Hogy tudnék zenéket konvertálni 8 bites verzióba?

Ez kb. olyan, mintha filmből akarnál rajzfilmet konvertálni. Majd egyszer biztosan lehet, ha sikerül mesterséges intelligenciát létrehoznunk. Addig egyetlen módja van ennek:

Fogsz egy csomó 8 bites hangzásvilágú hangmintát, és ebből egy zeneszerkesztő progival elkészíted a 8 bites verziót. (Gyakorlatilag elkészíted a kottáját.) Persze ezt így nem fogod tudni nekifutásból megcsinálni, ha nincs mögötted több évnyi zenei és számítógépes zeneszerkesztési tapasztalat.

Látom páran lepontoztak. Eszerint muszáj a véleményemet némi tényekkel alátámasztanom.

A hallás egy nagyon összetett folyamat. Bizonyos szempontból jóval komplexebb és bonyolultabb, mint a látás, hiszen a látásnál minden képponthoz egy jól elkülönülő adat tartozik. Egy számítógépen tárolt képnél minden egyes képponthoz külön-külön lehet rendelni három színösszetevőt. Matematikai szempontból könnyebb dolgozni ezzel, alakzatot felismerni, éleket kiemelni, stb… A legtöbb grafikus programban meg is vannak ezek a funkciók. Persze ha mélyebben belemegy az ember, akár használat szintjén, akkor találkozik ezeknek az egyszerű algoritmusoknak a problémáival is, de összességében azért használhatók ezek.

A hang esetén minden egyes időpillanathoz tartozik egy „légnyomás” érték. Tulajdonképpen a különböző hangok összegét halljuk. Ebből persze lehet az adott hangot egyetlen idő-hangerő függvényben ábrázolni. De szétbontani ezt összetevőkre? Az agy simán megkülönbözteti a gitárt, a dobot és az éneket. De ezt leprogramozni. Így, hogy viszonylag egész sokat foglalkoztam a témával, nem vállalkoznék rá.

A hang felbontható szinusz hullámok összességére. De ez sem teljesen triviális. Ha valaki tanult egyetemi szintű matekot, akkor hallott olyanról, hogy Fourier-transzformáció. Aki nem ismeri, az pillantson ide: [link] (Csak úgy elrettentésként.)

Csakhogy ehhez végtelen számú összetevőre kellene bontani a hangokat. Jó, ezt ki lehet trükközni. Aztán ha diszkrét Fourier-transzformációt használunk véges méretű mintán, akkor jönnek az egyéb matematikai problémák. (Pl. a mintavétel szélessége, mint hullámhossz, megjelenik a komponensek között.) Ezekre is vannak trükkök, de nem 100%-osak ezek sem. Az MP3 kb. így is működik. Ha valaki hallott alacsony minőségű MP3-at (mondjuk 16 kbit-est), akkor lehet hallani is ezeket az anomáliákat.

Jó, tegyük fel, hogy megvannak a különböző szinusz összetevők. De minden hangszer nem csak az alaphangján szól, hanem felharmonikusokat is tartalmaz. Egy 220 Hz-en megszólal gitárhúr hangjában ott van a 440 Hz-es, 660 Hz-es, stb… komponensek is. Pont ezért halljuk különbözőnek az azonos hangok megszólaló különböző hangszereket. Ráadásul ezek a komponensek nem is állandó arányban vannak benne, idővel változnak ezek az összetevők. Ha leütsz egy hangot a zongorán, akkor hallod a kattanást, ha figyelsz, a kitartott hangot, a lecsengését. Fordított esetben, mikor szinuszhullámokból kell összekeverni egy zenét, akkor lehet trükközéssel szimulálni ezeket a hatásokat, de ez sem tökéletes. Pont ezért olyan furán élettelenek a MIDI zenék, hiszen ott pont ez történik. A modern rendszerek nem is próbálják meg ezeket szinusz hullámokból összerakni, hanem előre felvett hangmintákkal manipulálnak. De még így sem tökéletes a dolog.

A 8 bites zene hangzásvilága pont ebből nőtt ki, hogy megpróbáltak egyszerű matematikai módszerekkel különböző hangszereket szintetizálni. De az eredmény nagyon-nagyon nem hasonlított a tényleges hangszerekre, hanem valami nagyon furcsa hangzást keltett. Persze mivel nem volt jobb, ezért ezt használták, sőt kihozták belőle azt, amit csak lehetett. Aki Commodore 16/64/+4 gépek között nőtt fel, annak szimpatikus ez a hangzásvilág. De pont azért ilyen furcsa, hogy úgy mondjam torz, másrészről meg túl szabályos, mert még a hangok szintetizálása sem egyszerű feladat.

A fentiek tükrében ott van egy adott pillanatban hallható frekvenciák, a megfelelő erősségekkel. De melyik tartozik az egyik és melyik a másik hangszerhez vagy énekhanghoz? Na itt hasal el a matematika, mert ezt így nem lehet megállapítani. Az agy ugye halott már nagyon sok hangszert, így minták alapján el tudja őket szeparálni. De egy program nem.

Vannak programok, amik egy MP3 fájlból képesek MIDI-t csinálni. De az eredmény általában olyan, amit aztán eldobsz és inkább megcsinálod magad azt a MIDI fájlt, „kottaként” megszerkesztve a zenét. Pedig itt is komoly matematikai aparátus van egy-egy ilyen program mögött.

Persze ha megvan az adott zene jó minőségben MIDI formátumban, akkor csak a hangkészletet kell lecserélni, de ehhez is kell valamilyen kottaszerkesztő program (ide értem a tracker programokat is).

Nem véletlenül nincsenek olyan funkciók egy hangszerkesztőben, hogy énekhang eltüntetés. (Illetve ez pl. még elő szokott fordulni, mert az ember által keltett hangnak vannak jellegzetességei, de az eredmény az, hogy az énekhang halkabb lesz, viszont minden hangszer hangja torzul. Tehát az énekhang még túl hangos, de a hangszer már túl torz. Valami ilyesmi: http://www.youtube.com/watch?v=JYO7Fj5BORM#t=1m38s ) Vagy ezért nem lehet egy MP3-ban lehalkítani a dobot és felerősíteni a gitárt. Erős túlzással ez hasonló feladat, minthogy gondoltam három számra, az összegük 86, találd ki mi volt az eredeti három szám.

~ ~ ~ ~ ~

Persze az is lehet, hogy a kérdező valami másra gondolt, hogy pl. egy 44100 Hz-es, 16 bites, sztereó hangmintát hogyan lehet 44100 Hz-es, 8 bites, sztereóvá alakítani. De erős a gyanúm, hogy itt nem erről van szó. Ha zenéről és 8 bitesről van szó, akkor manapság általában a zenei stílusra gondolunk.