-
Technisches
Gebiet der Erfindung
-
Die
vorliegende Erfindung bezieht sich auf elektronische Geräte und genauer
gesagt auf Verfahren und Systeme zur Kodierung, Übertragung, Speicherung und
Dekodierung/Synthese von Sprache.
-
Hintergrund
der Erfindung
-
Die
Leistung digitaler Sprachsysteme, die niedrige Bitraten anwenden,
ist für
den aktuellen und absehbaren digitalen Kommunikationsbereich immer wichtiger
geworden. Sowohl Übertragungen
mit zugewiesenen Kanälen
als auch paketiert-über-Netzwerk
(VoIP) profitieren von der Komprimierung von Sprachsignalen. Das
häufig
verwendete lineare prädiktive
(LP) Sprach-Kodierungs-Komprimierungs-Verfahren
formt den Vokaltrakt als ein zeitvariables Filter und eine zeitvariable
Erregung des Filters, um menschliche Sprache nachzuahmen. Die lineare
Vorhersageanalyse stellt LP-Koeffizienten a(j), j = 1, 2,..., M
für einen
Eingaberahmen digitaler Sprachabtastwerte {s(n)} fest, und zwar
durch das Setzen von r(n)
= s(n) – ΣM≥j≥1 a(j)s(n–j) (1)und das Minimieren
von Σr(n)2. Üblicherweise
wird M, die Größenordnung
des linearen Vorhersagefilters, zwischen ca. 10–12 gewählt; für die Abtastrate für das Bilden
der Abtastwerte s(n) wird üblicherweise
8 kHz gewählt
(die gleiche Rate, wie die für
das Abtasten für
digitale Übertragung
im Fernsprechnetz); und die Anzahl von Abtastwerten {s(n)} in einem
Rahmen beträgt
häufig
80 oder 160 (10 oder 20 ms Rahmen). Diverse Fenstertechnikoperationen
können
auf die Abtastwerte des Eingabesprachrahmens angewendet werden.
Der Name „lineare
Vorhersage" ergibt sich
aus der Interpretation von r(n) = s(n) – ΣM≥j≥1 a(j)s(n–j) als
Fehler aus der Vorhersage von s(n) durch die lineare Kombination
von vorhergehenden Sprachabtastwerten ΣM≥j≥1 a(j)s(n–j). Folglich
ergeben sich aus einer Minimierung von Σr(n)2 die
Koeffizienten{a(j)}, die die beste lineare Vorhersage liefern. Die
Koeffizienten{a(j)} können
zur Quantisierung und Übertragung
oder Speicherung zu Linienspektralfrequenzen (LSF) konvertiert werden.
-
Die
{r(n)} bilden den LP-Restwert für
den Rahmen und im Idealfall wäre
der LP-Restwert die Erregung für
den Synthesefilter 1/A(z), wobei A(z) die Übertragungsfunktion der Gleichung
(1) ist. Natürlich ist
der LP-Restwert am Dekodierer nicht verfügbar; daher ist es die Aufgabe
der Kodiereinrichtung, den LP-Restwert darzustellen, so dass die
Dekodiereinrichtung eine LP-Erregung aus den kodierten Parametern
erzeugen kann. Physiologisch weist die Erregung für stimmhafte
Rahmen in etwa die Form einer Reihe von Impulsen mit der Tonhöhenfrequenz
auf, und für
stimmlose Rahmen weist die Erregung in etwa die Form von weißem Rauschen
auf.
-
Der
LP-Komprimierungsansatz überträgt/speichert
im Grunde nur Aktualisierungen für die
(quantisierten) Filterkoeffizienten, den (quantisierten) Restwert
(Wellenform oder Parameter, wie z.B. Tonlage), und die (quantisierte)
Verstärkung.
Ein Receiver erstellt die Sprache neu, und zwar mit denselben wahrnehmbaren
Eigenschaften wie die eingegebene Sprache. 9 zeigt
die Blöcke
in einem LP-System. Ein periodisches Aktualisieren der quantisierten
Elemente erfordert weniger Bits, als eine direkte Darstellung der
Sprachsignale, also kann eine angemessene LP-Kodiereinrichtung mit
so niedrigen Bitraten arbeiten, die nur bei 2–3 kb/s (Kilobit pro Sekunde)
liegen.
-
Tatsächlich verwendet
der ITU Standard G.729 Annex E mit einer Bitrate von 11,8 kb/s für das Komprimieren
von Voiceband-Sprache eine LP-Analyse mit Codebuch-Erregung (CELP)
und erreicht eine Leistung, die vergleichbar mit den 64 kb/s PCM ist,
die für
die digitale Übertragung
im Fernsprechnetz verwendet wird.
-
Nicht
einmal die Qualität
des G.729 Annex E Standards erfüllt
jedoch die Anforderungen an Hochqualitätssprachsysteme, und diverse
Vorschläge
erweitern die Kodierung auf Breitbandsprache (d.h. 0–7 kHz),
ohne eine zu starke Erhöhung
der Übertragungsbitrate.
-
Der
direkte Ansatz, die LP-Kodierung auf das komplette 0–8 kHz Breitband
anzuwenden, erhöht die
Bitrate zu sehr oder verschlechtert die Qualität. Ein alternativer Ansatz
extrapoliert einfach aus dem (kodierten) 0–4 kHz Niedrigband, um ein
4–8 kHz Hochbandsignal
zu erzeugen; siehe Chan et al, Quality Enhancement of Narrowband
CELP-Coded Speech via Wideband Harmonic Re-Synthesis, IEEE ICASSP 1997, Seiten
1187–1190.
Ein weiterer Ansatz verwendet Split-Band-CELP oder MPLPC, indem
ein 4–8
kHz Hochband separat vom 0–4
kHz Niedrigband kodiert wird und dem Hochband weniger Bits zugeordnet
werden; siehe Drogo de Jacovo et al, Some Experiments of 7 kHz Audio
Coding at 16 kbit/s, IEEE ICASSP 1989, Seiten 192–195. Auf ähnliche
Weise liefert Tucker, Low Bit-Rate Frequency Extension Coding, IEE
Colloquium on Audio and Music Technology 1998, Seiten 3/1–3/5 eine
Standardkodierung des Niedrigbands 0–4 kHz und eine Kodierung lediglich
der stimmlosen Rahmen (wie im Niedrigband festgestellt) der 4–8 kHz Hochbandsprache, wobei
ein LP-Filter der Größenordnung
2–4 mit
Rauscherregung verwendet wird. Diese Ansätze leiden jedoch entweder
unter einer zu hohen Bitrate oder unter einer zu niedrigen Qualität.
-
Split-Band-Kodierung
wird auch in Paulus et al, "6kbit/s
Wideband Speech Coding Based on Unequal Subbands ICASSP '96, Seiten 255–258 offenbart.
Hierin wird das höhere
Subband durch einfaches weißes
Rauschen mit Anpassung der kurzfristigen Energie dargestellt.
-
Zusammenfassung
der Erfindung
-
Die
vorliegende Erfindung liefert ein Verfahren für Breitbandsprachkodierung,
das folgendes umfasst: (a) Aufteilen eines Rahmens digitaler Sprache
in ein Niedrigband und ein Hochband; (b) Kodierung des Niedrigbands;
(c) Kodierung des Hochbands unter Anwendung einer linearen Vorhersageerregung
aus einem Rauschen, das von einem Anteil des Niedrigbands moduliert
wird; und (d) Kombination des kodierten Niedrigbands mit dem kodierten Hochband,
um eine kodierte Breitbandsprache zu schaffen.
-
Gemäß einem
zweiten Aspekt wird ein Verfahren für Breitbandsprachdekodierung
geliefert, das folgendes umfasst: (a) Dekodierung eines ersten Anteils
eines Eingangssignals als Niedrigband-Sprachsignal; (b) Dekodierung
eines zweiten Anteils eines Eingangssignals als eine geräuschmodulierte
Erregung einer linearen Vorhersagekodierung, wobei die Geräuschmodulation
der geräuschmodulierten
Erregung durch einen Anteil der Ergebnisse des Dekodierens als ein
Niedrigband-Sprachsignal aus dem vorhergehenden Schritt (a) stattfindet;
und (c) Kombination der Ergebnisse der vorhergehenden Schritte (a) und
(b), um ein dekodiertes Breitbandsprachsignal zu schaffen.
-
Gemäß einem
dritten Aspekt wird eine Breitbandsprachkodiereinrichtung geliefert,
die folgendes umfasst: (a) ein Niedrigbandfilter und ein Hochbandfilter
für digitale
Sprache; (b) eine erste Kodiereinrichtung, die Eingabesignale vom
Niedrigbandfilter erhält;
(c) eine zweite Kodiereinrichtung, die Eingabesignale vom Hochbandfilter
und vom Niedrigbandfilter erhält,
wobei die zweite Kodiereinrichtung eine Erregung aus einem Rauschen
verwendet, das von einem Anteil der Ausgabe des Niedrigbandfilters
moduliert wird; und (d) einen Kombinator, damit die Ausgänge der
ersten Kodiereinrichtung und der zweiten Kodiereinrichtung kodierte
Breitbandsprache ausgeben.
-
Gemäß einem
vierten Aspekt der Erfindung wird eine Breitbandsprachdekodiereinrichtung
geliefert, die folgendes umfasst: (a) einen ersten Sprachdekodierer
mit einem Eingang für
kodierte Schmalbandsprache; (b) einen zweiten Sprachdekodierer, mit
einem Eingang für
kodierte Hochbandsprache und einem Eingang für die Ausgabe des ersten Sprachdekodierers,
wobei der zweite Sprachdekodierer eine Erregung aus einem Rauschen
verwendet, das von einem Anteil der Ausgabe des ersten Sprachdekodierers
moduliert wird; und (c) einen Kombinator, damit die Ausgänge des
ersten Sprachdekodierers und des zweiten Sprachdekodierers dekodierte
Breitbandsprache ausgeben.
-
Dies
bietet Vorteile, wie zum Beispiel das erfassen der Qualität von Breitbandsprache
bei niedrigen Bitraten und das Einbetten der Voicebandkodierung
in die Breitbandkodierung, um eine Auswahl der Dekodierungsbitrate
zuzulassen.
-
Kurze Beschreibung
der Zeichnungen
-
Bevorzugte
und exemplarische Ausführungsbeispiele
der vorliegenden Erfindung werden nun, lediglich als Beispiel, ausführlicher
beschrieben unter Bezugnahme auf die Figuren der beigefügten Zeichnungen,
in denen:
-
1a–1c erste
bevorzugte Ausführungsbeispiele
zeigen.
-
2a–2b veranschaulichen
Frequenzbereichsrahmen.
-
3a–3b zeigen
die Filterung.
-
4a–4b sind
Blockdiagramme von G.729 Kodiereinrichtungen und Dekodiereinrichtungen.
-
5 zeigt
eine Umkehr des Spektrums.
-
6–7 stellen
die hohen Anteile eines Niedrigbands für einen stimmhaften Rahmen
und den Tonumfang dar.
-
8–9 sind
Blockdiagramme von Systemen.
-
Ausführliche Beschreibung der bevorzugten
Ausführungsbeispiele
-
1. Überblick
-
Die
bevorzugten Ausführungsbeispielsysteme
beinhalten bevorzugte Ausführungsbeispiel-Kodiereinrichtungen
und Dekodiereinrichtungen, die einen Breitbandsprachrahmen als Summe
eines Niedrigbandsignals und eines Hochbandsignals verarbeiten,
wobei das Niedrigbandsignal selbständige Sprachkodierungs/-dekodierungsinformationen
aufweist und das Hochbandsignal integrierte Kodierungs-/Dekodierungsinformationen
vom Niedrigband aufweist, um eine Rauscherregung zu modulieren. Dies
ermöglicht
es, dass eine minimale Anzahl an Bits für die ausreichende Kodierung
des Hochbands verwendet werden kann, und es wird ein eingebetteter
Dekodierer geliefert.
-
2. Erste bevorzugte
Ausführungsbeispielsysteme
-
1a zeigt
ein Blockschaltbild eines ersten bevorzugten Ausführungsbeispielsystems
für Breitbandsprachkodierung, Übertragung
(Speicherung) und Dekodierung, inklusive erste bevorzugte Ausführungsbeispiele
für Kodiereinrichtungen
und Dekodiereinrichtungen. Die Kodiereinrichtungen und Dekodiereinrichtungen
verwenden CELP Niedrigbandkodierung und -dekodierung zuzüglich integrierter Hochbandkodierungs-
und -dekodierungsinformationen vom (dekodierten) Niedrigband für die Modulation
einer Rauscherregung mit LP-Kodierung.
-
Wie
in 1b veranschaulicht, gehen erste bevorzugte Ausführungsbeispiele
für Kodiereinrichtungen
wie folgt vor. Halbbandfilterung einer 0–8 kHz Breitbandsprache (16
kHz Abtastrate) in ein 0–4
kHz Niedrigbandsignal und ein 4–8
kHz Hochbandsignal und Dezimierung der Ausgangsabtastrate von 16kHz mit
einem Faktor von 2 sowohl des Niedrigbands als auch des Hochbands,
um zwei Basisbandsignale jeweils mit einer Abtastrate von 8 kHz
zu erzeugen. (Es gilt zu beachten, dass das Basisband des dezimierten
Hochbands ein umgekehrtes Spektrum aufweist, da das Basisband eine
Alias-Abbildung darstellt; siehe 3b). Als
nächstes
Kodierung des ersten Basisbandsignals (dezimiertes Niedrigband)
mit einer (Standard-) Niedrigbandkodiereinrichtung. Der ITU G.729
Standard mit 8 kb/s verwendet zum Beispiel 18 Bit für quantisierte
LP-Koeffizienten
(drei Codebücher)
pro 10 ms-Rahmen (80 Abtastwerte), 14 Bit für Tonlagenverzögerung (adaptives
Codebuch), 34 Bit für
verzögertes
Erregungsdifferential (Codebuch mit festen Einträgen) sowie 14 Bit für Verstärkungen.
Die 4a–4b zeigen
Blockdiagramme der Kodier- und Dekodiereinrichtungen. G.729, Anhang
E bietet eine höhere
Qualität
mit einer höheren
Bitrate (11,8 kb/s).
-
Dann
Umkehr des Spektrums des zweiten Basisbands (dezimiertes Hochbandabbild)
wie in 5 und Kodierung des Signals mit LP-Filterkoeffizienten
und Geräuscherregungsverstärkung für eine (modulierte)
Geräuscherregung.
Einige der ersten bevorzugten Ausführungsbeispiele verwenden tonlagenmodulierte
Geräuscherregung,
wobei die tonlagenmodulierte Geräuscherregung
vom Niedrigband durch Multiplikation des Rauschens mit (dem Tonumfang
des) 2,8–3,8
kHz Subbands des ersten Basisbandsignals abgeleitet wird. In diesem
Fall ersetzt die normalisierte (durch die 2,8–3,8 kHz Subbandenergie geteilte)
Erregungsverstärkung
die Erregungsverstärkung
im Code.
-
Schließlich Kombinierung
der Niedrigband- und Hochbandcodes in einen einzelnen Bitfluss,
der den Niedrigbandcode als einen eingebetteten Subfluss enthält. Die
folgenden Abschnitte liefern ausführlichere Beschreibungen.
-
Die
Dekodierung dreht den Kodierungsprozess dadurch um, dass die Hochband-
und Niedrigbandcodes getrennt werden, Informationen vom dekodierten
Niedrigband für
die Unterstützung
der Dekodierung des Hochbands verwendet werden und das dekodierte
Hochband zur dekodierten Niedrigbandsprache zugefügt wird,
um Breitbandsprache zu erzeugen. Siehe 1c. Dieser
Split-Band-Ansatz erlaubt es, die meisten der Codebits dem Niedrigband
zuzuordnen; das Niedrigband kann zum Beispiel 11,8 kb/s verbrauchen
und das Hochband kann 2,2 kb/s hinzufügen, um eine Summe von 14 kb/s
zu ergeben.
-
Durch
die Unabhängigkeit
des Niedrigbandcodes von jeglicher Hochbandinformation erlaubt es, dass
die Bits des Niedrigbandkodierers im Gesamt-Kodier-Bitfluss eingebettet
sein können,
und durch eine Dekodiereinrichtung mit niedrigerer Bitrate für eine separate
Dekodierung extrahiert werden können.
Dieser Split-Band-Ansatz stellt auch sicher, dass ein analoges Niedrigbandeingangssignal,
wie zum Beispiel von einer herkömmlichen
Telefonleitung (Bandbreitenbeschränkung auf 3,4 kHz) auch problemlos
mit der Breitbandkodierung des bevorzugten Ausführungsbeispiels kodiert werden
kann.
-
3. Einzelheiten über die
Kodiereinrichtung
-
Die 2a–2b veranschaulichen
die typischen Größenordnungen
stimmhafter bzw. stimmloser Sprache als Funktionen über den
Frequenzbereich von 0–8
kHz. Wie aus 2a ersichtlich ist, befindet
sich der Großteil
der Energie in stimmhafter Sprache im 0–3 kHz Band. Des Weiteren taucht
die Tonlagenstruktur (die Grundfrequenz in 2a beträgt ca. 125
Hz) klar in der Spanne von 0–3,5
kHz auf und bleibt (wenn auch durcheinander) auch bei höheren Frequenzen
erhalten. Die wahrnehmbare kritische Bandbreite bei höheren Frequenzen
beträgt jedoch
ca. 10% einer Band-Mittenfrequenz, so dass die einzelnen Tonlagenoberschwingungen
nicht mehr auseinander gehalten werden können und weniger Bits im Hochbandcode
benötigt
werden sollten.
-
Im
Gegensatz dazu zeigt 2b Energiespitzen stimmloser
Sprache im 3,5-6,5
kHz Band. Die genaue Beschaffenheit dieser Hochbandsignale enthält jedoch
wenig wahrnehmbare Informationen.
-
Folglich
sollte das höhere
Band (über
4 kHz) weniger Bits für
die Kodierung erfordern, als das niedrigere Band (0–4 kHz).
Die Verfahren gemäß den bevorzugten
Ausführungsbeispielen
für die
Aufteilung von Breitbandsprache (0–8 kHz) in ein Niedrigband
(0–4 kHz)
und ein Hochband (4–8
kHz) beruhen auf diesem Grundsatz, wobei erkannt wird, dass das Niedrigband
durch eine beliebige Niedrigbandkodiereinrichtung kodiert werden
kann und das Hochband separat mit einer relativ niedrigen Anzahl
an Bits kodiert wird, wie in den folgenden Abschnitten beschrieben.
-
1b veranschaulicht
den Ablauf eines ersten bevorzugten Ausführungsbeispiels für eine Sprachenkodiereinrichtung,
die durch die folgenden Schritte mit einer Bitrate von 14 kb/s kodiert.
- (1) Abtasten eines Eingangs-Breitband-Sprachsignals
(dessen Band auf 8 kHz beschränkt
ist) bei 16 kHz, um eine Folge von Breitband-Abtastwerten, wb(n),
zu erhalten. Aufteilung des digitalen Stroms in Rahmen mit 160 Abtastwerten
(10ms).
- (2) Tiefpassfilterung von wb(n) mit einem Durchlassband von
0–4 kHz,
um ein Niedrigbandsignal lb(n) zu erzeugen, und (später) auch
eine Hochpassfilterung von wb(n) mit einem Durchlassband von 4–8 kHz,
um ein Hochbandsignal hb(n) zu erzeugen; hierbei handelt es sich
nur um eine Halbband-Filterung. Da sowohl lb(n) als auch hb(n) eine
Bandbreite von 4 kHz haben, kann die Abtastrate von lb(n) und hb(n)
mit dem Faktor 2 auf eine Abtastrate von 8 kHz dezimiert werden,
ohne Auftreten von Informationsverlust. Folglich kann lbd(m) die
Basisbandversion (0–4
kHz) von lb(n) nach der Dezimierung der Abtastrate mit dem Faktor
2 angeben, und auf ähnliche
Weise kann hbdr(m) Basisbandversion (0–4 kHz) von hb(n) nach der
Dezimierung der Abtastrate mit dem Faktor 2 angeben. 3a–3b veranschaulichen
die Bildung von lbd(m) bzw. hbdr(m) in der Frequenzdomäne bei einem
stimmhaften Rahmen; es gilt zu beachten, dass Π auf der Frequenzskala der Hälfte der
Abtastrate entspricht. Die Dezimierung mit 2 erzeugt spektral umgekehrte
Bilder und das Basisband hbdr(m) ist im Vergleich zu hb(n) umgekehrt.
Natürlich
entspricht lbd(m) dem herkömmlichen
Abtasten mit 8 kHz von Sprache bei der Digitalisierung von analogen Voiceband-Telefonsignalen (0,3–3,4 kHz).
- (3) Kodierung von lbd(m) mit einer Schmalbandkodiereinrichtung,
zum Beispiel die Kodiereinrichtung nach ITU-Standard 11,8 kb/s G.729
Annex E, die eine sehr hohe Sprachqualität bei relativ guter Leistung
für Musiksignale
liefert. Diese Kodiereinrichtung kann Rahmen mit 80 Abtastwerten
(10 mx bei einer Abtastrate von 8 kHz) verwenden, die einem Rahmen
mit 160 Abtastwerten (10 ms bei einer Abtastrate von 16 kHz) von
wb(n) entspricht. Diese Kodiereinrichtung verwendet lineare Vorhersagekodierung
(LP) sowohl mit Vorwärts-
als auch Rückwärtsmodus
und kodiert einen Rahmen im Vorwärtsmodus
mit 18 Bit für
Codebuch-quantisierte LP-Koeffizienten, 14 Bit für Codebuch-quantisierte Verstärkung (7
Bit in jedem der zwei Unterrahmen), 70 Bit für Codebuch-quantisierte differential-verzögerte Erregung
(35 Bit in jedem Unterrahmen) und 16 bit für Codebuch-quantisierte pitch
delay und Modusanzeige, was insgesamt 118 Bit für einen 10-ms-Rahmen ergibt.
Ein Rahmen im Rückwärtsmodus
ist ähnlich,
außer,
dass die 18 LP-Koeffizienten-Bits
statt dessen dafür
verwendet werden, die Erregungs-Codebuch-Bits auf 88 zu erhöhen.
- (4) Unter Verwendung von lbd(m) Vorbereitung einer Tonhöhen-Modulations-Wellenform,
die derjenigen, die von der Hochband-Dekodiereinrichtung wie folgt verwendet
wird, ähnelt.
Zuerst Anwendung eines 2,8–3,8
kHz Durchlassfilters auf das Basisbandsignal lbd(m), um dessen hohen
Anteil lbdh(m) zu erzeugen. Dann Verwendung des absoluten Wertes
|lbdh(m)|; ein ähnliches
Signal wird von der Dekodiereinrichtung als Multiplizierer eines
Weißrauschsignals
verwendet, das die Erregung für
das Hochband darstellt. Der Dekodierungsschritt (5) im folgenden
Abschnitt liefert nähere
Einzelheiten.
- (5) Sofern nicht schon in Schritt (2) geschehen, Hochpassfilterung
von wb(n) mit einem Durchlassband von 4–8 kHz, um das Hochbandsignal hb(n)
zu erzeugen, und dann Dezimierung der Abtastrate mit 2, um hbdr(m)
zu erhalten. Diese Hochband-Verarbeitung kann nach der Tiefband-Verarbeitung
(vorhergehende Schritte (2)–(4))
erfolgen, um die Speicheranforderungen eines digitalen Signalverarbeitungssystems
herabzusetzen.
- (6) Anwendung von LP-Analyse auf hbdr(m) und Feststellung der
(Hochband-) LP-Koeffizienten aHB(j) für ein Filter
der Größenordnung
M = 10 und Schätzung
der Energie des Rests rHB(m). Die Energie
von rHB skaliert die tonhöhenmodulierte Weißrauscherregung
des Filters für
die Synthese.
- (7) Umkehrung der Zeichen der alternativen Hochband-LP-Koeffizienten:
dies entspricht der Umkehrung des Spektrums von hbdr(m) zu hbd(m),
wodurch der Anteil mit höherer
Energie von stimmhaften Rahmen in die tieferen Frequenzen, wie in 5 veranschaulicht,
verschoben wird. Energie in den tieferen Frequenzen ermöglicht eine
effektive Verwendung derselben Codebuch-Quantisierung, die von der Niedrigbandkodiereinrichtung
für lbd(m)
verwendet wird. Genauer gesagt haben stimmhafte Rahmen eine Tiefpass-Eigenschaft,
und die Codebuch-Quantisierungs-Effizienz für LSFs hängt von einer solchen Eigenschaft
ab: G.729 verwendet eine Quantisierung von LSFs mit geteilten Vektoren,
wobei die niedrigeren Koeffizienten mehr Bits aufweisen. Folglich
Bestimmung von LSFs aus dem (umgekehrten) LP-Koeffzienten ±aHB(j), und Quantisierung mit dem Quantisierungsverfahren
der Niedrigbandkodiereinrichtung für lbd(m) in Schritt (4).
Alternativ
zuerst eine Umkehrung des Spektrums von hbdr(m), um hbd(m) zu erhalten,
indem eine Rechteckwelle mit 4 kHz moduliert wird, und dann Durchführung der
LP-Analyse und LSF-Quantisierung. Beide Ansätze haben dieselben Ergebnisse.
- (8) Die Erregung für
die Hochbandsynthese wird geräuschmoduliert
skaliert (multipliziert) mit einem Schätzwert von |lbdh(m)|, wobei
die Skalierung so gewählt
ist, dass die Erregungsenergie gleich der Energie des verbleibenden
Hochbands rHB(m) ist. Folglich Normalisierung
des verbleibenden Energiepegels, indem die Energie des verbleibenden
Hochbands durch die Energie von |lbdh(m)|, die in Schritt 4 bestimmt
wurde, geteilt wird. Schließlich
Quantisierung dieser normalisierten Energie des verbleibenden Hochbands
an Stelle der (nicht normalisierten) Energie des verbleibenden Hochbands,
die für
die Erregung verwendet werden würde,
wenn die Tonhöhenmodulation
ausgelassen wird. Das heißt,
dass die Verwendung von Tonhöhenmodulation
für die
Hochbanderregung keine Erhöhung
der Kodierungsbits erfordert, da die Dekodiereinrichtung die Tonhöhenmodulation
aus dem dekodierten Niedrigbandsignal ableitet, und die Energie
des verbleibenden Hochbands dieselbe Anzahl an Kodierungsbits verwendet,
unabhängig
davon, ob eine Normalisierung angewendet wurde oder nicht.
- (9) Vereinigung der Ausgabebits der Basisbandkodierung lbd(m)
aus Schritt (4) und der Ausgabebits der hbd(m)-Kodierung aus Schritt
(7–8)
in einen einzigen Bitstrom.
-
Es
gilt zu beachten, dass alle quantisierten Elemente normalerweise
Differenzwerte wären,
und zwar dahingehend, dass die Werte der vorhergehenden Rahmen als
Prädiktoren
verwendet würden
und nur die Unterschiede zwischen den tatsächlichen und den vorhergesagten
Werten kodiert würden.
-
4. Einzelheiten über den
Dekodierer
-
Ein
erstes bevorzugtes Ausführungsbeispiel des
Dekodierverfahrens kehrt im Falle eines durch das erste bevorzugte
Ausführungsbeispiel-Verfahren kodierten
Bitstroms im Wesentlichen die Kodierungsschritte um. Insbesondere
gilt für
einen kodierten Rahmen im Bitstream:
- (1) Extrahierung
der Niedrigband-Codebits aus dem Bitstrom und Dekodierung (unter
Verwendung des G.729-Dekoders), um das Niedrigband-Sprachsignal lbd'(m) zu synthetisieren,
das einen Schätzwert
von lbd(m) darstellt.
- (2) Durchlassfilterung (2,8–3,8
kHz Band) von lbd'(m),
um lbdh'(m) zu erhalten;
und Berechnung des absoluten Wertes |lbdh'(m)|, wie bei der Kodierung.
- (3) Extrahierung der Hochband-Codebits, Dekodierung der quantisierten
Hochband-LP-Koeffizienten (abgeleitet von hbd(m)) und des quantisierten
normalisierten Erregungsenergiepegels (Skalierungsfaktor). Frequenzumkehr
der LP-Koeffizienten (Vertauschen der Zeichenumkehr), um die Filterkoeffizienten
für einen
Schätzwert
von hbdr(m) zu erhalten.
- (4) Erzeugung von weißem
Rauschen und Skalierung mit dem Skalierungsfaktor. Der Skalierungsfaktor
kann jeden Unterrahmen mit 20 Abtastwerten interpoliert werden (unter
Verwendung des Skalierungsfaktors des Nachbarrahmens), um einen
glatteren Skalierungsfaktor zu erhalten.
- (5) Modulierung (Multiplizierung) des skalierten weißen Rauschens
aus (4) mit der Wellenform |lbdh'(m)|
aus (2), um die Hochbanderregung zu bilden. 6 veranschaulicht
ein Beispiel eines lbdh'(m)
für einen
stimmhaften Rahmen. Im Falle von stimmloser Sprache würde die
Periodizität
im Allgemeinen fehlen und lbdh'(m)
wäre eher
einheitlich und würde
die Weißrausch-Erregung
nicht wesentlich modulieren.
Die Periodizität von lbdh'(m) spiegelt die restliche Periodizität wider,
die im Hochbandanteil aus 2a sichtbar
ist und in 2b fehlt. Diese Tonhöhenmodulierung
kompensiert ein wahrgenommenes Rauschen von Sprache, die aus einer
reinen Geräuscherregung
für hbd(m)
in stark stimmhaften Rahmen synthetisiert wurde. Für den Schätzwert wird
die Periodizität
im 2,8–3,8
kHz Band von lbd'(m)
verwendet, da die Periodizität bei
stark stimmhafte Rahmen mit etwas Periodizität im Hochband tendenziell in
den höheren
Frequenzbereichen des Niedrigbands auftritt.
- (6) Synthetisierung des Hochbandsignals hbdr'(m) durch die Verwendung der frequenzumgekehrten
Hochband-LP-Koeffizienten aus (3) gemeinsam mit dem modulierten
skalierten Geräusch
aus (5) als Erregung. Die LP-Koeffizienten können in der LSP-Domäne alle
20 Abtastwerte interpoliert werden, um wechselnde Artifakte zu verringern.
- (7) Upsampling (Interpolation mit 2) des synthetisierten (dekodierten)
Niedrigbandsignals lbd'(m) auf
eine Abtastrate mit 16 kHz und Niedrigpassfilterung (0–4 kHz Band),
um lb'(n) zu erhalten.
Es gilt zu beachten, dass eine Interpolation mit 2 ein spektral
umgekehrtes Bild von lbd'(m)
im 4–8
kHz Band liefert, das durch die Niedrigpassfilterung entfernt wird.
- (8) Upsampling (Interpolation mit 2) des synthetisierten (dekodierten)
Hochbandsignals hbd'(m) auf
eine Abtastrate mit 16 kHz und Hochpassfilterung (4–8 kHz Band),
um hb'(n) zu erhalten,
das das Spektrum zurück
zur Ausgangsform umkehrt. Die Hochpassfilterung entfernt das 0–4 kHz Bild.
- (9) Addierung der zwei upgesampelten Signale, um die synthetisierten
(dekodierten) Breitbandsprachsignale zu erhalten: wb'(n) = lb'(n) + hb'(n).
-
5. Bevorzugte
Ausführungsbeispiel-Systeme
-
8–9 zeigen
bevorzugte Ausführungsbeispiel-Systeme,
die die Kodierung und Dekodierung des bevorzugten Ausführungsbeispiels
verwenden, als Funktionsblock. Die Kodierung und Dekodierung kann
mit Hilfe von digitalen Signalprozessoren (DSPs) durchgeführt werden
oder mit programmierbaren Universalprozessoren oder mit anwendungsspezifischen
Schaltungen oder Systemen auf einem Chip, wie z.B. sowohl ein DSP
als auch ein RISC-Prozessor auf demselben Chip, wobei der RISC-Prozessor
für die
Steuerung zuständig
ist. Codebücher
würden
im Speicher der Kodier- sowie der Dekodiereinrichtung gespeichert
und ein gespeichertes Programm in einem On-Board ROM oder einem externen
Flash-EEPROM für
einen DSP oder eine programmierbaren Prozessor könnte die Signalverarbeitung übernehmen.
Analog-Digital-Wandler und Digital-Analog-Wandler liefern die Schnittstelle
zur realen Welt und Modulatoren und Demodulatoren (zuzüglich Antennen
für Luft-Schnittstellen)
liefern die Schnittstelle für Übertragungswellenformen.
Die kodierte Sprache kann in Pakete aufgeteilt und über Netzwerke,
wie zum Beispiel das Internet, übertragen
werden.
-
6. Zweite
bevorzugte Ausführungsbeispiele
-
Zweite
bevorzugte Ausführungsbeispiele
für Kodier-
und Dekodiereinrichtungen ähneln
den ersten bevorzugten Ausführungsbeispielen
für Kodier- und Dekodiereinrichtungen
und teilen die abgetasteten Eingangssignale in ein Niedrigband und
ein Hochband ein, downsamplen diese und wenden einen Schmalbanddekodierer
auf das Niedrigband an. Die zweiten bevorzugten Ausführungsbeispiele
variieren die Kodierung des Hochbands mit modulierter geräuscherregter
LP durch die Ableitung der Modulation aus dem Tonumfang von lbdh(m)
an Statt dessen absoluten Wertes. Insbesondere wird der Tonumfang en(m)
von lbdh(m) durch Niedrigpassfilterung (0–1 kHz) des absoluten Wertes |lbdh(m)|
plus Notch-Filterung, um dc zu entfernen, gefunden. 7 veranschaulicht
en(m) der stimmhaften Sprache aus 6 im Zeitbereich.
-
7. Modifikationen
-
Die
bevorzugten Ausführungsbeispiele
können
auf verschieden Arten modifiziert werden, während die Merkmale der separaten
Kodierung eines Niedrigbandsignals von einem Breitbandsignal beibehalten
werden und Informationen vom Niedrigband verwendet werden, um bei
der Kodierung des Hochbandes (Rest des Breitbandes) zu helfen, und/oder Verwendung
von Spektrum-Umkehr für
dezimierte Hochband-LP-Koeffizienten-Quantisierung, um eine Effizienz
zu erhalten, die vergleichbar mit der Niedrigband-LP-Koeffizienten-Quantisierung
ist.
-
Der
obere Teil (2,8–3,8
kHz) des Niedrigbands (0–4
kHz) könne
zum Beispiel durch einen oder mehrere andere Teile des Niedrigbands
ersetzt werden, um für
eine Modulierung der Hochbanderregung verwendet zu werden.
-
Außerdem können die
Hochband-Kodier-/Dekodiereinrichtungen ihre eigene LP-Analyse und
Quantisierung haben, wodurch die spektrale Umkehrung nicht erforderlich
wäre; das
Breitband kann in ein Niedrigband und zwei oder mehrere Hochbänder aufgeteilt
werden; die Niedrigbandkodiereinrichtung könnte eine parametrische oder
sogar nicht-LP-Kodiereinrichtung sein und eine Hochbandkodiereinrichtung
könnte
eine Wellenformkodiereinrichtung sein; und so weiter. Der Umfang
der Erfindung wird hiermit nur durch die beigefügten Ansprüche eingeschränkt.