Normalizacja głośności w PulseAudio

Każdy z nas spotkał się z sytuacją, gdzie dźwięki odtwarzane na naszych maszynach zmieniają swoje natężenie w krótkich odstępach czasu, a my przy tym odczuwamy bardzo nieprzyjemne uczucie dyskomfortu psychicznego. Tego typu efekt jest też bardzo często spotykany przy oglądaniu filmów, gdzie zwykle muzyka jest sporo głośniejsza od samych dialogów, nie wspominając już o reklamach, którymi filmy są przerywane. Innym przykładem mogą być mp3, gdzie jedna z nich jest grana zbyt cicho, natomiast kolejna zbyt głośno. PulseAudio jest w stanie poradzić sobie z tego typu problemami.

Dynamic range compression

Przeglądając youtube, natrafiłem na materiał opisujący ciekawy moduł, który można załadować w PulseAudio. Rozchodzi się o module-ladspa-sink , który ma za zadanie przerobić strumień audio przyciszając go tam gdzie jest zbyt głośny i pogłaśniając tam gdzie jest zbyt cichy. Fachowo się to nazywa Dynamic range compression.

Moduł module-ladspa-sink nie jest ładowany domyślnie, dlatego też będziemy musieli nieco przerobić konfigurację samego PulseAudio tak by normalizacja głośności została aktywowana. Dodatkowo, wymagany jest pakiet swh-plugins , który prawdopodobnie będziemy musieli sobie doinstalować (jest dostępny w repo debiana).

Normalizacja głośności i jej aktywacja

Przechodzimy zatem do edycji pliku /etc/pulse/default.pa i na jego końcu dopisujemy poniższy blok kodu:

.ifexists module-ladspa-sink.so
.nofail
load-module module-ladspa-sink sink_name=compressor plugin=sc4m_1916 label=sc4m control=1,1.5,401,-30,20,5,12
.fail
.endif

.ifexists oraz .endif rozpoczynają instrukcję warunkową, która sprawdza czy dostępny jest odpowiedni moduł. Dalej mamy dwie dyrektywy: .nofail oraz .fail , które określają czy wykonywanie skryptu zostanie przerwane gdy określone niżej akcje zwrócą jakiś błąd. Powyższa instrukcja zakłada wykonanie się skryptu nawet w przypadku gdy załadowanie modułu module-ladspa-sink się nie powiedzie z jakichś przyczyn.

Dyrektywa load-module ładuje określony moduł. Dalej są precyzowane opcje dla samego modułu:

• sink_name definiuje nazwę, która zwracana jest, np. w pacmd .
• plugin ładuje pożądany filter.
• label określa etykietę dla pluginu, który jest po niej identyfikowany.
• control zawiera ustawienia sterujące zachowaniem pluginu.

Problematyczne może być rozszyfrowanie wartości, które zostały podane w opcji control . Generalnie rzecz biorąc, zależą one od samego pluginu i mogą się dość znacznie różnić. W tym przypadku został użyty plugin sc4m_1916. By dowiedzieć się coś nieco więcej o tym pluginie, musimy doinstalować pakiet ladspa-sdk , po czym wydać poniższe polecenie:

$ analyseplugin sc4m_1916
Plugin Name: "SC4 mono"
Plugin Label: "sc4m"
Plugin Unique ID: 1916
Maker: "Steve Harris "
Copyright: "GPL"
Must Run Real-Time: No
Has activate() Function: No
Has deactivate() Function: No
Has run_adding() Function: Yes
Environment: Normal or Hard Real-Time
Ports:  "RMS/peak" input, control, 0 to 1, default 0
        "Attack time (ms)" input, control, 1.5 to 400, default 101.125
        "Release time (ms)" input, control, 2 to 800, default 401
        "Threshold level (dB)" input, control, -30 to 0, default 0
        "Ratio (1:n)" input, control, 1 to 20, default 1
        "Knee radius (dB)" input, control, 1 to 10, default 3.25
        "Makeup gain (dB)" input, control, 0 to 24, default 0
        "Amplitude (dB)" output, control, -40 to 12
        "Gain reduction (dB)" output, control, -24 to 0
        "Input" input, audio
        "Output" output, audio

Jak widać, nie tylko jest podana kolejność portów ale także są przedziały możliwych do określania wartości wraz z wartościami domyślnymi (na wypadek ich nie podania w konfiguracji). Jest tam, co prawda, 9 portów ale te dwa ostatnie (bez wartości default) są dla wyjścia (np. podejrzenie w locie o ile dB sygnał jest redukowany), jednak PulseAudio nie potrafi ich obsłużyć.

Failed to load plugin "sc4m_1916"

W przypadku gdy przy próbie analizy pluginu wyskoczy nam poniższy błąd:

$ analyseplugin sc4m_1916
Failed to load plugin "sc4m_1916": sc4m_1916: cannot open shared object file: No such file or directory

Oznacza to, że nie posiadamy w systemie ustawionej zmiennej $LADSPA_PATH i by ten powyższy błąd poprawić, wystarczy w terminalu (lub w konfiguracji shell'a bash/zsh) dopisać sobie poniższą linijkę.

export LADSPA_PATH="/usr/lib/ladspa/"

Porty w sc4m_1916

Doszukałem się na necie w miarę przystępnego wyjaśnienia jak działa kompresor dźwięku. Poniżej jest krótki opis portów wykorzystywanych przez plugin sc4m_1916 .

• RMS/peak -- w przypadku wielu współczesnych kompresorów, mamy do wyboru tryb pracy detektora sygnału sterującego, który może działać w trybie szczytowym (Peak) lub uśrednionym (RMS, Root Mean Square). Przy ustawieniu na 0, kompresor reaguje na bezwzględny poziom chwilowy (true peak). W przypadku ustawienia na 1, uśrednianiu podlega dłuższy fragment sygnału, na podstawie którego działa blok tłumienia. W praktyce reakcja na poziomy chwilowe sprawdza się, gdy chcemy uzyskać mocną i słyszalną kompresję lub stłumić transjenty, tj. gwałtowne szczyty i skoki w sygnale, np. w przypadku bębnów. Tryb RMS jest znacznie łagodniejszy w działaniu, dając wyrównaną kompresję w przypadku wokalu, gitar, grup i całych miksów.
• Attack/Release time (ms) -- służą do ustawienia czasu zadziałania kompresora oraz czasu powrotu całego układu do stanu neutralnego. Im mniejszy Attack time, tym miej szybkich skoków w sygnale przedostaje się przez kompresor. Z kolei Release time określa, jak długo kompresor ma działać na dźwięk. Zbyt krótki Release time może spowodować zniekształcenie dźwięku.
• Threshold level (dB) -- poziom sygnału, od którego kompresor zaczyna działać. Z reguły nie ma większych wartości od 0 (max) i jest niewiele mniejszych od -30 (min). W tym przypadku próg został ustawiony na -30, czyli przez kompresor będą przepuszczane praktycznie wszystkie dźwięki. Nie za dobre dla mp3 ale idealne dla filmów.
• Ratio -- stosunek, w jakim kompresor będzie redukował dynamikę sygnału, gdy ta przekroczy Threshold level . Jeśli jest tutaj ustawiona duża wartość (jak w tym przypadku, 20), to będzie stanowić to limit głośności określony przez Threshold level , którego sygnał nie będzie mógł przekroczyć. Niższe wartości będą ucinać nieco dB wyciszając tym samym dźwięk. Np. dla Ratio 4:1 , każdy dźwięk powyżej Threshold level zostanie zredukowany o 75%. W przypadku 2:1, o 50%, itd. Zatem jeśli by pojawił się dźwięk o 8 dB ponad Threshold level , to przy ratio 4:1 zostanie przycięty do wartości 2 dB ponad limit, w przypadku 2:1, do 4 dB ponad limit. Dźwięk poniżej Threshold level nie jest ruszany.
• Knee radius -- parametr Knee ma wpływ na początkowy etap działania kompresji, określając, jak wyraziście będzie następowało tłumienie z chwilą zbliżenia się poziomu sygnału do ustawionego progu w Threshold level. Może to następować natychmiast (tzw. twarde kolano, od 0 dB), stopniowo (miękkie kolano, do 40 dB) lub w każdy sposób pomiędzy tymi dwoma pozycjami. W przypadku twardego kolana kompresja aplikowana jest od razu z chwilą, gdy sygnał przekroczy próg kompresji, i z poziomem ustawionym regulatorem Ratio. Przy miękkim kolanie kompresja zaczyna stopniowo działać gdy poziom sygnału zbliża się do progu Threshold level, a pełne Ratio aplikowane jest wtedy, gdy go w niewielkim stopniu przekroczy. W praktyce element ten wpływa na brzmienie kompresji, od wyraźnie słyszalnego zakolorowania przy twardym kolanie (co sprawdza się przy precyzyjnej obróbce bębnów), do praktycznie niesłyszalnej kompresji stosowanej głównie przy masteringu.
• Makeup gain (dB) -- określa o ile dB podbić ciche dźwięki, lub też te wyciszone za sprawą Ratio, tak by były głośniejsze.
• Amplitude (dB) -- Poziom sygnału wejściowego.
• Gain reduction (dB) -- stopień redukcji wzmocnienia stosowany dla sygnału wejściowego.

Poniżej jest jeszcze parę rzeczy, które można napotkać w innych kompresorach, np. tym oferowanym przez Easy Effects:

• Dry/Wet Level -- kompresja równoległa, zwana czasem "nowojorską", polega na zmieszaniu sygnału skompresowanego z sygnałem bez kompresji. Wiele współczesnych kompresorów już ma odpowiedni regulator -- zwykle pod postacią Dry/Wet w okolicach regulatora poziomu wyjściowego. Funkcja ta pozwala zachować definicję transjentów, a jednocześnie zaaplikować bardziej agresywną kompresję, uwypuklając towarzyszące jej zakolorowanie dźwięku. Sprawdza się to szczególnie dobrze przy przetwarzaniu surowo brzmiących bitów, ale można zastosować tę funkcję także na całym miksie.
• Lookahead -- funkcja wyprzedzenia (lookahead) polega na opóźnianiu sygnału audio, ale nie w torze sterowania, dzięki czemu kompresor odpowiednio wcześniej "wie", jak ma zareagować. Teoretycznie jest to bardzo korzystna konfiguracja, ale należy pamiętać, że odpowiednio wcześniej pojawi się też etap powrotu (Release). Aby to skompensować można użyć parametru podtrzymania (Hold, jeśli jest taki dostępny), ustawionego na taki sam czas, jak czas wyprzedzenia.

Warto jednak dodać, że te domyślne ustawienia spisują się całkiem dobrze i raczej powinny zadowolić każdego.

Test kompresora

Po zresetowaniu PulseAudio, w pavcontrol powinniśmy ujrzeć dodatkowy strumień, do którego możemy przesyłać dźwięki z określonych aplikacji, co wygląda mniej więcej tak:

Mimo, że amarok został złapany na tej force podczas odtwarzania dźwięku ze sporym natężeniem, to ten niebieski pasek, który widnieje także pod strumieniem modułu, wskazuje, że dźwięk jest odtwarzany sporo ciszej. Oczywiście, strumienie są niezależne i można nimi dowolnie operować i nie koniecznie muszą być one przepuszczone przez kompresor dźwięku