跳轉到

1993 - MP3 感知編碼#

案件摘要#

1987–1993 年，德國 Fraunhofer IIS 與 Erlangen 大學的 Karlheinz Brandenburg 團隊開發出 MP3（MPEG-1 Audio Layer III），以約 1/10 的位元率做到「聽起來一樣」的音樂。壓縮的思維從「丟高頻」躍升為「丟人耳聽不到的」。

前因#

  • CD 的 PCM 需要 1411 kbps，1980 年代末的網路（撥接 56 kbps）根本傳不動一首歌。
  • 心理聲學（psychoacoustics）研究成熟：人耳的聽覺有系統性的「盲區」。壓縮的問題是：盲區在哪裡？怎麼用數學描述？

線索與推理#

線索一：遮蔽效應（Masking）#

一個強音會讓附近頻率的弱音「聽不見」。臨界頻帶（critical band）：人耳以頻率群（Bark 尺度）處理聲音，遮蔽曲線在強音兩側快速衰減：

\[ \text{若 } |f - f_{masker}| \text{ 大},\ \text{threshold}_{f} \uparrow \Rightarrow \text{弱音不可聞} \]

MP3 把訊號切到頻域，計算每個臨界頻帶的可聞門檻，把低於門檻的係數大幅量化或直接丟棄——「感知壓縮」的完整形態。

線索二：前迴聲的懸案#

時間遮蔽有一個陷阱：瞬態（如鈸聲）之前的極短時間人耳也有門檻變化。若在長時窗上量化，量化雜訊會「提前」出現在被遮蔽區之外（pre-echo）。MP3 的解法是長短窗切換：瞬態時用短窗。這是心理聲學直接驅動演算法設計的案例。

線索三：位元分配#

可用位元要在各頻帶間分配，目標是最小化總感知失真：

\[ \min \sum_b D_b(r_b) \quad \text{s.t.} \quad \sum_b r_b = R \]

Brandenburg 團隊用迭代位元分配（之後的標準採用心理聲學模型 + 動態分配），在 128 kbps 上達到「多數人聽不出與 CD 的差別」。

線索四：標準競爭的懸案#

MPEG-1 音訊評選中，ASPEC（Fraunhofer/AT&T 等）與 MUSICAM（Philips/CCETT）競爭，最終 Layer III 綜合兩者技術。Brandenburg 用 Suzanne Vega 的 "Tom's Diner" 反覆調校——這首歌被稱為 "Mother of MP3"。

後果#

  • 1997 年 Winamp、1999 年 Napster 帶動 MP3 爆發，音樂工業被重塑，iTunes（2001）建立合法下載模式。
  • 感知編碼延伸到 AAC（MPEG-2/4）、Opus——今日串流音訊全是心理聲學編碼。
  • 「丟人類感知不到的」成為影音壓縮的普世哲學，也成為 AI 時代「感知品質評估」的前身。