Maskowanie Psychoakustyczne: Ciche Dźwięki, Które Twój Słuch Nie Zauważa

Głośny dźwięk może sprawić, że cichy zniknie

Odtwórz głośny ton o częstotliwości 1000 Hz i znacznie cichszy ton o częstotliwości 1100 Hz jednocześnie, a cichy ton może całkowicie zniknąć z wrażeń słuchowych, mimo że w izolacji byłby idealnie słyszalny. Jest to maskowanie psychoakustyczne: silny sygnał o danej częstotliwości podwyższa próg słyszalności dla sąsiednich częstotliwości, ukrywając wszystko słabsze pod krzywą maskującą rozciągającą się od głośnego tonu, szerzej po stronie wysokich częstotliwości niż niskich.

Gdzie zachodzi maskowanie: słuchowa rura

Mechanizm rozpoczyna się na błonie basowej wewnątrz słuchowej rury, która wykonuje przybliżoną analizę mechaniczną częstotliwościową nadchodzących dźwięków – różne położenia jej długości najsilniej rezonują z różnymi częstotliwościami, zoptymalizowane dla wysokich częstotliwości w pobliżu wejścia słuchowej rury (bazą) i niskich częstotliwości w odległej części (wierzchołkiem). Głośny ton napędza szeroki obszar tej błony mocno, a pobliski, słabszy dźwięk o własnym rezonansowym regionie nakładającym się na ten sam napędzany obszar, jest fizycznie zalewany tam przed rozdzieleniem dwóch sygnałów na odrębne kanały nerwowe. Błona basowa wykazuje asymetryczne strojenie – każdy rezonansowy obszar reaguje szerzej na częstotliwości powyżej niż poniżej – co dokładnie wyjaśnia, dlaczego krzywe maskowania nachylają się w kierunku wyższych częstotliwości maskera.

Jednoczesne, przód i tył maskowanie

Maskowanie jednoczesne to przypadek opisany powyżej: masker i ton maskowany są obecne jednocześnie. Maskowanie przód jest bardziej skomplikowane: głośny ton może nadal podnieść próg dla cichego tonu odtwarzanego około 100-200 milisekund po jego zakończeniu, ponieważ układ słuchowy potrzebuje czasu na regenerację po silnym stymulowaniu. Maskowanie tył jest jeszcze bardziej skomplikowane: głośny ton może maskować nawet cichszy ton odtwarzany kilka milisekund przed jego rozpoczęciem, co przypisuje się wolniejszym czasom przetwarzania neuronalnego słabszego sygnału w porównaniu z silnym sygnałem – reprezentacja neuronalna słabszego sygnału jest tworzona, gdy silniejszy, szybszy sygnał od głośnego tonu przybywa i ją przewyższa.

Zwrot z tytułu: stratne kompresje audio

MP3, AAC i każdy inny perceptualny kodek audio wykorzystują maskowanie bezpośrednio: model psychoakustyczny, kropka za kropką, szacuje, które składniki częstotliwościowe byłyby maskowane przez głośniejsze komponenty znajdujące się obok, a więc niezauważalne od samego początku, i enkoder przydziela mniej bitów (ani w ogóle) do tych komponentów, wydając ograniczony budżet bitowy na te części spektrum, które słuchacz mógłby faktycznie usłyszeć. To właśnie w ten sposób te formaty osiągają przybliżone 10-krotne skompresowanie w stosunku do niekomprimowanego audio, zachowując prawie identyczny dźwięk podczas typowego odtwarzania – nie kompresują fali dźwiękowej wiernie, tylko eliminują dokładnie informacje, które przewiduje model maskowania, że nie możesz usłyszeć.

encoder per frame:
  1. estimate masking thresholds from the loud components present
  2. compare each frequency component's level against its local threshold
  3. quantize components below threshold coarsely or drop them
  4. spend the saved bits on components above threshold

Frequently asked questions

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Psychoacoustic Masking i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.