G.718音頻編碼器核心層的一種低延時編碼方案

陳利峰，秦永左

（長春理工大學(xué) 電子信息工程學(xué)院，長春 130022）

語音編解碼延時是衡量語音編碼性能的重要指標(biāo)之一，較大的編碼延時不僅會降低語音通信的服務(wù)質(zhì)量，同時還可能減小系統(tǒng)容量。1992年ITU正式公布了G.728標(biāo)準(zhǔn)［1］，即16kbit/s LD-CELP低延遲碼激勵線性預(yù)測編碼標(biāo)準(zhǔn)，它能達到0.625ms幀緩沖，一路編解碼延時小于2ms。1996年公布的8Kbps、15ms延時的G.729標(biāo)準(zhǔn)［2］，比特率有所下降，音質(zhì)也略低于G.728。文獻［3］提出的BI-CELP的算法，性能略高于G.729標(biāo)準(zhǔn)但延時仍為15ms。

ITU-T G.718編碼器［4］是ITU-T于2008年6月制定的全新的嵌入式寬帶語音和音頻編解碼器標(biāo)準(zhǔn)，編解碼器采用了嵌入式分層結(jié)構(gòu)，即將低速率的碼流嵌入在高碼率的碼流中。G.718最主要的應(yīng)用是分組語音傳輸，編碼器的嵌入式結(jié)構(gòu)可以在不影響低層解碼的情況下丟棄高層，能夠適用于擁塞控制和服務(wù)質(zhì)量管理。G.718的另一個重要應(yīng)用是高質(zhì)量的音頻和視頻會議。其他應(yīng)用包括多點接入家庭網(wǎng)關(guān)和多媒體流等。

1 G.718編碼器核心層算法

G.718編碼器是在幀長為20ms下進行處理的。對于WB輸入和輸出，核心層的算法延時為32.875ms，其中包括20ms的幀長，1.875ms的輸入輸出重采樣濾波器延時，10ms的前向預(yù)測，以及1ms的后濾波延時。對于NB的輸入和輸出，核心層的算法延時為33.875ms，包括20ms的幀長，2ms的輸入重采樣濾波器延時，10ms的前向預(yù)測，以及1.875ms的輸出重采樣濾波器延時。

下面介紹G.718編碼器的信號分類、線性預(yù)測（LP）系數(shù)的分析和量化以及開環(huán)基音搜索過程。

1.1 G.718編碼器信號分類

為了在8Kbps時獲得最好的語音編碼性能，首先進行VAD（Voice Activitity Detection）檢測判斷語音信號是否為活動語音信號，非活動語音信號如果采用DTX（Discontinuous Transmission）可以按照 CNG（Comfort Noise Generator）進行編碼。對于非活動語音不采用DTX方式時和活動語音，核心層將信號分成清音（unvoiced）、濁音（voiced）、過渡音（transition）和普通音（generic）四種類型，對這四種類型信號分別采用不同的編碼模式：清音編碼UC（Unvoiced Coding）、濁音編碼VC（Voiced Coding）、過渡音編碼TC（Transition Coding）和普通音編碼GC（Generic Coding）。核心層編碼時的信號分類流程如圖1所示。

圖1 核心層編碼時的信號分類

1.2 G.718編碼器線性預(yù)測分析

在G.718編碼器編碼過程中，frame-end幀和mid-frame幀的LP（Linear Predictive）參數(shù)被估計，每一部分都使用一個25ms的對稱窗（漢明窗），在frame-end自相關(guān)計算中使用了10ms的前向預(yù)測。幀結(jié)構(gòu)如圖2所示。

圖2 LP分析窗的相關(guān)位置和長度

frame-end語音幀利用相鄰幀間的ISF（Immittance Spectral Frequency）殘差系數(shù)進行量化。ISF參數(shù)采用了兩種不同的預(yù)測量化器進行量化：在第一個預(yù)測器中，預(yù)測系數(shù)值接近0.7，稱為strongly-predictive路徑；在第二個預(yù)測器中，預(yù)測系數(shù)值設(shè)置為0或0.3附近，分別稱為safety-net路徑和weakly-predictive路徑。

對于mid-frame幀，首先將ISF系數(shù)表示為前一幀和當(dāng)前幀的量化frame-end幀ISF系數(shù)的加權(quán)和，然后在一個閉環(huán)方式內(nèi)對權(quán)值進行搜索，使得未量化mid-frame幀ISF系數(shù)與這個加權(quán)和之間的均方誤差最小。另外，由于沒有足夠比特來傳輸每個ISF系數(shù)的權(quán)值，所以將ISF系數(shù)矢量分裂成一系列的子矢量，每個子矢量只傳輸一個權(quán)值。分裂點、每個分裂組的比特數(shù)和權(quán)值在不同編碼模式下是不同的。在TC模式下中間幀的ISF是不用量化的。

1.3 G.718編碼器開環(huán)搜索分析

開環(huán)基音分析是為了平滑基音演變輪廓，將閉環(huán)基音估計的值限定在開環(huán)估計值附近，以達到簡化基音分析過程的目的。

(1) 灌漿材料中的塊狀渣體含量對化學(xué)灌漿固結(jié)效果影響明顯，塊狀渣體占比越高(由5%提高至10%)，其孔隙率相對增大，漿液擴散越容易，固結(jié)強度越高。

開環(huán)基音分析是將加權(quán)信號2倍后采樣進行運算的。開環(huán)基音分析在每幀進行三次估計，以找到基音延時的三個估計值（運算長度均為10ms），其中兩個在當(dāng)前幀進行運算，第三個在前向預(yù)測中進行運算。

每個10ms區(qū)間的相關(guān)值是在兩組基音延時的基礎(chǔ)上的計算得來的，兩組的每個基音延時值的自相關(guān)函數(shù)由采樣信號sd(n)計算得來，公式為：

其中，求和上限Lsec取決于延時值所在的延時區(qū)間，對一個給定的延時值，在相關(guān)計算中至少包含一個基音周期。

2 基于G.718的低延時編碼方案

該方案在幀長為5ms基礎(chǔ)上進行編解碼。由于VC編碼模式比GC編碼模式的基音周期平穩(wěn)，在幀長5ms的條件下無法得到基音周期的穩(wěn)定性，所以需要改變信號的分類過程。漢明窗不適合幀長較短的情況，在線性預(yù)測分析中使用非對稱混合窗［5］代替原來的對稱漢明窗，避免了前向預(yù)測，從而降低了延遲，并且改變了LPC參數(shù)量化方法，在降低延遲的同時盡可能少增加額外的比特率。在G.718編碼器中，開環(huán)搜索的自相關(guān)計算中加權(quán)長度隨基音延遲的變化而改變，在低延時方案中幀長有時不能包含一個周期，相關(guān)計算中采用統(tǒng)一的加權(quán)長度計算。

2.1 低延時編碼器的基本結(jié)構(gòu)

由于低延時編碼中幀長為5ms，所以要在G.718編碼器核心層子幀的基礎(chǔ)上進行編碼。通過判斷每幀中四個子幀基音周期的平穩(wěn)性，G.718編碼器將語音編碼方式分為GC編碼模式和VC編碼模式，但由于本算法中幀長較短，無法得到基音周期的平穩(wěn)性估計，所以采用同一種編碼方式：VC編碼模式。另外，由于幀長的原因TC編碼模式也不適用，所以本算法中只采用VC編碼模式和UC編碼模式兩種編碼方式。語音分類過程如圖3所示。

圖3 低延時編碼時信號分類

2.2 線性預(yù)測分析

在不引入前向預(yù)測的情況下，本方案采用非對稱混合窗代替漢明窗，混合窗包含兩個部分，自回歸部分和非自回歸部分。相對于漢明窗，混合窗沒有使用前向預(yù)測，所以混合窗使得延時降低了10ms，如圖4所示。

圖4 LPC分析中的混合窗說明

混合窗函數(shù)wm(k)定義如下：

混合窗函數(shù)中參數(shù)b=0.988861084，α=0.992833749，c=0.0239，m=0.1673。該窗中長度為114個樣點（即N值為114），其中自回歸部分包括70個樣點（即L值為70），非自回歸部分包括64個樣點。加窗后語音信號仍采用自相關(guān)法和Durbin-Levinson算法得到LP參數(shù)，此窗相對于漢明窗不僅加強了當(dāng)前幀的數(shù)據(jù)，而且避免了引入前向預(yù)測。

在低延時編碼器中，ISF參數(shù)的量化類似于G.718中frame-end部分的量化過程。VC模式和UC模式都采用strongly-predictive路徑和weakly-predictive路徑進行量化，比較兩種路徑加權(quán)誤差，選擇誤差較小的預(yù)測器量化值作為最后的量化結(jié)果。具體量化比特分配情況如表1所示。

在低延時編碼中對ISF參數(shù)進行多級矢量量化，對于每個編碼模式和每級的子碼本規(guī)劃如表2所示。

表1 ISF參數(shù)量化比特數(shù)分配

表2 子碼本規(guī)劃

表中U1（6）表示碼本U1的大小為6比特，在量化過程中，最后一級的碼本沒有全部使用。例如，對于VC，NB模式的safety-net量化方法，總的量化比特數(shù)（預(yù)測器選擇除外）為26比特，所以最后一級的量化只需要4個比特，盡管C3碼本有32個比特，但是只使用了C3的前一半碼本（8個碼字）進行量化。

2.3 開環(huán)搜索分析

由于幀長的限制，開環(huán)搜索自相關(guān)計算采用統(tǒng)一的加權(quán)長度，即幀長。開環(huán)搜索過程具體如下：

首先在以下三個區(qū)間內(nèi)i=1：124，…，231；i=2：64，…，123；i=3：34，…，63通過自相關(guān)計算得到三個相關(guān)值最大值，信號s(n)自相關(guān)計算公式為

對于三個區(qū)間

保留下來的最大值R(ti)通過下式歸一化：

類似于G.718編碼器，通過比較t的大小決定最后的基音延時，為了避免選擇多個基音延時值，所以在三個最大值中更傾向于選擇較低范圍內(nèi)的值作為最后的開環(huán)搜索值。

2.4 低延時編碼比特分配

在語音編碼中，在降低編碼延時的條件下，必須保證盡可能少地增加比特率，在本方案中濁音信號編碼（VC模式）和清音信號編碼（UC模式）比特數(shù)分配情況分別如表3和表4所示。

表3 VC模式的比特分配

表4 UC模式比特分配

由表3和表4可以看出，在VC編碼模式和UC編碼模式中使用的比特數(shù)為65bits，由于幀長為5ms，所以在低延時編碼方案中比特率為13kbit/s。

3 語音質(zhì)量評測

本實驗使用了NTT-AT中文語料庫為實驗數(shù)據(jù)，包括8kHz語料和16kHz語料各96條（4男4女各12條），對算法進行性能估計。實驗通過對G.718編解碼器和它的低延時編解碼器合成語音進行PESQ（Perceptual Evaluation of Speech Quality）評分［6］，表5為96句語音平均的PESQ得分對比，實驗結(jié)果表明，與G.718編碼器相比，低延時編碼器的重建語音質(zhì)量只是略有下降，聽覺效果并無明顯差別。

表5 G.718低延時編碼器和G.718編碼器PESQ得分對比

4 結(jié)論

本文提出了基于G.718編碼器核心層的一種低延時編碼方案，它對于寬帶輸入和輸出具有7.875ms的算法延時，對于窄帶輸入和輸出具有8.875ms算法延時。該方案編碼速率為13kbit/s，而且具有接近G.718核心層的編碼質(zhì)量。

［1］CCITT Recommendation G.728，Coding of speech at 16kbit/s using low-delay code excited linear prediction［S］.Geneva，1992.

［2］ITU-T Recommendation G.729，Coding of speech at 8kbit/s using conjugate-structure algebraic-code-excited linear-prediction（CS-ACELP）［S］.1996.

［3］Kwon S Y，Hochong Park，Hyokang Chang.A high quality BI-CELP speech coder at 8kbit/s and below［C］.IEEE International Conference on Acoustics，Speech，and Signal Processing.1997.

［4］ITU-T Recommendation G.718，F(xiàn)rame error robust narrow-band and wideband embedded variable bit-rate coding of speech and audio from 8-32kbit/s［S］.2008.

［5］Zhang Gang，Xie Keming，Zhang Xueying.Improving G.728’s Hybrid Window and Excitation［C］.IEEE APCCAS，2004：185-188.

［6］楊海.感知語音質(zhì)量評價PESQ及其在通信系統(tǒng)中的應(yīng)用［J］.江西通信科技，2004（2）：46-47.