অডিও সংকেত অন্তরঙ্গকরণে শিল্পের বর্তমান অবস্থা


11

তিনটি প্রশ্ন:

  1. অডিও ইন্টারপোলেশন গুণমানগতভাবে পরিমাপ করতে যে সমস্ত মেট্রিক ব্যবহার করতে পারেন সেগুলি কী কী? (তবে সম্ভব হলে মনোবৈজ্ঞানিক পদগুলির ক্ষেত্রেও)

  2. এই মেট্রিকগুলির দ্বারা, অডিও সংযোগে শিল্পের বর্তমান অবস্থা কী?

  3. ধরুন আমি দুটি রেজোলিউশনে ভার্চুয়াল যন্ত্রগুলির নোটগুলির অনুক্রম থেকে দুটি ফাইল রেন্ডার করতে এবং তারপরে একটি ফাইলের একটি উচ্চতর কম্পাঙ্কের সাথে উপস্থাপনের তুলনা করতে পারি, তবে এই সফ্টওয়্যারটি বস্তুনিষ্ঠভাবে তুলনা করতে কোন সফ্টওয়্যার ব্যবহার করতে পারে? - আদর্শভাবে পূর্বে উল্লিখিত মেট্রিকগুলি ব্যবহার করে

এখনও অবধি, আমি সংগ্রহ করতে সক্ষম হয়েছি, এই পুনরায় মডেলগুলি সর্বোত্তম মানের কিছু সরবরাহ করে

  1. http://www.mega-nerd.com/SRC/
  2. http://sox.sourceforge.net/SoX/
  3. http://www.izotope.com/tech/src/

এই পুনর্নির্মাণকারীদের মনে হয় যে সমস্যাগুলির মধ্যে একটি হ'ল প্রাক এবং পোস্ট রিং করা।

আমার লক্ষ্য করা উচিত যে মূল আগ্রহের বিষয়টি সিগন্যাল পুনর্গঠন (সেই শব্দটি বোঝায় যে ইনফার), সুতরাং ডাউন স্যাম্পলিংয়ের চেয়ে আরও বেশি উত্সাহদান।

সম্পাদনা করুন: দ্বিপাক্ষিক সময়ের দক্ষতা এই প্রসঙ্গে অপ্রাসঙ্গিক।

শুভেচ্ছা, কৌতূহলী :-)

উত্তর:


5

"সমস্যা" সম্পর্কিত আপনি পুনরায় মডেলগুলির সাথে নোট করুন:

অনেক রিসম্পলিং অ্যালগরিদমগুলি লিনিয়ার-ফেজ লো-পাস ফিল্টার পলি-ফেজ ইন্টারপোলেশন কার্নেল ব্যবহার করে। লিনিয়ার-ফেজ ইন্টারপোলেশন কার্নেলের (একই ফ্রিকোয়েন্সি প্রতিক্রিয়া সহ) এর বিপরীতে একটি ন্যূনতম-ফেজ ফিল্টার ইন্টারপোলেশন কার্নেল, উচ্চতর নমুনার হারে পুনঃনির্মাণের সময় কম প্রাক-রিং তৈরি করবে, যা নিখুঁতভাবে কম নির্ভুল হিসাবে পরিমাপ করতে পারে, তবে সম্ভবত মনোবিজ্ঞান- শাব্দিকভাবে মানুষের কাছে "আরও ভাল" শব্দ করা যায়।

সম্ভাব্য কম প্রাক-রিংয়ের মাধ্যমে ফিল্টারিংয়ের জন্য ন্যূনতম ফেজ ফিল্টারগুলি তৈরি করার বিষয়ে এখানে একটি নোট রয়েছে: http://www.music.columbia.edu/pipermail/music-dsp/2004- ফেব্রুয়ারি / 059372.html

এছাড়াও, রেমেজ (পার্কস-ম্যাকক্লেলান) ডিজাইন করা লো-পাস ফিল্টারটির ফ্রিকোয়েন্সি ডোমেনে একটি স্পষ্ট পর্যায়ক্রমিক রিপল থাকতে পারে, যা সময়-ডোমেনে প্রাক-রিং প্রেরণা তৈরি করতে পারে। সুতরাং আপনি পরিবর্তে পুনরায় মডেলিং ইন্টারপোলেশন কার্নেলের জন্য নিম্ন-পাস ফিল্টার ডিজাইনের (পরে সাধারণত ন্যূনতম পর্বের কাছাকাছি কিছু ঘটায়) এর জন্য একটি উইন্ডোড সিন, বা একটি ক্লাসিক অ্যানালগ ফিল্টার আবিষ্কার করার চেষ্টা করতে পারেন।


ন্যূনতম পর্যায়ে ফিল্টারগুলি সম্পর্কে আপনার বক্তব্য সম্পর্কে: আমি প্রথম দুটি লিঙ্ক সম্পর্কে নিশ্চিত নই, তবে আইজোটপের এসআরসি সর্বনিম্ন এবং রৈখিকের মধ্যে ক্রমাগত পরিবর্তনশীল পর্বের জন্য অনুমতি দেয়। শ্রবণ পরীক্ষায়, লোকেরা ন্যূনতম পর্যায়ে এবং লিনিয়ার পর্যায়ের মধ্যে কোথাও কোথাও পছন্দ করে।
schnarf

উইন্ডোড-সিনক ফিল্টারটি সময়-ডোমেন বাজানোর ক্ষেত্রে ইক্যুরিপল (রিমেজ এক্সচেঞ্জের মাধ্যমে ডিজাইন করা) ফিল্টারের চেয়ে ভাল আর কিছু হতে পারে না। রিংগিং এফেক্টটিকে গীবস প্রপঞ্চ বলা হয় এবং আপনি যখন এমন সংকেতকে বন্ধ করবেন যখন পর্যবেক্ষণ (যেমন একটি বর্গাকার তরঙ্গ) observed এটি কোনও ইক্যুইরিপল ফিল্টারের ফ্রিকোয়েন্সি-ডোমেন রিপলের কারণে হয় না। আপনি খুব তীক্ষ্ণ কাট অফ দিয়ে ফিল্টার ব্যবহার করার সময় এর প্রভাব আরও লক্ষণীয় হয়; পরিবর্তনের প্রস্থ বৃদ্ধি করা কিছুটা এটিকে প্রশমিত করতে পারে।
জেসন আর

@ জেসন আর: টাইম ডোমেনে সাইনোসয়েড = ফ্রিকোয়েন্সি ডোমেনে অনুপ্রেরণা, সাইনোসয়েডের রিপলের হারের উপর নির্ভর করে অবস্থান। এখন 2 টি ডোমেন বিপরীত করুন এবং একটি ফ্রিকোয়েন্সি ডোমেন প্রতিক্রিয়াতে সাইনোসয়েডাল-এর মতো রিপল রাখুন। প্রেরণা সময় ডোমেনে চলে যায়, রিপলের বৈশিষ্ট্যের উপর নির্ভর করে অবস্থান।
হটপাউ 2

@ হটপাউ 2: আমি আপনার সাদৃশ্যটি দেখছি। আমি আপনার শব্দ "প্রাক-রিং প্রেরণা" এর উদ্দেশ্যটিকে ভুল বুঝেছি।
জেসন আর

এছাড়াও, সময় ডোমেনের একটি মসৃণ উইন্ডো দৃ conv়তার সাথে ফ্রিকোয়েন্সি ডোমেনে বিচ্ছিন্নতাগুলির চারপাশে তার অ-বিচ্ছিন্ন আকারের পুনরুত্পাদন করে, এটি গীবস ওভারশুট হ্রাস করে।
হটপাউ 2

6

পুনরায় মডেলিং অ্যালগরিদমগুলির এই চমত্কার পুঙ্খানুপুঙ্খ তুলনা রয়েছে: http://src.infinitewave.ca/

তারা সেখানে ব্যবহৃত পরীক্ষাগুলি দেখতে পাবে। এলিয়াসিং একটি বড়, এবং সাইন সুইপের একটি বর্ণালী দ্বারা ভিজ্যুয়ালাইজ করা সহজ। উচ্চ ফ্রিকোয়েন্সি প্রতিক্রিয়াও রয়েছে - এসআরসি উচ্চতর ফ্রিকোয়েন্সিগুলিকে অ্যালিজিংয়ের কারণ হিসাবে অনুমতি প্রদান ছাড়াও রোল করতে পারে। আপনি আবেগ প্রতিক্রিয়া গ্রাফ বা পর্ব প্রতিক্রিয়া একটি প্লট সঙ্গে পর্যায় প্রতিক্রিয়া কল্পনা করতে পারেন।


হ্যাঁ, আমি এই দুর্দান্ত উত্স জানি। আমি কেবলমাত্র সমস্ত প্যারামিটারগুলি জানতে চেয়েছিলাম যা পুনরায় মডেলিং (বিশেষত উপসাম্পলিং) পারফরম্যান্স পরিমাপ করার সময় মাপার জন্য মূল্যবান।
বেন্ট রাসমুসেন
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.