Bedeutet "16bit ganzzahlige PCM-Daten", dass es signiert oder unsigniert ist?

Question

Ich benutze FMOD, um eine Anwendung zu entwickeln, die sofort beginnt, die Aufnahme des nächsten/vorherigen Satzes genau von Anfang an in einer MP3-Datei abzuspielen, die Sprache ohne Musik enthält, wenn der Benutzer auf die Schaltfläche Weiter/Zurück klickt. Ich habe die PCM-Daten von einer MP3-Datei von Ton Aufruf :: sperren, aber Ton :: GetFormat nur mir gesagt, dass es „16bit_integer PCM-Daten“ ist, ohne zu sagen, ob es oder unsigned unterzeichnet. Woher soll ich das wissen?

Einige Artikel im Internet sagen, dass fast alle 16-Bit-Integer-PCM-Daten sind unterzeichnet. Wenn meine PCM-Daten mit signiert sind, welcher Wertebereich steht für Stille, sind diese Werte nahe bei 0 (z. B. -10 ~ 10) oder nahe bei -32768 (z. B. -32768 ~ -32750)? Wenn sie die Werte nahe 0 sind, bedeutet dies, dass es keinen Unterschied in der Bedeutung zwischen entgegengesetzten Zahlen wie -32767 und 32767 gibt?

Ich brauche Stille, die lang genug sind, z.B. länger als 500 ms, um zu bestimmen, wo jeder Satz in der Rede beginnt.

Könnte mir jemand Vorschläge machen, wie man Stille zwischen Sätzen erkennt?

Answer 1

16-Bit-Audio ist per Konvention normalerweise signiert.

Denken Sie darüber nach, was PCM-Audio ist: Jedes Maß ist, wie weit der Lautsprecher in diesem Moment physisch ruhen sollte. Daher ist perfekte Stille absolut jeder sich wiederholende Wert - das bedeutet, dass sich der Sprecher nicht bewegt.

0 ist dann das Zentrum der Palette, und in der Regel, wo ein Mikrofon ohne Eingabe sein sollte. -32768 ist der Sprecher so nahe wie möglich an einem Ende seiner Achse, 32767 ist es am anderen Ende.

Der sicherste Weg, Stille zu erkennen, wäre, eine Spektralanalyse über den relevanten Bereich durchzuführen und nach Perioden zu suchen, in denen keine Aktivität in irgendeinem hörbaren Frequenzbereich auftritt.

Wenn Sie Pausen zwischen Sprache suchen, dann wäre die einfachste Sache wahrscheinlich zu irgendwo wie this gehen, einen akzeptablen Frequenzbereich für Sprache (es wird angenommen, um 300Hz bis etwa 3500Hz in der Telefonie sein), Ihre Abtastrate und wie viele Multiplikationen Sie denken, dass Sie sich leisten können. Kopiere die gelieferten Koeffizienten. Z.B. Ich nahm man 37 Taps mit einem 44100 Hz Eingang über den Sprachbereich zu tun, und in C-Array umgewandelt, ich habe:

double coefficients[] = { 
    -0.000560, -0.001290, -0.002332, -0.003606, -0.004911, -0.005921, -0.006201, 
    -0.005256, -0.002610, 0.002106, 0.009059, 0.018139, 0.028924, 0.040691, 0.052479, 
    0.063203, 0.071794, 0.077351, 0.079274, 0.077351, 0.071794, 0.063203, 0.052479, 
    0.040691, 0.028924, 0.018139, 0.009059, 0.002106, -0.002610, -0.005256, -0.006201, 
    -0.005921, -0.004911, -0.003606, -0.002332, -0.001290, -0.000560}; 

Wenn es double eingegeben wurde, für jeden Eingangsabtastwert c Ich würde dann berechnen ein Abtastwert:

double *inputWave = ... input, an infinite array for the purposes of the example ... 
double sampledValue = 0.0; 
for(size_t coeff = 0; coeff < numberOfTaps; coeff++) { 
    sampledValue += coefficients[coeff] * inputWave[c + coeff]; 
} 

// (where numberOfTaps = sizeof(coefficients)/sizeof(coefficients[0]), 
// i.e. the number of coefficients: 37 with the array given above) 

Was ich dann habe, ist ein Bandpassfilter. Nur der Teil des Signals, der den Ton im Frequenzbereich 300-3500 Hz darstellt, sollte in den Ausgangswerten verbleiben. Im wirklichen Leben ist kein solcher Filter perfekt; Erhöhen Sie die Anzahl der Koeffizienten, um die Qualität Ihres Filters zu erhöhen.

Nach dem Schneiden irrelevanter Teile des Signals konnte ich dann für längere Zeiträume von 10 suchen.