طیف‌نگار صدا را بخوانیم؛ از یک نوار تاریک حکم دست‌کاری نسازیم

وسط تصویر صدا یک فاصله تاریک دیده می‌شود. آیا کسی بخشی از حرف‌ها را حذف کرده؟ از روی همین تصویر نمی‌توان پاسخ داد. باید بدانیم نمودار چه چیزی را نشان می‌دهد، با چه تنظیماتی ساخته شده و فایل اصلی چه سابقه‌ای دارد.

طیف‌نگار یا اسپکتروگرام، زمان را روی محور افقی، فرکانس را روی محور عمودی و قدرت سیگنال را با رنگ یا روشنایی نشان می‌دهد. برای بررسی اولیه یک صدای عمومی، کار اصلی‌اش پیدا کردن لحظه‌ای است که ارزش شنیدن و بررسی دوباره دارد. خروجی مفید، یادداشتی دقیق همراه زمان و تنظیمات است؛ نه برچسب قطعی «واقعی» یا «دست‌کاری‌شده».

فایل را حفظ کنید، بعد نمای آن را عوض کنید

با نسخه‌ای از فایلی کار کنید که به‌طور مجاز در اختیار دارید. صفحه منبع، زمان دریافت و توضیح موجود درباره نحوه ضبط را نگه دارید. اگر فقط بازنشر یا ضبطِ صفحه را دارید، همین را در یادداشت بنویسید. پیش از تبدیل، حذف نویز یا بریدن صدا، نسخه دریافتی را حفظ کنید. روش نگهداری فایل با SHA-256 برای بررسی تغییرنکردن نسخه محفوظ کاربرد دارد.

در Audacity، از کنترل نمای ترک، Spectrogram یا Multi-view را انتخاب کنید. نام و جای گزینه‌ها ممکن است با نسخه نرم‌افزار فرق کند. Multi-view شکل موج و طیف‌نگار را کنار هم قرار می‌دهد: شکل موج تغییرات دامنه را نشان می‌دهد و طیف‌نگار، صدا را در فرکانس‌های مختلف باز می‌کند. مسیر کنترل‌ها در راهنمای رسمی منوی نمایش آمده است.

برای شروع، نسخه پردازش‌نشده را یک‌بار با توجه به ترتیب کلی صداها بشنوید. بعد پرسش را محدود کنید؛ مثلاً «آیا صدای پس‌زمینه نزدیک ثانیه چهار تغییر می‌کند؟» عبارت «قسمت جعلی را پیدا کن» از همان ابتدا ما را به سمت یک پاسخ می‌کشد.

پیش از شکل‌ها، محور و تنظیمات را بخوانید

خط‌کش زمان، مقیاس فرکانس و تنظیم رنگ را بررسی کنید. نوار افقی یعنی در بازه‌ای از زمان، انرژی نزدیک یک فرکانس دیده می‌شود. یک ویژگی باریک عمودی یعنی نزدیک یک لحظه، چند فرکانس درگیرند. شکل به‌تنهایی علت فیزیکی را نام‌گذاری نمی‌کند؛ ضربه طبیعی، صدای کلیک یا اثر فرایند ضبط هر کدام می‌توانند نیازمند بررسی باشند.

برای مقایسه رنگ‌ها باید تنظیمات یکسان باشد. راهنمای طیف‌نگار Audacity نشان می‌دهد بهره نمایش، دامنه رنگ و انتخاب پنجره بر ظاهر اثر دارند. اگر با افزایش بهره، بخشی روشن‌تر شد، خود فایل بلندتر نشده است. دو بخش را با یک تنظیم مقایسه کنید یا تغییر تنظیم را روشن بنویسید.

در یادداشت، مشاهده را از توضیح احتمالی جدا کنید. «یک نوار نزدیک ثانیه چهار قطع می‌شود» توصیف چیزی است که می‌بینیم. «ضبط‌کننده دکمه توقف را زده» فرضیه‌ای درباره علت است و شاهد جداگانه می‌خواهد.

تمرین هشت‌ثانیه‌ای با صدایی که خودمان می‌سازیم

این سیگنال آموزشی مصنوعی است؛ صدای هیچ فردی نیست. برنامه کوتاه زیر یک فایل WAV تک‌کاناله ۱۶بیتی با نرخ ۱۶ هزار نمونه در ثانیه می‌سازد. دو تُن، دو ضربه کوتاه و یک فاصله عمداً صفرشده دارد. اجرای آن با Python 3 به بسته اضافی نیاز ندارد و یک فایل تازه در پوشه جاری می‌نویسد.

import math, struct, wave
rate = 16000
samples = []
for i in range(rate * 8):
    t = i / rate
    v = 0.2 * math.sin(2 * math.pi * 1000 * t)
    v += 0.1 * math.sin(2 * math.pi * 3000 * t)
    if 4 <= t < 4.25:
        v = 0
    if i in (32000, 32640):
        v = 0.8
    samples.append(round(v * 32767))
with open("practice-spectrogram.wav", "xb") as raw, wave.open(raw, "wb") as out:
    out.setnchannels(1)
    out.setsampwidth(2)
    out.setframerate(rate)
    out.writeframes(struct.pack("<" + "h" * len(samples), *samples))

فایل ساخته‌شده را در Audacity باز کنید. زمان صفر تا هشت ثانیه و مقیاس خطی فرکانس از صفر تا ۸ هزار هرتز را نمایش دهید. ابتدا پنجره Hann با اندازه ۲۵۶ نمونه را امتحان کنید؛ سپس با ثابت نگه‌داشتن بقیه تنظیمات، اندازه را به ۲۰۴۸ تغییر دهید. اطراف ثانیه دو و فاصله ۴ تا ۴٫۲۵ را جداگانه نگاه کنید.

مواد اولیه این تمرین مشخص‌اند: دو تُن ۱۰۰۰ و ۳۰۰۰ هرتز، ضربه‌ها در ثانیه‌های ۲٫۰۰ و ۲٫۰۴، و یک فاصله صفرشده. در بررسی محلی فایل تولیدشده، ۱۲۸ هزار نمونه، محل هر دو ضربه و ۴ هزار نمونه صفر آن فاصله کنترل شد. این بررسی مربوط به فایل مصنوعی است؛ نه آزمایش یک مکالمه واقعی یا ادعای اجرای رابط Audacity.

در این نرخ نمونه‌برداری، پنجره ۲۵۶نمونه‌ای ۱۶ میلی‌ثانیه و پنجره ۲۰۴۸نمونه‌ای ۱۲۸ میلی‌ثانیه را دربرمی‌گیرد. پنجره طولانی‌تر زمان بیشتری را با هم تحلیل می‌کند، بنابراین رویدادهای نزدیک ممکن است در هم پخش شوند. فاصله خانه‌های فرکانسی آن در عوض ریزتر است: ۷٫۸۱۲۵ هرتز در برابر ۶۲٫۵ هرتز. این فاصله به‌تنهایی تضمین تفکیک دو تُن نزدیک نیست؛ نوع پنجره هم اثر دارد. راهنمای Plot Spectrum این بده‌بستان زمان و فرکانس را توضیح می‌دهد.

نکته تمرین همین‌جاست: علت فاصله را می‌دانیم چون برنامه تولیدکننده را خودمان نوشته‌ایم. در فایل ناشناخته، شکاف مشابه علت خودش را لو نمی‌دهد. تصویر صاف و پیوسته هم ثابت نمی‌کند که هیچ ویرایشی انجام نشده است. تصویر، محل پرسش را نشان می‌دهد؛ سابقه تولید فایل، جنس دیگری از شاهد است.

از تصویر، یادداشت قابل بازبینی بسازید

برای هر یافته، نام و هش فایل منبع، کانال، بازه زمانی، نرخ نمونه‌برداری، نوع و اندازه پنجره، مقیاس فرکانس و محدوده نمایش را ثبت کنید. در تصویری که نگه می‌دارید، محورهای لازم دیده شوند. آنچه شنیده‌اید را جدا از آنچه دیده‌اید بنویسید. اگر تنظیم را عوض کردید، هر دو نما و دلیل تغییر را حفظ کنید.

یک نتیجه مفید می‌تواند این باشد: «نزدیک ثانیه چهار، انرژی نمایان‌شده پس‌زمینه کاهش دارد. مرز در دو اندازه پنجره دیده می‌شود. علت هنوز روشن نیست و نسخه قدیمی‌تر منبع لازم است.» این جمله برای ادامه تحقیق کاربرد بیشتری از برچسب «دست‌کاری صدا کشف شد» دارد.

راهنمای احراز اصالت صدای SWGDE، نسخه ۱٫۳ مورخ ۲۰ سپتامبر ۲۰۱۸، بررسی اصالت را در چارچوب فایل و شیوه ادعاشده تولید آن قرار می‌دهد. یک نوع تحلیل نباید به‌تنهایی بار نتیجه را بکشد. اگر نتیجه پیامد مهمی دارد، بررسی تخصصی صوت به فایل منبع و پرسش مشخص نیاز دارد.

مشاهده را در بخش شاهد، تفسیر و اطلاعات مفقودِ قالب گزارش تحقیق اوسینت جت وارد کنید. به این ترتیب سرنخ صوتی جای روشنی در تحقیق عمومی پیدا می‌کند، بی‌آنکه تصور کنیم این تمرین، یک تصویر رنگی یا اوسینت جت اصالت صدا یا هویت گوینده را تأیید کرده است.