Психоакустика: як ми чуємо

Вухо не записує звук так, як мікрофон. Воно стискає, спотворює, заповнює прогалини та обманює вас у цілком передбачувані способи — і саме на цих особливостях базуються стиснення MP3, слухові апарати та робота будь-якого звукорежисера на Землі.

Автор: Команда MySimulator · Рецензія: Редакційна перевірка MySimulator

Від тиску повітря до нервового сигналу

Звук досягає вуха як хвиля тиску. Барабанна перетинка перетворює її на механічну вібрацію, три крихітні кісточки (молоточок, коваделко, стремінце) підсилюють її, а заповнена рідиною завитка (кохлея) виконує механічний частотний аналіз: її базилярна мембрана жорстка й вузька біля входу (резонує на високих частотах, ~20 кГц) і в'яла та широка на дальньому кінці (резонує близько 20 Гц). Різні позиції вздовж мембрани резонують для різних частот — тонотопічна карта, фактично біологічний аналізатор спектра, побудований на механіці, а не на ШПФ.

Волоскові клітини в кожній позиції перетворюють локальну вібрацію на електричні нервові імпульси. З цього моменту все, що ви сприймаєте як «звук», — це конструкція мозку з цього тонотопічного візерунку нервових розрядів, і ця конструкція має систематичні, добре вивчені упередження.

Гучність — це не амплітуда

Два тони з однаковим фізичним рівнем звукового тиску (дБ SPL) можуть звучати з дуже різною гучністю залежно від частоти. Людський слух найчутливіший приблизно на 2–5 кГц (де резонує сам слуховий канал) і значно менш чутливий на дуже низьких і дуже високих частотах. Це відображають криві однакової гучності (ISO 226, що оновлюють класичні криві Флетчера—Мансона 1933 року): кожна крива показує рівень звукового тиску, потрібний на кожній частоті, щоб звучати так само гучно, як еталонний тон 1 кГц.

Рівень гучності (фони) = SPL (дБ) тону 1 кГц, оціненого як однаково гучний

Саме тому дешеві навушники звучать «тонко» на низькій гучності — і баси, і високі частоти потребують набагато більше фізичної енергії, ніж середні, щоб сприйматися однаково гучними, тому при зменшенні гучності обидві крайності зникають першими. Кнопка «loudness» у побутовій аудіотехніці компенсує саме цей ефект, підсилюючи баси й високі частоти при низькій гучності відтворення.

Критичні смуги та маскування

Кохлея не розрізняє частоту з нескінченною точністю. Вона ділить чутний діапазон приблизно на 24 критичні смуги (шкала Барка), кожна з яких діє як смуговий фільтр зі зростаючою шириною смуги на вищих центральних частотах (приблизно 100 Гц нижче 500 Гц, розширюючись до понад 3 кГц вище 10 кГц).

Два тони в межах однієї критичної смуги взаємодіють: гучний тон маскує — робить нечутним — тихіший тон поруч за частотою, хоча обидва були б цілком чутні окремо. Це одночасне маскування має й часовий аналог: гучний звук може маскувати тихіший звук, що йде за ним протягом ~200 мс (пряме маскування), або, що дивовижніше, той, що передує йому до ~20 мс (зворотне маскування) — мозку потрібен час на обробку гучного звуку, і він ретроактивно «краде» сприйняття у тихішого.

Поріг маскування: Тон, приблизно на 20–30 дБ тихіший за маскувальний тон у тій самій критичній смузі, стає повністю нечутним. Саме цей поріг використовують кодеки стиснення звуку з втратами — дивіться нижче.

Зникла основна частота

Відтворіть гармоніки 2, 3, 4 і 5 тону 200 Гц (400, 600, 800, 1000 Гц) через крихітний динамік, який фізично взагалі не може відтворити 200 Гц. Ви все одно почуєте висоту тону 200 Гц — мозок вираховує зниклу основну частоту з відстані між присутніми гармоніками, бо саме ця відстань (200 Гц) — єдина основна частота, сумісна з тим гармонічним рядом, який він чує.

Саме так маленькі динаміки телефонів і ноутбуків, фізично нездатні відтворювати глибокі баси, все одно дозволяють вам сприймати басову лінію — процесори психоакустичного підсилення басів навмисно синтезують верхні гармоніки відсутніх низьких частот, щоб використати цю ілюзію.

Як два вуха локалізують звук

Маючи лише два вуха, мозок локалізує джерело звуку в 3D-просторі за допомогою трьох основних ознак:

Міжвушна різниця в часі (ITD) — звук зліва досягає лівого вуха раніше, ніж правого. Нижче ~1.5 кГц мозок розрізняє цю різницю в часі безпосередньо (з точністю до ~10 мікросекунд — кращою точністю, ніж майже будь-яке інше біологічне відчуття).
Міжвушна різниця в рівні (ILD) — голова відкидає акустичну «тінь»; вище ~1.5 кГц довжини хвиль достатньо короткі, щоб голова суттєво послаблювала звук, що досягає дальнього вуха, і мозок натомість використовує цю різницю рівнів.
Спектральні ознаки (фільтрація вушною раковиною) — складки зовнішнього вуха по-різному фільтрують звук залежно від висоти та положення спереду/ззаду, розв'язуючи неоднозначність верху/низу та спереду/ззаду, яку самі лише ITD та ILD розв'язати не можуть (обидва дають однакові ознаки для «конуса невизначеності» напрямків).

Чому це важливо для VR/AR-звуку: Бінауральні аудіорендерери застосовують персоналізовану передавальну функцію, пов'язану з головою (HRTF) — по суті, фільтр, що відтворює всі три ознаки — щоб звук здавався таким, що йде з конкретної точки в 3D-просторі, через звичайні стереонавушники.

Чому працює MP3

Кодеки стиснення звуку з втратами (MP3, AAC, Ogg Vorbis) побудовані майже повністю на психоакустичному маскуванні. Кодер виконує ШПФ, щоб знайти спектр, ділить його на критичні смуги, обчислює поріг маскування в кожній смузі на основі гучнішого сусіднього вмісту, а потім виділяє рівно стільки бітів, щоб шум квантування залишався нижче цього порогу маскування — шум, який вухо гарантовано математично не помітить. Вміст із сильним тональним маскуванням (наприклад, гучна басова нота) може позбутися величезної кількості даних у сусідніх частотних смугах без жодної помітної втрати якості.

Практичне правило: Добре закодований MP3 128 кбіт/с видаляє приблизно 90% сирих PCM-даних треку з CD — майже все це завдяки використанню одночасного та часового маскування, а не простого наближення форми хвилі.

Спробуйте самі

Подивіться, як стоячі хвилі та резонансні патерни формуються прямо на вібруючій пластині — фізичний, візуальний аналог того, як базилярна мембрана кохлеї резонує в різних позиціях для різних частот:

🎸 Відкрити симуляцію фігур Хладні →