อัลกอริทึมเพื่อผสมสัญญาณเสียงโดยไม่ต้องตัด

ฉันต้องการผสมผสานช่องสัญญาณเสียง PCM สองช่องขึ้นไป (เช่นตัวอย่างที่บันทึก) แบบดิจิทัลในลักษณะที่แสดงถึงความเชื่อทางเสียงโดยเฉพาะอย่างยิ่งในเวลาใกล้เคียงแบบเรียลไทม์

วิธีที่ "ถูกต้อง" ทางกายภาพในการทำเช่นนี้คือการสรุปตัวอย่าง อย่างไรก็ตามเมื่อคุณเพิ่มสองตัวอย่างโดยพลการค่าผลลัพธ์อาจเป็นค่าสูงสุดสองเท่า

ตัวอย่างเช่นหากตัวอย่างของคุณมีค่า 16 บิตผลลัพธ์จะมากถึง 65536 * 2 ผลลัพธ์นี้ในรูปวาด

ทางออกที่ไร้เดียงสาที่นี่คือการหารด้วย N โดยที่ N คือจำนวนช่องสัญญาณที่ถูกผสม อย่างไรก็ตามผลลัพธ์นี้ในแต่ละตัวอย่างมีค่า 1 / Nth ดังซึ่งไม่สมจริงอย่างสมบูรณ์ ในโลกแห่งความจริงเมื่อทั้งสองเครื่องดนตรีเล่นพร้อมกันแต่ละเครื่องดนตรีจะไม่กลายเป็นครึ่งดัง

จากการอ่านรอบ ๆ วิธีการผสมทั่วไปคือ: result = A + B - AB โดยที่ A และ B เป็นสองตัวอย่างที่ถูกทำให้เป็นมาตรฐานและ AB เป็นคำศัพท์เพื่อให้แน่ใจว่าเสียงดังดังขึ้น

อย่างไรก็ตามสิ่งนี้แนะนำการบิดเบือนของสัญญาณ ระดับการบิดเบือนนี้ยอมรับได้ในการสังเคราะห์เสียงคุณภาพสูงหรือไม่?

มีวิธีอื่นใดอีกบ้างในการแก้ไขปัญหานี้ ฉันสนใจอัลกอริธึมที่มีคุณภาพต่ำกว่าและอัลกอริธึมคุณภาพสูงที่มีประสิทธิภาพน้อยลง

ฉันกำลังถามคำถามของฉันในบริบทของการสังเคราะห์เพลงดิจิทัลเพื่อจุดประสงค์ในการผสมแทร็กที่หลากหลายเข้าด้วยกัน เพลงสามารถสังเคราะห์เสียงตัวอย่างที่บันทึกล่วงหน้าหรืออินพุตไมโครโฟนแบบเรียลไทม์

เป็นการยากมากที่จะชี้ให้คุณเห็นถึงเทคนิคที่เกี่ยวข้องโดยไม่ทราบบริบทของปัญหาของคุณ

คำตอบที่ชัดเจนคือบอกให้คุณปรับอัตราขยายของแต่ละตัวอย่างเพื่อให้การตัดไม่เกิดขึ้น ไม่ใช่ว่าไม่สมจริงที่จะสมมติว่านักดนตรีจะเล่นนุ่มนวลกว่าในวงดนตรีมากกว่าเมื่อถูกขอให้เล่นเดี่ยว

การบิดเบือนที่แนะนำโดย A + B - AB นั้นไม่เป็นที่ยอมรับ มันสร้างภาพสะท้อนของ A ในแต่ละด้านของฮาร์โมนิกส์ของ B ซึ่งเทียบเท่ากับการมอดูเลตวงแหวนซึ่งน่ากลัวมากถ้า A และ B มีสเปกตรัมที่สมบูรณ์พร้อมฮาร์โมนิกซึ่งไม่ได้อยู่ในอัตราส่วนจำนวนเต็ม ลองใช้กับคลื่นสองลูกที่ความถี่ 220 และ 400 Hz

ฟังก์ชั่นการตัดที่เป็น "ธรรมชาติ" ที่ทำงานบนพื้นฐานตัวอย่างต่อตัวอย่างคือฟังก์ชัน tanh ซึ่งจริง ๆ แล้วมันตรงกับพฤติกรรมการ จำกัด ที่อ่อนนุ่มขององค์ประกอบอะนาล็อกบางตัว นอกเหนือจากนั้นคุณสามารถดูเทคนิคการบีบอัดแบบไดนามิกคลาสสิก - หากระบบของคุณสามารถมองไปข้างหน้าและดูยอดเขามาล่วงหน้าสิ่งนี้จะดียิ่งขึ้น

วิธีที่ "ถูกต้อง" ทางกายภาพในการทำเช่นนี้คือการสรุปตัวอย่าง อย่างไรก็ตามเมื่อคุณเพิ่มสองตัวอย่างโดยพลการค่าผลลัพธ์อาจเป็นค่าสูงสุดสองเท่า ... ทางออกที่ไร้เดียงสาที่นี่คือการหารด้วย N โดยที่ N คือจำนวนช่องสัญญาณที่ถูกผสม

นั่นไม่ใช่ทางออกที่ไร้เดียงสาแต่เป็นทางออกเดียว นั่นคือสิ่งที่เครื่องผสมสัญญาณอนาล็อกและดิจิตอลทุกเครื่องทำเพราะเป็นสิ่งที่อากาศทำและเป็นสิ่งที่สมองของคุณทำ

น่าเสียดายที่สิ่งนี้ดูเหมือนจะเป็นความเข้าใจผิดที่พบบ่อยซึ่งแสดงให้เห็นโดยอัลกอริทึม "การผสม" (การบิดเบือน) อื่น ๆ ที่ไม่ถูกต้องเหล่านี้:

• การผสมเสียงดิจิตอล (ผิดวิธี)
• เทคนิคการผสมตัวอย่างเสียงอย่างรวดเร็วและสกปรกเพื่อหลีกเลี่ยงการตัด (อย่าทำสิ่งนี้)

"การหารด้วย N" เรียกว่าheadroom ; ห้องพิเศษสำหรับจุดสูงสุดที่จัดสรรเหนือระดับ RMS ของรูปคลื่น ปริมาณของ headroom ที่จำเป็นสำหรับการส่งสัญญาณจะถูกกำหนดโดยสัญญาณของปัจจัยยอด (ความเข้าใจผิดเกี่ยวกับระดับสัญญาณดิจิตอลและส่วนหัวอาจเป็นส่วนหนึ่งที่ทำให้เกิดความผิดพลาดในสงครามเสียงดังและเอเลเฟนunk )

ในฮาร์ดแวร์อะนาล็อก headroom อาจจะเป็น 20 เดซิเบล ในฮาร์ดแวร์ DSP มักใช้จุดคงที่พร้อมกับส่วนหัวคงที่ ตัวอย่างเช่นSigmaDSP ของ ADมีขนาด 24 เดซิเบล ในซอฟต์แวร์คอมพิวเตอร์การประมวลผลเสียงมักจะดำเนินการในจุดลอยตัว 32 บิตดังนั้น headroom จึงมีขนาดใหญ่มาก

เป็นการดีที่คุณไม่จำเป็นต้องหารด้วย N เลยคุณแค่รวมสัญญาณเข้าด้วยกันเพราะสัญญาณของคุณจะไม่ถูกสร้างขึ้นที่ 0 dBFS ในตอนแรก

โปรดทราบว่าสัญญาณส่วนใหญ่ไม่ได้มีความสัมพันธ์ซึ่งกันและกันดังนั้นจึงเป็นเรื่องผิดปกติสำหรับช่องทางทั้งหมดของมิกเซอร์ที่จะเข้าไปแทรกแซงการก่อสร้างในเวลาเดียวกัน ใช่การผสมคลื่นไซน์ในเฟสเดียวกัน 10 รายการจะเพิ่มระดับสูงสุด 10 เท่า (20 เดซิเบล) แต่การผสมแหล่งกำเนิดเสียงที่ไม่สอดคล้องกัน 10 แหล่งจะเพิ่มระดับสูงสุดเพียง 3.2 เท่า (10 เดซิเบล) สำหรับสัญญาณจริงค่าจะอยู่ระหว่างสุดขั้วเหล่านี้

ในการรับสัญญาณมิกซ์จาก DAC โดยไม่ต้องเล็มคุณก็จะได้รับการมิกซ์ หากคุณต้องการรักษาระดับ RMS ของการมิกซ์ไว้สูง ๆ โดยไม่ต้องตัดอย่างหนักคุณจะต้องใช้การบีบอัดบางชนิดเพื่อ จำกัด ยอดของรูปคลื่น แต่นี่ไม่ใช่ส่วนหนึ่งของการผสมมันเป็นขั้นตอนที่แยกต่างหาก คุณผสมก่อนด้วยเฮดรูมมากมายจากนั้นใส่ผ่านการบีบอัดช่วงไดนามิกในภายหลังหากต้องการ

สูตร

$AB = A*B$

$g\le 1$

$g = 0.5$$g = 1/\sqrt{2}$

$g$

$g[i]$$A$$B$$g$$\text{result}$

บางทีนี่อาจเป็น:

UPDATE: ตามคำแนะนำของ hotpaw2 คุณสามารถหน่วงสัญญาณอินพุทได้ แต่ไม่ใช่การระงับการรับสัญญาณ สิ่งนี้เรียกว่า "ตัว จำกัด การดูล่วงหน้า"

วิธีนี้สามารถทำได้สำหรับการผสมแบบเรียลไทม์เพื่อใช้ AGC ที่ดูล่วงหน้าซึ่งการได้รับหนึ่งหรือทั้งสองช่องสัญญาณจะลดลงในอัตราที่ยากต่อการรับรู้ก่อนที่แอมพลิจูดรวมจะเกินขีด จำกัด การคลิป ยิ่งมองไปข้างหน้าน้อยลงการปรับอัตราขยาย AGC จะได้ยินได้มากขึ้นหรืออัตราขยายสูงสุดสำหรับการปรับอัตราขยายที่นุ่มนวลจะเข้าใกล้มากขึ้นถึง 0.5 ต่อช่องที่ขีด จำกัด สำหรับแหล่งเสียงที่มีความสามารถคาดการณ์ได้เราสามารถใช้สถิติเกี่ยวกับพฤติกรรมของซองจดหมายเมื่อเวลาผ่านไปเพื่อคาดเดาขีด จำกัด การปรับตัว แต่มีความเป็นไปได้ที่จะเกิดความล้มเหลว (ซึ่งอาจเป็นการปรับค่า AGC แบบฉับพลัน)

ฉันได้พูดคุยกับนักออกแบบเครื่องผสมในช่วงปลายปี 1990 และปี 2000 คนแรกที่เกิดขึ้นในคลื่นดิจิตอล ฉันคิดว่าผู้ชายคนนี้เป็นนักออกแบบสำหรับ SPL แต่อาจจะไม่ใหญ่ขนาดนั้นฉันจำไม่ได้เลยว่าไม่ใช่ทั้งชื่อและแบรนด์ฉันแค่จำได้ว่าตัวเครื่องใหญ่และแพงจริงๆ

เราพูดกันมานานและในที่สุดก็พูดถึงเทคนิคในการรับรองว่าช่องสัญญาณ 64/128 @ 24bits ของพวกเขารวมกันนั้นยังคงเป็นช่องสัญญาณผสมที่แม่นยำ 24 บิตโดยไม่มีการตัด

เทคนิคที่เขาอธิบายนั้นค่อนข้างง่าย 64 แทร็ก (ใน 24 บิต) ถูกเพิ่มเข้ามาในช่อง 48 บิตซึ่งการคลิปไม่สามารถเกิดขึ้นได้ ตรง.

ฉันไม่สามารถพูดได้ว่าวิธีการที่สัญญาณนั้น dithered 48 กลับจากที่ 24 บิต อาจจะเป็นที่ที่ใช้สูตรครัวที่ยุ่งยาก

และอาจมีเทคนิคมากมายที่จะทำให้สำเร็จเหนือสิ่งอื่นใดไม่ว่าจะเป็นในแบบเรียลไทม์หรือด้วยสัญญาณทั้งหมดที่บันทึกไว้ด้วยจุดสูงสุดที่ง่ายต่อการพิจารณา ... การปรับสภาพแบบปกติทุกอย่างที่ฉันคิด

ลดระดับเสียงของโลก ตัวติดตามแรงกระตุ้นส่งสัญญาณแบบคลาสสิกที่ระดับเสียงสูงสุด 33% โดยค่าเริ่มต้น

ดูเหมือนว่าทั้งสองดังพอสำหรับเพลงที่มีช่องไม่กี่ (4 ช่อง Amiga MODs) และเบาพอสำหรับเพลงที่มี 50 ช่อง (เนื่องจากเนื้อหาของช่องโดยทั่วไปจะไม่สัมพันธ์กันดังนั้นระดับเสียงจึงไม่เพิ่มขึ้นอย่างรวดเร็วในระดับหนึ่ง ... บวกสองสามแชนเนลที่จะส่งออกที่ระดับเสียงสูงสุด นอกจากนี้ยังมีพื้นที่ว่างเพียงพอสำหรับช่องแพนแพนด้านซ้ายหรือขวา (ซึ่งใช้ช่วง 66%)

นอกจากนี้คุณไม่ต้องการที่จะเพิ่มช่องของคุณเข้าด้วยกันใน 16 บิตคุณต้องการที่จะเพิ่มช่องของคุณเข้าด้วยกันใน 32 บิตจากนั้นตัดผลลัพธ์และลดลงเป็น 16 บิตในตอนท้าย คุณจะต้องมีช่วงที่สูงขึ้นเพื่อที่จะได้ไม่พันรอบในขณะที่ทำคณิตศาสตร์ อีกทางเลือกหนึ่งคือการใช้จุดลอยตัว 32 บิต (ซึ่งสะดวกสำหรับการทำฟิลเตอร์เอฟเฟกต์ ฯลฯ )

ฉันคิดว่ากุญแจสำคัญคือถ้าคุณมีค่า 16 บิตและเพิ่ม 2 ค่าของคุณเข้าด้วยกันซึ่งอาจเป็นมากกว่าค่าสูงสุดคุณก็มี 2 ตัวเลือก:

1) เพิ่มทั้ง 32 บิตเพิ่มจากนั้นส่งคืนค่าสูงสุดหากการเพิ่มเกินค่านั้น แล้วเหวี่ยงมันกลับไปที่ 16 บิต ตัวอย่างเช่นหากค่าของคุณคือ 32768 และ 34567 จะมีค่าเกิน 65535 และคีย์คือให้ส่งคืน 65535 คุณจะทำสิ่งเดียวกันหากใช้ค่าที่ลงชื่อในตอนท้ายสุดของค่าต่ำสุด

2) บีบอัดค่าทั้งสองแล้วเพิ่มเข้าด้วยกัน

อันแรกก็คือการตัดที่ยากเป็นหลักที่สองคือการตัดที่อ่อนนุ่ม ระบบอะนาล็อกนั้นถูกตัดอย่างหนัก

พวกเขาจะเป็นสองเท่าของพื้นที่ถ้าความถี่ในแทร็กทั้งสองนั้นใช้ความถี่ของพื้นที่เท่ากันอย่างชาญฉลาด ใช้ eq และการบีบอัดเพื่อหลีกเลี่ยงปัญหานี้โดยการแกะสลักส่วนต่าง ๆ ของสเปกตรัมความถี่สำหรับแต่ละเสียงและควบคุมเสียงชั่วครู่และเสียงคงที่เพื่อให้ทุกอย่างโผล่ออกมาในที่ที่ควร บางทีนั่นอาจไม่ตอบคำถาม คุณสามารถหน่วงสัญญาณความถี่ต่ำได้ถึง 2 ms มันจะไม่ยกเลิกผ่านเฟสเพราะความยาวคลื่นยาวกว่าความถี่ที่สูงขึ้นและมันจะเพิ่มพื้นที่ว่างเนื่องจากทรานแซคชันไม่ตรงตามเวลาด้วยสัญญาณเบสพลังเสียงหิว สิ่งที่เพิ่มความล่าช้าเชิงเส้นมากขึ้นสัญญาณที่ต่ำลงจะน่าสนใจในการทดสอบ

A + B + {
    (|A| = A) = (|B| = B) = true: -AB;
    (|A| = A) = (|B| = B) = false: AB;
    else: 0
}

นั่นคือถ้าทั้ง A และ B แชร์สัญญาณให้ใช้ออฟเซ็ตขีด จำกัด ขนาดของ offset เป็นผลคูณของ A และ B ทิศทางของ offset ตรงข้ามกับ A และ B

หาก A และ B ไม่แชร์สัญญาณจะไม่มีการ จำกัด เนื่องจากไม่มีวิธีล้น

คำแนะนำของฉัน:

1. แปลงรูปแบบเสียงแทร็กจากจุดคงที่ 16 บิตเป็นจุดลอยตัว 32 บิต
2. เพิ่มค่าตัวอย่างปัจจุบันของแทร็กทั้งหมดที่จะผสม
3. อย่าทำอะไรอย่างอื่น

ผู้ใช้อาจต้องการประมวลผลสตรีมแบบผสมนี้ด้วยการบีบอัดและ / หรือการ จำกัด ก่อนการทำ dithering และ reconversion เป็นรูปแบบจุดคงที่ 16 บิต (สมมติว่าการแปลงนี้ ... มิกซ์ดาวน์เพื่อส่งไปยังวิศวกรผู้เชี่ยวชาญมักจะอยู่ในรูปแบบความละเอียดสูงกว่า)