Specifikace a formáty zvuku | Vývojářský portál T-Bank

Jakýkoli zvuk jsou vlny různých frekvencí a amplitud, které se šíří vzduchem. Pro získání zvukového souboru je nutné zvukové vlny nejprve převést na elektrické signály a poté na binární data, která mohou elektronická zařízení zpracovat.

Nejrozšířenější metodou digitalizace zvukových signálů je pulzně-kódová modulace (PCM).

Vzorkovací frekvence a bitová hloubka

Zvukové signály se digitalizují pomocí diskretizace – vzorkování. Signál se měří ve stejných časových intervalech a hodnota amplitudy signálu se zaznamenává v okamžiku měření – jedná se o vzorek. Pokud se signál měří 16 000krát za sekundu, vzorkovací frekvence je 16 000 Hz. Například pro telefonní komunikaci se obvykle používá frekvence 8 000 Hz.

Pokud máte na výběr, je lepší pro rozpoznávání použít zvuk s frekvencí 16 000 Hz nebo vyšší, protože vzorkování na nižší frekvenci může vést ke ztrátě přesnosti rozpoznávání – zejména pokud je ve zvuku přítomen šum v pozadí.

Po digitalizaci jsou signály převedeny do binární formy. Bitová hloubka určuje, kolik bitů je alokováno pro uložení jednoho vzorku.

Čím vyšší je bitová hloubka a vzorkovací frekvence, tím přesněji se výsledný digitální signál shoduje s originálem.

Komprese a ztráta kvality

Zvukové soubory lze komprimovat pro ukládání a přenos. Komprese může být ztrátová nebo bezeztrátová.

Ztrátová komprese zahodí některá zvuková data a nelze je obnovit. Nekomprimovaný zvuk je nejblíže původnímu zvuku.

Jaké formáty a kodeky jsou podporovány

Zvukový formát je druh nádoby, do které je pomocí speciálního programu, kodeku, nahráván zvukový signál. U některých formátů lze kodek jednoznačně určit. Například formát MP3 vždy používá kodek MPEG Audio Layer III, zatímco FLAC může používat různé kodeky.

Tabulka kodeků a příklady formátů podporovaných VoiceKitem:

Můžete také použít soubory RAW, které obsahují nezpracované zvukové signály. Pokud je zvuk v kontejneru (WAV, Ogg atd.), je nutné jej před rozpoznáním dekódovat – s výjimkou MP3: ten lze přenášet tak, jak je.

Metoda syntézy řeči vrací nezpracovaný soubor – v případě potřeby výsledné vzorky zabalí do požadovaného formátu.

Jak správně specifikovat kódování

Chcete-li pochopit, jakou hodnotu kódování zadat pro zvukové soubory:

1. Podívejte se na příponu souboru:
   • .mp3 – specifikuje MPEG_AUDIO;
   • .opus — specifikace RAW_OPUS;
   • .aac – určuje ADTS_AAC.
2. Pro kontrolu vlastností zvuku použijte speciální utility. Příklady spuštění utilit pro soubor test.wav s výstupem:
   • souborový nástroj:

$ file test.wav test.wav: RIFF (little-endian) data, WAVE audio, ITU G.711 mu-law, mono 48000 Hz 

$ soxi test.wav Input File : 'test.wav' Channels : 1 Sample Rate : 48000 Precision : 14-bit Duration : 00:00:34.31 = 1646649 samples ~ 2572.89 CDDA sectors File Size : 1.65M Bit Rate : 384k Sample Encoding: 8-bit u-law 

ffprobe -i Input #0, wav, from 'test.wav': Duration: 00:00:34.31, bitrate: 384 kb/s Stream #0:0: Audio: pcm_mulaw ([7][0][0][0] / 0x0007), 48000 Hz, 1 channels, s16, 384 kb/s 

Tabulka s důležitými hodnotami ve výstupu utility a možnostmi kódování pro každou hodnotu: