Capitolul III. Semnalul Audio

1. Analog

Orice perturbaţie (energie mecanică) propagată printr-un mediu material sub forma unei unde se numeşte sunet. Se includ şi vibraţiile la frecvenţe din afara domeniului de sensibilitate al urechii: infrasunete (sub 20 Hz) şi ultrasunete (peste 20 kHz).

Sunetul, din punct de vedere fiziologic, constituie senzaţia produsă asupra organului auditiv de către vibraţiile materiale ale corpurilor şi transmise pe calea undelor acustice. Urechea umană este sensibilă la vibraţii ale aerului cu frecvenţe între 20 Hz şi 20 kHz, cu un maxim de sensibilitate auditivă în jur de 3500 Hz.

Un caz particular de sunet este zgomotul, care se remarcă prin lipsa obiectivă sau subiectivă a unei încărcături informaţionale. Zgomotul deranjează fie prin senzaţia neplăcută pe care o produce, fie prin efectul negativ asupra transmiterii de informaţie.

Sunetul este o entitate caracterizată de patru atribute: înălţime, durată, intensitate şi timbru.

Înălţimii îi corespunde frecvenţa (măsurată în Hz). Intensităţii îi corespunde nivelul de intensitate sonoră (măsurat în dB).

Tipuri de sunete:

Sunet asociat - semnal de frecvență audio care însoțește imaginea de televiziune. Sunet complex - sunet compus din mai multe sunete pure. Sunet reverberat - sunet care persistă după ce o sursă sonoră încetează să emită,

prelungind sunetul inițial un timp finit. Sunet vobulat - sunet a cărui frecvență variază periodic în jurul unei valori medii,

folosit în măsurători electroacustice.

Caracteristici ale sunetului:

Amplitudinea este caracteristica undelor sonore pe care o percepem ca volum. Frecvenţa unui sunet este numărul de perioade, sau oscilaţii, pe care o undă sonoră le

efectuează într-un timp dat. Frecvenţa este masurată în hertzi, sau perioade pe secunda. Undele sonore se propagă şi la frecvenţe mari şi la frecvenţe joase.

Intensitatea sunetului este măsurată în decibeli (dB). De exemplu, intensitatea la minimul auzului este 0 dB, intensitatea şoaptelor este în medie 10 dB, iar intensitatea fosnetului de frunze este de 20 dB.

Reflexia. Rezultatul reflexiei sunetului este ecoul. Un megafon este un tub de tip cornet care formează o rază de unde sonore, reflectând unele dintre razele divergente din parţile tubului. Un tub similar poate aduna undele sonore dacă se îndreaptă spre sursa sonoră capătul mai mare; astfel de aparat este urechea externă a omului.

Refractia Sunetul, într-un mediu cu densitate uniformă, se deplasează înainte într-o linie dreaptă dar ca şi în cazul luminii, sunetul este supus refracţiei, care îndepărtează undele sonore de directia lor originală.

Viteza sunetului Frecvenţa unei unde sonore este o masură a numarului de unde care trec printr-un punct dat într-o secundă. Distanţa dintre doua vârfuri succesive ale undei (ventre) se numeşte lungime de undă. Produsul dintre lungimea de undă şi

1

frecvenţă este egal cu viteza de propagare a undei, şi este aceeaşi pentru sunetele de orice frecvenţă (dacă sunetul se propagă în acelaşi mediu la aceeaşi temperatură

Digitizarea sunetului:

-se produce în trei etape: Prelucrarea semnalului analog şi trecerea lui printr-un convertor analog – digital; Eşantionarea semnalului convertit, astfel încât să se păstreze un volum mic de

informaţii, dar care să aproximeze suficient de bine forma semnalului audio iniţial; aceasta constă în secţionarea semnalului analog de un număr de 5.500 până la 48.000 de ori pe secundă si păstrarea valorilor determinate; cu cât esantionarea este mai densă, cu atât este mai bună aproximarea formei semnalului iniţial, dar vor fi mai multe valori de stocat în fisier;

Stocarea informaţiilor numerice pe un suport de memorie externă conform unui format standard.

Etapa critică în procesul de numerizare a sunetului este reprezentată de eşantionarea semnalului. Prin aceasta se înţelege secţionarea semnalului analog pe orizontală, de un număr de ori pe secundă, număr cuprins între 4500 şi 40000.

Figura 1. Reprezentarea grafica a sunetului

Corzile vocale vibrează şi timpanul recepţionează aceste vibraţii. Transferul se realizează prin mişcarea moleculelor din aer, care fac ca vibraţiile sa fie percepute.

Fluctuaţia de vibraţii este tradusă analogic printr-o variaţie continuă a tensiunii, care produce o undă oscilatorie electrică, ce este imprimată membranei difuzorului.

Avantajele numerizarii sunt:

Stocare si manipulare mult mai usoară; Păstrarea calităţii informaţiei la copierea pe un alt suport, comparativ cu forma

anologă la care calitatea se degradează prin copiere; Degrarea cu mult mai redusă a suportului fizic de stocare, în cazul fisierelor de sunet,

comparativ cu forma analog.

2

Cele mai utilizate frecvenţe de esantionare sunt cele de 8 KHz (pentru anunţurile făcute prin vocea umană), 11 KHz (pentru înregistrările vocale, prin microfon sau telefon), respectiv 22 KHz şi 44,1 KHz (pentru CD-Audio).

În afară de rezoluţia pe orizontală, calitatea sunetului mai depinde si de rezoluţia pe verticală, adică de intervalul dintre sunetul de cea mai mare intensitate şi sunetul de cea mai mică intensitate. Acest interval, numit şi spectru dinamic, depinde de precizia conferită sunetului numerizat, prin precizia asociată numărului memorat corespunzător amplitudinii sunetului, în cadrul diviziunii de esantionare. Din acest punct de vedere, există două standarde mai răspândite: pe 8 respectiv 16 biţi şi uneori şi 12 biţi.

2. AES

AES3 este un standard utilizat pentru transportul semnalelor audio digitale intre dispozitive audio profesionale. Este cunoscut si sub numele de AES / EBU și a fost publicat de Societatea de Inginerie (AES) ca parte a CEI 60958. Acesta a fost dezvoltat de către AES și Uniunea Europeana de Radiodifuziune (UER), publicat prima dată în 1985 și ulterior revizuit în 1992 și 2003. Acesta este capabil de a transporta două canale audio PCM in diferite medii de transmisie, inculsiv pe fibra optica.

Conexiuni hardware:

The AES3 standard parallels part 4 of the international standard IEC 60958. Of the physical interconnection types defined by IEC 60958, three are in common use:

IEC 60958 Type I Balanced – 3-conductor, 110-ohm twisted pair cabling with an XLR connector, used in professional installations (AES3 standard)

IEC 60958 Type II Unbalanced – 2-conductor, 75-ohm coaxial cable with an RCA connector, used in consumer audio (coaxial S/PDIF)

IEC 60958 Type II Optical – optical fiber, usually plastic but occasionally glass, with an F05 connector, also used in consumer audio (optical S/PDIF)

The AES-3id standard defines a 75-ohm BNC electrical variant of AES3. This uses the same cabling, patching and infrastructure as analogue or digital video, and is thus common in the broadcast industry.

F05 connectors, 5 mm connectors for plastic optical fiber, are more commonly known by their Toshiba brand name, TOSLINK. The precursor of the IEC 60958 Type II specification was the Sony/Philips Digital Interface, or S/PDIF.

Tipuri de conectori:IEC 60958 Type I Balanced: INPUT: XLR male plug (cable) mates to XLR female jack (device) OUTPUT: XLR female plug (cable) mates to XLR male jack (device)IEC 60958 Type II Unbalanced: INPUT: RCA male plug (cable) mates to RCA female jack (device) OUTPUT: RCA male plug (cable) mates to RCA female jack (device)IEC 60958 Type II Optical fiber: INPUT: Fiber male plug (cable) mates to TOSLINK female jack (device) OUTPUT: Fiber male plug (cable) mates to TOSLINK female jack (device)

3

Protocol:

AES/EBU was designed primarily to support stereo PCM encoded audio in either DAT format at 48 kHz or CD format at 44.1 kHz. No attempt was made to use a carrier able to support both rates; instead, AES/EBU allows the data to be run at any rate, and recovers the clock rate by encoding the data using biphase mark code (BMC).

Each sample time, one 64-bit frame is transmitted. This is divided into two 32-bit subframes or channels containing one sample each: A (left) and B (right). Each subframe consists of 32 time slots used to transmit individual data bits or synchronization information. 24 bits are available for audio data, of which 20 bits are normally used.

192 consecutive frames are grouped into an audio block. Certain status information is transmitted once per audio block. At the default 48 kHz sample rate, there are 250 audio blocks per second, and 3,072,000 bits per second with a biphase clock of 6.144 MHz 

The 32 time slots of each subframe are used as following:

Time slots 0 to 3

These slots contain a specially coded preamble that identify the subframe and its position within the audio block. They are not normal BMC-encoded data bits, although they do still have zero DC bias.

Three preambles are possible :

X (or M) : 11100010 if previous time slot was "0", 00011101 if it was "1". (Equivalently, 10010011 NRZI encoded.) Marks a word for channel A (left), other than at the start of an audio block.

Y (or W) : 11100100 if previous time slot was "0", 00011011 if it was "1". (Equivalently, 10010110 NRZI encoded.) Marks a word for channel B (right).

Z (or B) : 11101000 if previous time slot was "0", 00010111 if it was "1". (Equivalently, 10011100 NRZI encoded.) Marks a word for channel A (left) at the start of an audio block.

They are called X, Y, Z in the AES3 standard; and M, W, B in IEC 958 (an AES extension).

The 8-bit preambles are transmitted in time allocated to the first four time slots of each subframe (time slots 0 to 3). Any of the three marks the beginning of a subframe. X or Z marks the beginning of a frame, and Z marks the beginning of an audio block.

Time slots 4 to 7

If the audio word length is more than 20 bits, these slots carry the least significant bits of the audio sample data.

If the audio word length is 20 bits (the default) or less, these time slots can carry auxiliary information such as a low-quality auxiliary audio channel for producer talkback or recording studio-to-studio communication.

Time slots 8 to 27

These time slots carry 20 bits of audio information starting with LSB and ending with MSB. If the source provides fewer than 20 bits, the unused LSBs will be set to the logical 0 (for example, for the 16-bit audio read from CDs bits 8–11 are set to 0).

4

Time slots 28 to 31

These time slots carry associated bits as follows:

V (28) Validity bit: it is set to zero if the audio sample word data are correct and suitable for D/A conversion. Otherwise, the receiving equipment may be instructed to mute its output during the presence of defective samples. It is used by most CD players to indicate that concealment rather than error correction is taking place.

U (29) User bit: any kind of data such as running time, song, track number, etc. One bit per audio channel per frame form a serial data stream. Each channel of each audio block has a single 192 bit control word.

C (30) Channel status bit: like the user bit, the bits from each frame of an audio block are grouped to make a 192-bit channel status word. Its structure depends on whether AES/EBU orS/PDIF is used.

P (31) Parity bit: for error detection. A parity bit is provided to permit the detection of an odd number of errors resulting from malfunctions in the interface. If used, it is set to provide even parityover bits 4–31.

Fig 2. Simple representation of the protocol for both AES/EBU and S/PDIF

Channel status word in AES/EBUAs stated before there is one channel status bit in each subframe, making one 192 bit

word for each channel in each block. This 192 bit word is usually presented as 192/8 = 24 bytes. The contents of the channel status word are completely different between the AES3 and S/PDIF standards, although they agree that the first channel status bit (byte 0 bit 0) distinguishes between the two. In the case of AES3, the standard describes in detail how the bits have to be used. Here is a summary of the channel status word: byte 0: basic control data: sample rate, compression, emphasis

bit 0: A value of 1 indicates this is AES/EBU channel status data. 0 indicates this is

S/PDIF data.

5

bit 1: A value of 0 indicates this is linear audio PCM data. A value of 1 indicates

other (usually non-audio) data.

bits 2–4: Indicates the type of signal preemphasis applied to the data. Generally set to

100 (none).

bit 5: A value of 0 indicates that the source is locked to some (unspecified) external

time sync. A value of 1 indicates an unlocked source.

Bits 6–7: Sample rate. These bits are redundant when real-time audio is transmitted

(the receiver can observe the sample rate directly), but are useful if AES/EBU data is

recorded or otherwise stored. Options are unspecified, 48 kHz (the default), 44.1 kHz,

and 32 kHz. byte 1: indicates if the audio stream is stereo, mono or some other combination.

bits 0–3: Indicates the relationship of the two channels; they might be unrelated audio

data, a stereo pair, duplicated mono data, music and voice commentary, a stereo

sum/difference code.

bits 4–7: Used to indicate the format of the user channel word. byte 2: audio word length

bits 0–2: Aux bits usage. This indicates how the aux bits (time slots 4–7) are used.

Generally set to 000 (unused) or 001 (used for 24-bit audio data).

bits 3–5: Word length. Specifies the sample size, relative to the 20- or 24-bit

maximum. Can specify 0, 1, 2 or 4 missing bits. Unused bits are filled with 0, but

audio processing functions such as mixing will generally fill them in with valid data

without changing the effective word length.

bits 6–7: Unused byte 3: used only for multichannel applications byte 4: Additional sample rate information.

bits 0–1: indicate the grade of the sample rate reference, per AES11.

bit 2: reserved

bits 3–6: Extended sample rate. This indicates other sample rates, not representable in

byte 0 bits 6–7. Values are assigned for 24, 96, and 192 kHz, as well as 22.05, 88.2,

and 176.4 kHz.

bit 7: This "sampling frequency scaling flag", if set, indicates that the sample rate is

multiplied by 1/1.001 to match NTSC video frame rates. byte 5: reserved bytes 6–9: Four ASCII characters for indicating channel origin. Widely used in large

studios. bytes 10–13: Four ASCII characters indicating channel destination, to control automatic

switchers. Less often used. bytes 14–17: 32-bit sample address, incrementing block-to-block by 192 (because there

are 192 frames per block). At 48 kHz, this wraps every 24h51m18.485333s. bytes 18–21: as above, but offset to indicate samples since midnight.[2]

byte 22: contains information about the reliability of the channel status word.

6

bits 0–3: reserved

bit 4: if set, bytes 0–5 (signal format) are unreliable.

bit 5: if set, bytes 6–13 (channel labels) are unreliable.

bit 6: if set, bytes 14–17 (sample address) are unreliable.

bit 7: if set, bytes 18–21 (timestamp) are unreliable. byte 23: CRC. This byte is used to detect corruption of the channel status word, as might

be caused by switching mid-block. (Generator polynomial is x8+x4+x3+x2+1, preset to 1.)

7