Кодирование речи - Speech coding

Кодирование речи это приложение Сжатие данных из цифровой звук сигналы, содержащие речь. Кодирование речи использует специфичные для речи оценка параметров с помощью обработка аудиосигнала методы моделирования речевого сигнала в сочетании с универсальными алгоритмами сжатия данных для представления результирующих смоделированных параметров в компактном потоке битов.[1]

Некоторые приложения кодирования речи мобильная телефония и передача голоса по IP (VoIP).[2] Наиболее широко используемый метод кодирования речи в мобильной телефонии - это кодирование с линейным прогнозированием (LPC), а в приложениях VoIP наиболее широко используются LPC и модифицированное дискретное косинусное преобразование (MDCT) методы.[нужна цитата ]

Методы, используемые при кодировании речи, аналогичны тем, которые используются в сжатие аудиоданных и кодирование звука где знания в психоакустика используется для передачи только данных, относящихся к слуховой системе человека. Например, в голосовой диапазон кодирование речи, передается только информация в полосе частот от 400 Гц до 3500 Гц, но восстановленный сигнал все еще подходит для понятность.

Кодирование речи отличается от других форм кодирования звука тем, что речь является более простым сигналом, чем большинство других звуковых сигналов, и имеется гораздо больше статистической информации о свойствах речи. В результате некоторая слуховая информация, имеющая отношение к кодированию звука, может быть ненужной в контексте кодирования речи. При кодировании речи наиболее важным критерием является сохранение разборчивости и «приятности» речи при ограниченном количестве передаваемых данных.[3]

Кроме того, для большинства речевых приложений требуется небольшая задержка кодирования, поскольку большие задержки кодирования мешают речевому взаимодействию.[4]

Категории

Речевые кодеры бывают двух типов:[5]

  1. Кодеры формы волны
  2. Вокодеры

Компандирование сэмплов рассматривается как форма кодирования речи

С этой точки зрения Закон и алгоритмы μ-закона (G.711 ) используется в традиционных PCM цифровая телефония можно рассматривать как более ранний предшественник кодирования речи, требующий только 8 бит на выборку, но обеспечивающий эффективное разрешение 12 бит.[6] Законы логарифмического компандирования согласуются с человеческим слуховым восприятием в том смысле, что шум малой амплитуды слышен вместе с речевым сигналом низкой амплитуды, но маскируется шумом большой амплитуды. Хотя это привело бы к недопустимым искажениям в музыкальном сигнале, пиковый характер речевых сигналов в сочетании с простой частотной структурой речи как периодическая форма волны имея один основная частота со случайным добавлением всплесков шума делают эти очень простые алгоритмы мгновенного сжатия приемлемыми для речи.

В то время было опробовано множество других алгоритмов, в основном на дельта-модуляция варианты, но после тщательного рассмотрения алгоритмы A-law / μ-law были выбраны разработчиками первых систем цифровой телефонии. На момент разработки их снижение пропускной способности на 33% при очень низкой сложности стало отличным инженерным компромиссом. Их звуковые характеристики остаются приемлемыми, и не было необходимости заменять их в стационарной телефонной сети.

В 2008, G.711.1 кодек, который имеет масштабируемую структуру, был стандартизирован ITU-T. Частота дискретизации входа составляет 16 кГц.

Современное сжатие речи

Многие из более поздних работ по сжатию речи были мотивированы военными исследованиями в области цифровой связи для безопасные военные радиостанции, где требовались очень низкие скорости передачи данных для эффективной работы во враждебной радиосреде. В то же время гораздо больше вычислительная мощность был доступен в виде Схемы СБИС, чем было доступно для более ранних методов сжатия. В результате современные алгоритмы сжатия речи могут использовать гораздо более сложные методы, чем были доступны в 1960-х годах, для достижения гораздо более высоких коэффициентов сжатия.

Эти методы были доступны в открытой исследовательской литературе для использования в гражданских приложениях, что позволило создавать цифровые сети мобильной связи со значительно большей пропускной способностью каналов, чем аналоговые системы, которые им предшествовали.[нужна цитата ]

Наиболее широко используемые алгоритмы кодирования речи основаны на кодирование с линейным прогнозированием (LPC).[7] В частности, наиболее распространенной схемой кодирования речи является LPC. Линейное предсказание с кодовым возбуждением (CELP ) кодирование, которое используется, например, в GSM стандарт. В CELP моделирование делится на два этапа: линейный прогноз этап, который моделирует спектральную огибающую и основанную на кодовой книге модель остатка линейной прогнозной модели. В CELP, коэффициенты линейного предсказания (LPC) вычисляются и квантуются, обычно как спектральные пары линий (LSP). В дополнение к собственно речевому кодированию сигнала часто необходимо использовать кодирование каналов для передачи, чтобы избежать потерь из-за ошибок передачи. Обычно методы кодирования речи и кодирования каналов должны выбираться попарно, причем наиболее важные биты в потоке речевых данных защищаются более надежным канальным кодированием, чтобы получить наилучшие общие результаты кодирования.

В модифицированное дискретное косинусное преобразование (MDCT), разновидность дискретное косинусное преобразование (DCT), был адаптирован в алгоритм кодирования речи под названием LD-MDCT, используемый для AAC-LD формат введен в 1999 году.[8] С тех пор MDCT получил широкое распространение в передача голоса по IP (VoIP), такие как G.729.1 широкополосный звук кодек представлен в 2006 году,[9] яблоко с Facetime (с использованием AAC-LD), представленного в 2010 году,[10] и CELT кодек представлен в 2011 году.[11]

Opus это бесплатно программное обеспечение кодер речи. Он сочетает в себе MDCT и LPC. сжатие звука алгоритмы.[12] Он широко используется для вызовов VoIP в WhatsApp.[13][14][15] В PlayStation 4 игровая консоль также использует кодек CELT / Opus для PlayStation Network системный партийный чат.[16]

Кодек2 Другой бесплатно программное обеспечение речевой кодер, который обеспечивает очень хорошее сжатие до 700 бит / с.[17]

Подполя

Широкополосный звук кодирование
Узкополосный кодирование звука

Смотрите также

Рекомендации

  1. ^ М. Архона Рамирес и М. Минами, «Кодирование речи с низкой скоростью передачи данных», в энциклопедии телекоммуникаций Wiley, изд. J. G. Proakis, New York: Wiley, 2003, vol. 3. С. 1299-1308.
  2. ^ М. Архона Рамирес и М. Минами, «Технология и стандарты для методов низкоскоростного вокодирования», в Справочнике компьютерных сетей, изд. Х. Бидголи, Нью-Йорк: Wiley, 2011, том. 2. С. 447–467.
  3. ^ П. Крун, «Оценка речевых кодеров», в книге «Кодирование и синтез речи», изд. W. Bastiaan Kleijn и K. K. Paliwal, Amsterdam: Elsevier Science, 1995, стр. 467-494.
  4. ^ Дж. Х. Чен, Р. В. Кокс, Ю.-К. Лин, Н. С. Джаянт и М. Дж. Мельхнер, Кодер CELP с малой задержкой для стандарта кодирования речи CCITT 16 кбит / с. IEEE J. Select. Области Комм. 10 (5): 830-849, июнь 1992 г.
  5. ^ Су Хён Бэ, ECE 8873 Сжатие данных и моделирование, Технологический институт Джорджии, 2004 г.
  6. ^ Н. С. Джаянт, П. Нолл, Цифровое кодирование сигналов. Энглвуд Клис: Прентис-Холл, 1984.
  7. ^ Гупта, Шипра (май 2016 г.). «Применение MFCC в распознавании независимого говорящего по тексту» (PDF). Международный журнал перспективных исследований в области компьютерных наук и программной инженерии. 6 (5): 805-810 (806). ISSN  2277-128X. Получено 18 октября 2019.
  8. ^ Шнелл, Маркус; Шмидт, Маркус; Джандер, Мануэль; Альберт, Тобиас; Гейгер, Ральф; Руоппила, Веса; Экстранд, Пер; Бернхард, Гриль (октябрь 2008 г.). MPEG-4 Enhanced Low Delay AAC - новый стандарт высококачественной связи (PDF). 125-я конвенция AES. Фраунгофера IIS. Аудио инженерное общество. Получено 20 октября 2019.
  9. ^ Нагиредди, Шиваннараяна (2008). Обработка голосовых и факсимильных сигналов VoIP. Джон Уайли и сыновья. п. 69. ISBN  9780470377864.
  10. ^ Дэниел Эран Дилгер (8 июня 2010 г.). «Внутри iPhone 4: видеозвонки FaceTime». AppleInsider. Получено 9 июня, 2010.
  11. ^ Презентация кодека CELT Тимоти Б. Террибери (65 минут видео, см. также слайды презентации в PDF)
  12. ^ Валин, Жан-Марк; Максвелл, Грегори; Террибери, Тимоти Б .; Вос, Коэн (октябрь 2013 г.). Высококачественное кодирование музыки с малой задержкой в ​​кодеке Opus. 135-я Конвенция AES. Аудио инженерное общество. arXiv:1602.04845.
  13. ^ Лейден, Джон (27 октября 2015 г.). «WhatsApp обнажился: исследованы внутренности информативного приложения». Реестр. Получено 19 октября 2019.
  14. ^ Хазра, Судип; Матети, Прабхакер (13–16 сентября 2017 г.). «Проблемы криминалистики Android». In Thampi, Sabu M .; Перес, Грегорио Мартинес; Вестфалл, Карлос Беккер; Ху, Цзянькунь; Fan, Chun I .; Мармоль, Феликс Гомес (ред.). Безопасность в вычислениях и коммуникациях: 5-й международный симпозиум, SSCC 2017. Springer. С. 286–299 (290). Дои:10.1007/978-981-10-6898-0_24. ISBN  9789811068980.
  15. ^ Шривастава, Саураб Ранджан; Дубе, Сачин; Шривастая, Гульшан; Шарма, Кавита (2019). «Проблемы безопасности, связанные со смартфонами: проблемы, примеры из практики и меры профилактики». В Ле, Дак-Нхуонг; Кумар, Рагвендра; Мишра, Броджо Кишор; Чаттерджи, Джйотир Мой; Хари, Манджу (ред.). Кибербезопасность в параллельных и распределенных вычислениях: концепции, методы, приложения и примеры из практики. Кибербезопасность в параллельных и распределенных вычислениях. Джон Вили и сыновья. С. 187–206 (200). Дои:10.1002 / 9781119488330.ch12. ISBN  9781119488057.
  16. ^ «Программное обеспечение с открытым исходным кодом, используемое в PlayStation®4». Sony Interactive Entertainment Inc.. Получено 2017-12-11.
  17. ^ «GitHub - Codec2». Ноябрь 2019.

внешняя ссылка