Sladky Player

マルチスレッドオーディオ出力とハードウェア DSP

システムプログラミング言語 Rust で構築されたポータブルオーディオプレーヤー。WGPU API による GUI ハードウェアレンダリング、クロスプラットフォームな Cubeb ライブラリをベースとした低レイテンシーオーディオ出力、非同期 Symphonia デコーダ、およびフルカスタマイズ可能な 32-bit Float DSP パイプラインを搭載しています。

アーキテクチャ仕様書
Sladky Player

シグナルパスと低レベル DSP

オーディオシグナル処理は、完全に 32-bit Float ステレオモードで実行されます。DSP パイプラインは、元のサンプルに対して高精度な数学的補正を行う一連の独立したモジュールで構成されています。

⚙️

1. 補正とフィルタリング(前処理)

SignalCorrector モジュールは、リングバッファ内のチャンネル遅延(Time Alignment)をサンプル精度で補正し、極性位相反転およびモノラルダウンミックスを実行します。DynamicsPre モジュールは、カスケード接続されたバイクアッドフィルタを介して超低音フィルタリング(Subsonic Filter、20Hz HPF、Linkwitz-Riley 4次)および高音域フィルタリング(22kHz LPF)を適用し、RMS デテクタによって駆動される自動ゲイン制御(AGC、目標レベル -16 dBFS)を行います。

📉

2. イコライゼーションとマルチバンドサチュレーション

パラメトリックな 12 バンドイコライザーは、16 Hz から 16 kHz の周波数において、Q=1.41 の安定したQ値を持つピーキングフィルターを使用します。Goodizer モジュールは、選択されたモード(A、B、C、D)に応じて、独立したコンプレッション(アタック/リリース比、しきい値、圧縮比)および非線形飽和(tanh ウェーブシェイピング)を備えた 3 バンド信号分割(250 Hz の LPF クロスオーバーと 4000 Hz の HPF)を行います。

🧠

3. SoundUP RT 心理音響アップスケーリング

多要素エンジン:サブハーモニックレゾネーター(100 Hz ローパス)は、デジタルエイリアシングを完全に排除するために ADAA(Anti-Aliasing Double Approximation)手法を用いて低域倍音を生成します。ハースデコレレーター(800 Hz ハイパス、1.2 ms 遅延)はステレオ幅を拡張します。ATR モジュールは、高速および低速のエンベロープデテクタを使用してトランジエント(6.5 kHz 帯域)を検出し、そのアタックフェーズを動的に強化します。高周波エキサイターは、11 kHz 以上で多項式倍音合成を実行し、変調されたピンクノイズをミックスします。

🎧

4. 空間バイノーラルレンダリング

Hrtf3DVirtualizer モジュールは Mid/Side デコンポジションを実行します。Mid チャンネルは、外耳道共振をシミュレートするためのピーキングフィルター(3 kHz、Q=1.0)とノッチフィルター(6.5 kHz、Q=2.0)を通過します。音響的な距離感は、初期反射(0.9 ms 遅延、-15.5 dB レベル)によってシミュレートされ、頭内定位効果を排除します。Side チャンネルは 8 kHz ノッチフィルターで補正されます。バイノーラルクロストークは ITD(0.28 ms、48 kHz で 13 サンプルに相当)によって遅延され、頭部音響陰影をシミュレートするハイシェルフフィルター(1.5 kHz 以上で -10 dB)によってフィルタリングされます。

RUST
// Lock-Free real-time audio pipeline on Cubeb SPSC ring buffers
pub fn process_audio_callback(
output_buffer: &mut [f32],
cons_main: &mut Consumer<f32>,
cons_amb: &mut Consumer<f32>,
dsp: &mut DspProcessor,
quick_dsp: &mut QuickDspState,
settings: &SharedAudioSettings
) -> isize {
let frames_requested = output_buffer.len() / 2;
let mut amb_buffer = vec![0.0f32; output_buffer.len()];

let amb_popped = cons_amb.pop_slice(&mut amb_buffer);
let popped = cons_main.pop_slice(output_buffer);

let vol = settings.get_float(&settings.volume);
let bal = settings.get_float(&settings.balance_lr);
let pitch = settings.get_float(&settings.pitch);
let reverb_wet = settings.get_float(&settings.reverb_wet);
let reverb_room = settings.get_float(&settings.reverb_room);
let crossfeed = settings.get_float(&settings.crossfeed);

let l_gain = if bal > 0.0 { 1.0 - bal } else { 1.0 };
let r_gain = if bal < 0.0 { 1.0 + bal } else { 1.0 };

for i in (0..popped).step_by(2) {
    let mut l = output_buffer[i];
    let mut r = output_buffer[i+1];

    let (l_pt, r_pt) = quick_dsp.pitch_shifter.process(l, r, pitch);
    let (l_rev, r_rev) = quick_dsp.reverb.process(l_pt, r_pt, reverb_wet, reverb_room);
    let (l_cf, r_cf) = quick_dsp.crossfeed.process(l_rev, r_rev, crossfeed);
    let (proc_l, proc_r) = dsp.process_stereo(l_cf, r_cf);

    l = proc_l * l_gain; 
    r = proc_r * r_gain;
    if i < amb_popped {
        l += amb_buffer[i];
        r += amb_buffer[i+1];
    }
    output_buffer[i] = l * vol;
    output_buffer[i+1] = r * vol;
}
frames_requested as isize
}
// 3-Band Linkwitz-Riley Crossover with Envelope Tracked Compression
impl Goodizer {
pub fn process_frame(&mut self, mut l: f32, mut r: f32) -> (f32, f32) {
    if self.amount <= 0.0 { return (l, r); }
    let (dry_l, dry_r) = (l, r);

    // 1. Поканальный кроссовер (LPF на 250 Гц, HPF на 4000 Гц)
    let low_l = self.lpf_l.process(l);
    let low_r = self.lpf_r.process(r);

    let high_l = self.hpf_l.process(l);
    let high_r = self.hpf_r.process(r);

    let mid_l = l - low_l - high_l;
    let mid_r = r - low_r - high_r;

    // 2. Поканальная компрессия выделенных частотных диапазонов
    let comp_low_l = self.c_low_l.process(low_l);
    let comp_low_r = self.c_low_r.process(low_r);

    let comp_mid_l = self.c_mid_l.process(mid_l);
    let comp_mid_r = self.c_mid_r.process(mid_r);

    let comp_high_l = self.c_high_l.process(high_l);
    let comp_high_r = self.c_high_r.process(high_r);

    // 3. Рекомпозиция и смешивание обработанного сигнала с сухим
    let mix_l = comp_low_l + comp_mid_l + comp_high_l;
    let mix_r = comp_low_r + comp_mid_r + comp_high_r;

    (
        dry_l * (1.0 - self.amount) + mix_l * self.amount,
        dry_r * (1.0 - self.amount) + mix_r * self.amount
    )
}
}
// ADAA Non-Linear Waveshaping (Anti-Aliasing Double Approximation)
fn ln_cosh(x: f32) -> f32 {
let ax = x.abs();
if ax > 4.0 {
    ax - 0.69314718
} else {
    let x2 = x * x;
    x2 * (6.0 + x2) / (12.0 + 3.0 * x2)
}
}

fn adaa_tanh(x: f32, x_prev: f32) -> f32 {
let diff = x - x_prev;
if diff.abs() < 1e-5 {
    x.tanh()
} else {
    // Вычисление первой производной первообразной ln(cosh(x))
    (ln_cosh(x) - ln_cosh(x_prev)) / diff
}
}
AUDIO ENGINE STREAM MONITOR
Interface/API:
WASAPI Exclusive (Bit-Perfect)
Output Format:
32-bit Float @ 384000 Hz
Hardware Buffer:
50 samples (~1 ms latency)
Resampling DSP:
Sinc Interpolation (64000 Taps)
Quantize Dither:
NS9 Noise Shaping
PCM-to-DSD SDM:
ASDM7EC (DSD512)
Clipping Guard:
Soft Saturation ON (Thresh: -1.0 dB)
GUI Backend:
WGPU Vulkan 144Hz

ロックフリーマルチスレッド SPSC アーキテクチャ

リアルタイムオーディオ出力スレッドは、GUI スレッドから完全に隔離されています。デコード、リサンプリング、調整可能なベジエ曲線に沿った動的クロスフェード、および環境音(Ambient)合成は並行スレッドで実行され、ヒープ上に割り当てられたロックフリーの SPSC(Single Producer Single Consumer)リングバッファ(Ring Buffer)を介してオーディオデータを交換します。これにより、バッファアンダーラン(Buffer Underrun)や音切れのシステムリスクなしに、システムオーディオカードにオーディオパッケージを安定して供給することができます。

Crystallization of Sound

CRYSTALLIZATION

音源アップスケーリング

SoundUP アルゴリズムに基づく音響の再構築。
「リアルタイム」モードに最適化されています。

音源アップスケーリング

オリジナル SoundUP
0:00 / 0:00
アップスケール強度
MIN
MAX

ポータビリティと極限パフォーマンス

プレーヤーは、外部のランタイム依存関係なしに、単一の静的実行可能ファイルにコンパイルされます。設定や DSP パイプラインの構成は、ローカルの settings.json ファイルに保存されます。WGPU API を介したグラフィックハードウェアアクセラレーションにより、CPU への負荷をゼロに抑えながらインターフェースの即時レンダリングを実現します。

Sladky Player アーキテクチャに関する技術 FAQ

オーディオ出力とレイテンシー

プレーヤーにおける WASAPI 共有(Shared)モードと排他(Exclusive)モードの違いは何ですか?
共有(Shared)モードでは、プレーヤーはデコードされたオーディオストリームを Windows システムミキサーに渡し、ミキサーはシステム設定に従って強制的にリサンプリングを行い、他のアプリケーションの音と混合します。排他(Exclusive)モードでは、オーディオエンジンが物理的なハードウェアデバイスを直接制御します。これによりシステムオーディオスタックがロックされ、オーディオストリームが Windows ミキサーをバイパスして直接 DAC 転送されるため、サードパーティの干渉がないソース出力(Bit-Perfect)が実現し、位相歪みや強制的なアップサンプリングが排除されます。
なぜ排他モードは特定のサンプリング周波数でエラーになるのですか?
排他モードでは、ハードウェアオーディオカードドライバは、お使いの DAC チップが物理的にサポートしているパラメータ(Sample Rate および Bit Depth)のみを受け入れます。プレーヤーの設定が 384 kHz に設定されている一方で、デバイスが最大 192 kHz までしかサポートしていない場合、ストリームの初期化はハードウェアレベルで失敗します。この場合、プレーヤーは安全にストリームを共有モードにリダイレクトします。
マルチスレッド SPSC 方式はどのように機能し、なぜポップノイズやクリックノイズを防止できるのですか?
シグナルパスは、デコード/リサンプリング、環境音(Ambient)合成、および低レベル出力スレッドの3つの隔離されたスレッドに分割されています。これらはヒープ上に割り当てられたロックフリーの単一生産者単一消費者(SPSC)リングバッファを介して接続されています。オーディオコールバックは、ディスク読み取り操作や重いデコード計算を待つことなく、マイクロ秒単位でバッファから準備完了のサンプルを取得するため、バッファアンダーラン(Underrun)とそれに伴うクリックノイズが完全に防止されます。
なぜプレーヤーにシグマデルタモジュレーター(PCM-to-DSD)が内蔵されているのですか?
モジュレーターは、リアルタイムで PCM ストリームを 1 ビット DSD フォーマット(最大 DSD512)に変換します。数学的アルゴリズムが量子化ノイズを人間の可聴限界をはるかに超える高周波領域に押し出す(ノイズシェービング、Noise Shaping)ことで、理想的な線形位相の中に有用な信号を保持します。後置フィルタリング「EC」(誤差修正)を備えたスキームは、DAC の非線形性を平滑化するために弱いアナログディザーも混合するため、標準のアルゴリズムよりもプロセッサに多くの負荷をかけます。

DSP パスと心理音響

SoundUP RT アルゴリズムはアップスケーリング時に具体的に何をしていますか?
単純なイコライザーとは異なり、SoundUP RT は決定論的に全く新しい高周波を合成します。このモジュールは中低域の音調基礎を分析し、非線形多項式合成によってその倍音を高周波領域に投影します。Clarity (ATR) モジュールは、アタックを強調するために瞬時成分の動的エンベロープを計算し、ハースデコレレーターはステレオ幅を広げるためにいずれかのチャンネルの高域スペクトルに 1.2 ms の位相遅延を導入し、エキサイターは空気感を演出するために変調されたピンクノイズをミックスします。
サブベースレゾネーターの ADAA とは何ですか、なぜ必要なのですか?
デジタル環境で非線形飽和(tanh サチュレーションなど)によってサブハーモニックを生成する場合、エイリアシング(寄生周波数がナイキスト周波数から可聴スペクトルへ鏡像反射し、低音を濁らせる現象)が必然的に発生します。ADAA(Anti-Aliasing Double Approximation)アルゴリズムは、非線形関数を数値積分することでこの問題を解決します。シグナルの原関数の導数を計算することで、ADAA はスペクトルエイリアシングをほぼ完全に抑制し、サブベースを深くクリアに保ちます。
バイノーラル 3D オーディオ(HRTF)はどのように機能しますか?
HRTF モードを有効にすると、ステレオ信号が Mid(中央の定位)と Side(ステレオ幅)コンポーネントに分解されます。中央チャンネルは、耳介の解剖学的共振をシミュレートするための特定のフィルターカスケード(3 kHz でブースト、6.5 kHz でカット)で処理され、頭内定位効果を排除するために初期反射遅延(0.9 ms、-15.5 dB)で補完されます。側チャンネルは両耳間時間差 ITD(0.28 ms)だけ遅延され、頭部音響陰影をシミュレートするシェルフフィルター(反対側の耳に対して 1.5 kHz 以上で高域を 10 dB 減衰)によって処理され、リアルなバイノーラル空間を構築します。
ピークリミッターはどのようにデジタルクリッピングを防ぎますか?
ピークリミッターは 2 ms の先行読み込み(Look-ahead)バッファを使用します。プレーヤーはメインオーディオストリームを 2 ミリ秒遅延させ、新しいサンプルが出力される前にそのピーク振幅を分析できるようにします。しきい値の超過が検出された場合、波形を急激にカットすることなく、高速なゲイン減衰(0.5 ms アタック時間)がトリガーされます。過負荷が非常に深刻な場合は、ソフトサチュレーション(Soft Saturation)機能が起動し、双曲線正接(tanh)曲線に沿ってピークを滑らかに丸め、耳障りなデジタル歪みの発生を防ぎます。

ギャップレス再生とデータベース

ギャップレス再生(Gapless)とスムーズなフェード移行(Crossfade)はどのように実装されていますか?
デコーダーは先行して動作します。現在のトラックが終了に近づくと、バックグラウンドで次のファイルのデコードが開始されます。クロスフェードが有効な場合、プレーヤーは設定で定義された3次ベジエ曲線表に従って、フェードアウトするオーディオストリームの音量を滑らかに下げ、新しいトラックの音量を上げます。これにより、トラック変更時の微小な無音時間、クリックノイズ、遅延が発生しなくなります。
音高を変更するとき、WSOLA アルゴリズムと Phase Vocoder アルゴリズムの違いは何ですか?
WSOLA アルゴリズムは時間領域で動作します:シグナルをオーバーラップするセグメントに分割し、最大互関(波形類似度)のポイントを見つけ、それらをオフセットを伴って重ね合わせます。この方法はアタックの位相構造を維持するため、ボーカルや楽器に最適です。Phase Vocoder(フェーズボコーダ)アルゴリズムは、フーリエ変換を介してシグナルを周波数領域に変換し、時間オフセットを補正するためにビンの位相を修正し、逆変換を実行します。これは複雑なポリフォニックミックスに適していますが、位相がぼやける(Smearing)副作用を引き起こす可能性があります。
プレイリストデータベースの構造と、なぜ再帰クエリが必要なのですか?
データベース(music.db)は関係関連表を含みます。プレイリストは、親プレイリストフィールドを使用して階層的なツリー構造をサポートします。親プレイリストが選択されると、プレーヤーは再帰的 CTE クエリを実行し、このクエリが自動的に入れ子ツリーを下降してすべてのサブプレイリストの ID を収集し、ユーザー定義の再生順序を維持したまま、トラックの完全なフラットリストを返します。

グラフィックと視覚化

なぜプレーヤーは Electron ではなく WGPU で書かれており、実際のメモリ消費量はどれくらいですか?
Electron は完全な Chromium インスタンスを実行するため、ブラウザエンジンの必要性だけで 150-300 MB のシステムメモリを消費します。一方、当社の WGPU ベースのグラフィックエンジンは低レベル API を介してビデオカードと直接通信し、プレーヤーの実行ファイルは非常に軽量で、アプリケーション層では約 6-8 MB の RAM しか消費しません。しかし、現代のグラフィック API(DirectX 12 または Vulkan)の特性上、ビデオドライバがスワップチェーン(Swapchain)、パイプラインコンパイル、およびテクスチャキャッシュのためにメモリの大部分を強制的に予約するため、オペレーティングシステムにおけるプロセス全体の実際の物理メモリ消費量はやや高くなります(40-70 MB 程度)。
スペクトルアナライザー(FFT)はどのように動作し、システムに負荷をかけますか?
オーディオストリームのチャンネルのモノラル和がリアルタイムリングバッファにコピーされます。専用のバックグラウンドスレッドがオーディオブロック(インターフェース内の FFT 設定に応じて、512 から 8192 サンプル)を取得し、ハニング窓を適用し、高速フーリエ変換(FFT)によってスペクトログラムを計算します。計算された周波数振幅は非同期でテクスチャにパックされます。スペクトログラムの描画と帯域の減衰は、GPU 上でカスタム WGSL シェーダーを使用して行われるため、CPU の計算負荷を最小限に抑えます。
スペクトログラム上の細い青い線は何を意味していますか?
これは元のオーディオファイルの 実際のカットオフ周波数(Cutoff Frequency)を視覚的に示すラインです。プレーヤーはフレームスペクトルをスキャンし、エネルギーレベルが -96 dB 未満に低下する範囲を検出してこの境界線を表示します。これにより、高品質のオリジナルファイルと、人工的に引き伸ばされた低品質のアップスケールファイル(たとえば、96 kHz FLAC として保存された 128 kbps MP3 では、カットオフ線が明らかに 16 kHz で凍結します)を瞬時に区別できます。