有關Audio normalization兩三事 (上)
- 音量測量
先前做Linear TV相關的工作時，遇到一個聲音上的問題，因為各個節目、廣告影片裡的音量大小不同，導致連續播放下來，有時會有切換節目/廣告時，使用者體驗不好的情況(聲音有大有小，如果突然播個大聲的廣告會嚇到人)，因此研究了一下把音量做統一調整的方法，希望讓整體聲音聽起來都維持在一定範圍內。而這個調整，就叫做Audio normalization。在瞭解audio normalization前，先來研究了一下，音量是如何被定義、量化的。
聲音是一種波動，音波傳遞到耳朵中，振動耳膜、帶動聽小骨、傳至內耳、產生神經衝動，最後，沿著聽神經傳至大腦形成聽覺。
音波的頻率決定了聽起來的音高，波型決定了音質的特色，而音波的振幅則與聲音聽起來的大小有關：音波振幅越大，對耳膜產生的壓力越大，聽覺上感覺到的音量也就會越大。所以能用音壓測量來定義音量。
然而，壓力的單位是Pascal (Pa, 標準大氣壓力等於101.325 KPa)，音壓實測的結果往往數字變異過大，所以Pascal不太適合作為音量單位(可以看到FIG. 2音量表裡左側以Pa為單位時，數值可以從0.0002變化到20)。所測量到的音壓會再經過轉換公式，轉換為SPL (Sound Pressure Level)，也就是FIG.2裡右側的表示，以dB為單位，也就是大家所熟知的分貝(經過公式裡取對數的運算後，數值的分布也較為方便使用)。
但是人腦所知覺的音量大小並不是單純只跟音壓/振幅有關，聲音的頻率其實也會影響，即便兩個相同振幅的聲音，若是音頻不同，聽起來的音量可能會是不一樣的。兩位貝爾實驗室的學者Fletcher與Munson在1933年的研究裡，提出”Equal-Loudness Contour”說明了SPL、音頻、音量的關係，從FIG.3我們可以看到：
- 以音壓50SPL為例，4KHz音高的聲音聽起來就比1KHz音高的聲音要來得大聲。
- 以音量40phon曲線來看，1KHz的聲音40SPL就有此音量，但8KHz的高音則要讓音壓近50SPL才能達到一樣的音量效果。
人耳雖然可以聽到的頻率範圍約在20~20K Hz，但在不同音頻區段裡，對音量感受的敏銳度是不同的，從這些曲線(FIG.3)的確能觀察到這樣的現象，像是對於1K~6KHz之間的音量變化，是比其他區段更為敏感，而對於低頻的聲音較為遲鈍(需有較大的音壓才能感受到音量)。因此，基於這樣的現象，出現了一些加權方式：
一方面根據不同領域的音量測量需求，去選用適合的加權方式，強化或弱化特定音頻區段，另一方面讓加權調整後的數值，較接近聽覺主觀上的音量感受；其中的A-weighting filter常用於測量環境或是工業噪音的音量儀，而國際標準ITU-R BS.1770對於聲音響度定義LKFS則採用的是K-weighting filter(FIG. 5)，把聲音大致分三個權重區間：
- <100Hz：越低頻越感受不到音量，所以測量值需減去越多
- 100~1K Hz：重要性持平，維持原測量的音量值
- ≥1KHz：放大高頻音量值
所以音壓測量值經過SPL換算後，再經加權調整便是最後的音量值。理解了音量的定義後，接著在“有關Audio normalization兩三事 (下)”來探討如何做Audio normalization…
[附註]
- Phon定義：1KHz的聲音，在各SPL下的音量(10SPL是10phon, 50SPL是 50phon以此類推)。
- Equal-Loudness Contour是經由實驗，受測者們對於聲音的反應所收集得來的知覺數據整理，而非科學理論推導而來的。
- 附上以前的投影片供參考，音量是前半部的內容：
