ГОСТ Р 53556.2-2012. Национальный стандарт Российской Федерации. Звуковое вещание цифровое. Кодирование сигналов звукового вещания с сокращением избыточности для передачи по цифровым каналам связи. Часть 3. (MPEG-4 audio). Кодирование речевых сигналов с использованием гармонических векторов — HVXC

(утв. и введен в действие Приказом Росстандарта от 20.11.2012 № 941-ст)

от 20 ноября 2012 г. № 941-ст

НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

Дата введения 1 сентября 2013 года

Предисловие

1 РАЗРАБОТАН Санкт-Петербургским филиалом Центрального научно-исследовательского института связи «Ленинградское отделение» (ФГУП ЛО ЦНИИС)

2 ВНЕСЕН Техническим комитетом по стандартизации ТК 480 «Связь»

3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 20 ноября 2012 г. № 941-ст

4 Настоящий стандарт разработан с учетом основных нормативных положений международного стандарта ИСО/МЭК 14496-3:2009 «Информационные технологии. Кодирование аудиовизуальных объектов. Часть 3. Аудио» (ISO/IEC 14496-3:2009 «Information technology — Coding of audio-visual objects — Part 3: Audio»)

Правила применения настоящего стандарта установлены в ГОСТ Р 1.0-2012 (раздел 8). Информация об изменениях к настоящему стандарту публикуется в ежегодном (по состоянию на 1 января текущего года) информационном указателе «Национальные стандарты», а официальный текст изменений и поправок — в ежемесячном информационном указателе «Национальные стандарты». В случае пересмотра (замены) или отмены настоящего стандарта соответствующее уведомление будет опубликовано в ежемесячно издаваемом информационном указателе «Национальные стандарты». Соответствующая информация, уведомление и тексты размещаются также в информационной системе общего пользования — на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (gost.ru)

1 Область применения

Параметрическое речевое кодирование MPEG-4 использует алгоритм гармонического кодирования с векторным возбуждением (HVXC), где используется гармоническое кодирование остаточных сигналов LPC для речевых сегментов и кодирование с векторным возбуждением (VXC) для неречевых сегментов. HVXC позволяет кодировать речевые сигналы на 2,0 Кбит/с, и 4,0 Кбит/с масштабируемой схемой, где возможно декодирование потока 2,0 Кбит/с используя поток битов 2,0 Кбит/с, и поток битов 4,0 Кбит/с. HVXC также обеспечивает кодирование потока битов с варьируемой битовой скоростью, где типичная средняя скорость передачи информации в битах составляет приблизительно 1,2 — 1,7 Кбит/с. Возможно независимое изменение скорости и шага во время декодирования, которое является мощной функциональной возможностью для быстрого поиска в базе данных. Длина фрейма равна 20 мс, и может быть выбрана одна из четырех различных алгоритмических задержек 33,5 мс, 36 мс, 53,5 мс, 56 мс.

Кроме того, как расширение HVXC, тип объекта ER_HVXC предлагает эластичный синтаксис ошибок и режим с переменной скоростью передачи данных на 4,0 Кбит/с.

2 Термины и определения

3 Синтаксис потока битов

Естественный Звуковой Объектный HVXC/ER_HVXC передается в одном или двух элементарных потоках: потоке базового уровня и опционном потоке уровня расширения.

Когда инструмент HVXC используется с инструментом защиты от ошибок, таким как инструмент MPEG-4 EP, должен использоваться порядок битов, упорядоченных в соответствии с чувствительностью к ошибкам. HVXC с эластичным синтаксисом ошибок и режимом переменной скорости передачи данных на 4,0 Кбит/с, описанным в 3.3 и 3.4, называют ER_HVXC.

3.1 Конфигурация декодера (HvxcSpecificConfig)

Информация о конфигурации декодера для типа объекта HVXC передается в DecoderConfigDescriptor() базового уровня и Elementary Stream опционного уровня расширения.

Требуется следующий HvxcSpecificConfig ():

Тип объекта HVXC обеспечивает немасштабируемые режимы и масштабируемый режим базового уровня 2,0 Кбит/с плюс уровня расширения на 2,0 Кбит/с. В этом масштабируемом режиме конфигурация базового уровня должна быть следующей:

Синтаксис HVXCconfig ()

Таблица 2

Таблица 3

Константы HVXC

3.2 Фрейм потока битов (alPduPayload)

Динамические данные для типа объекта HVXC передаются как полезная нагрузка AL-PDU в базовом уровне и опционном уровне расширения Elementary Stream.

}

Уровень расширения HVXC — полезная нагрузка Модуля Доступа

Чтобы анализировать и декодировать уровень расширения HVXC, требуется информация, декодированная из базового уровня HVXC.

alPduPayload {

  HVXCenhaFrame()

}

Синтаксис фрейма HVXCframe ()

3.2.1 Фрейм потока битов HVXC

Таблица 7

Синтаксис HVXCenhaFrame ()

Синтаксис idLsp2 ()

Таблица 10

Синтаксис idVUV()

idLsp1 (), idExc1 (), idVUV () обработаны как базовый уровень в случае масштабируемого режима.

idLsp2 (), idExc2 () обработаны как уровень расширения в случае масштабируемого режима.

Таблица 18

3.3 Конфигурация декодера (ErrorResilientHvxcSpecificConfig)

Информация конфигурации декодера для типа объекта ER_HVXC передается в DecoderConfigDescriptor() базового уровня и в Elementary Stream опционного уровня расширения.

Требуется следующий ErrorResilientHvxcSpecificConfig ():

  if (isBaseLayer) {
    ErHVXCconfig();

  }

}

Тип объекта ER_HVXC обеспечивает немасштабируемые режимы и масштабируемые режимы. В масштабируемых режимах конфигурация базового уровня должна быть следующей:

isBaseLayer = 1 base layer

3.4 Фрейм потока битов (alPduPayload)

Динамические данные для типа объекта ER_HVXC передаются как полезная нагрузка AL-PDU в базовом уровне и Elementary Stream опционного уровня расширения.

Базовый уровень ER_HVXC — полезная нагрузка Модуля Доступа

alPduPayload { ErHVXCframe ();

}<br>

Чтобы анализировать и декодировать уровень расширения ER_HVXC, требуется информация, декодированная из базового уровня ER_HVXC.

}

3.4.1 Синтаксис потока битов режима фиксированной скорости

Синтаксис 4k_ESC1 ()

Таблица 32

Синтаксис 4k_ESC2 ()

Таблица 33

Синтаксис 4k_ESC3 ()

Таблица 34

Синтаксис 4k_ESC4 ()

3.4.2 Синтаксис потока битов для масштабируемого режима

Синтаксис потока битов базового уровня для масштабируемого режима такой же самый как синтаксис ErHVXCfixframe (2000). Синтаксис потока битов уровня расширения, ErHVXCenhaFrame (), для масштабируемого режима показан ниже.

Таблица 35

Синтаксис ErHVXCenh_fixframe ()

Таблица 36

Синтаксис Enh_ESC0 ()

Таблица 37

Синтаксис Enh_ESC1 ()

Таблица 38

Синтаксис Enh_ESC2 ()

3.4.3 Синтаксис потока битов режима с варьируемой скоростью передачи данных

Таблица 39

Синтаксис ErHVXCvarframe ()

Таблица 40

Синтаксис Var2k_ESC0 ()

Таблица 41

Синтаксис Var2k_ESC1 ()

Таблица 42

Синтаксис Var2k_ESC2 ()

Таблица 43

Синтаксис Var2k_ESC3 ()

Таблица 44

Синтаксис Var4k_ESC0 ()

Таблица 45

Синтаксис Var4k_ESC1 ()

Таблица 46

Синтаксис Var4k_ESC2 ()

Таблица 47

Синтаксис Var4k_ESC3 ()

Таблица 48

Синтаксис Var4k_ESC4 ()

Таблица 49

Синтаксис BaseVar_ESC0 ()

Таблица 50

Синтаксис BaseVar_ESC1 ()

Таблица 51

Синтаксис BaseVar_ESC2 ()

Таблица 52

Синтаксис BaseVar_ESC3 ()

3.4.4 Уровень расширения масштабируемого режима с переменной скоростью передачи данных

Таблица 53

Синтаксис ErHVXCenh varframe ()

Таблица 54

Синтаксис EnhVar_ESC0 ()

Таблица 55

Синтаксис EnhVar_ESC1 ()

Таблица 56

Синтаксис EnhVar_ESC2 ()

4 Семантика потока битов

4.1 Конфигурация декодера (HvxcSpecificConfig, ErrorResilientHvxcSpecificConfig)

4.2 Фрейм потока битов (alPduPayload)

5 Инструменты декодера HVXC

5.1 Обзор

HVXC обеспечивает эффективную схему для разности Кодирования с Линейным Предсказанием (LPC) на базе гармонического и стохастического векторного представления. Векторное квантование (VQ) огибающей спектра остатков LPC со взвешенной мерой искажения используется, когда сигнал является речевым. Кодирование с векторным Возбуждением (VXC) используется, когда сигнал не является речевым. Главные алгоритмические особенности следующие:

- Взвешенный VQ спектрального вектора варьируемой размерности.

- Алгоритм быстрого гармонического синтеза IFFT.

- Параметры кодера интерполяции для управления скоростью/шагом.

Кроме того, функциональные особенности включают:

- Низкую, до 33,5 мс, полную алгоритмическую задержку;

- Масштабируемый режим 2,0 - 4,0 Кбит/с;

- Кодирование с варьируемой битовой скоростью для скоростей меньше 2,0 Кбит/с.

5.1.1 Структура кадрирования и блок-схема декодера

Инструменты декодера HVXC позволяют декодировать речевые сигналы на скорости 2,0 Кбит/с и выше, до 4,0 Кбит/с. Инструменты декодера HVXC также позволяют декодировать с режимом варьируемой битовой скорости при битовой скорости приблизительно 1,2 - 1,7 Кбит/с. Основной процесс декодирования состоит из четырех шагов; деквантование параметров, генерация сигналов возбуждения для разговорных фреймов синусоидальным синтезом (гармонический синтез) и добавление шумовой составляющей, генерация сигналов возбуждения для неразговорных фреймов путем просмотра книги шифров и синтез LPC. Чтобы повысить качество синтезируемой речи, используют спектральную постфильтрацию.

5.1.2 Режим задержки

Кодер/декодер HVXC поддерживает режим низкой/нормальной задержки кодирования/декодирования, позволяя любые комбинации режима задержки при 2,0 - 4,0 Кбит/с с масштабируемой схемой. Рисунок ниже показывает структуру кадрирования каждого режима задержки. Длина фрейма равна 20 мс для всех режимов задержки. Например, использование режима с низкой задержкой кодирования и низкой задержкой декодирования приводит к полной задержке кодера/декодера 33,5 мс.

В кодере алгоритмическая задержка может быть выбрана равной 26 мс, либо 46 мс. Когда выбрана задержка 46 мс, для обнаружения шага используется просмотр одного фрейма вперед. Когда выбрана задержка 26 мс, для обнаружения шага используется только текущий фрейм. Синтаксис для обоих случаев общий, все квантователи общие, и потоки битов совместимы. В декодере алгоритмическая задержка может быть выбрана равной или 10 мс (режим нормальной задержки), или 7,5 мс (режим низкой задержки). Когда выбрана задержка 7,5 мс, интервал фрейма декодера сдвинут на 2,5 мс (20 отсчетов) по сравнению с 10 мс режимами задержки. В этом случае, генерация возбуждения и фаза синтеза LPC сдвинуты на 2,5 мс. Для обоих случаев, синтаксис общий, все квантователи общие и потоки битов совместимы.

Возможен любой независимый выбор задержки кодера/декодера из следующей комбинации:

Задержка кодера: 26 мс или 46 мс

Задержка декодера: 10 мс или 7,5 мс

В зависимости от приложения должны поддерживаться одна или несколько комбинаций режима задержки.

5.2 Декодер LSP

5.2.1 Описание инструмента

Для квантования параметров LSP используется многоступенчатая структура квантователя. Выходные векторы каждой ступени нужно просуммировать, чтобы получить параметры LSP.

Когда битовая скорость равна 2,0 Кбит/с, LSPs текущего фрейма, которые закодированы разбиением и двухступенчатым векторным квантованием, декодируются, используя двухступенчатый процесс декодирования. При 4,0 Кбит/с к основанию схемы квантователя LSP кодера 2,0 Кбит/с добавлен 10-мерный векторный квантователь, у которого имеется книга шифров на 8 битов. Биты, необходимые для LSPs, увеличены с 18 битов/20 мс до 26 битов/20 мс.

Таблица 57

Конфигурация многоступенчатого LSP VQ

5.2.2 Определения

Определения констант

Определения переменных

5.2.3 Процесс декодирования

Процесс декодирования параметров LSP для базового уровня (2,0 Кбит/с) является тем же самым, что и процесс узкополосного CELP. Процесс декодирования описан ниже.

Индексы преобразования к LSPs

LSPs текущего фрейма (lsp_current[]): которые закодированы разбиением и двухступенчатым векторным квантованием, декодируются двухступенчатым процессом декодирования. Размерность каждого вектора приведена в таблицах ниже. LSP1 и LSP2, LSP3 представляют индексы для первой и второй стадии соответственно.

Таблица 58

Размерность вектора LSP первой стадии

Таблица 59

Размерность вектора LSP второй стадии

В первой стадии вектор LSP первой стадии lsp_first[] декодируется путем просмотра таблицы lsp_tbl [][][].

for (i = 0; i < dim[0] [0]; i++) { lsp_first[i] = lsp_tbl[0] [LSP1[i]; }

Во второй стадии есть два типа процессов декодирования, а именно, процесс декодирования VQ без межкадрового предсказания и VQ с межкадровым предсказанием. Флажок LSP4 указывает, какой процесс должен быть выбран.

Таблица 60

Процесс декодирования для второй стадии

Процесс декодирования VQ без межкадрового предсказания

Чтобы получить LSPs текущего фрейма lsp_current[], декодированные векторы во второй стадии добавляются к декодированному в первой стадии вектору LSP lsp_first[]. MCB для LSP2 и LSP3 представляет знак декодированного вектора, а остающиеся биты представляют индекс для таблицы d_tbl[][][].

sign = LSP2>>6; idx = LSP2&0x3f; if (sign == 0) { for (i = 0; i < dim[1][0]; i++) { lsp_current[i] = lsp_first[i] + d_tbl[0][idx][i]; } } else { for (i = 0; i < dim[1][0]; i++) { lsp_current[i] = lsp_first[i] - d_tbl[0][idx][i]; } } sign = LSP3>>4; idx = LSP3&0x0f; if (sign == 0) { for (i = 0; i < dim[1][1]; i++) { lsp_current[dim[1][0]+i] = lsp_first[dim[1][0]+i] + d_tbl[1][idx][i]; } } else { for (i = 0; i < dim[1][1]; i++) { lsp_current[dim[1][0]+i] = lsp_first[dim[1][0]+i] - d_tbl[1][idx][i]; } }

Процесс декодирования VQ с межкадровым предсказанием

Чтобы получить LSPs текущего фрейма lsp_current[], декодированные векторы второй стадии добавляются к вектору Lsp lsp_predict[], которые предсказаны из декодированного LSPs предыдущего фрейма lsp_previous[] и декодированного в первой стадии вектора LSP lsp_first[]. Как в процессе декодирования VQ без межкадрового предсказания, MCB для LSP2 и LSP3 представляет знак декодированного вектора, а остающиеся биты представляют индекс для таблицы pd_tbl[][][].

for (i = 0; i < LPCORDER; i++) { lsp_predict[i] = (1-ratio_predict)lsp_first[i] + ratio_predictlsp_previous[i]; } sign = LSP2>>6; idx = LSP2&0x3f; if (sign == 0) { for (i = 0; i < dim[1][0]; i++) { lsp_current[i] = lsp_predict[i] + pd_tbl[0][idx][i]; } } else { for (i = 0; i < dim[1][0]; i++) { lsp_current[i] = lsp_predict[i] - pd_tbl[0][idx][i]; } } sign = LSP3>>4; idx = LSP3&0x0f; if (sign == 0) { for (i = 0; i < dim[1][1]; i++) { lsp_current[dim[1][0]+i] = lsp_predict[dim[1][0]+i] + pd_tbl[1][idx][i]; } } else { for (i = 0; i < dim[1][1]; i++) { lsp_current[dim[1][0]+i] = lsp_predict[dim[1][0]+i] - pd_tbl[1][idx][i]; } }

Стабилизация LSPs

Декодированные LSP slsp_current[] стабилизированы, чтобы гарантировать стабильность фильтра синтеза LPC, который извлекается из декодированных LSPs. Декодированные LSPs упорядочены в порядке возрастания, имея минимум расстояния между соседними коэффициентами.

for (i = 0; i < LPCORDER; i++) { if (lsp_current[i] < min_gap) lsp_current[i] = min_gap; } for (i = 0; i < LPCORDER-1; i++) { if (lsp_current[i+1]-lsp_current[i] < min_gap) lsp_current[i+1] = lsp_current[i]+min_gap;) } } for (i = 0; i < LPCORDER; i++) { if (lsp_current[i] > 1-min_gap) lsp_current[i] = 1-min_gap; } for (i = LPCORDER-1; i > 0; i --) { if (lsp_current[i]-lsp_current[i-1] < min_gap) { lsp_current[i-1] = lsp_current[i]-min_gap; } } for (i = 0; i < LPCORDER; i++) { qLsp[i] = lsp_current[i]; }

Сохранение коэффициентов

После процесса декодирования LSP декодированные LSPs должны быть сохранены в памяти, так как они используются для предсказания в следующем фрейме.

for (i = 0; i < LPCORDER; i++) { lsp_previous[i] = lsp_current[i]; }

Сохраненные LSPs lsp_previous[] должны быть инициализированы как описано ниже, когда инициализируется весь декодер.

for (i = 0; i < LPCORDER; i++) { lsp_previous[i] = (i+1)/(LPCORDER+1); }

Процесс декодирования для уровня расширения

Для уровня расширения (4,0 и 3,7 Кбит/с), дополнительные векторы кода и LSPs базового уровня суммируются следующим образом.

for (i = 0; i < LPCORDER; i++) { qLsp[i] += vqLsp[LSP5][i]; }

После вычисления LSPs снова стабилизируются.

for (i = 0; i < 2; i++) { if (qLsp[i+1] - qLsp[i] < 0) { tmp = qLsp[i+1]; qLsp[i+1] = qLs[i]; qLsp[i] = tmp; } if (qLsp[i+1]- qLsp[i] < THRSLD_L) { qLsp[i + 1] = qLsp[i] + THRSLD_L; } } for (i = 2; i < 6; i++) { if (qLsp[i+1] - qLsp[i] < THRSLD_M) { tmp = (qLsp[i+1] + qLsp[i])/2.0; qLsp[i+1] = tmp + THRSLD_M/2.0; qLsp[i] = tmp - THRSLD_M/2.0; } } for (i = 6; i < LPCORDER-1; i++) { if (qLsp[i+1] - qLsp[i] < 0) { tmp = qLsp[i+1]; qLsp[i+1] = qLsp[i]; qLsp[i] = tmp; } if(qLsp[i+1]- qLsp[i] < THRSLD_H){ qLsp[i] = qLsp[i+1]- THRSLD_H; } }

5.3 Декодер гармонического VQ

5.3.1 Описание инструмента

Процесс декодирования состоит из двух главных шагов для базового уровня, а именно, инверсного векторного квантования векторов огибающей спектра и преобразования размерности. Для уровня расширения используются дополнительные инверсные квантователи.

5.3.2 Определения

Определения констант

Определения переменных

5.3.3 Процесс декодирования

Декодирование индекса шага

Значение задержки шага в текущем фрейме, pch, декодировано из индекса шага Pitch следующим образом:

pch = Pitch + 20,0

Модификация шага может быть выполнена делением pch на фактор модификации шага pch_mod:

pch = pch/pch_mod

Если модификацией шага управляет поле pitch в узле AudioSource BIFS, коэффициент модификации равен:

pch_mod = pitch

Значение модулированной задержки шага должно быть в пределах диапазона от 8,0 до 147,0.

Тогда число гармоник в частотном диапазоне между 0 и 3800 Гц, send, и фундаментальная частота, w0 (где SAMPLE x R представляет 2\pi ), вычисляются следующим образом:

send = (int)(0,95 x pch x 0,5)

w0 = \frac{SAMPLE \times R}{pch}

Декодирование гармонических величин

Декодирование гармонических величин состоит из следующих шагов:

(S1) Инверсия квантования вектора базового уровня.

(S2) Подавление малых сигналов.

(S3) Преобразование размерности выхода базового уровня.

(S4) Инверсия квантования вектора уровня расширения.

Для режима 2,0 Кбит/с, выполняются вышеприведенные S1, S2 и S3 для того, чтобы получить гармонические величины. Для режимов 4,0 и 3,7 Кбит/с в дополнение к S1, S2 и S3 выполняется S4.

В режиме 2,0 Кбит/с используется комбинация двухступенчатого квантования вектора формы и скалярного квантования усиления, чьими индексами являются SE_shape1, SE_shape2 и SE_gain, соответственно. Размерность двух книг шифров формы фиксирована (=44). В S1 добавляются два вектора формы, представленные SE_shape1 и SE_shape2, и затем умножаются на усиление, представленное SE_gain. Вектор огибающей спектра, полученный в S1, охватывает частотный диапазон от 0 до 3800 Гц. Вектор огибающей спектра очень малой энергии затем подавляется в S2. Чтобы получить вектор гармонических величин исходной размерности, send, затем в S3 к вектору огибающей спектра применяется преобразование размерности. В режиме 4,0 Кбит/с используется дополнительная стадия с разбиением схемы VQ, составленной из четырех векторных квантователей для уровня расширения. SE_shape3, SE_shape4, SE_shape5 и SE_shape6 представляют индексы квантователей для уровня расширения. В S4 вывод этих квантователей добавляется к выводу S3 для гармонических величин в самых нижних 14 частотных гармониках. Когда выбран режим 3,7 Кбит/с, SE_shape6 не доступно, и S4 выполняется для гармонических величин только самых низких 10 частотных гармоник.

Таблица 61

Конфигурация многоступенчатого гармонического VQ

Конверсионный алгоритм размерности

Теоретический фон конверсионного алгоритма размерности, используемый в этом инструменте, объяснен ниже.

Число точек, которые составляют огибающую спектра, изменяется в зависимости от значения шага, поскольку огибающая спектра является рядом оценок величин в каждой гармонике. Число гармоник колеблется от 9 до 70. Чтобы получить величины варьируемого количества гармоник, декодер должен преобразовать кодовый вектор фиксированной размерности (=44) в вектор варьируемой размерности. Число точек, которые представляют форму огибающей спектра, должно быть изменено без изменения формы. С этой целью используется конвертер размерности, состоящий из комбинации фильтра нижних частот и линейного интерполятора 1-го порядка. Фильтр нижних частот FIR с 7 наборами коэффициентов. Каждый набор, состоящий из 8 коэффициентов, используется для 8-разовой передискретизации первой стадии. 7 наборов коэффициентов фильтра получены, группируя каждые 8 коэффициентов от реализуемого методом окна sinc f_coef[i], со смещениями 1 - 7, где

f_coef[i] = \frac{sin\pi(i - 32)/8}{\pi(i - 32)/8} (0,5 - 0,5cos2\pi i/64)0 \leq i \leq 64.

Фильтрация FIR позволяет вдесятеро уменьшить вычисления, в которых вычисляются только точки, используемые в следующей стадии. Они представляют собой левые и правые смежные точки конечного вывода конвертера размерности.

Во второй стадии передискретизации применяется линейная интерполяция первого порядка, чтобы получить необходимые точки вывода. Таким образом, гармонические векторы величин переменной размерности получаются из векторов огибающей спектра фиксированной размерности (=44).

(S1) Квантование вектора инверсии базового уровня:

qedvec[0] = 0.0f; for (i = 0; i < vqdim0; i++) qedvec[i+1] = g0[SE_gain](cb0[SE_shape1][i]+cb1[SE_shape2][i]);*

(S2) Подавление малых сигналов:

feneq = 0,0f; for (i = 0; i < vqdim0; i++) feneq += qedvec[i+1]qedvec[i+1]; feneq = sqrt(feneq/(float)vqdim0); if (feneq < 1,0f|| 0,5f(feneqold+feneq) < 1.4f) { for (i = 0; i < vqdim0; i++) qedvec[i+1]=0.0f; } feneqold = feneq;

(S3) Преобразование размерности вывода базового уровня:

for (i = 0; i < (JISU-1)/2; i++) re[i] = 0.0f; for (i = 0; i <= vqdim0; i++) re[i+(JISU-1)/2] = qedvec[i]; for (i = 0; i < (JISU-1)/2; i++) re[i+vqdim0+1 + (JISU-1)/2] = qedvec[vqdim0]; w0f = (float)(SAMPLE0,50,95)/(float)vqdim0; ii = 0; for (i = 0; i <= vqdim0 && ii <= send; i++) { for (p = 0; p < R && ii <= send; p++) { ip_ratio = (iR+p+1)w0f-w0ii;* if (ip_ratio > 0) { ip_ratio /= w0f; rel0 = rel1 = 0.0f; for(j = 1; j < JISU; j++){ rel0 += f_coef[jR-p]re[i+j]; rel1 += f_coef[jR-(p+1)]re[i+j]; } am[ii] = rel0ip_ratio + rel1*(1,0f-ip_ratio);* ii++; } }

(S4) Квантование вектора инверсии уровня расширения:

target[0] = 0; k = 1; for (i = 0; i < 2; i++, k++) target[k] = cb4k[0][SE_shape3][i]; for (i = 0; i < 4; i++, k++) target[k] = cb4k[1][SE_shape4][i]; for (i = 0; i < 4; i++, k++) target[k] = cb4k[2][SE_shape5][i]; if (HVXCrate >= 4000){ for (i = 0; i < 4; i++, k++) target[k] = cb4k[3][SE_shape6][i]; } else{ for (i = 0; i < 4; i++, k++) target[k] = 0.0f; } if (send > 14) { for (i = 15; i <= send; i++) target[i] = 0.0f; } for (i = 0; i <= send; i++) am[i] += target[i]

5.4 Декодер временного домена

5.4.1 Описание инструмента

Для неречевых сегментов в составе речи используется схема, которая подобна VXC (Кодирование с векторным возбуждением). Декодер временного домена генерирует форму волны возбуждения для неречевой части, просматривая таблицы и используя переданные индексы. Вектор формы и усиление базового уровня обновляются каждые 10 мс. Форма масштабируется путем умножения каждого отсчета на величину усиления. В режиме 2,0 Кбит/с используется только вывод первой стадии (базовый уровень). В режимах 4,0 Кбит/с и 3,7 Кбит/с умножаются вектор формы и усиление второй стадии (уровень расширения) и добавляются к выводу первой стадии. Форма и усиление уровня расширения обновляются каждые 5 мс.

Таблица 62

Конфигурация временного домена VQ

5.4.2 Определения

Определения констант

Dimchape: Длина фрейма VXC первой стадии (=80).

Dimchape2: Длина фрейма VXC второй стадии (=40).

Определения переменных

5.4.3 Процесс декодирования

Для базового уровня:

for (i = 0; i < DimShape; i++) res[i] = cbL0_g[VX_gain[0]] * cbL0_s[VX_shape[0]][i]; for (i = 0; i < DimShape; i++) res[i + DimShape] = cbL0_g[VX_gain[1]] * cbL0_s[VX_shape[1]][i];

Добавить уровень расширения:

if (HVXCrate >= 4000){ / 4.0 kbps mode / for (i = 0; i < 4; i++){ for (j = 0; j < DimShape2; j++){ res[j+DimShape2i] +=* cbL1_g[VX_gain2[i]]cbL1_s[VX_shape2[i]][j]; } } } else{ / 3.7kbps mode / for (i = 0; i < 3; i++){ for (j = 0; j < DimShape2; j++){ res[j+DimShape2i] += *cbL1_g[VX_gain2[i]]cbL1_s[VX_shape2[i]][j]; } } }

5.5 Интерполяция параметров для управления скоростью

5.5.1 Описание инструмента

У декодера имеется схема интерполяции параметров, чтобы генерировать ввод для "Синтезатора Речевой Компоненты" и "Синтезатора Неречевой Компоненты" в любой произвольный момент времени. С помощью этой схемы вычисляется последовательность параметров в измененных интервалах и применяется в обоих синтезаторах. Таким образом получается вывод декодера в измененной временной шкале.

5.5.2 Определения

Определения констант:

Определения переменных

Блок "Parameter Interpolation" (Интерполяция параметров) вычисляет параметры в измененной временной шкале, интерполируя полученные параметры.

Работа этого блока состоит в основном из линейной интерполяции и замены параметров.

Обозначим массивы оригинальных параметров как:

5.5.3 Процесс управления скоростью

Определим коэффициент изменения скорости как spd:

spd = N1/N2, (1)

где N₁ является продолжительностью речевого оригинала и N₂ является продолжительностью речи с управляемой скоростью. Поэтому,

0 <= n < N1 и 0 <= m < N2.

Если скоростью управляют соответственно фактору временного масштабирования в поле speed узла AudioSource BIFS, отношение изменения скорости равно:

spd = 1/speed.

В основном измененные параметры временной шкалы выражены как:

mdf_param [m] = param [m x spd], (2)

где param являются: pch, vuv, lsp и am. Однако, m x spd не является целым числом.

Поэтому определяем:

fr0 = m x spd (3)

fr1 = fr0 + 1,

чтобы генерировать параметры при временном индексе m x spd линейной интерполяцией параметров при временных индексах fr0 и fr1.

Чтобы выполнить линейную интерполяцию, определим:

left = m x spd - fr0 (4)

right = fr1 - m x spd.

Тогда уравнение (2) может быть аппроксимировано как:

mdf_param [m] = param [fr0] fr0 + param [fr1] x left, (5)

где param являются: pch, vuv, lsp и am.

Для lsp [n][i] и am[n][i] эта линейная интерполяция применяется с фиксируемым индексом i.

Параметр vex

vex [n][i] имеет сигналы возбуждения для фреймов UV в результате просмотра книги шифров.

Берутся отсчеты FRM из vex [n][i], центрированные вокруг времени m x spd, и вычисляется энергия по отсчетам FRM. Затем генерируется состоящий из отсчетов FRM Гауссовский шум, и его норма корректируется так, чтобы его энергия была равна энергии из отсчетов FRM, взятых из vex [n][i]. Эта последовательность Гауссовского шума с регулируемым усилением используется для mdf_vex [m][i].

Главная операция изменения временной шкалы может быть выражена уравнением (5), однако до интерполяции нужно рассмотреть решения V/UV при fr0 и fr1.

Стратегии интерполяции и замены, адаптированные к решениям V/UV, описаны ниже. В объяснении полностью речевой и смешанный речевой (vuv [n] \neq 0) сгруппированы как "Voiced" (речевой), и только случай vuv [n] = 0 расценивается как "Unvoiced" (неречевой). В случае варьируемой скорости кодирования режим "Background Noise" (фоновый шум) (vuv [n] = 1) также рассматривается как "Unvoiced".

Когда решения V/UV при fr0 и fr1 являются Voiced-Voiced,

новый индекс V/UV mdf_vuv[m] получают следующим образом:

tmp_vuv = vuv [ fr_{0} ] x right + vuv [ fr_{1} ] x left if(tmp_vuv>2) mdf_vuv [m] = 3 else if (tmp_vuv > 1) mdf_vuv [m] = 2 else if (tmp_vuv>0) mdf_vuv [m] = 1

Новая величина задержки шага mdf_pch [m] получается следующим образом:

if (0,57 < pch [ fr_{0} ] / pch [ fr_{1} ] && pch [ fr_{0} ] / pch [ fr_{1} ] < 1,75) mdf_pch [m] = pch [ fr_{0} ] x right + pch [ fr_{1} ] x left else if (left < right) mdf_pch [m] = pch [ fr_{0} ] else mdf_pch [m] = pch [ fr_{1} ]

Все другие параметры интерполированы по уравнению (5).

Когда решения V/UV при fr0 и fr1, являются Unvoiced-Unvoiced, все параметры интерполируются по уравнению (5), исключая mdf_vex.mdf_vex [m][i] генерируется по Гауссовскому шуму, имеющему ту же энергию, что и энергия выборок FRM, взятых из vex [n][i], центрированных вокруг времени m x spd.

Когда решения V/UV при fr0 и fr1 являются Voiced-Unvoiced,

If left<right.

Вместо того, чтобы вычислять параметры при m x spd, используются все параметры в момент времени fr0.

If left >= right

Вместо того, чтобы вычислять параметры при m x spd, используются все параметры в момент времени fr1.

mdf_vex [m][i] также сгенерирован Гауссовым шумом, имеющим ту же самую энергию, что и выборки FRM из vex [fr1][i]. (0 <= i < FRM).

Когда решения V/UV при fr0 и fr1 являются Unvoiced-Voiced,

If left<right.

Все параметры во время fr0 используются вместо того, чтобы вычислять параметры при m x spd.

mdf_vex [m] [i] также сгенерирован Гауссовским шумом, имеющим ту же самую энергию, как энергия выборок FRM из vex [fr0] [i]. (0 <= i < FRM)

If left<right.

Все параметры во время fr0 используются вместо того, чтобы вычислять параметры при m x spd.

Этим способом получают все необходимые параметры для декодера HVXC. Только применяя эти измененные параметры, mdf_param [m], к "Синтезатору Речевой Компоненты" и "Синтезатору Неречевой Компоненты" тем же способом как обычный (нормальный) процесс декодирования, получают вывод с измененной временной шкалой.

Очевидно, когда N2 < N1, выполняется ускоренное декодирование, а когда N2 > N1 выполняется декодирование со сниженной скоростью. На спектр мощности и шаг это управление скоростью не влияет, таким образом мы можем получить хорошее качество речи для коэффициента управления скоростью приблизительно 0,5 < spd < 2,0.

5.6 Синтезатор речевой компоненты

5.6.1 Описание инструмента

Синтезатор речевой компоненты состоит из следующих этапов:

- модификация величин гармоник,

- синтез возбуждения гармоник,

- добавление шумовой составляющей,

- синтез LPC,

- постфильтр.

Эффективный метод синтеза возбуждения гармоник прежде всего используется для того, чтобы получить периодическую волну возбуждения из величин гармоник. Добавляя шумовую компоненту к периодической волне, получают сигнал речевого возбуждения, который затем подается в фильтр синтеза LPC и постфильтр, чтобы генерировать речевой сигнал. Конфигурация постфильтра не нормативна и описана в Приложении Б.

5.6.2 Определения

Определения констант

Определения переменных

Определения функций

5.6.3 Процесс синтеза

Алгоритм синтеза может применяться как для режима нормальной задержки, так и для режима малой задержки. Для режима малой задержки используется смещение интервала декодирования LD_LEN. Синтезированная форма волны охватывает от N = -160 + LD_LEN [выборка] до N = 0 + LD_LEN [выборка]. N = 0 представляет собой центр текущего фрейма. Если сдвиг фрейма равен 0 (LD_LEN = 0), синтезируемая форма волны идентична форме режима нормальной задержки. Это показано на рисунке ниже.

Во время периода от N = 0 до N = LD_LEN задержка шага, величины гармоник и параметры LSP не интерполированы и сохраняются. Если LD_LEN = 0, задержка декодера равна 10 мс, а если LD_LEN = 20, задержка декодера равна 7,5 мс.

Рисунок 1 - Интервал декодирования

5.6.3.1 Модификация величин гармоник

Гармонические величины, am2[i], изменены для гармонического синтеза возбуждения и шумового составляющего поколения независимо согласно индексу V/UV текущего фрейма, vuv2.

Измененные величины гармоник am_h[i] для синтеза возбуждения гармоник и am_noise[i] для генерации шумовой компоненты получают как описано ниже.

Когда индекс V/UV, vuv2, 0, ничего не делается (работает только декодер VXC).

Когда индекс V/UV, vuv2, равен 1:

5.6.3.2 Синтез возбуждения гармоник

Сигнал возбуждения гармоник sv[i] (0 <= i < FRM) может быть получен методом быстрого синтеза, состоящим из IFFT и преобразования частоты дискретизации.

Во-первых, используя величины гармоник и значения фазы, форма волны за период одного шага генерируется IFFT. Согласно непрерывности шага, выбирается одна из двух различных операций циклического расширения и перевыборки формы волны за один период шага и выполняется, чтобы получить сигнал возбуждения гармоник.

Генерация формы волны за период одного шага.

Фундаментальная частота в начальной границе интервала декодирования, w01, вычислена как

w01 = 2,0*PI/pch1.

Фундаментальная частота в конечной границе интервала декодирования, w02, вычислена как

w02 = 2,0*PI/pch2.

Значения фазы гармоник в конечной границе интервала декодирования, pch2[], вычисляются из значений фазы гармоник в начальной границе, pha1[]. Когда и индекс V/UV в начале текущего интервала декодирования, vuv1, и индекс V/UV в начальной границе предыдущего интервала декодирования, vuv0, 0 (Unvoiced), значения фазы гармоник pha2[] инициализируются, используя случайные значения фазы, равномерно распределенные между 0 и 0,05\pi .

Для режима нормальной задержки:

if (vuv1 == 0 && vuv0 == 0) { for(i = 0; i < WAVE_LEN/2; i++) pha2[i] = 0,5PI(float)random()/(float)RND_MAX; } else { for(i = 0; i < WAVE_LEN/2; i++) pha2[i] = pha1[i] + 0,5*(w01+w02)iFRM; }

Для режима малой задержки:

if (vuv1 == 0 && vuv0 == 0) { for(i = 0; i < WAVE_LEN/2; i++) pha2[i] = 0,5PI(float)random()/(float)RND_MAX; } else{ for(i = 0; i < WAVE_LEN/2; i++) { pha2[i] = pha1[i] + 0,5*(w01+w02)i(FRM-LD_LEN) + w01iLD_LEN; }

На конечной границе интервала декодирования имеется спектр с send2 гармониками, чьи величины равны am_h[i] (1 <= i <= send2), а значения фазы равны pha2[i] (1 <= i <= send2). Добавление нулей к этим массивам приводит к новым массивам с компонентами WAVE_LEN/2 (=64) в пределах от 0 до \pi . Если send2 больше чем 63, используются первые 64 значения of am_h[i] и pha2[i]. 128 точек IFFT применены к этим массивам значений величин и фазы с ограничением, которое дает в результате вещественные числа. Теперь есть форма волны передискретизации за период одного шага, wave2[i] (0 <= i < WAVE_LEN).

WAVE_LEN (=128) отсчеты используются, чтобы выразить период одного шага формы волны. Так как фактическое значение задержки шага равно pch2, скорость передискретизации ovsr2 равна

ovsr2 = WAVE_LEN/pch2.

Аналогично скорость передискретизации ovsr1 для формы волны за период одного шага на начальной границе интервала декодирования, wave1[], равна

ovsr1 = WAVE_LEN/pch1.

Проверка непрерывности шага

Когда отношение фундаментальных частот, |(w02 - w01)/w02|, меньше чем WDEVI(=0,1), то переход шага непрерывен. В таком случае фундаментальные частоты и величины гармоник линейно интерполируются между началом и окончанием интервала декодирования. Иначе, это расценивается как прерывистый переход шага, а фундаментальные частоты и величины гармоник не интерполированы линейно. В этом случае добавляются независимо синтезируемые периодические формы волны, используя соответствующие весовые функции.

Циклическое расширение и операция передискретизации (непрерывный переход шага)

Формы волны за период одного шага, wave1[] и wave2[], циклически расширены соответственно, чтобы иметь достаточную длину в домене с чрезвычайной передискретизацией.

Длина сверхдискретизированной формы волны, необходимая чтобы восстановить форму волны длины FRM (= 160) при оригинальной частоте дискретизации (8 кГц), составляет не менее lp12.

Для режима нормальной задержки:

lp12 = ceil(FRM0,5(over1+ovsr2)); lp12r = floor(FRM0,5(ovsr1+ovsr2)+ 0,5); st = WAVE_LEN - (lp12r%WAVE_LEN); for(i = 0; i < lp12; i++){ out1[i] = wave1[i%WAVE_LEN]; out2[i] = wave2[(st+i)%WAVE_LEN];

Для режима малой задержки:

lp12r = floor((FRM-LD_LEN)0,5(ovsr1+ovsr2)+LD_LENovsr1+0,5); st = WAVE_LEN - (lp12r%WAVE_LEN) iflat1 = floor(ovsr1LD_LEN+0,5) iflat2 = floor(ovsr2*LD_LEN+0,5) for (i = 0; i < lp12+iflat2+10; i++) { out1[i] = wave1[i%WAVE_LEN]; out2[i] = wave2[(st+i)%WAVE_LEN]; }

У этих двух форм волны, out1[] и out2[], есть тот же самый "псевдо" период шага (=WAVE_LEN [sample]), и они выравниваются. Так простое добавление этих двух форм волны, используя треугольные окна производит форму волны out3[].

Для режима нормальной задержки:

for (i = 0; i < lp12; i++) out3[i]= out1[i](float)(lp12-i)/(float)lp12 + out2[i](float)i/(float)lp12;

Для режима малой задержки:

for (i = 0; i < iflat1; i++) out3[i] = out1[i]; for (i = iflat1; i < lp12; i++) out3[i] = out1[i](float)(lp12-i)/(float)(lp12-iflat1) +out2[i](float)(i-flat1)/(float)(lp12-iflat1); for (i = lp12; i < lp12+iflat2; i++) out3[i] = out2[i].

Наконец, out3[] должен быть передискретизирован так, чтобы получающаяся форма волны могла быть выражена в оригинальной частоте дискретизации (8 кГц). Эта операция возвращает форму волны из домена "псевдо" шага в домен фактического шага. Операция передискретизации:

sv [i] = out3 [f (i)] (0 < i < FRM),

где

f(i) = \int_{0} (ovsr1 \cdot \frac{FRM - t}{FRM} + ovsr2 \cdot \frac{t}{FRM})dt.

Функция f(i) отображает время индекса i из оригинальной частоты дискретизации (8 кГц) к индексу времени в over-sampledrate при условии, что фундаментальные частоты, w01 и w02, линейно интерполированы. С тех пор f(i) doesnot возвращают целочисленное значение, sv[i] получен, линейно интерполируя out3[f(i)] и out3[f(i)].

Для нормального режима задержки:

sv[0] = out3[0]; ffi = 0; for (i = 1; i < FRM; i++) { ovsrc = ovsr1*(float)(FRM-i)/(float)FRM + over2*(float)i/(float)FRM; ffi += ovsrc; ffim = floor(ffi); ffip = ceil(ffi); if (ffim == ffip) sv[i] = out3[(int)ffip]; else sv[i] = (ffi-ffim)*out3[(int)ffip] + (ffip- ffi)*out3[(int)ffim]; }

Для режима малой задержки:

sv[0] = out3[iflat1]; ffi = 0; for (i = 1; i < FRM; i++) { ovsrc = ovsr1*(float)(FRM-LD_LEN-i)/(float)(FRM-LD_LEN) + over2*(float)i/(float)(FRM-LD_LEN); ffi += ovsrc; ffim = floor(ffi); ffip = ceil(ffi); if (ffim == ffip) sv[i] = out3[(int)ffip+iflat1]; else sv[i] = (ffi-ffim)*out3[(int)ffip+iflat1] + (ffip-ffi)*out3[(int)ffim+iflat1]; }

Циклическое расширение и операция передискретизации (прерывистый переход шага)

Формы волны за один период шага, wave1[] и wave2[] циклически расширены, чтобы иметь достаточную длину в домене передискретизации. И на начальной и на конечной границах интервала декодирования получены циклически расширенные формы волны, out1[] и out2[].

lp1 = ceil(FRMovsr1); lp2 = ceil(FRMovsr2); lp2r = floor(FRM*ovsr2+0,5); st = WAVE_LEN - (lp2r%WAVE_LEN)

Для режима нормальной задержки:

for (i = 0; i < lp1; i++) out1[i] = wave1[i%WAVE_LEN]; for (i = 0; i < lp2; i++) out2[i] = wave2[(st+i)%WAVE_LEN]

Для режима малой задержки:

iflat1 = floor(ovsr1LD_LEN+0,5); iflat2 = floor(ovsr2LD_LEN+0,5); for (i = 0; i < Ip1+iflat1+10; i++) out1[i] = wave1[i%WAVE_LEN]; for (i = 0; i < Ip2+iflat2+10; i++) out2[i] = wave2[(st+i)%WAVE_LEN],

где lp1 и lp2 - длина передискретизированных форм волны, необходимая чтобы восстановить форму волны длиной FRM (= 160) при первоначальной частоте дискретизации (8 кГц).

Эти две формы волны, out1[] и out2[], передискретизируются независимо, используя тот же самый метод линейной интерполяции как в случае "непрерывного перехода шага".

Для режима нормальной задержки:

sv1[0] = out1[0]; ffi = 0; for (i = 1; i < FRM; i++) { ffi += ovsr1; ffim = floor(ffi); ffip = ceil(ffi); if (ffim == ffip) sv1[i] = out1[(int)ffip]; else sv1[i] = (ffi-ffim)*out1[(int)ffip] + (ffip-ffi)*out1[(int)ffim]; } sv2[0] = out2[0]; ffi = 0; for (i = 1; i < FRM; i++) { ffi += ovsr2; ffim = floor(ffi); ffip = ceil(ffi); if (ffim == ffip) sv2[i] = out2[(int)ffip]; else sv2[i] = (ffi-ffim)*out2[(int)ffip] + (ffip-ffi)*out2[(int)ffim]; }

Для режима малой задержки:

sv1[0] = out1[iflat1]; ffi = 0; for (i = 1; i < FRM; i++) { ffi += ovsr1; ffim = floor(ffi); ffip = ceil(ffi); if (ffim == ffip) sv1[i] = out1[(int)ffip+iflat1]; else sv1[i] = (ffi-ffim)*out1[(int)ffip+iflat1]

       + (ffip-ffi)*out1[(int)ffim+iflat1];<br>

sv2[0] = out2[iflat2]; ffi = 0; for (i = 1; i < FRM; i++) { ffi += ovsr2; ffim = floor(ffi); ffip = ceil(ffi); if (ffim == ffip) sv2[i] = out2[(int)ffip+iflat2]; else sv2[i] = (ffi-ffim)*out2[(int)ffip+iflat2] + (ffip-ffi)*out2[(int)ffim+iflat2]; }

Используя передискретизированные формы волны при первоначальной частоте дискретизации (8 кГц), sv1 [] и sv2 [] тогда перекрываются и добавлены окном трапецоида c_dis[], показанным на рисунке 2, где HP_UP = HM_DOWN = 60, HM_FLAT = 50.

for (i = 0; i < HM_FLAT; i++) c_dis[i] = 1,0f; for (i = HM_FLAT; i < HM_FLAT+HM_DOWN; i++) c_dis[i] = (-i+(HM_FLAT+HM_DOWN))/(float)HM_DOWN; for (i = HM_FLAT+HM_DOWN; i < FRM; i++) c_dis[i] = 0.0f;

Для режима нормальной задержки:

for(i = 0; i < FRM; i++) sv[i] = sv1[i]c_dis[i] + sv2[i](1,0 — c_dis[i]);

Для режима малой задержки:

for (i = 0; i < FRM; i++) sv[i] = sv1[i]c_dis[i+LD_LEN] + sv2[i](1,0 — c_dis[i + LD_LEN]) }

Рисунок 2 — Окно синтеза для прерывающегося шага

5.6.3.3 Генерация шумовой компоненты

Для генерации шумовой компоненты для речевого возбуждения сначала генерируется белый Гауссовский шум. Затем он настраивается по цвету и усилению модифицированными величинами гармоник, am_noise[], а чтобы генерировать непрерывную шумовую компоненту во временном домене используется взвешенное перекрытие и добавление.

Сначала определяется окно Хемминга длины SAMPLE (=256), ham[i].

Для режима нормальной задержки,

for (i = 0; i < SAMPLE; i++) ham[i] = 0,54 — 0,46cos(2.0PI*i/(SAMPLE-1))

Для режима малой задержки

for (i = 0; i < (SAMPLE-HAMLD)/2; i++) ham[i] = 0.0; for (i = (SAMPLE-HAMLD)/2; i < (SAMPLE+HAMLD)/2; i++) ham[i] = 0,54 — 0,46cos(2.0PI*i/(SAMPLE-1)); for (i = (SAMPLE+HAMLD)/2; i < SAMPLE; i++) ham[i] = 0.0; ham[] окна нормализуется, чтобы получить единичную энергию.

Пусть ns[i](0 <= i < SAMPLE) будет отсчетами белого Гауссовского шума с нулевым средним значением и единичной дисперсией. Затем окно Хэмминга ham[i] умножается на ns[i] и получается wns[i].

for (i = 0; i < SAMPLE; i++) wns[i] = ns[i]*ham[i];

Обсчитывают 256 точек FFTwns[i] и вычисляют массив спектральных амплитуд rmc[i] (0 <= I <= SAMPLE/2) и массив спектральных фаз ang[i] (0 <= i <= SAMPLE/2) как

for (i = 0; i <= SAMPLE/2; i++) { rms[i] = sqrt(re[i]*re[i]+im[i]*im[i]); ang[i] = atan2(im[i], re[i]); }

где re[i] (0 <= I < SAMPLE) и im[i] (0 <= i < SAMPLE) являются вещественной частью и мнимой частью коэффициентов FFT, соответственно. Затем спектральное среднеквадратичное значение амплитуды rmc[] настраивается по цвету и усилению модифицированными гармоническими величинами, am_noise[]. (w0 является фундаментальной частотой текущего фрейма, где w0 значение SAMPLE представляет собой 2\pi ).

for (i = 0; i <= send2; i++) { if (i == 0) lb = 0; else lb = ub+1; if (i == send2) ub = SAMPLE/2 else ub = floor((float)i*w0+w0/2.0+0,5); if (ub >= SAMPLE/2) ub = SAMPLE/2; bw = ub-lb+1; s = 0.0; for (j — lb; j <= ub; j++) s += rms[j]*rms[j]; s = sqrt(s/(float)bw); for (j = lb; j <= ub; j++) rms[j] *= am_noise[i]/s; }

256-точечный IFFT вычисляется с настроенным по цвету и усилению массивом спектральных амплитуд rmc[] и исходным массивом спектральных фаз ang[] с ограничением, что результат будет вещественными числами. Пусть результат IFFT будет cns[i] (0 <= I <= SAMPLE).

Когда текущий фрейм является «Unvoiced»,

frame (vuv2 = 0), cns[i] = 0.0 (0 <= i < SAMPLE).

Чтобы генерировать сигнал шумовой компоненты по интервалу декодирования, выполняется взвешенное перекрытие и добавление результата IFFT предыдущего фрейма. Массив cns_z[i] (0 <= i < 2 Ч FRM) получен путем дополнения (FRM — SAMPLE/2) нулей к обеим сторонам (начало и окончание) cns[].

for (i = 0; i < FRM-SAMPLE/2; i++) cns_z[i] = 0.0; for (i = FRM-SAMPLE/2; i < FRM+SAMPLE/2; i++) cns_z[i] = cns[i-FRM+SAMPLE/2]; for (i = FRM+SAMPLE/2; i < 2*FRM; i++) cns_z[i] = 0.0.

Тем же самым способом, дополненный нулями массив окна Хэмминга ham_z[i] (0 <= i < 2 Ч FRM), определен как:

for (i = 0; i < FRM-SAMPLE/2; i++) ham_z[i] = 0.0; for (i = FRM-SAMPLE/2; i < FRM+SAMPLE/2; i++) ham_z[i] = ham[i-FRM+SAMPLE/2]; for (i = FRM+SAMPLE/2; i < 2*FRM; i++) ham_z[i] = 0.0.

Обозначим cns_z[] предыдущего фрейма как cns_z_p[]. Теперь шумовая компонента по интервалу декодирования, add_uv[i] (0 <= I < FRM), получается объединением cns_z[] и cns_z_p[].

Для режима нормальной задержки:

for (i = 0; i < FRM; i++)

add_uv[i] = (cns_z_p[FRM+i]*ham_z[FRM+i]+cns_z[i]*ham_z[i])

  /(ham_z[FRM+i]*ham_z[FRM+i]+ham_z[i]*ham_z[i]).

Для режима малой задержки шумовая компонента в сдвинутом интервале декодирования получается следующим образом:

for (i = 0; i < FRM-LD_LEN; i++) add_uv[i] = (cns_z_p[FRM+i+LD_LEN]*ham_z[FRM+i+LD_LEN]+ cns_z[i+LD_LEN]*ham_z[i+LD_LEN]) /(ham_z[FRM+i+LD_LEN]*ham_z[FRM+i+LD_LEN] +ham_z[i+LD_LEN]*ham_z[i+LD_LEN]); for (i = FRM-LD_LEN; i < FRM; i++) add_uv[i] = cns_z[i+LD_LEN]/ham_z[i+LD_LEN]).

Шумовая компонента add_uv[i] добавляется к сигналу возбуждения гармоник sv[], чтобы создать сигнал речевого возбуждения:

for(i = 0; i < FRM; i++) sv[i] += add_uv[i];

5.6.3.4 Синтез LPC

Сигнал возбуждения, полученный ранее, sv[i] (0 <= i < FRM), подается на фильтр синтеза LPC, коэффициенты которого обновляются каждые 2,5 мс (=20 отсчетов).

Линейным интерполированием деквантованных LSPs предыдущего и текущего фрейма, lsp1[][] и lsp2[][], получают 8 наборов интерполированного LSPs, lspip[] [].

for (i = 0; i < 8; i++) for (j = 0; j < P; j++) lspip[i][j] = (2.0i+1,0)/16.0lsp2[j] + (16.0-2.0i-1,0)/16.0lsp1[j].

Для режима малой задержки, так как интервал декодирования сдвинут на LD_LEN(=20) отсчетов (2,5 мс), интерполяция LSPs выполнена для первых 17,5 мс интервала декодирования, показанного на рисунке 9, а LSPs текущего фрейма, lsp2[], используется для последних 2,5 мс без интерполяции.

for (i = 0; i < 7; i++) for (j = 0; j < P; j++) lspip[i][j] = (2.0i+1,0)/14.0lsp2[j] + (14.0 — 2,0* i-1,0)/14.0*lsp1[j]; for (j = 0; j < P; j++) lspip[7][j] = lsp2[j];

8 наборов интерполированных LSPs, lspip[][], преобразованы в коэффициенты линейного прогнозирования, alpaip[][], соответственно.

Функция преобразования i-го интервала 2,5 мс (20 отсчетов) фильтра синтеза LPC равна

H_{i}(z) = \frac{1}{\sum_{n = 0}^{P} alphair[i][n]z^{- n}} (0 \leq i<8)

Выход фильтра синтеза LPC подан в постфильтр, описанный в Б.1.3.1. Выходной сигнал находится в диапазоне от -32768 до 32767.

5.7 Синтезатор неречевой компоненты

5.7.1 Описание инструмента

Синтезатор неречевой компоненты составлен из трех шагов, которые являются выделением окон неголосового сигнала возбуждения, фильтром синтеза LPC и работой постфильтра. Для неречевых сегментов используется схема VXC (CELP).

5.7.2 Определения

Определения констант

Определения переменных

5.7.3 Процесс синтеза

Сигнал неречевого возбуждения в интервале декодирования, suv[], сгенерирован из декодированного сигнала неречевого возбуждения текущего фрейма, gRes[], и последней половины декодированного сигнала неречевого возбуждения предыдущего фрейма, old_qRes[]:

for (i = 0; i < FRM/2; i++) { suv[i] = old_qRes[i]; suv[i+FRM/2] = qRes[i]; old_qRes[i] = qRes[i+FRM/2]; }

Для режима малой задержки используется сигнал возбуждения сдвинутой версии выборок LD_LEN(=20):

for (i = 0; i < FRM/2-LD_LEN; i++) { suv[i] = old_qRes[i+LD_LEN];

suv[i+FRM/2] = qRes[i+LD_LEN];<br>
old_qRes[i] = qRes[i+FRM/2];

} for (i = FRM/2-LD_LEN; i < FRM/2; i++) {

suv[i] = qRes[i-FRM/2+LD_LEN];<br>
suv[i+FRM/2] = qRes[i+LD_LEN];

old_qRes[i] = qRes[i+FRM/2];

Сгенерированный сигнал неречевого возбуждения является реализуемым методом окна, чтобы подключаться к речевому фрейму. Рисунки 3 и 4 показывают форму окна для формы волны возбуждения, где V/UV переходит от неречевого к речевому и от речевого к неречевому, соответственно. Параметры на рисунке установлены как: TD_UP = 30, TD_FLAT = 50, TD_DOWN = 30, HM_DOWN = 60, HM_FLAT = 50, HM_UP = 60. Эти окна для неречевого фрейма используются, только когда неречевой фрейм смежный с речевым или смешанным речевым фреймом.

w_celp_up[i] = 0.0;

for (i = FRM-TD_UP-TD_FLAT; i < FRM-TD_FLAT; i++) w_celp_up[i] = (float)(i-FRM+TD_UP+TD_FLAT)/(float)TD_UP; for (FRM-TD_FLAT; i < FRM+LD_LEN; i++) w_celp_up[i] = 1,0; for (i = 0; i < TD_FLAT; i++) w_celp_down[i] = 1,0; for (i = TD_FLAT; i < TD_FLAT+TD_DOWN; i++) w_celp_down[i] = (float)(TD_FLAT+TD_DOWN-i)/(float)TD_DOWN; for (i = TD_FLAT+TD_DOWN; i < FRM+LD_LEN; i++) w_celp_down[i] = 0.0;

Для режима нормальной задержки:

if (vuv1 != 0 && vuv2 != 0) { for (i = 0; i < FRM; i++) s_uv[i] = 0.0f; } else if(vuv1 != 0 && vuv2 == 0) { for (i = 0; i < FRM; i++) *s_uv[i] = w_celp_up[i]; } else if (vuv1 == 0 && vuv2 != 0) { for (i = 0; i < FRM; i++) *s_uv[i] = w_celp_down[i] }

Для режима малой задержки позиция работы с окнами сдвинута выборками LD_LEN:

if (vuv1 != 0 && vuv2 != 0) { for (i = 0; i < FRM; i++) s_uv[i] = 0.0f; } else if(vuv1 != 0 && vuv2 == 0) { for (i = 0; i < FRM; i++) *s_uv[i] = w_celp_up[i+LD_LEN]; } else if (vuv1 == 0 && vuv2 != 0) { for (i = 0; i < FRM; i++) *s_uv[i] = w_celp_down[i+LD_LEN] }

Рисунок 3 — Окно синтеза для случая неречевой/речевой

Рисунок 4 — Окно синтеза для случая речевой/неречевой

Первая половина неречевого сигнала возбуждения, suv[i] (0 <= i < FRM/2), подается в фильтр синтеза LPC

H_{1}(z) = \frac{1}{\sum_{n = 0}^{P} alphair1[n]z^{- n}} ,

где alpha1[] являются линейными прогнозирующими коэффициентами, преобразованными из деквантованных LSPs предыдущего фрейма, lsp1[]. Когда вторая половина неречевого сигнала возбуждения, suv [i] (FRM/2 <= i < FRM), подается в фильтр синтеза LPC, функция преобразования переключается в

H_{2}(z) = \frac{1}{\sum_{n = 0}^{P} alphair2[n]z^{- n}} ,

где alpha2[] являются линейными прогнозирующими коэффициентами, преобразованными из деквантованных LSPs текущего фрейма, lsp2[].

Для режима малой задержки, так как интервал декодирования сдвинут на LD_LEN выборок, неречевой сигнал возбуждения, suv[i] (0 <= i < FRM/2-LD_LEN), подается в фильтр синтеза LPC H1(z), а неречевой сигнал возбуждения, (FRM/2-LD_LEN <= i < FRM), подается в фильтр синтеза LPC H2(z).

Выход фильтра синтеза LPC подается в постфильтр, описанный в Б.1.3.2. Выходной сигнал находится в диапазоне от -32768 до 32767.

5.8 Декодер варьируемой скорости

5.8.1 Описание инструмента

Инструмент для декодирования переменной скорости с ядром HVXC.

Этот инструмент позволяет HVXC работать в потоках данных с переменной скоростью, где средняя битовая скорость уменьшена до 1,2 — 1,7 Кбит/с для типичного речевого материала. Главная часть алгоритма составлена из «декодирования фонового шума», где только биты режима получают во время «режима фонового шума», и неречевой фрейм получают через определенный промежуток времени для генерации фонового шума.

5.8.2 Определения

Определения констант

Определения переменных

5.8.3 Процесс декодирования

idVUV — параметр, который имеет в результате решение V/UV и определенный как:

Используя метод обнаружения фонового шума, кодирование с варьируемой скоростью выполняется на базе фиксированной битовой скорости 2,0 Кбит/с HVXC.

Таблица 64

Распределение разрядов закодированных параметров для режима варьируемой битовой скорости

Для Смешанной вокализованной речи и Вокализованной речи (idVUV = 2,3) используется тот же самый метод декодирования, как для режима фиксированной битовой скорости.

В декодере содержатся два набора параметров LSP, prevLSP1 и prevLSP2, где prevLSP1 представляет ранее переданные параметры LSP, а prevLSP2 представляет ранее переданные параметры LSP прежде prevLSP1. Для фрейма Фонового шума (idVUV = 1), декодер VXC используется тем же самым способом как для фрейма UV, но никакие параметры LSP не передаются. Сгенерированные линейной интерполяцией параметры LSP prevLSP1 и prevLSP2 используются для синтеза LPC, и тот же самый индекс усиления предыдущего фрейма используется для генерации возбуждения декодирования VXC. Во время фрейма Фонового шума, через каждые (BGN_INTVL + 1) (=9) фреймов вставляется фрейм Невокализованный речевой (UV), чтобы передать параметры фонового шума. Этот фрейм UV может быть или не быть реальным UV фреймом начала речевых пакетов. Является ли фрейм реальным UV, оценивает переданный индекс усиления. Если индекс усиления меньше или равен индексу из предыдущего +2, то этот UV фрейм расценивается как фрейм Фонового шума, и поэтому ранее переданный вектор LSP (= prevLSP1) используется, чтобы сохранить гладкое изменение параметров LSP, иначе передаваемые в данное время LSPs используются как реальный UV фрейм. Индексы усиления сортируются согласно величинам. Если снова выбран режим Фоновый шум, то используют интерполированные LSPs, использующие prevLSP1 и prevLSP2.

И для фрейма Невокализованной речи и для Фонового шума (idVUV = 0, 1) используется Гауссовский шум с единичной энергией для возбуждения декодирования VXC (вместо стохастического кодового вектора формы для декодирования VXC).

Рисунок 5 показывает пример. Предположим, что фрейм #0 и фрейм #1 являются Невокализованным речевым фреймом, а фрейм #2 ... фрейм #9 являются фреймом Фонового шума. Во время декодирования фрейма #2 ... фрейма #9, prevLSP1 и prevLSP2 установлены как: prevLSP1 = LSP (1) и prevLSP2 = LSP (0) и вектор LSP фрейма #i, LSP (i) (2 <= i < 9), генерируется как

LSP(i) = \frac{prevLSP2 \times (2 \times BGH_INTVL - 2 \times bgnCnt - 1) + prevLSP1 \times (2 \times bgnCnt + 1)}{2 \times BGH_INTVL} ,

где BGN_INTVL — интервал максимального фонового шума (=8), и bgnCnt — является счетчиком последовательных фреймов Фонового шума.

В этом примере, bgnCnt = 0 для фрейма #2, bgnCnt = 1 для фрейма #3, ..., bgnCnt = 7 для фрейма #9. Для индекса усиления декодирования VXC во время фрейма #2 ... фрейма #9 используется индекс усиления фрейма #1. Когда получены параметры фрейма #10, prevLSP1, и prevLSP2 обновляются как: prevLSP1 = LSP(10) и prevLSP2 = LSP(1). Для декодирования фрейма #10 сначала проверяется больше ли индекс усиления, чем значение индекса «фрейм #1 + 2». Если больше, фрейм #10 декодируется как обычный UV фрейм; иначе он декодируется как фрейм Фонового шума, и вместо LSP(10) используется LSP(1), в то время как полученный индекс усиления используется для обоих случаев.

UV — неголосовой фрейм;

BN — фрейм фонового шума

Рисунок 5 — Генерация параметров декодера для интервала фонового шума

5.9 Расширение режима варьируемой скорости HVXC

5.9.1 Описание инструмента

В 5.8 описан режим с варьируемой битовой скоростью, основанный на режиме 2,0 Кбит/с. Здесь описан режим с варьируемой битовой скоростью максимум 4,0 Кбит/с.

В режиме с фиксированной битовой скоростью есть решение 2-битового V/UV, а именно:

VUV = 3: полностью речевой, VUV = 2: смешанный речевой, VUV = 1: смешанный речевой, VUV = 0: неречевой.

Когда режимом работы является режим с переменной битовой скоростью, VUV = 1 указывает состояние фонового шума вместо смешанного речевого. Текущий операционный режим определяется «HVXCconfig ()», и декодер знает, является ли это режимом переменной или фиксированной скорости и может понять значение VUV = 1. В кодировании варьируемой скорости распределение разрядов меняется в зависимости от речевого/неречевого решения, и сохранение битовой скорости получают, главным образом, уменьшая распределение разрядов для сегмента невокализованной речи (VUV = 0). Когда выбран VUV = 0, тогда проверяется, является ли сегмент реальным сегментом невокализованной речи или сегментом фонового шума. Если он заявлен как фоновый шум, то VUV изменяется на 1, и распределение разрядов для фрейма дополнительно уменьшается. Во время режима фонового шума передаются только биты режима или фрейм обновления шума согласно изменению характеристик фонового шума. Используя этот режим варьируемой скорости, средняя битовая скорость уменьшается до 56 — 85% режима с фиксированной битовой скоростью в зависимости от исходных элементов.

5.9.2 Определения

5.9.3 Полезная нагрузка передачи

В зависимости от решения V/UV и результата обнаружения фонового шума используются полезные нагрузки передачи с четырьмя различными битовыми скоростями. Флажки VUV и UpdateFlag указывают тип передачи полезной нагрузки.

VUV является параметром, который содержит результат решения V/UV и определяется как:

Чтобы определить является ли отмеченный «VUV = 1» фрейм фреймом обновления шума, вводится параметр «UpdateFlag». UpdateFlag используется, только когда VUV = 1.

Если UpdateFlag равно 0, фрейм не является фреймом обновления шума, и если UpdateFlag равно 1, фрейм является фреймом обновления шума. Первый фрейм режима фоновый шум всегда классифицируется как фрейм обновления шума. Кроме того, если усиление или огибающая спектра фрейма фонового шума изменяются, вводится фрейм обновления шума.

В фрейме обновления шума подсчитывается среднее параметров LSP по последним 3 фреймам и кодируется как индексы LSP в кодере. Тем же самым способом подсчитывается среднее усиление Celp по последним 4 фреймам (8 подфреймов) и кодируется как индекс усиления Celp.

Во время интервала фонового шума (VUV = 1), параметры LSP и параметры возбуждения посылают, только когда выбран шумовой фрейм обновления (UpdateFlag = 1). Выходные сигналы декодера для интервала фонового шума генерируются с использованием LSP и параметров возбуждения, переданные в шумовых фреймах обновления.

Если текущий фрейм или предыдущий фрейм является режимом «фоновый шум», другой режим в квантовании LSP запрещен в кодере, потому что параметры LSP не посылаются во время режима «фоновый шум», а межфреймовое кодирование невозможно.

Используя описанный выше метод обнаружения фонового шума, кодирование с варьируемой скоростью выполнено на базе HVXC фиксированной битовой скорости 4 Кбит/с. Битовая скорость в каждом режиме показана ниже.

5.9.4 Процесс декодирования

В декодере речевой фрейм (VUV = 2,3) обрабатывается тем же самым способом, как в режиме с фиксированной битовой скоростью 4 Кбит/с, а неречевой фрейм (VUV = 0) обрабатывается тем же способом, как в режиме с фиксированной битовой скоростью 2,0 Кбит/с. Когда выбран режим фонового шума (VUV = 1), выходной сигнал декодера генерируется так же, как невокализованный речевой в режиме с фиксированной битовой скоростью 2,0 Кбит/с. Параметры декодера для интервала обратного фонового шума генерируются при использовании параметров, переданных в шумовых фреймах обновления (VUV = 1, UpdateFlag = 1) и иногда в предшествующих неречевых фреймам (VUV = 0). Ниже показано, как генерировать параметры декодера для интервала обратного фонового шума.

5.9.4.1 Декодирование LSP

В декодере удерживаются два набора ранее переданных параметров LSP, prevLSP1 и prevLSP2.

prevLSP1: переданные параметры LSP

prevLSP2: переданные прежде prevLSP1 параметры LSP

Режим фонового шума имеет место только после режима неречевой или фоновый шум. Если выбран режим фонового шума, параметры LSP передаются, только когда фрейм является шумовым фреймом обновления (UpdateFlag = 1). Если переданы новые параметры LSP, prevLSP1 копируется в prevLSP2, и недавно переданные LSPs копируются в prevLSP1, независимо от решения VUV.

Параметры LSP для каждого фрейма во время режима фонового шума генерируются интерполяцией между prevLSP1 и prevLSP2, используя уравнение

qLsp(i) = ratio·prevLsp1(i) +

• (1 — ratio)·prevLsp2(i) ... i = 1 ... 10, (6)

где

ratio = \frac{2 \cdot (bgnIntval + rnd) + 1}{2 \cdot BGN_INTVAL} , (7)

qLsp (i) является i-м LSP, который должен использоваться для операции декодирования текущего фрейма, prevLsp1 (i) является i-м LSP prevLSP1, prevLsp2(i) является i-м LSP prevLSP2 (1 <= i <= 10). В этом уравнении bgnIntval представляет собой счетчик, который считает число последовательных фреймов фонового шума, и сбрасывается в 0 при приеме фрейма обновления фонового шума. BGN-INTVL (=12) является константой, а rnd — случайно сгенерированное целочисленное значение между -3 и 3. Если счетчик bgnIntval достигает BGN_INTVL, bgnIntval устанавливается в BGN_INTVL-1, и если отношение, полученное из уравнения (7), меньше 0 или больше 1, значение rnd устанавливается в 0, и отношение пересчитывается.

5.9.5 Генерация возбуждения

Во время режима фонового шума индекс усиления (VX_gain [0]), переданный в шумовом фрейме обновления, используется для всех подфреймов, значения индекса Shape (VX_Shape1 [0, 1]) случайным образом сгенерированы между 0 и NUM_SHAPE_L0-1. Эти параметры возбуждения используются с интерполированными параметрами LSP, как описано ранее, чтобы генерировать сигналы режима фонового шума.

Приложение А

Речевой ввод при частоте дискретизации 8 кГц сформирован во фреймы с длиной и интервалом 256 и 160 отсчетов, соответственно. Анализ LPC выполнен, используя windowed (обработанные методом окна) входные данные по одному фрейму. Остаточные сигналы LPC вычисляются обратной фильтрацией входных данных, используя параметры квантованного и интерполированного LSP. Остаточные сигналы затем подаются в блок оценки величины шага и спектра, где огибающие спектра для остаточного LPC оцениваются тем же способом, что и в кодере MBE за исключением того, что используется только двухбитовое решение V/UV на фрейм. Огибающая спектра для речевого сегмента, затем — вектор, квантованный со взвешенной мерой искажения. Для неречевого сегмента выполняется поиск по замкнутому контуру для кодирования вектора возбуждения.

А.2 Нормализация

А.2.1 Описание инструмента

Процесс нормализации составлен из трех операций, а именно, анализа LPC, квантования параметров LSP, и обратной фильтрации.

А.2.2 Процесс нормализации

А.2.2.1 Анализ LPC

Для каждого фрейма вычисляются коэффициенты LPC 10-го порядка, используя входные сигналы Хемминга, обработанные методом окна, методом автокорреляции.

А.2.2.2 Квантование LSP

Используется тот же самый квантователь LSP как в узкополосных CELP.

Коэффициенты LPC сначала преобразованы в параметры пары Line Spectral Pair (LSP). Параметры LSP затем квантуются Vector Quantization (VQ). В случае базового уровня есть два метода квантования LSPs, как описано в разделе декодирования; двухступенчатый VQ без межфреймового предсказания и комбинация VQ и VQ с межфреймовым прогнозированием. В процессе кодирования оба метода используются для квантования LSPs, и один из них выбирается путем сравнения ошибок квантования. Ошибка квантования вычисляется как взвешенное евклидово расстояние.

В случае уровня расширения 10-мерный векторный квантователь, у которого есть книга шифров на 8 битов, добавляется к основанию текущей схемы квантователя LSP кода на 2,0 Кбит/с. Битовая скорость LSPs увеличена с 18 бит/20 мс до 26 бит/20 мс.

w_fact = 1.; for (i = 0; i < 4; i++) w[i] *= w_fact; for (i = 4; i < 8; i++) { w_fact =.694; w[i]= w_fact; } for(i = 8; i < 10; i++) { w_fact *=.510; w[i] *= w_fact; }

Квантизатор первой стадии — тот же для каждого метода квантования. LSPs квантованы при использовании векторного квантователя, и соответствующий индекс сохранен в LSP1. Чтобы выполнить отсроченное решение, множественные индексы сохранены как кандидаты на вторую стадию. Ошибка квантования в первой стадии err1[] дается формулой

err[n] = \sum_{i = 0}^{dim - 1} {_{(lsp[sp + i] - lsp_tbl[n][m][i]) \cdot w[sp + i]}^{2}}_{n = 0,}

где n — число вектора разбиения, m — является индексом вектора разбиения кандидата, sp — порядок стартового LSP n-го вектора разбиения и dim является размерностью n-го вектора разбиения.

Таблица А.1

Порядок запуска и размерность вектора LSP первой стадии

Во второй стадии вышеупомянутые два метода квантования, которые являются векторным квантователем с двумя разбиениями, применены соответственно. Полные ошибки квантования во второй стадии подсчитываются для всех комбинаций кандидатов первой стадии и кандидатов второй стадии и выбирается тот, у которого минимальная ошибка. В результате определяются индексы первой стадии и соответствующие индексы, и знаки для второй стадии сохраняются в LSP2 и LSP3. Флажок, который указывает выбранный метод квантования, также сохраняется в LSP4. Ошибка квантования во второй стадии err2_total дается выражением:

VQ без межфреймового предсказания:

err2_total = err2[0] + err2[1]

err2[n] = \sum_{i = 0}^{dim - 1} {_{(lsp_res[sp + i] - sign[n] \cdot d_tbl[n][m][i]) \cdot w[sp + i]}^{2}}_{n = 0,1}

lsp_res[sp + i] = lsp[sp + i] — lsp_first[sp + i],

где lsp_first[] является квантованным вектором LSP первой стадии, n — число вектора разбиения m является индексом вектора разбиения кандидата, sp — порядок стартового LSP n-го вектора разбиения и dim является размерностью n-го вектора разбиения.

VQ с межфреймовым предсказанием:

err2_total = err2[0] + err2[1]

err2[n] = \sum_{i = 0}^{dim - 1} {_{(lsp_pres[sp + i] - sign[n] \cdot pd_tbl[n][m][i]) \cdot w[sp + i]}^{2}}_{n = 0,1}

lsp_pres[sp + i] = lsp[sp + i] -

{(1 — ratio_predict)·lsp_first[sp + i] + ratio_predict·lsp_previous[sp + i]},

где lsp_first[] является квантованным вектором LSP первой стадии, n — число вектора разбиения, m является индексом вектора разбиения кандидата, sp — порядок стартового LSP n-го вектора разбиения и dim является размерностью n-го вектора разбиения и ratio_predict = 0,7.

Таблица А.2

Порядок запуска и размерность вектора LSP второй стадии

Квантованные LSPs lsp_current[] стабилизируются, чтобы гарантировать стабильность фильтра синтеза LPC, который получен из квантованных LSPs. Квантованные LSPs упорядочены в порядке возрастания, имея минимальное расстояние между смежными коэффициентами.

if (lsp_current[i] < min_gap) lsp_current[i] = min_gap; } for (i = 0; i < LPCORDER-1; i++) { if (lsp_current[i+1]-lsp_current[i] < min_gap) { lsp_current[i+1] = lsp_current[i]+min_gap; } } for (i = 0; i < LPCORDER; i++) { if (lsp_current[i] > 1-min_gap) lsp_current[i] = 1-min_gap; } for (i = LPCORDER-1; i > 0; i--) { if (lsp_current[i]-lsp_current[i-1] < min_gap) { lsp_current[i-1] = lsp_current[i]-min_gap; } } for (i = 0; i < LPCORDER; i++) { qLsp[i] = lsp_current[i]; }

где min_gap = 4,0/256,0

После процесса кодирования LSP текущие LSPs должны быть сохранены в памяти, так как они используются для предсказания в следующем фрейме.

for (i = 0; i < LPCORDER; i++) { lsp_previous[i] = lsp_current[i]; }

Сохраненные LSPs lsp_previous [] должны быть инициализированы как описано ниже, когда весь кодер инициализирован.

for (i = 0; i < LPCORDER; i++) { lsp_previous[i] = (i+1) / (LPCORDER+1); }

Третья стадия для уровня расширения (4,0 и 3,7 Кбит/с) имеет 10-мерную структуру VQ. Ошибка между версией квантования базового уровня и оригинальной версией квантуется, и соответствующий индекс сохраняется в LSP5.

После квантования LSP5 уровня расширения qLsp[] снова стабилизируются.

for (i = 0; i < 2; i++; { if (qLsp[i + 1] — qLsp[i] < 0) { tmp = qLsp[i + 1]; qLsp[i + 1] = qLsp[i]; qLsp[i] = tmp; } if (qLsp[i + 1] — qLsp[i] < THRSLD_L) { qLsp[i + 1] = qLsp[i] + THRSLD_L; } } for (i = 2; i < 6; i++) { if(qLsp[i + 1] — qLsp[i] < THRSLD_M) { tmp = (qLsp[i + 1] + qLsp[i]) / 2,0; qLsp[i + 1]= tmp + THRSLD_M / 2,0; qLsp[i] = tmp — THRSLD_M / 2,0; } } for (i = 6; i < LPCORDER — 1; i++) { if (qLsp[i + 1] — qLsp[i] < 0) { tmp = qLsp[i + 1]; qLsp[i + 1] = qLsp[i]; qLsp[i] = tmp; } if (qLsp[i + 1] = qLsp[i] < THRSLD_H) { qLsp[i] = qLsp[i + 1] — THRSLD_H; } }

где THRSLD_L = 0,020, THRSLD_M = 0,020 и THRSLD_H = 0,020

Таблица А.3

Конфигурация многоступенчатого LSP VQ

А.2.2.3 Фильтр инверсии LPC

LSPs преобразованы к альфа-параметрам, чтобы сформировать, фильтр инверсии LPC в прямой форме. Остаточные сигналы LPC затем вычисляются путем инверсной фильтрации входного сигнала. Только квантованный LPC текущего фрейма используется без какой-либо интерполяции для инверсной фильтрации, чтобы вычислить остаточный сигнал LPC. Остаточный сигнал тогда является 256 точечной оконной обработкой Хемминга, чтобы вычислить спектр мощности. Функция преобразования инверсного фильтра LPC такова

где P = 10 и \alpha_{0} = 1 . Коэффициенты LPC \alpha_{n} остаются неизменными во время вычисления остаточных отсчетов длины одного фрейма (256 отсчетов).

А.3 Оценка шага

А.3.1 Описание инструмента

Чтобы получить первую оценку значения задержки шага, значений автокорреляции LPC, вычисляются остаточные сигналы. Основываясь на значениях задержки, которые дают пики автокорреляции, оценивается шаг разомкнутого цикла. Отслеживание шага выполняется в процессе оценки шага так, чтобы оцениваемый шаг стал более достоверным.

А.3.2 Процесс оценки шага

В кодере режима малой задержки трекинг (отслеживание) шага проводится, используя только текущие, и прошлые фреймы, чтобы сохранить задержку кодера 26 мс. Когда используется режим нормальной задержки, отслеживание шага использует один предстоящий фрейм и задержка кодера становится 46 мс.

А.3.3 Трекинг шага

Для режима малой задержки HVXC алгоритм прослеживания шага не использует значение шага будущего (предвидение) фрейма. Алгоритм прослеживания шага работает, основываясь на надежном шаге «rblPch», решении V/UV предыдущего фрейма «prevVUV», и параметрах прошлых/текущих шагов.

Основная операция состоит в следующем:

Когда prevVUV! = 0 и rblPch! = 0, шаг прослеживается на основе rblPch. Однако, у значения шага предыдущего фрейма более высокий приоритет.

Когда prevVUV = 0 и rblPch! = 0, шаг прослеживается на основе rblPch.

Когда prevVUV! = 0 и rblPch = 0, трекинг проводится на основе шага предыдущего фрейма.

Когда prevVUV = 0 и rblPch = 0, просто используется параметр текущего шага.

prevVUV! = 0 представляет речевой, и prevVUV = 0 представляет неречевой статус, соответственно.

В соответствии с этой стратегией, трекинг шага выполняется без какого-либо заглядывания вперед. Исходный текст программы трекинга шага показан ниже.

typedef struct {

      Float pitch;    /* pitch */
      Float prob;     /* 1st peak devided by 2nd peak of autocorrelation */
      Float r0r;      /* 1st peak of autocorrelation - modified */
      Float rawR0r;   /* 1st peak of autocorrelation - raw */
      Float rawPitch;    /* pitch with no tracking */

} NgbPrm; static int NearPitch( float p0, float p1, float ratio) { return((p0 * (1,0 — ratio) < p1) && (p1 < p0 * (1,0 + ratio))); } static float TrackingPitch( NgbPrm crntPrm, / current parameter */ NgbPrm prevPrm, / previous parameter */ int scanlimit, / Number of autocorrelation peaks */ float ac, / Autocorrelation / int peakPos[PEAKMAX], / Position of autocorrelation peaks / int prevVUV) / V/UV of ptrevious frame */ { float kimete; float pitch; int i; static float prevRawp= 0.0; int st0, st1, st2;

float stdPch;<br>
static float rblPch = 0.0;<br>
static float prevRblPch = 0.0;<br>
rblPch = global_pitch;

if (prevVUV != 0 && rblPch != 0.0)
{

st1 = Ambiguous(crntPrm->pitch, rblPch, 0,11); if(!(st0 || st1)) { if (NearPitch(crntPrm->pitch, prevPrm-

pitch = crntPrm->pitch;
  else if (NearPitch(crntPrm->pitch, rblPch, 0,2))
pitch = crntPrm->pitch;
  else if (NearPitch(prevPrm->pitch, rblPch, 0,2))
  {

if (crntPrm->r0r > prevPrm->r0r && crntPrm->prob >

prevPrm->prob) pitch = crntPrm->pitch; else pitch = prevPrm->pitch; } else pitch = GetStdPch2Elms(crntPrm, prevPrm, scanlimit, peakPos, ac); } else if (!st0) { if (NearPitch(prevPrm->pitch, crntPrm->pitch, 0,2)) pitch = crntPrm->pitch; else if ((gpMax * 1,2 > crntPrm->pitch) && NearPitch(prevPrm->rawPitch, crntPrm->pitch, 0,2)) pitch = crntPrm-> pitch; else pitch = prevPrm->pitch; } else if(!st1) { if ((crntPrm->rawPitch != crntPrm->pitch) && NearPitch(crntPrm->rawPitch, prevPrm->rawPitch, 0,2)) pitch = crntPrm->rawPitch; else pitch = crntPrm->pitch; } else { if (NearPitch(prevPrm->pitch, crntPrm->pitch, 0,2)) pitch = crntPrm->pitch; else pitch = rblPch; } } else if (prevVUV == 0 && rblPch != 0.0) { st1 = Ambiguous(crntPrm->pitch, rblPch, 0,11); if(!st1) pitch = crntPrm->pitch; else pitch = rblPch; } else if (prevVUV != 0 && rblPch == 0.0) { st1 = Ambiguous(crntPrm->pitch, prevPrm->pitch, 0,11); if(!st1) pitch = GetStdPch2Elms(crntPrm, prevPrm, scanlimit, peakPos, ac); else { if (prevPrm->r0r < crntPrm->r0r) pitch = crntPrm->pitch; else pitch = prevPrm->pitch; } } else pitch = crntPrm->pitch; crntPrm->pitch = pitch; prevRblPch = rblPch; prevRawp = pitch; return(pitch); }

A.4 Извлечение величин гармоник

A.4.1 Описание инструмента

Извлечение величин гармоник состоит из двух шагов: поиск шага и оценка огибающей спектра. Операция для каждого шага описана ниже.

А.4.2 Процесс извлечения величин гармоник

А.4.2.1 Поиск шага

Используя целочисленную задержку шага разомкнутого цикла, оценивается дробное значение задержки шага. Размер шага фракции равен 0,25. Это выполняется путем минимизации ошибки между синтезируемым спектром и исходным спектром. Здесь одновременно оцениваются значение задержки шага и величины гармоник спектра. Оцениваемое значение задержки шага, pch, передается в декодер как Pitch.

Pitch = (int) (pch — 20,0).

А.4.2.2 Оценка огибающей спектра

Чтобы получить исходный спектр к остаточным сигналам LPC применяется DFT 256 точек. Используя исходный спектр, производится определение огибающей спектра. Огибающая спектра — это ряд величин спектра, оцениваемых для каждой гармоники. Эта оценка величин выполняется вычислением оптимальной амплитуды Am, используя предопределенную базисную функцию E(j) и исходный спектр X(j). Пусть am и bm будут индексами коэффициента DTS нижней и верхней границы m-й полосы, соответственно, охватывая полосу m-й гармоники. Ошибка оценки амплитуды \epsilon_{m} определяется как:

Решение

\frac{\partial\epsilon_{m}}{\partial|A_{m}|} = 0

дает

|A_{m}| = \frac{{}_{j = a_{m}}^{b_{m}}|X(j)||E(j)|}{{}_{j = a_{m}}^{b_{m}}|E(j)|^{2}} .

Это значение определено как спектральная величина. Базисная функция E(j) может быть получена DFT окна Хемминга 256 точек.

А.5 Перцепционное взвешивание

А.5.1 Описание инструмента

Вычисляется частотная характеристика фильтра перцепционного взвешивания, предназначенного для использования взвешенного векторного квантования огибающей спектра гармоник. Здесь фильтр перцепционного взвешивания получен из линейных прогнозирующих коэффициентов \alpha_{n} . Функция преобразования фильтра перцепционного взвешивания такова

w(z) = \frac{{}_{n = 0}^{P}\alpha_{n}A^{n}z^{- n}}{{}_{n = 0}^{P}\alpha_{n}B^{n}z^{- n}} ,

где могли использоваться A = 0,9; B = 0,4. В этом инструменте также вычисляется частотная характеристика фильтра синтеза LPC — h(z) так, чтобы ее можно было включить

h(z) = \frac{1}{{}_{n = 0}^{P}\alpha_{n}z^{- n}} .

В этом инструменте вычислена частотная характеристика w(z)h(z) и выведена как массив *per_weight, который может быть использован как диагональные компоненты матриц взвешивания WH.

Процесс кодирования гармоник VQ состоит из двух шагов: преобразование размерности и квантование векторов огибающей спектра. Операции каждого шага приведены ниже.

Количество точек, которые составляют огибающую спектра, изменяется в зависимости от величин шага, так как огибающая спектра является набором оценок величин каждой гармоники. Число гармоник равно приблизительно от 9 до 70. Чтобы векторно квантовать огибающую спектра, кодер должен преобразовать их в постоянное число для VQ фиксированной размерности. Для преобразования частоты взятия выборки используется интерполяция с ограниченной полосой, чтобы получить спектральные векторы фиксированной размерности. Число точек, которые представляют форму огибающей спектра, должно быть изменено, не изменяя ее форму. С этой целью используется конвертер размерности для огибающей спектра, состоящей из комбинации низкочастотного фильтра и линейного интерполятора 1-го порядка. Для 8-кратной передискретизации первой стадии используется низкополосный фильтр FIR с 7 наборами коэффициентов; каждый набор состоит из 8 коэффициентов. 7 наборов коэффициентов фильтра получены группировкой каждых 8 коэффициентов из windowed sine, coef[i], со смещениями от 1 до 7, где

coef[i] = \frac{sin\pi(i - 32)/8}{\pi(i - 32)/8} (0,5 - 0,5cos2\pi i/64)0 \leq i \leq 64.

Эта фильтрация FIR позволяет вдесятеро уменьшить вычисление, в котором вычислены только точки, используемые в следующей стадии. Они являются левыми и правыми соседями конечного выхода конвертера размерности.

Во второй стадии передискретизации применяется линейная интерполяция 1-го порядка, чтобы получить необходимые точки выхода. Таким образом, мы получаем спектральные векторы фиксированной размерности (= 44).

А.6.2.2 Квантование вектора

Спектральный вектор фиксированной размерности (= 44) затем квантуется. В базовом уровне используется двухступенчатая схема векторного квантования для спектральной формы совместно со скалярным квантователем для усиления. Мера взвешенного искажения D используется для поиска в книге шифров как формы, так и усиления.

D = ||WH(x — g(s1 + s2))||2,

где x — исходный вектор, s1 — выход книги шифров Spectral Envelope (SE) shape1, s2 — выход SE_shape2 книги шифров, и g — выход книги шифров усиления SE. Соответствующие индексы обозначены как SE_shape1, SE_shape2 и SE_gain, соответственно. Размерность книг шифров формы фиксируется (=44). Диагональные компоненты матриц H и W являются величинами частотной характеристики фильтра синтеза LPC и перцепционного фильтра взвешивания, соответственно. Для уровня расширения к основанию квантизатора базового уровня добавлены дополнительные векторные квантизаторы. Режим 2,0 Кбит/с использует только квантизаторы базового уровня.

Для режима 4,0 Кбит/с величины квантованных гармоник с фиксированной размерностью (=44) в базовом уровне сначала преобразуются к размерности исходного вектора гармоник, который изменяется в зависимости от величины шага. Вычисляется различие между квантованным (с восстановленной размерностью вектором гармоник) и исходным вектором гармоник. Это различие затем квантуется схемой VQ с разбиением, составленной из четырех векторных квантователей в уровне расширения. Соответствующие индексы — SE_shape3, SE_shape4, SE_shape5 и SE_shape6.

Индекс SE_shape6 не используется, когда выбран режим 3,7 Кбит/с.

А.7 Решение V/UV

Решение V/UV принимается каждым фреймом 20 мс. Решение принимается на основе: подобия формы синтезируемого спектра и исходного спектра, мощности сигнала, максимальной автокорреляции остаточных сигналов LPC, нормализованных остаточной мощностью сигнала и числом переходов через нулевого.

А.7.2 Процесс кодирования

Решение V/UV составлено из трех различных режимов, т.е. неречевого, смешанного речевого, и полностью речевого.

Чтобы отослать информацию этих трех режимов, используются два бита для V/UV. Во-первых, нужно решить, неречевой ли текущий фрейм. Когда это решение речевой, тогда оценивается сила звучания, исходя из значения нормализованного максимального пика автокорреляции остаточного сигнала LPC. Обозначим значение r0r.

Ниже показано правило принятия решения:

А.8 Кодер временного домена

А.8.1 Описание инструмента

Когда речевой сегмент является неголосовым, используется алгоритм Vector Excitation Coding (VXC). Работа VXC описана ниже.

А.8.2 Процесс кодирования

Сначала выполняется анализ LPC, а затем коэффициенты LPC (\alpha) преобразуются в параметры LSP тем же самым способом, как в речевом случае. Параметры LSP квантуются, и квантованные LSPs преобразуются в коэффициенты LPC (\hat{\alpha}) .

Перцепционно взвешенный фильтр синтеза LPC - - H(z) выражен как:

H(z) = A(z)W(z),

где A(z) - функция преобразования фильтра синтеза LPC, и W(z) является перцепционно взвешенным фильтром, полученным из коэффициентов LPC.

Пусть xw(n) будет перцепционно взвешенным входным сигналом. Вычитая отклик на нулевой ввод z(n) из xw(n), получаем опорный сигнал r(n) для процедуры анализа через синтез VXC. Векторы оптимальной формы и усиления разыскиваются с использованием меры искажения E:

где syn(n) является реакцией нулевого состояния H(z), управляемого вводом возбуждения только вектором формы s(n), который является выходом книги шифров VX_shape. Здесь g - это усиление, которое является выводом книги шифров VX_gain. N является векторной размерностью книги шифров VX_shape.

Процесс поиска книги шифров для VXC состоит из двух шагов:

1. Поиск s(n), которое максимизирует

E = \frac{{}_{n = 0}^{N - 1}r(n) \times syn(n)}{\sqrt{{}_{m = 0}^{N - 1}syn(m)^{2}}} ,

2. Поиск g, которое минимизирует

Eg = (gref - g)2,

где

g_{ref} = \frac{{}_{n = 0}^{N - 1}r(n) \times syn(n)}{{}_{m = 0}^{N - 1}syn(m)^{2}} .

Ошибка квантователя e(n) подсчитывается как:

e(n) = r(n) - g x syn(n).

Когда битовая скорость равна 4 Кбит/с, используется еще одна стадия для квантования неголосовых сегментов, и e(n) используется как опорный ввод для VQ второй стадии.

Работа VQ второй стадии такая же как работа VQ первой стадии.

Кодер 2,0 Кбит/с использует книги шифров формы на 6 битов и усиления на 4 бита двоичного для неречевого возбуждения каждые 10 мс. Соответствующие индексы - VX_shape [i], VX_gain [i] (i = 0, 1). Схема 4,0 Кбит/с добавляет книги шифров для формы на 5 битов и усиления на 3 бита для каждых 5 мс внизу текущего квантователя. Соответствующими индексами являются - VX_shape2 [i], VX_gain2 [i] (i = 0, 1, 2, 3). Режим 3,7 Кбит/с может использовать ту же самую процедуру кодирования как режим 4,0 Кбит/с, хотя VX_shape2 [3] и VX_gain2 [3] не используются в декодере режима 3,7 Кбит/с.

Таблица А.4

Конфигурация книг шифров VXC

А.9 Кодер варьируемой скорости

Здесь описан инструмент для кодирования варьируемой скорости с ядром HVXC. Данный инструмент позволяет HVXC работать при изменяющихся битовых скоростях. Главная часть алгоритма составлена из "обнаружения интервала фонового шума", где передаются только биты режима во время "режима фонового шума", и неречевой фрейм вставляется с определенным промежутком времени, чтобы послать параметры для генерации фонового шума.

В алгоритме кодирования трекер (следящая система) минимального уровня имеет временный минимальный уровень, чтобы корректировать пороговое значение, по которому принимается решение о том, является ли входной сегмент речевым.

Трекинг минимального уровня

Параметры определены следующим образом:

lev: r.m.s. речевого фрейма;

vCont: число непрерывных голосовых фреймов;

cdLev: значение кандидата минимального уровня;

prevLev: r.m.s. предыдущего фрейма;

gmlSetState: число фреймов, в которых установлено значение кандидата;

gmlResetState: число фреймов, в которых значение кандидата не установлено после установки минимального уровня;

gml: минимальный уровень.

Минимальный уровень отслеживается согласно алгоритму, который показан ниже.

if (vCont > 4) { cdLev = 0.0; gmlSetState = 0; gmlResetState ++; }

{ *gml = MIN_GML; gmlResetState = 0; gmlSetState = 0; } else if (*gml > lev) { *gml = lev; gmlResetState = 0; gmlSetState = 0; } else if ((lev<500.0 && cdLev * 0,70<lev && lev<cdLev * 1,30) || lev<100,0) { if (gmlSetState > 6) { *gml = lev; gmlResetState = 0; gmlSetState = 0; } else

{

  cdLev = lev;
  gmlResetState

= 0; gmlSetState++; } }

} else if (gmlResetState

{ *gml = MIN_GML; gmlResetState = 0; gmlSetState = 0; } else { cdLev = 0.0; gmlSetState = 0; gmlResetState++ }

Как показано выше, минимальный уровень удерживается в течение соответствующего промежутка времени и обновляется. Минимальный уровень всегда устанавливается выше, чем предопределенное значение MIN_GML.

Обнаружение фонового шума, основанное на минимальном уровне

Справочный уровень refLev вычисляется как

refLev = A x max(lev, refLev) + (1,0 — A) x x min(lev, refLev) (А.1)

Обычно A устанавливается в 0,75. Обнаружение фонового шума выполняется используя refLevel, полученное из уравнения (А.1).

Для фреймов, где принимается решение «речевой»:

if (refLev < B *gml && contV < 2) { idVUV = 1; }

Для фреймов, где принимается решение «неречевой»:

if (refLev < B gml) {/ condition-1 */ if (bgnCnt < 3){ bgnCnt++; } else { if (bgnIntvl < 8) { idVUV=1:

      bgnIntvl++;

  }
  else {
    bgnintvl=0;
  }

}

}

bgnCnt=0;

где B — константа. В этом случае устанавливаем B = 2,0.

countV: число последовательных речевых фреймов;

bgnCnt: число фреймов, которое удовлетворяет условию 1;

bgnIntvl: число фреймов, где объявлен режим «фоновый шум»;

Если текущий фрейм объявлен как «Речевой», производится проверка, был ли предыдущий фрейм тоже речевой. Если режим предыдущего фрейма речевой, режим фонового шума не выбирается; иначе выбирается режим фонового шума.

Если текущий фрейм, заявлен как «Неречевой», режим фонового шума выбирается только после того, как условие 1 удовлетворено для четырех последовательных фреймов. Когда режим фонового шума выбран для № последовательных фреймов, режим последнего фрейма заменяется режимом «Неречевой», чтобы передать речевые параметры, которые представляют характеристики времени изменения фонового шума.

В этот момент № устанавливается в 9.

Кодирование с переменной скоростью

Используя описанный выше метод обнаружения фонового шума, выполняется кодирование с варьируемой скоростью на базе HVXC с фиксированной битовой скоростью 2,0 Кбит/с.

Таблица А.5

Если режим текущего фрейма или предыдущего фрейма — «Фоновый шум», другой режим квантования LSP запрещается в кодере, потому что параметры LSP не передаются во время режима «Фоновый шум» и межфреймовое кодирование невозможно.

В А.9 описана операция кодера режима варьируемой скорости максимом на 2,0 Кбит/с. Здесь описан один пример реализации кодера режима варьируемой скорости HVXC максимом на 4,0 Кбит/с. По существу может использоваться любой вид алгоритма выбора решения фоновый шум/неречевой. Изменение уровня сигнала и огибающей спектра используются, чтобы обнаружить интервал фонового шума из неречевых фреймов. Во время шумового интервала предполагается, что уровень сигнала и форма огибающей спектра устойчивы. Характеристика зарегистрированной величины в квадрате в низкочастотном диапазоне огибающей спектра подсчитывается из коэффициентов кепстра LPC. Характеристика зарегистрированной величины в квадрате текущего фрейма сравнивается со средним зарегистрированной величины в квадрате нескольких предыдущих фреймов. Если различие мало, предполагается, что сигнал устойчив. Когда эти параметры показывают что состояние сигнала достаточно стабильно, фрейм классифицируется как «интервал фонового шума». Если характеристика сигнала изменяется в определенном диапазоне, предполагается, что характеристика фонового шума изменилась, и передается фрейм обновления шума. Если характеристика сигнала изменилась больше чем заданный диапазон, то предполагается, что сигнал является невокализованной речью.

Сначала вычисляется RMC входного сигнала s[], чтобы получить минимальный уровень сигнала (min_rmc). Если величина RMC меньше, чем предопределенное значение, которое является наименьшим возможным речевым уровнем, и отклонения значения RMC нескольких фреймов находятся в определенном диапазоне, то минимальный уровень обновляется, используя обнаруженное значение RMC и текущее min_rmc. Текущее значение RMC «rmc» затем делится на текущее min_rmc, чтобы получить величину «ratio».

ratio = \frac{rms}{min_rms} .

Это значение используется для обнаружения стабильности сигнала, как описано в А.10.4.

А.10.3 Сравнение спектра

Огибающая спектра рассчитывается, используя коэффициенты линейного предсказания (LP). Коэффициенты LP преобразуются в параметры кепстра CL []. Исходя из параметров кепстра характеристика зарегистрированной величины в квадрате ln|H_{L}(e^{j\Omega})|^{2} вычисляется как

ln|H_{L}(e^{j\Omega})|^{2} = 2 \cdot \sum_{m = 0}^{M} C_{L}(m)cos(\Omega m).

Средний уровень каждого диапазона частот в n-м фрейме вычисляется как

logAmp(n,i) = \frac{1}{w} \int_{l}^{\Omega_{l +}} {}^{1}ln|H_{L}(e^{j\Omega})|^{2}d\Omega = \frac{1}{w} [2 \sum_{m = 1}^{M} \frac{1}{m} C_{L}(m)sin(\Omega m)]_{\Omega l}^{\Omega l + 1}i = 0...3

Здесь \omega ширина полосы (= 500 Гц), и i — число полос, где вычислены 4 полосы между 0 и 2 кГц. Исходя из полученных значений зарегистрированной величины в квадрате для последних 4 фреймов рассчитываются усредненные значения для каждой полосы как

aveAmp(n,i) = \frac{1}{4} \sum_{j = 1}^{4} logAmp(n - j,i).

Используя эти уравнения, различие «wdif» между текущим уровнем и усредненным уровнем для каждого диапазона частот i вычисляются как показано ниже

wdif = \sqrt{\frac{1}{4} \sum_{i = 0}^{3} (logAmp(n,i) - aveAmp(n,i))^{2}} .

А.10.4 Обнаружение стабильности сигнала

Исходя из комбинации ratio и wdif рассчитывается сигнал флажка стабильности «stFlag», у которого есть следующие 3 состояния. Естественно, чем меньше эти переменные, тем более стабильно состояние сигнала.

А.10.5 Обнаружение фонового шума

В соответствии с переменной stFlag и решением V/UV обнаруживается фоновый шум. Блок-схема показана на рис. А.1. Когда решением V/UV является речевой (VUV = 2, 3), фрейм классифицируется как речевой независимо от значения stFlag. Когда в неречевом интервале обнаруживается фоновый шум (VUV = 0), VUV устанавливается в 1. Когда параметры фонового шума должны быть обновлены, «UpdateFlag» устанавливается в 1. Чтобы обеспечить устойчивую работу алгоритма обнаружения фонового шума, введены переменные, счетчик фонового шума (bgnCnt) и счетчик интервала фонового шума (bgnIntvl). BGN_CNT и BGN_INTVL — предопределенные константы.

А.10.6 Решение о принятых параметрах

VUV — параметр содержит результат решения V/UV и определен как:

Чтобы указать, является ли фрейм, маркированный как «VUV = 1», фреймом обновления шума, введен параметр «UpdateFlag». UpdateFlag ниже используется, только когда VUV = 1.

В фрейме обновления шума вычисляются параметры усредненного LSP и Celp Gain.

Необработанные LSPs усреднены по последним 3 фреймам

aveLsp[n][i] = \frac{1}{3} \sum_{j = 0}^{2} Lsp[n - j][i],i = 1,...,NP,

где aveLsp[n] [] обозначает усредненное LSP в n-м фрейме и Lsp[n] [] обозначает необработанный LSP в n-м фрейме. NP представляет собой порядок LSP. aveLsp[n] [] является квантованным и закодированным, где кодирование LSP другим режимом запрещено.

Усреднены усиления необработанных Celp по последним 4 фреймам (8 подфреймам).

aveGain[n] = \frac{1}{8} \sum_{j = 1}^{3} \sum_{k = 0}^{3} Gain[n - j][k],

где aveGain [n] является усредненным усилением Celp в n-м фрейме, a Gain[n] [k] — необработанное усиление Celp в n-м фрейме и k-м подфрейме. Усредненное усиление Celp квантовано и закодировано тем же самым способом, как обычное усиление Celp.

Согласно VUV, передаются следующие параметры.

Таблица А.6

Закодированные параметры для режима варьируемой скорости на 4 Кбит/с

(справочное)

Основной работой постфильтра является расширение спектральных формант и подавление спектральных точек минимума. Можно использовать единый постфильтр после добавления синтеза вокализованной и невокализованной речи. Альтернативно можно использовать независимые постфильтры для вокализованной и невокализованной речи, соответственно. Рекомендуется использование независимых постфильтров для речевых и неречевых сигналов.

В описании ниже каждая из полученных вокализованной и невокализованной речи подается в независимые постфильтры.

Использование постфильтра требуется, однако конфигурация и константы постфильтров, описанные здесь, являются одним из примеров, а не нормой, и они могут быть изменены.

Каждая операция постфильтра состоит из трех шагов, то есть, спектрального формирования, регулировки усиления и процесса сглаживания.

Формирование спектра:

где \alpha_{n} — коэффициенты линейного предсказания, преобразованные из деквантованных и линейно интерполированных LSPs, которые обновляются каждые 2,5 мс. p = 10, \gamma = 0,5, \beta = 0,8, \delta = - 0,15 \times \alpha_{1} , где значение \delta ограничено диапазоном 0 <= \delta <= 0,5. Когда выбран режим декодирования с низкой задержкой, интервал фрейма декодера сдвигается на 2,5 мс, и интерполяция LSPs выполняется для первого 17,5 мс интервала фрейма декодирования, а последние LSPs используются для последних 2,5 мс без интерполяции. Вывод с фильтра синтеза LPC — s(n) сначала подается на фильтр спектрального формирования Pfv(z).

Вывод фильтра спектрального формирования, Spf(n), затем регулируется по усилению так, чтобы усиление фрейма ввода и вывода спектрального формирования было неизменно. Регулировка усиления выполняется однажды за каждые 160 фреймов выборки, в то время как LSPs обновляются каждые 2,5 мс. Фактор регулировки усиления radj вычисляется следующим образом:

Сформированный по спектру и отрегулированный по усилению выход s\prime_{pf}(n) получается как:

Отрегулированный по усилению выход s\prime_{pf}(n) затем сглаживается, чтобы избежать нарушения непрерывности из-за изменения параметра в начале каждого фрейма. Постфильтрованный речевой выход vspeech (n), получают следующим образом

где S_{P}\prime_{f_prev}(n) — это s_{P}\prime_{f}(n) , вычисленный с использованием \alpha_{n} и radj предыдущего фрейма.

Б.1.3.2 Невокализованная речь

Спектральное формирование:

Аналогично здесь дается Pfuv(z) как функция преобразования фильтра спектрального формирования для невокализованной речи.

Pf_{uv}(z) = \frac{{}_{n = 0}^{P}\alpha_{n}\gamma^{n}z^{- n}}{{}_{n = 0}^{p}\alpha_{n}\beta^{n}z^{- n}} (1 - \delta z^{- 1}),

где \alpha_{n} — линейные предиктивные коэффициенты, преобразованные из деквантованных LSPs, которые обновляются каждые 20 мс.

Когда выбран режим нормального декодирования, коэффициенты LSP обновляются в середине интервала фрейма декодирования. Если выбран режим декодирования с малой задержкой, интервал фрейма декодирования сдвигается на 2,5 мс, и обновление LSP происходит в точке 7,5 мс с начала интервала декодирования на рисунке 1. p = 10, \gamma = 0,5, \beta = 0,8, \delta = 0,1. Регулировка усиления и процесс сглаживания — те же самые, как в речевой части, описанной выше, и производят постфильтрованную невокализованную речь uvspeech(n).

Выход каждого из постфильтров, vspeech(n) и uvspeech(n), добавляется, чтобы генерировать выход постфильтрованной речи.

Б.2 Постобработка

Б.2.1 Описание инструмента

Выход постфильтра подается в подсистему постобработки. Постобработка составлена из трех фильтров: это фильтр нижних частот, высокочастотный фильтр акцента и фильтр верхних частот. Фильтр верхних частот используется, чтобы удалить ненужные низкочастотные компоненты, высокочастотный фильтр акцента используется, чтобы увеличить яркость речи, и фильтр нижних частот используется, чтобы удалить ненужные высокочастотные компоненты. Конфигурации фильтров и описанные здесь константы являются одним из примеров и не нормативны, они могут быть изменены.

Б.2.2 Определения

Б.2.3 Обработка

Таблица Б.3

Коэффициенты фильтра верхних частот

Приложение В (справочное)

ОПРЕДЕЛЕНИЯ СИСТЕМНОГО УРОВНЯ

В.1 Точка случайного доступа

Точка случайного доступа в потоке битов HVXC может быть установлена в любой граничной точке фрейма.

Приложение Г (справочное)

ПРИМЕР УСТАНОВКИ ИНСТРУМЕНТА EP И МАСКИРОВКИ ОШИБОК ДЛЯ HVXC

Г.1 Краткий обзор

Этот раздел описывает пример реализации инструмента EP (защита от ошибок) и метод маскировки ошибок для HVXC. Некоторые из перцепционно важных битов защищены схемой FEC (прямая коррекция ошибок), а некоторые проверяются циклическим контролем избыточности (CRC), чтобы решать, включены ли в состав ошибочные биты. Когда происходит ошибка CRC, выполняется маскировка ошибок, чтобы уменьшить заметную деградацию.

Метод коррекции ошибок и установка инструмента EP, алгоритм маскировки ошибок, описанный ниже, являются одним из примеров, и они должны быть изменены в зависимости от фактических условий канала.

Г.2 Установка инструмента EP

Г.2.1 Пример внеполосной информации для HVXC

Фиксированная скорость 2,0 Кбит/с

ESC (Категория чувствительности ошибок) примеры двух смежных фреймов приложены непосредственно для классов EP: