چگونه پوشش شنیداری به الگوریتم‌های MP3 اجازه می‌دهد ۸۰ درصد از یک فایل صوتی را بدون تغییر در صدای آن دور بریزند

گذار از لوح‌های فشرده فیزیکی به آرشیوهای استریم دیجیتال زمانی رخ داد که مهندسان نرم‌افزار متوجه شدند نیازی به ذخیره کل موج صوتی یک قطعه ضبط‌شده ندارند، بلکه تنها بخش‌هایی که مغز انسان قادر به پردازش آن‌هاست کافی است. فشرده‌سازی سنتی داده‌ها، مانند یک فایل ZIP، اطلاعات را بدون از دست دادن حتی یک بایت بهینه‌تر بسته‌بندی می‌کند و اجازه می‌دهد فایل اصلی دقیقاً بازسازی شود.

مهندسان صدا خیلی زود دریافتند که اعمال این روشِ بدون افت کیفیت روی امواج صوتی، صرفه‌جویی ناچیزی در فضای ذخیره‌سازی به همراه دارد؛ واقعیتی که باعث شد آن‌ها به جای یک راه‌حل کاملاً ریاضی، به سمت یک راه‌حل بیولوژیکی حرکت کنند.[3][6]

صدای غیرفشرده روی یک سی‌دی استاندارد، فرمتی که در سال ۱۹۸۲ پایه‌گذاری شد، برای ثبت ۴۴۱۰۰ نمونه در هر ثانیه به بیت‌ریتی معادل ۱۴۱۱ کیلوبیت بر ثانیه (kbps) نیاز دارد. هنگامی که موسسه فرانهوفر (Fraunhofer Society) فرمت MP3 را در سال ۱۹۹۳ منتشر کرد، این حجم داده را به ۱۲۸ کیلوبیت بر ثانیه کاهش داد و اندازه فایل‌ها را تقریباً ۹۱ درصد کوچک کرد. این کاهش عظیم با حذف دائمی بخش اعظم داده‌های صوتی از فایل به دست آمد.[2][4]

الگوریتم MP3 بر یک مدل روان‌شناختی صوتی (Psychoacoustic) متکی است که به عنوان یک نقشه ریاضی از محدودیت‌های بیولوژیکی سیستم شنوایی انسان عمل می‌کند. مهندسان به جای اینکه بپرسند چگونه می‌توان موج صوتی را فشرده کرد، این سوال را مطرح کردند که گوش انسان از نظر فیزیکی قادر به شنیدن چه بخش‌هایی از موج صوتی نیست. با شناسایی و حذف آن فرکانس‌های غیرقابل درک، الگوریتم یک اسکلت صوتی از خود به جای می‌گذارد که مغز آن را به عنوان نسخه کامل و اصلی قطعه ضبط‌شده تفسیر می‌کند.[1][5]

ترفند اصلی در این مدل، پدیده‌ای به نام پوشش فرکانسی همزمان است. وقتی دو صدا با فرکانس‌های مشابه دقیقاً در یک زمان پخش می‌شوند، گوش انسان تنها صدای بلندتر را ثبت می‌کند. صدای بلندتر غشای پایه در گوش داخلی را چنان با شدت به لرزه درمی‌آورد که سلول‌های عصبی نمی‌توانند صدای ضعیف‌تری را که در فرکانس مجاور در حال ارتعاش است، تشخیص دهند.[1][3]

مقاله مروری آموزشی MDPI Applied Sciences در مورد کدگذاری ادراکی صدا خاطرنشان می‌کند: «اگر یک صدای بلند وجود داشته باشد، آستانه شنوایی را در همسایگی طیفی بلافصل خود بالا می‌برد.» رمزگذار MP3 این آستانه را به صورت پویا در کل طیف فرکانس محاسبه کرده، فرکانس‌های ضعیف‌تر و پوشیده‌شده را شناسایی می‌کند و پیش از ذخیره فایل، آن‌ها را برای همیشه از جریان داده‌ها حذف می‌کند.[1]

این مدل همچنین از پوشش زمانی بهره‌برداری کرده و از زمان بازیابی گوش سوءاستفاده می‌کند. یک صدای ناگهانی و بلند، مانند ضربه طبل کوچک (Snare) یا برخورد سنج، گوش را به طور موقت نسبت به صداهای ضعیف‌تری که بلافاصله قبل و بعد از آن می‌آیند، ناشنوا می‌کند. سیستم شنوایی انسان پس از یک اوج گذرای بلند، به ۵ تا ۲۰ میلی‌ثانیه زمان نیاز دارد تا حساسیت کامل خود را بازیابد.[3][5]

رمزگذار MP3 جریان صوتی را در فریم‌های ۲۶ میلی‌ثانیه‌ای تجزیه و تحلیل می‌کند و به طور خاص به دنبال این نقاط کور زمانی می‌گردد. هنگامی که یک صدای گذرای بلند را تشخیص می‌دهد، داده‌های صوتی را که در آن پنجره بازیابی ۵ تا ۲۰ میلی‌ثانیه‌ای قرار می‌گیرند، حذف می‌کند؛ چرا که می‌داند گوش شنونده از نظر بیولوژیکی قادر به ثبت غیبت آن‌ها نیست.[1][3]

پس از شناسایی و دور ریختن فرکانس‌های اضافی، الگوریتم بودجه محدود داده‌های خود (یعنی بیت‌ها) را به صداهای باقی‌مانده اختصاص می‌دهد. فرکانس‌هایی که در حساس‌ترین محدوده شنوایی انسان، یعنی بین ۲۰۰۰ تا ۵۰۰۰ هرتز قرار می‌گیرند، بالاترین تخصیص بیت را دریافت می‌کنند تا حداکثر وفاداری به صدای اصلی تضمین شود، زیرا گوش به شدت با گفتار انسان و محدوده‌های صوتی کوک شده است.[1][4]

در مقابل، فرکانس‌های بالای ۱۶۰۰۰ هرتز، که بسیاری از بزرگسالان به دلیل کاهش شنوایی ناشی از افزایش سن اصلاً قادر به شنیدن آن‌ها نیستند، به شدت فشرده شده یا به طور کامل دور ریخته می‌شوند. یک فایل MP3 استاندارد ۱۲۸ کیلوبیت بر ثانیه معمولاً یک فیلتر پایین‌گذر (Low-pass) سخت را در ۱۶ کیلوهرتز اعمال می‌کند و هرگونه داده صوتی بالاتر از آن خط را کاملاً حذف می‌کند تا فضا برای فرکانس‌های میانی که برای درک انسان بیشترین اهمیت را دارند، ذخیره شود.[3][4]

این واقعیت بیولوژیکی، کمپین‌های بازاریابی مدرن برای سطوح استریم صوتی «بدون افت کیفیت» (Lossless) و با وضوح بالا را با چالش مواجه می‌کند. شرکت‌هایی مانند اپل و تایدال (Tidal) فایل‌های ۲۴ بیتی و ۱۹۲ کیلوهرتزی را تبلیغ می‌کنند که تا ۹۲۱۶ کیلوبیت بر ثانیه پهنای باند مصرف می‌کنند و وعده یک تجربه شنیداری بی‌نقص را می‌دهند که تمام جزئیات نسخه مستر استودیویی را در بر می‌گیرد.[6]

با این حال، داده‌های حفظ‌شده در این فایل‌های حجیم عمدتاً شامل همان فرکانس‌های پوشیده‌شده و داده‌های فراصوتی است که مدل روان‌شناختی صوتی ثابت کرده ما نمی‌توانیم آن‌ها را بشنویم. فرمت MP3 نشان داد که ۸۰ تا ۹۰ درصد از یک قطعه ضبط‌شده از نظر بیولوژیکی اضافی است؛ به این معنی که مصرف‌کنندگانی که برای صدای با وضوح بالا پول پرداخت می‌کنند، در واقع در حال دانلود داده‌هایی هستند که گوششان قادر به پردازش آن‌ها نیست.[1][6]

کتابخانه کنگره آمریکا در ارزیابی پایداری فرمت‌های دیجیتال خود، MP3 را به عنوان یک فرمت «با افت کیفیت» (Lossy) طبقه‌بندی می‌کند، زیرا موج صوتی اصلی نمی‌تواند از فایل فشرده بازسازی شود. با این وجود، این نهاد خاطرنشان می‌کند که این فرمت به طور خاص طراحی شده تا اطمینان حاصل شود که «افت کیفیت برای درک انسان به حداقل می‌رسد»؛ ویژگی‌ای که آن را برای توزیع بسیار کارآمد می‌کند، حتی اگر استانداردهای حفظ و آرشیو را برآورده نکند.[2]

این توهم صوتی تنها زمانی در هم می‌شکند که فشرده‌سازی بیش از حد اعمال شود. در بیت‌ریت‌های زیر ۱۲۸ کیلوبیت بر ثانیه، یا هنگام رمزگذاری صداهای بسیار پیچیده و متراکم مانند یک ارکستر سمفونیک یا جمعیت در حال تشویق، الگوریتم مجبور می‌شود فرکانس‌هایی را دور بریزد که به طور کامل توسط صداهای بلندتر پوشانده نشده‌اند.[3][4]

این قحطی داده منجر به ایجاد نویزهای مصنوعی قابل شنیدن (Artifacts) می‌شود. شایع‌ترین آن‌ها «پیش‌طنین» (Pre-echo) است؛ یک صدای محو و فلزی که درست قبل از صداهای گذرای تیز رخ می‌دهد. این اتفاق به این دلیل می‌افتد که رمزگذار بودجه داده کافی برای ارائه دقیق شروع ناگهانی موج صوتی را ندارد و مجبور می‌شود نویز را در کل فریم ۲۶ میلی‌ثانیه‌ای پخش کند.[1][3]

میراث ماندگار کدگذاری ادراکی، درک این موضوع است که وفاداری صوتی یک معیار بیولوژیکی است، نه یک معیار ریاضی. این فرمت در سطح جهانی موفق شد زیرا به جای نوار مستر اصلی، گوش شنونده را به عنوان داور نهایی برای تعیین اینکه یک قطعه ضبط‌شده واقعاً چه صدایی دارد، در نظر گرفت.[6]