160 KBPS वर, सर्वात तीक्ष्ण कानही कोडेकवर मात करू शकत नाहीत

माहितीचा काही भाग गमावणारे संकुचन (lossy compression) हा संगीत वितरित आणि स्ट्रीम करण्याचा मुख्य मार्ग आहे. कोडेक आवाजाचा काही भाग टाकून देतो, या पैजेवर की मानवी कानाला त्याची उणीव जाणवणार नाही. Opus, इंटरनेट इंजिनिअरिंग टास्क फोर्सने (IETF) प्रमाणित केलेला मुक्त-स्रोत कोडेक, स्ट्रीमिंगसाठी मोठ्या प्रमाणावर वापरला जातो; तो बोलण्यासाठी तयार केलेले एक इंजिन आणि संगीतासाठी तयार केलेले दुसरे इंजिन एकत्र करतो, आणि लेखकांनी उद्धृत केलेल्या साहित्यानुसार तो त्याच बिटरेटवर MP3, Vorbis किंवा HE-AAC पेक्षा चांगला आहे.

तरीही Opus च्या बहुतेक काळजीपूर्वक श्रवण चाचण्या बोलणे आणि कमी बिटरेट यांवर केंद्रित होत्या. Deezer Research चे बेंजामिन मार्टिन (Benjamin Martin) आणि रोमें एनकँ (Romain Hennequin) यांनी एक साधा प्रश्न विचारला: कोणत्या बिटरेटपासून संकुचित संगीत असंकुचित, CD-दर्जाच्या मूळ आवाजापासून वेगळे ओळखणे अशक्य होते? समुदायाने केलेल्या चाचण्यांनी उत्तराकडे इशारा केला होता, ते नमूद करतात, पण औपचारिक, पुनरुत्पादनक्षम निष्कर्षांशिवाय.

लहान दोष पकडण्यासाठी बनवलेली चाचणी

त्यांनी लहान बिघाड शोधण्यासाठीचे आंतरराष्ट्रीय मानक, ITU-R BS.1116-3, वापरले. प्रत्येक प्रयत्नात, श्रोता आधी तसे लेबल लावलेला असंकुचित संदर्भ आवाज ऐकतो. मग A आणि B असे दोन अंध उतारे येतात: एक संकुचित आवृत्ती, दुसरा संदर्भाची लपवलेली प्रत. श्रोता दोघांना 1 (“अतिशय त्रासदायक”) ते 5 (“जाणवत नाही”) असे गुण देतो, आणि त्यापैकी एकाला नेहमी अगदी 5.0 द्यावेच लागतात, अंदाज करावा लागला तरीही. मोजला जाणारा गुण म्हणजे संकुचित आवृत्तीचे गुण आणि लपवलेल्या संदर्भाचे गुण यांतील तफावत.

सर्व काही नियंत्रित होते: 32 डेसिबलपेक्षा कमी सभोवतालचा आवाज असलेले वेगळे कक्ष, सपाट प्रतिसादासाठी अंशांकित केलेले बंद-पाठीचे हेडफोन, जास्तीत जास्त 30 मिनिटांची सत्रे आणि त्यांच्यामध्ये एक तास विश्रांती, आणि श्रोत्यांना मुळात काही ऐकू येते का हे तपासण्यासाठी प्रत्येक सत्रात मुद्दाम वाईट केलेली 32 kbps आवृत्ती घुसवलेली.

संगीत अवघड असेल असे निवडले होते: 23 उतारे, ज्यांत समुदायाच्या एका मानदंड संचातील सर्वात वाईट सात नमुने, आणि कोडेकला त्रास देण्यासाठी ओळखले जाणारे, छेडल्या जाणाऱ्या तंतुवाद्यांसारखे दाट हार्मोनिक्सने समृद्ध तुकडे होते. लेखक वगळता Deezer चे सव्वीस स्वयंसेवक कर्मचारी सहभागी झाले; पाच जण चाळणीत अनुत्तीर्ण झाले — दोन नियम मोडल्याबद्दल, तीन जण 32 kbps आवृत्ती विश्वासार्हपणे ओळखू न शकल्याने — आणि 21 उरले.

128 उत्तीर्ण होते, मग पकडले जाते

पहिल्या टप्प्यात, 32 आणि 64 किलोबिट प्रति सेकंद स्पष्टपणे ओळखले गेले. 128 kbps ओळखले गेले नाही: त्याची सरासरी तफावत −0.08 गुण सांख्यिकीयदृष्ट्या शून्यापासून वेगळी सांगता येत नव्हती (p = 0.456). मात्र, ±0.25 गुणांच्या आत समतुल्यतेचा सकारात्मक पुरावा मागणाऱ्या अधिक कडक चाचणीत ते थोडक्यात अपयशी ठरले.

म्हणून संघाने सर्वात वाईट परिस्थिती तयार केली. प्रत्येक श्रोता किती चिकित्सक आहे आणि प्रत्येक उतारा दोष किती उघड करतो हे वेगळे करणाऱ्या सांख्यिकीय मॉडेलचा वापर करून, त्यांनी फक्त 10 सर्वात चिकित्सक श्रोते आणि ज्यांतील कृत्रिम दोष (artefacts) सर्वात सहज ऐकू येत होते असे 8 उतारे ठेवले, आणि 32, 96, 128 आणि 160 kbps वर पुन्हा चाचणी घेतली. त्या बारकाईच्या तपासणीत 128 kbps ओळखले गेले (तफावत −0.24, p = 0.030).

160, वेगळे ओळखता न येणारे

160 kbps वर तफावत −0.04 पर्यंत घसरली (p = 0.747): हे तज्ज्ञ कान आता ते मूळपासून वेगळे सांगू शकले नाहीत. आणि या वेळी अधिक कडक चाचणीही उत्तीर्ण झाली (p = 0.024), ज्यातून समतुल्यतेचा सकारात्मक सांख्यिकीय पुरावा मिळाला.

लेखकांचा निष्कर्ष दोन स्तरांचा आहे. सर्वसाधारण श्रोत्यांसाठी, 128 kbps मध्ये आधीच कोणताही लक्षणीय बिघाड दिसत नाही. सर्वात कठीण साहित्यावरील चिकित्सक श्रवणासाठी, संवेदनात्मक पारदर्शकता गाठायला 160 kbps लागतात. त्याच्या व्याप्तीबद्दल ते काळजीपूर्वक आहेत: हेडफोनचे एकच मॉडेल, एकाच कंपनीतून निवडलेला श्रोतृगट, आणि निर्णायक टप्प्यात फक्त दहा श्रोते. ही मर्यादा सार्वत्रिक म्हणण्याआधी इतर ऑडिओफाइल उपकरणांसह आणि तज्ज्ञांच्या अधिक व्यापक गटासह चाचणी घ्यावी लागेल, असे ते लिहितात. त्यांचे निष्कर्ष, निनावी केलेली श्रोत्यांची माहिती आणि उताऱ्यांची वैशिष्ट्ये, प्रयत्न करू इच्छिणाऱ्या कुणासाठीही सार्वजनिकरीत्या उपलब्ध केली आहेत.