T16 - Audiokompression und Sprachanalysde mit Cepstrum

• verkleinern der Datenmenge

• mit möglichst hohem erhalt der audioqualität

• Mikrofone sensibler als unser gehör

• -> analyse unseres gehörs um zu wissen welche teile man eh schlecht/nicht hören kann

• -> entfernen dieser im zuge einer kompression…

• verbindet akustik

• mit menschlicher schallwahrnehmung

• => beziehung zw. objektiven physikalischen größen und subjektivem wahrnehmen der Menschen

physikalische größen e.g.

• schalldruch

• frequenz

• schalldauer

• empfindungen

• -> einführen von neuen “subjektiven” größen für die objektiven physikalischen größen

  • “lautheit”

  • lautstärkepegel

  • tonheit

• setzt objektive und subjektive größen

• durch modelle in verbindung

=> sieht bei jedem Menschen bisschen anders aus…

• verdeckung eines leiseren tones

• durch ein lauteren ton in naher frequenz

=> verändert hörschwelle

• hier: lauiter ton bei 1kHz

• -> verändert hörschwelle (notwendigen schalldruck) für umliegende frequenzen…

• Ein sehr lauter stimulus kann töne verdecken

• die davor, während oder danach auftreten

• nach lautem Ton dauert es eine weile bis sich unser gehör wieder angepasst hat… (kann unmittelbar danach leisen ton verdecken…)

• !passiert auch davor…

• gehirn verarbeitet laute töne schneller

• -> dadurch überlagert durch zeitliche verzögerung das leise mit dem (späteren) lauten signal

• verkleinerung der datei

• ohne subjektive wahrnehmung des hörers zu beeinträchtigen

  • => im hörbereich möglichst wenig komprimieren

  • => außerhalb: möglichst stark komprimieren

• Alle frequenzen raus die unter der hörschwelle liegen

• alle frequeznen die von anderen frequenzen höherer amplituden überlagert werden weg

• leise töne die direkt vor oder nach lauteren tönen kommen weg

• => i.e. psychoakustisches modell

• -> unterstützt komoressionsalgorithmen

• MPEG audio layer 3

• audiodaten gehen in Filter und MDCT (modified discrete cosine transform)

• gehen auch in FFT und psychoakustisches model (erstellt maske für unsere daten was behalten werden soll und was rausgelassen werden kann)

• => gemasktes cosune transformed signal wird quantisiert

• -> datenstrom wird formatiert

=> ausgabe entspricht aktuell Frequenzbereich

-> müsste dann wieder in zeitbereich transformiert werden…

• luftröhre und stimmritze sind schallquelle

• rachen, mund, nasenhöle und gaumensegel sind filter die entsprecend den ton erzeugen

• trennung von quelle und filter in der sprachanalyse

• -> i.e. was ist die “grundfrequenz” die aus dem rachen kommt?

=> sprechererkennung

=> spracherkennung

• modellieren der erzeugten sprache als gefaltetes signal von quellsignal (x(t)) und filter (h(t))

• transformation von sprachsignal in frequenzbereich (reguläre FT)

• -> welcher “peak” (i.e. frequenz) gehört zu der “Quelle”?

1. betrachten der frequenz im logarithmischen (logarithmus des amplitudenspektrums; kann aber auch auf komplexem machen)

2. inverse fourier transformation darauf

   1. -> entspricht unserem cepstrum

• additiv

• -> dadurch kann man gewünschten teil (i.e. filter) subtrahieren…