ES2269112T3 - Codificador de voz multimodal en bucle cerrado de dominio mixto. - Google Patents

Abstract

Procedimiento para procesar tramas, que comprende las etapas siguientes: aplicar un procedimiento de selección de modalidad de codificación en bucle abierto a cada trama de entrada consecutiva para seleccionar una modalidad de codificación en el dominio del tiempo o una modalidad de codificación en el dominio de la frecuencia, basándose en el contenido de voz de la trama de entrada; codificar en el dominio de la frecuencia (416) la trama de entrada si el contenido de voz de la trama de entrada indica voz sonora de estado estacionario; codificar en el dominio del tiempo (414) la trama de entrada si el contenido de voz de la trama de entrada indica cualquier tipo de voz que no es voz sonora de estado estacionario; comparar (420) la trama codificada en el dominio de la frecuencia con la trama de entrada para obtener una medida del rendimiento; y codificar en el dominio del tiempo (414) la trama de entrada si la medida del rendimiento está por debajo de un valor umbral predefinido.

Description

Codificador de voz multimodal en bucle cerrado de dominio mixto.

Antecedentes de la invención I. Campo de la invención

La presente invención se refiere en general al campo del procesamiento de voz y, más particularmente, a un procedimiento y un aparato para realizar la codificación de voz en bucle cerrado, multimodal y de dominio mixto.

II. Antecedentes

La transmisión de voz mediante técnicas digitales ha adquirido una gran difusión, particularmente, en las aplicaciones telefónicas de radio digitales y de larga distancia. A su vez, esto ha generado un interés por la determinación de la cantidad mínima de información que puede enviarse a través de un canal mientras se mantiene la calidad percibida de la voz reconstruida. Si la transmisión de voz se realiza simplemente muestreando y digitalizando, se requiere una velocidad de transmisión de datos del orden de sesenta y cuatro kilobits por segundo (kb/s) para obtener la calidad de voz de un teléfono analógico convencional. No obstante, a través de la utilización del análisis de la voz, seguido de la codificación, transmisión y resíntesis adecuada en el receptor, es posible reducir de forma significativa la velocidad de transmisión de los datos.

Los dispositivos que emplean técnicas para comprimir la voz extrayendo parámetros relacionados con un modelo de generación de voz humana se denominan codificadores de voz. Un codificador de voz divide la señal de voz de entrada en bloques de tiempo o tramas de análisis. Los codificadores de voz habitualmente comprenden un codificador y un decodificador. El codificador analiza la trama de voz de entrada para extraer ciertos parámetros relevantes y, a continuación, cuantifica los parámetros en una representación binaria, es decir, como un conjunto de bits o un paquete de datos binarios. Los paquetes de datos se transmiten a través del canal de comunicación a un receptor y un decodificador. El decodificador procesa los paquetes de datos, los decuantifica para obtener los parámetros y resintetiza las tramas de voz utilizando los parámetros decuantificados.

La función del codificador de voz consiste en comprimir la señal de voz digitalizada en una señal de baja velocidad binaria eliminando todas las redundancias naturales inherentes al habla. La compresión digital se realiza representando la trama de voz de entrada con un conjunto de parámetros y empleando la cuantificación para representar los parámetros con un conjunto de bits. Si la trama de voz de entrada presenta un número de bits N y el paquete de datos generado por el codificador de voz presenta un número de bits N_{o}, el factor de compresión aplicado por el codificador de voz es C_{r} = N_{r}/N_{o}. El objetivo pretendido es conservar una alta calidad de la voz decodificada y alcanzar, al mismo tiempo, el factor de compresión deseado. El rendimiento de un codificador de voz depende de (1) la idoneidad del modelo de voz o de la combinación del proceso de análisis y síntesis descrito anteriormente y (2) la idoneidad del procedimiento de cuantificación de los parámetros a la velocidad binaria deseada de N_{o} bits por trama. El objetivo del modelo de voz es, por lo tanto, captar la esencia de la señal de voz, o la calidad de la voz deseada, con un conjunto reducido de parámetros para cada trama.

Los codificadores de voz pueden implementarse como codificadores del dominio el tiempo, cuyo objetivo es captar la forma de onda de la voz en el dominio del tiempo, empleando un procesamiento de alta resolución temporal para codificar un pequeño segmento de voz (habitualmente, una subtrama de 5 milisegundos (ms)) cada vez. Para cada subtrama, se obtiene un representante de alta precisión de un espacio de libro de código por medio de diversos algoritmos de búsqueda conocidos dentro de la técnica. Como alternativa, los codificadores de voz pueden implementarse como codificadores del dominio de la frecuencia, cuyo objetivo es captar el espectro de voz a corto plazo de la trama de voz de entrada con un conjunto de parámetros (análisis) y emplear un correspondiente procedimiento de síntesis para recrear la forma de onda de la voz a partir de los parámetros espectrales. El cuantificador de parámetros mantiene los parámetros utilizando unas representaciones almacenadas de vectores de código según unas técnicas conocidas descritas en la publicación de A. Gersho y R.M. Gray,Vector Quantization and Signal Compression (1992).

Un codificador de voz del dominio del tiempo muy conocido es el codificador predictivo lineal excitado por código (CELP) descrito en la publicación de L.B. Rabiner y R.W. Schafer, Digital Processing of Speech Signals, 396-453 (1978), incorporado por completo en la presente memoria a título de referencia. En un codificador CELP, las correlaciones a corto plazo, o redundancias, de la señal de voz se eliminan mediante un análisis de predicción lineal (LP), que halla los coeficientes de un filtro de formantes a corto plazo. Cuando se aplica el filtro de predicción a corto plazo a la trama de voz de entrada, se genera una señal de residuo LP, que además se modeliza y cuantifica con los parámetros de un filtro de predicción a largo plazo y un subsiguiente libro de código estocástico. Por lo tanto, la codificación CELP divide la tarea de codificar la forma de onda de voz en el dominio del tiempo en las tareas separadas de codificar los coeficientes del filtro LP a corto plazo y codificar el residuo LP. La codificación en el dominio del tiempo puede realizarse a una velocidad fija (utilizando el mismo número de bits, N_{o}, para cada trama) o a una velocidad variable (utilizándose velocidades binarias diferentes para los diferentes tipos de contenidos de las tramas). Los codificadores de velocidad variable tratan de utilizar sólo la cantidad de bits necesarios para codificar los parámetros del códec hasta un nivel adecuado para obtener la calidad deseada. Se describe un ejemplo de codificador CELP de velocidad variable en la patente US n.º 5.414.796, cedida al cesionario de la presente invención.

Los codificadores del dominio del tiempo, tales como los codificadores CELP, suelen basarse en un gran número de bits, N_{o}, por trama para mantener la precisión de la forma de onda de voz en el dominio del tiempo. Dichos codificadores habitualmente proporcionan una excelente calidad de la voz siempre que el número de bits, N_{o}, por trama sea relativamente elevado (p.ej., 8 kb/s o más). No obstante, a bajas velocidades binarias (4 kb/s e inferiores), los codificadores del dominio del tiempo no consiguen conservar un rendimiento consistente de alta calidad, debido al número limitado de bits disponibles. A bajas velocidades binarias, el limitado espacio de libro de código recorta la capacidad para hacer concordar las formas de onda de los codificadores del dominio del tiempo convencionales, que se emplean de forma muy satisfactoria en las aplicaciones comerciales de alta velocidad.

Actualmente, existe un interés renovado y unas grandes demandas comerciales que impulsan la investigación y el diseño de codificadores de voz de alta calidad que funcionen a velocidades binarias intermedias y bajas (es decir, en el rango de 2,4 a 4 kb/s y por debajo de éste). Las áreas de aplicación incluyen la telefonía inalámbrica, las comunicaciones por satélite, la telefonía por Internet, diversas aplicaciones multimedia y de reproducción de voz en tiempo real, el sistema de buzón de voz y otros sistemas de almacenamiento de voz. Estos propósitos vienen estimulados por la necesidad de disponer de una alta capacidad y un rendimiento sólido en situaciones de pérdida de paquetes. Los diversos esfuerzos recientes destinados a la normalización de la codificación constituyen otro estímulo directo que impulsa la investigación y el desarrollo de algoritmos de codificación de voz a baja velocidad. Un codificador de voz de baja velocidad crea más canales, o usuarios, por ancho de banda de aplicación permitido, y un codificador de voz de baja velocidad acoplado a una capa adicional de codificación de canales adecuada puede encajar en el cálculo de bits global de las especificaciones del codificador y proporcionar un rendimiento sólido en condiciones de errores en los canales.

Para codificar a bajas velocidades binarias, se han diseñado diversos procedimientos de codificación de la voz en el dominio espectral, o en el dominio de la frecuencia, en los que la señal de voz se analiza como una evolución del espectro variable en el tiempo (véase, por ejemplo, el documento de R.J. McAulay y T.F. Quatieri, Sinusoidal Coding, en la publicación Speech Coding and Synthesis, cap. 4 (W.B. Kleijn y K.K. Paliwal eds., 1995). En los codificadores espectrales, el objetivo es modelizar, o predecir, el espectro de voz a corto plazo de cada trama de voz de entrada con un conjunto de parámetros espectrales, en lugar de imitar con precisión la forma de onda de voz variable en el tiempo. A continuación, se codifican los parámetros espectrales y se crea una trama de voz de salida con los parámetros decodificados. La voz sintetizada resultante no coincide con la forma de onda de voz de entrada original, pero ofrece una calidad percibida similar. Entre los ejemplos de codificadores del dominio de la frecuencia muy conocidos dentro de la técnica, cabe citar los codificadores de excitación multibanda (MBE), los codificadores de transformación sinusoidal (STC) y los codificadores de armónicos (HC). Dichos codificadores del dominio de la frecuencia ofrecen un modelo paramétrico de alta calidad que presenta un conjunto compacto de parámetros que pueden cuantificarse de forma precisa con el bajo número de bits disponibles a bajas velocidades binarias.

Sin embargo, la codificación a baja velocidad binaria impone como restricción crítica una limitada resolución de codificación, o un espacio de libro de código limitado, imposición que a su vez limita la eficacia de los mecanismos de codificación individuales e impide que el codificador pueda representar con la misma precisión diversos tipos de segmentos de voz bajo condiciones de fondo diferentes. Por ejemplo, los codificadores de baja velocidad binaria del dominio de la frecuencia convencionales no transmiten información de fase para las tramas de voz, sino que la información de fase se reconstruye utilizando un valor de fase inicial aleatorio generado artificialmente y unas técnicas de interpolación lineal (véase, por ejemplo, el documento de H. Yang et al., Quadratic Phase Interpolation for Voice Speech Synthesis in the MBE Model, en la publicación 29 Electronic Letters, 856-57 (mayo de 1993). Debido a que la información de fase se genera artificialmente, aunque las amplitudes de las sinusoides se conserven perfectamente mediante el procedimiento de cuantificación-decuantificación, la voz de salida generada por el codificador del dominio de la frecuencia no estará alineada con la voz de entrada original (es decir, los impulsos principales no estarán sincronizados). Por lo tanto, aplicar cualquier medida del rendimiento en bucle cerrado, tal como, por ejemplo, la relación señal-ruido (SNR) o la SNR perceptiva, a los codificadores del dominio de la frecuencia resulta ser una tarea difícil.

Las técnicas de codificación multimodal se han empleado para realizar la codificación de voz a baja velocidad en conjunción con un procedimiento de decisión de modalidad en bucle abierto. Una de dichas técnicas de codificación multimodal es la descrita en el documento de Amitava Das et al., Multimode and Variable-Rate Coding of Speech, en la publicación Speech Coding and Synthesis, cap. 7 (W.B. Kleijn y K.K. Paliwal eds., 1995). Los codificadores multimodales convencionales aplican diferentes modalidades, o algoritmos de codificación-decodificación, a diferentes tipos de tramas de voz de entrada. Cada modalidad, o procedimiento de codificación-decodificación, se personaliza para representar un cierto tipo de segmento de voz, tal como un segmento de voz sonora, voz sorda o ruido de fondo (no voz), de la manera más eficaz. Un mecanismo de decisión de modalidad en bucle abierto externo examina la trama de voz de entrada y decide qué modalidad va a aplicarse a la trama. La decisión de modalidad en bucle abierto se suele realizar extrayendo un grupo de parámetros de la trama de entrada, evaluando los parámetros con respecto a ciertas características temporales y espectrales y basando la decisión de modalidad en la evaluación. La decisión de modalidad se realiza, pues, sin conocer de antemano el estado exacto de la voz de salida, es decir, sin saber qué grado de similitud presenta la voz de salida con la voz de entrada en términos de calidad de voz u otras medidas del rendimiento.

Según lo anterior, será deseable proporcionar un codificador de baja velocidad binaria del dominio de la frecuencia que obtenga información de fase más precisa. También será ventajoso proporcionar un codificador multimodal y de dominio mixto para realizar la codificación en el dominio del tiempo de ciertas tramas de voz y la codificación en el dominio de la frecuencia de otras tramas de voz, basándose en el contenido de voz de las tramas. Asimismo, será deseable proporcionar un codificador de dominio mixto que pueda realizar la codificación en el dominio del tiempo de ciertas tramas de voz y la codificación en el dominio de la frecuencia de otras tramas de voz, según un mecanismo de decisión de modalidad de codificación en bucle cerrado. Por lo tanto, se plantea la necesidad de disponer de un codificador de voz en bucle cerrado, multimodal y de dominio mixto que asegure la sincronización temporal entre la voz de salida generada por el codificador y la voz original introducida en el codificador.

La atención se centrará ahora en el documento de DAS A. et al. "Multimode variable speech coding: An efficient paradigma for high-quality-low-rate representation of speech signal", IEE International Conference on Acoustics, Speech, and Signal processing (ICASSP), 15 de mayo de 1999, páginas 2307-2310, XP002132367 IEE, Nueva York, USA, ISBN: 0-7803-5042-1. El documento trata sobre la codificación de voz multimodal y velocidad binaria variable aplicando un sistema de codificación basado en la predicción lineal. Como se menciona en el documento, el rendimiento de un códec de velocidad binaria variable se incrementa proporcionando un mecanismo de decisión de modalidad en bucle cerrado, en el que se utiliza una medida de error para decidir si la modalidad de velocidad baja seleccionada ha proporcionado o no una buena calidad de voz y, en caso de que el rendimiento no sea satisfactorio, aplicar una modalidad de velocidad superior.

La atención se centra asimismo en el documento WO 99/10719, que da a conocer un procedimiento para la codificación híbrida de la voz a 4 kb/s. La señal de voz se clasifica en voz sonora de estado estacionario, voz sorda estacionaria y voz transitoria. Se utiliza un tipo particular de sistema de codificación para cada clase. La codificación de armónicos se utiliza para la voz sonora de estado estacionario, la codificación "tipo ruido" se utiliza para la voz sorda estacionaria y, para la voz de transición, se utiliza una modalidad de codificación especial operativa para captar la ubicación, la estructura y la intensidad de los eventos temporales locales que caracterizan las partes de transición de la voz. Los sistemas de compresión pueden aplicarse a la señal de voz o a la señal de residuo LP.

Según la presente invención, se proporciona un procedimiento para procesar tramas según la reivindicación 1, y un procesador de voz multimodales y de dominio mixto según la reivindicación 9. Las formas de realización de la presente invención se reivindican en las reivindicaciones subordinadas.

Sumario de la invención

La presente invención se refiere a un codificador de voz en bucle cerrado, multimodal y de dominio mixto que asegura la sincronía temporal entre la voz de salida generada por el codificador y la voz original introducida en el codificador. En consecuencia, en un aspecto de la presente invención, un procesador de voz multimodal y de dominio mixto incluye ventajosamente un codificador que presenta, por lo menos, una modalidad de codificación en el dominio del tiempo y, por lo menos, una modalidad de codificación en el dominio de la frecuencia; y un dispositivo de selección de modalidad en bucle cerrado acoplado al codificador y configurado para seleccionar una modalidad de codificación para el codificador, basándose en el contenido de las tramas procesadas por el procesador de voz.

En otro aspecto de la presente invención, el procedimiento para procesar las tramas incluye ventajosamente las etapas de: aplicación de un procedimiento de selección de modalidad de codificación en bucle abierto a cada trama de entrada consecutiva para seleccionar una modalidad de codificación en el dominio del tiempo o una modalidad de codificación en el dominio de la frecuencia, basándose en el contenido de voz de la trama de entrada; codificación en el dominio de la frecuencia de la trama de entrada si el contenido de voz de la trama de entrada indica voz sonora de estado estacionario; codificación en el dominio del tiempo de la trama de entrada si el contenido de voz de la trama de entrada indica cualquier tipo de voz que no es voz sonora de estado estacionario; comparación de la trama codificada en el dominio de la frecuencia con la trama de entrada para obtener una medida del rendimiento y codificación en el dominio del tiempo de la trama de entrada si la medida del rendimiento está por debajo de un valor umbral predefinido.

En otro aspecto de la presente invención, el procesador de voz multimodal y de dominio mixto incluye ventajosamente unos medios para codificar en el dominio de la frecuencia la trama de entrada si el contenido de voz de la trama de entrada indica voz sonora de estado estacionario; unos medios para codificar en el dominio del tiempo la trama de entrada si el contenido de voz de la trama de entrada indica cualquier tipo de voz que no es voz sonora de estado estacionario; unos medios para comparar la trama codificada en el dominio de la frecuencia con la trama de entrada y obtener una medida del rendimiento y unos medios para codificar en el dominio del tiempo la trama de entrada si la medida del rendimiento está por debajo de un valor umbral predefinido.

Breve descripción de los dibujos

La Figura 1 es un diagrama de bloques de un canal de comunicación terminado en ambos extremos por un codificador de voz.

La Figura 2 es un diagrama de bloques de un codificador que puede ser utilizado en un codificador de voz de predicción lineal multimodal y de dominio mixto (MDLP).

La Figura 3 es un diagrama de bloques de un decodificador que puede utilizarse en un codificador de voz MDLP multimodal.

\newpage

La Figura 4 es un diagrama de flujo que ilustra las etapas de codificación MDLP realizadas por un codificador MDLP que puede utilizarse en el codificador de la Figura 2.

La Figura 5 es un diagrama de flujo que ilustra un procedimiento de decisión de codificación de voz.

La Figura 6 es un diagrama de bloques de un codificador de voz MDLP en bucle cerrado y multimodal.

La Figura 7 es un diagrama de bloques de un codificador espectral que puede utilizarse en el codificador de la Figura 6 o el codificador de la Figura 2.

La Figura 8 es un gráfico amplitud-frecuencia, que ilustra las amplitudes de las sinusoides en un codificador de armónicos.

La Figura 9 es un diagrama de flujo que ilustra el procedimiento de decisión de modalidad de un codificador de voz MDLP multimodal.

La Figura 10A es un gráfico amplitud de señal de voz-tiempo, y la Figura 10B es un gráfico amplitud de residuo de predicción lineal (LP)-tiempo.

La Figura 11A es un gráfico velocidad/modalidad-índice de trama según una decisión de codificación en bucle cerrado, la Figura 11B es un gráfico relación señal/ruido perceptiva (PSNR)-índice de trama según una decisión en bucle cerrado y la Figura 11C es un gráfico velocidad/modalidad y PSNR-índice de trama en ausencia de una decisión de codificación en bucle cerrado.

Descripción detallada de las formas de realización preferidas

En la Figura 1, un primer codificador 10 recibe muestras de voz digitalizadas s(n) y las codifica para su transmisión en unos medios de transmisión 12, o un canal de comunicación 12, a un primer decodificador 14. El decodificador 14 decodifica las muestras de voz codificadas y sintetiza una señal de voz de salida s_{SYNTH}(n). Para la transmisión en la dirección opuesta, un segundo codificador 16 codifica las muestras de voz digitalizadas s(n), que se transmiten en un canal de comunicación 18. Un segundo decodificador 20 recibe y decodifica las muestras de voz codificadas, generando una señal de voz sintetizada de salida s_{SYNTH}(n).

Las muestras de voz s(n) representan señales de voz que han sido digitalizadas y cuantificadas según cualquiera de los diversos procedimientos conocidos dentro de la técnica, que incluyen, por ejemplo, la modulación por impulsos codificados (PCM), la compansión de ley \mu o la compansión de ley A. Como se sabe dentro de la técnica, las muestras de voz s(n) se distribuyen en tramas de datos de entrada, que comprenden un número predeterminado de muestras de voz digitalizadas s(n). En un ejemplo de forma de realización, se emplea una frecuencia de muestreo de 8 KHz, y cada trama de 20 ms comprende 160 muestras. En las formas de realización descritas más adelante, la velocidad de transmisión de los datos puede hacerse variar ventajosamente de trama en trama para pasar de 8 kb/s (velocidad completa) a 4 kb/s (media velocidad), a 2 kb/s (cuarto de velocidad) o a 1 kb/s (octavo de velocidad). Como alternativa, es posible utilizar otras velocidades de transmisión de datos. Los términos "velocidad completa" o "alta velocidad" empleados en la presente memoria se refieren en general a velocidades de transmisión de datos que son mayores o iguales a 8 kb/s, y los términos "media velocidad" o "baja velocidad" se refieren en general a velocidades de transmisión de datos que son menores o iguales a 4 kb/s. La variación de la velocidad de transmisión de los datos resulta ventajosa, porque permite emplear selectivamente las velocidades binarias inferiores para las tramas que contienen una cantidad relativamente inferior de información de voz. Como apreciarán los expertos en la materia, es posible utilizar otras frecuencias de muestreo, tamaños de trama y velocidades de transmisión de datos.

El primer codificador 10 y el segundo decodificador 20 constituyen conjuntamente un primer codificador de voz, o códec de voz. Análogamente, el segundo codificador 16 y el primer decodificador 14 constituyen conjuntamente un segundo codificador de voz. Los expertos en la materia deberán tener en cuenta que los codificadores de voz pueden implementarse con un procesador de señales digitales (DSP), un circuito integrado de aplicación específica (ASIC), una lógica de compuerta discreta, firmware o cualquier módulo de software y microprocesador programable convencional. El módulo de software puede residir en una memoria RAM, una memoria flash, unos registros o cualquier otra forma de medios de almacenamiento registrables conocidos en la técnica. Como alternativa, se puede sustituir el microprocesador por cualquier procesador, controlador o máquina de estados convencional. Se describen ejemplos de ASIC especialmente diseñados para la codificación de voz en la patente US n.º 5.727.123, cedida al cesionario de la presente invención, y en la solicitud de patente US de n.º de serie 08/197.417, titulada VOCODER ASIC, presentada el 16 de febrero de 1994 y cedida al cesionario de la presente invención.

Según una forma de realización ilustrada en la Figura 2, el codificador de predicción lineal multimodal y de dominio mixto (MDLP) 100 que puede utilizarse en un codificador de voz incluye un módulo de decisión de modalidad 102, un módulo de estimación de la altura 104, un módulo de análisis de predicción lineal (LP) 106, un filtro de análisis LP 108, un módulo de cuantificación LP 110 y un codificador de residuo MDLP 112. Las tramas de voz de entrada s(n) se proporcionan al módulo de decisión de modalidad 102, el módulo de estimación de altura 104, el módulo de análisis LP 106 y el filtro de análisis LP 108. El módulo de decisión de modalidad 102 genera un índice de modalidad I_{M} y una modalidad M basados en la periodicidad, y otros parámetros calculados tales como la energía, la inclinación espectral, la frecuencia de cruce por cero, etc. de cada trama de voz de entrada s(n). Se describen diversos procedimientos para clasificar las tramas de voz según la periodicidad en la solicitud de patente US de n.º de serie 08/815.354, titulada METHOD AND APPARATUS FOR PERFORMING REDUCED RATE VARIABLE RATE VOCODING, presentada el 11 de marzo de 1997, cedida al cesionario de la presente invención. Dichos procedimientos están incorporados también en las normas provisionales de Telecommunication Industry Association - Electronic Industries Alliance TIA/EIA IS-127 y TIA/EIA IS-733.

El módulo de estimación de altura 104 genera un índice de altura I_{P} y un valor de desfase P_{0} basados en cada trama de voz de entrada s(n). El módulo de análisis LP 106 realiza el análisis predictivo lineal con cada trama de voz de entrada s(n) para generar un parámetro LP a. El parámetro LP a es proporcionado al módulo de cuantificación LP 110. El módulo de cuantificación LP 110 recibe también la modalidad M y, de esta manera, el procedimiento de cuantificación se realiza en dependencia con la modalidad. El módulo de cuantificación LP genera un índice LP I_{LP} y un parámetro LP cuantificado â. El filtro de análisis LP 108 genera una señal de residuo LP R[n], que representa el error entre las tramas de voz de entrada s(n) y la voz reconstruida basada en los parámetros de predicción lineal cuantificados â. El residuo LP R[n], la modalidad M y el parámetro LP cuantificado â se proporcionan al codificador de residuo MDLP 112. Basándose en estos valores, el codificador de residuo MDLP 112 genera un índice de residuo I_{R} y una señal de residuo cuantificado \hat{R}[n] según las etapas descritas más adelante con referencia al diagrama de flujo de la Figura 4.

En la Figura 3, el decodificador 200 que puede utilizarse en un codificador de voz incluye un módulo de decodificación de parámetros LP 202, un módulo de decodificación de residuo 204, un módulo de decodificación de modalidad 206 y un filtro de síntesis LP 208. El módulo de decodificación de modalidad 206 recibe y decodifica un índice de modalidad I_{M}, y genera a partir de éste una modalidad M. El módulo de decodificación de parámetros LP 202 recibe la modalidad M y un índice LP I_{LP}. El módulo de decodificación de parámetros LP 202 decodifica los valores recibidos para generar un parámetro LP cuantificado â. El módulo de decodificación de residuo 204 recibe un índice de residuo I_{R}, un índice de altura I_{P} y el índice de modalidad I_{M}. El módulo de decodificación de residuo 204 decodifica los valores recibidos para generar una señal de residuo cuantificado \hat{R}[n].

La señal de ruido cuantificado \hat{R}[n] y el parámetro LP cuantificado â se proporcionan al filtro de síntesis LP 208, que sintetiza una señal de voz de salida decodificada \hat{s}[n] a partir de éstos.

El funcionamiento y la implementación de los diversos módulos del codificador 100 de la Figura 2 y el decodificador 200 de la Figura 3, con excepción del codificador de residuo MDLP 112, son conocidos dentro de la técnica y descritos en la patente US nº 5.414.796 mencionada anteriormente y en el documento de L.B. Rabiner y R.W. Schafer, Digital Processing of Speech Signals, 396-453 (1978).

Según una forma de realización, un codificador MDLP (no representado) realiza las etapas representadas en el diagrama de flujo de la Figura 4. El codificador MDLP puede ser el codificador de residuo MDLP 112 de la Figura 2. En la etapa 300, el codificador MDLP comprueba si la modalidad M es la modalidad de velocidad completa (FR), cuarto de velocidad (QR) u octavo de velocidad (ER). Si la modalidad M es FR, QR o ER, el codificador MDLP continúa por la etapa 302. En la etapa 302, el codificador MDLP aplica la correspondiente velocidad (FR, QR o ER, según el valor de M) al índice de residuo I_{R}. Se aplica, a una trama de residuo LP o, alternativamente, a una trama de voz, una codificación en el dominio del tiempo, que para la modalidad FR es una codificación de alta precisión y alta velocidad y que, ventajosamente, puede ser la codificación CELP. A continuación, la trama se transmite (después de un procesamiento adicional de la señal que incluye la conversión digital-analógica y la modulación). En una forma de realización, la trama es una trama de residuo LP que representa el error de predicción. En una forma de realización alternativa, la trama es una trama de voz que representa unas muestras de voz.

En cambio, si en la etapa 300 la modalidad M no es FR, QR ni ER (es decir, si la modalidad M es media velocidad (HR)), el codificador MDLP continúa por la etapa 304. En la etapa 304, se aplica la codificación espectral, que ventajosamente es la codificación de armónicos, al residuo LP o, alternativamente, a la señal de voz, a media velocidad. Entonces, el codificador MDLP continúa por la etapa 306. En la etapa 306, se obtiene una medida de la distorsión D, decodificando la voz codificada y comparándola con la trama de entrada original. El codificador MDLP continúa después por la etapa 308, en la que la medida de distorsión D se compara con un valor umbral predefinido T. Si la medida de la distorsión D es superior al umbral T, entonces los correspondientes parámetros cuantificados para la trama codificada espectralmente se modulan y transmiten a media velocidad. En cambio, si la medida de la distorsión D no es superior al umbral T, el codificador MDLP continúa por la etapa 310. En la etapa 310, la trama decodificada se vuelve a codificar en el dominio del tiempo a velocidad completa. Es posible utilizar cualquier algoritmo de codificación de alta velocidad y alta precisión convencional y, de forma ventajosa, un algoritmo de codificación CELP. Finalmente, los parámetros de modalidad FR cuantificados asociados a la trama se modulan y transmiten.

Como se ilustra en el diagrama de flujo de la Figura 5, un codificador de voz MDLP en bucle cerrado y multimodal según una forma de realización sigue un conjunto de etapas en el procesamiento de las muestras de voz para la transmisión. En la etapa 400, el codificador de voz recibe las muestras digitales de una señal de voz en tramas consecutivas. Una vez que ha recibido una trama determinada, el codificador de voz continúa por la etapa 402. En la etapa 402, el codificador de voz detecta la energía de la trama. La energía es una medida de la actividad vocal de la trama. La detección de voz se realiza sumando los cuadrados de las amplitudes de las muestras de voz digitalizadas y comparando la energía resultante con un valor umbral. En una forma de realización, el valor umbral se adapta al nivel cambiante del ruido de fondo. Se describe un ejemplo de detector de actividad vocal de umbral variable en la patente US n.º 5.414.796 mencionada anteriormente. Algunos sonidos de voz sorda pueden constituir muestras de energía extremadamente baja que pueden codificarse por error como ruido de fondo. Para impedir que esto suceda, puede utilizarse la inclinación espectral de las muestras de baja energía para diferenciar la voz sorda del ruido de fondo, como se describe en la patente US nº 5.414.796, mencionada anteriormente.

Una vez que se ha detectado la energía de la trama, el codificador de voz continúa por la etapa 404. En la etapa 404, el codificador de voz determina si la energía de trama detectada es suficiente para clasificar la trama como una trama que contiene información de voz. Si la energía de trama detectada está por debajo de un nivel umbral predeterminado, el codificador de voz continúa por la etapa 406. En la etapa 406, el codificador de voz codifica la trama como ruido de fondo (es decir, no voz o silencio). En una forma de realización la trama de ruido de fondo se somete a codificación en el dominio del tiempo a la velocidad 1/8 (o 1 kb/s). Si en la etapa 404 la energía de trama detectada alcanza o supera el nivel umbral predefinido, la trama se clasifica como trama de voz y el codificador de voz continúa por la etapa 408.

En la etapa 408, el codificador de voz determina si la trama es periódica. Se conocen diversos procedimientos para determinar la periodicidad, incluidos, por ejemplo, la utilización de los cruces por cero y la utilización de funciones de autocorrelación normalizada (NACF). En particular, la utilización de los cruces por cero y las NACF para detectar la periodicidad se describe en la solicitud de patente US n.º 08/815.354, titulada METHOD AND APPARATUS FOR PERFORMING REDUCED RATE VARIABLE RATE VOCODING, presentada el 11 de marzo de 1997 y cedida al cesionario de la presente invención. Además, los procedimientos anteriores utilizados para diferenciar la voz sonora de la voz sorda están incorporados en las normas provisionales de Telecommunication Industry Association - Industry Interim Standards TIA/EIA IS-127 y TIA/EIA IS-733. Si en la etapa 408 se determina que la trama no es periódica, el codificador de voz continúa por la etapa 410. En la etapa 410, el codificador de voz codifica la trama como una trama de voz sorda. En una forma de realización, las tramas de voz sorda se codifican en el dominio del tiempo a la velocidad 1/4 (o 2 kb/s). Si en la etapa 408 se determina que la trama es periódica, el codificador de voz continúa por la etapa 412.

En la etapa 412, el codificador de voz determina si la trama es suficientemente periódica, utilizando los procedimientos de detección de periodicidad conocidos dentro de la técnica, tales como los descritos en la solicitud de patente US de nº de serie 08/815.354 mencionada anteriormente. Si se determina que la trama no es suficientemente periódica, el codificador de voz continúa por la etapa 414. En la etapa 414, la trama se codifica en el dominio del tiempo como una trama de voz de transición (es decir, de transición de voz sorda a voz sonora). En una forma de realización, la trama de voz de transición se codifica en el dominio del tiempo a velocidad completa (o 8 kb/s).

Si en la etapa 412 el codificador de voz determina que la trama es suficientemente periódica, el codificador de voz continúa por la etapa 416. En la etapa 416, el codificador de voz codifica la trama como una trama de voz sonora. En una forma de realización, las tramas de voz sonora se codifican espectralmente a media velocidad, o 4 kb/s. Ventajosamente, las tramas de voz sonora se codifican espectralmente con un codificador de armónicos, como el descrito más adelante con referencia a la Figura 7. Como alternativa, pueden utilizarse otros codificadores espectrales, tales como, por ejemplo, los codificadores de transformación sinusoidal o los codificadores de excitación multibanda conocidos dentro de la técnica. Entonces, el codificador de voz continúa por la etapa 418. En la etapa 418, el codificador de voz decodifica la trama de voz sonora codificada. A continuación, el codificador de voz continúa por la etapa 420. En la etapa 420, la trama de voz sonora decodificada se compara con las correspondientes muestras de voz de entrada de dicha trama para obtener una medida de la distorsión de la voz sintetizada y determinar si el modelo de codificación espectral a media velocidad de la voz sonora está funcionando dentro de los límites aceptables. A continuación, el codificador de voz continúa por la etapa 422.

En la etapa 422, el codificador de voz determina si el error entre la trama de voz sonora decodificada y las muestras de voz de entrada correspondientes a dicha trama se halla por debajo de un valor umbral predefinido. Según una forma de realización, esta determinación se toma de la manera descrita más adelante con referencia a la Figura 6. Si la distorsión de codificación se halla por debajo del valor umbral predefinido, el codificador de voz continúa por la etapa 424. En la etapa 424, el codificador de voz transmite la trama como voz sonora, utilizando los parámetros de la etapa 416. Si en la etapa 422 la distorsión de codificación alcanza o supera el valor umbral predefinido, el codificador de voz continúa por la etapa 414 y codifica en el dominio del tiempo la trama de muestras de voz digitalizadas recibidas en la etapa 400 como voz de transición, a velocidad completa.

Debe destacarse que las etapas 400 a 410 comprenden una modalidad de decisión de codificación en bucle abierto. Las etapas 412 a 426, en cambio, comprenden una modalidad de decisión de codificación en bucle cerrado.

En una forma de realización representada en la Figura 6, el codificador de voz MDLP en bucle cerrado y multimodal incluye un convertidor analógico-digital (A/D) 500 acoplado a una memoria tampón de trama 502 que, a su vez, está acoplada a un procesador de control 504. Acoplados al procesador de control 504, están un calculador de energía 506, un detector de voz sonora 508, un codificador de ruido de fondo 510, un codificador de alta velocidad del dominio del tiempo 512 y un codificador espectral de baja velocidad 514. Un decodificador espectral 516 está acoplado al codificador espectral 514, y un calculador de error 518 está acoplado al decodificador espectral 516 y al procesador de control 504. Un comparador de umbral 520 está acoplado al calculador de error 518 y al procesador de control 504. Una memoria tampón 522 está acoplada al codificador espectral 514, al decodificador espectral 516 y al comparador de umbral 520.

En la forma de realización de la Figura 6, los componentes del codificador de voz se implementan ventajosamente como firmare u otro tipo de módulos controlados por software del codificador de voz, que reside ventajosamente en un DSP o un ASIC. Los expertos en la materia tendrán en cuenta que los componentes del codificador de voz podrían implementarse igualmente de otras diversas maneras conocidas. El procesador de control 504 puede ser ventajosamente un microprocesador, pero también puede implementarse con un controlador, una máquina de estados o una lógica discreta.

En el codificador multimodal de la Figura 6, las señales de voz se proporcionan al A/D 500. El A/D 500 convierte las señales analógicas en tramas de muestras de voz digitalizadas, S(n). Las muestras de voz digitalizadas se proporcionan a la memoria tampón de trama 502. El procesador de control 504 recibe las muestras de voz digitalizadas de la memoria tampón de trama 502 y las proporciona al calculador de energía 506. El calculador de energía 506 calcula la energía, E, de las muestras de voz según la ecuación siguiente:

E = \sum\limits^{159}_{n=0} S^{2} (n)

en la que las tramas son de 20 ms de longitud y la frecuencia de muestreo es de 8 kHz. La energía calculada, E, se envía al procesador de control 504.

El procesador de control 504 compara la energía de la voz calculada con un umbral de actividad vocal. Si la energía calculada está por debajo del umbral de actividad vocal, el procesador de control 504 dirige las muestras de voz digitalizadas desde la memoria tampón de trama 502 hasta el codificador de ruido de fondo 510. El codificador de ruido de fondo 510 codifica la trama utilizando el número mínimo de bits necesarios para mantener una estimación del ruido de fondo.

Si la energía calculada es superior o igual al umbral de actividad vocal, el procesador de control 504 dirige las muestras de voz digitalizadas desde la memoria tampón de trama 502 hasta el detector de voz sonora 508. El detector de voz sonora 508 determina si la periodicidad de la trama de voz permitirá realizar una codificación eficaz utilizando la codificación espectral de baja velocidad binaria. Dentro de la materia, se dispone de algunos procedimientos muy conocidos para determinar el nivel de periodicidad de una trama de voz, que incluyen, por ejemplo, la utilización de funciones de autocorrelación normalizada (NACF) y los cruces por cero. Estos y otros procedimientos se describen en la solicitud de patente US de n.º de serie 08/815.354 mencionada anteriormente.

El detector de voz sonora 508 proporciona una señal al procesador de control 504, que indica si la trama de voz contiene voz de suficiente periodicidad para ser codificada con eficacia por el codificador espectral 514. Si el detector de voz sonora 508 determina que la trama de voz carece de suficiente periodicidad, el procesador de control 504 dirige las muestras de voz digitalizadas al codificador de alta velocidad 512, que realiza la codificación en el dominio del tiempo de la voz a una velocidad de transmisión de datos máxima predeterminada. En una forma de realización, la velocidad de transmisión de datos máxima predeterminada es de 8 kb/s, y el codificador de alta velocidad 512 es un codificador CELP.

Si el detector de voz sonora 508 determina inicialmente que la señal de voz presenta suficiente periodicidad para ser codificada con eficacia por el codificador espectral 514, el procesador de control 504 dirige las muestras de voz digitalizadas desde la memoria tampón de trama 502 hasta el codificador espectral 514. Más adelante, se describe en detalle un ejemplo de codificador espectral con referencia a la Figura 7.

El codificador espectral 514 extrae la frecuencia de altura tonal estimada, F_{0,} las amplitudes, A_{I}, de los armónicos de la frecuencia de altura tonal, e información de actividad vocal, V_{c}. El codificador espectral 514 proporciona estos parámetros a la memoria tampón 522 y al decodificador espectral 516. El decodificador espectral 516 puede ser ventajosamente análogo al decodificador de los codificadores CELP tradicionales. El decodificador espectral 516 genera muestras de voz sintetizada, \hat{S}(n), según un formato de decodificación espectral (descrito más adelante con referencia a la Figura 7) y proporciona las muestras de voz sintetizada al calculador de error 518. El procesador de control 504 envía las muestras de voz, S(n), al calculador de error 518.

El calculador de error 518 calcula el error mínimo cuadrático (MSE) entre cada muestra de voz, S(n), y cada muestra de voz sintetizada correspondiente, \hat{S}(n), según la siguiente ecuación:

MSE = \sum\limits^{159}_{n=0} (S(n)-\hat{S}(n))^{2}

El MSE calculado se proporciona al comparador de umbral 520, que determina si el nivel de distorsión está dentro de límites aceptables, es decir, si el nivel de distorsión se halla por debajo de un valor umbral predefinido.

Si el MSE calculado se halla dentro de límites aceptables, el comparador de umbral 520 proporciona una señal a la memoria tampón 502 y los datos codificados espectralmente se obtienen a partir del codificador de voz. En cambio, si el MSE no está dentro de límites aceptables, el comparador de umbral 520 proporciona una señal al procesador de control 504 que, a su vez, dirige las muestras digitalizadas desde la memoria tampón de trama 502 hasta el codificador de alta velocidad del dominio del tiempo 512. El codificador del dominio del tiempo 512 codifica las tramas a una velocidad máxima predeterminada, y el contenido de la memoria tampón 522 se rechaza.

En la forma de realización de la Figura 6, el tipo de codificación espectral empleado es la codificación de armónicos, descrita más adelante con referencia a la Figura 7, aunque como alternativa puede ser cualquier tipo de codificación espectral, tal como, por ejemplo, la codificación de transformación sinusoidal o la codificación de excitación multibanda. La utilización de excitación multibanda se describe, por ejemplo, en la patente US n.º 5.195.166, y la utilización de codificación de transformación sinusoidal se describe, por ejemplo, en la patente US n.º 4.865.068.

En el caso de las tramas de transición, y las tramas de voz sonora para las cuales valor de umbral de distorsión de fase es igual o inferior al parámetro de periodicidad, el codificador multimodal de la Figura 6 emplea ventajosamente la codificación CELP a velocidad completa, o a 8 kb/s, por medio del codificador de alta velocidad del dominio del tiempo 512. Como alternativa, puede utilizarse cualquier otra forma conocida de codificación de alta velocidad en el dominio del tiempo para dichas tramas. Por lo tanto, las tramas de transición (y las tramas de voz sonora que no son suficientemente periódicas) serán codificadas con gran precisión, obteniéndose de ese modo una buena concordancia entre las formas de onda de entrada y de salida y, al mismo tiempo, un buen mantenimiento de la información de fase. En una forma de realización, el codificador multimodal pasa de la codificación espectral de media velocidad a la codificación CELP de velocidad completa para una trama, sin tener en cuenta la determinación del comparador de umbral 520, una vez que se ha procesado un número predefinido de tramas de voz sonora consecutivas con respecto a las cuales el valor umbral sobrepasa la medida de periodicidad.

Debe destacarse que, en conjunción con el procesador de control 504, el calculador de energía 506 y el detector de voz sonora 508 comprenden las decisiones de codificación en bucle abierto. Por el contrario, en conjunción con el procesador de control 504, el codificador espectral 514, el decodificador 516, el calculador de error 518, el comparador de umbral 520 y la memoria tampón 522 comprenden una decisión de codificación en bucle cerrado.

En una forma de realización descrita con referencia a la Figura 7, la codificación espectral y, ventajosamente, la codificación de armónicos, se utiliza para codificar tramas de voz suficientemente periódicas a baja velocidad binaria. Los codificadores espectrales generalmente se definen como algoritmos destinados a conservar la evolución temporal de las características espectrales de la voz de una forma perceptivamente significativa, modelizando y codificando cada trama de voz en el dominio de la frecuencia. Las partes esenciales de dichos algoritmos son: (1) el análisis espectral o la estimación de los parámetros; (2) la cuantificación de los parámetros y (3) la síntesis de la forma de onda de voz de salida con los parámetros decodificados. Por lo tanto, el objetivo consiste en conservar las características importantes del espectro de voz a corto plazo con un conjunto de parámetros espectrales, codificar los parámetros y, a continuación, sintetizar la voz de salida utilizando los parámetros espectrales decodificados. Habitualmente, la voz de salida se sintetiza como una suma ponderada de sinusoides. Las amplitudes, las frecuencias y las fases de las sinusoides son los parámetros espectrales estimados durante el análisis.

Aunque el "análisis por síntesis" es una técnica muy conocida en la codificación CELP, esta técnica no se utiliza en la codificación espectral. La razón principal por la que el análisis por síntesis no se aplica a los codificadores espectrales es que, debido a la pérdida de la información de la fase inicial, la energía mínima cuadrática (MSE) de la voz sintetizada puede ser alta, aun cuando el modelo de voz esté funcionando adecuadamente desde el punto de vista perceptivo. Por lo tanto, otra de las ventajas de generar con precisión la fase inicial es la capacidad resultante para comparar directamente las muestras de voz con la voz reconstruida y poder determinar si el modelo de voz está codificando las tramas de voz con precisión.

En la codificación espectral, la trama de voz de salida se sintetiza como:

S[n] = S_{v}[n] + S_{ov}[n], \hskip0,8cm n = 1,2,..., N,

siendo N el número de muestras por trama, y S_{v} y S_{ov} los componentes sonoros y sordos, respectivamente. Un procedimiento de síntesis de suma de sinusoides crea el componente sonoro según la ecuación siguiente:

S[n] = \sum\limits^{L}_{k=f} A(k,n) \cdot cos (2 \pi n f_{k} + \theta (k,n))

en la que L es el número total de sinusoides, f_{k} son las frecuencias deseadas del espectro a corto plazo, A(k,n) las amplitudes de las sinusoides y \theta(k,n) las fases de las sinusoides. Los parámetros de amplitud, frecuencia y fase se calculan a partir del espectro a corto plazo de la trama de entrada mediante un procedimiento de análisis espectral. El componente sordo puede crearse conjuntamente con la parte sonora en una sola síntesis de suma de sinusoides, o puede calcularse por separado mediante un procedimiento de síntesis de componente sordo dedicado y luego sumarse al componente S_{v}.

En la forma de realización de la Figura 7, se utiliza un tipo de codificador espectral particular denominado codificador de armónicos para codificar espectralmente las tramas sonoras suficientemente periódicas, a baja velocidad binaria. Los codificadores de armónicos caracterizan las tramas como una suma de sinusoides, analizando pequeños segmentos de las tramas. Cada sinusoide de la suma de sinusoides presenta una frecuencia que es un múltiplo entero de la altura, F_{0}, de la trama. En una forma de realización alternativa, en la que el tipo de codificador espectral particular utilizado es distinto al codificador de armónicos, las frecuencias de las sinusoides de cada trama se obtienen a partir de un conjunto de números reales entre 0 y 2 \pi . En la forma de realización de la Figura 7, las amplitudes y las fases de cada sinusoide de la suma se seleccionan ventajosamente, para obtener de este modo la mejor concordancia entre la suma y la señal durante un período, como se ilustra en el gráfico de la Figura 8. Los codificadores de armónicos habitualmente emplean una clasificación externa para marcar cada trama de voz de entrada como una trama sonora o sorda. Para una trama sonora, las frecuencias de las sinusoides se restringen a los armónicos de la altura estimada (F_{o}), es decir, f_{k} = kF_{0}. Para la voz sorda, los picos del espectro a corto plazo se utilizan para determinar las sinusoides. Las amplitudes
y las fases se interpolan para imitar la evolución de éstas a través de la trama según las siguientes ecuaciones:

A(k,n) = C_{i}(k) \text{*} n + C_{2}(k)

\theta (k,n) = B_{i}(k) \text{*} n^{2} + B_{2}(k) \text{*} n + B_{3}(k)

en las que los coeficientes [Ci(k), Bi(k)] se estiman a partir de los valores instantáneos de las amplitudes, las frecuencias y las fases en las ubicaciones de frecuencia especificados f_{k} (=kf_{o}), por medio de la transformada de Fourier a corto plazo (STFT) de una trama de voz de entrada enventanada. Los parámetros por sinusoide que se van a transmitir son la amplitud y la frecuencia. La fase no se transmite, sino que en su lugar se modeliza según cualquiera de las diversas técnicas conocidas, incluida, por ejemplo, el modelo de fase cuadrática.

Como se ilustra en la Figura 7, un codificador de armónicos incluye un extractor de altura 600 acoplado a la lógica de enventanado 602 y a la lógica de transformada discreta de Fourier (DFT) y análisis de armónicos 604. El extractor de altura 600, que recibe muestras de voz, S(n), de entrada, también está acoplado a la lógica de DFT y análisis de armónicos 604. La lógica de DFT y análisis de armónicos 604 está acoplada a un codificador de residuo 606. El extractor de altura 600, la lógica de DFT y análisis de armónicos 604 y el codificador de residuo 610 están acoplados a un cuantificador de parámetros 608. El cuantificador de parámetros 608 está acoplado a un codificador de canal 610 que, a su vez, está acoplado a un transmisor 612. El transmisor 612 está acoplado por medio de una interfaz de radiofrecuencia (RF) estándar, tal como, por ejemplo, una interfaz aérea de acceso múltiple por división del código (CDMA), a un receptor 614. El receptor 614 está acoplado a un decodificador de canal 616 que, a su vez, está acoplado a un decuantificador 618. El decuantificador 618 está acoplado a un sintetizador de voz de suma de sinusoides 620. También está acoplado al sintetizador de voz de suma de sinusoides 620, un estimador de fase 622 que recibe la información de la trama anterior como una entrada. El sintetizador de voz de suma de sinusoides 620 está configurado para generar una salida de voz sintetizada, S_{SYNTH}(n).

El extractor de altura 600, la lógica de enventanado 602, la lógica de DFT y análisis de armónicos 604, el codificador de residuo 606, el cuantificador de parámetros 608, el codificador de canal 610, el decodificador de canal 616, el decuantificador 618, el sintetizador de voz de suma de sinusoides 620 y el estimador de fase 622 pueden implementarse en una diversidad de formas diferentes conocidas por los expertos en la materia, que incluyen, por ejemplo, módulos de firmware o software. El transmisor 612 y el receptor 614 pueden implementarse con cualquier componente RF estándar equivalente conocido por los expertos en la materia.

En el codificador de armónicos de la Figura 7, las muestras de entrada, S(n), son recibidas por el extractor de altura 600, que extrae la información de frecuencia de altura tonal F_{0}. A continuación, la lógica de enventanado 602 multiplica las muestras por una función de enventanado adecuada que permite analizar pequeños segmentos de la trama de voz. Mediante la información de altura suministrada por el extractor de altura 608, la lógica de DFT y análisis de armónicos 604 calcula la DFT de las muestras para generar puntos espectrales complejos a partir de los cuales se extraen las amplitudes de los armónicos, A_{L}, como se ilustra en el gráfico de la Figura 8, en el que L denota el número total de armónicos. La DFT se proporciona al codificador residual 606 que extrae información de actividad vocal, V_{c}.

Debe destacarse que el parámetro V_{c} denota un punto del eje de las frecuencias, representado en la Figura 8, por encima del cual el espectro es característico de una señal de voz sorda y deja de ser armónico. En cambio, por debajo del punto V_{c}, el espectro es armónico y característico de la voz sonora.

Los componentes A, F_{0} y V_{c} se proporcionan al cuantificador de parámetros 608, que cuantifica la información. La información cuantificada se proporciona en forma de paquetes al codificador de canal 610, que cuantifica los paquetes a una velocidad binaria baja, tal como, por ejemplo, la velocidad media o de 4 kb/s. Los paquetes se proporcionan al transmisor 612, que modula los paquetes y transmite la señal resultante al receptor 614, a través del aire. El receptor 614 recibe y demodula la señal, y pasa los paquetes codificados al decodificador de canal 616. El decodificador de canal 616 decodifica los paquetes y proporciona los paquetes decodificados al decuantificador 618. El decuantificador 618 decuantifica la información. La información se proporciona al sintetizador de voz de suma de sinusoides 620.

El sintetizador de voz de suma de sinusoides 620 está configurado para sintetizar una pluralidad de sinusoides que modelizan el espectro de voz a corto plazo según la ecuación anterior para S[n]. Las frecuencias de las sinusoides, f_{k}, son múltiplos de los armónicos de la frecuencia fundamental, F_{0}, que es la frecuencia de la periodicidad de la altura de los segmentos de voz sonora casi periódica (es decir, de transición).

El sintetizador de voz de suma de sinusoides 620 también recibe información de fase desde el estimador de fase 622. El estimador de fase 622 recibe información de la trama anterior, es decir, los parámetros A_{L}, F_{0} y V_{c} de la trama inmediatamente precedente. El estimador de fase 622 también recibe las N muestras reconstruidas de la trama anterior, siendo N la longitud de la trama (es decir, el número de muestras por trama). El estimador de fase 622 determina la fase inicial de la trama, basándose en la información de la trama anterior. La determinación de la fase inicial se proporciona al sintetizador de voz de suma de sinusoides 620. De conformidad con la información de la trama actual y el cálculo de fase inicial basado en la información de la trama anterior realizado por el estimador de fase 622, el sintetizador de voz de suma de sinusoides 620 genera tramas de voz sintética, de la forma descrita anteriormente.

Como se ha descrito anteriormente, los codificadores de armónicos sintetizan, o reconstruyen, las tramas de voz, utilizando la información de la trama anterior y prediciendo la variación lineal de la fase de una trama a otra. En el modelo de síntesis descrito, que comúnmente se denomina modelo de fase cuadrática, el coeficiente B_{3}(k) representa la fase inicial de la trama sonora actual que está siendo sintetizada. Para determinar la fase, los codificadores de armónicos convencionales establecen la fase inicial en cero o generan de forma aleatoria, o mediante algún procedimiento de generación pseudoaleatorio, un valor de fase inicial. Para predecir la fase con más precisión, el estimador de fase 622 utiliza uno de los dos procedimientos posibles para determinar la fase inicial, dependiendo de si se determina que la trama inmediatamente precedente es una trama de voz sonora (es decir, una trama suficientemente periódica) o una trama de voz de transición. Si la trama anterior es una trama de voz sonora, el valor de fase estimado final de esta trama se utiliza como valor de fase inicial de la trama actual. Por otro lado, si la trama anterior se ha clasificado como una trama de transición, el valor de fase inicial de la trama actual se obtiene a partir del espectro de la trama anterior, que se obtiene realizando una DFT de la salida del decodificador para la trama anterior. Por lo tanto, el estimador de fase 622 utiliza información de fase precisa que ya está disponible (debido a que la trama anterior, por ser una trama de transición, se ha procesado a velocidad completa).

En una forma de realización, un codificador de voz MDLP en bucle cerrado y multimodal sigue las etapas de procesamiento de voz ilustradas en el diagrama de flujo de la Figura 9. El codificador de voz codifica el residuo LP de cada trama de voz de entrada, eligiendo la modalidad de codificación más adecuada. Ciertas modalidades codifican el residuo LP, o el residuo de voz, en el dominio del tiempo, mientras que otras modalidades representan el residuo LP, o el residuo de voz, en el dominio de la frecuencia. El conjunto de modalidades se compone de la modalidad de velocidad completa en el dominio del tiempo para las tramas de transición (modalidad T); la modalidad de media velocidad en el dominio de la frecuencia para las tramas sonoras (modalidad V); la modalidad de un cuarto de velocidad en el dominio del tiempo para las tramas sordas (modalidad U) y la modalidad de un octavo de velocidad en el dominio del tiempo para las tramas de ruido (modalidad N).

Los expertos en la materia apreciarán que tanto la señal de voz como el correspondiente residuo LP pueden codificarse siguiendo las etapas ilustradas en la Figura 9. Las características de la forma de onda del ruido, la voz sorda, la voz de transición y la voz sonora pueden considerarse como una función del tiempo en el gráfico de la Figura 10A. Las características de la forma de onda del ruido, la voz sorda, la voz de transición y el residuo LP sonoro pueden considerarse como una función del tiempo en el gráfico de la Figura 10B.

En la etapa 700, se decide en la modalidad en bucle abierto cuál de las cuatro modalidades (T, V, U o N) se va a aplicar al residuo de voz de entrada, S(n). Si se va a aplicar la modalidad T, el residuo de voz se procesa según la modalidad T, es decir, a velocidad completa y en el dominio del tiempo, en la etapa 702. Si se va a aplicar la modalidad U, el residuo de voz se procesa según la modalidad U, es decir, a cuarto de velocidad y en el dominio del tiempo, en la etapa 704. Si se va a aplicar la modalidad N, el residuo de voz se procesa según la modalidad N, es decir, a octavo de velocidad y en el dominio del tiempo, en la etapa 706. Si se va a aplicar la modalidad V, el residuo de voz se procesa según la modalidad V, es decir, a media velocidad y en el dominio de la frecuencia, en la etapa 708.

En la etapa 710, la voz codificada en la etapa 708 se decodifica y compara con el residuo de la voz de entrada, S(n), y se calcula una medida del rendimiento, D. En la etapa 712, la medida del rendimiento, D, se compara con un valor umbral predefinido, T. Si la medida del rendimiento, D, es superior o igual al umbral, T, el residuo de voz codificado espectralmente de la etapa 708 se considera apto para la transmisión, en la etapa 714. Por otro lado, si la medida del rendimiento, D, es inferior al umbral, T, el residuo de voz de entrada, S(n), se procesa según la modalidad T, en la etapa 716. En una forma de realización alternativa, no se calcula ninguna medida del rendimiento y no se define ningún valor umbral. En su lugar, una vez que se ha procesado un número predefinido de tramas de residuo de voz según la modalidad V, la siguiente trama se procesa según la modalidad T.

Ventajosamente, las etapas de decisión representadas en la Figura 9 permiten utilizar la modalidad T de alta velocidad binaria sólo cuando es necesario, aprovechando la periodicidad de los segmentos de voz sonora con la modalidad V de baja velocidad binaria, mientras se evita que se produzca una pérdida de calidad al pasar a velocidad completa cuando la modalidad V no funciona correctamente. En consecuencia, es posible generar una calidad de voz sumamente alta y muy parecida a la calidad de voz de velocidad completa a una velocidad media que es significativamente inferior a la velocidad completa. Por otra parte, la calidad de voz deseada puede ser controlada mediante la medida de rendimiento seleccionada y el umbral elegido.

Las "actualizaciones" de la modalidad T mejoran también el rendimiento de las subsiguientes aplicaciones de la modalidad V, manteniendo la trayectoria de la fase del modelo cerca de la trayectoria de la fase de la voz de entrada. Cuando el rendimiento de la modalidad V es inadecuado, la comprobación del rendimiento en bucle cerrado de las etapas 710 y 712 pasa a la modalidad T, mejorando de ese modo el rendimiento del subsiguiente procesamiento en modalidad V gracias a la "renovación" del valor de fase inicial, hecho que permite que la trayectoria de la fase del modelo vuelva a situarse cerca de la trayectoria de la fase de la voz de entrada original. A título de ejemplo, como se representa en los gráficos de las Figuras 11A a C, la quinta trama desde el principio no funciona adecuadamente en la modalidad V, como se pone de manifiesto a través de la medida de distorsión PSNR utilizada. Por consiguiente, sin una decisión y actualización en bucle cerrado, la trayectoria de la fase modelizada se desvía significativamente de la trayectoria de la fase de la voz de entrada original, provocando una fuerte degradación de la PSNR, como se representa en la Figura 11C. Además, el rendimiento de la subsiguientes tramas procesadas según la modalidad V se degrada. Según una decisión en bucle cerrado, sin embargo, la quinta trama pasa al procesamiento en modalidad T, como se representa en la Figura 11A. El rendimiento de la quinta trama mejora de forma significativa gracias a la actualización, como se pone de manifiesto a través de la mejora de la PSNR, representada en la Figura 11B. Asimismo, el rendimiento de las subsiguientes tramas procesadas según la modalidad V también mejora.

Las etapas de decisión representadas en la Figura 9 mejoran la calidad de la representación de la modalidad V, proporcionando un valor de estimación de fase inicial sumamente preciso, y asegurando que la señal de residuo de voz sintetizada mediante la modalidad V resultante se alinee temporalmente de forma precisa con el residuo de voz de entrada original, S(n). La fase inicial del primer segmento de residuo de voz procesado mediante la modalidad V se deduce a partir de la trama decodificada inmediatamente anterior, de la forma descrita a continuación. La fase inicial de cada armónico se iguala a la fase final estimada de la trama precedente si la trama precedente se ha procesado en la modalidad V. La fase inicial de cada armónico se iguala a la fase real del armónico de la trama precedente si la trama precedente se ha procesado en la modalidad T. La fase real del armónico de la trama precedente puede obtenerse calculando la DFT del residuo decodificado anterior, utilizando toda la trama precedente. Como alternativa, la fase real del armónico de la trama precedente puede obtenerse calculando la DFT de la trama decodificada anterior, en condiciones de sincronización de alturas, procesando diversos períodos de altura de la trama precedente.

Hasta aquí la descripción de un codificador de voz de predicción lineal en bucle cerrado, multimodal y de dominio mixto (MDLP). Los expertos en la materia apreciarán que los diversos bloques lógicos ilustrativos y las etapas algorítmicas ilustrativas descritas en conexión con las formas de realización dadas a conocer en la presente memoria pueden implementarse o realizarse con un procesador de señales digitales (DSP), un circuito integrado de aplicación específica (ASIC), una lógica discreta de compuerta o de transistor, unos componentes de hardware discretos tales como, por ejemplo, unos registros y una FIFO, un procesador que ejecuta un conjunto de instrucciones de firmware o cualquier módulo de software programable convencional y un procesador. El procesador puede ser ventajosamente un microprocesador, aunque como alternativa puede ser cualquier procesador, controlador, microcontrolador o máquina de estados convencional. El módulo de software puede residir en memoria RAM, memoria flash, unos registros o cualquier otra forma de medios de almacenamiento registrables, conocidos dentro de la técnica. Los expertos en la materia apreciarán, asimismo, que los datos, las instrucciones, los mandatos, la información, las señales, los bits, los símbolos y los segmentos a los que puede hacerse referencia en la descripción anterior son representados ventajosamente por voltajes, corrientes, ondas electromagnéticas, campos o partículas magnéticas o cualquier combinación de éstos.

Las formas de realización representadas y descritas son las formas de realización preferidas de la presente invención. No obstante, resultará evidente para las personas medianamente expertas en la materia que es posible realizar numerosas variaciones a las formas de realización descritas en la presente memoria sin apartarse por ello del alcance de la presente invención. Por consiguiente, las únicas restricciones aplicables a la presente invención son las impuestas por las reivindicaciones siguientes.

Claims (16)

1. Procedimiento para procesar tramas, que comprende las etapas siguientes:

aplicar un procedimiento de selección de modalidad de codificación en bucle abierto a cada trama de entrada consecutiva para seleccionar una modalidad de codificación en el dominio del tiempo o una modalidad de codificación en el dominio de la frecuencia, basándose en el contenido de voz de la trama de entrada;

codificar en el dominio de la frecuencia (416) la trama de entrada si el contenido de voz de la trama de entrada indica voz sonora de estado estacionario;

codificar en el dominio del tiempo (414) la trama de entrada si el contenido de voz de la trama de entrada indica cualquier tipo de voz que no es voz sonora de estado estacionario;

comparar (420) la trama codificada en el dominio de la frecuencia con la trama de entrada para obtener una medida del rendimiento; y

codificar en el dominio del tiempo (414) la trama de entrada si la medida del rendimiento está por debajo de un valor umbral predefinido.

2. Procedimiento según la reivindicación 1, en el que las tramas son tramas de residuo de predicción lineal.

3. Procedimiento según la reivindicación 1, en el que las tramas son tramas de voz.

4. Procedimiento según la reivindicación 1, en el que la etapa de codificación en el dominio del tiempo (414) comprende la codificación de las tramas a una primera velocidad de codificación, y la etapa de codificación en el dominio de la frecuencia comprende la codificación de las tramas a una segunda velocidad de codificación, siendo la segunda velocidad de codificación inferior a la primera velocidad de codificación.

5. Procedimiento según la reivindicación 1, en el que la etapa de codificación en el dominio de la frecuencia (416) comprende la codificación de armónicos.

6. Procedimiento según la reivindicación 1, en el que la etapa de codificación en el dominio de la frecuencia (416) comprende la representación del espectro a corto plazo de cada trama con una pluralidad de sinusoides que presentan un conjunto de parámetros que incluyen frecuencias, fases y amplitudes, siendo modelizadas las fases con una representación polinómica y un valor de fase inicial, y en el que el valor de fase inicial es (1) el valor de fase final estimado de la trama precedente si la trama precedente ha sido codificada en el dominio de la frecuencia o (2) un valor de fase deducido a partir del espectro a corto plazo de la trama precedente si la trama precedente ha sido codificada en el dominio del tiempo.

7. Procedimiento según la reivindicación 6, en el que las frecuencias de las sinusoides de cada trama son múltiplos enteros de la frecuencia de altura tonal de la trama.

8. Procedimiento según la reivindicación 6, en el que las frecuencias de las sinusoides de cada trama se obtienen a partir de un conjunto de números reales entre 0 y 2\pi.

9. Procesador de voz multimodal y de dominio mixto, que comprende:

unos medios para aplicar un procedimiento de selección de modalidad de codificación en bucle abierto a una trama de entrada y seleccionar una modalidad de codificación en el dominio del tiempo o una modalidad de codificación en el dominio de la frecuencia, basándose en el contenido de voz de la trama de entrada;

unos medios (514) para codificar en el dominio de la frecuencia la trama de entrada si el contenido de voz de la trama de entrada indica voz sonora de estado estacionario;

unos medios (512) para codificar en el dominio del tiempo la trama de entrada si el contenido de voz de la trama de entrada indica cualquier tipo de voz que no es voz sonora de estado estacionario;

unos medios (518) para comparar la trama codificada en el dominio de la frecuencia con la trama de entrada para obtener una medida del rendimiento; y

unos medios (520, 512) para codificar en el dominio del tiempo la trama de entrada si la medida del rendimiento está por debajo de un valor umbral predefinido.

10. Procesador de voz según la reivindicación 9, en el que la trama de entrada es una trama de residuo de predicción lineal.

11. Procesador de voz según la reivindicación 9, en el que la trama de entrada es una trama de voz.

12. Procesador de voz según la reivindicación 9, en el que los medios para codificar en el dominio del tiempo (512) comprenden unos medios para codificar las tramas a una primera velocidad de codificación, y los medios para codificar en el dominio de la frecuencia (514) comprenden unos medios para codificar las tramas a una segunda velocidad de codificación, siendo la segunda velocidad de codificación inferior a la primera velocidad de codificación.

13. Procesador de voz según la reivindicación 9, en el que los medios para codificar en el dominio de la frecuencia (514) comprenden un codificador de armónicos.

14. Procesador de voz según la reivindicación 9, en el que los medios para codificar en el dominio de la frecuencia (514) comprenden unos medios para representar el espectro a corto plazo de cada trama con una pluralidad de sinusoides que presentan un conjunto de parámetros que incluyen frecuencias, fases y amplitudes, siendo modelizadas las fases con una representación polinómica y un valor de fase inicial, y en el que el valor de fase inicial es (1) el valor de fase estimada final de la trama inmediatamente precedente si la trama inmediatamente precedente ha sido codificada en el dominio de la frecuencia, o (2) un valor de fase deducido a partir del espectro a corto plazo de la trama inmediatamente precedente si la trama inmediatamente precedente ha sido codificada en el dominio del tiempo.

15. Procesador de voz según la reivindicación 14, en el que las frecuencias de las sinusoides de cada trama son múltiplos enteros de la frecuencia de altura tonal de la trama.

16. Procesador de voz según la reivindicación 14, en el que las frecuencias de las sinusoides de cada trama se obtienen a partir de un conjunto de números reales entre 0 y 2 \pi.