5.3 音频信号编码方法在线视频

同学们好

下面我们来学习

音频信号的编码方法

那么在前面

我们介绍了

我们人耳的特性

基于我们人耳的特性

以及对数据进行压缩编码的基本理论

我们就形成了一系列的

有关音频信号的压缩编码的技术

那么我们现在分别来做一个介绍

那么音频信号压缩编码的

最基本的方法就是

Ad pcm编码方法

音频自适应的差分脉冲编码调制方法

那么AD pcm编码算法

是在D pcm的基础上

加上了自适应

量化步长的调整

通过根据信号的幅度

来改变差分信号

所使用的比特数

来实现对于音频信号的

更有效的压缩

那么下面这个图

给出了AD pcm编码的

基本的流程

那么具体在进行

编码实现的时候

预测部分

是以帧为单位进行的

一般我们是20毫秒

作为一个编码的预测帧

根据本真语音波形的时间相关性

来确定预测器的预测系数

那么最终使得预测误差

最小的那一组系数

作为最终的预测器的预测系数

具体实现的时候

又分为前项预测和后项预测

那么前项预测是在预测的时候

用当前帧的取样值

来进行预测器的预测系数的计算

那么这种预测的方法

它预测的精度会高一些

因为预测就是使用

本帧的数据

来进行预测器系数的计算

计算的结果会更准确一些

所以说预测的精度就会更高

但是它会引入一帧的延迟

那么如果采用的是

后项预测的预测方法的话

那么预测器的系数

是基于上一帧的样本来计算

那么它的预测的精度

就会小

预测的精度就会低

但是它的好处是没有算法的延时

也就是说

对当前这一帧预测的时候

是使用前一帧样本

来完成对预测器系数的计算

那么没有任何的算法的延迟

我们现在来看一下

音频的子代编码

音频的子带编码

最典型的应用例子就是

IPO-T的

标准7.722

编码标准里头

它就采用了音频的子代编码算法

那么我们这个下面流图给出了子带编码

它的基本的编解码的流程

那么我们从图中看到

输入信号

首先通过一个正交镜像滤波器组

把它分解为上下两个子带

然后两个子带信号

分别送到

到相应的ADpcm编码器中

进行ADpcm编码

然后输出两个子带的码流

再进行一个复合

最终形成送入信道的数字码流

那么G.72标准中

他提供了三种编码速率

对应着三种不同的工作模式

根据应用的需求

可以进行选择

那么输入的信号

是采用就是16K的采样16比特量化

它面对的音频的质量

是7K以内的音频信号

那么在进行D子带ADPcm编码的时候

那么可以选择

是48K的输出码率

或者是更低的输出码率

比方说32K那么对于低子带

分配的资源会更多一些

比方说

是可以采用每个样值

6个比特

来进行描述

那么如果是8K采样的话

那么最终输出的码率

就是48KB每秒

对于高子带

一般分配的资源会更少一些

比方说

是每个样值

分给两个比特的编码

所以说对于8K的采样

那么这一路的的数据率

就是16K高低子带两路数据

信号符合形成

一路64K的

码率输入到信道

那么如果对于低子带

采用比方说是5个比特的资源分配

或者是4个比特的资源分配的话

那么就可以形成对应40KB每秒

以及32kb每秒的码率输出

那么这样子

整个进入信道的码率

就会更低一些

那么就是56K或者是48K

那么通过这样子的一种

设计方式

那么能够面对

不同的应用需求

下面我们来看一下

语音信号产生的数字模型

那么对于语音信号

我们可以用数学的方式

对它进行建模

那么如果能够很好的

对发声系统进行建模的话

那么我们就可以用模型参数

来描述我们的发声系统

那么我们对语音信号的压缩

就可以基于这些特征参数来实现

那么这样子

就会获得更高的压缩效率

对于语音信号来说

我们分析它的特征

它的重要特征可以归结为5种

音调 周期 响度 浊音和轻音

那么浊音对应的是我们

发声的时候

声带震动所发的音

轻音对应的是

我们声带不振动的时候发的音

那么对于语音信号

我们可以通过

图中给出来

这样子一个激励模型

来进行抽象

那么在这个模型中

我们看一下

有声道模拟滤波器

来模拟我们的声道系统

那么通过给声道模拟滤波器

加入相应的激励信号

那么会最终输出语音信号

这些激励信号

就是由我们刚才所说的

几个重要的语音信号的特征值

来控制最终形成

我们声道滤波器的输入

那么声道滤波器

可以用一个

线性预测滤波器来进行描述

那么在这儿我们看到

它其实是一个全基点的滤波器

在滤波器的表达式中

我们看到最重要的就是

这个滤波器的系数

所以说对于一个声道模型来说

如果我们知道了

描述这个滤波器的这一组系数

我们就可以通过

加入相应的激励信号

使它模拟产生我们的语音信号

那么我们后续所介绍的

混合编码技术

以及参数编码技术

其实就是基于我们这样一个语音

信号的数字模型来进行的

那么我们对语音信号来进行参数

这种编码的模式

进行编码的话

其实首先就是要提取

我们的语音信号的特征

同时要提取声道模拟滤波器的系数

这样我们就可以基于这些参数

基于激励模型

来还原出我们的语音信号

那么有了语音信号的发声模型

我们来介绍分析

综合编码的语音编码技术

分析综合编码

它的基本的思想就是

首先对语音信号进行特征提取

然后分析

产生语音信号的

模拟滤波器的滤波器系数

对这些特征参数

以及滤波器系数进行编码传输

那么实现对音频信号的压缩

在接收端

根据这些参数

和语音信号的特征值

那么我们合成语音信号

所以对于分析综合性的编码器来说

它首先要进行语音信号的分析

那么一般是把语音信号进行分片

或者叫分帧

一般是20毫秒左右一帧

对每一帧进行分析

提取语音信号的

重要的参数

以及我们声道滤波器的参数

就是我们刚才所介绍的

语音模型的这样子的模型参数

那么把这些参数进行编码传输

那么在解码端

根据我们合成语音的语音模型

以及收到的这一系列的参数

来进行语音信号的合成

那么基于这样子的一个分析

综合的思想实现的编码算法

有很多像最典型的

就是线性预测升码器

就是典型的分析综合

编码器

再有像马基利线性预测

编码器混合基地

线性预测编码器

都是属于分析综合类的

编码算法实现的编码器

那么我们下面来看一下

线性预测编码算法

就是LPC的编码算法

那么这个编码算法

它的编码端所要做的就是

音频信号特征的提取

所提取的特征

就是我们刚才前面所说的

音调 周期 响度

浊音 清音

同时要提取升到滤波器的参数

然后对这些参数进行编码传输

在解码端

是基于所接收到的这些音频特征

以及声道滤波器的系数

逐帧的合成最终的语音

我们来通过这个流程图

来做一个了解

在编码端

我们会看到

输入的语音信号

先进行一个模数转换

然后进行一个波形参数的提取

也就是提取我们语音信号的

5个重要的特征参数

一路送去声道分析单元

进行声道滤波器参数的提取

那么对提取的这些参数

进行编码传输

在接收端基于收到的这些参数

进行还原

那么还原是要基于我们的某一个

声道合成的模型进行的

那么这一类压缩编码

它的最大的特点

就是压缩比很高

那么能够实现高压缩比

缺点就是保真度比较低

那么最典型的特征

如果是我们已经

很熟悉的一个人的语音

经过这样子的一个算法的

压缩编码之后

解码可能我们听到的

是一个陌生人的语音

你不能够区分是谁说的

这段话

但是能够听懂

他所表达的语意

所以说这一类压缩编码技术

主要适用于窄带信道的

语音通信

以及军事方面的

语音通信的应用

感觉加权滤波器

我们前面介绍了

我们人的耳朵的听觉掩蔽特性

那么在语音谱中

能量比较高的频率范围

相对于能量比较低的频率范围

那么它的噪声

是不容易

被我们人的耳朵所感受到的

这个是我们人耳听觉掩蔽效应所决定的

感觉加权滤波器就是这样子的一个

充分利用了

人耳眼鼻效应的

这样一个滤波器

那么通过把噪声功率

在不同的频率上

进行重新的分配

最终达到减小噪声感觉的

这样子的一个目的

也就是说

通过把噪声

在不同频率上的

二次分配

来减小我们主观噪声的感觉

我们在度量原始语音

和合成语音之间的误差的时候

考虑这样子的一个人的

耳朵的掩蔽效应的话

那么我们让语音能量高的频段

误差大一些

语音能量低的频段误差小一些

那么这样做的好处是

总的语音信号的质量是没有改变的

但是我们把有效的比特用于

表达更有效的内容

那么使得我们的

数据率能够降低

那么我们引入感觉加权滤波器

来计算

合成语音和原始语音之间的误差

我们看这个表达式

我们在进行原始语音

和合成语音之间的

误差计算的时候

我们如果引入了

这样子的一个感觉加权滤波器

通过这个感觉加权滤波器来调整

误差的分布

使得能量大的频段范围

它的误差大一些

能量小的频段范围

它的误差小一点

那么这样子

来实现我们最终

总的质量的提升

在这个表达式中

SF对应的是

原始语音信号的付利叶变化

XF对应的是

合成语音信号的付利叶变化

那么FS对应的是采样频率

也就是说我们在计算频率

我们在计算误差的时候

考虑了这个信号能量的特征

引入了wf的

这样子的一个函数

那么感觉加权滤波器它的传输函数

我们看到是这样一个线性的传输函数

我们给出了感觉加全滤波器的

传递函数

那么在这个传递函数中

我们看到AI和伽马这两个参数

决定了具体滤波器的特性

那么这个伽马这个参数

我们把它叫做感知加权因子

那么这个感觉加权因子

它会决定我们这个WC的这个函数

它的具体的特征

实际我们经过测试在8K采样频率下

伽马的取值在0.8左右

会得到更好的感觉加权的这样一个效果

我们看一下右边这张图

引入WC的这样子一个感觉

加权滤波器之后

我们的误差评定波形

它的变化情况

在右边这张图

最上面的实线

给出来的是

我们语音谱的分布特征

那么误差信号

它的分布

由于引入了加权滤波器的影响

所以说它的分布

我们看到是

非平坦的

是跟语音信号的波动趋势是一致的

那么我们再来看

我们的加权滤波器的频响

加权滤波器的频响

正好跟我们语音图的波动

是相反的

那也就是说

语音谱能量比较大的区域

我们加权滤波器的

频响值会更低一些

也就是说处于谷

语音信号

能量谱比较低的范围

我们的加权滤波器函数值

是相对比较高

是处于峰

那么通过这样一个

加权滤波器的作用

使得我们在评价原始语音

和合成语音之间的误差的时候

那么它的误差的变化

是随着我们能量谱的变化

而变化的

合成分析法

那么这个方法

是把合成滤波器引入到编码器

使它跟我们的感知加权利波器相结合

在编码器中产生与解码器

完全一致的合成语音

然后与原始语音进行一个比较

通过调整参数

使感觉加权均方误差最小

通过这种方式

来提升语音编码的质量

那么基于这样子的一个合成分析

的这样一个思想

所实现的编码器

最典型的由码激励线性预测编码器

规则脉冲激励线性预测编码器

我们很多的现代的音频压缩编码技术

都是采用了这样子的一个合成

分析的这样一个编码思想

实现了对音频的

高质量的压缩编码

那么我们来看一下

它基本的编解码的流程

左边是编码器

给出了合成分析法的

编码的基本的实现思想

那么我们会看到

在编码器中

包含了感觉加权滤波器

以及一个解码器

也就是说本地综合器

虚框框的这一部分

其实对应的就是一个解码器

那么通过在编码这一端

引入这个解码器

来模拟在解码端

所实现的解码器输出

通过原始语音和本地综合器得到的

还原语音之间的误差

来调整我们最终的

Lp的分析结果

也就是说

通过选择能够使

预测误差最小的那一组

相应的编码器的参数

和语音信号的参数

作为我们最终编码的输出

那么输入的语音信号

一路送到预测器中

进行一个预测误差的求解

一路送到分析单元

进行滤波器系数

以及语音信号参数的分析提取

预测误差是要经过一个

感觉加权滤波器的作用

然后送到均方误差评估单元

也就是说最后的预测误差的输出

对应的是感觉加权均方误差

那也就是说

考虑了我们刚才所介绍的

感觉加权滤波器对于误差的调整

那么把这样子的

最终的误差的结果

送去控制本地综合器

最终产生我们的lp

和激励信号的一个最优的输出

那么在解码器这一端

是根据收到的这些参数

滤波器的系数

以及语音信号的参数

来控制我们的激励信号发生器

那么使得我们的综合滤波器产生

最终的语音合成

那么这是我们合成分析法

基本的实现思想

那么合成分析法典型的代表

就是码激励线性预测编码器

我们来看一下

这个预测编码器

它的实现的技术内容

那么Clp的码激励线性预测编码器

它实现

包括的技术

有感觉加权滤波器

线性预测单元

以及矢量量化部分

也就是说它是由这样三个技术

综合构成的

这样子的一个编码器

具体实现编码的时候

是从两个码本中

搜索最佳的矢量

然后乘上最佳的增益作为

预测滤波器的输入

也就是说

我们的激励信号源来自于

对于码本的码矢量的选择

那么码本是分为两个

一个是自适应的码本

一个是随机的码本

那么通过自适应码本

来推进我们语音的长时周期

通过随机的固定的码本来逼近我们语音

经过短时

和长时预测后的语量信号

那么整个编码器

是要通过对码本中最优码的选择

来实现我们的编码

最终形成的激励信号是

通过M阶的

线性预测的综合滤波器

最后还原出语音信号

那么我们还原的语音信号

是要跟原始的语音信号

要进行一个

感觉加权均方误差的计算

那么以能够使这个感觉加权预测

均方误差最小的那一组码矢量

作为我们最终的编码输出

那也就是说

我们在进行这个码本的码矢量选择的时候

选择的码本

选择的码矢量

是以能够使

感觉加权预测误差最小的那一组码矢量

作为我们最终的码矢量

我们具体在进行编码的时候

采用的是分帧技术进行编码

每一个帧是20~30毫秒

并且分成2到5个子帧

我们在每一个子帧里面

进行最佳码矢量的选择

选择出最佳的码矢量之后

把码矢量的索引号

作为最终编码的输出

那么在解码这一端

是根据收到的最佳码矢量的索引号

那么再进行相应的还原

码激励线性预测的解码器

包含了合成滤波器

后置滤波器

两个重要的组成部分

那么在接收端

接收到相应的码字序号之后

我们用接收端存储的

同样的一个码本

来选择出这个码矢量

作为合成滤波器的激励源

那么来形成我们的合成语音输出

合成语音

通过后置滤波器

来把其中包含的一些可闻噪声

进行进一步的滤除

那么所以后置滤波器在这儿

是为了提高语音质量

作为这样一个重要的环节

参与到编码器里面

那么所以说对于CRP编解码来说

它大部分的时间

花在编码器端的

码矢量的选择

搜索方面

感知编码

那么感知编码

它基本的原理

就是利用了我们人耳的听觉特性

和清理声学模型

通过剔除我们人耳朵

听不到的

那部分频率成分

来实现对音频的压缩编码

那么它是属于典型的

基于人耳掩蔽特性所实现的这样子一类编码算法

首先是对信号的频率和幅度

进行一个分析

并且把分析结果

跟我们人的耳朵的

听觉感觉模型进行一个比对

通过去除音频信号中

不相干的那些部分

来实现对音频的压缩

量化的时候

采用的是自适应的量化

根据我们所分析的

我们的人耳的可听度来分配

所使用的码字的字长

重要的声音

会分配多一些的比特数

不重要的声音分配

少一些的比特数

以此来提升我们的音频的质量

降低我们的编码的比特率

我们来看一下

具体实现的流程

那么输入的信号是

进入两个通道

一路是进行一个音频信号

能量的分析

也就是说把音频信号

转入到频域来进行一个

频谱特征的一个分析

一路信号送到

心理声学的分析单元

进行一个相应的

基于声学模型的分析

那么通过这样子的一个单元

来得到

基于我们人耳掩蔽特性

不能够感受到的那部分语音信号

然后计算出掩蔽的特征值

根据计算的掩蔽特征值来进行

量化编码的比特数的分配

量化编码输出的结果

在经过无损的熵编码

最后把符合数据输入到信道

所以说对于感知编码器来说

它充分利用了

我们人耳的掩闭特性

基于我们人耳的掩蔽特性

先要分析输入的语音信号

能量的分布频率的特征

那么来确定

在进行后续量化编码的时候

哪一部分频率成分

要分配更多的比特数

哪一部分频率成分

是可以去除的

或者是可以分配更少的比特数

通过这种方式来实现

对音频信号的

更有效的压缩