ＶｏＩＰ中的語(yǔ)音編碼技術(shù)分析
(2009-04-01 10:38:00)隨著(zhù)互聯(lián)網(wǎng)的迅速發(fā)展，出現了一種基于Ｉｎｔｅｒｎｅｔ的電話(huà)新業(yè)務(wù)——ＶｏＩＰ業(yè)務(wù)。ＶｏＩＰ（Ｖｏｉｃｅ ｏｖｅｒＩＰ，基于ＩＰ的語(yǔ)音通信）也稱(chēng)為ＩＰ電話(huà)，是建立在Ｉｎｔｅｒｎｅｔ上的新型數字化傳輸技術(shù)。ＶｏＩＰ的使用，可以極大地降低用戶(hù)的通信費用，而互聯(lián)網(wǎng)的蓬勃發(fā)展也促進(jìn)ＶｏＩＰ技術(shù)的迅猛發(fā)展。ＶｏＩＰ網(wǎng)絡(luò )電話(huà)的成功開(kāi)發(fā)和應用，預示了以ＩＰ為基礎的新一代信息網(wǎng)絡(luò )的出現，積極地探索和跟蹤這項新技術(shù)無(wú)疑具有十分重要的意義。
１ 語(yǔ)音編碼的原理
為使ＶｏＩＰ網(wǎng)絡(luò )電話(huà)能夠可靠地進(jìn)行語(yǔ)音通信，必須解決好兩個(gè)問(wèn)題：一是在保證一定話(huà)音質(zhì)量的前提下盡可能地降低編碼比特率，二是在ＩＰ網(wǎng)絡(luò )環(huán)境下保證一定的通話(huà)質(zhì)量。前者正是我們要探討的語(yǔ)音編碼技術(shù)，同一段語(yǔ)音信號，采用不同的編碼方式，其編碼后的比特率各不相同。那么如何對語(yǔ)音信號進(jìn)行壓縮編碼從而達到降低語(yǔ)音信號的比特率呢？
１．１ 利用了語(yǔ)音信號的相關(guān)性
語(yǔ)音信號主要存在兩方面的冗余度，即語(yǔ)音信號幅度分布的非均勻性和樣本之間的相關(guān)性。非均勻性表現為小幅度語(yǔ)音信號出現的概率大而大幅度語(yǔ)音信號出現的概率小，非均勻量化技術(shù)正是針對語(yǔ)音信號的這一特點(diǎn)而提出的，例如ＡＤＰＣＭ編碼算法；樣本之間的相關(guān)性表現為樣本點(diǎn)之間的短時(shí)相關(guān)性和相鄰基音周期之間的長(cháng)時(shí)相關(guān)性，利用語(yǔ)音信號的相關(guān)性，可以在實(shí)現低速率編碼時(shí)，也能保持較高的語(yǔ)音編碼質(zhì)量，例如線(xiàn)性預測算法就是利用這一原理。
１．２ 利用了人耳的聽(tīng)覺(jué)特性
人耳對語(yǔ)音信號的聽(tīng)覺(jué)特性表現在３個(gè)方面：一是人耳對語(yǔ)音信號的分辨率有限；二是人耳對語(yǔ)音信號某些失真不是很敏感；三是人耳的掩蔽效應。低速率高品質(zhì)語(yǔ)音編碼算法的實(shí)現就是基于人耳的這些聽(tīng)覺(jué)特性，既可以保證人耳感覺(jué)不到語(yǔ)音質(zhì)量的下降，又降低了語(yǔ)音編碼速率。
１．３ 靜音壓縮
測試表明，人在正常談話(huà)時(shí)，有５０％左右是靜音，而靜音信息只需很少幾個(gè)參數（４字節/幀）來(lái)表示。靜音編碼主要由兩個(gè)算法組成：語(yǔ)音檢測（ＶｏｉｃｅＡｃｔｉｖｉｔｙ Ｄｅｔｅｃｔｉｏｎ ＶＡＤ）和柔和噪聲再生（Ｃｏｍｆｏｒｔ ＮｏｉｓｅＧｅｎｅｒａｔｏｒ ＣＮＧ）。ＶＡＤ是用來(lái)檢測輸入的信號是實(shí)際語(yǔ)音信號還是背景噪聲。如果檢測到是語(yǔ)音信號，則對語(yǔ)音信號進(jìn)行固定速率的編碼；如果輸入信號被檢測為背景噪聲，編碼器則對其進(jìn)行低速率編碼。ＣＮＧ的作用是在話(huà)音信號的接收端重構背景噪聲。在Ｇ．７２３．１編碼器中引入靜音壓縮技術(shù)后，實(shí)際的平均編碼速率要小于５．３ｋｂ/ｓ，可以達到３．５ ｋｂ/ｓ以下。ＶｏＩＰ網(wǎng)絡(luò )電話(huà)中已被廣泛使用的線(xiàn)性預測合成分析編碼就是基于此項原理的應用。
２ 語(yǔ)音編碼技術(shù)的分類(lèi)
根據語(yǔ)音編碼的發(fā)展過(guò)程，我們把該技術(shù)歸納為以下３類(lèi)：
２．１ 波形編碼（或稱(chēng)為非參數編碼）
波形編解碼器基本上不考慮信號是如何產(chǎn)生的，而直接將輸入的模擬信號抽樣編碼，然后將量化后的樣值傳送到終端，在終端原始信號被重組到與原信號大致接近的程度。因此波形編碼方式是能夠忠實(shí)地表現波形的編碼方式。由于這類(lèi)編碼器通常將語(yǔ)音信號作為一般的波形信號來(lái)處理，所以它具有適應能力強、話(huà)音質(zhì)量好、抗噪抗誤碼的能力強等特點(diǎn)，它最大的缺點(diǎn)是同其他的編解碼器相比，它要使用大量的帶寬，當波形編解碼器用于低帶寬時(shí)，話(huà)音質(zhì)量下降得非?？?。
脈沖編碼調制（ＰＣＭ）、自適應增量調制（ＡＤＭ或ΔＭ編碼）、自適應差分編碼（ＡＤＰＣＭ）、自適應預測編碼（ＡＰＣ）、自適應子帶編碼（ＡＳＢＣ）、自適應變換編碼（ＡＴＣ）等都屬于波形編碼。
２．２ 參數編碼（或稱(chēng)為模型編碼或聲碼化編碼）
參數編碼是根據聲音的形成模型，把聲音變換成參數的編碼方式。其基本方法是通過(guò)對語(yǔ)音信號特征參數的提取及編碼，力圖使重建語(yǔ)音信號具有盡可能的可懂性，即保持原語(yǔ)音的語(yǔ)義。而重建的信號波形同原語(yǔ)音信號的波形可能會(huì )有相當大的差別。由于參數編碼是保護語(yǔ)聲模型，重建清晰可識別的語(yǔ)聲，而不注重波形的擬合，所以這類(lèi)編碼技術(shù)實(shí)現的是合成語(yǔ)聲質(zhì)量下的低速或極低速的編碼。參數編碼的優(yōu)點(diǎn)是：編碼速率低，編碼速率通常小于４．８ｋｂ/ｓ，可以低至６００ ｂ/ｓ～２．４ｋｂ/ｓ；缺點(diǎn)是：合成語(yǔ)音質(zhì)量差，特別是自然度較低，連熟人之間都不一定能聽(tīng)出講話(huà)人是誰(shuí)。另外，這類(lèi)編碼器對講話(huà)環(huán)境噪聲較敏感，需要安靜的講話(huà)環(huán)境才能給出較高的可懂度，且時(shí)延大。
線(xiàn)性預測編碼（ＬＰＣ）、多帶激勵（ＭＢＥ）編碼、余弦變換編碼（ＳＴＣ）均屬參數編碼。
２．３ 混合編碼
混合編碼是將波形編碼與參數編碼結合而產(chǎn)生的一種編碼方式。采用線(xiàn)性技術(shù)構成聲道模型，不只傳輸預測參數和清濁音信息，而是將預測誤差信息和預測參數同時(shí)傳輸，在接收端構成新的激勵減去激勵預測參數構成的合成濾波器，使得合成濾波器輸出的信號波形與原始語(yǔ)聲信號的波形最大程度地擬合，從而獲得自然度較高的語(yǔ)聲?；旌暇幋a克服了原有波形編碼器與聲碼器的弱點(diǎn)，結合了它們的優(yōu)點(diǎn)，在４ｋｂ/ｓ～１６ ｋｂ/ｓ速率上能夠得到高質(zhì)量合成語(yǔ)音，在本質(zhì)上具有波形編碼的優(yōu)點(diǎn)，有一定抗噪和抗誤碼的性能，但時(shí)延較大。
多脈沖線(xiàn)性預測編碼（ＭＰＬＰＣ）、規則脈沖激勵線(xiàn)性預測編碼（ＲＰＥＬＰＣ）、碼激勵線(xiàn)性預測編碼（ＣＥＬＰＣ）、低時(shí)延的碼激勵線(xiàn)性預測編碼（ＬＤ－ＣＥＬＰＣ）等都屬于混合編碼。
３ ＶｏＩＰ中常用語(yǔ)音編碼算法的性能分析和比較
３．１ Ｇ．７１１協(xié)議
Ｇ．７１１是在電路交換電話(huà)網(wǎng)中普遍使用的一種波形編解碼算法。Ｇ．７１１以８ｋＨｚ作為抽樣頻率，如果使用統一量化方式，話(huà)音中通用的信號層次的每一個(gè)樣本就要１２比特來(lái)表示，這就產(chǎn)生了９６ｋｂ/ｓ的比特速率。如果使用不統一的量化方式，表示一個(gè)樣本只需要８比特。Ｇ．７１１通常被稱(chēng)為ＰＣＭ（脈沖編碼調制）。
Ｇ．７１１有Ａ律和ｕ律兩個(gè)變型，兩者之間的區別主要在于不統一量化的使用方式，兩者都是關(guān)于０對稱(chēng)。對于較低的信號層次來(lái)講，Ａ律對于信號的歪曲程度比ｕ律更小一些，這是因為它對一個(gè)較大范圍內的低層次信號提供較小的量化間隔，但以較大范圍內的高層信號的較大量化層次為代價(jià)。Ａ律和ｕ律都提供了良好的語(yǔ)音質(zhì)量，并且Ｍｏｓ等級都在４．３左右。
３．２ Ｇ．７２３協(xié)議
Ｇ．７２３協(xié)議是一個(gè)雙速率語(yǔ)音編碼協(xié)議，其兩種速率分別是５．３ ｋｂ/ｓ和６．３ｋｂ/ｓ，較高比特率的輸出基于ＭＬ－ＭＬＱ技術(shù)，提供某種程度上較高質(zhì)量的音質(zhì)；較低速率的輸出基于ＣＥＬＰ，為系統設計人員提供了更大的靈活性。Ｇ．７２３．１協(xié)議的編解碼算法中兩種速率的編解碼基本原理是一樣的，只是激勵信號的量化方法有差別。對高速率（６．３ｋｂ/ｓ）編碼器，其激勵信號采用多脈沖最大似然量化（ＭＰ－ＭＬＱ）法進(jìn)行量化，對低速率（５．３ｋｂ/ｓ）編碼器，其激勵信號采用代數碼激碼線(xiàn)性預測（ＡＣＥＬＰ）法量化。
編碼過(guò)程是首先選速率為６４ｋｂ/ｓ的ＰＣＭ語(yǔ)音信號轉化成均勻量化的ＰＣＭ信號，然后把輸入語(yǔ)音信號的每２４０個(gè)樣點(diǎn)組成一個(gè)幀，也就是３０ｍｓ的幀長(cháng)。每個(gè)幀通過(guò)高通濾波器后再分為４個(gè)子幀。對于每個(gè)子幀，計算出１０階線(xiàn)性預測濾波器的系數。為了適于矢量量化，把預測系數轉化為線(xiàn)性頻譜對（ＬｉｎｅＳｐｅｃｔｒｕｍＰａｉｒ，ＬＳＰ），然后進(jìn)行矢量量化。量化前的系數構成短時(shí)感覺(jué)加權濾波器，原始語(yǔ)音信號經(jīng)過(guò)該濾波器得到感覺(jué)加權語(yǔ)音信號。對于每?jì)蓚€(gè)子幀，編碼器用感覺(jué)加權語(yǔ)音信號求得開(kāi)環(huán)基音周期，基音周期范圍從１８個(gè)樣點(diǎn)到１４２個(gè)樣點(diǎn)。此后編碼器所進(jìn)行的操作都是基于６０個(gè)樣點(diǎn)進(jìn)行的。由開(kāi)環(huán)基音周期和感覺(jué)加權是在開(kāi)環(huán)基音周期點(diǎn)周?chē)囊欢ǚ秶鷥惹蟮玫?。最后，激勵信號被量化，然后把這些參數和激勵信號量化結果傳送到解碼器。由于幀長(cháng)為３０ｍｓ，并存在另外的７．５ ｍｓ的前向延遲，導致３７．５ ｍｓ總的編碼延遲。
Ｇ．７２３協(xié)議適用于低速率多媒體服務(wù)中語(yǔ)音或音頻信號的壓縮算法，在ＩＰ電話(huà)網(wǎng)關(guān)中，被用來(lái)實(shí)現實(shí)時(shí)語(yǔ)音編碼解碼處理。
３．３ Ｇ．７２６協(xié)議
Ｇ．７２６協(xié)議采用的是ＡＤＰＣＭ語(yǔ)音編碼算法，提供了６４ ｋｂ/ｓ ＰＣＭ碼流至低速率ＡＤＰＣＭ碼流的轉換。協(xié)議給出４０ｋｂ/ｓ，３２ ｋｂ/ｓ，２４ ｋｂ/ｓ和１６ ｋｂ/ｓ ４種比特率。其中，４０ｋｂ/ｓ信道主要用于在數字電路倍增設備（ＤＣＭＥ）上傳送數據ｍｏｄｅｍ信號，特別用于４．８ ｋｂ/ｓ以上速率的ｍｏｄｅｍ；２４ｋｂ/ｓ和１６ｋｂ/ｓ信道主要用作ＤＣＭＥ語(yǔ)音傳送的過(guò)載信道。Ｇ．７２６設計的主要用途仍然是傳統的電路交換網(wǎng)，但是其低比特率方案也可用于ＶｏＩＰ。
３．４ Ｇ．７２８協(xié)議
Ｇ．７２８協(xié)議采用的編碼算法是ＬＤ－ＣＥＬＰ，即低時(shí)延的碼激勵線(xiàn)性預測的算法。ＬＤ－ＣＥＬＰ采用后向自適應預測器（ＢａｃｋｗｏｒｄＡｄａｐｔｉｖｅＰｒｅｄｉｃｔｏｒ）對短時(shí)譜和增益進(jìn)行預測。ＬＤ－ＣＥＬＰ編碼器發(fā)送的只是激勵矢量在碼本中的地址標號，而解碼端的濾波器參數和增益參數都是在解碼端計算得來(lái)的。在大多數編碼系統中，這類(lèi)參數都是在編碼端求得，然后傳輸到解碼端。
編碼過(guò)程是首先將速率為６４ｋｂ/ｓ的ＰＣＭ輸入信號轉化成均勻量化的ＰＣＭ信號，接著(zhù)由５個(gè)連續的語(yǔ)音樣點(diǎn)組成一個(gè)５維矢量，激勵碼本中共有１０２４個(gè)５維矢量。對每一個(gè)輸入矢量，編碼器利用合成—分析法從碼本中搜索出最佳碼本矢量，然后將１０比特的碼本標號傳給對方。每２０個(gè)樣點(diǎn)構成一個(gè)復幀，一個(gè)復幀構成一個(gè)自適應周期，每復幀更新一次ＬＰ系數。最佳碼本矢量通過(guò)增益加權和合成濾波器后形成合成語(yǔ)音，該合成語(yǔ)音用來(lái)更新濾波器狀態(tài)，以便繼續為下一個(gè)輸入矢量進(jìn)行編碼。合成濾波器系數和增益分別通過(guò)各自的后向自適應單元進(jìn)行周期性地更新。
３．５ Ｇ．７２９協(xié)議
Ｇ．７２９協(xié)議是一個(gè)能在８ｋｂ/ｓ速率上實(shí)現高質(zhì)量語(yǔ)音編碼的協(xié)議，它采用的是ＣＳ－ＡＣＥＬＰ即共軛結構算術(shù)碼激勵線(xiàn)性預測的算法。ＣＳ－ＡＣＥＬＰ以ＣＥＬＰ編碼模型為基礎，它把語(yǔ)音分成幀，每幀１０ｍｓ，也就是８０個(gè)采樣點(diǎn)。對于每一幀語(yǔ)音，編碼器從中分析出ＣＥＬＰ模型參數，其中包括線(xiàn)性預測系數，自適應碼本和隨機碼本的索引值和增益，然后把這些參數傳送到解碼端，解碼器利用這些參數構成激勵源和合成濾波器，從而重現原始語(yǔ)音。
編碼過(guò)程是首先將速率為６４ｋｂ/ｓ的ＰＣＭ語(yǔ)音信號轉化成均勻量化的ＰＣＭ信號，通過(guò)高通濾波器后，把輸入語(yǔ)音信號的每８０個(gè)樣點(diǎn)組成一個(gè)幀，也就是１０ｍｓ的幀長(cháng)。對于每個(gè)幀用線(xiàn)性預測法求得ＬＰ濾波器系數，為了適于矢量量化，把預測系數轉化為線(xiàn)譜對，然后進(jìn)行矢量量化。利用合成—分析方法，使原始語(yǔ)音和合成語(yǔ)音之間的誤差最小，來(lái)獲得最佳激勵信號。激勵信號的量化是通過(guò)兩個(gè)碼本來(lái)實(shí)現的，即自適應碼本和隨機碼本。自適應碼本反映的是長(cháng)時(shí)預測結果，也就是基音預測結果。隨機碼本反映的是經(jīng)過(guò)長(cháng)時(shí)預測和短時(shí)預測后的殘留信號。
在ＩＰ電話(huà)網(wǎng)關(guān)中，Ｇ．７２９協(xié)議被用來(lái)實(shí)現實(shí)時(shí)語(yǔ)音編碼處理。
３．６ ＶｏＩＰ常用語(yǔ)音編碼算法的性能分析和比較
從表１可以看出：Ｇ．７１１由于采用的是波形編碼算法，具有高質(zhì)量和低時(shí)延的語(yǔ)音，主要的缺點(diǎn)是需要６４ｋｂ/ｓ的帶寬。Ｇ．７２３．１，Ｇ７２８，Ｇ．７２９都采用了混合編碼算法，混合編碼把激勵模型和語(yǔ)音的時(shí)域波形結合到一起，從而改善了合成語(yǔ)音的質(zhì)量。但這３種語(yǔ)音壓縮編碼算法的區別在于激勵模型的不同。Ｇ．７２３．１Ｍｏｓ值約為３．８，優(yōu)點(diǎn)在于僅需要很窄的語(yǔ)音帶寬便可具有較高的語(yǔ)音質(zhì)量；缺點(diǎn)在于在編碼器一端至少有３７．５ｍｓ的時(shí)延。Ｇ．７２８最大的優(yōu)點(diǎn)是它能提供高質(zhì)量和低時(shí)延的語(yǔ)音。
４ 結語(yǔ)
語(yǔ)音編碼技術(shù)是建立和處理ＶｏＩＰ網(wǎng)絡(luò )電話(huà)的原動(dòng)力，可以預見(jiàn)，隨著(zhù)互聯(lián)網(wǎng)技術(shù)的發(fā)展，原來(lái)Ｇ．７１１的６４ｋｂ/ｓ語(yǔ)音編碼算法最終會(huì )被淘汰，并由低比特率編碼算法所替代。
