audio

把 Sennheiser HD 555 升級成 HD 595 的故事

Hacker News 上看到的，只用一隻螺絲起子，就把 Sennheiser HD 555 升級成 HD 595 的方法：「sennheiser hd 555 to hd 595 mod」。

This page will show you how to turn a $199.95 (Canadian – Suggested Retail) pair of Sennheiser HD 555 headphones into a pair of Sennheiser HD 595‘s that cost $349.95. And all you need is a screwdriver.

兩者的差異只在 HD 555 多了一片泡綿 (foam)，把他拆出來就好了：

Aside from the aesthetic differences, the only physical difference was an additional piece of foam inside the cheaper HD555 headphones, blocking about 50% of the outside-facing vents. Since both the HD 555 and HD 595 are designed to be “open” headphones, reducing the vent with this foam would alter the frequency response slightly. So to save yourself $150, open your HD 555’s up and remove the foam. Done.

作者說是注意的到的差別：

Yes. The actual sound difference is very slight, but it is noticeable.

在 Hacker News 上的討論「Sennheiser HD 555 to HD 595 Mod (mikebeauchamp.com)」裡面有在猜什麼原因，有可能是硬拉產品線，也有可能是將次級品改裝，但看起來兩個機體本身是相同的沒錯...

不過這兩隻都是老機了，看起來現在沒有再繼續生產。

直接用 prompt 產生音樂的 Riffusion

很紅的 Stable Diffusion 是寫一串文字 (prompt) 然後產生圖片，而 Riffusion 則是寫一串文字產生音樂。

其中 prompt 轉成音樂其實還在可以預期的範圍 (i.e. 遲早會出現)，但專案的頁面上解釋了 Riffusion 是基於 Stable Fusion 的作品，而且是利用 Stable Fusion 產生出時頻譜 (spectrogram)：

Well, we fine-tuned the model to generate images of spectrograms, like this:

也就是像這樣的圖：

在 Hacker News 上討論時的討論頁可以看看，作者有參與一些討論：「Riffusion – Stable Diffusion fine-tuned to generate music (riffusion.com)」。

其中有人提到這個作法超出想像，因為輸出的圖片只要幾個 pixel 差一點點就會產生出很不同的聲音：

This really is unreasonably effective. Spectrograms are a lot less forgiving of minor errors than a painting. Move a brush stroke up or down a few pixels, you probably won't notice. Move a spectral element up or down a bit and you have a completely different sound. I don't understand how this can possibly be precise enough to generate anything close to a cohesive output.

Absolutely blows my mind.

然後其中一位作者回覆到，他也是做下去後才很意外發現居然可行：

Author here: We were blown away too. This project started with a question in our minds about whether it was even possible for the stable diffusion model architecture to output something with the level of fidelity needed for the resulting audio to sound reasonable.

實際上聽了產生出來的音樂，是真的還 OK 的音樂... 大家都完全沒想到可以這樣搞，然後在 Hacker News 上的 upvote 數量爆炸高 XD

Framework 筆電也遇到缺料問題，換了音源晶片

Framework 的筆電最近在社群很紅，模組化設計讓維修變容易，而且也有許多規格上的客製化空間。在「Marketplace」這頁可以看到很多東西可以換，除了比較常見的無線網卡、SSD、記憶體以外，像是主機板、鍵盤甚至連 USB、HDMI 接口都是模組。

不過這邊要提到的是 audio chip 也在這波 supply chain 的供貨問題而中招了：「Solving for Silicon Shortages」，Hacker News 上的討論「Framework: Solving for Silicon Shortages (frame.work)」也可以看一下。

從文章裡看起來是 Realtek ALC295 的交期爆炸了：

Chips that would normally have 16-20 week lead times (meaning we’d place typically binding orders that far ahead of needing parts in our hands) went up to 52 weeks. In one case, we even got notified of a 68 week lead time on a chip!

We were able to get enough Realtek ALC295 audio CODECs to develop the Framework Laptop and get through the first few months of production, but nowhere near enough to fulfill ongoing demand from the US and Canada, let alone the additional countries we’d like to ship to.

所以決定換到 Tempo 92HD95B：

Luckily, we were able to find an alternative CODEC that lets us stay in production: the Tempo 92HD95B.

查了一下 datasheet，本來的 Realtek ALC295 是 QFN-48，而 Tempo 92HD95B 是 QFN-40，看起來得改不少東西... 應該是連 open market 上都翻不到而被迫換設計，跟我們家的情況也很像，看起來最近大家都哭到爆炸了 :o

Google 新推出的 Lyra audio codec

Hacker News Daily 上看到「Lyra audio codec enables high-quality voice calls at 3 kbps bitrate」，講 Google 新推出的 Lyra audio codec：「Lyra: A New Very Low-Bitrate Codec for Speech Compression」，論文在「Generative Speech Coding with Predictive Variance Regularization」這邊可以抓到。

目前 Google 提出來的想法是想辦法在 56kbps 的頻寬下實現還堪用的視訊通話：

Pairing Lyra with new video compression technologies, like AV1, will allow video chats to take place, even for users connecting to the internet via a 56kbps dial-in modem.

這次的突破在於可以使用 3kbps 的頻寬傳輸，但清晰度比 Opus 的 6kbps 效果還好不少。

Google 在文章裡面給了兩個 sample，一個是乾淨背景音，另外一個是吵雜的背景音，跟 Opus 與 Speex 比起來都好很多。

論文是說不需要太高的運算力，但沒翻到 GitHub 之類的 source code，先當作參考：

We provide extensive subjective performance evaluations that show that our system based on generative modeling provides state-of-the-art coding performance at 3 kb/s for real-world speech signals at reasonable computational complexity.

Zoom 的浮水印功能

在 Hacker News Daily 上看到 The Intercept 介紹了 Zoom 的浮水印功能，以及如果你要洩密的話要如何自保：「What You Should Know Before Leaking a Zoom Meeting」。這篇文章主要不是談 Zoom 之前被討論的那些問題，而就 Zoom 的浮水印功能來討論。

Zoom 支援 video watchmark 與 audio watchmark：

依照描述的兩個方式，看起來都不難破，但主要是要提醒記者，如果要放出線人提供的 Zoom 錄音或是錄影，要注意到裡面是否有 watchmark 導致線人的資訊被洩漏：

Journalists should also be wary of publishing raw audio leaked from Zoom meetings, particularly if the source is not sure whether audio watermarking was enabled or not.

翻了一下 GitHub 沒搜到有工具可以處理，這點可能要等人發展出來...

Amazon Transcribe 可以吃其他格式了

Amazon Transcribe 是 AWS 推出語音轉文字的服務，先前只有提供 WAV、FLAC、MP3 與 MP4 格式，現在則是多支援不少格式：

Today, we are excited to announce native support for media files in AMR, AMR-WB, Ogg and WebM format by Amazon Transcribe.

AMR 與 AMR-WB 以前還蠻常看到的，最近比較少看到了，可能是專利加上選擇性多之後用的人就變少了。

再來是 Ogg 與 WebM 兩個都是開放格式。

上次拿 Amazon Transcribe 測日文的影片，先用 FFmpeg 把 MP4 檔內的 audio track 抽出來再丟上去轉，轉完後用 andyhopp/aws-transcribe-to-srt 把 Amazon Transcribe 輸出的 JSON 再轉成 SRT 檔，就辨識正確度測起來算是堪用，但專有名詞 (像是人名) 就得另外處理，不過比什麼都沒有好不少...

AWS Elemental MediaConvert 支援 MP3 輸出了

AWS Elemental MediaConvert 宣佈支援 MP3 輸出的格式了：「MP3 Audio Output Now Available with AWS Elemental MediaConvert」。

找了維基百科上的 MP3 資料來看，歐盟是 2012 年就全面過期，而美國是 2017 年：

The basic MP3 decoding and encoding technology is patent-free in the European Union, all patents having expired there by 2012 at the latest. In the United States, the technology became substantially patent-free on 16 April 2017 (see below). MP3 patents expired in the US between 2007 and 2017.

會拖到 2020 年的現在才支援 MP3 不知道是什麼原因。一種可能 AWS 家的法務發現是還有其他地區沒列出來？另外一種可能是，如果考慮到 MediaConvert 的產品特性是以影音為主，所以 AAC 用的比較多，而發展 MP3 相關功能的動力不夠...

Chrome 將不會在 HTTPS 頁面上載入 HTTP 資源...

現在 Google Chrome 的穩定版是 77，到了十二月會推出的 79 的時候，就會有一連串的避免 HTTPS 頁面使用 HTTP 資源的措施：「No More Mixed Messages About HTTPS」。

首先是 79 的時候會有新的界面，讓使用者可以修改阻擋類的設定。

到了 80 的時候會試著將 HTTP 的影音 <audio> 與 <video> 升級到 HTTPS 連線，如果 HTTPS 讀不到的話就當作讀取失敗。但圖片 <img> 的部份則是會讀進來，只是安全性上會顯示 Not Secure。

到了 81 就是這系列的最終階段，包括 <img> 也會一使用 80 時影音的邏輯，沒辦法在 HTTPS 上讀到就當作讀取失敗。

用 YouTube 上的影片查發音

「Improve your English pronunciation using Youtube」這個服務利用 YouTube 上的影片與字幕提供界面，讓你可以知道現實世界的人怎麼發音的查詢系統。

系統本身不難做，主要是去撈大量資料，然後建立 search engine 提供，idea 與執行才是這個服務的賣點。

拿到後第一個想到的就是，一定要拿來查一下「IKEA」怎麼唸 XDDD

除了英文以外還可以查其他語言，包括中文...

破 reCAPTCHA 的 Buster

在「用 Google 的 Speech Recognition API 破 Google 的 reCAPTCHA」與「reCAPTCHA 與語音辨識：以子之矛，攻子之盾」都提過用語音辨識功能破 reCAPTCHA，現在又有一套了，而且直接在各瀏覽器的 extension 平台上架：「Buster: Captcha Solver for Humans」。

說明可以看到一樣是透過聲音的部份辨識：

Buster is a browser extension which helps you to solve difficult captchas by completing reCAPTCHA audio challenges using speech recognition. Challenges are solved by clicking on the extension button at the bottom of the reCAPTCHA widget.

除了安裝很簡單以外，設定也弄得很簡單，這個套件支援多種不同語音辨識 API，包括 Google、Microsoft 以及 IBM 的服務，只要在套件的設定頁輸入 API key 就可以了...

另外剛好也跟 reCAPTCHA 有關，在 Hacker News 上的「Google's Captcha in Firefox vs. in Chrome (grumpy.website)」看到 Google Chrome 與 Mozilla Firefox 在跑 reCAPTCHA 的不同之處 (Chrome 的流程順很多，Firefox 卡很多)，不過我覺得證據還有點弱，需要再看其他的測試...

另外裡面有提到一些奇怪的東西，像是 W3C 的替代方案 (這個組織提的東西...)：「Inaccessibility of CAPTCHA」，找時間來研究一下...