Δικτυακός τόπος για τις Τεχνολογίες Audio, Video, HiFi, High End, Home Entertainment
Greek site for Audio Video & Home Entertainment technologies
Tελευταία Ενημερωση/Last Update: Τρίτη, 26/07/2005


english abstract

Πρωτοσέλιδο Aρχείο Νέων Αρθρα Τεχνολογία HowTo Δίσκοι Αναφοράς Links Contact About

LOCATION BAR►ΤΕΧΝΟΛΟΓΙΑ►XΡΗΣΙΜΟΠΟΙΩΝΤΑΣ ΤΟ MP3 ΚΑΙ ΑΛΛΟΥΣ PERCEPTUAL CODECS...

AV BLOG 

SITE MAP

Συμπιεσμένος Ηχος:
Χρησιμοποιώντας τo ΜP3 και άλλoυς Perceptual Codecs
1. Eισαγωγή: Γιατί θέλουμε να συμπιέσουμε τον ψηφιακό ήχο;
2. Οι πρώτες προσπάθειες: PASC, ATRAC, MPEG-1 Layer II/ΙΙΙ
3. MPEG-1 Layer III (MP3): Οι τεχνικές κωδικοποίησης κατά MP3 και MP3Plus
4. Aλλοι Codecs: MPEG-2 AAC, MPEG-4 AAC, WMA, Ogg Vorbis, FLAC
5. Στην Πράξη: Κωδικοποίηση/Δημιουργία αρχείων ΜP3 (Ripping/Encoding)
6. Στην Πράξη: Aναπαραγωγή αρχείων MP3 (Playback)
7. Links
AAC
Ο Codec ΑΑC (Αdvanced Audio Codec) παρουσιάστηκε για πρώτη φορά το 1997 και χρησιμοποιεί, όπως και ο MP3 το ψυχοακουστικό μοντέλο της επικάλυψης.  Στον τομέα της επεξεργασίας χρησιμοποιεί επίσης τον MDCT αλλά χωρίς την τράπεζα φίλτρων, καθώς επίσης και την κωδικοποίηση Huffman.  Οι διαφορές του με τον  MP3 βρίσκονται σε δύο διαφορετικά εργαλεία: Το Linear Predictive Coding, μια μαθηματική διαδικασία πρόβλεψης της εξέλιξης του σήματος στο πεδίο της συχνότητας, εξαγωγής ενός σφάλματος (στα σημεία που η πρόβλεψη δεν συμφωνεί με τις πραγματικές τιμές) και κωδικοποίησης του σφάλματος αυτού, τεχνική η οποία αρχικά χρησιμοποιήθηκε σε συστήματα μετάδοσης φωνής όπως η κινητή τηλεφωνία GSM, και την Χρονικά Μεταβαλόμενη Μορφοποίηση Θορύβου (Temporal Noise Shaping, TNS) η οποία με βάση την μορφή του σήματος στο πεδίο της συχνότητας, μεταβάλει την κατανομή του θορύβου κβάντισης που προκύπτει από την κωδικοποίηση με τον βέλτιστο τρόπο, έτσι ώστε αυτή να παραμένει πάντοτε κάτω από την στάθμη του κατωφλίου ακουστότητας (όπως αυτό ορίζεται κάθε στιγμή με βάση τις καμπύλες Fletcher/Munson.  Ο codec ΑΑC προσφέρει καλύτερη απόδοση από τον MP3, (96kbps AAC αντιστοιχούν στην ποιότητα των 128kbps ΜP3) μπορεί να δεχτεί προς κωδικοποίηση σήματα μέχρι 96kHz, και προσφέρει  καλύτερη διαχείριση των σημάτων στην περίπτωση που επιλογή η τεχνική Joint Stereo.
Το 2003 παρουσιάστηκε η έκδοση του AAC συμβατή με τις προδιαγραφές MPEG-4.  Ο Codec έγινε γνωστός ως MPEG-4 AAC και λίγο αργότερα διάσημος, όταν η Apple αποφάσισε να τον χρησιμοποιήσει για το iTunes. Η πλέον διαδεδομένη εκδοχή του είναι η HE AAC (Ηigh Efficiency ΑΑC) πιο γνωστή και με το εμπορικό όνομα aacPlus (της Coding Technologies).  Η έκδοση v1 του codec είναι ένα συνδυασμός AAC και SBR ενώ η έκδοση v2 περιλαμβάνει και την τεχνική Parametric Stereo η οποία μεταφέρει κωδικοποιημένη την βασική πληροφορία του σήματος σε ένα κανάλι και μία σειρά από παραμέτρους που περιγράφουν την στερεοφωνική εικόνα σε ένα κανάλι με bitrate 3kbps (side channel). Oι παράμετροι του PS είναι η Panorama (PAN) η οποία αφορά στις διαφορές μεταξύ των δύο καναλιών (L,R) και η Stereo Ambience (SA) η οποία αφορά στις αντηχήσεις της στερεοφωνικής εικόνας.  Mία άλλη εκδοχή του MPEG-2 AAC είναι το AAC SSR (Scalable Sample Rate) το οποίο ανέπτυξε η Sony, πλησιάζει αρκετά το ATRAC-3 και έχει γίνει αποδεκτό από την προδιαγραφή MPEG-4.  Το AAC SSR που χρησιμοποιεί τον συνδυασμό τράπεζας φίλτρων τεσσάρων περιοχών και MDCT, έχει την φήμη ότι είναι καλό σε χαμηλά bitrates (που φθάνουν τα 24kbps).
To διάγραμμα βαθμίδων του κωδικοποιητή AAC (πηγή: Fraunhofer IIS)
O τρόπος λειτουργίας της τεχνικής Parametric Stereo (πηγή: Coding Technologies)
WMA
Με δεδομένη την τάση μεταφοράς, αποθήκευσης και χρήσης ακουστικού υλικού υπό την μορφή απωλεστικώς συμπιεσμένων αρχείων μέσω ηλεκτρονικών υπολογιστών, ο μεγαλύτερος κατασκευαστής λειτουργικών συστημάτων δεν μπορούσε, βεβαίως να μείνει έξω από το παιχνίδι.  Ο codec WMA (Windows Media Audio) είναι ο proprietary codec των Windows ο οποίος χρησμοποιείται από την αντίστοιχη εφαρμογή (Windows Media Player) και αρχικώς προσέφερε παρόμοιες δυνατότητες με τον MP3, αλλά σε πολλές περιπτώσεις με καλύτερη ποιότητα. Ως προιόν της Μicrosoft δίνει ιδιαίτερη έμφαση στην ψηφιακή διαχείριση των πνευματικών δικαιωμάτων (DRM) και συνοδεύεται από τις γνωστές μονομανίες και ιδιαιτερότητες των προιόντων της εταιρίας -που συνήθως εκνευρίζουν του σκληροπυρηνικούς χρήστες... Με την πρόσφατη έκδοσή του (9.1) είναι συμβατός με την προδιαγραφή ΜPEG-4 προσφέροντας την δυνατότητα και για μή-απωλεστική συμπίεση καθώς και για πολυκαναλικό ήχο.
Οgg Vorbis
Ο codec Οgg Vorbis έχει αναπτυχθεί γύρω από το πρότυπο αρχείων Ogg (του xiph.org) και βασίζεται στην open source εφαρμογή απωλεστικής συμπίεσης με την ονομασία Vorbis. (η περίεργη αυτή σύνθετη ονομασία αντανακλά τη δομή του συστήματος: Format αρχείου [Οgg] - κωδικοποίηση [Vorbis], υπάρχει και η εκδοχή Ogg Flac, μη απωλεστικού codec). O Ogg Vorbis χρησιμοποιεί ΜDCT για τον μετασχηματισμό του σήματος από το πεδίο του χρόνου στο πεδίο της συχνότητας και μία εναλλακτική μέθοδο επεξεργασίας του φάσματος, κατά την οποία, κωδικοποιήται με λίγα ψηφία το φάσμα βάσης του οποίου η κατανομή είναι σχετικώς ομαλή (floor encoding) και με περισσότερα ψηφία το απομένον φάσμα του οποίου η δομή και η χρονική εξέλιξη είναι περισσότερο πολύπλοκη (residue encoding).  Ο Οgg Vorbis χρησιμοποιεί επίσης εντροπική κωδικοποίηση και υποστηρίζει μεταβλητό bitrate ανάλογα με τις ανάγκες του σήματος.  Το πλεονέκτημα του συγκεκριμένου codec ότι προσφέρει καλή ποιότητα και είναι ελεύθερος δικαιωμάτων, μπορεί δηλαδή να χρησιμοποιηθεί από κατασκευαστές συσκευών και χρήστες χωρίς κόστος, ενώ το γεγονός ότι όλοι έχουν πρόσβαση στον πηγαίο κώδικά επιτρέπει την συλλογική του ανάπτυξη.
Το διάγραμμα βαθμίδων του κωδικοποιητή Ogg Vorbis.  Η κωδικοποίηση του φάσμταος βάσης και του απομένοντος φάσματος, καθώς επίσης και η εντροπική κωδικοποίηση χρησιμοποιούν παραμέτρους που μεταφέρονται μαζί με το σήμα (codebooks)
MP3 Surround
To MP3 Surround παρουσιάστηκε από το Fraunhofer IIS to 2004 και αποτελεί μία επέκταση του MP3.  Βασίζεται στην τεχνολογία Binaural Cue Coding της Agere η οποία επιτρέπει την μείξη σημάτων από πολλά κανάλια σε δύο (downmix) για την δημιουργία ενός σήματος συμβατού με τον απλό MP3 codec ενώ κωδικοποιεί μία σειρά από παραμέτρους που περιγράφουν πλήρως το ηχητικό πεδίο surround (side channel), τις οποίες επίσης θέτει στην διάθεση του codec ο οποίος, αν είναι MP3 Surround, μπορεί να τις αξιοποιήσει και να δημιουργήσει και πάλι το πολυκαναλικό σήμα. Οι παράμετροι αυτοί είναι οι χρονικές διαφορές μεταξύ των καναλιών (Inter-Channel Time Difference -ICTD), οι διαφορές στάθμης μεταξύ των καναλιών (Inter-Channel Level Difference -ICLD),  και η συσχέτιση μεταξύ των καναλιών (Inter-Channel Coherence -ΙCC).
Tελευταίος, Αλλα όχι Εσχατος: Ο FLAC
Ο FLAC (Free Lossless Audio Codec) είναι ίσως ο σημαντικότερος μη απωλεστικός codec στον οποίο έχει εύκολη πρόσβαση τόσο ο χρήστης όσο και οι κατασκευαστές. Είναι open source, και δίνει ιδιαίτερη έμφαση στην ενσωμάτωση μεταδεδομένων (metadata, δηλαδή πληροφορίες που αφορούν στο περιεχόμενο του υπό κωδικοποίηση σήματος, ώστε να είναι στην συνέχεια εύκολη η αρχειοθέτηση, η αναζήτηση και η ανάκτησή του, γεγονός που τον κάνει ιδιαίτερα συμπαθή codec στους σχεδιαστές μεγάλων audio servers). 
Ο FLAC χρησιμοποιεί μεταβλητό μήκος block (της ομάδας των δεδομένων που επεξεργάζεται σε κάθε χρονική στιγμή) από 16 έως 65535 δείγματα, μία προχωρημένη τεχνική διαχείρισης των καναλιών που προσομοιάζει το Joint Stereo αλλά μπορεί να λειτουργήσει σε τέσσερεις ρυθμούς (Μid/Side, Left/Side, Right/Side, Independent, ανάλογα με την μορφή και τις ανάγκες του σήματος), καθώς επίσης και μία πολύ πιο ευέλικτη τεχνική πρόβλεψης σε σχέση με τον ΑAC η οποία  περιλαμβάνει μηδενική πρόβλεψη/συμπίεση (Verbatim, όταν δεν υπάρχει σήμα), σταθερή πρόβλεψη (Constant, για σταθερές τιμές σήματος, όπως το dc), σταθερή LPC (παρόμοια με αυτήν που χρησιμοποιήται από τον AAC) και LPC με την χρήση ψηφιακού φίλτρου FIR 32ης τάξης.  Οπως και στην περίπτωση του AAC ο codec κωδικοποιεί το σφάλμα (error, residue) που απομένει όταν από τις πραγματικές τιμές του σήματος αφαιρέσουμε αυτές που προκύπτουν από την πρόβλεψη.  Αφού ο τρόπος της πρόβλεψης είναι σταθερός και γνωστός από το player, το μόνο που χρειάζεται είναι να γνωρίζουμε τις διαφορές αυτές.
Στην τεχνική LPC (Linear Prediction Coding) η τιμή του σήματος μπορεί να προβλεφθεί με βάση τις τιμές p προηγούμενων δειγμάτων...
...και η διαφορά της τιμής που προβλέπεται με την πραγματική τιμή του σήματος e(n) είναι το σφάλμα το οποίο και κωδικοποιήται.

Πρωτοσέλιδο | Αρχείο Νέων | Αρθρα | Τεχνολογία | HowTo | Δίσκοι | Links | Contact | Αbout


©Δημήτρης Σταματάκος/Ακραίες Εκδόσεις 2005
Σχετικά με το avmentor.gr (προβλήματα, παρατηρήσεις κ.λπ): webmaster@avmentor.gr Eπαφή με την σύνταξη (ύλη, σχόλια, ερωτήσεις κ.λπ): contact@avmentor.gr