电压范围量化编码0507301103.PPT

语音编码 陈虎 声音概述 声音是携带信息的重要媒体 音乐和解说使静态图像更加丰富多彩、音乐和视频的同步使视频图像更具真实性 传统计算机与人交互是通过键盘和显示器，人们通过键盘或鼠标输入，通过视觉接收信息。多媒体计算机为计算机增加音频通道，采用人们最熟悉、最习惯的方式与计算机交换信息 为计算机装上“耳朵”（麦克风），让计算机听懂、理解人们的讲话－－语音识别 为计算机安上嘴巴和乐器（扬声器），让计算机能够讲话和奏乐－－语音和音乐合成 声音概述 声音是听觉器官对声波的感知，而声波是通过空气或其他媒体传播的连续振动 声音的强弱体现在声波压力的大小上，音调的高低体现在声音的频率上 声音用电表示时，声音信号在时间和幅度上都是连 续的模拟信号，如图3-1所示 声波具有普通波所具有的特性，例如反射 、折射和衍射等 声音概述 人的听觉器官能感知的声音频率大约是20~20kHz，在这种频率范围里感知的声音幅度大约在0~120dB 语音信号（speech）：人说话的信号频率通常为300~3400Hz 亚音信号（subsonic）：小于20Hz的信号 超声波信号（ultrasonic）：高于20KHz的信号 声音概述 在组合声音信号的一系列分量信号音波中，最低频的音波称为基音，其余音波称为泛音 声音的三要素：音调、音色、音强 音调（音高）：取决于基频的高低。直观感受：“唱不上去了”，“跑调了” 音色：是由混入基音的泛音所决定的，如果中高泛音丰富音色就明亮，反之音色就暗淡。不同的乐器、不同人的语音音色不同 音强（响度） ：取决于声音的幅度（分贝） 声音的数字化 模拟音频：时间和幅度上都是连续的 模拟磁性录音技术，受电磁性能影响较大 数字音频：时间和幅度上都是离散的 计算机、数字CD、数字磁带（DAT） 声音的数字化 采样（sampling）：时间上的离散化 量化（quantization）：幅度上的离散化 声音的数字化 采样定理（Nyquist theory） 奈奎斯特理论指出：采样频率不应低于声音信号最高频率的两倍，这样就能把以数字表达的声音还原成原来的声音 人类听觉的频率范围大约为：20~20kHz，为保证不失真，采样频率应在40kHz左右 常用的采样频率有：8kHz, 11.025kHz, 22.05kHz, 16kHz, 37.8kHz, 44.1kHz, 48kHz 声音的数字化 采样精度： 度量声音波形幅度的精确程度，用每个声音样本的 位数(即bps)表示，例如每个声音样本用16位表示，测得的声音样本值是在 [0～65535]范围里的数，它的精度是1/65536 例如每个声音样本用16位表示，测得的声音样本值是在 [0～65535]范围里的数，它的精度是1/65536 精度是在模拟信号数字化过程中度量模拟信号的最小单 位，因此也称量化阶(quantization step size) 0～1 V的电压用256个数表示，量化阶等于1/256 V 声音的数字化 样本位数的大小影响到声音的质量，位数越多，声 音质量越高，所需存储空间也越多；位数越少，声 音质量就越低，所需存储空间也越少 声音的数字化 采样精度的另一种表示方法是信号噪声比， 简称为信噪比 其中，Vsignal表示信号电压，Vnoise表示量化噪声电压(模拟信号的采样值和与它最接近的数 字数值之间的差值)，SNR的单位为分贝(db) 声音编码 声音信号经过数字化以后将产生大量的数据。为了降低存储和传输成本，有必要对数字音频数据进行压缩编码 如：CD音频数据（未经压缩）： 数据率：44.1×1000×16×2 = 1.41M bit/s 1小时CD音频的数据量约为635M 音频编码的可能性 声音信号中包含大量的冗余信息 声音编码 从信息保持角度讲，只有当信源本身具有冗余度（redundancy），才能对其进行压缩 时、频域信息的冗余 如幅度的非均匀分布、样本间的相关等等 人的听觉感知机理 语音最终是给人听的，要避免做“即使记录了，人耳也听不见”的无用功 声音编码 编码算法的评价 声音的清晰度和自然度难以度量，评价十分困难 具有重要意义 评价的主要依据 音频质量 数据率 计算复杂度 音频编码目标 低码率、短延时、高质量 声音编码 音频质量评价方法分为两类： 客观测量法：信噪比（SNR） 主观测量法：主观平均判分法（mean opinion score, MOS），一般采用5分制 语音的形成原理 肺中的空气受到挤压形成气流，气流通过声门（声带）沿着声道（由咽、喉、口腔等组成）释放出去，就形成了话音。 气流、声门可以等效为一个激励源，