En las aplicaciones de videoconferencia la

Transcripción

1 Estándares de codificación de audio TRATAMIENTO DE SEÑAL. Este artículo describe los principales algoritmos de codificación de audio de las distintas versiones de los estándares. Se hace especial hincapié en el sistema de compresión de audio digital más establecido en la actualidad, el formato -1 layer 3, más conocido como MP3. MARCOS FAÚNDEZ ZANUY ESCUELA UNIVERSITARIA POLITÉCNICA DE MATARÓ Figura 1. Umbrales absolutos de audición. En las aplicaciones de videoconferencia la finalidad es transmitir imágenes, principalmente de oradores, así como su voz. Por ello para la transmisión del sonido se usan los estándares de codificación de voz, que en general están basados en el análisis LPC y en un modelo de producción del habla. Sin embargo, la codificación está pensada para aplicaciones más diversas que la transmisión de voz, y no se basa en el modelo LPC sino en características psicoacústicas. De esta forma a la hora de codificar una señal de audio se tiene en cuenta el comportamiento perceptivo del ser humano a los sonidos, y toda aquella información irrelevante, no detectable por el oído, se ignora en el proceso de codificación. Entre las principales características de la audición humana cabe destacar: Umbral absoluto de audición El margen de frecuencias audibles está comprendido entre 20 Hz y 20 khz, siendo más sensible al margen en torno a varios kilohercios. Esto es coherente con el hecho de que el margen de frecuencias abarcado por la voz está comprendido entre 500 y 4000 Hz aproximadamente. La figura 1 muestra los umbrales absolutos de audición. Para determinarlos, Fletcher realizó en 1940 una serie de experimentos consistentes en presentar a una serie de oyentes un tono de frecuencia pura, y registrar el nivel mínimo de energía que debe presentar dicho tono para que pueda ser detectado en un entorno libre de ruidos. De esta gráfica puede deducirse que si un determinado mensaje musical presenta un tono de nivel inferior al mínimo necesario para ser captado por el ser humano, es posible eliminarlo sin que subjetivamente se aprecien diferencias. También se puede usar para obtener el máximo valor de energía de la distorsión introducida en el proceso de codificación para que ésta no sea audible. El margen dinámico entre el nivel de presión sonora más pequeño que puede captar un oído y el más alto es de 96 db. Esto permite saber el número de bits de cuantificación que se necesitan para respetar dicho margen dinámico. Bandas críticas El funcionamiento del oído interno está basado en una serie de bandas críticas, de forma que tiene lugar una especie de análisis mediante un banco de filtros, cuyo ancho de banda permanece constante (aproximadamente sobre unos 100 Hz) hasta los 500 Hz, y a partir de aquí se incrementa en un 20% de la frecuencia central, formando en total 25 bandas críticas. Enmascaramiento Es el fenómeno por el cual un sonido resulta inaudible en presencia de otro. De esta forma, los umbrales de audición de la figura 1 se ven alterados cuando están presentes dos o más tonos, y por tanto es posible que exista más información irrelevante desde el punto de vista perceptivo. Por otra parte, existe enmascaramiento temporal cuando aparece una señal transitoria brusca (por ejemplo un instrumento de percusión). En este caso aparecen unos márgenes temporales anteriores y posteriores al sonido, en los cuales los umbrales de audición son mayores a los existentes en ausencia de dicha señal. El preenmascaramiento suele durar unos 5 ms. A continuación el sonido enmascara durante todo el tiempo que está activo, y por último su efecto se nota durante un tiempo variable entre los 50 y los 300 ms, dependiendo de la potencia y duración de la señal. -1 La señal de audio de un compact disc presenta una transferencia de muestras/sx16 bits/muestrax2 canales= 1,4112 Mbit/s,

2 lo cual impide una transmisión sin compresión de la señal de audio, ya que -1 presenta una transferencia de 1,5 Mbit/s. De ellos aproximadamente 0,3 Mbit/s se dedican al audio y 1,2 Mbit/s se dedican a la señal de vídeo. El factor de compresión resulta entre 2,7 y 24 veces. Con una tasa de compresión de 6 los expertos son incapaces de distinguir la señal original de la descomprimida. -1 soporta tres frecuencias de muestreo: 32, 44,1 y 48 khz sobre una señal de entrada en formato PCM a 16 bits de cuantificación, y cuatro modos de trabajo: *Monofónico: consiste en un único canal de audio. *Monofónico dual: dos canales independientes de audio. *Estéreo: canal estéreo que comparte bits, pero no usa codificación conjunta. *Estéreo conjunto: se usa la correlación entre los dos canales del estéreo para representar más eficientemente la señal. El esquema de codificación de audio de consta de tres capas: de complejidad, retardo, y calidad de salida creciente. Cada una de las capas incorpora los bloques funcionales de las capas inferiores. Capas 1 y 2 de El esquema del funcionamiento de las capas 1 y 2 se muestra en la figura 2, y las funciones implementadas se pueden resumir en los siguientes pasos: *Se divide la señal de entrada en 32 subbandas, usando un banco de filtros paso banda equiespaciados. *Las señales de cada una de las bandas se diezma, de forma que la nueva frecuencia de muestreo es de 1500 Hz y el ancho de banda de cada señal de 24 khz/32=750 Hz (cuando la frecuencia de muestreo de la señal de entrada es de 48 khz). *Se determinan los umbrales de enmascaramiento, denominados en la terminología inglesa just noticeable distortion (JND), o valor de la distorsión a partir del cual empieza a ser perceptible. Para ello se calcula una FFT para cada 12 muestras de entrada (8 ms a 48 khz). La FFT se realiza de 512 puntos en la capa 1 y de 1024 en la capa 2. El número de niveles de cuantificación para cada componente espectral se obtiene mediante reglas de asignación dinámica de bits. *Se normalizan los bloques de cada banda por un factor de escala de forma que la muestra de mayor amplitud dentro de cada bloque tenga una amplitud máxima unitaria. *Se realiza un proceso iterativo de asignación de bits que aplica los umbrales JND para seleccionar el cuantificador óptimo a partir de un conjunto prefijado de cuantificadores para cada subbanda. Se escoge el cuantificador de forma que se cumplan simultáneamente los requerimientos de velocidad de transferencia y enmascaramiento *Se cuantifican los factores de escala de cada una de las subbandas usando 6 bits. El nivel de cuantificación escogido se codifica con 4 bits. La capa 2 es muy similar, pero mejora la calidad del audio decodificado con una transferencia aún menor. Para conseguirlo, requiere un retardo y complejidad computacional mayores. La mejora se consigue a costa de: *La determinación de los umbrales psicoacústicos es más precisa, puesto que al usar una FFT de 1024 puntos, en vez de 512, proporciona una mayor resolución frecuencial. *La información de los factores de escala se comprime considerando las propiedades de tres bloques adyacentes de 12 muestras, y transmitiendo de forma opcional 1, 2 ó 3 factores de escala (dependiendo de la importancia de los cambios entre los factores), así como 2 bits adicionales para indicar cuántos se envían. Este método supone una reducción típica respecto a la capa 1, del 50% del número de bits necesarios para enviar los factores de escala. Lógicamente, el hecho de considerar tres bloques consecutivos supone incrementar el retardo. *Se incrementa la resolución máxima de los cuantificadores de cada subbanda a 16 bits (el límite Figura 2. Codificación de audio capas 1 y 2. Figura 3. Esquema del codificador capa 3.

3 Tabla 1: Comparativa entre capas de -1 Capa Compresión Transferencia de señal estéreo 1 1:4 384 kbps 2 1:6 a 1:8 256 a192 kbps 3 1:10 a 1: a 112 kbps de la capa 1 son 15 bits). El cuantificador de 16 bits se usa para prevenir efectos de sobrecarga. Y para reducir la tasa de bits se reduce el número de cuantificadores distintos disponibles, a medida que aumenta el orden de la banda. Por tanto, en las altas frecuencias existe un conjunto de cuantificadores posibles menor al disponible para las bajas frecuencias. Capa 3 de El esquema de codificación de la capa 3 cambia respecto a las anteriores. La figura 3 muestra el esquema de bloques simplificado. El codificador de la capa 3 utiliza un banco de filtros híbridos conmutados para incrementar la resolución frecuencial y de esta forma aproximar mejor el comportamiento de las bandas críticas. También se usa una segmentación adaptativa para controlar el control de preeco, y cuantificación no uniforme y codificación entrópica. También incorpora una técnica de reserva de bits para reducir la transferencia. Por otra parte, el esquema de capa 3 es el único que obliga al decodificador a soportar transferencias variables. Banco de filtros híbridos conmutados Para conseguir una mayor resolución frecuencial que emule las bandas críticas, se subdivide cada una de las 32 bandas mediante una transformación DCT modificada con 6 u 8 puntos y 50% de solapamiento. De esta forma la ventana contiene 12 ó 36 muestras respectivamente. El número máximo de componentes frecuenciales será de 32x18=576, dando lugar a un ancho de banda de 24000/576=41,67 Hz en cada banda. Usando 6 puntos la resolución frecuencial es lógicamente menor, pero la temporal es mayor, y se aplica en aquellas zonas en las que cabe esperar efectos de preeco (transiciones bruscas de silencios a altos niveles energéticos, como por ejemplo justo antes de un sonido percusivo). En estos casos se producirá un transitorio con elevados Tabla 2: Calidad versus compresión en capa 3 Calidad de sonido Ancho de banda Mono/estéreo Transferencia Compresión Telefónica 2,5 khz Mono 8 kbps 96:1 Radio FM 11 khz Estéreo 56 a 64 kbps :1 Próxima al CD 15 khz Estéreo 96 kbps 16:1 CD >15 khz Estéreo kbps :1 errores de cuantificación, debido a la saturación del cuantificador. Cuando se destransforman los coeficientes, el resultado es que el error se distribuye por toda la ventana, de forma que las partes de silencio ya no son silencio, sino que presentan parte de la energía de la parte de trama más energética. En estos casos, el uso de ventanas temporales pequeñas limita el efecto de preeco a un número de muestras más pequeño que con ventanas grandes. El preenmascaramiento temporal evita que dicha distorsión sea audible. Hablar de conmutación de ventanas se refiere a variar el tamaño de la ventana de análisis en función de las necesidades. Cuantificación no uniforme Las muestras resultantes de la MDCT se cuantifican no uniformemente, de forma que se puede controlar mejor los errores de cuantificación. Para representar de forma eficiente los índices a la salida del cuantificador se usan 32 tablas de códigos de Huffman, y a su resultado se aplica codificación RLE (run length encoding). El codificador convierte la señal de transferencia variable en una fija, monitorizando el estado del buffer de reserva de bits. Codificación de análisis por síntesis El esquema de capa 3 utiliza un método iterativo de análisis por síntesis de forma que el proceso de escalado, cuantificación y codificación se realiza en dos bucles iterativos anidados. El bucle más interno ajusta los pasos del cuantificador de cada bloque hasta que el número de bits asignados coincide con los requerimientos de transferencia. El bucle externo evalúa la calidad de la señal que decodificará el receptor. La tabla 1 resume las tasas de compresión que se consiguen con cada una de las capas, manteniendo una calidad de la señal decodificada análoga a la calidad de Compact Disc. La tabla 2 resume la calidad de sonido equivalente que se obtiene al usar compresión - 1 capa 3, en función del índice de compresión. -2 Existen dos versiones del estándar -2. La primera es compatible con -1 y añade el formato de canales 3/2, con los canales izquierda (L), centro (C), derecha (R), e izquierda (LS) y derecha (RS) de ambiente (surround), los cuales no pueden ser decodificados por -1 (figura 4). Si la salida del codificador -2 se envía a un decodificador -2, entonces el esquema del decodificador -2 será análogo al del codificador de la figura 4, pero en orden inverso. Sin embargo, la segunda versión de -2 (aprobada en abril de 1997) no es compatible con -1. Recibe el nombre de -2

4 Advanced Audio Coding, y ofrece índices de compresión mayores. Para ello utiliza un banco de filtros de alta resolución, técnicas predictivas, y codificación sin error. El estándar -2 AAC prevé tres perfiles: Perfil principal. Ofrece la mayor calidad posible. Perfil de baja complejidad. No utiliza predicción temporal. Perfil de frecuencia de muestreo escalable. Proporciona la complejidad más baja. -4 Aceptado como estándar en noviembre de 1998, abarca un campo de aplicaciones mucho mayor que sus predecesores, incluyendo la multimedia. -4 ofrece índices de compresión elevados, y abarca desde audio de alta fidelidad a voz y audio sintéticos. Además, -4 ofrece una serie de herramientas para representar, integrar e intercambiar fragmentos de información audiovisual. Las señales sintéticas hacen referencia, por ejemplo, a una señal de voz generada a partir de un texto (el ordenador lee un fichero de texto). Para lograr la mayor calidad posible a todas las velocidades de transferencia, define tres tipos de estructuras de codificación: *Codificación paramétrica para la transferencia más baja (2 a 4 kbit/s para voz muestreada a 8 khz, y 4 a 16 kbit/s para audio muestreado entre 8 y 16 khz). *Codificación CELP para voz a velocidades medias. Trabaja entre 6 y 24 kbit/s para frecuencias de muestreo de voz en banda estrecha (muestreada a 8 khz) y banda ancha (muestreada a 16 khz). *Técnicas de codificación tiempo-frecuencia para transferencias por encima de los 16 kbit/s. Típicamente las frecuencias de muestreo de las señales están por encima de los 8 khz. SITUACIÓN ACTUAL DEL MERCADO Si bien inicialmente para poder reproducir fragmentos musicales comprimidos y almacenados previamente era necesario disponer de un ordenador para realizar el proceso de descompresión, en la actualidad existen pequeños dispositivos portátiles capaces de recibir ficheros directamente del ordenador, y proporcionar una audición continuada de 60 minutos aproximadamente. Cabe esperar que en el futuro la capacidad de almacenamiento aumente espectacularmente, puesto que éste es también el talón de Aquiles de las cámaras de fotografía digitales: mientras no proporcionen una capacidad de almacenamiento superior a la de los medios convencionales, su establecimiento masivo en los mercados de consumo estará mermado. La figura 5 muestra el reproductor de ficheros MP3 Diamond Rio. Su precio aproximado es de 200 dólares y presenta una capacidad de almacenamiento de 32 MB ampliables hasta 64 MB. Comparado con los soportes convencionales de almacenamiento de música, presenta un peso menor (aprox. 100 gramos), un tamaño menor, y dado que la música se almacena en una memoria, evita los problemas de enrollamiento de cinta, los saltos típicos del compact disc cuando se le somete a movimientos, vibraciones, etc. Por otro lado, al eliminar las partes mecánicas, el consumo energético es menor y permite reproducir de forma continuada hasta 12 horas. Dado que la memoria usada es de tipo flash (no volátil), no se pierde la música al sustituir las baterías gastadas. Existen en el mercado productos de prestaciones similares de empresas como Samsung Electronics (yepp), Creative Labs (Nomad), etc. Algunos de ellos utilizan como soporte de almacenamiento discos duros o CD-ROM, de forma que son más voluminosos y pesados, pero permiten un tiempo de audición considerablemente mayor. Existen también aparatos que incorporan un sintonizador de radio RDS, y están pensados para sustituir el clásico radiocassette de coche. En puede encontrarse una lista exhaustiva y actualizada con los prin- Figura 4. Esquema codificador -2 compatible con -1 Figura 5. Reproductor de MP3 Diamond Rio Portable Music Player 300.

5 Tabla 3. Productos existentes en el mercado relacionados con MP3 Producto Descripción Dirección Rio MP3 Player Reproductor MP3 WinDac Extractor de audio Easy CDDA Extractor Extractor de audio Audiograbber Extractor y compresor MP3 AudioCatalyst Extractor y compresor MP3 Sonique Reproductor Wplay Reproductor WinAmp Reproductor cipales equipos, sus características, precios, etc. En contrapartida, cabe destacar una serie de inconvenientes: el primero es la obtención de ficheros MP3. Para ello hay dos alternativas, o tomarlas de Internet, para lo cual existen direcciones que permiten su obtención previo pago, o crearlos uno mismo, lo cual presenta los inconvenientes que se describen más adelante. Por otra parte, la facilidad para crear ficheros MP3 uno mismo, y el bajo coste de las grabadoras de CDROM, ha fomentado la piratería. El reducido tamaño de los ficheros MP3 ha facilitado la grabación de discografías completas en un sólo CDROM (la cantidad de música almacenada en formato MP3 puede aumentar en un factor 12 respecto a un CD de audio convencional). También existe un cierto número de páginas web ilegales que incorporan ficheros MP3 con canciones de autores que no reciben sus correspondientes derechos de autor. CREACIÓN DE FICHEROS MP3 Para la creación de un fichero MP3 existen varios pasos a seguir, que dificultan en gran medida la adopción de los reproductores de MP3 como el de la figura 5, en sustitución de los soportes convencionales. Es necesario disponer del hardware y software adecuado. En primer lugar hay que disponer de ordenador y tener conocimientos sobre su utilización, lo cual es una limitación importante para buena parte de la población. Dado que el coste computacional del algoritmo de compresión de MP3 es mucho mayor al descompresor, es previsible que a corto/medio plazo no aparezcan en el mercado dispositivos capaces de grabar y reproducir ficheros MP3. Si aparecieran, seguramente serían un serio competidor a walkmans y discmans, pero su precio inicial sería elevado. En el supuesto de disponer de ordenador, si la música que desea convertirse a formato MP3 está en formato analógico, habrá que digitalizarla mediante una tarjeta de sonido para su posterior conversión a MP3. Sin embargo, en la mayor parte de los casos, la música que el usuario querrá convertir provendrá de un CD convencional de audio. Lógicamente, existen otros soportes digitales, pero en el ámbito doméstico, el CD supone la mayoría del mercado. Para realizar la conversión de CD audio a MP3 es necesario realizar dos procesos, que algunos programas realizan de forma consecutiva (siendo visible para el usuario un único proceso). El primer paso consiste en la conversión de las pistas de audio del CD a ficheros WAV, conocida como extracción de audio. A continuación se requiere un programa que realice la conversión de formato WAV a MP3. En cuanto al primer paso hay que tener presente que todos los lectores de CDROM no soportan la extracción de audio. En general, los lectores que la soportan presentan un precio mayor, y por tanto no suelen incluirse de serie al comprar un ordenador. Otra opción usual es disponer de un grabador de CD y realizar la extracción mediante el propio grabador/lector. El mismo software proporcionado por el fabricante (Easy CD creator, Win on CD, etc.) permite realizar este proceso. Nuevamente, dependiendo del equipo, la extracción de audio puede ser problemática, y pueden aparecer errores que provocan que el fichero extraído no sea idéntico al del CD, tal y como cabría esperar, puesto que se trata de una copia digital. El proceso de compresión no presenta problemas, pero requiere un tiempo considerable, dependiendo de la velocidad del ordenador. En definitva, el tiempo de extracción y compresión suele ser comparable al tiempo de reproducción. De esta forma para crear una serie de ficheros MP3 equivalentes a una hora de audición, será necesario aproximadamente una hora de procesos en el ordenador para realizar la extracción y compresión. Una vez realizado, se pueden reproducir los ficheros MP3 directamente del disco duro mediante un reproductor de ficheros MP3, o transferirlos a un dispositivo como el de la figura 5, para su audición en prácticamente cualquier lugar. En el caso del dispositivo de la figura 5 la transferencia entre el ordenador y el reproductor MP3 se realiza a través del puerto paralelo, a una velocidad aproximada de 100 kb/s, por lo que se requieren unos minutos adicionales para llenar toda la memoria del reproductor. La tabla 3 resume los principales productos existentes en el mercado, así como la dirección de Internet en la que obtener más información. BIBLOGRAFÍA [1]. P. Noll, digital audio coding, pp.59-81, IEEE Signal Processing Magazine, Sept. 97, vol.14 nº 5. [2]. T. Painter, A. Spanias, A review of algorithms for perceptual coding of digital audio signals. [3]. Página oficial del formato MP3. ME