audio

感受「聲音sound」是人類的本能。音樂、說話、風吹草動蟲鳴鳥叫等等聲響，都是「聲音sound」。

與科技裝置有關係的聲音，則稱作「聲音audio」。電視播放的聲音、電話通話的聲音等等，都是「聲音audio」。

sample

聲音源自振動。耳膜感受空氣振動，在腦中產生聲覺。

要讓電腦處理聲音，必須預先讓聲音變成數字，也就是讓聲音經過「取樣sampling」與「量化quantization」兩個步驟。取樣把時間變成離散，量化把振幅變成離散。

先取樣（得到數列），再量化（四捨五入），最後得到一串整數數列。每個數字稱作「樣本sample」或「訊號signal」。

「取樣sampling」與「量化quantization」的關鍵參數：

duration持續時間：聲音總共多少秒。數值越高，訊號越多。

sampling rate取樣頻率：一秒鐘有多少個訊號。數值越高，音質越好。電腦的聲音檔案，通常採用48000Hz或44100Hz。手機與電話的聲音傳輸，公定為8000Hz。

bit depth位元深度：一個訊號用多少個位元記錄。數值越高，音質越好。電腦的聲音檔案，通常採用16-bit或24-bit。16-bit的每個訊號是[-32768,+32767]的整數，符合C語言的short變數。

channel聲道：同時播放的聲音訊號總共幾條。每一條聲音訊號都是一樣長。舉例來說，民眾所熟悉的雙聲道，其實就是同時播出兩條不同的聲音訊號。

取樣頻率、持續時間、聲道，相乘之後就是訊號數量。再乘以位元深度，就是容量大小。再除以8，可將單位換成byte。

順帶一提，不管是聲音或者是其他信息，只要是經過取樣與量化得到的資料，總稱PCM data。「脈衝編碼調變pulse-code modulation, PCM」源自訊號學，所以名稱才會如此不直覺。

audio的資料結構

在電腦當中，聲音是很多串整數數列，資料結構是陣列。

short pcm[96000]; // duration = 1 second // sampling rate = 48000Hz // bit depth = 16-bit // channel = 2 (stereo)

各種聲音資料的取樣頻率和時間長度不盡相同。統合方式：動態陣列、可變長度陣列。

int chn = 2; // channel int fs = 48000; // sampling rate (times/second) int t = 1; // duration (second) int n = fs * t * chn; // sample number (times) // C++的可變長度陣列 short pcm[n]; // C++的動態陣列，用完記得delete short* pcm = new short[n]; // C的動態陣列，用完記得free short* pcm = malloc(sizeof(short) * n);

各種聲音資料的位元深度不盡相同。統合方式：採用32-bit浮點數，讀檔後將訊號數值縮放成[-1,+1]，才進行聲音處理；存檔前調回原本範圍。

float array1[fs * t]; // [-1, +1] float array2[fs * t]; // [-1, +1]

amplitude

聲音訊號的數值，代表空氣振動的幅度。基準訂為0，範圍訂為±32767（當位元深度是16-bit）。也有人使用其他設定。

振幅高，聽起來大聲。振幅低，聽起來小聲。

frequency

人類擅於感受的不是振動的幅度，而是振動的頻率。

頻率高，聽起來尖銳。頻率低，聽起來低沉。

順便介紹「取樣定理」：x Hz的波，取樣頻率至少要是2x Hz，才能明確分辨上下次數，頻率保持相同（而振幅總是失真）。

也就是說，取樣頻率48000Hz，頂多只能記錄24000Hz以下的聲音。但是別擔心，人類聽覺範圍是20Hz至20000Hz。

使用C/C++處理聲音

C與C++本身沒有處理聲音的函式庫。

你可以土法煉鋼，選擇一種聲音檔案格式，例如WAV、MP3、AAC、FLAC，研讀其規格書，設計程式讀取聲音擷取訊號。

你也可以拍手煉成，直接使用現成的函式庫，例如AudioFile、LAME，呼叫函式讀取聲音擷取訊號。

使用C/C++與作業系統處理聲音

只有「聲音播放器」和「聲音特效」，沒有「聲音訊號處理」。

你可以土法煉鋼，選擇一種作業系統，安裝其開發工具，使用其應用程式介面，播放聲音訊號、製造聲音特效。例如Windows API的XAudio2、Linux kernel的Advanced Linux Sound Architecture、MacOS使用的OpenAL與Audio Units、Android NDK的OpenSL ES。

你也可以拍手煉成，直接使用功能齊全的工具，例如VST、RTAS。

使用C#/Java/Qt處理聲音

讀取聲音，例如C#是援引Windows API、Java的AudioInputStream、Qt的QAudioInput與QAudioOutput。這些語言的處理機制都不一樣，自己看著辦吧。

播放聲音，例如C#的SoundPlayer、Java的AudioClip、Qt的QSound。這些語言的處理機制大同小異，函式名稱既統一又直覺，例如play、pause、volume、loop。

處理聲音。函式庫發展不完善，你必須自行編寫程式碼。

結果就是，學生和教師傾向使用MATLAB或Python。

使用Python處理聲音

Python本身擁有讀取聲音的函式庫wave。

Python本身沒有播放聲音的函式庫，必須另行安裝。例如播放聲音playsound、即時播放聲音PyAudio。

Python本身沒有處理聲音的函式庫，必須另行安裝。例如分析聲音pyAudioAnalysis、處理音樂librosa。

from playsound import playsound playsound('audio.mp3') import wave import pyaudio wav = wave.open("wave.wav","rb") player = pyaudio.PyAudio() stream = player.open(format = player.get_format_from_width(wav.getsampwidth()), channels = wav.getnchannels(), rate = wav.getframerate(), output = True) chunk = 1024 data = wav.readframes(chunk) while data: stream.write(data) data = wav.readframes(chunk) stream.stop_stream() stream.close() player.terminate()

使用HTML與JavaScript處理聲音：聲音播放器

以HTML建立<audio>，就能播放聲音。

<audio src="audio.mp3" controls></audio>

以JavsScript動態建立<audio>，也能播放聲音。

<script> var audio = document.createElement('audio'); audio.src = 'audio.mp3'; audio.controls = true; document.body.appendChild(audio); </script> <script> var audio = new Audio(); // Audio建構子，功效相同。 audio.src = 'audio.mp3'; audio.controls = true; document.body.appendChild(audio); </script>

先以HTML建立<audio>。再以JavaScript擷取<audio>，指定聲音檔案名稱。這種混搭風格，也能播放聲音。

重視網頁排版的情況下，適合使用混搭風格。

<audio id="audio" controls></audio> <script> var audio = document.getElementById('audio'); audio.src = 'audio.mp3'; </script>

讓使用者自行選擇聲音檔案（甚至影片檔案）。

<audio controls></audio> <input type="file" id="input"></input> <script> var audio = document.getElementById('audio'); var input = document.getElementById('input'); input.onchange = function(event) { var file = event.target.files[0]; if (file && file.type.match('audio.*|video.*')) { var reader = new FileReader(); reader.onload = function(e) { audio.src = e.target.result; // audio.focus(); // 滑鼠點選效果（出現虛線外框） // audio.play(); // 播放 }; reader.readAsDataURL(file); } } </script>

使用HTML與JavaScript處理聲音：聲音訊號

<audio>只是一個播放器。我們無法直接從<audio>得到訊號，必須額外使用AudioContext。

一、程式員事先指定檔案。寫作風格是新潮的promise串聯。

fetch()下載檔案
Response.arrayBuffer()取得檔案全文
AudioContext.decodeAudioData()擷取聲音訊號

var context = new AudioContext(); fetch('audio.mp3') .then((response) => response.arrayBuffer()) .then((arrayBuffer) => context.decodeAudioData(arrayBuffer)) .then((audioBuffer) => { // first channel. Float32Array [-1,+1]. var data = audioBuffer.getChannelData(0); var rate = audioBuffer.sampleRate; ...... // 看你要拿它幹嘛 saveAudio(data, rate, 'new-audio.wav'); });

二、使用者自行選擇檔案。寫作風格是古典的callback套娃。

<input>選擇檔案
FileReader.readAsArrayBuffer()取得檔案全文
AudioContext.decodeAudioData()擷取聲音訊號

<input type="file" id="input" /> <script> var context = new AudioContext(); var input = document.getElementById('input'); input.onchange = function(event) { var file = event.target.files[0]; if (!file) return; if (!file.type.match('audio.*|video.*')) return; var reader = new FileReader(); reader.onload = function(event) { var arrayBuffer = event.target.result; var ondecode = function(audioBuffer) { var data = audioBuffer.getChannelData(0); var rate = audioBuffer.sampleRate; ...... // 看你要拿它幹嘛 saveAudio(data, rate, 'new-audio.wav'); }; context.decodeAudioData(arrayBuffer, ondecode); }; reader.readAsArrayBuffer(file); }; </script>

三、儲存檔案。因為缺少AudioContext.encodeAudioData()，所以必須自己寫一個。我使用現成的riffwave.js，儲存成WAV。

RIFFWAVE.Make()生成檔案全文
其中RIFFWAVE.wav是檔案全文
其中RIFFWAVE.dataURI是超連結、附帶檔案全文
MouseEventst.initEvent()自動點擊超連結

<script src="riffwave.js"></script> <script> function float2int(data) { var pcm = new Array(data.length); for (var i=0; i<data.length; ++i) // 16-bit sample pcm[i] = Math.round(data[i] * 32767); // 8-bit sample // pcm[i] = Math.round((data[i] + 1.0) * 127); return pcm; } function saveAudio(channelData, sampleRate, fileName) { var wave = new RIFFWAVE(); wave.header.sampleRate = sampleRate; wave.header.bitsPerSample = 16; wave.Make(float2int(channelData)); save(wave.dataURI, fileName); } function save(dataURL, fileName) { var a = document.createElement('a'); a.setAttribute('href', dataURL); a.setAttribute('download', fileName); var event = document.createEvent('MouseEvents'); event.initEvent('click', true, true); a.dispatchEvent(event); a.remove(); }; </script>

瀏覽器為了安全起見，預設禁止讀取本機檔案。如果你想用本機檔案做實驗，你必須修改瀏覽器設定。做好實驗記得改回來。

Firefox
網址列輸入 about:config
security.fileuri.strict_origin_policy 的值改為 false

Chrome
命令列輸入 chrome.exe --allow-file-access-from-file

或者正常做法是建立本機網頁伺服器。

使用HTML與JavaScript處理聲音：聲音工具組

方才介紹批次處理：一口氣取得所有訊號。現在介紹串流處理：不斷獲得一段訊號。

AudioContext的構造是圖論的有向無環圖。從起點一路串聯到終點，形成流程圖。

節點可以是聲音訊號（起點）。

MediaElementAudioSourceNode   播放器<audio>
MediaStreamAudioSourceNode    網路串流
OscillatorNode                波形產生器
AudioBufferSourceNode         自訂訊號

節點可以是聲音效果（中繼點）。

GainNode                      音量
ConvolverNode                 迴響
PannerNode                    指向
BiquadFilterNode              濾波器
AudioWorkletNode              自訂效果

節點可以是聲音效果的參數（起點）。

ConstantSourceNode            常數
AudioScheduledSourceNode      開關

節點可以是聲音輸出裝置（終點）。

AudioDestinationNode          喇叭
AnalyserNode                  頻譜
MediaStreamDestinationNode    錄音（存檔）

一旦開始播放起點之聲音訊號，就會自動套用中繼點之聲音效果。（至於合成效果，是將多個節點接往相同節點。）

起點是<audio>。

var context = new AudioContext(); var audio = document.getElementById('audio'); var source = context.createMediaElementSource(audio); source.connect(context.destination); audio.play();

起點是波形產生器。

var oscillator = context.createOscillator();// 製作節點 oscillator.type = 2; // 設定參數 oscillator.frequency.value = 500; // 設定參數 oscillator.connect(context.destination); // 串連節點 oscillator.start(0); // 播放聲音

起點是自訂訊號。利用createBuffer()建立一串聲音訊號。利用createBufferSource()建立起點。

// 製作訊號 var sampleRate = 8000; var sampleNumber = 12000; // 1.5 seconds var buffer = context.createBuffer(1, sampleNumber, sampleRate); var data = buffer.getChannelData(0); // Float32Array [-1,+1] for (var i = 0; i < sampleNumber; ++i) data[i] = Math.sin((Math.PI * 2) * i * f / sampleRate); // 製作節點、串連節點、播放聲音 var source = context.createBufferSource(); source.buffer = buffer; source.connect(context.destination); source.start(0);

中繼點是音量。

var gainNode = context.createGain(); gainNode.gain.value = 0.5; // 音量減半 source.connect(gainNode).connect(context.destination);

中繼點是濾波器。

var filterNode = context.createBiquadFilter(); filterNode.type = 'highpass'; // 高通濾波器，消滅低頻。 filterNode.frequency.value = 10000; source.connect(gainNode).connect(filterNode).connect(context.destination);

中繼點是自訂效果。過程非常麻煩，必須另外建立一個JavaScript檔案，利用AudioWorklet載入JavaScript檔案。

https://github.com/GoogleChromeLabs/web-audio-samples/blob/main/src/audio-worklet/basic/hello-audio-worklet/bypass-processor.js https://github.com/GoogleChromeLabs/web-audio-samples/blob/main/src/audio-worklet/basic/hello-audio-worklet/main.js

終點是頻譜。

var analyser = context.createAnalyser(); analyser.fftSize = 512; source.connect(analyser); audio.onplay = function() { // 取得訊號 var data = new Float32Array(analyser.fftSize); analyser.getFloatTimeDomainData(data); // 整數版本，通常拿來畫圖。 var data = new Uint8Array(analyser.fftSize); analyser.getByteTimeDomainData(data); // 取得頻譜（訊號經過傅立葉轉換），長度只有一半（左右對稱）。 var freq = new Float32Array(analyser.frequencyBinCount); analyser.getFloatFrequencyData(freq); // 整數版本，通常拿來畫圖。 var freq = new Uint8Array(analyser.frequencyBinCount); analyser.getByteFrequencyData(freq); };

終點是錄音。利用MediaRecorder，將一段一段的訊號，連成一整串訊號，便於存檔。

https://developer.mozilla.org/en-US/docs/Web/API/AudioContext/createMediaStreamDestination#examples

使用現成工具處理聲音

知名的聲音編輯軟體是Audacity、SoX，聲音生成軟體是Pure Data。

audio analysis

分析。擷取聲音訊號的特徵，例如振幅平均、頻率分布。

frame框

訊號很長，變化很大，因此必須將訊號分成小段處理，使得小段之內變化很小。每個小段都稱作一個「框」或「幀」。

當取樣頻率是48000Hz、框是512個訊號，則此框占有512/48000 ≈ 0.01秒，人耳無法分辨這麼短時間的變化，人聲也無法控制這麼短時間的變化，可以說是足夠細膩了。

為了讓變化更連續，於是讓框交疊。

short-time Fourier transform短時間傅立葉轉換

以下內容的先備知識是「wave」。

聲音有兩個要素：振幅與頻率。訊號本身就是振幅，我們還想測量頻率。

聲音振動十分複雜，難以測量頻率。計算學家的共識是：運用離散版本的傅立葉轉換，將訊號數值分解成弦波，解析頻率。因為弦波是最漂亮的振動方式，所以適合當作公定標準。

擷取一個框，實施傅立葉轉換，大家特地稱作「短時間傅立葉轉換」。

spectrum頻譜

特定時間點的頻率分布圖。

實務上的做法是：截取一小段時間範圍的訊號，實施快速傅立葉轉換，得到每一種頻率的波的強度、相位。

比如48000Hz的取樣頻率、256點訊號，則頻譜總共256種頻率。第一種頻率是0Hz，接著每一種頻率相差48000Hz / 256 = 187.5Hz。

前128種、後128種左右對稱，後128種沒有實際作用。呼應取樣定理，資訊量只剩一半。

spectrogram頻譜圖

所有時間點的頻率分布圖。

三維的繪圖方式：如下面影片。

二維的繪圖方式：將強度長短改成亮度高低，讓一個頻譜變成一條垂直線，讓各個時間點的頻譜橫向拼成一個長方形。如下面動畫。

人類對於地震波的感覺是取log的。如同地震波，人類對於幅度與頻率的感覺也是取log的。有時候，頻譜、頻譜圖的座標軸會取log，以符合人類聽覺感受。

window窗

原本完整的聲音波形，硬生生被框截斷，頻譜將產生誤差。解法：將框的兩端的訊號漸漸減弱，減少影響。也就是乘上一個中央高、兩側低的函數，數值皆介於零到一之間，稱作「窗函數window function」。

filter濾波器

頻譜是分析聲音的工具。濾波器則是修改聲音的工具。

例如刪除聲音的高頻部分，稱作lowpass filter。

濾波器有時域與頻域兩大類。

時域濾波器，直接修改訊號。計算速度飛快。

頻域濾波器，藉由修改頻譜，間接修改訊號。一、原訊號，實施傅立葉轉換，得到頻譜。二、修改頻譜（例如把高頻的強度和相位調成0，形成lowpass filter）。三、新頻譜，實施逆向傅立葉轉換，得到新訊號。

const int frame_size = 512; // 經典的窗函數 void hamming_window(float window[], int n) { const float π = 3.1415926f; for (int i=0; i<n; i++) window[i] = 0.54f - 0.46f * cos( 2.0f * π * i / (n-1) ); } // 聲音處理習慣使用的窗函數 void blackman_window(float window[], int n) { const float π = 3.1415926f; for (int i=0; i<n; i++) window[i] = 0.16f - 0.42f * cos( 2.0f * π * i / (n-1) ); + 0.08f * cos( 4.0f * π * i / (n-1) ); } // 兩個框交疊使用的窗函數（一次內插） void triangle_window(float window[], int n) { for (int i=0; i<n/2; ++i) window[i] = window[n-1-i] = (float)i / (float)(n/2); } void process(float src[], float dst[], int n) { for (int i=0; i<n; ++i) dst[i] = 0; // preprocessing float window[frame_size]; blackman_window(window, frame_size); float triangle[frame_size]; triangle_window(triangle, frame_size); // overlap 50% frame for (int i=0; i<n; i+=frame_size/2) { // src >>> frame float frame[frame_size] = {}; for (int j=0; j<frame_size && i+j<n; j++) frame[j] = src[i+j] * window[j]; // FFT -> do something -> inverse FFT float magnitude[frame_size], phase[frame_size]; fft(frame, magnitude, phase, frame_size); filter(magnitude, phase, frame_size); ifft(magnitude, phase, frame, frame_size); // frame >>> dst for (int j=0; j<frame_size && i+j<n; j++) dst[i+j] += frame[j] / window[j] * triangle[j]; } }

audio synthesis

合成。以建構組合的方式製作聲音。

聲音合成分為電路觀點、程式觀點，兩套學問大相逕庭。這裡只談程式觀點。

電路觀點：利用電子元件，以振盪器、濾波器製作聲音，發展成電子琴。
程式觀點：利用中央處理器，以弦波、數學運算製作聲音，發展成音樂編輯軟體。

前人研擬了許多種聲音合成的策略。加法合成是最基本的策略。

   additive synthesis：加法合成。疊加許多個波。
subtractive synthesis：減法合成。利用濾波器，刪除某些頻率。
   granular synthesis：顆粒合成。堆砌一丁點長度的聲音。特色是嘈雜。
  wavetable synthesis：建立聲音波形的資料表，直接套用現成的波形。

virtual musical instrument

虛擬樂器。合成樂器聲音。已有專著、函式庫、程式語言。

前人創造了兩種合成樂器聲音的原理：弦波、數位波導。

simple harmonic wave：調整弦波，產生電子樂器聲音。

弦波是最理想的振動方式。根據「傅立葉級數」，任意數列皆可拆解成不同頻率的弦波。因此有人認為，反向操作，疊加各種頻率的弦波，可以生成各種聲音。這是我設計的一套練習題。

function sinewave(data, sampleRate, duration, freq) { var n = sampleRate * duration; for (var i=0; i<n; ++i) data[i] = Math.sin(Math.PI * 2 * freq * i / sampleRate); }

digital waveguide：模仿管弦的振動方式，產生管弦聲音。

吉他（撥弦plucked string）、提琴（弓弦bowed string）、鋼琴（槌弦hammered string）、長笛（木管woodwind）、小號（銅管brass）、大鼓（打擊percussion），各種樂器有各種演算法。

// Karplus-Strong algorithm for plucked string function waveguide(data, sampleRate, duration, freq) { // 訊號長度 var n = sampleRate * duration; // 兩倍弦長：波來回走過琴弦一遍的週期。 var t = sampleRate / freq; // 擴散率diffuse rate var w = 0.95; for (int k=0; k<(n/t)|0; ++k) if (k == 0) { // 撥弦：隨機的初始狀態。 for (int i=0; i<t; ++i) data[i] = (Math.random() - 0.5) * 2; } else { // 駐波：波來回走過琴弦一遍，返回原處。 for (int i=0; i<t; ++i) { // 調整音色：波在琴弦端點反射時，發生diffuse。 // （diffuse程度，取決於琴弦材質、琴弦鬆緊。） data[t*k + i] = data[t*k + i - t] * w + data[t*k + i+1 - t] * (1.0 - w); // 調整音量：波在琴弦端點反射時，能量逸散。 // data[t*k + i] *= 0.99; } } // 最後有n%t個訊號沒填寫。 } // Karplus-Strong algorithm for plucked string function waveguide(data, sampleRate, duration, freq) { var n = sampleRate * duration; var t = Math.floor(sampleRate / freq); var w = 0.95; for (var i=0; i<n; ++i) if (i < t) data[i] = (Math.random() - 0.5) * 2; else data[i] = data[i-t] * w + data[i+1-t] * (1.0 - w); }

sound effect

效果。修改聲音，呈現其他風格。

電路觀點已有專著。程式觀點請見下文。

首先來個範本：「紅豆生南國，春來發幾枝」。

gain增益

調整波形，振幅乘上倍率，振幅伸展或壓扁。音量放大或縮小。

function gain(src, dst, n, scalar) { for (let i=0; i<n; ++i) dst[i] = src[i] * scalar; }

normalization標準化

校準波形，中央為0，最大振幅為1。音量盡量調到最大聲。

function normalize(src) { var max = -1.0, min = +1.0; for (let i=0; i<src.length; ++i) { max = Math.max(max, src[i]); min = Math.min(min, src[i]); } var mid = (max + min) / 2.0; var gain = (max - min) / 2.0; for (let i=0; i<src.length; ++i) src[i] = (src[i] - mid) / gain; } // 簡易版本，不位移。 function normalize(src) { var amp = 0; for (let i=0; i<src.length; ++i) amp = Math.max(amp, Math.abs(src[i])); for (let i=0; i<src.length; ++i) dst[i] = src[i] / amp; }

pre-emphasis預強調

有時候錄音環境不佳，錄製到的聲音濛濛霧霧。微分運算可使聲音清晰。副作用是音量下降。

連續函數的情況下，弦波，微分之後，仍是弦波。離散數列的情況下，波形稍微失真，但是無傷大雅。

function emphasize(src, dst) { dst[0] = src[0]; for (let i=1; i<src.length; ++i) dst[i] = src[i] - 0.95 * src[i-1]; // 附加權重，以便微調。例如0.95。 }

smoothing柔化

有時候錄音環境不佳，錄製到的聲音唧唧吱吱。平均數可抑制雜訊。副作用是聲音模糊不清、音量下降。

連續函數的情況下，弦波，取區間平均數，仍是弦波。離散數列的情況下，波形稍微失真，但是無傷大雅。

function smooth(src, dst) { var k = 30; // window size var sum = 0; for (let i=0; i<src.length; ++i) { sum += src[i]; if (i-k >= 0) sum -= src[i-k]; dst[i] = sum / k; } }

mixing混音

混和好幾道聲音。加權平均數。

為了避免超過數值上下限，為了維持原音量、原音色，有時會做複雜的處理。

function mix(src1, src2, dst, w1, w2) { var n = Math.max(src1.length, src2.length); for (let i=0; i<n; ++i) { dst[i] = 0; if (i < src1.length) dst[i] += src1[i] * w1; if (i < src2.length) dst[i] += src2[i] * w2; } }

echo回聲

相同聲音稍後再度出現。延遲與混音。位移與疊加。

將反射路徑改成直線，可以發現回聲的本質：不同地點的聲音，抵達人耳時有時間差。聲音接觸牆壁，牆壁吸收部分能量，導致音量降低。實作方式很簡單：位移、縮放、疊加。

function echo(src, dst, delay, gain) { // microsecond to sample var d = (sampleRate * delay / 1000) | 0; for (let i=0; i<src.length; ++i) { dst[i] = src[i]; if (i - d >= 0) dst[i] += src[i - d] * gain; } normalize(dst); } function echo(src, dst, delay, gain) { delay = sampleRate * delay / 1000; var d = delay | 0; // integer part var f = delay - d; // fraction part for (let i=0; i<src.length; ++i) { dst[i] = src[i]; if (i - d - 1 >= 0) { // linear interpolation var value = src[i-d-1] * f + src[i-d] * (1-f); dst[i] += src[i-d] * gain; } } normalize(dst); }

reverb迴響

餘音繞樑。反覆回音，間隔極短。

聽起來彷彿位於寬敞的密閉空間。台灣卡拉OK經典音效。正港台灣味。

function reverb(src, dst, delay, gain) { // microsecond to sample var d = (sampleRate * delay / 1000) | 0; for (let i=0; i<src.length; ++i) { dst[i] = src[i]; if (i - d >= 0) dst[i] += dst[i - d] * gain; } normalize(dst); }

pitch shifting移調

改變頻率。調整播放速度（伸縮時間軸），頻率就改變。副作用是聲音長度也改變。比較理想的演算法，請見後面章節。

function pitch_shift(src, dst, scalar) { // 正向處理，但是dst沒填滿。 // for (let i=0; i<src.length; ++i) // dst[i * scalar] = src[i]; // 逆向處理，才能填滿dst。但是索引值不是整數。 // for (let i=0; i<src.length; ++i) // dst[i] = src[i / scalar]; // 因此需要內插。 for (let i=0; i<src.length; ++i) { var j = i / scalar; var j1 = Math.floor(j); var j2 = Math.ceil(j); var f = j - j1; dst[i] = src[j1] * f + src[j2] * (1-f); } }

chorus合唱

混和好幾道聲音，其頻率略有變動、其延遲時間略有差異。

function chorus(src, dst) { var tmp = new Float32Array(src.length); var s1 = new Float32Array(src.length); var s2 = new Float32Array(src.length); var s3 = new Float32Array(src.length); var s4 = new Float32Array(src.length); pitch_shift(src, tmp, 1.05); delay(tmp, s1, 50); pitch_shift(src, tmp, 1.02); delay(tmp, s2, 40); pitch_shift(src, tmp, 0.98); delay(tmp, s3, 50); pitch_shift(src, tmp, 0.95); delay(tmp, s4, 60); for (let i=0; i<src.length; ++i) dst[i] = src[i] + s1[i] + s2[i] + s3[3] + s4[4]; normalize(dst); }

harmonics和聲

混和好幾道聲音，其頻率皆不同。

想要好聽的和聲，必須按照樂理，選擇適當音階（請見後面章節）。現在的流行音樂，幾乎每一首歌都套用和聲效果來修飾聲音。

skip

robot sound機器人聲

簡易做法是混和兩道聲音：頻率略高、頻率略低的聲音。

根據數學公式cos(a)cos(b) = cos(a-b) + cos(a+b)，一個弦波，乘上另一個弦波，就得到頻率略高、頻率略低的兩個弦波疊加在一起。這個技術其實就是AM，收音機的調幅。

根據傅立葉級數，原訊號可以看成一群弦波疊加。根據分配律，原訊號乘上一個弦波，可以看成一群弦波個別乘上一個弦波，最後再疊加。

function robot(src, dst, sampleRate) { const f = 500; for (let i=0; i<src.length; ++i) dst[i] = src[i] * Math.sin(2 * Math.PI * f * i / sampleRate); }

tremolo震音

振幅振動。即是收音機的調幅AM：振幅乘上弦波。

震音是演奏技巧。快速連彈同一根弦，導致音量忽大忽小。

小提琴可以達成柔順的震音（途中沒有attack）。吉他無法避免重新撥弦的音量（途中不斷attack）。此處的震音特效可以達成柔順的震音。

function tremolo(src, dst, sampleRate, period, volume) { // var period = 250; // 200ms ~ 5s // var volume = 0.2; // reserve 20% for (let i=0; i<src.length; ++i) { var amp = Math.cos(2 * Math.PI * i / sampleRate / period); amp = (1 - amp) / 2; // [0, +1] amp = volume + amp * (1 - volume); // [volume, +1] dst[i] = src[i] * amp; } }

vibrato顫音

頻率振動。即是收音機的調頻FM：頻率乘上弦波。

顫音是演奏技巧。按弦後，手指來回滑動。

適度調整頻率振動範圍、頻率振動週期，捶弦、推弦、滑弦摩擦聲，這些fingerstyle的常見音色，幾乎都可以製造出來。

function vibrato(src, dst, sampleRate, params) { // ms to sample var minDelay = sampleRate * params[0] / 1000; var maxDelay = sampleRate * params[1] / 1000; var period = sampleRate * params[2] / 1000; var gain = params[3]; for (let i=0; i<src.length; ++i) { var amp = Math.cos(2 * Math.PI * i / period); amp = (1 - amp) / 2; // [0, +1] var delay = (maxDelay - minDelay) * amp + minDelay; var d = delay | 0; // integer part var f = delay - d; // fraction part dst[i] = src[i]; if (i - d - 1 >= 0) { // linear interpolation var value = dst[i-d-1] * f + dst[i-d] * (1-f); // reverb dst[i] += dst[i-d] * gain; } } normalize(dst); }

phasing移相

混和兩道聲音，原本聲音、相位相差一點點的聲音（極短延遲），通常設定成1毫秒。

兩個弦波，振幅相同，頻率相同，相位略有差異。兩個弦波疊加，還是弦波。若相位差是零，則振幅翻倍。若相位差是半個波長，則振幅抵消。若相位差只有一點點，則振幅和頻率變動一點點。

根據傅立葉級數，原訊號可以看成一群弦波疊加。現在讓這些弦波共用同一種相位差。頻率越高，波長越短，振幅抵消的機會變多了。也就是說，高頻弦波被大量刪除，其餘弦波的頻率都會變動一點點。最後導致高音減少、音準失準。

大家習慣額外補強。一、連做四次，最後跟原本聲音合成。可讓聲音變飽滿。二、讓相位差來回飄移。可讓聲音變自然。

聽起來嗚嗚的，像是對著鐵管說話。電子吉他經典音效。

function phasing(src, dst, sampleRate, delay) { var d = (sampleRate * delay / 1000) | 0; for (let i=0; i<src.length; ++i) { dst[i] = src[i]; if (i - d >= 0) dst[i] += src[i - d]; } normalize(dst); } // http://www.donreiman.com/Flanger/Flanger.htm function phasing(src, dst, sampleRate, params) { var minDelay = sampleRate * params[0] / 1000; var maxDelay = sampleRate * params[1] / 1000; var period = sampleRate * params[2] / 1000; var gain = params[3]; for (let i=0; i<src.length; ++i) { var amp = Math.cos(2 * Math.PI * i / period); amp = (1 - amp) / 2; // [0, +1] var delay = (maxDelay - minDelay) * amp + minDelay; var d = delay | 0; // integer part var f = delay - d; // fraction part dst[i] = src[i]; if (i - d - 1 >= 0) { // linear interpolation var value = dst[i-d-1] * f + dst[i-d] * (1-f); // 100% echo & few reverb dst[i] += src[i-d] + dst[i-d] * gain; } } normalize(dst); } function phasing4(src, dst, sampleRate, params) { var tmp = new Float32Array(src.length); phasing(src, dst, sampleRate, params); phasing(dst, tmp, sampleRate, params); phasing(tmp, dst, sampleRate, params); phasing(dst, tmp, sampleRate, params); mix(src, tmp, dst, .5, .5); }

flanging鑲邊

混和兩道聲音，原本聲音、零個波長至半個波長的延遲聲音。如果知道聲音主要頻率，那就取其波長，適度加減；如果不知道，那就設定成20毫秒以內。

大家習慣額外補強。一、讓相位差來回飄移（延遲時間來回飄移）。二、加上強烈迴響。

聽起來歪依歪依的。電子吉他經典音效。

// vibrato phasing(src, dst, sampleRate, [50,100,20000,0.6]); // phasing phasing4(src, dst, sampleRate, [1,10,5000,0.1]); // flanging phasing(src, dst, sampleRate, [1,10,1000,0.9]); /* [minDelay(ms), maxDelay(ms), period(ms), gain] */

distortion失真

降低聲音品質，聽起來像破音。

失真方法非常多，這裡介紹三個：量化、截斷、過載。

quantization量化

16-bit改成8-bit，甚至更低。

聽起來哧哧的，宛如收音機。

function quantize(src, dst, k) { // var k = 15; for (let i=0; i<src.length; ++i) dst[i] = ((Math.round(src[i] * 32767) >> k) << k) / 32767; }

clipping截斷

振幅乘上一個比較大的倍率，讓振幅超過±32767並且截斷。

聽起來嘩嘩的，宛如耳機摔壞。

function clip(src, dst, scalar) { for (let i=0; i<src.length; ++i) { dst[i] = src[i] * scalar; dst[i] = Math.min(dst[i], +1.0); dst[i] = Math.max(dst[i], -1.0); } }

overdrive過載

音量開到極限，音箱產生破音。一、振幅越大、失真越大。二、以reverb模擬音箱迴響。三、以clipping模擬音量極限。

聽起來很吵。電子吉他經典音效。

// https://github.com/steinbergmedia/vst3_public_sdk/blob/master/samples/vst/mda-vst3/source/mdaOverdriveProcessor.cpp function overdrive(src, dst, params) { var dist = params[0]; var filt = params[1]; var gain = params[2]; var fa = 0; for (let i=0; i<src.length; ++i) { // base volume var a = src[i]; var aa = (a > 0.0) ? Math.sqrt(a) : -Math.sqrt(-a); // distort in proportion to ampitute aa = dist * (aa - a) + a; // reverb fa = filt * (aa - fa) + fa; // clip (gain > 1.0) dst[i] = fa * gain; dst[i] = Math.min(dst[i], +1.0); dst[i] = Math.max(dst[i], -1.0); } }

equalization等化

調整每個頻帶的音量，使得聽起來均勻。套用許多個濾波器即可。

人類聽覺對於每種頻率的音量感受能力都不同，機制十分複雜，難以設計演算法。目前是由專業的錄音師，手動調整各頻帶音量。前面的影片就是一個示範。

skip

wah-wah哇哇

用濾波器放大某段頻帶的聲音。隨著時間，頻帶來回移動。

聽起來哇哇叫。電子吉他經典音效。

// http://www.cs.cf.ac.uk/Dave/CM0268/PDF/10_CM0268_Audio_FX.pdf function wahwah(src, dst, sampleRate) { var fmin = 500; // 頻帶移動範圍（Hz） var fmax = 2000; var fspeed = 5000; // 頻帶移動速度（Hz/sec） var fgap = fmax - fmin; function f(i) { // 頻帶當前位置（Hz） var df = i * fspeed / sampleRate; var c = Math.floor(df / fgap); df -= fgap * c; return (c % 2 == 0) ? fmin + df : fmax - df; } var F1 = 2 * Math.sin(Math.PI * f(0) / sampleRate); var Q1 = 2 * 0.05; // 頻帶寬度（係數） var yh = new Float32Array(src.length); var yb = new Float32Array(src.length); var yl = new Float32Array(src.length); yh[0] = src[0]; yb[0] = F1 * yh[0]; yl[0] = F1 * yb[0]; for (let i=1; i<src.length; i++) { F1 = 2 * Math.sin(Math.PI * f(i) / sampleRate); yh[i] = src[i] - yl[i-1] - Q1 * yb[i-1]; yb[i] = F1 * yh[i] + yb[i-1]; yl[i] = F1 * yb[i] + yl[i-1]; } for (let i=0; i<src.length; ++i) dst[i] = yb[i]; normalize(dst); }

pitch bending滑音

頻率平滑地增減（頻譜的強度平滑地位移）。【查無資料】

morphing變形

一種聲音，平滑柔順地轉化成另一種聲音。推測是每個頻帶各自轉音。【查無資料】

sound design

設計。綜合上述技巧，創造各式各樣的聲音。

甚至根據人類對於聲音的感受，利用聲音傳遞訊息、溝通互動。例如有人研究什麼是舒服的聲音、什麼是恐怖的聲音。

已有專著。這裡就不整理了。

music

音樂。遵守規律的聲音。

聲音的要素：pitch、timbre、loudness、duration
音樂的要素：beat、rhythm、melody、harmonics

音樂家認知中的音樂，就是讓以上要素遵守規律、遵守樂理。

例如pitch遵守十二平均律、duration遵守全音符、二分音符、四分音符，harmonics遵守大調、小調。

聲音訊號的要素：amplitude(volume)、frequency(pitch)、waveform(timbre)

然而計算學家別無選擇，只能從聲音訊號下手，從volume和pitch這兩條路線開始發展。

volume

音量。振幅決定音量。

大家傾向用平均振幅作為音量。舉例來說，正弦波的平均振幅等於最大振幅開根號。

volume和loudness不一樣。volume是聲音訊號本身的大小聲，loudness是人耳感知到的大小聲。人類的聽覺系統，對於相同音量、不同頻率的聲音，聽到的是不同響度的聲音。

pitch

音高。聲音聽起來的高低。音高高則尖銳。音高低則低沉。

關於振幅高低，有volume和loudness兩個詞彙可以區分實際高低和聽覺高低。然而，關於頻率高低，只有pitch一個詞彙，代表聽覺高低；於是計算學家只好把pitch也當作實際高低。

音樂當中，音高必須符合音階。Do Re Mi Fa Sol La Si。人類研究了數百年，總結出「十二平均律」，建立了音階與頻率的對應表。每個音階的頻率是固定值，而且組合起來特別好聽。

一、任何一個音階，
　　頻率乘以二（琴弦長度變一半），升為高音。
　　頻率除以二（琴弦長度變兩倍），降為低音。
二、以440Hz為基準，叫做中音A。
　　也就是說，高音A是880Hz，低音A是220Hz，更低音A是110Hz。
三、兩個A之間，切成12段。考慮頭尾，總共13個音階。
　　音階包含A B C D E F G。其他音階用升降記號♯和♭表示。
四、為了區別高中低音，於是補上數字。
　　以C為開端，不是以A為開端。
　　中音是數字3。高音加1。低音減1。

void note_to_frequency(char note[3]) { int k[128]; k['A'] = 0; k['B'] = 2; k['C'] = 3; k['D'] = 5; k['E'] = 7; k['F'] = 8; k['G'] = 10; int n = k[note[0]]; if (note[1] == '#') n++; if (note[1] == 'b') n--; int level = (note[2] ? note[2] : note[1]) - '0'; n += (level - 4 - (note[0] >= 'C')) * 12; float f = 440.0 * pow(2.0, (float)n / 12.0); cout << f; } void frequency_to_note(float f) { char note[12][3] = {"A", "A#", "B", "C", "C#", "D", "D#", "E", "F", "F#", "G", "G#"}; int n = round(log2(f / 440.0) * 12.0); int k = (n % 12 + 12) % 12; cout << note[k]; int level = 4 + (n - k) / 12 + (note[k][0] >= 'C'); cout << level; } void frequency_adjust(float f) { int n = round(log2(f / 440.0) * 12.0); f = 440.0 * pow(2.0, (float)n / 12.0); cout << f; }

timbre

音色。聲音的波形。振幅與頻率的複合。

使用現成工具處理音樂

函式庫librosa、Essentia、madmom、MARSYAS、SoundTouch。

music analysis

音樂檢索會議MIREX可以找到歷年熱門主題。

ADSR envelope: attack decay sustain release

一個數學模型，用來描述樂器演奏一個音符的音量變化。可進一步用來分辨樂器。

敲擊琴鍵時，振幅急遽上升、急遽下降。按住琴鍵時，振幅幾乎不變。放開琴鍵時，振幅快速下降，直至歸零。

為了更加擬真，像是Yamaha電子琴甚至推廣到八段變化。

onset detection

發聲偵測。給定聲音訊號，找到音符的開始時刻、結束時刻。

稍微介紹幾個常見名詞：

onset：聲音開始時刻。
offset：聲音結束時刻。
energy：能量＝頻域平方和＝時域平方和。
rms：能量除以訊號長度再開根號。

相鄰兩幀，離散傅立葉轉換，得到強度頻譜，觀察每個頻率的強度變化。由於無法預測音高、預測頻率，只好窮舉並累計每種頻率的強度變化。

每個時刻，分別計算強度變化量，得到「發聲偵測函數onset detection function」。實施peak detection，得到音符出現時刻。

《Multi-Feature Beat Tracking》整理了常見的發聲偵測函數。

spectral flux：相鄰兩幀，強度頻譜的強度上升量總和。下降量不計入。
     ODF(t) = sum max(0, |Xt(f)| - |Xt-1(f)|)
               f
log spectral flux：強度頻譜事先取log，以符合人類聽覺感受。
     ODF(t) = sum max(0, log(|Xt(f)|) - log(|Xt-1(f)|))
               f
bonk~：訊號套用Hann窗函數。強度頻譜點對點相除（省得取log），商大於1則計入總和。
     ODF(t) = sum w(f) max(0, |Xt(f)| / |Xt-1(f)| - 1)
               f
bark~：bonk~加強版，頻帶採用Bark's frequency scale。

beat tracking / rhythm extraction / tempo estimation

節拍偵測。給定聲音訊號，找到音符們的間隔時間。

韻律擷取。偵測一連串的節拍。

速度估計。推定標準節拍時間。

dynamic programming：spectral flux追蹤peak。教學講義。
　　　　　　　　　　　　懲罰函數是log-Gaussian，其平均數是當前最佳間隔時間。
IBT：spectral flux autocorrelation追蹤peak。同時，頻譜能量足夠大。
OBTAIN：細部改良。例如窗函數、發聲偵測函數、懲罰函數。
HMM：動態規劃改成HMM。並且追加其他偵測項目。
DBNBeatTracker：神經網路。

formant

不同樂器演奏相同音階，聽起來都不一樣。一個原因是ADSR，另一個原因是附帶其他頻率。根據駐波現象，基本頻率的正整數倍，都會一起出現；通常標記為F0、F1、F2、……，其中F0是基本頻率，F1是兩倍，F2是三倍，以此類推，統稱「共振峰」。

相同樂器演奏相同音階，聽起來也可能不一樣。例如銅管樂器的送氣強弱，就會改變駐波、改變共振峰。

目前實驗都是選擇特定時刻的波形。似乎尚未有人研究形成駐波的過程、形成特定音色的原因。如果你知道請告訴我。

formant detection / F0 detection

共振峰偵測。求出特定時刻（實務上是一幀）的共振峰。

有時我們只在意F0。

在時域，多種頻率以不同強度疊合，波形複雜，無法精準辨認波長。先前介紹的frequency detection演算法效果不佳。

在頻域，由於離散傅立葉轉換的缺點spectral leakage，頻譜無法精準呈現駐波現象。先前介紹的peak detection演算法效果不佳。

尋找F0極度困難。理想的做法是捨棄演算法，改以物理儀器測量F0。但是對於已經數位化，儲存成WAV、MP3格式的聲音，我們別無他法，只能從聲音訊號下手，設計演算法去估計F0。

gcd：頻域所有峰的最大公因數。誤差很大。
cepstrum：倒頻譜，第一個高峰就是F0。誤差很大。
Maher–Beaucham：試誤法猜F0。
                針對一個F0，算F0...Fn跟頻域所有峰的匹配誤差，找誤差最小者。
DIO：許多個bandpass filter (Nuttall window)，一個濾波器得到一個F0。
     峰到峰、谷到谷、零到零（上坡）、零到零（下坡），一共四個波長。
     四個波長平均數，當作F0。
     四個波長變異數，最小的當作最佳F0。

formant tracking / F0 tracking

共振峰追蹤。求出每個時刻（實務上是每一幀）的共振峰。

有時我們只在意F0。

困難點：一、波形複雜，F0容易誤認為原本的兩倍或者一半。二、attack與decay時期，駐波尚未到達穩態，共振峰變化大。三、release時期，駐波消逝，共振峰不明顯。

實務上是用dynamic programming、hidden Markov model預測F0走向。

RAPT：動態規劃。自己看。

pitch tracking / melody extraction / chord recognition

音高偵測。給定聲音訊號，找到音符們的頻率高低。

旋律擷取。偵測一連串的音高。

和弦辨識。偵測一整組的經典音高分布。

monophony：單音。一次演奏一個音階。
polyphony：複音。同時演奏多個音階。

複音更難追蹤音高。大家正在研究當中。

pitch shifting（pitch modification）
time stretching（time-scale modification）

伸縮時間軸，重新取樣，就能同時改變音高與長度。前面章節曾經提到過。

void resample(float src[], float dst[], int n, float scalar) { for (int i=0; i<n; ++i) { float j = i / scalar; int j1 = floor(j); int j2 = ceil(j); float w = j - j1; dst[i] = src[j1] * w + src[j2] * (1-w); } }

如果只想改變音高，或者只想改變長度呢？我們可以運用分治法的概念，將聲音訊號切成小段處理。

一、音高改變，長度不變：每框分別伸縮，然後疊加。

二、長度改變，音高不變：每框分別位移，然後疊加。

重疊之處，影響音質，必須克服，因而發展一系列演算法：

OLA：疊加。淡入淡出，可採用三角窗（一次內插）或者Hann窗。
SOLA：找到重疊誤差最小的位置，例如correlation最小。
PSOLA：找epoch/F0 peak、建框（以peak為中心）、套窗、移位、疊加。

http://www.surina.net/article/SOLA_example.zip

上述演算法都在對抗重疊問題。有人將聲音訊號進行傅立葉轉換，微調每個框的每個頻率的相位，令波形銜接，解決重疊問題。

phase vocoder：在頻域處理，微調相位，讓波形連續。

http://www.guitarpitchshifter.com/matlab.html

最後補充一下。調音高和調長度這兩個問題，解決其中一個，就可以間接解決另一個。首先伸縮時間軸，讓音高和長度皆改變，然後用一調回原本音高，就是二；用二調回原本長度，就是一。

實務上是直接的方式好呢？還是間接的方式好呢？我不清楚。

pitch bending

滑音。頻率平滑變動。我查不到任何演算法。

glissando：兩個音階之間，彈奏所有音階。離散。
portamento：兩個音階之間，音高圓滑變動。連續。
            吉他就是按著弦滑動。鋼琴沒辦法。
legato：數個音階，只有一次attack。聲音連續不斷。
        吉他是撥一次弦，按很多次弦。
        鋼琴不得不按鍵，只能按了下一個、才放上一個，越按越小力，慢慢放開踏板，
        聽起來彷彿只有attack一次。
vibrato：音高抖動。
         吉他就是按弦並揉弦。鋼琴沒辦法。

musical composition

電腦作曲。有趣的軟體如PixiTracker、Online Sequencer。

algorithmic composition

電腦自動作曲。例如虛擬的作曲家Emilly Howell。

musical instrument recognition

樂器辨識。給定聲音訊號，判斷是哪種樂器的音色。

audio restoration

修復。已有專著。

audio multitrack recording

多種聲音合成一段聲音。即是先前介紹的「混音mixing」。

目前做法是使用音樂編輯軟體，混合所有聲音。可以自己扮演全部角色，也可以在網路上和陌生人組成一個樂團。關鍵字multitrack acapella、multitrack cover。

audio source separation

一段聲音分成多種聲音。

目前做法是non-negative matrix factorization、錄製各種樂器的聲音在頻域實施比對。

score-to-audio alignment

樂譜變成聲音訊號。

記載音樂，大家一律使用數學符號，不過不是大家從小到大慣用的數學符號，而是小豆芽、五線譜。

播放真實的樂器聲音：http://onlinesequencer.net/

電腦合成的樂器聲音：檔案格式MIDI。

audio-to-score alignment（score following）

聲音訊號變成樂譜。難度很高。

audio-to-audio alignment（melody recognition）

聲音訊號與聲音訊號的對齊。相仿的概念有哼唱選歌、旋律辨識、以聲音搜尋聲音。

目前做法是比對數列的演算法dynamic time warping、分類數列的演算法hidden Markov model等等。

audio feature description（audio identification）

特徵描述。找到聲音的重點，以數值形式記錄下來。

倒頻譜cepstrum：FT → abs → log → IFT → abs。頻譜的絕對值（或絕對值平方）取log，實施逆傅立葉轉換。

bark frequeney scale是人類聽覺系統擅於感知的24個頻帶。

MFCC, Mel-frequency cepstrum coefficients：模擬人耳聽覺系統，擷取各個頻帶的強度。

HPCP：音樂的調性。

audio genre classification

依照曲風實施分類。

audio emotion recognition

感情辨識。已有專著。