Audio-vizualizace na světelných diodách: percepční modely a matematika

# Audiovizuální vizualizace na LED diodách: jak matematika percepčních modelů překonává pixelovou chudobu

Realizace LED pásků synchronizovaných s hudbou narazí na fundamentální omezení pixelové hustoty a lidského vnímání. Místo jednoduchého zobrazení amplitudy zvuku je potřeba integrovat mel-škálu, konvoluci a gama-korekci pro vytvoření vizuálně smysluplných efektů. I při dostupnosti hotových knihoven zůstává zpracování audiosignálu v reálném čase netriviální úlohou kvůli nutnosti vyvážit výpočetní složitost a kvalitu vizualizace.

Pixelová chudoba jako systémové omezení

Klíčový problém LED vizualizátorů je katastrofální nedostatek prostorového rozlišení. Při 144 pixelech na metr musí každý LED dioda nést percepčně významnou informaci. Na rozdíl od displejů s miliony pixelů, kde lze zobrazovat vedlejší audio charakteristiky, zde musí každá výstupní jednotka přesně odpovídat hudební struktuře. Experimenty s naivním použitím FFT to potvrzují: spektrogram soustředí energii do úzkého rozsahu a většinu pásky nechává temnou.

Tradiční přístupy, jako přímé mapování amplitudy na jas, selhávají z tří důvodů:

• Ztráta frekvenčních informací ve prospěch hlasitosti
• Nesoulad časových konstant s lidským vnímáním
• Neschopnost adaptace na dynamiku audio obsahu

Kritická chyba začátečníků je ignorování nelinearity sluchového vnímání. Lidské ucho vníma interval mezi 200 Hz a 400 Hz jako výrazně širší než mezi 8 kHz a 8,2 kHz, přestože je rozdíl v hertech stejný. To vyžaduje převod lineární FFT škály do percepčně rovnoměrného prostoru.

Mel-škála: most mezi audiosignálem a vnímáním

Řešení pixelové chudoby spočívá v adaptaci metod rozpoznávání řeči. Mel-škála převádí hertzovou škálu do prostoru, kde vzdálenosti odpovídají subjektivnímu vnímání výšky tónu. Realizace zahrnuje tři etapy:

• Rozdělení audio spektra na 26–40 filtrů rozdělených podle mel-škály
• Integrace energie v každé bance filtrů
• Logaritmické převod pro kompenzaci dynamického rozsahu

Tento přístup zajišťuje rovnoměrné využití všech LED diod, protože percepčně významné frekvence (300–3000 Hz) dostanou větší prostorovou reprezentaci. Na rozdíl od lineárního FFT, kde nízkofrekvenční komponenty zabírají 10–15 % pásky, mel-filtry rozkládají zátěž úměrně vnímání.

Klíčová výhoda: výstupní data z mel-banky filtrů se stávají přirozeným rozhraním pro vizualizaci. Systém přestává zobrazovat „syrová“ audio data a začíná pracovat s rysy odpovídajícími hudební struktuře. To umožňuje vytvářet tři základní efekty:

• Spectrum: přímé zobrazení mel-spektra s gama-korekcí
• Scroll: vlnová scroll energie od středu k okrajům
• Energy: pulzace jasu v rytmu celkové energie signálu

Matematika vyhlazování: od teorie k LED diodám

I po přechodu na mel-škálu vzniká problém časového a prostorového blikání. Řešení vyžaduje aplikaci dvou typů filtrování:

Časové vyhlazování

Používá se exponenciální vyhlazování s různými časovými konstantami pro různé frekvenční pásma:

def exponential_smoothing(current, previous, alpha):
    return alpha * current + (1 - alpha) * previous

Koeficient alpha se ladí empiricky pro každý efekt – od 0,1 pro nízké frekvence po 0,3 pro vysoké. To vytváří iluzi setrvačnosti, která imituje reakci lidského vnímání.

Prostorové filtrování

Konvoluční operace se aplikují na jednorozměrné pole LED diod. Příklad gaussova jádra pro 5 pixelů:

kernel = [0.05, 0.25, 0.4, 0.25, 0.05]
output[i] = sum(input[i+j] * kernel[j] for j in range(-2, 3))

To eliminuje „pixelové skoky“ a vytváří plynulé přechody mezi frekvenčními pásmy. Šířka jádra se volí podle hustoty LED diod – pro 144 LED na metr je optimálních 3–5 pixelů.

Dvojitý percepční model

Plnohodnotná vizualizace vyžaduje modelování jak zvukového, tak světelného vnímání. Pokud mel-škála řeší problém vstupních dat, na výstupu jsou potřeba:

• Gama-korekci: převod lineárního jasu do nelineární škály odpovídající citlivosti oka
• Barevné prostory: přechod z RGB do HSV pro přirozené zobrazení frekvencí
• Další barvy: využití teorie barevného kruhu pro vytvoření kontrastních přechodů

Kriticky důležitý je výběr barevné palety. Testy ukazují, že schémata odpovídající hudebním intervalům (např. komplementární barvy pro oktávy) jsou vnímána jako „hudebnější“. Například nízké frekvence se zobrazují v teplých tónech (červená-oranžová), střední v žluto-zelených, vysoké v modro-fialových.

Realizace v reálném čase

Systém musí zpracovávat audio se zpožděním méně než 20 ms, aby byl vnímán jako synchronní. To vyžaduje kompromis mezi délkou audio rámce a frekvenčním rozlišením:

• Rámce 10–20 ms: vysoká reaktivita, ale šumavé spektrum
• Rámce 50–100 ms: kvalitní spektrum, ale znatelné zpoždění

Optimální řešení jsou překrývající se rámce s 50% překrytím. Pro 44,1 kHz to dává:

frame_size = 1024  # 23.2 ms
hop_size = 512    # 11.6 ms

Na Raspberry Pi je zpracování realizováno přes ALSA a GPIO, na ESP8266 přes UDP stream z PC. Klíčová optimalizace spočívá v předvýpočtu mel-filtrů a použití fixed-point aritmetiky pro mikrokontroléry.

Co je důležité

• Pixelová chudoba vyžaduje přesné mapování každé LED diody na hudební strukturu, což je nemožné při naivním použití FFT
• Mel-škála převádí lineární spektrum do percepčně rovnoměrného prostoru a zajišťuje rovnoměrné zatížení pásky
• Dvojité filtrování (časové exponenciální + prostorové konvoluční) eliminuje blikání bez zvyšování zpoždění
• Gama-korekce a barevné modely jsou klíčové pro shodu vizuálního výstupu se světelným vnímáním
• Překrývající se rámce vyvažují frekvenční rozlišení a zpoždění v reálném čase

Architektura projektu je otevřená na GitHub a podporuje dva režimy: lokální zpracování na Raspberry Pi a vzdálené na PC s přenosem dat na ESP8266. Hlavní složitost nespočívá v algoritmech, ale v integraci percepčních modelů do přísných časových rámců embedded systémů. I při dostupnosti hotových knihoven jako librosa vyžaduje adaptace pro LED pásky hluboké porozumění jak audio zpracování, tak specifik lidského vnímání.

— Editorial Team