AC3 overview

1.AC3 encode overview

AC3 encoder的框图如下：

AC3在频域采用粗量化（coarsely quantizing）来获取较高的压缩率。

1）.输入PCM 经过MDCT变换到频域，将时域信号转换成频率系数。512个sample 转换成256个频率系数。

2）.将每个频率系数表示成二进制的指数（exponent）和尾数(mantissa)形式. exponent代表频率系数的envelop。

3）.使用envelop来决定mantissa需要多少bit数来encode

4）.6个audioblock (1536 sample)的envelop和mantissa加上header（SI,BSI）和CRC formatted成一个frame.如下：

2.AC-3 encode算法overview:

1）. exponent coding.

AC-3 bitstream主要包含原始信号的频率系数，频率系数由exponent和mantissa组成。

frequece_coefficient [k] = mantissa[k] >> exponent[k] = mantissa[k]*2^(-exponent[k]).

exponent 是frequence confficient中leading zero 的个数，主要描述频谱的evelop.

exponent采用差分编码， 并非所有的exponent都需要编码，而是可以通过不同的exponent strategy，将多个exponent组成group，用一个group value来表示多个exponent，达到更高的压缩率。

2）. Bit allocation

Bit allocation通过人耳masking curve分析音频信号的频率系数的envelop，来确定mantissa需要多少bit 来encode。

3）.Coulping

人耳对高频信号相位不敏感的特性，对高频部分采用coupling来由各个channel的高频部分产生coupling channel, coupling channel中包含各个channel的平均频率系数，每个coupled channel的高频部分不压缩，只保留各自的一组coupling coordinates 用以还原出原始channel的频率系数。

4）.Rematrix

当两个channel 的信号有很大的相似性（highly correlated）时，rematrix技术并不压缩两个channel的原始信息，而是压缩两个channel的和与差。

quantization 和data packing都是基于left'和right'.如果left/right很相似的话，right'就几乎为0，那可以使用更少的bit进行压缩。

5）.MDCT

采用MDCT进行时频转换，x[n]为时域信号，采用long window时N为512，short window时N为256.

3.AC-3 decode overview.

decode 流程如下：

1)dialog norm

当音频来源于不同的source，在平台端接收到音频信号时会有很明显的loudness变化。比如说movie和广告间切换，不同电视频道的切换，节目的loudness会变化较大。

AC-3使用dialog normalization来标识当前bitstream的loudness.

dianorm存在于BSI信息中，占用5个bit，范围为1~31 db，标识当前bitstream中正常人声对话的level。

AC-3 decoder并不直接使用dianorm. 接收音频信号的平台端的音量调节系统会利用dianorm来调节音量。

通常音量调节系统会根据用户的输入来使得平台达到期望的loundess或者SPL(sound pressure level),调节系统的gain来达到用户期望的音量.

但是如果是AC-3 bitstream, 系统的gain值与用户期望的dialog 的SPL和bitstream中dianorm同时相关联。

例如，如果用户想要调节音量(节目中dialog level)达到67 db SPL（利用dianorm,对任何source的AC-3 bitstream,音量调节系统都能达到准确的SPL）,

当播放一个high quality的娱乐节目时，dianorm为25 db。调节系统的gain值使得full scale signal（信号的最大level）达到92 db SPL (92 - 25 =67 db).

当播放一个广告节目时，dianorm为15db，调节系统的gain值使得100%的digital level （信号最大level）达到82 db SPL，那么广告中的dialog 的level为82-15 = 67 db SPL.

2)DRC

一个high quality的节目（比如film）,通常音频会由wide dynamic range 的声音mix在一起。以dialog level 作为reference，爆炸声比dialog level高20db以上，风吹动树叶的声音比dialog level低50db以上。

在大部分听众而言，如果声音非常大，会有不好的听觉体验。而听众会想要听到非常微弱的声音，所以需要将loudest  sound做compress downward，而quiet sound做bring upward.那么wide dynamic range 将会被compress.

AC-3 coding技术将dynamic range control value(dynrng)压到bitstream中，使得听众获得更好的听觉体验。AC-3 encoder产生一系列的dynrng,每个dynrng在decoder端用于一个或多个audio block作为gain来进行DRC.

对于听众来说，希望将loudest信号往dialog level方向往下调，而quiet信号往dialog level方向向上调。而对于那些与dialog level具有相同loudness的信号不做调节。

例如：对于一部电影，dialog level为-25 db，爆炸声达到0db，微弱的声音低于dialog level 50 db为-75db. AC-3 encoder将产生一组dynrng, audio level高于dialog level时， dynrng 标识负的gain. audio level低于dialog level时， dynrng标识正的gain. 0db的信号，对应dynrng标识降低15db。微弱的声音dynrng标识增加20db。

当用户想要听到所有的声音，并且希望不影响到其他人，AC-3 decoder可以使用默认的full compression方式做DRC。当用户将dialog level调节到 60 db SPL时，爆炸声为70 db SPL(本来是高于dialog level 25 db（80db SPL），但是dynrng降低15 db).微弱的声音为30 db SPL(本来是低于dialog level 50 db (10 db SPL), 但是dynrng提高20 db).那么原本的dynamic range变为70-30 = 40 db。

3)downmix

在解码的平台端，通常speaker的数目与bitstream的channel并不匹配。比如说bitstream是5.1 ch，但是平台只有两个speaker.这时候需要做downmix.

5.1 ch到2ch 做LoRo downmix：

clev 和slev是由BSI信息中的cmixlev和surmixlev字段标识的downmix 系数。

为了防止downmix 后信号的overflow，实际的downmix系数需要乘以一个scale.例如:clev和slev都是0.707时，每个downmix 系数需要乘以1/(1+0.707+0.707)=0.4143

4 ch到2ch做LoRo downmix

5.1 ch到2ch做LtRt downmix:

为了防止overflow, downmix系数都需要乘以1/（1+0.707+0.707+0.707）=0.3204

4ch到2ch做LtRt downmix: