Recompress PNGs as suggested in #1523, remove unused super-old Ogg logo
[platform/upstream/libvorbis.git] / doc / 01-introduction.tex
1 % -*- mode: latex; TeX-master: "Vorbis_I_spec"; -*-
2 %!TEX root = Vorbis_I_spec.tex
3 % $Id$
4 \section{Introduction and Description} \label{vorbis:spec:intro}
5
6 \subsection{Overview}
7
8 This document provides a high level description of the Vorbis codec's
9 construction.  A bit-by-bit specification appears beginning in
10 \xref{vorbis:spec:codec}.
11 The later sections assume a high-level
12 understanding of the Vorbis decode process, which is
13 provided here.
14
15 \subsubsection{Application}
16 Vorbis is a general purpose perceptual audio CODEC intended to allow
17 maximum encoder flexibility, thus allowing it to scale competitively
18 over an exceptionally wide range of bitrates.  At the high
19 quality/bitrate end of the scale (CD or DAT rate stereo, 16/24 bits)
20 it is in the same league as MPEG-2 and MPC.  Similarly, the 1.0
21 encoder can encode high-quality CD and DAT rate stereo at below 48kbps
22 without resampling to a lower rate.  Vorbis is also intended for
23 lower and higher sample rates (from 8kHz telephony to 192kHz digital
24 masters) and a range of channel representations (monaural,
25 polyphonic, stereo, quadraphonic, 5.1, ambisonic, or up to 255
26 discrete channels).
27
28
29 \subsubsection{Classification}
30 Vorbis I is a forward-adaptive monolithic transform CODEC based on the
31 Modified Discrete Cosine Transform.  The codec is structured to allow
32 addition of a hybrid wavelet filterbank in Vorbis II to offer better
33 transient response and reproduction using a transform better suited to
34 localized time events.
35
36
37 \subsubsection{Assumptions}
38
39 The Vorbis CODEC design assumes a complex, psychoacoustically-aware
40 encoder and simple, low-complexity decoder. Vorbis decode is
41 computationally simpler than mp3, although it does require more
42 working memory as Vorbis has no static probability model; the vector
43 codebooks used in the first stage of decoding from the bitstream are
44 packed in their entirety into the Vorbis bitstream headers. In
45 packed form, these codebooks occupy only a few kilobytes; the extent
46 to which they are pre-decoded into a cache is the dominant factor in
47 decoder memory usage.
48
49
50 Vorbis provides none of its own framing, synchronization or protection
51 against errors; it is solely a method of accepting input audio,
52 dividing it into individual frames and compressing these frames into
53 raw, unformatted 'packets'. The decoder then accepts these raw
54 packets in sequence, decodes them, synthesizes audio frames from
55 them, and reassembles the frames into a facsimile of the original
56 audio stream. Vorbis is a free-form variable bit rate (VBR) codec and packets have no
57 minimum size, maximum size, or fixed/expected size.  Packets
58 are designed that they may be truncated (or padded) and remain
59 decodable; this is not to be considered an error condition and is used
60 extensively in bitrate management in peeling.  Both the transport
61 mechanism and decoder must allow that a packet may be any size, or
62 end before or after packet decode expects.
63
64 Vorbis packets are thus intended to be used with a transport mechanism
65 that provides free-form framing, sync, positioning and error correction
66 in accordance with these design assumptions, such as Ogg (for file
67 transport) or RTP (for network multicast).  For purposes of a few
68 examples in this document, we will assume that Vorbis is to be
69 embedded in an Ogg stream specifically, although this is by no means a
70 requirement or fundamental assumption in the Vorbis design.
71
72 The specification for embedding Vorbis into
73 an Ogg transport stream is in \xref{vorbis:over:ogg}.
74
75
76
77 \subsubsection{Codec Setup and Probability Model}
78
79 Vorbis' heritage is as a research CODEC and its current design
80 reflects a desire to allow multiple decades of continuous encoder
81 improvement before running out of room within the codec specification.
82 For these reasons, configurable aspects of codec setup intentionally
83 lean toward the extreme of forward adaptive.
84
85 The single most controversial design decision in Vorbis (and the most
86 unusual for a Vorbis developer to keep in mind) is that the entire
87 probability model of the codec, the Huffman and VQ codebooks, is
88 packed into the bitstream header along with extensive CODEC setup
89 parameters (often several hundred fields).  This makes it impossible,
90 as it would be with MPEG audio layers, to embed a simple frame type
91 flag in each audio packet, or begin decode at any frame in the stream
92 without having previously fetched the codec setup header.
93
94
95 \begin{note}
96 Vorbis \emph{can} initiate decode at any arbitrary packet within a
97 bitstream so long as the codec has been initialized/setup with the
98 setup headers.
99 \end{note}
100
101 Thus, Vorbis headers are both required for decode to begin and
102 relatively large as bitstream headers go.  The header size is
103 unbounded, although for streaming a rule-of-thumb of 4kB or less is
104 recommended (and Xiph.Org's Vorbis encoder follows this suggestion).
105
106 Our own design work indicates the primary liability of the
107 required header is in mindshare; it is an unusual design and thus
108 causes some amount of complaint among engineers as this runs against
109 current design trends (and also points out limitations in some
110 existing software/interface designs, such as Windows' ACM codec
111 framework).  However, we find that it does not fundamentally limit
112 Vorbis' suitable application space.
113
114
115 \subsubsection{Format Specification}
116 The Vorbis format is well-defined by its decode specification; any
117 encoder that produces packets that are correctly decoded by the
118 reference Vorbis decoder described below may be considered a proper
119 Vorbis encoder.  A decoder must faithfully and completely implement
120 the specification defined below (except where noted) to be considered
121 a proper Vorbis decoder.
122
123 \subsubsection{Hardware Profile}
124 Although Vorbis decode is computationally simple, it may still run
125 into specific limitations of an embedded design.  For this reason,
126 embedded designs are allowed to deviate in limited ways from the
127 `full' decode specification yet still be certified compliant.  These
128 optional omissions are labelled in the spec where relevant.
129
130
131 \subsection{Decoder Configuration}
132
133 Decoder setup consists of configuration of multiple, self-contained
134 component abstractions that perform specific functions in the decode
135 pipeline.  Each different component instance of a specific type is
136 semantically interchangeable; decoder configuration consists both of
137 internal component configuration, as well as arrangement of specific
138 instances into a decode pipeline.  Componentry arrangement is roughly
139 as follows:
140
141 \begin{center}
142 \includegraphics[width=\textwidth]{components}
143 \captionof{figure}{decoder pipeline configuration}
144 \end{center}
145
146 \subsubsection{Global Config}
147 Global codec configuration consists of a few audio related fields
148 (sample rate, channels), Vorbis version (always '0' in Vorbis I),
149 bitrate hints, and the lists of component instances.  All other
150 configuration is in the context of specific components.
151
152 \subsubsection{Mode}
153
154 Each Vorbis frame is coded according to a master 'mode'.  A bitstream
155 may use one or many modes.
156
157 The mode mechanism is used to encode a frame according to one of
158 multiple possible methods with the intention of choosing a method best
159 suited to that frame.  Different modes are, e.g. how frame size
160 is changed from frame to frame. The mode number of a frame serves as a
161 top level configuration switch for all other specific aspects of frame
162 decode.
163
164 A 'mode' configuration consists of a frame size setting, window type
165 (always 0, the Vorbis window, in Vorbis I), transform type (always
166 type 0, the MDCT, in Vorbis I) and a mapping number.  The mapping
167 number specifies which mapping configuration instance to use for
168 low-level packet decode and synthesis.
169
170
171 \subsubsection{Mapping}
172
173 A mapping contains a channel coupling description and a list of
174 'submaps' that bundle sets of channel vectors together for grouped
175 encoding and decoding. These submaps are not references to external
176 components; the submap list is internal and specific to a mapping.
177
178 A 'submap' is a configuration/grouping that applies to a subset of
179 floor and residue vectors within a mapping.  The submap functions as a
180 last layer of indirection such that specific special floor or residue
181 settings can be applied not only to all the vectors in a given mode,
182 but also specific vectors in a specific mode.  Each submap specifies
183 the proper floor and residue instance number to use for decoding that
184 submap's spectral floor and spectral residue vectors.
185
186 As an example:
187
188 Assume a Vorbis stream that contains six channels in the standard 5.1
189 format.  The sixth channel, as is normal in 5.1, is bass only.
190 Therefore it would be wasteful to encode a full-spectrum version of it
191 as with the other channels.  The submapping mechanism can be used to
192 apply a full range floor and residue encoding to channels 0 through 4,
193 and a bass-only representation to the bass channel, thus saving space.
194 In this example, channels 0-4 belong to submap 0 (which indicates use
195 of a full-range floor) and channel 5 belongs to submap 1, which uses a
196 bass-only representation.
197
198
199 \subsubsection{Floor}
200
201 Vorbis encodes a spectral 'floor' vector for each PCM channel.  This
202 vector is a low-resolution representation of the audio spectrum for
203 the given channel in the current frame, generally used akin to a
204 whitening filter.  It is named a 'floor' because the Xiph.Org
205 reference encoder has historically used it as a unit-baseline for
206 spectral resolution.
207
208 A floor encoding may be of two types.  Floor 0 uses a packed LSP
209 representation on a dB amplitude scale and Bark frequency scale.
210 Floor 1 represents the curve as a piecewise linear interpolated
211 representation on a dB amplitude scale and linear frequency scale.
212 The two floors are semantically interchangeable in
213 encoding/decoding. However, floor type 1 provides more stable
214 inter-frame behavior, and so is the preferred choice in all
215 coupled-stereo and high bitrate modes.  Floor 1 is also considerably
216 less expensive to decode than floor 0.
217
218 Floor 0 is not to be considered deprecated, but it is of limited
219 modern use.  No known Vorbis encoder past Xiph.org's own beta 4 makes
220 use of floor 0.
221
222 The values coded/decoded by a floor are both compactly formatted and
223 make use of entropy coding to save space.  For this reason, a floor
224 configuration generally refers to multiple codebooks in the codebook
225 component list.  Entropy coding is thus provided as an abstraction,
226 and each floor instance may choose from any and all available
227 codebooks when coding/decoding.
228
229
230 \subsubsection{Residue}
231 The spectral residue is the fine structure of the audio spectrum
232 once the floor curve has been subtracted out.  In simplest terms, it
233 is coded in the bitstream using cascaded (multi-pass) vector
234 quantization according to one of three specific packing/coding
235 algorithms numbered 0 through 2.  The packing algorithm details are
236 configured by residue instance.  As with the floor components, the
237 final VQ/entropy encoding is provided by external codebook instances
238 and each residue instance may choose from any and all available
239 codebooks.
240
241 \subsubsection{Codebooks}
242
243 Codebooks are a self-contained abstraction that perform entropy
244 decoding and, optionally, use the entropy-decoded integer value as an
245 offset into an index of output value vectors, returning the indicated
246 vector of values.
247
248 The entropy coding in a Vorbis I codebook is provided by a standard
249 Huffman binary tree representation.  This tree is tightly packed using
250 one of several methods, depending on whether codeword lengths are
251 ordered or unordered, or the tree is sparse.
252
253 The codebook vector index is similarly packed according to index
254 characteristic.  Most commonly, the vector index is encoded as a
255 single list of values of possible values that are then permuted into
256 a list of n-dimensional rows (lattice VQ).
257
258
259
260 \subsection{High-level Decode Process}
261
262 \subsubsection{Decode Setup}
263
264 Before decoding can begin, a decoder must initialize using the
265 bitstream headers matching the stream to be decoded.  Vorbis uses
266 three header packets; all are required, in-order, by this
267 specification. Once set up, decode may begin at any audio packet
268 belonging to the Vorbis stream. In Vorbis I, all packets after the
269 three initial headers are audio packets.
270
271 The header packets are, in order, the identification
272 header, the comments header, and the setup header.
273
274 \paragraph{Identification Header}
275 The identification header identifies the bitstream as Vorbis, Vorbis
276 version, and the simple audio characteristics of the stream such as
277 sample rate and number of channels.
278
279 \paragraph{Comment Header}
280 The comment header includes user text comments (``tags'') and a vendor
281 string for the application/library that produced the bitstream.  The
282 encoding and proper use of the comment header is described in \xref{vorbis:spec:comment}.
283
284 \paragraph{Setup Header}
285 The setup header includes extensive CODEC setup information as well as
286 the complete VQ and Huffman codebooks needed for decode.
287
288
289 \subsubsection{Decode Procedure}
290
291 The decoding and synthesis procedure for all audio packets is
292 fundamentally the same.
293 \begin{enumerate}
294 \item decode packet type flag
295 \item decode mode number
296 \item decode window shape (long windows only)
297 \item decode floor
298 \item decode residue into residue vectors
299 \item inverse channel coupling of residue vectors
300 \item generate floor curve from decoded floor data
301 \item compute dot product of floor and residue, producing audio spectrum vector
302 \item inverse monolithic transform of audio spectrum vector, always an MDCT in Vorbis I
303 \item overlap/add left-hand output of transform with right-hand output of previous frame
304 \item store right hand-data from transform of current frame for future lapping
305 \item if not first frame, return results of overlap/add as audio result of current frame
306 \end{enumerate}
307
308 Note that clever rearrangement of the synthesis arithmetic is
309 possible; as an example, one can take advantage of symmetries in the
310 MDCT to store the right-hand transform data of a partial MDCT for a
311 50\% inter-frame buffer space savings, and then complete the transform
312 later before overlap/add with the next frame.  This optimization
313 produces entirely equivalent output and is naturally perfectly legal.
314 The decoder must be \emph{entirely mathematically equivalent} to the
315 specification, it need not be a literal semantic implementation.
316
317 \paragraph{Packet type decode}
318
319 Vorbis I uses four packet types. The first three packet types mark each
320 of the three Vorbis headers described above. The fourth packet type
321 marks an audio packet. All other packet types are reserved; packets
322 marked with a reserved type should be ignored.
323
324 Following the three header packets, all packets in a Vorbis I stream
325 are audio.  The first step of audio packet decode is to read and
326 verify the packet type; \emph{a non-audio packet when audio is expected
327 indicates stream corruption or a non-compliant stream. The decoder
328 must ignore the packet and not attempt decoding it to
329 audio}.
330
331
332
333
334 \paragraph{Mode decode}
335 Vorbis allows an encoder to set up multiple, numbered packet 'modes',
336 as described earlier, all of which may be used in a given Vorbis
337 stream. The mode is encoded as an integer used as a direct offset into
338 the mode instance index.
339
340
341 \paragraph{Window shape decode (long windows only)} \label{vorbis:spec:window}
342
343 Vorbis frames may be one of two PCM sample sizes specified during
344 codec setup.  In Vorbis I, legal frame sizes are powers of two from 64
345 to 8192 samples.  Aside from coupling, Vorbis handles channels as
346 independent vectors and these frame sizes are in samples per channel.
347
348 Vorbis uses an overlapping transform, namely the MDCT, to blend one
349 frame into the next, avoiding most inter-frame block boundary
350 artifacts.  The MDCT output of one frame is windowed according to MDCT
351 requirements, overlapped 50\% with the output of the previous frame and
352 added.  The window shape assures seamless reconstruction.
353
354 This is easy to visualize in the case of equal sized-windows:
355
356 \begin{center}
357 \includegraphics[width=\textwidth]{window1}
358 \captionof{figure}{overlap of two equal-sized windows}
359 \end{center}
360
361 And slightly more complex in the case of overlapping unequal sized
362 windows:
363
364 \begin{center}
365 \includegraphics[width=\textwidth]{window2}
366 \captionof{figure}{overlap of a long and a short window}
367 \end{center}
368
369 In the unequal-sized window case, the window shape of the long window
370 must be modified for seamless lapping as above.  It is possible to
371 correctly infer window shape to be applied to the current window from
372 knowing the sizes of the current, previous and next window.  It is
373 legal for a decoder to use this method. However, in the case of a long
374 window (short windows require no modification), Vorbis also codes two
375 flag bits to specify pre- and post- window shape.  Although not
376 strictly necessary for function, this minor redundancy allows a packet
377 to be fully decoded to the point of lapping entirely independently of
378 any other packet, allowing easier abstraction of decode layers as well
379 as allowing a greater level of easy parallelism in encode and
380 decode.
381
382 A description of valid window functions for use with an inverse MDCT
383 can be found in \cite{Sporer/Brandenburg/Edler}.  Vorbis windows
384 all use the slope function
385 \[ y = \sin(.5*\pi \, \sin^2((x+.5)/n*\pi)) . \]
386
387
388
389 \paragraph{floor decode}
390 Each floor is encoded/decoded in channel order, however each floor
391 belongs to a 'submap' that specifies which floor configuration to
392 use.  All floors are decoded before residue decode begins.
393
394
395 \paragraph{residue decode}
396
397 Although the number of residue vectors equals the number of channels,
398 channel coupling may mean that the raw residue vectors extracted
399 during decode do not map directly to specific channels.  When channel
400 coupling is in use, some vectors will correspond to coupled magnitude
401 or angle.  The coupling relationships are described in the codec setup
402 and may differ from frame to frame, due to different mode numbers.
403
404 Vorbis codes residue vectors in groups by submap; the coding is done
405 in submap order from submap 0 through n-1.  This differs from floors
406 which are coded using a configuration provided by submap number, but
407 are coded individually in channel order.
408
409
410
411 \paragraph{inverse channel coupling}
412
413 A detailed discussion of stereo in the Vorbis codec can be found in
414 the document \href{stereo.html}{Stereo Channel Coupling in the
415 Vorbis CODEC}.  Vorbis is not limited to only stereo coupling, but
416 the stereo document also gives a good overview of the generic coupling
417 mechanism.
418
419 Vorbis coupling applies to pairs of residue vectors at a time;
420 decoupling is done in-place a pair at a time in the order and using
421 the vectors specified in the current mapping configuration.  The
422 decoupling operation is the same for all pairs, converting square
423 polar representation (where one vector is magnitude and the second
424 angle) back to Cartesian representation.
425
426 After decoupling, in order, each pair of vectors on the coupling list,
427 the resulting residue vectors represent the fine spectral detail
428 of each output channel.
429
430
431
432 \paragraph{generate floor curve}
433
434 The decoder may choose to generate the floor curve at any appropriate
435 time.  It is reasonable to generate the output curve when the floor
436 data is decoded from the raw packet, or it can be generated after
437 inverse coupling and applied to the spectral residue directly,
438 combining generation and the dot product into one step and eliminating
439 some working space.
440
441 Both floor 0 and floor 1 generate a linear-range, linear-domain output
442 vector to be multiplied (dot product) by the linear-range,
443 linear-domain spectral residue.
444
445
446
447 \paragraph{compute floor/residue dot product}
448
449 This step is straightforward; for each output channel, the decoder
450 multiplies the floor curve and residue vectors element by element,
451 producing the finished audio spectrum of each channel.
452
453 % TODO/FIXME: The following two paragraphs have identical twins
454 %   in section 4 (under "dot product")
455 One point is worth mentioning about this dot product; a common mistake
456 in a fixed point implementation might be to assume that a 32 bit
457 fixed-point representation for floor and residue and direct
458 multiplication of the vectors is sufficient for acceptable spectral
459 depth in all cases because it happens to mostly work with the current
460 Xiph.Org reference encoder.
461
462 However, floor vector values can span \~{}140dB (\~{}24 bits unsigned), and
463 the audio spectrum vector should represent a minimum of 120dB (\~{}21
464 bits with sign), even when output is to a 16 bit PCM device.  For the
465 residue vector to represent full scale if the floor is nailed to
466 $-140$dB, it must be able to span 0 to $+140$dB.  For the residue vector
467 to reach full scale if the floor is nailed at 0dB, it must be able to
468 represent $-140$dB to $+0$dB.  Thus, in order to handle full range
469 dynamics, a residue vector may span $-140$dB to $+140$dB entirely within
470 spec.  A 280dB range is approximately 48 bits with sign; thus the
471 residue vector must be able to represent a 48 bit range and the dot
472 product must be able to handle an effective 48 bit times 24 bit
473 multiplication.  This range may be achieved using large (64 bit or
474 larger) integers, or implementing a movable binary point
475 representation.
476
477
478
479 \paragraph{inverse monolithic transform (MDCT)}
480
481 The audio spectrum is converted back into time domain PCM audio via an
482 inverse Modified Discrete Cosine Transform (MDCT).  A detailed
483 description of the MDCT is available in \cite{Sporer/Brandenburg/Edler}.
484
485 Note that the PCM produced directly from the MDCT is not yet finished
486 audio; it must be lapped with surrounding frames using an appropriate
487 window (such as the Vorbis window) before the MDCT can be considered
488 orthogonal.
489
490
491
492 \paragraph{overlap/add data}
493 Windowed MDCT output is overlapped and added with the right hand data
494 of the previous window such that the 3/4 point of the previous window
495 is aligned with the 1/4 point of the current window (as illustrated in
496 the window overlap diagram). At this point, the audio data between the
497 center of the previous frame and the center of the current frame is
498 now finished and ready to be returned.
499
500
501 \paragraph{cache right hand data}
502 The decoder must cache the right hand portion of the current frame to
503 be lapped with the left hand portion of the next frame.
504
505
506
507 \paragraph{return finished audio data}
508
509 The overlapped portion produced from overlapping the previous and
510 current frame data is finished data to be returned by the decoder.
511 This data spans from the center of the previous window to the center
512 of the current window.  In the case of same-sized windows, the amount
513 of data to return is one-half block consisting of and only of the
514 overlapped portions. When overlapping a short and long window, much of
515 the returned range is not actually overlap.  This does not damage
516 transform orthogonality.  Pay attention however to returning the
517 correct data range; the amount of data to be returned is:
518
519 \begin{Verbatim}[commandchars=\\\{\}]
520 window_blocksize(previous_window)/4+window_blocksize(current_window)/4
521 \end{Verbatim}
522
523 from the center of the previous window to the center of the current
524 window.
525
526 Data is not returned from the first frame; it must be used to 'prime'
527 the decode engine.  The encoder accounts for this priming when
528 calculating PCM offsets; after the first frame, the proper PCM output
529 offset is '0' (as no data has been returned yet).