DE3834871C1

DE3834871C1 - Method for encoding speech

Info

Publication number: DE3834871C1
Application number: DE19883834871
Authority: DE
Inventors: Joerg-Martin Dipl.-Ing. 7052 Schwaikheim De Mueller
Original assignee: ANT Nachrichtentechnik GmbH
Current assignee: Siemens AG
Priority date: 1988-10-13
Filing date: 1988-10-13
Publication date: 1989-12-14

Description

Die Verwendung betrifft ein Verfahren zur Sprachkodierung unter Verwendung der Analyse-durch-Synthese-Methode gemäß Oberbegriff des Patentanspruches 1.

Solche Verfahren sind bekannt, beispielsweise aus dem Aufsatz von Fukui "Implementation of a multi-pulse speech codec with pitch prediction on a single chip floating-point signal processor", ICASSP 87, Dallas, Texas, S. 968 ff. (Literaturstelle 1), aus dem Aufsatz "Reducing computation in optimal amplitude multipulse coders" von Singhal in ICASSP 86, Tokio, S. 2363 ff. (Literaturstelle 2) oder aus dem Aufsatz "A study on pulse search algorithms for multipulse excited speech coder realization" von Ozawa, in IEEE Journal on selected areas in communications, Vol. SAC-4, No. 1, Januar 1986, S. 133 ff. (Literaturstelle 3).

Verfahren dieser Art gehören zur Klasse der sogenannten RELP-Coder, wobei für RELP Residual Excited Linear Prediction steht. Diesen Codern ist eine Prädikationsanalyse (LPC) des Eingangssignals gemeinsam; sie unterscheiden sich in der Weiterverarbeitung des sogenannten Residuums, dem Fehlersignal der LPC-Analyse. Die Verfahren unterteilt man in die drei Gruppen der Multipulse (MPULS)-, Regularpulse (RPULS)-, und (CELP)-Verfahren; im ersten Fall wird das Residuum durch eine vorgegebene Zahl von Impulsen ersetzt. Dieses "ausgedünnte" Residuum dient dann als Anregungssignal für das empfangsseitige LPC-Synthesefilter. Beim MPULS-Verfahren werden dabei sowohl Impulsamplitude als auch Impulsort codiert und übertragen. Das RPULS-Verfahren benützt dagegen eine reguläre Struktur der gesetzten Impulse, d. h. Impulse mit konstantem Abstand, so daß im wesentlichen nur die Amplituden zu übertragen sind. Bei vergleichbarer Bitrate können somit im letzten Fall mehr Impulse gesetzt werden, die Impulssorten sind jedoch h nicht variable. Das RPLUS-Verfahren kann als Spezielfall des MPLUS-Verfahrens betrachtet werden. Eine weitere Variante ist das CELP-Verfahren, es steht für Code Excited Linear Prediction. Hier wird das Residuum durch eine gaußverteilte Zufallsfolge erzeugt. Dabei wird ein Codebuch, das die Zufallsvektoren enthält, durchsucht und derjenige Vektor ausgewählt, der den kleinsten Fehler im synthetisierten Sprachsignal erzeugt. Zu übertragen ist dann nur die Adresse des gewählten Vektors im Codebuch.

Die zentrale Aufgabe in einem MPLUS- oder RPLUS- Algorithmus ist die Berechnung der Impulssorte und -amplituden. Die Berechnungsverfahren nach den Literaturstellen 2 und 3 weisen einen erheblichen Rechenaufwand auf. Einige Vereinfachungen und suboptimale Ergebnisse liefert die Literaturstelle 1.

Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren der eingangs genannten Art anzugeben, das die Reduzierung des Rechen- und Schaltungsaufwandes und eine aufwandsarme Implementierung auf einem digitalen Signalprozessor ermöglicht. Eine schnelle und hinreichend genaue Berechnung der für die Realisierung eines Multipulse- oder Regularpulse-Sprachcoders notwendigen Auto- und Kreuzkorrelationsfunktionen soll dabei gewährleistet sein.

Diese Aufgabe wird gelöst mit den Verfahrensmerkmalen im kennzeichnenden Teil des Patentanspruchs 1.

Vorteilhafte Ausgestaltungen ergeben sich durch die Unteransprüche.

Durch das erfindungsgemäße Verfahren ergeben sich die Vorteile einer wesentlichen Reduzierung des Rechen- und Schaltungsaufwandes für Korrelationen ohne Verwendung von Näherungen oder suboptimalen Verfahren.

Es folgt nun die Beschreibung der Erfindung anhand der Figuren. Die Fig. 1 zeigt das Blockschaltbild eines Sprachcodierers.

In Fig. 2 ist der Aufbau eines Sprachsynthesefilters dargestellt und in

Fig. 3 eine typische Impulsantwort aufgezeichnet.

Die Fig. 4a und 4b zeigen ein Signal in Abhängigkeit von der Zeit bzw. das dazu zeitlich invertierte Signal.

In Fig. 5 schließlich ist das erfindungsgemäße Vorgehen für die Ermittlung einer Korrelation anschaulich dargestellt.

In Fig. 1 ist erkennbar, daß die abgetastete Original-Sprache S _org(n) mittels eines Wichtungsfilters W(z) gewichtet wird zu s _w(n) und anschließend mit dem synthetischen Sprachsignal S _syn(n) verglichen wird. Die Differenz aus diesen beiden Signalen ergibt das Fehlersignal e _w(n), welches zur Berechnung des Residuums r _syn(n) verwendet wird.

Das Synthesefilter H _wp(z) mit der Impulsantwort h _wp(n) wird durch das Residuum angeregt und erzeugt an seinem Ausgang die synthetisierte Sprache.

Gemäß Fig. 2 setzt sich das Synthesefilter aus zwei hintereinandergeschalteten Teilfiltern zusammen, dem Pitch-Prädikationsfilter H _p(z) und dem LPC-Filter H _LPC(z).

Zusätzlich wird das Ausgangssignal durch das Wichtungsfilter W(z) hörphysiologisch gewichtet. Dabei gilt:

H _w(z) = H _LPC · W(z) und
H _wp(z) = H _p(z) · H _w(z).

Die beiden Wichtungsfilter W(z) gemäß Fig. 1 und 2 können entfallen, wenn im Fehlersignalpfad vor dem Block Residuum ein Wichtungsfilter W(z) eingefügt wird.

Eine typische Impulsantwort ist in Fig. 3 abgebildet, wobei der linke Bereich im wesentlichen von dem Formantfilter (H _p(z)) und der rechte Bereich (2) von dem Pitch-Prädikationsfilter bestimmt ist.

Zur Bestimmung der Impulsamplituden und Impulssorte des MPULS- bzw. RPULS-Residuums sind in folgenden Schritten I und II zwei Korrelationsfunktionen zu berechnen:

Dann sind die weiteren Schritte durchzuführen:

III Bestimmung des Maximums der Funktion R _hs(n). Das Maximum befindet sich an der Stelle n = n _max:
gesuchter Impulsort: n _k = n _max
gesuchte Impulsamplitude: a = R _hs(n_max)/R_hh(0)

IV Substraktion des Einflusses des gefundenen Impulses:

R′ _ns(n) = R _ns(n) - a · R _hh (|n - n _max|); n = 0 . . . N-1

Die Schritte III und IV sind so lange durchzuführen, bis alle Impulse gesetzt sind.

Dieses Verfahren wird in Literaturstelle 3 beschrieben. Die Erfindung bietet die Möglichkeit, die Schritte I und II sehr effizient zu ermitteln.

Die Erfindung geht aus von der Idee, aufgrund der erkannten Ähnlichkeiten zwischen einer Faltung und einer Korrelation diese beiden Funktionen ineinander zu überführen. Die Faltungsfunktion lautet:

Die Korrelationsfunktion lautet:

Einziger Unterschied zwischen beiden Funktionen ist das negative Argument der Impulsantwort h.

Durch eine Substitution k = N-1-l und m = M-1-n erhält man:

Diese Gleichung hat dieselbe Form wie die einer Faltung. Das Signal x(N-1-l) ist nichts anderes als das zeitlich invertierte Signal von x(n). Die beiden Signale sind in den Fig. 4a und 4b beispielhaft dargestellt. Zur Durchführung der Korrelation I und II sind also erfindungsgemäß 3 Schritte notwendig:
1. Inversion des Eingangssignals
2. Filterung mit dem Synthesefilter H _wp(z) und
3. eine weitere Inversion, wonach die gewünschte Korrelationsfunktion erhältlich ist.

Die Vorgehensweise ist in Fig. 5 verdeutlicht.

Die Operationsrate zur Berechnung einer Korrelationsfunktion beträgt bei dem erfindungsgemäßen Verfahren O₃ = N · n _F, wobei mit _F der Filtergrad bezeichnet wird.

Die Inversion der Signale beansprucht keinen zusätzlichen Zeitaufwand, das Signal wird lediglich in umgekehrter Reihenfolge aus dem Speicher des Signalprozessors ausgelesen, als es eingeschrieben wird; mit anderen Worten: der Speicher wird als First-In-Last-Out-Speicher verwendet.

Abschließend wird ein Vergleich der Operationsraten durchgeführt, welche für die Verfahren nach dem Stande der Technik der Literaturstellen 1 bis 3 und nach dem erfindungsgemäßen Verfahren erforderlich sind. Dabei werden für die variablen Größen folgende typische Werte angenommen:
L = 40, N = 160, α = 4 und der Filtergrad n _F = 13.

Bei dem Verfahren gemäß Literaturstellen 2 und 3, bei denen die Korrelationsberechnungen durch direkte Auswertung der Korrelationsbeziehungen durchgeführt werden, sind O₁ = N(N + 1)/2 Operationen notwendig, wobei unter einer Operation eine Multiplikation und eine Addition verstanden werden soll. Für die Operationsrate ergibt sich dann ein Wert von O₁ = 12 880, für diesen Aufwand sei 100% angenommen.

Für das Verfahren nach der Literaturstelle 1, bei dem die Gesamtimpulsantwort h _wp(n) als fortgesetzte Verschiebung der Einzelimpulsantwort h _w(n) gebildet wird und wobei h _w(n) im allgemeinen nach n = L Abtastproben bereits vernachlässigbar klein ist, benötigt die Teilkorrelation zwischen s _w(n) und h _w(n) etwa O₂′ = N · L Operationen. Die Gesamtkorrelationsfunktionen werden dann aus diesen Teilkorrelationen gebildet, wobei der Aufwand mit O₂ = (L + α ) · N abgeschätzt werden kann, wobei mit α die Anzahl der notwendigen Verschiebungen und Überlagerungen bezeichnet wird.

Damit ergibt sich für dieses Verfahren eine Operationsrate von 7040, was einem Aufwand von 54,7% entspricht.

Für das erfindungsgemäße Verfahren ergibt sich insgesamt aber mit O₃ = N · n _F lediglich eine Operationsrate von 2080, was einem Aufwand von nur 16,2% entspricht.

Claims

1. Verfahren zur Sprachkodierung unter Verwendung der Analyse-durch-Synthese-Methode, wobei das Original-Sprachsignal abgetastet wird (S _org(n)), wobei aus einer festgelegten Anzahl N Abtastproben ein Rahmen (frame) gebildet wird und wobei aus den Abtastproben rahmenweise die Koeffizienten eines Sprach-Synthese-Filters bestimmt werden, wobei mittels eines Impulsgenerators eine Anzahl k Impulse pro Rahmen erzeugt werden, die zur Anregung des Synthese-Filters dienen, wobei das synthetisierte Ausgangssignal dieses Synthese-Filters mit dem abgetasteten Sprachsignal verglichen und ein Fehlersignal erzeugt werden und wobei dieses Fehlersignal zur Ansteuerung des Impulsgenerators verwendet wird, wobei zur Bestimmung des Zeitpunktes m _i mit i = 1 bis k, und der Amplitude r(m) der einzelnen Impulse unter anderem die Kreuzkorrelation zwischen dem abgetasteten Sprachsignal (s _w(n)) und der Impulsantwort (h _wp(n)) des Sprach-Synthese-Filters (H _wp(z)), mit n = 1 bis N und der z-Transformierten sowie die Autokorrelation der Impulsantwort (h _wp(n)) gebildet werden, dadurch gekennzeichnet,
daß zur Bildung der Korrelationsfunktion das zu korrelierende Eingangssignal (s _w(n)) bzw. h _wp(n)) invertiert wird,
daß dieses invertierte Signal s _w ⁱ(n)) bzw. h _wp ⁱ(n)) einer Filterung mit dem Sprach-Synthese-Filter (H _wp(z)) unterzogen wird und
daß das so entstandene Signal (R _hs ⁱ(n)) bzw. R _hh ⁱ(n)) invertiert wird.

2. Verfahren nach Anspruch 1, wobei das zu korrelierende Eingangssignal das abgetastete Sprachsignal (s _w(n)) ist, dadurch gekennzeichet, daß das invertierte Eingangssignal (s _w ⁱ(n)) nach der Faltung mit dem Synthese-Filter H _wp(z)) ein Signal (R _hs ⁱ(n)) ergibt, welches nach der weiteren Invertierung die Kreuzkorrelationsfunktion (R _hs(n)) ergibt.

3. Verfahren nach Anspruch 1 oder 2, wobei das zu korrelierende Eingangssignal die Impulsantwort (h _wp ⁱ(n)) ist, dadurch gekennzeichnet, daß das invertierte Eingangssignal (h _wp(n)) nach der Faltung mit dem Synthese-Filter (H _wp(z)) das Signal (R _hh ⁱ(n)) ergibt, welches nach der weiteren Invertierung die Autokorrelationsfunktion (R _hh(n) ergibt.

4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß in Abhängigkeit von der Frequenz mittels eines Filters W(z) eine Wichtung des abgetasteten Original-Sprachsignals (S _org(n)) zum gewichteten Sprachsignal (s _w(n)) erfolgt.

5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das Synthese-Filter (H _wp(z)) aus der Kaskade zweier Teilfilter, nämlich einem Pitchfilter (H _p(z)) und einem Formantfilter (H _LPC(z)) besteht.

6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß im Synthesefilter (H _wp(z)) zusätzlich ein Wichtungsfilter (W(z)) kaskadiert ist, durch welches das synthetisierte Sprachsignal (S _syn(n)) in Abhängigkeit von der Frequenz gewichtet wird.

7. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 5, dadurch gekennzeichnet, daß die Ansteuerung des Impulsgenerators (Residuum) mit dem mittels eines Filters (W(z)) in Abhängigkeit von der Frequenz gewichteten Fehlersignal (e _w(n)) erfolgt.