Công nghệ nén âm thanh dải rộng MP3

Công nghệ nén âm thanh dải rộng MP3 MỤC LỤC I.Tìm hiểu công nghệ nén âm thanh số mp3 3 I.1 Cơ bản âm thanh dải rộng 3 I.2 Công nghệ xử lý nén âm thanh MP3 3 I.2.1 Chuẩn MPEG1 3 I.1.2 Bitrate 4 I.1.3 Tần số lấy mẫu 4 I.1.4 Một số kĩ thuật nén dữ liệu 5 I.3 Công nghệ nén âm thanh MP3 6 I.2.1 Sơ đồ mã hóa MP3 6 I.2.2 Băng lọc ánh xạ (Analysis filterbank) 7 I.2.3 Modified discrete cosine transform (MDCT) 8 I.2.4 Fast Fourier Transform (FFT) 9 I.2.5 Mô hình âm thanh tri giác (Psychoacoustic Model) 9 I.2.6 Lượng tử hóa không đồng dạng (Nonuniform Quantization) 11 I.2.7 Mã hóa Huffman 13 II. So sánh sơ đồ công nghệ nén âm thanh MP3 so với sơ đồ mã hóa tiếng nói theo chuẩn G729 ITUT và giải thích sự khác nhau 14 II.1. Sơ đồ mã hóa tiếng nói theo chuẩn G729 ITUT 14 II.2. So sánh 2 sơ đồ nén và giải thích 14 III. Khảo sát các ứng dụng và thử nghiệm chất lượng âm thanh mp3 16 III.1 Những tiêu chí đánh giá chất lượng âm thanh : 16 III.2 Công cụ để đánh giá chất lượng âm thanh 16 III.3 Tiến hành đánh giá chất lượng âm thanh. 17 IV. Phân tích ảnh hưởng CODEC đến chất lượng âm thanh mp3. 21 IV.1 CODEC. 21 IV.2 CODEC ảnh hưởng đến chất lượng âm thanh mp3 . 21 V. Bổ sung kiến thức buổi báo cáo bài tập lớn và tài liệu tham khảo. 22 V.1. Bổ sung kiến thức buổi báo cáo bài tập lớn. 22 V.2. Tài liệu tham khảo 23

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

VIỆN CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

- -BÁO CÁO BÀI TẬP LỚN TRUYỀN THÔNG ĐA PHƯƠNG TIỆN

Đề tài:Công nghệ nén âm thanh dải rộng MP3

Giáo viên hướng dẫn : PGS.TS NGUYỄN THỊ HOÀNG LAN

MỤC LỤC

I.Tìm hiểu công nghệ nén âm thanh số mp3

I.1Cơ bản âm thanh dải rộng

Bản chất của âm thanh là tín hiệu, dựa trên dải tần của tín hiệu người ta chia thành

2 loại như sau:

• Âm thanh dải tần cơ sở (âm thanh tiếng nói thoại) với dải tần số từ 300Hz đến 4KHz

• Âm thanh tiếng nói dải rộng (tiếng nói trình diễn, hát, âm nhạc…) với dải tần số từ 100Hz đến 20KHz

Âm thanh đầu vào của quá trình nén file mp3 là âm thanh dải rộng

I.2Công nghệ xử lý nén âm thanh MP3

I.2.1 Chuẩn MPEG-1

Tổ chức tiêu chuẩn quốc tế (ISO) là một liên đoàn quốc tế nhằm mục đích là tạo thuận lợi cho việc trao đổi hàng hóa quốc tế và các dịch vụ bằng cách đưa ra các chuẩn quốc tế MPEG (Moving Picture Experts Group) là một chuẩn phổ biến được quy định để

mã hóa/nén của hình ảnh động, âm thanh và sự kết hợp của chúng Tiêu chuẩn này có đặc tính chung, có nghĩa là bất kỳ bộ giải mã nào sử dụng chuẩn này đều có khả năng giải mã một luồng bit được tạo ra bởi một bộ mã hóa ngẫu nhiên sử dụng cùng một chuẩn Hơn nữa, việc đảm bảo chất lượng cho hình ảnh và âm thanh cũng là hết sức cần thiết

Quá trình phát triển bắt đầu vào năm 1988 và hoàn thành vào năm 1992 đã cho ra chuẩn MPEG-1 Chuẩn này bao gồm ba thành phần khác nhau:

Đối với phàn âm thanh, có ba mức độ nén và phức tạp được định nghĩa: Layer I, Layer II và Layer III Tăng độ phức tạp yêu cầu bằng thông để truyền ít hơn kể từ lúc các

chương trình nén bắt đầu trở nên có hiệu quả hơn Bảng 4,1 sẽ cho thấy tốc độ truyền cần thiết cho mỗi Layer :

Lớp thứ ba nén một file âm thanh PCM gốc bằng thừa số của 12 mà không có bất

kỳ sự giảm chất lượng đáng chú ý nào, làm cho layer này nén có hiệu quả nhất và phức

tạp nhất trong ba layer Chuẩn MPEG-1 Layer III thường được gọi là MP3

I.1.2 Bitrate

Bitrate là một tùy chọn người dùng mà đã được thiết lập trước khi mã hóa Nó sẽ thông báo cho các bộ mã hóa về số lượng dữ liệu được phép chạy cho mỗi giây của âm thanh không nén Điều này cho phép người dùng có cơ hội lựa chọn chất lượng của luồng

dữ liệu được mã hóa Chuẩn Layer III định ra các bitrate trong khoảng từ 8 kbit/s đến 320 kbit/s , mặc định thường là 128 kbit/s Một thông số bitrate cao hơn có nghĩa là các mẫu

sẽ được đo chính xác hơn đem đến một âm thanh có chất lượng được cải thiện hơn

I.1.3 Tần số lấy mẫu

Độ phân giải âm thanh chủ yếu phụ thuộc vào tần số lấy mẫu, mà có thể được xác định bằng số lần trên một giây tín hiệu được lưu trữ Một bitrate cao sẽ cho độ chính xác cao hơn về một giá trị lấy mẫu trong khi một tần số lấy mẫu cao cho phép có khả năng lưu trữ được nhiều hơn các giá trị, mà lần lượt đưa ra một phổ tần số rộng hơn

Chú ý: Kênh đôi được tạo ra bởi hai kênh đơn độc lập với nhau Mỗi cái sẽ sử dụng chính xác một nửa bitrate của file Hầu hết các bộ giải mã đều xuất chúng ra dưới dạng stereo, nhưng không phải trong tất cả các trường hợp đều thế.

I.1.4 Một số kĩ thuật nén dữ liệu

Các lý thuyết về nén dữ liệu lần đầu tiên được xây dựng bởi Claud E Shannon vào năm 1949 khi ông đưa ra luận văn của mình “A Mathematical Theory of Communication” Ông đã chứng minh được rằng, trong một giới hạn nhất định thì ta có thể nén dữ liệu mà không làm mất mát thông tin trong đó.Điều này có nghĩa là khi dữ liệu

bị nén được giải nén thì luông dữ liệu bit sẽ giống hệt với luồng dữ liệu bit ban đầu Kiểu nén dữ liệu này được gọi là “lossless” - nén không mất mát thông tin Giới hạn này, hệ

số entropy, phụ thuộc vào xác suất các chuỗi bit nhất định của dữ liệu Có thể nén dữ liệu với hệ số nén tiến gần tới hệ số entropy Lưu ý rằng hệ số entropy chỉ được áp dụng để nén mà không làm mất mát dữ liệu

Ngoài nén không làm mất mát dữ liệu cũng có nén nhưng làm mất mát dữ liệu

Dữ liệu được giải nén ở đây không được chính xác như dữ liệu gốc ban đầu Thay vào đó một khối lượng thông tin bị biến dạng nhất định được phép xảy ra Nén bị mất mát thông tin có thể được chấp nhận đối với các nguồn như là lời nói và hình ảnh mà ta không cần biết tất cả các chi tiết để hiểu được

Sau đây, ta sẽ tìm hiểu về ba kỹ thuật nén không mất mát cơ bản

Runlength Encoding (RLE)

Thay cho việc ta sử dụng bốn bit cho các bit 0 đầu tiên kế tiếp nhau thì một cách đơn giản là chỉ ra có bốn bit 0 kế tiếp nhau Điều này chỉ có ý nghĩa khi chuỗi bit là không ngẫu nhiên, và đó là một tập các bit kế tiếp nhau

Move To Front Encoding (MTF)

Đây là kỹ thuật lý tưởng cho các chuỗi với thuộc tính mà sự xuất hiện của một ký

tự cho cho thấy nó có nhiều khả năng xảy ran ngay sau đó Một bảng giống như bảng trong hình 2.1 sẽ được sử dụng Bảng ban đầu sẽ được xây dựng bởi các vị trí của các ký

tự sắp được nén Bởi vậy, bởi vậy nếu dữ liệu bắt đầu với các ký tự ‘AEHTN…’, N ban đầu sẽ được mã hóa là 5 Các thủ tục tiếp theo sẽ di chuyển N lên đầu bảng Giả sử ký tự

ngay sau đó là N nó sẽ được đại diện bởi 1, giá trị thấp hơn Đây chính là gốc rễ của mã hóa Entropy, các ký tự hay xảy ra hơn sẽ được mã hóa với giá trị nhỏ hơn.

RLE và MTF thường được sử dụng như các thủ tục phụ trong các phương thức khác

Huffman Coding

Khái niệm Entropy cũng được áp dụng cho Huffman, vì thế các ký tự thường xuyên xuất hiện hơn sẽ được biểu diễn bằng các mã thấp hơn Xác suất xuất hiện của các

ký tự có thể được xác định rõ trước khi nén

Một cây nhị phân được xây dựng với xác suất xuất hiện cụ thể của mỗi ký tự Việc

mã hóa cho một ký tự nhất định là chuỗi từ gốc cho tới nút là có chưa ký tự đó Thuật toán “tham lam” được sử dụng cho việc xây dựng cây tối ưu:

Tìm hai ký tự với khả năng xuất hiện thấp nhất

Tạo một ký tự mới bằng cách sát nhập hai ký tự đó và thêm xác suất tương ứng của chúng Nó phải làm thế nào để xem các ký tự đó với một xác suất bằng nhau

Lặp lại bước 1 và bước 2 cho đến khi tất cả các ký tự được đưa vào

Khi giải mã thì bảng xác suất xuất hiện phải được truy xuất đầu tiên Để biết khi nào sự biểu diễn của một ký tự kết thúc thì cách đơn giản là ta đi theo cây từ gốc tới khi

ký tự đó được tìm thấy

I.3 Công nghệ nén âm thanh MP3

I.2.1 Sơ đồ mã hóa MP3

Quá trình mã hóa mp3 chia làm 2 giai đoạn :

+ Encoding time domain : PCM Input , Analysis polyphase Fitterbank , FFT , MDCT with Window

+ Encoding frequency domain : Posycho-acoustic Model , Scale and Nonunniform Quantizer , Code of Side Information , Huffman coding , Bitstream Formatting And CRC word generation

File mp3 chia ra thành nhiều frame Cấu trúc mỗi frame như sau:

• Header: chứa thông tin về sysworld(dấu hiệu bắt đầu frame) tấn số lấy mẫu, bitrate, kênh, tầng nén(layer)

• Side info: chứa thông tin về cây Huffman, hệ số hiệu chỉnh, thông số lượng tử hóa

và lựa chọn cửa sổ

• Main data: chứa dữ liệu phổ đã được mã hóa bằng mã Huffman

• Ancillary data: dữ liệu phụ trợ được thêm bởi người dùng, không được định nghĩa trong chuẩn.

• Kích thước cũng là tùy thuộc vào tần số lấy mẫu theo công thức sau:

I.2.2 Băng lọc ánh xạ (Analysis filterbank)

Một băng lọc được dùng để phân tách tín hiệu vào thành các mẫu nhỏ hơn (trên miền thời gian hoặc tần số) kèm theo đó có thể là một bộ lọc đơn giản Cùng với băng lọc tương ứng ở bộ giải mã, nó tạo thành một hệ thống phân tích và tổng hợp

Một chuỗi 1152 mẫu PCM được lọc qua 32 subband tương đương phụ thuộc vào tần số Nyquist của tín hiệu PCM Nếu tần số lấy mẫu của tín hiệu PCM là 44.1 kHz thì tần số Nyquist sẽ là 22.05 kHz Mỗi subband sẽ có độ rộng xấp xỉ 22050/32 = 689 Hz Subband thấp nhất sẽ có khoảng từ 0 – 689 Hz, tiếp theo là 689 – 1378… Mỗi mẫu có thể chứa các thành phần tín hiệu từ 0 – 22.05 kHz và sẽ được lọc vào các subband thích hợp Điều này có nghĩa là số lượng mẫu sẽ được tăng lên theo một nhân tố của 32 khi mỗi subband chứa một phổ con của mẫu Ví dụ, lọc 100 mẫu sẽ tăng số lượng mẫu lên 3200

100 mẫu này trong mỗi subband sau đó sẽ được chia cho 32 Số lượng mẫu bây giờ giảm

từ 3200 về 100

I.2.3 Modified discrete cosine transform (MDCT)

Bằng việc áp dụng một MDCT vào mỗi khung thời gian của các mẫu subband, mỗi subband sẽ được chia thành 18 subband nhỏ hơn, tạo ra 576 dòng tần số Nhưng trước MDCT, mỗi tín hiệu subband phải được qua hàm cửa sổ

Cửa sổ được dùng để giảm sai số gây ra bởi các cạnh của đoạn tín hiệu thời gian

Có bốn loại cửa sổ khác nhau được định nghĩa trong chuẩn MPEG Phụ thuộc vào độ của tĩnh của mô hình âm thanh tri giác sẽ quyết định loại cửa sổ nào được áp dụng và chuyển thông tin tới khối này

Nếu mô hình âm thanh tri giác quyết định rằng tín hiệu subband ở khung thời gian hiện tại thể hiện ít sự khác biệt với khung thời gian trước đó thì loại cửa sổ dài được áp dụng nhằm làm tăng cường độ phân giải phổ được đưa ra bởi MDCT Nếu tín hiệu subband thể hiện sự khác biệt tương đối với khung thời gian trước đó, loại cửa sổ ngắn sẽ được áp dụng Loại cửa sổ này chứa ba loại cửa sổ ngắn gối lên nhau và sẽ tăng cường độ phân giải thời gian được đưa ra bởi MDCT Một độ phân giải thời gian cao hơn là cần

thiết để kiểm soát thời gian Để nhận được một sự thích nghi tốt hơn khi chuyển tiếp các cửa sổ, hai loại cửa sổ được định nghĩa là cửa sổ bắt đầu và cửa sổ kết thúc.

Một cửa sổ dài trở thành một cửa sổ bắt đầu nếu nó ngay sau nó là một cửa sổ ngắn Tương tự, một cửa sổ dài trở thành một cửa sổ kết thúc nếu ngay trước nó là một cửa sổ ngắn Những phần nhiễu tạo ra bởi băng lọc bây giờ được cắt bỏ để làm giảm lượng thông tin cần truyền đi

I.2.4 Fast Fourier Transform (FFT)

Cùng lúc khi tín hiệu được xử lý bởi băng lọc, nó cũng được chuyển sang miền tần

số bởi một FFT Cả 1024 và 256 điểm FFT được thực hiện trên 1152 mẫu PCM tại cùng thời điểm để đạt được độ phân giải tần số cao hơn và thông tin trên phổ thay đổi theo thời gian

I.2.5 Mô hình âm thanh tri giác (Psychoacoustic Model)

Khối này truy nhập dữ liệu vào từ đầu ra của FFT Khi các mẫu ở trong miền tần

số, chúng có thể áp dụng cho một tập các thuật toán Các thuật toán này sẽ mô hình cảm giác âm thanh con người và từ đó có thể cung cấp thông tin về phần tín hiệu âm thanh nào nghe được và phần nào không Thông tin này rất hữu ích để quyết định loại cửa sổ nào cho MDCT áp dụng và cũng là để cung cấp thông tin làm thế nào để lượng tử hóa các dòng tần số cho khối Nonuniform Quantization

Để biết được loại cửa sổ nào được gửi tới khối MDCT, ta sẽ so sánh hai phổ FFT ngay sau đó và hai phổ ngay trước đó Nếu có sự khác biệt thật sự thì sẽ yêu cầu một cửa

sổ ngắn Ngay khi không còn sự khác biệt, khối MDCT sẽ chuyển lại thành cửa sổ dài

Mô hình âm thanh tri giác cũng phân tích phổ FFT để phát hiện âm chi phối tại mỗi subband để tính toán ngưỡng che Các thành phần tần số dưới ngưỡng che này sẽ bị lọc Các ngưỡng giới hạn cho mỗi băng được sử dụng cho khối lượng tử hóa để giữ nhiễu lượng tử hóa dưới những giới hạn này (không bị nghe bởi con người)

Phổ của một tín hiệu âm thanh bao gồm 1 âm mạnh tại 11.250 kHz và nhiễu Đồng thời cũng cho thấy việc ảnh hưởng của một ngưỡng che đối với các ngưỡng xung quanh

(a) Tính toán ngưỡng che bao gồm cả ngưỡng che và ngưỡng nghe

(b) Tín hiệu tỷ lệ mặt nạ

(c) Tín hiệu đã được che

I.2.6 Lượng tử hóa không đồng dạng (Nonuniform Quantization)

Khối lượng tử hóa được áp dụng cho 576 giá trị phổ cùng lúc Điều này được thực hiện trong hai vòng lặp lồng nhau, một vòng lặp kiểm soát sự sai khác (vòng lặp bên ngoài) và một vòng lặp kiểm soát tốc độ (vòng lặp bên trong)

Vòng lặp kiểm soát tốc độ

+ Vòng lặp tốc độ thực hiện lấy mẫu trên miền tần số quyết định độ lớn của bước lượng

tử hóa Ngoài việc chia giá trị lớn thành các vùng, quyết định chọn bảng Huffman cho mỗi vùng và việc tính toán biên giữa các vùng cũng được diễn ra ở đây

+ Ta sẽ bắt đầu với các mẫu được lượng tử hóa với bước lượng tử hóa tăng dần cho tới khi giá trị lượng tử hóa có thể mã hóa sử dụng một trong các giá trị của bảng mã Huffman Một bước lượng tử hóa lớn hơn sẽ dẫn theo một giá trị lượng tử hóa nhỏ hơn Sau đó bit tổng của mã Huffman được tính toán và so sánh với các bit hiện có Nếu bit tổng vượt quá số bit hiện có, bước lượng tử hóa sẽ tăng lên và các thủ tục còn lại sẽ lặp lại cho tới khi đủ các bit hiện có

+ Sự phi tuyến đạt được bằng cách lũy thừa mỗi mẫu lên ¾

Vòng lặp kiểm soát sai khác

+Vòng lặp này kiểm soát các nhiễu lượng tử được tạo ra bởi quá trình lượng tử hóa các dòng trên miền tần số trong vòng lặp kiểm soát tốc độ Mục đích là để giữ nhiễu lượng tử dưới ngưỡng che (cho phép các tiếng ồn do mô hình âm thanh tri giác tạo ra)

+Để định hình nhiễu lượng tử, nhân tố tỉ lệ (mặc định bằng 1.0) được dùng vào các dòng tần số trong mỗi băng Các nhân tố tỉ lệ của các băng và bước lượng tử hóa sau đó được lưu lại trước khi vòng lặp kiểm soát tốc độ được gọi Sau vòng lặp kiểm soát tốc độ (bên trong), nhiễu lượng tử hóa sẽ được tính toán Điều này lặp lại cho tới khi không có băng nào có tiếng ồn lớn hơn ngưỡng cho phép Các giá trị của nhân tố tỉ lệ của các băng quá ồn sẽ tăng cho mỗi vòng lặp được lặp lại Cuối cùng tai người sẽ không nghe được tiếng ồn do quá trình lượng tử hóa tạo ra và vòng lặp kết thúc

+Vẫn có những trường hợp cả hai vòng lặp tính toán vô hạn Để tránh trường hợp này,

có thể kiểm tra một vài điều kiện trong vòng lặp kiểm soát sai khác để dừng quá trình lặp lại sớm hơn

Đầu vào vòng lặp:

• Vector độ lớn của 576 giá trị phổ

• Sự sai khác cho phép của các băng

• Độ lớn thông tin bước lượng tử hóa

• Số bit hiện không sử dụng

• Cờ nhấn mạnh trước vòng lặp

• Mã Huffman liên quan tới thông tin bên lề

o big_values (số cặp mã giá trị Huffman, trừ “count1”)

o count1table_select (bảng mã Huffman của các giá trị <= 1 ở phía trên của phổ)

o table_select (bảng mã Huffman của các vùng)

o region0_count và region1_count (dùng để tính biên giữa các vùng)

o Part2_3_length

I.2.7 Mã hóa Huffman

Các giá trị lượng tử hóa là mã Huffman Mỗi phép chia phổ tần số có thể mã hóa dùng các bảng khác nhau Mã Huffman là một trong những lý do chính khiến cho MP3

có được chất lượng cao tại bitrate thấp.Tất cả thông số bộ mã hóa tạo ra được thu thập để cho phép bộ giải mã tạo ra tín hiệu âm thanh Đây là những thông số trong phần thông tin bên cạnh của khung

II So sánh sơ đồ công nghệ nén âm thanh MP3 so với sơ đồ mã hóa tiếng nói theo chuẩn G729 - ITU-T và giải thích sự khác nhau

II.1 Sơ đồ mã hóa tiếng nói theo chuẩn G729 ITU-T

II.2 So sánh hai sơ đồ nén và giải thích

Khác nhau về đối tượng: âm thanh mp3 thường là âm thanh dải rộng có tần số là 100 Hz – 20kHz Trong khi đấy âm thanh của tiêng nói nằm từ 300 Hz – 4 kHz Âm thanh mp3

sẽ cần nhiều bit để lưu trữ hơn Mặt khác, 1 phần yêu cầu về dung lượng lưu trữ nên mp3 cần thêm mã hóa để giảm dung lượng lưu trữ

Khác nhau về mục đích sử dụng: âm thanh mp3 thường được sử dụng cho mục đích giải trí nên chất lượng tốt hơn, chuẩn nén G729 ITU-T sử dụng để thoại nên thường yêu cầu dung lượng thấp do nhu cầu về chất lượng không cao và hạn chế băng thông đường

Chất lượng nghe tốt hơn do có ứng dụng mô hình hệ thống thính giác của con người với ưu điểm này còn giảm được dung lượng mp3.