音频转换的质量问题

Question

我正在将一个16位和48 kHz的单声道PCM波形文件转换为一个16位和8 kHz的单声道线性PCM AU文件，适用于使用javax.sound.sampled的电话：

public void convertSO(final String in, final String out) throws Exception {     
    try (final AudioInputStream ais = AudioSystem.getAudioInputStream(new File(in))) {
        final AudioFormat af = new AudioFormat(Encoding.PCM_SIGNED, 8000f, 16, 1, 2, 8000, false);
        try (final AudioInputStream cais =  AudioSystem.getAudioInputStream(af, ais)) {
            AudioSystem.write(cais, AudioFileFormat.Type.AU, new File(out));
        }
    }
}

它的工作原理是这样的，听起来也不错，但如果我将其质量与使用SoX完成的类似转换进行比较，如下所示

sox in.wav -b 16 -r 8000 -c 1 -e signed-integer out.au

使用javax.sound.sampled完成的转换的高频范围听起来很粗糙，而使用SoX则听起来相当流畅。

这两个输出文件具有相同的大小，并且它们的属性与mediainfo没有区别。

我主要想知道差异来自哪里。SoX在从48 kHz到8 kHz的采样率转换方面做得更好吗？或者SoX应用了一些花哨的滤波器或心理声学模型来改善声音质量？

Answer 1

我不会接受我自己的答案作为解决方案，因为它不是一个解决方案，但对于任何感兴趣的人，我已经尝试在进行转换之前应用phrogz low pass filter：

public void convertSO(final String in, final String out) throws Exception {     
    try (final AudioInputStream ais = AudioSystem.getAudioInputStream(new File(in))) {
        final int frameSize = ais.getFormat().getFrameSize();
        if (frameSize != 2) {
            throw new Exception("Works only with frame size == 2");
        }

        final int smoothing = 10;
        final ByteArrayOutputStream baos = new ByteArrayOutputStream();
        final byte[] buf = new byte[frameSize];
        ais.read(buf, 0, buf.length);
        int value = (buf[1] << 8) | (buf[0] & 0xff);
        while (ais.read(buf, 0, buf.length) != -1) {
            final int currentValue = (buf[1] << 8) | (buf[0] & 0xff);
            value += (currentValue - value) / smoothing;
            final byte[] smoothed = {(byte)(value & 0xff), (byte)(value >> 8)};
            baos.write(smoothed);
        }
        final AudioInputStream smoothedAis = new AudioInputStream(new ByteArrayInputStream(
                baos.toByteArray()), ais.getFormat(), baos.size() / frameSize);

        final AudioFormat af = new AudioFormat(Encoding.PCM_SIGNED, 8000f, 16, 1, frameSize, 8000, false);
        try (final AudioInputStream cais =  AudioSystem.getAudioInputStream(af, smoothedAis)) {
            AudioSystem.write(cais, AudioFileFormat.Type.AU, new File(out));
        }
    }
}

这对我来说并不容易，因为AudioInputStream只允许你读取至少frameSize字节，也许我在每次迭代中平滑两个字节的工作很笨拙，但它是有效的，高频范围也消失了。

结果确实没有“刺激性”，但与SoX所做的转换相比也很模糊，我猜这是Ghostkeeper提到的在SoX中起作用的结转。

我现在不会尝试用Java实现它，因为我根本不理解它:-/