-
GEBIET DER
ERFINDUNG
-
Die
vorliegende Erfindung bezieht sich auf Sprachdekodierer und insbesondere
auf Verfahren, die verwendet werden, um schlechte Rahmen, die von
den Sprachdekodierern empfangen werden, zu handhaben.
-
HINTERGRUND
DER ERFINDUNG
-
In
digitalen zellularen Systemen wird ein Bitstrom durch einen Kommunikationskanal übertragen,
der eine Mobilstation mit einer Basisstation über die Luftschnittstelle verbindet.
Der Bitstrom ist in Rahmen aufgeteilt, die Sprachrahmen einschließen. Ob
ein Fehler während
der Übertragung
auftritt oder nicht, hängt
von den vorherrschenden Kanalzuständen ab. Ein Sprachrahmen,
bei dem entdeckt wird, dass er Fehler enthält, wird einfach als schlechter
Rahmen bezeichnet. Gemäß dem Stand
der Technik werden im Fall eines schlechten Rahmens Sprachparameter,
die aus vergangenen korrekten Parametern (aus nicht fehlerhaften
Sprachrahmen) abgeleitet werden, anstelle der Sprachrahmen des schlechten
Rahmens gesetzt. Das Ziel des Handhabens eines schlechten Rahmens
durch das Vornehmen einer solchen Ersetzung besteht darin, die beschädigten Sprachparameter
des fehlerhaften Sprachrahmens zu verbergen, ohne eine wahrnehmbare
Verschlechterung der Sprachqualität zu verursachen.
-
Moderne
Sprach-Kodierer-Dekodierer arbeiten, indem sie ein Sprachsignal
in kurzen Segmenten, das sind die oben erwähnten Rahmen, verarbeiten.
Eine typische Rahmenlänge
eines Sprach-Kodierer-Dekodierers
beträgt
20 ms, was 160 Sprachabtastwerten entspricht, wenn man eine Abtastfrequenz
von 8 kHz annimmt. In sogenannten Breitband-Kodierern-Dekodierern kann
die Rahmenlänge
wieder 20 ms betragen, wobei sie aber 320 Sprachabtastwerten entsprechen
kann, wenn man eine Abtastfrequenz von 16 kHz annimmt. Ein Rahmen
kann weiter in eine Anzahl von Unterrahmen unterteilt werden.
-
Für jeden
Rahmen bestimmt ein Kodierer eine parametrische Darstellung des
Eingangssignals. Die Parameter werden quantisiert und dann durch
einen Kommunikationskanal in digitaler Form übertragen. Ein Dekodierer erzeugt
ein synthetisiertes Sprachsignal auf der Basis der empfangenen Parameter
(siehe 1).
-
Ein
typischer Satz von extrahierten Kodierparametern umfasst Spektralparameter
(sogenannte Parameter einer linearen Voraussagekodierung oder LPC-Parameter),
die bei einer kurzfristigen Voraussage verwendet werden, Parameter,
die für
eine langfristige Voraussage des Signals verwendet werden (sogenannte langfristige
Voraussageparameter oder LTP-Parameter),
verschiedene Verstärkungsparameter
und schließlich Anregungsparameter.
-
Was
als lineare Voraussagekodierung bezeichnet wird, ist ein weit verbreitetes
und erfolgreiches Verfahren für
das Kodieren von Sprache für
eine Übertragung über einen
Kommunikationskanal; es stellt die Frequenzformungsattribute des
vokalen Trakts dar. Die LPC-Parametrisierung charakterisiert die
Form des Spektrums eines kurzen Segments der Sprache. Die LPC-Parameter
können
entweder als LSFs (Linienspektralfrequenzen) oder äquivalent
als ISPs (Immitanzspektralpaare) dargestellt werden. ISPs werden
durch das Zerlegen der inversen Filtertransferfunktion A(z) in einen
Satz von zwei Transferfunktionen erhalten, wobei eine eine gerade
Symmetrie und die andere eine ungerade Symmetrie aufweist. Die ISPs,
die auch Immitanzspektralfrequenzen (ISFs) genannt werden, sind
die Wurzeln der Polynome auf dem z-Einheitskreis. Linienspektralpaare
(die auch Linienspektralfrequenzen) genannt werden, können in
derselben Weise wie Immitanzspektralpaare definiert werden; der
Unterschied zwischen diesen Darstellungen ist der Umwandlungsalgorithmus,
der die LP-Filterkoeffizienten in eine andere LPC-Parameterdarstellung
(LSP oder ISP) transformiert.
-
Manchmal
ist der Zustand des Kommunikationskanals, durch den die kodierten
Sprachparameter übertragen
werden, schlecht, was Fehler im Bitstrom, das heißt Rahmenfehler,
verursacht (und so schlechte Rahmen verursacht). Es gibt zwei Arten
von Rahmenfehlern: verlorene Rahmen und beschädigte Rahmen. In einem beschädigten Rahmen
sind nur einige der Parameter, die ein spezielles Sprachsegment
(typischerweise mit einer Dauer von 20 ms) beschreiben, beschädigt. Beim
Rahmenfehler in Form eines verlorenen Rahmens ist ein Rahmen entweder
total beschädigt
oder wird überhaupt
nicht empfangen.
-
In
einem Übertragungssystem
auf Paketbasis für
das Kommunizieren von Sprache (ein System, bei dem ein Rahmen gewöhnlicherweise
als ein einzelnes Paket befördert
wird), wie es manchmal durch eine normale Internet-Verbindung geliefert
wird, ist es möglich,
dass ein Datenpaket (oder Rahmen) niemals den beabsichtigten Empfänger erreicht,
oder dass ein Datenpaket (oder Rahmen) so spät ankommt, dass es wegen der
Echtzeitnatur der gesprochenen Sprache nicht verwendet werden kann.
Ein solcher Rahmen wird als ein verlorener Rahmen bezeichnet. Ein
beschädigter
Rahmen ist in so einer Situation ein Rahmen, der beim Empfänger ankommt
(gewöhnlicherweise
innerhalb eines einzelnen Pakets), aber der einige fehlerhafte Parameter enthält, wie
das beispielsweise durch eine zyklische Redundanzprüfung (CRC)
angezeigt wird. Dies ist für
gewöhnlich
die Situation in einer leitungsvermittelten Verbindung, wie einer
Verbindung in einem System des globalen Systems für Mobilkommunikation
(GSM), wobei die Bitfehlerrate (BER) in einem beschädigten Rahmen typischerweise
unter 5% liegt.
-
Somit
kann man sehen, dass die optimale korrigierende Antwort auf das
Auftreten eines schlechten Rahmens hin für die zwei Fälle der
schlechten Rahmen (der beschädigte
Rahmen und der verloren gegangene Rahmen) unterschiedlich ist. Es
gibt verschiedene Antworten, da im Fall beschädigter Rahmen eine unzuverlässige Information über die
Parameter vorliegt, und im Fall der verlorenen Rahmen keine Information
verfügbar
ist.
-
Gemäß dem Stand
der Technik wird, wenn ein Fehler in einem empfangenen Sprachrahmen
detektiert wird, ein Ersetzungs- und Stummschaltungsverfahren begonnen;
die Sprachparameter des schlechten Rahmens werden durch gedämpfte oder
modifizierte Werte vom vorherigen guten Rahmen ersetzt, obwohl einige der
weniger wichtigen Parameter vom fehlerhaften Rahmen verwendet werden,
beispielsweise die kodeangesteuerten linearen Voraussageparameter
(CELPs) oder einfacher die Anregungsparameter.
-
In
einigen Verfahren des Stands der Technik wird ein Puffer (im Empfänger) verwendet,
der als Parameterhistorie bezeichnet wird, wo die letzten Sprachparameter,
die ohne einen Fehler empfangen wurden, gespeichert werden. Wenn
ein Rahmen ohne Fehler empfangen wird, wird die Parameterhistorie
aktualisiert, und die Sprachparameter, die vom Rahmen befördert werden,
werden für
die Dekodierung verwendet. Wenn ein schlechter Rahmen über einen
CRC-Prüfung
oder ein anderes Fehlerdetektionsverfahren detektiert wird, wird eine
Schlechtrahmenanzeige (BFI) auf wahr gesetzt, und es wird dann eine
Parameterverbergung begonnen (Ersetzen und Unterdrücken der
entsprechenden schlechten Rahmen); die Verfahren des Stands der
Technik für
eine Parameterverbergung verwenden eine Parameterhistorie für das Verbergen
beschädigter
Rahmen. Die US55502713 beschreibt beispielsweise die Verwendung
einer gewichteten Kombination vorher empfangener Rahmen. Wie oben
erwähnt
wurde, so können,
wenn ein empfangener Rahmen als ein schlechter Rahmen klassifiziert
ist (BFI ist auf wahr gesetzt), einige Sprachparameter vom schlechten
Rahmen verwendet werden; beispielsweise wird bei der beispielhaften
Lösung
für das
Ersetzen eines beschädigten
Rahmens eines GSM-AMR-Sprach- Kodierers-Dekodierers
(AMR = adaptive Multirate), die in der ETSI-Spezifikation 06.91 (European
Telecommunications Standards Institute) angegeben ist, der Anregungsvektor
vom Kanal immer verwendet. Wenn ein Sprachrahmen verloren geht (einschließlich der
Situation, bei dem ein Rahmen zu spät ankommt, um verwendet zu
werden, wie beispielsweise in einigen IP-basierten Übertragungssystemen),
sind offensichtlich keine Parameter vom verlorenen Rahmen, die verwendet
werden könnten,
verfügbar.
-
In
einigen Systemen des Stands der Technik werden die zuletzt empfangenen
gute Spektralparameter an die Stelle der Spektralparameter eines
schlechten Rahmens gesetzt, nachdem sie leicht hin zu einem konstanten
vorbestimmten Mittel verschoben wurden. Gemäß der GSM-Spezifikation 06.91
des ETSI erfolgt die Verbergung im LSF-Format und ist durch den
folgenden Algorithmus gegeben:
für i = 0 bis N–1: LSF_q1(i)
= a·past_LSF_q(i)
+ (1 – α)·mean_LSF(i); (Gleichung 1) LSF_q2(i) = LSF_q1(i);wobei α = 0,95 und
N die Ordnung des verwendeten linearen Voraussagefilters (LP-Filters)
ist. Die Größe LSF_q1
ist der quantisierte LSF-Vektor des zweiten Unterrahmens, und die
Größe LSF_q2
ist der quantisierte LSF-Vektor des vierten Unterrahmens. Die LSF-Vektoren
der ersten und der dritten Unterrahmen werden aus diesen zwei Vektoren
interpoliert. (Der LSF-Vektor für
den ersten Unterrahmen im Rahmen n wird aus dem LSF-Vektor des vierten
Unterrahmens im Rahmen n-1, das ist der vorherige Rahmen, interpoliert).
Die Größe past_LSF_q
ist die Größe LSF_q2
vom vorherigen Rahmen. Die Größe mean_LSF
ist ein Vektor, dessen Komponenten vorbestimmte Konstanten sind;
die Komponenten hängen
nicht von einer dekodierten Sprachsequenz ab. Die Größe mean_LSF mit
konstanten Komponenten erzeugt ein konstantes Sprachspektrum.
-
Solche
Systeme des Stands der Technik verschieben die Spektrumskoeffizienten
immer hin zu konstanten Größen, hier
als mean_LSF(i) bezeichnet. Die konstanten Größen werden durch eine Mittelwertbildung über eine
lange Zeitdauer und über
mehrere aufeinander folgende Sprecher gebildet. Solche Systeme liefern
somit nur eine Kompromisslösung
und keine Lösung,
die für
einen speziellen Sprecher oder eine Situation optimal ist; die Einschränkungen
des Kompromisses bestehen zwischen dem Belassen ermüdender Artefakte
in der synthetisierten Sprache und dem Bilden der Sprache, so dass
sie sich natürlicher
anhört
(das ist die Qualität
der synthetisierten Sprache).
-
Was
benötigt
wird, ist eine verbesserte Spektralparameterersetzung im Fall eines
beschädigten Sprachrahmens,
möglicherweise
eine Ersetzung auf der Basis der Analyse der Sprachparameterhistorie
und des fehlerhaften Rahmens. Eine geeignete Substitution fehlerhafter
Sprachrahmen hat eine signifikante Wirkung auf die Qualität der synthetisierten
Sprache, die aus dem Bitstrom erzeugt wird.
-
Die
Erfindung wird durch die Ansprüche
definiert.
-
KURZE BESCHREIBUNG
DER ZEICHNUNGEN
-
Die
obige Aufgabe und andere Aufgabe, Merkmale und Vorteile der Erfindung
werden aus der Betrachtung der nachfolgenden detaillierten Beschreibung,
die in Verbindung mit den begleitenden Zeichnungen präsentiert
wird, deutlich.
-
1 ist
ein Blockdiagramm der Komponenten eines Systems gemäß dem Stand
der Technik für
das Übertragen
oder Speichern eines Sprach- oder Audiosignals;
-
2 ist
ein Schaubild, das LSF-Koeffizienten [0 ... 4 kHz] benachbarter
Rahmen in einem Fall stationärer
Sprache darstellt, wobei die Y-Achse die Frequenz und die X-Achse
die Rahmen darstellt;
-
3 ist
ein Schaubild, das LSF-Koeffizienten [0 ... 4 kHz] benachbarter
Rahmen im Fall einer nicht stationären Sprache zeigt, wobei die
Y-Achse die Frequenz und die X-Achse die Rahmen darstellt;
-
4 ist
ein Schaubild, das einen absoluten spektralen Abweichungsfehler
im Verfahren des Stands der Technik darstellt;
-
5 ist
ein Schaubild, das den absoluten spektralen Abweichungsfehler in
der vorliegenden Erfindung darstellt (das zeigt, dass die vorliegende
Erfindung eine bessere Ersetzung der spektralen Parameter als das
Verfahren des Stands der Technik gibt), wobei der höchste Balken
im Schaubild (der den wahrscheinlichsten Rest anzeigt) ungefähr null
ist;
-
6 ist
ein schematisches Flussdiagramm, das zeigt, wie Bits gemäß einem
Stand der Technik klassifiziert werden, wenn ein schlechter Rahmen
detektiert wird;
-
7 ist
ein Flussdiagramm des Gesamtverfahrens der Erfindung; und
-
8 ist
ein Satz von zwei Schaubildern, die Aspekte der Kriterien zeigen,
die verwendet werden, um zu bestimmen, ob eine LSF eines Rahmen,
der als fehlerhaft bezeichnet ist, akzeptabel ist.
-
BESTE ART FÜR DAS AUSFÜHREN DER
ERFINDUNG
-
Gemäß der Erfindung
werden, wenn ein schlechter Rahmen durch einen Dekodierer nach der Übertragung
eines Sprachsignals durch einen Kommunikationskanal (1)
detektiert wird, die beschädigten Spektralparameter
des Sprachsignals verborgen (indem sie durch andere Spektralparameter
ersetzt werden), basierend auf der Analyse der Spektralparameter,
die jüngst
durch den Kommunikationskanal übertragen
wurden. Es ist wichtig, beschädigte
Spektralparameter eines schlechten Rahmens wirksam zu verbergen,
nicht nur da die beschädigten
Spektralparameter Artefakte verursachen können (hörbare Töne, die offensichtlich keine
Sprache sind), sondern auch weil die subjektive Qualität der nachfolgenden
fehlerfreien Sprachrahmen abnimmt (zumindest wenn eine lineare Voraussagequantisierung
verwendet wird).
-
Eine
Analyse gemäß der Erfindung
verwendet auch die lokale Natur des spektralen Einflusses der Spektralparameter,
wie Linienspektralfrequenzen (LSFs). Es wird gesagt, dass der spektrale
Einfluss (spectral impact) von LSFs örtlich dadurch festgelegt ist,
dass wenn ein LSF-Parameter durch ein Quantisierungs- und Kodierverfahren
negativ geändert
wird, sich das LP-Spektrum nur nahe der Frequenz ändern wird,
die durch den LSF-Parameter dargestellt wird, wobei der Rest des
Spektrums unverändert
bleibt.
-
DIE ERFINDUNG
IM ALLGEMEINEN ENTWEDER FÜR
EINEN VERLORENEN RAHMEN ODER EINEN BESCHÄDIGTEN RAHMEN
-
Gemäß der Erfindung
bestimmt eine Analysevorrichtung die Spektralparameterverbergung
im Falle eines schlechten Rahmens auf der Basis der Historie der
vorher empfangenen Sprachparameter. Die Analysevorrichtung bestimmt
den Typ des dekodierten Sprachsignals (das heißt, ob es stationär oder nicht
stationär ist).
Die Historie der Sprachparameter wird verwendet, um das dekodierte
Sprachsignal zu klassifizieren (als stationär oder nicht, und insbesondere
als stimmhaft oder nicht); die Historie, die verwendet wird, kann hauptsächlich aus
den jüngsten
Werte des LTP und der Spektralparameter abgeleitet werden.
-
Die
Ausdrücke "stationäres Sprachsignal" und "stimmhaftes Sprachsignal" sind praktisch synonym; eine
stimmhafte Sprachsequenz ist gewöhnlicherweise
ein relativ stationäres
Signal, während
eine stimmlose Sprachsequenz das nicht ist. Wir verwenden hier die
Terminologie "stationäre und nicht
stationäre
Sprachsignale",
da diese Terminologie präziser
ist.
-
Ein
Rahmen kann als stimmhaft oder stimmlos (und also als stationär oder nicht
stationär)
gemäß dem Verhältnis der
Leistung der adaptiven Anregung zu dem der gesamten Anregung klassifiziert
werden, wie das im Rahmen für
die Sprache, die dem Rahmen entspricht, angezeigt ist. (Ein Rahmen
enthält
Parameter gemäß denen
sowohl die adaptive als auch die gesamte Anregung konstruiert werden;
wenn dies getan ist, kann die Gesamtleistung berechnet werden).
-
Wenn
eine Sprachsequenz stationär
ist, sind die Verfahren des Stands der Technik, durch die beschädigte Spektralparameter
verborgen werden, wie das oben angeführt wurde, nicht sehr effektiv.
Das ergibt sich daraus, dass stationäre, benachbarte Spektralparameter
sich nur langsam ändern,
so dass die vorherigen guten Spektralwerte (nicht beschädigte oder
verlorene Spektralwerte) gewöhnlicherweise
gute Schätzwerte
für die
nächsten
Spektralkoeffizienten sind, und insbesondere besser sind als die
Spektralparameter vom vorherigen Rahmen, die auf den konstanten
Mittelwert verschoben wurden, die der Stand der Technik anstelle
der schlechten Spektralparameter verwenden würde (um diese zu verbergen). 2 zeigt
für ein
stationäres Sprachsignal
(und insbesondere ein stimmhaftes Sprachsignal) die Charakteristika
der LSFs als ein Beispiel von Spektralparametern; sie zeigt LSF-Koeffizienten
[0 ... 4 kHz] benachbarter Rahmen stationärer Sprache, wobei die Y-Achse
die Frequenz und die X-Achse Rahmen darstellt, die zeigt, dass sich
die LSFs für
eine stationäre
Sprache von Rahmen zu Rahmen relativ langsam ändern.
-
Während stationärer Sprachsegmente
wird eine Verbergung gemäß der Erfindung
(für entweder
verlorene oder beschädigte
Rahmen) unter Verwendung des folgenden Algorithmus ausgeführt:
für i = 0
bis N–1
(Elemente in einem Rahmen): adaptive_mean_LSF(i)
=
(past_LSF_good(i)(0) + past_LSF_good(i)(l) + ... +
past_LSF_good(i)(K – l))/K; LSF_q1(i)
= α·past_LSF_good(i)(0)
+ (1 – α)·adaptive_mean_LSF(i); (2.1) LSF_q2(i) = LSF_q1(i). wobei α ungefähr 0,95
sein kann, N die Ordnung des LP-Filters ist, und k die Adaptionslänge darstellt. LSF_q1(i)
ist der quantisierte LSF-Vektor des zweiten Unterrahmens, und LSF_q2(i)
ist der quantisierte LSF-Vektor des vierten Unterrahmens. Die LSF-Vektoren
der ersten und dritten Unterrahmen werden aus diesen zwei Vektoren
interpoliert. Die Größe past_LSF_good(i)(0)
ist gleich dem Wert der Größe LSF_q2(i – 1) vom
vorherigen guten Rahmen. Die Größe past_LSF_good(i)(n)
ist eine Komponente des Vektors der LSF-Parameter vom n + 1-ten vorherigen guten
Rahmen (das ist der gute Rahmen, der dem aktuellen schlechten Rahmen
um n + 1 Rahmen vorhergeht). Schließlich ist die Größe adaptive_mean_LSF(i)
der Mittelwert (arithmetischer Durchschnitt) der vorherigen guten
LSF-Vektoren (das heißt,
sie ist eine Komponente einer Vektorgröße, wobei jede Komponente ein
Mittelwert der entsprechenden Komponenten der vorherigen guten LSF-Vektoren darstellt).
-
Es
wurde gezeigt, dass das adaptive Mittelwertverfahren der Erfindung
die subjektive Qualität
der synthetisierten Sprache im Vergleich zum Verfahren des Stands
der Technik verbessert. Die Demonstration verwendet Simulationen,
bei denen Sprache durch einen einen Fehler verursachenden Kommunikationskanal übertragen
wird. Jedes Mal, wenn ein schlechter Rahmen detektiert wurde, wurde
der Spektralfehler berechnet. Der Spektralfehler wurde durch das
Subtrahieren des Spektrums, das für das Verbergen während des schlechten
Rahmens verwendet wurde, vom ursprünglichen Spektrum erhalten.
Der absolute Fehler wird berechnet, indem man den absoluten Wert
vom Spektralfehler nimmt. Die 4 und 5 zeigen
Histogramme des absoluten Abweichungsfehlers der LSFs für den Stand
der Technik beziehungsweise das erfinderische Verfahren. Die optimale
Fehlerverbergung weist einen Fehler nahe null auf, das heißt, wenn
der Fehler nahe null ist, so sind die Spektralparameter, die für das Verbergen
verwendet werden, sehr dicht an den ursprünglichen (beschädigten oder
verlorenen) Spektralparametern. Wie man aus den Histogrammen der 4 und 5 sehen
kann, verbirgt das Verfahren des adaptiven Mittels der Erfindung
(5) Fehler besser als das Verfahren des Stands
der Technik (4) während stationärer Sprachsequenzen.
-
Wie
oben erwähnt
wurde, so fluktuieren die Spektralkoeffizienten nicht stationärer Signale
(oder weniger genau, stimmloser Signale) zwischen benachbarten Rahmen,
wie das in 3 gezeigt ist, die ein Schaubild
ist, das LSFs benachbarter Rahmen in einem Fall einer nicht stationären Sprache
darstellt, wobei die Y-Achse die Frequenz und die X-Achse Rahmen darstellt.
In einem solchen Fall ist das optimale Verbergungsverfahren nicht
dasselbe wie im Fall eines stationären Sprachsignals. Bei nicht
stationärer
Sprache liefert die Erfindung eine Verbergung für schlechte (beschädigte oder
verlorene) nicht stationäre
Sprachsegmente gemäß dem folgenden
Algorithmus (dem nicht stationären
Algorithmus)
Für
i = 0 bis N–1: partly_adaptive_mean_LSF(i)
= β·mean_LSF(i)
+ (1 – β)·adaptive_mean_LSF(i); (2.3) LSF_q1(i)
= α·past_LSF_good(i)(0)
+ (1 – α)·partly_adaptive_mean_LSF(i); (2.2) LSF_q2(i) = LSF_q1(i);wobei N die Ordnung
des LP-Filters ist, wobei α typischerweise
ungefähr
0,90 ist, wobei LSF_q1(i) und LSF_q2(i) zwei Sätze von LSF-Vektoren für den aktuellen
Rahmen, wie in Gleichung (2.1) sind, wobei past_LSF_q(i) das LSF_q2(i)
vom vorherigen guten Rahmen ist, wobei partly_adaptive_mean_LSF(i)
eine Kombination des adaptiven Mittel-LSF-Vektors und des Durchschnitts-LSF-Vektors
ist, und wobei adaptive_mean_lsf(i) das Mittel der letzten K guten
LSF-Vektoren ist (das aktualisiert wird, wenn BFI nicht gesetzt
ist), und wobei mean_LSF(i) ein konstanter Durchschnitts-LSF ist
und während
des Konstruktionsverfahrens des Kodierer-Dekodierers, der für eine Synthetisierung
der Sprache verwendet wird, erzeugt wird es ist ein Durchschnitts-LSF
einer Sprachdatenbank. Der Parameter β beträgt typischerweise ungefähr 0,75,
ein Wert, der verwendet wird, um das Ausmaß auszudrücken, bis zu dem die Sprache
stationär
im Gegensatz zu nicht stationär
ist. (Er wird manchmal berechnet auf der Basis des Verhältnisses
einer Langzeit-Voraussage-Anregungsenergie zur festen Kodebuch-Anregungsenergie
oder präziser
unter Verwendung der Formel β = (1 + voiceFactor)/2wobei voiceFactor = (energypitch – energyinovation)/(energypitch +
energyinovation) in der energypitch die
Energie der Tonhöhenanregung
und energyinovation die Energie der Inovationskodeanregung ist.
Wenn sich das meiste der Energie in der Langzeit-Voraussagen-Anregung befindet,
so ist die Sprache, die dekodiert wird, hauptsächlich stationär. Wenn
sich das meiste der Energie in der festen Kodebuchanregung befindet,
ist die Sprache hauptsächlich
nicht stationär.)
-
Für β = 1,0 reduziert
sich Gleichung (2.3) auf Gleichung (1.0), die den Stand der Technik
darstellt. Für β = 0,0 reduziert
sich Gleichung (2.3) auf die Gleichung (2.1), die von der vorliegenden
Erfindung für
stationäre Segmente
verwendet wird. Für
komplexitätsempfindliche
Implementierungen (in Anwendungen, wo es wichtig ist, die Komplexität auf einem
vernünftigen
Niveau zu halten), kann β auf
einen Kompromisswert, beispielsweise 0,75, für stationäre und nicht stationäre Segmente
festgelegt werden. Dies ist eine Spektralparameterverbergung insbesondere
für verlorene
Rahmen.
-
Im
Fall eines verlorenen Rahmens ist nur die Information der vergangenen
Spektralparameter verfügbar.
Die substituierten Spektralparameter werden gemäß einem Kriterium auf der Basis
der Parameterhistorien von beispielsweise spektralen und LTP-Werten (Langzeitvorhersagewerten)
berechnet; LTP-Parameter umfassen LTP-Verstärkungs- und LTP-Verzögerungswerte.
Die LTP stellt die Korrelation eines aktuellen Rahmens zu einem
vorherigen Rahmen dar. Beispielsweise kann das Kriterium, das verwendet
wird, um die substituierten Spektralparameter zu berechnen, Situationen
unterscheiden, wo die letzten guten LSFs durch ein adaptives LSF-Mittel
oder, wie im Stand der Technik, durch ein konstantes Mittel modifiziert
werden sollen.
-
ADAPTIVE SPEKTRALE PARAMETERVERBERGUNG
INSBESONDERE FÜR
BESCHÄDIGTE
RAHMEN
-
Wenn
ein Sprachrahmen beschädigt
ist (im Gegensatz zu verloren), kann das Verbergungsverfahren der
Erfindung weiter optimiert werden. In einem solchen Fall können die
Spektralparameter vollständig
oder teilweise korrekt sein, wenn sie im Sprachdekodierer empfangen
werden. Beispielsweise ist in einer Verbindung auf Paketbasis (wie
bei einer normalen TCP/IP-Intenetverbindung) das Verbergungsverfahren
für beschädigte Rahmen
gewöhnlicherweise
nicht möglich,
da bei den Verbindungen des TCP/IP-Typs gewöhnlicherweise alle schlechte
Rahmen verlorene Rahmen sind, aber für andere Arten von Verbindungen,
wie beispielsweise in leitungsvermittelten GSM- oder EDGE-Verbindungen,
kann das Verbergungsverfahren für
beschädigte
Rahmen der Erfindung verwendet werden. Somit kann für paketvermittelte
Verbindungen das folgende alternative Verfahren nicht verwendet
werden, aber für
leitungsvermittelte Verbindungen kann es verwendet werden, da in
solchen Verbindungen schlechte Rahmen zumindest manchmal (und tatsächlich fast
immer) nur beschädigte
Rahmen sind.
-
Gemäß den Spezifikationen
für GSM
wird ein schlechter Rahmen detektiert, wenn ein BFI-Flag auf eine
CRC-Prüfung
oder einen anderen Fehlerdetektionsmechanismus hin, der im Kanaldekodierverfahren
verwendet wird, gesetzt ist. Fehlerdetektionsmechanismen werden
verwendet, um Fehler in den subjektiv signifikantesten Bits zu detektieren,
das heißt
in den Bits, die die größte Wirkung
auf die Qualität
der synthetisierten Sprache haben. In einigen Verfahren des Stands
der Technik werden diese signifikantesten Bits nicht verwendet,
wenn angezeigt wird, das ein Rahmen ein schlechter Rahmen ist. Es
kann jedoch sein, dass ein Rahmen nur einige wenige Bitfehler aufweist
(wobei jeder ausreicht, um das BFI-Flag zu setzen), so dass es sein könnte, dass
der gesamte Rahmen verworfen wird, obwohl die Meisten der Bits korrekt
sind. Eine CRC-Prüfung erkennt
nur, ob ein Rahmen fehlerhafte Bits aufweist, aber er ergibt keine
Schätzung
der BER (Bitfehlerrate). 6 zeigt, wie Bits gemäß dem Stand
der Technik klassifiziert werden, wenn ein schlechter Rahmen detektiert
wird. In 6 ist gezeigt, wie ein einzelner Rahmen
Bit für
Bit (von links nach rechts) an einen Dekodierer über einen Kommunikationskanal
mit solchen Bedingungen übertragen
wird, dass einige Bits des Rahmens, die bei einer CRC-Prüfung eingeschlossen
werden, beschädigt
werden, so dass die BFI auf eins gesetzt wird.
-
Wie
man aus 6 sehen kann, so verwendet der
Stand der Technik, sogar wenn ein empfangener Rahmen manchmal viele
korrekte Bits enthält
(die BER ist in einem Rahmen gewöhnlicherweise
klein, wenn die die Kanalzustände
relativ gut sind), diese nicht. Im Gegensatz dazu versucht die vorliegende
Erfindung zu schätzen,
ob die empfangenen Parameter beschädigt sind, und wenn sie dies
nicht sind, so verwendet das Verfahren der Erfindung diese.
-
Tabelle
1 zeigt die Idee hinter der Verbergung eines beschädigten Rahmens
gemäß der Erfindung
am Beispiel eines adaptiven Multiraten-(AMR)-Breitband-(WB)-Dekodierers.
-
Tabelle
1: Prozentsatz der korrekten Spektralparameter in einem beschädigten Sprachrahmen.
-
Im
Fall eines AMR-WB-Dekodierers ist der Modus 12,65 kBit/s eine gute
Wahl, wenn das Kanalträger-zu-Interferenz-Verhältnis (C/I)
im Bereich von ungefähr
9 dB bis 10 dB liegt. Aus Tabelle 1 kann man sehen, dass im Fall
von Bedingungen des GSM-Kanals mit einem C/I im Bereich von 9 bis
10 dB bei der Verwendung eines GMSK-Modulationsschemas (Frequenzumtastung
mit vorgeschaltetem Gauss-Filter), ungefähr 35–50% der empfangenen schlechten
Rahmen ein vollständig
korrektes Spektrum aufweisen. Auch ungefähr 75–85% aller Spektralparameterkoeffizienten
der schlechten Rahmen sind korrekt. Durch die lokale Natur des spektralen
Einflusses kann, wie das früher
erwähnt
wurde, Spektralparameterinformation in den schlechten Rahmen verwendet
werden. Kanalzustände
mit einem C/I im Bereich von 6–8
dB oder weniger sind so schlecht, dass der Modus 12,65 kBit/s nicht
verwendet werden sollte; stattdessen sollte ein niedrigerer Modus verwendet
werden.
-
Die
Grundidee der vorliegenden Erfindung im Fall beschädigter Rahmen
besteht darin, dass gemäß einem
Kriterium (unten beschrieben) Kanalbits von einem beschädigten Rahmen
für das
Dekodieren des beschädigten
Rahmens verwendet werden. Das Kriterium für die Spektralkoeffizienten
basiert auf den vergangenen Werten der Sprachparameter des dekodierten
Signals. Wenn ein schlechter Rahmen detektiert wird, so werden die
empfangenen LSFs oder andere Spektralparameter, die über den
Kanal übertragen
wurden, verwendet, wenn das Kriterium erfüllt wird; mit anderen Worten,
wenn die empfangenen LSFs das Kriterium erfüllen, so werden sie beim Dekodieren
gerade so verwendet, wie das der Fall sein würde, wenn der Rahmen kein schlechter
Rahmen sein würde.
Ansonsten wird, das heißt
wenn die LSFs vom Kanal das Kriterium nicht erfüllen, das Spektrum für einen
schlechten Rahmen gemäß dem oben
beschriebenen Verbergungsverfahren unter Verwendung der Gleichungen
(2.1) oder (2.2) berechnet. Das Kriterium für das Akzeptieren der Spektralparameter
kann beispielsweise unter Verwendung einer spektralen Distanzberechnung,
wie einer Berechnung einer sogenannten Itakura-Saito-Spektraldistanz,
implementiert werden. (Siehe beispielsweise Seite 329 von "Discrete-Time Processing
of Speech Signals" von
John R. Deller Jr., John H.L. Hansen und Johne G. Proakis, veröffentlicht
von der IEEE-Presse, 2000).
-
Das
Kriterium für
das Akzeptieren der Spektralparameter vom Kanal sollte im Falle
eines stationären Sprachsignals
sehr streng sein. Wie in 3 gezeigt ist, sind die Spektralkoeffizienten
während
einer stationären
Sequenz sehr stabil (per Definition), so dass beschädigte LSFs
(oder andere Sprachparameter) eines stationären Sprachsignals gewöhnlicherweise
leicht detektiert werden können
(da sie von nicht beschädigten LSFs
auf der Basis, dass sie sich sehr stark von den LSFs nicht beschädigter benachbarter
Rahmen unterscheiden würden,
unterscheidbar sein würden).
Andererseits müssen
für ein
nicht stationäres
Sprachsignal die Kriterien nicht so streng sein; das Spektrum für ein nicht
stationäres
Sprachsignal darf eine größere Variation aufweisen.
Für ein
nicht stationäres
Sprachsignal (das ist eine mehr oder weniger stimmlose Sprache)
ist die Exaktheit der korrekten Spektralparameter in Bezug auf hörbare Artefakte
nicht streng, da keine hörbaren
Artefakte wahrscheinlich sind, unabhängig davon, ob die Sprachparameter
korrekt sind oder nicht. Mit anderen Worten, sogar wenn Bits der
Spektralparameter beschädigt
sind, können
sie gemäß dem Kriterium
dennoch akzeptabel sein, da ein Spektralparameter für nicht
stationäre
Sprache mit einigen beschädigten
Bits gewöhnlicherweise
keine hörbaren
Artefakte erzeugen wird. Gemäß der Erfindung
soll im Falle beschädigter
Rahmen die subjektive Qualität
der synthetisierten Sprache so wenig wie möglich vermindert werden, indem
alle verfügbare
Information über
die empfangenen LSFs verwendet wird, und durch das Auswählen, welche
LSFs gemäß den Eigenschaften
der beförderten
Sprache zu verwenden sind.
-
Somit
umfasst, obwohl die Erfindung ein Verfahren für das Verbergen beschädigter Rahmen
einschließt,
sie auch als eine Alternative die Verwendung eines Kriteriums im
Falle eines beschädigten
Rahmens, der nicht stationäre
Sprache befördert,
das, wenn es erfüllt
wird, den Dekodierer veranlassen wird, den beschädigten Rahmen so zu verwenden,
wie er ist; mit anderen Worten, der Rahmen wird verwendet, obwohl
die BFI gesetzt ist. Das Kriterium ist im wesentlichen ein Schwellwert,
der verwendet wird, um zwischen einem beschädigten Rahmen, der benutzbar
ist, und einen, der es nicht ist, zu unterscheiden; der Schwellwert
basiert darauf, wie stark sich die Spektralparameter des beschädigten Rahmens
von den Spektralparametern der jüngst
empfangenen guten Rahmen unterscheiden.
-
Die
Verwendung von möglicherweise
beschädigten
Spektralparametern ist gegenüber
hörbaren
Artefakten wahrscheinlich empfindlicher als die Verwendung anderer
beschädigter
Parameter, wie beschädigter LTP-Verzögerungswerte.
Aus diesem Grund sollte das Kriterium, das verwendet wird, um zu
bestimmen, ob ein möglicherweise
beschädigter
Spektralparameter zu verwenden ist oder nicht, sehr zuverlässig sein.
In einigen Ausführungsformen
ist es vorteilhaft, als das Kriterium eine maximale Spektraldistanz
(von einem entsprechenden Spektralparameter in einem vorherigen
Rahmen, über
die hinaus der verdächtige
Spektralparameter nicht verwendet werden soll) zu verwenden; in
einer solchen Ausführungsform
könnte
die wohl bekannte Itakura-Saito-Distanzberechnung verwendet werden,
um die Spektraldistanz, die mit dem Schwellwert zu vergleichen ist,
zu quantifizieren. Alternativ könnten
feste oder adaptive Statistiken von Spektralparametern für die Bestimmung
verwendet werden, ob möglicherweise
beschädigte
Spektralparameter verwendet werden sollen oder nicht. Es können auch
andere Sprachparameter, wie Verstärkungsparameter, für das Erzeugen
des Kriteriums verwendet werden. (Wenn sich die andere Sprachparameter
im Vergleich zu den Werten im jüngst empfangenen
guten Rahmen im aktuellen Rahmen nicht drastisch unterscheiden,
dann können
die Spektralparameter wahrscheinlich verwendet werden, vorausgesetzt,
dass die empfangenen Spektralparameter auch das Kriterium erfüllen. Mit
anderen Worten, andere Parameter, wie eine LTP-Verstärkung, können als
zusätzliche
Komponente verwendet werden, um passende Kriterien aufzustellen,
um zu bestimmen, ob die empfangenen Spektralparameter verwendet
werden sollen oder nicht. Die Historie der anderen Sprachparameter kann
für eine
verbesserte Erkennung der Spracheigenschaft verwendet werden. Beispielsweise
kann die Historie verwendet werden, um zu entscheiden, ob die dekodierte
Sprachsequenz eine stationäre
oder eine nicht stationäre
Eigenschaft hat. Wenn die Eigenschaften der dekodierten Sprachsequenz
bekannt sind, ist es leichter, mögliche
korrekte Spektralparameter aus dem beschädigten Rahmen zu detektieren,
und es ist leichter, abzuschätzen,
welche Art von Spektralparameterwerten in einem empfangenen beschädigten Rahmen
vermutlich befördert
werden).
-
Gemäß der Erfindung
in der bevorzugten Ausführungsform
und nun unter Bezug auf 8 basiert das Kriterium für die Bestimmung,
ob ein Spektralparameter für
einen beschädigten
Rahmen verwendet werden soll oder nicht, auf der Idee einer Spektraldistanz,
wie das oben erwähnt
wurde. Um zu bestimmen, ob das Kriterium für das Akzeptieren der LSF-Koeffizienten
eines beschädigten
Rahmens erfüllt
wird, führt
ein Prozessor des Empfängers
einen Algorithmus aus, der prüft,
wie stark sich die LSF-Koeffizienten im Vergleich zu den LSF-Koeffizienten des
letzten guten Rahmens, die in einem LSF-Puffer zusammen mit den LSF-Koeffizienten
einer vorbestimmten Anzahl früherer,
jüngster
Rahmen gespeichert sind, entlang der Frequenzachse bewegt haben.
-
Das
Kriterium gemäß der bevorzugten
Ausführungsform
umfasst das Vornehmen von einem oder mehreren von vier Vergleichen:
ein
Vergleich zwischen den Rahmen, ein Vergleich innerhalb des Rahmens,
ein Zweipunktvergleich und ein Einpunktvergleich.
-
Im
ersten Vergleich, dem Vergleich zwischen den Rahmen, werden die
Differenzen zwischen LSF-Vektorelementen in benachbarten Rahmen
des beschädigten
Rahmens mit den entsprechenden Differenzen vorheriger Rahmen verglichen.
Die Differenzen werden folgendermaßen bestimmt: dn(i) = |Ln-1(i) – Ln(i)|, 1 ≤ i ≤ P – 1, wobei
P die Anzahl der Spektralkoeffizienten für einen Rahmen ist, Ln(i) das i-te LSF-Element eines beschädigten Rahmens
ist, und Ln-1(i) das i-te LSF-Element des
Rahmens vor dem beschädigten
Rahmen ist. Das LSF-Element Ln(i) des beschädigten Rahmens
wird verworfen, wenn die Differenz dn(i)
verglichen mit dn-1)i), dn-2(i),
..., dn-k(i) zu hoch ist, wobei k die Länge des
LSF-Puffers ist.
-
Der
zweite Vergleich, der Vergleich innerhalb des Rahmens, ist ein Vergleich
der Differenz zwischen benachbarten LSF-Vektorelementen im selben Rahmen. Die
Distanz zwischen dem Kandidaten i-tes LSF-Element, Ln(i)
des n-ten Rahmens und dem (i-1)-ten LSF-Element Ln-1(i)
des n-ten Rahmens wird folgendermaßen bestimmt: en(i) = Ln(i – 1) – Ln(i), 2 ≤ i ≤ P – 1wobei
P die Anzahl der Spektralkoeffizienten ist, und en(i)
die Distanz zwischen LSF-Elementen ist. Distanzen werden zwischen
allen LSF-Vektorelementen des Rahmens berechnet. Eines oder das
andere oder beide der LSF-Elemente Ln(i)
und Ln(i – 1) werden verworfen, wenn
die Differenz en(i) im Vergleich zu en-1(i), en-2(i),
..., en-k(i) zu groß oder zu klein ist.
-
Der
dritte Vergleich, der Zweipunktvergleich, bestimmt ob eine Überkreuzung
aufgetreten ist, die das Kandidaten-LSF-Element Ln(i)
betrifft, das heißt,
ob ein Element Ln(i – 1), das eine geringe Ordnung
als das Kandidatenelement aufweist, einen größeren Wert als das Kandidaten-LSF-Element
Ln(i) aufweist. Eine Überkreuzung zeigt einen oder
mehrere stark beschädigte
LSF-Werte an. Alle sich kreuzenden LSF-Elemente werden gewöhnlicherweise
verworfen.
-
Der
vierte Vergleich, der Einpunktvergleich, vergleicht den Wert des
Kandidaten-LSF-Vektorelements Ln(i) mit
einem Minimum-LSF-Element Lmin(i) und mit
einem Maximum-LSF-Element Lmax(i), wobei
beide aus dem LSF-Puffer berechnet werden, und verwirft das Kandidaten-LSF-Element,
wenn es außerhalb
des Bereichs liegt, der durch die Minimum- und Maximum-LSF-Elemente eingeschlossen
wird.
-
Wenn
ein LSF-Element eines beschädigten
Rahmens verworfen wird (basierend auf dem obigen Kriterium oder
anderswie), dann wird ein neuer Wert für das LSF-Element gemäß dem Algorithmus
unter Verwendung von Gleichung (2.2) berechnet.
-
Wenn
man nun die 7 betrachtet, so ist dort ein
Flussdiagramm des Gesamtverfahrens der Erfindung gezeigt, das die
verschiedenen Vorkehrungen für
stationäre
und nicht stationäre
Sprachrahmen und für beschädigte im
Gegensatz zu verlorenen nicht stationären Sprachrahmen zeigt.
-
DISKUSSION
-
Die
Erfindung kann in einem Sprachdekodierer entweder in einer Mobilstation
oder einem mobilen Netzelement angewandt werden. Sie kann auch auf
jeden Sprachdekodierer, der in einem System verwendet wird, das
einen fehlerbehafteten Übertragungskanal
aufweist, angewandt werden.
-
UMFANG DER
ERFINDUNG
-
Es
sollte verständlich
sein, dass die oben beschriebenen Anordnungen nur die Prinzipien
der vorliegenden Erfindung zeigen. Es sollte insbesondere verständlich sein,
dass obwohl die Erfindung unter Verwendung von Linienspektrumpaaren
für eine
konkrete Darstellung gezeigt und beschrieben wurde, die Erfindung auch
die Verwendung anderer, äquivalenter
Parameter, wie Immitanz-Spektral-Paare umfasst. Verschiedene Modifikationen
und alternative Anordnungen können
von Fachleuten ins Auge gefasst werden, ohne vom Umfang der vorliegenden
Erfindung abzuweichen, und die angefügten Ansprüche sollen solche Modifikationen und
Anordnungen abdecken.
