4．語音編碼算法原理與應(yīng)用

?

4.1 波形編碼算法基本原理

語音編碼主要有波形編碼和參數(shù)編碼兩大類。波形編碼就是根據(jù)語音信號波形導(dǎo)出相應(yīng)的數(shù)字編碼形式。最早的波形編碼就是PCM，即ITU-T G.711A和ITU-T G.711μ，其編碼速率為64kbit/s。

圖9 自適應(yīng)量化器

PCM雖然能夠提供相當(dāng)好的語音質(zhì)量，但要占用過高的網(wǎng)絡(luò)帶寬資源。這里主要討論低速率的波形編碼算法，是利用了連續(xù)語音之間的相關(guān)性，主要采用的技術(shù)為自適應(yīng)量化器和自適應(yīng)預(yù)測器。

為了獲得僅可能大的量化信噪比，應(yīng)該對小信號采用小的量化步長，對大信號采用較大的量化步長。使量化器范圍與輸入信號的動態(tài)范圍相匹配，減小量化噪聲。這就是自適應(yīng)量化技術(shù)。自適應(yīng)量化分為兩類：前向自適應(yīng)量化和后向自適應(yīng)量化，目前常用的是后向自適應(yīng)量化。

自適應(yīng)預(yù)測的基本原理是根據(jù)語音波形的時間相關(guān)性確定預(yù)測系數(shù)，使差分信號的方差為最小，時間相關(guān)性則以自相關(guān)函數(shù)來度量，如圖9所示。

4.2 參數(shù)編碼算法基本原理

語音的種類主要有兩種：濁音和清音。聲帶周期性地打開和關(guān)閉產(chǎn)生固定頻率的聲音，這個頻率就是濁音的音調(diào)；音調(diào)頻率男性為50~250Hz，女性為100~500Hz；考慮到音頻等聲音頻率范圍，一般是0.3kHz~3.4kHz，因此8kHz的采樣頻率滿足采樣定理。從頻域上來看，幅頻頻譜的包洛有幾個明顯的局部最大值，稱為共振峰，頻譜的精細(xì)結(jié)構(gòu)呈現(xiàn)周期性。清音的頻譜沒有周期性，峰值的分布也沒有明顯的規(guī)律，整個頻譜相對比較平坦，類似于白噪聲，因而幾乎不可預(yù)測。

?

圖10 語音生成模型

參數(shù)編碼器又稱為聲碼器（Vocoder），它的原理和設(shè)計思想跟波形編碼完全不同。參數(shù)編碼根據(jù)對聲音形成機(jī)理的分析，構(gòu)造語音生成模型(如圖10)，該模型以一定精度模擬發(fā)話者的發(fā)聲聲道；接收端根據(jù)該模型還原生成發(fā)話者的因素。由于話音信號變化是緩慢的，模型參數(shù)的更新頻度較低，可以有效地降低編碼比特率。因此參數(shù)編碼在移動通信、VoIP系統(tǒng)等領(lǐng)域得以廣泛應(yīng)用。

??????????? 參數(shù)編碼器主要可分為三類：通道式、共振峰式和線性預(yù)測編碼(LPC:Linear Predictive Coding)方式。其中線性預(yù)測編碼方式的性能優(yōu)異，目前低比特率語音編碼器都采用這種技術(shù)。

4.3 編碼算法綜述及其屬性和性能評估

在VoIP系統(tǒng)中，為了充分地利用網(wǎng)絡(luò)帶寬資源，一般均采用語音壓縮編碼。語音編碼的主要屬性有比特率、時延、復(fù)雜度和語音質(zhì)量四項。在具體的實現(xiàn)中，這些屬性往往相互沖突，在實際應(yīng)用中，應(yīng)該是對各項屬性的折衷，確定合適的編碼。

?

算法綜述：

降低比特率是往往是語音編碼的首要目標(biāo)，采用的壓縮編碼的主要目的就是充分利用網(wǎng)絡(luò)資源。一般來說，編碼的比特率越低，算法的復(fù)雜度就越高，編碼的處理時延也會越長，并降低語音質(zhì)量。

目前，話音和圖像壓縮技術(shù)發(fā)展十分迅速，已經(jīng)研究開發(fā)出很多高效率的壓縮編碼技術(shù)。如先進(jìn)的以碼本激勵線性預(yù)測(CELP)原理為基礎(chǔ)的G.729、G.723(G.723.1)話音壓縮編碼技術(shù)。常用的ITU-T G.729算法和ITU-T G.723.1算法的編碼速率分別為8kbit/s和5.3或6.3kbit/s。以G.729為例，它可將經(jīng)過采樣的64kb/s話音以幾乎不失真的質(zhì)量壓縮至8kb/s。話音壓縮編碼技術(shù)是IP電話技術(shù)的一個重要組成部分。圖像編碼方面有IP網(wǎng)絡(luò)會議系統(tǒng)采用的H.261(活動圖像編碼)和H.263(低速率活動圖像編碼)。傳真編碼方面則有T.38。

?

近年來，出現(xiàn)了一些可變比特率的技術(shù)，主要有兩個算法。

活動語音檢測(VAD: Voice Activity Detection)：主要用于檢測輸入信號是話音還是背景噪音。

舒適噪聲生成(CNG: Comfortable Noise Generation)：主要用于接收方重建背景噪聲。

根據(jù)統(tǒng)計，雙方通話的過程中，每一方真正講話的時間約為40%，即約有50％為聆聽對方講話的靜默時間，10％為講話時短暫停頓的靜默時間。靜音檢測技術(shù)可以有效剔除靜默信號，從而使話音信號占用的帶寬要求進(jìn)一步降低到3.5kb/s左右，一個很自然的想法就是：通過利用VAD技術(shù)，在講話時，媒體流正常發(fā)送，在沒講話時，不向?qū)Ψ桨l(fā)送媒體流，為了不使得對方產(chǎn)生斷線的錯覺，在對方產(chǎn)生舒適噪聲。這種算法實現(xiàn)地不當(dāng)，就會丟掉部分語音，如句子的開始。一個好的算法應(yīng)該保證：丟掉的語音小于64毫秒，而且丟掉的語音小于0.2%。

?

本文來自CSDN博客，轉(zhuǎn)載請標(biāo)明出處：http://blog.csdn.net/jaxkxu/archive/2010/08/16/5815849.aspx

總結(jié)

以上是生活随笔為你收集整理的VoIP技术(2)--语音编码算法-1的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。