1. मूल अवधारणा
1) बिट दर: इंगित करता है कि प्रति सेकंड कितने बिट्स एन्कोडेड (संपीड़ित) ऑडियो डेटा का प्रतिनिधित्व करने की आवश्यकता है, और इकाई आमतौर पर केबीपीएस है।
2) प्रबलता और तीव्रता: ध्वनि के व्यक्तिपरक गुण। लाउडनेस इंगित करता है कि ध्वनि कितनी तेज है। जोर मुख्य रूप से ध्वनि की तीव्रता के साथ बदलता रहता है, लेकिन यह आवृत्ति से भी प्रभावित होता है। सामान्यतया, शुद्ध मध्य-आवृत्ति ध्वनियाँ शुद्ध निम्न-आवृत्ति और उच्च-आवृत्ति ध्वनियों से बेहतर होती हैं।
3) नमूनाकरण और नमूनाकरण दर: नमूनाकरण एक निरंतर समय संकेत को एक असतत डिजिटल सिग्नल में बदलना है। नमूनाकरण दर से तात्पर्य है कि प्रति सेकंड कितने नमूने एकत्र किए जाते हैं।
न्यक्विस्ट सैंपलिंग कानून: जब सैंपलिंग दर निरंतर सिग्नल के उच्चतम आवृत्ति घटक के 2 गुना से अधिक या उसके बराबर होती है, तो मूल निरंतर सिग्नल को पूरी तरह से समेटने के लिए सैंपल सिग्नल का उपयोग किया जा सकता है।
2. आम ऑडियो प्रारूप
1) WAV प्रारूप Microsoft द्वारा विकसित एक ध्वनि फ़ाइल स्वरूप है, जिसे तरंग ध्वनि फ़ाइल भी कहा जाता है। यह सबसे पुराना डिजिटल ऑडियो प्रारूप है, जो विंडोज प्लेटफॉर्म और इसके अनुप्रयोगों द्वारा व्यापक रूप से समर्थित है, और इसकी संपीड़न दर कम है।
2) मिडी म्यूजिकल इंस्ट्रूमेंट डिजिटल इंटरफेस का संक्षिप्त नाम है, जिसे म्यूजिकल इंस्ट्रूमेंट डिजिटल इंटरफेस भी कहा जाता है, जो डिजिटल म्यूजिक/इलेक्ट्रॉनिक सिंथेटिक म्यूजिकल इंस्ट्रूमेंट्स के लिए एक एकीकृत अंतरराष्ट्रीय मानक है। यह उस तरीके को परिभाषित करता है जिस तरह से कंप्यूटर संगीत कार्यक्रम, डिजिटल सिंथेसाइज़र और अन्य इलेक्ट्रॉनिक उपकरण संगीत संकेतों का आदान-प्रदान करते हैं, और केबल और हार्डवेयर के बीच डेटा ट्रांसमिशन प्रोटोकॉल को निर्दिष्ट करते हैं और इलेक्ट्रॉनिक संगीत वाद्ययंत्रों को विभिन्न निर्माताओं से कंप्यूटर से जोड़ते हैं, और कई संगीत की ध्वनि का अनुकरण कर सकते हैं उपकरण। MIDI फ़ाइल MIDI प्रारूप में एक फ़ाइल है, और कुछ आदेश MIDI फ़ाइल में संग्रहीत होते हैं। इन निर्देशों को साउंड कार्ड पर भेजें, और साउंड कार्ड निर्देशों के अनुसार ध्वनि को संश्लेषित करेगा।
3) MP3 का पूरा नाम MPEG-1 ऑडियो लेयर 3 है, जिसे 1992 में MPEG विनिर्देश में मिला दिया गया था। MP3 उच्च ध्वनि गुणवत्ता और कम नमूना दर के साथ डिजिटल ऑडियो फ़ाइलों को संपीड़ित कर सकता है। सबसे आम आवेदन।
4) MP3Pro को स्वीडिश कोडिंग टेक्नोलॉजी कंपनी द्वारा विकसित किया गया था, जिसमें दो प्रमुख प्रौद्योगिकियां शामिल हैं: एक कोडिंग टेक्नोलॉजी कंपनी की अनूठी डिकोडिंग तकनीक है, और दूसरा MP3 पेटेंट धारक फ्रेंच थॉमसन मल्टीमीडिया कंपनी और जर्मन फ्रौनहोफर का एकीकरण है। एक डिकोडिंग तकनीक पर संयुक्त रूप से शोध किया गया है। सर्किट एसोसिएशन द्वारा MP3Pro मूल रूप से फ़ाइल का आकार बदले बिना मूल MP3 संगीत ध्वनि की गुणवत्ता में सुधार कर सकता है। यह कम बिट दर पर ऑडियो फ़ाइलों को संपीड़ित करते हुए संपीड़न से पहले ध्वनि की गुणवत्ता को अधिकतम सीमा तक बनाए रख सकता है।
5) MP3Pro को स्वीडिश कोडिंग टेक्नोलॉजी कंपनी द्वारा विकसित किया गया था, जिसमें दो प्रमुख प्रौद्योगिकियां शामिल हैं: एक कोडिंग टेक्नोलॉजी कंपनी की अनूठी डिकोडिंग तकनीक है, और दूसरा MP3 पेटेंट धारक फ्रेंच थॉमसन मल्टीमीडिया कंपनी और जर्मन फ्रौनहोफर का एकीकरण है। एक डिकोडिंग तकनीक पर संयुक्त रूप से शोध किया गया है। सर्किट एसोसिएशन द्वारा MP3Pro मूल रूप से फ़ाइल का आकार बदले बिना मूल MP3 संगीत ध्वनि की गुणवत्ता में सुधार कर सकता है। यह कम बिट दर पर ऑडियो फ़ाइलों को संपीड़ित करते हुए संपीड़न से पहले ध्वनि की गुणवत्ता को अधिकतम सीमा तक बनाए रख सकता है।
6) WMA (विंडोज मीडिया ऑडियो) इंटरनेट ऑडियो और वीडियो के क्षेत्र में माइक्रोसॉफ्ट की उत्कृष्ट कृति है। WMA प्रारूप डेटा ट्रैफ़िक को कम करके लेकिन ध्वनि की गुणवत्ता को बनाए रखते हुए उच्च संपीड़न दर प्राप्त करता है। संपीड़न दर आम तौर पर 1:18 तक पहुंच सकती है। इसके अलावा, WMA भी DRM (डिजिटल राइट्स मैनेजमेंट) के माध्यम से कॉपीराइट की रक्षा कर सकता है।
7) RealAudio रियल नेटवर्क द्वारा लॉन्च किया गया एक फ़ाइल स्वरूप है। सबसे बड़ी विशेषता यह है कि यह वास्तविक समय में ऑडियो जानकारी प्रसारित कर सकता है, खासकर जब नेटवर्क की गति धीमी हो, तब भी यह डेटा को सुचारू रूप से प्रसारित कर सकता है, इसलिए RealAudio मुख्य रूप से नेटवर्क प्ले ऑनलाइन के लिए उपयुक्त है। वर्तमान RealAudio फ़ाइल स्वरूपों में मुख्य रूप से RA (RealAudio), RM (RealMedia, RealAudio G2), RMX (RealAudio Secured), आदि शामिल हैं। इन फ़ाइलों की समानता यह है कि ध्वनि की गुणवत्ता नेटवर्क बैंडविड्थ में अंतर के साथ बदलती है। इस आधार पर कि अधिकांश लोग सहज ध्वनि सुनते हैं, व्यापक बैंडविड्थ वाले श्रोता बेहतर ध्वनि गुणवत्ता प्राप्त कर सकते हैं।
8) श्रव्य के चार अलग-अलग प्रारूप हैं: श्रव्य १, २, ३, ४. Audible.com वेबसाइट मुख्य रूप से इंटरनेट पर ऑडियो पुस्तकें बेचती है, और चार श्रव्य.com समर्पित ऑडियो प्रारूपों में से एक के माध्यम से बेची जाने वाली वस्तुओं और फ़ाइलों के लिए सुरक्षा प्रदान करती है। . प्रत्येक प्रारूप मुख्य रूप से उपयोग किए जाने वाले ऑडियो स्रोत और सुनने वाले उपकरण पर विचार करता है। प्रारूप 1, 2 और 3 आवाज संपीड़न के विभिन्न स्तरों का उपयोग करते हैं, जबकि प्रारूप 4 कम नमूना दर और एमपी 1 के समान डिकोडिंग विधि का उपयोग करता है। परिणामी आवाज स्पष्ट है और इसे इंटरनेट से अधिक कुशलता से डाउनलोड किया जा सकता है। श्रव्य अपने स्वयं के डेस्कटॉप प्लेबैक टूल का उपयोग करता है, जो श्रव्य प्रबंधक है। इस प्लेयर के साथ, आप एक पीसी पर संग्रहीत श्रव्य प्रारूप फ़ाइलें चला सकते हैं या पोर्टेबल प्लेयर में स्थानांतरित कर सकते हैं।
9) AAC वास्तव में उन्नत ऑडियो कोडिंग का संक्षिप्त नाम है। एएसी एक ऑडियो प्रारूप है जिसे संयुक्त रूप से फ्रौनहोफर आईआईएस-ए, डॉल्बी और एटी एंड टी द्वारा विकसित किया गया है। यह एमपीईजी -2 विनिर्देश का हिस्सा है। AAC द्वारा उपयोग किया जाने वाला एल्गोरिथम MP3 से भिन्न है। एएसी कोडिंग दक्षता में सुधार के लिए अन्य कार्यों को जोड़ती है। एएसी का ऑडियो एल्गोरिदम संपीड़न क्षमताओं में कुछ पिछले संपीड़न एल्गोरिदम (जैसे एमपी 3, आदि) से कहीं अधिक है। यह 48 ऑडियो ट्रैक, 15 कम आवृत्ति वाले ऑडियो ट्रैक, अधिक नमूना दर और बिट दर, बहु-भाषा संगतता और उच्च डिकोडिंग दक्षता का भी समर्थन करता है। संक्षेप में, AAC इस आधार पर बेहतर ध्वनि गुणवत्ता प्रदान कर सकता है कि यह MP30 फ़ाइलों से 3% छोटी है।
10) Ogg Vorbis एक नया ऑडियो संपीड़न प्रारूप है, जो मौजूदा संगीत प्रारूपों जैसे MP3 के समान है। लेकिन एक अंतर यह है कि यह पूरी तरह से स्वतंत्र, खुला और पेटेंट प्रतिबंधों के बिना है। वोरबिस इस ऑडियो कम्प्रेशन मैकेनिज्म का नाम है, और ओग एक प्रोजेक्ट का नाम है जो पूरी तरह से ओपन मल्टीमीडिया सिस्टम को डिजाइन करने का इरादा रखता है। VORBIS भी हानिपूर्ण संपीड़न है, लेकिन यह नुकसान को कम करने के लिए अधिक उन्नत ध्वनिक मॉडल का उपयोग करता है। इसलिए, समान बिट दर के साथ एन्कोडेड OGG MP3 से बेहतर लगता है।
11) एपीई एक दोषरहित संपीड़ित ऑडियो प्रारूप है, इस आधार पर कि ध्वनि की गुणवत्ता कम नहीं होती है, आकार पारंपरिक दोषरहित प्रारूप WAV फ़ाइल के आधे तक संकुचित होता है।
12) FLAC, फ्री लॉसलेस ऑडियो कोडेक का संक्षिप्त नाम है, जो कि प्रसिद्ध फ्री ऑडियो लॉसलेस कम्प्रेशन कोड का एक सेट है, जो दोषरहित कम्प्रेशन की विशेषता है।
3. ऑडियो कोडिंग का मूल सिद्धांत
भाषण कोडिंग इनपुट भाषण की उच्च गुणवत्ता को बनाए रखते हुए प्रसारण के लिए आवश्यक चैनल बैंडविड्थ को कम करने के लिए समर्पित है।
भाषण कोडिंग का लक्ष्य कम-से-कम बिट दर पर उच्च-गुणवत्ता वाले डेटा ट्रांसमिशन को प्राप्त करने के लिए कम-कॉम्प्लेक्सिटी एनकोडर को डिजाइन करना है।
1) म्यूट थ्रेशोल्ड कर्व: वह दहलीज जिस पर मानव कान केवल शांत वातावरण में विभिन्न आवृत्तियों पर ध्वनि सुन सकता है।
2) क्रिटिकल फ़्रीक्वेंसी बैंड
चूंकि मानव कान में अलग-अलग आवृत्तियों के लिए अलग-अलग संकल्प होते हैं, एमपीईजी 1/ऑडियो अलग-अलग कोडिंग परतों और विभिन्न नमूना आवृत्तियों के अनुसार 22khz के भीतर 23 ~ 26 महत्वपूर्ण आवृत्ति बैंड में अवधारणात्मक आवृत्ति रेंज को विभाजित करता है। निम्नलिखित आंकड़ा आदर्श महत्वपूर्ण आवृत्ति बैंड की केंद्र आवृत्ति और बैंडविड्थ को सूचीबद्ध करता है। जैसा कि आंकड़े में देखा जा सकता है, मानव कान में कम आवृत्ति का बेहतर रिज़ॉल्यूशन है
3) फ़्रीक्वेंसी डोमेन में मास्किंग प्रभाव: बड़े आयाम वाला सिग्नल समान आवृत्ति और छोटे आयाम वाले सिग्नल को मास्क करेगा, जैसा कि नीचे दिए गए चित्र में दिखाया गया है:
4) समय क्षेत्र में मास्किंग प्रभाव: थोड़े समय में, यदि दो ध्वनियाँ दिखाई देती हैं, तो बड़े SPL (ध्वनि दबाव स्तर) वाली ध्वनि ध्वनि को छोटे SPL से ढक देगी। टाइम-डोमेन मास्किंग प्रभाव को फॉरवर्ड मास्किंग (प्री-मास्किंग) और बैकवर्ड मास्किंग (पोस्ट-मास्किंग) में विभाजित किया गया है। मास्किंग के बाद का समय प्री-मास्किंग से लगभग 10 गुना लंबा होगा।
समय-डोमेन मास्किंग प्रभाव पूर्व-प्रतिध्वनि को खत्म करने में मदद करता है।
4. कोडिंग के मूल साधन
1) क्वांटिज़र और क्वांटिज़र
परिमाणीकरण और परिमाणक: परिमाणीकरण असतत समय को असतत समय में असतत संकेत में परिवर्तित करता है। सामान्य मात्राएँ हैं: एकसमान मात्रात्मक, लघुगणक मात्रात्मक और गैर-समान मात्रात्मक। परिमाणीकरण प्रक्रिया द्वारा अपनाए गए लक्ष्य का परिमाणीकरण त्रुटि को कम करना और परिमाणक की जटिलता को कम करना है (दोनों स्वयं एक विरोधाभास हैं)।
(ए) वर्दी क्वांटाइज़र: सबसे सरल, सबसे खराब प्रदर्शन, केवल टेलीफोन आवाज के लिए उपयुक्त।
(बी) लॉगरिदमिक क्वांटिज़र: यह यूनिफ़ॉर्म क्वांटाइज़र की तुलना में अधिक जटिल है और इसे लागू करना आसान है, और इसका प्रदर्शन यूनिफ़ॉर्म क्वांटाइज़र से बेहतर है।
(सी) गैर-वर्दी क्वांटिज़र: सिग्नल के वितरण के अनुसार, क्वांटिज़र डिज़ाइन करें। विस्तृत परिमाणीकरण किया जाता है जहाँ संकेत सघन होता है, और जहाँ संकेत विरल होता है, वहाँ मोटा परिमाणीकरण किया जाता है।
2) आवाज एन्कोडर
तीन प्रकार के भाषण एनकोडर हैं: (ए) वेवफॉर्म एनकोडर; (बी) वोकोडर; (c) हाइब्रिड एनकोडर।
वेवफॉर्म एनकोडर का उद्देश्य बैकग्राउंड नॉइज़ शीट सहित एक एनालॉग वेवफॉर्म का निर्माण करना है। सभी इनपुट संकेतों पर कार्य करते हुए, यह उच्च गुणवत्ता वाले नमूनों का उत्पादन करेगा और उच्च बिट दर की खपत करेगा। शब्दकोष मूल तरंग को पुनः उत्पन्न नहीं करेगा। एन्कोडर्स का यह सेट पैरामीटर का एक सेट निकालेगा, जो वॉयस जनरेशन मॉडल प्राप्त करने के लिए प्राप्त करने वाले छोर पर भेजा जाता है। वोकोडर की आवाज की गुणवत्ता काफी अच्छी नहीं है। हाइब्रिड एनकोडर, जिसमें वेवफॉर्म एनकोडर और साउंडर के फायदे शामिल हैं।
2.1 वेवफॉर्म एनकोडर
तरंग एन्कोडर का डिज़ाइन अक्सर सिग्नल से स्वतंत्र होता है। तो यह विभिन्न संकेतों के कोडिंग के लिए उपयुक्त है और भाषण तक ही सीमित नहीं है।
1) समय डोमेन कोडिंग
a) PCM: पल्स कोड मॉड्यूलेशन, सबसे सरल एन्कोडिंग विधि है। यह केवल संकेत का विवेक और परिमाणीकरण है, और लघुगणक का उपयोग अक्सर किया जाता है।
बी) डीपीसीएम: डिफरेंशियल पल्स कोड मॉड्यूलेशन, जो केवल नमूनों के बीच के अंतर को एन्कोड करता है। पिछले एक या अधिक नमूनों का उपयोग वर्तमान नमूना मूल्य का अनुमान लगाने के लिए किया जाता है। भविष्यवाणियां करने के लिए जितने अधिक नमूनों का उपयोग किया जाता है, अनुमानित मूल्य उतना ही सटीक होता है। वास्तविक मूल्य और अनुमानित मूल्य के बीच के अंतर को अवशिष्ट कहा जाता है, जो एन्कोडिंग का उद्देश्य है।
सी) एडीपीसीएम: अनुकूली अंतर पल्स कोड मॉड्यूलेशन, अनुकूली अंतर पल्स कोड। यही है, डीपीसीएम के आधार पर, क्वांटाइज़र और प्रेडिक्टर को सिग्नल के परिवर्तनों के अनुसार उचित रूप से समायोजित किया जाता है, ताकि अनुमानित मूल्य वास्तविक सिग्नल के करीब हो, अवशिष्ट छोटा हो, और संपीड़न दक्षता अधिक हो।
(2) फ्रीक्वेंसी डोमेन कोडिंग
फ़्रीक्वेंसी डोमेन कोडिंग विभिन्न आवृत्ति तत्वों की एक श्रृंखला में एक संकेत को विघटित करने और स्वतंत्र कोडिंग करने के लिए है।
a) सब-बैंड कोडिंग: सब-बैंड कोडिंग सबसे सरल फ्रीक्वेंसी डोमेन कोडिंग तकनीक है। यह एक ऐसी तकनीक है जो मूल सिग्नल को टाइम डोमेन से फ़्रीक्वेंसी डोमेन में बदल देती है, फिर इसे कई सब-बैंड में विभाजित करती है, और क्रमशः उन पर डिजिटल कोडिंग करती है। यह मूल संकेत को कई (उदाहरण के लिए, m) उप-बैंड (उप-बैंड के रूप में संदर्भित) में विभाजित करने के लिए एक बैंड-पास फ़िल्टर (BPF) समूह का उपयोग करता है। एकल-साइडबैंड आयाम मॉड्यूलेशन के समतुल्य मॉड्यूलेशन विशेषताओं के माध्यम से प्रत्येक उप-बैंड को पास करें, प्रत्येक उप-बैंड को शून्य आवृत्ति के करीब ले जाएं, क्रमशः बीपीएफ (कुल एम) से गुजरें, और फिर प्रत्येक उप-बैंड को एक निर्धारित दर पर स्थानांतरित करें ( Nyquist दर) उप-बैंड आउटपुट सिग्नल का नमूना लिया जाता है, और नमूना मूल्य आमतौर पर डिजिटल रूप से कोडित होता है, और m डिजिटल एन्कोडर सेट होते हैं। मल्टीप्लेक्स में प्रत्येक डिजिटल कोडेड सिग्नल भेजें, और अंत में उप-बैंड कोडित डेटा स्ट्रीम को आउटपुट करें।
अलग-अलग उप-क्षेत्रों के लिए, विभिन्न परिमाणीकरण विधियों का उपयोग किया जा सकता है और मानव संख्या धारणा मॉडल के अनुसार अलग-अलग संख्या में बिट्स को उपनगरों को आवंटित किया जा सकता है।
बी) कोडिंग को बदलना: डीसीटी कोडिंग।
5. वोकोडर
चैनल विकोडर: चरण में मानव कान की संवेदनशीलता का उपयोग करता है।
होमोमोर्फिक वोकोडर: सिंथेटिक संकेतों को प्रभावी ढंग से संसाधित कर सकता है।
फॉर्मेंट वोडर: वॉइस सिग्नल की अधिकांश जानकारी फॉर्मेंट की स्थिति और बैंडविड्थ पर स्थित होती है।
रैखिक भविष्य कहनेवाला विकोडक: सबसे अधिक इस्तेमाल किया जाने वाला शब्द विकोडक है।
6. हाइब्रिड एनकोडर
वेवफॉर्म एनकोडर कोडेड सिग्नल की तरंग को संरक्षित करने का प्रयास करता है और मध्यम बिट दर (32 केबीपीएस) पर उच्च-गुणवत्ता वाला भाषण प्रदान कर सकता है, लेकिन इसे कम बिट दर वाले अवसरों पर लागू नहीं किया जा सकता है। वोकोडर एक संकेत उत्पन्न करने का प्रयास करता है जो कि एन्कोडेड सिग्नल के समान है, और कम बिट दर पर समझदार भाषण प्रदान कर सकता है, लेकिन परिणामी भाषण अप्राकृतिक लगता है। हाइब्रिड एनकोडर दोनों के फायदों को जोड़ता है।
RELP: रैखिक भविष्यवाणी के आधार पर, अवशिष्ट को एनकोड किया जाता है। तंत्र है: केवल अवशिष्टों का एक छोटा सा हिस्सा संचारित करें, और प्राप्त छोर पर सभी अवशेषों का पुनर्निर्माण करें (बेसबैंड के अवशेषों की प्रतिलिपि बनाएँ)।
एमपीसी: मल्टी-पल्स कोडिंग, जो अवशिष्टों के सहसंबंध को हटाती है, और स्वर के सरल वर्गीकरण के लिए आवाज़ों में अंतरविरोधी और मध्यवर्ती राज्यों के दोषों के बिना बिना आवाज़ के क्षतिपूर्ति के लिए उपयोग किया जाता है।
सीईएलपी: कोडबुक ने रेखीय भविष्यवाणी को उत्तेजित किया, जो मूल संकेत को बेहतर ढंग से अनुमानित करने के लिए मुखर पथ भविष्यवाणी और पिच पूर्वसूचक के झरना का उपयोग करता है।
एमबीई: मल्टीबैंड उत्तेजना, उद्देश्य वोकोडर की तुलना में उच्च गुणवत्ता प्राप्त करने के लिए बड़ी संख्या में सीईएलपी गणनाओं से बचना है।
हमारे अन्य उत्पाद:
