【抛砖引玉】利用 waifu2x 向上转採音讯

本文只是想法。有鉴於本人能力有限，所以写这篇文章鼓励各位读者自行探索实践。

目前的传统数位音讯档案的存储方式大抵是这样子…相当于一张图片，高度是单画素（单声道）或者两个画素（立体声）等，单个画素的颜色明暗就是音讯的位元深度，而这图片的横向长度则是该图片的总採样数。以上描述不适用於 DSD（我也不知道，我对 DSD 不熟）。

对于音讯档案的向上转採很重要，可以在高採样混音专案当中换取更精确的音讯处理品质。你要推给客户的採样精度是一回事（比如 44.1kHz 16bit），但如果你在制作过程中不使用超过这精度体系各项参数两倍以上的精度来工作的话（比如 96kHz 24bit 或 32bit）、你这处理精度本身就会是个问题、会限制很多诸如多段压缩或卷积残响等工具的使用效果。

目前很多针对音讯採样的平民级向上转採工具都只是单纯地像普通放大图片那样向上放大，再烧钱的就是用特别高级的 DAC（比如 RME ADI-2 Pro 以 768kHz 播放）成类比讯号、再以目标高採样录制回电脑。有些人觉得很多 HiFi 级别的 DAC 播放出来的音声效果要么各有味道、要么就是白开水。这里的差别可能不只是在 EQ 方面、而很可能还包括了对既定採样精度的音声的数类转换（数位转类比）的还原：就好比对一张低画素的图像进行无限制放大之後、这图像看上去还是那样清晰…就像下图左被转採成下图右的样子。

於是这里要介绍一下 waifu2x：这是一个基於深度卷积神经网路来工作的数位图像放大算法套件（依赖於 GPU 进行运算）、可以在学习大量既有案例的基础上针对特性鲜明的插画进行放大（比如说日漫风格的图片，或者油画，等）。一言以蔽之：这套算法可以将一个低画素图像档案放大还原成力所能及的最理想的状态。用相同思路思考的话，可以利用 waifu2x 的原理、将一张低颜色深度的图（比如 256 色或者增强色 16 位元）转採成真彩色 32 位元。

本文的观点是要将 waifu2x 用到音讯档案的向上转採方面：

对於消费用户而言，自己有 HiFi 级别的播放设备，但手头的唱片却全都是 CD 格式的，只能受制於设备本身的数模转换精度特性。万一你被设备本身的数模转换特性给坑了呢？或者说这特性并不适合你喜欢听的乐曲风格呢？Waifu2x 可以用来将你手头的 CD 向上转採、且由你自己来选择转採时的风格预置、看哪种效果适合你。毕竟，一首混音完毕的曲目，各种音色都有，纵使 waifu2x 算法固定，仍旧难以仅用一种转採学习网路来让转採后的曲目的每一处都令你满意。

所以，笔者认为，waifu2x 在音讯转採方面对职业音讯工作者的意义更大。
对於职业混音师等音讯工作者而言，自己平时工作所用的专案精度一般为 96kHz 或 192kHz。但你经常遇到有客户交给你的分轨当中的採样精度不齐整的情况、或者说有那种无法使用粗暴手段收拾掉的底噪（你用了切波、分贝门限，却还是能听到噪声融入到採样里面）。这两种情况，经过换位思考，都可以成为 waifu2x 能解决的问题：

假设你工作专案是 96kHz 24bit，你拿到了一个 44.1kHz 16bit 的採样，你可以直接将採样精度用 waifu2x 往上翻五倍（两倍的话，小於 96kHz，没意义）、使得其精度超过 96kHz 的两倍（超过 192kHz）。然後再用 macOS 内建的 afconvert 将这超採样档案降维至 96Hz 24bit（需要开 Terminal 终端机）：

afconvert 源档案.wav -d LEF24@96000 -f WAVE --soundcheck-generate --src-complexity bats -r 127 输出档案.wav

如果要对数 GB 级体积的档案进行操作、且输出后也是这么大的话，恐怕要换成 caf 格式：

afconvert 源档案.wav -d LEF24@96000 -f caff --soundcheck-generate --src-complexity bats -r 127 输出档案.caf

这里为什么要用 macOS 内建的 afconvert？因为这个工具在对音讯档案的採样精度降维的时候不会有任何噪声插值、却仍就能够达成非常优秀的效果（Windows 一边玩沙去，除非有更强的同类免费工具）。

只要是用於音讯向上转採的 waifu2x 所依赖的神经网路在训练时所学习的样本足够多、对每一类音色（人声、各种鼓组话筒音色、各种乐器音色，等）更有针对性，就没有问题。

以上就是笔者这次的脑洞。当然，感兴趣的话，你也可以直接用 waifu2x 内建的（用於放大日漫图的）神经网路来试试看。

本文在知乎的地址：https://zhuanlan.zhihu.com/p/29618346

$ EOF.