MUZYKA MP3

Dźwięk może zostać zapisany na wiele sposobów (np. mechaniczny, elektromechaniczny, optyczny, cyfrowy). Jednym z nich jest zamiana fal dźwiękowych w proporcjonalne zmiany napięcia lub natężenia prądu elektrycznego. Uzyskany w ten sposób sygnał analogowy dźwięku może zostać przekształcony do postaci sygnału cyfrowego. Przekształcenia dokonuje się za pomocą przetwornika analogowo-cyfrowego. Podczas konwersji sygnału analogowego na cyfrowy należy pamiętać o częstotliwości Nyquista, która jest równa połowie częstotliwości próbkowania. Oznacza to, że dla częstotliwości próbkowania 44,1 kHz częstotliwość Nyquista to 22,05 kHz (44,1:2=22,05). Jest ona najwyższą częstotliwością dźwięku możliwą do zapisania przy częstotliwości próbkowania 44,1 kHz. W celu wykonania zapisu w standardzie CD-Audio, dźwięk w postaci sygnału analogowego jest przepuszczany przez filtr dolnoprzepustowy o odcięciu w granicach 20–22kHz (ograniczenie pasma), a następnie próbkowany z częstotliwością 44,1 kHz i rozdzielczością 16 bitów. Wytwarza to strumień danych o przepływności ok. 1,5 Mb/s dla sygnału stereofonicznego. Aby zmniejszyć ilość danych należałoby zmniejszyć częstotliwość próbkowania lub/i rozdzielczość, ale to może powodować zbyt dużą różnicę w porównaniu do oryginalnego sygnału (nieakceptowalną dla słuchacza). Wykorzystuje się więc specyficzne właściwości ludzkiego słuchu i dlatego w standardzie MP3 używane są modele psychoakustyczne w celu osiągnięcia pożądanego stopnia kompresji stratnej. Polega to na usunięciu tych informacji z dźwięku, które są niezauważalne lub mało istotne dla słuchu człowieka. Z modeli psychoakustycznych wynika, że człowiek najlepiej słyszy dźwięki z przedziału około 2–4 kHz (mowa). Im częstotliwość dźwięku bardziej odbiega od tego pasma, tym słyszalność jest słabsza (zob. granice słyszalności). Zatem, jeżeli fala akustyczna, wraz z szumem kwantyzacji, będzie cichsza od dolnej granicy słyszalności, to nie będzie on słyszalny. Z tego wynika, że skrajne częstotliwości mogą zostać zapisane z mniejszą dokładnością, przy mniejszej rozdzielczości bitowej, a nawet częściowo usunięte. Ze wspomnianego modelu słuchu człowieka wynika również zjawisko maskowania – w uproszczeniu dźwięki głośniejsze zagłuszają cichsze. W pobliżu głośnych dźwięków (tzn. podobna częstotliwość tuż przed i tuż po wystąpieniu tego dźwięku) również można zmniejszyć liczbę bitów, ponieważ szum kwantyzacji nie będzie słyszalny. Człowiek słyszy dźwięki o częstoliwości do 20 kHz, jednak często w praktyce elektroakustycznej granicę tę określa się na poziomie 16 kHz. Uwzględniono to w standardzie MP3 stosując filtr dolnoprzepustowy, dzięki czemu dźwięki o częstotliwości powyżej 16 kHz są w większości usuwane. W pierwszym etapie konwersji na format MP3, wejściowy sygnał cyfrowy, pobrany np. z pliku w formacie WAV, o szerokości pasma 20 Hz – 20 kHz, jest dzielony na 576, odpowiednio węższych pasm częstotliwościowych, za pomocą cyfrowych filtrów w procesie cyfrowego przetwarzania sygnałów. W rezultacie otrzymuje się 576 odrębnych sygnałów. Pasmo każdego z nich jest 576 razy węższe od wejściowej szerokości pasma, zatem do próbkowania można użyć odpowiednio niższej częstotliwości. Kodek MP3 analizuje poszczególne pasma i na podstawie modelu psychoakustycznego określa z jaką dokładnością należy zakodować każde z nich i czy jest potrzeba uwzględnienia danego pasma. W ten sposób znacznie ograniczono ilość bitów potrzebnych do zakodowania, a szum kwantyzacji, mimo że znacznie większy niż w oryginale, jest tak ukształtowany, że jest niesłyszalny. Ponadto, powstałe dane zapisuje się w postaci zmiennoprzecinkowej, co dodatkowo zmniejsza ich rozmiar. Tak przygotowane dane łączy się, dodając dane sterujące umożliwiające odkodowanie dźwięku, na końcu poddaje się je kompresji bezstratnej i powstaje plik dźwiękowy w formacie MP3. Często okazuje się, że użytkownik kodeka, wymuszając jego stała przepływność, nie zapewnia warunków dla odpowiednio wiernego (dokładnego) zakodowania cyfrowego sygnału dźwiękowego. Dlatego, jeśli po kompresji okaże się, że rozmiar danych przekracza założenia, zmniejsza się liczbę bitów, w których koduje się pasma. Stąd najlepsze efekty jakościowe dają kompresory działające ze zmienną przepływnością, oszczędzając miejsce na dane, a zwiększając przepływność wtedy, gdy to jest konieczne dla zachowania jakości (percepcyjnej zgodności skompresowanego dźwięku z oryginałem). Jakość dźwięku ponadto zależy od zastosowanego modelu psychoakustycznego oraz od słuchacza. Jeśli jego słuch będzie odbiegał od modelu psychoakustycznego używanego w kodeku, jakość dźwięku może zostać przez niego oceniona jako różniąca się od oryginału. W celu zbadania percepcji jakości skompresowanego dźwięku stosuje się metodę określaną jako podwójnie ślepa próba.