オーディオの正規化

pcm形式のレコーディングがあり、簡単な分析を行いたい。

正規化とは何かについていくつか質問があります。これまでのところ、範囲[1、1]の間のすべての振幅を取得することは理解しています。

これを行う明白な方法は次のとおりです。

max_amplitude = max(array_of_amplitudes)
for amplitude in array_of_amplitudes:
   amplitude = amplitude / max_amplitude

RMSの正規化について読みました。誰かがそれがどのように行われるか説明できますか？

さらに、正規化の利点は何ですか？

正規化コードが正しくありません。入力信号に大きなディップがある（たとえば、-5.0で負の値を示す）場合、コードはそれを検出せず、[-1、1]以外の値が残ります。代わりにmax（abs（array_of_amplitudes））を使用してください。正規化の前に、信号のDCオフセットを削除することもお勧めします。

RMS正規化は、短期ウィンドウでRMS（二乗平均）レベルを計算し、それらの値の最大値を取り、信号を最大値で割ることで構成されます。これは、結果が[-1、1]内にあることを保証するものではありません。これ以外の値をクリップする必要があります。利点は、信号の外れ値に対してより堅牢であることです。録音が比較的静かで、サウンドカードドライバーの不具合またはマイクの一時的な「ポップ」が原因で、1.0の短いピークがどこかにあるとします。正規化は信号のレベルには影響しません（最大値は1.0であるため、既に正規化されています）。一方、RMS正規化はそのレベルを押し上げます（「ポップ」はクリッピングの原因になります）。

アプリケーションについて：

• オーディオの録音/再生では、出力コンバーターのフルダイナミックレンジが確実に使用されるため、正規化は重要です。16ビットDACを介して0.25でピークの信号を再生する場合、コンバーターの上位2ビット（これは常に0になります）を利用していないため、量子化ノイズが12dB増加します。
• 一部のオーディオ分類タスク（感情認識、音楽ジャンル分類、または音声認識など）では、振幅/音量が機能として使用される場合があります。したがって、すべての入力ファイルをレベルに関して同様に「調整」する必要があります。