Compresión de audio MPEG (página 5)

La función SPREADING (esparcir, extender)

Muchos puntos en la descripción del modelo hacen referencia a la función spreading. Esta se calcula de la sig. manera:

tmpx=1.05 (j-i)

Donde i es el valor Bark de la señal a ser extendida (spread) y j es el valor Bark de la banda a ser extendida dentro de i. Tmpx es una variable temporal.

x= 8.minimo[ (tmpx-0,5)2 – 2.(tmpx-0,5) , 0 ]

Donde x es una variable temporal y mínimo(a,b) devuelve el valor más negativo entre a y b.

tmpy = 15,811389 + 7,5.(tmpx+0,474) – 17,5.[1,0 + (tmpx+0,474)2 ]0,5

Donde tmpy es otra variable temporal.

if (tmpy < -100)

Sprdngf(i,j) = 0

else

Sprdngf(i,j) = 10(x+tmpy)/10

end if

Pasos en el cálculo del umbral

1. La longitud de desplazamiento (iblen) de las muestras nuevas está disponible en cada llamada al generador de umbral. El generador de umbral debe almacenar 1024 muestras iblen y concatenarlas (a esas muestras), para reconstruir precisamente 1024 muestras consecutivas de la señal de entrada si donde i representa el índice tal que 1 < i < 1024 para el actual flujo de entrada.

2. Reconstrucción de 1024 muestras de la señal de entrada.
3. Cálculo del espectro complejo de la señal de entrada.

1. swi = si * [0.5 – 0.5 (cos 2p (i – 0.5))]

   1024

   Notar que en layer III una ventana más corta puede usarse en caso de que window_switching esté activo, con el apropiado centrado de la ventana. (ver descripción del codificador Layer III)

2. Si se enmarca (windowed) con una ventana tipo Hann de 1024 puntos. Por ejemplo:
3. Se calcula la FFT de swi
4. Se calcula representación polar de la transformada donde se obtiene rw y fw que representan las componentes de amplitud y fase de la transformada de swi, respectivamente.

1. La magnitud r’ y fase f’, estimadas por un cálculo predictivo, son calculadas a partir los 2 bloques de cálculos de umbral precedentes r y f:

   r’w = 2*rw(t-1) – rw(t-2) ver que: x(t) = x(t-1) + [x(t-1) – x(t-2)]

   f’w = 2*fw(t-1) – fw(t-2)

   Donde t representa el bloque actual, t-1 apunta al bloque de datos previo y t-2 indica el bloque de datos anterior a t-1. O sea que el valor predicho es igual al anterior más la variación (con signo) del valor anterior con su predecesor.

2. Cálculo de r y f predichos.

   La medida de impredecibilidad Cw es:

   Cw = { [rw .cos(fw) – r’w .cos(f’w)]2 + [rw .sen(fw) – r’w .sen(f’w)]2 }0.5

   rw + abs(r’w)

   Sacrificando performance, (calidad), esta medición puede ser calculada sobre la porción más baja de las líneas de frecuencia solamente. Los cálculos se deberían extender desde Dc hasta por lo menos 3 KHz o, preferentemente, 7 KHz. Un límite superior inferior a 5.5 KHz puede reducir la performance considerablemente con respecto a los tests subjetivos realizados al algoritmo de audio. El valor de cw por encima de este límite debería ser seteado en 0.3. Mejores resultados se obtienen calculando cw hasta los 20 KHz. La impredecibilidad da, entonces, una idea del error de predicción cometido.

3. Cálculo de la medida de impredecibilidad cw
4. Cálculo de la Energía e Impredecibilidad en las particiones de cálculo de umbral.

La energía de cada partición, eb es:

Las particiones de cálculo del umbral proveen una resolución de aproximadamente una línea de FFT o de 1/3 de Bark (lo que resulte más ancho). A bajas frecuencias, una sola línea de la FFT constituirá una partición de cálculo. En altas frecuencias, muchas líneas se combinarán en una sola partición de cálculo.

Un conjunto de valores de partición se dan para cada una de las 3 tasas de muestreo en la tabla D3 ("Calculation Partition Tables"). Estos elementos de las tablas serán usados para el proceso de cálculo de umbral. Existen muchos elementos en cada entrada a la tabla:

2. El índice de la partición de cálculo, b
3. La línea de frecuencia más baja en la partición, w lowb
4. La línea de frecuencia más alta en la partición, w highb
5. El valor medio de Bark de la partición, bvalb
6. El límite inferior de SNR en la partición que controla los efectos de no-enmascarado de estéreo, minvalb
7. El valor de ruido tonal de enmascarado (tone masking noise) (en dB) para la partición, TMNb.

El valor más grande de "b", bmáx, igual al índice más alto, existe para cada tasa de muestreo.

1. bmáx

   ecbb = å ebb * sprdng(bvalbb,bvalb)

   bb=1

   bmáx

   ctb = å cbb * sprdng(bvalbb,bvalb)

   bb=1

   Dado que ctb está ponderado por la energía de la señal, éste debe ser normalizado a cbb.

   Cbb = ctb

   ecbb

   Al mismo tiempo, debido a la naturaleza no normalizada de la función spreading, ecbb debería ser renormalizado y, entonces calcular la energía normalizada, enb.

   Enb = ecbb * rnormb

   Donde el coeficiente de normalización, rnormb es:

   bmáx

   Rnormb=[ å sprdng(bvalbb,bvalb) ]-1

   bb=0

2. Convolucionar la energía particionada y la impredecibilidad con la función de Spreading.

   Tbb = -0,299 – 0,43 loge (cbb)

   Cada tbb está limitado en su rango a: 0<tbb<1

3. Convertir cbb a tbb, el índice de tonalidad

   NMTb = 5,5 dB para todos los b

   NMTb es el valor del ruido tonal de enmascaramiento (en dB) para la partición.

   La relación señal ruido requerida, SNRb es:

   SNRb = máximo [ minvalb , (tbb * TNMb + (1-tbb )*NMTb ) ]

   Donde la función máximo(a,b) retorna el valor menos negativo entre a y b.

4. Cálculo de la SNR requerida en cada partición

   La relación de potencia, bcb , es:

   bcb = 10 -SNRb/10

5. Cálculo de la relación de potencia.

   nbb = enb * bcb

6. Cálculo del umbral de energía actual, nbb.

   nbw = nbb

   w highb – w lowb +1

7. Extender (spread) el umbral de energía sobre las líneas de FFT, obteniendo nbw.

   thrw = max(nbw , absthrw )

   Los valores de absthrw (en dB) se encuentran en la tabla D4 (Absolute Threshold Tables) y son relativos al nivel que una señal senoidal de amplitud igual a ± 1/2 lsb (lest significant bit) tiene en la FFT utilizada para el cálculo del umbral. Los valores en dB deben ser convertidos en el dominio de la energía después de considerar la normalización de la FFT actualmente usada.

8. Incluir los umbrales absolutos, obteniendo el umbral de energía de audibilidad final, thrw :

   Para Layer III, el control de pre-eco tiene lugar en este punto. El control actual se describe en la parte de la especificación del codificador Layer III. Este paso se omite para los Layers I y II.

9. Control de Pre-eco
10. Cálculo de las relaciones señal-máscara, SMRn

La tabla D5 "Layer I y II coder partition table" muestra:

1. El índice n de la partición del codificador.
2. El índice más bajo w lown de la partición del codificador.
3. El índice más alto w highn de la partición del codificador.
4. El índice de ancho, widthn n donde widthn=1 para una banda de factores de escala (SCF band) psicoacústicamente angosta. Una banda de factores de escala psicoacústicamente angosta es aquella cuyo ancho es menor que 1/3 de la banda crítica, aproximadamente.

La energía en el SCF band, epartn es:

w highn

epartn = å rw2

w =w lown

Entonces si widthn = 1, el nivel de ruido en el SCF band, npartn se calcula como:

w highn

npartn = å thrw

w =w lown

sino,

npartn = mínimo [ thrw lown , …….., thrw highn] * [w highn – w lown +1]

Donde en este caso mínimo (a,…,z) es una función que retorna el argumento positivo más pequeño de la lista de argumentos a,…,z .

Las relaciones que se enviarán al codificador, SMRn , se calculan como:

SMRn = 10.log10 epartn

npartn

Modificaciones al modelo Psicoacústico II para su Uso con Layer III

Las adaptaciones que se le hacen al modelo psicoacústico 2 para su utilización con Layer III son las siguientes:

• El modelo se calcula 2 veces en paralelo.
• Un proceso se hace con una longitud de desplazamiento (shift length, iblen) de 192 muestras (para ser usados en bloques cortos). Para esto, la longitud del bloque de la FFT se cambia a 256 y otros parámetros cambian acordemente.
• Otro proceso se calcula con una shift length de 576 muestras (para bloques largos).
• Se realizan modificaciones en el cálculo de la impredecibilidad métrica del modelo psicoacústico 2. Estas son:

• Esta se calcula para las primeras 206 líneas espectrales, para las restantes esta se setea en el valor 0.4.
• Dentro de las primeras 206 líneas espectrales, para las primeras 6 líneas se utiliza una FFT larga (longitud de ventana = 1024 shiftlen=576) y,
• Para las líneas espectrales 6 a 205 se utiliza una FFT corta (longitud de ventana=256 shitlen=192.)

cw_l para 0 <= w < 6

cw(w) = cw_s para 6 <= w < 206

0,4 para w > 206

donde cw_l es la impredecibilidad calculada con la FFT larga,

cw_s es la impredecibilidad calculada desde el segundo bloque corto de los tres bloques cortos dentro de un gránulo

w corresponde al número de línea espectral.

• Otros parámetros internos del modelo se modifican (la función "spreading" y parámetros de conversión de la impredecibilidad).

if j > i

tempy = 3,0 (j-i)

else

tempy = 1,5 (j-i)

end if

Sólo los valores de sprdngf() > 10-6 se utilizan. los valores menores se setean en 0.Además:

conv1= -2,99

conv2= -0,43

• El valor de NMT (Noise Masking Tone) se establece en 6db para todas las particiones donde se calcula el umbral.
• El parámetro TMN (Tone Masking Noise) se establece en 29 dB para todas las particiones.
• La entropía psicoacústica se estima como la relación thr/eb donde thr es el umbral y eb es la energía.

pe = – å [cbwidthk . log (thrk / (ebk+1) )]

donde k indexa las particiones de cálculo de umbral y cbwidth es el ancho de la partición de cálculo de umbral (ver tabla C8)

• Se modifican constantes en el cálculo de pre-ecos. (ver diagrama de bloques)

rpelev=2

rpelev2=16

• El umbral no se extiende (spread) sobre las líneas de la FFT. Las particiones donde se calcula el umbral son convertidas directamente a SCF bands (bandas de factor de escala). Varias particiones conforman un SCF band y la 1ra y última de las particiones que conforman un SCF band son ponderados con constantes (ver tabla C8). Dicha tabla contiene también el número de particiones que conforman cada SCF band, excluyendo la primera y la última que deben ser ponderadas en forma especial.
• Los parámetros bo y bu que se utilizan para la conversión de particiones donde se calcula el umbral a SCF bands son incluidos en la Tabla C8.
• Para bloques cortos se utiliza una versión simplificada del cálculo del umbral (SNR constante). Estas constantes se pueden encontrar en la tabla C7.

Figura U.1. Diagrama de bloques del modelo psicoacústico 2: Cálculo del Umbral (Parte

Figura U.2. Diagrama de Bloques del modelo psicoacústico 2 Layer III: Cálculo del umbral para bloques cortos

8 – Aplicaciones del estándar MPEG-1.

Generalidades

Ya tenemos una idea medianamente clara de qué es y cómo funciona, pero ¿para qué sirve emplear tiempo y dinero en comprimir el sonido? Ya hemos visto los diferentes radios de compresión que alcanzan los tres layers:

El layer-1 obtiene la mayor calidad de sonido a 384 kbps. Las aplicaciones para las que resulta más útil son las relacionadas con la grabación, tanto en cinta como disco duro o discos magneto-ópticos, que aceptan esta tasa de bits sin problemas.

El layer-2 produce sus mejores resultados de calidad a 256 kbps, pero se mantiene en un nivel aceptable hasta los 64 kbps. Esto hace que se utilice en transmisión de audio, televisión, grabación profesional o doméstica y productos multimedia.

Ciertamente, el mejor miembro de la familia es el layer-3. Para una determinada calidad de sonido ofrece la menor tasa de bits y viceversa, fijando la tasa de bits ofrece la mejor calidad posible.   

Resumen de las características de performance las 3 capas

El layer-3 está orientado a aplicaciones donde la necesidad de un ancho de banda reducido justifique el costoso y sofisticado sistema de codificación. La calidad es excelente hasta 64 kbps, de forma que se utiliza, como veremos ahora con más detalle, en telecomunicaciones y sistemas de sonido profesional, así como al nivel de usuario por parte de aficionados con formación informática. Los siguientes puntos se complementan con ejemplos reales de la industria y el mercado del audio.

Conexiones musicales vía ISDN:

Las redes telefónicas digitales (ISDN = Integrated Services Digital Network) ofrecen servicios seguros de conexión con dos canales de datos de 64 kbps por adaptador; en otras redes los canales son de 56 kbps, pero en ambas los costes de transmisión son similares a las líneas telefónicas tradicionales, analógicas, que permiten un máximo de 33’6 kbps (vía módem). Con el layer-3 una conexión de banda estrecha ISDN de bajo coste permite transmitir sonido con calidad CD. Los estudios de sonido y estaciones de transmisión se benefician de la posibilidad de la "música por teléfono" de varias maneras. Se ahorra dinero, pues sólo se paga el tiempo de transmisión, a diferencia de la línea telefónica y únicamente se emplea un pequeño conector ISDN para cada canal. Los programas pueden aumentar su atractivo, ofreciendo tomas de alta calidad y noticias en directo sin la pérdida de calidad del sonido telefónico. Aparecen nuevos campos, como el Estudio Virtual, donde artistas en distintas localidades pueden tocar y grabar juntos sin necesidad de viajar hasta el estudio en sí.

  Ejemplos 

• En 1992, Radio FFN, una estación privada de Niedersachsen, Alemania, reemplazó sus líneas telefónicas tradicionales por conexiones ISDN y codecs layer-3, para transmitir 8 programas locales diarios al estudio central. El ahorro declarado en cuotas de transmisión fue de 300.000 $ anuales.

• En uno de los primeros ensayos reales de la potencia de este sistema, todas las estaciones de radio privadas en Alemania utilizaron codecs layer-3 durante los Juegos Olímpicos de Invierno en Albertville para conectar las diferentes localizaciones del evento con la sede central en Meribel, con gran éxito.

• En varios festivales internacionales de música se ha experimentado con éxito en la conexión entre lugares muy separados, uniendo a diferentes artistas en la interpretación de una obra.

   Transmisión digital por satélite:

Actualmente se encuentra en plena construcción un sistema de transmisión de sonido digital a escala mundial por satélite. El nombre del proyecto es Worldstar y utilizará tres satélites en órbita geoestacionaria, llamados AfriStar1 (21 Este), CaribStar1 (95 Oeste) y AsiaStar1 (105 Este), esperándose el lanzamiento del primero a mediados del año 1998 y partiendo los demás en los siguientes doce meses. Cada uno está equipado con tres canales de conexión que se pueden multiplexar en hasta 96 subcanales de 16 kbps. Estos son combinables dinámicamente, de manera que se pueden agrupar para formar canales de hasta 128 kbps de capacidad, codificados con el layer-3. Así, se pueden utilizar cuatro subcanales para formar uno de 64 kbps para transmitir un concierto y al finalizar, utilizar cada uno de ellos para enviar las noticias en cuatro idiomas diferentes.

La empresa responsable del proyecto, Worldspace, ofrece canales en sus tres satélites y ha firmado acuerdos con Voice of America, Radio Nederland, Kenia Broadcasting Corporation, National Broadcasting of Ghana, National Broadcasting of Zimbabwe, New Sky Media of Korea y RCN of Columbia, sumando en total un millón de dólares en inversiones. Alcatel Espace, de Francia, se encarga tanto de la contratación de la lanzadera como del equipo de comunicaciones. Los receptores se han diseñado buscando la máxima simplicidad con los resultados más efectivos. Se han previsto dos millones de estas unidades, que apenas requerirán sintonización y serán totalmente automáticas. El chip principal de estos sistemas ha sido fabricado por ITT Intermetall con tecnología DSP y su nombre es "MAS 3503 C"

Audio en Internet

Como es sabido, Internet es una red mundial de conmutación de paquetes con cientos de miles de máquinas unidas entre sí por medio de varios sistemas de comunicaciones. Los proveedores profesionales normalmente acceden a la red a través de enlaces con un ancho de banda muy elevado (hasta 2 Gbps). El consumidor doméstico, sin embargo, utiliza canales de bajo coste y ancho de banda limitado (ISDN de 64 kbps o conexión telefónica de 56 kbps). La tasa de transmisión efectiva varía en función del uso de la parte de la red accedida, situándose en algún punto entre cero y la máxima capacidad del módem.

Sin la codificación de audio, obtener ficheros de audio sin comprimir de un servidor remoto llevaría a unos tiempos de transmisión simplemente inaceptables. Por ejemplo, suponiendo que se alcanza la tasa de 28,8 kbps (lo cual es bastante optimista) una pista de CD de sólo tres minutos tardaría más de dos horas en recibirse. Por tanto, el audio en Internet exige un método de codificación que ofrezca la mayor calidad posible a la vez que permita la decodificación en tiempo real para un amplio número de plataformas sin necesidad de ampliar el hardware, aunque incluya esta posibilidad como elemento de hipotéticas tarjetas de ampliación. Por supuesto, la elección es el layer-3. Hay varios reproductores en tiempo real, como el Winplay3, que ofrecen el servicio requerido.

En la práctica, las expectativas se han cumplido con creces, de tal manera que el fenómeno MP3 está en plena expansión en la telaraña mundial. Ya hay innumerables servidores que ofrecen diferentes piezas en el formato layer-3 (ficheros de extensión MP3), de los cuales forman parte tanto aficionados como casas de grabación y grupos independientes. Además, se incorporan temas en este formato a las páginas WEB como elemento para incrementar su atractivo, de forma similar a como se venía haciendo con el MIDI, salvando la barrera de las muy inferiores posibilidades de este.

Llegados a este punto, hay que señalar la importancia de respetar los copyrights a la hora de incluir temas de música en un servidor, así como al almacenarlos en disco duro o CD-ROM. La perspectiva de duplicar la capacidad de los CDs tradicionales resulta sumamente interesante a la comunidad informática, y dado el auge de las grabadoras domésticas puede decirse que el mercado pirata de CDs conteniendo las discografías al completo de diversos grupos o compositores es una realidad, sea con ánimo de lucro o no. El más que previsible auge del DVD-ROM como estándar en el futuro cercano no supone sino un agravamiento del problema.

Las aplicaciones legales que se conocen hasta ahora son, por ejemplo, las de Opticom y Cerberus Sound. La primera ofrece soluciones para que las casas ofrezcan a los clientes audio por demanda, enviando los temas seleccionados al ordenador remoto del usuario. Cerberus se dedica a la comercialización directa de estos temas como un sistema más de venta electrónica. Asimismo se avanza en el concepto de Internet Radio, dado que se obtiene calidad superior a la de la onda corta con un ancho de banda tan escaso como 16 kbps. Opticom de nuevo está a la cabeza en este campo, junto a Telos, compañía que asociada con Apple presentó en Septiembre del 96 la tecnología Audioactive. Por último, el gigante Microsoft anunció en Diciembre de ese mismo año su intención de incluir el layer-3 como parte de la tecnología multimedia Netserver.

Tabla 3: rendimiento del esquema-3 para diferentes calidades requeridas

Llegados a este punto, hay que señalar la importancia de respetar los copyrights a la hora de incluir temas de música en un servidor, así como al almacenarlos en disco duro o CD-ROM. La perspectiva de decuplicar la capacidad de los CDs tradicionales resulta sumamente interesante a la comunidad informática, y dado el auge de las grabadoras domésticas puede decirse que el mercado pirata de CDs conteniendo las discografías al completo de diversos grupos o compositores es una realidad, sea con ánimo de lucro o no. El más que previsible auge del DVD-ROM como estándar en el futuro cercano no supone sino un agravamiento del problema.

Las aplicaciones legales que se conocen hasta ahora son, por ejemplo, las de Opticom y Cerberus Sound. La primera ofrece soluciones para que las casas ofrezcan a los clientes audio por demanda, enviando los temas seleccionados al ordenador remoto del usuario. Cerberus se dedica a la comercialización directa de estos temas como un sistema más de venta electrónica. Asimismo se avanza en el concepto de Internet Radio, dado que se obtiene calidad superior a la de la onda corta con un ancho de banda tan escaso como 16 kbps. Opticom de nuevo está a la cabeza en este campo, junto a Telos, compañía que asociada con Apple presentó en Septiembre del 96 la tecnología Audioactive. Por último, el gigante Microsoft anunció en Diciembre de ese mismo año su intención de incluir el esquema-3 como parte de la tecnología multimedia Netserver.

Reproductores portátiles MP3’s

RIO MP3

Por precio, tamaño, peso y comodidad, este pionero del audio digital portátil se ha convertido en el estándar para escuchar música "en el camino".

La idea del Rio es tan simple como efectiva: ofrecer al usuario un pequeño depósito de memoria (32 MB, ampliables a 64 con tarjetas de expansión) para poder llevar a cualquier parte hasta una hora de música digitalizada. El usuario extrae en su PC sus canciones preferidas de sus discos compactos, las convierte en archivos MP3 y las transfiere al pequeño aparato. Para que esto sea posible, Rio trae el MusicMatch Jukebox (un software para digitalizar y reproducir audio en una computadora), un cable que conecta al reproductor con el puerto paralelo de la PC y un par de auriculares.

Se puede discutir si el Rio PMP300 de Diamond Multimedia es el pionero de los reproductores portátiles de MP3. Rio llegó a las tiendas de los Estados Unidos en octubre de 1998, y dos meses más tarde comenzó a comercializarse en la Argentina. Eiger Labs asegura que su MPMan es anterior. Pero no hay dudas de que Rio es el primero de estos productos que alcanzó una distribución masiva a nivel mundial, y el único que, por ahora, puede ser fácilmente encontrado en los principales negocios de computación de América Latina, a tal punto que para muchos usuarios, "Rio" es hoy la designación genérica de esta clase de dispositivos.

Es fácil entender por qué. Con el tamaño y el peso de un mazo de cartas, El Rio es extremadamente cómodo de llevar y simple de usar. Tiene un clip para sujetarlo al cinturón, y una cubierta de plástico que parece razonablemente resistente frente a los golpes azarosos de la vida cotidiana. Cuenta con un solo botón para operar las funciones principales (encendido, reproducción, retroceso, avance, pausa y apagado) y ocho más (cinco en el frente y tres en la parte superior) para agregar funcionalidad sin complicar su manejo. Una sola batería pequeña (tamaño AA) le da entre 10 y 12 horas de energía (aunque el tiempo se reduce considerablemente cuanto mayor es la calidad del sonido).

Un pequeño monitor de cristal líquido ofrece la información imprescindible: volumen, carga de la batería, duración del tema en ejecución y grado de compresión del audio. De acuerdo con el grado de compresión elegido, los 32 MB del Rio pueden contener entre 35 minutos de música con máxima calidad de sonido o poco más de una hora con un aceptable nivel de audio.

El menú tiene lo suficiente para satisfacer al oyente en movimiento: reproducción de temas al azar, repetición de un tema o de toda la lista de canciones, cuatro modos de ecualización preconfigurados (normal, classic, jazz y rock) y un modo de audición "intro", que ejecuta sólo los diez primeros segundos de cada tema.

Rio parece haber establecido un estándar en el diseño de este tipo de productos: sus competidores siempre tratan de ofrecer más que él, pero no dejan de lado casi ninguna de sus características. Algunos traen radio, otros pueden reproducir casetes; algunos incluyen un grabador de voz, mientras que otros ofrecen medios removibles (como disquetes o discos Clik!, de Iomega) para pasar los archivos de la PC al reproductor. Frente a la abundancia de recursos, la gente de Diamond ha apostado a mantener la ligereza y la elegancia de su Rio como una marca de fábrica. El último modelo de la serie, el Rio PMP300 Special Edition (SE), sólo agrega el doble de memoria inicial y una cubierta más colorida.

Otro parámetro que el Rio ha fijado es el precio de esta familia de productos: con su modelo básico a unos 200 dólares en los Estados Unidos y algo más de 300 en América Latina (El Sitio lo comercializa en la Argentina a 334 dólares), los que salen a hacerle frente están desafiados a mantenerse el valor de sus aparatos dentro de esa franja.

Rio PMP300 Reproductor portátil de archivos de audio en formato MP3

• Memoria interna: 32 MB (ampliable a 48 ó 64).
• Tamaño (cm): 5,6 x 1,78 x 8,13
• Peso (sin batería): 76 gramos.
• Accesorios: cable paralelo para conectar a la PC, auriculares, CD con software.
• Tasa de transferencia de archivos: 10 segundos por MB.
• Capacidad: 35 minutos de audio de máxima calidad, 65 minutos de calidad estándar.
• Tipo de batería requerida: una alcalina, AA.
• Garantía básica: un año.
• Requisitos: PC con Windows 95 ó 98 y 16 MB (mínimo) de RAM.

MPMan

Otro nuevo producto es el MPMan, un reproductor de la empresa coreana Saehan Electronics, que no sólo almacena archivos MP3, sino que también sirve para guardar información que esté en formatos doc, gif, txt, bmp, wav y otros. Existen cinco modelos distintos, en un pequeño tamaño que permite guardarlo en el bolsillo de la camisa o del pantalón.

Yepp Presentado como el más pequeño reproductor de audio de MP3, el Yepp es la última novedad salida de los laboratorios de la empresa surcoreana Samsung. Permite reproducir no sólo archivos MP3, sino también los archivos musicales que tienen la extensión wav, además de otros archivos gráficos o de texto. El aparato tiene un tamaño similar al de una tarjeta de crédito (58 x 85 x 17 milímetros), y puede almacenar unos 40 MB, o sea aproximadamente 10 canciones de 4 minutos cada una. El usuario también tiene la posibilidad de editar los archivos que se bajan de la Internet, para escuchar de esa manera sólo aquello que realmente le interesa. El Yepp trae, además, una pequeña pantalla de cristal líquido en donde indica el nombre de la canción que está siendo reproducida, el nombre del artista y el tiempo de duración. Durante la canción, incluso, las letras pueden aparecer en la pantalla. Existen dos modelos, uno de los cuales permite también grabar sonidos externos, como por ejemplo de radio FM, discos compactos, voz o conferencias.

Autos con sonido digital

Uno de los que se presentarán en el mercado es el Empeg-car, un producto que permitirá acceder en forma inmediata a más de 500 álbumes, con una calidad similar a los compact discs. A la vez, combinará la tecnología digital estéreo con el sistema operativo Linux, lo que permitirá mostrar los distintos archivos como si fueran un sintonizador de radio. De esa manera, se podrá elegir entre los distintos archivos al igual que hoy en día se eligen las distintas frecuencias de AM o FM. Este producto estará disponible el año que viene, y costará unos 950 dólares.

9 – Temas Relacionados

Códigos binarios para audio.

Para el uso en audio, el principal propósito de los números binarios es expresar el valor de las muestras, las que representan la forma de onda analógica de la amplitud del sonido. Existen un número fijo de bits en las muestras, los que determinan el rango de variación de la señal digitalizada. En un código de 16 bits existen 65536 diferentes números. Cada número representa un diferente voltage analógico de la señal, por lo que debe tenerse cuidado durante la conversión para asegurar que la señal no se excede del rango del conversor, sino ésta se truncará.

En la figura se observa que el rango varía entre 0000 y FFFF (en hexadecimal), donde 0000h representa el valor más negativo mientras que 7FFFh el menor valor negativo. Por otra parte 8000h será el menor valor positivo y FFFFh el mayor valor positivo que puede asumir la señal

Figura 9.1.

digitalizada. Efectivamente, el rango numérico del conversor ha sido desplazado de manera que tanto los valores positivos como negativos de la verdadera señal de audio pueden se expresados por números binarios. Esto es denominado offset binario y resulta perfectamente aceptable cuando la señal se digitalizada para grabación o transmisión de un lugar a otro, tras los cual se convertirá nuevamente en señal analógica. Observar que invirtiendo el bit más significativo se transforma en una codificación binaria con complemento a dos.

Transformada Discreta del Coseno

La DCT (Discrete Cosine Transform) es un caso especial de la transformada discreta de Fourier en la que se han eliminado los componentes senoidales de los coeficientes dejando una sola componente cosenoidal. Esto resulta en la práctica bastante fácil.

Figura 9.2

La figura 9.2 [a] muestra un bloque de muestras de entrada al proceso de transformación. Espejando las muestras de entrada respecto a las ordenadas y aplicando la transformada discreta de Fourier sobre el bloque de doble longitud que el original se obtiene un set de muestras de la DCT. El efecto del espejado de las muestras de entrada es transformar el bloque en una función par en la que los coeficientes con senos son todos ceros. Este efecto se puede visualizar en la figura 9.2 (b). En la práctica, el calculo de los componentes senoidales no se realiza . Otra ventaja es que duplicando la longitud del bloque (al espejarlo) se duplica la resolución en frecuencia por los que se obtiene el doble de los coeficientes. En realidad, la DCT produce tantos coeficientes útiles como muestras de entrada. Por otra parte, cuando se realiza el proceso inverso de la transformada, el bloque espejado se descarta obteniéndose el original.

En MPEG-1 layer III se utiliza la Transformada Discreta del Coseno Modificada (MDCT). Esta consiste en utilizar una DCT en bloque que se solapan con un 50% de solapamiento. Esto genera el doble de los coeficientes dado que cada muestra aparece en dos subbloques. Luego se submuestrea para obtener un muestreo crítico, lo que resulta en un potencial solapamiento (aliasing) en el dominio frecuencial.

De todas formas, el solapamiento producido al transformarse el bloque (vía MDCT) se puede cancelar al realizarse la transformación inversa (IMDCT), dado que los productos de alias de la segunda mitad de un bloque transformado son de igual magnitud pero de polaridad inversa a los de la primera mitad del bloque contiguo. Esto puede verse en la figura 9.3.

Filtros digitales

Principios Esenciales

El proceso de filtrado es inseparable del audio digital. Se necesitan filtros analógicos o digitales y, en ocasiones, ambos- en los ADC, DAC, en los canales de datos de los grabadores digitales y en los sistemas de transmisión, así como en los conversores y ecualizadores de la frecuencia de muestreo. La diferencia principal entre los filtros analógicos y los digitales es que, en el dominio digital, pueden construirse arquitecturas muy complejas a bajo costo en LSI y que los cálculos aritméticos no están sujetos a la tolerancia o las variaciones de los componentes.

El filtrado puede modificar la respuesta en frecuencia de un sistema y/o la respuesta de fase. Toda combinación entre la respuesta en frecuencia y la de fase determina la respuesta impulsiva en el dominio temporal. La siguiente figura se muestra que la comprobación de la respuesta impulsiva nos puede decir mucho sobre un filtro. En un filtro perfecto, todas las frecuencias deben experimentar el mismo retardo temporal. Dado que un impulso contiene un espectro infinito, un filtro que presente un error de retardo de grupo separará las distintas frecuencias de un impulso a lo largo del eje temporal.

Un retardo puro provoca un desplazamiento de fase proporcional a la frecuencia, y un filtro que presente esta característica se dice que es de fase lineal. La respuesta impulsiva de un filtro de fase lineal es simétrica. Si un filtro presenta un error de retardo de grupo, no podrá ser de fase lineal. Es prácticamente imposible fabricar un filtro analógico con una fase lineal perfecta, por lo que muchos filtros van seguidos de una etapa de ecualización de retardo de grupo que, a menudo, es igual de compleja que el propio filtro. En el dominio digital, es fácil realizar un filtro de fase lineal, por lo que la ecualización de fase no es necesaria.

Debido a la naturaleza muestreada de la señal, cualquiera que sea la respuesta a bajas Frecuencias, todos los canales digitales (así como los canales analógicos muestreados) funcionan como filtros pasa-bajo de corte en el límite de Nyquist o a la mitad de la frecuencia de muestreo.

La figura 9.5 (a) se muestra una sencilla red RC y su respuesta impulsiva. Se trata de la caída exponencial tan familiar que se produce debido a la descarga del condensador a través de la resistencia (en serie con la impedancia de la fuente que aquí se considera despreciable). La figura también muestra la respuesta a una onda cuadrada en la figura 9.5(b). Estas respuestas pueden calcularse porque las entradas implicadas son relativamente sencillas. Cuando la forma de onda de entrada y la respuesta impulsiva son funciones complejas, esta configuración es prácticamente imposible.

En cualquier filtro, la forma de onda de salida en el dominio temporal representa la convolución de la repuesta impulsiva con la forma de onda de entrada. El impulso y la entrada son un conjunto de muestras discretas que, evidentemente, deben tener el mismo espaciamiento de muestreo.

La respuesta impulsiva sólo tiene valor donde coinciden los impulsos; en los demás lugares es cero. Por tanto, la respuesta impulsiva es escalonada a través de la señal de entrada a razón de un período de muestra cada vez. En cada escalón, el área sigue siendo proporcional a la salida, pero como los escalones de tiempo tienen una anchura uniforme, el área es proporcional a la altura del impulso y, de esta manera se obtiene la salida sumando las longitudes solapadas. En términos matemáticos, las muestras de salida representan la convolución de la entrada y la respuesta impulsiva sumando los productos coincidentes.

Dado que un filtro digital funciona de esta forma, quizás no se trate de un filtro, sino de una simulación matemática de un filtro analógico. Este sistema es bastante útil para visualizar el funcionamiento de un filtro digital.

Entre el filtro analógico y el digital, se encuentra el filtro con condensador conmutado. Éste emplea magnitudes analógicas, esto es, las cargas de los condensadores, pero el eje temporal es discreto debido a que las diferentes cargas son direccionadas mediante conmutadores electrónicos que se cierran durante varias fases del reloj de frecuencia de muestreo. Los filtros con condensadores conmutados presentan las mismas características que los filtros digitales con una precisión infinita. Se suelen utilizar en lugar de los filtros analógicos de tiempo continuo en conversores con circuitos integrados ya que pueden implementarse empleando las mismas técnicas de integración.

Figura 9.6

Las Transformadas

El proceso de convolución es demasiado extenso para representarlo sobre papel.

Es mucho más fácil trabajar en el dominio de la frecuencia. La figura superior se muestra que si una señal con un espectro, o un contenido de frecuencia a pasa por un filtro de respuesta en frecuencia b, el resultado será un espectro de salida que es simplemente el producto de ambos. Si se representan las respuestas en frecuencia en escalas logarítmicas (esto es, calibradas en decibelios), ambas pueden sumarse simplemente ya que la suma de logaritmos es lo mismo que su producto. La multiplicación de los espectros de las respuestas es un proceso mucho más simple que la convolución.

Para poder pasar al dominio de la frecuencia o del espectro desde el dominio temporal o de la forma de onda, es necesario utilizar la transformada de Fourier o, en sistemas muestreados, la transformada discreta de Fourier (DFT). El análisis de Fourier sostiene que cualquier forma de onda puede ser reproducida sumando un número arbitrario de ondas senoidales relacionadas armónicamente con distintas amplitudes y fases.

La figura 9.7 muestra el modo de poder conseguir una onda cuadrada con armónicos. El espectro puede obtenerse trazando gráficamente la amplitud de los armónicos con relación a la frecuencia. Como puede verse, se obtiene un espectro que es una onda de caída, que pasa por el cero en todos los múltiplos pares de la fundamental. La forma del espectro es una curva senoidal x/x. Si una onda cuadrada tiene un espectro (sen x)/x, se deduce que un filtro con una respuesta impulsiva rectangular tiene un espectro (sen x)/x.

Un filtro pasa-bajo tiene un espectro rectangular y éste tiene una respuesta impulsiva (sen x)/x. Estas características se conocen como par de transformada. En los pares de transformada, si un dominio tiene una forma del par, el otro dominio tendrá la otra forma. Así, una onda cuadrada tiene un espectro (sen x)/x y un impulso (sen x)/x tiene un espectro cuadrado. Un impulso de dominio temporal de una duración infinitamente corta presenta un espectro plano. Así, una forma de onda plana, es decir, la CC, sólo tiene cero en su espectro. Curiosamente, la transformada de una respuesta gaussiana sigue siendo gaussiana. La respuesta impulsiva de la óptica de un disco láser tiene una función (sen x)2/x2, y esto es responsable de la respuesta en frecuencia descendente triangular del lector láser.

Comparación entre Filtros FIR Y Filtros IIR

Los filtros pueden clasificarse dentro de dos grupos principales, de acuerdo con la naturaleza de la respuesta impulsiva. Los filtros con respuesta impulsiva finita (FIR, finite-impulse response) siempre son estables y, como su nombre indica, responden una sola vez a un impulso, ya que tienen únicamente un camino directo. En el dominio temporal, el tiempo en el que un filtro responde a una entrada es finito, fijo y bien establecido. Lo mismo ocurre, por tanto, con la distancia en la que un filtro FIR responde dentro del dominio espacial. Los filtros FIR pueden hacerse perfectamente lineales en fase si es necesario. La mayoría de los filtros empleados para la conversión de la frecuencia de muestreo y. para el sobremuestreo entran dentro de esta categoría.

Los filtros de respuesta impulsiva infinita (IIR, infinite-impulse response) responden a un impulso de manera indefinida y no son necesariamente estables, ya que tienen un camino de retorno de la salida a la entrada. Por esta razón, se les denominan también filtros recursivos. Dado que la respuesta impulsiva no es simétrica, los filtros IIR no son de fase lineal. Los reverberadores y los ecualizadores digitales utilizan filtros recursivos.

Un filtro FIR funciona reconstruyendo gráficamente la respuesta impulsiva de cada muestra de entrada. Es necesario establecer primero la respuesta impulsiva correcta.

En la figura 9.8(a) muestra el ejemplo de un filtro pasa-bajo que corta a un cuarto de la frecuencia de muestreo. La respuesta impulsiva de un filtro pasa-bajo perfecto es una curva sen x/x, en la que el tiempo entre los dos puntos centrales de paso por el cero es el recíproco de la frecuencia de corte.

De acuerdo con las matemáticas, la forma de onda siempre ha existido y seguirá existiendo siempre. El valor de pico de la salida coincide con el impulso de entrada. Esto significa que el filtro no es causal, debido a que la salida ha cambiado antes de que se conociera la entrada. Por tanto, en todas las aplicaciones prácticas es necesario truncar los extremos de la respuesta impulsiva, lo que provoca un efecto de apertura, así como introducir en el filtro un retardo de tiempo igual a la mitad de la duración del impulso truncado para hacer que el filtro sea causal.

En la figura 9.8(b), un impulso de entrada es desplazado a través de la serie de registros, creándose así la respuesta impulsiva, ya que en cada punto es multiplicada por un coeficiente, como ocurre en la figura 9.8(c).

Estos coeficientes son simplemente el resultado de muestrear y cuantificar la respuesta impulsiva deseada. Evidentemente, la frecuencia de muestreo empleada para muestrear el impulso debe ser la misma que la frecuencia de muestreo para la que está siendo diseñado el filtro. En la práctica, se calculan los coeficientes en lugar de intentar muestrear una respuesta impulsiva real. La longitud de palabra del coeficiente será un compromiso entre el costo y las prestaciones. Debido a que la muestra de entrada se desplaza por los registros del sistema para crear el perfil de la respuesta impulsiva, a esta configuración también se la conoce como filtro transversal. En funcionamiento con cadenas de muestras reales, habrá en todo momento valores de muestra consecutivos en los registros del filtro con el fin de convolucionar la entrada con la respuesta impulsiva.

Si simplemente se trunca la respuesta impulsiva, se produce una transición abrupta de las muestras de entrada que interesan y de aquéllas que no. El truncamiento del filtro superpone un perfil rectangular a la respuesta impulsiva en el dominio temporal. En el dominio de la frecuencia, el perfil rectangular se transforma en una curva característica sen x/x que se superpone a la respuesta en frecuencia deseada en forma de rizado. Una de las consecuencias que esto trae se conoce como el fenómeno de Gibb: la tendencia que tiene la respuesta a alcanzar el valor de pico justo antes de la frecuencia de corte. Como resultado, la longitud del impulso que debe considerarse dependerá no sólo de la respuesta en frecuencia, sino también de la cantidad de rizado que puede tolerarse. Si el período relevante del impulso se mide en períodos de muestra, el resultado será el número de puntos o de multiplicaciones que son necesarios en el filtro. En la figura 9.9 se compara el rendimiento de varios filtros con diferentes números de puntos. Un filtro FIR para audio digital típico puede llegar a necesitar hasta 96 puntos.

En lugar de simplemente truncar en tiempo la respuesta impulsiva, es mejor realizar una transición suave entre las muestras que no cuentan y las que sí cuentan.

Esto puede realizarse multiplicando los coeficientes del filtro por una función ventana que presente su valor de pico en el centro del impulso.

En el ejemplo de la figura 9.10, el filtro paso bajo de la figura anterior aparece con una ventana Bartlett. Un valor de rizado aceptable determina el número de períodos de muestra significativos que abarca el impulso. Esto determina a su vez el número de puntos en el filtro y el retardo del mismo. En este ejemplo, el número de puntos es mucho menor de lo que sería normal en una aplicación de audio. Como el impulso es simétrico, el retardo será la mitad del período del impulso. La respuesta impulsiva es una función sen x/x, que ha sido calculada en la figura. La respuesta sen x/x se multiplica después por la función ventana para obtener una respuesta impulsiva a través de la ventana. Si los coeficientes no se cuantifican con suficiente exactitud, será como si se hubiesen calculado sin precisión, y el rendimiento del filtro será menor de lo esperado. La Figura 9.11 muestra un ejemplo de coeficientes de cuantificación. De manera inversa, si se eleva la longitud de palabra de los coeficientes, aumentará el costo.

La respuesta en frecuencia del filtro puede variarse a voluntad modificando los coeficientes. Un filtro programable sólo requiere una serie de memorias PROM que proporcionen los coeficientes; la dirección suministrada a las PROM seleccionará la respuesta. También variará la respuesta en frecuencia de un filtro digital si se modifica la frecuencia de reloj; así que, a menudo, resulta menos ambiguo especificar una frecuencia de interés en un filtro digital en términos de una fracción del intervalo fundamental en lugar de hacerlo en términos absolutos. La configuración mostrada en la figura 9.8 sirve como ilustración de este principio. Las unidades empleadas en los diagramas son períodos de muestra y la respuesta es proporcional a estos períodos o espaciamientos, por tanto, no es necesario emplear cifras reales.

En la figura 9.12 se muestra un filtro FIR que ha sido adaptado con el propósito de simular una red RC. Dado que una red RC es causal, es decir, la salida no puede aparecer antes que la entrada, la respuesta impulsiva es asimétrica y representa una caída exponencial, como se muestra en la figura 9.10(a). La asimetría de la respuesta impulsiva confirma el resultado esperado de que este filtro no es lineal en fase. La implementación del filtro es exactamente igual que los ejemplos ofrecidos anteriormente; únicamente se han modificado los coeficientes. La simulación de las redes RC es algo muy común en el audio digital con fines de ecualización o de control de tono. Se requiere un gran número de puntos en un filtro FIR para crear las caídas exponenciales necesarias, pero el filtro FIR presenta aquí un inconveniente, ya que una caída exponencial puede calcularse como si cada muestra de salida fuera una proporción fija de la anterior. En la figura 9.12(b) se muestra una configuración de hardware mucho más sencilla, en la que la salida es devuelta de forma atenuada a la entrada. La respuesta de este circuito a una sola muestra seña una serie de muestras decrecientes, en las que la frecuencia de caída está controlada por la ganancia del multiplicador. Si la ganancia es igual a la unidad, la salida puede continuar indefinidamente. Por esta razón, la configuración se conoce como filtro de respuesta impulsiva infinita (IIR). Si la ganancia del multiplicador es algo mayor que la unidad, la salida se incrementará exponencialmente después de una sola entrada distinta de cero hasta alcanzar el límite del rango numérico. A diferencia de los filtros FIR, los IIR no son necesariamente estables. Los filtros FIR son fáciles de comprender, pero difíciles de realizar en aplicaciones de audio; los filtros IIR son fáciles de hacer, dado que se necesita menos hardware, pero son más difíciles de comprender.

Un aspecto que hay que tener muy en cuenta a la hora de tener que emplear técnicas recursivas es que la exactitud de los coeficientes debe ser mucho mayor. Esto es así debido a que una respuesta impulsiva se crea haciendo que cada salida sea una fracción de la anterior, por lo que un pequeño error en el coeficiente se conviene en un gran error tras varias recursiones. Este error entre lo que se desea y lo que se obtiene tras haber utilizado coeficientes truncados puede ser razón suficiente para que un filtro real sea inestable, aunque el modelo teórico no lo sea.

Los términos retardo de fase y adelanto de fase se emplean para describir características de los circuitos analógicos, y pueden aplicarse también a circuitos digitales.

Codificación Huffman

Generalidades

La compresión Huffman se basa en la sustitución de cadenas de caracteres por códigos que ocupan menos espacio (generalmente binarios). Como la mayoría de métodos de compresión, busca las cadenas de datos que se repitan más veces en una secuencia: cuanto mayores sean estas cadenas y más veces se repitan mayor será el grado de compresión, pero por lo general esto no ocurre así. Estadísticamente está comprobado que las cadenas grandes casi no se repiten dentro de una secuencia de datos. Es más probable encontrar cadenas pequeñas que se repitan.

Una razón para utilizar el codificador de Huffman es que es fácil de implementar en hardware. Para comprimir los símbolos de los datos, el codificador de Huffman crea códigos más cortos para símbolos que se repiten frecuentemente y códigos más largos para símbolos que ocurren ocasionalmente.

Ejemplo

Por ejemplo, vamos a codificar un fragmento de la canción que interpreta Michael Jackson: Bad ®

Because I'm bad, I'm bad — come on

Bad, bad– really, really bad

You know I'm bad, I'm bad–

you know it

Bad, bad– really, really bad

You know I'm bad, I'm bad– come on, you know

Bad, bad– really, really bad

El primer paso para crear el código de Huffman es la creación de una tabla que asigne un valor de frecuencia a cada frase. En la letra de la canción, se ignoran las mayúsculas. Se muestra lo antes mencionado en la tabla 3-1.

Figura 9.13 Frecuencia de repetición de las palabras en la canción Bad®

Inicialmente se designan los símbolos, como los nodos formados por la unión de una hoja y la rama de un árbol. Ahora empezando por los dos nodos de menor peso, agregue el par de menor valor en un nuevo nodo. Por ejemplo, en la carta de frecuencia de arriba, Because e it serán agregados primero. Repita este proceso para una nueva serie hasta que la serie de símbolos este representado por un sólo nodo. El resultado se muestra en la figura 3-9.

Figura 9.14 Diagrama de árbol para la canción Bad®

Un código de Huffman puede ser generado para cada símbolo mediante la asignación de un dígito binario para cada rama. Vamos a asignar el dígito binario 1 para cada rama del lado izquierdo y el dígito binario cero para cada rama del lado derecho. El código de símbolos es generado siguiendo el patrón de ramificaciones desde el nodo superior al símbolo del nodo de la hoja. Para el caso de la palabra bad, el código de Huffman es 1, y para la palabra I'm el código de Huffman es 011. Una tabla con los valores correspondientes a cada palabra se muestra a continuación.

Figura 9.15 Código de Huffman para las palabras en la canción Bad®

Para decodificar una cadena de bits, inicie desde el nodo superior, y sígala hacia la ramificación izquierda o derecha dependiendo del valor tomado por la cadena de bits; continúe hasta que un nodo de hoja es alcanzado. El símbolo decodificado es el símbolo asociado con esa hoja.

En el ejemplo de arriba los primeros bits en la cadena de bits de salida son, (se insertaron barras para conveniencia del lector).

00001-011-1-011-1-…

La eficiencia de nuestro código puede ser calculado comparando el número de bits requeridos para realizar la letra de la canción. Para el código de Huffman arriba, la longitud de 15(1) + 16(3) + 2(4) + 2(5) = 81 bits. En comparación, para un código de 3 bits, la longitud es de 35(3) = 105 bits; y para un código ideal de 7 símbolos la longitud es de 35(log27) = 98.3 bits. El código de Huffman comprime la letra en cerca de 20 por ciento, pero esta figura no incluye el costo de transmitir la tabla inicial del código de Huffman al decodificador.

10 Glosario

Adapatative bit allocation: La asignación de bits a las subbandas de manera variable en tiempo y frecuencia, de acuerdo al modelo psicoacústico.

Adapatative noise allocation: Es la asignación del ruido de codificación a las bandas de frecuencias de manera variable en tiempo y frecuencia de acuerdo al modelo psicoacústico.

Alias: componente de señal espejada proveniente del muestreo con una tasa debajo de la de Nyquist.

Análisis Filterbank: Banco de filtros del codificador que transforma una señal de audio PCM de banda ancha en un conjunto de muestras de subbandas submuestreadas.

Audio Access Unit: Para los Layers I y II una unidad de acceso de audio se define como la parte más pequeña del bitstream codificado que puede ser decodificado por sí mismo, donde decodificado significa: sonido completamente reconstruido.

Para Layer III una unidad de acceso de audio representa la parte del bitstream que es decodificable con el uso de la información principal (main information) previamente adquirida.

Audio sequence: Series de tramas de audio NO interrumpidas en la que los siguientes parámetros no cambian:

• ID.
• Layer
• Frecuencia de Muestreo
• Para Layers I y II: Indice de bitrate

Bark: Unidad de banda crítica. La escala Bark es un mapeo en la escala de frecuencias dentro del rango de audio que se corresponde de manera más cercana con la selectividad de frecuencias del oído humano sobre la banda audible.

Bitrate: La tasa a la cual el bitstream comprimido es entregado desde el medio de almacenamiento a la entrada del decodificador.

Bound: La subbanda más baja a partir de la cual se utiliza la codificación de estéreo intenso.

Coded audio bitstream: Es una representación codificada de una señal de audio como la especificada en la norma ISO 11172/3.

Critical band rate: Función psicoacústica de la frecuencia. A una dada frecuencia audible, ésta es proporcional al número de bandas críticas por debajo de esa frecuencia. La unidad de una banda crítica es el BARK.

Critical band: Es una medida psicoacústica en el dominio espectral la que se corresponde con la selectividad en frecuencia del oído humano. Esta selectividad se expresa en BARK.

Dual Channel Mode: Es un modo donde dos canales de audio con contenidos de programación independiente (por ejemplo: distintos idiomas) son codificados dentro de un bitstream. El proceso de codificación es el mismo que para el modo estéreo.

Emphasis: Filtrado aplicado a la señal de audio antes del almacenamiento o transmisión para mejorar la relación señal ruido en altas frecuencias.

Encoding Process: Proceso, no especificado en la Norma ISO 11172, que lee una secuencia de entrada de muestras de audio y produce un bitstream codificado válido a la salida como se especifica en al norma.

FFT: Transformada rápida de Fourier.

Filterbank: Es un conjunto de filtros pasabandas que cubren el rango entero de audio.

Fixed segmentation: Es una subdivisión de la representación digital de una señal de audio en intervalos fijos de tiempo.

Forbidden: Indica que un determinado valor (al que se le aplica este término) nunca será usado. En general es para evitar similitudes con palabras utilizadas para sincronismo.

Free format: Cualquier bitrate distinto a los definidos que es menor que el máximo bitrate de cada layer.

Gránulos (Layer II): Es un conjunto de 3 muestras de subbandas consecutivas (de las 32 subbandas) que se consideran juntas antes de la cuantificación. Corresponden a 36 muestras PCM.

Gránulos (Layer III): 576 líneas de frecuencias que llevan su propia información lateral (side information).

Hann Window: Es una función temporal que se aplica "muestra por muestra" a un bloque de muestras de audio antes de la transformada de Fourier.

Huffman Codding: En método específico de codificación entrópica.

Hibrid Filterbank: Es una combinación de un filtro subbanda y la MDCT (Modified Discrete Cosine Transform).

IMDCT: Inversa de la transformada modificada discreta del coseno.

Intensity Stereo: Es un método para explotar la irrelevancia y la redundancia en señales de audio estereofónicas basado en conservar solamente la energía de la envolvente de los canales derecho e izquierdo en altas frecuencias.

Joint Stereo Coding: Es un método que explota la irrelevancia o redundancia estereofónica

Layer :Uno de los niveles en la jerarquía de codificación del sistema de audio definido en la ISO/IEC 11172.

Mapping: Conversión de una señal de audio del dominio tiempo al dominio frecuencia por medio del filtrado subbanda y/o MDCT.

Masking: Enmascarado. Propiedad del sistema de audición humana por la cual una señal de audio no es percibida en presencia de otra señal de audio.

Masking Threshold: Una función del tiempo y la frecuencia debajo de la cual una señal de audio no puede ser percibida por el sistema de audición humana.

MDCT: Transformada Discreta del Coseno Modificada.

MS stereo: Es un método para explotar la irrelevancia o redundancia en señales de audio estereofónicas basada en codificar la suma y diferencias de canales en vez de los canales derecho e izquierdo.

Non tonal Component: Componente de tipo ruido de una señal de audio.

Padding: Relleno. Es un método para ajustar la longitud promedio en el tiempo de una trama de audio a la duración de las muestras de audio PCM correspondientes, por medio de agregar, condicionalmente, un slot a la trama de audio.

Polyphase filterbank: Es un conjunto de filtros pasabandas de idéntico ancho de banda con una interrelación de fase especial, que permite un implementación eficiente del banco de filtros.

Psicoacústic Model: Es un modelo matemático del comportamiento de enmascaramiento del sistema de audición humano.

Requantization: recuantificación. Decodificación de las muestras de subbandas codificadas de manera de recuperar los valores cuantificados originalmente.

Scalefactor Band: Es un conjunto de líneas de frecuencia en Layer III que son escaladas por un factor de escala.

Scalefactor Index: Código numérico que se asigna a un scalefactor.

Side Information: Información del bitstream necesario para el control del decodificador.

Slot: El slot es una parte elemental del bitstream. En Layer I consiste de 4 bytes y en layers II y III de 1 byte.

Spreading function: Es una función que describe la propagación en frecuencia de la máscara.

Stereo Mode: Es un modo donde dos canales de audio, que forman un par estéreo, izquierdo y derecho, son codificados dentro de un bitstream. El proceso de codificación es el mismo que para el modo de doble canal.

Stuffing (bits), Stuffing (bytes): bits o bytes que se incluyen en el bistream comprimido que son descartados en el proceso de decodificación. Su función es incrementar la tasa de bits del bitstream.

Subband: Subdivisión de la banda de frecuencias de audio.

Subband filterbank: Es un conjunto de filtros de banda que cubren el rango completo de frecuencias de audio. En norma ISO/IEC 11172 el banco de filtros subbanda es un banco de filtros polifásicos.

Subband Samples: El banco de filtros dentro del codificador de audio genera una representación filtrada y submuestreada del conjunto de muestras de audio de la entrada. Estas muestras filtradas se denominan muestras de subbanda. Por cada 384 muestras consecutivas en el tiempo se generan 12 muestras de subbanda consecutivas (en el tiempo) en cada una de las 32 subbandas (384/32=12).

Syncword: Palabra código de 12 bits en el bitstream de audio que identifica el comienzo de una trama.

Synthesis Filterbank: Banco de filtros en el decodificador que reconstruye la señal de audio PCM a partir de las muestras de subbanda.

Triplet: Es un conjunto de 3 muestras consecutivas de una subbanda. Un triplet de cada una de las 32 subbandas conforma un gránulo.

Tonal Component: Una componente de la señal de audio asimilable a una senoide (y no a un ruido).

Variable length coding: Es un procedimiento reversible para la codificación que asigna códigos más cortos a los eventos más frecuentes y códigos más largos a los menos frecuentes.

Mnemónicos

Bslbf: bit string, left bit first. Cadena de bits, el bit izquierdo primero (forma en que se escriben las cadenas de bits en la norma ISO/IEC 11172.

Ch: Canal. Si su valor es 0, indica el canal izquierdo de una señal estéreo o el primero de una señal de 2 canales independientes.

Gr: Gránulo de 3×32 muestras de subbanda en Layer II o 18×32 muestras de subbanda en Layer III.

Main_data: parte de la porción del bitstream de audio que contiene los Scalefactors, datos codificados con Huffman e información auxiliar (ancillary).

Main_data_beg: Es la ubicación en la trama del comienzo de Main_data. Esta ubicación corresponde al final de Main_data de la trama anterior más 1 bit. Esta se calcula a partir de main_data_end de la trama previa.

Part2_length : representa el número de bits de main_data utilizado para los SCF.

Rpchof: coeficientes polinomiales remanentes, el orden más alto primero.

Sblimit: Es el número de la subbanda más baja en la cual no se asignan bits.

SCF: Factor(es) de escala.(SCaleFactor)

SCFSI: Selección de Información de los Factores de Escala (SCale Factor Selection Information).

Window: (Ventana). Número del actual slot de tiempo en el caso de ser block_type=2 , 0<=window<=2.

Referencias:

Sergio Mangiaterra