디지털 노이즈 생성기의 작동 원리

기초: 의사 난수 생성

WhiteNoise.top에서 노이즈 엔진을 구축하는 작업에서, 수학적 무작위성을 설득력 있는 오디오로 변환하는 파이프라인을 최적화하는 데 수백 시간을 보냈습니다. 모든 디지털 노이즈 생성기는 같은 근본적 구성 요소에서 시작합니다: 의사 난수 생성기(PRNG). PRNG는 통계적 테스트에 따라 무작위로 보이는 결정론적 숫자 시퀀스를 생성하는 알고리즘입니다. 하드웨어 엔트로피 소스에서의 진정한 무작위성은 실시간 오디오에 너무 느리고 예측 불가능하므로, PRNG가 모든 디지털 노이즈 생성의 실용적 기반을 제공합니다.

오디오 작업에 적합한 가장 기본적인 PRNG는 선형 합동 생성기(LCG)로, 이전 값의 선형 함수로 각 값을 큰 상수에 대한 나머지 연산을 사용하여 계산합니다. 빠르지만 LCG에는 알려진 약점이 있습니다: 연속 샘플 간의 상관 관계가 노이즈 신호에서 가청 아티팩트를 생성할 수 있습니다. 초기 프로토타입에서 간단한 LCG를 사용했고, 고품질 헤드폰을 통해 들을 때 출력에서 희미한 주기적 패턴을 들을 수 있었습니다. 이 패턴은 FFT 분석에서 좁은 스펙트럼 피크로 나타나, PRNG의 통계적 약점이 오디오 도메인에 누출되고 있음을 확인했습니다.

프로덕션 품질의 노이즈를 위해 대부분의 JavaScript 엔진이 Math.random()에 내부적으로 사용하는 PRNG인 xorshift128+ 알고리즘으로 전환했습니다. 2의 128승 빼기 1의 주기, 우수한 통계적 특성, 무시할 수 있는 계산 비용을 가집니다. 출력에 TestU01 무작위성 테스트 배터리를 실행하면 SmallCrush 및 Crush 스위트를 모두 통과합니다. 결과는 가청 아티팩트가 없는 노이즈 신호이며, 가청 범위 전체에서 0.3dB 이내로 검증된 평탄한 스펙트럼을 가집니다.

난수에서 오디오 샘플로

PRNG는 숫자를 생성하지만, 오디오 시스템은 특정 진폭과 표본화 속도의 파형 샘플이 필요합니다. 변환 과정에는 스케일링, 분포 조형, 버퍼 관리가 포함됩니다. 구현에서 PRNG는 부호 없는 32비트 정수를 출력하며, 이를 -1에서 1 범위의 부동 소수점 값으로 정규화합니다. 이것은 Web Audio API와 대부분의 다른 오디오 프레임워크에서 디지털 오디오의 표준 진폭 범위입니다.

랜덤 값의 분포는 노이즈의 특성에 영향을 미칩니다. 범위의 모든 값이 동일하게 가능한 균일 분포는 아날로그 회로의 열 노이즈를 특성화하는 가우시안 분포와 약간 다른 진폭 분포를 가진 노이즈를 생성합니다. 실제로 차이는 미묘합니다: 균일 화이트 노이즈의 크레스트 팩터는 약 4.8dB이고, 가우시안 화이트 노이즈의 크레스트 팩터는 이론적으로 무한하지만 실제로는 일반적인 버퍼 길이에서 약 12dB입니다. 대부분의 응용에서 균일 분포는 완벽하게 수용 가능하고 계산적으로 더 간단합니다.

요구되는 응용을 위해 가우시안 분포 노이즈가 필요할 때, Box-Muller 변환을 사용합니다. 이는 균일 분포 랜덤 숫자 쌍을 가우시안 분포 값 쌍으로 변환합니다. 계산 오버헤드는 적당하여 샘플당 비용을 대략 두 배로 하지만, 결과는 아날로그 노이즈 소스의 진폭 통계와 더 밀접하게 일치하는 노이즈 신호입니다. 청취 테스트에서 균일 화이트 노이즈와 가우시안 화이트 노이즈의 차이는 거의 들을 수 없지만, 가우시안 변형은 진폭 통계가 중요한 특정 신호 처리 응용에서 더 나은 성능을 보입니다.

스펙트럼 조형: 화이트를 색상으로 변환

화이트 노이즈는 다른 모든 노이즈 색상이 만들어지는 원재료입니다. 변환은 디지털 필터링, 즉 화이트 노이즈 스펙트럼에 주파수 의존적 이득 곡선을 적용하여 달성됩니다. 노이즈 엔진에서 IIR(무한 임펄스 응답)과 FIR(유한 임펄스 응답) 필터 모두를 사용하여 스펙트럼 조형을 구현하며, 각각 뚜렷한 장점이 있습니다.

핑크 노이즈(옥타브당 -3데시벨 기울기)에는 Voss-McCartney 알고리즘을 주요 방법으로 사용합니다. 이 알고리즘은 다른 속도로 업데이트되는 여러 독립적인 난수 생성기를 유지합니다: 하나는 매 샘플마다, 하나는 두 샘플마다, 하나는 네 샘플마다 등입니다. 출력을 합산하여 이상적인 핑크 노이즈 기울기를 근사하는 스펙트럼을 가진 신호를 생성합니다. 구현에서 16개의 옥타브 레이어를 사용하여 1Hz 이하에서 20kHz 이상까지 정확한 스펙트럼 조형을 제공합니다. 이상적 기울기 대비 오차는 가청 범위 전체에서 0.5dB 미만입니다.

브라운 노이즈(옥타브당 -6데시벨 기울기)에는 간단한 적분을 사용합니다: 각 출력 샘플은 이전 출력과 작은 계수로 스케일링된 새 화이트 노이즈 샘플의 합입니다. 수학적으로 이것은 단위원에서 1에 매우 가까운 극을 가진 1차 IIR 저역 통과 필터입니다. 이 접근 방식의 도전은 DC 드리프트입니다: 누적 합이 시간이 지남에 따라 0에서 멀어져 결국 클리핑 임계값을 초과할 수 있습니다. 5Hz에서 매우 부드러운 1차 고역 통과 필터를 추가하여 20Hz 이상의 스펙트럼에 가청 영향 없이 드리프트를 제한합니다.

고급 사용자가 요청하는 맞춤 스펙트럼 형태에는 캐스케이드된 2차 바이쿼드 필터 섹션으로 구성된 파라메트릭 이퀄라이저를 사용합니다. 각 섹션은 사용자가 조정 가능한 주파수, 이득, 대역폭 매개변수를 가진 표준 필터 유형(피크, 로우 셸프, 하이 셸프, 또는 노치)을 구현합니다. 4~6개의 섹션을 체이닝하면, 부드러운 기울기에서 복잡한 다중 대역 윤곽까지 사용자가 원할 수 있는 거의 모든 부드러운 스펙트럼 형태를 근사할 수 있습니다.

Web Audio API를 사용한 실시간 생성

모든 현대 브라우저에서 사용 가능한 Web Audio API는 서버 측 처리 없이 실시간으로 노이즈를 생성하고 재생하기 위한 인프라를 제공합니다. WhiteNoise.top의 구현에서 세 가지 주요 Web Audio API 구성 요소를 사용합니다: AudioContext, ScriptProcessorNode(또는 현대적 대체인 AudioWorkletNode), BiquadFilterNode.

AudioWorkletNode가 핵심 생성이 이루어지는 곳입니다. 메인 브라우저 스레드와 별도의 스레드에서 실행되는 맞춤 AudioWorkletProcessor를 등록하여, UI 상호작용이 오디오 글리치를 유발하지 않도록 합니다. 프로세서의 process() 메서드는 출력 버퍼와 함께 반복적으로 호출되며, 일반적으로 44.1kHz에서 호출당 128개 샘플입니다. 이 메서드 내부에서 PRNG를 사용하여 화이트 노이즈 샘플을 생성하고, 스펙트럼 조형을 적용하며, 결과를 출력 버퍼에 씁니다. 전체 파이프라인은 현대 하드웨어에서 버퍼당 약 0.01밀리초로 실행되며, 글리치 없는 재생을 위한 약 3밀리초 기한 내에 충분합니다.

버퍼 관리는 가청 아티팩트를 방지하는 데 중요합니다. 프로세서가 버퍼를 제시간에 채우지 못하면 오디오 출력이 언더런되어 클릭이나 팝이 생성됩니다. 스트레스 테스트에서 무거운 DOM 조작이나 대규모 JSON 파싱과 같은 메인 스레드에 계산 부하를 추가하여 시스템을 밀어붙이고, 오디오 워클릿 스레드가 제시간에 버퍼를 계속 전달하는지 확인합니다. AudioWorklet API가 제공하는 스레드 격리가 이 견고함에 필수적입니다. 이전의 ScriptProcessorNode는 메인 스레드에서 실행되었으며 무거운 JavaScript 실행 중 글리치에 취약했습니다.

또한 원하는 필터가 표준 유형일 때 스펙트럼 조형을 위해 Web Audio API의 내장 BiquadFilterNode를 사용합니다. 이 노드들은 최적화된 네이티브 코드로 구현되어 동등한 JavaScript 구현보다 상당히 빠릅니다. 더 간단한 설정에서의 핑크 노이즈 생성을 위해 신중하게 선택된 주파수와 Q 팩터로 구성된 여러 BiquadFilterNode를 저역 통과 필터로 캐스케이드하여 이상적인 옥타브당 -3데시벨 기울기를 근사합니다.

최적화 및 실용적 고려사항

성능 최적화는 실시간 오디오 생성에서 지속적인 관심사입니다. 개발 과정에서 품질을 희생하지 않으면서 효율을 극대화하기 위한 여러 기법을 구현했습니다. 첫 번째는 사전 계산입니다: 동적으로 변하지 않는 노이즈 색상의 경우, 초기화 중에 대규모 노이즈 버퍼(일반적으로 44.1kHz에서 10초, 또는 441,000개 샘플)를 생성하고 재생 중에 루프합니다. 루프가 들리는 것을 방지하기 위해 루프 경계에서 크로스페이드를 사용하여 버퍼의 마지막 4,096개 샘플을 레이즈드 코사인 윈도우를 사용하여 처음 4,096개 샘플과 블렌딩합니다. 결과 루프는 지각적으로 매끄럽습니다.

두 번째 최적화는 JavaScript 내의 SIMD 스타일 처리입니다. JavaScript는 AudioWorklet 맥락에서 명시적 SIMD 명령을 제공하지 않지만, 내부 루프를 4개씩 그룹으로 샘플을 처리하도록 구조화하여 JavaScript 엔진의 JIT 컴파일러가 자동 벡터화를 적용할 수 있게 합니다. 벤치마크에서 이 접근 방식은 브라우저 엔진에 따라 한 번에 하나의 샘플을 처리하는 것에 비해 15~25%의 속도 향상을 제공합니다.

세 번째 고려사항은 메모리 관리입니다. 오디오 처리 중 메모리를 할당하고 해제하면 가비지 컬렉션 일시 정지가 발생하여 가청 글리치를 유발할 수 있습니다. 초기화 중에 모든 버퍼를 사전 할당하고 세션 전반에 걸쳐 재사용합니다. process() 메서드 내부에서 객체가 생성되지 않으며, 모든 중간 값은 사전 할당된 타입 배열에 저장됩니다. 이 규율은 GC 관련 오디오 아티팩트를 완전히 제거합니다.

전력 소비는 특히 모바일 기기에서 또 다른 실용적 관심사입니다. 스마트폰에서의 테스트에서 간단한 노이즈 생성기의 CPU 부하는 무시할 수 있으며, 일반적으로 1% 미만입니다. 그러나 오디오 출력을 활성 상태로 유지하면 기기가 딥 슬립 상태로 들어가는 것을 방지하여 장시간 세션에서 배터리를 소모할 수 있습니다. 사용자 지정 시간 후 생성기를 중지하는 타이머 기능과 브라우저 탭이 포그라운드에 없을 때 생성을 일시 정지하는 Page Visibility API를 사용하여 이를 완화합니다.

생성기 출력 품질 검증

노이즈 생성기는 출력 품질에 달려 있으며, 품질은 객관적인 측정을 통해 검증되어야 합니다. 품질 보증 과정에서 사용자에게 배포하기 전에 모든 생성기 설정을 자동화된 테스트 스위트를 통해 실행합니다. 첫 번째 테스트는 스펙트럼 평탄도입니다: 60초 화이트 노이즈 샘플을 캡처하고, 평균 FFT 크기를 계산하며, 어떤 주파수 빈도 평균에서 1dB 이상 편차가 없는지 확인합니다. 조형된 노이즈의 경우, 측정된 스펙트럼을 목표 곡선과 비교하고 편차가 0.5dB 미만인지 확인합니다.

두 번째 테스트는 진폭 분포입니다. 샘플 값의 히스토그램을 계산하고 Kolmogorov-Smirnov 테스트를 사용하여 균일이든 가우시안이든 예상 분포와 비교합니다. 0.05 이상의 p-값은 분포가 95% 신뢰 수준에서 예상 형태와 일치함을 나타냅니다.

세 번째 테스트는 주기성 감지입니다. 10초 샘플의 자기상관 함수를 계산하고 0이 아닌 어떤 지연도 해당 길이의 랜덤 프로세스에 대한 이론적 최대를 초과하는 상관 계수를 가지지 않는지 확인합니다. PRNG의 주기적 패턴은 들리지 않더라도 자기상관 함수에서 피크로 나타나며, 신호 처리 응용에서 문제를 일으킬 수 있는 생성기의 결함을 나타냅니다.

마지막으로, 헤드폰을 사용한 주관적 청취 테스트를 수행하여 클릭, 팝, 음조 아티팩트, 장시간 재생에 걸친 수준이나 음색의 변동을 확인합니다. 자동화된 테스트가 대부분의 문제를 잡지만, 인간의 귀는 오디오 품질의 궁극적인 판단자로 남으며, 플랫폼에 게시하기 전에 모든 생성기 변형을 개인적으로 듣는 것을 원칙으로 합니다.