Zvukový kodex čtecího pera a komprese MP3: návrh zvuku

Cílová skupina: Tento článek je určen pro zvukové inženýry, producenty OEM obsahu a nákupní týmy, které potřebují rozumět chování audio kodeků u čtecích per a kompromisům MP3 komprese napříč platformami B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2 a Y6, včetně datového toku, normalizace hlasitosti, Helix dekodéru, SNR DAC, vazby reproduktoru a vlivu na výdrž baterie.

Kvalita zvuku je jediný rozměr, který v maloobchodních kanálech pohání opakované nákupy čtecích per, a zároveň je to rozměr, který u školních tendrů nejčastěji vyvolává stížnosti koncových zákazníků. Volba datového toku MP3, cíl normalizace hlasitosti a vazba reproduktoru přímo ovlivňují, jak dítě produkt vnímá. Níže si projdeme každou audio proměnnou ve stacku čtecího pera a kvantifikujeme kompromisy, abyste mohli učinit informovaná rozhodnutí pro svůj další program.

1. Proč MP3 a proč ne Opus nebo AAC

Každé čtecí pero, které jsme dodali od roku 2021, používá MP3 jako audio formát v zařízení. Důvodem není nostalgie, ale paměťová náročnost dekodéru a licenční náklady. MP3 dekodér Helix od RealNetworks zabírá 28 KB kódu ARM Thumb-2 a běží bez jednotky s plovoucí desetinnou čárkou. AAC-LC vyžaduje dalších 80 KB kódu nebo hardwarový akcelerátor, který na dílech Cortex-M4 používaných v B1, B2, F8, K7, KF1, P2, Q6 a Y6 nemáme. Opus je při nízkých datových tocích technicky lepší, ale dekodér má 110 KB a licence se účtuje za kus, což by přidalo 0,20 až 0,35 USD na jedno pero. Patenty na MP3 již vypršely, takže neexistuje žádný licenční poplatek za kus.

Pro produkt citlivý na BOM vítězí MP3. Pro zákazníky OEM, kteří trvají na AAC (obvykle proto, že již mají AAC pipeline z vydavatelství), nabízíme firmware s AAC variantou pouze u modelů L5, Q8 a T2. AAC dekodér přidává 90 KB kódu, ale pouze tyto tři modely mají dostatečnou flashovou rezervu (16 MB), aby to absorbovaly. AAC varianta přidává 0,18 USD k jednotkové ceně v rámci licencování a jednorázový poplatek za AAC integraci 4 500 USD pro každou značku OEM. Od roku 2023 jsme dodali 7 AAC variant pro více než 230 distributorů.

2. Volba datového toku: rozhodnutí 64/96/128

Datový tok MP3 je jediným největším faktorem velikosti souboru a kvality zvuku. Pro obsah čtecích per doporučujeme tři úrovně datového toku. (1) 64 kbps mono pro zvukové efekty, zvukové pozadí a krátké výslovnostní podněty; (2) 96 kbps mono pro hlavní vyprávění v jazycích s jednoduchou fonologií (španělština, italština, indonéština); (3) 128 kbps stereo pro vyprávění v jazycích se složitou fonologií (angličtina, mandarínština, arabština) a pro zpěvový obsah, kde záleží na stereo separaci.

Vztah mezi datovým tokem a vnímanou kvalitou na reproduktoru čtecího pera je nelineární, protože samotný reproduktor rolluje nad 12 kHz a pod 200 Hz. Soubor 256 kbps stereo na 23 mm mylarové membráně zní v zaslepeném A/B testu se 42 dětskými posluchači (věk 4 až 8 let) nerozeznatelně od souboru 128 kbps stereo. Při 64 kbps mono se rozdíl stává slyšitelným na sykavkách a souhláskách, zejména u anglických zvuků „s“, „t“ a „sh“. Pro fonický obsah, kde na každé souhlásce záleží, je 96 kbps mono minimem.

Pro typickou 32stránkovou bilingvní knihu s 600 audio soubory při 128 kbps stereo činí audio knihovna v průměru 0,9 až 1,1 GB. Stejná knihovna při 96 kbps mono má 0,45 až 0,55 GB. Cesta 96 kbps mono ušetří 0,5 GB flash paměti, což u 4 GB flash dílu (B1, B2, F8, P2) znamená rozdíl mezi uložením jedné nebo dvou knih. U 8 GB dílů (K7, KF1, Q6, Y6) a 16 GB dílů (L5, Q8, T2) je rezerva méně kritická.

3. Normalizace hlasitosti: cíl -16 LUFS

Audio čtecích per je masterováno na -16 LUFS (Loudness Units Full Scale) integrovaně, se stropem skutečné špičky -1 dBTP. Tento cíl je o 4 LU hlasitější než vysílací standard EBU R128 (-20 LUFS), protože se čtecí pero používá ve třídách a ložnicích, ne v obývacích pokojích. Děti sedí 30 až 50 cm od reproduktoru a rodiče nechtějí pro poslech příběhu tlačit hlasitost na maximum.

Hlasitost měříme u každé příchozí dávky obsahu pomocí ITU-R BS.1770-4 na přístroji Nugen VisLM-H nebo Dolby LM100. Pokud je klip hlasitější než -14 LUFS, aplikujeme snížení zesílení. Pokud je klip tišší než -18 LUFS, aplikujeme zvýšení zesílení. Cokoli mimo ±2 LU od cíle prochází ruční kontrolou, protože to obvykle značí problém s masterováním výše ve výrobě (špatná kalibrace místnosti, špatné vážení měřáku).

Pro školní tendry v EU vyrábíme také variantu -20 LUFS, která splňuje EBU R128 pro knihovní a vysílací použití. Varianta se generuje ze stejného zdrojového audia, trvá 4 minuty na knihu a dodává se jako samostatná možnost firmwaru. Cenový příplatek je 0,06 USD za knihu za dodatečný build slot.

Dynamický rozsah je u vyprávění zachován na 8 až 10 LU a u zvukových efektů na 6 až 8 LU. Silná komprese (pod 4 LU) zplošťuje emoční oblouk příběhu a je nejčastější kvalitativní stížností vydavatelů. Pokud pořizujete audio od externího studia, vyžádejte si před zadáním 600souborové výroby vzorek masterovaný podle výše uvedených cílů.

4. Dekódovací cesta: od MP3 rámce k cívce reproduktoru

Když firmware při slovníkovém lookupu vrátí audio offset, audio úloha čte MP3 rámce ze SPI flash do bufferu o velikosti 24 KB nebo 64 KB. Helix dekodér parsuje každý rámec, provádí modifikovanou diskrétní kosinovou transformaci a na výstupu dává 16bitové PCM vzorky při 44,1 kHz. PCM je DMA přiváděno do DAC a analogový výstup budí reproduktorový zesilovač.

SNR DAC je 92 dB u B1 / B2 / F8 / P2 (s využitím 12bitového sigma-delta DAC integrovaného v Cortex-M4) a 112 dB u L5 / Q8 / T2 (s využitím TI PCM5101A). Modely K7, KF1, Q6 a Y6 používají externí 16bitový DAC se SNR 100 dB. 20dB SNR propast mezi nejlevnějším a nejdražším perem je slyšitelná na klavírním materiálu a na dlouhých táhlých samohláskách, ale u mluveného vyprávění je většinou neslyšitelná. Pro fonický obsah, kde na každé sykavce záleží, vyšší SNR pomáhá; pro běžné vyprávění příběhů je nižší SNR dostačující.

Výkon zesilovače je 0,5 W u Q6, 0,7 W u K7 / KF1, 0,8 W u Y6, 1,0 W u L5 / Q8 / T2. Modely B1, B2, F8 a P2 mají 0,5 W. Při 1 W dosahuje L5 hodnoty 86 dB SPL na 30 cm, což stačí pro malou třídu s 8 až 12 dětmi. Při 0,5 W dosahuje Q6 hodnoty 80 dB SPL, což stačí pro jedno dítě na délku paže.

5. Konstrukce reproduktoru: 23 mm Mylar a pasivní zářiče

Standardní reproduktor čtecího pera je obdélníkový mylarový kužel 23 mm x 14 mm s impedancí 8 ohmů a rezonanční frekvencí 380 Hz. Modely L5, T2 a Y6 přidávají na zadní stranu krytu pasivní zářič pro rozšíření basové odezvy až na 180 Hz. Bez pasivního zářiče reproduktor utlumuje frekvence pod 350 Hz, což je pro vyprávění dostačující, ale pro hudbu slabé.

Reproduktor je namontován v utěsněné akustické komoře o objemu přibližně 4 až 6 krychlových centimetrů. Objem komory se ladí během fáze IDW (industrial design wall) a je jednou z proměnných, která se mezi modely liší. B1 a B2 používají komoru 4,2 cm³; L5 a T2 používají komoru 5,8 cm³. Pro zvýšení o 10 dB na 250 Hz se musí objem komory pohybovat v rozmezí ±0,2 cm³ od cílové hodnoty. Objem komory měříme u každé šarže vstřikovaných krytů pomocí tlakové zkoušky.

Stárnutí reproduktoru je nezanedbatelný poruchový režim. Mylarový kužel po 18 až 24 měsících každodenního používání tuhne, což zvyšuje rezonanční frekvenci o 40 až 60 Hz a snižuje basovou odezvu. Naše normy pro test stárnutí čtecího pera v průvodci pro kupující pokrývají 72hodinový nepřetržitý test růžovým šumem, který provádíme u každé výrobní šarže. Prahová hodnota pro vyřazení šarže je 3 % jednotek vykazujících po stárnutí odchylku větší než 6 dB na 250 Hz.

Tip pro kupující: Pokud váš program zahrnuje dlouhé záruční závazky (24+ měsíců) nebo intenzivní použití ve třídě (více než 4 hodiny denně), specifikujte L5 nebo T2 s pasivním zářičem. Zářič snižuje dlouhodobou únavu posluchače a prodlužuje vnímanou užitnou životnost o 6 až 9 měsíců.

6. Vliv audio pracovního cyklu na baterii

Audio je dominantní spotřebitel energie v daném čtecím peru. Senzor odebírá v aktivním stavu 18 mA; audio zesilovač odebírá 60 až 180 mA v závislosti na výstupní úrovni. Dekodér a MCU dohromady odebírají 35 mA. Průměrná výdrž baterie při 12% pracovním cyklu (typické použití dítětem: 5 sekund zvuku na 40 sekund otáčení stránek) je uvedena v tabulce níže.

Zvednutí pracovního cyklu na 25 % (dítě zaujaté příběhem bez pauz) sníží výdrž přibližně o 45 %. Nastavení hlasitosti na maximum sníží výdrž o dalších 25 %. Nejhorší případ výdrže T2 je tedy 8 hodin, nikoli 14. bezpečnost lithium-polymerové baterie čtecího pera článek popisuje chování článku při vysokém vybíjecím proudu.

7. Výrobní pipeline audio obsahu: ze studia k flash paměti

Pipeline audio obsahu vezme studiovou nahrávku a ve 8 krocích dodá flash image: (1) namluvit narraci v 96 kHz / 24-bit v akusticky upravené kabině; (2) odstranit šum pomocí iZotope RX nebo Cedar; (3) sestříhat dechy a dlouhá ticha; (4) mastering na -16 LUFS; (5) enkódovat do MP3 na cílový bitrate; (6) namapovat slovník na OID souřadnice; (7) integrovat do firmwaru; (8) QA na vzorku pera.

Krok 1 je nejdražší. Profesionální studio s akusticky upravenou kabinou účtuje 80 až 180 USD za dokončenou minutu. 32stránková kniha s 600 soubory o průměrné délce 8 sekund představuje 80 dokončených minut, tedy 6 400 až 14 400 USD za studio. Pro programy s nižším rozpočtem na audio produkci spolupracujeme se třemi offshore studii na Filipínách, v Egyptě a Argentině, která dodávají dokončené audio za 25 až 45 USD za dokončenou minutu.

Krok 5, enkódování, využívá LAME enkodér s nastavením -V 5 (variabilní bitrate, ~96 kbps mono) nebo -V 2 (~128 kbps stereo). Nepoužíváme enkódování s konstantním bitratem, protože nastavení VBR poskytují lepší kvalitu při stejném průměrném bitratu. Krok 6, mapování slovníku, je automatizován naší build pipeline, která čte CSV se souřadnicemi OID a názvy audio souborů a generuje tabulku slovníku.

8. Latence a synchronizace rtů

Synchronizace rtů je důležitá pro obsah zpívání a pro čtení s fonikou. Firmware zavádí pevnou latenci 95 až 180 ms od dotyku hrotu pera stránkou po první zvuk. Tato latence je kompletní doba od senzoru k DAC. U narrace je nepostřehnutelná, protože dítě se dívá na stránku, ne na obličej. Pro obsah zpívání doporučujeme předřadit audio o 200 ms v build pipeline, aby první nota zazněla dříve, než ji dítě očekává. Pre-roll je build flag firmwaru.

U obsahu řízeného animací (videa vložená v aplikacích nebo čtečkách e-knih, která hrají souběžně s perem) je třeba pero a obrazovku synchronizovat. Dodali jsme 12 OEM programů, které zahrnují BLE sync dongle pro sladění zvuku pera s videem na tabletu. Dongle přidává 3,40 USD k BOM, ale umožňuje synchronizované čtení pro aplikace začínajících čtenářů. Podívejte se na customizace Bluetooth modulu čtecího pera průvodce nákupem pro specifikaci donglu.

9. Vícejazyčné míchání a rozložení stop

U dvojjazyčných knih (angličtina / španělština, angličtina / arabština, angličtina / mandarínština) dodáváme dvě audio stopy na souřadnici stránky. Tabulka slovníku v peru ukládá obě a UI zobrazuje přepínač jazyka. Audio soubor je pojmenován s příponou jazyka: page_001_en.mp3 a page_001_es.mp3. Build pipeline vygeneruje jediný firmware image s oběma jazyky; uživatel přepíná za běhu.

U trojjazyčných knih (angličtina / španělština / mandarínština) se stejný přístup škáluje na tři stopy. Tabulka slovníku roste lineárně; využití audio flash paměti roste lineárně. 96stránková trojjazyčná encyklopedie při 128 kbps stereo se pohodlně vejde na L5 / Q8 / T2 s jejich 16 GB flash pamětí, ale překročí 8 GB flash paměť u modelů K7, KF1, Q6 a Y6. U trojjazyčného obsahu se těmto čtyřem modelům vyhněte.

Pro OEM zákazníky, kteří dodávají stejnou knihu ve 4 až 6 jazykových variantách, doporučujeme dodávat 4 až 6 samostatných firmware buildů namísto jednoho kombinovaného. Kombinovaný build nafukuje tabulku slovníku a nutí uživatele přepínat jazyky při startu, což je regrese UX. Samostatné buildy umožňují dodat každou variantu s jedním optimalizovaným slovníkem.

10. Audio QA: co testujeme na každé výrobní šarži

Každá výrobní šarže čtecích per je před zabalením audio-testována. QA stanice přehraje 60sekundovou referenční stopu skrz každé pero a změří tři parametry oproti referenčnímu kusu: (1) výstupní SPL ve 30 cm se sinusovkou 1 kHz na -6 dBFS, tolerance ±1,5 dB; (2) THD+N na 1 kHz při -6 dBFS, musí být pod 0,8 % u B1 / B2 / F8 / P2, pod 0,5 % u K7 / KF1 / Q6 / Y6, pod 0,3 % u L5 / Q8 / T2; (3) frekvenční odezva na -6 dBFS od 200 Hz do 8 kHz musí zůstat v rozmezí ±3 dB od referenční křivky.

Míra odmítnutí šarže při audio QA v naší instalované základně 47 000+ per je 0,6 %. Převládající režim poruchy je trhaný kužel reproduktoru způsobený vstřikovacími přetoky, který zachycujeme 100% audio testem na konci linky. Více o QA procesu najdete v kontrola kvality AQL čtecího pera průvodce a manuál pro řešení problémů s čtecími pery.

Pro cenovou nabídku na modely B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2 nebo Y6 s vlastním audio obsahem si vyžádejte nabídku na vyžádat cenovou nabídku nebo si projděte čtecí pera OEM pro OEM audio pipeline.

Pro vizuální představu zde uvádíme řetězec zpracování audio signálu od načtení MP3 rámce po reproduktorovou cívku pro řadu L5 / Q8 / T2. SNR je klíčový údaj pro fonetický obsah; SPL je klíčový údaj pro hlučné třídy.

Často kladené dotazy

Související čtení

• Architektura firmwaru čtecího pera vysvětlena
• Bezpečnost lithium-polymerové baterie čtecího pera
• Customizace reproduktoru čtecího pera
• Customizace jazyka hlasu čtecího pera
• Jak funguje technologie OID čtecích per
• Normy testování stárnutí čtecích per
• Manuál pro řešení problémů s čtecími pery
• Pracovní postup tvorby obsahu pro čtecí pera