نرخ بیت متغیر (VBR = Variable Bit Rate) در بحث صدا چیست؟ (یا چطور فایلهای صوتی را فشردهتر کنیم؟)

یکی از مباحثی که در درس شبکه یا محیط های چند رسانه ای مطرح می شود این است که صدای آنالوگ و پیوسته ی ما انسان ها چطور به صورت دیجیتال و گسسته روی کامپیوتر ذخیره می شود یا از طریق شبکه که آن هم دیجیتال است ارسال می شود؟

در این دروس و در مبحث صدا بحث می کنیم که Analogue to Digital Conversion (تبدیل آنالوگ به دیجیتال) چگونه اتفاق می افتد. این مبحث در جزوه شبکه به خوبی توضیح داده شده، اما من خیلی خلاصه این مبحث را مرور می کنم:

صدای آنالوگ شما در سه گام به دیجیتال (یعنی 0 و 1) تبدیل می شود:

۱- گام Quantization (یا تدریج یا درجه بندی)

اگر این نماد صدای شما باشد:

(همانطور که می بینید Value یا Volume یا ولوم صدای شما در زمان های مختلف کم و زیاد می شود)

در این گام، محور Value (که به آن Volume و Amplitude هم گفته می شود) به قسمت های مساوی تقسیم می شود. هر چه بیشتر، بهتر! دقت کنید که به تعداد تقسیمات این مرحله در اصطلاح Bit-rate یا Bit-depth یا نرخ بیتی یا عمق بیتی صدا گفته می شود. (مثلاً وقتی می گوییم یک صدا ۱۶ بیتی است یعنی در این مرحله، تعداد سطوح تدریح را ۲ به توان ۱۶ یعنی ۶۵۵۳۶ در نظر گرفته)

۲- گام Sampling (یا نمونه برداری)

دقت کنید:

در این مرحله، محور time به تعدادی قسمت تقسیم می شود. چرا؟ چون ما در حقیقت باید همه نقاط روی آن سیگنال را جایی ذخیره کنیم که بعداً بازتولید کنیم و صدا را پخش کنیم اما چون در درس ریاضی به شما گفته اند که روی یک پاره خط، بی نهایت نقطه وجود دارد، پس نمی توان همه نقاط را ذخیره کرد. پس «آب دریا را اگر نتوان کشید...پس به قدر تشنگی باید چشید» یعنی حالا که نمی توان همه نقاط را ذخیره کرد، حداقل چند نقطه را به عنوان «نمونه» ذخیره کنیم، بقیه نقاط را خودمان از طریق به هم وصل کردن نقاط، به دست می آوریم... (مثلاً در سی.دی های صوتی [Audio CD] از خواننده های مشهور مثل سراج و ... در هر ثانیه ۴۴۱۰۰ بار نمونه گرفته می شود)

پس در این گام، اگر کل این شکل را «یک ثانیه» از صدای شما تصور کنیم، مثلاً ۱۳ نمونه در ثانیه برمی داریم. یعنی هر ثانیه از محور زمان را به ۱۳ قسمت مساوی تقسیم می کنیم. هر قسمت، سیگنال را در یک نقطه قطع می کند که آن نقطه، نمونه یا Sample است. این نمونه در یک سطح از تدریج قرار می گیرد. مثلاً در شکل بالا نقطه اول در سطح ۵ از تدریج قرار گرفته. این عدد را زیر آن نقطه یادداشت می کنیم.

۳- گام Coding (یا تبدیل به 0 و 1)

در این مرحله، مقدار نقاط نمونه را به عدد باینری (دودویی) تبدیل می کنیم:

 

تمام شد! مگر شما 0 و 1 نمی خواستید؟ خوب، این هم دیجیتال!

حالا این صفر و یک را جایی ذخیره می کنیم که بشود فایل صوتی یا روی کانال شبکه ارسال می کنیم که دوست شما آن طرف خط صدای شما را بشنود...

در مقصد صدا باید دوباره به آنالوگ تبدیل شود تا قابل شناسایی باشد. همین روال را برعکس انجام می دهیم تا سیگنال دوباره تولید شود... (توضیحات بیشتر مربوط به Digital to Analogue Conversion یا DAC در جزوه شبکه...)

 

به هر حال، بحث اصلی من در این مطلب، در تبدیل آنالوگ به دیجیتال است. وقتی به این بخش می رسیم، بعضی دانشجوهای زرنگ تر می گویند: استاد، یعنی اگر الان در یک فایل صوتی حالت سکوت باشد یعنی هیچ صدایی نداشته باشیم هم باز نمونه برداری به همان صورت انجام می شود و کلی 0 و 1 به خاطر سکوت ذخیره می شود؟ یعنی بی جهت حجم فایل اضافه می شود؟

خوب، اینجاست که بحثی مطرح می شود به نام VBR:

VBR = Variable Bit Rate یعنی چه؟

«نرخ بیتی متغیر» یعنی هنگام تبدیل صدا، هر کجا که سکوت هست (یا به هر دلیلی لازم نیست تعداد بیت بالایی برای هر نمونه لازم نیست) تعداد سطوح تدریج (یعنی بیت های لازم برای نمونه) کم شود و هر کجا که صدا بیشتر است و لازم است، کیفیت بهتری داشته باشیم، تعداد سطوح تدریج افزایش یابد. یعنی در حقیقت تقسیم بندی های محور Value در گام در مورد هر نمونه یکسان نیست بلکه نسبت به محتوای صدا متغیر خواهد بود. (در تکنولوژی Variable Sampling Rate که ظاهراً در حد تحقیقات دانشگاهی مانده، همین موضوع در نمونه برداری اتفاق می افتد)

مثلاً فرض کنید دارید صدای اذان را ضبط یا به فرمت MP3 تبدیل می کنید. می دانید که بین عبارات اذان، معمولاً چند ثانیه سکوت داریم. پس لزومی ندارد در این چند ثانیه مثل حالتی که یک عبارت گفته می شود تدریج انجام شود.

چگونه صدا را فشرده تر کنیم؟

با توجه به آنچه در مورد VBR گفته شد، اگر در نرم افزارهایی مثل Sony Sound Forge از فایلی که دارید یک Save as بگیرید، خواهید دید که بین حالت های مختلف ذخیره سازی با فرمت های مختلف، حالت هایی وجود دارد که با VBR مشخص شده. اگر این موارد را انتخاب کنید، خواهید دید که حجم فایل (به خصوص اگر سکوت در فایل زیاد باشد) به طور قابل ملاحظه ای کاهش پیدا می کند:

مثلاً یک فایل صوتی را من با حالت VBR حتی به صورت دو کاناله (Stereo) ذخیره کردم ۲۰ مگابایت شد، در حالی که در حالت یک کاناله (Mono) بدون VBR حدوداً ۲۸ مگابایت شد! (در حالی که باید به خاطر دوکاناله شدن، حجمش خیلی بیشتر می شد)

موفق باشید؛
حمید رضا نیرومند