Allgemeines zur irrelevanzreduzierenden Audiocodierung

• Worum geht's
• Wie funktioniert's
• Psychoakustik an Beispielen
• Quantisierung

• MPEGplus
• Software
• FAQ
• Links
• Disclaimer

• zur Startseite
• To English site ...

Worum geht's:

Bei der Speicherung von Audio-Files im CompactDisc-Format fallen hohe Datenmengen an - 44,1 kHz * 2 Kanäle * 16 bit macht 1411,2 kbit/s oder etwa 10 MByte/min. Diese Codierung erfordert zur Übertragung und Speicherung hohe Kapazitäten. Das Ziel der datenreduzierenden Audiocoder ist eine Absenkung der Datenrate unter Beibehaltung der hörbaren Qualität.
So lassen sich z.B. 74 Minuten Musik in CD-Qualität auf Sony's MiniDisk (Kompression 1:4,8) unterbringen, oder aber es werden ".mp3"-Files bei meist jedoch schon wahrnehmbaren Störungen durch eine Kompression auf ca. 1/11 geschrumpft.

Wie funktioniert's:

• Der Nachteil der PCM-codierten (Pulse-Code-Modulation) Signale besteht aus Sicht der Datenreduzierung zuerst darin, daß im gesamten Frequenzbereich eine konstante Quantisierungsauflösung verwendet wird.
  
  
• Bei den weniger komplexen Kompressionsverfahren (MPEG-1 Layer-1 und -2) wird daher das breitbandige Signal in mehrere schmalbandige zerlegt und jedes einzelne im Zeitbereich quantisiert. Bei den komplexeren (MPEG-1 Layer-3 und AAC) wird das Spektrum des Signals quantisiert. Um nur mit den laut Psychoakustischem Modell notwendigen Rauschabständen quantisieren zu können, werden die Abtastwerte (Layer-1 und -2) bzw. die Spektralkoeffizienten (Layer-3 und AAC) als Gleitkommazahl dargestellt. Der Pegel des Subbands bzw. der Spektrallinien wird durch den Exponenten (Scalefactor) beschrieben, die Quantisierung wird nur auf die Mantisse angewandt (Quantisierung).
  
  
• Die größte Ersparnis läßt sich durch die Ausnutzung psychoakustischer Effekte erreichen. Diese wurden durch Messungen an Testpersonen ermittelt und machen Aussagen über die Wahrnehmungseigenschaften des menschlichen Gehörs. Während der Codierung läuft ein Modell des menschlichen Gehörs mit, welches abschätzt wo und in welchem Ausmaß der Coder Fehler machen darf, so daß diese gerade nicht wahrnehmbar oder, falls Fehler unvermeidbar sind, zumindest am wenigsten störend sind.
  
  
• Wenn man nun die Quantisierung der Samples innerhalb der Teilbänder oder die Quantisierung der Spektrallinien durch das Psychoakustische Modell steuert, kann man den unterschiedlichen Frequenzbereichen unterschiedliche Quantisierungsauflösungen zuordnen. Dies entspricht dem Hinzufügen von (hoffentlich) nicht wahrnehmbarem Rauschen zu dem Audiosignal.
  
  
• Die Algorithmen zur Modellierung des menschlichen Gehörs und der Quantisierungssteuerung sind relativ zeitaufwendig. Trotzdem kann man allen Ungeduldigen nur davon abraten irgendwelche "fast"-Option, die in vielen Encodern zu wesentlich geringeren Codierzeiten führt, zu benutzen. Zeitersparnis an dieser Stelle führt fast immer zu einer (natürlich dauerhaft) schlechten Qualität der Audiosignale.

Psychoakustik-Beispiele:

• Ruhehörschwelle:
  Sie gibt an (gepunktete Linie), ab welcher Lautstärke das menschliche Gehör einen reinen Sinuston wahrnehmen kann. Die Ruhehörschwelle ist in den Psychoakustischen Modellen so normiert, daß ein Signal im 16 bit-Format, welches eine Amplitude von +/- 1 aufweist, bei 0 dB der Schwelle liegt. Hierin liegt ein (wenn auch nicht so gewichtiges) Problem,  da beim Encodieren niemand weiß wie laut später das codierte Audiofile abgehört wird.
  
  
  
• simultane Maskierung:
  Während einer akustischen Erregung wird die Hörschwelle abhängig vom Spektrum des Signals angehoben. Alle Signale unterhalb dieser Schwelle - also auch Quantisierungsrauschen - werden nicht wahrgenommen.
  Die simultane Maskierung ist der mächtigste Verdeckungseffekt. Im Psychoakustischen Modell werden zur Berechnung verschiedene Schritte abgearbeitet:
  
  
  • Kurzzeitspektralanalyse des Audiosignals per FFT
  • der Prädiktionsfehler von Amplitude und Phase jeder Spektrallinie (unpredictability) wird berechnet; Ein geringer Prädiktionsfehler deutet auf ein stationäres Verhalten (z.B. Sinus) dieser Spektrallinie hin.
  • Zusammenfassung der spektralen Leistung innerhalb von Frequenzgruppen (vom menschlichen Gehör als zusammengehörig empfundene Frequenzbänder)
  • Spreading: Die Maskierung zwischen den einzelnen Frequenzgruppen wird durch die Spreadingfunktion beschrieben. Sie modelliert die oberen und unteren Flanken der Maskierungsschwellen als nach "außen" hin fallende Geraden in dB/Bark. Die Steigung dieser Geraden hängt sowohl von der Mittenfrequenz der Frequenzgruppen, als auch von der spektralen Leistung innerhalb dieser Gruppen ab.
  • Tonality measurement: Aus dem zuvor berechneten Prädiktionsfehler wird nun ein Faktor gewonnen, der ein Maß für die Tonalität, also die "Sinusartigkeit", einer Frequenzgruppe darstellt. Dies ist notwendig, da bei sinusoiden Maskierern die Mithörschwelle niedriger liegt als bei rauschartigen Maskierern. Dies bedeutet, daß Sinusoide mit höherer Auflösung quantisiert werden müssen als Rauschen.
  • Kombinieren des spreaded signal mit der tonality führt auf die Mithörschwelle (alle Störungen unterhalb dieser Schwelle sind nicht mehr wahrnehmbar)
  • Vergleich mit der Ruhehörschwelle: Falls die Mithörschwelle unterhalb der Ruhehörschwelle liegt, setze die Mithörschwelle gleich der Ruhehörschwelle (threshold in quiet). Hierdurch ergibt sich die globale Mithörschwelle.
  • Berechnung der notwendigen signal-to-mask-ratio(SMR), also dem mindesten Signalrauschabstand, mit dem diese Frequenzgruppe quantisiert werden muß.

Mithörschwelle eines Sinustons bei 1 kHz

Mithörschwelle von 4 überlagerten Sinustönen

• zeitliche Maskierung: Die simultane Maskierung (s.o.) baut sich innerhalb weniger Millisekunden vor einem Schallereignis auf und innerhalb von 100 - 200 ms wieder ab. Auch hier gilt, daß alle darunter liegenden Signale nicht wahrgenommen werden können.
• Pre-masking kann i.A. nicht zur Irrelevanzreduktion herangezogen werden, da dieser Effekt zeitlich sehr begrenzt ist. Vielmehr läßt sich hiermit kontrollieren, ob sogenannte Preechos wahrnehmbar werden können. Diese entstehen, da die Synthese-Filter (vor allem bei den MPEG-1 Layer-3- und AAC-Codern) eine begrenzte Zeitauflösung haben und diese somit das im nächsten Frame auftretende Rauschen auch in den Zeitraum vor und nach diesem Frame "verschmieren".
• Post-masking läßt sich jedoch geringfügig reduzierend ausnutzen. Falls im letzten Frame gegenüber dem aktuellen Frame eine höhere Mithörschwelle aufgetreten ist, kann diese trotz des "Absinkens" noch über der aktuellen liegen und dominiert somit die Wahrnehmung.
  Die Zeitkonstante der Nachmaskierung (Steilheit der fallenden Mithörschwelle) hängt von der Dauer des zuvor aufgetretenen Schallereignisses ab. Bei einer Schalldauer von mehr als 200ms tritt in etwa der unten dargestellte Verlauf ein. Für kurze Schallereignisse (z.B. Schlagzeug) fällt die Nachmaskierungsschwelle wesentlich schneller ab, so daß in der Psychoakustik über mehrere Frames hinweg die Dauer der Schallereignisse abgeschätzt werden muß.

---

• Quantisierung am Beispiel eines Subbandcoders:

Die Reduzierung der Datenmenge beruht auf einer durch die Maskierungsschwelle gesteuerten Quantisierung. Das Prinzip soll die folgende Darstellung verdeutlichen.

 
Bei einem Subbandcoder (z.B. MPEG-1 Layer-1 und -2) wird das Minimum der Maskierungsschwelle innerhalb eines Subbands als Maximum der erlaubten Verzerrung interpretiert. Durch die Quantisierung darf keine Rauschleistung größer als dieser maximal erlaubten hinzugefügt werden.
Die Subbandsamples liegen in einer dem Gleitkommaformat ähnlichen Zahlendarstellung vor. Hierbei wird der absolute Pegel des Subbandsignals durch den Exponenten repräsentiert. Der durch die Quantisierung zu erzielende Signalrauschabstand berechnet sich aus dem 'Abstand' des Maximalpegels zur maximal erlaubten Verzerrung. Dieser 'Abstand' wird als Signal-to-Mask-Ratio (SMR)  bezeichnet. Für nicht mehr wahrnehmbare Verzerrungen muß die Quantisierung der Mantisse einen SNR > SMR erreichen. Die Quantisierungssteuerung versucht nun für jedes Subband die minimale Quantisierungsauflösung zu finden, welche diese Bedingung erfüllt.
Die sich hierbei ergebende Bitrate läßt sich einfach abschätzen. Sie ist proportional der Summe der Flächen SMR*Subbandbreite über alle Subbänder, wobei nur 'positive' Flächen gezählt werden (Signalleistung liegt oberhalb der maximal erlaubten Verzerrung). Wie in obiger Darstellung zu erkennen ist beträgt diese Fläche nur einen Bruchteil der Gesamtfläche (Fläche der PCM-Codierung).

Wer sich noch weitergehend über Psychoakustik informieren will, kann dies z.B. mit Hilfe des Buches "Psychoakustik" (E. Zwicker, Springer Verlag) tun. Darin enthalten sind unter anderem die mathematischen Zusammenhänge der auftretenden Effekte.
 

Wer sich mehr über den biologischen Background des Hörvorgangs informieren möchte, sollte mal einen Blick auf folgende Seite werfen: http://www.ossnet.uni-oldenburg.de/~fiedlerm/psychoakustik.html (topic "Hörphysiologie"). Dort werden weitere Effekte (u.a Residuumeffekt, räumliche Wahrnehmung, etc.) und die Grenzen des Gehörs (hat meist sehr einleuchtende Gründe) erläutert.
 
 

---

So lautet der vorläufige Arbeitsname für meinen Audiocoder. Der Encoder entstand während meines Studiums "als Hobby", wobei die Motivation die damals (etwa 1997-1998) schlechte Qualität von gängigen MP3-Encodern war. Mittlerweile hat der Encoder hat eine recht hohe Qualität erreicht, die sich mit der von MP3-Encodern messen kann.
MPEGplus basiert auf dem Konzept der Teilbandzerlegung und gehört damit zu den sogenannten Subband-Codern.
Die Besonderheit von MPEGplus ist die stark getunte Psychoakustik, welche einen reinen VBR-Betrieb (variable Bitrate) nahelegt. Ziel ist es, den Encoder mit default-Parametern zu einer transparenten Codierung jedweder Audiosignale zu bringen, wobei nur die Bitrate verwendet wird, welche für eine transparente Codierung notwendig ist.
 

Allgemeines zu MPEGplus:

Redundanzreduzierung (lossless coding):

• Der MPEGplus-Encoder verwendet diverse Huffman-Codes zur Redundanzreduzierung. Eine Huffman-Codierung findet für die quantisierten Samples, die Skalenfaktoren sowie für die Frameheader statt.
• Ausnutzung der Korrelation von Skalenfaktoren auf der Zeitachse

• Adaptive Noise-Shaping ANS: Innerhalb der Teilbänder versucht der Encoder das Quantisierungsrauschen so zu formen, daß es sich besser an die Maskierungsschwelle anschmiegt. Dadurch wird mehr Rauschen zulässig, was wiederum die Bitrate senkt. ANS verwendet Filter bis 5. Ordnung.
• ClearVoiceDetection CVD: Falls Vokale oder ähnliche harmonische Signale vorliegen, wird den interessierenden Spektrallinien eine höhere Auflösung zugewiesen. Dieses Verfahren behebt einige Probleme im psychoakustischen Modell hinsichtlich der Erkennung von harmonischen Signalen (z.B Vokale der menschlichen Sprache).
• Benutzung einer selbstgemessenen Ruhehörschwelle (Switch "-ltq ank" bzw. "-ltq fil"); ist natürlich nur sinnvoll bei ähnlichen Abhörbedingungen, bringt aber eine ganze Menge, da das "ISO Standard-Gehör" bei hohen Frequenzen schon als relativ schlecht angenommen wird !
• Berücksichtigung von Aliasing zwischen den Teilbändern bei der Berechnung der Signal-to-Mask-Ratio (SMR)
• Die Spreadingfunktion, sie beschreibt die Maskierungseffekte im Frequenzbereich, ist jetzt besser angepaßt. Sie berücksichtigt nun auch die veränderliche Steilheit der oberen Maskierungsflanke in unterschiedlichen Frequenzgruppen und bei variierenden Schalldruckpegeln (Annahme eines maximalen Abhörpegels von 96 dB).
• frameübergreifende Ausnutzung der Nachmaskierung mit variabler Zeitkonstante (kurze Schallereignisse haben eine kürzere Nachmaskierungsdauer als langanhaltende Schallereignisse)

Qualität und Performance:

• Bei Betrieb mit default-Parametern ("standard"-Profil) erreicht der Encoder eine sehr hohe Qualität, die die von gängigen MP3-Encodern (z.B. Lame) im Allgemeinen überbietet. MPEGplus ist nahezu vollständig frei von Preechos oder Flanger-Artefakten.
• MPEGplus arbeitet in Hinblick auf die erzielte Qualität sehr stabil, d.h. mir sind nur sehr wenige, pathologische Fälle bekannt, bei denen Veränderungen im Vergleich zum Original wahrnehmbar sind.
• Mit der aktuellen Version - Encoder mit StreamVersion 7 (SV7) - liegen die durchschnittlichen Bitraten bei etwa 160-170 kbit/s. Bei unkritischen Signalen liegen die Bitraten nahe 100-120 kbit/s, bei kritischen Signalen oberhalb von 200 kbit/s.
• Der Encoder erreicht auf einem P3-800 derzeit etwa 5,0-fache Echtzeit, das Winamp-plugin benötigt unter 1% CPU-Last auf diesem Prozessor.

Sources:

• Source Code für Decoder: mppdec_source  (ca. 36 KB, v1.7.8c) (23.06.2001) (veraltet)
• Source Code für Winamp-Plugin (english): in_mpp_source (ca. 54 KB, v1.7.9f) (veraltet)
• Source Code für Winamp-Plugin (deutsch): in_mpp_source (ca. 54 KB, v1.7.9f (deutsch)) (veraltet)
• Alternativer Decoder von Frank Klemm (irrsinnig schnell, Pentium III/K6-2/Athlon-Unterstützung)

Binaries:
 

Windows:

• Decoder: mppdec  (ca. 50 KB, v1.7.8c) (23.06.2001) (veraltet)
• Encoder: mppenc  (ca. 78 KB, v1.7.9c) (10.07.2001) (veraltet)
• Winamp-plugin (english): in_mpp (ca. 42 KB, v1.7.9f) (veraltet)
• Winamp-plugin (deutsch): in_mpp (ca. 42 KB, v1.7.9f (deutsch)) (veraltet)

Linux:

• Decoder: mppdec  (ca. 28 KB, v1.7.8a) (veraltet)
• Encoder: mppenc  (ca. 61 KB, v1.7.9a) (veraltet)

OS2:

• Player: mppplay  (ca. 84 KB, v1.7.6) by Brian Harvard (http://silk.apana.org.au/utils.html)

Andere OS (diverse):

• Alternativer Decoder von Frank Klemm (irrsinnig schnell, Pentium III/K6-2/Athlon-Unterstützung)

Logos:   logos.zip (ca. 78 KB)
 

Programme mit MPEGplus-Unterstützung:

Playback:

Winamp via plugin (http://www.winamp.com)

MediaJukebox via plugin (http://www.musicex.com/mediajukebox/)

DeliPlayer via plugin (http://www.deliplayer.com)

XMMS via plugin (http://sourceforge.net/projects/mpegplus/)
 

Easy CD-DA Extractor über externen Encoder (http://www.poikosoft.com)

CDex über externen Encoder (http://www.cdex.n3.net/)

EAC über externen Encoder (http://www.exactaudiocopy.de)

Audiograbber über externen Encoder (http://www.audiograbber.de)

Monkey's Audio über externen Encoder (http://www.monkeysaudio.com)

MediaJukebox über externen Encoder (http://www.musicex.com/mediajukebox/)

WinDAC32 über externen Encoder via Script

MP+ Frontend von M.Spüler http://www.mpegplus.de

CD Copy für En-/Decodieren und Brennen http://www.cdcopy.sk

Wenn ich mp+/mpc Dateien bei eingeschaltetem Equalizer mit mp3 Dateien vergleiche, weisen die mp+/mpc Dateien einen starken Höhenverlust auf.

Die Option "EQ controlled by WinAMP" sollte deaktiviert sein. WinAMPs eingebauter EQ führt zu einem erheblichen Höhenverlust ab 16 kHz und ist zusätzlich wesentlich CPU-intensiver als der mp+ eigene.

Wenn ich mittels "-bw 22050" die Bandbreite auf 22,05 kHz einstelle, behält die mp+ Datei dennoch nicht die volle Bandbreite und "schneidet" typischerweise bei etwa 18,5 kHz ab.

Die Verwendung von "-bw x" stellt nur die maximal berücksichtigte Bandbreite für die Codierung dar. Der Encoder speichert jedoch nur die Frequenzbereiche, die vom psychoakustischen Modell als wahrnehmbar eingestuft wurden. Die Begrenzung der Bandbreite arbeitet hierbei sehr umsichtig, so daß keine Unterschiede hörbar werden sollten. Aus diesem Grund kann die resultierende Bandbreite von der maximalen abweichen.
Für die Codierung der gesamten Bandbreite ist der Parameter "-minSMR x" (x>0) oder einfach "-insane" (dieses Profil beinhaltet die Codierung der vollen Bandbreite) zu verwenden.

Was ist die minimale und die maximale Bitrate von mp+/mpc?

Der Encoder kann theoretisch bis zu 1,32 Mbit/sec verwenden. Dieser Fall tritt aber i.A. nicht auf. Die minimale Bitrate wird bei Nullsamples erreicht und liegt bei etwa 3,4 kbit/s im "standard"-Profil.

Werden zukünftige Decoder/Plugins das derzeitige Bitstromformat weiter unterstützen?

Ein klares Ja! Alle kommenden Versionen werden die derzeit existierenden Formate (SV4 bis SV7) sowie die Endung ".mp+" und ".mpc" unterstützen.

Wird MPEGplus bis zur "final version" noch erhebliche Verbesserung der Qualität erfahren oder befindet sich der Encoder bereits im Endstadium der Entwicklung?

Aus Sicht der Qualität befindet sich MPEGplus infinitesimal entfernt von der endgültigen Version. Die Änderungen bei einem Versionswechsel beziehen sich schwerpunktmäßig nicht mehr auf den Encoder-Kern, sondern vielmehr auf Dinge wie Debugging bei File-I/O und Parser.
Der derzeitige Encoder hat bei diversen Tests durch mehrere User und unter Verwendung einiger hundert Musikstücke seine Zuverlässigkeit in Bezug auf die Qualität bewiesen. Einzig im direkten A/B-Vergleich über hochqualitative Kopfhörer und unter großer Höranstrengung lassen sich bei wenigen Stücken noch leichte Unterschiede zum Original hören. Bei keinem der encodierten Musikstücke wurden auffällige Artefakte beobachtet.

Reicht die Verwendung des Profils "-standard" aus oder sollte ich besser "-xtreme" oder gar "-insane" verwenden?

Der Encoder wurde im Profil "-standard", d.h. für default-Einstellungen, intensiv getestet und optimiert. In diesem Modus ist die Qualität der encodierten Stücke - trotz der Profilbezeichnung - sehr hoch!
Das nächsthöhere Profil "-xtreme" verwendet leicht modifizierte Parameter, um die Quantisierungsfehler noch weiter unter die Wahrnehmungsschwelle zu drücken - es bietet also noch mehr Reserve.
Im "-insane"-Profil werden die Parameter nahezu krankhaft extrem eingestellt. Der Encoder speichert in diesem Modus die volle Bandbreite und braucht wesentlich höhere Bitraten als im "-standard"- oder "-xtreme"-Modus. Die Speicherung der vollen Bandbreite hat keine psychoakustische Relevanz - der Mode wurde nur auf Wunsch einiger User implementiert.
Fazit: Mit dem "-standard"-Profil ist man schon auf der sicheren Seite. Wer noch ein wenig weiter gehen will, benutzt "-xtreme". Die Verwendung von "-insane" ist generell nicht notwendig.

Wenn ich das File Stück von meiner Lieblingsband.wav codieren will, bekomme ich die Fehlermeldung "ERROR: File not found!".

Bei langen Dateinamen oder falls Sonderzeichen enthalten sind, sollten die Dateinamen mit Anführungszeichen angegeben werden: z.B. mppenc -v "Stück von meiner Lieblingsband.wav"

Wird es ein Windows ACM-Codec für mp+/mpc geben?

Die Programmierung eines ACM-Codecs ist generell nicht ausgeschlossen. Zur Zeit liegt der Schwerpunkt jedoch auf Debugging und Erweiterung von Features. Ein ACM-Codec ist low priority.

• www.vqf.com/bbs/ - VQF-Forum
• www.chaostar.org/phorum/ - MP+ Forum
• http://pub58.ezboard.com/bmpegplus - MP+ Forum

 
• cd-rw.org - a CD-R and audio compression knowledge base
• mpegplus.de - deutsche MPEGplus Site
• mpegplus.net - amerikanische MPEGplus Site
• www.bluesights.com/mpplus - italienische MPEGplus Site
• www.mpegplus.org - MPEGplus Central
• www.mpplus.nl.nu - MPEGplus World
• www.mpplus.org - EF-Net Site
  
  
• www.stud.uni-hannover.de/~nhagge/startmp3.html - JAVA MP3-Player von Nils Hagge

Disclaimer:

Mit Urteil vom 12. Mai 1998 hat das Landgericht Hamburg entschieden, daß man durch die Ausbringung eines Links die Inhalte der gelinkten Seite ggf. mit zu verantworten hat. Dies kann - so das LG - nur dadurch verhindert werden, daß man sich ausdrücklich von diesen Inhalten distanziert.
 

Für alle auf diesen Seiten aufgeführten Links gilt:

Ich möchte ausdrücklich betonen, daß ich keinerlei Einfluß auf die Gestaltung und die Inhalte der gelinkten Seiten habe. Deshalb distanziere ich mich hiermit ausdrücklich von allen Inhalten aller gelinkten Seiten auf meiner Homepage. Diese Erklärung gilt für alle auf meiner Homepage ausgebrachten Links und für alle Inhalte der Seiten, zu denen die Banner und Links führen.

Andree.Buschmann@web.de