（电路与系统专业论文）melp语音编解码算法的研究及其在dsp上的实现.pdf

中文摘要 摘要：语音是人们交流信息的主要手段之一，将语音信号数字化以进行传送、存 储和识别等构成了目前电信产业中最主要、最基本的组成部分之一。在有线通信 中，随着光纤等技术的不断普及，信道带宽和传输容量都能够得到保证。但在无 线通信，如在语音通信系统中，无线信道的信道带宽始终是一个瓶颈。在数字移 动通信和多媒体通讯领域，特别是语音通信系统中，比如正在迅速发展的数字对 讲机，急需要研究既节省信道带宽又能高效可靠传输信息的编码方案，尤其是具 有较低的语音编码速率、高质量解码语音的声码器。 混合激励线性预测( m e l p ) 语音压缩编解码算法是在线性预测编码( l p c ) 参数模型的基础上，采用了混合激励，并吸收了多带的思想。较低的编码速率和 较高的解码语音使得m e l p 算法成为低速率语音编码算法中比较理想的编码方案。 本文分析了m e l p 语音编码算法的原理，并且对其关键技术，编码和解码过程作 了深入的研究。并针对m e l p 应用于数字对讲机平台的可能性做了详细的论证。 m e l p 算法在t i 公司的高性能浮点处理器t m s 3 2 0 c 6 7 2 2 b 上的实现是论文的 重点。c 6 7 2 2 b 内部集成了适合语音应用的接口。为了保证语音编解码的实时性要 求和正常工作，论文做了大量的优化工作，并编写了相应片内外设的驱动程序。 实验证明，用c 6 7 2 2 b 实验系统运行m e l p 语音算法高效而可靠；实时采集 的语音信号经过m e l p 编码、解码的过程后播放输出，语音效果清晰而自然。对 解码语音做微观的分析发现，解码语音的波形与采集的原始语音波形极为相似， 只是在大能量的浊音区有幅度上的衰减和时延。 关键词：语音编解码；m e l p 算法；数字对讲机；优化；d s p 分类号：t n 9 1 2 3 a b s t r a c t a b s t r a c t ：v o i c ei so n ep r i m 哪m e a n so fe x c h 锄百n gi n f o 咖a t i o n ，d i 百t i z e d v o i c e ds i 印a l sf o rt 删1 锄i s s i o n ，s t o r a g ea 1 1 dr e c o g i l i t i o nc o n s t i t u t et h em o s t i m p o n a l l ta i l d b a s j co o m p o n e l l t si nc u 盯e n tt e l e c o m m l l i l i c a l i o n si n d u s 缸y ，i nt h e w i r e dc o m m u n i c a t i o n s ，w i mt h ef a s t 辱o w i n gp o p u l a r i t yo f6 b e r - o p t i ct e c h n o l o g y ， c h a i l l l e lb a i l d w i d t ha n d 仃a i l s m i s s i o nc a p a c i t yc a i lb eg i l a r 锄t e e d 笋e a t l y h o w e v i nw i r e l e s sc o m m u n i t i o n s ，s u c ha sv o i c ec o m m u n i c a t i o ns y s t e i l l s ，w i r e l e s sc h a n i l e lb a n d w i d mo fm ec h a l l n e l i sa l w a y sab o t t l e n e c k i nd i 百t a lm o b i l ec o m m u i l i c a t i o n sa n dm u l t i m e d i ac o m m u i l i c a t i o n s ，e s p e c i a l l yv o i c ec o m m 吼i c a t i o ns y s t e m s ， s u c ha st h er a p i d l yd c v e l o p i n gd i 百t a lr a d i o ，t h e r ei sa nu r 罾m tn e e dt os t u d yac o d - i n gs c h e m e st h a tc a nb o t hs a v ec h a j l n e lb a l l d w i d ma i l dt r 孤s m i tt h ei n f o 肌a t i o n e 箍c i e n t l ya i l dr e l i a b l y ，e s p e c i a l l yt h o s ev o c o d e r sw i m l o wr a t es p e e c hc o d i n gr a t e ， h i 曲一q u a l i t yd e c o d i n gv o i c e m i x e de x c i t a t i o n1 i i l e a rp r e d i c t i o n ( m e l p ) v o i c ec o m p r e s s i o nc o d e ca l g o r i t h m i s1 i n e a rp r e d i c t i v ec o d i n g ( l p c ) o nt h eb a s i so ft h em o d e lp a r a n l e t e r s ，u s i n gt h e m i x e de x c i t a t i o n ，a n dt 1 1 em u l t i - b a n di d e a s l o w e rc o d i n gr a t ea j l dh i g l l 一q u a l i t y d e c o d i n gv o i c em a l ( e sm e l ps p e e c hc o d i n ga l g o r i t h mm e i d e a le n c o d i n gs c h e m e i nl o wr a t es p e e c hc o d i n ga l g o r i t h m t h i sp 印e ra n a l y z e sh o wt h em e l ps p e e c h c o d i n ga l g o r i l mw o d 【s ，a n ds t u d yd 印t 1 1i ni t sk e yt e c h n 0 1 0 西e s ，e n c o d i n ga 1 1 d d e c o d i n gp r o c e s s a n di th a sa d e t a i l e da r g u m e n to nt l l ep o s s i b i l i t yt h a tm e u ? m a y b eu s e di nd i 西t a lr a d i op l a t f o m t h er e a l i z a t i o no fm e l pa l g o r i t h mo nt i sh i 曲- p e r f o r m a i l c en o a t i n g - p o i n tp r o c e s s o rt m s 3 2 0 c 6 7 2 2 bi st h ek e yo ft h ep a p e r c 6 7 2 2 bi n t e g r a t sl o t so fi n t e r f a c e s i n s i d et h ec h i pf o rv o i c ea p p l i c a t i o n s i no r d e rt om e e tt 1 1 ev o i c ec o d e cr e a l - t i m e r e q u i r e m e n t sa i l dm a l 【ei tw o r kw e l l ，t h ep a p e r h a sd o n eal o to fo p t i m i z a t i o nw o - r k ，a n dw r i t em e 嘶v e r sf o rt h ec o r r e s p o n d i n go n - c h i pp e r i p h e r a l e x p e r h n e n t ss h o w t l l a tt h ec 6 7 2 2 bs y s t e mc a nm nt h em e l ps p e e c hc o d e ca l g o r i t h me 伍c i e n t l ya 1 1 dr e l i a b l y ；r e a l - t i m es 锄p l e dv o i c es i 印a lg o e sm r o u 曲w i t l l t h em e l p c o d i n ga 1 1 dd e c o d i n gp m c e s s ，a n di sp l a y e do u t ，w e c a l lg e tc l e a ra i l d n a n l r a la u d i oe 艉c t s m a k em i c r o a i l a l y s i so nd e c o d es p e e c hw ec o n c l u e dt h a tt l l e d e c o d e dv o i c ew a v e f b n i la l l dm eo r i 西n a ls p e e c hw a v e f o mi sv e 叫s i m i l 瓯t h e r ei s a t t e n u a t i o na n dd e l a y0 1 1 l yi nl a 略ee n e 唱yr a i l g eo ft l l es i 印a 1 1 v k e y w o r d s ： s p e e c hc o d i n d e c o d i n g ；灿g o r i t h mo fm e l p ；d p m r ；o p t i m i z e ；d s p c l a s s n o ：t n 9 1 2 3 v 致谢 本论文的工作是在我的导师杜普选副教授的悉心指导下完成的，杜普选副教 授严谨的治学态度和科学的工作方法给了我极大的帮助和影响。在他的悉心指导 下，我们完成了实验室的科研工作，并且在学习上和生活上都给予了我很大的关 心和帮助，在此向杜普选老师表示衷心的谢意。在此衷心感谢三年来杜普选老师 对我的关心和指导。 在我就读研究生期间，闻跃老师、马庆龙老师、张西峰老师也都给予了我悉 心的指导和无微不至的关怀，经常不厌其烦的为我解答问题。在此，我向他们表 示诚挚的感谢和敬意! 在实验室工作及撰写论文期问，董威、韩赛、李红等同学对我论文中的实验 设计和实验平台研究工作给予了热情帮助，在此向他们表达我的感激之情。 另外也感谢家人，他们的理解和支持使我能够在学校专心完成我的学业。 1引言 1 1研究背景 语音交互是人类交流信息传递情感的最基本、最直观的方式。语音是信息的 载体之一，也是思维的一种依托。自上个世纪9 0 年代起，人类进入了信息社会。 信息成为物质和能源以外的第三大资源，语音自然在信息社会中扮演重要的角色。 随着计算机技术的飞速发展，人们通过数字技术对模拟的语音信号进行采样将其 离散化，这个过程称之为数字化。数字化的语音可以经过计算机的存储、压缩、 处理、传送。相比于模拟语音，数字化的语音在可靠性、抗干扰能力以及传输速 率方面都有点无可比拟的优势，所以从上世纪6 0 年代以来，数字化语音在语音通 信系统中的比重越来越大，现代通信系统大多采用数字语音处理方式，但大多数 对讲机仍采用模拟制式。随着人们对语音传输速率以及存储空间的要求不断增强， 数字化语音的研究不断深入，语音压缩成为这一领域最重要的分支。语音压缩编 码技术的诞生和发展有着技术上的必要性：一方面信息交互的需求越来越大，语 音数据传输量飞速增长与有限的传输带宽之间的矛盾同益尖锐。为了节省传输带 宽，提高频带利用率，在有限的传输带宽里传输尽可能多的语音数据，语音压缩 成为化解这种矛盾的不二选择。实际上，语音信号中包含有大量的冗余信息，采 用各种语音编码技术可以有效地驱除这些冗余信息，在保证解码语音的清晰度和 易懂性的基础上只保留能够表征语音特征信息。另一方面无论在个人通信领域还 是军事等专用领域中，信息的安全性是必须要考虑的因素。经过压缩编码的语音 具有抗干扰能力强，保密度高的优点。另外在语音存储领域中，随着各种各样的 数码娱乐产品和录音装置的风行，人们需要语音压缩技术来节省存储空间。这些 需求正是语音编码技术得以发展的源动力所在。 语音编码技术主要分为波形编码和参数编码两种。波形编码能在6 4 k b s 一 1 6 k b s 的速率上获得很高的编码质量，当速率降低时，由于较少的数据难以重现语 音波形，性能下降很快。参数编码的特点是在编码端从语音信号产生的机理出发， 构建语音信号模型，利用语音信号的适时平稳特征，将语音分为帧格式，在每帧 中提取出它的特征参数；在编码端利用这些特征参数重建语音信号，这类编码器 称为声码器。它的优点是编码速率低，可以降至2 4 k b s 。缺点是由于编码参数少， 难以重建与采集语音波形相近的波形，语音质量差，而且自然度低。现在常用于 语音通信系统的编码方法以参数编码为基础并结合了波形编码的优点，可以在较 低编码速率下得到较高的解码语音。自贝尔实验室于上个世纪3 0 年发明了第一个 声码器之后，语音压缩编码技术进入了一个新的时代。c c i t t 已经制订了几个国 际化的语音编码标准，这些标准规范并推动了语音编码的研究但是也可以看出 这些标准的编码速率都比较高：l p c 1 0 以及l p c 1 0 e 标准尽管能够在2 4 k b p s 合成出清晰的语音，但合成的语音在自然度等方面却差强人意。m e l p 是在原来 l p c ( 线性预测编码) 基础上，吸收了多带激励以及原型波形内插等思想发展起来 的，它充分利用了语音的发音机制，可以在低速率下得到较高质量的语音。 1 2课题的来源与意义 2 0 1 1 年1 月l 同起，国家不再对新开发的模拟对讲机进行型号核准，到2 0 1 6 年1 月lr 模拟对讲机将完全退出中国的历史舞台。也就是说，5 年内数字对讲机 将完全取代模拟对讲机。据有关部门的统计：未来5 年过渡期间，要对中国现行 使用的5 0 0 0 万台模拟对讲机存量市场进行更新，同时每年还需满足7 0 0 力部增量 市场的需求。未来5 年仅在中国就有8 5 0 0 万台数字对讲机的市场需求量，再加上 数字对讲机的配件、后台系统及国外的市场，数字对讲机产业的市场空间巨大。 如何把握数字对讲机的发展契机，掌握其核心技术，占据技术的制高点是摆在国 内研发人员的一道难题。数字对讲机( d p m r ) 由于其频谱利用率高、语音质量高， 有取代模拟对讲机的趋势，如何寻求一种能够适合数字对讲机调制速率的声码器 成为一个亟侍解决的问题。虽然目前欧洲电信标准协会( e t s i ) 发布了数字对讲 机的设计规范，但对于声码器的选择却没有相应的说明，而声码器性能的优劣直 接决定着整个系统的性能，因此选择一种适合数字对讲机平台的声码器就成为重 中之重。而混合激励线性预测( m e l p ) 算法以其低码率和高质量的解码语音为这 一问题提供了答案。m e l p 作为低速率语音编解码算法中的优秀代表，不仅体现出 了线性预测编码算法的精髓，而且对传统的二元激励和语音分类做了创作性的补 充和完善。另一方面，目前国内的对讲机产业还没有形成统一的行业标准，在具 体技术领域更是相互屏蔽。为了改变这种局面，寻找和建立统一的技术标准成为 当务之急，因此声码器的研究成为建立这一标准重要的一部分。基于m e l p 的特 点，具备了成为数字对讲机工作平台下的声码器的条件，换言之，m e l p 语音编解 码算法的提出为其发展提供了又一种选择。因此，研究m e l p 算法对促进数字对 讲机的发展具有应用的现实意义。 语音编解码算法通常较复杂，内部包含大量的诸如快速傅立叶变换或滤波等 复杂的运算，因此在研究与验证语音算法时，处理器的性能就成为首先应该考虑 的问题。所选处理器不仅要保证算法运行的实时性，也要包含现成的片上语音接 2 口等外设以达到与外部c o d e c 芯片无缝连接的目的，这样即减少了原理设计时的 难度又降低了整个系统的功耗。出于这些考虑，以t i 公司c 6 7 2 2 bd s p 处理器为 核心的系统能够作为实验平台以实现与验证m e l p 算法，其验证结果与效果将对 其移植到数字对讲机上有重要的参考价值。 1 3 论文的组织结构 本文主要研究了m e l p 语音编解码算法，以及在t m s 3 2 0 c 6 7 2 2d s p 上实现 其算法。在论文第一章中阐述了本课题的研究背景、课题的来源和意义，说明论 文组织结构。第二章详细阐述了语音编码技术基础，介绍了语音编解码器的原理 与结构，并重点分析了线性预测编码的原理以及矢量量化的原理。第三章分析与 研究了混合激励线性预测( m e l p ) 语音编解码算法，介绍其关键技术和特点以及对 传统二元激励l p c 编码算法的改进。第四章介绍了数字对讲机的技术特点、分析 并对比m e l p 语音算法与几种常用于语音通信的声码器的优缺点，针对m e l p 算 法应用于数字对讲机平台的可能性做了详细的论证。第五章对m e l p 算法进行优 化，这包括c 代码的优化与汇编代码的优化等，并对优化日订后的性能进行了分析。 第六章在c 6 7 2 2 b 实验平台上进行算法的设计与验证，包括具体驱动及主程序的设 计。第七章是结论与展望，是对整个论文的总结。 2语音编码技术基础 2 1语音信号特点及产生的模型 通过对语音信号研究可知，模拟语音的频谱主要集中在3 0 0 h z 3 4 0 0 h z 的范围 内。如果对其进行抗混叠处理，将此范围中的信号提取出来，并以8 l m z 的采样率 采样，便可得到数字语音信号。 语音信号的一个重要特征是适时性【2 1 。在非常短的时间( 通常为2 0 m s 3 0 m s ) 内 语音呈现出与随机噪声相似的特性，称为“清音”。在另一些短时段又呈现周期信 号的特征，称为“浊音”，有时是两者的混合。语音信号的特征是随时间变化的， 只有在很短的时间间隔中，才可以认为其特征保持不变。如果利用加窗的方法取 出其中的一个短段，再对其进行傅立叶变换，就可以得到该段语音的短时谱。浊 音的短时谱有两个特点【3 】：f 1 ) 有明显的周期性起伏结构，这是因为浊音的激励源 为周期脉冲气流，这个周期称为基音周期。浊音的短时自相关函数也呈现周期性。 ( 2 ) 频谱中明显具有几个凸起点，它们的出现频率与声道的谐振频率相对应。这些 凸起点称为“共振峰”，其频率为共振峰频率。清单的短时谱接近于随机噪声，它 的短时函数不具有周期性。因此，可以利用这个特征来判断一个语音帧是浊音帧 还是清音帧。 语音信号产生的离散时域模型如图2 1 所示，它包括激励源和声道模型【2 】。激 励源分浊音和清音两个分支。浊音情况下，信号源由一个周期性脉冲发生器产生； 清音情况下，激励信号同由一个随机噪声发生器产生。实际情况下，激励信号可 以表示为上述两种激励按比例叠加。时变数字滤波器用来模拟声道参数。 语音信号的模型建立的基本思想就是构造时变数字滤波器h ( z ) 、周期脉冲序 列发生器和随机噪声发生器，并用它们来合成语音。 声道模型h ( z ) 给出了离散时域的声道传输函数，把实际声道作为一个变截面 声管加以研究，在大多数情况下它是一个全极点函数。 p1 日( z ) = 1 ( 1 一y 口z 一1 )( 2 1 ) 一 、函 。 其中口；是线性预测系数，它是时变数字滤波器构造的关键，线性预测系数的解法 将在下面的章节中做详细阐述；p 和g 分别是预测阶数和增益因子。对于声道参 数，在1 卜3 0 m s 的时间内可以认为保持不变，所以语音处理的帧长一般为2 0 m s 。 m e l p 语音压缩编码标准中的帧长就取值2 2 5 m s 。由此框图可知：在时间域上， 信号模型的输出与输入满足下面的关系： 4 一i 最 匪 曼 脉冲序列发生器卜、 浊，清音开关 随机噪声发生器 l j 瓤【 1 谣； 蔓! ! 一文呱m ， 爵芰亲渡基 。x ， 时兮蔟耀恭 图2 1 语音信号产生的离散时域模型 f i g u r e2 1 n ed i s c r e t et i m ed o m a i nm o d e lo f v o i c es i g l l a l p s ( 刀) = g x ( ，2 ) + 芝口i s ( 甩一) ，= 1 _ ， 周期脉冲序列发生器的构造可以通过长时预测( l t p ) 分析获得， 为 输：i j 语音 s ( n ) ( 2 2 ) 其滤波器函数 高2 矗甚丽 亿3 ， 尸( z ) 1 一手6 z 一( d + f ) 卜。 国 其中6 ( f ) 是l t p 系数；r 是l t p 阶数( 常数) ；d 是基音周期。 构造随机噪声发生器的目的是为了模拟白噪声。首先由随机数发生器产生在 o 5 ，o 5 】内均匀分布随机变量，再产生服从标准f 态分布的随机变量。 2 2语音编码通用模型 现代通信的重要标志是实现数字化，而实现数字化的前提是把模拟信号通过 模数转换器转换为数字信号，同时为了提高语音信号在传输过程中的有效性，通 常要对数字语音信号进行压缩，这就是所谓的语音编码，生成二进制码流。语音 编码的通用模型可用图2 2 表示【4 j 。 模拟语音、数字语音_ 进制码流 - 采样 _ 景化- 脉冲编码 ， 压缩 - 图2 2 语音编码的通j = j 模型 f i g u r e2 2 1 1 1 eg e n e r a lm o d eo fv o i c ee n c o d i n g 通过对语音的研究可知，人类语音的频谱分量主要集中在3 0 0 3 4 0 0 h z 的频率 范围内。根据奈奎斯特准则，在采样阶段采样频率必须不小于原始信号最高频率 的两倍才能在重建时恢复信号。根据这一准则，对带宽为4 l ( h z 的模拟语音信号， 用8 k h z 的采样率就能完成采样，采样后的信号为时间和幅度离散的数字序列。 采样后的语音序列数据量巨大，无法直接进行存储和传送。由于语音信号中 包含有大量的冗余信息，采用某种压缩技术可以有效地驱除这些冗余信息，以使 它成为速率更低的二进制码流，这些二进制码流可以在保证解码语音清晰度和易 懂性的基础上只保留能够表征语音特征的信息，能够起到这一作用的技术称之为 语音编码技术。 2 3语音信号的线性预测分析 线性预测分析( l p c ) 技术广泛应用于各种语音编码算法中。它的思想是利用 语音信号的相关性，将当时的语音信号用过去的若干个信号的线性组合来表示或 逼近。通过使当前真实的语音信号与预测值之间的误差在某种准则下达到最小值 来唯一确定一组预测系数【5 1 。而这组系数正是语音产生模型中声道模型的系数。 设当前语音信号为s ( n ) ，过去的p 个样点的的信号为s ( n 一1 ) ，s ( n 2 ) ，s ( n p ) ，j 。为 s ( n ) 的线性预测值，e ( n ) 为s ( n ) 与锄之间的误差，则 矽 勘= 茏吁j ( 咒一) ( 2 4 ) f = l p ( 刀) = s ( 刀) 一锄 ( 2 5 ) l p c 分析欲解决的问题是在某种准则下由己知的s ( ，z ) ，求出口j ，j = 1 ，2 ，p 。 理论上常用的是均方误差研e 2 ( 咒) 最小准则。其中e 为数学期望。为了得到使 研p 2 ( ，z ) 最小的口，将研e 2 ( 甩) 】对口，求偏导，令其结果为零，即 a ( 研一( 刀) 】) 抛? = o ( 2 6 ) - ， 矽 e 卜( ，2 ) 一窆口i s ( 咒一) 木s ( ，z i ) ) = o ，z = 1 ，p ( 2 7 ) j ，= l 即 五疆g ( ，z ) 木s ( 咒一) = o ( 2 8 ) 由上式可知，e ( 咒) j 下交于s ( 以一) ，令，( ) = e 卜( n ) ( ，2 一) 】，即几，) 为 s ( 胛) 的自相关序列，则上式改写为下式。 p 芝口i r ( 一f ) = 厂( i ) ，f = 1 ，p ( 2 9 ) = l j 由上式可以看出只要得到，( ) 就可以求出预测系数以，。常用的解法有自相关 算法和协方差算法。m e l p 语音编码算法便采用了自相关算法，并且利用l d 递推 算法，具体的算法将在第三章中介绍。 线谱频率( l i n es p e c t n l mf r e q u e n c y 简称l s f ) 参数是线性预测参数的一种表现 形式。l s f 参数在数学上完全完全等价于线性预测编码系数。l s f 为频域参数， 而线性预测编码系数为时域参数，那么线谱频率可以表示声门完全打开或关闭时 刻的声管谐振频率4 1 。 6 令时变滤波器h ( z ) 分母为a ( z ) ，称之为线性预测误差滤波器，则 a ( z ) = 1 一艺口? z 一2 ( 2 1 0 ) f = l 用a ( z ) 构建两个( p + 1 ) 阶多项式p ( z ) 和q ( z ) ，如下： p ( z ) = 彳( z ) + z 一p + 彳( z 一1 ) = 1 + ( 口i + 口p ) z 一1 + ( 口2 + 口p i ) z 一2 + + ( 口p + 口1 ) z p + z 一p + 1 ( 2 1 1 ) q ( z ) = 么( z ) 一z 一n 1 么( z 一) = 1 + ( 口l 一口p ) z 一+ ( 口2 一口p 1 ) z 一2 + + ( 口p q ) z p + z 一9 + 1 ( 2 1 2 ) 可以看到p ( z ) 和q ( z ) 各有一个实根，即 p ( z ) i z = 一1 = o ，q ( z ) i z = 1 2 o ( 2 1 3 ) p ( z ) 和q ( z ) 所具有的性质之一就是它们的根在单位圆上，这里略去证明过程。 令 一， z i = e 。 o ( 2 1 4 ) 则p ( z ) 和q ( z ) 的零点随w 的增加而交替出现，令印f 和攻k f 表示p ( z ) 和q ( z ) 的第i 个 零点，于是有下面的表达式 系数缈。，和缈，成对出现，反映了谱的特性，称为“线谱对”，统称为线谱频率 参数。这样时域的l p c 参数就转化为了频域参数l s f 。 l p c 分析中声道滤波器为日( z ) = 1 彳( z ) ，则 h ( p 一+ ) = l 么( e 一”) = 2 尸( ”) + q ( e 一。) ( 2 1 6 ) 可以看出，每对( 啡，q 。，) 对应于一个共振峰，当啡，和缈，靠的很近时，共振峰 的很尖锐，共振峰带宽很窄，因此缈。i i 就是声道滤波器稳定的充分必要条件。 l s f 参数是频率参数，相比于时域参数的l p c 来讲它更好吸引力，用它来合成滤 波器h ( z ) 更能保证其稳定性，在相对较低的编码速率使用l s f 参数能获得高质量 的合成语音。 2 4 语音信号的矢量量化 矢量量化( v e c t o rq u 觚t i z a t i o n ，缩写为v q ) 是2 0 世纪7 0 年代后期发展起来的一 种数据压缩技术。它的基本原理是：将基干个标量数据组构成一个矢量，然后在 矢量空间中给以整体量化，从而压缩了数据而不损失多少信斛2 1 。矢量量化的目的 52 z z + + 一 一 z z p q 绋 咖 s s o o c c，、】 z 一 一 雕丌h印丌h 一 一 h l z + 一 ，ll = i | z z p q 是针对特定的信息源和矢量维数，找到一个最优的量化器，使它在量化速率一定 时有最小的畸变。v q 系统框图好下图所示： x ( n ) 厂 1 xr 一一 一vr 一vy 1 特征矢量形成卜，- v q 编码器t 一 信道_ - v q 解码器? ， 叫啊一一一一ji 一 一 l 尉 斟 ： 窟 斟 n _ c 图2 3 欠量量化系统框图 f i g i l r e2 3 1 1 1 eo v e r a l ls t m c t l l r ed i a g r a mo fv e c t o rq u a n t i z a t i o n 其中，特征矢量形成部分可以输出一个对应的矢量x 为代替语音采样序列。 在矢量量化中，量化区间对应于多维空间中的一个k 维的量化矢量，即z ，e ，e 。 量化矢量也称为码字，l 个码字的集合为一个码本。v q 编码器的原理是根据量化 误差最小的原则，从编码器码本中选择一个与之相应的矢量y i ，并输出此矢量的 下标v ，那么接收端从信道收到的信号仍是v ，v q 译码器从与编码器相同码本中选 出一个具有相应下标的码字作为输出y 。 用d ( x ，y ) 来表示x 和y 之间的畸变，那么v q 的任务就是在给定条件下，使 此畸变最小。通常采用欧氏距离来计算畸变。一般情况下，采用欧氏距离的平方 来衡量，可表示为 d ( x ，y ) = l l x - y | | ( 2 17 ) 建立码本之后，量化就转换为从大量码本中搜索出与信源向量最近的码字问题了。 目前，矢量量化技术不仅在理论研究上取得了成功，而且在各种应用上也取得了 不少的成果。比如在语音编码领域，在原来编码速率为2 4 k b p s 线性预测声码器的 基础上，将每帧l o 个反射系数加以1 0 维的矢量量化，就可以使编码速率降低到 8 0 0 b p s ，而语音质量基本没有下降。另外，随着d s p 处理器性能的不断提升，无 论在图像处理还是语音处理领域，矢量量化技术得到了更大的发挥空问。 3l p 语音算法的研究 m e l p 语音算法的编码速率是2 4 k b p s ，它以8 k h z 采样率，1 6 位采样宽度对 模拟语音信号进行采样，以2 2 5 毫秒时长的语音，即1 8 0 个样点作为一帧数据进 行编码，编码输出5 4 比特的二进制码流。解码端对5 4 比特数据进行解码并输出 1 8 0 个语音样点。m e l p 算法在传统的二元激励模型的基础上作了改进，采用了许 多新的技术，与l p c 1 0 声码器相比，提高了合成语音的自然度和清晰度。由于优 良的合成语音质量，1 9 9 7 年m e l p 声码器被确定为新的美国联邦标斛6 1 。 3 1编码原理 图3 1 给出了m e l p 语音算法的编码原理框刚7 1 。 语圣高通滤波器整数柴音周期计算卜带通声音烈度分析分数，墟音川期计_ 笄 j m d i lj r | ：标也增益计算最终牡音删期计箅 卜傅氏级数幅价计算 ；建化 卜 发送比特 信道卜 图3 1m e l p 语音算法的编码原理框图 f i g u r e3 1 t h eo v e r a hs 仃u c t u r ed i a g r a mo fm e l pv o i c ee n c o d i n ga l g o r i t h m 由图可知，m e l p 编码大致可以分为预处理、语音特征提取和参数量化三个 部分。其中，预处理部分主要是将采样语音通过截止频率lo o h z 的高通滤波器， 目的是滤除5 0 h z 的工频干扰，滤波器输出的信号作为编码器的输入；需要提取的 特征参数包括：基音周期、子带清浊音强度、非周期标志、线性预测系数、增益 和傅立叶级数幅度；参数量化部分是将提取出的特征参数进行量化，其目的是降 低编码比特率。注意，对于清音帧不再提取傅立叶级数幅度、子带清浊音强度、 非周期标志等参数，这是因为在解码端清音帧的激励源为白噪声，并不需要诸如 傅立叶级数幅度等信息。取而代之的是对第一级线谱频率( 7 b i t ) 、两个增益( 8 b i t ) 参数比特的前向纠错编码，以达到对这些参数的保护【6 j 。 为了进一步提高语音压缩率，通常对提取出的语音特征参数进行进一步量化。 量化方法分为标量量化( s c a l a rq u a i l t i z a t i o n ，s q ) 和矢量量化( v e c t o rq u a n t i z a t i o n ，v q ) 两种方法。矢量量化在前面的章节中已有所介绍，这里不再累述。均匀量化属于 标量量化中的一种【8 】，它包括量化范围( x l 。x 2 ) 和量化级n ，首先求出量化步长如下： j = ( 小x 一1 ( 3 1 ) 若量化结果为n ，提取出来的参数来x ，则 ：竺型 ( 3 2 ) s 在解码端，解码器从信道接收量化后的参数n ，并且相应的量化范围( x 1 x 2 ) 通常作为经验值存在，那么按照量化的逆过程是可以解出真正的语音特征参数x 。 3 1 1 基音周期提取及量化 基音周期的提取分为整数基音周期提取、分数基音周期提取和最终基音周期 提取三步【4 1 。下图为基音提取的计算步骤： 汁算口i 卜化自相关 函数 寻找最人 价点 当前帧的 卜整数摹音 蒯j j p l 晰信譬燃 哨删基卜笛篓蓑壶卜；l 蚕曼知q 寻麓5 黼尹 p l 当前帧的整数基音剧期 卜剧期提取三：“ f 1 【点 脚期p 2 p 1 1 j u 帧的整数基音剧期 残黼1 蕊警 徽蕞i _ 啜美以寻擀5 黼箩 蒯期提取 1 = 0 ：一 f i l 【点 周期p 3 p 2 分数摹音蒯蚓 卜 摹音周期 摹音周期 倍数检测_值p p 3 分数摹音刷期 卜 、 图3 2 基音周期提取的步骤 f i g u r e3 2 1 1 1 es t 印o fg e n i n gp i t c h 1 0 计算整数基音周期时，先将输出语音通过一个截止频率为1 l z 的低通滤波器 以消除高频分量的影响。计算自相关函数 巾) 2 鼎 ( 3 3 ) 一【磐7 9 其中c ( 朋，刀) = & + 坍+ 丹 七= 一 r 2 卜8 0 当使“t ) 的值最大时的c 即为整数基音周期p 1 。为了使基音周期更加精细， 需要计算分数基音周期。由于上面已经计算出整数基音周期p 1 ，那么“t ) 在 t 1 ，t + 1 】之间有最大值，分别计算c f ( 0 ，丁一1 ) 和c f ( o ，丁+ 1 ) ，比较他们的大小，如 果前者大于后者那么，最大值位于 t - 1 ，t 】之间。令分数基音周期为p 2 ，则 p 2 = p 1 + ( 3 4 ) 其中 ： 生! 旦! 三! b ! ! ! 旦二生! q ! ! 丝三! ! 1 2 ( 3 5 ) c r ( o ，丁+ 1 ) 勺( 丁，丁) 一c r ( 丁，丁+ 1 ) + c r ( 0 ，丁) c r ( 丁+ l ，丁+ 1 ) 一c r ( 丁，丁+ 1 ) 、。 则 咖沪丽而丽湍酱蓑器耘丽b 6 ， 求出使r ( z i ) 最大的f 即为分数基音周期p ，。 为了计算最终的基音周期热，将残差信号通过截止频率为1 k h z 的低通滤波 器，对其输出的信号进行同计算p 。，见步骤相同的处理，求得分数基音周期见，为 了防止倍频信号被错误地当作基音周期，在得到最终的基音周期p 之前还须要进 行倍数检测，其检测过程这罩不做详细介绍。 基音周期和最低带通强度( ，p 1 ) 被联合量化为7 比特。如果) p l o 6 ，表明 此帧为清音，那么将其量化为全零；否则，基音周期将从2 0 1 6 0 范围内量化。为 了节省量化比特，这里量化的对象并非基音周期，而是基音周期的对数，那么其 量化范围为l 0 9 2 0 1 0 9 1 6 0 ，采用9 9 级均匀量化的方法，量化输出为7 比特。基音周 期的量化码表如参考文档1 5 所示。参数在接收端进行解量化，求得基音周期。 3 1 2 子带强度提取及量化 m e l p 语音算法设计了一个滤波器组，包含五个六阶巴特沃思带通滤波器，其 通带范围分别为o h z 5 0 0 h z 、5 0 0 h z 1 0 0 0 h z 、1 0 0 0 h z 2 0 0 0 h z 、2 0 0 0 h z 3 0 0 0 h z 、 3 0 0 0 h z 4 0 0 0 h z 。语音信号首先通过这个滤波器组被分为五个子带，然后对这五个 子带分别进行声音强度的判断。 0 h z 5 0 0 h z 频带的强度) p 1 就是在计算基音周期过程中的r ( p ：) 。对于其它 信号，每个子带的都需要做两次分数基音周期的估计：一次对该频带信号做，( p ：) 计算，另一次对该频带信号的时域包络做厂( p ：) 计算，取其中较大的值做为该带的 声音强度值。其中时域包络信号由信号通过一个平滑滤波器来得到。 子带强度( v b p i ) 的量化过程如下图所示：其中子带声音强度为v b p i ，量化结 果为v b p i 。 开始 ， 是 t v b p l o 6 一 v b p i _ l _ ! r 行 v b p _ o ， 。 疋 v b p i = o o o l ，i - 2 3 ，4 ，5 卜 v b p 5 = o 一 丫 结束 图3 3 子带强度的量化过程 f i g u r e3 3 t h es t e po fq u a n t i f ) ，i n gs t r e n g t ho fs u b b a n d 3 1 3 非周期标志提取 如果v b p l 0 5 ，则非周期标志a f 置为1 ，否则为0 。非周期标志的作用在于 通知解码器激励源中脉冲分量的成分是周期的还是非周期的【6 1 。解码器利用非周期 的脉冲来模拟不稳定的声门脉冲。这一过程通过在基音周期脉冲位置做2 5 的抖 动来完成，它通常在清浊和浊清过渡时刻使用，这样就克服了传统二元激励l p c 语音算法对过渡音处理不当的问题。 3 1 4l p c 系数提取及量化 首先，对当前2 0 0 个样点进行加窗处理，所加窗为汉明窗。之后对其进行1 0 阶的l p c 分析，在前面章节中已介绍到，求l p c 系数的难点在于求解下面的方程 组： 1 2 p 哆r ( 一f ) = ，( 耽江l ，p = i 将上式展开得到如下方程组： ， o r 1 】 厂 p 一1 】 厂 1 r 【0 】町p 一2 】 ， p l 】玎p 一2 】 r o 】 口i 口2 q 口 玎l 】 厂【2 】 ，【纠 ( 3 7 ) = 0 ( 3 8 ) 由以上方程组可知，欲得到线性预测参数关键是求出自相关厂 】，m e l p 算法 采用了l e v i n s o n d u r b i n 递推算法来解决这个问题，其运算步骤如下： 扇= ，( 0 ) 知，( f = l ，f 1 0 ，f + + ) ，一l 砖= 【，( f ) 一r ( f 一川e 一。 = i q t j = k i 力r ( ，= l ，一1 ，+ + ) q l i = 0 c t ；l k q ? ； p 甩d 磊= ( 1 一群) 巨一， 至此，l p c 系数口j ，f = 1 ，1 0 计算完成，之后对其进行1 5 h z 的带宽扩展，即每 个系数都乘以因子o 9 9 4 。 提取出来的l p c 系数是时域的形式，由于由其构成的合成滤波器的稳定性和 其量化特性均得不到保证，因此在语音压缩算法中，很少直接将提取出的l p c 系 数作为最终的编码参数发送到信道中。线谱对( l s p ) 分析是一种线性预测分析的方 法，用它来代替直接的l p c 系数，主要原因包括：作为频域参数，它能够和信号 谱包络联系的更加紧密；此外，用线谱对参数构成的合成滤波器h ( z ) 更能保证稳 定性，因为这种参数的量化特征要优于l p c 系数，使得合成相同质量的语音所需 的码率降低。m e l p 语音算法中便使用了线谱对参数，因此l p c 系数的量化便转 换为l s p 的量化过程。 首先将1 0 个l p c 系数转换为1 0 个l s f ，其计算方法已在前面的章节中介绍， 这里不再累述。 将1 0 个l s f 按照升序排列，并使每两个l s f 的间隔至少为5 0 h z 。这是因为 基音周期的范围为2 0 1 6 0 个样点，最小的基音频率间隔为5 0 h z 。 得到的l s f 矢量为f i ，对f i 进行四级矢量量化，四级的码本的大小分别为 1 2 8 ，6 4 ，6 4 ，6 4 。量化矢量f 为每级最佳量化矢量的和，最终送到编码输出中的 是四个最佳码本矢量的序号，它们分别被量化为7 、6 、6 、6 比特。 3 1 5 增益的提取及量化 对于输入语音，计算增益的窗口长度与基音周期的长度有关，每帧信号计算 两次增益。增益值为加窗后信号s ( 船) 的均方根值，单位为分贝，用公式表示如下： q = 1 0 l g ( o 0 1 + 专s 2