MP3. Seminar: Internetprotokolle für die Multimediakommunikation WS 2002/2003. Lehrstuhl für Informatik IV. Volker Wetzelaer Matrikelnummer:

Transkript

1 Internetprotokolle für die Multimediakommunikation - MP3-1 - Lehrstuhl für Informatik IV Rheinisch-Westfälische Prof. Technische Dr. rer. nat. Otto Hochschule Spaniol Aachen MP3 Seminar: Internetprotokolle für die Multimediakommunikation WS 2002/2003 Volker Wetzelaer Matrikelnummer: Betreuung: Jan Kritzner Lehrstuhl für Informatik IV, RWTH Aachen

2 Internetprotokolle für die Multimediakommunikation - MP3-2 - Inhaltsverzeichnis Proseminar Internetprotokolle für die Multimediakommunikation 1 MP3: Ein Format für digitale Audiodaten 1 1. Einführung Geschichte Ausblick 4 2. Psychoakustische Phänomene Reduktion Maskierung Stereoeffekte 9 3. Der MP3-Code Encoder Huffman-Code Decoder Qualitätsdifferenzen bei der Komprimierung Zusammenfassung Literaturreferenz 16

3 Internetprotokolle für die Multimediakommunikation - MP Einführung 1.1 Geschichte Am Fraunhofer-Institut für Integrierte Schaltungen (ISS) begann man 1987 in Zusammenarbeit mit der Universität Erlangen mit der Entwicklung eines neuartigen Kompressionsalgorithmus, der auf einem Projekt (EU147) der EUREKA* aufbaute. Man wollte ein Audioformat schaffen, das im Gegensatz zu den früher häufig verwendeten WAVE-Files deutlich weniger Speicherplatz benötigte. Im Endeffekt sollte die Musikqualität möglichst wenig beeinträchtigt werden. Dabei entstand das so genannte MP3-Format, veröffentlicht als ISO-MPEG Audio Layer-3 Standard. MPEG steht für Motion Pictures Experts Group, denn ursprünglich diente das als MP3 bekannte Audioformat nur als Tonspur eines MPEG-Videos. Die Forschungen am MPx Audio-Format wurden in Abschnitte unterteilt. MP3 steht für MPEG 1 Layer 3, heißt soviel wie die dritte und somit momentan modernste standardisierte ( im Jahre 1991) Entwicklungsstufe an diesem Audioformat, wobei MP1 und MP2 für die entsprechend älteren Layer stehen. Mit der Weiterentwicklung des Formats und somit von Layer zu Layer stiegen die Komplexität der Codierung sowie die damit erreichte Verringerung der letztendlichen Dateigroesse. Mit MP3 erreicht man heute einen Kompressionsfaktor von 1:12. Dadurch wird es möglich, die umfangreichen Audiodaten einer CD ( 1411 kbit/s) so stark zu komprimieren, dass diese mit 128 kbit/s über eine ISDN-Leitung, sofern man beide B-Kanäle bündelt, in Echtzeit übertragen werden können. Aber nicht nur die Performance schritt voran, auch die Popularität von MP3 hat sich in den 90er Jahren sehr rasant entwickelt. Anfang 1999 war MP3 der laut am häufigsten gesuchte Begriff im Internet, das natürlich durch seine analog rasante Entwicklung erheblich zum durchschlagenden Erfolg des MP3-Formates beigetragen hat. Heutzutage ist MP3 das populärste und am meisten verbreitete Audioformat zum Austausch von Musik und mittlerweile auch zum Online Musikverkauf. *EUREKA ist ein Institut für marktnahe und grenzüberschreitende Forschung in Europa. Ins Leben gerufen wurde die EUREKA durch die Europäische Union.

4 Internetprotokolle für die Multimediakommunikation - MP Ausblick In der folgenden Ausarbeitung werde ich versuchen zu erläutern, warum digitale Musik im MP3-Format im Vergleich zum herkömmlichen WAVE-Format wesentlich weniger speicherintensiv ist. Die Entwickler haben hierbei an verschiedenen Stellen angesetzt, um entscheidend Speicher einsparen zu können. MP3 wurde als verlustbehaftetes Audioformat entwickelt. Ein wesentlicher Bestandteil des Encoders besteht darin, Frequenzen sowie stellenweise Frequenzbereiche herauszufiltern, die später auch nicht wiederhergestellt werden können. In Kapitel 2 werde ich beschreiben, wie sich die Entwickler die generellen Schwächen des menschlichen Gehörs zu Nutze machen. Es handelt sich hierbei um psychoakustische Phänomene, die es erlauben, einen grossen Teil der auf einer CD oder im WAVE-Format gespeicherten Audiodaten einfach herauszufiltern, ohne dass dabei für das menschliche Gehör entscheidende Qualitätsverluste entstehen. In diesem Zusammenhang werde ich in diesem Kapitel beschreiben, dass man auch eine weitere Schwäche des menschlichen Gehörs, die Trägheit, ausnutzen kann um wiederum Daten einzusparen. Dieser Effekt beruht auf einer sogenannten Recovery-Time, die im Rahmen des Begriffes der Maskierung noch genauer erläutert wird. Letztendlich wird es in diesem Kapitel noch um Stereoeffekte gehen. Auch hier machte man es sich bei der Entwicklung zu Nutze, was Stereo für das Gehör überhaupt bedeutet, wie und wann Stereoeffekte für das Gehör entstehen, und ob wirklich immer zwei voneinander unabhängige Tonspuren benötigt werden, um die Qualität zu erhalten bzw. nicht entscheidend zu senken. In Kapitel 3 werde ich den Aufbau sowie die Entstehung einer MP3-Datei beschreiben. Es werden beim Encodieren nicht nur Audiodaten sondern auch noch weitere Informationen gespeichert, die beim Decodieren bzw. Abspielen der MP3-Dateien unbedingt benötigt werden. Weiterhin werde ich in diesem Kapitel noch eine weitere Eigenschaft von MP3 vorstellen, die für Datenkompression sorgt: den so genannten Huffman-Code. Dieser nutzt beim Programmieren übliche Techniken (die Verwendung von Procedures) aus, um eine Mehrfachspeicherung von Daten zu verhindern. Abschliessend werde ich noch die verschiedenen Codierungsmöglichkeiten von MP3-Dateien vorstellen, da diese aufgrund der Flexibilität des Encoders und des MP3-Codes in verschiedenen Qualitäten codiert werden und somit auch zu verschiedensten Zwecken eingesetzt werden können. Diese Eigenschaft macht das Format auch für Internet-User mit geringeren Bandbreiten austauschfähig. Abschliessend wird es in Kapitel 4 noch eine kurze Zusammenfassung über die Technik, die Möglichkeiten und die Zukunft des MP3-Formats geben.

5 Internetprotokolle für die Multimediakommunikation - MP Psychoakustische Phänomene Im folgenden Kapitel werde ich über die Phänomene berichten, die es erlauben die vorhandenen digitalen Audiodaten drastisch zu verkleinern. Es werden hierbei 3 spezielle Phänomene ausgenutzt: In Kapitel 2.1 wird die Reduktion beschrieben, diese nutzt die Frequenzgrenzen des menschlichen Gehörs aus und löscht sämtliche nichthörbare Frequenzbereiche, die z.b in einem WAVE-File mitgespeichert werden. Das zweite Phänomen ist die Maskierung, wobei eine spektrale sowie eine temporale Maskierung existiert. Die spektrale Maskierung basiert darauf, dass ein lauter Ton sämtliche leiseren Töne, die in etwa im selben Frequenzbereich liegen, maskiert. Auch Töne in weiter entfernten Frequenzbereichen mit weit niedrigerer Lautstärke werden verdeckt. Die temporale Maskierung nutzt die Trägheit des Gehörs aus. Sie basiert darauf, dass unser Gehör unmittelbar vor sowie nach einem kurzen lauten Ton keine Töne niedrigerer Lautstärke wahrnimmt. Diese Effekte werden in Kapitel 2.2 erläutert. Weiterhin werden in Kapitel 2.3 verschiedene Stereo-Modi vorgestellt, die bei der MP3 Codierung verwendet werden. Zum Verständnis der folgenden Kapitel sind folgende Erläuterungen notwendig: Lautstärke bzw. Sound Pressure Level (SPL) wird gemessen in Pascal (Pa). Ein Pascal bedeutet ein Newton pro m² (N/m²).Für den praktischen Umgang wird die Lautstärke in einer anderen Einheit ausgedrückt, die das Verhältnis eines SPL s zu einem anderen SPL ausdrückt: Dezibel. Die Aplitude die das menschliche Gehör wahrnehmen kann, liegt etwa bei 100 db. Die gängige Ausdrucksweise lautet db(a), dies drückt das Verhältnis von db zur minimalen menschlichen Gehörschwelle aus. Dies bedeutet dass 1dB(A) für das menschliche Gehör der kleinstmögliche wahrzunehmende Wert ist. 2.1 Reduktion Das menschliche Gehör besitzt einige Eigenschaften die es erlauben, Teile oder Frequenzen aus digitaler Musik herauszufiltern, ohne dass das Gehör auch nur die geringste Änderung wahrnimmt. Diese Eigenschaften nutzt das MP3-Format aus. Man nennt dieses psychoakustische Phänomen Reduktion. Diese bedeutet für das menschliche Gehör keinerlei Qualitätsverlust. Zunächst einmal kann das menschliche Gehör nur Frequenzen zwischen 20 Hz und 20 KHz wahrnehmen. Das heißt alle Frequenzbereiche unter 20 Hz und über 20 KHz können nicht wahrgenommen werden, sind deshalb überflüssig und werden im MP3-Format hinausgefiltert. Bewegt man sich am Rande der Frequenzgrenzen, so nimmt auch die Genauigkeit mit der das Gehör die Töne der jeweiligen Frequenzbereiche wahrnimmt ab. In Abbildung 2.1 ist sehr gut zu erkennen in welchen Frequenz- und Lautstärkebereichen wir Sprache bzw. Musik deutlich und qualitativ unvermindert wahrnehmen können. Ebenso deutlich ist zu sehen, dass zum Rande, also zu den kaum noch wahrnehmbaren Frequenzen hin die Schmerzgrenze niedriger und die Hörbarkeitsgrenze höher wird. Das bedeutet das hörbare Intervall ( im Bezug auf die Lautstärke ) ist bei gut wahrnehmbaren Frequenzen wesentlich größer als bei schlecht wahrnehmbaren. Hat man digitale Audiodaten einmal in MP3 umgewandelt und dabei Frequenzen herausgefiltert, so lassen sich diese nicht aus der MP3-Datei wiederherstellen, da die Informationen für die jeweiligen Frequenzen nicht mitgespeichert werden.

6 Internetprotokolle für die Multimediakommunikation - MP Maskierung Abbildung 2.1 hörbare Frequenzbereiche Maskierung bedeutet, dass Töne oder Frequenzen von anderen Tönen oder Freqeunzen verdeckt, also maskiert werden. Dies ist auf eine negative Eigenschaft des menschlichen Gehörs zurückzuführen, die man als Trägheit bezeichnen kann. Bei der Codierung von MP3-Dateien wird der sogennante Verdeckungseffekt ausgenutzt der prinzipiell in 2 Formen auftritt: 1) Spektrale Maskierung Das menschliche Gehör kann zwei Töne benachbarter Frequenzen, die gleichzeitig ausgestrahlt werden, nicht auflösen. Dadurch wird der leisere Ton sozusagen überhört. Dieses Phänomen nennt man spektrale Maskierung. Durch einen lauten Ton werden also leisere Töne derselben Frequenz verdeckt. Ebenso verdeckt werden Töne anderer Frequenzen, die entsprechend leiser sind. Dieses Phänomen ist in Abbildung 2.2 zu erkennen. Die Zahlen stehen für die Lautstärke der Töne in db(a). Die Maskierungsschwelle liegt hier etwa 20dB(A) unterhalb der Lautstärke des ausgestrahlten Tons, allerdings nur in demselben Frequenzbereich (hier 1 khz). Bei weiter entfernten Frequenzen ist der Maskierungseffekt eines Tons bei 1 khz nicht mehr so stark. Das sieht man daran, dass die Maskierungsgrenze fällt, wenn man sich weiter von der 1 khz Frequenz entfernt. Zu beachten gilt, dass auch in dieser Abbildung wiederum die natürlichen Wahrnehmungsgrenzen skizziert sind, es liegt also an den Frequenzextremen (20 Hz und 20 khz) keine Maskierung vor. Weiterhin gilt zu beachten, dass kurze laute Töne (Tonal) einen stärkeren Verdeckungseffekt ausüben als geräuschintensive, länger andauernde breitbandige Signale (non Tonal). Liegen die Frequenzen der Töne jedoch weiter auseinander, so schwindet der Verdeckungseffekt bzw. erfordert einen höheren Lautstärkenunterschied.

7 Internetprotokolle für die Multimediakommunikation - MP3-7 - Beispiel: Ein Ton bei 1,1 khz der 20dB leiser ist als ein Ton bei 1 khz wird vollkommen verdeckt. Folglich sind auch Töne noch niedrigerer Lautstärke in unmittelbarer Frequenznähe des 1kHz Tones maskiert. Ein weiterer Ton bei 2kHz, der ebenfalls 18 db leiser ist als der Ton bei 1 khz wird jedoch nicht verdeckt, da der Frequenzunterschied der beiden Töne zu groß ist, und der Lautstärkenunterschied zu klein. Für die MP3-Codierung bedeutet das folgendes: Der Encoder berechnet eine Maskierungsschwelle, z.b. 18 db, wie oben. Alle Töne im selben Frequenzbereich die mehr als 18dB leiser sind als der maskierende Ton werden komplett maskiert, müssen also auch nicht mitgespeichert werden. Liegen Töne weniger als 18 db unterhalb des maskierenden Tones im selben Frequenzbereich so sind diese zwar hörbar, werden aber vom Gehör nicht so genau wahrgenommen wie nichtmaskierte Töne. Man kann in diesem Bereich also mit niedrigerer Bitrate codieren ( Wird in Kapitel 3.1 erklärt ) und dadurch Speicherplatz einsparen. Für Töne anderer Frequenzbereiche muß der Lautstärkenunterschied entsprechend höher sein, wie in Abbildung 2.2 verdeutlicht wird. Um diese Frequenzunterschiede deutlicher zu machen hat das MP3-Format folgende Eigenschaft: Der hörbare Frequenzbereich (20 Hz 20 khz) wird in 576 Subbands unterteilt. Jedes dieser Subbands steht für einen bestimmten, kleinen Ausschnitt des gesamten Frequenzspektrums. Diese Einteilung ermöglicht eine schnellere Berechnung der von der Maskierung betroffenen Frequenzbereiche. Abbildung 2.2 spektrale Maskierung (angezeigt wird jeweils der maskierte Bereich, beschriftet mit dem db Wert des ausgestrahlten Tones bei 1kHz der diese Maskierung verursacht)

8 Internetprotokolle für die Multimediakommunikation - MP ) Temporale Maskierung Es existiert auch noch eine Vor- und Nachmaskierung eines Signals. Das bezeichnet man auch als Pre- and Postmasking oder Backward- and Forwardmasking. Das Gehör benötigt sowohl nach lauten als auch nach leisen Geräuschen eine so genannte Recovery-Time bis es wieder voll funktionsfähig ist. Einen kurzen, nahezu sprunghaft ansteigenden Impuls ( einen lauten Knall zum Beispiel) empfindet das Gehör als Knackser (= Gauss Impuls). Nun tritt folgender Effekt ein: Ein vor dem Impuls liegendes, leises Rauschen ist ebenso unhörbar wie eines danach. Der Grund für dieses Phänomen ist die Trägheit unseres Gehörs. Nach einem lauten Ton sinkt erst nach 5ms die Hörschwelle und erst nach 200 ms erreicht das Ohr wieder die volle Funktionsfähigkeit. Die Vormaskierung (Premasking) mit 20 ms fällt nicht so stark aus, diese kann man sich folgendermaßen vorstellen: Ein lauter Impuls wird vom Gehirn schneller verarbeitet als ein leiser, und somit wird ein leiser Impuls der im Bereich von 20 ms vor einem lauten Impuls liegt maskiert, also sozusagen überholt. Dies haben medizinische Tests an der Hirnhautrinde bewiesen. Die Vor- und Nachmaskierung werden in Abbildung 2.3 zum Gauss-Impuls skizziert. Abbildung 2.3 Gauss Impuls Den Effekt der Vor- und Nachmaskierung kann man sich ebenfalls zu Nutze machen, da hierbei wiederum existierende Signale betroffen sind, die jedoch für das menschliche Gehör nicht wahrnehmbar sind, also folglich nicht mitgespeichert werden müssen. Die bislang genannten Effekte, also Reduktion sowie spektrale und temporale Maskierung, machen es möglich, eine digitale Audiodatei um einen Faktor von 6x zu komprimieren.

9 Internetprotokolle für die Multimediakommunikation - MP Stereoeffekte Digitale Musik wird heutzutage hauptsächlich in Stereo aufgenommen. Auf einer Audio CD existieren über den gesamten Zeitraum zwei voneinander unabhängige Tonspuren, die die Stereo-Übertragung ermöglichen. Diese Eigenschaft besitzt auch eine normale WAVE-Datei. Viele der in den beiden Tonspuren separat abgespeicherten Daten sind jedoch überflüssig, da sie doppelt vorhanden oder nicht wahrnehmbar sind. Dies ist ein weiterer Ansatzpunkt für die Entwickler von MP3 gewesen. Es gibt 2 verschiedene Methoden zur Stereo-Codierung im MP3 Format. Ist die Option diese zu verwenden beim Codieren aktiviert, so verwendet der Encoder die beiden im folgenden vorgestellten Verfahren, die überflüssige Stereodaten vernachlässigen und die Speicherintensität der unbedingt notwendigen Stereodaten optimieren. 1) Intensity Stereo Intensity Stereo ist im Gegensatz zu Middle/Site Stereo verlustbehaftet. Ausgenutzt wird hier, dass das Gehör im hohen Frequenzbereich die Raumposition der Schallquelle weniger gut unterscheiden kann als im tieferen. Ab einer bestimmten Grenze werden deshalb im hohen Frequenzbereich die beiden Kanäle zu einem einzigen zusammengefasst. Dadurch werden natürlich Signale, die ursprünglich nur in einem Kanal zu hören waren, auf beide Kanäle verteilt und der Stereo Effekt geht verloren. Da Intensity Stereo aber nur für sehr niedrige Bitraten gedacht ist, in denen das Frequenzspektrum sowieso stark eingeschränkt ist, macht sich dies kaum bemerkbar. 2) Joint Stereo (Middle/Site Stereo Coding) Bei Middle/Site Stereo, auch Joint Stereo genannt, handelt es sich um eine verlustfreie Kodierung der beiden Audiokanäle. Die starke Ähnlichkeit der Kanäle wird ausgenutzt, indem man zwei neue Kanäle bildet. Auf dem mittleren Kanal (M) wird die Summe von linkem und rechtem Kanal gespeichert, auf dem Seiten-Kanal (S) kodiert man die Differenz der Ursprungskanäle. So enthält der mittlere Kanal (M) die Hauptmenge an Information, während auf dem Seiten-Kanal (S) nur wenig Information vorhanden ist. Beide Kanäle werden getrennt quantisiert und man erreicht eine relativ gute Kompression. Dieser Trick funktioniert aber nicht bei Liedern mit starker Kanaltrennung, d.h. wenn sich der Linke und der Rechte Kanal sehr stark unterscheiden. Beim Abspielen rekonstruiert der Decoder wieder den linken und den rechten Kanal, dadurch entsteht wieder der Stereo-Effekt beim Hören. Dieser ist qualitativ kaum vom echten Stereo, wie es zum Beispiel auf einer Audio-CD vorliegt, zu unterscheiden. Nach der Ausnutzung dieser Stereo-Effekte erreichen die Audiodaten einen Komressionsfaktor von ca. 10.

10 Internetprotokolle für die Multimediakommunikation - MP Der MP3-Code 3.1 Encoder Der Encoder wandelt die vorliegenden unkomprimierten Audiodaten in das MP3 Format um. Der MP3 Encoder kann sehr frei programmiert werden. Ausser Beispielprogrammen und einigen Tips gibt es von den MP3 Entwicklern kaum Auflagen, wie ein solcher Encoder auszusehen hat.lediglich das Ausgabeformat ist spezifiziert. Es kommen deshalb sehr grosse Qualitätsunterschiede bei der Codierung von Musik vor. Zur Erstellung eines qualitativ guten Encoders ist ein sehr grosser Arbeitsaufwand notwendig, und genau deshalb gibt es davon nur sehr wenige. Es gibt zwar viele Programme die unkomprimierte Audiodaten in MP3 Dateien umwandeln können, viele benutzen aber denselben Encoder. Populär ist zum Beispiel der XING MPEG Encoder. Den generellen Aufbau des Encoders kann man in Abbildung 3.1 begutachten. Im folgenden werden die einzelnen Bestandteile des Encoders erläutert. Filterbank: Die Filterbank gehört zur Klasse von hybriden Filterbänken. Sie ist nochmals in 2 Phasen, also 2 verschiedene Filterbänke unterteilt: Die Polyphase sowie die Modified Discrete Consine Transform (MDCT)-Filterbank. Diese beiden Filterbänke sind in erster Linie für die Reduktion zuständig. Die beim Layer 3 zum ersten Mal verwendet MDCT-Bank macht die Ergebnisse noch effizienter. Ausserdem birgt diese noch folgende Neuerung: Jede der 32 Polyphasen Frequenzen wird in 18 feinere Subbands unterteilt, also insgesamt 576 Subbands. Diese Einteilung vereinfacht die Reduktion, also das Herausfiltern von Frequenzbereichen. Weiterhin entsteht eine bessere Code-Effizienz für die tonalen Signale. Zusätzlich können die Maskierungseffekte leichter berechnet werden. Diese Berechnung wird durch folgendes Element des Encoders vorgenommen: FFT 1024 points: Der FFT-Block analysiert die Audiodaten und ordnet die Töne den jeweiligen Frequenzbereichen zu. psycho-acoustic(perceptual) model: In dieses Wahnehmungsmodell wurde seit der Entwicklung noch sehr viel Arbeit investiert um die Ergebnisse zu optimieren. Es wird hierbei eine eigene Filterbank genutzt. Zusätzlich werden die Berechnungen mit denen der beiden Hauptfilterbänke kombiniert. Aus dieser Kombination werden letztendlich die Werte für die Maskierungsschwellen berechnet. Ausserdem werden in diesem Modell noch die erlaubten Geräuschpegel für jede einzelne Codierungspartition (Subband) berechnet. Beim MP3 Format sind die Einteilungen in die Frequenzbereiche, also die oberen Grenzen der Subbands nahezu äquivalent zu den kritischen Frequenzbändern des menschlichen Gehörs. Wenn es hierbei gelingt, das Quantisierungsgeräusch (Ein Rauschen das bei der Codierung von Audiodaten entsteht) in jedem Subband unter den berechneten Maskierungsschwellen (alles unterhalb dieser Schwelle ist für das Gehör nicht wahrnehmbar) zu halten, dann sind die codierten und uncodierten Audiodaten nicht zu unterscheiden.

11 Internetprotokolle für die Multimediakommunikation - MP Abbildung 3.1 Aufbau Mp3 Encoder (Quelle[4]) Distortion control loop/non uniform quantization rate control loop: Hierbei handelt es sich um zwei ineinander verschachtelte Schleifen die für die eigentliche Codierung zuständig sind: Inner loop (rate control loop): Der rate control loop, ist wie der Name schon vermuten lässt, ausschlaggebend für die Bitrate. Sollte die Anzahl an Bits, die nötig ist, um einen Datenblock zu speichern, grösser sein als die Anzahl an Bits die dafür zur Verfügung stehen, so wird die Anzahl an Quantisierungsschritten (grafische Darstellung in Abbildung 3.2) global herabgesetzt, bis die Anzahl der notwendigen Bits an die Bitrate angepasst ist. Sollten zu viele Bits zur Verfügung stehen, so kann die Bitrate auch lokal herabgesetzt werden. Dieser loop wird solange durchgeführt, bis die Anzahl der nötigen Bits zur Speicherung jedes einzelnen Datenblocks groß genug ist. Outer loop ( Distortion control loop): Um das Quantisierungsrauschen unter der Maskierungsschwelle zu halten werden für jedes Subband Scale-Faktoren angelegt. Zunächst für jedes Subband ein Faktor von 1.0. Sollte in einem der Subbands das Quantisierungsrauschen die Maskierungsschwelle überschreiten, so wird dieser Faktor für das entsprechende Subband erhöht, also lokal eine höhere Bitrate gewählt. Bei jeder Änderung eines Faktors muß auch der rate loop erneut durchlaufen werden, dieser ist also folglich eine Art innere Schleife im outer loop. Generell wird der outer loop so lange wiederholt, bis die Quantisierungsgeräusche in jedem Subband unter der berechneten Maskierungsschwelle liegen. Das ist besonders wichtig bei den kritischen Frequenzen des menschlichen Gehörs, aber nicht immer realisierbar, besonders bei kleineren gewählten Bitraten. Der inner loop schliesst nach endlich vielen Durchläufen immer erfolgreich ab.

12 Internetprotokolle für die Multimediakommunikation - MP Abbildung 3.2 Quantisierungsschritte (Abtastfrequenz) Dies gilt jedoch nicht für die Kombination der beiden loops. Die eigentliche Abbruchsbedingung (also das Quantisierungsrauschen unter der Maskierungsschwelle zu halten) wird nicht immer erfüllt. Dies passiert, wenn das psycho-acoustic model so kleine Quantisierungsschritte vorgibt, dass die benötigte Bitrate durch den outer loop ständig angehoben werden muß. Für diesen Fall gibt es noch eine Reihe anderer Abbruchsbedingungen. Damit diese im Regelfall aber nicht eintreten müssen, werden die Parametereinstellungen des psycho-acoustic model gewöhnlich von Bitrate zu Bitrate modifiziert. Also existieren für kleinere Bitraten auch weniger Ansprüche an die Qualität der Musik. Dies bedeutet weniger Quantisierungsschritte, da die Quantisierungsgeräusche die Maskierungsschwelle auch überschreiten dürfen, und zwar umso mehr je kleiner die gewählte Bitrate ist Huffman-Code Der Huffman Coder ist die letzte Instanz des Encoders, wird also ganz zum Ende des Codierungsvorganges gestartet. Der Huffman-Code arbeitet einerseits mit uns aus der Programmierung bekannten Methoden: Mehrmals vorkommende Tonfolgen werden (wie Procedures) nur einmal abgespeichert und immer wieder verwendet. Weiterhin werden häufiger frequentierten Tönen kürzere Codewörter zugeordnet. Andererseits basiert der Huffman-Code noch auf anderen Möglichkeiten, den von den beiden loops geschriebenen Code zu komprimieren. Da für jedes zu komprimierende Lied vom Huffman Code eine statische Wortlänge festgelegt wird, können Führungsnullen weggelassen werden ( > 11010). Diese Wortlänge ist eigentlich flexibel, jedoch in einer codierten Datei konstant.

13 Internetprotokolle für die Multimediakommunikation - MP Um den Quantisierungsprozess lokal anzupassen gibt es eine grosse Sammlung von verschiedenen Huffman-Code Tabellen (correspondance-table). Es wird immer die für den gewählten lokalen zu codierenden Ausschnitt die optimale Code-Tabelle ausgewöhlt, um ein Optimum an Effizienz beim Einsparen von Daten zu erzielen. Diese Methode ist nicht nur effizient sondern auch sehr schnell und dadurch doppelt komfortabel. Der Huffman-Code komprimiert die schon durch die Psychoakustischen Phänomene gefilterte Musik nochmals um 20%. Dadurch wird letztendlich der Kompressionsfaktor von 1:12 erreicht. 3.2 Decoder Der Decoder wandelt die vom Encoder codierten Daten wieder in unkomprimierte digitale Audiodaten um. Aus den dann entstandenen Daten lässt sich beispielsweise wieder eine CD erstellen. Zunächst wird der Bitsream decodiert, also die Datei sozusagen entpackt. Im Anschluß daran werden die Quantisierungsschritte rückgängig gemacht, und abschliessend werden die Frequenzbereiche wieder decodoert. Damit sind die Audiodaten wieder decodiert. Der Teil der Daten der durch die Reduktion bzw. durch die gesetzten Maskierungsschwellen herausgefiltert oder mit geringerer Bitrate codiert wurde, lässt sich nicht mehr wieder in der Qualität herstellen, in der er vorher war. Encoder und Decoder weisen beim MP3 Format eine starke Asymmetrie auf. Das bedeutet der Arbeitsaufwand für den Encoder ist wesentlich höher als der für den Decoder. Wäre dies nicht der Fall, dann würde sich der tägliche Umgang mit MP3 Audiodaten als sehr unkomfortabel herausstellen. Man müsste die Audiodaten erst zeitintensiv decodieren bevor man diese abspielen kann. Der Decoder muß aber schneller arbeiten, er muß eine Datei so schnell decodieren können, dass diese parallel in Echtzeit wiedergegeben werden kann. Der Decoder ist zu einem großen Teil genau spezifiziert, er ist nur zu unwesentlichen Anteilen dem Einfluß des Programmierers überlassen. Für einen Großteil des beim Decoder angewendeten Algorithmus sind konstante Formeln vorgegeben. Ausserdem wird die Übereinstimmung der Arbeitsweise durch den Vergleich zu einem mit doppelt präziser arithmetischer Korrektheit arbeitenden Referenzdecoder gewährleistet, von dessen Ergebnissen die decodierten Signale nur in einem gewissen Rahmen abweichen dürfen. Dennoch ist es möglich, sowohl Decoder die auf Gleitkommabasis als auch Decoder die auf Festkommabasis arbeiten zu implementieren. In Abhängigkeit von den Fähigkeiten der Programmierer können völlig konform und sehr exakt arbeitende Decoder bis zu einer sehr niedrigen arithmetischen Wortlänge von 20-bit implementiert werden. In Abbildung 3.3 kann man den Aufbau eines Standarddecoders betrachten. Abbildung 3.3 Aufbau Standarddecoder (Quelle[4])

14 Internetprotokolle für die Multimediakommunikation - MP Qualitätsdifferenzen bei der Komprimierung MP3 Encoder stellen dem Benutzer ein sehr hohes Maß an Flexibilität zur Verfügung: Zunächst einmal gibt es die Möglichkeit, verschiedene Stereo Modi auszuwählen: - single channel Mono - dual channel Zwei unabhängige Kanäle für z.b. Zweikanalton - stereo Die Standard Stereo Einstellung - joint stereo Hierdurch werden die Algorithmen wie in Kapitel 2.3 beschrieben aktiviert Die möglichen Bitraten erstrecken sich im MP3 Format von 8 kbit/s bis zu 320 kbit/s. Hierbei ist es den Encodern möglich, innerhalb der Datei verschiedene Bitraten zu verwenden. sound quality bandwidth mode bitrate reduction ratio telephone sound 2.5 khz mono 8 kbps * 96:1 better than short-wave 4.5 khz mono 16 kbps 48:1 better than AM radio 7.5 khz mono 32 kbps 24:1 similar to FM radio 11 khz stereo kbps :1 near-cd 15 khz stereo 96 kbps 16:1 CD >15 khz stereo kbps :1 Tabelle 3.4 Anwendungsvarianten (Quelle[6]) Weiterhin kann man aus verschiedenen sampling Frequenzen auswählen. Die Möglichkeiten auf verschiedene sampling Frequenzen zuzugreifen haben sich, wie die folgende Tabelle 3.5 zeigt, von Layer zu Layer gesteigert. Layer 3 Layer 2 Layer 1 32 Hz ; 44,1 Hz ; 48 Hz 16 Hz ; 22,5 Hz ; 24 Hz 8 Hz ; 11,05 Hz ; 12 Hz Tabelle 3.5 Samplingfrequenzen Diese variablen Einstellungsmöglichkeiten lassen eine Vielfalt an Qualitätsvariationen in der Codierung zu. Beispiel: Musik in CD Qualität wird in 44,1 khz, Stereo kodiert. Dem Benutzer des Encoders ist es also nahezu völlig freigestellt, in welcher Qualität er seine Audiodaten ins MP3 Format umwandeln will. Wie aus Tabelle 3.4 hervorgeht dienen die unterschiedlichen Qualitätsvariationen verschiedenen Nutzungszwecken der digitalen Audiodaten.

15 Internetprotokolle für die Multimediakommunikation - MP Zusammenfassung Die technische Entwicklung des MP3 Formats hat die Kompressionstechnologie im Hinblick auf digitale Audiodaten revolutioniert. Von Layer 1 bis zum momentan aktuellen Layer 3 ist es den Entwicklern gelungen einerseits programmiertechnische Mittel wie den Huffman-Code und andererseits psychoakustische Phänomene wie die Reduktion, die Maskierung und die Stereoeffekte zu verbinden und somit ein Format zu entwickeln, dass einen extrem hohen Komprimierungsgrad erreicht. Besonders zu beachten ist hierbe,i dass die psychoakustischen Phänomene auf einfachen, medizinisch erforschten, grundlegenden Schwächen des menschlichen Gehörs beruhen. Dies ist jedoch andererseits auch kritisch zu betrachten, da es sich bei MP3 eben nicht um ein rein reduzierendes Audioformat, sondern vielmehr um ein reduzierendes Audioformat handelt. Das bedeutet, dass nicht mehr wiederherstellbare Informationen herausgefiltert werden. Diese verursachen zwar keinen grossen und stark hörbaren Qualitätsunterschied, werden von Musikliebhabern jedoch dennoch nicht in Kauf genommen. Im Rahmen weiterer Projekte wird zur Zeit bereits ein weiterer Layer für MPEG 1 entwickelt: MP4, also MPEG 1- Layer 4, auch bekannt als AAC (Advanced Audio Coding). Mit Sicherheit wird dieser noch leistungs- und kompressionsfähiger sein und dabei weniger Qualitätsverlust bedeuten. Zur Übertragung im Internet ist MP3 jedoch nicht nur aufgrund seines grossen Kompressionsfaktors, sondern auch aufgrund der Flexibilität des Codes/Encoders optimal geeignet. Das Format hat sich zum Standard für Internetuser entwickelt und wird auf der ganzen Welt verwendet, um schnell und mit geringem Qualitätsverlust Audiodaten zu übertragen. Abschliessend lässt sich MP3 wohl als gängigstes Audioformat bezeichnen, da es eine hohe Flexibilität was die Qualitätsdifferenzen betrifft aufweist, und durch seinen hohen Kompressionsfaktor besticht. Bislang ist es noch nicht gelungen MP3 aus seiner Vormachtstellung im Internet zu verdrängen, auch wenn Microsoft durch sein hauseigenes bereits in die Betriebssysteme integriertes Windows-Media Format versucht, Einfluß zu nehmen.

16 Internetprotokolle für die Multimediakommunikation - MP Literaturreferenz [1] K. Brandenburg, G. Stoll, The ISO/MPEG-Audio Codec: A Generic Standard for Coding of High Quality Digital Audio [2] Stephen J.Solari, Digital Video and Audio Compression [3] Darilion Klaus, Eine Einführung in MPEG/Audio, Ausarbeitung für Grundlagen der Informationstheorie und Kryptographie [4] K. Brandenburg and H. Popp, MPEG Layer-3, aus EBU Technical Review [5] Florian Heuse, MP3.XCITE [6] Fraunhofer Institut, MPEG Layer 3