spx和mp3的一点粗粗浅看法
本帖最后由 idict 于 2016-10-16 12:33 编辑对声音文件wav的有损压缩的算法和容器/格式有很多很多... 其中最早最有名的是mp3, 后来有ogg, aac等等, 到现在的opus. mp3的优势是广泛普及, 容易编辑(用dos的copy/b命令就可以合并了). 94年已经有编码器了, 98年在lame和winamp的相助下, 迅速普及. 缺点是有专利(但后来个人使用免费). 编码质量和压缩比于今天来说已经不算好, 特别是低码率(小于64kbps)质量损失比较大. ogg是其中一个很好的编码容器. 无论高中低编码率和压缩比都比mp3要好. 而且免费开源. 缺点不容易编辑. 编辑后要重新编码. aac与ogg质量和压缩比相当, 优点是支持多音轨. 所以电影里的音频多是aac的, 可以容纳中文和英文等等多国音频一起打包. 缺点是需要授权. 现在的opus, 采用高编码率使用CELT, 低编码率用SILK, 中编码率取用无逢的混合编码(即SILK + CELT. [这是什么东东, 我不知道. 只是照抄的]). 所以全频顾及. 也支持多音轨. 而且开源免费. 现在在YouTube已经有看到踪迹了.
附opus主要开发者: Jean-Marc Valin
https://jmvalin.ca/
https://commons.wikimedia.org/wiki/Opus_(audio_codec)
题外话: 当初压缩CD时, 有比较过mp3和ogg, 最终使用ogg. mp3最少需要是192kbps(128kbps的话有较大差别), ogg就128kbps可以了. 如果ogg用192kbps, 质量要好. 文件大小与mp3相同码率相当. (现在不折腾了opus)
人耳可以听到的声音范围20 - 20kHz. 但音乐与语音的频率范围是有区别的. mp3会将16kHz以上的音乐信息削掉. 虽然说可以至20kHz. 但很多人都未必听得出有什么区别的. 语音的话, 只需要200Hz - 5kHz就满足人耳的要求了.
https://zh.wikipedia.org/wiki/%E8%81%BD%E9%96%BE
至于对语音的优化压缩, 也有很多. 没有什么了解. 最初看到录音文件有amr, 不知道是什么. 现在在了解mdx过程接触到spx, 于是找资料看. 原来也是针对语音压缩的文件格式. 采用ogg容器. CELP算法. (现在speex已经停止开发, 推荐使用opus, 在MDict_PC测试不支持opus.)
http://www.speex.org/
在经过一番考虑之后(虽然有选择困难症), 还是使用spx格式吧. 原因有MDict_PC支持的格式(最重要); 编码质量与压缩比相对mp3有很大优势. 至于只20-60ms的延时, 更是有巨大的优势, 虽然在MDict_PC用不着, 所以网络电话(VoIP)都不会使用mp3来编码的. 网络电台有会采用mp3格式(当年是rm的天下)
https://www.opus-codec.org/comparison/
以上是自家格式说自家的好(有很多测试报告, Google的也有, 但只有各自编码后的结果测试, 以下示例是mp3转spx后对比测试). 以下使用Audacity通过频谱显示(foobar2000也有频谱, 颜色只有灰度)来做一些实例.
频谱显示的设置, 声频增益: 20dB (红色 - 白色, 不能设置颜色的, 只是说明一下), 频谱范围: 80dB (蓝色 - 白色)
附件是其中各两个mp3/spx的比较文件. (我等没有技术的, 只能用蛮力做测试了)
例一, opposite angles
mp3 128kbps mono 16bit 44.1kHz 21,632 bytes 来自网络
spx 24kbps mono 16bit 32kHz 3,852 bytes 转换自之上mp3文件
- = = - -
如果原来是128kbps的mp3文件转换到spx, 优势很大.
16kHz的信息两者全部都没有了. 10kHz以下的, 没有明显区别, 5kHz以下, 应该是全部保存. mp3还有很多的空洞, 而spx编码时会补全空白. 技术优势吧.
(左/上为mp3, 右/下为spx)
例二, bank teller
mp3 24kbps mono 16bit 22.05kHz 2,430 bytes 来自原源
spx 24kbps mono 16bit 32kHz 2,484 bytes 转换自之上mp3文件
= = = + +
如果原来已经是低码率的mp3文件, 就没有什么优势, 能保持质量就已经很好的了. 因为低码率的mp3本身已经没有质量的保证, 并且损失很大, 也有空洞. 显示有只有6kHz以下的频率.
而转换后的spx, 虽然保有6kHz的, 但显示少了. 可是4.5kHz以下的应该是全部保存的, 即语音方面是基本保底的. 所以听起来, 低音多了. 实质是高频减少了. 而且也补全了mp3空白的地方.
(左/上为mp3, 右/下为spx)
在经过牛力般的测试, 偶有得一点粗粗浅的看法:
如果要mp3录语音的话, 64kbps, stereo/mono, 16bit, 22.05kHz/44.1kHz(选44.1kHz最好, 但有些软件会自动设为22.05kHz). 如果是音乐的话, 192kbps, stereo, 16bit, 44.1kHz. 这样质量会有最起码的保证. ogg的话, 192kbps已经很满意了.
如果是转换spx语音的话, 按上图二显示 24kbps就已经很好了. spx针对8/16/32kHz采样率有特别优化. 所以需要根据mp3的情况而定, 必要时重新采样.
如果是由低码率mp3转换成spx, 就要想想是否必须了. 对我来说是必须的, 因为想兼容MDict_PC啊.
所以低于64kbps的mp3, 全部转为: 24kpbs/32kHz. 这样spx的质量有保证.
128kbp的mp3, 全部转为: 32kbps/32kHz. 这样spx的各样优势都很大. 质量相当(语音优化后可以说是没有区别的, 例一图是24kbps的情况), 但文件大小会小很多很多很多. 即128kbps/32kbps = 4, 即只是mp3的1/4; 如果想狠一点用24kbps, 即只有原来的1/5.33333333...
看来speex不是吹的, 的确是对语音优势压缩, 而非mp3所能及的. 这个对比是基于mp3转spx的两者比较. 如果是分别都是转自wav的话, 就可以参详一些专业的测试结果.
也测试过11kbps/16kHz的mp3转为11kbps/16kHz之spx. 就有爆破音了, 即使是24kbps/32kHz的spx, 也很不能有好的保留质量. 因为本身mp3的质量好不到那里去, 质量损失已经太大了, 也有爆破音, 只是没有那么明显而已. 建议不要转换了. 毕竟需要花时间了.
之前有一个dos的mp3转spx的命令行文件, 后来增加一个py的多线程转换脚本文件, 轮换效能高了不少. 但笔记本电脑谨慎使用. 因为是根据CPU核心数量100%全开的, 发热量很大.
附件是其中各两个mp3/spx文件只是用作测试的. 无需要下载.
本帖最后由 onlyXXenglish 于 2016-7-21 11:34 编辑
学习一下。
PS：我的观点是希望MDict支持的格式越多越好，词典原版数据是什么格式的就可以用什么格式的，音频转换是一件很痛苦的事并且还要考虑损耗问题，数量小还好，偏偏词典的音频都是几万...几十万...的，转换起来实在痛苦。 之前也是觉得语音的话64kbps够用了，后来很多音频采用了128kpbs以上，再回去听64就发现已经不能听了{:4_91:}
感谢分享知识！
我下的128k mp3有声电子书都是用itunes转换为16k单声道acc格式的，用肉耳听听也没啥区别，但是可以节约8倍的空间，呵呵！下次试试转成spx有啥区别：） {:4_114:} 某种意义上说，现在AAC是首选了。 请问您是用什么软件把MP3转换成SPX的?能否分享一下转换软件?谢谢。 qwertzui 发表于 2016-10-13 19:40
请问您是用什么软件把MP3转换成SPX的?能否分享一下转换软件?谢谢。
使用lame.exe解码, speexenc.exe编码. 写了个批处理和py.
在最后的附件里(详见说明注意部分):
https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=17196&fromuid=201568
不作参考. 语音还需要这么纠结吗 谢谢分享宝贵经验，但我的情况相反，我想把大量spx文件转为mp3格式，你知道怎么样最优吗，真心请教
页:
[1]