Was sind psychoakustische Modelle?

Psychoakustische Modelle sind wissenschaftliche Rahmenbedingungen, die beschreiben, wie das menschliche Hörsystem Schall wahrnimmt. Sie basieren auf jahrzehntelanger Forschung zum Hören, einschließlich der Empfindlichkeit des Ohrs gegenüber verschiedenen Frequenzen, seines Dynamikbereichs und seiner Fähigkeit, Veränderungen in Tonhöhe und Lautstärke zu erkennen. Diese Modelle gehen über einfache Frequenzgangkurven hinaus; sie beinhalten komplexe Verhaltensweisen wie Maskierung, zeitliche Integration und binaurales Hören. Durch Simulation der Verarbeitung des Ohrs sagen psychoakustische Modelle voraus, welche Komponenten eines Audiosignals wahrnehmbar sind und welche nicht. Dies ermöglicht Audioingenieuren und Codec-Designern, Bits effizient zuzuordnen und Informationen zu verwerfen, die von einem Zuhörer unter normalen Bedingungen nicht wahrgenommen werden würden.

Die Grundlage der psychoakustischen Modellierung liegt im Konzept des "Auditory Filters", das die Frequenzselektivität der Cochlea darstellt. Das menschliche Ohr verhält sich wie eine Bank von sich überlappenden Bandpassfiltern, die je nach Frequenz unterschiedliche Bandbreiten aufweisen. Bei niedrigeren Frequenzen sind die Filter schmal, bei höheren Frequenzen erweitern sie sich. Die Breite dieser Filter wird oft als "kritisches Band" ausgedrückt, und die Bark-Skala ist eine Frequenzskala, die diese kritischen Banden abbildet. Psychoakustische Modelle verwenden diese Skala, um Signale so zu analysieren, dass sie die menschliche Wahrnehmung widerspiegeln.

Die Mechanik des menschlichen Hörens

Um psychoakustische Modelle zu verstehen, muss man zuerst die biologische Hardware verstehen, die sie simulieren. Schallwellen treten in das Außenohr ein und wandern durch den Gehörgang zum Trommelfell, das vibriert. Diese Vibrationen übertragen sich durch die Mittelohrknochen (Ossikel) auf die Cochlea im Innenohr. Die Cochlea ist ein flüssigkeitsgefülltes, spiralförmiges Organ, das mit Haarzellen ausgekleidet ist, die mechanische Vibrationen in neuronale Signale umwandeln. Die Position entlang der Cochlea, wo maximale Stimulation stattfindet, hängt von der Frequenz ab: hohe Frequenzen stimulieren die Basis, niedrige Frequenzen stimulieren die Spitze.

Diese tonotopische Organisation ist die physische Grundlage für die Frequenzanalyse im auditiven System.

Die Haarzellen sind nicht über alle Frequenzen hinweg gleich empfindlich. Die Empfindlichkeit des Ohrs liegt zwischen 1 kHz und 4 kHz, ein für das Sprachverständnis entscheidender Bereich. Unterhalb von 500 Hz und über 8 kHz sinkt die Empfindlichkeit deutlich ab. Psychoakustische Modelle erfassen dies mit gleichlauten Konturen, wie den Fletcher-Munson-Kurven oder der neueren Norm ISO 226:2003. Diese Kurven zeigen, dass ein 50-Hz-Ton etwa 20 dB lauter sein muss als ein 1 kHz-Ton, um bei moderaten Hörpegeln als gleich laut wahrgenommen zu werden.

Diese Nichtlinearität ist eines der ersten Dinge, die ein gutes psychoakustisches Modell berücksichtigt.

Critical Bands und die Bark Scale

Das Konzept der kritischen Bänder ist für die psychoakustische Modellierung von zentraler Bedeutung. Ein kritisches Band ist der Frequenzbereich, den das Ohr als eine einzige Einheit verarbeitet. Innerhalb eines kritischen Bandes können zwei Töne nicht getrennt aufgelöst werden; sie werden als eine einzige Empfindung wahrgenommen. Die Bandbreite dieser kritischen Bänder nimmt mit der Frequenz zu: Bei 200 Hz ist ein kritisches Band etwa 100 Hz breit; bei 5 kHz ist es etwa 1 kHz breit. Die Bark-Skala teilt den hörbaren Frequenzbereich (0 bis 20 kHz) in 24 kritische Bänder, von denen jedes Bark breit ist.

Psychoakustische Modelle konvertieren die lineare Frequenzskala vor der Verarbeitung in die Bark-Skala, da diese Transformation die Analyse mit der menschlichen Wahrnehmung in Einklang bringt.

Praktische Codecs verwenden Filterbänke, die den kritischen Bandabstand annähern. Beispielsweise verwendet der MP3-Encoder eine mehrphasige Filterbank mit 32 Subbändern, die bei niedrigen Frequenzen lose mit kritischen Bandbreiten übereinstimmen, bei hohen Frequenzen jedoch zu breit sind. Moderne Codecs wie AAC verwenden eine modifizierte diskrete Cosinustransformation (MDCT) mit höherer Auflösung (1024 oder 2048 Zeilen) und gruppieren dann Frequenzbins in Bänder, die der Bark-Skala näher folgen. Diese Gruppierung wird als "Skalenfaktorband" bezeichnet und ist die grundlegende Einheit für die Bitzuweisung in Wahrnehmungscodierern.

Die Rolle von psychoakustischen Modellen in der Audiokompression

Audiokomprimierungsalgorithmen zielen darauf ab, die Datenrate eines digitalen Audiosignals zu reduzieren und dabei so viel Wahrnehmungsqualität wie möglich zu erhalten. Ohne psychoakustische Modelle würde die verlustbehaftete Kompression auf generischen Signalverarbeitungstechniken beruhen, die hörbare Inhalte verwerfen oder Bits auf unhörbares Rauschen verschwenden könnten. Durch die Integration psychoakustischer Modelle können Codecs Kompressionsverhältnisse von 10:1 oder mehr erreichen, während sie für die meisten Hörer noch fast nicht vom Original zu unterscheiden sind. Dies ist für Streamingdienste, digitale Rundfunkprogramme, tragbare Musikgeräte und jede Anwendung, bei der die Bandbreite oder der Speicher begrenzt ist, von entscheidender Bedeutung.

Die wichtigste Erkenntnis ist, dass das menschliche Hören unvollkommen ist. Wir können nicht alle Frequenzen gleich gut hören; unsere Empfindlichkeit erreicht einen Spitzenwert von 1-4 kHz und fällt an den Extremen ab. Noch wichtiger ist, dass wir keine leisen Geräusche hören können, die unmittelbar nach oder bei ähnlichen Frequenzen wie laute Geräusche auftreten. Psychoakustische Modelle quantifizieren diese Einschränkungen und bieten einen Rahmen für die "Wahrnehmungscodierung". Der Encoder transformiert zuerst das Audio in den Frequenzbereich (unter Verwendung einer Filterbank oder FFT), dann wendet er das psychoakustische Modell an, um eine "Maskierungsschwelle" für jedes Frequenzband zu berechnen.

Jede Signalkomponente unterhalb dieser Schwelle wird als unhörbar angesehen und kann grober entfernt oder quantisiert werden. Das erlaubte Quantisierungsrauschen wird so geformt, dass es unter die Maskierungskurve fällt, um sicherzustellen, dass es verborgen bleibt.

Maskierungseffekte und ihre Messung

Die Maskierung ist das Phänomen, bei dem ein Ton ein anderes unhörbar macht. Es gibt zwei Haupttypen: Frequenzmaskierung (gleichzeitige Maskierung) und zeitliche Maskierung. Frequenzmaskierung tritt auf, wenn ein lauter Ton in einem bestimmten Frequenzband die Hörschwelle für benachbarte Frequenzen erhöht. Beispielsweise kann ein 1 kHz-Ton bei 80 dB einen 1,1 kHz-Ton bei nur 40 dB maskieren. Das Hörsystem wirkt wie ein Filter, und laute Signale bewirken, dass die Haarzellen in der Cochlea gesättigt werden, was die Empfindlichkeit gegenüber nahe gelegenen Frequenzen verringert.

Temporale Maskierung erfolgt vor und nach einem lauten Ton: "Vorwärtsmaskierung" kann bis zu 200 ms dauern, nachdem der Masker endet, während "Rückwärtsmaskierung" (ein schwächerer Effekt) einige Millisekunden vorher auftritt. Gute psychoakustische Modelle enthalten beide Formen, um zu entscheiden, welche Teile des Signals wirklich benötigt werden.

Fortgeschrittene Modelle berücksichtigen auch die "Spread of Masking" über Frequenz und Zeit. Diese Ausbreitung ist nicht linear und hängt vom Signalpegel und Spektralinhalt ab. Bei einem komplexen Musiksignal wird die Maskierungsschwelle durch Summierung von Beiträgen aus allen Frequenzkomponenten unter Verwendung von Spreizfunktionen berechnet. Das Ergebnis ist ein frequenzabhängiger "Just Respectable Distortion"-Level, den der Encoder verfolgen kann. Dadurch, dass das Quantisierungsrauschen unterhalb dieser Schwelle bleibt, kann das komprimierte Audio in einer ruhigen Hörumgebung nicht vom Original unterschieden werden.

Maskenmessung in der Praxis

Der ITU-R BS.1387-Standard, bekannt als PEAQ (Perceptual Evaluation of Audio Quality), bietet ein objektives Verfahren zur Messung der wahrgenommenen Audioqualität mit einem psychoakustischen Modell. PEAQ vergleicht die ursprünglichen und komprimierten Signale, indem er für jede Zeit-Frequenz-Kachel einen "Masking-Schwellenwert" berechnet und dann die "Störung" berechnet, bei der das komprimierte Signal diesen Schwellenwert überschreitet. Das Ergebnis ist eine einzelne Zahl, der "Objective Difference Grade", der gut mit subjektiven Hörtestergebnissen korreliert. Dieser Standard wird von Codec-Entwicklern häufig verwendet, um ihre Algorithmen zu verfeinern, ohne für jede Parameteränderung teure Hörtests durchzuführen. Technische Details finden Sie unter ITU‐R BS.1387‐1 (PEAQ).

Implementierung in Major Audio Codecs

Psychoakustische Modelle sind keine theoretischen Abstraktionen, sondern sie sind in jeden größeren verlustbehafteten Audio-Codec eingebettet. Die Art und Weise, wie jeder Codec psychoakustische Prinzipien in praktische Bit-Zuweisung übersetzt, definiert seine Leistung und seinen Charakter.

MP3: Der Pionier

Die bekannteste Implementierung von psychoakustischen Modellen ist der Anfang der 1990er Jahre entwickelte MP3-Standard (MPEG-1 Audio Layer III). MP3 verwendet eine Polyphasenfilterbank und eine modifizierte diskrete Cosinustransformation (MDCT) kombiniert mit einem psychoakustischen Modell (spezifizierend in ISO/IEC 11172-3). Das Modell berechnet Signal-zu-Masken-Verhältnisse (SMR) für jedes Subband und der Bit-Zuordnungsalgorithmus verteilt Bits entsprechend. MP3 ist trotz seines Alters von über 30 Jahren weit verbreitet, obwohl sein psychoakustisches Modell nach heutigen Standards relativ einfach ist. Die Filterbank hat nur 32 Subbänder, was eine schlechte Frequenzauflösung bei niedrigen Frequenzen bedeutet.

Dies kann zu hörbaren Artefakten führen, insbesondere für komplexe Musik mit starkem niederfrequentem Inhalt.

AAC: Raffiniert und flexibel

AAC (Advanced Audio Coding), Teil des MPEG-4-Standards, enthält ein ausgefeilteres psychoakustisches Modell. Es verwendet eine höher auflösende Filterbank (1024-Punkt-MDCT) und eine bessere Spreizfunktion. AAC unterstützt auch zusätzliche Werkzeuge wie perceptual noise substitution (PNS) und temporal noise shaping (TNS). PNS nutzt die Tatsache aus, dass rauschähnliche Signale (z. B. Hi-Hats) synthetisiert und nicht explizit codiert werden können, während TNS Quantisierungsrauschen im Zeitbereich formt, um Pre-Echo-Artefakte zu vermeiden. Beide Techniken beruhen auf psychoakustischen Erkenntnissen.

AAC erreicht eine bessere Klangqualität als MP3 bei gleicher Bitrate, die oft nicht vom Original mit 128 kbps für Musik zu unterscheiden ist. Der Standard enthält auch ein "Low Complexity"-Profil (AAC-LC) für tragbare Geräte und ein "High Efficiency"-Profil (HE-AAC), das die Bandbreite bei sehr niedrigen Bitraten erweitert. SBR selbst basiert auf der psychoakustischen Beobachtung, dass das Ohr weniger empfindlich auf die genaue spektrale Form hoher

Opus: Adaptiv und modern

Moderne Codecs verfeinern weiterhin die psychoakustische Modellierung. Opus (entwickelt von der IETF) ist ein Codec, der SILK (Sprachcodierung) und CELT (Musikcodierung) mit einem low-delay psychoakustischen Modell kombiniert. Er verwendet Rauschformung, Pre-Echo-Steuerung und eine variable Zeitfrequenzauflösung, die sich an das Signal anpasst. Opus wechselt automatisch zwischen einem linearen Vorhersagecodierungsmodus (SILK) für Sprache und einem transformierenden Codierungsmodus (CELT) für Musik und kann die beiden sogar mit einem "Hybrid"-Modus vermischen. Das psychoakustische Modell in Opus enthält ein ausgeklügeltes Rauschformungsfilter, das Quantisierungsrauschen in Frequenzbereiche drückt, wo es durch das Signal maskiert wird.

Dies geschieht mit einer Rückkopplungsschleife namens "Noise Feedback Quantization", die das Rauschspektrum in Echtzeit formt. Opus ist in VoIP, WebRTC und Streaming weit verbreitet, weil es eine hervorragende Qualität über einen breiten Bereich von Bitraten bietet (6-510 kbps). Ein weiterer entstehen

Fortschritte in der psychoakustischen Modellierung

Laufende Forschung zielt darauf ab, psychoakustische Modelle über die klassischen Ansätze hinaus zu verbessern. Die klassischen Modelle sind zwar effektiv, haben aber Grenzen. Sie basieren auf dem durchschnittlichen Gehör und berücksichtigen keine individuellen Unterschiede. Sie verwenden auch vereinfachte Spreizfunktionen, die möglicherweise nicht alle komplexen Interaktionen in realen Signalen erfassen. Neue Techniken befassen sich mit diesen Lücken.

Integration von Machine Learning

Eine vielversprechende Richtung ist der Einsatz neuronaler Netze, um Wahrnehmungsmaskierungsfunktionen direkt aus Hörtests zu lernen. Deep-Learning-Modelle können die komplexen, nichtlinearen Beziehungen im menschlichen Gehör annähern, ohne auf handgefertigte Spreizfunktionen angewiesen zu sein. Dolby Laboratories Untersuchen datengetriebene Wahrnehmungsmodelle für Next-Generation-Codecs. End-to-End-Neral-Audio-Codecs wie EnCodec by Meta verwenden nicht explizit ein psychoakustisches Modell, sondern lernen aus menschlichen Urteilen eine Wahrnehmungsverlustfunktion. Diese Verlustfunktion ist im Wesentlichen ein erlerntes psychoakustisches Modell, das erfasst, was Menschen perzeptuell wichtig finden.

Erste Ergebnisse zeigen, dass diese neuronalen Codecs mit sehr niedrigen Bitraten (z.B. 3 kbps für Sprache) der Qualität herkömmlicher Codecs entsprechen oder diese übertreffen können.

Personalisierte und adaptive Modelle

Ein weiterer Bereich ist die personalisierte Audioverarbeitung. Keine zwei Ohrenpaare sind identisch. Alter, Hörverlust und sogar die Form des Gehörgangs beeinflussen die Wahrnehmung. Ein 60-jähriger Hörer mit typischem hochfrequentem Hörverlust hat eine ganz andere Maskierungsschwelle als ein 20-Jähriger mit normalem Hörvermögen. Künftige Codecs könnten Kompressionsparameter basierend auf individuellen Hörprofilen anpassen, die über einen auf dem Gerät des Benutzers gespeicherten Schnelltest erhalten werden. Dies könnte bei gleicher wahrgenommener Qualität 20-30 % niedrigere Bitrate für Hörer mit leichtem hochfrequentem Hörverlust ergeben.

Hörgerätehersteller verwenden bereits personalisierte Anpassung; der gleiche Ansatz wird jetzt für Verbraucher-Audio erforscht. Sono hat Forschungsprogramme in personalisiertem Sound, einschließlich Raumkorrektur und Hörkompensation.

Auch der Umweltkontext ist wichtig. Ein psychoakustisches Modell, das in einem leisen Studio gut funktioniert, kann in einem lauten Auto oder auf einer überfüllten Straße zu konservativ sein. Adaptive Modelle könnten Umgebungsgeräusche berücksichtigen und eine aggressivere Kompression ermöglichen, wenn die Hörumgebung bestimmte Frequenzen maskiert. Die Entwicklung solcher Modelle erfordert groß angelegte subjektive Tests und robuste Algorithmen zur Geräuschschätzung. Einige Forschungsprototypen verwenden ein zweites Mikrofon, um Umgebungsgeräusche zu erfassen und die Maskierungsschwelle in Echtzeit anzupassen.

Wenn das Umgebungsgeräusch beispielsweise ein starkes niederfrequentes Rumpeln hat, kann der Encoder die Bitzuweisung in niederfrequente Bänder ohne hörbare Verschlechterung reduzieren.

Räumliche Audio- und Binaurale Überlegungen

Eine weitere Grenze ist binaurales und räumliches Audio. Da virtuelle und erweiterte Realität wachsen, müssen Codecs räumliche Hinweise (interaurale Zeit- und Levelunterschiede) erhalten, während sie immer noch Wahrnehmungscodierung anwenden. Psychoakustische Modelle für das räumliche Hören sind komplexer, mit Kopf-bezogenen Übertragungsfunktionen (HRTF) und Vorrangeffekten. Die effiziente Kompression binauraler Signale ohne Verschlechterung der Lokalisierung bleibt eine aktive Forschungsherausforderung. Der Standardansatz besteht darin, den linken und den rechten Kanal als Mittel-Seiten-Paar zu codieren, aber dies nutzt die räumlichen Maskierungseffekte nicht vollständig aus.

Neuere Untersuchungen deuten darauf hin, dass das Ohr weniger empfindlich auf Quantisierungsrauschen im Seitenkanal (der Unterschied zwischen links und rechts) ist als im Mittelkanal (die Summe), insbesondere bei hohen Frequenzen. Diese Asymmetrie kann genutzt werden, indem mehr Bits dem Mittelkanal und weniger dem Seitenkanal zugewiesen werden, eine Technik, die als "psychoakustische Stereocodierung" bekannt ist.

Die Zukunft der Perceptual Audio Coding

Ein praktisches Ergebnis dieser Bemühungen ist die Verbesserung der Low-Bitrate-Codierung für Sprache und Musik. Standards wie EVS (Enhanced Voice Services) und LC3 (Low Complexity Communication Codec) beinhalten fortschrittliche psychoakustische Modelle, die für Konversationsaudio optimiert sind. EVS verwendet beispielsweise ein psychoakustisches Modell, um Sprach- und Musikcodierung nahtlos zu verschmelzen. Die 3GPP-Version enthält auch einen "Kanal-bewussten" Modus, der die Kompression basierend auf Funkkanalbedingungen anpasst und zeigt, wie psychoakustisches Wissen mit Netzwerkbewusstsein kombiniert werden kann.

  • Verbesserte Maskierungsalgorithmen: Moderne Spreizfunktionen und gemeinsame Stereocodierung (Mitte/Seite und Intensitätsstereo) sind heute Standard, zusammen mit einer komplexen zeitlichen Maskierung, die sowohl Vorwärts- als auch Rückwärtseffekte berücksichtigt.
  • Personalisierte Audioverarbeitung: Künftige Geräte könnten einen Schnellhörtest (ähnlich denen, die in Hörgeräten verwendet werden) durchführen und die Kompression entsprechend anpassen, was die Bitrate für Benutzer mit typischem altersbedingtem Hörverlust um 20 bis 30 % reduzieren könnte.
  • Verbesserte Klangqualität bei niedrigeren Bitraten: Codecs wie Opus und xHE‐AAC entsprechen bereits heute der Qualität früherer Standards bei halber Bitrate. Kontinuierliche Verfeinerungen in psychoakustischen Modellen versprechen weitere Zuwächse, insbesondere bei anspruchsvollen Inhalten wie Applaus oder Dudelsäcken.
  • Integration mit Machine Learning: End-to-End-Neral-Audio-Codecs verwenden nicht explizit ein psychoakustisches Modell, sondern lernen aus menschlichen Urteilen eine Wahrnehmungsverlustfunktion, die möglicherweise über die handgefertigten Modelle für spezifische Anwendungsfälle hinausgeht.
  • Netzwerkbewusste adaptive Komprimierung: Zukünftige Codecs können ihr psychoakustisches Modell basierend auf Echtzeit-Netzwerkbedingungen, Paketverlust und Umgebungsrauschen anpassen und so die bestmögliche Qualität unter sich ändernden Umständen bieten.

Das Verständnis und die Nutzung psychoakustischer Modelle bleibt ein Eckpfeiler für die Entwicklung besserer Audiokompressionstechnologien. Da Forscher tiefer in die Feinheiten des menschlichen Gehörs eintauchen, können wir weiterhin Verbesserungen in Effizienz, Robustheit und Personalisierung erwarten. Wikipedia-Artikel über Psychoakustik oder AES Bibliothek für psychoakustische Papiere. Diese Ressourcen bieten eine solide Grundlage für alle, die die Wissenschaft hinter den Klängen, die wir hören, und dem komprimierten Audio, das unser digitales Leben ausfüllt, verstehen wollen.