数字音频处理技术PPT课件

《数字音频处理技术PPT课件》由会员分享，可在线阅读，更多相关《数字音频处理技术PPT课件（43页珍藏版）》请在金锄头文库上搜索。

1、第3章 数字音频处理技术,2,音频携带的信息量大、精细、准确。 以一个汉字的表示为例：,3,3.1 音频基础,声音是由物体振动产生的。声音是通过一定介质传播的连续的波，叫声波。 声音的强弱（音强）体现在声波压力的大小上（振幅）。 音调的高低体现在声音的频率上。 音色指声音的感觉特性，与声音波形相关。,4,2.1.1 声音的基本概念,声音的3个重要指标：振幅（amplitude）、周期、频率（rate）。,纯音：振幅和周期均为常数的声音。 复音：具有不同频率和不同振幅的混合声音。 自然界中大部分的声音是复合信号。 复合信号中某单一频率的信号称为分量信号。 复音中最低频率的信号是基音，其他频率的声

2、音称为谐音（泛音）。,振幅：音量的大小 周期：重复出现的时间间隔 频率：指信号每秒钟变化的次数,5,研究结果表明人类听力的大致范围在20Hz20K Hz。 声音按频率可分为： 人们把频率小于20Hz的信号称为亚音信号，或称为次音信号（subsonic）； 频率范围为20 Hz20K Hz的信号称为音频（audio）信号； 高于20 KHz的信号称为超音频信号，或称超声波（ultrasonic）信号。 人的发音器官发出的声音的频率大约是803400Hz，但人说话的信号频率通常为3003000 Hz，人们把这种频率范围的信号称为话音或语音（speech）信号。,6,带宽： 声音信号的一个重要参数就

3、是带宽，它用来描述组成复合信号的频率范围。如高保真声音（high-fidelity audio）的频率范围为10 Hz20K Hz，它的带宽约为20K Hz。 一般而言，声源的频带越宽，表现力越好，层次越丰富。 声音质量的频率范围：,7,3.2 声音的数字化,1模拟信号与数字信号 话音信号是典型的连续信号，不仅在时间上是连续的，而且在幅度上也是连续的。我们把在时间和幅度上都是连续的信号称为模拟信号。 我们把时间和幅度都用离散的数字表示的信号就称为是数字信号。 把模拟声音信号转变为数字声音信号的过程称为声音的数字化，它是通过对声音信号进行采样、量化和编码实现的。,8,2.声音数字化过程,模拟信号

4、,数字信号,A/D,D/A,9,10,每隔一个时间间隔在摸拟声音波形上取一个幅度值，这称之为采样（sampling）。 该时间间隔称为采样周期(其倒数称为采样频率)。 把某一幅度范围内的电压用一个数字表示，这称之为量化。 把量化后的值写成有利于计算机传输和存储的数据格式，这称之为编码。,11,例如，模拟电压幅度、量化和编码的关系,12,3. 影响声音数字化质量的主要因素,采样频率：也就是每秒钟需要采集多少个声音样本 量化位数：每个声音样本的位数应该是多少，也叫量化精度 声道数：指所使用的声音通道的个数,13,（1） 采样频率,采样频率决定了声音的保真度 。频率以kHz（千赫兹）去衡量。 可以想

5、象，采样频率越高声音的保真度就越好。但是问题在于如果我们采样频率过高，则需要存储的数据量就过大了。 如何能既保证数据的无损恢复，而数据量又不要太大呢？ 抽样要满足采样定理（奈魁斯特定理） 采样定理用通俗话来说，就是采样的频率要大于或等于被采样对象最高频率的两倍 。,14,常用的音频采样频率有： 8kHz，11.025kHz，22.05kHz，16kHz，37.8 kHz，44.1 kHz，48 kHz。 其中8kHz ，11.025 kHz，22.05 kHz，44.1 kHz是音频工业标准采样频率，多数声卡都支持。市场上的非专业声卡的最高采样率为48kHz，专业声卡可高达96kHz或以上。

6、为什么将CD音质的采样频率定为44.1kHz？,15,（2） 量化位数,量化的过程如下：先将整个幅度划分成为有限个小幅度(量化阶距)的集合，把落入某个阶距内的样值归为一类，并赋予相同的量化值。 样本大小是用每个声音样本的位数表示的.它反映度量声音波形幅度的精度. 用B位二进制码字可以表示2B个不同的量化电平（级别）。 例如：8位的声音从最低到最高有28，即256个级别，16位声音有216，即65536个级别。位数越多，音质越细腻，但数据量也越大。 量化位数主要有8位和16位两种。专业级别使用24位甚至32位。,16,量化的方法可以归纳为两类：一类称为均匀量化，另一类称为非均匀量化。,17,均匀

7、量化,采用相等的量化间隔对采样得到的信号做量化就是均匀量化。,分析： 如果出现大的幅度信号,同时又要满足精度要求,就需要增加样本的位数. 但是对话音信号来说,大信号出现的机会并不多,增加样本位数就没有充分得利用,x1 x2 x3 x4 x5 x6 x7,18,非均匀量化,非线性量化的基本想法是 对输入信号进行量化时，大的输入信号采用大的量化间隔，小的输入信号采用小的量化间隔，这样就可以在满足精度要求的情况下用较少的位数来表示。 声音数据还原时，采用相同的规则。,19,根据语音信号非均匀分布的特点，设法让量化阶距随信号概率密度的减小而增大，或者说把大的量化误差留给出现概率小的样值，而得到较大的信

8、噪比。,20,（3）声道数,声道数是指所使用的声音通道的个数。它表明声音记录只产生一个波形（单声道）还是多个波形（立体声）。 双声道立体声听起来要比单音丰满优美，但需要两倍于单音的存储空间。,21,存储数字音频信号的数据率 =采样频率（Hz）*量化位数(b)8*声道数 (B/s) 音频信息文件所需存储空间为： 存储容量=采样频率*量化位数8*声道数*时间 (B),22,关于声道的补充知识,双声道立体声 杜比AC-3音频和5.1声道,23,5个全频带声道：左、中、右、左环绕、右环绕 0.1声道：低于120Hz的超重低音声道。,24,3.3 声音文件的存储格式,PCM格式：PCM数据序列。 是指模

9、拟的音频信号，经模数转换直接形成的二进制序列。该文件没有附加的文件头或文件结束标志。 WAV： 由Microsoft公司推出的波形音频文件格式，波形音频(Waveform Audio)。是通过对一段模拟声波进行采样、量化得到一系列量化的数字值，再对这些离散的波形数据加以编码存储，从而形成数字化的音频信号数据。 WAV文件是一种通用的音频数据文件。这种文件的特点是易于生成和编辑，但是在保证一定音质的前提下压缩比不够，其文件所占存储空间都很大。 支持存储各种采样频率和样本精度的声音数据，并支持声音数据的压缩。波形文件有许多不同类型的文件构造块组成，其中最主要的两个文件构造块是Format Chun

10、k(格式块)和Sound Data Chunk(声音数据块)。格式块包含有描述波形的重要参数，例如采样频率和样本精度等，声音数据块则包含有实际的波形声音数据。,25,26,音频文件格式,VOC：Creative公司的声霸卡(Sound Blaster)使用的波形音频文件格式。 MID：Windows的MIDI文件（MIDI Audio）存储格式。 MP3： MP3压缩格式文件。 MP3的全称实际上是MPEG1 Audio Layer-3 MP4：基于MPEG-2 AAC技术的文件压缩格式。 CD格式：cda文件，大小为44字节，只是一个索引信息，并不包含真正的声音信息。 Aif、snd：App

11、le计算机上的声音文件存储格式。 RA、RM：Real公司开发的主要适用于网络上实时数字音频流技术的文件格式。 ASF、ASX、WMA、WAX ：微软公司针对Real公司开发的新一代网上流式数字音频压缩技术。,27,3.4 声卡与音箱,声卡是处理各种类型数字化声音信息的硬件。 声卡的主要功能包括： 录制、编辑和回放数字音频文件 控制和混合各声源的音量 记录和回放时进行压缩和解压缩 实时、动态地处理数字化声音信号 通过语音合成技术使计算机朗读文本，通过采用语音识别功能，让用户通过说话指挥计算机等。 具有MIDI接口、光盘驱动器接口和游戏杆端口,28,声卡的接口,29,3.5 MIDI与音乐合成,

12、MIDI简介 MIDI是Musical Instrument Digital Interface的首写字母组合词，可译成“电子乐器数字接口”。用于在音乐合成器(music synthesizers)、乐器(musical instruments)和计算机之间交换音乐信息的一种标准协议。从20世纪80年代初期开始，MIDI已经逐步被音乐家和作曲家广泛接受和使用。 MIDI是乐器和计算机使用的标准语言，是一套指令(即命令的约定)，它指示乐器即MIDI设备要做什么，怎么做，如演奏音符、加大音量、生成音响效果等。MIDI不是声音信号，在MIDI电缆上传送的不是声音，而是发给MIDI设备或其它装置让它产

13、生声音或执行某个动作的指令。,30,MIDI主要包括以下两个部分： MIDI硬件规范：硬件接口标准和信号传输机制(I/O通道、连接电缆和插座形式)。 MIDI软件规范：音乐信息数字化编码方式(音符、音符长短、音调和音量等)。,31,特点,MIDI标准之所以受到欢迎，主要是它有下列几个优点： 生成的文件比较小，因为MIDI文件存储的是命令，而不是声音波形； 容易编辑，因为编辑命令比编辑声音波形要容易得多； 可以作背景音乐，因为MIDI音乐可以和其它的媒体，如数字电视、图形、动画、话音等一起播放，这样可以加强演示效果 注意：由于MIDI文件记录的是电子乐器的“乐谱”指令，故它只能重现打击乐或一些电

14、子乐器的声音。,32,MIDI音乐合成器,产生MIDI乐音的方法主要有两种，一种是频率调制(FM)合成法，另一种是乐音样本合成法，也称为波形表(WaveTable)合成法。 FM合成法是通过硬件产生波形信号，再经过处理产生音乐。 乐音样本合成法是在ROM中预先存储着各种实际乐器的声音采样，合成时以查表方式调用这种实际乐器的声音采样，合成该乐器的乐音。 波形表合成法又分为硬波形表，软波形表。硬波形表的音色库存放在声卡的ROM中，而软波形表的音色库则以文件的形式存放在硬盘里，需要时再通过CPU调用。 利用波形表方式合成音乐的效果更加逼真，它的效果优于FM方式合成的效果。,33,3.6 音频处理技术

15、的应用,随着多媒体信息处理技术的发展，计算机数据处理能力的增强，音频处理技术受到重视，并得到了广泛的应用。如： （1）视频图像的配音、配乐；静态图像的解说、背景音乐； （2）可视电话、电视会议中的话音；游戏中的音响效果；虚拟现实中的声音模拟； （3）Internet 电话 (IP phone),34,（4） 声音欺骗系统与声纹识别 声音欺骗： 比如：在军事上，截获敌人的无线电信号，改变内容把信号重新传送出去。 声音伪造装置可以将截获的信号分割成0.25秒的片断，进行重新组合，从而得出带有欺骗性的新信息，而不改变敌军讲话人的声音。 进一步研究的装置能够把敌军话务员的声音分为几十个音素，将这些音素

16、转换成参考模板，储存在数据库里。情报技师可用自己的声音讲话，并触发相应敌军话务员的音素参考模板，无线电播出的声音听起来，就会和敌军话务员一模一样。 声音欺骗系统需要高超的声音分析技术和语音合成技术。 声纹识别可以用来破案。,35,（5） 现代“芝麻开门”系统 （6） Internet上的实时音频 （7）语音识别 （8）计算机言语输出 （9）虚拟主持人,36,语音识别： 语音识别是将人发出的声音、字或短语转换成文字、符号，或给出响应，如执行控制、做出回答。 语音识别技术应用于需要以语音作为人机交互手段的场合，主要是实现听写和命令控制功能。 如：语音识别软件 IBM ViaVoice,37,计算机言语输出 计算机言语输出所要研究和解决的问题，就是如何利用计算机输出流利的自然语言，使计算机具备说话的能力。 一般来讲，实现计算机语音输出有两种方法： 一是录音/重放, 二是文-语转换(TTSText to Speech) 。 文-语转换是语音合成技术的延伸，它能把计算机内的文体转换成连续自然的语声流。若采用这种方法输出语音，应预先建立语音参数数