遅延（オーディオ）

レイテンシとは、オーディオ信号がシステムに入ってから出てくるまでの短い遅延時間 (通常はミリ秒単位で測定) を指します。オーディオ システムにおけるレイテンシの潜在的な要因としては、アナログからデジタルへの変換、バッファリング、デジタル信号処理、伝送時間、デジタルからアナログへの変換、伝送媒体における音速などが挙げられます。

レイテンシーは、音響強化システム、フォールドバックシステム (特にインイヤー モニターを使用するシステム) 、ライブ ラジオやテレビなどのプロフェッショナル オーディオにおいて、重要なパフォーマンス メトリックになることがあります。オーディオのレイテンシーが高すぎると、通信アプリケーションでの通話品質が低下する可能性があります。コンピューターの低レイテンシー オーディオは、インタラクティビティにとって重要です。

すべてのシステムにおいて、レイテンシはコーデック遅延、再生遅延、ネットワーク遅延 の 3 つの要素で構成されていると言えます。

電話の遅延は、通話品質は、口から耳への遅延Quality of Experience）という用語も使用されていますITUモデルに従って測定されます。通話の測定可能な品質は、口から耳への遅延の待ち時間が200ミリ秒を超えると急速に低下します。平均オピニオン評点（MOS）も、ITUの品質スケール（標準G.107、^[1]：800、G.108^[2]、およびG.109^[3]、品質係数Rは0～100です。MOSが4（「良好」）の場合、Rスコアは80以上になります。100Rを達成するには、MOSが4.5を超える必要があります。

ITUと3GPPは、遅延感度に基づいてエンドユーザーサービスをクラスに分類しています。^[4]

同様に、口から耳への遅延に関するG.114 の推奨事項では、遅延が 200 ミリ秒を超えない限り、ほとんどのユーザーが「非常に満足」しており、それに応じたRは90以上であると示されています。コーデックの選択も重要な役割を果たします。G.711 などの最高品質 (および最高帯域幅) のコーデックは通常、エンコード/デコードの遅延が最小になるように構成されているため、十分なスループットを持つネットワークでは100 ミリ秒未満の遅延を実現できます。64 kbit/s のビットレートの G.711 は、公衆交換電話網で主に使用されるエンコード方式です。

GSMおよびUMTSネットワークで使用される AMR 狭帯域コーデックは、エンコードおよびデコード プロセスに遅延をもたらします。

モバイルオペレータが既存のベストエフォート型ネットワークをアップグレードして、オールIPネットワーク上で複数の種類のサービスを同時にサポートするようになるにつれ、階層型サービス品質（H-QoS）などのサービスにより、音声通話やその他の無線バックホールトラフィックなどの時間に敏感なプロトコルを優先するユーザーごと、サービスごとのQoSポリシーが可能になります。^{[5] [6] [7]}

モバイルレイテンシのもう一つの側面は、ネットワーク間のハンドオフです。ネットワークAの顧客がネットワークBの顧客に電話をかける場合、その通話は2つの別々の無線アクセスネットワーク、2つのコアネットワーク、および2つのプロバイダー間の物理的な相互接続を実行する相互接続ゲートウェイモバイルスイッチングセンター（GMSC）を通過する必要があります。^[8]

エンドツーエンドのQoS管理および保証レート接続により、遅延をアナログ PSTN/POTS レベルまで削減できます。十分な帯域幅と最小限の遅延を備えた安定した接続では、VoIPシステムの固有の遅延は通常、最小 20 ミリ秒です。理想的でないネットワーク条件では、一般消費者の使用では最大 150 ミリ秒の遅延が求められます。^{[9] [10]}多くの一般的なビデオ会議システムは、ネットワークのジッターとパケット損失に対処するために、データ バッファリングとデータ冗長性に依存しています。測定によると、平均的な米国のネットワーク条件では、500 マイルの距離で口から耳までの遅延は 160 ～ 300 ミリ秒です。^{[引用が必要]}エコーが存在する場合、遅延はより大きな考慮事項となり、システムはエコーの抑制とキャンセルを実行しなければなりません。^[11]

レイテンシーは、コンピューターのオーディオプラットフォームでは特に問題になることがあります。サポートされているインターフェースの最適化により、人間の耳では感知できないほど短い時間まで遅延が短縮されます。バッファサイズを小さくすることで、レイテンシーを削減できます。^[12]一般的な最適化ソリューションは、オーディオプラットフォームをバイパスし、オーディオ信号を直接サウンドカードのハードウェアに接続するSteinberg のASIOです。多くのプロフェッショナルおよびセミプロフェッショナルのオーディオアプリケーションは ASIO ドライバーを利用しており、ユーザーはリアルタイムでオーディオを操作できます。 ^[13] Pro Tools HD は、ASIO に似た低レイテンシーシステムを提供します。Pro Tools 10 および 11 も ASIO インターフェースドライバーと互換性があります。

Linuxリアルタイムカーネル^[14]は、Linuxカーネルが使用する標準タイマー周波数を変更し、すべてのプロセスまたはスレッドにリアルタイム優先度を与える修正カーネルです。これは、オーディオストリームなどの時間的に重要なプロセスが、ネットワークアクティビティなどのそれほど重要でないプロセスよりも優先されることを意味します。これはユーザーごとに設定することもできます（たとえば、ユーザー「tux」のプロセスは、ユーザー「nobody」のプロセスやいくつかのシステムデーモンのプロセスよりも優先される可能性があります）。

最近のデジタルテレビ受信機、セットトップボックス、AV 受信機の多くは、高度なオーディオ処理を採用しており、オーディオ信号が受信されてからスピーカーで聞こえるまでに遅延が生じることがあります。テレビはビデオ信号の処理にも遅延をもたらすため、2 つの信号が十分に同期され、視聴者に気付かれないことがあります。ただし、オーディオとビデオの遅延の差が大きい場合は、その影響が気になることがあります。システムによっては、オーディオの遅れをビデオと同期するように調整できるリップシンク設定があり、オーディオ処理手順の一部をオフにできる高度な設定があるものもあります。

オーディオの遅延は、正確なタイミングが求められるリズムゲームでも大きなデメリットとなります。これらのゲームのほとんどには、遅延調整設定があり、ゲームはタイミングウィンドウを特定のミリ秒単位で調整して補正します。これらの場合、リズムの錯覚を維持するために、ゲームがプレイヤーから必要な入力を受け取る前に、曲の音がスピーカーに送信されます。Rock Band drumsやDJ Heroなど、音楽の即興に依存するゲームでは、プレイヤーが何を叩くかをゲームが予測できないため、依然として大きな問題が発生する可能性があります。また、過度の遅延により、音を叩いてから音が鳴るまでの間に顕著な遅延が生じます。

オーディオ遅延は、衛星や遅延の大きい類似のリンクを介してライブ放送に誰かが参加している放送システムで発生することがあります。メインスタジオにいる人は、リンクの反対側にいる参加者が質問に反応するのを待たなければなりません。この場合の遅延は、数百ミリ秒から数秒の範囲になります。これほど高いオーディオ遅延に対処するには、結果として得られる結合オーディオ出力をリスナーが十分に受け入れられるようにするための特別なトレーニングが必要です。可能な限り、参加者の反応とやり取りを可能な限り自然に保つために、ライブ制作のオーディオ遅延を低く抑えることが重要です。10 ミリ秒またはそれ以下の遅延は、プロの制作構造内のオーディオ回路の目標です。^[15]

ライブ パフォーマンスにおける遅延は、音の速度によって自然に発生します。音が 1 メートル進むのに約 3 ミリ秒かかります。演奏者同士の距離やステージ モニター (使用している場合) との間隔に応じて、演奏者間でわずかな遅延が発生します。これにより、グループ内のアーティスト同士が離れられる距離に実質的な制限が生じます。ステージ モニタリングにより、音はステージ モニターを接続するケーブルを通じて 光速に近い速度で移動するため、この制限が拡大します。

特に広いスペースにいる演奏者は、ステージから発せられた音が壁や構造物に反射して遅延や歪みを伴って戻ってくるため、残響、つまり音楽のエコーも聞こえます。ステージ モニタリングの主な目的は、アーティストが残響の遅延に惑わされないように、より基本的な音を提供することです。

アナログ オーディオ機器には目立った遅延はありませんが、デジタル オーディオ機器には、ある形式から別の形式への変換と、イコライゼーション、圧縮、ルーティングなどのデジタル信号処理(DSP) タスクという 2 つの一般的なプロセスに関連する遅延があります。

デジタル変換プロセスには、アナログ-デジタルコンバーター（ADC）、デジタル-アナログコンバーター（DAC）、および低電圧電気信号を光トランスポートであるADATに伝送するAES3などのさまざまなデジタル形式から別のデジタル形式への変更が含まれます。このようなプロセスは完了するのに少し時間がかかります。典型的な遅延は、サンプリングレート、ソフトウェア設計、ハードウェアアーキテクチャに応じて、0.2〜1.5ミリ秒の範囲です。^[16]

有限インパルス応答（FIR）フィルタや無限インパルス応答（IIR）フィルタなどの異なるオーディオ信号処理操作は、同じ目的に対して異なる数学的アプローチを採用し、異なる遅延を持つ可能性があります。さらに、入力および出力サンプルバッファリングによって遅延が追加されます。一般的な遅延は0.5〜10ミリ秒の範囲ですが、一部の設計では30ミリ秒もの遅延があります。^[17]

デジタルオーディオ機器の遅延は、歌手の声がマイクからデジタルオーディオのミキシング、処理、ルーティングパスを経て、インイヤーモニターやヘッドフォンを介して自分の耳に送られるときに最も顕著になります。この場合、歌手の声は頭の骨を通って自分の耳に伝わり、数ミリ秒後にデジタル経路を通って耳に届きます。ある研究では、リスナーは15ミリ秒を超える遅延が顕著であると感じました。ギター演奏などの他の音楽活動の遅延には、同じ重大な懸念はありません。自分の声を聞いていないリスナーにとって、10ミリ秒の遅延はそれほど顕著ではありません。^[18]

大規模な会場で音楽​​やスピーチのプレゼンテーションを音響強化する場合、会場の前方で過大な音量に頼ることなく、会場の後方まで十分な音量を届けるのが最適です。オーディオ エンジニアがこれを実現する方法の 1 つは、ステージから離れた場所に、観客の後方に近い場所に追加のスピーカーを配置することです。音は、空気中を音速(気温と湿度によって異なりますが、約 343 メートル (1,125 フィート)/秒) で伝わります。ステージ近くのスピーカーと観客に近いスピーカー間の遅延の差を測定または推定することで、オーディオ エンジニアは後者のスピーカーに送られるオーディオ信号に適切な遅延を導入し、近くのスピーカーと遠いスピーカーからの波面が同時に到達するようにすることができます。ハース効果により、観客に近いスピーカーの遅延時間にさらに15 ミリ秒を追加して、ステージの波面が最初に観客に近いスピーカーに到達し、観客の注意をローカル スピーカーではなくステージに集中させることができます。遅延スピーカーからわずかに遅れて聞こえる音は、音源定位に悪影響を与えることなく、知覚される音量レベルを単純に増加させます。

• ディレイ（オーディオ効果）
• 群遅延と位相遅延

• 音楽コラボレーションはオンラインでリアルタイムに行われることは決してない