初識(shí)音頻

從初中物理上我們就學(xué)到，聲音是一種波。計(jì)算機(jī)只能處理離散的信號(hào)，通過收集足夠多的離散的信號(hào)，來不斷逼近波形，這個(gè)過程我們叫做采樣。怎么樣才能更好的還原聲音信息呢？這里很自然引出兩個(gè)概念了。

采樣頻率(Sample Rate)：每秒采集聲音的數(shù)量，它用赫茲(Hz)來表示。

采樣率越高越靠近原聲音的波形，常見的采樣率有以下幾種：

• 8khz：電話等使用，對(duì)于記錄人聲已經(jīng)足夠使用。
• 22.05khz：廣播使用頻率。
• 44.1kb：音頻CD。
• 48khz：DVD、數(shù)字電視中使用。
• 96khz-192khz：DVD-Audio、藍(lán)光高清等使用。

采樣精度(Bit Depth): 它表示每次采樣的精度，位數(shù)越多，能記錄的范圍就越大。

采樣精度常用范圍為8bit-32bit，而CD中一般都使用16bit。

把聲音記錄下來之后，通過喇叭的震動(dòng)把波再還給空氣傳到你的耳朵就完成了這個(gè)完美的循環(huán)了。但是富有創(chuàng)造力的人類不會(huì)限制于此就結(jié)束了，很快人們發(fā)現(xiàn)，當(dāng)把不同的聲音傳遞到不同的喇叭的時(shí)候，竟然會(huì)驚奇地讓聲音變得有空間感了，即時(shí)是同一個(gè)聲音，也比單個(gè)通道能獲得更好的體驗(yàn)，于是就出現(xiàn)了什么立體聲，5.1 環(huán)繞等看起來很高大上的東西。所以，音頻又多了一個(gè)東西：

聲音通道(Channel): 你知道每個(gè)通道存儲(chǔ)的聲音會(huì)從其中的一個(gè)喇叭出來就好了，不過可以通過算法的模擬來讓沒有那么多喇叭也能出來類似的效果。

有了聲音通道，樂隊(duì)在錄音的時(shí)候就可以每個(gè)人插一條音軌了，然后每一個(gè)聲音可以寫到不同的通道里面，當(dāng)然，實(shí)際錄音當(dāng)然都是后期混音而成的。下面介紹的其中一個(gè)混音算法會(huì)用到聲音通道這個(gè)特性。

最后再介紹一個(gè)大家經(jīng)?？吹降母拍睿?/p>

比特率(bps [bits per second]): 其實(shí)看單位就很容易知道它要表達(dá)的意思了，就是每秒鐘要播放多少 bit 的數(shù)據(jù)。公式一目了然：

比特率 = 采樣率 × 采樣深度 × 通道。

比如 采樣率 = 44100，采樣深度 = 16，通道 = 2 的音頻的的比特率就是 44100 16 2 = 1411200 bps。

一般來說，比特率越高，音頻質(zhì)量越好。要注意一些比特率的換算不是 1024 作為一個(gè)級(jí)別換算的哈。

1,000 bps = 【1 kbps】 = 1,000 bit/s
1,000,000 bps = 【1 Mbps】 = 1,000,000 bit/s 
1,000,000,000 bps = 【1 Gbps】 = 1,000,000,000 bit/s

音頻在計(jì)算機(jī)中的表示

我們來看一下真實(shí)音頻在計(jì)算機(jī)中究竟是怎樣的表示狀態(tài)，這里指的是原始的數(shù)據(jù)表示，而非編碼(Mp3,Acc等)后的表示，平時(shí)我們看到的.wav后綴的音頻，把前面 44 個(gè)字節(jié)用于記錄采樣率、通道等的頭部信息去掉后就是就是原始的音頻數(shù)據(jù)了。

在理解了上面的概念之后，我們?cè)賮砜催@張圖。對(duì)于文件頭部信息我們就不詳細(xì)介紹了，不影響我們理解介紹的混音處理方式，需要了解的可以點(diǎn)擊這里。

我們抽取其中的一個(gè)采樣來看，這里我加多了一個(gè)通道，便于大家理解通道的存儲(chǔ)位置。

不難理解，這個(gè)采樣中有三個(gè)通道，每通道采樣精度是 16 比特。每個(gè)采樣值的排序是 Little-Endian 低位在前的方式，比如通道 1 的采樣值就是 AB03, 每個(gè)采樣值的大小表示的是幅度信息。

混音的原理

音頻混音的原理: 空氣中聲波的疊加等價(jià)于量化的語音信號(hào)的疊加。

這句話可能有點(diǎn)拗口，我們從程序員的角度去觀察就不難理解了。下圖是兩條音軌的數(shù)據(jù)，將每個(gè)通道的值做線性疊加后的值就是混音的結(jié)果了。比如音軌A和音軌B的疊加，A.1 表示 A 音軌的 1 通道的值 AB03 , B.1 表示 B 音軌的 1 通道的值 1122 , 結(jié)果是 bc25，然后按照低位在前的方式排列，在合成音軌中就是 25bc，這里的表示都是 16 進(jìn)制的。

直接加起來就可以了？事情如果這么簡(jiǎn)單就好了。音頻設(shè)備支持的采樣精度肯定都是有限的，一般為 8 位或者 16 位，大一些的為 32 位。在音軌數(shù)據(jù)疊加的過程中，肯定會(huì)導(dǎo)致溢出的問題。為了解決這個(gè)問題，人們找了不少的辦法。這里我主要介紹幾種我用過的，并給出相關(guān)代碼實(shí)現(xiàn)和最終的混音效果對(duì)比結(jié)果。

線性疊加平均

這種辦法的原理非常簡(jiǎn)單粗暴，也不會(huì)引入噪音。原理就是把不同音軌的通道值疊加之后取平均值，這樣就不會(huì)有溢出的問題了。但是會(huì)帶來的后果就是某一路或幾路音量特別小那么整個(gè)混音結(jié)果的音量會(huì)被拉低。

以下的的單路音軌的音頻參數(shù)我們假定為采樣頻率一致，通道數(shù)一致，通道采樣精度統(tǒng)一為 16 位。

其中參數(shù) bMulRoadAudios 的一維表示的是音軌數(shù)，二維表示該音軌的音頻數(shù)據(jù)。

Java 代碼實(shí)現(xiàn)：

@Override
 public byte[] mixRawAudioBytes(byte[][] bMulRoadAudios) {

  if (bMulRoadAudios == null || bMulRoadAudios.length == 0)
  return null;
  byte[] realMixAudio = bMulRoadAudios[0];
  if(realMixAudio == null){
  return null;
  }
  final int row = bMulRoadAudios.length;

  //單路音軌
  if (bMulRoadAudios.length == 1)
  return realMixAudio;
  //不同軌道長(zhǎng)度要一致，不夠要補(bǔ)齊
  for (int rw = 0; rw < bMulRoadAudios.length; ++rw) {
  if (bMulRoadAudios[rw] == null || bMulRoadAudios[rw].length != realMixAudio.length) {
   return null;
  }
  }

  /**
  * 精度為 16位
  */
  int col = realMixAudio.length / 2;
  short[][] sMulRoadAudios = new short[row][col];
  for (int r = 0; r < row; ++r) {
  for (int c = 0; c < col; ++c) {
   sMulRoadAudios[r][c] = (short) ((bMulRoadAudios[r][c * 2] & 0xff) | (bMulRoadAudios[r][c * 2 + 1] & 0xff) << 8);
  }
  }

  short[] sMixAudio = new short[col];
  int mixVal;
  int sr = 0;
  for (int sc = 0; sc < col; ++sc) {
  mixVal = 0;
  sr = 0;
  for (; sr < row; ++sr) {
   mixVal += sMulRoadAudios[sr][sc];
  }
  sMixAudio[sc] = (short) (mixVal / row);
  }

  for (sr = 0; sr < col; ++sr) {
  realMixAudio[sr * 2] = (byte) (sMixAudio[sr] & 0x00FF);
  realMixAudio[sr * 2 + 1] = (byte) ((sMixAudio[sr] & 0xFF00) >> 8);
  }
  return realMixAudio;
 }

自適應(yīng)混音

參與混音的多路音頻信號(hào)自身的特點(diǎn),以它們自身的比例作為權(quán)重,從而決定它們?cè)诤铣珊蟮妮敵鲋兴嫉谋戎?。具體的原理可以參考這篇論文：快速實(shí)時(shí)自適應(yīng)混音方案研究。這種方法對(duì)于音軌路數(shù)比較多的情況應(yīng)該會(huì)比上面的平均法要好，但是可能會(huì)引入噪音。

Java 代碼實(shí)現(xiàn)：

 @Override
 public byte[] mixRawAudioBytes(byte[][] bMulRoadAudios) {
  //簡(jiǎn)化檢查代碼
  /**
  * 精度為 16位
  */
  int col = realMixAudio.length / 2;
  short[][] sMulRoadAudios = new short[row][col];
  for (int r = 0; r < row; ++r) {
  for (int c = 0; c < col; ++c) {
   sMulRoadAudios[r][c] = (short) ((bMulRoadAudios[r][c * 2] & 0xff) | (bMulRoadAudios[r][c * 2 + 1] & 0xff) << 8);
  }
  }

  short[] sMixAudio = new short[col];
  int sr = 0;
  double wValue;
  double absSumVal;
  for (int sc = 0; sc < col; ++sc) {
  sr = 0;
  wValue = 0;
  absSumVal = 0;
  for (; sr < row; ++sr) {
   wValue += Math.pow(sMulRoadAudios[sr][sc], 2) * Math.signum(sMulRoadAudios[sr][sc]);
   absSumVal += Math.abs(sMulRoadAudios[sr][sc]);
  }
  sMixAudio[sc] = absSumVal == 0 ? 0 : (short) (wValue / absSumVal);
  }

  for (sr = 0; sr < col; ++sr) {
  realMixAudio[sr * 2] = (byte) (sMixAudio[sr] & 0x00FF);
  realMixAudio[sr * 2 + 1] = (byte) ((sMixAudio[sr] & 0xFF00) >> 8);
  }
  return realMixAudio;
 }

多通道混音

在實(shí)際開發(fā)中，我發(fā)現(xiàn)上面的兩種方法都不能達(dá)到滿意的效果。一方面是和音樂相關(guān)，對(duì)音頻質(zhì)量要求比較高；另外一方面是通過手機(jī)錄音，效果肯定不會(huì)太好。不知道從哪里冒出來的靈感，為什么不試著把不同的音軌數(shù)據(jù)塞到不同的通道上，讓聲音從不同的喇叭上同時(shí)發(fā)出，這樣也可以達(dá)到混音的效果??！而且不會(huì)有音頻數(shù)據(jù)損失的問題，能很完美地呈現(xiàn)原來的聲音。

于是我開始查了一下 Android 對(duì)多通道的支持情況，對(duì)應(yīng)代碼可以在android.media.AudioFormat中查看,結(jié)果如下：

public static final int CHANNEL_OUT_FRONT_LEFT = 0x4;
public static final int CHANNEL_OUT_FRONT_RIGHT = 0x8;
public static final int CHANNEL_OUT_FRONT_CENTER = 0x10;
public static final int CHANNEL_OUT_LOW_FREQUENCY = 0x20;
public static final int CHANNEL_OUT_BACK_LEFT = 0x40;
public static final int CHANNEL_OUT_BACK_RIGHT = 0x80;
public static final int CHANNEL_OUT_FRONT_LEFT_OF_CENTER = 0x100;
public static final int CHANNEL_OUT_FRONT_RIGHT_OF_CENTER = 0x200;
public static final int CHANNEL_OUT_BACK_CENTER = 0x400;
public static final int CHANNEL_OUT_SIDE_LEFT =  0x800;
public static final int CHANNEL_OUT_SIDE_RIGHT = 0x1000;

一共支持 10 個(gè)通道，對(duì)于我的情況來說是完全夠用了。我們的耳機(jī)一般只有左右聲道，那些更多通道的支持是 Android 系統(tǒng)內(nèi)部通過軟件算法模擬實(shí)現(xiàn)的，至于具體如何實(shí)現(xiàn)的，我也沒有深入了解，在這里我們知道這回事就行了。我們平時(shí)所熟知的立體聲，5.1 環(huán)繞等就是上面那些通道的組合。

 int CHANNEL_OUT_MONO = CHANNEL_OUT_FRONT_LEFT;
 int CHANNEL_OUT_STEREO = (CHANNEL_OUT_FRONT_LEFT | CHANNEL_OUT_FRONT_RIGHT);
 int CHANNEL_OUT_5POINT1 = (CHANNEL_OUT_FRONT_LEFT | CHANNEL_OUT_FRONT_RIGHT |
   CHANNEL_OUT_FRONT_CENTER | CHANNEL_OUT_LOW_FREQUENCY | CHANNEL_OUT_BACK_LEFT | CHANNEL_OUT_BACK_RIGHT);

知道原理之后，實(shí)現(xiàn)起來非常簡(jiǎn)單，下面是具體的代碼：

  @Override
  public byte[] mixRawAudioBytes(byte[][] bMulRoadAudios) {
   int roadLen = bMulRoadAudios.length;
   //單路音軌
   if (roadLen == 1)
    return bMulRoadAudios[0];
   int maxRoadByteLen = 0;
   for(byte[] audioData : bMulRoadAudios){
    if(maxRoadByteLen < audioData.length){
     maxRoadByteLen = audioData.length;
    }
   }

   byte[] resultMixData = new byte[maxRoadByteLen * roadLen];
   for(int i = 0; i != maxRoadByteLen; i = i + 2){
    for(int r = 0; r != roadLen; r++){
     resultMixData[i * roadLen + 2 * r] = bMulRoadAudios[r][i];
     resultMixData[i * roadLen + 2 * r + 1] = bMulRoadAudios[r][i+1];
    }
   }
   return resultMixData;
  }

結(jié)果比較

線性疊加平均法雖然看起來很簡(jiǎn)單，但是在音軌數(shù)量比較少的時(shí)候取得的效果可能會(huì)比復(fù)雜的自適應(yīng)混音法要出色。
自適應(yīng)混音法比較合適音軌數(shù)量比較多的情況，但是可能會(huì)引入一些噪音。

多通道混音雖然看起來很完美，但是產(chǎn)生的文件大小是數(shù)倍于其他的處理方法。

沒有銀彈，還是要根據(jù)自己的應(yīng)用場(chǎng)景來選擇，多試一下。

下面是我錄的兩路音軌：

音軌一：

音軌二：

線性疊加平均法：

自適應(yīng)混音法：

多通道混音：

采樣頻率、采樣精度和通道數(shù)不同的情況如何處理？

不同采樣頻率需要算法進(jìn)行重新采樣處理，讓所有音軌在同一采樣率下進(jìn)行混音，這個(gè)比較復(fù)雜，等有機(jī)會(huì)再寫篇文章介紹。

采樣精度不同比較好處理，向上取精度較高的作為基準(zhǔn)即可，高位補(bǔ)0；如果是需要取向下精度作為基準(zhǔn)的，那么就要把最大通道值和基準(zhǔn)最大值取個(gè)倍數(shù)，把數(shù)值都降到最大基準(zhǔn)數(shù)以下，然后把低位移除。

通道數(shù)不同的情況也和精度不同的情況相似處理。

參考資料

多媒體會(huì)議中的快速實(shí)時(shí)自適應(yīng)混音方案研究

總結(jié)

以上就是這篇文章的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，如果有疑問大家可以留言交流，謝謝大家對(duì)腳本之家的支持。

最新評(píng)論