语音的特征与声码器的设计.pdfVIP

在有线通信系统中用得最多的source coding 技术是PCM （pulse code modulation ）技术，模拟语音被转换成64kbps 的比特流。有线 通信中用到的其它技术还包括 ADPCM （adaptive pulse code modulation）和DM （delta modulation ）。上述的语音source coding 技 术也被称为“波形编码”技术，因为它们的目的是复制源信息的波形。 这就是计算机的调制解调器能够连接到电话线上的原因：之所以发送 端的调制解调器产生的波形上携带的信息能够稳定地被另一侧的接 收端的调制解调器所接收，是因为 PCM 只负责复制信号波形，并不 关心信号波形携带的信息是人的声音还是调制解调器的调制音频。 受带宽限制，PCM 技术不适合无线环境。传送64Kbps 的信息需 要超过 64Kbps 的无线带宽资源，这不是运营商能够负担的。无线通 信系统需要更加节省带宽的source coding 技术。声码器（vocoder ） 就是符合这个要求的解决方案。根据人的声音的特点，声码器能够用 更少的比特来代表和复制人的声音（参加图 1）。PCM 不但能对人的 声音编码，还能对音乐和调制解调器的音频信号编码；而声码器只能 对人的声音编码，因为它是专门为人的声音定制开发的。 图1 无线通信系统引入声码器的原因 声码器充分利用了人的声音的时间特征和频率特征。人的声音由 浊音（voiced sound ）和清音（unvoiced sound ）组成。准周期 （quasi-periodic ）空气脉冲通过声道时产生了浊音（比如元音）。浊 音一般包含有一个有基本周期率的基础频率，这个基础频率也叫做音 调 （pitch）。湍流空气通过声道时产生清音（比如辅音），清音更象是 声道关闭和突然打开时产生的声学噪声。图2 说明了声音产生的基本 原则。 图2 声音的激发和产生 尽管人的声音随时间而变化，它的范围基本上是固定的，持续时 间大约是20 毫秒到40 毫秒，因此绝大多数声码器输出的帧的长度是 20 毫秒到40 毫秒。比如，IS-95 声码器输出的就是20 毫秒的帧。 声道可以用一个随时间变化的线性滤波器来模拟，即它的滤波响 应随时间而变化，这通过周期性地改变滤波系数而实现。这个滤波器 是典型的全极点滤波器，因为和既有极点又有零点的滤波器相比，全 极点滤波器对计算能力的要求比较低。因此这个模拟声道的滤波器可 以用1/T(z)来表示。如果用E(z)来表示excitation 信号，则声码器输出 的语音信号S(z)的范围是： S(z)= （1.1） 也可以写成： E(z) = S(z)T(z) （1.2） 一个全零点滤波器有时候也被称为分析滤波器（analysis filter ）， 而（1.2）代表了语音分析的过程。而全极点滤波器1/T(z)也被称作合 成滤波器，它和excitation 信号E(z)一起来合成语音信号S(z)，而（1.1） 也代表了语音合成的过程。这种类型的编码技术有时候也叫做分析— —合成编码。图3 描述了怎样在发射端分析声音和怎样在接收端合成 声音。声音编码器分析语音并产生 excitation 参数（比如浊音/清音 excitation ）和20 毫秒范围内的滤波系数。excitation 参数和滤波系数 都是语音编码器的输出参数。在 IS-95 系统中，这些参数和系数是在 接收端和发射端之间通信交换的信息。接收端的语音解码器用这些参 数和系数构建excitation 源和合成滤波器，并输出和S(z)近似的Ŝ(z) 。 图3 人的声音的复制过程