低速声码器的发展概况

1、精选优质文档-倾情为你奉上声码器技术的发展学院：班级：姓名：学号：指导教师：摘 要语音编解码技术的迅速发展，使中低速率语音编码技术广泛应用于现代移动通信。声码器特别适用于以低比特率为首要条件的通信场合, 较典型的应用包括标准电话信道上的保密语言传输和小型化数字存贮器中的语言存贮。在某些长距离无线通信中, 人们宁可使用声码器而不愿意用目前音质低劣的模拟传输系统。目前, 质量令人满意的实用语言编码器的比特率下限为2400bps,这个比特率是由线性预测编码和通道话音编码获得的。现在正在进行大量的研究工作, 其目的是要获得低于2400bps的比特率而又要使语言质量不下降或下降很少。这个研究课题是一个既

2、基本又具有实用价值的课题。声码器正向着速率更低、语音质量更好，延时更短，算法更复杂，抗干扰能力更强，带宽要求更小的方向发展。本文主要介绍国外声码器的发展概况、若干种低速声码器的技术原理和结果, 并推测未来的工作。关键字：声码器发展、线性预测编码、低比特率一、引言自首次成功地尝试建造一台能够模拟人声的机器以来,已经大约有两百年了。两百年中中人们曾建造了各种各样的这类机器, 成功的情况也各不相同, 年轻时的贝尔和他的兄弟就曾致力于建造一台这样的机器, 但取得实质性的进展却是电子系统问世之后的事。1939年纽约世界博览会上,一项叫做“ 语言合成器”（Voder）的发明引起了轰动。这个语言合成器实质上

3、是一台电子器件, 它通过完全的电子方式分析人类的语言, 然后又把它综合出来。该系统后来称之为“声码器”（话音编码器）,声码器标志了语言编码新纪元的开始, 声码器这个名词也一直沿用至今而作为一大类系统的属名。近年来, 声码器的研究变得日益重要了, 这在很大程度上取决于数字化技术和语言编码的大规模应用。语言数字化有两种根本不同的途径, 一种称之为波形编码, 另一种称之为参数编码。实现参数编码的硬件就是声码器。目前, 降低比特率是一个有重大意义的研究课题，为降低声码器的比特率而采取的所有方式都是利用了如下三个基本思想中的一个、两个或三个。1）时间多余度压缩：由于在稳态条件下, 帧与帧之间的语言特性相

4、同, 所以利用帧重复或其它的差分编码技术便可大大地降低比特率。2）参数组压缩：只要新参数组对于量化并不比原参数组更敏感, 则采用比较节省的参数组便能压缩比特率。另外, 采用比较好的模型如共振峰模型, 或应用某些变换Karhunen-Loeve变换, 可以获得较少的参数组。3）改进的量化技术：在以低比特率语言传输为目的而广泛开展语言分析技术研究的同时, 量化问题也受到了一定程度的重视。量化问题的研究大体上局限于单独地量化每个参数的技术。基本的量化理论、模式匹配的若干研究以及最近对于LPC矢量量化的研究都证明参数矢量量化具有奇迹般地降低比特率的潜力。现在国外的低速声码器研究工作非常活跃, 美国、西

5、欧和日本的许多公司、研究所,还有苏联都在进行这方面探索, 有的已获得令人鼓舞的计算机模拟结果, 有的已制成实验室样机。当然, 在研究中不可避免地遇到了这样或那样不易克服的困难, 距实际应用还有一定的差距。二、低速声码器的发展概况在低速声码器研究中, 共振峰声码器由于其比特率低曾一度备受青睐。共振峰声码器的概念最早是由J.L.Flanagan在一九五六年提出来的, 并作成试验性质的共振峰声码器样机, 效果虽然不太令人满意, 但却证明其前途是广阔的。五十年代末和六十年代初, 英国、美国和日本的许多公司相继开始研究共振峰声码器, 其研究和开发工作绝大部分都是在政府资助下以军用为目的进行的。如美国通用

6、电气公司在一九六一年研制出共振峰声码器模型, 其比特率为1350bps, 单音清晰度达90%, 另外如美国的Melpar、Philo。通用动力公司及英国的信号研究与开发中心等也曾在六十年代初研制成速率为1000bps以下的共振峰声码器, 英国航空部通信研究所研制的800bps共振峰声码器的清晰度和可懂度都比较好。但是共振峰声码器的研究没有获得如通道声码器那样的成功, 因此它作为实验室里的古董多于作为实际的通信装置。七十年代初, 大家都公认共振峰声码器概念由于其低比特率编码而颇具吸引力, 但也有它的实际困难。除有通道声码器的基音跟踪和有无声判决间题之外, 共振峰声码器还有恰当的共振峰跟踪、共振峰

7、识别、静止期后的共振峰跟踪搜索及综合, 特别是辅音产生的综合等题, 这样就使得声码器的潜在用户转而对这种低比特率的话音编码方法持怀疑态度。Moye可作为这种怀疑者的例子, 他说:“虽然这种说法肯定要受到挑战, 但人们却可以说从实用数字语言传输观点来看, 共振峰分析行不通。” 其它人如日本的电子和通信工程研究所的Y.Kato等也表明了类似的观点。七十年代初还报道有另外三种比较有代表性的极低速话音数字化装置, 碰巧它们的速率均为600bps。一是Flanagan在1970年实验论证的一种以600bps速率工作的共振峰跟踪声码器, 他用唱片表演了他的成果。由于试验句子包括了所有的元音、双元音和流音，

8、所以这是600bps 话音数字化装置的一个非常有限的试验论证。虽然如此, 但其综合语言却非常清晰, 表明共振峰声码法在话音分析综合方面具有潜力。第二种600bps的话音数字化装置则是由空军剑桥研究实验室Caldwell Smith等研制成的, 该装置采用模式匹配技术把通道声码器的输出分类, 系广泛的研究和开发工作的结果。其单一讲话人诊断韵律试验(DRT)的清晰度得分92% , 这对于600bps的话音编码系统可谓是一个非常高的得分。第三种600bps的系统则是Melpar公司所研制共振峰声码器的一种修正型。一九七六年底, 美国海军研究实验室G.S.Kang和D.C.Coulter等研制成了一种

9、线性预测共振峰声码器。它可以600bps的速率传输语言, 这个数据率还不到原始语言脉码调制传输率的百分之一。这项研究工作是在迫切需要极低速话音数字化装置以满足当时海军某些话音通信需要的前提进行的。600bps系统的综合语言较原始语言有某些损失, 但其清晰度之高却足以允许在某些特定的军用通信场合下使用该系统。法国也进行了低速音码器的研究。一九七五年法国的Thomson-CSF公司电信部当年的Thomson-CSF评论第七卷第四期上报道, 他们研制成一种叫做“Ciphon”的声码器, 即峰线声码器。这种声码器与其说是试图模拟声源的生理特性, 还不如说是致力于模拟人耳并辨别“ 清晰的声学特性” 。它

10、有两个主要特性:一是能以数字形式传输频带覆盖为3003400Hz的电话信号, 且恢复话音质量好,懂度也较高。二是根据编码的复杂性,可获得两种速率:处理时延不超过100ms时为1200bps；处理时延不超过300ms时为600bps。尽管和其它类型声码器相比原理不大一样, 但峰线声码器在技术上却可与它们媲美。与标准的通道声码器相比, 它可以低得多的速率提供优质语言, 与共振峰声码器相比, 它运算简单。这样, 从实用角度出发, 可以考虑实时工作设备的实现。峰线声码器可用于无线（尤其是HF）和有线通信。借助于相应的调制解调器, 便可在交换网电话线路上作全双工通信。一九八二年五月在巴黎IEEE的ASS

11、P国标年会上, 西德赫兹通信技术研究所A.Lacroix和B.Makel提出了一种比特率极低的声码器方案。该声码器以标准LPC声码器为基础, 由45节变长管组成声管模型, 采用带附加近似的自相关分析法计算变长声管模型的参数, 取得了极好的效果。非正式收听测试证明,1000bps的声码语言质量儿乎与标准的2400bpsLPC声码器的话音相同, 但这个结果仅限于某个人讲话或某个句子。一九八一年, 美国麻省理工学院Lincoln实验室R.J.Mcaulay提出了一种采用自适应子带振峰分析的低速声码器。该分析技术通过将二阶频谱与已测得频谱的单个子带适配来避免共振峰跟踪所固有的某些问题, 综合采用高质量

12、的通道声码器进行, 所以调制器的增益由有声语言的共振峰分析包络抽样或无声语言的低阶LPC包络抽样来调整。根据固定带宽准则, 只传输三个谐振段的每个段的频率和增益, 再加上对数编码和帧充填法, 便获得了800bps的可懂声码器语言。更仔细地分配6个传输参数的比特数, 还能获得更低的比特率。例如Flanagan就建议可用4比特编码第一和第二共振峰, 而第三共振峰只需3比特。他还觉得3比特足够编码共振峰幅度, 因此, 基音和有无声判决用6比特, 帧充填控制用3比特, 则用28比特编码有声语言谱就应当是能办到的, 在帧速率为25Hz时就相当于只有700bps的速率。如果采用更加先进的帧充填插入算法,

13、则可以获得更低的速率。其它如一九八一年TI公司(得克萨斯仪器公司)的 Knn - Shan Lin 和 Ying L.Tsui经过对LPC反射系数特性的仔细研究, 揭示了利用高效参数编码及最佳化帧重复进一步压缩数据率的可能性。他们在探讨中使用了利用对数面积比距离量度的经改进的成本函数及能量加权函数,并在保持频谱失真不超出预定门限值灼同时利用动态规划法使帧长度最大。利用TI公司的TMS 5100或TMS 5200实施方案, 便可以800850bps的速率获得高质量的语言。再如一九八年TRW公司国防和空间系统研究组的 T.E.Carter、D. M. Dlugos及D. C. Le Doux等研制

14、成了一种800bps的实时话音编码系统。该系统由TRW公司生产的微程控话音处理器（采用11K字存贮器）实现,DRT和其它的测试结果表明其可懂度和清晰度都令人满意, 完全可以用于话音通信。这种低数据率是通过一种高编码2400bps的LPC参数的算法获得的, 这种新的算法运用了其它类型通信系统所常见的若干数据压缩方案以获取所需的数据率, 这些方案包括自适应DPCM、K.L.变换、统计最住量化和动态比特分配等。其未来的工作应是进一步改进算法, 提高性能, 其最大的潜力可能在于用各种比特分配方案进行试验。由于要实施系统,对基本2400bpsLPC算法也还须进行若干改进。这些都会直接反映到800bps语

15、言的质量之中。有一种方法, 刚提出来的时候叫做“ 模式匹配声码器” , 后来又称作“ 矢量量化”, 就是在谱形参数组合的全部可能范围内仅仅选择极小部分。在通道声码器、LPC声码器和共振峰声码器中, 谱形参数所确定的多维空间占据极不均匀, 大部分空间根本未利用。根据某种恰当的准则, 选择最接近有限数量的存贮谱形的目前输入,便可能用大约每帧 10 12 比特而不是每帧40比特来较好地确定谱形 。通道声码器和LPC声码器的这种类型的系统已在实验室里证明可采用400 800bps的数字速率。在七十年代后期, 以 A.H.Gray Jr.、R.M.Gray和J.D.Markel为首的一些电信研究专家在高

16、效编码LPC参数方面作出了重大突破。在这以前, 系数都被变换为其它的“ 空间” 以去掉其相关性, 然后分别量化。这里说所的重大突破就是将表征特定声音的频谱紧紧地集为一组来实现, 以便用较少的频谱来表征一般人发那个声音的所有可能方式。由于在任何口语中都只有有限数量的声音或音素, 所以可用有限数量的频谱来表征语言中的所有声音。他们发现, 用大约1000种不同频谱或等效的1000个LPC系数矢量就能构成所有成年讲话人的一组有代表性的频谱。这些频谱应当是什么呢?确定的方法之一就是利用实时数据, 把它们分成若干组, 然后把这些组的重心作为有代表意义的频谱。如果有足够多的组, 则每一组代表一个单一的性质不

17、同的声音。通常为易于计算起见, 人们从几何形状出发, 找出最好的两个频谱, 然后最好的4个, 然后最好的8个等等, 所得的重心称为1比特, 2 比特, 3比特等的码书。在利用矢量量化进行LPC分析过程中, 首先实施一般的LPC分析, 然后将输入语言的LPC矢量与码书中的表值进行比较, 频谱距离量度规定了输入LPC矢量和码书表值之间的差值, 选择与原始矢量频谱距离最小的表值作为输出矢量。若采用10系数和10比特的码书的分析, 这就意味着可用10 比特来量化频谱, 平均每个系数仅1比特。以矢量量化技术为主、再结合其它的高效编码技术研制成低速声码器的例子很多, 这一研究工作也非常活跃。如IEEE的会

18、员和高级研究员 D. Y. Wong、B. H.Juang和A.H.Gray.Jr等在在一九八二年研制成一种800bps的矢量量化线性预测声码器。他们应用最新形成的LPC矢量量化理论使LPC系数编码的比特率下降到原来的四分之一, 同时应用分支搜索技术分离有声/ 无声码书获得了较好的算法效率。此外, 他们还利用差分编码技术将基音和增益参数的比特率降低了三分之一。正式的主观评价表明, D.Y. Wong等研制成的800bps声码器保留了LPC系统的绝大部分可懂度, 在各种传输误码和声学环境下都显得非常健全实用。非正式的收听比较表明其音质是令人满意的, 有时还非常接近2400bps的LPC语言。该系

19、统的计算成本相当甚至还低于2400bps的LPC-10的成本, 并保证与LPC -10相兼容, 这是因为800bps声码器的设计仅在量化和编码算法上不同。若压缩或消除声码化参数过程中的帧间多余度, 还可使总比特率减少到400bps以下而保持可接受的清晰度和可懂度。其技术包括压缩无声码书、帧重复编码和新开发的矩阵编码等。一九八三年,D.Y.wong (语言技术实验室)、B.H.Juang(贝尔实验室) 再度和加里福尼亚大学的D.Y.Cheng合作研究帧预测矢量量化,将编码LPC滤波器系数的比特率压缩到 250bps 以下, 同时还利用新的LPC压缩技术矩阵量化进一步将LPC滤波器系数压缩到150

20、bps以下。采用DRT进行主观评价证明他们所提出的技术对于以400bps到200bps之间的比特率传输可懂语言是完全可行的, 目前他们正继续其研究工作, 改进矩阵量化技术及时标、基音和增益参数的编码算法, 提高系统质量和健全实用性, 使计算和存贮要求最佳化, 以利实时实现和完全实现以 200400bps 之间的速率工作的语言编码器。一九八三年美国麻省理工学院林肯实验室的D.B.Paul 提出了一种采用感觉距离量度的自适应矢量量化算法。这种自适应是通过连续改变样板组使之与目前的讲话人和状况相适应来实现的。距离量度逼近听觉感觉的目的是使样板应用最佳化。同时, 他还设计出了不需要附加信道带宽的自适应

21、规程。应系统800bps信道上获得了86.8%的可懂度得分( DRT试验),再把这种系统与频谱帧充填技术相结合, 便获得数据率低到500bps而可懂度仅微微有些下降的声码器系统。这里所采用的系统是含Gold基音预估器的频谱包络预测声码器。这些系统证明, 矢量量化声码器或叫样板声码器, 虽然其计算的复杂程度为标量量化声码器的二倍甚至三倍, 但在极低数据率的信道上使用却不愧是一种非常实用的算法。矢量量化技术己被人们公认为是信号编码的一种高效率的新方法。上面的例子及最近的研究工作都已证明, 把矢量量化概念用于LPC编码技术,能研制出极低比特速率的语言编码器。一九八三年国立台湾大学电气工程系的Shia

22、nn-ning Jean和Lin-shan Lee提出了一种进行自相关预估的限幅法, 从而简化了LPC计算, 提高了LPC实际应用的可行性。这种简化LPC的概念是由预先白化语言信号提取基音过程中的限幅技术发展而来的。将这种简化LPC算法与失量量化相结合就容易获得极低的比特率。在此基础他们又研究出了大量去掉帧间多分度而又毫不降低语言质量的高效编码LPC矢量的新算法, 再加上颇为吸引人的帧重复技术, 实现了一种采用简化算法的高效低比特率编码器。模拟结果表明, 要获得极好的语言质量, 声道信息平均有声语言仅需6.87 比特/帧,无声语言仅需3.62比特/帧, 就很容易获得大约550600比特/ 秒的

23、比特率, 而且计算量大大减少。因此, 这样的结果对语言数字化应用和未来的语言通信网将非常有用。虽然尚未证实, 但在原理上似乎还找不到什么理由能说明为什么好的共振峰声码器就不应当按模式匹配方式编码。英国联合语言研究中心的J.N.Holrnes认为, 模式匹配共振峰声码器完全应当以比I P C 型和通道型低得多的数据率产生出比它们高得多的语言质量, 这是因为模式匹配共振峰声码器与语言产生的关系更为密切。就能够大量节省数据率、实现低比特率语言传输来说, 潜力最大的就是所谓的“语音声器码”。一九七七年, 美国BBN公司J.Makhoul、R.Schwartz、S.Roucos及C.Cook等在国防部高

24、级研究计划局的资助下, 开始对这种低速型声码器进行以军用为目的的研究。这种类型声码器的一个共同特点是: 输入语言必须按语音单元编码, 语音符号序列带有时标和基频信息, 以使接收到的语言具有同原始语言一样的音调和时标。然而, 综合语言的频谱包络是由少量的模式序列产生的,或是按产生这样序列的规定由语言编码数据产生的。这种类型的声码器所要求的传输容量仅为100200bps到目前为止,所作的最好试验仍表明分析和综合都还存在着一定的困难。有各式各样的方法可以把语言符号综合成语言, 但要求这些语丢符号带有某种基音和时标。这些方法中的最好者已能给出虽然自然度稍差但可懂度却很高的综合语言, 当然, 这种综合语

25、言还不能突出任何个别讲话人的语言特点。然而, 语音声码器更为严重的困难还在于十分可靠地自动识别不同讲话人可能产生出的大量不同语言的语音内容。看来要解决这个问题还需要一种能够“调谐”到各特定人语言特性的方法, 只不过这是若干年以后的事了。美国E系统公司J.W.Whelan认为,低速声码器的速率不限相当于50bps的音素录制速度。它以英语的42个音素为基础, 要求在6个比特之内被极好地识别,最大讲话率约为每秒10个音素。最新研究表明, 利用现存技术制并以每秒75比特过率工作既音素声码器可以获得能够接受的话音质量, 但叫起来机械声非常明显, 讲话人识别也差, 所以在实施l00bps速率以下的通信之前

26、必须提高该声码器的质量。低速率语言传输具有重大的商用价值, 这是毫无疑问的。对于噪声环境下的通信,速率低就意味着通-断信号长,可获得较高的比特可靠性而速率低, 功耗也就低,因此可使非法窃收这种传输变得困难, 有利于军用保密通信。再从商用角度看, 低速率语言传输对于象话音邮件这样的应用而言, 则大大降低了它的存贮要求。随着大规模和超大规模集成电路的迅速发展, 人们研究出了各式各样的低速声码器算法。若把以前的情况归结为算法研究推动硬件技术的提高, 而今天则是硬件技术的提高推动着算法研究。三、几种低速声码器技术的原理和结果1977年、1980年和1982年,Makhoul,SamPei和A.Laor

27、oix、B.Ma一kel等先后提出了一种本质相同的比特率极低的声码器方案。该方案以标准LPC声码器为基础, 用串联不同横截面积的均匀无损声管模写声道的不规则形状, 而每个声管本身又由多级格状滤波器中的相应级来进行电气模拟。当声波穿过两个相邻声管联接处时, 一部分便作为阻抗失配结果被反射回去, 反射的数量由联接处的反射系数确定。格状滤波器的系数, 即部分自相关系数, 实质上就是声道的反射系数, 可由语言抽样或由直接的LPC系数计算出。试验表明, 每个参数都采用最佳字长, 则可用49比特来表征一个帧。由于综合器必须每秒钟校正40次, 所以数据率约为每秒2000比特。再通过消除静止期及重复参数, 数

28、据率可降低到每秒120014 00比特。最新研究表明,采用最佳帧重复技术,数据率还可降低到每秒850比特而照样可以获得比较高的语言质量。一九七六年美国海军研究实验室G.S.Kang 和D.C.Couler研制成600bps的线性预测共振峰声码器。该声码器最吸引人的特点在于它只是2400bps线性预测编码器的简单延伸。从本质上讲,600bps的线性预测共振峰声码器就是在2400bps的线性预测编码器的发端和收端各加上一个处理器, 发端处理器把2400bps的语言数据转变为600bps的语言数据, 收端处理器作相反转换, 再把数据变为2400bps的数据,综合输出。对于由2400bps线性预测编码

29、器传输的参数,600bps线性预测共振峰声码器作了如下变动: 1参数更新的间隔由22.5ms增加到25 m s, 2.激励参数在本质上与2400bps的线性预测编码器的激励参数相同, 但基音周期是每隔一帧更新一次。传输基音周期及激励功率电平需要260bps,占总数据率的43%。这是获得满意的话音通信所不可少的。3.声道滤波器参数根据有无声状态采用两种形式, 即有声音的共振峰频率和无声音的预测系数。该声码器系统较之2400bps的线性预测编码器系统损失了某些语音质量，综合语言鼻音较重，讲话人识别差，但却完全能满足专门军用话音通信的要求。进一步的工作是提高清晰度，消除鼻音重的现象，并在传输误差条件

30、下评价其性能。一九八二年，美国TRW公司国防和空间系统研究组T.E.Carter、D.M.Dlngos和D.C.Le Doux研制成一种以高效编码技术为基础的800bps实时话音编码系统。该系统将通信和信号处理领域的高效编码技术极好地结合起来，获得了极低的比特率。 该系统分为两部分，上半部分为分析器，下半部分为综合器。首先对输入语言进行LPC分析，产生增益、基音参数和10个反射系数，然后对它们再编码，从而获得800bps的数据率。同样在一九八二年，IEEE的D.Y.Wong、B.H.Juang和A.H.Gray Jr.共同研制成一种800bps的矢量量化LPC 声码器。该系统用54比特( 即1

31、8比特/决) 编码3个连续的LPC参数帧，滤波器系数30比特( 10比特/帧)。 基音和有无声判决12比特，增益11比特， 同步1比特。获得800bps速率的关键是通过矢量量化把用于编码每个LPC参数组的41比特压缩为10比特。矢量量化器由两个代码本组成， 一个用于有声语言, 一个用于无声语言( 包括无语声的暂停期间和背景噪声)。由于有无声分开，量化LPC系数也同样需要有无声参数。三个LPC系数帧一次编码，获得三个10比特，基音增益编码是标量的, 每3 帧一个, 余下的两帧则编码差值。有无声参数包括在基音码中。一九八二年底, 美国BBN公司在美国国防部高级研究计划局资助下研究成实现甚低速话音编

32、码的语音声码器。该系统首先对语言进行分析, 产生一组音素、音素长度及基音值。语言的速率通常是每秒12 个音素。由于每个三要素( 音素、音素长度和基音) 组可编为8 个比特, 所以传输信道上的数据率大约为100比特/ 秒。三要素组在收端解码后, 便由语音综合器恢复出原始语音。他们在语音声码器中所选用的基本语言模型为双音模型。双音规定为从一个音素的中点到下一个音素中点这样一个区域。因此, 双音模型就能直接地表征一个音素与其相邻音素的相互影响, 语音声码器的分析部分和综合部分都必须有一个大的双音样板数据库。他们由这个究项目得出的初步结论是:这种语音声码器完全可以获得极低的数据率, 但必须大量的人工录制数据才能使音素识别率高达足以使输出语言清晰可懂。该声码器系统利用语音识别进行语音综合的另一个问题是:如果在识别网络中有多个样板,而在语音综合规程中每个双音却只有一个样板, 则不能保证输出语言谱接近于输入语言谱。四、未来的工作半导体器件的发展使科学家们能够研制出体积小、性能优的声码器系统。特别是由于数字信号处理片的问世, 使绝大多数编码器实现成本明显下降。这些数字信号处理片子成本低, 通用性好, 已成为实现各种语言编码算法的理想器件。前面所提到的许多低速声码器算法都可以