黃 蕊，趙曉群

(同濟(jì)大學(xué) 電子與信息工程學(xué)院，上海 201804)

0 引言

在保證語(yǔ)音質(zhì)量的前提下降低編碼速率一直是提高低速率語(yǔ)音編碼性能的一個(gè)重要研究方向。在聲學(xué)模型中,由于線譜頻率(Line Spectral Frequency，LSF)有更為優(yōu)良的抗干擾性和量化性，所以在低速率語(yǔ)音編碼中，通常選取10維LSF參數(shù)來(lái)表征語(yǔ)音的聲道特性，并采用高效率的矢量量化技術(shù)對(duì)其進(jìn)行量化[1-2]。2.4 kbps的混合激勵(lì)線性預(yù)測(cè)編碼(Mixed Excitation Linear Prediction，MELP)一直是低速率語(yǔ)音編碼的一個(gè)重要研究方向，它可以通過(guò)改善量化性能來(lái)優(yōu)化編碼性能，其中包括了改進(jìn)矢量量化器和提高量化碼書(shū)質(zhì)量?jī)煞矫妗?/p>

語(yǔ)音編碼技術(shù)經(jīng)過(guò)幾十年的發(fā)展，為了滿足3G移動(dòng)通信的需求，在1999年8月3GPP公布了基于碼激勵(lì)線性預(yù)測(cè)(Code Excited Linear Prediction,CELP)的自適應(yīng)多速率窄帶編碼(Adaptive Multi Rate-Narrow Band,AMR-NB),其具有4.75～12.2 kbps的8種編碼速率，能夠更加智能地解決信源和信道編碼的速率分配問(wèn)題，應(yīng)用至今[3]。為了更充分地利用聲道參數(shù)的幀間相關(guān)性，AMR-NB利用一階滑動(dòng)平均(Moving Average，MA)預(yù)測(cè)模型來(lái)預(yù)測(cè)聲道參數(shù)之后，對(duì)LSF殘差矢量進(jìn)行量化[4]。在非12.2 kbps的7種速率模式下，AMR-NB使用分裂矢量量化，將LSF殘差矢量分裂為3、3、4維的3個(gè)子矢量進(jìn)行量化。并且在量化第三個(gè)子矢量時(shí)5.15 kbps和4.75 kbps共用一套碼書(shū)。這7種速率的聲道參數(shù)量化比特分配見(jiàn)表1。

表1 非12.2 kbps的速率模式下聲道參數(shù)量化比特分配
Tab.1 Non-12.2 kbps rate channel quantization bit allocation

編碼速率kbps子矢量一bit子矢量二bit子矢量三bit4.758875.158875.908996.708997.408997.9599910.20899

有許多研究工作從改善矢量量化方法和降低碼書(shū)尺寸兩方面開(kāi)展研究，達(dá)到降低編碼速率的目的。一方面，可以在矢量量化時(shí)引入幀間相關(guān)性[5],例如多幀聯(lián)合量化[6]和預(yù)測(cè)量化[7-8]。文獻(xiàn)[6]將8個(gè)語(yǔ)音幀組成一個(gè)超級(jí)幀，使用8幀聯(lián)合的方式對(duì)子帶聲音強(qiáng)度、基音周期、增益進(jìn)行矢量量化，使用4幀聯(lián)合的方式對(duì)聲道參數(shù)進(jìn)行多級(jí)矢量量化，將編碼速率降低到300 bps。但是,采用多幀聯(lián)合量化必然會(huì)導(dǎo)致碼書(shū)尺寸增加，算法復(fù)雜度增大，而且多幀聯(lián)合的編碼方式無(wú)法滿足低時(shí)延的要求。在這種情況下，預(yù)測(cè)量化就是一種更好的選擇，在AMR-NB標(biāo)準(zhǔn)編碼中，采用了復(fù)雜度較低的一階MA預(yù)測(cè)模型，對(duì)量化殘差進(jìn)行分裂矢量量化，量化性能良好。

另一方面，可以通過(guò)縮小碼書(shū)尺寸來(lái)進(jìn)一步降低編碼速率。傳統(tǒng)的碼書(shū)訓(xùn)練方法是設(shè)計(jì)一套訓(xùn)練方案，采用大量的語(yǔ)音得到訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，文獻(xiàn)[9]根據(jù)胞腔均勻度推導(dǎo)出清音和濁音參與訓(xùn)練的 LSF 參數(shù)的數(shù)量比，剔除清音中指定數(shù)量的非典型 LSF 參數(shù)，采用不同類型的語(yǔ)音數(shù)據(jù)重新訓(xùn)練出碼書(shū)。此類方法的缺點(diǎn)是訓(xùn)練數(shù)據(jù)需求量較大導(dǎo)致碼書(shū)訓(xùn)練成本較高，同時(shí)用于訓(xùn)練的語(yǔ)音類型也難以確定。由于AMR-NB編碼應(yīng)用于商業(yè)通信中，其開(kāi)發(fā)投入相對(duì)較高，可以認(rèn)為它的矢量量化碼書(shū)性能優(yōu)良，適應(yīng)性強(qiáng)。如何利用一個(gè)較為成熟的碼書(shū)設(shè)計(jì)一套成本較低的訓(xùn)練方法是本文研究的重點(diǎn)之一。

因此，本文將一階MA預(yù)測(cè)模型的分裂矢量量化器應(yīng)用在2.4 kbps的MELP標(biāo)準(zhǔn)編碼中，并且將AMR-NB已有的矢量量化碼書(shū)作為先驗(yàn)知識(shí)，提出一種高斯自干擾的碼書(shū)訓(xùn)練法，將獲得的碼書(shū)應(yīng)用到MELP中，從而達(dá)到降低編碼速率的目的。實(shí)驗(yàn)結(jié)果表明，2.4 kbps的MELP在優(yōu)化矢量量化器后性能良好，同時(shí)利用高斯自干擾的碼書(shū)訓(xùn)練法將23 bit碼書(shū)壓縮至17 bit，使得MELP在1.84 kbps上也有較好的語(yǔ)音質(zhì)量。

1 MELP矢量量化技術(shù)優(yōu)化

1.1 2.4 kbps MELP中的矢量量化器

在2.4 kbps的MELP標(biāo)準(zhǔn)編碼中，對(duì)10維LSF參數(shù)去均值過(guò)后，采用三級(jí)矢量量化技術(shù)對(duì)LSF參數(shù)進(jìn)行量化[10]。它使用三個(gè)碼本逐級(jí)量化矢量,首先在第一級(jí)碼本中粗糙量化去均值后的LSF矢量，然后將第一級(jí)的量化殘差送入第二級(jí)碼本進(jìn)行矢量量化，接著將第二級(jí)量化的量化殘差送入第三級(jí)碼本，對(duì)比采用相同比特?cái)?shù)的全搜索量化方案，其可以達(dá)到降低碼本存儲(chǔ)量和最佳搜索的目的。

1.2 4.75 kbps AMR-NB中的矢量量化器

分裂矢量量化將一個(gè)高維矢量劃分為若干個(gè)低維矢量，然后分別對(duì)這若干個(gè)低維矢量進(jìn)行碼本設(shè)計(jì)和量化編碼，從而達(dá)到降低碼書(shū)尺寸的目的。4.75 kbps AMR-NB編碼在量化10維LSF參數(shù)時(shí)，將LSF參數(shù)劃分為3、3、4維的LSF參數(shù)，結(jié)合一階MA的預(yù)測(cè)模型對(duì)3個(gè)低維參數(shù)進(jìn)行矢量量化。其過(guò)程如下[11]：

首先進(jìn)行去均值操作。

(1)

r(n)=z(n)-p(n)，

(2)

(3)

1.3 MELP矢量量化器性能優(yōu)化

由3GPP所提供的AMR-NB標(biāo)準(zhǔn)編碼C代碼，在實(shí)現(xiàn)量化LSF參數(shù)的過(guò)程中，于q_plsf_3.tab中將LSF均值f和預(yù)測(cè)因子α設(shè)定為固定10維矢量，見(jiàn)表2。

表2 LSF均值和預(yù)測(cè)因子取值表
Tab.2 Table of LSF mean and predictor value

維數(shù)LSF均值/Hz預(yù)測(cè)因子1377.440.291 6262554.680.328 6443922.360.383 63641 339.840.405 64051 702.150.438 87362 046.390.355 56072 452.880.323 12082 741.460.298 06593 116.700.262 238103 348.140.197 876

去均值和一階MA平滑預(yù)測(cè)操作改進(jìn)為

(4)

(5)

本文將3GPP 中4.75 kbps的AMR-NB標(biāo)準(zhǔn)編碼中的LSF參數(shù)量化技術(shù)應(yīng)用于MELP中，改進(jìn)后的MELP矢量量化器如圖1。

圖1 改進(jìn)后的MELP矢量量化器
Fig.1 Improved vector quantization in MELP

2.4 kbps的MELP標(biāo)準(zhǔn)編碼矢量量化器改進(jìn)之后，在去均值的時(shí)候不需要對(duì)每一幀都計(jì)算均值，大大減少了計(jì)算量，降低編碼時(shí)延，并且不對(duì)去均值后的LSF參數(shù)取絕對(duì)值，可以簡(jiǎn)化譯碼時(shí)LSF參數(shù)的恢復(fù)。在一階MA平滑預(yù)測(cè)中使用10維矢量的預(yù)測(cè)因子來(lái)優(yōu)化預(yù)測(cè)模型的性能，能夠進(jìn)一步減小殘差矢量的動(dòng)態(tài)范圍，達(dá)到優(yōu)化量化效果的目的。

2 碼書(shū)訓(xùn)練算法的改進(jìn)

2.1 傳統(tǒng)LBG算法

在未知信源分布的碼本生成算法中，如果擁有了足夠長(zhǎng)并且有代表性的訓(xùn)練數(shù)據(jù)，可以采用LBG算法進(jìn)行訓(xùn)練獲得量化碼書(shū)。它將訓(xùn)練數(shù)據(jù)根據(jù)最鄰近準(zhǔn)則進(jìn)行胞腔劃分,劃分后再對(duì)每一個(gè)胞腔計(jì)算質(zhì)心，并把質(zhì)心作為新胞腔的最佳碼字。通過(guò)循環(huán)迭代計(jì)算，當(dāng)收斂時(shí)就得到胞腔的最佳劃分和最優(yōu)碼本[12]。這種情況下，訓(xùn)練數(shù)據(jù)會(huì)對(duì)生成碼書(shū)的結(jié)果造成較大影響。

準(zhǔn)備20 min的(中文)男/女評(píng)書(shū)，(英文)男/女有聲小說(shuō)的語(yǔ)音數(shù)據(jù)，并且分別從中截取5 min的語(yǔ)音數(shù)據(jù)拼接成一個(gè)長(zhǎng)度為20 min的混合語(yǔ)音。分別從這5段語(yǔ)音中獲取53 332個(gè)訓(xùn)練數(shù)據(jù)，通過(guò)LBG訓(xùn)練出大小分別為8 bit、8 bit和7 bit的分裂矢量量化碼書(shū)，其中初始碼書(shū)通過(guò)隨機(jī)選擇得到。對(duì)得到的碼書(shū)采用改進(jìn)后的MELP編碼并且采用平均譜失真測(cè)度(Average Spectral Distortion,ASD)的碼書(shū)的量化性能進(jìn)行評(píng)價(jià)，量化結(jié)果如表3。

表3 四個(gè)碼書(shū)對(duì)不同語(yǔ)音的量化性能
Tab.3 Quantitative performance of four codebooksfor different speech

評(píng)價(jià)語(yǔ)音訓(xùn)練碼書(shū)用到的語(yǔ)音中文男聲中文女聲英文男聲英文女聲混合語(yǔ)音中文男聲1.801.931.891.941.79中文女聲1.931.791.901.881.83英文男聲1.881.991.781.951.83英文女聲1.961.891.981.801.88

從表3中可以看到，由于LBG算法趨向于局部收斂，前4個(gè)碼書(shū)在評(píng)價(jià)語(yǔ)音與訓(xùn)練碼書(shū)所用的語(yǔ)音相同時(shí)，ASD值最小，此時(shí)量化性能最好；而當(dāng)用來(lái)量化其他語(yǔ)音時(shí)，其量化效果均顯著下降。而把混合語(yǔ)音作為訓(xùn)練語(yǔ)音的碼書(shū)對(duì)中/英文男/女語(yǔ)音數(shù)據(jù)的量化效果相對(duì)均衡，對(duì)不同語(yǔ)音的量化適應(yīng)性強(qiáng)，這是因?yàn)榛旌险Z(yǔ)音中獲得的訓(xùn)練數(shù)據(jù)涵蓋了4種不同類型的語(yǔ)音。

因此，進(jìn)行碼書(shū)訓(xùn)練時(shí)需要根據(jù)語(yǔ)音類型和編碼場(chǎng)景等等條件，選擇出合適的語(yǔ)音數(shù)據(jù)來(lái)訓(xùn)練，才有可能獲得一個(gè)性能優(yōu)良的碼書(shū)。

2.2 基于高斯自擾動(dòng)的LBG算法

由2.1節(jié)可知為了獲得普適性較強(qiáng)的碼書(shū)，用于訓(xùn)練碼書(shū)的語(yǔ)音數(shù)據(jù)需要足夠豐富，涵蓋各種類型。但是，如果訓(xùn)練語(yǔ)音數(shù)據(jù)量巨大，那么會(huì)出現(xiàn)計(jì)算量大、花費(fèi)時(shí)間長(zhǎng)的問(wèn)題。

如果已經(jīng)擁有性能良好的碼書(shū)作為先驗(yàn)知識(shí)，可以通過(guò)將碼矢合并或者隨機(jī)選取來(lái)獲得尺寸減小的新碼書(shū)，然而這樣并不能充分利用原先用于訓(xùn)練已有碼書(shū)的訓(xùn)練數(shù)據(jù)。因此，本文為了逼近原始訓(xùn)練數(shù)據(jù)的概率密度分布，使碼書(shū)重新收斂至更佳的狀態(tài)，提出了基于高斯自擾動(dòng)的LBG算法。

為了更為便捷高效地訓(xùn)練出普適性強(qiáng)且性能優(yōu)良的碼書(shū)，本文所提出的碼書(shū)訓(xùn)練方法依托于3個(gè)假設(shè)之上：

1) 已經(jīng)擁有了一個(gè)性能優(yōu)良的量化碼書(shū)，它是通過(guò)對(duì)一個(gè)矢量平衡且遍歷的信源訓(xùn)練而得。

(6)

(7)

Σi表示X′協(xié)方差矩陣，N表示訓(xùn)練數(shù)據(jù)的維度，l表示矢量分布的概率密度。矢量各維之間相互獨(dú)立，協(xié)方差矩陣Σi可轉(zhuǎn)換為對(duì)角矩陣，

(8)

(9)

3) 本文假定當(dāng)碼書(shū)訓(xùn)練至最優(yōu)時(shí)，落入每個(gè)胞腔的訓(xùn)練數(shù)據(jù)的數(shù)量趨近相同，圖2為一個(gè)2維矢量訓(xùn)練完成時(shí)胞腔與矢量分布關(guān)系圖。

圖2 2維矢量訓(xùn)練完成時(shí)胞腔與矢量分布關(guān)系
Fig.2 Relationship between cell size and vector distributionwhen 2 dimension vector training is finished

,

(10)

(11)

(12)

3 結(jié)果

為了驗(yàn)證矢量量化器和碼書(shū)訓(xùn)練的性能，準(zhǔn)備了四類語(yǔ)音：(中文)男/女評(píng)書(shū)，(英文)男/女有聲小說(shuō)，各3 min。并且將四類語(yǔ)音合并成一段長(zhǎng)為12 min的混合語(yǔ)音。語(yǔ)音均為8 kHz采樣，16位PCM編碼。用客觀語(yǔ)音質(zhì)量評(píng)估PESQ評(píng)價(jià)語(yǔ)音質(zhì)量，用平均譜失真測(cè)度ASD評(píng)價(jià)碼書(shū)性能。

3.1 優(yōu)化MELP矢量量化器后的結(jié)果

改進(jìn)MELP矢量量化器同時(shí)，采用4.75 kbps AMR-NB編碼C代碼中所提供的三個(gè)碼書(shū)dico1_lsf，dico2_lsf，mr515_3_lsf進(jìn)行矢量量化。用四種測(cè)試語(yǔ)音分別進(jìn)行原始的和改進(jìn)后的MELP編碼，結(jié)果見(jiàn)表4。

表4 原始的和改進(jìn)后的MELP編碼性能
Tab.4 Original and improved MELP encoding performance

測(cè)試語(yǔ)音量化方式ASDPESQ中文男聲原始1.762.58改進(jìn)1.732.66中文女聲原始1.692.69改進(jìn)1.682.72英文男聲原始1.732.63改進(jìn)1.692.69英文女聲原始1.712.67改進(jìn)1.702.70混合語(yǔ)音原始1.762.65改進(jìn)1.722.68

原始的2.4 kbps MELP標(biāo)準(zhǔn)編碼中分配25個(gè)比特進(jìn)行量化，而改進(jìn)的MELP編碼中分配23個(gè)比特進(jìn)行LSF參數(shù)量化。盡管減少了2個(gè)了比特，從表4可以看到改進(jìn)的MELP編碼性能優(yōu)于原始MELP編碼，在中文男生和英文男生的測(cè)試中明顯優(yōu)于原始的MELP編碼。這歸結(jié)于兩個(gè)原因，一方面是改進(jìn)的矢量量化器性能較優(yōu)，另一方面是AMR-NB中所提供的碼書(shū)較為成熟。為了進(jìn)一步降低編碼速率，可以對(duì)這些較為成熟的碼書(shū)進(jìn)一步縮減碼書(shū)的尺寸。

3.2 高斯自擾動(dòng)碼書(shū)性能

為了尋找出更佳的碼書(shū)訓(xùn)練方法，本文基于高斯自擾動(dòng)碼書(shū)訓(xùn)練法制定了三套不同的方案。在已有的AMR-NB量化碼書(shū)大小為256的dico_lsf1上隨機(jī)選取128個(gè)碼字，后續(xù)的訓(xùn)練方案都選用此作為初始碼書(shū)，采用混合語(yǔ)音進(jìn)行測(cè)試碼書(shū)性能。

表5 方案一中的碼書(shū)性能
Tab.5 Codebook performance in 1st scheme

測(cè)試語(yǔ)音ASDPESQ混合語(yǔ)音1.692.67

圖4 碼書(shū)重新排序后每個(gè)碼字的胞腔大小
Fig.4 The cell size of each codeword after codebook reordering

(13)

表6 方案二中的碼書(shū)性能
Tab.6 Codebook performance in 2nd scheme

測(cè)試語(yǔ)音ASDPESQ混合語(yǔ)音1.652.71

方案三：分別截取20 s的(中文)男/女評(píng)書(shū)，(英文)男/女有聲小說(shuō)四類語(yǔ)音數(shù)據(jù)，在方案二的基礎(chǔ)上，采用這4類少量的語(yǔ)音數(shù)據(jù)對(duì)碼書(shū)進(jìn)行LBG訓(xùn)練，獲得的碼書(shū)性能如表7。

表7 方案三中的碼書(shū)性能
Tab.7 Codebook performance in 3rd scheme

測(cè)試語(yǔ)音ASDPESQ混合語(yǔ)音1.592.73

由于初始碼書(shū)是通過(guò)隨機(jī)選擇而獲得的，可能會(huì)出現(xiàn)所選碼字過(guò)偏的情況，導(dǎo)致訓(xùn)練后碼書(shū)性能下降。利用少量的語(yǔ)音數(shù)據(jù)再訓(xùn)練可以確保碼書(shū)收斂到更佳的狀態(tài)，進(jìn)一步提升量化性能。

3.3 降低MELP的編碼速率

利用方案三中的高斯自擾動(dòng)碼書(shū)訓(xùn)練方案分別將已有的三套碼書(shū)尺寸訓(xùn)練至6 bit,6 bit和5 bit。MELP編碼器采用8 kHz采樣，幀長(zhǎng)為25 ms，每幀量化總比特?cái)?shù)為46 bit。MELP編碼速率由2.4 kbps降至1.84 kbps，性能如表8。

表8 1.84 kbps MELP的編碼性能
Tab.8 1.84 kbps MELP coding performance

測(cè)試語(yǔ)音ASDPESQ中文男聲1.702.69中文女聲1.692.70英文男聲1.722.68英文女聲1.682.71混合語(yǔ)音1.732.66

比較表4和表8，由于碼書(shū)尺寸縮減了8 bit，1.84 kbps MELP編碼的量化性能相比原始2.4 kbps MELP編碼有所下降，但是下降的幅度較小，在可接受的范圍之內(nèi)，而也有優(yōu)于2.4 kbps MELP結(jié)果出現(xiàn)，例如中文男聲和英文女聲，說(shuō)明高斯自干擾碼書(shū)訓(xùn)練效果較好；1.84 kbps MELP的編碼性能相比原始的2.4 kbps MELP有所提高,說(shuō)明改進(jìn)的矢量量化方案有效。因此，在矢量量化器和量化碼書(shū)改進(jìn)后，可以實(shí)現(xiàn)在保證語(yǔ)音質(zhì)量的前提下，降低MELP標(biāo)準(zhǔn)編碼的編碼速率。

4 結(jié)論

本文為了在保證語(yǔ)音質(zhì)量的前提下，降低語(yǔ)音編碼的速率。對(duì)2.4 kbps的MELP標(biāo)準(zhǔn)編碼在矢量量化器和量化碼書(shū)進(jìn)行改進(jìn)。在改進(jìn)矢量量化器上，采用了4.75 kbps的AMR-NB中的矢量量化技術(shù)，結(jié)合一階MA平滑的預(yù)測(cè)模型，對(duì)LSF殘差矢量分為3個(gè)子矢量進(jìn)行分裂矢量量化；在優(yōu)化量化碼書(shū)性能上，本文針對(duì)現(xiàn)有的碼書(shū)提出了一種高斯自干擾碼書(shū)訓(xùn)練算法，并提供了三套訓(xùn)練方案，從而獲得性能較優(yōu)的縮小尺寸的碼書(shū)，實(shí)驗(yàn)證明：根據(jù)胞腔大小調(diào)整擾動(dòng)方差從而獲得訓(xùn)練集，并且在高斯自擾動(dòng)訓(xùn)練之后，利用少量語(yǔ)音數(shù)據(jù)進(jìn)一步收斂的碼書(shū)性能效果最佳。MELP編碼在改進(jìn)矢量量化器之后，利用高斯自干擾碼書(shū)訓(xùn)練法將4.75 kbps AMR-NB中23bit的量化碼書(shū)縮減至17 bit，從而將編碼速率降低至1.84 kbps。實(shí)驗(yàn)證明：在降低編碼速率后，1.84 kbps MELP編碼仍有較好的語(yǔ)音質(zhì)量。

相比多幀聯(lián)合編碼，本文所設(shè)計(jì)的量化性能方案，能夠減小時(shí)延，保證低速率編碼的實(shí)時(shí)性。同時(shí)，本文所提出的高斯自擾動(dòng)訓(xùn)練法也適用于其他領(lǐng)域中，在已有較好數(shù)據(jù)作為先驗(yàn)知識(shí)的情況下，進(jìn)一步對(duì)數(shù)據(jù)進(jìn)行優(yōu)化和處理具有一定的參考價(jià)值和借鑒意義。