Quels sont les modèles psychoacoustiques?

Les modèles psychoacoustiques sont des cadres scientifiques qui décrivent comment le système auditif humain perçoit le son. Ils sont construits à partir de décennies de recherche en audition, y compris la sensibilité de l'oreille à différentes fréquences, sa portée dynamique, et sa capacité à détecter des changements de hauteur et de bruit. Ces modèles vont au-delà de courbes de réponse de fréquence simples; ils intègrent des comportements complexes tels que le masque, l'intégration temporelle et l'audition binaurale.

La modélisation psychoacoustique repose sur le concept du filtre auditoire --qui représente la sélectivité de fréquence de la cochlée. L'oreille humaine se comporte comme une banque de filtres de passe-bande chevauchants, et ces filtres ont différentes largeurs de bande en fonction de la fréquence. Aux fréquences inférieures, les filtres sont étroits; aux fréquences supérieures, ils s'élargissent. La largeur de ces filtres est souvent exprimée en termes de bande critique -- et l'échelle Bark est une échelle de fréquence qui cartographie ces bandes critiques.

La mécanique de l'audition humaine

Pour apprécier les modèles psychoacoustiques, il faut d'abord comprendre le matériel biologique qu'ils simulent. Les ondes sonores pénètrent dans l'oreille externe et traversent le canal de l'oreille jusqu'au tympan, qui vibre. Ces vibrations passent par les os de l'oreille moyenne (oscils) jusqu'à la cochlée de l'oreille interne. La cochlée est un organe en forme de spirale rempli de liquide, bordé de cellules capillaires qui convertissent les vibrations mécaniques en signaux neuraux. L'emplacement le long de la cochlée où se produit une stimulation maximale dépend de la fréquence : les fréquences élevées stimulent la base, les fréquences basses stimulent le sommet.

Les cellules capillaires ne sont pas aussi sensibles à toutes les fréquences. Les pics de sensibilité de l'oreille entre 1 kHz et 4 kHz, une gamme critique pour la compréhension de la parole. En dessous de 500 Hz et au-dessus de 8 kHz, la sensibilité baisse de façon significative. Les modèles psychoacoustiques capturent ce résultat en utilisant des contours d'égale loudness, comme les courbes Fletcher-Munson ou la norme ISO 226:2003 plus récente. Ces courbes montrent qu'une tonalité de 50 Hz doit être d'environ 20 dB plus forte qu'une tonalité de 1 kHz pour être perçue comme aussi forte à des niveaux d'écoute modérés.

Bandes critiques et échelle d'écorce

La notion de bandes critiques est centrale à la modélisation psychoacoustique. Une bande critique est la gamme de fréquences que l'oreille traite en une seule unité. Au sein d'une bande critique, deux tons ne peuvent pas être résolus séparément; ils sont perçus comme une seule sensation. La bande passante de ces bandes critiques augmente avec la fréquence : à 200 Hz, une bande critique mesure environ 100 Hz de large; à 5 kHz, elle mesure environ 1 kHz de large. L'échelle Bark divise la gamme de fréquences audibles (0 à 20 kHz) en 24 bandes critiques, chacune large Bark.

Les modèles psychoacoustiques convertissent l'échelle de fréquence linéaire en échelle Bark avant le traitement, car cette transformation aligne l'analyse sur la perception humaine.

Par exemple, l'encodeur MP3 utilise une banque de filtres polyphasés avec 32 sous-bandes qui correspondent peu aux bandes critiques à basse fréquence mais sont trop larges à haute fréquence. Les codecs modernes comme AAC utilisent une transformation de cosine discrète modifiée (MDCT) avec une résolution supérieure (1024 ou 2048 lignes) et ensuite groupent les bacs de fréquence en bandes qui suivent de plus près l'échelle Bark. Ce regroupement est appelé une bande de facteur -échelle - et est l'unité fondamentale pour l'attribution de bits dans les codeurs perceptuels.

Le rôle des modèles psychoacoustiques dans la compression audio

Sans modèles psychoacoustiques, la compression perdue reposerait sur des techniques génériques de traitement des signaux qui pourraient rejeter du contenu sonore ou gaspiller des bits sur des bruits inaudibles. En intégrant des modèles psychoacoustiques, les codecs peuvent atteindre des rapports de compression de 10:1 ou plus tout en sonnant presque indistinctible de l'original à la plupart des auditeurs. Ceci est crucial pour les services de streaming, la radiodiffusion numérique, les appareils de musique portables et toute application où la bande passante ou le stockage est limité.

La principale idée est que l'ouïe humaine est imparfaite. Nous ne pouvons pas entendre toutes les fréquences aussi bien; notre sensibilité atteint des pics autour de 1–4 kHz et tombe aux extrêmes. Plus important encore, nous ne pouvons pas entendre des sons silencieux qui se produisent immédiatement après ou à des fréquences similaires à des sons forts. Les modèles psychoacoustiques quantifient ces limitations, fournissant un cadre pour le codage --perceptuel.Le codeur transforme d'abord l'audio en domaine de fréquence (en utilisant une banque de filtres ou FFT), puis applique le modèle psychoacoustique pour calculer un seuil --masking pour chaque bande de fréquence.

Effets de masque et mesure de ces effets

Le masquage est le phénomène où un son rend un autre inaudible. Il existe deux types primaires : le masquage de fréquence (masquage simultané) et le masquage temporel. Le masquage de fréquence se produit lorsqu'un son fort dans une certaine bande de fréquences élève le seuil d'audition des fréquences voisines. Par exemple, une tonalité de 1 kHz à 80 dB peut masquer une tonalité de 1,1 kHz à seulement 40 dB. Le système auditif agit comme un filtre, et les signaux forts font que les cellules capillaires de la cochlée sont saturées, réduisant ainsi la sensibilité aux fréquences voisines.

Le masquage temporal se produit avant et après un son fort : le masquage avancé peut durer jusqu'à 200 ms après la fin du masquage, tandis que le masquage inverse (effet plus faible) se produit quelques millisecondes auparavant.

Les modèles avancés considèrent également la propagation de la masquage à travers la fréquence et le temps. Cette propagation est non linéaire et dépend du niveau et du contenu spectral du signal. Pour un signal musical complexe, le seuil de masquage est calculé en additionnant les contributions de tous les composants de fréquence, en utilisant des fonctions de diffusion. Le résultat est un niveau de distorsion -dépendant de fréquence juste notable que l'encodeur peut suivre. En s'assurant que le bruit de quantification reste en dessous de ce seuil, l'audio comprimé ne peut pas être distingué de l'original dans un environnement d'écoute calme.

Mesurer le masquage dans la pratique

La norme ITU-R BS.1387, connue sous le nom de PEAQ (Perceptual Evaluation of Audio Quality), fournit une méthode objective pour mesurer la qualité audio perçue à l'aide d'un modèle psychoacoustique. PEAQ compare les signaux originaux et compressés en calculant un seuil de masking de -- pour chaque carrelage de fréquence temporelle et calcule ensuite le --disturbance de -- là où le signal comprimé dépasse ce seuil. Le résultat est un seul nombre, le --Objective Difference Grade, -- qui est bien corrélé avec les scores subjectifs de test d'écoute. Norme UIT‐R BS.1387‐1 (PEAQ)- Oui.

Mise en œuvre dans les principaux codes audio

Les modèles psychoacoustiques ne sont pas des abstractions théoriques; ils sont intégrés dans chaque codec audio majeur. La façon dont chaque codec traduit les principes psychoacoustiques en attribution pratique de bits définit ses performances et son caractère.

MP3 : Le pionnier

La plus célèbre implémentation de modèles psychoacoustiques est la norme MP3 (MPEG-1 Audio Layer III), développée au début des années 1990. MP3 utilise une banque de filtres polyphasés et une transformation de cosinus (MDCT) discrète modifiée combinée à un modèle psychoacoustique (précisé dans la norme ISO/IEC 11172-3). Le modèle calcule les rapports signal-masque (SMR) pour chaque sous-bande, et l'algorithme d'attribution des bits distribue les bits en conséquence. Bien qu'il ait plus de 30 ans, MP3 reste largement utilisé, bien que son modèle psychoacoustique soit relativement simple par les normes actuelles. La banque de filtres ne possède que 32 sous-bandes, ce qui signifie que la résolution de fréquence est faible à basse fréquence.

AAC: raffiné et flexible

Le système AAC (Advanced Audio Coding), qui fait partie de la norme MPEG-4, intègre un modèle psychoacoustique plus sophistiqué. Il utilise une banque de filtres à haute résolution (1024 points MDCT) et une fonction de diffusion plus efficace. Le système AAC prend également en charge d'autres outils tels que la substitution perceptuelle du bruit (PNS) et le façonnage temporel du bruit (TNS). Le système PNS exploite le fait que les signaux sonores (p. ex., les hit-hats) peuvent être synthétisés plutôt que codés explicitement, tandis que le système TNS forme le bruit de quantification dans le domaine temporel pour éviter les artefacts prééchos. Les deux techniques reposent sur des indications psychoacoustiques.

Opus: Adaptatif et Moderne

L'Opus (développé par l'IETF) est un codec qui combine SILK (codage de la parole) et CELT (codage de la musique) avec un modèle psychoacoustique à faible retard. Il utilise le mode de formation du bruit, le contrôle préécho et une résolution de fréquence variable qui s'adapte au signal. L'Opus bascule automatiquement entre un mode de codage de prédiction linéaire (SILK) pour la parole et un mode de codage de transformation (CELT) pour la musique, et il peut même mélanger les deux en utilisant un mode -hybride. Le modèle psychoacoustique d'Opus comprend un filtre de formation du bruit sophistiqué qui pousse le bruit de la quantification dans les régions de fréquence où il est masqué par le signal. Ceci est fait en utilisant une boucle de rétroaction appelée quantification de retour -noise qui forme le spectre du bruit en temps réel.

L'Opus est largement utilisé dans VoIP, WebRTC, et en streaming parce qu'il offre une excellente qualité à travers une large gamme de bits (6-510 kbps).

Progrès dans la modélisation psychoacoustique

Les recherches en cours visent à améliorer les modèles psychoacoustiques au-delà des approches classiques. Les modèles classiques, bien qu'efficaces, ont des limites. Ils sont basés sur l'audition moyenne et ne tiennent pas compte des différences individuelles. Ils utilisent également des fonctions de diffusion simplifiées qui peuvent ne pas capter toutes les interactions complexes dans les signaux du monde réel.

Intégration de l'apprentissage automatique

L'utilisation de réseaux neuronaux pour apprendre les fonctions de masque perceptuel directement à partir des tests d'écoute est une orientation prometteuse. Les modèles d'apprentissage profond peuvent rapprocher les relations complexes et non linéaires dans l'ouïe humaine sans compter sur les fonctions de diffusion artisanale. Laboratoires Dolby Les auteurs de ce rapport ont également étudié les modèles perceptifs fondés sur les données pour les codecs de prochaine génération.Les codecs audio neuraux de bout en bout, comme EnCodec by Meta, n'utilisent pas explicitement un modèle psychoacoustique mais apprennent une fonction de perte perceptuelle à partir de jugements humains.Cette fonction de perte est essentiellement un modèle psychoacoustique appris qui saisit ce que les humains trouvent perceptuelment important.

Modèles personnalisés et adaptatifs

Un auditeur de 60 ans ayant une perte auditive typique à haute fréquence a un seuil de masque très différent de celui d'un jeune de 20 ans ayant une perte auditive normale. Les futurs codecs pourraient adapter les paramètres de compression en fonction des profils auditifs individuels, obtenus par un test rapide stocké sur l'appareil de l'utilisateur. Cela pourrait donner un débit de 20 à 30 % inférieur pour la même qualité perçue pour les auditeurs ayant une perte auditive légère à haute fréquence. Les fabricants d'appareils auditifs utilisent déjà un ajustement personnalisé; la même approche est actuellement explorée pour l'audio grand public. Sonos a des programmes de recherche en son personnalisés, y compris la correction de salle et la compensation auditive.

Un modèle psychoacoustique qui fonctionne bien dans un studio calme peut être trop conservateur dans une voiture bruyante ou dans une rue bondée. Les modèles adaptatifs pourraient prendre en compte le bruit ambiant, permettant une compression plus agressive lorsque l'environnement d'écoute masque certaines fréquences. Le développement de tels modèles nécessite des essais subjectifs à grande échelle et des algorithmes d'estimation du bruit robustes. Certains prototypes de recherche utilisent un deuxième microphone pour capturer le bruit ambiant et ajuster le seuil de masquage en temps réel. Par exemple, si le bruit ambiant a un fort frottement à basse fréquence, l'encodeur peut réduire l'allocation de bits aux bandes à basse fréquence sans dégradation audible.

Considérations spatiales audio et binauriques

Une autre frontière est l'audio binaural et spatial. À mesure que la réalité virtuelle et augmentée grandissent, les codecs doivent préserver les repères spatiaux (différences interurbaines et de niveau) tout en appliquant le codage perceptuel. Les modèles psychoacoustiques pour l'ouïe spatiale sont plus complexes, impliquant des fonctions de transfert de tête (HRTF) et des effets de préséance. La compression efficace des signaux binaural sans localisation dégradante demeure un défi de recherche actif. L'approche standard consiste à coder les canaux gauche et droit comme une paire de milieu/face, mais cela n'exploite pas pleinement les effets de masque spatiale.

L'avenir du codage audio perceptuel

Un résultat pratique de ces efforts est l'amélioration du codage à faible débit pour la parole et la musique. Les normes comme EVS (Enhanced Voice Services) et LC3 (Low Complexity Communication Codec) intègrent des modèles psychoacoustiques avancés optimisés pour l'audio conversationnel. EVS, par exemple, utilise un modèle psychoacoustique pour mélanger le codage de la parole et de la musique sans heurts.

  • Algorithmes de masque améliorés: Les fonctions de diffusion modernes et le codage stéréo articulaire (stéro de mi/side et d'intensité) sont maintenant standard, ainsi que le masquage temporel complexe qui tient compte des effets avant et arrière.
  • Traitement audio personnalisé : Les appareils futurs peuvent effectuer un test d'audition rapide (semblable à ceux utilisés dans les appareils auditifs) et ajuster la compression en conséquence, ce qui pourrait réduire le débit de 20 à 30 % pour les utilisateurs ayant une baisse de l'audition typique liée à l'âge.
  • Qualité sonore améliorée aux débits inférieurs : Les codes tels que Opus et xHE‐AAC correspondent déjà à la qualité des standards antérieurs à la moitié du débit. Les raffinements continus des modèles psychoacoustiques promettent d'autres gains, notamment pour des contenus stimulants comme les applaudissements ou les cornemuses.
  • Intégration avec l'apprentissage automatique: Les codes audio neuronaux de bout en bout n'utilisent pas explicitement un modèle psychoacoustique, mais apprennent une fonction de perte perceptive à partir de jugements humains. Cette approche axée sur les données peut éventuellement dépasser les modèles fabriqués à la main pour des cas d'utilisation spécifiques.
  • Compression adaptative réseau-connaissable: Les futurs codecs peuvent ajuster leur modèle psychoacoustique en fonction des conditions du réseau en temps réel, de la perte de paquets et du bruit ambiant, offrant la meilleure qualité possible dans des circonstances changeantes.

La compréhension et la mise à profit des modèles psychoacoustiques demeurent une pierre angulaire du développement de meilleures technologies de compression audio. Alors que les chercheurs plongent plus profondément dans les subtilités de l'audition humaine, nous pouvons nous attendre à des gains continus en efficacité, robustesse et personnalisation. l'article Wikipedia sur la psychoacoustique ou la bibliothèque AES de documents psychoacoustiques. Ces ressources constituent une base solide pour quiconque cherche à comprendre la science derrière les sons que nous entendons et l'audio compressé qui remplit notre vie numérique.