音频音量调整中的ramp up & down

在日常生活中不管是打电话还是听音乐，都会遇到音量不合适而去调整音量的情况。如果音量调整软件处理不好，就会听到pop noise。产生pop noise的原因是音量直接从当前值骤变到目标值，而不是缓慢的变。如果缓慢的变就不会有pop noise了。图1显示的是音量变大时骤变和缓慢变的示意图。图2显示的是音量变小时骤变和缓慢变的示意图。

在技术上音量缓升叫ramp up，音量缓降叫ramp down。本文就讲讲如何处理好ramp up & ramp down。

音量调整也叫增益（gain）调整。音量的单位是dB，计算公式是dB = 20*log(gain) 。gain = Y/X ，X是原始PCM值，Y是音量变后的PCM值。当音量不变时，即Y = X或者gain = 1，就是0 dB（20 *log(1) = 0 dB）。通常每增加6dB音量就翻倍，即Y = 2X或者gain = 2，（20 *log(2) = 6.02 dB）。通常音量变化范围是-88dB~12dB。软件实现时用的却是gain，因此要从dB换算成gain。由上面的计算dB的公式可以得到gain，gain = 10^dB/20。为了减少运行时的运算量，就把音量(dB)和gain之间的mapping做成table。运行时只要根据dB值查表得到gain值。下表做了一个简单的示例。

float gain[101] = {

0.0000398，  // -88 dB

0.0000447,    // -87 dB

…..

1.0,               // 0 dB

…..

2.0,              // 6 dB

…..

}；

原始PCM值乘以gain就是变化后的PCM值了，即 Y = X * gain。

音频处理算法通常都是定点实现的，这样就需要把gain table定点化，以Q4.27为例，得到下表的示例。

Int gain[101] = {

5343,            // -88 dB

5995,            // -87 dB

…..

134217728 ,  // 0 dB

…..

267799575,  // 6 dB

…

}；

在音量ramp过程中，要想做好ramp up & down，ramp过程中每个采样点的gain都是不一样的，从当前的gain值逐渐变到目标gain值。首先得定好指标：1ms变化多少dB（定义为dBPerMS）, 这个确定了就可算出需要多少毫秒从当前音量变到目标音量。例如指标是1ms变化1dB，那么音量要从0dB变到12dB就需要12ms。采样率不同，1ms内的采样点数也不一样（定义为samplesPerMS）。以8K采样率为例，1ms内有8个采样点，即samplesPerMS = 8。知道了dBPerMS和samplesPerMS，就可算出每个采样点变化的dB，即 dBPerMS/samplesPerMS，记为ΔdB。上面算出的是ramp up时的值，当ramp down时，就是-ΔdB。

在ramp过程中假设当前采样点的音量为N dB，对应的gain记为g1，则下个采样点的音量为(N + Δ) dB，对应的gain记为g2。可以得到如下两个表达式：

N  =  20 * log(g1)           (1)

N +  Δ = 20 * log(g2)      (2)

(2)式 - (1)式得式（3）

Δ = 20 * log(g2) - 20 * log(g1) = 20 * log(g2/g1)        (3)

所以

log(g2/g1) = Δ/20 ,    g2/g1 =  10^Δ/20 ,     g2 = g1 *  10^Δ/20     (4)

这样就得到了下个采样点的gain（g2）与当前采样点的gain（g1）的数学表达式(式4)。当g2的值到达目标gain时就不再更新。10^Δ/20可以称为ramp factor，事先把这个值算好，在软件中做定值用。在不同的指标和采样率下有不同的值。例如dBPerMS = 0.5，samplesPerMS = 48，则Δ/20 = 0.0005208，rampUpFactor =  10^Δ/20 = 1.0012，rampDownFactor = 10^-Δ/20 = 0.9988。Ramp factor确定后就可去做gain更新了。以从0dB ramp up到6dB ramp factor是1.0012为例，0 dB时gain是1，6dB时目标gain是2。算每个采样点时当前采样点的gain都是前一个采样点gain的1.0012倍，一直到gain达到2后保持不变。

图3和图4是以正弦波为例做ramp up & down的原PCM和ramp后的PCM。

图3 原PCM波形和频谱

图4  ramp up & down后的波形和频谱

对上两图做一下解释。处理的是双声道的48k 采样的正弦波。通常声音刚开始播放时为了避免pop noise，会做一个ramp up，把音量从-88dB逐渐调整到0dB。30帧（每帧10ms）时，把音量调整到3dB，是个ramp up的过程。60帧时设成mute(mute是常见的一个场景，它可以算是音量调整中一个特例。mute时相当于把音量从当前值变为-88dB，unmute时就相当于把音量从-88dB变回去)，是个ramp down的过程，几乎就听不到声音了。90帧时把音量设成0dB, 由于这时还处于mute，不生效，但音量值记住了。120帧时设成unmute，是个ramp up的过程，音量逐步变成0dB。150帧时把音量设成-6dB，是个ramp down的过程。