人の声を可視化する

ひとの声を可視化するとき、波形型で表示するのが一般的です。
Android端末のマイク性能にばらつきがあることによって録音時の波形が端末によっては小さく、音声が入っている箇所が分かりづらかったり、一定数秒間に表示する波の数がずれることがあります。
人の声を可視化するオーディオビジュアライズについて、Androidで起こりやすい課題と対策を紹介し、またAudio処理に関わるアーキテクチャ、AudioRecordの取り回し方の注意点などについてもご紹介するつもりです。

When visualizing human voices, it is common to display them in waveform form.
Due to variations in the microphone performance of Android devices, the waveform during recording may be small depending on the device, making it difficult to identify where the voice is coming from, and the number of waves displayed in a certain number of seconds may shift.
We will introduce the issues and countermeasures that are likely to occur in Android for audio visualization of human voices, and also introduce the architecture involved in Audio processing and points to note on how to work around AudioRecord.

Transcript

1. 人の声を可視化する 1 / 45 Miyuki Onuma
2. Who am I? 大沼 美幸 Miyuki Onuma Android Lead at Voicy Android 開発は2010 年〜 2 / 45
3. Agenda Audio 処理の基本を理解する 音声を可視化する方法 Audio 処理を実装する際の注意すべき点 低レイテンシライブラリ Oboe のご紹介 3 / 45
4. Audio 処理の基本を理解する ~ Recorder 4 / 45
5. MediaRecorder 録画・録音 自動的にファイルに書き込み シンプルなステートマシンで制御 Initial →Initialized →Prepared →Recording AudioRecord 録音 自前でフォーマットに合わせた書き込み リアルタイムに音声情報を操作が可能 細やかなメディア情報の設定が必要 5 / 45 API level 1 API level 3
6. 権限 6 / 45 録音で外部ストレージとマイクを使用するので、アプリのマニフェストファイルで以下を宣言する 録音権限に ついては runtime permission のため、ユーザーの許可が必要 <uses-permission android:name="android.permission.WRITE_EXTERNAL_STORAGE" /> <uses-permission android:name="android.permission.RECORD_AUDIO" />
7. 音声レコーダーでやる こと メディア情報を設定しバッファサイズを定義 音声データの読み込み データをファイルに書き込む 7 / 45
8. メディア情報の設定 入力ソース サンプリングレート 音声チャンネル エンコーディング形式 音声データのバッファサイズ 8 / 45 val audioRecorder = AudioRecord( AudioSource.MIC, SAMPLE_RATE, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT, bufferSize)
9. 入力ソース Audio Source DEFAULT 端末のデフォルトの入力ソース MIC マイク音源 VOICE_PERFORMANCE ライブ配信向け VOICE_RECOGNITION 音声認識に最適化 9 / 45 [1] AudioSource.MIC, val audioRecorder = AudioRecord( SAMPLE_RATE, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT, bufferSize) audioRecorder.startRecording()
10. サンプリングレート Sample Rate 、サンプリング周波数 1 秒当り、何分割して音を採取するか 単位はヘルツ(Hz) 数値が大きいほどに高音質 比例してデータ容量が増加 デバイスに合ったサンプリングレート（通常は 44.1 kHz ）を選択する 10 / 45 SAMPLE_RATE, val audioRecorder = AudioRecord( AudioSource.MIC, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT, bufferSize)
11. 音声チャンネル ステレオ、モノラル 11 / 45 AudioFormat.CHANNEL_IN_MONO, val audioRecorder = AudioRecord( AudioSource.MIC, SAMPLE_RATE, AudioFormat.ENCODING_PCM_16BIT, bufferSize)
12. エンコーディング形式とビット深度 ENCODING_PCM_8BIT, ENCODING_PCM_16BIT, ENCODING_PCM_32BIT, ENCODING_PCM_FLOAT… 12 / 45 AudioFormat.ENCODING_PCM_16BIT, val audioRecorder = AudioRecord( AudioSource.MIC, SAMPLE_RATE, AudioFormat.CHANNEL_IN_MONO, bufferSize)
13. サンプリングレート 時間軸に分割 1 秒当り、何分割して音を採取するか ビット深度 サンプリングに対するデータ量 分割した1 つ1 つのデータ（サンプリング）にどれだけ のデータ量を割り当てるか 13 / 45
14. 最小バッファサイズの見積値を取得 14 / 45 // 音声データのバッファサイズ var bufferSize = AudioRecord.getMinBufferSize( SAMPLE_RATE, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT) val audioRecorder = AudioRecord( AudioSource.MIC, SAMPLE_RATE, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT, bufferSize) audioRecorder.startRecording()
15. 音声データ読込 15 / 45 fun startRecording() { var bufferSize = AudioRecord.getMinBufferSize(SAMPLE_RATE, CHANNEL_IN, ENCODE_FORMAT) val audioRecorder = AudioRecord(AUDIO_SOURCE, SAMPLE_RATE, CHANNEL_IN, ENCODE_FORMAT, bufferSize) // 音声データをいくつずつ処理するか( = 1 フレームのデータ数) audioRecord.positionNotificationPeriod = SAMPLE_RATE / 2 // 録音された音声データを書き込む配列 val audioBuffer = ShortArray(bufferSize / 2) // コールバックを指定 audioRecord.setRecordPositionUpdateListener(object : AudioRecord.OnRecordPositionUpdateListener { // フレームごとの処理 override fun onPeriodicNotification(recorder: AudioRecord) { recorder.read(audioBuffer, 0, SAMPLE_RATE / 2) // 音声データ読込 } override fun onMarkerReached(recorder: AudioRecord) {} }) audioRecord.startRecording() }
16. エンコードしたデータをファイルに書き込む 16 / 45 override fun onPeriodicNotification(recorder: AudioRecord) { val read = recorder.read(audioBuffer, 0, SAMPLE_RATE / 2) writeByteToPCM(audioBuffer, read) } ... audioRecord.setRecordPositionUpdateListener(object : AudioRecord.OnRecordPositionUpdateListener { override fun onMarkerReached(recorder: AudioRecord) {} }) ... var bos : BufferedOutputStream fun writeByteToPCM(audioBuffer: ShortArray, len: Int) { val buffer = ByteBuffer.allocate(Short.SIZE / java.lang.Byte.SIZE * len) buffer.order(ByteOrder.BIG_ENDIAN) buffer.asShortBuffer().put(audioBuffer, 0, len) bos.write(buffer.array(), 0, buffer.limit()) }
17. Audio 処理の基本を理解する ~ Player 17 / 45
18. MediaPlayer 動画・音声 ファイルを指定し再生するのに適している CPU やリソースを多く消費 シンプルなステートマシンで制御 Idle →Initialized →Prepared →Started →PlaybackCompleted AudioTrack 音声 低レイヤーAPI ストリーミング再生 バイトデータを直接扱う 18 / 45 API level 1 API level 3
19. 音声プレーヤーでやる こと メディア情報・オーディオ属性の設定 取得したデータをバイトデータにデコード プレイヤーへ書き込む 19 / 45
20. メディア情報・オーディオ属性の設定 20 / 45 // インスタンス生成 audioTrack = AudioTrack.Builder() // オーディオ属性を設定 .setAudioAttributes( AudioAttributes.Builder() .setUsage(USAGE_MEDIA) // 用途 .setContentType(CONTENT_TYPE_MUSIC) // コンテンツタイプ .build()) // メディアフォーマットを設定 .setAudioFormat(AudioFormat.Builder() .setEncoding(AudioFormat.ENCODING_PCM_16BIT) .setSampleRate(SAMPLE_RATE) .setChannelMask(CHANNEL_OUT_MONO) .build()) // 再生時に音声データを読み込むバッファの総サイズ（バイト数）を設定 .setBufferSizeInBytes(bufferSize) .build()
21. 取得したデータをバイトデータにデコード MediaCodec MediaExtractor 21 / 45 使用するクラス
22. 音声を再生するDAC について 22 / 45
23. 音声を再生するDAC について 23 / 45
24. 音声を再生するDAC について 24 / 45
25. 25 / 45 // 音楽ファイルのtrack をextractor に設定する // マルチメディアデータの構造を解析: mime, codec, sampling rate, count of channel var extractor = MediaExtractor() var trackIndex = 0 var audioTrackIndex: Int var format: MediaFormat? = null while (true) { format = extractor.getTrackFormat(trackIndex) trackIndex++ if (trackIndex >= extractor.trackCount){ error("no track") } } extractor.selectTrack(audioTrackIndex)
26. // デコーダーに供給する前にバッファーを読み取る val res = codec?.dequeueOutputBuffer(bufferInfo, timeOutUs) ?: return if (res >= 0) { if (bufferInfo.size > 0) samplePosition = 0 val buf: ByteBuffer = codecOutputBuffers?.get(res) ?: return val chunk = ByteArray(bufferInfo.size) buf.get(chunk) buf.clear() if (chunk.isNotEmpty()) { // 音声ファイル をデコードし AudioTrack に書き込み audioTrack?.write(chunk, 0, chunk.size) audioTrack?.flush() if (state.get() != PlayerStates.PLAYING) { if (events != null) handler.post { events!!.onPlay() } state.set(PlayerStates.PLAYING) } } codec?.releaseOutputBuffer(res, false) if (bufferInfo.flags and MediaCodec.BUFFER_FLAG_END_OF_STREAM != 0) { doneReadOutput = true } } 26 / 45
27. Audio 処理を実装する際の注意すべき点 再生や収録が終わるまでメインスレッドを占有しないように基本的には別スレッドで処理 大容量ファイルでのOut Of Memory 27 / 45
28. 音声を可視化する方法 ~ RecyclerView を使って波形 を表示する 28 / 45
29. 線 = 0.01 秒 線と線の間 = 0.03 秒 1 秒で大体25 本の線を描画 29 / 45
30. 線 = 0.01 秒 線と線の間 = 0.03 秒 1 秒で大体25 本の線を描画 ↓ 1 秒間に読み込めるバッファサイズが端末によ って変わってくる 30 / 45
31. RecyclerView で波形を作るには RecyclerView LinearSmoothScroller AudioRecord 31 / 45 使用するクラス
32. 要点 32 / 45 スクロール速度を調節する protected fun calculateSpeedPerPixel(displayMetrics: DisplayMetrics!): Float val bufferSize = AudioRecord.getMinBufferSize(SAMPLE_RATE, CHANNEL_IN, ENCODE_FORMAT) val audioBufferSize = bufferSize / 2 return audioBufferSize * ONE_SECOND / SAMPLE_RATE
33. 音声を可視化する方法 ~ Visualizer を使って波形を表 示する 33 / 45
34. Visualizer で波形を作るには Visualizer Visualizer.OnDataCaptureListener AudioTrack / MediaPlayer 表示用のView 34 / 45 使用するクラス
35. 実装 35 / 45 private fun setPlayer() { visualizer = Visualizer(audioManager.getAudioSessionId()) visualizer.enabled = false visualizer.captureSize = Visualizer.getCaptureSizeRange()[1] visualizer.setDataCaptureListener( object : OnDataCaptureListener { override fun onWaveFormDataCapture( visualizer: Visualizer, waveform: ByteArray, samplingRate: Int ) { lineWaveView?.update(waveform) } override fun onFftDataCapture(visualizer: Visualizer, fft: ByteArray, samplingRate: Int) {} }, Visualizer.getMaxCaptureRate(), true, false ) visualizer.enabled = true }
36. 36 / 45
37. 低レイテンシライブラリ-Oboe のご紹介 37 / 45
38. ExoPlayer 動画・音声 DASH 、SmoothStreaming をサポート メディアプレーヤーアプリでもっとも主流 YouTube Google Play ムービー＆TV Oboe 音声 低レイテンシ, 高パフォーマンスを要件とするアプリ向 け Koala Sampler SoundCloud FluidSynth 38 / 45 API level 16 API level 16
39. なぜ Oboe を使うのか? 39 / 45 Oboe はAndroid デバイスの 99 % 以上で最低レイテンシを提供 できるだけリアルタイムでサウンドを記録した り再生するといった技術要件がある場合、 Oboe が最適
40. なぜ 低レイテンシで動作する必要があるか? 2018/3 JUCE Mobile Audio Quality 40 / 45 主要なモバイルデバイスの性能差について
41. Oboe Sample Oboe Github Sample 41 / 45
42. 参考 Kotlin でVisualizer を作ってみる | @ssuzaki android-audio-visualizer | GautamChibde Oboe audio library | Android Developers Oboe Github 42 / 45
43. まとめ AudioTrack 、AudioPlayer は低レベルAPI で高パフォーマンスだが バイトデータを直接扱うので各要素の設 定が必要 Audio 処理は扱いがややこしくおまじないのようなコードが多くあるので、ラッパーやらサービス等で抽象 化し使いやすくする 録音や再生制御のために必要になる主要なメディア情報を把握する 音声データを波形に可視化するにVisualizer を使う場合カスタムView を作る 音声の収録および再生処理はメインスレッドを占有しないよう別スレッドで行う 長時間音声を再生する際にはメモリの使い切りに注意する 43 / 45
44. ご静聴ありがとうございました! Voicy tech blog Voicy 採用情報 44 / 45
45. 45 / 45