多媒体技术基础 - 计算机科学系- 中山大学.pptVIP

多媒体技术基础 第三章：话音编码（Speech Coding） 主要内容 话音的形成原理 话音编译码器原理 脉冲编码调制（PCM） 增量调制与自适应增量调制 自适应差分脉冲编码调制（ADPCM） 子带编码 其他编码 话音的分类 浊音（voiced sounds）：声道打开，声带在先打开后关闭，气流经过使声带要发生张驰振动，变为准周期振动气流。浊音的激励源被等效为准周期的脉冲信号。 清音（unvoiced sounds）：声带不振动，而在某处保持收缩，气流在声道里收缩后高速通过产生湍流，再经过主声道（咽、口腔）的调整最终形成清音。清音的激励源被等效为一种白噪声信号。 爆破音（plosive sounds）：声道关闭之后产生压缩空气然后突然打开声道所发出的声音。 话音技术的研究热点 话音压缩编码（Speech Coding） 话音识别（Speech Recognition） 文本话音转换（Text To Speech） 话音编译码器 衡量话音编码器的参数 数据输出速率 延迟时间 话音质量 价格（实现代价） 语音质量等级划分 广播质量：带宽为7000Hz的高质量话音 长途电话质量：带宽为3400Hz，信噪比为30db，有失真 通信质量：完全可以听懂，但和长途电话质量相比有明显的失真。 合成质量：80％－90％的可懂度，听起来象机器讲话，失去了讲话者的特征 话音编译码器的分类 波形编译码器（waveform coder）：不利用生成话音的信号的任何知识，将话音视为一种普通的声音，直接对波形信号进行采样和量化。例如PCM、DPCM、ADPCM等。 音源编译码器（Source coder）：也叫参数编译码器、声码器（vocoder）。它从话音波形信号中提取话音生成模型的参数，使用这些参数通过话音生成模型重构出话音。 混合编译码器（Hybrid coder）：综合使用上述两种技术。使用的激励信号波形尽可能接近于原始话音信号的波形。例如CELP。 三种话音编译码器的对比 语音信号的冗余度 幅度非均匀分布 样本之间的相关性 周期之间的相关性 基音之间的相关性 静止系数（话音间隙） 长期相关性（long term correlation） 脉冲编码调制（PCM） Pulse Code Modulation PCM的量化方式 非均匀量化 对小信号采用小的量化间隔，对大信号采用大的量化间隔，这样可以用较少的位数编码。 对大信号来说，虽然绝对量化误差较大，但是因为：（1）大信号出现的机会不多，（2）信噪比（相对误差）与小信号是一致的，所以对总的话音质量影响不大。 非均匀量化也是一种压缩。 μ律压扩与A律压扩 μ 律(μ -Law)压扩(G.711)主要用在北美和日本等地区的数字电话通信中。 μ律压扩与A律压扩 PCM与频分多路复用（FDM） PCM与时分多路复用（TDM） 差分脉冲编码调制（DPCM) 关键在于预测器与量化器的设计 差分脉冲编码调制（DPCM) 预测方程式 线性预测： 如果ai是常数，则为时不变线性预测，否则为自适应线性预测 最简单的预测方程： 最简单的DPCM 增量调制(△M) 从图中可以看到，在开始阶段增量调制器的输出不能保持跟踪输入信号的快速变化，这种现象就称为增量调制器的“斜率过载”(slope overload)。一般来说，当输入信号的变化速度超过反馈回路输出信号的最大变化速度时，就会出现斜率过载。之所以会出现这种现象，主要是反馈回路输出信号的最大变化速率受到量化阶大小的限制，因为量化阶的大小是固定的。 从图中还可以看到，在输入信号缓慢变化部分，即输入信号与预测信号的差值接近零的区域，增量调制器的输出出现随机交变的“0”和“1”。这种现象称为增量调制器的粒状噪声(granular noise)，这种噪声是不可能消除的。 在输入信号变化快的区域，斜率过载是关心的焦点，而在输入信号变化慢的区域，关心的焦点是粒状噪声。为了尽可能避免出现斜率过载，就要加大量化阶Δ，但这样做又会加大粒状噪声；相反，如果要减小粒状噪声，就要减小量化阶Δ，这又会使斜率过载更加严重。 自适应增量调制(ADM) CVSD（连续可变斜率增量调制）： 假定增量调制器的输出为1和0，每当输出不变时量化阶增大50%，使预测器的输出跟上输入信号；每当输出值改变时，量化阶减小50% 如果编码器的输出连续出现三个相同的值，量化阶就加上一个大的增量；反之，就加一个小的增量。 自适应脉冲编码调制（APCM） APCM是一种根据输入信号幅度大小自动改变量化阶大小的一种波形编码技术。 自适应差分脉冲编码调制 ADPCM是利用样本与样本之间的高度相关性和量化阶自适应来压缩数据的一种波形编码技术，CCITT为此制定了G.721推荐标准，这个标