# JustOneCacophony — JOC [English](README.en.md) > JustOneCacophony 是一个 E-AC-3 JOC 的实验性 / 测试实现,用于研究 JOC 的解析、重建、渲染以及相关数学过程。 项目可以从常见 E-AC-3 JOC 码流中提取并解析 EMDF、ID14 JOC 参数和 ID11 OAMD 元数据,结合 FFmpeg 解码出的核心 PCM(N=5 或 7 个全频段通道)重建 LFE 与 15 路对象 PCM,并输出 ADM BWF、指定扬声器布局的 WAV,或使用标准 SOFA HRTF 直接输出双耳 WAV。 这是研究代码,不是完整、标准兼容或生产级的 JOC 解码器。它只覆盖当前已实现的码流形态;遇到未知变体时会明确报错,而不是假装一切都很和谐——如果哪里算错了,它可能就真的只剩 cacophony 了。 ## 当前功能 - 扫描 E-AC-3 同步帧中的常见连续 EMDF 容器; - 解析 ID14 dense / sparse JOC 参数、Huffman 数据、差分矩阵与 `joc_clipgain`; - 解析 ID11 OAMD 位置更新并生成对象轨迹; - 读取 OAMD 声明的 bed 布局(5.1、7.1、7.1.2、7.1.4、9.1.4、9.1.6 等):bed-only 内容的 15 路对象就是 bed 声道,每个声道按其声道标签的固定方位(ETSI TS 103 420 Table B.10) 作为点声源渲染,扬声器与双耳共用同一组源位置,不随输出布局改变;LFE 独立处理; - 通过 analysis QMF、参数插值、对象矩阵和 inverse QMF 重建 LFE + 15 路对象 PCM; - 输出 25 声道 ADM BWF:10 声道 7.1.2 bed(除 LFE 外静音)+ 15 个对象; - 直接渲染 `2.0`、`3.1`、`4.0`、`5.1`、`7.1`、`5.1.2`、`5.1.4`、`7.1.2`、`7.1.4`、`9.1.4`、 `9.1.6`(`4.0` 是 Quad 布局,前后各一对;声道排列见[扬声器布局与声道顺序](#扬声器布局与声道顺序)); - 从 `pcm16 + ID11/OAMD` 直接运行公开 SOFA 双耳渲染,不生成临时 ADM BWF; - 双耳 DSP 全程使用 float64/complex128;SOFA保留完整HRIR、跨帧卷积和独立参考环境状态,个性化路线保留原滤波器组与延迟规则; - 直接输出统一支持 float32 或 PCM24 WAV,并在 PCM24 削波前提供明确处理策略; - 全程使用 NumPy 的纯 Python 实现; - 读取或写入 metadata sidecar,并生成元数据、运行时间和输出摘要。 ## 处理流程 ```text M4A / E-AC-3 ├─ FFmpeg 提取 E-AC-3 并解码核心 PCM(N=5 或 7) ├─ EMDF → ID14 JOC 参数 → 对象矩阵 ├─ 核心 PCM → analysis QMF → 参数插值 → inverse QMF ├─ ID11 OAMD → 对象位置与时间轨迹 └─ LFE + 15 objects ├─ 25ch ADM BWF ├─ 指定布局的扬声器 WAV └─ ID11 直接时间轴 + SOFA HRTF → 双耳 WAV ``` JOC 对象重建、扬声器渲染与公开 SOFA 双耳渲染使用同一组数学过程:analysis QMF、 参数插值、对象矩阵、inverse QMF。位流解析、OAMD 时间轴和命令行逻辑同样在 Python 中。 ## 环境 - Python 3.10+ - NumPy 1.24+ - h5py 3.8+ - SciPy 1.10+ - 独立的 FFmpeg 可执行程序;不需要 `ffmpeg-python`。默认从 `PATH` 查找,也可通过 `--ffmpeg` 指定可执行文件路径。启动时会探测 `ffmpeg -h decoder=eac3`:缺 E-AC-3 解码器或 `-drc_scale` 直接报错,缺 `-target_level` 只在使用 `--eac3-target-level` 时报错 建议在项目专用虚拟环境中安装依赖: ```powershell python -m pip install -r requirements.txt ``` 如果 FFmpeg 不在 `PATH` 中: ```powershell python main.py input.m4a --ffmpeg C:\path\to\ffmpeg.exe ``` ## 使用方法 默认输出 25 声道 ADM BWF: ```powershell python main.py input.m4a ``` 指定输出路径: ```powershell python main.py input.eac3 -o output.adm.wav ``` 直接输出扬声器 WAV: ```powershell python main.py input.m4a --speaker-layout 2.0 --speaker-format float32 python main.py input.m4a --speaker-layout 5.1 --speaker-format int24 python main.py input.m4a --speaker-layout 7.1.2 --speaker-output output.7.1.2.wav ``` 直接输出双耳渲染 WAV。SOFA与压缩输入默认仅渲染所选HRTF的直达声,可用`--sofa-room`启用项目自有房间;不做球头径向合成。个性化路线保持原Near/Mid/Far及房间处理。HRTF 输入支持三种来源: ```powershell # 1) 完整SOFA HRIR(默认 HRTF/binaural.sofa,可显式指定) python main.py input.m4a --binaural python main.py input.m4a --binaural --sofa-hrtf C:\HRTF\subject.sofa # 2) Rosella .personalized_headphone(缺省取 HRTF/binaural.personalized_headphone) python main.py input.m4a --binaural --personalized-headphone python main.py input.m4a --binaural --personalized-headphone C:\HRTF\subject.personalized_headphone # 3) .jochrtf 编译缓存 python main.py input.m4a --binaural --compiled-hrtf-cache C:\HRTF\subject.jochrtf # 常用选项 python main.py input.m4a --binaural --sofa-hrtf C:\HRTF\subject.sofa ` --sofa-interpolation lf_mca_zero python src\compile_hrtf.py C:\HRTF\subject.sofa C:\HRTF\subject.jochrtf python main.py input.m4a --binaural --personalized-headphone --binaural-mode near python main.py input.m4a --binaural --sofa-hrtf C:\HRTF\subject.sofa --source-reference-distance-m 2.193 python main.py input.m4a --binaural --sofa-hrtf C:\HRTF\subject.sofa --sofa-room python main.py input.m4a --binaural --sofa-hrtf C:\HRTF\subject.sofa --sofa-room --sofa-room-preset legacy python main.py input.m4a --binaural --personalized-headphone ` --rosella-filterbank 2 python main.py input.m4a --binaural --binaural-output output.binaural.wav ``` 三者都不指定时先选择项目目录下的 `HRTF/binaural.sofa`; 缺失时尝试原个性化默认文件。其他位置通过 `--sofa-hrtf PATH` 显式指定。 `.jochrtf` 只显式选择,不自动生成或回退。 - `.sofa` 是可移植的 source of truth;可以是自行扫描或任何来源的通用 HRTF 数据。 - `.personalized_headphone` 是杜比官方软件个性化扫描得到的模型,其 JSON 解析由 本项目自行实现(`src/rosella_model.py`),不调用杜比软件。 - `.jochrtf` 是从SOFA显式离线导出的轻量方向场,原格式及读写器保留;高精度路线直接读取SOFA。 个性化默认模型仍为 `HRTF/binaural.personalized_headphone`。SOFA与压缩路线沿用Near约1 m、Mid约2.193 m、Far约6.402 m的点声源参考尺度,默认Mid。 默认不改变测量半径、HRIR、节目增益或传播延迟;开启`--sofa-room`后,使用原项目镜像早反射及FDN房间耦合。Near/Mid默认采用紧凑房间,Far默认采用原大房间;`--sofa-room-preset compact|legacy`可显式选择。两套晚期FIR均随代码提供。 当前支持自由场HRIR SOFA,BRIR尚未接入;后续BRIR会直接使用文件内房间响应并忽略额外房间开关。细节见[双耳渲染](docs/binaural.md)。cache 含有源 HRTF 的变换数据,使用与再分发 仍受源数据许可约束;格式边界、计算公式、状态、时间轴及发布注意事项见 [双耳渲染](docs/binaural.md) 和 [第三方通知](THIRD_PARTY_NOTICES.md)。 扬声器和双耳输出共享峰值检查、writer 与削波策略。在非交互环境请求 PCM24 且可能削波时,需要显式选择处理方式: ```powershell python main.py input.m4a --speaker-layout 5.1 --speaker-format int24 --clip-action abort python main.py input.m4a --speaker-layout 5.1 --speaker-format int24 --clip-action float32 python main.py input.m4a --speaker-layout 5.1 --speaker-format int24 --clip-action continue python main.py input.m4a --binaural --sofa-hrtf C:\HRTF\subject.sofa ` --binaural-format int24 --clip-action abort ``` 元数据与诊断: ```powershell python main.py input.m4a --print-metadata summary python main.py input.m4a --metadata-only --print-metadata frames python main.py input.m4a --metadata-cache metadata_cache python main.py input.m4a --metadata-dir metadata_cache ``` ### E-AC-3 解码级动态范围与电平 FFmpeg 解码 E-AC-3 时默认施加码流 `dynrng` 动态范围压缩(`-drc_scale 1`)。核心 5.1 PCM 是 JOC 对象重建的输入,而 `dynrng` 属于回放期增益,会被线性继承到全部对象与成品(ADM/扬声器/双耳),因此本工具默认按**全动态范围**解码: ```powershell python main.py input.m4a # 默认:-drc_scale 0,全动态范围 python main.py input.m4a --eac3-drc-scale 1 # 复现消费者回放(码流作者意图) python main.py input.m4a --eac3-drc-scale 0.5 # 施加一半 python main.py input.m4a --eac3-target-level -27 # 按码流 dialnorm 归一化电平 ``` - `--eac3-drc-scale`(`0`~`6`,默认 `0`)对应 FFmpeg 的 `-drc_scale`:每个 E-AC-3 block 的增益为 `dynrng 因子 ^ 该值`。`0` 关闭 DRC;`1` 为码流作者意图;`>1` 非对称(响处全压、轻处增强)。 - `--eac3-target-level`(`-31`~`0`,默认 `0` 不施加)对应 FFmpeg 的 `-target_level`:按每帧 dialnorm 施加静态增益,约 `target_level - dialnorm` dB,与 `--eac3-drc-scale` 相互独立、可叠加。dialnorm 是逐码流属性,取值随码流而异,因此 `-27` 对应的实际衰减也随码流变化。 - 电平变化是预期的:是否施加增益取决于码流 `dynrng`,方向与幅度逐码流而异,`.report.json` 的 `output_clip.peak` 与 int24 削波判定会随之变化。 - `--gain-db` 是**重建之后**的静态增益(双耳路径 float64),与解码级 DRC 不是一回事;解码级 DRC 是按 block 时变的,不要用 `--gain-db` 去抵消它。 - `.report.json` 的 `ffmpeg` 字段记录 FFmpeg 版本与实际下发的解码选项(`version`、`eac3_decode_options`)。 ### 双耳渲染模式 `--binaural-mode off|near|mid|far` 选择双耳渲染模式,默认 `mid`,两种输出共用这一个选项: - **直接双耳渲染**(`--binaural`):`off` 不可用(报错),near/mid/far 生效,默认 `mid`; - **ADM BWF**:DBMD segment 10 中后 15 个 JOC 对象的 binaural render mode 写 `off=0/near=1/far=2/mid=3`,前 10 个 bed 保持不变,默认 `mid`;`off` 用于显式 关闭双耳元数据提示。 ```powershell python main.py input.m4a --binaural-mode mid python main.py input.m4a --binaural-mode off # 仅 ADM BWF:关闭 DBMD 双耳提示 ``` **默认 `mid` 是本工具人为指定的渲染提示**,不是从输入 E-AC-3 JOC 码流中提取或 还原的原始双耳元数据,也不代表原始混音中各对象的双耳设置。该提示不改变 PCM、 对象轨迹或直接扬声器渲染。输出旁的 `.report.json` 用 `binaural_mode`(模式名) 和 `binaural_mode_value`(ADM 编码值,直接双耳输出时为 `null`)记录。 ### OAMD 时间对齐 对象轨迹和直接扬声器渲染的 metadata delay 默认均为 `1473 samples`。该值描述 decoder 输出 PCM 与 OAMD 更新之间的理论时间映射;扬声器 renderer 仍使用现有的 32-sample control block,因此默认更新的实际 block boundary 为 `1472`: ```text align32(1473) = 1472 ``` 可分别用 `--object-delay-samples` 和 `--speaker-metadata-offset` 覆盖默认值。这里的 1473 不应与 inverse-QMF 的 640 项 filter/window state 混淆;后者是 QMF 状态长度,不是 metadata delay。 直接双耳路径使用 `--object-delay-samples`。每个 ID11/OAMD event 先按 frame start、 outer subpayload offset 与 block offset 落到绝对 sample timeline,再加该 delay;每个 1536-sample 输入帧按三个连续 512-sample block 处理,并在每块的绝对起始 sample 查询插值后的位置、更新方向和 profile。 ### 双耳计算 双耳路径的 QMF、hybrid、方向场、距离、ITD、room、上述 512-sample 参数更新和所选滤波器组的延迟补偿(默认 961,`--rosella-filterbank 2` 为 448 samples)见[双耳渲染数学](docs/binaural.md)。 ### Rosella 滤波器组 `--rosella-filterbank 1|2` 选择 `.personalized_headphone` 路径使用的滤波器组: - `1`(默认):公开滤波器组,13-tap hybrid / 6-slot 高频延迟,961 samples 延迟; - `2`:从参考渲染器捕获的 Rosella 滤波器组,11-tap hybrid / 3-slot 高频延迟, 448 samples 延迟。 该选项只作用于 Rosella 模型;SOFA 与 `.jochrtf` 路径给出时报错。两套实现的参数、 缓冲、延迟与验证见 [Rosella 滤波器组](docs/rosella_filterbank.md)。 更多参数可查看: ```powershell python main.py --help ``` 未指定 `-o` 时,输出仍写入仓库根目录的 `output/`。这是文件移动后特意保持的原有行为。 ## 扬声器布局与声道顺序 `--speaker-layout` 只接受下表 11 个布局,PCM/WAV 的声道顺序就是表里的顺序: | 布局 | 声道顺序 | |---|---| | 2.0 | L, R | | 3.1 | L, R, C, LFE | | 4.0 | L, R, Lrs, Rrs | | 5.1 | L, R, C, LFE, Ls, Rs | | 7.1 | L, R, C, LFE, Ls, Rs, Lrs, Rrs | | 5.1.2 | L, R, C, LFE, Ls, Rs, Ltm, Rtm | | 5.1.4 | L, R, C, LFE, Ls, Rs, Ltf, Rtf, Ltr, Rtr | | 7.1.2 | L, R, C, LFE, Ls, Rs, Lrs, Rrs, Ltm, Rtm | | 7.1.4 | L, R, C, LFE, Ls, Rs, Lrs, Rrs, Ltf, Rtf, Ltr, Rtr | | 9.1.4 | L, R, C, LFE, Ls, Rs, Lrs, Rrs, Lw, Rw, Ltf, Rtf, Ltr, Rtr | | 9.1.6 | L, R, C, LFE, Ls, Rs, Lrs, Rrs, Lw, Rw, Ltf, Rtf, Ltm, Rtm, Ltr, Rtr | `4.0` 是本项目补充的 Quad 布局(传统 Quad 的 `FL FR BL BR`),声道为 `L R Lrs Rrs`,不在杜比 文档的布局列表里;除它以外的布局及声道顺序均依据杜比相关规范定义。 多声道 WAV 使用 `WAVE_FORMAT_EXTENSIBLE`,`dwChannelMask = 0`:文件不声明 Windows 扬声器位置, PCM 声道顺序严格按上表,不按掩码位序重排。播放器、ASIO、DAW 或其他设备需要按声道编号自行完成 输出映射;本项目保证各 PCM 声道的内容和编号符合上表,不保证下游播放器自动识别杜比扬声器位置。 命令行只接受上表 11 个名字;其它名字按未知布局拒绝。 ## 目录结构 ```text JustOneCacophony/ ├─ main.py 命令行启动入口 ├─ src/ Python 实现模块 ├─ data/ Python 运行时表数据 ├─ HRTF/ 用户 HRTF 数据目录(按需创建,git 忽略) ├─ output/ 输出目录(按需创建;.jochrtf 缓存默认在其 hrtf-cache 子目录) ├─ docs/ 数学与双耳文档(中英文) ├─ requirements.txt Python 依赖 ├─ README.md 中文说明 └─ README.en.md English documentation ``` ## 数学实现 核心过程包括: - dense JOC 差分还原与去量化; - 参数带到 64 个 QMF 子带的映射; - 跨帧参数插值; - analysis / inverse QMF、环绕声道延迟与 FIR 状态; - LFE 1217-sample 延迟; - OAMD Q15 坐标转换; - 基于目标布局 region 的等功率声像; - 布局位置补偿与逐样本增益斜坡; - float32 与 PCM24 输出量化; - SOFA canonical importer、完整HRIR方向插值、显式64-QMF/77-hybrid压缩导出、`36×2×77`五阶方向field、exactly-once delay/phase与special LFE。 解码与渲染过程使用的公式见[数学说明](docs/math.md)。 ## 已知限制 - 当前只覆盖常见 continuous EMDF transport;跨多个 audio-block skip field 的碎片化 transport 尚未覆盖。 - 覆盖 `joc_dmx_config_idx` 0..4 的全部档位($N=5,7,7,5,7$,相位开关 $\sigma(k)$ 同时门控 Ls/Rs 的 $-j$ 旋转与 band-0 FIR)。7 通道档位必须解出 8 通道床,且需要依赖子流的 `chanmap` 才能确定额外那一对:缺少核心子流或缺少 `chanmap` 仍按变体报错;`chanmap` 声明的额外对与 $k$ 不一致、或 OAMD bed 掩码与 $k$ 不一致时,只记入 `diagnostics` 并继续解码——额外那对的**身份**只进元数据、不进 DSP(§10.1),床映射按 `chanmap` 的通道码做。 - 同一音频帧里出现多个含 ID11/ID14 的 EMDF 容器时(其中一个容器可能不是本帧的 JOC 参数:ID14 声明的对象数超出其字节所能容纳的范围,ID11 也可能没有 groupid),按 ETSI TS 103 420 §8.2 + Table 56 的关联规则打分选取:**OAMD 与 JOC 载荷 groupid 相同且 ID14 能完整解析**的容器优先,其次只看 ID14 能否完整解析;只有唯一最高分才采用,其余记入 `diagnostics`(`emdf/extra_container_ignored`),并列或全部为 0 仍报变体。 - 额外那一对的身份以 TS 103 420 Table 47/Table 48 为准($k=1\to$Lb/Rb,$k\in\{2,4\}\to$Tfl/Tfr,$N=5,7,7,5,7$);Annex E.3 规定依赖子流的 `chanmap`(若存在)**应**指明 Table 47 的某种配置,因此 `*_5_1_2top_*`(chanmap 写 Lts/Rts)属于不满足 "shall" 的素材,我们按"记诊断 + 继续解码"容错处理。 - 音频帧内没有任何 JOC EMDF 时(例如编码器未写首帧元数据),该帧的对象通道静音,并在 stderr 的 `[diagnostics]` 与 JSON 报告的 `diagnostics` 里记一笔。 - 扬声器与 SOFA 双耳路径当前只覆盖普通点对象;extent、spread、diffuse、divergence、channel lock 等对象控制不在支持范围内。 - OAMD trim element 会按声明边界校验并跳过;warp、balance 和 trim 参数不应用于当前原始对象轨迹或扬声器渲染。 - 多数据点、少见参数带配置和特殊 OAMD 调度的覆盖度低于常见 12-band、单数据点素材。 - `joc_clipgain` 在**分析端**并入分析标量:`标量 = 1/16 × g`(`g = 1 + (y/32)·2^(x−4)`),出口的 ×16 抵消 1/16,净效果是 `×g`,clamp 因此处在增益**之后**。标量按帧保存两个槽(上一帧值 → 本帧值), 本帧前 256 个采样线性过渡、之后为常数,复位后的第一帧直接取新值;`g = 1` 时插值恒等,且 `clamp(x)·1 == clamp(x·1)`。 - 扬声器 limiter 不属于当前实现的主公式。 - SOFA importer 当前严格支持 `SimpleFreeFieldHRIR` FIR;其它 SOFA convention 需要显式 adapter。 - 双耳 runtime 固定 48 kHz、五阶和一次选择一个 measurement-radius shell。 - ADM 输出、扬声器布局和双耳模型仍需在更多平台与播放器上确认互操作性。 ## 文档 - [数学说明](docs/math.md) · [English](docs/math.en.md) - [双耳渲染](docs/binaural.md) · [English](docs/binaural.en.md) - [Rosella 滤波器组](docs/rosella_filterbank.md) · [English](docs/rosella_filterbank.en.md)