MP3是如何骗过你耳朵的?

时间:2022-05-08 09:48:11       来源:腾讯网

现在几乎所有音乐软件都普及了 FLAC 无损格式,MP3 格式早已成为过去时。但这个记忆中最常见的音频格式,虽然大小只有别人的几分之一,音质却并不差,不免让人好奇它到底使用了哪些黑科技。

从爱迪生发明留声机开始,人类保存和传播声音的历史已经有 140 多年。

但在最近的 20 年里,一种音频格式的诞生却改变了人们的音乐体验。那就是 MP3 。

作为世界上应用最为广泛的音频格式,MP3 的诞生第一次让音乐成为一种人人可以触及的大众消费品。

应该有不少小伙伴拥有的第一个音乐播放器,就是 MP3 Player 吧,甚至在当年,大家都默认 MP3 就是音乐的代名词。

但同样是数字音频, MP3 只有标准 CD 大小的十二分之一,而对于人耳来说,这两者的区别,有,但要比图片压缩之类的要难以察觉的多了,所以它对音乐做了什么? 又丢掉了什么呢?

今天跟大家聊聊你最常见到的音频格式——MP3。

MP3 到底丢失了什么?

压缩前后的区别是什么?

如果我们想减少一个文件的体积,最直接的方法就是压缩。

通常我们理解的压缩,都是重复压缩。比如你去超市买 5 瓶可口可乐,小票上不会写 5 次可乐,只用写“ 可口可乐*5 ”就行了。这个过程就相当于把文件里重复的部分用更短的字节编码。文件本身不会丢失数据,解码后也不会损耗任何信息,只是让文件体积变小了。

这是一种无损压损,实际上 MP3 的最后一步就是这么干的,它用一种叫Huffman Coding的算法来完成。但如果只用这种算法,MP3的体积并不会显著缩小。

因为声音本身是一种极其混乱,信息熵非常高的数据。所以这种方式不可能让它缩小到 CD 体积的 10 % 。

那既然无损压缩这条路走不通了,干脆就丢掉一些信息好了。

那 MP3 到底丢了哪些声音呢?

我们要想知道答案,最简单的方式就是对比。

我们把同一段声音的 MP3 和它的无损版本并列在两条轨道上,把其中一轨反相,那如果它俩的声音是一样的,就会互相抵消,我们就应该得到一个静音效果。这也是降噪耳机的工作原理。

但因为 MP3 是有损压缩,所以实际听起来会是这样:

但只有这样我们还说不出 MP3 和无损的区别。如果一段音乐就是在 MP3 和无损之间不断切换的,你真的能区分的出来吗?我相信你是听不出来的。

这就是 MP3 算法的神奇之处,它的压缩并不是简单的丢掉声音数据,而是在丢掉数据的同时,你却察觉不到。

MP3诞生史

Brandenburg 和 Dieter Seitzer 的故事

70 年代末,有一个叫迪特·塞策( Dieter Seitzer )的德国教授突然冒出个超前的想法。他想让大家可以坐在家里,用 ISDN 的电话线,打电话来点播音乐,就跟点唱机差不多。

ISDN 是当时流行的数字线路,也叫“ 一线通 ”,你可以用它打电话、收发传真之类的,但它的速率只有128kbps 。

所以当迪特把这个想法申报专利的时候,专利局的工作人员告诉他这事儿没戏。除非你能让 ISDN 的网络速率提高十二倍,那才够传输 CD 的数据量。

迪特一听,提网速这事儿估计自己干不了,但如果发明出一种只有 CD 1/12 大小 的音频格式,不就可以搞这个“ 数字点唱机 ”了吗。于是他转头把这个发明工作交给了自己一个叫Karlheinz Brandenburg的学生。

Brandenburg 的硕士论文研究方向是一个叫 ATC 的语音压缩算法,迪特也是看中了这点才找到他的。但 Brandenburg 接到这个任务的时候也很郁闷。

心想 tnnd 你一个教授都做不出来,我小小一博士生怎么做的出来,但导师交待的任务又不能不完成,所以他就打算用几年的时间来证明这事儿不可能,然后论文一写,把博士学位混到手算球!而就在他证明“ 不可能发明一个比 CD 小 12倍 的音频文件 ”的过程中,他却发现,哎,这事还真是有可能的。

心理声学与MP3

让 Brandenburg 觉得这事儿有戏的关键,是一个极其冷门的学科,叫心理声学( Psychoacoustics )。

这是一门心理物理学的分支研究,最早源于人们对音乐和乐器的探索,后来成为了研究人的生理感官和客观声音世界之间关系的学科。听起来很复杂,其实很好理解,比如人耳的声音定位,听力范围这类研究,都属于心理声学的范畴。

在心理声学里有一个非常经典的研究,就是等响曲线。这个曲线告诉我们,人耳对于不同频率的声音,感知相差极大。人类的听觉范围在20-20000Hz之间,而在这个范围里的不同频率下,我们听到的响度是不一样的。

低频的声音需要更大的声压才能和中频较小的声压,所形成的声音大小听起来相等。

就比如贝斯就需要更大的音量,才能跟吉他声听起来差不多大。这也是为什么贝斯这类低音乐器的音箱要比其他音箱的体积大得多。

而图中的最低点出现在3000Hz左右,所以说明人对这个频率的声音最敏感,只需要比较小的声压就能听到。比如我们听到的大部分的警报声,基频都在 1000-3000Hz ,这样人耳才能更容易捕捉这些声音,从而避免危险。

有意思的是,随着年龄增大,我们对于声音的接收范围也在变小,大多数成年人听不到频率在 16000Hz 以上的声音。

沿着这个方向,等响曲线的发现者又研究出了一个更加神奇的事情,让我们意识到我们的感官和客观到底差距有多么巨大。

这个东西,就是“ 掩蔽 ”( Masking )

声音掩蔽 Sound Masking

1958 年的某天下午,一个叫 Licklider 的心理学家去看牙医,他跟医生说,我不需要打麻药。然后掏出了一副耳机,开始听震耳欲聋的音乐。在巨大的音乐声中,牙医帮他搞定了三颗龋齿,而他就像被打了麻醉剂一样,竟然没有感觉到疼。

Licklider 把这项技术命名为 Audiac ,之后他带着这玩意和牙医一起巡诊拔牙,还帮助了不少妇女缓解了分娩时的疼痛。

Audiac 用了一种强烈的听觉刺激来抑制疼痛,这就是一种跨感官的掩蔽效果

在听觉系统中,一种声音也会被另一种同时发出的声音所掩盖。比如在一个乐队里,往往是吉他声在 C 位,但如果突然有相似频率的乐器加入,比如小号。那吉他的声音就会被短暂的淹没。这一过程叫作同频掩蔽

我们用一个动画来举例子,当一个频率从低到高的噪音经过一个正弦音的时候,这个声音会被噪音掩盖。

听起来就是这样:

再比如你上课的时候,想用一声咳嗽来掩盖自己放屁的声音,那你最好要满足三个条件,一是咳嗽声的时长大于等于屁声,二是咳嗽声的响度要大于等于屁声。三是要保证二者的频率接近。这三个条件都满足,才是一次出色的掩蔽。

那这和 MP3 有什么关系呢?MP3 的算法就是利用了人耳的这种特性,将歌曲中不同频率里被淹没的声音瞬间,给丢掉了。这样就可以在减少文件体积的条件下,最小程度的损失音质。

时间掩蔽 temporal masking

但这还不够。

当我们听到一个噪音戛然而止的之后,实际上会有一个 100-200ms 的逐渐减弱的掩蔽效果。在噪音完全停止后的这段时间里,比他更小的声音会被掩蔽,我们是完全听不见的,就像我们的耳朵需要 200ms 的时间回复知觉一样。

不光如此,噪音还会掩蔽在它之前的声音,虽然只有 50ms,但对于感官来说已经是相当长的一段时间了,这意味着我们的大脑需要 50ms 的缓冲才能报告到意识里。

而这个前后过程,就叫作时间掩蔽

MP3 压缩算法的核心,就是利用一个精心迭代了许多年的人体听觉心理学模型,把音乐里的每一个瞬间对应在 MP3 文件格式里的每一帧( FRAME ),检查这个帧内,上述两种掩蔽作用所发生的频率和时间段,把那些被掩盖的,我们听不到的音频信息统统丢掉。

这个过程并不单纯是精确地,机械式地判断,它的底色其实是感官上的把控。

在 MP3 算法测试初期,测试人员需要在海量的歌曲中找出 MP3 压缩算法的问题。它们要在各种歌曲的 MP3 和无损版本之间对比,而且每听一首歌他们都要评级,一共有四个等级,分别是:听不出区别、有一点区别、有点难听和非常难听。特别是最后两个选项,可以说是非常主观的判断了。

这意味着 MP3 算法的发明和改进,实际上把人的主观评判作为考量的目标之一。我们不能说这种算法是完全主观的,它也不是绝对客观的,所以它的效果也不可能在所有歌曲中都是平均的。

Vega和音频编码标准之战

说到这,就不得不提 MP3 发明过程中的一个小故事。在 MP3 压缩算法测试的最后阶段曾遇到过一个大难题,当时 Brandenburg 和他的同事们觉得自己的算法已经非常牛逼了,几乎在所有的双盲测试中都很难听出区别。

有天他无意中看到杂志上说大家喜欢用 Suzanne Vega 的歌曲 Tom"s Diner 来测试自己的音箱,而他正好在弗劳恩霍夫实验室( Fraunhofer )看到了这张 CD ,于是他就把这首歌上传到了电脑上。

这首歌非常简单,是一个纯人声,没有伴奏的歌曲。但当他通过 MP3 的压缩算法处理这首歌之后,却得到这样一个效果。

在 MP3 较低的比特率下,Vega 的声音变得沙哑,不自然。于是在之后的一年时间里,研发团队又对 MP3 算法做了几千次的微小调整, Brandenburg 说自己至少听了三千遍这首歌,可能比地球上任何人听得次数都多。

最后他们成功压缩了这首 Tom"s Diner ,也通过这首歌,真正完善了 MP3 的压缩算法。

许多年之后,Brandenburg 真的遇到了 Vega ,而且还现场听她唱了那首Tom"s Diner。尽管已经听了无数遍,但他说,这首歌依然很好听。

Brandenburg 终于在 1989 年发表了他的论文。下一步就是将这项技术推向世界。也就是在 90 年代初,业界突然出现好几种新兴技术,它们正在寻找一种新的音频编码标准来使用,这其中包括我们熟悉的“ CD-ROM ”和“ DVD ”。于是他和他的团队向动态影像专家组( MPEG )提交了参赛作品,他们要和另外 13 个团队竞争新的音频编码标准。而最大的竞争对手来自一个名为 MUSICAM 的组织,这个组织的背后是飞利浦,当时飞利浦手握 CD 光盘的专利,可以说是如日中天。

所以尽管他们团队的技术数据量更小,音质也更强,但最后还是输给了 MUSICAM 。

因为MUSICAM 的算法需要的处理能力更少。在当时处理器普遍不太行的时代,确实更有优势。

因此在当年,MP3 是一个妥妥的失败品。连它的发明者也已经开始着手研究新的音频编码。MP3 就这样被扔进了历史的垃圾堆里。

直到 90 年代中期,两种革命性技术的诞生,让 MP3 这颗弃子重新活了过来,那就是万维网和 Windows 95。

一个同样来自德国的研发团队,开发了一种用于 MP3 的软件播放器,并且发布在了 Windows 系统上。

当时,1 GB 大小的硬盘刚刚开始普及,存储空间非常珍贵,反而处理器有了巨大的提升。所以体积更小的 MP3 慢慢被大家接受,也意外的成为了新的音频编码标准。1995年7月14日是 MP3 的生日,Karlheinz Brandenburg 和他在弗劳恩霍夫研究所的同事们( Fraunhofer )决定把这个压缩算法的文件扩展名,根据行业标准的全称 MPEG-2 Audio Layer III ,命名为 .MP3。

到了 90 年代后期,“ MP3 ”取代“ SEX ”成为搜索引擎上查询最多的词。某次 Brandenburg 在香港出差时,看到橱窗里摆着 30 种不同品牌的 MP3 播放器,他心想,“ 好吧,我们终于赢了。”

MP3 正在消失

MP3 的诞生比我想象的要复杂的多,它是一个耗时多年,经历了无数迭代才得到的科研成果。这个成果可以说是重塑了人类音乐产业。也正是由 MP3 开始,音乐,成了一种人人可以触及的大众消费品。

从黑胶、磁带,再到 CD、MP3,每一次技术革新都在改变人们的音乐体验,也在改变大家消费音乐的方式。而 MP3 在这段历史中格外的与众不同。推崇它的人认为,MP3 无比伟大,它让大家都能便捷地享受音乐;而反对它的人,视它如猛兽,因为它吞噬了唱片公司赖以生存的版权,以及唱片业曾经的黄金时代。

今天,数字音乐留了下来,但 MP3 已经走到了被时代淘汰的边缘。我们再也不需要把音乐下载到播放器里,再用播放器来听音乐,大家都是用手机在线听歌,5G 通讯和几百G内存,让音频压缩变得更没必要,音乐平台也渐渐转向了FLAC等无损格式。

但我们都记住了那个听 MP3 的时代,和那些陪伴过我们的音乐。

撰文:杨子视频制作:张咏 & 小爪

动效:天宇美编:焕妍(视频)& 萱萱(推文)

图片、资料来源:

不在场 S2E1 MP3 -重轻

Equal-loudness contour

Karlheinz Brandenburg,Dieter Seitzer,Huffmancoding -Wikipedia

How MP3 Got Its Groove -Internet hall of fame

The History of MP3 Technology -ThoughtCo.

The Human Auditory System -ScienceDirect

The Music Industry Strikes Back | System Shock Ep 2 -Bloomberg Quicktake: Originals

How a Suzanne Vega Song Helped Create the MP3 - Great Big Story

Perceptual Coding: How Mp3 Compression Works -WaybackMachine

SOUND THAT KILLS PAIN - Will Stephenson

语音信号处理 -韩纪庆

声学发展史之——心理声学(Psychoacoustics) -知乎 子鱼

MP3 走到了终点,为电话和广播而生的技术,改变了整个音乐产业 -好奇心日报

本文经授权转载自微信公众号:差评 作者:差评君

转载内容仅代表作者观点

不代表中科院高能所立场

编辑:刘玉龙

精彩视频 不要错过

[东方时空]吾家吾国 陈和生

星标关注“中科院高能所”微信公众号

精彩内容不错过

关键词: 音频格式