ES2283613T3 - Metodo de modificacion de señales para la codificacion eficaz de señales de voz. - Google Patents

Metodo de modificacion de señales para la codificacion eficaz de señales de voz. Download PDF

Info

Publication number
ES2283613T3
ES2283613T3 ES02784985T ES02784985T ES2283613T3 ES 2283613 T3 ES2283613 T3 ES 2283613T3 ES 02784985 T ES02784985 T ES 02784985T ES 02784985 T ES02784985 T ES 02784985T ES 2283613 T3 ES2283613 T3 ES 2283613T3
Authority
ES
Spain
Prior art keywords
signal
long
delay
frame
voice
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Lifetime
Application number
ES02784985T
Other languages
English (en)
Inventor
Mikko Tammi
Milan Jelinek
Claude Laflamme
Vesa Ruoppila
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Oyj
Original Assignee
Nokia Oyj
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nokia Oyj filed Critical Nokia Oyj
Application granted granted Critical
Publication of ES2283613T3 publication Critical patent/ES2283613T3/es
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/08Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters
    • G10L19/09Long term prediction, i.e. removing periodical redundancies, e.g. by using adaptive codebook or pitch predictor
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/08Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/08Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters
    • G10L19/12Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters the excitation function being a code excitation, e.g. in code excited linear prediction [CELP] vocoders

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Transmission Systems Not Characterized By The Medium Used For Transmission (AREA)

Abstract

Método para formar un contorno de retardo que caracteriza una predicción de largo plazo en una técnica que usa una modificación de la señal para codificar digitalmente una señal de voz, comprendiendo el método: dividir la señal de voz en una serie de tramas sucesivas; localizar un impulso de altura tonal de la señal de voz en una trama anterior; y localizar un impulso de altura tonal de la señal de voz en una trama en curso; caracterizado porque se forma un contorno de retardo seleccionando un parámetro de retardo de predicción de largo plazo para la trama en curso mediante una iteración hacia atrás de una función de una variable de tiempo temporal, la ubicación del impulso de la altura tonal de la señal de voz en la trama anterior y la ubicación del impulso de la altura tonal de la señal de voz en la trama en curso.

Description

Método de modificación de señales para la codificación eficaz de señales de voz.
Campo de la invención
La presente invención se refiere en general a la codificación y decodificación de señales de sonido en sistemas de comunicaciones. Más específicamente, la presente invención se refiere a una técnica de modificación de la señales aplicable, en particular aunque no de forma exclusiva, a la codificación de predicción lineal con excitación por código (CELP).
Antecedentes de la invención
La necesidad de técnicas eficaces de codificación digital de voz de banda estrecha y de banda ancha con una buena solución de compromiso entre la calidad subjetiva y la velocidad binaria está creciendo en varias áreas de aplicación tales como la teleconferencia, multimedia y las comunicaciones inalámbricas. Hasta hace poco, en aplicaciones de codificación de voz se ha utilizado principalmente el ancho de banda telefónico acotado a un intervalo de entre 200 y 3.400 Hz. Sin embargo, las aplicaciones de voz de banda ancha proporcionan una mayor inteligibilidad y naturalidad en la comunicación en comparación con el ancho de banda telefónico convencional. Se ha observado que un ancho de banda en el intervalo de entre 50 y 7.000 Hz es suficiente para proporcionar una buena calidad que ofrece una impresión de una comunicación presencial. Para señales de audio en general, este ancho de banda proporciona una calidad subjetiva aceptable, aunque la misma es todavía menor que la calidad de la radio FM o del CD que funcionan en intervalos de entre 20 y 16.000 Hz y de entre 20 y 20.000 Hz, respectivamente.
Un codificador de voz convierte una señal de voz en un flujo de bits digital que se transmite sobre un canal de comunicaciones o se almacena en un medio de almacenamiento. La señal de voz se digitaliza, es decir se muestrea y cuantifica, normalmente con 16 bits por muestra. El codificador de voz tiene la función de representar estas muestras digitales con un número menor de bits al mismo tiempo que manteniendo una buena calidad de voz subjetiva. El decodificador o sintetizador de voz actúa sobre el flujo de bits transmitido o almacenado y lo convierte de nuevo a una señal de sonido.
La Codificación de Predicción Lineal con Excitación por Código (CELP) es una de las mejores técnicas para lograr un buen compromiso entre la calidad subjetiva y la velocidad binaria. Esta técnica de codificación es el fundamento de varias normas de codificación de voz tanto en aplicaciones inalámbricas como alámbricas. En la codificación CELP, la señal de voz muestreada se procesa en bloques sucesivos de N muestras denominados habitualmente tramas, en las que N es un número predeterminado que se corresponde típicamente con entre 10 y 30 ms. Se calcula y transmite un filtro de predicción lineal (LP) cada trama. El cálculo del filtro LP típicamente requiere una anticipación, es decir, un segmento de voz de entre 5 y 10 ms de la trama subsiguiente. La trama de N muestras se divide en bloques menores denominados subtramas. Normalmente el número de subtramas es de tres o cuatro dando como resultado subtramas de entre 4 y 10 ms. En cada subtrama, normalmente se obtiene una señal de excitación a partir de dos componentes: una excitación antigua y una excitación innovadora de libro de códigos fijo. Al componente formado a partir de la excitación antigua se le denomina frecuentemente excitación por altura tonal o de libro de códigos adaptativo. Los parámetros que caracterizan la señal de excitación se codifican y transmiten al decodificador, en el que la señal de excitación reconstruida se utiliza como la entrada del filtro
LP.
En la codificación CELP convencional, la predicción de largo plazo para establecer una correspondencia de la excitación antigua con la actual se realiza normalmente basándose en cada subtrama. La predicción de largo plazo se caracteriza por un parámetro de retardo y una ganancia de altura tonal que son normalmente calculados, codificados y transmitidos al decodificador para cada subtrama. A velocidades binarias bajas, estos parámetros consumen una proporción sustancial del total de bits disponible. Las técnicas de modificación de la señal [1-7]:
[1] W. B. Kleijn, P. Kroon, y D. Nahumi, "The RCELP speech-coding algorithm", European Transactions on Telecommunications, Vol. 4, nº 5, págs. 573 a 582, 1994.
[2] W. B. Kleijn, R. P. Ramachandran y P. Kroon, "Interpolation of the pitch-predictor parameters in analysis-by-synthesis speech coders", IEEE Transactions on Speech and Audio Processing, Vol. 2, nº 1, págs. 42 a 54, 1994.
[3] Y. Gao, A. Benyassine, J. Thyssen, H. Su, y E. Shlomot, "EX-CELP: A speech coding paradigm", IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Salt Lake City, Utah, U.S.A., págs. 689 a 692, 7 a 11 mayo de 2001.
[4] Patente US nº 5.704.003, "RCELP coder", Lucent Technologies Inc., (W. B. Kleijn y D. Nahumi), fecha de presentación: 19 de septiembre de 1995.
[5] Solicitud de patente europea 0 602 826 A2, "Time shifting for analysis-by-synthesis coding", AT&T Corp., (B. Kleijn), fecha de presentación: 1 de diciembre de 1993.
[6] Solicitud de patente WO 00/11653, "Speech encoder with continuous warping combined with long term prediction", Conexant Systems Inc., (Y. Gao), fecha de presentación: 24 de agosto de 1999.
[7] Solicitud de patente WO 00/11654, "Speech encoder adaptively applying pitch preprocessing with continuous warping", Conexant Systems Inc., (H. Su y Y. Gao), fecha de presentación: 24 agosto de 1999.
mejoran el rendimiento de la predicción de largo plazo a velocidades binarias bajas ajustando la señal a codificar. Esta opción se realiza adaptando la evolución de los ciclos de la altura tonal en la señal de voz de manera que se correspondan con el retardo de predicción de largo plazo, permitiendo transmitir solo un parámetro de retardo por trama. La modificación de la señal se basa en la premisa de que es posible convertir en inaudible la diferencia entre la señal de voz modificada y la señal de voz original. A los codificadores CELP que utilizan la modificación de la señal se les denomina frecuentemente codificadores de análisis por síntesis generalizada o CELP relajados (RCELP).
Las técnicas de modificación de la señal ajustan la altura tonal de la señal a un contorno de retardo predeterminado. La predicción de largo plazo a continuación establece una correspondencia de la señal de excitación antigua con la subtrama actual utilizando este contorno de retardo y aplicando un escalado según un parámetro de ganancia. El contorno de retardo se obtiene directamente realizando una interpolación entre dos estimaciones de altura tonal de bucle abierto, obteniéndose la primera en la trama previa y la segunda en la trama en curso. La interpolación proporciona un valor de retardo para cada instante de tiempo de la trama. Después de que el contorno de retardo esté disponible, la altura tonal en la subtrama a codificar en ese momento se ajusta para seguir este contorno artificial mediante alineamiento por deformación temporal, es decir, cambiando la escala de tiempo de la señal.
En el alineamiento por deformación temporal discontinua [1, 4 y 5]
[1] W. B. Kleijn, P. Kroon, y D. Nahumi, "The RCELP speech-coding algorithm", European Transactions on Telecommunications, Vol. 4, nº 5, págs. 573 a 582, 1994.
[4] Patente US nº 5.704.003, "RCELP coder", Lucent Technologies Inc., (W. B.Kleijn y D. Nahumi), fecha de presentación: 19 de septiembre de 1995.
[5] Solicitud de patente europea 0 602 826 A2, "Time shifting for analysis-by-synthesis coding", A&T Corp., (B. Kleijn), fecha de presentación: 1 de diciembre de 1993.
se desplaza en el tiempo un segmento de señal sin alterar la longitud del segmento. El alineamiento por deformación temporal discontinua requiere un procedimiento para gestionar las partes de señal resultantes superpuestas o pérdidas. El alineamiento por deformación temporal continua [2, 3, 6, 7]
[2] W. B. Kleijn, R. P. Ramachandran, y P. Kroon, "Interpolation of the pitch-predictor parameters in analysis-by-synthesis speech coders", IEEE Transactions on Speech and Audio Processing, Vol. 2, nº 1, págs. 42 a 54, 1994.
[3] Y. Gao, A. Benyassine, J. Thyssen, H. Su, y E. Shlomot, "EX-CELP: A speech coding paradigm", IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Salt Lake City, Utah, U.S.A., págs. 689 a 692, 7 a 11 mayo 2001.
[6] Solicitud de patente WO 00/11653, "Speech encoder with continuous warping combined with long term prediction", Conexant Systems Inc., (Y. Gao), fecha de presentación: 24 de agosto de 1999.
[7] Solicitud de patente WO 00/11654, "Speech encoder adaptively applying pitch preprocessing with continuous warping", Conexant Systems Inc., (H. Su y Y. Gao), fecha de presentación: 24 agosto de 1999.
bien contrae o bien extiende un segmento de señal. Esta opción se realiza utilizando una aproximación continua en el tiempo para el segmento de señal y volviendo a muestrearla hasta una longitud deseada con intervalos de muestreo diferentes determinados sobre la base del contorno de retardo. Para reducir los artefactos en estas operaciones, el cambio tolerado en la escala de tiempo se mantiene a un valor reducido. Por otra parte, el alineamiento por deformación temporal se realiza típicamente utilizando la señal residual LP o la señal de voz ponderada para reducir las distorsiones resultantes. El uso de estas señales en lugar de la señal de voz también facilita la detección de impulsos de altura tonal y zonas de baja energía entre ellos, y por lo tanto la determinación de los segmentos de señal para el alineamiento por deformación temporal. La señal de voz modificada concreta se genera por filtrado inverso.
Después de que se haya realizado la modificación de la señal para la subtrama en curso, la codificación puede proseguir según cualquiera de las maneras convencionales excepto que la excitación de libro de códigos adaptativo se genera usando el contorno de retardo predeterminado. Esencialmente, se pueden usar las mismas técnicas de modificación de la señal en la codificación CELP tanto de banda estrecha como de banda ancha.
Las técnicas de modificación de la señal también se pueden aplicar en otros tipos de métodos codificación de voz tales como la codificación por interpolación de formas de ondas y la codificación sinusoidal, por ejemplo, según la referencia [8].
[8] Patente US nº 6.223.151, "Method and apparatus for pre-processing speech signals prior to coding by transform-based speech coders", Telefon Aktie Bolaget LM Ericsson, (W. B. Kleijn y T. Eriksson), fecha de presentación 10 de febrero de 1999.
Sumario de la invención
La invención queda definida por las reivindicaciones.
A continuación se ofrece una descripción no limitativa de formas de realización ilustrativas de la invención proporcionadas únicamente a título de ejemplo haciendo referencia a los dibujos adjuntos.
Breve descripción de los dibujos
La Figura 1 es un ejemplo ilustrativo de señales residuales originales y modificadas para una trama;
la Figura 2 es un diagrama de bloques funcional de una forma de realización ilustrativa de un método de modificación de la señal según la invención;
la Figura 3 es un diagrama de bloques esquemático de un ejemplo ilustrativo de un sistema de comunicación de voz que muestra el uso de un codificador y un decodificador de voz;
la Figura 4 es un diagrama de bloques esquemático de una forma de realización ilustrativa de un codificador de voz que utiliza un método de modificación de la señal;
la Figura 5 es un diagrama de bloques funcional de una forma de realización ilustrativa de la búsqueda de impulsos de altura tonal;
la Figura 6 es un ejemplo ilustrativo de posiciones localizadas de impulsos de altura tonal y de una segmentación correspondiente de ciclos de altura tonal para una trama;
la Figura 7 es un ejemplo ilustrativo sobre la determinación de un parámetro de retardo cuando el número de impulsos de altura tonal es tres (c = 3);
la Figura 8 es un ejemplo ilustrativo de la interpolación del retardo (línea gruesa) sobre una trama de voz en comparación con la interpolación lineal (línea delgada);
la Figura 9 es un ejemplo ilustrativo de un contorno de retardo sobre diez tramas seleccionadas de acuerdo con la interpolación del retardo (línea gruesa) de la Figura 8 y la interpolación lineal (línea delgada) cuando el valor de altura tonal correcto es 52 muestras;
la Figura 10 es un diagrama de bloques funcional del método de modificación de la señal que ajusta la trama de voz al contorno de retardo seleccionado de acuerdo con una forma de realización ilustrativa de la presente invención;
la Figura 11 es un ejemplo ilustrativo sobre la actualización de la señal objetivo \tilde{w}(t) utilizando un desplazamiento óptimo determinado \delta, y sobre la sustitución del segmento w_{s}(k) de señal con valores interpolados mostrados como puntos grises;
la Figura 12 es un diagrama de bloques funcional de un módulo lógico de determinación de velocidad de acuerdo con una forma de realización ilustrativa de la presente invención; y
la Figura 13 es un diagrama de bloques esquemático de una forma de realización ilustrativa de un decodificador de voz que utiliza el contorno de retardo formado de acuerdo con una forma de realización ilustrativa de la presente invención.
Descripción detallada de las formas de realización ilustrativas
Aunque las formas de realización ilustrativas de la presente invención se describirán con respecto a señales de voz y a la norma del Códec de Voz AMR-WB, de Banda Ancha AMR 3GPP (ITU-T G.722.2), debería tenerse presente que los conceptos de la presente invención pueden aplicarse a otros tipos de señales de sonido así como a otros codificadores de audio y voz.
La Figura 1 ilustra un ejemplo de señal residual modificada 12 dentro de una trama. Tal como se muestra en la Figura 1, el desplazamiento de tiempo en la señal residual modificada 12 se acota de tal manera que esta señal residual modificada está sincronizada en el tiempo con la señal residual original sin modificar 11 en los límites de la trama que se producen en los instantes t_{n-1} y t_{n}. En este caso n hace referencia al índice de la trama actual.
Más específicamente, el desplazamiento de tiempo se controla implícitamente con un contorno de retardo empleado para interpolar el parámetro de retardo sobre la trama en curso. El parámetro y el contorno de retardo se determinan considerando las limitaciones del alineamiento temporal en los límites de trama antes mencionados. Cuando se utiliza la interpolación lineal para forzar el alineamiento temporal, los parámetros de retardo resultantes tienden a oscilar sobre varias tramas. Con frecuencia esta situación provoca artefactos molestos sobre la señal modificada cuya altura tonal sigue el contorno de retardo oscilante artificial. El uso de una técnica de interpolación no lineal seleccionada adecuadamente para el parámetro de retardo reducirá sustancialmente estas oscilaciones.
En la Figura 2 se presenta un diagrama de bloques funcional de la forma de realización ilustrativa del método de modificación de la señal según la invención.
El método comienza, en el bloque 101 "búsqueda de ciclos de altura tonal", localizando impulsos de altura tonal y ciclos de altura tonal individuales. La búsqueda del bloque 101 utiliza una estimación de altura tonal de bucle abierto interpolada sobre la trama. Sobre la base de los impulsos de altura tonal localizados, la trama se divide en segmentos de ciclo de altura tonal, conteniendo cada uno de ellos un impulso de altura tonal y limitados dentro de los límites de trama t_{n-1} y t_{n}.
La función del bloque 103 "selección de curva de retardo" es determinar un parámetro de retardo para el predictor de largo plazo y formar un contorno de retardo para interpolar este parámetro de retardo sobre la trama. El parámetro y el contorno de retardo se determinan considerando las acotaciones de sincronización temporal en los límites de trama t_{n-1} y t_{n}. El parámetro de retardo determinado en el bloque 103 se codifica y transmite al decodificador cuando la modificación de la señal está habilitada para la trama en curso.
El procedimiento concreto de modificación de la señal se realiza en el bloque 105 "modificación de la señal en sincronía con la altura tonal". El bloque 105 en primer lugar forma una señal objetivo basándose en el contorno de retardo determinado en el bloque 103 para posteriormente ajustar los segmentos de ciclos de altura tonal individuales a esta señal objetivo. Los segmentos de ciclo de altura tonal se desplazan a continuación de uno en uno para aumentar al máximo su correlación con esta señal objetivo. Para mantener la complejidad en un nivel bajo, mientras se busca el desplazamiento óptimo y se desplazan los segmentos no se aplica ningún alineamiento por deformación temporal continua.
La forma de realización ilustrativa del método de modificación de la señal según se da a conocer en la presente memoria descriptiva se habilita típicamente solo sobre tramas de voz puramente sonoras. Por ejemplo, las tramas de transición tales como los comienzos sonoros no se modifican debido a un riesgo alto de provocar artefactos. Normalmente, en tramas puramente sonoras, los ciclos de altura tonal cambian de forma relativamente lenta y por consiguiente bastan desplazamientos pequeños para adaptar la señal al modelo de predicción de largo plazo. Debido a que solamente se realizan ajustes de señal conservadores, pequeños, se minimiza la probabilidad de provocar artefactos.
El método de modificación de la señal constituye un clasificador eficaz para segmentos puramente sonoros, y por lo tanto un mecanismo de determinación de la velocidad a usar en una codificación de señales de voz, controlada por la fuente. Cada bloque 101, 103 y 105 de la Figura 2 proporciona varios indicadores sobre la periodicidad de la señal y la idoneidad de la modificación de la señal en la trama en curso. Estos indicadores se analizan en los bloques lógicos 102, 104 y 106 para determinar un modo de codificación y una velocidad binaria adecuados para la trama en curso. Más específicamente, estos bloques lógicos 102, 104 y 106 monitorizan el éxito de las operaciones realizadas en los bloques 101, 103 y 105.
Si el bloque 102 detecta que la operación realizada en el bloque 101 tiene éxito, el método de modificación de la señal continúa en el bloque 103. Cuando este bloque 102 detecta un fallo en la operación realizada en el bloque 101, el procedimiento de modificación de la señal se termina y la trama de voz original se conserva intacta para la codificación (ver bloque 108 que se corresponde con el modo normal (sin modificación de la señal)).
Si el bloque 104 detecta que la operación realizada en el bloque 103 tiene éxito, el método de modificación de la señal continúa en el bloque 105. Cuando, por el contrario, este bloque 104 detecta un fallo en la operación realizada en el bloque 103, el procedimiento de modificación de la señal se termina y la trama de voz original se conserva intacta para la codificación (ver bloque 108 que se corresponde con el modo normal (sin modificación de la señal)).
Si el bloque 106 detecta que la operación realizada en el bloque 105 tiene éxito, se utiliza un modo de velocidad binaria baja con modificación de la señal (ver bloque 107). Por el contrario, cuando este bloque 106 detecta un fallo en la operación realizada en el bloque 105 el procedimiento de modificación de la señal se termina y la trama de voz original se conserva intacta para la codificación (ver bloque 108 que se corresponde con el modo normal (sin modificación de la señal)). El funcionamiento de los bloques 101 a 108 se describirá de forma detallada posteriormente en la presente descripción.
La Figura 3 es un diagrama de bloques esquemático de un ejemplo ilustrativo de un sistema de comunicación de voz que representa el uso de un codificador y un decodificador de voz. El sistema de comunicación de voz de la Figura 3 soporta la transmisión y reproducción de una señal de voz por un canal de comunicaciones 205. Aunque puede comprender por ejemplo un cable, un enlace óptico o un enlace de fibra, el canal de comunicaciones 205 comprende típicamente por lo menos en parte un enlace de radiofrecuencia. El enlace de radiofrecuencia soporta frecuentemente múltiples comunicaciones de voz simultáneas que requieren recursos de ancho de banda compartidos tal como puede observarse con la telefonía celular. Aunque no se muestra, el canal de comunicaciones 205 puede reemplazarse por un dispositivo de almacenamiento que registra y almacena la señal de voz codificada para su reproducción
posterior.
En el lado transmisor, un micrófono 201 produce una señal de voz analógica 210 que se suministra a un convertidor analógico a digital (A/D) 202. La función del convertidor A/D 202 es convertir la señal de voz analógica 210 en una señal de voz digital 211. Un codificador de voz 203 codifica la señal de voz digital 211 para producir un conjunto de parámetros de codificación 212 que se codifican en forma binaria y se entregan a un codificador de canal 204. El codificador de canal 204 agrega redundancia a la representación binaria de los parámetros de codificación antes de transmitirlos en un flujo de bits 213 sobre el canal de comunicaciones 205.
En el lado receptor, a un decodificador de canal 206 se le suministra la representación binaria redundante antes mencionada de los parámetros de codificación provenientes del flujo de bits 214 recibido para detectar y corregir errores de canal que ocurrieron en la transmisión. Un decodificador de voz 207 convierte el flujo de bits con errores de canal corregidos 215 proveniente del decodificador de canal 206 de vuelta a un conjunto de parámetros de codificación para crear una señal de voz digital sintetizada 216. La señal de voz sintetizada 216 reconstruida por el decodificador de voz 207 se convierte a una señal de voz analógica 217 mediante un convertidor digital a analógico (D/A) 208 y se reproduce mediante una unidad de altavoz 209.
La Figura 4 es un diagrama de bloques esquemático que muestra las operaciones realizadas por la forma de realización ilustrativa del codificador de voz 203 (Figura 3) que incorpora la funcionalidad de modificación de la señal. La presente memoria descriptiva presenta una implementación novedosa de esta funcionalidad de modificación de la señal del bloque 603 de la Figura 4. Las otras operaciones realizadas por el codificador de voz 203 son bien conocidas para aquellos con conocimientos habituales en la materia y las mismas se han descrito, por ejemplo, en la publicación [10]
[10] 3GPP TS 26.190, "AMR Wideband Speech Codec: Transcoding Functions", 3GPP Technical Specification.
la cual se incorpora al presente documento a título de referencia. Cuando no se especifique lo contrario, la implementación de las operaciones de codificación y decodificación de voz en las formas de realización ilustrativas y los ejemplos de la presente invención cumplirán la Norma del Códec de Voz de Banda Ancha AMR (AMR-WB).
El codificador de voz 203 tal como se muestra en la Figura 4 codifica la señal de voz digitalizada utilizando uno o una pluralidad de modos de codificación. Cuando se utiliza una pluralidad de modos de codificación y la funcionalidad de modificación de la señal se deshabilita en uno de estos modos, este modo específico funcionará de acuerdo con normas bien establecidas conocidas para aquellos con conocimientos habituales en la materia.
Aunque no se muestra en la Figura 4, la señal de voz se muestrea a una velocidad de 16 kHz y cada muestra de la señal de voz se digitaliza. La señal de voz digital se divide a continuación en tramas sucesivas de una longitud determinada y cada una de estas tramas se divide en un número determinado de subtramas sucesivas. La señal de voz digital se somete además a un preprocesado tal como da a conocer la norma AMR-WB. Este preprocesado incluye un filtrado pasa-altas, un filtrado de preénfasis utilizando un filtro P(z) = 1 - 0,68 z^{-1} y un diezmado de la velocidad de muestreo de 16 kHz a 12,8 kHz. Las operaciones subsiguientes de la Figura 4 consideran que la señal de voz de entrada s(t) ha sido preprocesada y diezmada a la velocidad de muestreo de 12,8 kHz.
El codificador de voz 203 comprende un módulo de análisis y cuantificación LP (Predicción Lineal) 601 sensible a la señal de voz digital preprocesada, de entrada, s(t) 617, para calcular y cuantificar los parámetros a_{0}, a_{1}, a_{2} ..., a_{nA} del filtro LP 1/A(z), en el que n_{A} es el orden del filtro A(z)= a_{0} + a_{1}z^{-1} + a_{2}z^{-2} + ... + a_{nA}z^{-nA}. La representación binaria 616 de estos parámetros del filtro LP cuantificados se suministra al multiplexor 614 y posteriormente se multiplexa en el flujo de bits 615. Los parámetros del filtro LP no cuantificados y cuantificados pueden interpolarse para obtener los parámetros del filtro LP correspondientes para cada subtrama.
El codificador de voz 203 comprende además un estimador de altura tonal 602 para calcular estimaciones de altura tonal de bucle abierto 619 para la trama en curso en respuesta a los parámetros 618 del filtro LP provenientes del módulo de análisis y cuantificación LP 601. Estas estimaciones de altura tonal de bucle abierto 619 se interpolan sobre la trama a usar en un módulo de modificación de la señal 603.
Las operaciones realizadas en el módulo de análisis y cuantificación LP 601 y el estimador de altura tonal 602 pueden implementarse conforme a la Norma AMR-WB mencionada anteriormente.
El módulo de modificación de la señal 603 de la Figura 4 realiza una operación de modificación de la señal antes que la búsqueda de altura tonal de bucle cerrado de la señal de excitación de libro de códigos adaptativo para ajustar la señal de voz al contorno de retardo determinado d(t). En la forma de realización ilustrativa, el contorno de retardo d(t) define un retardo de predicción de largo plazo para cada muestra de la trama. Por construcción el contorno de retardo queda caracterizado totalmente sobre la trama t \epsilon (t_{n-1}, t_{n}) por un parámetro de retardo 620 d_{n} = d(t_{n}) y su valor anterior d_{n-1} = d(t_{n-1}) que son iguales al valor del contorno de retardo en los límites de trama. El parámetro de retardo 620 se determina como parte de la operación de modificación de la señal, y se codifica y a continuación se suministra al multiplexor 614 en el que se multiplexa en el flujo de bits 615.
El contorno de retardo d(t) que define un parámetro de retardo de predicción de largo plazo para cada muestra de la trama se suministra a un libro de códigos adaptativo 607. El libro de códigos adaptativo 607 es sensible al contorno de retardo d(t) para formar la excitación de libro de códigos adaptativo u_{b}(t) de la subtrama en curso a partir de la excitación u(t) utilizando el contorno de retardo d(t) como u_{b}(t) = u(t - d(t)). De este modo el contorno de retardo establece una correspondencia de la muestra antigua de la señal de excitación u(t - d(t)) con la muestra actual en la excitación de libro de códigos adaptativo u_{b}(t).
El procedimiento de modificación de la señal también produce una señal residual modificada \check{r}(t) que se utilizará para componer una señal objetivo modificada 621 para la búsqueda de bucle cerrado de la excitación de libro de códigos fijo u_{c}(t). La señal residual modificada \check{r}(t) se obtiene en el módulo de modificación de la señal 603 alineando por deformación temporal los segmentos de ciclos de altura tonal de la señal residual LP, y la misma se suministra al bloque de cálculo de la señal objetivo modificada en el módulo 604. El filtrado de síntesis LP de la señal residual modificada con el filtro 1/A(z) proporciona a continuación en el módulo 604 la señal de voz modificada. La señal objetivo modificada 621 de la búsqueda de excitación de libro de códigos fijo se forma en el módulo 604 de acuerdo con el funcionamiento de la Norma AMR-WB, aunque con la señal de voz original reemplazada por su versión modificada.
Después de que se hayan obtenido la excitación de libro de códigos adaptativo u_{b}(t) y la señal objetivo modificada 621 para la subtrama en curso, la codificación puede proseguir adicionalmente utilizando medios convencionales.
La función de la búsqueda de la excitación de libro de códigos fijo de bucle cerrado es determinar la señal de libro de códigos fijo u_{c}(t) para la subtrama en curso. Para ilustrar esquemáticamente el funcionamiento de la búsqueda de libro de códigos fijo de bucle cerrado, la excitación de libro de códigos fijo u_{c}(t) se escala en ganancia mediante un amplificador 610. De la misma manera, la excitación de libro de códigos adaptativo u_{b}(t) se escala en ganancia mediante un amplificador 609. Las excitaciones de libro de códigos adaptativo y fijo u_{b}(t) y u_{c}(t) escaladas en ganancia se suman entre sí mediante un sumador 611 para formar una señal de excitación total u(t). Esta señal de excitación total u(t) se procesa mediante un filtro de síntesis LP 1/A(z) 612 para producir una señal de voz de síntesis 625 que se resta de la señal objetivo modificada 621 mediante un sumador 605 para producir una señal de error 626. Un módulo de ponderación y minimización de errores 606 es sensible a la señal de error 626 para calcular, según métodos convencionales, los parámetros de ganancia para los amplificadores 609 y 610 cada subtrama. El módulo de ponderación y minimización de errores 606 calcula además, de acuerdo con métodos convencionales y en respuesta a la señal de error 626, la entrada 627 al libro de códigos fijo 608. Los parámetros de ganancia cuantificados 622 y 623 y los parámetros 624 que caracterizan la señal de excitación de libro de códigos fijo u_{c}(t) se suministran al multiplexor 614 y se multiplexan en el flujo de bits 615. El procedimiento anterior se realiza de la misma manera cuando la modificación de la señal se encuentra tanto habilitada como deshabilitada.
Debería observarse que, cuando la funcionalidad de modificación de la señal esta deshabilitada, el libro de códigos adaptativo de excitación 607 funciona según métodos convencionales. En este caso, se busca un parámetro de retardo independiente para cada subtrama en el libro de códigos adaptativo 607 para mejorar la precisión de las estimaciones de altura tonal de bucle abierto 619. Estos parámetros de retardo son codificados, suministrados al multiplexor 614 y multiplexados en el flujo de bits 615. Además, la señal objetivo 621 para la búsqueda de libro de códigos fijo se forma de acuerdo con métodos convencionales.
El decodificador de voz tal como se muestra en la Figura 13 funciona según métodos convencionales excepto cuando la modificación de la señal está habilitada. El funcionamiento de la modificación de la señal habilitada y deshabilitada difiere de forma esencial solamente en la manera en la que se forma la señal de excitación de libro de códigos adaptativo u_{b}(t). En ambos modos de funcionamiento, el decodificador decodifica los parámetros recibidos a partir de su representación binaria. Típicamente los parámetros recibidos incluyen parámetros de excitación, ganancia, retardo y LP. Los parámetros de excitación decodificados se utilizan en el módulo 701 para formar la señal de excitación de libro de códigos fijo u_{c}(t) para cada subtrama. Esta señal se proporciona mediante un amplificador 702 a un sumador 703. De forma similar, la señal de excitación de libro de códigos adaptativo u_{b}(t) de la subtrama en curso se suministra al sumador 703 mediante un amplificador 704. En el sumador 703, las señales de excitación de libro de códigos adaptativo y fijo u_{b}(t) y u_{c}(t) escaladas en ganancia se suman entre sí para formar una señal de excitación total u(t) para la subtrama en curso. Esta señal de excitación u(t) se procesa mediante el filtro de síntesis LP 1/A(z) 708, que utiliza parámetros LP interpolados en el módulo 707 para la subtrama en curso, con vistas a producir la señal de voz sintetizada \hat{s}(t).
Cuando se habilita la modificación de la señal, el decodificador de voz recupera el contorno de retardo d(t) en el módulo 705 utilizando el parámetro de retardo d_{n} recibido y su valor recibido previo d_{n-1} tal como en el codificador. Este contorno de retardo d(t) define un parámetro de retardo de predicción de largo plazo para cada instante de tiempo de la trama en curso. Se forma la excitación de libro de códigos adaptativo u_{b}(t)= u(t-d(t)) a partir de la excitación antigua para la subtrama en curso tal como en el codificador utilizando el contorno de retardo d(t).
La descripción restante da a conocer el funcionamiento detallado del procedimiento de modificación de la señal 603 así como su uso como parte del mecanismo de determinación del modo.
Búsqueda de impulsos de altura tonal y de segmentos de ciclo de altura tonal
El método de modificación de la señal funciona de forma síncrona con la altura tonal y las tramas, desplazando individualmente cada segmento de ciclo de altura tonal detectado aunque acotando el desplazamiento en los límites de trama. Esto requiere medios para localizar impulsos de altura tonal y segmentos de ciclo de altura tonal correspondientes para la trama en curso. En la forma de realización ilustrativa del método de modificación de la señal, los segmentos de ciclos de altura tonal se determinan basándose en impulsos de altura tonal detectados que se buscan según la
Figura 5.
La búsqueda de impulsos de altura tonal puede actuar sobre la señal residual r(t), la señal de voz ponderada
w(t) y/o la señal de voz sintetizada ponderada \hat{w}(t). La señal residual r(t) se obtiene filtrando la señal de voz s(t) con el filtro LP A(z), que se ha interpolado para las subtramas. En la forma de realización ilustrativa, el orden del filtro LP A(z) es 16. La señal de voz ponderada w(t) se obtiene procesando la señal de voz s(t) mediante el filtro de
ponderación
100
en el que los coeficientes \gamma_{1} = 0,92 y \gamma_{2} = 0,68. La señal de voz ponderada w(t) se utiliza con frecuencia en la estimación de la altura tonal de bucle abierto (módulo 602) puesto que el filtro de ponderación definido por la Ecuación (1) atenúa la estructura de los formantes en la señal de voz s(t) y preserva la periodicidad también en segmentos de señal sinusoidal. Eso facilita la búsqueda de impulsos de altura tonal ya que la posible periodicidad de la señal se vuelve claramente evidente en señales ponderadas. Debería observarse que la señal de voz ponderada w(t) también es necesaria para la anticipación con vistas a buscar el último impulso de altura tonal en la trama en curso. Esta opción puede realizarse utilizando el filtro de ponderación de la Ecuación (1) formado en la última subtrama de la trama en curso sobre la parte anticipada.
El procedimiento de búsqueda de impulsos de altura tonal de la Figura 5 comienza en el bloque 301 localizando el último impulso de altura tonal de la trama previa de la señal residual r(t). Un impulso de altura tonal típicamente destaca claramente como el valor absoluto máximo de la señal residual filtrada por pasa-bajas en un ciclo de altura tonal que tiene una longitud de aproximadamente p(t_{n-1}). Para el filtrado pasa-bajas se utiliza una ventana Hamming normalizada H_{5}(z) = (0,08 z^{-2} + 0,54 z^{-1} + 1 + 0,54 z + 0,08 z^{2})/2,24 que tiene una longitud de cinco (5) muestras para facilitar la localización del último impulso de altura tonal de la trama previa. Esta posición del impulso de altura tonal se indica con T_{0}. La forma de realización ilustrativa del método de modificación de la señal según la invención no requiere una posición exacta para este impulso de altura tonal, sino, por el contrario, una estimación de ubicación aproximada del segmento de alta energía en el ciclo de altura tonal.
Después de localizar el último impulso de altura tonal en T_{0} en la trama previa, se extrae un prototipo de impulso de altura tonal de longitud 2l + 1 muestras en el bloque 302 de la Figura 5 en torno a esta estimación de posición aproximada como, por ejemplo:
101
Este prototipo de impulso de altura tonal se utiliza posteriormente para localizar impulsos de altura tonal en la trama en curso.
La señal de voz ponderada sintetizada \hat{w}(t) (o la señal de voz ponderada w(t)) puede utilizarse para el prototipo de impulso en lugar de la señal residual r(t). Esto facilita la búsqueda de impulsos de altura tonal, ya que la estructura periódica de la señal se conserva mejor en la señal de voz ponderada. La señal de voz ponderada sintetizada \hat{w}(t) se obtiene filtrando la señal de voz sintetizada \hat{s}(t) de la última subtrama de la trama previa mediante el filtro de ponderación W(z) de la Ecuación (1). Si el prototipo de impulso de altura tonal se extiende sobre el extremo de la trama previamente sintetizada, para esta parte sobrante se utiliza la señal de voz ponderada w(t) de la trama en curso. El prototipo de impulso de altura tonal tiene una correlación alta con los impulsos de altura tonal de la señal de voz ponderada w(t) si la trama de voz sintetizada anterior ya contiene un ciclo de altura tonal bien desarrollado. Por lo tanto, el uso de la voz sintetizada al extraer el prototipo proporciona información adicional para monitorizar el rendimiento de la codificación y seleccionar un modo de codificación apropiado en la trama en curso tal como se explicará con más detalle en la siguiente descripción.
La selección de l = 10 muestras proporciona un buen compromiso entre la complejidad y el rendimiento en la búsqueda de impulsos de altura tonal. El valor de l también se puede determinar proporcionalmente a la estimación de altura tonal de bucle abierto.
Dada la posición T_{0} del último impulso en la trama previa, se puede predecir que el primer impulso de altura tonal de la trama en curso se producirá aproximadamente en el instante T_{0} + p(T_{0}). En este caso p(t) indica la estimación de la altura tonal de bucle abierto interpolada en el instante (posición) t. Esta predicción se realiza en el bloque 303.
En el bloque 305, se mejora la precisión de la posición predicha T_{0} + p(T_{0}) del impulso de altura tonal como
102
en la que la señal de voz ponderada w(t) en la proximidad de la posición predicha se correlaciona con el prototipo de impulso:
103
Así la mejora de la precisión es el argumento j, limitado a [-j_{max}, j_{max}], que maximiza la correlación ponderada C(j) entre el prototipo de impulso y una de entre las antes mencionadas señal residual, señal de voz ponderada o señal de voz sintetizada ponderada. Según un ejemplo ilustrativo, el límite j_{max} es proporcional a la estimación de altura tonal de bucle abierto como min{20, <p(0)/4>}, en la que el operador <·> indica redondeo al entero más cercano. La función de ponderación
104
en la Ecuación (4) favorece la posición del impulso predicha utilizando la estimación de altura tonal de bucle abierto, puesto que \gamma(j) alcanza su valor máximo 1 en j = 0. El denominador p(T_{0} + p(T_{0})) en la Ecuación (5) es la estimación de la altura tonal de bucle abierto para la posición predicha del impulso de altura tonal.
Después de que se haya hallado la primera posición T_{1} del impulso de altura tonal utilizando la Ecuación (3), se puede predecir que el siguiente impulso de altura tonal aparecerá en el instante T_{2} = T_{1} + p(T_{1}) y su precisión se mejora tal como se ha descrito anteriormente. Esta búsqueda de impulsos de altura tonal que comprende la predicción 303 y la mejora de precisión 305 se repite hasta que el procedimiento bien de predicción o bien de mejora de precisión proporcione una posición del impulso de altura tonal fuera de la trama en curso. Estas condiciones se verifican en el bloque lógico 304 para la predicción de la posición del siguiente impulso de altura tonal (bloque 303) y en el bloque lógico 306 para mejora de la precisión de esta posición del impulso de altura tonal (bloque 305). Debería observarse que el bloque lógico 304 termina la búsqueda solamente si una posición predicha del impulso se encuentra en una ubicación tan lejana en la trama subsiguiente que la etapa de mejora de la precisión no puede devolverlo a la trama en curso. Este procedimiento proporciona c posiciones de impulsos de altura tonal dentro de la trama en curso, indicadas con T_{1}, T_{2}, ..., T_{c}.
Según un ejemplo ilustrativo, los impulsos de altura tonal se localizan con una resolución a nivel de enteros excepto el último impulso de altura tonal de la trama indicado con T_{c}. Puesto que para determinar el parámetro de retardo a transmitir se necesita la distancia exacta entre los últimos impulsos de dos tramas sucesivas, el último impulso se localiza utilizando una resolución fraccionaria de 1/4 de muestra en la Ecuación (4) para j. La resolución fraccionaria se obtiene muestreando w(t) en las proximidades del último impulso de altura tonal predicho antes de evaluar la correlación de la Ecuación (4). Según un ejemplo ilustrativo, para el muestreo se usa la interpolación de función sinc con ventana Hamming de longitud 33. La resolución fraccionaria de la última posición del impulso de altura tonal ayuda a mantener el buen rendimiento de la predicción de largo plazo a pesar de la acotación de la sincronía temporal establecida para el extremo de la trama. Esta opción se obtiene con un coste de la velocidad binaria adicional necesaria para transmitir el parámetro de retardo con una mayor exactitud.
Después de completar la segmentación de los ciclos de altura tonal en la trama en curso, se determina un desplazamiento óptimo para cada segmento. Esta operación se realiza utilizando la señal de voz ponderada w(t) tal como se explicará en la siguiente descripción. Para reducir la distorsión causada por el alineamiento por deformación temporal, los desplazamientos de segmentos de ciclos de altura tonal individuales se implementan utilizando la señal residual LP r(t). Puesto que el desplazamiento distorsiona la señal particularmente alrededor de los límites del segmento, es esencial colocar los límites en secciones de baja potencia de la señal residual r(t). En un ejemplo ilustrativo, los límites del segmento se sitúan aproximadamente en medio de dos impulsos de altura tonal consecutivos, aunque acotados dentro de la trama en curso. Los límites del segmento se seleccionan siempre dentro de la trama en curso de tal manera que cada segmento contenga exactamente un impulso de altura tonal. Los segmentos con más de un impulso de altura tonal o segmentos "vacíos" sin ningún impulso de altura tonal dificultan la comparación subsiguiente, basada en una correlación, con la señal objetivo y deberían evitarse en la segmentación de ciclos de altura tonal. El s^{ésimo} segmento extraído de l_{s} muestras se indica como w_{s}(k) para k = 0, 1,..., l_{s} - 1. El instante de inicio de este segmento es t_{s}, seleccio-
nado de tal manera que w_{s}(0) = w(t_{s}). El número de segmentos en la trama actual se indica con la referencia c.
Cuando se selecciona el límite del segmento entre dos impulsos de altura tonal sucesivos T_{s} y T_{s}_{+1} dentro de la trama en curso, se utiliza el siguiente procedimiento. En primer lugar el instante central entre dos impulsos se calcula como \Lambda = <(T_{s} + T_{s}_{+1})/2>. Las posiciones candidatas para el límite del segmento se ubican en la zona [\Lambda-\varepsilon_{max}, \Lambda+\varepsilon_{max}], en la que \varepsilon_{max} se corresponde con cinco muestras. La energía de cada posición de límite candidata se calcula como
105
Se selecciona la posición que proporciona la menor energía ya que esta elección típicamente da como resultado la menor distorsión en la señal de voz modificada. El instante que lleva al mínimo la Ecuación (6) se indica como \varepsilon. El instante de inicio del nuevo segmento se selecciona como t_{s} = \Lambda + \varepsilon. Este también define la longitud del segmento anterior, ya que el segmento previo finaliza en el instante \Lambda + \varepsilon - 1.
La Figura 6 muestra un ejemplo ilustrativo de la segmentación de ciclos de altura tonal. Obsérvese particularmente el primer y el último segmento w_{1}(k) y w_{4}(k), respectivamente, extraídos de tal manera que no se obtiene ningún segmento vacío y no se superan los límites de la trama.
Determinación del parámetro de retardo
En general la ventaja principal de la modificación de la señal es que solamente debe codificarse y transmitirse hacia el decodificador (no mostrado) un parámetro de retardo por trama. Sin embargo, debe prestarse especial atención a la determinación de este parámetro individual. El parámetro de retardo no solamente define junto con su valor anterior la evolución de la longitud del ciclo de altura tonal con respecto a la trama, sino que también influye en la asincronía temporal en la señal modificada resultante.
En los métodos descritos en [1, 4 a 7]
[1] W. B. Kleijn, P. Kroon, y D. Nahumi, "The RCELP speech-coding algorithm", European Transactions on Telecommunications, Vol. 4, nº 5, págs. 573 a 582, 1994.
[4] Patente US nº 5.704.003, "RCELP coder", Lucent Technologies Inc., (W. B.Kleijn y D. Nahumi), fecha de presentación 19 de septiembre de 1995.
[5] Solicitud de patente europea 0 602 826 A2, "Time shifting for analysis-by-synthesis coding", AT&T Corp., (B. Kleijn), fecha de presentación 1 de diciembre de 1993.
[6] Solicitud de patente WO 00/11653, "Speech encoder with continuous warping combined with long term prediction", Conexant Systems Inc., (Y. Gao), fecha de presentación 24 de agosto de 1999.
[7] Solicitud de patente WO 00/11654, "Speech encoder adaptively applying pitch preprocessing with continuous warping", Conexant Systems Inc., (H. Su y Y. Gao), fecha de presentación 24 de agosto de 1999.
no se requiere ninguna sincronía temporal en los límites de la trama, y de este modo el parámetro de retardo a transmitir puede determinarse directamente utilizando una estimación de la altura tonal de bucle abierto. Esta selección normalmente produce una asincronía temporal en el límite de la trama, y se traduce en un desplazamiento de tiempo acumulado en la trama subsiguiente ya que debe conservarse la continuidad de la señal. Aunque el oído humano es insensible a cambios en la escala de tiempo de la señal de voz sintetizada, el aumento de la asincronía temporal complica la implementación del codificador. De hecho, se requieren grandes memorias intermedias de señal para alojar las señales cuya escala de tiempo puede haber sido extendida, y debe implementarse un módulo lógico de control para limitar el desplazamiento acumulado durante la codificación. Además, la asincronía de tiempo de varias muestras típicas en la codificación RCELP puede provocar una desadaptación entre los parámetros LP y la señal residual modificada. Esta desadaptación puede producir artefactos perceptibles sobre la señal de voz modificada que se sintetiza por filtrado LP de la señal residual modificada.
Por el contrario, la forma de realización ilustrativa del método de modificación de la señal según la presente invención conserva la sincronía de tiempo en los límites de la trama. Así, en los extremos de la trama se produce un desplazamiento estrictamente acotado y cada trama nueva comienza en coincidencia de tiempo perfecta con la trama de voz original.
Para garantizar la sincronía de tiempo en el extremo de la trama, el contorno de retardo d(t) establece, con la predicción de largo plazo, una correspondencia del último impulso de altura tonal en el extremo de la trama de voz sintetizada anterior con los impulsos de altura tonal de la trama en curso. El contorno de retardo define un parámetro de retardo de predicción de largo plazo interpolado, sobre la n^{ésima} trama en curso para cada muestra desde el instante t_{n-1} + 1 al t_{n}. Al decodificador solamente se transmite el parámetro de retardo d_{n}= d(t_{n}) en el extremo de la trama lo cual supone que d(t) debe tener una forma totalmente especificada por los valores transmitidos. El parámetro de retardo de predicción de largo plazo tiene que ser seleccionado de tal manera que el contorno de retardo resultante cumpla el establecimiento de la correspondencia de los impulsos. En forma matemática este establecimiento de correspondencia puede presentarse de la manera siguiente: Sea \kappa_{c} una variable de tiempo temporal y T_{0} y T_{c} las últimas posiciones de impulsos de altura tonal en las tramas previa y en curso, respectivamente. A continuación, el parámetro de retardo d_{n} tiene que seleccionarse de tal manera que, después de ejecutar el seudocódigo presentado en la Tabla 1, la variable \kappa_{c} tenga un valor muy cercano a T_{0} minimizando el error |\kappa_{c} - T_{0}|. El seudocódigo comienza a partir del valor \kappa_{0} = T_{c} y se itera hacia atrás c veces actualizando \kappa_{i} := \kappa_{i-1} - d(\kappa_{i-1}). Si a continuación \kappa_{c} es igual a T_{0}, la predicción de largo plazo puede utilizarse con eficacia máxima sin asincronía de tiempo en el extremo de la trama.
TABLA 1 Bucle para buscar el parámetro de retardo óptimo
1
En la Figura 7 se ilustra un ejemplo del funcionamiento del bucle de selección de retardo en el caso de c = 3. El bucle comienza en el valor \kappa_{0} = T_{c} y calcula la primera iteración hacia atrás como \kappa_{1} = \kappa_{0} - d(\kappa_{0}). Las iteraciones se realizan dos veces más dando como resultado \kappa_{2} = \kappa_{1} - d(\kappa_{1}) y \kappa_{3} = \kappa_{2} - d(\kappa_{2}). El valor final \kappa_{3} se compara a continuación con T_{0} en términos del error e_{n} = |\kappa_{3} - T_{0}|. El error resultante es una función del contorno de retardo que se ajusta en el algoritmo de selección del retardo tal como se dará a conocer posteriormente en la presente memoria descriptiva.
Los métodos de modificación de la señal [1, 4, 6, 7] según se describen en los siguientes documentos:
[1] W. B. Kleijn, P. Kroon, y D. Nahumi, "The RCELP speech-coding algorithm", European Transactions on Telecommunications, Vol. 4, nº 5, págs. 573 a 582, 1994.
[4] Patente US nº 5.704.003, "RCELP coder", Lucent Technologies Inc., (W. B. Kleijn y D. Nahumi), fecha de presentación 19 de septiembre de 1995.
[6] Solicitud de patente WO 00/11653, "Speech encoder with continuous warping combined with long term prediction", Conexant Systems Inc., (Y. Gao), fecha de presentación 24 de agosto de 1999.
[7] Solicitud de patente WO 00/11654, "Speech encoder adaptively applying pitch preprocessing with continuous warping", Conexant Systems Inc., (H. Su y Y. Gao), fecha de presentación 24 agosto de 1999.
interpolan los parámetros de retardo linealmente sobre la trama entre d_{n-1} y d_{n}. Sin embargo, cuando se requiere sincronía de tiempo en el extremo de la trama, la interpolación lineal tiende a producir un contorno de retardo oscilante. De este modo, los ciclos de altura tonal en la señal de voz modificada se contraen y extienden provocando periódicamente artefactos que resultan molestos con mucha facilidad. La evolución y amplitud de las oscilaciones están relacionadas con la última posición de la altura tonal. Cuanto más lejos esté el último impulso de altura tonal con respecto al extremo de la trama con relación al periodo de la altura tonal, más probable será la amplificación de las oscilaciones. Puesto que la sincronía de tiempo en el extremo de la trama es un requisito esencial de la forma de realización ilustrativa del método de modificación de la señal según la presente invención, la popular interpolación lineal de los métodos anteriores no puede utilizarse sin deteriorar la calidad de la voz. En cambio, la forma de realización ilustrativa del método de modificación de la señal según la presente invención da a conocer un contorno de retardo lineal por tramos
2
en la que
106
Las oscilaciones se reducen significativamente utilizando este contorno de retardo. En este caso t_{n} y t_{n-1} son los instantes finales de las tramas en curso y previa, respectivamente, y d_{n} y d_{n-1} son los valores correspondientes de los parámetros de retardo. Obsérvese que t_{n-1} + \sigma_{n} es el instante después del cual el contorno de retardo permanece constante.
En un ejemplo ilustrativo, el parámetro \sigma_{n} varía en función de d_{n-1} como
3
y la longitud de trama N es 256 muestras. Para evitar oscilaciones, es aconsejable disminuir el valor de \sigma_{n} a medida que aumenta la longitud del ciclo de altura tonal. Por otro lado, para evitar cambios rápidos en el contorno de retardo d(t) al principio de la trama ya que t_{n-1} < t < t_{n-1} + \sigma_{n}, el parámetro \sigma_{n} tiene que ser siempre por lo menos la mitad de la longitud de la trama. Los cambios rápidos en d(t) deterioran fácilmente la calidad de la señal de voz modificada.
Obsérvese que dependiendo del modo de codificación de la trama previa, d_{n-1} puede ser bien el valor de retardo en el extremo de la trama (modificación de la señal habilitada) o bien el valor de retardo de la última subtrama (modificación de la señal deshabilitada). Puesto que el valor antiguo d_{n-1} del parámetro de retardo es conocido en el decodificador, el contorno de retardo queda inequívocamente definido por d_{n}, y el decodificador puede formar el contorno de retardo utilizando la Ecuación (7).
El único parámetro que puede variarse mientras se busca el contorno de retardo óptimo es d_{n}, quedando acotado a [34, 231] el valor del parámetro de retardo en el extremo de la trama. No existe ningún método explícito sencillo para hallar el d_{n} óptimo en un caso general. En cambio, deben probarse varios valores para hallar la mejor solución. Sin embargo, la búsqueda es directa. El valor de d_{n} puede predecirse en primer lugar como
107
En la forma de realización ilustrativa, la búsqueda se realiza en tres fases aumentando la resolución y concentrando el intervalo de búsqueda a revisar dentro de [34, 231] en cada fase. Los parámetros de retardo que proporcionan el error más pequeño e_{n} = |\kappa_{c}-T_{0}| en el procedimiento de la Tabla 1 en estas tres fases se indican con d_{n}^{(1)}, d_{n}^{(2)}, y d_{n} = d_{n}^{(3)}, respectivamente. En la primera fase, la búsqueda se realiza en torno al valor d_{n}^{(0)}, predicho utilizando la Ecuación (10) con una resolución de cuatro muestras en el intervalo [d_{n}^{(0)} - 11, d_{n}^{(0)} + 12] cuando d_{n}^{(0)} < 60, y en el intervalo [d_{n}^{(0)} - 15, d_{n}^{(0)} + 16] en cualquier otro caso. La segunda fase acota el intervalo a [d_{n}^{(1)} - 3, d_{n}^{(1)} + 3] y utiliza la resolución a nivel de enteros. La tercera y última fase examina el intervalo [d_{n}^{(2)} - 3/4, d_{n}^{(2)} + 3/4] con una resolución de 1/4 de muestra para d_{n}^{(2)} < 92½. Fuera de este último se usan el intervalo [d_{n}^{(2)} - 1/2, d_{n}^{(2)} + 1/2] y una resolución de 1/2 de muestra. Esta tercera fase proporciona el parámetro de retardo óptimo d_{n} a transmitir al decodificador. Este procedimiento es un compromiso entre la exactitud y la complejidad de la búsqueda. Evidentemente, aquellos con conocimientos habituales en la materia pueden implementar fácilmente la búsqueda del parámetro de retardo bajo las acotaciones de la sincronía de tiempo utilizando medios alternos sin desviarse con respecto a la naturaleza de la presente invención.
El parámetro de retardo d_{n} \epsilon [34, 231] puede codificarse utilizando nueve bits por trama usando una resolución de 1/4 de muestra para d_{n} < 92½ y 1/2 de muestra para d_{n} > 92½.
La Figura 8 ilustra la interpolación del retardo cuando d_{n-1} = 50, d_{n} = 53, \sigma_{n} = 172, y la longitud de la trama N = 256. El método de interpolación utilizado en la forma de realización ilustrativa del método de modificación de la señal se muestra con una línea gruesa mientras que la interpolación lineal que se corresponde con los métodos anteriores se muestra con una línea delgada. Ambos contornos interpolados se comportan aproximadamente de la misma manera en el bucle de selección de retardo de la Tabla 1, aunque la interpolación lineal por tramos descrita produce un cambio absoluto más pequeño |d_{n-1} - d_{n}|. Esta característica reduce las oscilaciones potenciales en el contorno de retardo d(t) y los artefactos molestos en la señal de voz modificada cuya altura tonal seguirá este contorno de retardo.
Para clarificar adicionalmente la ejecución del método de interpolación lineal por tramos, la Figura 9 muestra un ejemplo sobre el contorno de retardo resultante d(t) sobre diez tramas con línea gruesa. El contorno de retardo correspondiente d(t) obtenido con interpolación lineal convencional se indica con una línea delgada. El ejemplo se ha constituido utilizando una señal de voz artificial que tiene un parámetro de retardo constante de 52 muestras como entrada del procedimiento de modificación de la voz. Como valor inicial para la primera trama se utilizó intencionadamente un parámetro de retardo d_{0} = 54 muestras para ilustrar el efecto de los errores de estimación de la altura tonal típicos en la codificación de voz. A continuación, se buscaron los parámetros de retardo d_{n} tanto para la interpolación lineal como para el método de interpolación lineal por tramos dado a conocer en el presente documento utilizando el procedimiento de la Tabla 1. Todos los parámetros requeridos se seleccionaron de acuerdo con la forma de realización ilustrativa del método de modificación de la señal según la presente invención. Los contornos de retardo d(t) resultantes muestran que la interpolación lineal por tramos proporciona un contorno de retardo d(t) que converge rápidamente mientras que la interpolación lineal convencional no puede alcanzar el valor correcto dentro del período de diez tramas. Estas oscilaciones prolongadas en el contorno de retardo d(t) con frecuencia provocan artefactos molestos sobre la señal de voz modificada deteriorando la calidad global de percepción.
Modificación de la señal
Después de que se hayan determinado el parámetro de retardo d_{n} y la segmentación de los ciclos de altura tonal, puede iniciarse el propio procedimiento de modificación de la señal. En la forma de realización ilustrativa del método de modificación de la señal, la señal de voz se modifica desplazando segmentos de ciclos de altura tonal individuales uno a uno ajustándolos al contorno de retardo d(t). Un desplazamiento de segmento se determina correlacionando el segmento en el dominio de voz ponderada con la señal objetivo. La señal objetivo se forma utilizando la señal de voz ponderada sintetizada \hat{w}(t) de la trama previa y los segmentos anteriores ya desplazados de la trama en curso. El desplazamiento concreto se realiza sobre la señal residual r(t).
La modificación de la señal debe realizarse cuidadosamente tanto para maximizar el rendimiento de la predicción de largo plazo como para simultáneamente conservar la calidad de percepción de la señal de voz modificada. La sincronía de tiempo requerida en los límites de la trama también debe ser tenida en cuenta durante la modificación.
En la Figura 10 se muestra un diagrama de bloques de la forma de realización ilustrativa del método de modificación de la señal. La modificación comienza extrayendo un nuevo segmento w_{s}(k) de l_{s} muestras de la señal de voz ponderada w(t) en el bloque 401. Este segmento queda definido por la longitud del segmento l_{s} y el instante de inicio t_{s} dando como resultado w_{s}(k) = w(t_{s} + k) para k = 0, 1, ..., l_{s} - 1. El procedimiento de segmentación se lleva a cabo de acuerdo con los aspectos dados a conocer de la descripción anterior.
Si no pueden seleccionarse o extraerse más segmentos (bloque 402), se completa la operación de modificación de la señal (bloque 403). En cualquier otro caso, la operación de modificación de la señal continúa con el bloque 404.
Para hallar el desplazamiento óptimo del segmento en curso w_{s}(k), en el bloque 405 se crea una señal objetivo
\tilde{w}(t). Para el primer segmento w_{1}(k) en la trama en curso, esta señal objetivo se obtiene por recursión
108
En este caso \hat{w}(t) es la señal de voz sintetizada ponderada disponible en la trama previa para t \leq t_{n-1}. El parámetro \delta_{1} es el desplazamiento máximo permitido para el primer segmento de longitud l_{1}. La Ecuación (11) puede interpretarse como la simulación de una predicción de largo plazo utilizando el contorno de retardo sobre la parte de la señal en la que puede situarse potencialmente el segmento desplazado en curso. El cálculo de la señal objetivo para los segmentos subsiguientes sigue el mismo principio y se presentará posteriormente en la presente sección.
El procedimiento de búsqueda para hallar el desplazamiento óptimo del segmento en curso puede iniciarse después de formar la señal objetivo. Este procedimiento se basa en la correlación c_{s}(\delta') calculada en el bloque 404 entre el segmento w_{s}(k) que comienza en el instante t_{s} y la señal objetivo \tilde{w}(t) como
109
en la que \delta_{s} determina el desplazamiento máximo permitido para el segmento en curso w_{s}(k) y \lceil·\rceil indica un redondeo hacia más infinito. La correlación normalizada puede utilizarse satisfactoriamente en lugar de la Ecuación (12), aunque con una mayor complejidad. En la siguiente forma de realización ilustrativa, se utilizan los siguientes valores para \delta_{s}:
4
Tal como se describirá posteriormente en esta sección, el valor de \delta_{s} está más limitado para el primero y el último segmento de la trama.
La Correlación (12) se evalúa con una resolución a nivel de enteros, aunque una precisión superior mejora el rendimiento de la predicción de largo plazo. Para mantener la complejidad a un nivel bajo no resulta razonable muestrear directamente la señal w_{s}(k) o \tilde{w}(t) en la Ecuación (12). En cambio, se obtiene una resolución fraccionaria de una manera eficaz con relación al cálculo mediante la determinación del desplazamiento óptimo utilizando la correlación muestreada c_{s} (\delta').
El desplazamiento \delta que maximiza la correlación c_{s} (\delta') se busca en primer lugar con una resolución a nivel de enteros en el bloque 404. A continuación, con una resolución fraccionaria el valor máximo debe localizarse en el intervalo abierto (\delta - 1, \delta + 1), y acotado a [-\delta_{s}, \delta_{s}]. En el bloque 406, se muestrea la correlación c_{s} (\delta') en este intervalo a una resolución de 1/8 de muestra utilizando una interpolación de función sinc con ventana Hamming de una longitud igual a 65 muestras. El desplazamiento \delta que se corresponde con el valor máximo de la correlación muestreada es en este caso el desplazamiento óptimo con una resolución fraccionaria. Después de hallar este desplazamiento óptimo, el segmento de voz ponderada w_{s}(k) se vuelve a calcular con la resolución fraccionaria resuelta en el bloque 407. Es decir, el nuevo instante de inicio preciso del segmento se actualiza como t_{s} := t_{s} - \delta + \delta_{l}, en el que \delta_{l} = \lceil\delta\rceil. Además, el segmento residual r_{s}(k) que se corresponde con el segmento de voz ponderada w_{s}(k) con la resolución fraccionaria se calcula en este momento a partir de la señal residual r(t) utilizando de nuevo la interpolación de función sinc tal como se ha descrito anteriormente (bloque 407). Puesto que la parte fraccionaria del desplazamiento óptimo se incorpora a los segmentos de voz residual y ponderada, todos los cálculos subsiguientes pueden llevarse a cabo con el desplazamiento redondeado hacia arriba \delta_{l} = \lceil\delta\rceil.
La Figura 11 ilustra el nuevo cálculo del segmento w_{s}(k) de acuerdo con el bloque 407 de la Figura 10. En este ejemplo ilustrativo, el desplazamiento óptimo se busca con una resolución de 1/8 de muestra aumentando al máximo la correlación que proporciona el valor \delta = -1^{3}/_{8}. De este modo la parte entera \delta_{l} se convierte en \lceil-1^{3}/_{8}\rceil = -1 y la parte fraccionaria ^{3}/_{8}. Por consiguiente, el instante de inicio del segmento se actualiza como t_{s} = t_{s} + 3/8. En la Figura 11, las muestras nuevas de w_{s}(k) se indican con puntos grises.
Si el bloque lógico 106, el cual se describirá posteriormente, permite continuar con la modificación de la señal, la tarea final consiste en actualizar la señal residual modificada \check{r}(t) copiando el segmento de la señal residual en curso
r_{s}(k) en la primera (bloque 411):
\vskip1.000000\baselineskip
110
\vskip1.000000\baselineskip
Puesto que los desplazamientos en segmentos sucesivos son independientes entre sí, los segmentos posicionados en \check{r}(t) bien se superponen o bien tienen un espacio entre ellos. Para los segmentos superpuestos puede utilizarse un promediado compensado directo. Los espacios se llenan copiando muestras vecinas de los segmentos contiguos. Puesto que el número de muestras superpuestas o perdidas es normalmente pequeño y los límites de los segmentos se producen en zonas de baja energía de la señal residual, normalmente no se provoca ningún artefacto perceptible. Debería observarse que no se utiliza ningún alineamiento por deformación temporal continua de la señal tal como se describe en [2], [6], [7],
[2] W. B. Kleijn, R. P. Ramachandran y P. Kroon, "Interpolation of the pitch-predictor parameters in analysis-by-synthesis speech coders", IEEE Transactions on Speech and Audio Processing, Vol. 2, nº 1, págs. 42 a 54,
1994.
[6] Solicitud de patente WO 00/11653, "Speech encoder with continuous warping combined with long term prediction", Conexant Systems Inc., (Y. Gao), fecha de presentación 24 de agosto de 1999.
[7] Solicitud de patente WO 00/11654, "Speech encoder adaptively applying pitch preprocessing with continuous warping", Conexant Systems Inc., (H. Su y Y. Gao), fecha de presentación 24 agosto de 1999.
sino que la modificación se realiza de forma discontinua desplazando segmentos de ciclos de altura tonal para reducir la complejidad.
El procesado de los segmentos de ciclos de altura tonal subsiguientes sigue el procedimiento antes descrito, excepto que la señal objetivo \tilde{w}(t) en el bloque 405 se forma de manera diferente a la del primer segmento. Las muestras de
\tilde{w}(t) se sustituyen en primer lugar con las muestras de voz ponderada modificada de la manera siguiente
\vskip1.000000\baselineskip
111
\newpage
Este procedimiento se ilustra en la Figura 11. A continuación también se actualizan las muestras que siguen el segmento actualizado,
112
La actualización de la señal objetivo \tilde{w}(t) garantiza una correlación mayor entre segmentos de ciclos de altura tonal sucesivos en la señal de voz modificada considerado el contorno de retardo d(t) y por lo tanto una predicción de largo plazo más precisa. Mientras se procesa el último segmento de la trama, la señal objetivo \tilde{w}(t) no necesita actualizarse.
Los desplazamientos del primer y el último segmentos en la trama son casos especiales que deben realizarse de forma particularmente cuidadosa. Antes de desplazar el primer segmento, debería garantizarse que no existe ninguna zona de alta potencia en la señal residual r(t) cerca del límite de la trama t_{n-1}, ya que el desplazamiento de dicho segmento puede provocar artefactos. La zona de alta potencia se busca elevando al cuadrado la señal residual r(t) de la siguiente manera
113
en la que \varsigma_{0} = <p(t_{n - 1})/2>. Si el máximo de E_{0}(k) se detecta cerca del límite de la trama en el intervalo [t_{n - 1} - 2, t_{n - 1} + 2], el desplazamiento permitido se limita a 1/4 de muestras. Si el desplazamiento propuesto |\delta| para el primer segmento es menor que este límite, el procedimiento de modificación de la señal se habilita en la trama en curso, aunque el primer segmento se mantiene intacto.
El último segmento de la trama se procesa de una manera similar. Tal como se ha descrito en la exposición anterior, el contorno de retardo d(t) se selecciona de tal manera que en principio no se requiera ningún desplazamiento para el último segmento. Sin embargo, debido a que la señal objetivo se actualiza de forma repetida durante la modificación de la señal considerando las correlaciones entre segmentos sucesivos en las Ecuaciones (16) y (17), es posible que el último segmento deba desplazarse ligeramente. En la forma de realización ilustrativa, este desplazamiento se acota siempre de manera que es menor que 3/2 muestras. Si hay una zona de alta potencia en el extremo de la trama, no se permite ningún desplazamiento. Esta condición se verifica utilizando la señal residual al cuadrado
114
en la que \varsigma_{1} = p(t_{n}). Si el máximo de E_{1}(k) se alcanza para k mayor que o igual a t_{n} - 4, no se permite ningún desplazamiento para el último segmento. De forma similar que para el primer segmento, cuando el desplazamiento propuesto |\delta|<1/4, la trama actual sigue aceptándose para la modificación, aunque el último segmento se mantiene intacto.
Debería observarse que, contrariamente a los métodos de modificación de la señal conocidos, el desplazamiento no se traduce a la siguiente trama y cada trama nueva empieza sincronizada perfectamente con la señal de entrada original. Como otra diferencia fundamental particularmente para la codificación RCELP, la forma de realización ilustrativa del método de modificación de la señal procesa una trama de voz completa antes de que se codifiquen las subtramas. Lo cierto es que la modificación a nivel de subtramas permite componer la señal objetivo para cada subtrama utilizando la subtrama previamente codificada lo cual mejora potencialmente el rendimiento. Este planteamiento no puede utilizarse en el contexto de la forma de realización ilustrativa del método de modificación de la señal puesto que la asincronía de tiempo permitida en el extremo de la trama se acota de forma estricta. No obstante, la actualización de la señal objetivo con las Ecuaciones (15) y (16) ofrece, hablando en términos prácticos, el mismo rendimiento con el proceso a nivel de subtramas, ya que la modificación solamente se habilita en tramas sonoras que se desarrollan
uniformemente.
Lógica de determinación de modo incorporada al procedimiento de modificación de la señal
La forma de realización ilustrativa del método de modificación de la señal según la presente invención incorpora un mecanismo eficaz de determinación de modo y de clasificación tal como se representa en la Figura 2. Cada operación realizada en los bloques 101, 103 y 105 proporciona varios indicadores que cuantifican el rendimiento obtenible de la predicción de largo plazo en la trama en curso. Si cualquiera de estos indicadores queda fuera de sus límites permitidos, el procedimiento de modificación de la señal se hace finalizar por uno de los bloques lógicos 102, 104 ó 106. En este caso, la señal original se conserva intacta.
El procedimiento de búsqueda de impulsos de altura tonal 101 produce varios indicadores sobre la periodicidad de la trama actual. Por tanto, el bloque lógico 102 que analiza estos indicadores es el componente más importante del módulo lógico de clasificación. El bloque lógico 102 compara la diferencia entre las posiciones detectadas de los impulsos de altura tonal y la estimación de altura tonal de bucle abierto interpolada utilizando la condición
115
y hace que finalice el procedimiento de modificación de la señal si no se cumple con esta condición.
La selección del contorno de retardo d(t) en el bloque 103 proporciona también información adicional sobre la evolución de los ciclos de altura tonal y la periodicidad de la trama de voz en curso. Esta información se revisa en el bloque lógico 104. El procedimiento de modificación de la señal continua desde este bloque 104 solamente si se cumple la condición |d_{n} - d_{n - 1}| < 0,2 d_{n}. Esta condición significa que se tolera solamente un cambio de retardo pequeño para clasificar la trama en curso como trama puramente sonora. El bloque lógico 104 también evalúa el éxito del bucle de selección de retardo de la Tabla 1 revisando la diferencia |\kappa_{c} - T_{o}| para el valor del parámetro de retardo d_{n} seleccionado. Si esta diferencia es mayor que una muestra, se termina el procedimiento de modificación de la
señal.
Para garantizar una buena calidad para la señal de voz modificada, es ventajoso acotar los desplazamientos realizados para segmentos de ciclos de altura tonal sucesivos en el bloque 105. Esta opción se logra en el bloque lógico 106 imponiendo los criterios
5
para todos los segmentos de la trama. En este caso \delta^{(s)} y \delta^{(s-1)} son los desplazamientos realizados para los segmentos de ciclo de altura tonal s^{ésimo} y el (s - 1)^{ésimo}, respectivamente. Si se superan los umbrales, el procedimiento de modificación de la señal se interrumpe y la señal original se mantiene.
Cuando las tramas sometidas a la modificación de la señal se codifican a una velocidad binaria baja, es esencial que la forma de los segmentos de los ciclos de altura tonal se mantenga similar sobre la trama. Esta opción permite un modelado fiel de la señal por predicción de largo plazo y así una codificación a una velocidad binaria baja sin deteriorar la calidad subjetiva. La similitud de segmentos sucesivos puede cuantificarse sencillamente mediante la correlación normalizada
6
entre el segmento en curso y la señal objetivo con el desplazamiento óptimo después de la actualización de w_{s}(k) en el bloque 407 de la Figura 10. La correlación normalizada g_{s} también se denomina ganancia de altura tonal.
El desplazamiento de los segmentos de ciclos de altura tonal en el bloque 105 que maximiza su correlación con la señal objetivo potencia la periodicidad y proporciona una ganancia de predicción de altura tonal alta si la modificación de la señal es útil en la trama en curso. El éxito del procedimiento se revisa en el bloque lógico 106 utilizando los criterios
116
Si esta condición no se cumple para todos los segmentos, el procedimiento de modificación de la señal finaliza (bloque 409) y la señal original se mantiene intacta. Cuando se cumple esta condición (bloque 106), la modificación de la señal continúa en el bloque 411. La ganancia de altura tonal g_{s} se calcula en el bloque 408 entre el segmento w_{s}(k) del bloque 407 que se ha vuelto a calcular y la señal objetivo \tilde{w}(t) del bloque 405. En general, puede permitirse un umbral de ganancia ligeramente más bajo en voces masculinas con el mismo rendimiento en la codificación. Los umbrales de ganancia pueden cambiarse en modos de funcionamiento diferentes del codificador para ajustar el porcentaje de uso del modo de modificación de la señal y por lo tanto la velocidad binaria media
resultante.
Lógica de determinación de modo para un códec de voz de velocidad binaria variable controlado por la fuente
Esta sección describe el uso del procedimiento de modificación de la señal como parte del mecanismo de determinación de velocidad general en un códec de voz de velocidad binaria variable controlado por la fuente. Esta funcionalidad se ve inmersa en la forma de realización ilustrativa del método de modificación de la señal, puesto que proporciona varios indicadores sobre la periodicidad de señal y el rendimiento de codificación esperado de la predicción de largo plazo en la trama actual. Estos indicadores incluyen la evolución del periodo de altura tonal, la idoneidad del contorno de retardo seleccionado para describir esta evolución, y la ganancia de predicción de altura tonal obtenible con la modificación de la señal. Si los bloques lógicos 102, 104 y 106 mostrados en la Figura 2 habilitan la modificación de la señal, la predicción de largo plazo puede modelar eficazmente la trama de voz modificada facilitando su codificación a una velocidad binaria baja sin deteriorar la calidad subjetiva. En este caso, la excitación de libro de códigos adaptativo tiene una contribución dominante en la descripción de la señal de excitación, y así puede reducirse la velocidad binaria asignada para la excitación de libro de códigos fijo. Cuando un bloque lógico 102, 104 ó 106 deshabilita la modificación de la señal, es probable que la trama contenga un segmento de voz no estacionario tal como un comienzo sonoro o una señal de voz sonora que evoluciona rápidamente. Estas tramas requieren típicamente una velocidad binaria alta para mantener una buena calidad subjetiva.
La Figura 12 representa el procedimiento de modificación de la señal 603 como parte del módulo lógico de determinación de velocidad que controla cuatro modos de codificación. En esta forma de realización ilustrativa, el conjunto de modos comprende un modo dedicado para tramas de voz no activas (bloque 508), para tramas de voz sordas (bloque 507), para tramas de voz estables (bloque 506), y para otros tipos de tramas (bloque 505). Debería observarse que todos estos modos, excepto el modo para tramas de voz estables 506, se implementan de acuerdo con técnicas bien conocidas para aquellos con conocimientos habituales en la materia.
El módulo lógico de determinación de velocidad se basa en una clasificación de señales realizada en tres etapas en los bloques lógicos 501, 502 y 504, a partir de los cuales el funcionamiento de los bloques 501 y 502 es bien conocido para aquellos con conocimientos habituales en la materia.
En primer lugar, un detector de actividad vocal (VAD) 501 discrimina entre tramas de voz activas e voz inactivas. Si se detecta una trama de voz inactiva, la señal de voz se procesa según el modo 508.
Si en el bloque 501 se detecta una trama de voz activa, la trama se somete a un segundo clasificador 502 dedicado a tomar una decisión sobre la sonoridad. Si el clasificador 502 clasifica la trama en curso como señal de voz sorda, la cadena de clasificación termina y la señal de voz se procesa de acuerdo con el modo 507. En cualquier otro caso, la trama de voz se hace pasar a través del módulo de modificación de la señal 603.
A continuación el módulo de modificación de la señal se proporciona a sí mismo una decisión sobre la habilitación o deshabilitación de la modificación de la señal de la trama en curso en un bloque lógico 504. Esta decisión se toma en la práctica como parte integral del procedimiento de modificación de la señal en los bloques lógicos 102, 104 y 106 tal como se ha explicado anteriormente con referencia a la Figura 2. Cuando se habilita la modificación de la señal, la trama se considera como un segmento de voz sonora estable, o puramente sonora.
Cuando el mecanismo de determinación de velocidad selecciona el modo 506, el modo de modificación de la señal queda habilitado y la trama de voz se codifica de acuerdo con lo descrito en las secciones anteriores. La Tabla 2 da a conocer la asignación de bits utilizada en la forma de realización ilustrativa para el modo 506. Puesto que las tramas a codificar en este modo son característicamente muy periódicas, basta con una velocidad binaria sustancialmente inferior para mantener una buena calidad subjetiva en comparación por ejemplo con las tramas de transición. La modificación de la señal también permite una codificación eficaz de la información de retardo utilizando solamente nueve bits por trama de 20 ms lo cual economiza una proporción considerable del total de bits destinado a otros parámetros. El buen rendimiento de la predicción de largo plazo permite utilizar solamente 13 bits por subtrama de 5 ms para la excitación de libro de códigos fijo sin sacrificar la calidad de voz subjetiva. El libro de códigos fijo comprende una pista con dos impulsos, ambos con 64 posiciones posibles.
TABLA 2 Asignación de bits en el modo de 6,2 kbps sonoro para una trama de 20 ms que comprende cuatro subtramas
7
TABLA 3 Asignación de bits en el modo de 12,65 kbps según la norma AMR-WB
8
Los otros modos de codificación 505, 507 y 508 se implementan siguiendo técnicas conocidas. La modificación de la señal esta deshabilitada en todos estos modos. La Tabla 3 muestra la asignación de bits del modo 505 adoptada a partir de la norma AMR-WB.
Las especificaciones técnicas [11] y [12] referentes a la norma AMR-WB se adjuntan en el presente documento como referencias sobre las funcionalidades de ruido de confort y VAD en 501 y 508, respectivamente.
[11] 3GPP TS 26.192, "AMR Wideband Speech Codec: Comfort Noise Aspects", 3GPP Technical Specification.
[12] 3GPP TS 26.193, "AMR Wideband Speech Codec: Voice Activity Detector (VAD)", 3GPP Technical Specification.
En resumen, la presente memoria descriptiva ha expuesto un método de modificación de la señal en sincronía con las tramas para tramas de voz puramente sonoras, un mecanismo de clasificación para detectar tramas a modificar, y la utilización de estos métodos en un códec de voz CELP controlado por la fuente con vistas a habilitar una codificación de alta calidad con una baja velocidad binaria.
El método de modificación de la señal incorpora un mecanismo de clasificación para determinar las tramas a modificar. Esta opción difiere con respecto a los medios anteriores de modificación y preprocesado de la señal en el funcionamiento y en las propiedades de la señal modificada. La funcionalidad de clasificación incorporada en el procedimiento de modificación de la señal se utiliza como parte del mecanismo de determinación de velocidad en un códec de voz CELP controlado por la fuente.
La modificación de la señal se realiza de forma síncrona con la altura tonal y las tramas, es decir, adaptando cada vez un segmento de ciclo de altura tonal en la trama en curso de tal manera que una trama de voz subsiguiente comience en alineamiento temporal perfecto con la señal original. Los segmentos de los ciclos de altura tonal están acotados por los límites de las tramas. Esta característica evita una traslación del desplazamiento de tiempo sobre los límites de las tramas simplificando la implementación de los codificadores y reduciendo el riesgo de artefactos en la señal de voz modificada. Puesto que el desplazamiento de tiempo no se acumula sobre tramas sucesivas, el método de modificación de la señal descrito no necesita memorias intermedias largas para alojar señales extendidas ni un módulo lógico complicado para controlar el desplazamiento de tiempo acumulado. En la codificación de voz controlada por la fuente, esta opción simplifica el funcionamiento multimodo entre modos con modificación de la señal habilitada y deshabilitada, puesto que cada nueva trama comienza en alineamiento temporal con la señal original.
Evidentemente, son posibles muchas otras modificaciones y variaciones. Considerando la anterior descripción ilustrativa detallada de la presente invención y los dibujos asociados, en este momento dichas otras modificaciones y variaciones se pondrán de manifiesto para los expertos en la materia con un conocimiento medio. También debería ponerse de manifiesto que dichas otras variaciones pueden efectuarse sin apartarse con respecto al alcance de la presente invención.

Claims (23)

1. Método para formar un contorno de retardo que caracteriza una predicción de largo plazo en una técnica que usa una modificación de la señal para codificar digitalmente una señal de voz, comprendiendo el método:
dividir la señal de voz en una serie de tramas sucesivas;
localizar un impulso de altura tonal de la señal de voz en una trama anterior; y
localizar un impulso de altura tonal de la señal de voz en una trama en curso;
caracterizado porque se forma un contorno de retardo seleccionando un parámetro de retardo de predicción de largo plazo para la trama en curso mediante una iteración hacia atrás de una función de una variable de tiempo temporal, la ubicación del impulso de la altura tonal de la señal de voz en la trama anterior y la ubicación del impulso de la altura tonal de la señal de voz en la trama en curso.
2. Método según la reivindicación 1, que comprende:
formar el contorno de retardo como una función de distancias de impulsos de altura tonal sucesivos entre un último impulso de altura tonal de la trama anterior y un último impulso de altura tonal de la trama en curso.
3. Método según la reivindicación 1 ó 2, que comprende asimismo:
caracterizar completamente el contorno de retardo con un parámetro de retardo de predicción de largo plazo de la trama anterior y el parámetro de retardo de predicción de largo plazo de la trama en curso.
4. Método según la reivindicación 3, en el que la formación del contorno de retardo comprende:
interpolar de forma no lineal el contorno de retardo entre el parámetro de retardo de predicción de largo plazo de la trama anterior y el parámetro de retardo de predicción de largo plazo de la trama en curso.
5. Método según la reivindicación 3, en el que la formación del contorno de retardo comprende:
determinar un contorno de retardo lineal por tramos entre el parámetro de retardo de predicción de largo plazo de la trama anterior y el parámetro de retardo de predicción de largo plazo de la trama en curso.
6. Método según cualquiera de las reivindicaciones anteriores, en el que la localización de un impulso de altura tonal comprende la obtención de una señal residual de predicción lineal a partir de la señal de voz.
7. Método según cualquiera de las reivindicaciones 1 a 5, en el que la localización de un impulso de altura tonal comprende la obtención de una señal de voz ponderada a partir de la señal de voz.
8. Método según cualquiera de las reivindicaciones 1 a 5, en el que la localización de un impulso de altura tonal comprende la obtención de una señal de voz ponderada sintetizada a partir de la señal de voz.
9. Método según cualquiera de las reivindicaciones anteriores, en el que la iteración hacia atrás comprende la búsqueda de un valor del parámetro de retardo de predicción de largo plazo en múltiples fases y el comienzo con un valor del parámetro de retardo de predicción de largo plazo predicho para el final de la trama en curso, presentando cada fase sucesiva un aumento de la resolución y un intervalo de búsqueda más concentrado.
10. Método según la reivindicación 9, que comprende la predicción del valor del parámetro de retardo de predicción de largo plazo de manera que sea igual a la diferencia entre el valor del parámetro de retardo de predicción de largo plazo al final de la trama anterior y dos veces la diferencia entre las ubicaciones de los impulsos de altura tonal de la señal de voz en las tramas anterior y en curso dividida por el número de iteraciones de la función.
11. Método según cualquiera de las reivindicaciones anteriores, que comprende la modificación de la señal de voz desplazando segmentos de ciclos de altura tonal uno a uno para ajustarlos al contorno de retardo.
12. Método según la reivindicación 11, que comprende la determinación de un desplazamiento de segmento mediante la correlación de un segmento en el dominio de la voz ponderada con una señal objetivo.
13. Método según la reivindicación 12, que comprende la composición de la señal objetivo usando la señal de voz ponderada sintetizada de la trama anterior y cualquiera de los segmentos desplazados anteriores de la trama en curso.
14. Dispositivo (603) para formar un contorno de retardo que caracteriza una predicción de largo plazo en una técnica que usa una modificación de la señal para codificar digitalmente una señal de voz, comprendiendo el dispositivo:
un divisor de la señal de voz en una serie de tramas sucesivas;
un detector de una ubicación de un impulso de altura tonal de la señal de voz en una trama anterior; y
un detector de una ubicación de un impulso de altura tonal de la señal de voz en una trama en curso,
caracterizado porque presenta un módulo de formación de un contorno de retardo para seleccionar un parámetro de retardo de predicción de largo plazo para la trama en curso mediante una iteración hacia atrás de una función de una variable de tiempo temporal, la ubicación del impulso de la altura tonal de la señal de voz en la trama anterior y la ubicación del impulso de la altura tonal de la señal de voz en la trama en curso.
15. Dispositivo según la reivindicación 14, en el que el módulo de formación es:
un módulo de cálculo del parámetro de retardo de predicción de largo plazo como una función de distancias de impulsos de altura tonal sucesivos entre el último impulso de altura tonal de la trama anterior y el último impulso de altura tonal de la trama en curso.
16. Dispositivo según la reivindicación 14 ó 15, que incorpora asimismo:
una función que caracteriza completamente el contorno de retardo con un parámetro de retardo de predicción de largo plazo de la trama anterior y el parámetro de retardo de predicción de largo plazo de la trama en curso.
17. Dispositivo según la reivindicación 16, en el que el módulo de formación es:
un selector de un contorno de retardo interpolado de forma no lineal entre el parámetro de retardo de predicción de largo plazo de la trama anterior y el parámetro de retardo de predicción de largo plazo de la trama en curso.
18. Dispositivo según la reivindicación 16, en el que el módulo de formación es:
un selector de un contorno de retardo lineal por tramos determinado a partir del parámetro de retardo de predicción de largo plazo de la trama anterior y el parámetro de retardo de predicción de largo plazo de la trama en curso.
19. Dispositivo según cualquiera de las reivindicaciones 14 a 18, en el que el módulo de formación es un módulo de búsqueda de un valor del parámetro de retardo de predicción de largo plazo mediante iteración hacia atrás en múltiples fases y comenzando con un valor del parámetro de retardo de predicción de largo plazo predicho para el final de la trama en curso, presentando cada fase sucesiva un aumento de la resolución y un intervalo de búsqueda más concentrado.
20. Dispositivo según la reivindicación 19, que comprende un predictor del valor del parámetro de retardo de predicción de largo plazo de manera que sea igual a la diferencia entre el valor del parámetro de retardo de predicción de largo plazo al final de la trama anterior y dos veces la diferencia entre las ubicaciones de los impulsos de altura tonal de la señal de voz en las tramas anterior y en curso dividida por el número de iteraciones de la función.
21. Dispositivo según cualquiera de las reivindicaciones 14 a 20, que comprende un modificador de la señal de voz mediante el desplazamiento de segmentos de ciclos de altura tonal uno a uno para ajustarlos al contorno de retardo.
22. Dispositivo según la reivindicación 21, que comprende un módulo de determinación de un desplazamiento de los segmentos mediante la correlación de un segmento en el dominio de la voz ponderada con una señal objetivo.
23. Dispositivo según la reivindicación 22, que comprende un módulo de composición de la señal objetivo usando una señal de voz ponderada sintetizada de la trama anterior y cualquiera de los segmentos desplazados anteriores de la trama en curso.
ES02784985T 2001-12-14 2002-12-13 Metodo de modificacion de señales para la codificacion eficaz de señales de voz. Expired - Lifetime ES2283613T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CA002365203A CA2365203A1 (en) 2001-12-14 2001-12-14 A signal modification method for efficient coding of speech signals
CA2365203 2001-12-14

Publications (1)

Publication Number Publication Date
ES2283613T3 true ES2283613T3 (es) 2007-11-01

Family

ID=4170862

Family Applications (1)

Application Number Title Priority Date Filing Date
ES02784985T Expired - Lifetime ES2283613T3 (es) 2001-12-14 2002-12-13 Metodo de modificacion de señales para la codificacion eficaz de señales de voz.

Country Status (19)

Country Link
US (2) US7680651B2 (es)
EP (2) EP1758101A1 (es)
JP (1) JP2005513539A (es)
KR (1) KR20040072658A (es)
CN (2) CN101488345B (es)
AT (1) ATE358870T1 (es)
AU (1) AU2002350340B2 (es)
BR (1) BR0214920A (es)
CA (1) CA2365203A1 (es)
DE (1) DE60219351T2 (es)
ES (1) ES2283613T3 (es)
HK (2) HK1069472A1 (es)
MX (1) MXPA04005764A (es)
MY (1) MY131886A (es)
NO (1) NO20042974L (es)
NZ (1) NZ533416A (es)
RU (1) RU2302665C2 (es)
WO (1) WO2003052744A2 (es)
ZA (1) ZA200404625B (es)

Families Citing this family (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050091044A1 (en) * 2003-10-23 2005-04-28 Nokia Corporation Method and system for pitch contour quantization in audio coding
EP1864281A1 (en) * 2005-04-01 2007-12-12 QUALCOMM Incorporated Systems, methods, and apparatus for highband burst suppression
US20060221059A1 (en) * 2005-04-01 2006-10-05 Samsung Electronics Co., Ltd. Portable terminal having display buttons and method of inputting functions using display buttons
PL1875463T3 (pl) * 2005-04-22 2019-03-29 Qualcomm Incorporated Układy, sposoby i urządzenie do wygładzania współczynnika wzmocnienia
US7974837B2 (en) * 2005-06-23 2011-07-05 Panasonic Corporation Audio encoding apparatus, audio decoding apparatus, and audio encoded information transmitting apparatus
RU2008105555A (ru) * 2005-07-14 2009-08-20 Конинклейке Филипс Электроникс Н.В. (Nl) Синтез аудиосигнала
JP2007114417A (ja) * 2005-10-19 2007-05-10 Fujitsu Ltd 音声データ処理方法及び装置
WO2007124582A1 (en) * 2006-04-27 2007-11-08 Technologies Humanware Canada Inc. Method for the time scaling of an audio signal
US8260609B2 (en) * 2006-07-31 2012-09-04 Qualcomm Incorporated Systems, methods, and apparatus for wideband encoding and decoding of inactive frames
US8239190B2 (en) 2006-08-22 2012-08-07 Qualcomm Incorporated Time-warping frames of wideband vocoder
US8688437B2 (en) * 2006-12-26 2014-04-01 Huawei Technologies Co., Ltd. Packet loss concealment for speech coding
KR100883656B1 (ko) * 2006-12-28 2009-02-18 삼성전자주식회사 오디오 신호의 분류 방법 및 장치와 이를 이용한 오디오신호의 부호화/복호화 방법 및 장치
EP2128855A1 (en) 2007-03-02 2009-12-02 Panasonic Corporation Voice encoding device and voice encoding method
US8312492B2 (en) * 2007-03-19 2012-11-13 At&T Intellectual Property I, L.P. Systems and methods of providing modified media content
US8160872B2 (en) * 2007-04-05 2012-04-17 Texas Instruments Incorporated Method and apparatus for layered code-excited linear prediction speech utilizing linear prediction excitation corresponding to optimal gains
US9653088B2 (en) * 2007-06-13 2017-05-16 Qualcomm Incorporated Systems, methods, and apparatus for signal encoding using pitch-regularizing and non-pitch-regularizing coding
US8515767B2 (en) 2007-11-04 2013-08-20 Qualcomm Incorporated Technique for encoding/decoding of codebook indices for quantized MDCT spectrum in scalable speech and audio codecs
JP5229234B2 (ja) * 2007-12-18 2013-07-03 富士通株式会社 非音声区間検出方法及び非音声区間検出装置
EP2107556A1 (en) 2008-04-04 2009-10-07 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Audio transform coding using pitch correction
KR20090122143A (ko) * 2008-05-23 2009-11-26 엘지전자 주식회사 오디오 신호 처리 방법 및 장치
US8355921B2 (en) * 2008-06-13 2013-01-15 Nokia Corporation Method, apparatus and computer program product for providing improved audio processing
US20090319263A1 (en) * 2008-06-20 2009-12-24 Qualcomm Incorporated Coding of transitional speech frames for low-bit-rate applications
US20090319261A1 (en) * 2008-06-20 2009-12-24 Qualcomm Incorporated Coding of transitional speech frames for low-bit-rate applications
US8768690B2 (en) * 2008-06-20 2014-07-01 Qualcomm Incorporated Coding scheme selection for low-bit-rate applications
MY154452A (en) * 2008-07-11 2015-06-15 Fraunhofer Ges Forschung An apparatus and a method for decoding an encoded audio signal
ES2379761T3 (es) * 2008-07-11 2012-05-03 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Proporcinar una señal de activación de distorsión de tiempo y codificar una señal de audio con la misma
GB2466669B (en) 2009-01-06 2013-03-06 Skype Speech coding
GB2466670B (en) 2009-01-06 2012-11-14 Skype Speech encoding
GB2466673B (en) 2009-01-06 2012-11-07 Skype Quantization
GB2466671B (en) 2009-01-06 2013-03-27 Skype Speech encoding
GB2466675B (en) 2009-01-06 2013-03-06 Skype Speech coding
GB2466674B (en) 2009-01-06 2013-11-13 Skype Speech coding
GB2466672B (en) 2009-01-06 2013-03-13 Skype Speech coding
EP2211335A1 (en) * 2009-01-21 2010-07-28 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Apparatus, method and computer program for obtaining a parameter describing a variation of a signal characteristic of a signal
KR101622950B1 (ko) * 2009-01-28 2016-05-23 삼성전자주식회사 오디오 신호의 부호화 및 복호화 방법 및 그 장치
CN102292769B (zh) * 2009-02-13 2012-12-19 华为技术有限公司 一种立体声编码方法和装置
US20100225473A1 (en) * 2009-03-05 2010-09-09 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Postural information system and method
WO2010134759A2 (ko) 2009-05-19 2010-11-25 한국전자통신연구원 Mdct-tcx 프레임과 celp 프레임 간 연동을 위한 윈도우 처리 장치 및 윈도우 처리 방법
KR20110001130A (ko) * 2009-06-29 2011-01-06 삼성전자주식회사 가중 선형 예측 변환을 이용한 오디오 신호 부호화 및 복호화 장치 및 그 방법
US8452606B2 (en) 2009-09-29 2013-05-28 Skype Speech encoding using multiple bit rates
ES2508590T3 (es) * 2010-01-08 2014-10-16 Nippon Telegraph And Telephone Corporation Método de codificación, método de decodificación, aparato codificador, aparato decodificador, programa y medio de grabación
JP5625076B2 (ja) * 2010-03-10 2014-11-12 フラウンホーファーゲゼルシャフトツール フォルデルング デル アンゲヴァンテン フォルシユング エー.フアー. コーディングコンテキストのピッチ依存適合を用いた、オーディオ信号復号器、オーディオ信号符号化器、オーディオ信号を復号するための方法、オーディオ信号を符号化するための方法、およびコンピュータプログラム
US9082416B2 (en) * 2010-09-16 2015-07-14 Qualcomm Incorporated Estimating a pitch lag
ES2938725T3 (es) 2010-09-16 2023-04-14 Dolby Int Ab Transposición armónica basada en bloque de subbanda mejorado de producto cruzado
WO2012103686A1 (en) * 2011-02-01 2012-08-09 Huawei Technologies Co., Ltd. Method and apparatus for providing signal processing coefficients
MY165853A (en) 2011-02-14 2018-05-18 Fraunhofer Ges Forschung Linear prediction based coding scheme using spectral domain noise shaping
EP2676270B1 (en) 2011-02-14 2017-02-01 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Coding a portion of an audio signal using a transient detection and a quality result
AU2012217215B2 (en) 2011-02-14 2015-05-14 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Apparatus and method for error concealment in low-delay unified speech and audio coding (USAC)
RU2586838C2 (ru) * 2011-02-14 2016-06-10 Фраунхофер-Гезелльшафт Цур Фердерунг Дер Ангевандтен Форшунг Е.Ф. Аудиокодек, использующий синтез шума в течение неактивной фазы
TR201903388T4 (tr) 2011-02-14 2019-04-22 Fraunhofer Ges Forschung Bir ses sinyalinin parçalarının darbe konumlarının şifrelenmesi ve çözülmesi.
TWI483245B (zh) 2011-02-14 2015-05-01 Fraunhofer Ges Forschung 利用重疊變換之資訊信號表示技術
EP2676268B1 (en) 2011-02-14 2014-12-03 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Apparatus and method for processing a decoded audio signal in a spectral domain
US9015044B2 (en) * 2012-03-05 2015-04-21 Malaspina Labs (Barbados) Inc. Formant based speech reconstruction from noisy signals
US9406307B2 (en) * 2012-08-19 2016-08-02 The Regents Of The University Of California Method and apparatus for polyphonic audio signal prediction in coding and networking systems
US9830920B2 (en) 2012-08-19 2017-11-28 The Regents Of The University Of California Method and apparatus for polyphonic audio signal prediction in coding and networking systems
US9208775B2 (en) 2013-02-21 2015-12-08 Qualcomm Incorporated Systems and methods for determining pitch pulse period signal boundaries
MY181026A (en) 2013-06-21 2020-12-16 Fraunhofer Ges Forschung Apparatus and method realizing improved concepts for tcx ltp
BR112016016310B1 (pt) * 2014-01-14 2022-06-07 Interactive Intelligence Group, Inc Sistema para sintetizar discurso para um texto provido e método para gerar parâmetros
FR3024581A1 (fr) * 2014-07-29 2016-02-05 Orange Determination d'un budget de codage d'une trame de transition lpd/fd
KR102422794B1 (ko) * 2015-09-04 2022-07-20 삼성전자주식회사 재생지연 조절 방법 및 장치와 시간축 변형방법 및 장치
EP3306609A1 (en) * 2016-10-04 2018-04-11 Fraunhofer Gesellschaft zur Förderung der Angewand Apparatus and method for determining a pitch information
US10847172B2 (en) * 2018-12-17 2020-11-24 Microsoft Technology Licensing, Llc Phase quantization in a speech encoder
US10957331B2 (en) 2018-12-17 2021-03-23 Microsoft Technology Licensing, Llc Phase reconstruction in a speech decoder

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2258751B1 (es) * 1974-01-18 1978-12-08 Thomson Csf
CA2102080C (en) 1992-12-14 1998-07-28 Willem Bastiaan Kleijn Time shifting for generalized analysis-by-synthesis coding
FR2729246A1 (fr) * 1995-01-06 1996-07-12 Matra Communication Procede de codage de parole a analyse par synthese
US5704003A (en) * 1995-09-19 1997-12-30 Lucent Technologies Inc. RCELP coder
US6449590B1 (en) * 1998-08-24 2002-09-10 Conexant Systems, Inc. Speech encoder using warping in long term preprocessing
US7072832B1 (en) * 1998-08-24 2006-07-04 Mindspeed Technologies, Inc. System for speech encoding having an adaptive encoding arrangement
US6330533B2 (en) * 1998-08-24 2001-12-11 Conexant Systems, Inc. Speech encoder adaptively applying pitch preprocessing with warping of target signal
US6223151B1 (en) * 1999-02-10 2001-04-24 Telefon Aktie Bolaget Lm Ericsson Method and apparatus for pre-processing speech signals prior to coding by transform-based speech coders

Also Published As

Publication number Publication date
CN101488345A (zh) 2009-07-22
DE60219351T2 (de) 2007-08-02
EP1454315B1 (en) 2007-04-04
US8121833B2 (en) 2012-02-21
US20050071153A1 (en) 2005-03-31
BR0214920A (pt) 2004-12-21
CA2365203A1 (en) 2003-06-14
EP1758101A1 (en) 2007-02-28
DE60219351D1 (de) 2007-05-16
NZ533416A (en) 2006-09-29
JP2005513539A (ja) 2005-05-12
US20090063139A1 (en) 2009-03-05
WO2003052744A3 (en) 2004-02-05
CN101488345B (zh) 2013-07-24
CN1618093A (zh) 2005-05-18
ATE358870T1 (de) 2007-04-15
EP1454315A2 (en) 2004-09-08
HK1069472A1 (en) 2005-05-20
ZA200404625B (en) 2006-05-31
NO20042974L (no) 2004-09-14
AU2002350340A1 (en) 2003-06-30
KR20040072658A (ko) 2004-08-18
RU2004121463A (ru) 2006-01-10
WO2003052744A2 (en) 2003-06-26
AU2002350340B2 (en) 2008-07-24
MY131886A (en) 2007-09-28
MXPA04005764A (es) 2005-06-08
US7680651B2 (en) 2010-03-16
RU2302665C2 (ru) 2007-07-10
HK1133730A1 (en) 2010-04-01

Similar Documents

Publication Publication Date Title
ES2283613T3 (es) Metodo de modificacion de señales para la codificacion eficaz de señales de voz.
ES2434947T3 (es) Procedimiento y dispositivo para la ocultación eficiente de un borrado de trama en códecs de voz
JP5519334B2 (ja) 音声符号化用開ループピッチ処理
ES2360176T3 (es) Alisamiento de discontinuidades entre tramas de habla.
JP4658596B2 (ja) 線形予測に基づく音声コーデックにおける効率的なフレーム消失の隠蔽のための方法、及び装置
JP5373217B2 (ja) 可変レートスピーチ符号化
ES2266003T3 (es) Suavizador de la ganancia en un descodificador de señal de habla y audio de banda ancha.
ES2380962T3 (es) Procedimiento y aparato para codificación de baja tasa de transmisión de bits de habla sorda de alto rendimiento
TW200912897A (en) Systems, methods, and apparatus for signal encoding using pitch-regularizing and non-pitch-regularizing coding
ES2383365T3 (es) Post-filtro no causal
ES2277050T3 (es) Metodo de codificacion generalizada de voz de analisis por sintesis, y codificador que implanta tal metodo.
ES2253226T3 (es) Codigo interpolativo multipulso de tramas de voz.
ES2297578T3 (es) Procedimiento y aparato para submuestrear informacion del espectro de fase.
Jelinek et al. On the architecture of the cdma2000/spl reg/variable-rate multimode wideband (VMR-WB) speech coding standard
CA2469774A1 (en) Signal modification method for efficient coding of speech signals