O que são modelos psicoacústicos?

Os modelos psicoacústicos são referenciais científicos que descrevem como o sistema auditivo humano percebe o som, construídos a partir de décadas de pesquisas sobre audição, incluindo a sensibilidade da orelha às diferentes frequências, sua amplitude dinâmica e sua capacidade de detectar mudanças no tom e na intensidade do som, que vão além de curvas de resposta simples de frequência, incorporam comportamentos complexos como mascaramento, integração temporal e audição binaural, simulando o processamento da orelha, modelos psicoacústicos predizem quais componentes de um sinal de áudio são perceptíveis e que não são, permitindo que engenheiros de áudio e designers de codec aloquem bits de forma eficiente, descartando informações que não seriam percebidas por um ouvinte em condições normais.

A base da modelagem psicoacústica reside no conceito de “filtro auditivo”, que representa a seletividade de frequência da cóclea. O ouvido humano se comporta como um banco de filtros passa-banda sobrepostos, e esses filtros possuem larguras de banda diferentes dependendo da frequência. Em frequências mais baixas, os filtros são estreitos; em frequências mais altas, ampliam-se. A largura desses filtros é frequentemente expressa em termos de “banda crítica”, e a escala de Bark é uma escala de frequência que mapeia essas bandas críticas.

A Mecânica da Audição Humana

Para apreciar os modelos psicoacústicos, você deve primeiro entender o hardware biológico que simulam. Ondas sonoras entram no ouvido externo e viajam pelo canal auditivo até o tímpano, que vibra. Estas vibrações se transferem através dos ossos do ouvido médio (ossículos) para a cóclea no ouvido interno. A cóclea é um órgão cheio de fluidos, em forma espiral, forrado com células ciliadas que convertem vibrações mecânicas em sinais neurais. O local ao longo da cóclea onde ocorre a estimulação máxima depende da frequência: altas frequências estimulam a base, baixas frequências estimulam o ápice.

Esta organização tonotópica é a base física para a análise de frequência no sistema auditivo.

As células ciliadas não são igualmente sensíveis em todas as frequências, sendo que os picos de sensibilidade da orelha entre 1 kHz e 4 kHz, faixa crítica para a compreensão da fala, abaixo de 500 Hz e acima de 8 kHz, a sensibilidade cai significativamente. Os modelos psicoacústicos captam-na utilizando contornos de igual-lude, como as curvas de Fletcher-Munson ou o padrão ISO 226:2003 mais recente. Essas curvas mostram que um tom de 50 Hz deve ser cerca de 20 dB mais alto do que um tom de 1 kHz para ser percebido igualmente alto em níveis de escuta moderados.

Bandas críticas e a escala de casca

O conceito de bandas críticas é central para a modelagem psicoacústica. Uma banda crítica é a faixa de frequências que a orelha processa como uma única unidade. Dentro de uma banda crítica, dois tons não podem ser resolvidos separadamente; são percebidos como uma única sensação. A largura de banda dessas bandas críticas aumenta com a frequência: em 200 Hz, uma banda crítica é de cerca de 100 Hz de largura; em 5 kHz, é de cerca de 1 kHz de largura. A escala de Bark divide a faixa de frequência audível (0 a 20 kHz) em 24 bandas críticas, cada uma Bark de largura. Os modelos psicoacústicos convertem a escala de frequência linear para a escala de Bark antes do processamento, pois essa transformação alinha a análise com a percepção humana.

Os codecs práticos usam bancos de filtros que aproximam o espaçamento crítico de faixas. Por exemplo, o codificador MP3 usa um banco de filtros polifásicos com 32 subbandas que combinam frouxamente larguras de banda críticas em frequências baixas, mas são muito largas em frequências altas. Codecs modernos como o AAC usam uma transformada de coseno discreta modificada (MDCT) com uma resolução mais elevada (1024 ou 2048 linhas) e agrupam as caixas de frequência em bandas que seguem mais de perto a escala Bark. Este agrupamento é chamado de “banda de fator de escala” e é a unidade fundamental para a alocação de bits em codificadores perceptuais.

O papel dos modelos psicoacústicos na compressão de áudio

Algoritmos de compressão de áudio visam reduzir a taxa de dados de um sinal de áudio digital preservando o máximo de qualidade perceptual possível. Sem modelos psicoacústicos, a compressão de perda dependeria de técnicas genéricas de processamento de sinais que pudessem descartar conteúdo audível ou desperdício de bits sobre ruído inaudível. Ao integrar modelos psicoacústicos, os codecs podem atingir relações de compressão de 10:1 ou mais, enquanto ainda soam quase indistinguíveis do original para a maioria dos ouvintes. Isto é crucial para serviços de streaming, transmissão digital, dispositivos de música portáteis, e qualquer aplicação em que a largura de banda ou armazenamento seja limitada.

O principal é que a audição humana é imperfeita. Não podemos ouvir todas as frequências igualmente bem; nossa sensibilidade atinge picos de 1-4 kHz e cai nos extremos. Mais importante, não podemos ouvir sons silenciosos que ocorrem imediatamente após ou em frequências semelhantes a sons altos. Os modelos psicoacústicos quantificam essas limitações, fornecendo uma estrutura para “codificação perceptiva”. O codificador primeiro transforma o áudio no domínio de frequência (usando um banco de filtro ou FFT), então aplica o modelo psicoacústico para calcular um “limiar de mascar” para cada faixa de frequência.

Qualquer componente de sinal abaixo deste limiar é considerado inaudível e pode ser removido ou quantizado mais grosseiramente. O ruído de quantificação permitido é moldado para cair sob a curva de mascaramento, garantindo que permanece oculto.

Efeitos Mascaradores e Sua Medição

Mascaramento é o fenômeno em que um som torna outro inaudível. Existem dois tipos primários: mascaramento de frequência (mascaramento simultâneo) e mascaramento temporal. O mascaramento de frequência ocorre quando um som alto em uma determinada faixa de frequência eleva o limiar auditivo para frequências vizinhas. Por exemplo, um tom de 1 kHz a 80 dB pode mascarar um tom de 1,1 kHz a apenas 40 dB. O sistema auditivo age como um filtro, e sinais altos fazem com que as células capilares da cóclea fiquem saturadas, reduzindo a sensibilidade às frequências próximas.

O mascaramento temporário ocorre antes e depois de um som alto: o mascaramento para frente pode durar até 200 ms após o final do mascarador, enquanto que o “retar para trás” (efeito mais fraco) ocorre alguns milissegundos antes.

Modelos avançados também consideram o “espalho de mascaramento” em toda a frequência e tempo. Este spread é não linear e depende do nível do sinal e do conteúdo espectral. Para um sinal musical complexo, o limiar de mascaramento é calculado somando contribuições de todos os componentes de frequência, utilizando funções de propagação. O resultado é um nível de “distorção apenas perceptível” que o codificador pode acompanhar. Ao garantir que o ruído de quantização permaneça abaixo desse limiar, o áudio comprimido não pode ser distinguido do original em um ambiente de escuta silencioso.

Medição Mascaramento na Prática

O padrão ITU-R BS.1387, conhecido como PEAQ (Perceptual Evaluation of Audio Quality), fornece um método objetivo para medir a qualidade de áudio percebida usando um modelo psicoacústico. O PEAQ compara os sinais originais e comprimidos computando um “limiar de masking” para cada azulejo de frequência temporal e, em seguida, calculando a “perturbação” onde o sinal comprimido excede esse limiar. O resultado é um único número, o “Objetivo Grau de Diferença”, que se correlaciona bem com os escores subjetivos de teste de escuta. Este padrão é amplamente utilizado pelos desenvolvedores de codecs para ajustar seus algoritmos sem executar testes de escuta caros para cada mudança de parâmetros. Norma ITU-R BS.1387-1 (PEAQ).

Implementação em Codecs de Áudio Maiores

Os modelos psicoacústicos não são abstrações teóricas, estão inseridos em cada grande codec de áudio perdido, e a forma como cada codec traduz princípios psicoacústicos em alocação prática de bits define seu desempenho e caráter.

MP3: O pioneiro

A implementação mais famosa de modelos psicoacústicos está na norma MP3 (MPEG-1 Audio Layer III), desenvolvida no início dos anos 90. O MP3 utiliza um banco de filtros polifásicos e uma transformada discreta de cosseno modificada (MDCT) combinada com um modelo psicoacústico (especificado na norma ISO/IEC 11172-3). O modelo calcula as razões sinal-máscara (RMS) para cada subbanda, e o algoritmo de alocação de bits distribui bits em conformidade. Apesar de ter mais de 30 anos, o MP3 continua a ser amplamente utilizado, embora o seu modelo psicoacústico seja relativamente simples pelos padrões atuais. O banco de filtros tem apenas 32 subbandas, o que significa que a resolução de frequência é fraca em frequências baixas.

Isto pode levar a artefatos audíveis, especialmente para música complexa com conteúdo de baixa frequência forte. O modelo também carece de máscara temporal sofisticada, tornando-se propenso a artefatos pré-ecos em sons percussivos.

AAC: Refinado e Flexível

A AAC (Advanced Audio Coding), parte do padrão MPEG-4, incorpora um modelo psicoacústico mais sofisticado. Utiliza um banco de filtros de alta resolução (1024 pontos MDCT) e uma função de propagação melhor. AAC também suporta ferramentas adicionais, tais como substituição de ruído perceptivo (PNS) e conformação de ruído temporal (TNS). PNS explora o fato de que sinais semelhantes ao ruído (por exemplo, hi-hats) podem ser sintetizados em vez de codificados explicitamente, enquanto TNS forma ruído de quantificação no domínio do tempo para evitar artefatos pré-eco. Ambas as técnicas dependem de insights psicoacústicos.

AAC atinge uma qualidade sonora melhor do que MP3 na mesma taxa de bits, sendo muitas vezes indistinguível do original em 128 kbps para música. O padrão também inclui um perfil de “baixa complexidade” (AAC-LC) para dispositivos portáteis e um perfil de “alta eficiência” (HE-AAC) que usa a replicação espectral (SBR) para estender a largura de banda em bits muito baixos.

Opus: Adaptativo e Moderno

Os codecs modernos continuam a refinar a modelagem psicoacústica. Opus (desenvolvido pelo IETF) é um codec que combina SILK (codificação de fala) e CELT (codificação de música) com um modelo psicoacústico de baixa demora. Ele usa a configuração de ruído, controle pré-eco e uma resolução de frequência variável que se adapta ao sinal. Opus automaticamente alterna entre um modo de codificação de previsão linear (SILK) para a fala e um modo de codificação de transformação (CELT) para a música, e pode mesmo misturar os dois usando um modo “híbrido”. O modelo psicoacústico em Opus inclui um filtro de modelagem de ruído sofisticado que empurra ruído de quantificação para regiões de frequência onde é mascarado pelo sinal.

Isto é feito usando um loop de feedback chamado “quantização de feedback” que modela o espectro de ruído em tempo real. Opus é amplamente utilizado em VoIP, WebRTC, e streaming porque oferece excelente qualidade em uma ampla gama de bits (6-510 kbps). Outro código emergente é xHE-A, que estende os seus sistemas psicoaticos de pesquisa muito para baixo.

Avanços na modelagem psicoacústica

A pesquisa em andamento tem como objetivo melhorar os modelos psicoacústicos além das abordagens clássicas, embora eficazes, têm limitações, baseadas na audição média e não respondem por diferenças individuais, além de utilizar funções simplificadas de difusão que podem não captar todas as interações complexas em sinais do mundo real. Novas técnicas estão abordando essas lacunas.

Integração de Aprendizagem de Máquina

Uma direção promissora é o uso de redes neurais para aprender funções de mascaramento perceptivo diretamente a partir de testes de escuta. Modelos de aprendizagem profunda podem aproximar as relações complexas e não lineares na audição humana sem depender de funções de propagação artesanais. Laboratórios Dolby Esta função de perda é essencialmente um modelo psicoacústico aprendido que captura o que os seres humanos acham perceptualmente importante. Os resultados iniciais mostram que esses codecs neurais podem corresponder ou exceder a qualidade dos codecs tradicionais em taxas de bits muito baixas (por exemplo, 3 kbps para a fala). No entanto, eles exigem quantidades maciças de dados de treinamento e poder computacional, e eles não têm a transparência matemática dos modelos clássicos.

Modelos Personalizados e Adaptativos

Outra área é o processamento de áudio personalizado, não sendo dois pares de orelhas idênticos. Idade, perda auditiva e até mesmo a forma do canal auditivo afetam a percepção. Um ouvinte de 60 anos com perda auditiva típica de alta frequência tem um limiar de mascaramento muito diferente de um jovem de 20 anos com audição normal. Os futuros codecs podem adaptar parâmetros de compressão baseados em perfis auditivos individuais, obtidos através de um teste rápido armazenado no dispositivo do usuário. Isso poderia produzir uma taxa de bits 20-30% menor para a mesma qualidade percebida para os ouvintes com perda auditiva de alta frequência leve. Os fabricantes de aparelhos auditivos já utilizam ajustes personalizados, a mesma abordagem está sendo explorada para o áudio do consumidor.

Sonos possui programas de pesquisa em som personalizado, incluindo correção de sala e compensação auditiva.

Um modelo psicoacústico que funciona bem em um estúdio silencioso pode ser muito conservador em um carro barulhento ou em uma rua lotada. Modelos adaptativos podem levar em conta o ruído ambiente, permitindo compressão mais agressiva quando o ambiente de escuta mascara certas frequências. O desenvolvimento de tais modelos requer testes subjetivos em larga escala e algoritmos robustos de estimativa de ruído. Alguns protótipos de pesquisa usam um segundo microfone para capturar o ruído ambiente e ajustar o limiar de mascaramento em tempo real. Por exemplo, se o ruído ambiente tem ruído forte de baixa frequência, o codificador pode reduzir a alocação de bits para bandas de baixa frequência sem degradação audível.

Áudio espacial e Considerações Binaurais

Outra fronteira é o áudio binaural e espacial. À medida que a realidade virtual e aumentada cresce, os codecs devem preservar pistas espaciais (tempo interaural e diferenças de nível) enquanto ainda aplicam codificação perceptual. Os modelos psicoacústicos para a audição espacial são mais complexos, envolvendo funções de transferência relacionadas com a cabeça (HRFF) e efeitos de precedência. A compressão eficiente de sinais binaural sem localização degradante continua sendo um desafio ativo. A abordagem padrão é codificar os canais esquerdo e direito como um par médio/lado, mas isso não explora totalmente os efeitos de mascaramento espacial.

O trabalho recente sugere que a orelha é menos sensível ao ruído de quantização no canal lateral (a diferença entre a esquerda e a direita) do que no canal médio (a soma), especialmente em altas frequências. Esta assimetria pode ser explorada alocando mais bits para o canal médio e menos para o canal lateral, uma técnica conhecida como “codificação estéreo psicoacústica”.

O futuro da codificação de áudio perceptivo

Um resultado prático desses esforços é o aperfeiçoamento da codificação de baixa taxa de bits para fala e música. Padrões como EVS (Enhanced Voice Services) e LC3 (Low Complexity Communication Codec) incorporam modelos psicoacústicos avançados otimizados para áudio conversacional. Por exemplo, EVS usa um modelo psicoacústico para misturar perfeitamente a codificação de fala e música. O lançamento 3GPP também inclui um modo de “canal-saber” que adapta a compressão baseada em condições de canal de rádio, demonstrando como o conhecimento psicoacústico pode ser combinado com a consciência de rede.

  • Algoritmos de mascaramento melhorados: Funções modernas de propagação e codificação estéreo articular (meio/lado e intensidade estéreo) são agora padrão, juntamente com mascaramento temporal complexo que considera tanto efeitos para frente e para trás. Isso permite maiores razões de compressão sem artefatos audíveis.
  • Processamento personalizado de áudio: Os dispositivos futuros podem realizar um teste auditivo rápido (semelhante aos utilizados em aparelhos auditivos) e ajustar a compressão de acordo com isso, o que pode reduzir a taxa de bits em 20-30% para usuários com declínio típico da audição relacionada à idade.
  • Qualidade de som melhorada em taxas de bits mais baixas: Codecs como Opus e xHE-AAC já correspondem à qualidade dos padrões anteriores em metade do bitrate. Refinamentos contínuos em modelos psicoacústicos prometem novos ganhos, especialmente para conteúdos desafiadores como aplausos ou gaita de foles.
  • Integração com a aprendizagem de máquina: Os codecs de áudio neural de ponta a ponta não usam explicitamente um modelo psicoacústico, mas aprendem uma função de perda perceptivo-auditiva com julgamentos humanos. Esta abordagem orientada por dados pode eventualmente superar modelos artesanais para casos de uso específico.
  • Compressão adaptativa consciente da rede: Os codecs futuros podem ajustar seu modelo psicoacústico com base em condições de rede em tempo real, perda de pacotes e ruído ambiente, proporcionando a melhor qualidade possível em circunstâncias em mudança.

Entender e alavancar modelos psicoacústicos continua sendo uma pedra fundamental para o desenvolvimento de melhores tecnologias de compressão de áudio. À medida que os pesquisadores mergulham mais profundamente nas sutilezas da audição humana, podemos esperar ganhos contínuos em eficiência, robustez e personalização. o artigo da Wikipédia sobre psicoacústica ou a biblioteca AES de artigos psicoacústicos Esses recursos fornecem uma base sólida para quem busca entender a ciência por trás dos sons que ouvimos e o áudio comprimido que preenche nossas vidas digitais.