El arte y la ciencia de la percepción de sonido, conocida como psicoacústica, ha reencontado fundamentalmente cómo almacenamos, transmitimos y experimentamos el audio digital. Al comprender las formas intrincadas del sonido del oído humano y del cerebro, los ingenieros han creado algoritmos de compresión que reducen drásticamente los tamaños de archivos sin degradar notablemente la experiencia de escucha. Esta sinergia entre la psicología y el procesamiento de señales ha permitido la revolución de transmisión global, desde la distribución de podcasts hasta nuevas plataformas de música.

Las Fundaciones de la Psicoacústica: Cómo Percibimos el Sonido

La psicoacústica se encuentra en la intersección de la psicología, la acústica y la neurociencia. Se investiga cómo el sistema auditivo interpreta las ondas sonoras, centrándose en atributos como el campo, la ruidosidad, el timbre y la ubicación espacial. Una visión central es que la audición humana está lejos de un transductor lineal perfecto; tiene limitaciones y sesgos significativos que pueden explotar para la compresión. contornos de igual nivel, que muestran que un sonido de baja frecuencia debe tener mucha más energía física para ser percibido igual de alto como un tono de frecuencia media. Por ejemplo, un tono de 50 Hz a 70 dB SPL suena tan alto como un tono de 1 kHz a sólo 40 dB SPL, lo que significa que nuestros oídos son naturalmente menos sensibles a bajas frecuencias.

Más importante aún, las frecuencias del sistema auditivo agrupan bandas superpuestas llamadas bandas críticas. Cada banda es aproximadamente una fracción de una octava ancha y actúa como una unidad de procesamiento única, análoga a un banco de filtros en la cochlea. Cuando un sonido fuerte ocurre en una banda crítica, puede enmascarar (hacer inaudible) sonidos más silenciosos en la misma banda, o incluso en bandas adyacentes debido a la propagación ascendente de enmascaramiento. frecuencia de enmascaramiento, es la base de la codificación de audio perceptual. enmascaramiento temporal ocurre cuando un sonido fuerte enmascara sonidos silenciosos que ocurren justo antes (pre-masking) o después (post-masking) que, típicamente dentro de unos pocos milisegundos. El cerebro humano también realiza análisis de escena complejo, agrupando sonidos relacionados e ignorando los irrelevantes — una capacidad explotada por el suelo de ruido.

Al cuantificar estos umbrales de enmascaramiento a través de pruebas de escucha extensas y modelos matemáticos, los investigadores han construido herramientas predictivas que indican los códecs que partes de una señal de audio pueden ser descartadas o aproximadas de forma segura.El modelo psicoacústico utilizado en los códecs modernos es esencialmente un mapa de lo que los oyentes humanos pueden y no pueden escuchar, actualizado en tiempo real a medida que el audio cambia.

De las ondas a los bits: La necesidad de la compresión

Uncompressed digital audio, como se utiliza en discos compactos, almacena Pulse Code Modulation (PCM) a 1.411 kbps para estereo (16-bit/44.1 kHz). Mientras que esto ofrece una excelente fidelidad, consume enormes cantidades de ancho de banda y almacenamiento. Métodos de compresión sin pérdidas tempranas como FLAC y ALAC explotan la redundancia estadística (por ejemplo, pasajes silenciosos, patrones repetidos) pero normalmente alcanzan 40 % calidad transparente—el punto en el que un oyente no puede distinguir la versión comprimida del original bajo condiciones de escucha típicas.

Codificación de audio perceptual: Cómo funciona

Los códecs perceptuales siguen un oleoducto general: transformación de frecuencias temporales, análisis psicoacústico, cuantización y codificación de bitstream. Cada paso se basa en principios de la audiencia humana para enterrar invisiblemente el ruido y descartar componentes inaudibles.

Manchas de Masking y Entropía Perceptual

El paso más crítico es calcular el umbral de enmascaramiento. El codec rompe la señal de audio en marcos cortos de tiempo (normalmente 23–46 ms) y los transforma en el dominio de frecuencia utilizando un banco de filtros o una transformación de disco modificado Cosine Transform (MDCT). Para cada marco, el modelo psicoacústico computa el nivel de presión de sonido (SPL) en cada banda crítica y estima el nivel mínimo audible en esa banda, considerando el umbral interno de la oreja y los efectos de enmascarreo ratio señal-mask (SMR)— determina cuántos bits deben ser asignados a cada banda de frecuencia para que el ruido de cuarentena permanezca por debajo del umbral. entropía perceptiva: el número mínimo de bits requeridos para representar el audio sin distorsión audible, que es generalmente muy inferior a la entropía de la señal cruda.

Asignación y cuantización del bit

Armado con la SMR por banda, el encoder decide cuántos bits asignar a cada coeficiente de frecuencia. Bandas con alta SMR (donde la señal está muy por encima del umbral de enmascaramiento) pueden tolerar la cuarentena más gruesa, utilizando menos bits. Las bandas cerca del umbral requieren una cuantificación más fina (más bits) para evitar una distorsión audible. asignación de bits dinámica es lo que permite que los códecs perceptuales empaquen casi todo su presupuesto de bits en rangos de frecuencias donde la audición humana es más sensible, mientras que reduce severamente los datos para regiones enmascaradas o menos importantes. La cuantización en sí introduce ruido controlado, pero porque se forma para seguir el umbral de enmascaramiento, sigue siendo esencialmente inaudible.

Control de Mascara Temporal y Pre-echo

Dos tipos de compresión de ayuda temporal de enmascaramiento: post-masking (una máscara de sonido fuerte más silencioso suena hasta 200 ms después de que termina) y pre-masking (masks suena hasta 20 ms antes de que comience el sonido fuerte). Pre-masking es especialmente difícil porque los típicos bloques de proceso de códecs transformados de audio que incluyen tanto las partes silenciosas como las ruidosas. Si el ruido de transior alto ocurre cerca del final de un bloque, el ruido de cuantitativa puede extenderse de nuevo a la región silenciosa anterior, produciendo un artefacto perturbador llamado pre-echoPara combatir esto, los encoderes modernos usan conmutación de bloques: se cambian a ventanas de transformación más cortas (por ejemplo, 2.7 ms en AAC) durante los transitorios, limitando el tiempo de propagación del ruido de cuantización. Forma de ruido temporal (TNS) para controlar el perfil de ruido dentro del dominio de tiempo de un bloque, filtrando efectivamente el ruido de cuarentena para seguir el sobre temporal de la señal.

Sustitución de ruido y réplica de banda

Los codecs avanzados van más allá de la simple máscara. Substitución de ruido perceptual (PNS) detecta bandas de frecuencia donde la señal es como ruido (por ejemplo, címbalos, sibilancia). En lugar de encodificar el espectro exacto, almacena sólo el nivel de energía y una bandera para reproducir ruido de pseudo-aleatorio en el decodificador. Esto puede ahorrar dramáticamente bits, ya que los componentes de ruido requieren alta precisión sólo para su energía, no forma espectral. Replicación de banda espectral (SBR), utilizado en HE-AAC (aacPlus), elimina las frecuencias altas (sobre 8 kHz) y sintetiza en el decodificador del espectro de baja frecuencia utilizando parámetros de orientación adicionales. La justificación psicoacústica es que el oído no puede identificar la forma espectral precisa en esas bandas altas; sólo siente la presencia y tonalidad. SBR puede reducir el nivel ideal dado el bitrate

Evolución de los códigos de audio: de MP3 a Opus

La búsqueda de comprimir audio de alta calidad comenzó en serio con el Grupo de Expertos en Imágenes Moving (MPEG), que estandarizó MPEG-1 Audio Layer III, más conocido como MP3, a principios de los años 90. MP3 incorporó un refinado modelo psicoacústico para eliminar sonidos considerados inaudibles, alcanzando hasta 12:1 compresión manteniendo la calidad transparente para la mayoría de los oyentes. Este trabajo ganó a sus desarrolladores un IEEE Masaru Ibuka Consumer Electronics Award y lanzó la era de música digital.

Codificación de audio avanzada (AAC)

AAC, estandarizado en 1997, mejoró en MP3 con un banco filtrante basado en MDCT puro que ofrece una mejor resolución de frecuencia y flexibilidad. Codificación estéreo de mitad de período/sida (M/S) (recodiendo la suma y diferencia de canales en lugar de izquierda/derecha) y Intensidad Stereo (relatando en cuestiones de alta frecuencia). AAC también agregó TNS y mejor manejo de los transientes mediante conmutación de bloques. Hoy, AAC sigue siendo uno de los codecs más ampliamente implementados, usados en YouTube, Apple Music, y muchos ajustes de transmisión. Los bitrates típicos para la calidad transparente son alrededor de 128–192 kbps para música estéreo.

Opus – El Codec Universal

Opus, estandarizado por el IETF en RFC 6716, es un códec híbrido que adapta su enfoque basado en el contenido. Para el discurso debajo de 20 kbps, utiliza la codificación predictiva lineal (SILK) que modela el tracto vocal, haciendo uso eficiente de bits donde el oído es más sensible a formantes. Para la música y los bitrates más altos, se cambia a un MDCT modificado (CELT) que utiliza modelos psicoacústicos similares. cuantización vectorial predictiva y banda plegable (similar a SBR) para extender frecuencias altas. Pruebas de escucha subjetivas clasifican constantemente Opus como iguales o mejores que AAC y Vorbis en bitrates equivalentes, por lo que es el codec preferido para WebRTC, Discord y muchos sistemas VoIP. Su escalabilidad sin costuras de 6 a 510 kbps significa que un solo codec puede manejar tanto llamadas de voz como streaming de música de alta fidelidad.

Ogg Vorbis

Vorbis es un código abierto gratuito que introdujo varias innovaciones, incluyendo un ajuste de suelo de ruido y un control de bitrate variable más flexible (VBR). Su modelo psicoacústico utiliza una " curva de suelo" que se adapta al sobre espectral de la señal, y los residuos se codifican a través de la cuantificación de vectores. Vorbis es conocido por excelente calidad en versiones de código medio a alto de bits (128–192 kbeps

Aprendizaje de Máquinas y el futuro de la Compresión Psicoacústica

Como han crecido los recursos computacionales, el aprendizaje automático ha comenzado a interseccionar con la codificación de audio perceptual de maneras poderosas. Los primeros intentos utilizar redes neuronales para aproximar el modelo psicoacústico más barato, pero reciente códecs aprendidas de fin a fin como Lyra y EnCodec de Google van mucho más lejos. Estos sistemas entrenan una red neural profunda para mapear ondas de audio crudas a una representación de latente comprimido, utilizando una pérdida de reconstrucción combinada con una pérdida discriminatoria que penaliza cualquier diferencia audible. La red aprende implícitamente un modelo psicoacústico de datos de entrenamiento, a menudo superando los modelos de la mano en los kps de habla muy bajos (por ejemplo, cuatípicos residuales).

Otra dirección prometedora es compresión audio generativa, donde el decodificador es un modelo de difusión o un transformador autoregresivo que llena detalles finos de una representación de bajo contenido. Estos enfoques pueden reconstruir audio de alta calidad incluso cuando la señal comprimida contiene muy poca información, aprovechando los conocimientos del modelo antes de los sonidos naturales. Sin embargo, vienen con alto costo computacional y latencia, limitando actualmente su uso a aplicaciones fuera de línea o streaming de nubes.

Los futuros codecs probablemente mezclan principios psicoacústicos clásicos con modelos aprendidos. Por ejemplo, un encoder podría utilizar un cálculo SMR tradicional para guiar un cuantizador neuronal, asegurando que ninguna distorsión audible se desliza, mientras que el decodificador utiliza un modelo generativo ligero para aumentar el residual. Los cuerpos de normas como MPEG están explorando activamente código de audio neural (MPEG-H 2), MPEG-I

Desafíos y futuras orientaciones

A pesar de los notables progresos, la codificación de audio perceptual enfrenta varios desafíos. variabilidad individual En la audiencia: un umbral de enmascaramiento derivado de oyentes promedios puede no funcionar de forma óptima para aquellos con pérdida auditiva, presbicusis relacionada con la edad o sensibilidad inusual de frecuencia. Modelos psicoacústicos personalizados están emergiendo. Utilizando electroencefalografía (EEG) o retroalimentación de usuarios, los dispositivos futuros podrían adaptar los umbrales de enmascaramiento al perfil auditivo de un individuo, contando los cambios de sensibilidad de sensibilidad por edad, adaptando la transparencia estética personal.

Otra frontera es audio inmersivoLos formatos de audio espaciales como Dolby Atmos y MPEG-H requieren múltiples canales o objetos, aumentando drásticamente los datos requeridos. Los modelos psicoacústicos para la audición espacial, incluyendo las funciones de transferencia relacionadas con la cabeza (HRTFs), enmascaramiento binaural y efecto de precedencia, están siendo integrados en nuevos códecs. Por ejemplo, MPEG-H 3D Audio utiliza una combinación de optimización de audio envolvente basada en el canal, y en entornos y en el escenarios.

Por último, consideraciones éticas y de accesibilidad Los algoritmos de compresión optimizados para la audiencia promedio pueden perjudicar a los oyentes con deficiencias auditivas. A medida que los codecs se personalizan cada vez más, garantizar la calidad de audio equitativa para todos los usuarios será un objetivo de diseño clave.

Enlaces externos

Conclusión

Los principios psicoacústicos son el andamiaje invisible en el que se encuentra la compresión de audio moderna. Al modelar las fragilidades y sesgos de la audiencia humana, los ingenieros han liberado el audio digital de las limitaciones de PCM cruda, permitiendo la transmisión global, colecciones de música portátiles y comunicación en tiempo real que suenan casi perfectos a nuestros oídos.