DE602004008455T2

DE602004008455T2 - Verfahren, vorrichtung und computerprogramm zur berechung und einstellung der wahrgenommenen lautstärke eines audiosignals

Info

Publication number: DE602004008455T2
Application number: DE602004008455T
Authority: DE
Inventors: Alan Jeffrey San Francisco SEEFELDT; Michael J. San Francisco SMITHERS; Brett Graham San Francisco CROCKETT
Original assignee: Dolby Laboratories Licensing Corp
Current assignee: Dolby Laboratories Licensing Corp
Priority date: 2003-05-28
Filing date: 2004-05-27
Publication date: 2008-05-21
Anticipated expiration: 2024-05-28
Also published as: EP1629463A2; EP1629463B1; JP2007503796A; AU2004248544A1; IL172108A; WO2004111994A2; KR20060013400A; CN1795490A; MXPA05012785A; SG185134A1; DK1629463T3; IN2010KN02913A; HK1083918A1; DE602004008455D1; WO2004111994A3; US8437482B2; US20070092089A1; JP4486646B2; CA2525942A1; AU2004248544B2

Description

Technisches Gebiet
Die vorliegende Erfindung bezieht sich auf Lautheitsmessungen von Audiosignalen und auf Geräte, Verfahren und Rechnerprogramme zur Steuerung der Lautheit von Audiosignalen als Antwort auf solche Messungen.
Stand der Technik
Lautheit ist eine subjektiv wahrgenommene Eigenschaft eines das Gehör betreffenden Sinneseindrucks, durch die Geräusche auf einem sich von leise zu laut erstreckenden Maßstab geordnet werden können. Da Lautheit eine durch den Zuhörer wahrgenommene Sinneswahrnehmung ist, ist sie nicht für eine direkte physikalische Messung geeignet, was es schwierig macht, sie zu quantifizieren. Zusätzlich können wegen der Wahrnehmungskomponente der Lautheit verschiedene Zuhörer mit „normalem" Gehör verschiedene Wahrnehmungen desselben Geräuschs haben. Der einzige Weg, die Streuungen zu verringern, die durch die individuelle Wahrnehmung verursacht werden, und zu einem allgemein gültigen Maß der Lautheit von Audiomaterial zu gelangen, ist es, eine Gruppe von Zuhörern zu versammeln und einen Lautheitswert oder eine Rangfolge statistisch zu erlangen. Dies ist offensichtlich ein unpraktischer Ansatz für normale, alltägliche Lautheitsmessungen.
Es gab viele Versuche, ein befriedigendes, objektives Verfahren zur Lautheitsmessung zu entwickeln. Fletcher und Munson ermittelten 1933, dass das menschliche Ohr bei niedrigen und hohen Frequenzen weniger empfindlich ist als bei mittleren (oder Stimm-)Frequenzen. Sie fanden auch heraus, dass sich die relative Änderung der Empfindlichkeit mit steigendem Geräuschpegel verringert. Ein frühes Lautheitsmessgerät bestand aus einem Mikrofon, Verstärker, Messgerät und einer Kombination von Filtern, die so ausgelegt waren, dass sie die Frequenzantwort des Gehörs bei niedrigen, mittleren und hohen Geräuschpegeln ungefähr nachahmten.
Obwohl solche Geräte eine Messung der Lautheit eines einzelnen, auf konstantem Pegel liegenden, isolierten Tons zur Verfügung stellten, passten Messungen von komplexen Geräuschen nicht sehr gut zu den subjektiven Lautheitseindrücken. Geräuschpegelmessgeräte dieser Bauform sind standardisiert worden, aber nur für spezielle Aufgaben, wie die Überwachung und Steuerung von Arbeitslärm, verwendet worden.
In den frühen 50er Jahren des 20. Jahrhunderts erweiterten neben anderen Zwicker und Stevens das Werk von Fletcher und Munson durch Entwicklung eines realitätsnäheren Modells des Lautstärkewahrnehmungs-Vorgangs. Stevens veröffentlichte 1956 ein Verfahren zur "Calculation of the Loudness of Complex Noise" im Journal of the Acoustical Society of America, und Zwicker veröffentlichte 1958 seinen Aufsatz zur "Psychological and Methodical Basis of Loudness" in Acoustica. 1959 veröffentlichte Zwicker ein grafisches Verfahren zur Lautheitsberechnung sowie kurz darauf verschiedene ähnliche Aufsätze. Die Verfahren von Stevens und Zwicker wurden als ISO 532, Teile A bzw. B, standardisiert. Beide Verfahren beziehen übliche psychoakustische Phänomene wie Frequenzgruppierung, Frequenzverdeckung und spezifische Lautheit ein. Die Verfahren basieren auf der Aufteilung komplexer Geräusche in Anteile, die in „kritische Gruppen" von Frequenzen fallen, was zulässt, dass einige Signalanteile andere verdecken, und der Ergänzung der spezifischen Lautheit in jeder Frequenzgruppe, um zur Gesamtlautheit des Geräuschs zu gelangen.
Ausweislich der "Investigation into Loudness of Advertisements" (Juli 2002) der Australian Broadcasting Authority (ABA) hat die jüngste Forschung gezeigt, dass viele Werbespots (und einige Programme) im Verhältnis zu anderen Programmen als zu laut wahrgenommen wurden und dadurch sehr störend für die Zuhörer sind. Die Untersuchung der ABA ist lediglich der jüngste Versuch, sich mit einem Problem zu befassen, das seit Jahren für nahezu das gesamte gesendete Material und nahezu alle Länder bestand. Die Ergebnisse zeigen, dass die Störung des Publikums aufgrund uneinheitlicher Lautheit über das Programmmaterial verringert oder unterbunden werden könnte, falls verlässliche, einheitliche Messungen der Programmlautheit durchgeführt werden könnten und benutzt würden, um die störenden Schwankungen der Lautheit zu verringern.
Die Barkskala ist eine im Frequenzgruppenkonzept verwendete Maßeinheit. Die Frequenzgruppenskala basiert auf der Tatsache, dass das menschliche Gehör ein Breitbandspektrum in Teile zerlegt, die kleineren, kritischen Unterbändern entsprechen. Hinzufügen einer Frequenzgruppe zu der nächsten auf eine Art und Weise, dass die obere Grenze der unteren Frequenzgruppe die untere Grenze der nächsthöheren Frequenzgruppe ist, führt zur Frequenzgruppenskala. Falls die Frequenzgruppen auf diese Weise zusammengefügt werden, dann entspricht jedem Übergangspunkt eine bestimmte Frequenz. Die erste Frequenzgruppe umfasst den Bereich von 0 bis 100 Hz, die zweite den Bereich von 100 Hz bis 200 Hz, die dritte den Bereich von 200 Hz bis 300 Hz und so weiter, bis hinauf zu 500 Hz, wo sich der Frequenzbereich jeder Frequenzgruppe vergrößert. Der hörbare Frequenzbereich von 0 bis 16 kHz kann in 24 aneinander angrenzende Frequenzgruppen unterteilt werden, deren Bandbreite sich mit höherer Frequenz vergrößert. Die Frequenzgruppen sind von 0 bis 24 durchnummeriert und haben die die Barkskala definierende Einheit _"Bark". Die Beziehung zwischen Frequenzgruppenzahl und Frequenz ist für das Verständnis vieler Charakteristika des menschlichen Ohrs wichtig. Siehe beispielsweise, Psychoacoustics – Facts and Models von E. Zwicker and H. Fastl, Springer-Verlag, Berlin, 1990.
Die äquivalente rechteckige Filterbandbreiten-Skala (ERB) ist ein der Barkskala ähnlicher Weg zur Messung der Frequenz für das menschliche Gehör. Entwickelt durch Moore, Glasberg und Baer ist es eine Verfeinerung von Zwicker's Lautheitswerk. Siehe Moore, Glasberg und Baer (B. C. J. Moore, B. Glasberg, T. Baer, "A Model for the Prediction of Thresholds, Loudness, and Partial Loudness," Journal of the Audio Engineering Society, Bd. 45, Nr. 4, April 1997, Seiten 224–240).
Die Messung von Frequenzgruppen unterhalb von 500 Hz ist schwierig, da bei solch niedrigen Frequenzen die Leistungsfähigkeit und Empfindlichkeit des menschlichen Hörsystems rasch abnehmen. Verbesserte Messungen der Hörfilterbandbreite haben zur ERB-Frequenzskala geführt. Derartige Messungen verwendeten Notched-Noise Maskierer, um die Hörfilterbandbreite zu messen. Im Allgemeinen ist die Hörfilterbandbreite (in Einheiten ERB ausgedrückt) auf der ERB-Skala kleiner als auf der Barkskala. Für niedrige Frequenzen werden die Unterschiede größer.
Die Frequenztrennschärfe des menschlichen Hörsystems kann durch Aufteilen der Geräuschintensität auf in Frequenzgruppen fallende Anteile angenähert werden. Solch eine Näherung führt zum Begriff der Frequenzgruppen-Intensitäten. Wenn statt einer unendlich steilen Flanke der hypothetischen Frequenzgruppen-Filter die durch das menschliche Hörsystem tatsächlich erzeugte Flanke berücksichtigt wird, führt solch ein Vorgehen dann zu einer, Erregung genannten, Zwischengröße der Intensität. Meistens werden solche Größen nicht als lineare Größen, sondern ähnlich wie Schalldruckpegel, als logarithmische Größen verwendet. Die Frequenzgruppen- und Erregungspegel sind die einander zugeordneten Größen, die als Zwischengrößen eine wichtige Rolle in vielen Modellen spielen. (Siehe Psychoacoustics – Facts and Models, supra).
Lautstärkepegel können in der Einheit „Phon" gemessen werden. Ein Phon ist definiert als empfundene Lautstärke einer bei 1 dB Schalldruckpegel (SPL) abgespielten reinen 1 kHz Sinuswelle, was einem Druckeffektivwert von 2 × 10^–5 Pascal entspricht. N Phon ist die wahrgenommene Lautstärke eines bei N dB SPL abgespielten 1 kHz Tones. Unter Verwendung dieser Definition beim Vergleich der Lautheit von Tönen mit anderen Frequenzen als 1 kHz mit einem Ton bei 1 kHz können Kurven gleicher Lautstärke für einen gegebenen Phonpegel bestimmt werden. 7 zeigt Kurven gleicher Lautstärkepegel für Frequenzen zwischen 20 Hz und 12,5 kHz, und für Phonpegel zwischen 4,2 Phon (wird als Ruhehörschwelle angesehen) und 120 Phon (ISO226: 1987 (E), "Acoustics – Normal Equal Loudness Level Contours").
Lautstärke- bzw. Lautheitspegel können auch in der Einheit „Sone" gemessen werden. Es gibt wie in 7 angegeben eine eindeutige Zuordnung zwischen Phoneinheiten und Soneeinheiten. Ein Sone ist definiert als die Lautstärke einer 40 dB (SPL) reinen 1 kHz Sinuswelle und entspricht 40 Phon. Die Soneeinheiten sind so definiert, dass einer Verdoppelung in Sone eine Verdoppelung der wahrgenommener Lautstärke entspricht. Beispielsweise werden 4 Sone als zweimal so laut wie 2 Sone wahrgenommen. Daher ist es aussagekräftiger, die Lautstärkepegel in Sone anzugeben.
Da Sone eine Maßeinheit der Lautheit eines Audiosignals ist, ist die spezifische Lautheit einfach die Lautheit pro Frequenzeinheit. Deshalb hat die spezifische Lautheit bei Verwendung der Bark-Frequenzskala Einheiten von Sone pro Bark, und bei Verwendung der ERB-Frequenzskala sind die Einheiten Sone pro ERB.
Während des ganzen restlichen Teils dieses Dokuments werden hierin Begriffe wie „Filter" und „Filterbank^„ verwendet, um im Wesentlichen jede Form rekursiven und nichtrekursiven Filterns wie IIR-Filter oder Transformationen einzuschließen, und „gefilterte" Information ist das Ergebnis der Anwendung solcher Filter. Unten beschriebene Ausführungsformen setzen durch IIR-Filter und Transformationen realisierte Filterbänke ein.
Offenbarung der Erfindung
Eine Aufgabe der Erfindung ist es, ein Verfahren zur objektiven Lautheitsmessung bereitzustellen, das genauer an die durch statistische Messung der Lautheit mittels mehrerer menschlicher Zuhörer gewonnen subjektiven Lautheitsergebnisse angepasst werden kann.
Gemäß einem Aspekt der vorliegenden Erfindung umfasst ein Verfahren zur Bearbeitung von Audiosignalen die Erzeugung eines Erregungssignals als Reaktion auf das Audiosignal und die Berechnung der wahrgenommenen Lautstärke des Audiosignals als Reaktion auf das Erregungssignal und eines Maßes für die Charakteristika des Audiosignals, wobei die Berechnung aus einer Gruppe von zwei oder mehr Modellierungsfunktionen der spezifischen Lautheit eine oder eine Kombination von zwei oder mehr der Modellierungsfunktionen der spezifischen Lautheit auswählt, wobei deren Auswahl durch das Maß der Charakteristika des Audioeingangssignals gesteuert wird.
Gemäß weiteren Aspekten der Erfindung werden eine Vorrichtung und ein Computerprogramm geschaffen, wie in Patentanspruch 20 bzw. 21 dargelegt.
In einer Aspekte der Erfindung verwendenden Ausführungsform erfasst ein Verfahren oder eine Vorrichtung zur Signalverarbeitung ein Audioeingangssignal. Das Signal wird durch ein Filter oder eine Filterfunktion, die die Charakteristika des Außenohrs und des Mittelohrs nachbilden, sowie eine Filterbank oder Filterbankfunktion, die das gefilterte Signal in Frequenzbänder aufteilt, die das entlang der Basilarmembran des Innenohrs erzeugte Erregungsmuster nachbilden, linear gefiltert. Für jedes Frequenzband wird die spezifische Lautheit unter Verwendung einer oder mehrerer Funktionen oder Modellen der spezifischen Lautheit berechnet, wobei deren Auswahl durch aus dem Audioeingangssignal gewonnene Eigenschaften oder Merkmale gesteuert wird. Die spezifische Lautheit jedes Frequenzbandes wird zu einem Lautheitsmaß kombiniert, das kennzeichnend für das Breitband-Audioeingangssignal ist. Für irgendeine begrenzte Zeitspanne des Eingangssignals kann ein einzelner Wert des Lautheitsmaßes berechnet werden, oder das Lautheitsmaß kann wiederholt für Zeitintervalle oder Blöcke des Audioeingangssignals berechnet werden.
In einer weiteren, Aspekte der Erfindung verwendenden Ausführungsform erfasst ein Verfahren oder eine Vorrichtung zur Signalverarbeitung ein Audioeingangssignal. Das Signal wird durch ein Filter oder eine Filterfunktion, die die Charakteristika des Außenohrs und des Mittelohrs nachbilden, sowie eine Filterbank oder Filterbankfunktion, die das gefilterte Signal in Frequenzbänder aufteilt, die das entlang der Basilarmembran des Innenohrs erzeugte Erregungsmuster nachbilden, linear gefiltert. Für jedes Frequenzband wird die spezifische Lautheit unter Verwendung einer oder mehrerer Funktionen oder Modellen der spezifischen Lautheit berechnet; deren Auswahl wird durch aus dem Audioeingangssignal gewonnene Eigenschaften oder Merkmale gesteuert. Die spezifische Lautheit jedes Frequenzbandes wird zu einem Lautheitsmaß kombiniert, das kennzeichnend für das Breitband-Audioeingangssignal ist. Das Lautheitsmaß wird mit einem Referenzlautheitswert verglichen, und die Differenz. wird verwendet, um die vorher für die Berechnung der spezifischen Lautheit eingegebenen, in Frequenzbänder aufgeteilten Signale zu skalieren oder deren Verstärkung einzustellen. Die Berechnung der spezifischen Lautheit, die Berechnung der Lautheit und der Vergleich mit der Referenz werden solange wiederholt, bis der Lautheitswert und der Referenzlautheitswert im Wesentlichen gleich sind. Folglich verkörpert die auf die in Frequenzbänder aufgeteilten Signale angewandte Verstärkung diejenige Verstärkung, die, wenn sie auf das Audioeingangssignal angewandt wird, zu einer der Referenzlautheit im Wesentlichen gleichen wahrgenommenen Lautstärke des Audioeingangssignals führt. Für irgendeine begrenzte Zeitspanne des Eingangssignals kann ein einzelner Wert des Lautheitsmaßes berechnet werden, oder das Lautheitsmaß kann wiederholt für Zeitintervalle oder Blöcke des Audioeingangssignals berechnet werden. Eine rekursive Anwendung der Verstärkung ist sowohl wegen der nichtlinearen Natur von wahrgenommener Lautstärke als auch wegen der Struktur des Lautheitsmessprozesses vorzuziehen.
Die verschiedenen Aspekte der vorliegenden Erfindung und ihrer bevorzugten Ausführungsformen können durch Bezugnahme auf die folgende Offenbarung und die begleitenden Zeichnungen, in denen in den verschiedenen Zeichnungen gleiche Bezugszeichen gleiche Bestandteile bezeichnen, besser verstanden werden. Die verschiedene Vorrichtungen und Prozesse darstellenden Zeichnungen zeigen wesentliche Bestandteile, die zum Verständnis der vorliegenden Erfindung hilfreich sind. Um der Klarheit willen lassen die Zeichnungen viele andere Merkmale weg, die in praxisnahen Ausführungsformen wichtig sein können und dem Durchschnittsfachmann bekannt sind, aber zum Verständnis der Konzepte der vorliegenden Erfindung nicht notwendig sind. Die Signalverarbeitung zur Umsetzung der vorliegenden Erfindung kann auf vielfältige Art und Weise ausgeführt werden, einschließlich durch auf Mikroprozessoren, digitalen Signalverarbeitungsprozessoren, Gatteranordnungen und anderen Formen von Rechenschaltkreisen ablaufenden Programmen.
Kurzbeschreibung der Zeichnungen
1 ist ein schematisches Funktionsblockdiagramm einer Ausführungsform eines Aspekts der vorliegenden Erfindung.
2 ist ein schematisches Funktionsblockdiagramm einer Ausführungsform eines weiteren Aspekts der vorliegenden Erfindung.
3 ist ein schematisches Funktionsblockdiagramm einer Ausführungsform eines weiteren Aspekts der vorliegenden Erfindung.
4 ist ein idealisiertes Übertragungsverhalten eines als Übertragungsfilter in einer Ausführungsform der vorliegenden Erfindung geeigneten linearen Filters P(z), in der die vertikale Achse die Dämpfung in Dezibel (dB) und die horizontale Achse die Frequenz als Logarithmus zur Basis 10 in Hertz (Hz) ist.
5 zeigt die Beziehung zwischen der ERB Frequenzskala (vertikale Achse) und der Frequenz in Hertz (horizontale Achse).
6 zeigt einen Satz idealisierter Hörfilter-Übertragungsverhalten, die die Frequenzgruppierung auf der ERB-Skala annähern. Die horizontale Skala ist die Frequenz in Hertz und die vertikale Skala ist der Pegel in Dezibel.
7 zeigt Kurven gleicher Lautstärke aus ISO266. Die horizontale Skala ist die Frequenz in Hertz (Logarithmus zur Basis 10 Skalierung) und die vertikale Skala ist der Schalldruckpegel in Dezibel.
8 zeigt durch das Übertragungsfilter P(z) normalisierte Kurven gleicher Lautstärke aus ISO266. Die horizontale Skala ist die Frequenz in Hertz (Logarithmus zur Basis 10 Skalierung) und die vertikale Skala ist der Schalldruckpegel in Dezibel.
9 (durchgezogene Linien) zeigt grafische Darstellungen von Lautheit sowohl für gleichförmig erregendes Rauschen und einen 1 kHz Sinuston, wobei die durchgezogenen Linien in Übereinstimmung mit einer Ausführungsform der vorliegenden Erfindung sind, in der die Parameter so gewählt sind, dass sie experimentellen Daten nach Zwicker entsprechen (Quadrate und Kreise). Die vertikale Skala ist die Lautheit in Sone (Logarithmus zur Basis 10) und die horizontale Skala ist der Schalldruckpegel in Dezibel.
10 ist ein schematisches Funktionsblockdiagramm einer Ausführungsform eines weiteren Aspekts der vorliegenden Erfindung.
11 ist ein schematisches Funktionsblockdiagramm einer Ausführungsform eines weiteren Aspekts der vorliegenden Erfindung.
12 ist ein schematisches Funktionsblockdiagramm einer Ausführungsform eines anderen Aspekts der vorliegenden Erfindung.
13 ist ein schematisches Funktionsblockdiagramm einer Ausführungsform eines anderen Aspekts der vorliegenden Erfindung.
Verfahren zur Ausführung der Erfindung
Wie unten detaillierter beschrieben, umfasst eine in 1 gezeigte Ausführungsform eines ersten Aspekts der vorliegenden Erfindung eine Steuereinheit oder eine Steuerfunktion der spezifischen Lautheit („Steuerung der spezifischen Lautheit") 124, die Charakteristika eines Audioeingangssignals auswerten und ableiten. Die Audiocharakteristika werden verwendet, um Parameter in einem Wandler der spezifischen Lautheit oder einer Wandlerfunktion der spezifischen Lautheit („spezifische Lautheit") 120 zu steuern. Durch unter Verwendung von Signalcharakteristika eingestellte Parameter der spezifischen Lautheit kann die Methode zur objektiven Lautheitsmessung genauer an die durch statistische Messung der Lautheit mittels mehrerer menschlicher Zuhörer gewonnen subjektiven Lautheitsmesswerte angepasst werden. Die Verwendung von Signalcharakteristika zur Steuerung der Lautheitsparameter kann ebenso das Auftreten von fehlerhaften Messwerten verringern, die eine als für die Zuhörer störend erachtete Signallautheit zur Folge haben.
Wie unten detaillierter beschrieben, fügt eine in 2 gezeigte Ausführungsform eines zweiten Aspekts der vorliegenden Erfindung eine Verstärkungsvorrichtung oder -funktion („iterative Verstärkungsaktualisierung") 233 hinzu, deren Zweck es ist, die Verstärkung des vom Audioeingangssignal abgeleiteten zeitgemittelten Erregungssignals iterativ so lange einzustellen, bis die zugehörige Lautheit bei 223 in 2 der erwünschten Referenzlautheit bei 230 in 2 entspricht. Da die objektive Messung der wahrgenommenen Lautstärke einen von Natur aus nichtlinearen Prozess umfasst, kann zweckmäßigerweise eine iterative Schleife eingesetzt werden, um eine geeignete Verstärkung zu bestimmen, die die Lautheit des Eingangsaudiosignals an den erwünschten Lautheitspegel angleicht. Jedoch würde eine iterative, ein gesamtes Lautheits-Messsystem umschließende Verstärkungsschleife, in der Art, dass die Verstärkungseinstellung für jede Lautheitsiteration auf das originale Audioeingangssignal angewendet wird, wegen der zur genauen Messung der Langzeitlautheit notwendigen Zeitintegration aufwendig zu realisieren sein. Im Allgemeinen erfordert in einer derartigen Anordnung die Zeitintegration für jede Veränderung der Verstärkung in der Iteration eine neue Berechnung. Wie weiter unten erklärt, kann jedoch in den Aspekten der Erfindung, die in den Ausführungsformen in 2 und auch in 3 und 10–12 gezeigt sind, die Zeitintegration in linearen Verarbeitungspfaden durchgeführt werden, die dem nichtlinearen, einen Teil der iterativen Verstärkungsschleife bildenden Prozess vorausgehen und/oder folgen. Lineare Verarbeitungspfade müssen nicht einen Teil der iterativen Schleife bilden. Daher kann, beispielsweise in der Ausführungsform von 2, der Lautheitsmesspfad vom Eingang 201 bis zu einem Wandler der spezifischen Lautheit oder einer Wandlerfunktion der spezifischen Lautheit („spezifische Lautheit") 220 die Zeitintegration in der Zeitmittelungsfunktion („Zeitmittelung") 206 enthalten und linear sein. Folglich brauchen die Verstärkungsiterationen nur auf eine verkleinerte Menge von Lautheitsmessvorrichtungen oder -funktionen angewendet werden und müssen keine Zeitintegration beinhalten. In der Ausführungsform aus 2 sind das Übertragungsfilter oder die Übertragungsfilterfunktion („Übertragungsfilter") 202, die Filterbank oder die Filterbankfunktion („Filterbank") 204, der Zeitmittelungsbilder oder die Zeitmittelungsfunktion („Zeitmittelung") 206 und die Steuereinheit der spezifischen Lautheit oder die Steuerfunktion der spezifischen Lautheit („Steuerung der spezifischen Lautheit") 224 nicht Teil der iterativen Schleife, was die Realisierung der iterativen Verstärkungssteuerung durch effiziente und genaue Echtzeitsysteme erlaubt.
Wieder auf 1 bezugnehmend wird ein Funktionsblockdiagramm einer Ausführungsform des Lautheitsmessgeräts oder Lautheitsmessprozesses 100 gemäß einem ersten Aspekt der vorliegenden Erfindung gezeigt. Ein Audiosignal, dessen Lautheitsmaß bestimmt werden soll, wird an einen Eingang 101 des Lautheitsmessgerätes oder Lautheitsmessprozesses 100 angelegt. Der Eingang wird an zwei Pfade angelegt – einen ersten (Haupt-)Pfad, der die spezifische Lautheit in jedem einer Vielzahl von Frequenzbändern berechnet, die diejenigen Erregungsmuster nachbildet, die entlang der Basilarmembran des Innenohrs gebildet werden, und einen zweiten (Neben-)Pfad mit einer Steuereinheit der spezifischen Lautheit, die die im Hauptpfad eingesetzten Funktionen oder Modelle der spezifischen Lautheit auswählt.
In einer bevorzugten Ausführungsform wird die Audioverarbeitung digital durchgeführt. Entsprechend wird das Audioeingangssignal durch die diskrete Zeitfolge x[n] bezeichnet, die von der Audioquelle mit irgendeiner Abtastfrequenz f_s abgetastet wurde. Es wird vorausgesetzt, dass die Folge x[n] geeignet skaliert ist, so dass die durch
bestimmte Effektivleistung von x[n] in dB dem Schalldruckpegel in dB entspricht, bei dem das Audio einem menschlichen Zuhörer vorgespielt wird. Zusätzlich wird der Einfachheit der Erklärung wegen angenommen, dass das Audiosignal monophon ist. In einer später beschriebenen Art und Weise kann jedoch die Ausführungsform an Multikanal-Audio angepasst werden.
Übertragungsfilter 102
Im Hauptpfad wird das Audioeingangssignal an ein Übertragungsfilter oder eine Übertragungsfilterfunktion („Übertragungsfilter") 102 angelegt, deren Ausgabe eine gefilterte Version des Audiosignals ist. Das Übertragungsfilter 102 bildet durch die Anwendung des linearen Filters P(z) die Wirkung der Audioübertragung durch das Außen- und Mittelohr nach. Wie in 4 gezeigt, ist der Betrag einer geeigneten Übertragungsfunktion von P(z) unter 1 kHz Eins und über 1 kHz folgt die Übertragungsfunktion dem Inversen der im ISO226 Standard angegebenen Ruhehörschwelle, wobei die Schwelle so normalisiert ist, dass sie bei 1 kHz gleich Eins ist. Durch Anwendung des Übertragungsfilters ähnelt das vom Lautheitsmessprozess verarbeitete Audio mehr dem vom menschlichen Gehör wahrgenommenen Audio und verbessert dadurch das objektive Lautheitsmaß. Daher ist die Ausgabe des Übertragungsfilters 102 eine frequenzabhängig skalierte Version der Zeitbereichs-Audioeingangsabtastwerte x[n].
Filterbank 104
Das gefilterte Audiosignal wird an eine Filterbank oder Filterbankfunktion (_"Filterbank") 104 (1) angelegt. Die Filterbank 104 ist dafür ausgelegt, das entlang der Basilarmembran des Innenohrs erzeugte Erregungsmuster nachzubilden. Die Filterbank 104 kann einen Satz an linearen Filtern umfassen, deren Bandbreite und Rastermaß auf der äquivalenten rechteckigen Filterbandbreiten (ERB)-Frequenzskala, wie von Moore, Glasberg and Baer (B. C. J. Moore, B. Glasberg, T. Baer, "A Model for the Prediction of Thresholds, Loudness, and Partial Loudness," supra) definiert, konstant sind.
Obwohl die ERB-Frequenzskala besser der menschlichen Wahrnehmung angepasst ist und bei der Erzeugung von den subjektiven Lautheitsergebnissen angepassten objektiven Lautheitsmessungen bessere Ergebnisse aufweist, kann mit verringerter Leistung die Bark-Frequenzskala eingesetzt werden.
Für eine Mittenfrequenz f in Hertz kann die Breite eines ERB-Bandes in Hertz so angenähert werden: ERB(f) = 24,7(4,37f/1000 + 1) (1)
Durch diese Beziehung wird eine verzerrte Frequenzskala derart definiert, dass an jedem Punkt entlang der verzerrten Skala die zugehörige ERB in Einheiten der verzerrten Skala gleich Eins ist. Die Funktion zur Umwandlung der linearen Frequenz in Hertz in diese ERB-Frequenzskala erhält man durch Integration des Kehrwertes von Gleichung 1:
Es ist auch zweckdienlich, die Abbildung von der ERB-Skala zurück in die lineare Frequenzskala durch Auflösen der Gleichung 2a nach f auszudrücken:
wobei e in Einheiten der ERB-Skala ist. 5 zeigt die Beziehung zwischen der ERB-Skala und der Frequenz in Hertz.
Die Übertragungsfunktion der Hörfilter für die Filterbank 104 kann durch Verwendung üblicher IIR-Filter beschrieben und realisiert werden. Im Speziellen können die in der Filterbank 104 realisierten einzelnen Hörfilter bei Mittenfrequenz f_c in Hertz durch die IIR-Übertragungsfunktion zwölfter Ordnung bestimmt werden:
Bw = min{1,55ERB(fc),0,5fc}, (4c) fB = min{ERBscale–1(ERBscale(fc) + 5,25), fs/2}, (4d) rB = 0,985, (4e)f_s die Abtastfrequenz in Hertz ist, und G ein normalisierender Faktor ist, um sicherzustellen, dass jedes Filter beim Maximum seiner Übertragungsfunktion den Verstärkungsfaktor Eins hat; derart gewählt, dass
Die Filterbank 104 kann M derartiger als Bänder bezeichneter Hörfilter auf in gleichen Abständen auf der ERB-Skala angeordneten Mittenfrequenzen f_c[1]...f_c[M] enthalten. Im Speziellen, fc[1] = fmin (5a) fc[m] = fc[m – 1] + ERBToHz(HzToERB(fc[m – 1]) + Δ) m = 2...M (5b) fc[M] < fmax, (5c)wobei Δ das gewünschte ERB-Rastermaß der Filterbank 104 ist und wobei f_min und f_max die gewünschten minimalen beziehungsweise maximalen Mittenfrequenzen sind. Man kann Δ = 1 wählen und man kann, den Frequenzbereich berücksichtigend, in dem das menschliche Gehör empfindlich ist, f_min = 50Hz und f_max = 20,000Hz festlegen. Mit derartigen Parametern liefert beispielsweise die Anwendung der Gleichungen 6a–c M = 40 Hörfilter. Die Amplitudengänge derartiger M Hörfilter, die die Frequenzgruppierung auf der ERB-Skala annähern, sind in 6 gezeigt.
Alternativ können die Filteroperationen hinreichend durch unter Verwendung einer gewöhnlich als Kurzzeit-Diskrete-Fouriertransformation (STDFT) bezeichneten diskreten Fouriertransformation endlicher Länge angenähert werden, da von einer die Filter auf der Abtastrate des Audiosignals ausführenden, als Vollraten-Realisierung bezeichneten Realisierung angenommen wird, dass sie eine größere Zeitauflösung bereitstellt als für genaue Lautheitsmessungen nötig ist. Durch Verwendung von STDFT anstelle einer Vollraten-Realisierung kann eine Verbesserung der Effizienz und eine Verringerung der Rechenkomplexität erreicht werden.
Die STDFT des Audioeingangssignals ist bestimmt als:
wobei k der Frequenzindex ist, t der Blockindex ist, N die DFT-Größe ist, T die Sprungweite ist, und w[n] ein Fenster der Länge N ist, das so normalisiert ist, dass
Man beachte, dass die Variable t in Gleichung 6, im Gegensatz zu einem Maß der Zeit in Sekunden, ein diskreter, den Zeitblock der STDFT darstellender Index ist. Jedes Inkrement von t stellt einen Sprung von T Abtastwerten entlang des Signals x[n] dar. Folgende Bezüge auf den Index t übernehmen diese Definition. Während abhängig von den Details der Realisierung unterschiedliche Parametereinstellungen und Fensterformen verwendet werden können, führt N = 4096, T = 2048 und wenn w[n] ein Hanning-Fenster ist, für f_s = 44100Hz zu hervorragenden Ergebnissen. Die oben beschriebene STDFT kann durch Verwendung der schnellen Fourier-Transformation (FFT) effizienter sein.
Um die Lautheit des Audioeingangssignals zu berechnen, ist ein Maß der Audiosignalenergie in jedem Filter der Filterbank 104 nötig. Die Kurzzeit-Energieausgabe jedes Filters in Filterbank 104 kann durch Multiplikation von Filterübertragungsfunktionen in der Frequenzdomäne mit dem Leistungsspektrum des Eingabesignals angenähert werden:
wobei m die Bandnummer ist, t die Blocknummer ist, und P das Übertragungsfilter ist. Es sei beachtet, dass andere als in Gleichung 3 angegebene Formen des Amplitudengangs der Hörfilter in Gleichung 8 verwendet werden können, um ähnliche Ergebnisse zu erzielen. Beispielsweise schlagen Moore und Glasberg eine durch eine Exponentialfunktion beschriebene Filterform vor, die Ähnliches wie Gleichung 3 leistet. Zusätzlich kann man, mit einer kleinen Abnahme der Leistungsfähigkeit, jedes Filter durch einen „Brick-Wall" Bandpass mit der Bandbreite von einem ERB annähern, und als eine weitere Näherung kann das Übertragungsfilter P aus der Summe herausgezogen werden. In diesem Fall vereinfacht sich Gleichung 8 zu
k1 = round(ERBToHz(HzToERB(fc[m]) – 1/2)N/fs) (9b) k2 = round(ERBToHz(HzToERB(fc[m]) + 1/2)N/fs) (9c)
Daher ist die Erregungsausgabe der Filterbank 104 eine Darstellung der Energie E in den jeweiligen ERB-Bändern m je Zeitperiode t im Frequenzbereich.
Mehrkanal
Für den Fall eines in einem Mehrkanal-Format vorliegenden Audioeingangssignals, das über mehrere Lautsprecher, einen für jeden Kanal, vorzuspielen ist, kann zuerst die Erregung für jeden Einzelkanal wie oben beschrieben berechnet werden. Um daran anschließend die wahrgenommene Lautstärke aller Kanäle in Kombination zu berechnen, können die Einzelerregungen zu einer einzelnen Erregung aufsummiert werden, um die die Ohren des Zuhörers erreichende Erregung anzunähern. Die gesamte folgende Weiterverarbeitung wird dann mit dieser einzelnen, aufsummierten Erregung durchgeführt.
Zeitmittelung 106
Die Psychoakustik-Forschung und subjektive Lautheitstests legen nahe, dass beim Vergleich der Lautheit verschiedener Audiosignale die Zuhörer irgendeine Art von Zeitintegration der Kurzzeit- oder „Augenblicks-"Signallautheit durchführen, um zu einem im Vergleich verwendeten Wert der wahrgenommenen Langzeitlautstärke zu gelangen. Bei der Erstellung eines Modells der Lautstärkewahrnehmung haben andere vorgeschlagen, dass diese Zeitintegration durchgeführt wird, nachdem die Erregung nichtlinear in die spezifische Lautheit umgewandelt wurde. Jedoch haben die vorliegenden Erfinder festgestellt, dass diese Zeitintegration durch Anwendung von linearer Glättung auf die Erregung vor der Umwandlung in spezifische Lautheit angemessen modelliert werden kann. Durch Durchführung der Glättung vor der Berechnung der spezifischen Lautheit wird gemäß einem Aspekt der vorliegenden Erfindung ein wesentlicher Vorteil verwirklicht, wenn die Verstärkung berechnet wird, die auf ein Signal angewendet werden muss, um seine gemessene Lautheit in einer vorgeschriebenen Art und Weise einzustellen. Wie weiter unten erklärt, kann die Verstärkung durch Verwendung einer iterativen Schleife berechnet werden, die nicht nur die Berechnung der Erregung, sondern vorzugsweise auch eine derartige Zeitintegration ausschließt. Auf diese Art und Weise kann die iterative Schleife die Verstärkung durch Berechnungen bilden, die nur vom aktuellen Zeitrahmen, für den die Verstärkung berechnet wird, abhängen, im Gegensatz zu Berechnungen, die von der gesamten Zeitstrecke der Zeitintegration abhängen. Das Ergebnis ist eine Einsparung sowohl in Abarbeitungszeit als auch in Speicher. Ausführungsformen, die eine Verstärkung unter Verwendung einer iterativen Schleife berechnen, schließen diejenigen ein, die unten in Zusammenhang mit den 2, 3 und 10–12 beschrieben werden.
Zurückkehrend zur Beschreibung von 1 kann die lineare Glättung der Erregung auf verschiedene Art und Weise realisiert werden. Beispielsweise kann die Glättung rekursiv unter Verwendung einer Zeitmittelungsvorrichtung oder -funktion („Zeitmittelung") 106 durchgeführt werden, die die folgenden Gleichungen anwenden:
wobei die Anfangsbedingungen E ~[m, – 1] = 0 und σ ~[m, – 1] = 0 sind. Ein spezifisches Merkmal des Glättungsfilters ist, dass durch Veränderung des Glättungsparameter λ_m die geglättete Energie E ~[m, t] vom echten Zeitmittel von E[m, t] bis zu einem Fading-Memory-Mittel von E[m, t] reicht. Für λ_m = 1 kann man dann aus (10b) ersehen, dass σ ~[m, t] = t, und dass dann E ~[m, t] für Zeitblöcke von 0 bis t gleich dem echten Zeitmittel von E[m, t] ist. Für 0 ≤ λ_m < 1 gilt σ ~[m, t] → 1/(1 – λm) für t → ∞ und E ~[m, t] ist einfach das Ergebnis der Anwendung eines einpoligen Glätters auf E[m, t]. Für den Anwendungsfall, bei dem eine einzige, die Langzeitlautheit eines Audiosignals endlicher Länge beschreibende Zahl gewünscht wird, kann man λ_m = 1 für alle m setzen. Für einen Echtzeitanwendungsfall, bei dem man die sich über die Zeit verändernde Langzeitlautheit eines fortdauernden Audiostroms in Echtzeit verfolgen möchte, kann man 0 ≤ λ_m < 1 festlegen und λ_m für alle m auf denselben Wert einstellen.
In der Berechnung der Zeitmittelung von E[m, t] kann es wünschenswert sein, als „zu leise" erachtete und nicht zur wahrgenommenen Lautstärke beitragenden Kurzzeitsegmente wegzulassen. Um dies zu erreichen, kann ein zweiter, mit einem Schwellwert versehener Glätter parallel zum Glätter in Gleichung 10 betrieben werden. Dieser zweite Glätter halt seinen augenblicklichen Wert, wenn E[m, t] klein im Verhältnis zu E ~[m, t] ist:
wobei tdB die in Dezibel vorgegebene relative Schwelle ist. Obwohl es nicht entscheidend für die Erfindung ist, wurde festgestellt, dass ein Wert von tdB = –24 gute Ergebnisse liefert. Falls kein zweiter Glätter parallel betrieben wird, dann gilt E[m, t] = E ~[m, t].
Spezifische Lautheit 120
Es bleibt, die in Bänder aufgeteilte, zeitgemittelte Erregungsenergie E[m, t] in ein einziges Maß der Lautheit in Wahrnehmungseinheiten, in diesem Fall Sone, umzuwandeln. Im Wandler der spezifischen Lautheit oder in der Wandlerfunktion der spezifischen Lautheit (_"Spezifische Lautheit") 120 wird jedes Band der Erregung in einen Wert der spezifischen Lautheit, die in Sone pro ERB gemessen wird, umgewandelt. Im Lautheitskombinierer oder in der Lautheitskombinier-Funktion („Lautheit") 122 können die Werte der spezifischen Lautheit zur Bildung der gesamten wahrgenommenen Lautstärke über die Bänder integriert oder summiert werden.
Steuerung der spezifischen Lautheit 124/Spezifische Lautheit 120
Mehrere Modelle
In einem Aspekt benutzt die vorliegende Erfindung in Block 120 eine Vielzahl von Modellen zur Umwandlung der in Bändern aufgeteilten Erregung zu in Bändern aufgeteilter spezifischen Lautheit. Die vom Audioeingangssignal mittels der Steuerung der spezifischen Lautheit 124 im Seitenpfad abgeleitete Steuerinformation wählt ein Modell aus oder steuert das Ausmaß, zu dem ein Modell zur spezifischen Lautheit beiträgt. In Block 124 werden bestimmte Eigenschaften oder Charakteristika aus dem Audio gewonnen, die zur Auswahl eines oder mehrerer Modelle der spezifischen Lautheit aus den zur Verfügung stehenden nützlich sind. Die Steuersignale, die angeben, welches Modell benutzt werden soll oder welche Kombinationen von Modellen benutzt werden sollen, werden aus den gewonnenen Eigenschaften oder Charakteristika erzeugt. Wo es erwünscht sein kann, mehr als ein Modell zu verwenden, kann die Steuerinformation auch angeben, wie derartige Modelle kombiniert werden sollen.
Beispielsweise kann die spezifische Lautheit je Band N'[m, t] als lineare Kombination der spezifischen Lautheit je Band für jedes Modell N'_q[m, t] ausgedrückt werden als:
wobei Q die Gesamtzahl der Modelle angibt und die Steuerinformation α_q[m, t] die Gewichtung oder den Beitrag jedes Modells darstellt. Die Summe aller Gewichtungen kann abhängig von den verwendeten Modellen gleich oder ungleich Eins sein.
Obwohl die Erfindung nicht auf sie beschränkt ist, sind zwei Modelle entdeckt worden, die zu genauen Ergebnissen führen. Ein Modell arbeitet am besten, wenn das Audiosignal als schmalbandig charakterisiert ist und das andere arbeitet am Besten, wenn das Audiosignal als breitbandig charakterisiert ist.
Zunächst kann in der Berechnung der spezifischen Lautheit der Erregungspegel in jedem Band E[m, t] in einen äquivalenten Erregungspegel bei 1 kHz, wie durch die durch das Übertragungsfilter P(z) (8) normalisierten Kurven gleicher Lautstärke von ISO266 (7) festgelegt, umgewandelt werden: E 1kHz[m, t] = L1kHz(E[m, t], fc[m]), (13)wobei L_1kHz(E, f) eine Funktion ist, die den Pegel bei 1 kHz bildet, der gleich laut wie der Pegel E bei Frequenz f ist. In der Praxis ist L_1kHz(E, f) als eine Interpolation einer Nachschlagetabelle der durch das Übertragungsfilter normalisierten Kurven gleicher Lautstärke realisiert. Die Umwandlung in äquivalente Pegel bei 1 kHz vereinfacht die folgende Berechnung der spezifischen Lautheit.
Als nächstes kann die spezifische Lautheit in jedem Band berechnet werden als: N'[m, t] = α[m, t]N'NB[m, t] + (1 – α[m, t])N'WB[m, t], (14)wobei N'_NB[m, t] und N'_WB[m, t] Werte der spezifischen Lautheit sind, die auf einem Schmalbandmodell beziehungsweise einem Breitbandmodell basieren. Der Wert α[m, t] ist ein zwischen 0 und 1 liegender, aus dem Audiosignal berechneter Interpolationsfaktor, dessen Details unten beschrieben werden.
Die Werte der schmalbandigen und breitbandigen spezifischen Lautheit N'_NB[m, t] und N'_WB[m, t] können aus der in Bänder aufgeteilten Erregung mittels der Exponentialfunktionen geschätzt werden:
wobei TQ_1kHz der Erregungspegel bei der Ruhehörschwelle für einen 1 kHz Ton ist. Aus den Kurven gleicher Lautstärke (7 und 8) ergibt sich, dass TQ_1kHz gleich 4,2 dB ist. Man beachte, dass diese beiden Funktionen der spezifischen Lautheit gleich Null sind, wenn die Erregung gleich der Ruhehörschwelle ist. Für Erregungen, die größer als die Ruhehörschwelle sind, wachsen beide Funktionen monoton mit einem Potenzgesetz in Übereinstimmung mit Stevens' Gesetz der Intensitätsempfindung. Der Exponent für die Schmalband-Funktion wird größer als der der Breitband-Funktion gewählt, was die Schmalband-Funktion schneller als die Breitband-Funktion wachsen lässt. Die genaue Wahl der Exponenten β und der Verstärkungen G für die Schmalband- und Breitbandfälle wird weiter unten behandelt.
Lautheit 122
Lautheit 122 nutzt die in Bänder aufgeteilte spezifische Lautheit von Spezifische Lautheit 120, um ein einzelnes Lautheitsmaß für das Audiosignal zu erstellen, und zwar eine Ausgabe an Anschluss 123, die ein Lautheitswert in Wahrnehmungseinheiten ist. Das Lautheitsmaß kann beliebige Einheiten haben, solange der Vergleich von Lautheitswerten für verschiedene Audiosignale anzeigt, welches lauter und welches leiser ist.
Die gesamte, in Sone-Einheiten ausgedrückte Lautheit kann als die Summe der spezifischen Lautheiten über alle Frequenzbänder berechnet werden.
wobei Δ das in Gleichung 6b festgelegte ERB-Rastermaß ist. Die Parameter G_NB und β_NB in Gleichung 15a werden so gewählt, dass, wenn α[m, t] = 1, ein Diagramm von S in Sone gegenüber SPL für einen 1 kHz Ton im Wesentlichen den entsprechenden durch Zwicker vorgelegten Versuchsdaten (die Kreise in 9) entspricht (Zwicker, H. Fastl, "Psychoacoustics – Facts and Models," supra). Die Parameter G_WB und β_WB in Gleichung 15b werden so gewählt, dass, wenn α[m, t] = 0, ein Diagramm von N in Sone gegenüber SPL für gleichförmiges Erregungsrauschen (Rauschen mit gleicher Leistung in jedem ERB) im Wesentlichen den entsprechenden Ergebnissen (die Quadrate in 9) von Zwicker entspricht. Eine Least-Squares-Anpassung an Zwicker's Daten ergibt: GNB = 0,0404 (17a) βNB = 0,279 (17b) GWB = 0,058 (17c) βNB = 0,212 (17d)
9 (durchgezogene Linien) zeigt Diagramme der Lautheit sowohl für gleichförmiges Erregungsrauschen als auch einen 1 kHz Ton.
Steuerung der spezifischen Lautheit 124
Wie vorher angemerkt werden in einer praxisnahen Ausführungsform zwei Modelle der spezifischen Lautheit verwendet (Gleichungen 15a und 15b), eines für Schmalband- und eines für Breitband-Signale. Die Steuerung der spezifischen Lautheit 124 im Seitenpfad berechnet ein Maß, α[m, t], des Ausmaßes, zu dem ein Eingangssignal in jedem Band entweder schmalbandig oder breitbandig ist. Im Allgemeinen sollte α[m, t] gleich Eins sein, wenn das Signal nahe der Mittenfrequenz f_c[m] eines Bandes schmalbandig ist, und Null sein, wenn das Signal nahe der Mittenfrequenz f_c[m] eines Bandes breitbandig ist. Die Steuerung sollte für sich ändernde Mischungen derartiger Eigenschaften fortlaufend zwischen den beiden Extremen schwanken. Als eine Vereinfachung kann die Steuerung α[m, t] über alle Bänder als fest gewählt werden, wobei in diesem Fall α[m, t] im Folgenden unter Weglassen des Bandindex m als α[t] bezeichnet wird. Die Steuerung α[t] stellt dann ein Maß dafür da, wie schmalbandig ein Signal über alle Bänder ist. Obwohl ein geeignetes Verfahren zur Bildung einer derartigen Steuerung als nächstes beschrieben wird, ist das spezielle Verfahren nicht entscheidend, und es können andere geeignete Verfahren eingesetzt werden.
Die Steuerung α[t] kann eher aus der Erregung E[m, t] am Ausgang der Filterbank 104 berechnet werden, als durch irgendeine andere Verarbeitung des Signals x[n]. E[m, t] kann eine geeignete Referenz bilden, aus der die „Schmalbandigkeit" und „Breitbandigkeit" von x[n] gemessen wird, und als ein Ergebnis kann α[t] mit wenig zusätzlicher Berechnung gebildet werden.
"Spektrale Flachheit" ist eine Eigenschaft von E[m, t], aus der α[t] berechnet werden kann. Spektrale Flachheit, wie von Jayant und Noll definiert (N. S. Jayant, P. Noll, Digital Coding Of Waveforms, Prentice Hall, New Jersey, 1984), ist das Verhältnis des geometrischen Mittels zum arithmetischen Mittel, wobei das Mittel über die Frequenz gebildet wird (Index m im Fall von E[m, t]). Wenn E[m, t] über m konstant ist, ist das geometrische Mittel gleich dem arithmetischen Mittel, und die spektrale Flachheit ist gleich Eins. Dies entspricht dem Breitbandfall. Falls sich E[m, t] über m deutlich ändert, ist das geometrische Mittel deutlich kleiner als das arithmetische Mittel, und die spektrale Flachheit nähert sich Null an. Dies entspricht dem Schmalbandfall. Speziell kann man Eins minus eine modifizierte spektrale Flachheit von E[m, t] berechnen:
wobei P[m] gleich der mit der Frequenz ω = 2πf_c[m]/f_s abgetasteten Übertragungsfunktion des Übertragungsfilters P(z) ist. Eine Normalisierung von E[m, t] durch das Übertragungsfilter kann bessere Ergebnisse liefern, da das Übertragungsfilter einen tendenziell das „Schmalbandigkeitsmaß" hochtreibenden „Höcker" in E[m, t] einbringt. Zusätzlich kann die Berechnung der spektralen Flachheit über eine Untermenge der Bänder von E[m, t] bessere Ergebnisse liefern. Die unteren und oberen Grenzen der Summation in Gleichung 18, M_l[t] und M_u[t], legen einen Bereich fest, der kleiner sein kann als der Bereich aller M Bänder. Es ist erstrebenswert, dass M_l[t] und M_u[t] den Teil von E[m, t] einschließen, der den Großteil ihrer Energie enthält, und dass der durch M_l[t] und M_u[t] festgelegte Bereich nicht mehr als 24 Einheiten auf der ERB-Skala groß ist. Genauer (und sich daran erinnernd, dass f_c[m] die Mittenfrequenz des Bandes m in Hz ist) wünscht man sich: HzToERB(fc[Mu[t]]) – HzToERB(fc[Ml[t]]) ≌ 24 (19a)und man fordert: HzToERB(fc[Mu[t]]) ≥ CT[t] ≥ HzToERB(fc[Ml[t]]) (19b) HzToERB(fc[Ml[t]]) ≥ HzToERB(fc[1]) (19c) HzToERB(fc[Mu[t]]) ≤ HzToERB(fc[M]), (19d)wobei CT[t] der auf der ERB-Skala gemessene spektrale Schwerpunkt von E[m, t] ist:
Idealerweise sind die Grenzen der Summation, M_l[t] und M_u[t], um CT[t] zentriert, wenn sie auf der ERB-Skala gemessen ist, aber dies ist, wenn CT[t] nahe den oberen oder unteren Grenzen ihres Bereichs ist, nicht immer möglich.
Als nächstes kann NB[t] über die Zeit in einer zu Gleichung 11a analogen Art und Weise geglättet werden:
wobei σ[t] gleich dem in Gleichung 11b definierten Maximum von σ[m, t] über alle m ist. Zuletzt wird α[t] aus NB[t] wie folgt berechnet:
wobei Φ{x} = 12,2568x3 – 22,8320x2 + 14,5869x – 2,9594 (21b)
Obwohl die genaue Form von Φ{x} nicht entscheidend ist, kann das Polynom in Gleichung 21b durch Optimierung von α[t] an der subjektiv gemessenen Lautheit einer großen Auswahl von Audiomaterial gefunden werden.
2 zeigt ein Funktionsblockdiagramm einer Ausführungsform eines Lautheitsmessgerätes oder Lautheitsmessprozesses 200 gemäß einem zweiten Aspekt der vorliegenden Erfindung. Vorrichtungen oder Funktionen 202, 204 206, 220, 222, 223 und 224 aus 2 entsprechen den jeweiligen Vorrichtungen oder Funktionen 102, 104, 106, 120, 122, 123 und 124 aus 1.
Gemäß einem ersten Aspekt der Erfindung, von dem 1 eine Ausführungsform zeigt, bilden das Lautheitsmessgerät oder die -berechnung einen Lautheitswert in Wahrnehmungseinheiten. Um die Lautheit des Eingangssignals einzustellen, ist eine Verstärkung G[t] ein brauchbares Maß, das, wenn es mit dem Eingangssignal x[n] multipliziert wird (wie beispielsweise in der unten beschriebenen Ausführungsform von 3), seine Lautheit gleich dem Referenzlautheitspegel S_ref macht. Die Referenzlautheit S_ref kann willkürlich festgelegt werden oder durch eine andere, gemäß dem ersten Aspekt der Erfindung arbeitende Vorrichtung oder einen Prozess aus irgendeinem „bekannten" Referenzaudiosignal gemessen werden. Wenn Ψ{x[n], t} die Darstellung aller zur Bildung der Lautheit S[t] auf dem Signal x[n] durchgeführten Berechnungen ist, so will man G[t] derart finden, dass Sref = S[t] = Ψ{G[t]x[n], t} (23)
Da ein Teil der in Ψ{·} enthaltenen Verarbeitung nichtlinear ist, existiert keine geschlossene Lösung für G[t], weshalb stattdessen eine iterative Methode zur Ermittlung einer Näherungslösung verwendet werden kann. In jeder Iteration i des Prozesses sei G_i die Darstellung der aktuellen Schätzung von G[t]. In jeder Iteration wird G_i so aktualisiert, dass die absolute Abweichung von der Referenzlautheit abnimmt: Sref – Ψ{Gix[n], t}|<|Sref – Ψ{Gi-1x[n], t}| (24)
Es gibt viele geeignete Methoden zur Aktualisierung von G_i, um die obige Abnahme der Abweichung zu erreichen. Eine derartige Methode ist der Gradientenabstieg (siehe Nonlinear Programming von Dimitri P. Bertseakas, Athena Scientific, Belmont, MA 1995), in dem G_i um einen der Abweichung bei der letzten Iteration proportionalen Betrag aktualisiert wird: Gi = Gi-1 + μ(Sref – Ψ{Gi-1x[n], t}), (25)wobei μ die Schrittweite der Iteration ist. Die obige Iteration geht weiter, bis die absolute Abweichung unter einer gewissen Schwelle ist, bis die Zahl der Iterationen eine gewisse, vorher festgelegte Grenze erreicht hat oder bis eine festgelegte Zeit überschritten ist. An diesem Punkt wird G[t] gleich G_i gesetzt.
Auf die Gleichungen 6–8 zurückverweisend stellt man fest, dass die Erregung des Signals x[n] durch lineare Operationen am Quadrat des STDFT-Betrags des Signals, |X[k, t]|², gewonnen wird. Es ergibt sich, dass die sich aus einem in der Verstärkung geänderten Signal Gx[n] ergebende Erregung gleich der mit G² multiplizierten Erregung von x[n] ist. Weiterhin kann die zur Schätzung der wahrgenommenen Langzeitlautstärke benötigte Zeitintegration durch lineare Zeitmittelung der Erregung durchgeführt werden, und daher ist die sich auf Gx[n] beziehende zeitgemittelte Erregung gleich der mit G² multiplizierten zeitgemittelten Erregung von x[n]. Als Ergebnis muss die Zeitmittelung nicht für jede Neuberechnung von Ψ{G_ix[n], t} im oben beschriebenen iterativen Prozess über die gesamte Vergangenheit des Eingangssignals neu ausgerechnet werden. Stattdessen kann die zeitgemittelte Erregung E[m, t] einmalig aus x[n] berechnet werden, und in der Iteration können die aktualisierten Lautheitswerte durch Anwendung des Quadrates der aktualisierten Verstärkung direkt auf E[m, t] berechnet werden. Wenn genauer ΨE{E[m, t]} die Darstellung aller der zur Errechnung von S[t] auf der zeitgemittelten Erregung E[m, t] durchgeführten Verarbeitung ist, so gilt für eine allgemeine multiplikative Verstärkung G die folgende Beziehung: ΨE{G2 E[m, t]} = Ψ{Gx[n], t} (26)
Unter Benutzung dieser Beziehung kann das iterative Verfahren durch Ersetzen von Ψ{G_ix[n], t} durch ΨE{G2i E[m, t]} vereinfacht werden. Diese Vereinfachung wäre nicht möglich, wenn die zur Schätzung der wahrgenommenen Langzeitlautstärke notwendige Zeitintegration nach der nichtlinearen Umformung zu spezifischer Lautheit durchgeführt worden wäre.
Der iterative Prozess zur Berechnung von G[t] ist in 2 dargestellt. Die Lautheitsausgabe S[t] an Anschluss 223 kann in einem subtrahierenden Kombinierer oder einer Kombinierfunktion 231 von der Referenzlautheit S_ref Anschluss 230 subtrahiert werden. Das sich ergebende Fehlersignal 232 wird in den iterativen Verstärkungsaktualisierer oder in die iterative Aktualisierungsfunktion („Iterative Verstärkungsaktualisierung") 233 eingegeben, die in der Iteration die nächste Verstärkung G_i bilden. Das Quadrat dieser Verstärkung, G2i , wird dann an Ausgang 234 zum multiplizierenden Kombinierer 208 rückgekoppelt, wo G2i mit dem zeitgemittelten Erregungssignal aus Block 206 multipliziert wird. Der nächste Wert von S[t] in der Iteration wird dann aus dieser in der Verstärkung veränderten Version der zeitgemittelten Erregung durch die Blöcke 220 und 222 berechnet. Die beschriebene Schleife wiederholt sich bis die Abbruchbedingungen erfüllt sind, wobei zu diesem Zeitpunkt die Verstärkung G[t] am Anschluss 235 gleich dem aktuellen Wert von G_i gesetzt wird. Der Endwert G[t] kann durch den beschriebenen Prozess beispielsweise für jeden FFT-Rahmen t oder nur einmal am Ende eines Audiosegments, nachdem die Erregung über die gesamte Länge dieses Segments gemittelt wurde, berechnet werden.
Wenn man wünscht, die nicht in der Verstärkung veränderte Signallautheit zusammen mit diesem iterativen Prozess zu berechnen, kann die Verstärkung G_i zu Beginn jedes iterativen Prozesses für jede Zeitperiode t zu Eins initialisiert werden. Auf diese Weise stellt der erste in der Schleife berechnete Wert von S[t] die originale Signallautheit dar und kann als solcher gespeichert werden. Wenn man jedoch diesen Wert nicht speichern will, kann G_i mit jedem Wert initialisiert werden. Falls G[t] über mehrere aufeinanderfolgende Zeitrahmen berechnet wird und man die Speicherung der originalen Signallautstärke nicht wünscht, kann es erstrebenswert sein, G_i mit dem Wert von G[t] aus der vorhergehenden Zeitperiode zu initialisieren. Sofern sich das Signal gegenüber der vorherigen Zeitperiode nicht wesentlich geändert hat, ist es auf diese Weise wahrscheinlich, dass der Wert G[t] im Wesentlichen der Gleiche geblieben ist. Daher werden nur wenige Iterationen benötigt werden, um zum korrekten Wert zu konvergieren.
Sobald die Iterationen abgeschlossen sind, stellt G[t] die auf das Audioeingangssignal bei 201 durch irgendeine externe Vorrichtung derart anzuwendende Verstärkung dar, dass die Lautheit des modifizierten Signals der Referenzlautheit entspricht. 3 zeigt eine geeignete Anordnung, in der die Verstärkung G[t] aus der iterativen Verstärkungsaktualisierung 233 an einen Steuereingang einer Signalpegel-Steuervorrichtung oder -funktion, wie zum Beispiel einen spannungsgesteuerten Verstärker (VCA) 236, angelegt wird, um ein in der Verstärkung angepasstes Ausgangssignal bereitzustellen. Der VCA 236 in 3 kann durch eine die Verstärkungseinstellung als Antwort auf eine sensorische Anzeige der Verstärkung G[t] auf Leitung 235 steuernde Bedienperson ersetzt werden. Eine sensorische Anzeige kann beispielsweise durch ein Anzeigeinstrument bereitgestellt werden. Die Verstärkung G[t] kann Zeitglättung unterliegen (nicht gezeigt).
Für einige Signale kann zur Berechnung der wahrgenommenen Langzeitlautstärke ein Ersatz der in Gleichungen 10 und 11 beschriebenen Glättung erstrebenswert sein. Zuhörer neigen dazu, die Langzeitlautheit eines Signals mit den lautesten Teilen dieses Signals zu verbinden. Demzufolge kann die in den Gleichungen 10 und 11 gezeigte Glättung die wahrgenommene Lautstärke eines Signals, das lange, durch kürzere Abschnitte lauteren Materials unterbrochene Anteile relativer Ruhe enthält, unterschätzen. Derartige Signale werden oft in Filmtonspuren mit kurzen, von längeren Anteilen von Szenenumgebungsrauschen umgebenen Dialogsequenzen festgestellt. Sogar mit der in Gleichung 11 gezeigten Benutzung von Schwellen können die leisen Teile derartiger Signale zu stark zu der zeitgemittelten Erregung E[m, t] beitragen.
Um mit diesem Problem fertig zu werden, kann in einem weiteren Aspekt der vorliegenden Erfindung ein statistisches Verfahren zur Berechnung der Langzeitlautheit eingesetzt werden. Zuerst wird die Glättungszeitkonstante in den Gleichungen 10 und 11 sehr klein gemacht und tdB wird auf minus Unendlich gesetzt, so dass E[m, t] die „Augenblicks"-Erregung darstellt. In diesem Fall kann der Glättungsparameter λ_m so gewählt werden, dass er sich über die Bänder m ändert, um die Art und Weise genauer zu modellieren, in der die Wahrnehmung der Augenblicks-Lautheit sich über die Frequenz ändert. In der Praxis bringt es jedoch annehmbare Ergebnisse, wenn λ_m fest über m gewählt wird. Der Rest des vorher beschriebenen Algorithmus arbeitet unverändert, was, wie in Gleichung 16 festgelegt, ein Augenblicks-Lautheitssignal S[t] ergibt. Über einen beliebigen Bereich t₁ ≤ t ≤ t₂ ist die Langzeitlautheit S_p[t₁, t₂] dann definiert als ein Wert, der für p Prozent der Zeitwerte in dem Bereich größer als S[t] und für 100-p Prozent der Zeitwerte in dem Bereich kleiner als S[t] ist. Versuche haben gezeigt, dass eine Einstellung von p auf ungefähr 90% der subjektiv wahrgenommenen Langzeitlautheit entspricht. Mit dieser Einstellung brauchen nur 10% der Werte von S[t] maßgeblich zur Bestimmung der Langzeitlautheit sein. Die anderen 90% der Werte können verhältnismäßig leise sein, ohne das Maß der Langzeitlautstärke zu senken.
Der Wert S_p[t₁, t₂] kann berechnet werden, indem in absteigender Reihenfolge die Werte S[t], t₁ ≤ t ≤ t₂ in eine Liste S_sort{i}, 0 ≤ i ≤ t₂ – t₁ einsortiert werden, wobei i das i-te Element der sortierten Liste darstellt. Die Langzeitlautheit ist dann durch das Element der Liste gegeben, das auf p Prozent der Listenlänge steht: Sp[t1, t2] = Ssort{round(p(t2 – t1)/100)} (27)
An sich ist die obige Berechnung relativ unkompliziert. Wünscht man jedoch eine Verstärkung G_p[t₁, t₂] zu berechnen, die bei Multiplikation mit x[n] dazu führt, dass S_p[t₁, t₂] gleich der Referenzlautheit S_ref ist, wird die Berechnung erheblich aufwändiger. Wie oben wird ein iterativer Ansatz benötigt, aber jetzt hängt das Maß der Langzeitlautstärke S_p[t₁, t₂] vom gesamten Bereich der Werte S[t], t₁ ≤ t ≤ t₂, ab, von denen jeder mit jeder Aktualisierung von G_i aktualisiert werden muss. Um diese Aktualisierungen zu berechnen, muss das Signal E[m, t] über den gesamten Bereich t₁ ≤ t ≤ t₂ gespeichert werden. Zusätzlich kann sich die relative Ordnung von S[t], t₁ ≤ t ≤ t₂, mit jeder Iteration ändern, da S[t] nichtlinear von G_i abhängt, und daher muss auch S_sort{i} neu berechnet werden. Die Notwendigkeit zur Neusortierung ist ohne weiteres klar, wenn Kurzzeit-Signalsegmente in Betracht gezogen werden, deren Spektrum für eine bestimmte Verstärkung in der Iteration gerade unterhalb der Hörschwelle liegt. Wenn die Verstärkung vergrößert wird, kann ein erheblicher Anteil des Spektrums des Segments hörbar werden, was die Gesamtlautheit des Segments größer als die anderer, vorher hörbarer Schmalband-Segmente des Signals machen kann. Wenn der Bereich t₁ ≤ t ≤ t₂ groß wird oder falls man wünscht, die Verstärkung G_p[t₁, t₂] fortlaufend als eine Funktion eines sich verschiebenden Zeitfensters zu berechnen, können der Rechen- und Speicheraufwand dieses iterativen Verfahrens untragbar werden.
Bedeutende Einsparungen bei der Berechnung und beim Speicher werden erreicht, indem man erkennt, dass S[t] eine monoton steigende Funktion von G_i ist. Anders gesagt, die Vergrößerung von G_i erhöht zu jedem Zeitpunkt immer die Kurzzeitlautheit. Mit diesem Wissen kann die gewünschte Anpassungsverstärkung G_p[t₁, t₂] wie folgt effizient berechnet werden. Zuerst berechnet man unter Verwendung der beschriebenen Iteration für alle Werte von t im Bereich t₁ ≤ t ≤ t₂ die vorher definierte Anpassungsverstärkung G[t] aus E[m, t]. Man beachte, dass G[t] für jeden Wert von t durch Iteration auf dem einzigen Wert E[m, t] berechnet wird. Danach wird die Langzeit-Anpassungsverstärkung G_p[t₁, t₂] berechnet, indem die Werte G[t], t₁ ≤ t ≤ t₂ in absteigender Reihenfolge in eine Liste G_sort {i}, 0 ≤ i ≤ t₂ – t₁, einsortiert werden und dann Gp[t1, t2] = Gsort{round((100 – P)(t2 – t1)/100)} (28)festgelegt wird. Wir behaupten nun, dass G_p[t₁, t₂] gleich der Verstärkung ist, die bei Multiplikation mit x[n] dazu führt, dass S_p[t₁, t₂] gleich der gewünschten Referenzlautstärke S_ref ist. Man beachte, dass nach Gleichung 28 für 100-p Prozent der Zeitwerte im Bereich t₁ ≤ t ≤ t₂ G[t] < G_p[t₁, t₂] ist und für die anderen p Prozent G[t] > G_p[t₁, t₂] ist. Für jene Werte von G[t], für die G[t] < G_p[t₁, t₂] ist, bemerkt man, dass die sich ergebenden Werte von S[t] größer als die erwünschte Referenzlautheit wären, wenn G_p[t₁, t₂] statt G[t] auf die entsprechenden Werte von E[m, t] angewendet werden würde. Dies trifft zu, da S[t] eine monoton steigende Funktion der Verstärkung ist. In ähnlicher Weise wären die sich ergebenden Werte von S[t] kleiner als die erwünschte Referenzlautheit, wenn G_p[t₁, t₂] auf die Werte von E[m, t], die G[t] entsprechen, für die G[t] > G_p[t₁, t₂] ist, angewendet werden würde. Daher führt die Anwendung von G_p[t₁, t₂] auf alle Werte von E[m, t] im Bereich t₁ ≤ t ≤ t₂ dazu, dass S[t] in 100-p Prozent der Zeit größer als die erwünschte Referenz und in p Prozent der Zeit kleiner als die Referenz ist. Anders gesagt, S_p[t₁, t₂] ist gleich der erwünschten Referenz.
Dieses Ersatzverfahren zur Berechnung der Anpassungsverstärkung vermeidet die Notwendigkeit, E[m, t] und S[t] über den Bereich t₁ ≤ t ≤ t₂ zu speichern. Nur G[t] muss gespeichert werden. Zusätzlich muss im Gegensatz zum vorherigen Ansatz, bei dem S[t] mit jeder Iteration neu sortiert werden muss, für jeden Wert von G_p[t₁, t₂], der berechnet wird, das Sortieren von G[t] über den Bereich t₁ ≤ t ≤ t₂ nur einmal durchgeführt werden. Falls G_p[t₁, t₂] fortlaufend über irgendein sich verschiebendes Fenster der Länge T (z.B., t₁ = t – T, t₂ = t) berechnet werden soll, kann die Liste G_sort{i} dadurch effizient verwaltet werden, dass einfach für jeden neuen Zeitpunkt ein einzelner Wert aus der sortierten Liste gelöscht und hinzugefügt wird. Wenn der Bereich t₁ ≤ t ≤ t₂ äußerst groß wird (beispielsweise die gesamte Länge eines Lieds oder Films), kann der zur Speicherung von G[t] benötigte Speicher dennoch unerschwinglich sein. In diesem Fall kann G_p[t₁, t₂] aus einem diskretisierten Histogramm von G[t] angenähert werden. In der Praxis wird dieses Histogramm aus G[t] in Einheiten von Dezibel erstellt. Das Histogramm kann berechnet werden als
H[i] = Zahl der Abtastwerte im Bereich t₁ ≤ t ≤ t₂, so dass ΔdBi + dBmin ≤ 20log10G[t] < ΔdB(i + 1) + dBmin (29)wobei Δ_dB die Auflösung des Histogramms ist und dB_min das Minimum des Histogramms ist. Die Anpassungsverstärkung wird dann angenähert als Gp[t1, t2] ≅ ΔdBip + dBmin (30a)wobei
und I der größte Index des Histogramms ist. Bei Verwendung des diskretisierten Histogramms müssen nur I Werte gespeichert werden, und G_p[t₁, t₂] wird in einfacher Weise mit jedem neuen Wert von G[t] aktualisiert.
Man kann sich andere Verfahren zur Annäherung von G_p[t₁, t₂] aus G[t] ausdenken, und diese Erfindung soll derartige Verfahren einschließen. Der Hauptaspekt dieses Teils der Erfindung ist es, zur Bildung der Langzeit-Anpassungsverstärkung G_p[t₁, t₂] irgendeine Art der Glättung auf der Anpassungsverstärkung G[t] durchzuführen, anstatt die Augenblickslautheit S[t] zu verarbeiten, um die Langzeitlautheit S_p[t₁, t₂] zu bilden, aus der durch ein iteratives Verfahren dann G_p[t₁, t₂] geschätzt wird.
Die 10 und 11 zeigen Systeme, die ähnlich den entsprechenden 2 und 3 sind, bei denen aber die Glättung (Vorrichtung oder Funktion 237) der Anpassungsverstärkung G[t] verwendet wird, um ein geglättetes Verstärkungssignal G_p[t₁, t₂] (Signal 238) zu erzeugen.
Die Referenzlautheit an Eingang 230 (2, 3, 10, 11) kann „fest" oder „variabel" sein, und die Quelle der Referenzlautheit kann intern oder extern von einer Aspekte der Erfindung verwendenden Anordnung sein. Beispielsweise kann die Referenzlautheit durch einen Anwender eingestellt werden, wobei in diesem Fall die Quelle extern ist und sie für eine Zeitdauer „fest" bleiben kann, bis sie der Anwender neu einstellt. Wahlweise kann die Referenzlautheit ein Maß der Lautheit einer anderen Audioquelle sein, welche durch einen Lautheitsmessprozess oder eine -vorrichtung gemäß der vorliegenden Erfindung, wie zum Beispiel die in 1 gezeigte Anordnung, abgeleitet wurden.
Die übliche Lautstärkesteuerung einer Audio erzeugenden Vorrichtung kann durch einen Prozess oder eine Vorrichtung gemäß Aspekten der Erfindung, wie etwa die Beispiele von 3 und 11, ersetzt werden. In diesem Fall würde der durch den Benutzer bediente Lautstärke-Drehknopf oder -Schieber, etc. die Referenzlautstärke bei 230 von 3 oder 11 steuern, und die Audio erzeugende Vorrichtung würde folglich eine Lautheit entsprechend der Einstellung der Lautstärkesteuerung durch den Benutzer haben.
Ein Beispiel einer variablen Referenz ist in 12 gezeigt, wo die Referenzlautheit S_ref durch eine variable Referenz S_ref[t] ersetzt wird, die beispielsweise aus dem Lautheitssignal S[t] durch eine Vorrichtung der variablen Referenzlautheit oder eine Funktion der variablen Referenzlautheit („variable Referenzlautheit") 239 berechnet wird. In dieser Anordnung kann die variable Referenz S_ref[t] aus der nicht veränderten Lautheit S[t] am Anfang jeder Iteration für jeden Zeitabschnitt t berechnet werden, bevor irgendeine Verstärkung auf die Erregung bei 208 angewendet wurde. Die Abhängigkeit von S_ref[t] und S[t] durch die Funktion der variablen Referenzlautheit 239 kann verschiedene Formen annehmen, um verschiedene Auswirkungen zu erzielen. Beispielsweise kann die Funktion zur Bildung einer Referenz, die ein fester Anteil der Originallautheit ist, einfach S[t] skalieren. Wahlweise kann die Funktion eine Referenz erzeugen, die größer als S[t] ist, wenn S[t] unter einer Schwelle ist, und die kleiner als S[t] ist, wenn S[t] über einer Schwelle ist, und daher den Aussteuerungsbereich der wahrgenommenen Lautstärke des Audios verringern. Egal welche Form diese Funktion hat, die vorher beschriebene Iteration wird zur Berechnung von G[t] derart ausgeführt, dass ΨE{G2[t]E[m, t]} = Sref[t] (31)
Die Anpassungsverstärkung G[t] kann dann wie oben beschrieben oder durch eine andere geeignete Methode geglättet werden, um den gewünschten Wahrnehmungseffekt zu erreichen. Zum Abschluss kann eine Verzögerung 240 zwischen dem Audiosignal 201 und dem VCA-Block 236 eingeführt werden, um eine Latenzzeit in der Berechnung der geglätteten Verstärkung auszugleichen. Eine derartige Verzögerung kann auch in den Anordnungen aus 3 und 11 vorgesehen werden.
Das Verstärkungssteuersignal G[t] aus der Anordnung aus 3 und das geglättete Verstärkungssteuersignal aus der Anordnung aus 11 können in einer Vielzahl von Anwendungen nützlich sein, die beispielsweise Fernsehübertragung oder Satellitenradio einschließen, wo sich die wahrgenommene Lautstärke über verschiedene Kanäle ändert. In derartigen Umgebungen kann das Gerät oder das Verfahren der vorliegenden Erfindung das Audiosignal aus jedem Kanal mit einer Referenzlautheit (oder der Lautheit eines Referenzsignals) vergleichen. Ein Bediener oder eine automatisierte Vorrichtung kann die Verstärkung zur Einstellung der Lautheit jedes Kanals nutzen. Alle Kanäle würden daher im Wesentlichen die gleiche wahrgenommene Lautstärke haben. 13 zeigt ein Beispiel einer derartigen Anordnung, in der das Audio von einer Vielzahl von Fernseh- oder Audiokanälen, 1 bis N, an die jeweiligen Eingänge 201 der Prozesse oder Vorrichtungen 250, 252 angelegt wird, die jeweils in 3 oder 11 gezeigten Aspekten der Erfindung entsprechen. Derselbe Referenzlautheitspegel wird an jeden der Prozesse oder jede der Vorrichtungen 250, 252 angelegt, was an jeder Ausgabe 236 einen in der Lautheit eingestellten ersten bis einschließlich N-ten Audiokanal ergibt.
Das Mess- und Verstärkungseinstell-Verfahren kann auch auf eine Echtzeitmessvorrichtung angewendet werden, die das Audioeingangsmaterial überwacht, die Verarbeitung durchführt, die hauptsächlich menschliche Sprachsignale enthaltenden Audioinhalt erkennt und die eine Verstärkung derart berechnet, dass die Sprachsignale im Wesentlichen einem vorher festgelegten Referenzpegel entsprechen. Geeignete Methoden zur Erkennung von Sprache in Audiomaterial sind in der am 30. August 2002 angemeldeten US-Patentanmeldung Nr. 10/233,073 dargelegt und als am 4. März 2004 veröffentlichte US-Patentoffenlegungsschrift US 2004/0044525 A1 bekannt gemacht worden. Da die Neigung besteht, dass sich der Ärger des Publikums über lauten Audioinhalt auf die Sprachanteile des Programm-Materials richtet, kann ein Mess- und Verstärkungseinstell-Verfahren die störenden Pegelunterschiede in allgemein in Fernseh-, Film- und Musikmaterial verwendetem Audio bedeutend verringern.
Ausführung
Die Erfindung kann in Hardware oder Software oder einer Kombination aus beiden (z.B. programmierbare Logikfelder) ausgeführt werden. Wenn nicht anders festgelegt, stehen die als Teil der Erfindung eingeschlossenen Algorithmen dem Wesen nach nicht in Beziehung zu irgendeinem bestimmten Rechner oder anderem Gerät. Insbesondere können verschiedene Universalapparate mit in Übereinstimmung mit den hierin enthaltenen Ausführungen geschriebenen Programmen verwendet werden, oder es ist günstiger, ein spezialisierteres Gerät (z.B. integrierte Schaltkreise) zu entwerfen, um die erforderlichen Verfahrensschritte auszuführen. Somit kann die Erfindung in einem oder mehreren Rechnerprogrammen ausgeführt werden, die auf einem oder mehreren Rechnersystemen ausgeführt werden, von denen jedes mindestens einen Prozessor, mindestens ein Datenspeichersystem (flüchtigen und nichtflüchtigen Speicher und/oder Speicherelemente umfassend), mindestens eine Eingabevorrichtung oder einen -anschluss, und mindestens eine Ausgabevorrichtung oder -anschluss enthält. Zur Durchführung der hierin beschriebenen Funktionen wird Programmcode auf Eingabedaten angewendet und Ausgabeinformation erzeugt. Die Ausgabeinformation wird in bekannter Weise einer oder mehreren Ausgabevorrichtungen zugeführt.
Jedes derartige Programm kann zur Kommunikation mit einem Rechnersystem in irgendeiner gewünschten Programmiersprache (Maschinenprogrammiersprachen, Assemblerprogrammiersprachen oder prozedurale, logische oder objektorientierte höhere Programmiersprachen umfassend) umgesetzt werden. Auf jeden Fall kann die Sprache eine übersetzte oder interpretierte Sprache sein.
Jedes derartige Rechnerprogramm wird bevorzugterweise auf einem durch einen programmierbaren Universal- oder Spezialrechner lesbarem Speichermedium oder einer -vorrichtung (z.B. Festkörperspeicher oder -medien, oder magnetische oder optische Medien) gespeichert oder auf diese geladen, um den Rechner zu konfigurieren und zu betreiben, wenn das Speichermedium oder die -vorrichtung durch das Rechnersystem gelesen wird, um die hierin beschriebenen Verfahrensschritte durchzuführen. Man kann auch in Betracht ziehen, das erfinderische System als ein rechnerlesbares Speichermedium auszuführen, das mit einem Rechnerprogramm konfiguriert ist, wobei das so konfigurierte Speichermedium ein Rechnersystem veranlasst, in einer genau bestimmten und vorher festgelegten Art und Weise die hierin beschriebenen Funktionen auszuführen.
Etliche Ausführungsformen der Erfindung wurden beschrieben. Dennoch versteht es sich, dass viele Änderungen durchgeführt werden können, ohne vom Schutzumfang der Erfindung abzuweichen. Beispielsweise können einige der oben beschriebenen Schritte reihenfolgeunabhängig sein und daher in einer anderen als der beschriebenen Reihenfolge ausgeführt werden. Demgemäß liegen andere Ausführungsformen im Schutzumfang der folgenden Ansprüche. Der Schutzumfang der Erfindung wird somit nur durch die beigefügten Patentansprüche beschränkt.

Claims

Verfahren zur Verarbeitung eines Audiosignals, enthaltend die Erzeugung eines Erregungssignals als Antwort auf das Audiosignal, und die Berechnung der wahrgenommenen Lautstärke des Audiosignals als Antwort auf das Erregungssignal und eines Maßes der Charakteristika des Audiosignals, wobei die Berechnung aus einer Gruppe von zwei oder mehr Modellierungsfunktionen der spezifischen Lautheit eine oder eine Kombination von zwei oder mehr Modellierungsfunktionen der spezifischen Lautheit auswählt, wobei deren Auswahl durch das Maß der Charakteristika des Audioeingangssignals gesteuert wird.
Verfahren nach Anspruch 1, bei welchem das Maß der Charakteristika des Audiosignals ein Maß des Grades ist, zu dem das Eingangssignal spektral flach ist.
Verfahren nach Anspruch 1, bei welchem die Berechnung aus zwei Modellierungsfunktionen der spezifischen Lautheit auswählt oder diese kombiniert, wobei eine erste Lautheitsmodellierungsfunktion durch ein sich aus einem nicht spektral flachen Eingangssignal ergebendes Maß der Charakteristika ausgewählt wird, eine zweite Lautheitsmodellierungsfunktion durch ein sich aus einem spektral flachen Eingangssignal ergebendes Maß der Charakteristika ausgewählt wird und eine Kombination der ersten und der zweiten Lautheitsmodellierungsfunktion durch ein sich aus einem teils nicht spektral flachen, teils spektral flachen Eingangssignal ergebendes Maß der Charakteristika ausgewählt wird.
Verfahren nach Anspruch 3, bei welchem sowohl die erste als auch die zweite Lautheitsmodellierungsfunktion oberhalb der Ruhehörschwelle mit zunehmender Erregung gemäß einem Potenzgesetz monoton ansteigen, wobei die erste Lautheitsmodellierungsfunktion starker als die zweite Lautheitsmodellierungsfunktion steigt.
Verfahren nach Anspruch 1, bei welchem die Berechnung aus einer Gruppe von zwei oder mehr Modellen der spezifischen Lautheit in jedem jeweiliger Frequenzbänder des Erregungssignals eine oder eine Kombination aus zwei oder mehr der genannten Modelle der spezifischen Lautheit auswählt.
Verfahren nach Anspruch 1, bei welchem die Berechnung aus einer Gruppe von zwei oder mehr Modellen der spezifischen Lautheit in einer Gruppe jeweiliger Frequenzbänder des Erregungssignals eine oder eine Kombination aus zwei oder mehr der genannten Modelle der spezifischen Lautheit auswählt.
Verfahren nach Anspruch 6, bei welchem die Gruppe jeweiliger Frequenzbänder alle Frequenzbänder des Erregungssignals sind.
Verfahren nach Anspruch 1, bei welchem das Maß der Charakteristika des Audiosignals vom Erregungssignal abgeleitet wird.
Verfahren nach Anspruch 1, bei welchem die Berechnung die Berechnung einer spezifischen Lautheit in jedem jeweiliger Frequenzbänder des Erregungssignals einschließt.
Verfahren nach Anspruch 9, bei welchem die Berechnung überdies zur Bestimmung der wahrgenommenen Lautstärke die Auswahl der spezifischen Lautheit eines Frequenzbandes oder zur Bestimmung der wahrgenommenen Lautstärke die Kombination der spezifischen Lautheit einer Gruppe von Frequenzbändern enthält.
Verfahren nach Anspruch 1, bei welchem die Erzeugung eines Erregungssignals als Antwort auf das Audiosignal enthält: lineare Filterung des Audiosignals durch eine Funktion oder Funktionen, die die Charakteristika des Außen- und Innenohrs nachbilden, zur Erzeugung eines linear gefilterten Audiosignals, und Aufteilen des linear gefilterten Audiosignals in Frequenzbänder, die das entlang der Basilarmembran des Innenohrs erzeugte Erregungsmuster nachbilden, um das Erregungssignal zu erzeugen.
Verfahren nach irgendeinem der vorhergehenden Ansprüche, ferner enthaltend das Berechnen eines Verstärkungswertes G[t] als Antwort auf zumindest das Erregungssignal, wobei das Berechnen eine iterative Verarbeitungsschleife einschließt, enthaltend die Einstellung der Größe des Erregungssignals als Antwort auf eine Funktion eines Iterations-Verstärkungswertes G_i derart, dass die eingestellte Größe des Erregungssignals mit zunehmenden Werten von G_i zunimmt und mit abnehmenden Werten von G_i abnimmt, den Vergleich der berechneten wahrgenommenen Lautstärke des Audiosignals mit einer Referenz der wahrgenommenen Lautstärke zur Bildung einer Differenz, und die Einstellung des Verstärkungswerts G_i als Antwort auf die Differenz, so dass die Differenz zwischen der berechneten wahrgenommenen Lautstärke und der Referenz der wahrgenommenen Lautstärke verkleinert wird.
Verfahren nach Anspruch 12, bei welchem das Erregungssignal zeitgeglättet wird und/oder das Verfahren überdies die Zeitglättung des Verstärkungswertes G[t] enthält.
Verfahren nach Anspruch 13, bei welchem das Erregungssignal linear zeitgeglättet wird.
Verfahren nach Anspruch 13, bei welchem das Verfahren überdies die Glättung des Verstärkungswertes G[t] umfasst, wobei die Glättung eine Histogrammtechnik einsetzt.
Verfahren nach Anspruch 12, bei welchem die iterative Verarbeitungsschleife gemäß einem Minimierungsalgorithmus wiederholt die Größe des Erregungssignals einstellt, die wahrgenommene Lautstärke berechnet, die berechnete wahrgenommene Lautstärke mit der Referenz der wahrgenommenen Lautstärke vergleicht und den Verstärkungswert G_i auf einen Endwert G[t] einstellt.
Verfahren nach Anspruch 16, bei welchem der Minimierungsalgorithmus dem Gradientenabstiegsverfahren zur Minimierung entspricht.
Verfahren nach einem der Ansprüche 12 bis 17, ferner enthaltend die Steuerung der Amplitude des Audioeingangssignals mit der Verstärkung G[t], so dass die sich ergebende wahrgenommene Lautstärke im Wesentlichen dieselbe wie die Referenzlautheit ist.
Verfahren nach einem der Ansprüche 12 bis 18, bei welchem die Referenzlautheit durch einen Anwender gesetzt wird.
Vorrichtung, enthaltend Einrichtungen, die dafür ausgelegt sind, jeden der Schritte des Verfahrens nach einem der Ansprüche 1 bis 19 durchzuführen.
Rechnerprogramm, das auf einem rechnerlesbaren Medium gespeichert ist, um einen Rechner zu veranlassen, jeden der Schritte des Verfahrens nach einem der Ansprüche 1 bis 19 durchzuführen, wenn das Rechnerprogramm auf dem Rechner abläuft.