L'art et la science de la perception du son, connus sous le nom de psychoacoustique, ont fondamentalement remodelé notre façon de stocker, transmettre et vivre l'audio numérique. En comprenant les façons complexes dont l'oreille humaine et le processus du cerveau son, les ingénieurs ont créé des algorithmes de compression qui réduisent considérablement la taille des fichiers sans dégrader sensiblement l'expérience d'écoute. Cette synergie entre la psychologie et le traitement des signaux a permis la révolution globale du streaming, de la distribution podcast aux plateformes de musique haute résolution.

Les fondements de la psychoacoustique : comment nous percevons le son

La psychoacoustique se trouve à l'intersection de la psychologie, de l'acoustique et de la neuroscience. Elle étudie comment le système auditif interprète les ondes sonores, en se concentrant sur des attributs comme le pas, la sonorité, le timbre et la localisation spatiale. Une idée centrale est que l'audition humaine est loin d'être un transducteur linéaire parfait; elle a des limitations et biais importants qui peuvent être exploités pour la compression. contours d'égale louance, qui montrent qu'un son à basse fréquence doit avoir beaucoup plus d'énergie physique pour être perçu aussi fort qu'un ton à moyenne fréquence. Par exemple, un ton de 50 Hz à 70 dB SPL sonne aussi fort qu'un ton de 1 kHz à seulement 40 dB SPL, ce qui signifie que nos oreilles sont naturellement moins sensibles aux basses fréquences.

Plus important encore, le système auditif regroupe les fréquences en bandes qui se chevauchent appelées bandes critiques. Chaque bande est à peu près une fraction d'une octave large et agit comme une unité de traitement unique, analogue à une banque de filtres dans la cochlée. Lorsqu'un son fort se produit dans une bande critique, il peut masquer (faire inaudible) des sons plus silencieux dans la même bande — ou même dans les bandes adjacentes en raison de la propagation vers le haut du masque. masque de fréquence, est le fondement du codage audio perceptuel. masque temporel se produit lorsqu'un son fort masque des sons calmes qui se produisent juste avant (pré-masquage) ou après (post-masking) il, généralement en quelques millisecondes. Le cerveau humain effectue également une analyse de scène complexe, regroupant des sons apparentés et ignorant ceux qui ne sont pas pertinents – une capacité exploitée par la formation de planchers de bruit.

En quantifiant ces seuils de masquage au moyen de tests d'écoute et de modèles mathématiques approfondis, les chercheurs ont construit des outils prédictifs qui indiquent aux codeurs quelles parties d'un signal audio peuvent être écartées ou approximatives en toute sécurité. Le modèle psychoacoustique utilisé dans les codecs modernes est essentiellement une carte de ce que les auditeurs humains peuvent et ne peuvent pas entendre, mis à jour en temps réel au fur et à mesure que l'audio change.

De la forme d'onde aux bits : la nécessité de la compression

L'audio numérique non compressé, tel qu'il est utilisé dans les disques compacts, stocke Pulse Code Modulation (PCM) à 1 411 kbps pour stéréo (16 bits/44,1 kHz). Bien que ce soit une excellente fidélité, il consomme de grandes quantités de bande passante et de stockage. Les méthodes de compression sans perte précoce comme FLAC et ALAC exploitent la redondance statistique (p. ex. passages silencieux, motifs répétés) mais n'atteignent généralement que 40 à 50 % de réduction de taille, en deçà de ce que les services de streaming exigent. Par exemple, la diffusion en continu d'une piste de qualité CD sur un réseau 3G serait impossible sans compression agressive. qualité transparente—le point auquel un auditeur ne peut pas distinguer la version compressée de l'original dans des conditions d'écoute typiques.

Codage audio perceptuel: Comment ça marche

Les codeurs perceptifs suivent un pipeline général : transformation de la fréquence temporelle, analyse psychoacoustique, quantification et codage bitstream. Chaque étape repose sur les principes de l'audition humaine pour enterrer invisiblement le bruit et jeter les composants inaudibles.

Seuils de masque et entropie perceptible

L'étape la plus critique est le calcul de la seuil de masque. Le codec brise le signal audio en courtes périodes (habituellement 23–46 ms) et les transforme en domaine de fréquence à l'aide d'une banque de filtres ou d'une transformation discret de la cosine modifiée (MDCT). Pour chaque cadre, le modèle psychoacoustique calcule le niveau de pression acoustique (SPL) dans chaque bande critique et évalue le niveau sonore minimal dans cette bande, en tenant compte du bruit interne de l'oreille et des effets de masque d'autres tons et bruits. Rapport signal/masque (SMR)—détermine le nombre de bits à allouer à chaque bande de fréquences de manière à ce que le bruit de quantification reste en dessous du seuil. entropie perceptuelle: le nombre minimum de bits requis pour représenter l'audio sans distorsion sonore, qui est généralement bien inférieur à l'entropie du signal brut.

Répartition et quantification des billets

Armé du SMR par bande, l'encodeur décide combien de bits à attribuer à chaque coefficient de fréquence. Les bandes avec un SMR élevé (où le signal est bien au-dessus du seuil de masquage) peuvent tolérer une quantification plus grossière, en utilisant moins de bits. répartition dynamique des bits C'est ce qui permet aux codeurs perceptifs de regrouper presque tous leurs budgets de bits dans des gammes de fréquences où l'audition humaine est la plus sensible, tout en réduisant sévèrement les données pour les régions masquées ou moins importantes. La quantisation elle-même introduit le bruit contrôlé, mais parce qu'elle est façonnée pour suivre le seuil de masquage, elle reste essentiellement inaudible.

Masquage temporal et contrôle pré-écho

Deux types de compression de l'aide de masque temporel: après le masquage (un masque sonore fort sonne jusqu'à 200 ms après la fin) et prémasquage (masques sons jusqu'à 20 ms avant le début du son fort). Le prémassage est particulièrement difficile car les blocs de processus de codecs de transformation typiques de l'audio qui comprennent à la fois les parties calme et bruyante. Si le passage fort se produit près de la fin d'un bloc, le bruit de quantification peut se propager dans la région tranquille précédente, produisant un artefact dérangeant appelé Pré-écho. Pour lutter contre cela, les encodeurs modernes utilisent changement de bloc: ils passent à des fenêtres plus courtes (par exemple 2,7 ms en AAC) pendant les transitoires, limitant l'étalement du bruit de quantification. Structure temporelle du bruit (TNS) contrôler le profil sonore dans le domaine temporel d'un bloc, filtrer efficacement le bruit de quantification pour suivre l'enveloppe temporelle du signal.

Substitution de bruit et réplication de bande

Les codecs avancés vont au-delà du simple masquage. Substitution du bruit perceptuel (PNS) Au lieu de coder le spectre exact, il ne stocke que le niveau d'énergie et un drapeau pour reproduire le bruit pseudo-aléatoire au décodeur. Cela peut considérablement économiser des bits, car les composants sonores ne nécessitent une précision élevée que pour leur énergie, et non pour leur forme spectrale. Réplication de la bande spectrale (RSS), utilisé dans HE-AAC (aacPlus), élimine les hautes fréquences (au-dessus de 8 kHz) et les synthétise au décodeur à partir du spectre basse fréquence en utilisant des paramètres de guidage supplémentaires. La justification psychoacoustique est que l'oreille ne peut pas identifier la forme spectrale précise dans ces hautes bandes; elle sens seulement la présence et la tonalité.

SBR peut réduire de moitié le débit nécessaire pour un niveau de qualité donné, ce qui le rend idéal pour un flux à faible débit.

Evolution des Codecs Audio : De MP3 à Opus

La recherche de compresser audio de haute qualité a commencé avec le Groupe d'experts en matière de déplacements (MPEG), qui a normalisé MPEG-1 Audio Layer III – mieux connu sous le nom de MP3 – au début des années 1990. MP3 a incorporé un modèle psychoacoustique raffiné pour supprimer les sons jugés inaudibles, atteindre jusqu'à 12:1 compression tout en maintenant la qualité transparente pour la plupart des auditeurs. Ce travail a valu à ses développeurs un prix IEEE Masaru Ibuka Consumer Electronics et a lancé l'ère de la musique numérique.

Codage audio avancé (AAC)

AAC, standardisé en 1997, s'est amélioré sur MP3 avec une banque de filtres à base de MDCT pure offrant une meilleure résolution de fréquence et de flexibilité. Codage stéréo mi/side (M/S) (en codant la somme et la différence des canaux au lieu de gauche/droite) et Stéréo d'intensité AAC reste aujourd'hui l'un des codes les plus largement déployés, utilisés dans YouTube, Apple Music et de nombreux paramètres de diffusion. Les bits typiques pour une qualité transparente sont d'environ 128 à 192 kbps pour la musique stéréo. AAC prend également en charge le codage paramétrique des fréquences supérieures via SBR (HE-AAC), permettant une bonne qualité à 48 à 64 kbps. Cependant, à des débits très bas en dessous de 32 kbps, la qualité de la parole peut souffrir par rapport aux codes de parole dédiés.

Opus – Le Code Universelc

Opus, standardisé par l'IETF en RFC 6716, est un codec hybride qui adapte son approche en fonction du contenu. Pour la parole en dessous de 20 kbps, il utilise le codage prédictif linéaire (SILK) qui modélise le canal vocal, en utilisant efficacement des bits où l'oreille est la plus sensible aux formateurs. quantification du vecteur prédictif et pliage de bande Les tests d'écoute subjectifs classent systématiquement Opus comme égal ou supérieur à AAC et Vorbis à des débits équivalents, ce qui en fait le codec préféré pour les systèmes WebRTC, Discord et de nombreux systèmes VoIP. Sa scalabilité transparente de 6 à 510 kbps signifie qu'un seul codec peut gérer à la fois les appels vocaux et la diffusion de musique haute fidélité.

Ogg Vorbis

Vorbis est un codec libre et open source qui a introduit plusieurs innovations, dont un réglage du plancher sonore et un contrôle plus flexible du débit variable (VBR). Son modèle psychoacoustique utilise une "courbe de plancher" qui s'adapte à l'enveloppe spectrale du signal, et les résidus sont encodés par quantification vectoriel. Vorbis est connu pour sa qualité excellente aux débits mi-à-hauts (128–192 kbps), bien que ses performances à faible débit (moins de 64 kbps) soient moins impressionnantes que AAC ou Opus. Il reste populaire dans les moteurs de jeux et les distributions de logiciels open source, et il était le codec standard pour l'audio dans les premières versions du format conteneur Ogg.

L'apprentissage automatique et l'avenir de la compression psychoacoustique

Comme les ressources informatiques ont augmenté, machine learning a commencé à se croiser avec le codage audio perceptuel de manière puissante. Codecs de bout en bout appris Ces systèmes forment un réseau neuronal profond pour cartographier les formes d'onde audio brutes à une représentation latente comprimée, en utilisant une perte de reconstruction combinée à une perte discriminante qui pénalise toute différence audible. Le réseau apprend implicitement un modèle psychoacoustique à partir de données d'entraînement, dépassant souvent les modèles à très bas débits (par exemple, 3 kbps pour la parole intelligible ou 16 kbps pour la musique). EnCodec, par exemple, utilise un quantificateur vectoriel résiduel avec un décodeur basé sur un transformateur et peut fonctionner à plusieurs bits avec un seul modèle.

Une autre orientation prometteuse est compression audio générative, où le décodeur est un modèle de diffusion ou un transformateur autorégressif qui remplit de détails fins d'une représentation à faible débit. Ces approches peuvent reconstruire audio de haute qualité même lorsque le signal compressé contient très peu d'informations, en tirant parti de l'expérience du modèle avant des sons naturels.

Les futurs codecs sont susceptibles de combiner les principes psychoacoustiques classiques avec des modèles appris. Par exemple, un encodeur pourrait utiliser un calcul SMR traditionnel pour guider un quantificateur neuronal, en veillant à ce qu'aucune distorsion sonore ne glisse à travers, tandis que le décodeur utilise un modèle générateur léger pour augmenter le résidu.

Défis et orientations futures

Malgré les progrès remarquables, le codage audio perceptuel est confronté à plusieurs défis. variabilité individuelle En effet, les systèmes d'électroencéphalographie (EEG) ou les commentaires des utilisateurs pourraient adapter les seuils d'électroencéphalographie à un profil auditif individuel, en tenant compte de la perte auditive, des changements de sensibilité liés à l'âge ou des préférences esthétiques personnelles. Ces systèmes d'adaptation pourraient exercer une pression encore plus forte sur les performances d'un débit donné tout en maintenant une transparence subjective.

Une autre frontière est audio immersif. Les formats audio spatiaux comme Dolby Atmos et MPEG-H nécessitent plusieurs canaux ou objets, augmentant de façon spectaculaire les données requises. Les modèles psychoacoustiques pour l'ouïe spatiale, y compris les fonctions de transfert de tête (HRTF), le masquage binaural et l'effet de préséance, sont intégrés dans de nouveaux codecs. Par exemple, MPEG-H Audio 3D utilise une combinaison de canaux, d'objets et d'audio scénique avec des optimisations psychoacoustiques pour chacun.

Enfin, considérations éthiques et d'accessibilité Les algorithmes de compression optimisés pour l'audition moyenne peuvent désavantager les auditeurs ayant une déficience auditive. À mesure que les codecs deviennent de plus en plus personnalisés, assurer une qualité audio équitable pour tous les utilisateurs sera un objectif clé de conception.

Liens externes

Conclusion

Les principes psychoacoustiques sont l'échafaudage invisible sur lequel repose la compression audio moderne. En modélisant les fragilités et les biais de l'audition humaine, les ingénieurs ont libéré l'audio numérique des contraintes de PCM brut, permettant le streaming global, les collections de musique portable et la communication en temps réel qui sonne presque parfait à nos oreilles. Le voyage des courbes de masque simples MP3 à Opus adaptative hybride codage – et maintenant à la compression neuronale – montre une poursuite inlassable de l'efficacité sans compromettre la fidélité perçue.