（信号与信息处理专业论文）高速率数字语音混合算法的研究与实现.pdf

摘要 i 信息社会中，人们对获取信息的数量和质量的要求不断的 提高。网络的迅猛发展使其日益成为人们获取信息，相互交流 的重要手段。综合了声音、图像和数据等多种传输媒体的多媒 体通信系统，充分利用人的各种感官，实现最生动、最直接、 最有效的信息交流。 作为国家计委“九五”科技攻关项目“可视化通信平台的 研制与实施”的一个重要组成部分。j 本文工作主要集中于多媒 体通信系统中语音混合算法的研究与实现。 本文的工作主要体现在如下几个方面： 第一、对语音混合算法进行了研究，尤其是对高速率 语音混合算法进行了深入的研究，分析了线性叠加算法存在的 一些问题，对改进的结果从时域和频域的角度，对单一频率混 合，语音混合的仿真结果做了分析，得出了较为客观的结论。 在此基础上完善并实现了高速率语音编码样点交织混合算法。 附混合的结果和线性叠加混合的仿真结果做了时域和频域的 分析和比较，从波形分析和主观感觉上得到的结果都证明了这 一算法的优越性。一一 第二、在软件仿真的基础上，独立开发了语音混合的 硬件板卡。利用“硬件软化”的设计模式，和“模块化”的设 计方法，采用先进的e p l d 技术实现了算法和各种控制。共 完成了l5 个功能模块的设计。系统具有很高的可扩展性和可 重用性o ) - “， 第三、在此基础上开发了基于w i n d o w s 9 x 的软件， 包括虚拟设备驱动程序( v x d ) 和接口程序。使主机能够在 w i n d o w s 9 x 环境下和硬件板卡进行数据通信。 a b s t r a c t i ni n f o r m a t i o ns o c i e t y ，p e o p l em o r ea n dm o r ea s p i r e l a r g e a m o u n to fh i g hq u a l i t yi n f o r m a t i o n f o l l o w i n gt h e r a p i dd e v e l o p m e n to fn e t w o r k ，p e o p l em o r ea n dm o r eu s e n e t w or kt o g e t i n f o r m a t i o na n dc o m m u n i c a t ew i t he a c h o t h e r t h es y s t e mo fm u l t i m e d i ac o m m u i l i c a t i o ni n t e g r a t e m a n y tr a n s m iss i o nm e d i u ms u c ha sv o i c e ，i m a g e ，d a t aa n d s oo n i t i m p l e m e n tt h em o s t v i v i d ，d i r e c ta n de f f i c i e n t i n f or m a t i o ne x c h a n g eb ym a k i n gf u l lu s eo ft h es e n s eo f m a n k i n d a sa n i m p o r t a n t p a r t o f “t h er e s e a r c ha n dt h e i m p l e m e n t a t i o n o ft h ev is h a l i z e dt e l e c o m m a n i c a t i o n p l a t f o r m ”，w h i c h isak e yp r o je c to fn a t i o n a lp l a n n i n g c o m m i t t e ei nt h e9 t hf i v e y e a rp l a n ，m yw o r kisf o c u s e do n t h er e s e a r c ha n di m p l e m e n t a t i o n0 ft h ea u d i om i x i n gi nt h e s y s t e mo fm u l t i m e d i ac o m m u n i c a t i o n w h a tih a v ed o n ea r ef o c u s e do nt h r e ea s p e c t s ： 1 ih a v e d o n es o m er e s e a r c ho nt h ea r i t h m e t i co fa u d i o m i x i n g e s p e c i a l l yd o i n g r e s e a r c ho nt h ea u d i o m i x i n go fh i g h r a t ev o i c e ，ia n a l y z e dt h ee x is t i n g p r o b l e mo fu s i n gt h el i n e a ra c c u m u l a t i o na l g o r i t h m t o m i x i n g a u d i o s i g n a l f u r t h e r m o r ed o i n gs o m e i m p r o v e m e n ti nt h e a l g o r i t h m ，ia n a l y z e d a n d c o m p a r e d t h es i m u l a t i o nr e s u l tf r o m f r e q u e n c y f i e l da n dt i m ef i e l d ，a n d g e t s o m e w h a to b je c t i v e c o n c l u s i o n s b a s i n g t h ew o r kd o n eb e f o r e ，i p u t f or w a r dt h e a l g o r i t h m o f s a m p l ei n t e r l e a v i n g t h r o u g hc o m p a r i n ga n da n a l y z i n gt h e s i m u l a t i o n r e s u l tw i t ht h er e s u l to fu s i n gl i n e a ra c c u m u l a t i o n a l g o r i t h m f r o m f r e q u e n c y f i e l da n dt i m e f i e l d ，i p r o v e dt h es u p e r i or i t y o ft h ea l g o r i t h mo fs a m p l e i l i n t e r l e a v i n gf r o mw a v e f o r ma n ds u b ie c t i v es e n s e 2 b a s i n g o nt h es i m u l a t i o no f s o f t w a r e ， i i n d e p e n d e n t l yd e v e i o p e dt h eh a r d w a r ep 1 a t f o r mo f a u d i om i x i n g b e c a u s eo fa p p l y i n gt h et e c h n o l o g y o fe p l d ，m ys y s t e mh a s h i g hp e r f o r m a n c ei nt h e a b i l i t yo fe x t e n s i o na n dr e u s e 3 f orf u r t h eru s ed e v e l o p m e n t ，i d e s i g n e d s o f t w a r e p l a t f o r mb a s e do nw i n d o w s9 x s o f t w a r e p l a t f o r m i n c l u d esd r i v e t ( v x d ) a n di n t er f a c es o f t w a r e i t m a k et h eh os tc a nc o n t r 0 1a n d e x c h a n g et h e d a t a w i t ht h ec i r e u i tb o a r d i i i 北方交通大学硕士学位论文 第一章概述 1 i 研究语声混合的意义 语言是人类为了相互了解、统一意志、协调行动，进行社会生产、 生活而创造的一套音义结合的符号系统，是人类特有的、具有多种功 能的交际工具，是人类区别于其他动物的一个根本特征。它不仅具有 交际的功能、思维的功能，还具有传递信息、表达思想和认识世界的 功能 i 。在人们的日常生活中，有大量的信息是以语言的形式传播的。 语言是人们交流思想、传播信息的一种最为直接、有效、方便、快捷 的方式。 今天，在这个高度发达的信息社会中，用数字化的方法进行语声 信号的存储、传送、识别、合成和增强等处理，是整个数字化通信网 的最重要的组成部分之一，数字化的语声信号在各种网络的流量中占 有相当大的比重，并且还在不断增加。尤其是在多媒体通信系统中， 语声信息作为最主要的信息载体，占有极其重要的地位，不包含语声 信息的多媒体通信是不可想象的。 随着网络应用的普及和网络技术的发展，各种各样的信息网络为 人们的日常生活和学习、工作提供了数不清的便利条件，对整个社会 的牛产、牛活产生了巨大的影。近年来基于i p 网络的多媒体通信的需 求也在急速膨胀，基于l p 的多媒体通信的应用得到了蓬勃的发展。使 得人们对网络通信的依赖性越来越强。多媒体会议作为网络通信的一 种重要形式，以其实时、高效、直观、方便的特点，受到人们越来越 多的重视，得到了迅速的普及和发展。在多媒体会议中，要求参与通 信的各方，必须实时、高效、方便、舒适地进行语言交流。要做到这 一点，一方面要有优质高效的语声信号压缩技术，以尽可能少的传输 带宽，传递音质优美的语声信号；另一方面，还必须有切实可行的语 声混合技术，使得远在不同城市，甚至是不同国家的参与通信的各方， 都能够身临其境地进行实时的语言交流。这就对语声混合技术，提出 1 北方交通大学硕十学位论文 了更高的要求。没有语音混合的功能就不能叫作真正的多媒体会议。 而对于目前发展的网络多媒体的应用，语音混合技术还远远不能达到 人们的要求，这要求我们对语音混合技术做更加深入的研究，提出实 际可行的解决方案，满足人们日益提高的对语音质量的要求。 1 2 语声混合的现状和难点 目前广泛使用的语音信号编码标准主要分为波形编码和参数编 码。应用较广的语声混合算法，主要有“线性叠加”和“选大”两大 类。 “选大”算法是将需要混合的几路语声信号按帧进行能量比较。 ( 不同格式的信号，其帧的定义不同。) 然后，根据比较的结果，将能 量最大的一路信号从中选择出来，作为混合后的输出信号。“线性叠加” 则是将输入的几路语声信号按样点的幅值求和，从而获得混合的效果。 在标准速率( 指i t u t 建议g 7 1 1 规定的6 4 k b s p c m 格式( 下同) ) 的语声通信中，这两种算法以其延时小、复杂度低和方便实用的优点， 得到了广泛的应用。目前，这两种算法都有专用的集成电路( a s i c ) 芯片可供选用。如m o t o r o l a 公司的m c l 4 5 6 1 1 ( “选大”电路) 和m i t e l 公司的m t 8 9 2 4 ( “线性叠加”电路) 。然而，实验表明，现有的a s i c 芯 片的输出音质仍有一些不理想的地方，其性能有待于进一步改进。 在“选大”算法中，由于每个时刻只有一路输入信号被选中，故 输出信号的幅值不会溢出，信噪比也不会因为噪声的叠加而降低，输 出信号的音质是有保证的。因此，马金明硕士在“选大”算法的基础 上，提出了一种新的低速率语音混合的方案，利用压缩语音帧结构中 有关增益信息，直接判断各路语音能量的大小，逐帧的进行比较来选 大来实现语音混合。然而，由于“选大”算法采取了“非此即彼”的 判决方法，如果输入话路中有多于一路的语声信号同时处于活动状态 ( 即正在讲话) ，该算法就会造成“卡音”，即声音被“剪头去尾”。 王黎炜硕士在此基础上做了改进，他基于对电话谈话的有声期和无声 期的统计结果，即每个人的讲话时间只占整个通话时间的4 2 左右 2 ：而且，谈话过程中的自然礼让现象还会使上述的比例进一步降低 2 北方交通大学硕士学位论文 的这一事实。在“选大”算法中引入了v a d ( 声音活性检测) 技术。他 的方案不是进行逐帧的比较来选大，而是在进行语音混合时，首先利 用 c a d 算法判断是否只有一路语音激活。如果只有一路语音激活，直接 将激活的话路选择出来，如果激活的语音多于一路，则利用基于激励 序列能量比较的“选大”算法，进行进一步的选择。此外，还可以利 用v a d 半4 j 决当前激活话路是否已经讲话完毕。在实际应用中，两个以上 话路同时激活的概率不是很大，从而这种方案在一定程度上降低了“卡 音”现象的发生。但是“卡音”现象是“选大”算法本身的缺陷造成 的，不从根本上改变算法，就无法完全解决“卡音”问题。 “线性叠加”算法用样值相加的方法实现语声信号的线性叠加。 它包括了所有的输入信号的信息，故不存在“卡音”问题，能够保证 输入信号的完整，从而提供较好的舒适度和自然度。但是，它同样有 自身的问题，由于几路信号叠加后的信号动态范围有较大幅度的增加， 有可能因为信号幅值溢出，而造成声音失真。而且混合的路数越多溢 出的几率越大。m t 8 9 2 4 芯片设置了一个专用输出端，用以反映信号的 溢出现象。根据其状态，用户可以判断混合电路有无溢出，从而适当 的调整输入信号的增益，控制溢出。然而，这使得外围电路过于复杂， 影响了该算法的实际应用。另外，在集中管理的通信系统中，语声混 合电路需要具有“多入多出”的功能，即通过对输入的n 路语声信号进 行有选择的混合，获得n 路输出信号。而m t 8 9 2 4 只能提供“四入一出” 的功能，这也限制了它的应用。线性叠加算法的一个无法避免的问题 是它会将会带来n 路的噪声叠加。无论应用于标准速率的语音信号，还 是低速率语音信号，线性叠加算法都存在着噪声累加问题。由于每个 话路中除了语音信号之外，不可避免的还会存在背景噪声信号。而且 每个话路中语声激活的时间相对较少，( 只有总的通话时间的三分之 一左右，) 线性叠加算法输出的混合信号的能量很大程度上是累加的噪 声，这使得混合语声输出信号的信噪比远远低于输入信号。如果几路 语声不是在背景安静的情况下，尤其当n 的数量较大时，混合的效果令 人无法接受。这也大大限制了线性叠加算法的应用范围。 相对于标准速率的语声信号来说，在低速率语声通信中，语声混 合算法的延迟是影响通话质量的一个主要指标。目前，在低速率语声 通信中采用的语声混合算法主要是二次编解码算法。也就是首先将输 入的各路语声解码，恢复到压缩以前的状态，进行线性叠加和自适应 3 北方交通火学硕士学位论文 增益调整。叠加后的信号经过第二次压缩编码，降低比特率，然后， 再传输出去。 由于低速率语声编码算法复杂度高、延迟大，二次编解码的过程， 使得语声信号的单向系统延迟增加了一倍以上，降低了语声信号的实 时性，对语声质量有较为严重的影响。因而，妨碍了低速率语声编码 算法的推广应用。以i t u t 最新颁布的语声压缩标准g 7 2 3 1 声码器为 例，其算法延迟为3 7 5 m s ，经过“桥接”后，单向系统延迟将远大于 7 5 m s ，如此高的延迟，对音质和舒适度的影响是很严重的。即使是算法 延迟相对较小的g 7 2 9 和g 7 2 9 a 语声编码器，二次编解码对其音质的 影响也是很明显的。 另外，现有的低速率声码器的算法复杂度均在1 0 m i p s 以上。以性 能较好的d s p 芯片为参考，g 7 2 9 的复杂度为2 0 t i p s ，g 7 2 9 a 为 1 0 5 m i p s ，g 7 2 3 1 的高速率版本为1 4 6 m i p s ，低速率版本为1 6 m i p s 。 在采用二次编解码的“多入多出”混合方案中，( 假设输出语声为n 路，) 由于各个输出话路的内容是互不相同的，混合电路的复杂度将高于单 个声码器的n 倍。这对d s p 芯片的运算速度提出了很高的要求。 综上所述，线性叠加算法如果应用于标准速率语声信号的混合， 需要考虑幅值溢出和噪声叠加问题。如果应用于低速率语声信号的混 合，则必须采取二次编解码算法。然而，二次编解码算法显然不是低 速率语声混合的最佳方案。由此可见“选大”和“线性叠加”这两种 算法都存在自身无法克服的缺陷，尽管在算法上的一些改进可以在某 些情况下不同程度的克服这些缺陷，但都是治标不治本的。需要有更 新的算法来解决这些问题。 1 3 论文的工作和结构 1 3 1 论文工作的介绍 针对如上所述的语音混合中的一些难点问题，笔者在前人的基础上 做了进一步的研究，对“线性叠加”算法提出了一些改进方案，并对 高速率的语音混合实现了一种新的算法“样点交织算法”。 1 、对“线性叠加”算法的溢出问题提出的几种改进方案 4 北方交通大学硕士学位论文 笔者在对大量语音波形观察的基础上，提出了几种对溢出的改进方 案，并通过c 语言的仿真得到了相应的波形文件，通过对波形文件的 时域和频域的波形分析了各种改进的效果。 2 、实现了基于“样点交织算法”的语音混合的平台 笔者在硬件方面的主要工作是利用e p l d 技术完成了对“样点交织 算法”的实现和对外围电路的控制。e p l d 技术是硬件软化思想的一个 具体的体现，是目前最为先进数字电路设计技术之一，是现代电路的 设计发展的趋势，它可以将以前需要很多逻辑器件才能完成的工作集 成到一块芯片中完成，该技术的使用克服了分离电子元件设计繁琐， 修改、优化不方便，占用面积大，调试必需全部要在电路板上完成等 缺点，缩短了丌发的周期，提高了资源的利用率，容易完成逻辑优化 和系统升级。 笔者在e p l d 设计方面做了大量的工作，整个论文工作的最大的工 作量也在于此。一共实现了1 5 个功能模块的设计，每个模块及模块内 部的子模块都做了时序的仿真，不仅为本系统的进一步优化和升级提 供了坚实的基础。其中一些通用的模块的设计也为他人在e p l d 的设计 提供了非常丰富的可利用的资源。 设计中采用了图形方式和v h d l 语言来实现各种功能，兼顾了系统 的灵活性、实现功能的效率，资源利用的效率以及可扩展性。在设计 过程中对工程的思想有了进一步的认识，在后期的设计中注意了模块 的通用性和可重用性。 此外，笔者还设计了外围的电路，实现了a d 、d a 、低通滤波器、 r a m 、f i f o 以及和i s a 总线的接口，和网关接口卡的接口的设计。外围 电路的控制信号和时钟信号都来自e p l d ，外围电路的状态信号送入 e p l d 进行相应的处理和响应。主机对板卡的控制通过i s a 总线写入 e p l d 控制和标志信息。 总的说来，系统所能实现的主要功能有： 提供了两种本地输入接口：线路输入接口和麦克风输入接口。 麦克风输入的语音信号的前置放大。 语音信号的a d 、d a 转换。 和网关接口卡的输入输出接口。 2 8 路的可设话路数的语言信号的混合。 本地的语音信号的自环测试( 包括通过e p l d 的自环和在e p l d 外部的自环) 。 本地语音信号的录音。 主机语声文件的播放。 5 北方交通大学硕士学位论文 提供数据传输方式( 中断方式和d m a 方式) 的选择。 在软件方面的工作包括：驱动程序和接口软件。 我们设计的这个硬件平台要工作在w j n d o w s 9 x 下，而w i n d o w s 环境 下是不允许应用程序直接对硬件进行操作的，因此必需开发w i n d o w s 9 x 下驱动程序v x d ( v i r t u a lxd r i v e r ，虚拟设备驱动) 。由于m j c r o s o f t 公司对底层代码的保密，导致了关于设备驱动开发的资料相当少，笔 者在开发中花费了很大的周折。这部分工作的重点和难点是对 w i n d o w s 9 x 底层操作系统的深入了解，尤其是r i n 9 3 和r i n g o 之间的通 信机制。另外，进行调试的工作也很繁重。 1 3 2 论文的结构 本论文的结构安排如下： 第一章，对论文研究的课题的概述。简要论述了语音研究混合 的意义，以及语音混合的现状和难点。对本文所做的工作 做了简要的介绍。 第二章，会议电视中的相关的语音编码的规范。这部分对会议 电视中常用的几种语音编码规范做了简要的介绍。包括低 速率的g 7 2 3 1 ，g 7 2 9 ，和高速率的g 7 1 1 。这部分的原 理是后面对混合算法研究的理论基础。 第三章，语音混合算法的研究。这一章中论述了低速率和高速 率语音混合的几种算法，尤其对高速率的语音混合中传统 的线性叠加算法做了详细的论述，对线性叠加算法中控制 溢出的几种改进方法的做了时域和频域的分析得出了较为 客观的评价。 第四章，样点交织算法的研究。针对上一章中的线性叠加算法 的缺陷提出了样点交织算法。论述了样点交织算法的基本 原理。对采用样点交织算法的语音混合的仿真结果和采用 线性叠加算法的语音混合的仿真结果进行了比较，从结果 的分析中看出了样点交织算法的优越性和本文研究的课题 的意义。 6 ! ! 查銮望查兰堕主兰丝笙壅 第五章，基于样点交织混合算法的高速率语音混合平台的硬件 设计。这部分主要讲述了笔者设计的高速率语音混合平台 的框架结构，系统操作的时序流程，几个重要和复杂的模 块的设计，以及调试的步骤和方法。这部分是笔者工作的 重点。 第六章，语音混合软件的实现。这部分主要论述了虚拟设备驱 动程序的原理、w i n d o w s 对硬件的的管理机制和工作原理、 驱动和接口程序的开发。其中w i n d o w s 对硬件的管理、应 用程序和驱动程序之间的通信是难点。 第七章，进一步的工作及展望。针对目前工作做到的程度提出 下一步的改进和优化和系统进一步升级的方案和设想。 7 北方交通大学硕士学位论文 第二章会议电视中关于语音编码的标准及各 种标准的比较 随着信息时代的到来，人们对通信方式提出了越来越高的要求。 通信的种类和手段也越来越丰富。声音和图像具有很强的直观性，人 们早就渴望既能听到对方的声音，又能看到对方图像的一种通信方式， 会议电视正是为了满足人们的这一需求而产生的。在召开会议电视时 处于多个不同地点的与会代表，既可以听到对方的声音，同时还可以 看到对方的图像，以及在会议中展示的图片、表格、文件等。使得在 不同地点的与会者就象在同一间会议室开会一样。 会议电视系统最早是美国的贝尔实验室6 0 年代研制出来的。近 年来多媒体通信技术发展迅猛，会议电视也得到了迅速发展。各种标 准相继制定，会议电视系统随着价格的降低和技术的成熟逐步走向市 场，得到推广和普及。 9 0 年代初期，i t u - t 制定了会议电视的国际标准h 3 2 0 ，规范了 i s d n 网上的会议电视系统的主要技术环节，为不同产品之间的兼容行 问题和互通互联提供了有力的保证。大大促进了会议电视的技术和业 务的发展。1 9 9 5 年以来，i t u t 又陆续推出了用于公共电话网的h 3 2 4 标准，用于a t m 的h 3 1 0 和h 3 2 1 系列标准。1 9 9 6 年推出了用于计算 机局域网的h 3 2 2 标准。9 6 年1 1 月公布了h 3 2 3 v 1 标准，即“不保 证服务质量的局域网上的可视电话系统与设备”标准。该标准定义了 在局域网上进行视听通信的设备、规程和协议，这种局域网在今天桌 面协同工作环境中居于统治地位。1 9 9 7 年1 0 月，由于h 3 2 3 版本1 不能够保证q o s ，i t u t 又推出了h 3 2 3 版本2 ，而版本2 能通过在终 端和路由器中采用r s v p 协议实现一定的o o s ，故版本2 的名称也变成 了“基于包的多媒体通信系统”。1 9 9 9 年9 月，i t u - t 又推出h 3 2 3 版本3 。随着l a n 、i n t e r n e t 、i n t r a n e t 在全世界的迅猛发展、壮大， 基于i p 网络进行多媒体通信已是势在必行。基于i p 的h 3 2 3 会议电 视系统有着比其他系统有着更广泛的应用前景。我们实验室的项目也 是“基于i p 的可视化通信平台”，笔者主要的工作是语音混合方面的， 因此本文仅涉及了h 3 2 3 中的相关的几种语音编码的规范，而免去了 h 3 2 3 视频编码的规范。 北方交通大学硕士学位论文 2 1 会议电视中关于语音编码的标准 语音压缩编码主要有三种：波形编码、参数编码、混合编码。基 于波形的编码可获得较高的语音质量，但数据量压缩得不多，是高速 率的语音编码。如g 7 1 1 ( p c m ) 、g 7 2 1 ( a d p c m ) 、g 7 2 2 ( s b a d p c m ) 。 参数编码是根据输入的语声信号分析出模型参数，然后在解码端根据 这些模型参数来恢复语音。这种编码并不忠实的反映输入语音的波形， 而是着眼于人耳的听觉特性，确保解码器有一定的可懂度和清晰度。 它的数码率低，但语音质量相对较低。如l p c 。混合编码把波形编码 的高质量和参数编码的低数据率结合在一起，取得了比较好的效果。 如c e l p c 、m p l p c 、v s e l p ，g 7 2 8 ( l d c e l p ) ，g 7 2 3 1 ( a c e l p ，m p m l q ) 等。 在h 3 2 3 中规定了六种语音编码标准，即g 7 1 1 、g 7 2 2 、g 7 2 8 、 g 7 2 3 1 、g 7 2 9 和m p e ga u d i 0 ，其中g 7 1 1 是必备的，其他5 种是可 选的。 2 2 低速率语声编码算法介绍 h 3 2 3 中规定的低速率语音编码标准有：g 7 2 8 、g 7 2 3 1 、g 7 2 9 。 尽管它们编码的具体细节有所不同，但它们的基本原理都是基于线性 预测分析与合成技术。 2 2 1 线性预测声码器的基本原理 根据人体发声器官的工作原理，语声信号的产生过程可以用一个 离散时域模型来表示( 图2 1 ) 。它包括三个组成部分：激励源、声道 模型和辐射模型。激励源模拟发声器官的声门特性，声道模型模拟发 声器官的声道特性，辐射模型则反映声道气流通过唇端向外辐射时， 受到的类似高通滤波的处理过程 1 2 。 9 北方交通大学硕士学位论文 基音频 r 盛l l 周期冲 发生器 ili1 ” j - l 上l l i 芦门脉冲l 堡型竺阿丽 竺! ! 竺：竺! 广面两广 a “ 图2 1 语音信号产生的离散时域模型 硼语搿 r ( z ) r 一 浊音和清音的激励信号有很大的差别，前者为周期性脉冲序列， 后者为随机白噪声过程，而在浊音和清音的过渡阶段则两者兼而有之 1 3 。图2 1 中，激励信号e ( ”) = a 。- v ( n ) + a u ( n ) ，能较好地反映 各种情况下激励信号的变化：发清音时，a v = 0 ，发浊音时，a u = 0 ，在 浊音和清音的过渡阶段则a v 、a u 均不为零。严格地说，声道模型应该 是一个零极点模型。但为了简化算法，降低声码器的复杂度，通常用 全极点模型取而代之： ，尸 矿( z ) = 1 a , z ，( = 1 ，q 为实数) ，i = 0 实践证明，这样做对合成语声音质影响不大。 人体发声是一个非常复杂的生理和物理过程。在上述的离散时域 模型中，激励信号e ( n ) 和声道参数q ( i = 0 ，p ) 都是随时间变化的。 但是，语声信号具有短时平稳性，在一段较短的时间间隔( 通常为 1 0 m s 一3 0 m s ) 内，可以认为声道参数q ( i = 0 ，p ) 是非时变的 1 4 。这 样，在一个语音帧( 1 0 m s 一3 0 m s ) 中，就可以把声道参数q ( f _ 0 ，p ) 当作常数来处理。根据对合成语音质量的具体要求，通常取p = l o 。基 于上述假设，依据一定的失真评价准则，( 通常采用最小均方误差准 o 一匿 “力一烈 北方交通大学硕_ 上学位论文 则( m s e ) ，) 就可以计算出激励信号e ( n ) 、声道参数q ( i = 0 ，p ) 和 线性预测剩余信号r ( n ) 。接收端的解码器利用接收到的e ( ”) 、 q ( f _ 0 ，p ) 和r ( 月) ，就可以重构语声信号。但通常并不直接传输激 励信号e ( n ) 和声道参数e ( f - 0 ，p ) ，原因是预测系数q ( i _ 0 ，p ) 量化特性较差，且发生信道误码时，容易造成系统不稳定。( 系统稳 定的充要条件是k l 1 ( i = 0 ，p ) 。) 可以证明，传输函数v ( z ) 的极 点都在单位园上。 v ( z ) = 1 口，z “ ， ：0 将矿( z ) 所有极点( 除+ l 和一l 外) 的幅角经量化后传输出去， 既可以保证系统稳定，又降低了比特率。这就是常用的线谱对( l s p ) 变换。激励信号v ( n ) 、u ( n ) 及其振幅a v 、a 。也都经过矢量量化( v q ) ， 再传输出去。尽管量化的方法和准则不同，但目的都是为了降低比特 率 1 9 。 在低速率语音编码中g 7 2 3 1 和g 7 2 9 是从语音码率和语音质量 两方面来综合考虑不错的两种编码标准。 2 2 2 g 7 2 3 1 的介绍 i t u t 建议g 7 2 3 1 最初是为低比特率可视电话设计的双速率语 声压缩编码算法，它不但能按照要求分别以5 3 k b s $ 1 j6 3 k b s 两种速 率，完成语声信号的压缩编码，而且，还可以在任意的两帧之间进行 两种速率的切换。如果与其专门的静默压缩方案g 7 2 3 1a n n e xa 配合使用，其平均传输速率还可以进一步降低到远远低于5 3 k b s 的 水平。由于该语声编码算法比特率低，且音质较好，在没有误码的情 况下，其音质与g 7 2 6 a d p c m 声码器接近 2 0 。因而，在可视电话以外 北方交通大学硕士学位论文 的多媒体通信领域，g 7 2 3 1 声码器也得到了广泛的应用。 如图2 2 所示，g 7 2 3 1 语声编码算法主要由预处理、线性预测 分析、基音周期提取、增益码本量化和解码过程五个部分组成 1 5 。 预处理 预处理包括成帧器和高通滤波器两个部分。 成帧器将输入的语声信号序列按照2 4 0 个样点( 3 0 m s ) 一块的格 式，进行分块，每块为一帧。分块通过从缓冲区截取输入序列来实现。 这有利于简化算法，降低复杂度，但也使编码语声音质受到一定的影响。 通常认为3 0 m s 是语声信号具有短时平稳性的上限。帧越长，语声信号 的平稳性就越差。 高通滤波器的主要功能是从输入语声中滤除直流分量和5 0 h z 的公 频干扰。 线性预测分析 线性预测系数提取由线性预测系数分析和线谱对量化两部分组 成。 1 ) 线性预测系数分析 在线性预测系数分析过程中，g 7 2 3 1 编码器首先以每一个子帧 ( 6 0 个样点) 为中心，对语声序列进行加窗( 宽度为1 8 0 的汉明窗) 处理，得到四个长度为1 8 0 个样点的序列。然后，计算出每个序列的 十一个自相关系数r ，【】( ，= 0 ，3 ，i = o ，人，1 0 ) ( 下标j 表示第j 个子帧) ， 并对自相关系数r j 【o 进行白噪声修正。在此基础上，利用杜宾递归算 法求出四个子帧的线性预测系数q = 1 ，1 0 ，j - = o ，人，3 ) ，用以构成短 期感觉加权滤波器矽( z ) 。最后一个子帧的线性预测系 1 2 北方交通大学硕士学位论文 l p c 分析 感觉 加权 正 基音 估计 l p c 系牧鞋比 p ( z ) 万( z ) l p c 解码 l p c 内插 计算 脉冲 响应 谐波l 声 噪声k 一 成形| 一 计算 零输入 响应 存储 刷新 u n 基音 解码 激励 解码 基音 预测 l i , i b i l l 粼 叫激励线性预测 r n 图2 2g 7 2 3 1 编码器原理框图 数砰( f - l ，1 0 ) 供线谱对量化电路使用。 2 ) 线谱对量化 为了进一步降低比特率，提高声码器的稳定性。g 7 2 3 1 声码器不 直接对预测系数钟( f - l ，l o ) 进行量化，而是将其转化为线谱频( l s f ) ( f _ l ，1 0 ) ，然后，对线谱对进行量化。 首先，从线谱频( l s f ) 矢量p = 1 ，1 0 ) 中去掉直流成分 最：罗= 伊一雳然后，用前一帧解码得到的芦一，( 上标表示解码 结果) ，计算一阶预测值萝”= 6 【芦“一最】，再将差值 13 n 一 一0一10州l嚣匹篓 北方交通大学碗士学位论文 口神：罗卅一芦( m 表示当前帧为第m 帧) 分解为三个子向量露、郡、 器m 1 ( 分别为3 ，3 ，4 维) 。最后，按照最小加权均方误差原则，利 用预测分裂矢量量化，将嚣州、郡、霉”分别量化为索引为8 比特的 码本向量，传输到接收端。接收端的解码器，利用这2 4 个比特的码本 索引，重构当前帧的线谱对矢量，并利用内插法计算出四个子帧的线 谱频。 基音周期的提取 g 7 2 3 1 的基音周期提取包括开环基音估计和闭环基音提取两个 阶段。 1 ) 开环基音估计 在g 7 2 3 1 编码算法中，开环基音估计每帧进行两次，即每两个子 帧进行一次。这样做，可以比较准确地跟踪语声信号基音频率的变化， 提高合成语声的音质。开环基音周期通过分段搜索、比较短时自相关 函数的峰值点来确定。这样做的理论依据是自相关函数在基音周期的 整数倍样点上出现峰值。为了避免把基音周期的倍频作为基音周期提 取出来，在比较各个峰值点时，g 7 2 3 1 采取了一定的修正措施。 2 ) 闭环基音提取 由于基音信息是低速率语声信号中最重要的信息，完成开环基音 延迟估计之后，需要依据最小均方误差准则，在开环基音延迟的附近， 寻找更为精确的闭环基音延迟。在g 7 2 3 1 中，闭环基音提取与自适应 码本贡献的计算结合在一起，用一个五阶预测器完成。这样做，降低 了g 7 2 3 1 的复杂度，也使合成语声的音质有所降低。完成闭环基音提 取后，第0 、2 子帧的闭环基音延迟分别用7 个比特编码后，第l 、3 子帧分别与第0 、2 子帧的闭环基音延迟的差值各用两个比特编码。每 一个语声帧的基音信息共需要用1 8 比特表示。 激励码本的搜索 激励码本的搜索，包括自适应码本的搜索和固定码本的搜索两个 1 4 北方交通大学硕士学位论文 部分。 1 ) 自适应码本的搜索 自适应码本的搜索是与闭环基音提取同时进行的。 自适应激励码本含有1 7 0 个元素，每个元素都是一个五维的激励 矢量。根据最小均方误差原则，搜索最符合条件的闭环基音延迟 彰( j = o ，a ，3 ) 和自适应激励矢量( j = o ，a ，3 ) ，这里上标j 表示第j 个 子帧。自适应激励矢量的索引p g l n d j ( 0 ，1 6 9 ，连同后面的固定码 本增益g ，一起编码后，传输到接收端，供解码器使用。 2 ) 固定码本的搜索 g 7 2 3 1 的两个版本的主要区别在于它们的固定码本形式不同。 g 7 2 3 1 高速率版本( 6 3 k b s 版本) 的多脉冲激励最大似然量化器( m p - - m l q ) ，比低速率版本( 5 3 k b s 版本) 的码激励线性预测量化( c e l p ) ， 增加了激励脉冲的数量，从而进一步改善了合成语声的音质。然而， 在本质上，两者是一回事，多脉冲激励最大似然量化实际上是码激励 线性预测量化的一种改进形式。在低速率版本使用的固定码本中，规 定每一个固定码矢都由四个位于不同样点子集的单位脉冲构成，因而 被称为代数码本。在高速率版本中，对于偶数子帧，激励脉冲数量增 加为6 个，对于奇数子帧，激励脉冲数量增加为5 个。 另外，两种版本都采用了解析码本，解码器利用传输码流本身的 信息，就可以重构码矢和码本增益，而不需要象通常的矢量量化方法 那样，去搜索一个具体的码本，来获得码矢。这样做，简化了声码器 的结构，并进一步提高了工作效率。 固定码本搜索的任务就是确定激励脉冲的极性和确切位置。由于 子帧长度为6 0 个样点，为简化搜索，又进一步规定，所有脉冲或者全 部位于偶数样点，或者全部位于奇数样点。编码时，这些脉冲位于奇 数样点，还是偶数样点，用一个专门的比特表示。 3 ) 激励信息编码 完成自适应码本搜索和固定码本搜索后，按照公式 g l n d j = 2 4 p l n d i + 岔 北方交通大学硕士学位论文 构造子帧j 的增益矢量g 协一，传送到接收端，供解码器使用。 解码过程 图2 3 给出了g 7 2 3 1 的解码原理框图。解码是编码的逆过程。 g 7 2 3 1 是分析基于合成的编码器，因而，编码过程包含了解码过程。 在解码器中，线性预测编码信息( l p c ) 、自适应码本信息和固定码 本信息一起完成解码。然后，用它们重构出语声信号。为抑制可察觉 的噪声，解码器中使用了自适应后向滤波器。 图2 3g 7 2 3 1 解码器原理框图 2 2 3 g 7 2 9 的介绍 宙 i t u t 建议g 7 2 9 最初是为无线应用设计的语音压缩编码算法， 但也可以应用于多媒体通讯。g 7 2 9 建议的附录a 算法是c s c e l p 的一 个低复杂度版本。它针对于低比特率多媒体通信普遍存在的语音、数 据同传而设计。g 7 2 9 a 是可与g 7 2 9 进行互操作的比特码流：即用 g 7 2 9 a 编码的语音可以用g 7 2 9 进行解码，反之亦然。如果与其专门的 静默压缩方案- - - - - g 7 2 9a n n e xb 配合使用，其平均传输速率还可以进 一步低于8 k b s 的水平。主观测试表明，3 2 k b s 的速率时，g 7 2 9 a 的 性能在多数操作环境中等同于g 7 2 9 和g 7 2 6 ，m o s 达到了3 6 1 分：不 过在三级级联而且有背景噪音的情况下，其性能要略差一些 1 8 。因 而，在多种多媒体通信领域，g 7 2 9 a 声码器也得到了广泛的应用。 g 7 2 9 a 语音编码算法同g 7 2 9 算法相同，采用了共模结构代数码 激励线性预测( c s a c e l p ) 的编码概念。主要由预处理、短时线性预测 分析及量化、感觉加权、自适应码本的生成及搜索、固定码本搜索、 北方交通火学硕士学位论文 自适应及固定码本增益量化和滤波器的更新七个部分组成 1 7 。 ( 1 ) 编码器 编码原理见图2 4 。在预处理模块中输入信号被高通滤波量化。 预处理过的信号作为所有后续分析的输入信号。每个1 0 m s 的帧一旦经 过计算机计算出低通滤波器1 a ( z ) 的系数后就要依次进行1 0 个线性 预测分析。这些系数被反转成对称谱线并利用两段1 8 比特的预测量化 矢量进行量化，然后一个分析合成搜索程序选出激励信号。此程序可根 据感觉加权失真测度将原话音信号与恢复的话音信号间的误差最小 化。此功能的完成是借助一个感觉加权滤波器滤除误差信号实现的， 不同于g 7 2 9 ，这种滤波器的系数是从低通量化滤波器演绎出来的，并 且忡，= 筹= 等等胁器。 激励参数( 固定的和自适应的码本参数) 由每个5 m s 的子帧( 4 0 个样点) 决定，量化低通滤波器的系数由第二个子帧决定，而补差低 通滤波器的系数由第一个子帧决定。由感觉加权和低通滤波语音信号 组成的l o m s 的帧建立一个开环基音延迟，然后每个子帧重复此操作。 通过用加权合成滤波器w ( z ) = 三墼对l p 残余进行 1 + y 2 q z l 一。 滤波来计算目标信号x ( n ) ，然后计算子帧尾部的加权误差信号以修改 此滤波器的初始状态。这等同于一般的从加权的语音信号中减去加权 合成滤波器的零输入响应。 )一) 形一衫 钺似 北方交通大学硕士学位论文 厂 l l p o 信息 虿2 4g 7 2 9 编码器原理框虿 ( 2 ) 解码器 解码器原理如图2 5 所示。首先，从接收到的比特码流中提取出 参数索引，这些索引被解码以得到有关l o m s 语音帧信号中的编码参 数。这些参数是l s p 系数、两个分数基音延迟、两个固定码本矢量、 两个自适应和固定码本增益的集合。在每个子帧对l s p 系数内插，转 换成l p 滤波系数。然后对每个5 m s 的子帧做入下几步： 增加由各自增益刻度的自适应和固定码本矢量以建立激励。 用l p 合成滤波器滤除激励以恢复模拟话音。 恢复的模拟话音信号通过后置处理阶段。包括一个基于长期和短期合 北方交通大学硕士学位论文 成滤波器的自适应后置滤波器，随后是一个高通滤波器和刻度操作。 图2 5g 7 2 9 解码器原理框图 ( 3 ) g 7