当多个信号组合或在不同听觉环境中时,通常被掩蔽的伪影可能会变得可闻。
- 忽略个体听力差异;标准掩蔽曲线假设听力正常。听力受损的听众可能有不同的掩蔽模式。
- 在压缩富含瞬态的信号(语音、打击乐)时忽略时间掩蔽;在瞬态处分配高比特率可避免“预回声”伪影。
- 假设在简单刺激(正弦波、窄带噪声)上训练的掩蔽模型适用于复杂的音乐或语音。真实世界的信号行为可能不同。
- 忘记掩蔽阈值是绝对值;相对响度也会影响感知质量。被掩蔽的伪影单独听可能听不见,但在上下文中可能很明显。
常见问题
频率掩蔽和时间掩蔽的区别是什么?
频率(频谱)掩蔽发生在当一个频率范围掩蔽了附近频率的声音感知时(例如,响亮的低频贝斯掩蔽了中频乐器的声音)。时间掩蔽发生在当一个响亮的声音抑制了其之前(预掩蔽,约 5 毫秒)或之后(后掩蔽,约 100 毫秒)的较弱声音的感知时。两者都对整体掩蔽有贡献,但时间掩蔽更难建模,理解也更少。
什么是临界带宽,它为什么重要?
临界带宽是掩蔽最强的频率区域的宽度;它代表了耳蜗(内耳)的有效“调谐”。低于 500 Hz,临界带宽约为 100 Hz;高于 2 kHz,它会变宽。音频编解码器使用临界带宽来对频带进行分组,以进行掩蔽分析和比特分配——临界带宽内的频率通常被视为一个整体。
使用掩蔽可以压缩多少音频?
对于语音,典型的压缩比为 10–20:1;对于音乐,为 8–12:1,而没有可闻的质量损失(MP3 在 128 kbps,AAC 在 96 kbps)。过度压缩(40:1,64 kbps)会引入可闻的伪影(预回声、瞬态细节丢失、音调伪影)。可实现的压缩比取决于信号内容、掩蔽模型质量和听众的听力敏锐度。
听力正常的听众发现被掩蔽的声音,听力受损的听众是否也能感知?
是的。听力损失会改变掩蔽阈值。一些听力受损的听众的阈值升高(需要更响的信号)或频率依赖性不同。此外,重振(响度增长)可能导致被掩蔽的信号在更高水平上变得可感知。标准掩蔽模型假设听力正常;在听力受损的应用中需要进行定制。
不正确的掩蔽阈值估计会导致哪些伪影?
低估掩蔽(分配的比特太少)会导致可闻的量化噪声、预回声(瞬态之前的伪影)和时间模糊。高估掩蔽(分配的比特太多)会浪费空间,但能确保高质量。最常见的伪影是音调嗡嗡声(低幅度分量的量化)和多通道音频中空间细节的丢失。
相关方法
参考文献
Zwicker, E., & Scharf, B. (1965). Psychoacoustics: Facts and Models. Springer-Verlag.
ISBN:978-3540631644已复制。Moore, B. C. J. (2012). An Introduction to the Psychology of Hearing (6th ed.). Academic Press.
ISBN:978-0123914232已复制。Johnston, J. D. (1988). Transform coding of audio signals using perceptual noise criteria. IEEE Journal on Selected Areas in Communications, 6(2), 314–323.
打开 DOI 文献已复制。