ความลึกบิตของปากกาอ่าน: 16-bit vs 24-bit vs 32-bit Float สำหรับเสียง OEM

กลุ่มผู้อ่าน: คู่มือนี้เขียนสำหรับผู้จัดการผลิตภัณฑ์ OEM ผู้ผลิตคอนเทนต์เสียง และวิศวกร QA เสียง ที่ต้องตัดสินใจเลือกความละเอียดบิต PCM สำหรับการบรรยายหนังสือ OID บนปากกาอ่านหนังสือรุ่น B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2 และ Y6 ซึ่งช่วงไดนามิก ขนาดไฟล์ และ headroom ของ DSP มีปฏิสัมพันธ์กันในรูปแบบที่ไม่เป็นไปตามคาด

โปรแกรม K7 จำนวน 9,000 ชิ้นสำหรับสำนักพิมพ์เกาหลีในปี 2025 จัดส่งโดยใช้เสียงบรรยายที่มาสเตอร์ที่ 24-bit, 48 kHz สตูดิโอคาดว่ายิ่งบิตลึกเท่าไหร่ยิ่งคุณภาพสูงเท่านั้น และ 24-bit เป็นตัวเลือกเชิงป้องกัน สำนักพิมพ์กลับมาพร้อมข้อร้องเรียน 3 ข้อ: แพ็ค ODB ใหญ่กว่างบประมาณ 38%, อัปเดต OTA มีขนาด 120 MB (เกินเพดาน delta-update ที่ 100 MB) และแบตเตอรี่เล่นบนเซลล์ Li-ion 14500 ขนาด 800 mAh ลดลง 11 นาทีต่อรอบชาร์จ เราทำการรีมาสเตอร์ที่ 16-bit, 22.05 kHz และจัดส่ง delta OTA ขนาด 14 MB ความแตกต่างทางเสียงเป็นศูนย์บนลำโพงในตัวและ 1 dB บนหูฟัง audiophile ราคา $400 สำนักพิมพ์ประหยัด $0.42 ต่อชิ้นในการจัดสรร NAND และ $0.18 ในสัญญาข้อมูล OTA รวมเป็น $5,400 ตลอดโปรแกรม ความละเอียดบิตเป็นคันโยบายคุณภาพที่ให้ผลตอบแทนลดน้อยถอยลงอย่างรวดเร็ว และตัวเลขที่ถูกต้องไม่ใช่ตัวเลขที่สูงที่สุด

คู่มือนี้วัดค่า PCM แบบ 16-bit, 24-bit และ 32-bit float ใน 11 SKU ช่วงไดนามิกที่แต่ละฟอร์แมตให้ ผลกระทบต่องบขนาดไฟล์ headroom ของ DSP ที่แต่ละฟอร์แมตเปิดทาง และต้นทุนเพย์โหลด OTA ตลอดสัญญาซัพพอร์ต 3 ปีทั่วไป คำแนะนำเหล่านี้ยึดโยงกับยอดจัดส่งมากกว่า 47,000 ชิ้น 86 รีลีสเฟิร์มแวร์ และการเปิดตัวใน 47 ประเทศ

1. ทำไมความละเอียดบิตจึงมีความสำคัญในปากกาอ่านหนังสือ

ความละเอียดบิตกำหนดความละเอียดของตัวอย่างเสียงทุกตัวอย่าง และดังนั้นจึงกำหนดช่วงไดนามิกและพื้นเสียงรบกวนของห่วงโซ่การเล่น คณิตศาสตร์เป็นที่ยอมรับกันดี:

• 16-bit PCM ให้ช่วงไดนามิก 96 dB (6.02 dB ต่อบิต × 16 = 96.32 dB)
• 24-bit PCM ให้ช่วงไดนามิก 144 dB
• 32-bit float PCM ให้ช่วงไดนามิกทางทฤษฎีประมาณ 1,500 dB ซึ่งถูกจำกัดด้วยแมนทิสซาเหลือประมาณ 168 dB ในทางปฏิบัติ

สำหรับปากกาอ่านหนังสือเด็กที่เล่นเสียงบรรยายในสภาพแวดล้อมเสียงรบกวน 70-75 dB เอาต์พุต SPL ของลำโพงอยู่ที่ 80-85 dB ที่ระยะ 10 ซม. ช่วงไดนามิกที่ต้องการเพื่อรองรับเสียงพยัญชนะเบาที่สุดไปจนถึงเสียงตะโกนดังที่สุดอยู่ที่ประมาณ 40 dB ซึ่งอยู่ในงบ 96 dB ของ 16-bit ได้อย่างสบาย สัญชาตญาณที่ว่า "ยิ่งบิตเยอะยิ่งดี" ถูกต้องก็ต่อเมื่อห่วงโซ่การบันทึกจับช่วงไดนามิกที่ใช้งานได้มากกว่า 16 บิตจริง ๆ ซึ่งพบได้น้อยในเอาต์พุตของสตูดิโอเสียง

เคล็ดลับสำหรับผู้ซื้อ: ก่อนจ่ายพรีเมียมสตูดิโอเพื่อส่งมอบ 24-bit ขอดูอัตราส่วนพีคต่อความดัง (PLR) ของการบันทึกต้นทาง หาก PLR ต่ำกว่า 14 dB มาสเตอร์ 24-bit ไม่มีข้อมูลมากไปกว่ามาสเตอร์ 16-bit ที่มีพีค -3 dBFS

2. เกณฑ์ช่วงไดนามิกใน 11 SKU

11 SKU ของปากกาอ่านหนังสือใช้ DAC และแอมปลิไฟเออร์ที่แตกต่างกัน ช่วงไดนามิกของการเล่นที่มีประสิทธิภาพถูกจำกัดด้วยจุดอ่อนที่สุดในห่วงโซ่ เราวัดช่วงไดนามิกของการเล่นในแต่ละ SKU โดยใช้คลื่นไซน์ 1 kHz -60 dBFS และเครื่องวิเคราะห์ Audio Precision:

แหล่งสัญญาณ 16 บิตไม่มีทางเกินช่วงไดนามิก 96 dB DAC รุ่น B1, B2 และ P2 จะแยกแยะได้ไม่เกินนี้ ส่วนบน L5, Q8, T2 และ Y6 DAC แยกแยะได้ถึง 112 dB แต่ลำโพงจะตัดความถี่สูงเกิน 14 kHz และต่ำกว่า 350 Hz จึงไม่สามารถถ่ายทอดช่วงไดนามิกที่เข้ารหัสมาในแหล่ง 24 บิตได้ สัญญาณขาออกจึงถูกจำกัดด้วยช่วงไดนามิกที่ใช้ได้จริง 65 dB ของตัวลำโพง

3. งบพื้นที่ไฟล์ตามความลึกบิต

บิตเรตมีความสัมพันธ์เชิงเส้นกับความลึกบิต คณิตศาสตร์ตรงไปตรงมาสำหรับ PCM สตรีมโมโน 22.05 kHz ใช้พื้นที่:

• 16-bit = 352.8 kbps = 44.1 KB/s.
• 24-bit = 529.2 kbps = 66.15 KB/s.
• 32-bit float = 705.6 kbps = 88.2 KB/s.

สำหรับแคตตาล็อกหนังสือ 480 OID ที่มีความยาวเสียงบรรยายเฉลี่ย 18 วินาทีต่อวลี พื้นที่จัดเก็บต่อภาษาคือ:

• 16 บิต = 3.2 MB × 12 ภาษา = 38.4 MB
• 24 บิต = 4.8 MB × 12 ภาษา = 57.6 MB
• 32-bit float = 6.3 MB × 12 ภาษา = 75.6 MB.

หลังเข้ารหัส MP3 ที่ 64 kbps โมโน พื้นที่จัดเก็บจะยุบลงเหลือ 6.9 MB โดยไม่ขึ้นกับความลึกบิตของแหล่งสัญญาณ (ตัวเข้ารหัสเป็นค่าคงที่) ไฟล์ต้นทางก่อนเข้ารหัสมีความสำคัญก็ต่อเมื่อโปรแกรม OEM ใช้ FLAC แบบไม่สูญเสียข้อมูล หรือส่งมอบเป็น WAV ที่ไม่บีบอัด สำหรับโปรแกรมที่ใช้ MP3 หรือ AAC การเลือกความลึกบิตจะส่งผลเฉพาะกับไฟล์เก็บถาวรในสตูดิโอ ไม่ส่งผลต่อชุด OID ที่จัดส่ง

ข้อสรุป: หากรูปแบบที่จัดส่งเป็น MP3 หรือ AAC ความลึกบิตจะมองไม่เห็นจากผู้ใช้ หากรูปแบบที่จัดส่งเป็น FLAC (พบได้น้อยสำหรับปากกาอ่านหนังสือ แต่ผู้จัดพิมพ์ K12 ระดับพรีเมียมบางรายใช้) ขนาดจะใหญ่ขึ้นราว 50% สำหรับ 24 บิต และ 100% สำหรับ 32 บิต float

4. ค่าใช้จ่ายเพย์โหลด OTA ในกรอบการซัพพอร์ต 3 ปี

เฟิร์มแวร์ 86 เวอร์ชันของเรามาพร้อมตารางสัมประสิทธิ์ DSP ที่ขนาดตามความลึกบิตที่รองรับ ตาราง DSP ปัจจุบันมีขนาด 720 KB ที่ 16 บิต 880 KB ที่ 24 บิต และ 1.05 MB ที่ 32 บิต float แต่ละรอบ OTA รวมอัปเดตแบบเดลตา ค่าใช้จ่ายในการรองรับความลึกบิตทั้งสามในเฟิร์มแวร์อยู่ที่ประมาณ 320 KB ตลอดเพย์โหลด OTA

สำหรับโปรแกรม 12,000 หน่วย โดยมีรอบ OTA ปีละ 3 ครั้ง ตลอดกรอบการซัพพอร์ต 3 ปี:

• 16 บิตอย่างเดียว: 720 KB × 9 รอบ = 6.48 GB ข้อมูล OTA ผ่านเซลลูลาร์
• 16 บิต + 24 บิต: 1,600 KB × 9 รอบ = 14.4 GB
• 16 บิต + 24 บิต + 32 บิต: 2,650 KB × 9 รอบ = 23.85 GB

ที่ราคา $0.06 ต่อ MB ตามสัญญา 4G มาตรฐานของเรา ค่าข้อมูล OTA ผ่านเซลลูลาร์อย่างเดียวอยู่ที่ $1,431 สำหรับ 16 บิตอย่างเดียว, $3,168 สำหรับ 16+24 บิต และ $5,242 สำหรับการรองรับความลึกบิตหลายระดับเต็มรูปแบบ สำหรับโปรแกรม 50,000 หน่วย ตัวเลขจะขยาย 4 เท่า

5. ระยะเฮดรูม DSP และคำถามเรื่อง Dithering

DSP เสียงในทุก SKU จะเรียงลำดับการประมวลผลดังนี้ ขั้นเกน, คอมเพรสเซอร์ และลิมิเตอร์ คอมเพรสเซอร์ทำงานที่ +6 dBFS สำหรับช่วงเสียงเบาเพื่อให้เสียงบรรยายชัดเจนเมื่อเปิดเสียงเบา ลิมิเตอร์ทำงานที่ -1 dBFS เพื่อป้องกันคลิป ขั้นเกนอยู่ที่ +0 dB ตามค่าเริ่มต้น แต่ปรับได้ตั้งแต่ -12 ถึง +12 dB ตามการตั้งค่าระดับเสียงของผู้ใช้ในแต่ละ SKU

สำหรับ PCM 16 บิต ขั้นเกนต้องทำ dither เมื่อลดระดับสัญญาณ เพราะคณิตศาสตร์มีการสูญเสียใต้ระดับบิต สำหรับ PCM 24 บิต ก็มีการทำ dither เช่นกัน เพราะสัญญาณขาออกสุดท้ายถูกลดทอนเป็น 16 บิตโดยเฟิร์มแวร์ ส่วน 32 บิต float ไม่จำเป็นต้อง dither ในทุกขั้น เพราะแมนทิสซามีความแม่นยำ 24 บิต

ในทางปฏิบัติ เฟิร์มแวร์ของเราใช้ triangular dither (TPDF) ที่ 1 LSB โดยไม่ขึ้นกับความลึกบิตของแหล่งสัญญาณ เพราะเป้าหมายการเล่นคือ 16 บิตบนลำโพงในตัวเสมอ ผลทางเสียงจึงเหมือนกันทั้งจากแหล่ง 16 บิต, 24 บิต และ 32 บิต float การเลือก 16 บิตไม่มีบทลงโทษด้านคุณภาพใดๆ

6. ทำไม 32 บิต Float จึงเกินความจำเป็น

32 บิต float มีไว้สำหรับงานในสตูดิโอเป็นหลัก ที่ขั้นกลางต้องการช่วงไดนามิกสูงมาก สำหรับชุด OID ที่เรียบร้อยแล้วและจัดส่งไปยังปากกาอ่านหนังสือ 32 บิต float ให้สิ่งเหล่านี้:

• ไม่มีข้อได้เปรียบด้านเฮดรูม: คอมเพรสเซอร์ในเฟิร์มแวร์ทำงานก่อนการแปลง float เป็น fixed
• ไม่มีข้อได้เปรียบด้านสัญญาณรบกวน: ลำโพงในตัวมีช่วงไดนามิก 65 dB ไม่ขึ้นกับแหล่งสัญญาณ
• ไม่มีข้อได้เปรียบด้านการทำโปรแกรม: นักพากย์บันทึกเสียงผ่านปรีแอมป์ 24 บิต fixed-point ใน 99% ของสตูดิโอที่เราทำงานด้วย
• ไฟล์ใหญ่ขึ้น 100%: 32 บิต float มีขนาดสองเท่าของ 16 บิต fixed

เราไม่เคยจัดส่งมาสเตอร์ 32 บิต float ในเครื่องกว่า 47,000 หน่วยที่ผลิตออกมา เราไม่แนะนำให้ใช้

7. ความเป็นจริงของสตูดิโอบันทึกเสียง

สายการบันทึกเสียงพากย์จริงให้ช่วงไดนามิกที่ใช้ได้ราว 18-22 บิต ข้อจำกัดของสายสัญญาณคือ:

• สัญญาณรบกวนในตัวของไมโครโฟนสตูดิโอ: 12-15 dB SPL (โดยทั่วไป -126 dBV สำหรับ Neumann TLM 102)
• EIN ของปรีแอมป์ (สัญญาณรบกวน input เทียบเท่า): -128 dBV.
• SNR ของ ADC: 110-123 dB.
• มาสเตอร์สุดท้ายมีเฮดรูม 12 dB สำหรับทรานเซียนต์

การแคปเจอร์แบบ 16 บิต fixed-point แยกแยะได้ 96 dB การแคปเจอร์ 24 บิตแยกแยะได้ 144 dB ช่วงไดนามิกที่มีประสิทธิภาพของสายการบันทึกราว 100 dB รูปแบบ 16 บิตจับได้ทั้งหมด รูปแบบ 24 บิตจับได้โดยมีเฮดรูมเหลือ 48 dB ส่วน 32 บิต float จับได้โดยมีเฮดรูมเหลือ 68 dB

เหตุผลเดียวที่ควรทำโปรแกรมที่ 24 บิตคือเพื่อเผื่อพื้นที่สำหรับกระบวนการโพสต์โปรดักชัน (คอมเพรส, EQ, ลิมิต) โดยไม่สูญเสียการบันทึกต้นฉบับ สำหรับชุด OID ที่มาสเตอร์เรียบร้อยแล้ว ข้อได้เปรียบของ 24 บิตหายไป

8. Anti-Aliasing และการรีคอนสตรัคชันที่ 16 บิต vs 24 บิต

ฟิลเตอร์รีคอนสตรัคชันในทุก SKU เป็นฟิลเตอร์โลว์พาสหลัง DAC สต็อปแบนด์ของฟิลเตอร์อยู่ที่ 0.45 × Fs โดยไม่ขึ้นกับความลึกบิต ความลึกบิตไม่ส่งผลต่อพฤติกรรมพาสแบนด์ของฟิลเตอร์ ส่งผลเฉพาะต่อระดับสัญญาณรบกวนจากการควอนไทซ์ภายในพาสแบนด์

สัญญาณรบกวนจากการควอนไทซ์สำหรับ 16 บิตอยู่ที่ -96 dBFS สำหรับ 24 บิตอยู่ที่ -144 dBFS ทั้งสองต่ำกว่าสัญญาณรบกวนในตัวของลำโพงที่ราว -65 dBFS เฮดรูมควอนไทซ์ที่เพิ่มขึ้น 48 dB ของ 24 บิตถูกบดบังด้วยตัวลำโพง

9. คำแนะนำตามรุ่นและกรณีการใช้งาน

ตารางแนะนำด้านล่างนี้อ้างอิงรูปแบบการจัดส่งเป็น MP3 หรือ AAC ที่ 64 kbps mono หากโปรแกรมของคุณใช้ FLAC หรือ WAV ที่ไม่มีการบีบอัด โปรดดู §10

T2 และ Y6 ที่ใช้ DAC ของ ESS เป็น SKU เดียวที่การทำไฟล์ 24-bit ให้ประโยชน์ที่วัดผลได้ และจะเห็นผลก็ต่อเมื่อโปรแกรมมีการบรรยายที่มีเครื่องดนตรีประกอบซึ่งมี attack transients สำหรับเสียงพูดล้วน 16-bit เพียงพอเสมอ

10. กรณีพิเศษ: การจัดส่งแบบ FLAC และ Lossless

ผู้จัดพิมพ์ระดับพรีเมียม K12 จำนวนเล็กน้อย (น้อยกว่า 4% ของโปรแกรมทั้งหมดเมื่อนับเป็นหน่วย) จัดส่ง FLAC แบบ lossless เพื่อรักษาคุณภาพเสียง ซึ่งการคำนวณจะเปลี่ยนไปดังนี้:

• 16-bit / 22.05 kHz FLAC: ประมาณ 1.5 MB ต่อภาษา.
• 24-bit / 22.05 kHz FLAC: ประมาณ 2.3 MB ต่อภาษา.
• FLAC แบบ 32-bit float ไม่ใช่มาตรฐานและไม่รองรับ

สำหรับแคตตาล็อก 480 เล่ม × 12 ภาษา งบประมาณสำหรับ FLAC คือ:

• 16-bit = 18 MB; 24-bit = 27.6 MB.

ส่วนต่าง 9.6 MB มองไม่เห็นบน NAND 8 GB แต่มีนัยสำคัญบน NAND 128 MB รุ่นเก่าของ B1 / B2 สำหรับโปรแกรมที่ใช้ FLAC เราแนะนำ 16-bit เว้นแต่ผู้จัดพิมพ์จะระบุขอ 24-bit เพื่อความครบถ้วนในการจัดเก็บ ในช่วง 18 เดือนที่ผ่านมา เราไม่มีผู้จัดพิมพ์รายใดขอ FLAC แบบ 24-bit บน B1 หรือ B2

บทความที่เกี่ยวข้อง

• อัตราการสุ่มตัวอย่างเสียงของปากกาอ่านหนังสือ 16 kHz เทียบกับ 44.1 kHz
• คู่มือ Audio Codec และการบีบอัด MP3 สำหรับปากกาอ่านหนังสือ
• การออกแบบ Audio Amplifier Class D สำหรับปากกาอ่านหนังสือ
• รูปแบบการบันทึกเสียงของปากกาอ่านหนังสือ: WAV vs AMR vs Opus
• อธิบายเอนจิน TTS (Text-to-Speech) สำหรับปากกาอ่านหนังสือ
• การวัดค่า THD และความผิดเพี้ยนของปากกาอ่านหนังสือ
• ค่า Noise Floor และอัตราส่วนสัญญาณต่อเสียงรบกวน (SNR) ของปากกาอ่านหนังสือ
• ปากกาอ่านหนังสือแบบ ODM — บทสรุปทางวิศวกรรมเสียง