Mowa, jej nagrania i ich kopie...

Słuch:

   Słuch zasadniczo różni się od wzroku. Drgania powietrza są nieuchronnie wytwarzane np. przez skradającego się drapieżnika i umożliwiają jego wykrycie nawet w warunkach całkowitej ciemności. Słuch świetnie działa także podczas snu – podejrzewam, że moje śpiące koty nie tylko reaugują na dźwięk otwieranych drzwi lodówki, ale nawet rozróżniają szelest papieru opakowania szynki od np. opakowania sera...

   Podobnie drgania wody wytwarzane przez łodzie podwodne umożliwiły ich wczesne wykrywanie – pracowała nad tym zagadnieniem między innymi znana firma nagraniowa DECCA. Okazało się jednak, że dźwiękowe systemy ECM (Electronic Countermeasures) nie są jednak w stanie pokonać słuchu ludzkiego!

   W wyniku tych badań powstał wprowadzony w 1946 r. „cywilny” system FFRR (Full Frequency Range Recording) o zakresie częstotliwościowym 80-15000 Hz i dynamice 60 dB (czyli 1 : 1 000 000), który powszechnie uznaje się za pierwszy system godny określenia HiFi (High Fidelity – czyli wysoka wierność).
   Podstawowym problemem w technice nagraniowej nie jest szeroki zakres częstotliwości – ale ogromna dynamika sygnałów akustycznych. Ludzki zmysł słuchu zapewnia nam bezpieczny odbiór dzięków o dynamice 120 dB (decybel to 0,1 Bela). Oznacza to, że stosunek mocy najsłabszego słyszalnego sygnału do mocy, która powoduje ból wynosi 10^12 czyli bilion (europejski!) razy!

   Jeśli przyjmiemy, że szelest liści lub cichy szept będzie miał natężenie 10 dB, to start myśliwca odrzutowego wytwarza dźwięk o natężeniu 140 dB, czyli natężenie dźwięku 10 bilionów razy silniejsze! Jeśli mówimy o wybuchach to warto podkreślić, że bliski wybuch zwykłej petardy to dźwięk o natężeniu ok. 160 dB – a więc jeszcze 100 razy silniejszy od hałasu startującego myśliwca odrzutowego!

    Przyjmuje się, że zakres częstotliwości, które może odbierać słuch ludzki to 20-20000 Hz. To tysiąckrotna zmiana (dewiacja) częstotliwości. Odbieramy więc fale dźwiękowe o długościach od ponad 16 m do ok. 16 mm! Nawet, jeśli weźmiemy pod uwagę, że z wiekiem górna granica słyszalności się obniża nawet dwukrotnie, to tak, jakby za pomocą jednego radioodbiornika bez zmiany zakresu i dostrajania odbierać równocześnie WSZYSTKIE stacje na falach długich (W-wa I - ~227 kHz), średnich, krótkich aż do ultrakrótkich (~100 MHz)!

Nagrania:

    Analogowa technika nagraniowa pozwala na uzyskania dynamiki rzędu 80 dB, czyli stosunku mocy jak jeden do stu milionów. Wymaga to przenoszenia zakresu napięć np. od 1 mV do 10 V (Uwaga! nie ma błędu – moc rośnie z kwadratem napięcia!) Taką dynamikę może uzyskać pełny skład orkiestry symfonicznej.
 

    Rowek płyty gramofonowej (30 cm Long Play – 33 obr/min) przesuwa się pod igłą z prędkością około 0,5 m/s. Oznacza to, że zapis częstotliwości 20 000 Hz wymaga wykonania rowka z precyzją rzędu 0,02 mm. Nie stanowi to większego wyzwania dla mechaniki precyzyjnej – w połowie lat 1970 produkowano nawet winylowe płyty kwadrofoniczne (CD-4 czyli Compatible Discrete), na których zapisywano częstotliwości 50 000 Hz (wychylenia rowka co 0,01 mm).
Podobnie dla taśmy magnetofonowej – w profesjonalnych magnetofonach stosuje się prędkości przesuwu taśmy tego samego rzędu - 38 cm/s, w amatorskich jest nieco mniejsza (9,5 cm/s lub w magnetofonach kasetowych 4,75 cm/s). W przypadku prędkości 8 cm/s (MARS-BM) zmiany namagnesowania będą następować (przy wysokich częstotliwościach) co ok. 0,003 mm.

Zapis analogowy - mechaniczny lub magnetyczny może być więc dość łatwo kontrolowany za pomocą prostego mikroskopu.

   Jeśli chodzi o dynamikę, to znacznie większe możliwości daje technika cyfrowa – nagranie na CD pozwala uzyskać dynamikę 96 dB, zaś SACD lub DVD (konwersja 24 bitowa) aż 144 dB. Jest to możliwe, ponieważ w tej technice przesyłane są dane liczbowe, a nie poziomy sygnałów prądowych lub napięciowych.

   W technice cyfrowej należy zwracać uwagę na pasmo przenoszenia – jest ono bowiem bardzo uzależnione od częstotliwości próbkowania sygnału – czyli od prędkości przetwarzania poziomu napięcia na dane przez przetwornik analogowo/cyfrowy (C/A). Budzi to szereg nieporozumień, ponieważ typowy dźwięk to nie idealna i nieskończona fala sinusoidalna, lecz tak zwana paczka fal. Charakter tego pakietu falowego (kształt fali, prędkość narastania i zaniku itp.) decyduje o barwie dźwięku. Zmiana tych parametrów (np. obcięcie pierwszych ułamków sekundy sygnału) spowoduje, że dźwięk fortepianu może zostać rozpoznany jak zagrany na rogu (waltorni – pisał o tym Deda).

Mowa, pismo, przekaz i systemy kodowania:

    Sama ludzka mowa jest w zasadzie uzgodnionym w ramach danej społeczności systemem kodowania (językiem!). Jeśli w celu komunikacji lub zapisu mowy posługujemy się pismem, to godzimy się na znaczne ograniczenia – samogłoska „a” może być bowiem wypowiedziana na różne sposoby (z emfazą, zdziwieniem, bólem, przestrachem itp.) - w piśmie konieczne więc są didaskalia. Pismo jako system zapisu wprowadza więc spore ograniczenia. Pismo odręczne może być także trudno czytelne (słynne „pismo lekarskie”). Podobne ograniczenia łączą się z nagraniami.

Stosunkowo mało ludzi zdaje sobie sprawę, że jednym z pierwszych sposobów na cyfrowy przekaz i zapis mowy jest telegraficzny alfabet Morse'a składający się z kropek (krótki sygnał) i kresek (długi sygnał). W tym kodzie _... _. ._. _... .. . to po prostu mój nick „barbie”.

   Kod Morse'a powszechnie stosowano w początkach telegrafii (zarówno przewodowej, jak i „bez drutu”), jest on bowiem (jak każda transmisja cyfrowa) bardzo odporny na zakłócenia.Kodowanie i rozkodowanie transmisji zapewniali wytrenowani ludzie – telegrafiści. Potrafili oni to robić naprawdę szybko.       Wkrótce zastąpiły ich maszyny (telegraf Hughesa zwany „juzem” i jego następca telex). Telex stosował kodowanie 5-bitowe („barbie” to 00010 00001 00010 10010 01001 00101) – dlatego też dawne telegramy nie rozróżniały dużych i małych liter. Układy mechaniczne szybko zastąpiono komputerami i wprowadzono kodowanie 8 bitowe (1 bajt na każdy znak) - „barbie” to w tym kodzie ciąg impulsów 01100010 01100001 01100010 01110010 01101001 01100101. W USA wystarczało 7 – a więc 8 bit był używany jako kontrola parzystości. Pozostał jednak problem różnych języków („zadanie kata” to w języku polskim nie to samo co „żądanie kąta”) powstały więc najpierw różne tablice kodowe, aż w końcu wielobajtowy kod UTF, który prawie całkowicie zlikwidował słynne kiedyś problemy (ja pamiętam 17 używanych „standardów” polskich znaków), pozostał jednak problem kodowania emocji. Każdy z nas zna te dodatkowo wprowadzane różne znaczki „emotinkonki”...

Poświęciłem kodowaniu tak wiele uwagi aby dla wszystkich stało się jasne, że im dokładniejszy będzie system kodowania – tym można uzyskać wierniejszy przekaz.

Zapis elektroniczny:

    Historia przekazu elektronicznego zaczęła się od telegrafii – czyli od transmisji cyfrowej! Jakość urządzeń elektronicznych praktycznie wykluczała przekaz w formie analogowej nie tylko muzyki, ale również mowy. Wraz z rozwojem elektroniki (zwłaszcza po II Wojnie Światowej) regułą stał się przekaz analogowy, który szybko osiągnął bardzo wysoki poziom wierności. Urządzenia analogowe musiały być jednak bardzo precyzyjne, wymagały troskliwej opieki i przede wszystkim były drogie! W sukurs przyszła stara technika cyfrowa, która dzięki rozpowszechnieniu się układów scalonych jest po prostu BARDZO TANIA pod warunkiem naprawdę masowej produkcji i zapewnia jakość przekazu akceptowalną dla ogromnej większości populacji. W dodatku jest odporna na zakłócenia.
   Sztuczne ograniczanie jej możliwości – choćby poprzez obniżanie częstotliwości próbkowania nie ma sensu! Wykonanie kopii taśmy analogowej z wysoką częstotliwością próbkowania nie jest błędem – ale przejawem dochowania należytej staranności. Lepiej kopię wykonać „zbyt dokładnie” niż przeoczyć jakiś pozornie mało znaczący szczegół – to przecież oczywista oczywistość!