音声符号化.pptVIP

* 画像情報特論 (5) ディジタル圧縮とメディア表現 (5) オーディオ圧縮とその他のコンテント 電子情報通信学科 甲藤二郎 E-Mail: katto@m.waseda.ac.jp 2002.05.21 音声?オーディオ圧縮の 原理 ディジタルオーディオ キャプチャ＆圧縮 マイク サウンドキャプチャ 音声： 8 kHz 、8 ビット オーディオ： 22.5, 44.1, 48 kHz、16 ビット 典型的なサンプリングレート 音声?オーディオ符号化の歴史 2 4 8 16 32 64 128 256 512 守谷： “音声符号化” 40 80 90 00 kbit/s G.711 (PCM) G.726 (ADPCM) MPEG1 MPEG4 G.728 (CELP) G.723.1 (CELP) G.729 (CELP) ボコーダ (音源モデル) GSM (CELP) VSELP PSI-CELP AMR (CELP) CD/DAT オーディオ 電話 波形符号化 (フィルタバンク) CELP (音源モデル) PCM 携帯 音声符号化 (1) 音声合成モデル 周期パルス ランダム雑音 ｘ G (ゲイン) 声道モデル 有声音 無声音 ピッチ周期 パルス列 (有声?無声) ピッチ周期 ゲイン LPCパラメータ 以下のパラメータを推定 (予測) して送信する 音源 (パルス源) 声道 (フィルタ) LPC分析合成 L.Rabiner et al: “Fundamentals of Speech Recognition” 局所デコーダ 音声符号化 (2) 聴覚補正 ベクトル 量子化 - ピッチ予測 LPC合成 コードブック ピッチ予測 LPC合成 CELP (LD-CELP 方式) 音声入力 音声出力 コードブック 励振ベクトル (パルス列) ＆ゲイン 励振ベクトル 送信側： 受信側： CELP: Code Excitation Linear Prediction LPCパラメータとピッチは送らずに復号信号から推定 (もともとのCELP方式では送信する) 守谷： “音声符号化” 音源 声道 ひずみ評価 CELP の閉ループは最適ベクトル探索を意味し、 ビデオのフレーム間予測の閉ループとは異なる 音声符号化 (3) LPC 分析 (線形予測分析) ： 声道モデル LPC: Linear Prediction Coding s(n): 音声サンプル ak: LPC係数 p: LPC分析次数 G: 励振ゲイン u(n): 正規化励振項 過去の k 個のサンプル値から線形予測 (注) 通常、画像のモデルでは雑音と扱う r(k): 自己相関係数 ak: 推定LPC係数 ^ 予測誤差二乗平均の最小化 自己相関法 (Durbinのアルゴリズム) 音声符号化 (4) ベクトル量子化 ： 音源パルス列 励振ベクトルとゲインの探索： d: ひずみ x: 目標ベクトル (入力音声) A: LPC係数行列 g: ゲイン c: 励振ベクトル (パルス列) となる励振ベクトルとゲインを探索 さまざまな探索手法 ... 励振ベクトル → ベクトル量子化 ゲイン → スカラー量子化 (声道パラメータ → ベクトル量子化) コード ブック ベクトル 量子化 入力 出力 インデクス コード ブック 探索 事前学習 音声符号化 (5) ベクトル量子化 ：コードブックの学習 (1) K-平均アルゴリズム (一般化 Lloyd アルゴリズム) クラスタ (符号ベクトル) 初期化 最近隣 (NN) 探索 クラスタ重心更新 新しい 学習ベクトルの入力 (M: 符号ベクトル数) (L: 学習ベクトル数) (ユークリッド距離の場合) 欠点： 最終結果が初期ベクトルに依存 音声符号化 (6) ベクトル量子化 ：コードブックの学習 (2) LBG アルゴリズム 全学習ベクトルの 重心算出 (初期化) クラスタ分割 最近隣 (NN) 探索 クラスタ重心更新 新しい 学習ベクトルの入力 k-平均アルゴリズム オーディオ符号化 (1) オーディオ符号化の基本 音声入力 周波数 分割 周波数 分析 心理聴覚 分析 量子化 エントロピー 符号化 周波数分割、周波数分析： FFT、サブバンド分割 (QMF)、MDCT 心理聴覚分析： 絶対閾値とマスキング 量子化、エントロピー符号化： スカラー量子化とハフマン符号 オーディオ符号化 (2) 心理聴覚分析 絶対閾値： 人間は絶対可聴閾値よりも大きな音しか知覚できない マスキング (相対閾値)： 大きな音の周波数の近傍の小さな音の周波数は知覚できない 振幅 振幅 周波数 周波数 聞こえる 聞こ