第5讲语音编码.ppt

1、回声的产生,在实时通信中，回声是不可避免的，A端发送的声音在B端放出后，会随着B的声音再传送到A端，形成回声。 当A-B间延时很小，则A的回声与A语音近似重叠，人耳无法分辨。在PSTN网中，对于普通的市话呼叫，就属于这种情况。如果A-B延时较大，则回声和语音就能被人耳所分辨，形成干扰。卫星电话和IP电话就属于这种情况,A,B,Echo of A,Vout,Vin,回声的分类,分为声回声(Acoustic Echo)和线回声(Line Echo) 声回声：Vout播放出来，经空气传播，通过直射、反射等各种方式，形成Vin。声回声形成复杂，回声路径多样化，回声延时较大。 线回声：在公用电话网中，干

2、线传输采用4线方式（收、发各两线），而到交换局和电话终端之间，则采用2线方式（收发语音合并）。在2-4线转换过程中，由于阻抗匹配的问题，总会有些语音直接回传到发端，形成回声。这种回声路径比较固定（就是2-4线转换器），回声延时也比较小。,线回声抵消技术,对于Line Echo，由于回声路径固定，回声延时较小，一般采用自适应滤波技术，用一个滤波器来模拟回声路径，并将滤波器输出与实际的采样语音相减，从而抵消掉回声。,128阶滤波器，可抵消16ms的回声。一般采用LMS算法估计滤波器系数。,声回声抵消技术,与Line Echo相比，Acoustic Echo的回声路径更加复杂，而且路径的时变性更大，

3、因此LMS算法已无法及时跟踪。而且由于回声延时很大，如果继续采用线性滤波器，则运算量将大幅增加。 首先要选择更好的自适应滤波算法，有更快的收敛速度。其次要采用一些特殊的滤波器结构，以减小运算量。还可以采用多点语音输入输出方式，利用他们的空间相对位置进行计算。,在多媒体通信中的应用,和公用电话网相比，基于Internet的语音通信有巨大的延时。 编解码延时（10-30ms） 网络延时（几十至几百ms） 处理延时（取决于处理器，一般几ms） 因此收发两端延时往往能达到上百ms，必须采用回声抵消技术。 在端对端通信中，一般采用线回声抵消，在会议通信中，一般采用声回声抵消。,语音降噪,在一些恶劣的通信

4、环境下，往往通话中含有极大的噪声（如坦克之间的通信），对通信造成很大的影响。 噪声和语音在特性上有很大的不同。可以利用这些特征，将噪声和语音分离，再单独对语音作编码。 语音的例子，噪音的例子。 语音编辑处理软件CoolEdit2000,噪音和语音的特征,过零率：噪音的过零率高，而语音的过零率低。 基因周期：噪声没有周期性，而语音有比较明显的周期特征。 短时能量：噪声的短时能量稳定，语音的短时能量变化较大。,增益控制,在企业的会议通信中，两个Group之间的会议是很典型的应用。此时一个Group中的每个成员，距离通信终端的距离都不同。 自动增益控制（AGC）通过检测输入信号的能量，并进行调整，使

5、得发送到对端的语音信号能量基本相同，让对端有一个较好的听觉效果。,增益控制（二）,增益控制的基本技术是让语音的短时能量逼近其长时能量。长时能量的更新较慢，比较稳定。短时能量变化虽然快，但对于每个音节来说，相差不大。因此由于距离调整所引起的短时能量变化，如果向长时能量逼近，则可以保持语音能量的平稳性。 对于更复杂的增益控制算法，应考虑对噪声放大所产生的问题。,语音压缩,声音的分类 语音编码的性能评价指标和国际标准 语音的特点和模型 几种基本的语音编码技术 CELP编码模型的分析,声音的分类,语音 (Telephone Speech) ，2003400Hz，8KHz采样，主要应用于数字电话 波形编

6、码 参数编码 混合编码 宽带语音（Wideband Speech）， 507000HZ 16KHz采样，主要应用于会议电视，相当于调幅广播质量 音频(Audio) ，10-20000Hz，主要应用在娱乐与欣赏 对于重建信号的音质有很高的要求，目前采用比特率较高的波形编码技术进行压缩。,语音编码性能指标,1. 编码速率（KBPS、KB/S） 信号带宽 ：2003400Hz、507000Hz、1020000Hz 采样频率：8K、16K、32K、44.1/48K（Hz） 压缩码流速率（kb/s） 2. 编解码延时 公用电话网510ms，移动蜂窝网不超过100ms 3. 算法复杂度和可扩展性 用MIP

7、S衡量，现在的DSP运算能力达到几百上千MIPS。G729和G729A，可扩展性的例子。 4. 抗误码，抗丢包的能力 5. 鲁棒性 对不同音源，不同环境下有同样的质量。系统级联后多次编码解码后语音的质量。,语音编码性能评价,1. 编码速率（KBPS、KB/S） 信号带宽 ：2003400Hz、507000Hz、1020000Hz 采样频率：8K、16K、32K、44.1/48K（Hz） 压缩码流速率（kb/s） 2. 重建语音质量 客观评价：信噪比 主观评价：MOS分（1-5分） 3. 编解码延时（ms） 4. 算法复杂度 5. 抗误码，抗丢包的能力，多次编码解码后语音的质量,语音编码质量评价

8、（一）,可懂度评价：判断韵字测试，改进韵字测试 音质评价：MOS（Mean Opinion Score), DMOS(Degradation MOS),语音编码的速率、复杂度和语音质量有着相互制约的关系。速率和复杂度都有客观的评价标准，而语音质量更多的是主观感受。 主观评价方法：可懂度评价和音质评价。可懂度反映对语音内容的识别程度，音质包括语音的自然度和讲话人的可识别性。音质高-可懂度高；反之不一定成立。,语音编码质量评价（二）,时域测度 信噪比(SNR)，分段信噪比。越大越好。 频域测度 对数谱距离，倒谱距离，Mel谱。越小越好,主观评价方法的执行受人员的很大制约，受到测试者的内在的不可重复

9、性的影响，而且无法直接反映出系统参数的一些影响。为此需要客观标准。一般采用下图进行客观质量评价，其关键点是同步。,一些语音编码标准,发声特点,时变性，短时不变性 发声器官：喉（激励），声道（滤波器），嘴 清音与浊音，声母与韵母,发声模型,周期脉冲 发生器,声门脉冲 模型G(z),声道模型 V(z),辐射模型 R(z),随机噪声 发生器,X,X,基音频率F0,声道参数,Av,Av,语音,语音编码技术的分类,有损压缩 波形编码：主要基于语音波形预测，目标是使重建语音波形保持不变。语音质量好，简单易实现，但编码速率较高。 参数编码：通过语音信号的数学模型提取语音的参数并编码，目标是使重建信号尽可能保

10、持原信号的语意。一般我们称之为声码器。一般用于4.8kb/s以下的低速信道。 混合编码：结合波形编码的高质量和参数编码的低码率，被广泛采用。,波形编码,PCM：对每个样点独立编码，利用非均匀量化，将每个样点编码为8比特。 DPCM：利用相邻两个样点的相关性，对相邻样点的差值进行编码，这样减小了编码数据的动态范围，用较少的比特就可以得到同样的量化误差。 M：类似DPCM，但只用一个比特对差值进行编码，因此需要较高的采样率。 以上编码方法都属于波形编码，其特点是对采样点逐点处理。,参数编码（一）,由于人的发声器官的特点，发声过程可以被抽象为一定的模型。参数编码就是将实际语音信号作为模型输出，去求模

11、型输入与模型参数，并将其作为编码结果。 语音存在周期性，为了提取该周期，需要的语音数据长度至少要大于一个周期。一般选10ms的倍数，最低为10ms。,参数编码（二）,重要的语音参数： 基因频率：语音时域波形周期性信号的频率。男性一般是60-200Hz，女性和儿童是200-450Hz。 共振峰：频谱中的凸起点。与声道的谐振频率相对应。 短时过零率：单位时间内，语音信号过零点的次数。 短时能量： 短时自相关函数：,混合编码,参数编码得到的解码语音，和原始语音相比，有较多的损伤，原因是模型的参数无法控制语音的所有特性。因此，为了得到较高质量的解码语音，必须引入波形编码的一些技术。 事实上，语音的激励

12、信号中的固定码本，就是利用大量实际语音统计得到的。,预测编码(一),由于语音信号存在关联性，可利用前面的一个或多个信号对下一个信号进行预测，得到预测值，然后将实际值和预测值求差，并对差值信号进行编码传送。由于差值信号的动态范围很小，用较少的比特就可以精确的量化，从而压缩数据。 线形预测编码(LPC, Linear Predictive Coding) 采样值为f(n)，预测值为f(n)。 差值为e(n)=f(n)-f(n).,预测编码(二),调制与DPCM 调制是PCM的变形，是对实际采样信号与预测信号差值的极性进行编码。若差值大于量化阶，输出为1，否则输出0，每个样点编码为1个比特。当输入信号变化过快，就会出现斜率过载。 DPCM，用上一个样点值作为本次样点的预测值，对差值进行编码。,CELP编码,采用分帧技术，帧长20-30ms。基于合成分析(A-B-S)的搜索过程，感觉加权矢量量化和线性预测技术。CELP一般将每一帧语音分为2-5个子帧，在每个子帧内搜索最佳的码矢量。,CELP编码模型,固定码本,自适应码本,+,线性预测 滤波器 1/A(z),感觉加权 滤波器 W(z),+,最小感觉加权误差,gs,ga,码本的获得,固定码本：经过大量语音的统计获得 自适应码本：随着输入语音的变化而变化，编解