Психоакустическая модель

Психоакустическая модель — это математическая или алгоритмическая модель, описывающая особенности восприятия звука человеком. Она основана на данных психоакустики — науки, изучающей связь между физическими характеристиками звуковых волн (частота, интенсивность, фаза) и субъективными слуховыми ощущениями (громкость, высота, тембр, локализация). Психоакустические модели используются для прогнозирования того, какие компоненты звукового сигнала слышны человеку, а какие — нет, что позволяет сжимать аудиоданные с минимальной потерей воспринимаемого качества.

История развития

Первые систематические исследования слухового восприятия начались в XIX веке. В 1863 году немецкий физик Герман фон Гельмгольц опубликовал труд «Учение о слуховых ощущениях как физиологическая основа теории музыки», где заложил основы резонансной теории слуха. В 1920—1930-х годах американский инженер Харви Флетчер из Bell Labs провел серию экспериментов по маскировке тонов, что привело к созданию первых моделей слуховой системы.

Ключевым этапом стало открытие в 1940-х годах так называемых критических полос слуха — частотных диапазонов, в пределах которых маскирующие эффекты проявляются наиболее сильно. В 1960-х годах Эберхард Цвикер и его коллеги из Мюнхенского технического университета разработали модель слуха, основанную на концепции «возбуждения» базилярной мембраны. Эта модель легла в основу многих современных психоакустических моделей.

С развитием цифровой обработки сигналов в 1980-х годах психоакустические модели стали применяться в алгоритмах сжатия аудио. В 1987 году международная группа экспертов (MPEG) начала работу над стандартом сжатия звука, который впоследствии стал известен как MP3. В 1992 году был опубликован стандарт MPEG-1 Layer 3, в котором впервые была реализована полная психоакустическая модель на базе работы Цвикера. В дальнейшем модели совершенствовались для стандартов AAC, Ogg Vorbis, Opus и других.

Физиологические основы

Строение слуховой системы

Человеческое ухо состоит из трех отделов: наружного, среднего и внутреннего. Наружное ухо (ушная раковина и слуховой проход) собирает и фокусирует звуковые волны. Среднее ухо (барабанная перепонка и три слуховые косточки — молоточек, наковальня, стремечко) передает колебания во внутреннее ухо, усиливая их примерно в 20 раз. Внутреннее ухо (улитка) содержит базилярную мембрану, покрытую волосковыми клетками, которые преобразуют механические колебания в электрические сигналы.

Частотная избирательность

Базилярная мембрана имеет неоднородную структуру: у основания улитки она жесткая и узкая, что обеспечивает максимальную чувствительность к высоким частотам (до 20 кГц); у вершины — широкая и эластичная, чувствительная к низким частотам (от 20 Гц). Каждая точка мембраны резонирует на определенную частоту, создавая так называемую тонотопическую карту. Эта избирательность описывается критическими полосами — частотными интервалами, в пределах которых маскировка тонов максимальна. Шкала критических полос измеряется в барках (названа в честь Генриха Барка) и охватывает диапазон от 0 до 24 барк.

Нелинейность восприятия

Слуховая система обладает нелинейной амплитудной характеристикой. Зависимость субъективной громкости от физической интенсивности звука описывается законом Стивенса: громкость пропорциональна интенсивности, возведенной в степень около 0,6. Кроме того, порог слышимости зависит от частоты: минимальная интенсивность, воспринимаемая человеком, составляет около 0 дБ SPL на частоте 1 кГц, но повышается на низких и высоких частотах.

Ключевые явления, моделируемые психоакустикой

Маскировка

Маскировка — это явление, при котором восприятие одного звука (тестового) затрудняется или полностью подавляется присутствием другого звука (маскера). Различают два основных типа:

• Частотная (одновременная) маскировка: возникает, когда маскер и тестовый сигнал звучат одновременно. Наиболее эффективна, когда частота маскера близка к частоте тестового сигнала. Маскировка распространяется асимметрично: низкочастотные звуки сильнее маскируют высокочастотные, чем наоборот.
• Временная маскировка: проявляется, когда маскер и тестовый сигнал разделены во времени. Предмаскировка (до начала маскера) длится до 20 мс, послемаскировка (после окончания) — до 200 мс. Послемаскировка сильнее и зависит от длительности и интенсивности маскера.

Критические полосы

Критическая полоса — это частотный диапазон, в пределах которого слуховая система интегрирует энергию звука. Если два тона находятся внутри одной критической полосы, они маскируют друг друга значительно сильнее, чем если бы они были в разных полосах. Ширина критической полосы зависит от центральной частоты: на низких частотах она составляет около 100 Гц, на высоких — до нескольких килогерц. Моделирование критических полос лежит в основе расчета порогов маскировки.

Порог слышимости в тишине

Абсолютный порог слышимости — это минимальный уровень звукового давления, при котором звук данной частоты может быть воспринят человеком. Для здорового молодого человека этот порог минимален (около 0 дБ SPL) в диапазоне 1–5 кГц и повышается к краям слышимого диапазона. В психоакустических моделях этот порог описывается стандартной кривой, например, по ISO 226:2003.

Эффект предшествования (Хааса)

Эффект предшествования, или закон первого фронта волны, заключается в том, что при поступлении одного и того же звука от двух источников с задержкой до 40 мс, слуховая система локализует звук по тому источнику, который пришел первым. Задержанный сигнал воспринимается как эхо, но не влияет на восприятие направления. Этот эффект важен для моделирования пространственного слуха и стереофонической записи.

Применение психоакустических моделей

Сжатие аудиоданных

Наиболее массовое применение психоакустических моделей — в алгоритмах сжатия звука с потерями (lossy compression). В кодерах MP3, AAC, Ogg Vorbis, Opus модель анализирует входной сигнал, разбивая его на частотные полосы (с помощью модифицированного дискретного косинусного преобразования, MDCT). Для каждой полосы рассчитывается порог маскировки — максимальный уровень шума, который может быть внесен в сигнал без заметного ухудшения качества. Компоненты сигнала, уровень которых ниже порога маскировки, отбрасываются или квантуются с меньшей точностью. Это позволяет уменьшить объем данных в 10–12 раз при сохранении субъективного качества, близкого к исходному.

Аудиокодеки

• MPEG-1 Layer 3 (MP3): использует модель, основанную на работах Цвикера. Разбивает спектр на 32 поддиапазона с помощью полифазного фильтра. Модель рассчитывает маскирующие пороги для каждого поддиапазона.
• Advanced Audio Coding (AAC): применяет более точную модель с 1024-точечным MDCT и адаптивным квантованием. Поддерживает до 96 каналов.
• Opus: гибридный кодек, использующий как речевой (SILK), так и музыкальный (CELT) режимы. Психоакустическая модель в Opus динамически переключается между режимами в зависимости от типа сигнала.

Улучшение качества звука

Психоакустические модели применяются в системах шумоподавления, эквалайзерах и аудиопроцессорах. Например, в слуховых аппаратах модели используются для компенсации потери слуха: они усиливают те частоты, где чувствительность снижена, но не превышают порог дискомфорта. В автомобильных аудиосистемах модели помогают скорректировать акустику салона.

Анализ и синтез речи

В системах распознавания и синтеза речи психоакустические модели используются для выделения формант и других информативных признаков. Например, мел-частотные кепстральные коэффициенты (MFCC), широко применяемые в речевых технологиях, основаны на шкале мелов — психоакустической шкале, отражающей нелинейность восприятия высоты тона.

Виртуальная и дополненная реальность

В системах пространственного звука (3D-аудио) психоакустические модели используются для синтеза бинауральных эффектов — создания иллюзии расположения источника звука в трехмерном пространстве. Модели учитывают эффект предшествования, головную передаточную функцию (HRTF) и маскировку.

Критика и ограничения

Современные психоакустические модели, несмотря на широкое применение, имеют ряд ограничений. Во-первых, они основаны на усредненных данных, полученных на выборках здоровых молодых людей. Индивидуальные вариации слуха (возрастные изменения, патологии) учитываются лишь приблизительно. Во-вторых, модели плохо предсказывают восприятие сложных, нестационарных звуков, таких как музыка с резкими атаками или речевые сигналы с быстрыми переходами. В-третьих, большинство моделей линейны и не учитывают нелинейные искажения, возникающие на высоких уровнях громкости.

Критики также отмечают, что субъективное качество сжатого аудио, оцененное по психоакустической модели, не всегда коррелирует с результатами слепых прослушиваний. Например, некоторые слушатели могут различать артефакты, которые модель считает неразличимыми. Это привело к разработке более сложных моделей, таких как PEAQ (Perceptual Evaluation of Audio Quality), которые комбинируют психоакустические параметры с машинным обучением.

Источники

1. Цвикер Э., Фельдкеллер Р. Ухо как приемник информации. — М.: Связь, 1971.
2. Moore B.C.J. An Introduction to the Psychology of Hearing. — 6th ed. — Brill, 2012.
3. ISO 226:2003. Acoustics — Normal equal-loudness-level contours.
4. Bosi M., Goldberg R.E. Introduction to Digital Audio Coding and Standards. — Springer, 2003.
5. Painter T., Spanias A. Perceptual coding of digital audio // Proceedings of the IEEE. — 2000. — Vol. 88, No. 4. — P. 451–515.