-
TECHNISCHES
GEBIET DER ERFINDUNG
-
Die
vorliegende Erfindung bezieht sich auf elektronische Vorrichtungen
und insbesondere auf Sprachcodierungsverfahren, Sprachübertragungsverfahren,
Sprachspeicherungsverfahren und Sprachdecodierungs-/Sprachsyntheseverfahren
und -systeme.
-
HINTERGRUND
DER ERFINDUNG
-
Die
Leistung digitaler Sprachsysteme, die niedrige Bitraten verwenden,
wird bei der momentanen und absehbaren digitalen Kommunikation zunehmend
wichtig. Sowohl die Übertragung
mit dediziertem Kanal als auch die Paket-über-Netz-Übertragung
(VoIP-Übertragung)
nutzen die Komprimierung von Sprachsignalen. Das umfassend verwendete
digitale Sprachcodierungs-Komprimierungsverfahren der linearen Prädiktion
(LP) modelliert das Stimmsystem als ein zeitlich veränderliches
Filter und als eine zeitlich veränderliche
Erregung des Filters, um die menschliche Sprache nachzuahmen. Die
lineare Prädiktionsanalyse
bestimmt die LP-Koeffizienten a(j), j = 1, 2, ..., M, für einen
Eingangsrahmen digitaler Sprachabtastwerte {s(n)} durch die Einstellung r(n) = s(n) – ΣM≥j≥1a(j)s(n – j) (1)und durch
die Minimierung von Σr(n)2. M, die Ordnung des linearen Prädiktionsfilters,
wird typisch als etwa 10-12 gewählt;
die Abtastrate zum Bilden der Abtastwerte s(n) wird typisch als
etwa 8 kHz (die gleiche wie die Abtastung des öffentlichen Fernsprechwählnetzes
(PSTN) für
digitale Übertragung)
gewählt;
und die Anzahl der Abtastwerte {s(n)} in einem Rahmen ist häufig 80
oder 160 (10- oder
20-ms-Rahmen). Auf die Abtastwerte des Eingangssprachrahmens können verschiedene
Fensteroperationen angewendet werden. Der Name "lineare Prädiktion" entsteht aus der Interpretation von
r(n) = s(n) – ΣM≥j≥1a(j)s(n – j) als
den Fehler bei der Prädiktion
von s(n) durch die lineare Kombination der vorangegangenen Sprachabtastwerte ΣM≥j≥1a(j)s(n – j). Somit
liefert Minimieren von Σr(n)2 diejenigen {a(j)}, die die beste lineare
Prädiktion
liefern. Die Koeffizienten {a(j)} können zur Quantisierung und Übertragung oder
Speicherung in lineare Spektralfrequenzen (LFS) umgesetzt werden.
-
Die
{r(n)} bilden das LP-Residuum für
den Rahmen, wobei das LP-Residuum ideal die Erregung für das Synthesefilter
1/A(z) wäre,
wobei A(z) die Übertragungsfunktion
von Gleichung (1) ist. Natürlich ist
das LP-Residuum in dem Decodierer nicht verfügbar; somit ist es die Aufgabe
des Codierers, den LP-Rest so darzustellen, dass der Decodierer
aus den codierten Parametern eine LP-Erregung erzeugen kann. Physiologisch
hat die Erregung für
stimmhafte Rahmen annähernd
die Form einer Reihe von Impulsen mit der Tonhöhenfrequenz, während die
Erregung für
stimmlose Rahmen annähernd
die Form von weißem
Rauschen hat.
-
Grundsätzlich sendet/speichert
der LP-Komprimierungszugang lediglich Aktualisierungen für die (quantisierten)
Filterkoeffizienten, das (quantisierte) Residuum (die Signalform
oder Parameter wie etwa die Tonhöhe)
und den (quantisierten) Gewinn. Ein Empfänger regeneriert die Sprache
mit den gleichen Wahrnehmungscharakteristiken wie die Eingangssprache. 9 zeigt
die Blöcke
in einem LP-System. Die periodische Aktualisierung der quantisierten
Elemente erfordert weniger Bits als die direkte Darstellung des
Sprachsignals, so dass ein sinnvoller LP-Codierer mit Bitraten so
niedrig wie 2-3 kB/s (Kilobits pro Sekunde) arbeiten kann.
-
Tatsächlich verwendet
die ITU-Norm G.729, Anhang E, mit einer Bitrate von 11,8 kB/s eine LP-Analyse
mit Codebuch-Erregung (CELP) zur Komprimierung von Sprachbandsprache,
wobei sie eine Leistung besitzt, die mit den für die digitale PSTN-Übertragung
verwendeten 64 kB/s PCM vergleichbar ist.
-
Allerdings
erfüllt
selbst die Qualität
der Norm der G.729, Anhang E, nicht die Anforderung für hochwertige
Sprachsysteme, wobei verschiedene Vorschläge die Codierung ohne zu große Zunahme
der Übertragungsbitrate
auf Breitbandsprache (z. B. 0-7 kHz) erweitern.
-
Der
direkte Zugang der Anwendung der LP-Codierung auf das volle 0-8-kHz-Breitband erhöht die Bitrate
zu sehr oder verschlechtert die Qualität. Ein alternativer Zugang
extrapoliert einfach von dem (codierten) 0-4-kHz-Tiefband, um ein
4-8-kHz-Hochbandsignal zu erzeugen; siehe Chan u. a., Quality Enhancment
of Narrowband CELP-Coded Speech via Wideband Harmonic Re-Synthesis,
IEEE ICASSP 1997, S. 1187-1190. Ein weiterer Zugang verwendet durch
getrennte Codierung eines 4-8-kHz-Hochbandes von dem 0-4-kHz-Tiefband
und mit weniger dem Hochband zugeordneten Bits Splitband-CELP oder
-MPLPC; siehe Drogo de Jacovo u. a., Some Experiments of 7 kHz Audio
Coding at 16 kBit/s, IEEE ICASSP 1989, S. 192-195. Ähnlich schafft
Tucker, Low Bit-Rate Frequency Extension Coding, IEE Colloquium
on Audio and Music Technology 1998, S. 3/1-3/5, eine Standardcodierung
der 0-4 kHz des Tiefbands, während
er die 4-8 kHz-Hochbandsprache nur für stimmlose Rahmen (wie es
in dem Tiefband bestimmt wird) codiert und ein LP-Filter der Ordnung
2-4 mit Rauscherregung verwendet. Das Dokument "Low Delay Subband CELP Coding for Wideband
Speech", Tian u.
a., 1996 IEEE TENCON, S. 189-194, offenbart die Verwendung eines
einzigen Index für
den gewählten
Quantisierungscodevektor. Allerdings werden die Codevektoren für den Tiefbandabschnitt
und für
den Hochbandabschnitt durch getrennte Teile in dem Codevektor dargestellt.
-
Allerdings
leiden diese Lösungsansätze entweder
an einer zu hohen Bitrate oder an einer zu niedrigen Qualität.
-
ZUSAMMENFASSUNG
DER ERFINDUNG
-
Die
vorliegende Erfindung schafft ein Verfahren zum Codieren von Breitbandsprache,
das umfasst: (a) Partitionieren eines Rahmens digitaler Sprache
in ein Tiefband und ein Hochband; (b) Verringern der Abtastrate
sowohl des Tiefbandes als auch des Hochbandes; (c) Codieren des
verringerten Tiefbandes des Schrittes (b) unter Einschluss eines ersten
Quantisierungsverfahrens; (d) Umkehren des Spektrums eines Grundbandbildes
des verringerten Hochbandes des Schrittes (b); und (e) Codieren
der Ergebnisse des Schrittes (d) unter Einschluss des ersten Quantisierungsverfahrens.
-
Gemäß dem zweiten
Aspekt wird ein Verfahren zum Decodieren von Breitbandsprache geschaffen,
das umfasst: (a) Decodieren eines ersten Abschnitts eines Eingangssignals
als ein Sprachsignal des Tiefbandes einschließlich der Verwendung eines ersten
Codebuchs; (b) Decodieren eines zweiten Abschnitts eines Eingangssignals
als ein Sprachsignal des Hochbandes einschließlich der Verwendung des ersten
Codebuchs; und (c) Kombinieren der Ergebnisse der vorangehenden
Schritte (a) und (b), um ein decodiertes Breitbandsprachsignal zu
bilden.
-
Gemäß dem dritten
Aspekt wird ein Codierer für
Breitbandsprache geschaffen, mit: (a) einem Tiefbandfilter und einem
Hochbandfilter für
digitale Sprache; (b) einem ersten Codierer mit einem Eingang von
dem Tiefbandfilter, wobei der erste Codierer einen ersten Quantisierer
verwendet; (c) einem zweiten Codierer mit einem Eingang von dem
Hochbandfilter, wobei der zweite Codierer den ersten Quantisierer
verwendet; und (d) einem Kombinierer für den ersten Codierer und den
zweiten Codierer, um codierte Breitbandsprache auszugeben.
-
Gemäß dem vierten
Aspekt wird ein Decodierer für
Breitbandsprache geschaffen, mit: (a) einem ersten Sprachdecodierer
mit einem Eingang für codierte
Schmalbandsprache und einem LP-Codebuch; (b) einem zweiten Sprachdecodierer
mit einem Eingang für
codierte Hochbandsprache, wobei der zweite Decodierer das LP-Codebuch
verwendet.
-
Dies
besitzt Vorteile einschließlich
der Erfassung der Qualität
der Breitbandsprache bei niedrigen Bitraten und der Einbettung der
Sprachbandcodierung in die Breitbandcodierung, um eine Decodierungsbitratenwahl
zu ermöglichen.
-
KURZBESCHREIBUNG
DER ZEICHNUNG
-
Es
werden nun bevorzugte und beispielhafte Ausführungsformen der vorliegenden
Erfindung ausführlicher
lediglich beispielhaft mit Bezug auf die Figuren der beigefügten Zeichnung
beschrieben, in der:
-
1a-1c erste
bevorzugte Ausführungsformen
zeigen.
-
2a-2b Frequenzbereichsrahmen veranschaulichen.
-
3a-3b eine
Filterung zeigen.
-
4a-4b Blockschaltbilder
des G.729-Codierers und -Decodierers sind.
-
5 die
Spektralumkehrung zeigt.
-
6-7 der
hohe Abschnitt eines Tiefbandes für einen stimmhaften Rahmen
und die Einhüllende
sind.
-
8-9 Blockschaltbilder
der Systeme sind.
-
AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN
AUSFÜHRUNGSFORMEN
-
1. Übersicht
-
Die
Systeme der bevorzugten Ausführungsform
enthalten Codierer und Decodierer der bevorzugten Ausführungsform,
die einen Breitbandsprachrahmen als die Summe eines Tiefbandsignals
und eines Hochbandsignals verarbeiten, in denen das Tiefbandsignal
eine selbstständige
Sprachcodierung/-decodierung besitzt, während das Hochbandsignal eine
Codierung/Decodierung besitzt, die Informationen von dem Tiefbandsignal
enthält,
um eine Rauscherregung zu modulieren. Dies ermöglicht eine minimale Anzahl
von Bits zum ausreichenden Codieren des Hochbandes und liefert einen
eingebetteten Codierer.
-
2. Systeme
der ersten bevorzugten Ausführungsform
-
1a zeigt
im Funktionsblockformat ein System der ersten bevorzugten Ausführungsform
zur Breitbandsprachcodierung, -übertragung
(-speicherung) und -decodierung, das Codierer und Decodierer der
ersten bevorzugten Ausführungsform
enthält. Die
Codierer und Decodierer verwenden eine CELP-Tiefbandcodierung und
-decodierung sowie eine Hochbandcodierung und -decodierung, die
Informationen von dem (decodierten) Tiefband zur Modulation einer
Rauscherregung mit LP-Codierung enthält.
-
Wie
in 1b veranschaulicht ist, gehen die Codierer der
ersten bevorzugten Ausführungsform wie
folgt vor. Das Halbbandfilter filtert die 0-8 kHz-Breitbandsprache
(16 kHz Abtastrate) in ein 0-4-kHz-Tiefbandsignal und in ein 4-8-kHz-Hochbandsignal und
verringert die ursprüngliche
Abtastrate von 16 kHz sowohl für
das Tiefband als auch für das
Hochband um einen Faktor 2, um zwei Grundbandsignale jeweils mit
einer Abtastrate von 8 kHz zu erzeugen. (Es wird angemerkt, dass
das Grundband des verringerten Hochbandes ein umgekehrtes Spektrum
hat, da das Grundband ein rückgefaltetes Bild
ist; siehe 3b.) Nachfolgend wird das erste Grundbandsignal
(verringerte Grundbandsignal) mit einem (Standard-)Schmalband-Sprachcodierer
codiert. Zum Beispiel verwendet die 8 kB/s-ITU-Norm G.729 18 Bits für quantisierte
LP-Koeffizienten (drei Codebücher)
pro 10-ms-Rahmen (80-Abtastwerte-Rahmen), 14 Bits für die Tonhöhenverzögerung (adaptives
Codebuch), 34 Bits für
die verzögerte
Erregungsdifferenz (festes Codebuch) und 14 Bits für Gewinne.
Die 4a-4b zeigen Blockschaltpläne des Codierers
und des Decodierers. G.729, Anhang E, liefert bei einer höheren Bitrate
(11,8 kB/s) eine höhere
Qualität.
-
Daraufhin
wird das Spektrum des zweiten Grundbandes (verringertes Hochbandbild)
wie in 5 umgekehrt und das Signal mit LP-Filterkoeffizienten
und Rauscherregungsgewinn für
eine (modulierte) Rauscherregung codiert. Einige der ersten bevorzugten
Ausführungsformen
verwenden eine tonhöhenmodulierte
Rauscherregung, die aus dem Tiefband durch Multiplizieren des Rauschens
mit dem 2,8-3,8-kHz-Teilband (der Einhüllenden des 2,8-3,8-kHz-Teilbands)
des ersten Grundbandsignals abgeleitet wird. In diesem Fall ersetzt
der Gewinn mit normierter (durch die 2,8-3,8-kHz-Teilbandenergie
dividierter) Erregung den Erregungsgewinn in dem Code.
-
Schließlich werden
die Tiefband- und Hochbandcodes zu einem einzigen Bitstrom kombiniert, der
den Tiefbandcode als einen eingebetteten Teilstrom besitzt. Die
folgenden Abschnitte geben ausführlichere
Beschreibungen.
-
Die
Decodierung kehrt unter Verwendung von Informationen von dem decodierten
Tiefband den Codierungsprozess durch Trennen des Hochband- und des
Tiefbandcodes, um das Hochband decodieren zu helfen, und durch Addieren
der decodierten Hochbandsprache zu der decodierten Tiefbandsprache
zum Synthetisieren der Breitbandsprache um. Siehe 1c.
Dieser Splitbandzugang ermöglicht,
dass die meisten Codebits dem Tiefband zugewiesen werden; z. B.
kann das Tiefband 11,8 kB/s verbrauchen, während das Hochband für insgesamt 14
kB/s 2,2 kB/s addieren kann.
-
Die
Unabhängigkeit
des Tiefbandcodes von irgendwelchen Hochbandinformationen ermöglicht, dass
die Schmalbandcodiererbits in den Gesamtcodiererbitstrom eingebettet
werden und durch einen Decodierer mit niedrigerer Bitrate zur getrennten
Decodierung entnommen werden können.
Außerdem stellt
dieser Splitbandzugang sicher, dass ein schmalbandiges analoges
Eingangssignal wie etwa von einer herkömmlichen Telephonleitung (bandbreitenbegrenzt
auf 3,4 kHz) mit der Breitbandcodierung der bevorzugten Ausführungsform
weiter gut codiert werden kann.
-
3. Codierereinzelheiten
-
Die 2a-2b veranschaulichen
die typischen Größen von
stimmhafter bzw. stimmloser Sprache in Abhängigkeit von der Frequenz über den Bereich
von 0-8 kHz. Wie 2a zeigt, liegt die Masse der
Energie in der stimmhaften Sprache in dem 0-3-kHz-Band. Ferner erscheint
die Tonhöhenstruktur
(die Grundfrequenz ist in 2a etwa
125 Hz) deutlich in dem Bereich von 0-3,5 kHz und bleibt bei höheren Frequenzen
(wenn auch verwürfelt)
bestehen. Allerdings ist die kritische Wahrnehmungsbandbreite bei
höheren
Frequenzen etwa 10 % einer Bandmittenfrequenz, so dass die einzelnen
Tonhöhenharmonischen
ununterscheidbar werden und zur Aufnahme in einen Hochbandcode weniger
Bits erfordern sollten.
-
Im
Gegensatz dazu zeigt 2b Energiespitzen sprachloser
Sprache im 3,5-6,5-kHz-Band. Allerdings enthält das genaue Wesen dieses
Hochbandsignals wenig Wahrnehmungsinformationen.
-
Folglich
sollte das höhere
Band (über
4 kHz) weniger Bits als das tiefere Band (0-4 kHz) zur Codierung
erfordern. Wie in den folgenden Abschnitten beschrieben wird, liegt
dies den Verfahren der bevorzugten Ausführungsform zum Partitionieren
von Breitbandsprache (0-8 kHz-Sprache) in ein Tiefband (0-4 kHz)
und in ein Hochband (4-8 kHz) zugrunde, die erkennen, dass das Tiefband
durch irgendeinen zweckmäßigen Schmalbandcodierer
codiert werden kann, während
das Hochband mit einer verhältnismäßig kleinen
Anzahl von Bits getrennt codiert werden kann.
-
1b veranschaulicht
den Ablauf eines Sprachcodierers der ersten bevorzugten Ausführugsform,
der mit 14 kB/s mit den folgenden Schritten codiert.
- (1) Taste ein Eingangs-Breitbandsprachsignal (das auf 8 kHz
bandbreitenbegrenzt ist) mit 16 kHz ab, um eine Folge von Breitbandabtastwerten wb(n)
zu erhalten. Partitioniere den digitalen Strom in 160-Abtastwert-Rahmen
(10-ms-Rahmen).
- (2) Tiefpassfiltere wb(n) mit einem Durchlassbereich von 0-4
kHz, um ein Tiefbandsignal lb(n) zu liefern, und hochpassfiltere
(später)
außerdem wb(n)
mit einem Durchlassbereich von 4-8 kHz, um ein Hochbandsignal hb(n)
zu liefern; dies ist gerade die Halbbandfilterung. Da sowohl lb(n)
als auch hb(n) Bandbreiten von 4 kHz haben, kann die Abtastrate
von 16 kHz sowohl von lb(n) als auch von hb(n) ohne Informationsverlust
um einen Faktor 2 auf eine Abtastrate von 8 kHz verringert werden.
Somit bezeichne lbd(m) die Grundbandversion (0-4-kHz-Ver sion) von
lb(n) nach Verringerung der Abtastrate um einen Faktor 2 und bezeichne ähnlich hbdr(m)
die Grundbandversion (0-4-kHz-Version) von hb(n) nach Verringerung
der Abtastrate um einen Faktor 2. Die 3a-3b veranschaulichen
die Bildung von lbd(m) bzw. hbdr(m) in dem Frequenzbereich für einen
stimmhaften Rahmen; es wird angemerkt, dass π auf der Frequenzskale einer
Hälfte
der Abtastrate entspricht. Die Verringerung um 2 erzeugt spektral
umgekehrte Bilder, wobei das Grundband hbdr(m) im Vergleich zu hb(n)
umgekehrt ist. Natürlich
entspricht lbd(m) der herkömmlichen 8-kHz-Abtastung
von Sprache zur Digitalisierung analoger Sprachband-(0,3-3,4-kHz-)Telephonsignale.
- (3) Codiere lbd(m) mit einem Schmalbandcodierer, z. B. mit dem
11,8-kB/s-Codierer
der ITU-Norm G.729, Anhang E, der sehr hohe Sprachqualität sowie
verhältnismäßig gute
Leistung für
Musiksignale liefert. Dieser Codierer kann 80-Abtastwert-Rahmen (10-ms-Rahmen mit
einer Abtastrate von 8 kHz) verwenden, die 160-Abtastwert-Rahmen
(10-ms-Rahmen mit einer Abtastrate von 16 kHz) von wb(n) entsprechen.
Dieser Codierer verwendet die lineare Prädiktionscodierung (LP-Codierung)
sowohl mit Vorwärts-
als auch mit Rückwärtsbetriebsart
und codiert einen Vorwärtsbetriebsartrahmen
mit 18 Bits für
Codebuch-quantisierte LP-Koeffizienten, mit 14 Bits für Codebuch-quantisierten
Gewinn (7 Bits in jedem der zwei Teilrahmen), mit 70 Bits für Codebuch-quantisierte
Erregung mit Differenz zwischen maximaler und minimaler Frequenzlaufzeit (35
Bits in jedem Teilrahmen) und mit 16 Bits für Codebuch-quantisierte Tonhöhenverzögerung und
Betriebsartangabe für
insgesamt 118 Bits für einen
10-ms-Rahmen. Abgesehen davon, dass stattdessen die 18 LP-Koeffizientenbits
verwendet werden, um die Erregungscodebuchbits auf 88 zu erhöhen, ist
ein Rückwärtsbetriebsartrahmen ähnlich.
- (4) Bereite unter Verwendung von lbd(m) wie folgt eine Tonhöhenmodulationssignalform
vor, die ähnlich
der ist, die von dem Hochbanddecodierer verwendet wird. Wende zunächst ein 2,8-3,8-kHz-Bandfilter
auf das Grundbandsignal lbd(m) an, um seinen hohen Abschnitt lbdh(m)
zu liefern. Bilde daraufhin den Absolutwert |lbdh(m)|; ein ähnliches
Signal wie dieses wird von dem Decodierer als ein Multiplizierer
eines Signals des weißen
Rauschens als die Erregung für
das Hochband verwendet. Der Decodiererschritt (5) in dem folgenden
Abschnitt liefert weitere Einzelheiten.
- (5) Hochpassfiltere wb(n) mit einem Durchlassbereich von 4-8
kHz, um ein Hochbandsignal hb(n) zu liefern, wenn das nicht zuvor
in Schritt (2) ausgeführt
worden ist, und verringere daraufhin die Abtastrate um 2, um hbdr(m)
zu liefern. Diese Hochbandverarbeitung kann auf die Tiefbandverarbeitung
(die vorstehenden Schritte (2)-(4)) folgen, um die Speicheranforderungen
eines digitalen Signalverarbeitungssystems zu verringern.
- (6) Wende eine LP-Analyse auf hbdr(m) an und bestimme für ein Filter
der Ordnung M = 10 die (Hochband)-LP-Koeffizienten aHB(j)
und schätze die
Energie des Residuums rHB(m). Die Energie von
rHB skaliert die tonhöhenmodulierte Erregung des
weißen
Rauschens des Filters für
die Synthese.
- (7) Kehre die Vorzeichen abwechselnder Hochband-LP-Koeffzienten
um:
Dies ist gleichwertig dem Umkehren des Spektrums von hbdr(m)
in hbd(m) und dadurch dem Verlagern des Abschnitts höherer Energie
stimmhafter Rahmen in die niedrigeren Frequenzen, wie es in 5 veranschaulicht
ist. Die Energie in den niedrigeren Frequenzen ermöglicht die
effektive Verwendung der gleichen LP-Codebuchquantisierung, die
von dem Schmalbandcodierer für
lbd(m) verwendet wird. Insbesondere stimmhafte Rahmen haben eine
Tiefpasscharakteristik, wobei sich die Codebuch-Quantisierungseffizienz
für LSFs
auf diese Charakteristik stützt:
G.729 verwendet die Splitvektorquantisierung von LSFs mit mehr Bits
für die
unteren Koeffizienten. Bestimme somit die LSFs aus den (umgekehrten)
LP-Koeffizienten ±aHB(j) und quantisiere mit dem Quantisierungsverfahren
des Schmalbandcodierers für lbd(m)
in Schritt (4).
Kehre alternativ zuerst durch Modulieren mit
einer 4-kHz-Rechteckschwingung das Spektrum von hbdr(m) um, um hbd(m)
zu liefern, und führe
daraufhin die LP-Analyse und die LSF-Quantisierung aus. Beide Zugänge liefern
die gleichen Ergebnisse.
- (8) Die Erregung für
die Hochbandsynthese wird durch einen Schätzwert von |lbdh(m)| skaliert rauschmoduliert
(multipliziert), wobei die Skalierung so eingestellt wird, dass
die Erregungsenergie gleich der Energie des Hochbandresiduums rHB(m) ist. Normiere somit das Residuumsenergieniveau
durch Division der Energie des Hochbandresiduums durch die Energie
von |lbdh(m)|, die in Schritt (4) bestimmt worden ist. Quantisiere schließlich diese
normierte Energie des Hochbandresiduums anstelle der (nicht normierten) Energie
des Hochbandresiduums, die für
die Erregung verwendet würde,
wenn die Tonhöhenmodulation
weggelassen wird. Das heißt,
die Verwendung der Tonhöhenmodulation
für die
Hochbanderregung erfordert keine Zunahme der Codierungsbits, da
der Decodierer die Tonhöhenmodulation
aus dem decodierten Tiefbandsignal ableitet, wobei die Energie des
Hochbandresiduums unabhängig
davon, ob die Normierung angewendet worden ist, die gleiche Anzahl
von Codierungsbits annimmt.
- (9) Kombiniere die Ausgangsbits der Grundband-lbd(m)-Codierung
aus Schritt (4) und die Ausgangsbits der hbd(m)-Codierung aus den Schritten
(7-8) zu einem einzigen Bitstrom.
-
Es
wird angemerkt, dass alle quantisierten Elemente typisch Differenzwerte
sind, da die Werte des vorausgehenden Rahmens typisch als Prädiktoren
verwendet werden und nur die Differenzen zwischen den tatsächlichen
und den vorausgesagten Werten codiert werden.
-
4. Decodierereinzelheiten
-
Ein
Decodierungsverfahren der ersten bevorzugten Ausführungsform
kehrt im Wesentlichen die Codierungsschritte für einen durch das Verfahren der
ersten bevorzugten Ausführungsform
codierten Bitstrom um. Insbesondere gilt für einen codierten Rahmen in
dem Bitstrom:
- (1) Entnimm die Tiefbandcodebits
aus dem Bitstrom und decodiere (unter Verwendung des G.729-Decodierers)
zum Synthetisieren von Tiefbandsprache lbd'(m) einen Schätzwert von lbd(m).
- (2) Bandfiltere (2,8-3,8-kHz-Band) lbd'(m), um lbdh';(m) zu liefern, und berechne wie bei
der Codierung den Absolutwert |lbdh'(m)|.
- (3) Entnimm die Hochbandcodebits, decodiere die (aus hbd(m)
abgeleiteten) quantisierten Hochband-LP-Koeffizienten und das quantisierte
normierte Erregungsenergieniveau (Skalenfaktor). Kehre die Frequenz
der LP-Koeffizienten um (abwechselnde Vorzeichenumkehrungen), um
die Filterkoeffizienten für
einen Schätzwert
von hbdr(m) zu haben.
- (4) Erzeuge weißes
Rauschen und skaliere durch den Skalenfaktor. Der Skalenfaktor kann
(unter Verwendung des Skalenfaktors des angrenzenden Rahmens) jeden
20-Abtastwert-Teilrahmen interpoliert werden, um einen glatteren
Skalenfaktor zu liefern.
- (5) Moduliere (multipliziere) das skalierte weiße Rauschen
aus (4) durch die (mit der) Signalform |lbdh'(m)| aus (2), um die Hochbanderregung
zu bilden. 6 veranschaulicht ein beispielhaftes lbdh'(m) für einen
stimmhaften Rahmen. Im Fall stimmloser Sprache würde die Periodizität allgemein
fehlen und lbdh'(m)
gleichförmiger
sein und die Erregung des weißen
Rauschens nicht wesentlich modulieren.
-
Die
Periodizität
von lbdh'(m) widerspiegelt annähernd die
spurenhafte Periodizität,
die in dem Hochbandabschnitt aus 2a sichtbar
ist und in 2b fehlt. Diese Tonhöhenmodulation
kompensiert eine wahrgenommene Verrauschtheit von Sprache, die aus
einer reinen Rauscherregung für
hbd(m) in stark stimmhaften Rahmen synthetisiert worden ist. Der
Schätzwert
verwendet die Periodizität
in dem 2,8-3,8-kHz-Band von lbd'(m),
da stark stimmhafte Rahmen mit einer gewissen Periodizität in dem Hochband
dazu neigen, eine Periodizität
in den oberen Frequenzen des Tiefbandes zu haben.
- (6)
Synthetisiere unter Verwendung der frequenzumgekehrten Hochband-LP-Koeffizienten aus
(3) zusammen mit dem modulierten skalierten Rauschen aus (5) als
die Erregung das Hochbandsignal hbdr'(m). Um Schaltartefakte zu verringern, können die
LP-Koeffizienten alle 20 Abtastwerte in dem LSP-Bereich interpoliert
werden.
- (7) Aufwärtsabtaste
(Interpolation um 2) das synthetisierte (decodierte) Tiefbandsignal
lbd'(m) auf eine
Abtastrate von 16 kHz und tiefpassfiltere (0-4 kHz-Band), um lb'(n) zu bilden. Es
wird angemerkt, dass die Interpolation um 2 ein spektral umgekehrtes
Bild von lbd'(m)
in dem 4-8-kHz-Band bildet und dass die Tiefpassfilterung dieses
Bild entfernt.
- (8) Aufwärtsabtaste
(Interpolation um 2) das synthetisierte (decodierte) Hochbandsignal
hbdr'(m) auf eine
Abtastrate von 16 kHz und hochpassfiltere (4-8-kHz-Band), um hb'(n) zu bilden, was
das Spektrum zurück
zu dem Original umkehrt. Das Hochpassfilter entfernt das 0-4-kHz-Bild.
- (9) Addiere die zwei aufwärts
abgetasteten Signale, um das synthetisierte (decodierte) Breitbandsprachsignal
zu bilden: wb'(n)
= lb'(n) + hb'(n).
-
5. Bevorzugte
Ausführungsformen
des Systems
-
Die 8-9 zeigen
in Funktionsblockform Systeme der bevorzugten Ausführungsform,
die die Codierung und Decodierung der bevorzugten Ausführungsform
verwenden. Die Codierung und Decodierung können mit digitalen Signalprozessoren (DSPs)
oder mit programmierbaren Universalprozessoren oder mit einer anwendungsspezifischen
Schaltungsanordnung oder anwendungsspezifischen Systemen auf einem
Chip wie etwa sowohl mit einem DSP- als auch mit einem RISC-Prozessor
auf dem gleichen Chip, wobei der RISC-Prozessor steuert, ausgeführt werden.
Die Codebücher
werden sowohl im Codierer als auch im Decodierer im Speicher gespeichert
und ein im chipintegrierten ROM oder im externen Flash-EEPROM für einen
DSP oder programmierbaren Prozessor gespeichertes Programm könnte die
Signalverarbeitung ausführen.
Analog/Digital-Umsetzer und Digital/Analog-Umsetzer liefern eine
Kopplung zur echten Welt und Modulatoren und Demodulatoren (sowie
Antennen für
Luftschnittstellen) liefern eine Kopplung für Übertragungssignalformen. Die
codierte Sprache kann paketiert und über Netze wie etwa das Internet übertragen
werden.
-
6. Zweite
bevorzugte Ausführungsformen
-
Die
Codierer und Decodierer der zweiten bevorzugten Ausführungsform
folgen den Codierern und Decodierern der ersten bevorzugten Ausführungsform
und partitionieren die abgetastete Eingabe in ein Tiefband und in
ein Hochband, abwärtsabtasten
und wenden auf das Tiefband einen Schmalbandcodierer an. Allerdings ändern die
zweiten bevorzugten Ausführungsformen
die Decodierung des Hochbandes mit moduliertem rauscherregtem LP,
indem sie die Modulation eher von der Einhüllenden von lbdh(m) als von
ihrem Absolutwert ableiten. Insbesondere ist die Einhüllende en(m)
von lbdh(m) durch Tiefpassfilterung (0-1-kHz-Filterung) des Absolutwerts
|lbdh(m)| sowie Sperrfilterung zum Entfernen von Gleichspannung
zu ermitteln. 7 veranschaulicht en(m) für die stimmhafte
Sprache aus 6 im Zeitbereich.
-
7. Abwandlungen
-
Die
bevorzugten Ausführungsformen
können auf
verschiedene Weise abgewandelt werden, während die Merkmale der getrennten
Codierung eines Tiefbandes von einem Breitbandsignal und die Verwendung
von Informationen von dem Tiefband, um das Hochband (den Rest des
Breitbands) codieren zu helfen, und/oder der Verwendung der Spektrumumkehr
zur verringerten Hochband-LP-Koeffizientenquantisierung,
um eine Effizienz zu erhalten, die der für die Tiefband-LP-Koeffizientenquantisierung vergleichbar
ist, erhalten bleiben.
-
Zum
Beispiel könnte
der obere Abschnitt (2,8-3,8-kHz-Abschnitt) des Tiefbandes (0-4
kHz) durch einen anderen Abschnitt bzw. durch andere Abschnitte
des Tiefbandes zur Verwendung als eine Modulation für die Hochbanderregung
ersetzt werden.
-
Ferner
kann das Breitband in ein Tiefband und in zwei oder mehr Hochbänder partitioniert
werden; könnte
der Tiefbandcodierer ein parametrischer oder sogar ein Nicht-LP-Codierer
sein und könnte
ein Hochbandcodierer ein Signalformcodierer sein; usw. Der Umfang
der Erfindung ist hierbei lediglich durch die beigefügten Ansprüche beschränkt.