Codifica della voce e dell'audio/Codifica di sorgente

La voce umana naturale (fino a 12 kHz) dovrebbe essere rappresentata da un segnale digitale caratterizzato da un bit rate $R$ molto elevato:

Schema a blocchi di un sistema di conversione A/D e D/A con compressore.

$R=N\times F_{c}=16\;{\text{bit/campione}}\times 24000\;{\text{Hz}}=384000\;{\text{b/s}}$

dove:

• la frequenza di campionamento $F_{c}$ è imposta dal teorema di Shannon:

  $F_{c}>2\times 12000=24000\;{\text{Hz}}$

• come numero di bit $N$ si può assumere quello adottato per i CD audio:

  $N=16\;{\text{bit/campione}}$

Un bit rate troppo elevato può essere un problema importante dal punto di vista di:

• capacità di trasmissione in rete:
  • originariamente i modem potevano trasmettere centinaia/poche migliaia di bit al secondo;
  • oggi è importante risparmiare banda sul backbone dove passano tante telefonate;
• potenza di elaborazione dei microprocessori.

Bit rate tipici di segnali digitali non compressi

• musica non compressa (CD audio):
  • mono:

    $R=16\;{\text{bit/campione}}\times 44100\;{\text{Hz}}\simeq 715\;{\text{kb/s}}$

  • stereo:

    $R\simeq 1,4\;{\text{Mb/s}}$

• musica compressa (MP3):

  $R\leq 320\;{\text{kb/s}}$

• video a risoluzione 640×480:

  $R=640\;{\text{px}}\times 480\;{\text{px}}\times 25\;{\text{fps}}\times 24\;{\text{bpp}}\simeq 184\;{\text{Mb/s}}$

• voce in banda telefonica:

  $R=12\;{\text{bit/campione}}\times 8000\;{\text{Hz}}=96\;{\text{kb/s}}$

Compressione

Il segnale digitale in uscita dal convertitore analogico/digitale, prima di essere trasmesso o archiviato, attraversa tipicamente due blocchi:

• codifica di sorgente: si occupa di codificare il segnale digitale in maniera compatta, al fine di ridurne il bit rate, tramite tecniche di compressione che conoscono il contenuto del segnale (ad es. MP3);
• codifica di canale: si occupa di codificare i bit da trasmettere in maniera robusta tramite tecniche di protezione (rilevamento e recupero) dagli errori che lavorano su sequenze di bit indipendentemente dal contenuto del segnale (ad es. codice di Hamming).

Classificazione delle tecniche di compressione

• lossless (senza perdite) (es. RAW, FLAC, ZIP): il segnale decompresso $y\left[n\right]$ è identico al segnale originario $x\left[n\right]$ → i due segnali $y\left[n\right]$ e $x\left[n\right]$ sicuramente sono percettivamente indistinguibili indipendentemente dall'ascoltatore;
• lossy (con perdita) (es. MP3, JPEG, MPEG-2): il segnale decompresso $y\left[n\right]$ è diverso dal segnale originario $x\left[n\right]$ → i due segnali $y[n]$ e $x[n]$:
  • devono essere almeno percettivamente simili secondo la statistica (cioè percepiti come simili dalla maggior parte delle persone);
  • se il bit rate è sufficientemente elevato, possono essere percepiti come indistinguibili.

Confronto tra le tecniche di compressione lossless e lossy

	rapporto di compressione	formati comuni	applicazioni
lossless	da 2 a 3 volte	RAW, FLAC, ZIP	audiofili che desiderano la massima qualità immagazzinamento dei "master": si evitano compressioni in cascata applicazioni particolari: applicazioni legali, ambito medico, astronomia
lossy	da 10 a 100 volte	MP3, JPEG, MPEG-2	memorizzazione su dischi piccoli trasmissione su canali con poca banda disponibile

Caratteristiche dei codificatori multimediali

• bit rate
• complessità
• ritardo
• robustezza
• qualità

Bit rate

• constant bit rate (CBR): il bit rate è costante → la codifica è più semplice da implementare, ma meno efficiente;
• variable bit rate (VBR): il bit rate è variabile nel tempo:
  • source-driven: il bit rate cambia in base alla variabilità del segnale (es. telefonata: voce/silenzio);
  • network-driven: il bit rate cambia in base alla banda disponibile del canale (es. YouTube).

Complessità

La complessità di un codificatore può essere quantificata in base a:

• numero di operazioni della CPU al secondo, espresso in Million Instructions Per Second (unità di misura indipendente dalla CPU);
• quantità di memoria RAM occupata durante l'esecuzione dell'algoritmo;
• quantità di memoria ROM richiesta per memorizzare il codice (ad es. tabelle di quantizzazione).

Ritardo

Il ritardo di un codificatore è dato dalla somma di due componenti:

• ritardo computazionale: dipende dalle prestazioni della tecnologia (ad es. potenza della CPU) in uso, e può essere ridotto con hardware più potente;
• ritardo algoritmico: dipende dall'algoritmo per come è stato progettato, e non può essere ridotto se non modificando l'algoritmo (ad es. ritardo di bufferizzazione per algoritmi che lavorano su segmenti di campioni).

Robustezza

La robustezza può essere intesa in due modi:

• robustezza ai segnali di ingresso: quanto un codificatore tarato per una specifica categoria di segnale è sensibile a un segnale diverso da quello atteso, ad esempio:
  • musica invece di voce a un codificatore vocale;
  • voce + rumore di fondo (es. finestrino aperto);
• robustezza agli errori di trasmissione: anche la codifica di sorgente si preoccupa di proteggere il bitstream compresso dagli errori comprimendo in modo robusto:
  • robustezza agli errori su singoli bit;
  • robustezza alle perdite di pacchetti (frame): ad esempio il codificatore ILBC di Skype fu progettato per Internet (rete IP con perdite).

Qualità

L'elaborazione dei segnali multimediali guarda non tanto al rapporto segnale/rumore SNR, quanto alla percezione del segnale multimediale da parte dell'essere umano.

Definizione

percezione

l'effetto di un segnale tenuto conto di tutto il processo di elaborazione umana (cervello incluso)

psico-acustica

in ambito acustico, la disciplina che studia la percezione uditiva

La valutazione delle prestazioni di un algoritmo di compressione si basa principalmente sulla valutazione percettiva: si chiede a un numero statisticamente significativo di persone di valutare il risultato della decodifica.

Voce

La voce decodificata deve essere caratterizzata da:

• l'intelligibilità (indispensabile): capire la sequenza di fonemi che viene pronunciata dall'interlocutore;
• una sufficiente qualità (naturalezza): capire informazioni sul parlatore (come identità, sesso, età...).

Come misurare la naturalezza?

1. ad ogni ascoltatore viene fatta ascoltare la voce decodificata e viene chiesto di esprimere un giudizio soggettivo da 1 (pessimo) a 5 (eccellente);
2. si calcola il MOS che è la media di tutti i voti.

Il valore 4 del MOS corrisponde alla toll (= pedaggio) quality, ovvero alla qualità percepita come uguale a quella della telefonia analogica tradizionale e che la telefonia digitale deve avere come minimo perché la gente sia disposta ad acquistare il servizio. Esempi di codificatori che raggiungono la toll quality sono: PCM lineare, G.711, ADPCM G.726.

Per ottenere un risultato significativo dal punto di vista statistico, cioè affetto da un margine di errore sufficientemente piccolo ($\approx 0,1\;{\text{MOS}}$), occorre che:

• il campione di ascoltatori sia il più possibile rappresentativo del pubblico degli utenti di telefonia:
  • il numero di ascoltatori deve essere significativo ($\approx 40\div 50$);
  • il campione di ascoltatori deve essere il più possibile eterogeneo (ad es. età, sesso...);
• il campione di stimoli sia il più possibile rappresentativo del segnale:
  • gli ascoltatori devono essere sottoposti a un insieme statisticamente rappresentativo di tutti gli stimoli possibili (ad es. voce maschile/femminile, lingue diverse...) (≈ centinaia).

Audio

Il campione di ascoltatori è composto da esperti (golden ears) in grado di compiere un'analisi critica.

L'obiettivo è raggiungere la trasparenza (indistinguibilità) percettiva: l'ascoltatore non riesce a distinguere l'originale dal risultato della decodifica → il campione di ascoltatori dà un voto statisticamente casuale (50%).

Misure oggettive

I test soggettivi:

• sono costosi e lenti perché coinvolgono un gran numero di persone;
• non sono completamente affidabili: sono basati sulla statistica.

Recentemente sono nate delle misure oggettive:

• SNR e derivati: sono tecniche rudimentali e poco utili, in quanto due segnali diversi possono suonare simili;
• tecniche oggettive di tipo percettivo (derivate dalla psico-acustica): sono in grado di simulare come il segnale verrà percepito dall'orecchio umano, ma sono usati solo per misure relative (cioè per confronti tra due algoritmi):
  • voce: ITU PESQ;
  • audio: ITU PEAQ.