2.音频编码原理

概念

音频压缩技术指的是对原始数字音频信号流(PCM编码)运用的数字信号处理技术。

背景和压缩的必要性

研究发现,直接采用PCM码流进行存储和传输存在非常大的冗余度。

以CD为例,其采样率为44.1KHz,量化精度为16比特,则1分钟的立体声音频信号需占约10M字节的存储容量,也就是说,一张CD唱盘的容量只有1小时左右。

事实上,在无损的条件下对声音至少可进行4:1压缩,即只用25%的数字量保留所有的信息,而在视频领域压缩比甚至可以达到几百倍。

消除冗余信息是有损编码

有损编码:可以采用消除冗余信息的思路

使用傅里叶变换得到频域信息,看着该频域信息图,我们来进行遮蔽效应的概念解释:

划红线处的蓝色音源,威力很大,能把其他频率的信息覆盖,这是遮蔽源。

你可以把这个蓝色的音源理解为一个爱吵架的女生,音调很高,1KHz, 嗓门很大(即声音强度大概在70dB)。

这个女生一扯嗓子,就能把别人的声音遮蔽掉,

那么这个女生扯嗓子时候最容易把谁的声音遮蔽掉呢?

这就需要科学来解释了,上面这张图就是科学规律的总结。

频率相近的三个棕色的音源是最容易被遮蔽掉的音源了,上图也标识出了这些是被遮蔽的声音。

那是不是只要嗓门(声音强度)没这个女生大的音源,都会被覆盖呢?并不是!

上图中红圆圈所示的音源,频率大概在0.25KHz,声音强度超过了10dB, 但声音强度远远不及70dB, 你可以把这理解为一个声音低沉且嗓门也不大的魅力男嗓。

从上图可以看出,该男嗓未处在爱吵架女生声音的遮罩门槛内,

且同时也未处在静音门槛内(一些冰箱、电风扇工作时发出的声音可能处在静音门槛范围内,所以也被遮蔽了),

所以该男嗓的声音强度虽然不及该女生,但是却不会被遮蔽。

这就是频域遮蔽效应的特点了。

在同一个时间点,谁的声音强度小,就会被遮蔽。

既然我们知道存在这个遮蔽效应这条科学规律,我们就可以通过一定的算法分析出哪些声音信息是会被遮蔽的,这就是消除冗余信息,是有损编码的一种实现思路。

无损编码

熵编码是无损编码,具体的编码方式有很多,如下图

哈夫曼编码(Huffman Coding),又称霍夫曼编码,是一种编码方式,哈夫曼编码是可变字长编码(VLC)的一种。

Huffman于1952年提出一种编码方法,该方法完全依据字符出现概率来构造异字头的平均长度最短的码字,

有时称之为最佳编码,一般就叫做Huffman编码(有时也称为霍夫曼编码)。

音频编码过程

常见的音频编解码器



AAC编码器介绍


ADTS格式头

AAC前面有个数据头,一般是ADTS格式的头。

对于直播系统,一般使用AAC,我们使用的都是ADTS格式。

注意,读出来Audio Object Types值还需要加1,才是对应的类型。

如果读出来Audio Object Types值是1,那么对应的是AAL LC类型。

ADTS头解析网站

  1. 有时候我们无法播放一段AAC数据,可能是缺少了ADTS头信息,这是我们就需要想办法加上这个头信息。

  2. 我们在使用ffmpeg时,虽然ADTS这些信息都会被封装在其内部,但是我们需要具备基本的音视频知识,以便更好地解决各类可能出现的麻烦问题。

相关推荐
我叫黑大帅8 小时前
通过eino-ext如何正常indexer RAG?
后端·面试·go
Ava的硅谷新视界9 小时前
用了一天 Claude Opus 4.7,聊几点真实感受
开发语言·后端·编程
浪客川10 小时前
【百例RUST - 010】字符串
开发语言·后端·rust
无心水11 小时前
OpenClaw技术文档/代码评审/测试用例生成深度实战
网络·后端·架构·测试用例·openclaw·养龙虾
GetcharZp12 小时前
告别 CGO 噩梦!这款“纯 Go”神器让你不用 GCC 也能调 C 库,部署快到飞起!
后端
IT_陈寒12 小时前
Redis批量删除的大坑,差点让我加班到天亮
前端·人工智能·后端
lolo大魔王12 小时前
Go语言的反射机制
开发语言·后端·算法·golang
Postkarte不想说话14 小时前
使用vLLM本地部署大模型
后端
jserTang14 小时前
手撕 Claude Code-4: TodoWrite 与任务系统
前端·javascript·后端
jserTang14 小时前
手撕 Claude Code-5:Subagent 与 Agent Teams
前端·javascript·后端