一種改進(jìn)的混音算法的研究與實(shí)現(xiàn)

張文豐+余秋萍

摘 要：在多媒體會(huì)議或者監(jiān)控系統(tǒng)中，混音算法決定了其輸出語(yǔ)音質(zhì)量高低。作為溝通、釋義的本質(zhì)需要，混音算法既要求保持一定的音頻信號(hào)大小，也要求音質(zhì)效果適宜，實(shí)時(shí)性有保障。由此，文中提出的基于時(shí)間幀進(jìn)行歸一化方法的混音算法，改進(jìn)常見音頻混音算法中的多種缺陷。

關(guān)鍵詞：PCM；混音；實(shí)時(shí)；時(shí)間幀；歸一化

1、前言

多媒體會(huì)議和監(jiān)控系統(tǒng)，是音視頻被廣泛應(yīng)用的方案。工作生活中，會(huì)議系統(tǒng)和多功能的監(jiān)控系統(tǒng)，涵蓋的數(shù)字化音視頻在現(xiàn)實(shí)生活中的應(yīng)用越來(lái)越廣泛，多媒體社交方式對(duì)音頻交互的要求也越來(lái)越高。而作為溝通基礎(chǔ)的語(yǔ)音對(duì)話，則是任何一種多媒體交互的最本質(zhì)的要求①。

系統(tǒng)的混音算法決定了會(huì)議或監(jiān)控對(duì)講質(zhì)量的好壞。長(zhǎng)期以來(lái)，不同的應(yīng)用模式中，已經(jīng)有很多種音頻混音算法相繼被提出，但是各有優(yōu)缺點(diǎn)。

多媒體會(huì)議系統(tǒng)或監(jiān)控系統(tǒng)，往往采用分布式組播建立系統(tǒng)架構(gòu)。而每一路單播時(shí)，服務(wù)器完成混音、管理會(huì)議或者監(jiān)視畫面等等特定功能。由于會(huì)議要求混音中消除本路音頻信號(hào)、多路音頻信號(hào)的對(duì)齊和選擇方法等業(yè)務(wù)要求屬于會(huì)議管理的一部分，我們不予討論。本文只關(guān)注于多路音頻信號(hào)的混音算法研究，并提出了一種改進(jìn)的混音算法。

多路音頻信號(hào)的混音，無(wú)論采集編碼采用的是何種采樣率和編碼格式，我們這里進(jìn)行算法討論時(shí)，混音處理的信號(hào)對(duì)象是指解碼后的PCM格式，并且已調(diào)整為具有相同的頻率的音頻數(shù)據(jù)。即，混音處理的音頻信號(hào)是對(duì)齊并且預(yù)處理完成之后的信號(hào)。

2、混音基本原理

多路音頻信號(hào)混合時(shí)，不失一般性，我們約定，在會(huì)議或交互中有 i 個(gè)端點(diǎn)參與混音。并且約定音頻混音時(shí)的信號(hào)頻率F，定義端點(diǎn)的信號(hào)采集時(shí)間幀長(zhǎng)度為FRAME_SIZE（單位：s）。通常，聲音信號(hào)延時(shí)超過(guò)100ms時(shí)，主觀能明顯感受到，因延時(shí)造成在線對(duì)話困難。因此我們的時(shí)間幀長(zhǎng)度通常取值為時(shí)延閾值的十分之一，即10ms，既足夠滿足信號(hào)特征分析的需要，也能滿足實(shí)時(shí)要求。

而當(dāng)前多種混音算法的目的都是為了盡可能保持有效信號(hào)的權(quán)重比例，并且解決信號(hào)溢出問(wèn)題，因此我們還需要對(duì)求和之后的音頻信號(hào)進(jìn)行防止溢出的處理。

3、算法分析和實(shí)現(xiàn)

實(shí)際的應(yīng)用中，常規(guī)混音方案都會(huì)在時(shí)域范圍采用音頻點(diǎn)的信號(hào)疊加作為基本的處理手段，由于數(shù)字音頻信號(hào)的量化有位長(zhǎng)的上下限①。疊加運(yùn)算必然會(huì)造成溢出。然后，要進(jìn)行溢出檢測(cè)，對(duì)溢出信號(hào)進(jìn)行飽和運(yùn)算，即超過(guò)上限的結(jié)果被置為上限值，超過(guò)下限的值置為下限值。這種運(yùn)算其實(shí)破壞了音頻信號(hào)的時(shí)域特征，引入了爆破音等噪聲，局部語(yǔ)音不再連續(xù)。當(dāng)混音的信號(hào)源幅度較大，或者路數(shù)增加時(shí)，溢出將成為常態(tài)。混音結(jié)果幾乎輕易就能達(dá)到上下限值。語(yǔ)音流中充斥太多噪聲就無(wú)法再被理解。

常見的多重混音算法中，（1）直接加和法和平均權(quán)重算法。后者是在前者的基礎(chǔ)③上，求多路音頻通道的算術(shù)平均。很明顯，前者缺陷是容易溢出造成嚴(yán)重影響體驗(yàn)的溢出雜音，后者算術(shù)平均后，不會(huì)產(chǎn)生溢出，噪音也較小。但是缺點(diǎn)明顯：平均后的衰減過(guò)大，影響通話質(zhì)量；（2）加和并箝位。如有溢出就設(shè)箝位的最值（上溢時(shí)，箝位以后的值為字符長(zhǎng)度所能表示的最大值；下溢時(shí)，箝位值為所能表示的最小值）。這一方法仍會(huì)在溢出的地方引入了嚴(yán)重的刺刺的雜音；（3）歸一化混音處理。設(shè)置一個(gè)音頻信號(hào)的歸一化系數(shù)。對(duì)全部的音頻信號(hào)乘以系數(shù)，要求所有信號(hào)最大值不可溢出，從而使信號(hào)幅值歸一化。

但此方法需要知道所有音頻信號(hào)的個(gè)體幅度，不具備實(shí)時(shí)性；（4）自適應(yīng)的加權(quán)混音算法，使用衰減因子，用衰減因子限制幅值。衰減因子代表了語(yǔ)音的權(quán)重，隨著音頻數(shù)據(jù)的變化而變化。優(yōu)點(diǎn)是能避免信號(hào)溢出，缺點(diǎn)則是計(jì)量衰減因子計(jì)算量較大，并且衰減因子的加成，導(dǎo)致信號(hào)特征一直發(fā)生變化，對(duì)音質(zhì)的保真還原度有一定影響。

疊加后為避免發(fā)生溢出，乘以衰減因子的算法能降低其幅度，使其仍舊分布在實(shí)際位長(zhǎng)所能表示的范圍之內(nèi)，當(dāng)溢出時(shí)，衰減因子減小至<1，并使得溢出的數(shù)據(jù)在衰減后能夠處于臨界值以內(nèi)，而在沒(méi)有溢出時(shí)，又讓衰減因子增大至>1。衰減因子使信號(hào)數(shù)據(jù)變化較為平緩。衰減因子隨著音頻數(shù)據(jù)的變化而變化，多路疊加時(shí)，越平均的衰減因子越容易造成信號(hào)普遍衰減，影響辨析。尤其是針對(duì)單點(diǎn)信號(hào)的衰減因子在路數(shù)增多的情況下，無(wú)法判斷該路信號(hào)的實(shí)際信息中的權(quán)重，可能導(dǎo)致該路信號(hào)部分語(yǔ)音信號(hào)點(diǎn)嚴(yán)重弱化，無(wú)法被辨析，造成斷續(xù)感受，影響實(shí)際交流效果。

3.1、改進(jìn)算法的思路和實(shí)現(xiàn)

3.1.1、最小信號(hào)處理單元時(shí)長(zhǎng)——時(shí)間幀

通常的混音算法采用單點(diǎn)進(jìn)行處理，處理簡(jiǎn)潔，運(yùn)算簡(jiǎn)單，計(jì)算迅速。但考慮到語(yǔ)音信號(hào)的之間存在關(guān)聯(lián)性，并且語(yǔ)音還有一個(gè)明顯的特征叫掩蔽效應(yīng)。當(dāng)同時(shí)產(chǎn)生信號(hào)時(shí)，人耳的主觀感受中，幅度較大的信號(hào)可能掩蓋較小的信號(hào)。

我們需要保證較強(qiáng)能量的一定時(shí)長(zhǎng)的音頻通道信號(hào)段被接收，才能理解對(duì)方語(yǔ)音的含義。單點(diǎn)信號(hào)體現(xiàn)不出信號(hào)元素間的關(guān)聯(lián)性，多路信號(hào)乘以衰減因子可能造成短時(shí)信號(hào)衰弱至不可辨認(rèn)，單點(diǎn)信號(hào)處理就不能滿足我們主觀感受語(yǔ)音信號(hào)的特征。

實(shí)驗(yàn)效果和人耳特征顯示，我們感受延時(shí)超過(guò)100ms后，雙方因無(wú)法判斷對(duì)方下一步行為而造成“搶發(fā)言”而沖突，無(wú)法正常溝通。

因此我們?cè)邳c(diǎn)對(duì)應(yīng)時(shí)長(zhǎng)和100ms之間選擇一個(gè)時(shí)間段作為時(shí)間幀。我們通常根據(jù)音頻編碼特征，選擇10ms或者2-3個(gè)整數(shù)倍作為時(shí)間幀長(zhǎng)（如特例：ITU，G723.1編解碼的時(shí)長(zhǎng)是30ms，混音時(shí)長(zhǎng)對(duì)齊時(shí)選擇30ms為編碼時(shí)間幀；G722.1則是20ms編解碼時(shí)長(zhǎng)。使用10ms時(shí)長(zhǎng)描述算法并不失一般性）④。

3.1.2、算法實(shí)現(xiàn)描述

我們根據(jù)掩蔽效應(yīng)的原理，我們首先要對(duì)單幀信號(hào)的能量進(jìn)行計(jì)算，選擇能量最強(qiáng)的且不包括自身的2路信號(hào)，進(jìn)行混音運(yùn)算。如果選擇3路，則先兩路混音后，再與其中一路混音即可完成。當(dāng)混音信號(hào)超過(guò)3路之后，聲音信號(hào)要么被掩蔽，要么雜亂，干擾互動(dòng)溝通，缺乏實(shí)際的應(yīng)用價(jià)值。

3. 2、混音實(shí)驗(yàn)結(jié)果

根據(jù)實(shí)際參與測(cè)試的測(cè)試人員的主觀評(píng)價(jià)，混音效果良好，合成后的音頻流連續(xù)、自然，沒(méi)有跳音和斷續(xù)的感覺，也沒(méi)有溢出爆破噪聲，重點(diǎn)信號(hào)通道的音頻幅度明顯，強(qiáng)度豐富，信息清晰可辨。

4、結(jié)束語(yǔ)

按照上述算法，同時(shí)在VC++6.0環(huán)境和DSP嵌入式環(huán)境下，編碼完成混音功能。既可由DSP多媒體音視訊集成系統(tǒng)應(yīng)用到多媒體視訊會(huì)議中，也可以應(yīng)用到監(jiān)控交互方案里。也可以應(yīng)用到PC軟件系統(tǒng)中，具有處理實(shí)時(shí)流媒體和文件類媒體的雙重功能。

本算法已經(jīng)被應(yīng)用于多種產(chǎn)品中。實(shí)踐證明，相對(duì)于其它常見的一些語(yǔ)音混合算法，具有良好的聽覺主觀舒適感。

參考文獻(xiàn)

[1] 李宇，郭雷勇，陳建銘，譚洪舟.一種多媒體會(huì)議系統(tǒng)的實(shí)時(shí)同步混音轉(zhuǎn)發(fā)算法.中山大學(xué)學(xué)報(bào)（自然科學(xué)版），2010年3月，49（2）.

[2] 樊星，顧偉康，葉秀清. 多媒體會(huì)議中的快速實(shí)時(shí)自適應(yīng)混音方案研究. 軟件學(xué)報(bào)， 2005，16（01）：108-115.

[3] 徐保民，王秀玲. 一個(gè)改進(jìn)的混音算法.電子與信息學(xué)報(bào)，？2003，？25（12）：1709-1713.

[4] 楊樹堂，余勝生等.基于分組網(wǎng)絡(luò)的多點(diǎn)實(shí)時(shí)語(yǔ)音混合及調(diào)度算法.軟件學(xué)報(bào)， 2001.12（9）：413-1419.

作者簡(jiǎn)介：張文豐（1978-），男，碩士。