JP2008536192A - コード化されたオーディオの経済的な音量計測 - Google Patents

Abstract

オーディオを完全にデコーディングしないでそのビットストリームからオーディオのパワースペクトルの近似値を導き出し、オーディオのパワースペクトルの近似値に則してオーディオの音量の近似値を求めることにより、そこからオーディオを完全にデコーディングすることなくオーディオのパワースペクトルの近似値を導き出すことのできるデータが含まれるビットストリーム中にエンコードされたオーディオの音量計測する。このデータには、そのオーディオの粗い表現と、付随するそのオーディオの細かい表現とが含まれ、オーディオのパワースペクトルの近似値はそのオーディオの粗い表現から導き出すことができる。サブ帯域でエンコードされたオーディオの場合は、オーディオの粗い表現はスケールファクターを具備し、付随するオーディオの細かい表現は各スケールファクターに付随するサンプルデータを具備する。

Description

本発明はオーディオ信号処理に関する。さらに詳細には、ドルビーデジタル（ＡＣ−３）、ドルビーデジタルプラス、又はドルビーＥを用いたコード化されたオーディオのような低ビットレートでコード化されたオーディオの客観的な音量計測の経済的な算出に関する。「ドルビー」、「ドルビーデジタル」、「ドルビーデジタルプラス」及び「ドルビーＥ」はドルビー・ラボラトリーズ・ライセンシング・コーポレーションの登録商標である。本発明の特徴は他の形式のオーディオコーディングにも用いることができる。

ドルビーデジタルコーディングの詳細は以下の参考文献に記載されている。

ＡＴＳＣ標準Ａ５２／Ａ：ディジタルオーディオ圧縮標準（ＡＣ−３）、改定Ａ、次世代テレビジョン方式協会、２００１年８月２０日。このＡ５２書面はワールドワイドウェブhttp://www.atsc.org/standards.htmlで利用可能である。

Craig C. Todd、他による、Audio Engineering Societyの９６回会議、１９９４年２月２６日、予稿３７９６の「オーディオの伝送及び記憶のためのフレキシブルな知覚コーディング」。

Steve Vernonによる、IEEE Trans. Consumer Electronics, Vol.41, No.3 １９９５年８月の「ＡＣ−３コーダーの設計及び実施」。

Mark DavisによるAudio Engineering Societyの９５回会議、１９９３年１０月、予稿３７７４の「ＡＣ−３マルチチャンネルコーダー」。

Bosi、他による、Audio Engineering Societyの９３回会議、１９９２年１０月、予稿３３６５の「伝送及びマルチメディアに応用するための、高品質、低レートのオーディオ変換コーディング」。

米国特許番号5,583,962、5,632,005、5,633,981、5,727,119、5,909,664、及び6,021,386。

ドルビーデジタルプラスコーディングの詳細は、１１７回ＡＥＳ会議、２００４年１０月２８日、AES Convention論文６１９６の「ドルビーデジタルコーディングシステムを強化した、ドルビーデジタルプラスの手引き」に記載されている。

ドルビーＥ コーディングの詳細は、１０７回ＡＥＳ会議、１９９９年８月、予稿５０６８の「オーディオ配給システムにおける効率的なビット割り付け、量子化、及びコーディング」並びに１０７回ＡＥＳ会議、１９９９年８月、予稿５０３３の「画像と共に用いるために最適化された専門的なオーディオコーダー」に記載されている。

種々のドルビーエンコーダ、ＭＰＥＧエンコーダその他を含む、知覚コーダーの概要は、Karlheinz Brandenburg、及び、Marina Bosiによる、J. Audio Eng. Soc, Vol.45, No.1/2, １９９７年１／２月の「ＭＰＥＧオーディオの概要：低ビットレートオーディオコーディングの現在及び将来の標準」に記載されている。

全ての上記参考文献は、参照としてそれぞれのすべてが本明細書に組み込まれる。

オーディオ信号の知覚音量を客観的に計測する多くの方法が存在する。その方法の例として、「音響学‐音量レベルの計算のための方法」ＩＳＯ５３２（１９７５）のような心理音響に基づく音量計測のみならず、（等価騒音レベルＬｅｑＡ，ＬｅｑＢ，ＬｅｑＣのような）重み付けを行った出力計測が含まれる。重み付け音量出力計測は、知覚感度の低い周波数に重きを置かない一方知覚感度の大きい周波数に重点を置いた所定のフィルターを入力オーディオ信号に適用し、所定の時間に亘ってこのフィルターされた信号の出力を平均化することで行う。心理音響による方法は、一般に複雑であり、人間の耳の仕組みをうまくモデル化することを狙っている。これは、オーディオ信号を、耳の周波数応答と耳の感度を模倣した周波数帯域に分割し、周波数や時間によりマスキングのような心理音響的現象及び、信号強度の大きさの感知における非線形性を考慮に入れながらこれらの帯域を統合する。全ての客観的な音量計測方法の目的は、１つのオーディオ信号に対する大きさの客観的な知覚音量に近似する音量の数値的な計測を導き出すことである。

知覚コーディング又は低ビットレートオーディオコーディングは、ディジタルテレビジョンの放送や音楽のインターネット販売のような応用例において効率的な記憶、伝送、及び配信のためのオーディオ信号のデータ圧縮に一般的に用いられる。知覚コーディングは、オーディオ信号を、重複部分及び心理音響的にマスクされた信号成分の両方を簡単に廃棄することのできる情報空間に効率的に変換することにより、このことを効率的に行う。他の情報はディジタル情報のストリーム又はファイルにパックされる。一般に、低ビットレートでコード化されたオーディオの音量の計測には、そのオーディオをデコーディングして時間領域に戻すことが必要になり、これはコンピュータに大きな負担になることがある。しかし、低ビットレートで知覚コード化された信号には音量計測方法に有用な情報が含まれており、それにより、そのオーディオを完全にディジタルコーディングするための計算コストを削減することができる。ドルビーデジタル（ＡＣ−３）、ドルビーデジタルプラス、及びドルビーＥは、そのようなオーディオコーディングシステムである。

ドルビーデジタル、ドルビーデジタルプラス、及びドルビーＥの低ビットレート知覚オーディオコーダーは、周波数領域での表現形式に変換された、重複し、窓処理された時間セグメント（又はオーディオコーディングブロック）にオーディオ信号を分割する。このスペクトル係数である周波数領域での表現形式は、指数と仮数のセットからなる指数表現で表される。スケールファクターとして機能する指数は、コード化されたオーディオストリームにパックされる。仮数は、この指数により正規化された後のスペクトル成分を表す。この指数は聴覚の知覚モデルを介して、量子化のため及び仮数をコード化されたオーディオストリームにパックするために用いられる。デコーディングにおいて、この指数はコード化されたオーディオストリームからアンパックされ、同じ知覚モデルを介してどのように仮数をアンパックするかを決定する。次いで、この仮数はアンパックされ、指数と結合させて、その後デコードされ時間領域表現に変換されるオーディオの周波数領域表現を作り出す。

多くの音量計測には出力とパワースペクトルの計算が含まれるので、計算量の削減は、単に、低ビットレートでコード化されたオーディオを部分的にデコーディングし、（パワースペクトルのような）部分的にデコードされた情報を音量計測にまわすことにより達成できるかもしれない。本発明は、オーディオの音量を計測する必要があるがオーディオをデコーディングする必要がない時に有用である。これは、音量計測では、通常聴取には適しないような近似により近似したオーディオを活用することができるという事実を利用する。本発明の特徴によれば、多くのオーディオコーディングシステムにおけるビットストリームを完全にデコーディングしなくても有効となる、粗いオーディオ表現を認識することで、そのオーディオの音量計測に有用なオーディオスペクトルの近似ができる。ドルビーデジタル、ドルビーデジタルプラス、及びドルビーＥオーディオコーディングにおいて、指数はそのオーディオのパワースペクトルを近似する。同様に、他のコーディングシステムにおいても、スケールファクター、スペクトルエンベロープ、及び線形予測係数がそのオーディオのパワースペクトルを近似することがある。本発明のこれらの利点及び他の利点は、本発明の以下の開示及び説明を読み理解することによりよく理解できるであろう。

本発明は、低ビットレートでコード化されたオーディオの知覚音量の、コンピュータ的に経済的な計測をおこなう。これは、ただ、オーディオ素材を部分的にデコーディングしこの部分的にデコーディングした情報を音量計測にまわすことによって達成される。この方法は、ドルビーデジタル、ドルビーデジタルプラス、及びドルビーＥオーディオコーディングにおける指数のような部分的にデコーディングされたオーディオの特有の特徴を巧みに利用するものである。

本発明の第１の特徴によれば、オーディオを完全にデコーディングしないでそのビットストリームからオーディオのパワースペクトルの近似値を導き出し、オーディオのパワースペクトルの近似値に則してオーディオの音量の近似値を求めることにより、そこからオーディオを完全にデコーディングすることなくオーディオのパワースペクトルの近似値を導き出すことのできるデータが含まれるビットストリーム中にエンコードされたオーディオの音量を計測するものである。

本発明の他の特徴によれば、このデータには、そのオーディオの粗い表現と、付随するそのオーディオの細かい表現とが含まれ、この場合オーディオのパワースペクトルの近似値はそのオーディオの粗い表現から導き出すことができる。

本発明のさらなる特徴によれば、ビットストリームにエンコードされたオーディオは、複数の周波数サブ帯域を有するエンコードされたオーディオのサブ帯域であり、各サブ帯域は、スケールファクターとそれに関連するサンプルデータとを有し、ここで、オーディオの粗い表現はスケールファクターを具備し、付随するオーディオの細かい表現は各スケールファクターに付随するサンプルデータを具備する。

さらなる本発明の特徴によれば、各サブ帯域のスケールファクターとサンプルデータとは、このスケールファクターが指数からなり、それに付随するサンプルデータが仮数からなる指数表現により、サブ帯域中のスペクトル係数を表現することができる。

さらなる本発明の特徴によれば、ビットストリームにエンコードされたオーディオは、オーディオの粗い表現が線形予測係数を具備しオーディオの細かい表現が線形予測係数に関連するエキサイテーション情報を具備する線形予測コード化されたオーディオであることができる。

本発明のさらなる特徴によれば、オーディオの粗い表現は少なくとも１つのスペクトルエンベロープを具備し、オーディオの細かい表現は少なくとも１つのスペクトルエンベロープに関連するスペクトル成分を具備することができる。

さらなる本発明の特徴によれば、オーディオのパワースペクトルの近似値に則してオーディオの音量の近似値を求めるステップには、重み付けられた出力音量計測を適用するステップを含むことができる。この重み付けられた出力音量計測には、ほとんど知覚できない周波数を強調せず、フィルターされたオーディオの出力を時間で平均するフィルターを採用することができる。

本発明のさらに他の特徴によれば、オーディオのパワースペクトルの近似値に則してオーディオの音量の近似値を求めるステップには、心理音響に基づく音量計測を適用するステップを含むことができる。この、心理音響に基づく音量計測では、人間の耳の臨界帯域に類似する複数の周波数帯域の各々における特定ラウドネスを決定するための人間の耳のモデルを採用することができる。サブ帯域コーダー環境において、このサブ帯域は、人間の耳の臨界帯域に近似させることができ、心理音響に基づく音量計測では、各サブ帯域で特定ラウドネスを決定するために人間の耳のモデルを採用することができる。

本発明の特徴には、上記機能を実行する方法、上記機能を実行する手段、この方法を実行する装置、及び上記機能を実行する方法をコンピュータで実行させるためのコンピュータ読み取り可能な媒体に保存されたコンピュータプログラムが含まれる。

本発明の利点は、そのオーディオをＰＣＭに完全にディジタルコーディングすることなく、低ビットレートでコード化されたオーディオの音量を計測することである。ここで、デコーディングには、ビット配分、逆量子化、逆変換、等のような高価なデコーディング処理が含まれる。本発明の特徴は、一般に、処理に必要なもの（計算経費）を削減することである。このアプローチは、音量計測は必要であるが、デコーディングされたオーディオは必要ないときに有益である。

本発明の特徴は、例えば、（１）Smithers等による、２００４年７月１日出願の係属中の米国正規特許出願Ｓ．Ｎ．１０／８８４，１７７、表題「再生音量及びオーディオ情報のダイナミックレンジに影響を与えるメタデータを修正する方法」、（２）Brett Graham Crockettによる、Attorneys' Docket ＤＯＬ１５０の本願と同時に出願した米国仮出願Ｓ．Ｎ．６０／ｘｘｘ，ｘｘｘ、表題「オーディオメタデータの検証」、に開示されたような環境、及び（３）デコーディングされたオーディオにアクセスする必要もその要求もない、放送での記憶又は伝送の連鎖において音量計測と修正を行う場合、のよう環境において使用可能である。上記Ｓ．Ｎ．１０／８８４，１７７と、Attorneys' Docket ＤＯＬ１５０はその全てを参照として本願に組み込まれる。

本発明の特徴によりもたらされる保存処理はまた、多くの低ビットレートでデータ圧縮されたオーディオ信号をリアルタイムに音量計測し、そしてメタデータの修正（例えば、ＤＩＡＬＮＯＲＭパラメータを正しい値にする）を行うことを可能にする。しばしば、多くの低ビットレートでコード化されたオーディオ信号は多重化され、ＭＰＥＧ伝送ストリームで伝送される。本発明の特徴による音量計測は、圧縮されたオーディオ信号を完全にＰＣＭにデコーディングして音量計測することを必要とする場合に比べて、多くの圧縮されたオーディオ信号をリアルタイムに音量計測することをより便利にする。

図１は、コード化されたオーディオの音量を計測するための従来技術による構成を示す。低ビットレートでエンコードされたオーディオのようなコード化されたディジタルオーディオデータ又は情報１０１は、デコーダー又はデコーディング機能（「デコード」）１０２により、例えばＰＣＭオーディオ信号１０３にデコーディングされる。次いでこの信号は、計測された音量値１０５を生成する音量計測器又は音量計測方法又は音量計測アルゴリズム（「音量計測」）１０４に入力される。

図２は、デコード１０２の一例を示す従来技術による構成又は機能ブロック図を示す。示された構成又は機能は、ドルビーデジタル、ドルビーデジタルプラス、及びドルビーＥデコーダーを表している。コード化されたオーディオデータ１０１のフレームは、入力されたデータを指数データ２０３、仮数データ２０４、及び他の雑多なビット配置情報２０７にアンパックする、データアンパッカー又はアンパッキング機能（「フレーム同期、エラー検出、及びフレームデフォーマット」）２０２に入力される。指数データ２０３は、装置又は機能（「対数パワースペクトル」）２０５により対数パワースペクトル２０６に変換され、この対数パワースペクトルは、ビット配置装置又はビット配置機能（「ビット配置」）２０８で、ビットで示した量子化された仮数の長さ信号２０９の計算を行うのに用いられる。この仮数は逆量子化され、装置又は機能（「仮数の逆量子化」）２１０により指数と結合され、そして、逆フィルターバンク装置又は機能（「逆フィルターバンク」）２１２により変換されて時間領域に戻される。逆フィルターバンク２１２はまた、（時間をあわせて）先の逆フィルターバンクによる結果と現在の逆フィルターバンクによる結果の一部とを重複させ加算してデコーディングされたオーディオ信号１０３を作り出す。実際のデコーダーの実施の形態では、ビット配置、仮数の逆量子化、逆フィルターバンク装置又は機能で多大な計算資源を必要とする。デコーディングプロセスの詳細については、先に引用した文献でみることができる。

図３ａ及び３ｂは、オーディオ信号の客観的な音量計測の、先行技術による構成を示す。これらは音量計測１０４（図１）の変形を示している。図３ａ及び３ｂは例示であり、それぞれ客観的な音量計測技術の２つの種類を示しているが、特定の客観的な音量計測技術を選択することは本発明では重要ではなく、他の客観的な音量計測技術を採用してもよい。

図３ａは、音量計測で一般的に用いられる重み付けされた出力計測構成の一例を示す。オーディオ信号１０３は、知覚感度の低い周波数を強調しない一方、知覚感度の高い周波数を強調するよう設計された重み付けフィルター又はフィルター機能（「重み付けフィルター」）３０２を経由する。フィルターされた信号３０３の出力３０５は装置又は機能（「出力」）３０４により計算され、装置又は機能（「平均」）３０６で一定の時間間隔で平均化されて音量値１０５を作り出す。多くの標準的なフィルター特性が存在しその一般的な例を図４に示す。実際には、図３ａの構成を修正したものがしばしば用いられ、その修正は、例えば、無音期間が平均化に含まれるのを避けるようになっている。

心理音響に基づく技術もまた音量計測にしばしば用いられる。図３ｂは、このような心理音響に基づく、先行技術による典型的な構成を示す。オーディオ信号１０３は、外耳及び中耳の、周波数による振幅変動についての応答を表す伝達フィルター又はフィルター機能（「伝達フィルター」）３１２によりフィルターされる。次いで、フィルターされた信号３１３は、聴覚フィルターバンク又はフィルターバンク機能（「聴覚フィルターバンク」）３１４により、聴覚臨界帯域と等価又は狭い周波数帯域に分割される。これは、（例えば、離散周波数変換（ＤＦＴ）により実行されるような）高速フーリエ変換（ＦＦＴ）を行うことにより実行し、そして、直線的な間隔の帯域を（ＥＲＢスケール又はＢａｒｋスケールのような）耳の臨界帯域を近似させた帯域にグループ化してもよい。あるいは、これは各ＥＲＢ帯域又はＢａｒｋ帯域の単一の帯域通過フィルターにより実行することもできる。各帯域は、次いで、装置又は機能（「エキサイテーション」）３１６により、その帯域内で耳が感じる刺激又はエキサイテーション信号３１７に変換される。次に、各帯域の知覚音量又は特定ラウドネスは、装置又は機能（「特定ラウドネス」）３１８によりエキサイテーションから算出され、音量１０５の単一計測値を出すために積算器又は積算機能（「積算」）３２０により、すべての帯域に亘って特定ラウドネスが積算される。この積算プロセスでは、例えば周波数マスキングなど様々な知覚効果を考慮に入れることができる。実際の実施の形態では、これらの知覚的方法では、伝達フィルター及び聴覚フィルターバンクに多大な計算原資が必要となる。

図５は、本発明のブロック図を示す。コード化されたディジタルオーディオ信号１０１は装置又は機能（「部分デコード」）５０２により部分的にデコーディングされ、装置又は機能（「音量計測」）５０４により、部分的にデコーディングされた情報５０３から音量が計測される。どのようにデコーディングが行われたかにより、音量計測結果５０５は、完全にデコーディングされたオーディオ信号１０３（図１）から計算した音量計測１０５と正確に同じではないが、非常に近似するものとなる。本発明の実施の形態でのドルビーデジタル、ドルビーデジタルプラス、及びドルビーＥの文脈において、部分デコーディングには、図２の例に示すような、ビット配置や、仮数の逆量子化や、逆フィルターバンクの装置又は機能を省略する場合が含まれる。

図６ａと６ｂは、図５の一般構成の２つの実施の形態の例を示す。両方とも部分デコード５０２の機能又は装置を採用することができるが、それぞれ異なった音量計測５０４機能を持つことができる。すなわち、図６ａの例では図３ａに似た例であり、図６ａの例では図６ｂの例に似た例である。両方の例において、部分デコード５０２は、コード化されたオーディオストリームから指数２０３のみを抽出しこの指数をパワースペクトル２０６に変換する。このような抽出は、図２の例のような装置又は機能（「フレーム同期、エラー検出、及びフレームデフォーマッティング」）２０２により行い、このような変換は、図２の例のような装置又は機能（「対数パワースペクトル」）により行うことができる。図２の例のデコーディングに示したような、仮数を逆量子化し、ビット配置を行いそして逆フィルターバンクを行う必要性はない。

図６ａの例には、音量計測５０４が含まれ、この音量計測は、図３ａの音量計測器又は音量計測機能の修正版とすることができる。この例において、修正された重み付けフィルター機能は、重み付けフィルター又は重み付けフィルター機能（「修正された重み付けフィルター」）６０１により、各帯域において出力値を増減させることにより周波数領域に適用される。一方、図３ａの例は時間領域において重み付けフィルター機能を適用する。周波数領域において動作するが、修正された重み付けフィルターは、図３ａの時間領域における重み付けフィルターと同じようにオーディオに影響を与える。フィルター６０１は、線形値ではなく対数振幅で動作し、線形周波数スケールではなく非線形で動作する点で、図３ａのフィルター３０２を「修正」したものである。次いで、周波数で重み付けしたパワースペクトル６０２は、例えば、下記の式（５）に例示するように、装置又は機能（「変換、積算、及び平均化」）６０３を適用することにより、線形出力に変換され、周波数を横切って積算され、時間を横切って平均化される。この出力は客観的な音量値５０５となる。

図６ｂの例には、音量計測５０４が含まれ、この音量計測は、図３ｂの音量計測器又は音量計測機能の修正版とすることができる。この例において、修正された伝達フィルター又はフィルター機能（「修正された伝達フィルター」）６１１は、各帯域における対数出力値を増減することにより直接周波数領域に適用される。一方、図３ｂの例は時間領域において重み付けフィルター機能を適用する。周波数領域において動作するが、修正された伝達フィルターは、図３ｂの時間領域における時間領域伝達フィルターと同じようにオーディオに影響を与える。修正された聴覚フィルターバンク又はフィルターバンク機能（「修正された聴覚フィルターバンク」）６１３は、入力とし周波数帯域の間隔を直線的にした対数パワースペクトルを受け取り、これらの直線的な間隔の帯域を分割又は結合して臨界帯域の間隔にした（例えばＥＲＢ帯域又はＢａｒｋ帯域）フィルターバンク出力３１５にする。修正された聴覚フィルターバンク６１３はまた、次のエキサイテーション装置又は機能（「エキサイテーション」）３１６のために、対数領域出力信号を線形信号に変換する。修正された聴覚フィルターバンク６１３は、線形値ではなく対数振幅で動作し、この対数振幅を線形値に変換する点で、図３ｂの聴覚フィルターバンク３１４を「修正」したものである。あるいは、ＥＲＢ帯域又はＢａｒｋ帯域へグループ化する処理は、修正された伝達フィルター６１１ではなく修正された聴覚フィルターバンク６１３で行ってもよい。図６ｂの例には、図３ｂの例のような各帯域の特定ラウドネス３１８と積算３２０とが含まれる。

図６ａと６ｂに示した構成では、デコーディングにおいてビット配置や、仮数の逆量子化や、逆フィルターバンクを必要としないので、多大な計算原資の節約が達成される。しかし、図６ａと６ｂの構成では、客観的な音量計測の結果は、完全にデコーディングされたオーディオから計算された計測値と完全に同じでないかもしれない。これは、オーディオ情報のいくつかが廃棄されるため、計測に用いられるオーディオ情報が不完全だからである。本発明をドルビーデジタル、ドルビーデジタルプラス、又はドルビーＥに適用したとき、仮数の情報は廃棄され、粗く量子化された指数値だけが残る。ドルビーデジタル及びドルビーデジタルプラスについては、値は６ｄＢ増加させて量子化され、ドルビーＥについては、３ｄＢ増加させて量子化される。ドルビーＥにおける、小さな量子化ステップでは、細かく量子化された指数値となり、したがって、より正確なパワースペクトルの推定がなされる。

知覚コーダーはしばしば、オーディオ信号の特性にあわせて、ブロックサイズとも呼ばれる、重複時間セグメントの長さを変更するよう設計されている。例えばドルビーデジタルでは、２つのブロックサイズを用いる。すなわち、変化の少ないオーディオ信号には主として５１２サンプルの長いブロックを用い、過渡的なオーディオ信号には２５６サンプルの短いブロックを用いる。その結果、周波数帯域の数と対応する対数パワースペクトル値２０６はブロック毎に異なる。ブロックサイズが５１２サンプルのとき、２５６の帯域があり、ブロックサイズが２５６サンプルのとき、１２８の帯域がある。図６ａと６ｂに提案した方法はブロックサイズを変化させるよう処理する多くの方法があり、それぞれの方法で同じような音量計測が得られる。例えば対数パワースペクトル２０５は、多くの小さなブロックを結合又は平均化して大きなブロックにし、小さな数の帯域から大きな数の帯域にその出力を広げることにより、一定のブロックレートで出力が常に一定の帯域になるよう修正することができる。あるいは、この音量計測は、ブロックサイズの変化を受け入れ、それにあわせて、例えば時定数を調整することにより、フィルター機能、エキサイテーション、特定ラウドネス、平均化、及び積算プロセスを調整することができる。

（重み付けられた出力計測の例）
本発明の一例として、重み付けられた出力計測方法の極めて経済的なものは、ドルビーデジタルビットストリームと重み付けられた出力音量計測ＬｅｑＡを用いることができる。この極めて経済的な例では、ドルビーデジタルビットストリームに含まれる量子化された指数のみが、音量計測を行うためのオーディオ信号スペクトルの推定値として用いられる。これにより、さもなければほんの少し正確な信号スペクトルの推定値が得られるだけの、仮数情報を再構成するためのビット配置を行う余計な計算要求を回避することができる。

図５及び６ａに示されている通り、ドルビーデジタルビットストリームは部分的にデコーディングされて、このビットストリームに含まれている量子化された指数データから、対数パワースペクトルを再現し抽出する。ドルビーデジタルでは、連続した窓５１２によりＭＤＣＴ変換を行うことで、ＰＣＭオーディオサンプルを５０％重複させて低ビットレートオーディオエンコーディングを行い、低ビットレートでコード化されたオーディオ
ストリームを作り出すのに用いられる２５６個のＭＤＣＴ係数とする。図５及び６ａで行われた部分的デコーディングにより、指数データＥ（ｋ）がアンパックされ、このアンパックされたデータが、オーディオ信号の粗いスペクトル表現となる、２５６個の量子化された対数パワースペクトル値Ｐ（ｋ）に変換される。対数パワースペクトル値Ｐ（ｋ）はｄＢの単位を持つ。変換は下式の通りである。

ここでＮ＝２５６は、ドルビーデジタルビットストリーム中の各ブロックについての変換係数の数である。音量の重み付けられた出力計測の計算において対数パワースペクトルを用いるために、この対数パワースペクトルは、図４に示したＡ重み付け曲線、Ｂ重み付け曲線、又はＣ重み付け曲線のような適切な音量曲線で重み付けられる。この場合、ＬｅｑＡ出力計測が算出されるので、Ａ重み付け曲線が適切である。対数パワースペクトル値Ｐ（ｋ）は、ｄＢ単位であり、以下のように離散的なＡ重み付け周波数値Ａｗ（ｋ）に加えることにより重み付けられる。

離散的なＡ重み付け周波数値Ａ_ｗ（ｋ）は、離散的な周波数ｆ_{ｄｉｓｃｒｅｔｅ}にＡ重み付けゲインを計算することにより作られる。ここで、

ここで、

ここで、サンプリング周波数Ｆ_ｓは、一般的にドルビーデジタルでは４８ｋＨｚである。対数パワースペクトル値Ｐ_Ｗ（ｋ）の各セットは、次いで、ｄＢから線形出力に変換され、積算されて、以下のように、５１２個のオーディオサンプルのＡ重み付け出力推定値Ｐ_ＰＯＷを生成する。

先に述べたように、各ドルビーデジタルビットストリームは、５１２個のＰＣＭサンプルを５０％重複させて窓化し、ＭＤＣＴ変換を行うことにより生成された連続的な変換が含まれる。したがって、ドルビーデジタルビットストリーム中で低ビットレートエンコードされたオーディオのＡ重み付け出力Ｐ_ＴＯＴの合計の近似値は、以下のように、ドルビーデジタルビットストリーム中の全ての変換にわたって出力値を平均化することにより計算することができる。

ここでＭは、ドルビーデジタルビットストリーム中含まれる変換の総数に等しい。平均出力は、以下のようにｄＢ単位に変換される。

ここでＣは、ドルビーデジタルビットストリームのエンコーディング中の変換プロセスで行なわれるレベル変化に起因する一定の補正量である。

（心理音響に基づく計測の例）
本発明の他の例として、重み付けられた出力音量計測方法の極めて経済的なものは、ドルビーデジタルビットストリームと心理音響に基づく音量計測を用いることができる。この極めて経済的な例では、先の例と同様に、ドルビーデジタルビットストリームに含まれる量子化された指数のみが、音量計測を行うためのオーディオ信号スペクトルの推定値として用いられる。他の例のように、これにより、さもなければほんの少し正確な信号スペクトルの推定値が得られるだけの、仮数情報を再構成するためのビット配置を行う余計な計算要求を回避することができる。

２００４年１２月２３日にＷＯ２００４／１１１９９４Ａ２として国際公開、米国を指定国とする、Seefeldt他により２００４年５月２７日に出願された国際特許出願番号ＰＣＴ／ＵＳ２００４／０１６９６４には、とりわけ、心理音響的モデルに基づく知覚音量の客観的な計測について開示されている。この出願はここにその全てを参照として本明細書に組み込まれる。ドルビーデジタルビットストリームの部分的デコーディングから導き出される対数パワースペクトル値Ｐ（ｋ）は、元のＰＣＭオーディオとは違い、同じような心理音響に基づく計測と同様に、この国際出願にあるような技術の入力に役立つ。このような構成は図６ｂの例に示されている。前記ＰＣＴ出願から用語と記号を借用して、臨界帯域ｂで内耳基底膜に沿うエネルギーの分配を近似したエキサイテーション信号Ｅ（ｂ）は、以下のように対数パワースペクトルから近似することができる。

ここで、Ｔ（ｋ）は、伝達フィルターの周波数応答を表し、Ｈ_ｂ（ｋ）は臨界帯域ｂに対応する位置での基底膜の周波数応答を表し、両方の応答は、変換ビンｋに対応する周波数でサンプルされたものである。次に、ドルビーデジタルビットストリームの全ての変換に対応するエキサイテーションは平均化されて、以下のトータルエキサイテーションを生成する。

ここで、ＴＱ_１ｋＨｚは、１ｋＨｚで静音となる閾値であり、定数Ｇとαは、音量の成長を記述する心理音響的実験から生成されたデータに適合するよう選択される。最終的に、トータル音量Ｌは、ソーンの単位で表され、全帯域に亘って特定ラウドネスを積算することにより計算される。すなわち、

（他の知覚オーディオコーデック）
本発明は、ドルビーデジタル、ドルビーデジタルプラス、及びドルビーＥのコーディングシステムに限られるものではない。オーディオのパワースペクトルの近似値が、オーディオを作り出すためにビットストリームを完全にデコーディングすることなくエンコードされたビットストリームから再生することができる、例えば、スケールファクター、スペクトルエンベロープ、及び線形予測係数で与えられる、他のコーディングシステムもまた本発明の恩恵に浴することができる。

（ドルビーデジタルから指数を計算するときの誤差）
ドルビーデジタルの指数Ｅ（ｋ）は、ＭＤＣＴスペクトル係数の対数の粗い量子化を表している。これらの値を粗いパワースペクトルとして用いたとき、数多くの誤差の原因が存在する。

第１に、ドルビーデジタルにおいて、指数（前記式（１）参照）から生じたパワースペクトルの値とＭＤＣＴ係数から直接計算した出力値と比較したとき、量子化処理自身で約２．７ｄＢの平均誤差が生じる結果となる。実験的に得られたこの平均誤差は、前記式（７）の一定の補正量Ｃに組み込むことができる。

第２に、ある信号状態において、過渡値、指数値のような値は全周波数に亘ってグループ分けされる（前記引例Ａ／５２Ａ書面では「Ｄ２５」及び「Ｄ４５」モードと称される）。全周波数に亘るこのグループ分けは、平均指数誤差の予想を難しくし、式（７）の定数Ｃに組み込むことにより説明することがより難しくなる。実際には、このグループ分けによる誤差は２つの理由により無視することができる。すなわち（１）このグループ分けはめったに用いられない、（２）グループ分けのために用いられる信号の性質から、計測される平均誤差は平均化されない場合に類似する、からである。

（実施の形態）
本発明は、ハードウェア又はソフトウェア又は両方を組み合わせたもの（例えば、プログラマブルロジックアレー）で実施することができる。他に記載がない限り、本発明の１部に含まれるアルゴリズム又はプロセスは、特定のコンピュータ又は特定の装置に本質的に関連するようなものではない。とりわけ、種々の汎用機をここの記載に従って書かれたプログラムと共に用いてもよい、あるいは、要求の方法を実行するために、より特化した装置（例えば、集積回路）を構成することが便利かもしれない。このように、本発明は、それぞれ少なくとも１つのプロセッサ、少なくとも１つの記憶システム（揮発性及び非揮発性メモリー及び／又は記憶素子を含む）、少なくとも１つの入力装置又は入力ポート、及び少なくとも１つの出力装置又は出力ポートを具備する、１つ以上のプログラマブルコンピュータシステム上で実行される１つ以上のコンピュータプログラムにより実現することができる。ここに記載した機能を遂行し、出力情報を出力させるために入力データにプログラムコードを適用する。この出力情報は、公知の方法で、１以上の出力装置に適用される。

このようなプログラムの各々は、コンピュータシステムとの通信のために、必要とされるどんなコンピュータ言語（機械語、アセンブリ、又は、高級な、手続言語、論理型言語、又は、オブジェクト指向言語を含む）ででも実現することができる。いずれにせよ、言語はコンパイル言語であってもインタープリタ言語であってもよい。

当然のことながら、説明用図面に示したいくつかのステップと機能は、多くのサブステップを行い、１つのステップ又は機能ではなく複数のステップと機能で示すこともできる。これも当然のことながら、ここに種々の実施例として記載したさまざまな装置、機能、ステップ、及びプロセスは、図に示したのとは異なる方法で、結合又は分割して示すことができる。例えば、コンピュータソフトウェアによる指令シーケンスにより実行されたとき、模範図における種々の機能及びステップは、適切な信号処理ハードウェアで走るマルチスレッドのソフトウェアによる指令シーケンスにより実行することができ、この場合、図に例示された様々な装置及び機能は、このソフトウェアによる指令の一部に対応できる。

このようなコンピュータプログラムの各々は、ここに記載の手順を実行するために、コンピュータにより記憶媒体又は記憶装置を読み込んだとき、コンピュータを設定し動作させるための、汎用プログラマブルコンピュータ又は専用プログラマブルコンピュータにより、読み込み可能な記憶媒体又は記憶装置（例えば、半導体メモリー又は半導体媒体、又は磁気又は光学媒体）に保存又はダウンロードすることが好ましい。本発明のシステムはまた、コンピュータプログラムにより構成されるコンピュータにより読み込み可能な記憶媒体として実行することを考えることもできる。ここで、この記憶媒体は、コンピュータシステムを、ここに記載した機能を実行するために、具体的にあらかじめ定めた方法で動作させる。

本発明の多くの実施の形態について記載した。しかしながら、本発明の精神と技術範囲を逸脱することなく多くの修正を加えることができることは明らかであろう。例えば、ここに記載したステップのいくつかの順序は独立であり、従って、記載とは異なる順序で実行することができる。

低ビットレートでコード化されたオーディオの音量計測のための一般的構成の概略機能ブロックダイアグラムを示す。 ドルビーデジタル、ドルビーデジタルプラス、及びドルビーＥデコーダーの一般化した概略機能ブロックダイアグラムを示す。 重み付けした出力計測を用いた客観的な音量計測を行う一般的構成の概略機能ブロックダイアグラムを示す。 心理音響に基づく計測を用いた客観的な音量計測を行う一般的構成の概略機能ブロックダイアグラムを示す。 図３ａに例示した構成による音量計測を行ったときの一般的な重み付けを示す。 本発明の特徴による、コード化されたオーディオの音量を計測するためのより経済的な一般的構成を示す概略機能ブロックダイアグラムである。 図３ａに例示した構成による音量構成に本発明の特徴を適用した、音量を計測するためのより経済的な構成の概略機能ブロックダイアグラム。 図３ｂに例示した構成による音量構成に本発明の特徴を適用した、音量を計測するためのより経済的な構成の概略機能ブロックダイアグラム。

Claims (28)

1. オーディオを完全にデコーディングすることなく該オーディオのパワースペクトルの近似値を導き出すことのできるデータが含まれるビットストリーム中にエンコードされたオーディオの音量を計測する方法であって、
   前記オーディオを完全にデコーディングしないで前記ビットストリームから前記オーディオのパワースペクトルの前記近似値を導き出すステップと、
   前記オーディオのパワースペクトルの前記近似値に則してオーディオの音量の近似値を求めるステップと
   を具備することを特徴とする方法。
2. 前記データには、前記オーディオの粗い表現と、付随する該オーディオの細かい表現とが含まれ、前記オーディオのパワースペクトルの前記近似値は前記オーディオの粗い表現から導き出すことを特徴とする請求項１に記載の方法。
3. ビットストリームにエンコードされた前記オーディオは、複数の周波数サブ帯域を有するエンコードされたオーディオのサブ帯域であり、各サブ帯域は、スケールファクターとそれに関連するサンプルデータとを有し、ここで、前記オーディオの前記粗い表現はスケールファクターを具備し、前記付随するオーディオの前記細かい表現は各スケールファクターに付随するサンプルデータを具備することを特徴とする請求項２に記載の方法。
4. 各サブ帯域のスケールファクターとサンプルデータとは、このスケールファクターが指数からなり、それに付随するサンプルデータが仮数からなる指数表現により、サブ帯域中のスペクトル係数を表現することを特徴とする請求項３に記載の方法。
5. 前記ビットストリームはＡＣ−３でエンコードされたことを特徴とする請求項１乃至請求項４のいずれか１項に記載の方法。
6. ビットストリームにエンコードされた前記オーディオは、前記オーディオの粗い表現が線形予測係数を具備し前記オーディオの細かい表現が該線形予測係数に関連するエキサイテーション情報を具備することを特徴とする請求項２に記載の方法。
7. 前記オーディオの粗い表現は少なくとも１つのスペクトルエンベロープを具備し、前記オーディオの細かい表現は少なくとも１つの該スペクトルエンベロープに関連するスペクトル成分を具備することを特徴とする請求項２に記載の方法。
8. 前記オーディオのパワースペクトルの前記近似値に則して該オーディオの音量の近似値を求めるステップには、重み付けられた出力音量計測を適用するステップを含むことを特徴とする請求項１乃至請求項７のいずれか１項に記載の方法。
9. 前記重み付けられた出力音量計測は、ほとんど知覚できない周波数を強調せず、フィルターされたオーディオの出力を時間で平均するフィルターを採用することを特徴とする請求項８に記載の方法。
10. 前記オーディオのパワースペクトルの前記近似値に則して該オーディオの音量の近似値を求めるステップには、心理音響に基づく音量計測を適用するステップが含まれることを特徴とする請求項１乃至請求項７のいずれか１項に記載の方法。
11. 前記心理音響に基づく音量計測は、人間の耳の臨界帯域に類似する複数の周波数帯域の各々における特定ラウドネスを決定するための人間の耳のモデルを採用することを特徴とする請求項１０に記載の方法。
12. 前記オーディオのパワースペクトルの前記近似値に則して該オーディオの音量の近似値を求めるステップには、心理音響に基づく音量計測を適用するステップが含まれることを特徴とする請求項３乃至請求項５のいずれか１項に記載の方法。
13. 前記サブ帯域は人間の耳の臨界帯域に近似し、前記心理音響に基づく音量計測は、各サブ帯域で特定ラウドネスを決定するために人間の耳のモデルを採用することを特徴とする請求項１２に記載の方法。
14. オーディオを完全にデコーディングすることなく該オーディオのパワースペクトルの近似値を導き出すことのできるデータが含まれるビットストリーム中にエンコードされたオーディオの音量を計測する装置であって、
    前記オーディオを完全にデコーディングしないで前記ビットストリームから前記オーディオのパワースペクトルの前記近似値を導き出す手段と、
    前記オーディオのパワースペクトルの前記近似値に則してオーディオの音量の近似値を求める手段と
    を具備することを特徴とする装置。
15. 前記データには、前記オーディオの粗い表現と、付随する該オーディオの細かい表現とが含まれ、前記オーディオのパワースペクトルの前記近似値は前記オーディオの粗い表現から導き出すことを特徴とする請求項１４に記載の装置。
16. ビットストリームにエンコードされた前記オーディオは、複数の周波数サブ帯域を有するエンコードされたオーディオのサブ帯域であり、各サブ帯域は、スケールファクターとそれに関連するサンプルデータとを有し、ここで、前記オーディオの前記粗い表現はスケールファクターを具備し、前記付随するオーディオの前記細かい表現は各スケールファクターに付随するサンプルデータを具備することを特徴とする請求項１５に記載の装置。
17. 各サブ帯域のスケールファクターとサンプルデータとは、このスケールファクターが指数からなり、それに付随するサンプルデータが仮数からなる指数表現により、サブ帯域中のスペクトル係数を表現することを特徴とする請求項１６に記載の装置。
18. 前記ビットストリームはＡＣ−３でエンコードされたことを特徴とする請求項１４乃至請求項１７のいずれか１項に記載の装置。
19. ビットストリームにエンコードされた前記オーディオは、前記オーディオの粗い表現が線形予測係数を具備し前記オーディオの細かい表現が該線形予測係数に関連するエキサイテーション情報を具備することを特徴とする請求項１５に記載の装置。
20. 前記オーディオの粗い表現は少なくとも１つのスペクトルエンベロープを具備し、前記オーディオの細かい表現は少なくとも１つの該スペクトルエンベロープに関連するスペクトル成分を具備することを特徴とする請求項１５に記載の装置。
21. 前記オーディオのパワースペクトルの前記近似値に則して該オーディオの音量の近似値を求める手段には、重み付けられた出力音量計測を適用する手段を含むことを特徴とする請求項１４乃至請求項２０のいずれか１項に記載の装置。
22. 前記重み付けられた出力音量計測は、ほとんど知覚できない周波数を強調せず、フィルターされたオーディオの出力を時間で平均するフィルターを採用することを特徴とする請求項２１に記載の装置。
23. 前記オーディオのパワースペクトルの前記近似値に則して該オーディオの音量の近似値を求める手段には、心理音響に基づく音量計測を適用する手段が含まれることを特徴とする請求項１４乃至請求項２０のいずれか１項に記載の装置。
24. 前記心理音響に基づく音量計測は、人間の耳の臨界帯域に類似する複数の周波数帯域の各々における特定ラウドネスを決定するための人間の耳のモデルを採用することを特徴とする請求項２３に記載の装置。
25. 前記オーディオのパワースペクトルの前記近似値に則して該オーディオの音量の近似値を求める手段には、心理音響に基づく音量計測を適用する手段が含まれることを特徴とする請求項１６乃至請求項１８のいずれか１項に記載の装置。
26. 前記サブ帯域は人間の耳の臨界帯域に近似し、前記心理音響に基づく音量計測は、各サブ帯域で特定ラウドネスを決定するために人間の耳のモデルを採用することを特徴とする請求項２５に記載の装置。
27. 請求項１乃至請求項１３のいずれか１項に記載の方法を実行するための装置。
28. 請求項１乃至請求項１３のいずれか１項に記載の方法をコンピュータに実行させるための、コンピュータが読み取り可能な媒体に記憶させたコンピュータプログラム。

Images