JP2010518453A - エンベデッド無音及び背景雑音圧縮 - Google Patents

Abstract

音声エンコーダにより入力音声信号を符号化する方法を提供する。当該方法は、入力音声信号を受信するステップと、前記入力音声信号が活性音声信号又は非活性音声信号を含むかを検出するステップと、狭帯域非活性音声信号を生成するように前記非活性音声信号をローパスフィルタリングするステップと、高帯域非活性音声信号を生成するように前記非活性音声信号をハイパスフィルタリングするステップと、符号化された狭帯域音声を生成するように狭帯域非活性音声エンコーダを使用して前記狭帯域非活性音声信号を符号化するステップと、前記狭帯域非活性音声信号に基づいて前記狭帯域非活性音声エンコーダによりロウ・トゥ・ハイ信号を生成するステップと、前記狭帯域非活性音声エンコーダからの前記ロウ・トゥ・ハイ補助信号に基づいて、符号化された高帯域非活性音声を生成するように高帯域非活性音声エンコーダを使用して前記高帯域非活性音声信号を符号化するステップと、前記符号化された狭帯域非活性音声と前記符号化された高帯域非活性音声とを送信するステップとを含む。

Description

本願は、２００７年２月１４日に出願された米国仮出願第６０／９０１，１９１号に基づいて優先権を主張し、ここにその内容全体を参照として組み込む。

本発明は、概して音声符号化の分野に関するものであり、より詳細にはエンベデッド無音及びノイズ圧縮に関するものである。

現代の通話システムは、デジタル音声通信技術を使用している。デジタル音声通信システムにおいては、簡素な旧型電話サービス（ＰＯＴＳ）におけるアナログ送信に対して、音声信号はサンプリングされてデジタル信号として送信される。デジタル音声通信システムの例として、公衆電話交換網（ＰＳＴＮ）、十分に確立した携帯電話網、及び新興のボイスオーバーインターネットプロトコル（ＶｏＩＰ）が挙げられる。デジタル音声通信システムにおいては、音声信号の送信に必要な帯域幅を低減するために、ＩＴＵ−Ｔ勧告のＧ．７２３．１又はＧ．７２９のような様々な音声圧縮（又は符号化）技術を使用することができる。

他の通話者の話を聞いていて話さない時に存在する無音区間などの実際の音声を含まない音声信号の部分に対して、より低いビットレートの符号化手法を使用することにより、更なる帯域幅低減を達成できる。実際の音声を含む音声信号の部分は、「活性音声」と呼び、実際の音声を含まない音声信号の部分は「非活性音声」と呼ぶ。一般に、非活性音声信号は、マイクによって取得されるような、聞き手の位置における周囲の背景雑音を含んでいる。非常に静かな環境においてはこの周囲雑音は非常に小さく、非活性音声は無音として認識される一方、自動車のように騒々しい環境においては、非活性音声は周囲雑音を含んでいる。通常、周囲雑音は情報をほとんど搬送しないため、非常に低いビットレートで符号化して送信することができる。周囲雑音を低ビットレートで符号化する一つの手法は、エネルギー（レベル）やスペクトル成分などの雑音信号のパラメータ表現のみを用いている。

帯域幅低減に対する別の一般的な手法は、背景雑音の静的特性を利用しており、背景雑音パラメータの更新情報を連続的にではなく断続的に送信する。

送信されるビットストリームがエンベデッド構造を有している場合には、帯域幅低減手法をネットワーク内で実施することもできる。エンベデッド構造は、ビットストリームがコア及エンハンスメントレイヤを含んでいることを意味する。音声はコアビットのみを使用して復号化して合成することができるが、エンハンスメントレイヤビットの使用により復号される音声の品質が改善される。例えば、非特許文献１（参照することによりその全内容がここに組み込まれる）は、コア狭帯域レイヤ及び複数の狭帯域及び広帯域エンハンスメントレイヤを使用している。

非常に多数の音声チャネルを処理するネットワークにおけるトラヒック輻輳は、各コーデックにより使用される「最大」ビットレートではなく、「平均」ビットレートに依存する。例えば、最大ビットレートは３２Ｋｂｐｓであるが、１６Ｋｂｐｓの平均ビットレートで動作する音声コーデックを仮定する。１６００Ｋｂｐｓの帯域幅を有するネットワークは、約１００音声チャネルを取り扱うことができ、これは、全１００チャネルが平均で１００＊１６Ｋｂｐｓ＝１６００Ｋｂｐｓを使用し得るのみであるためである。明らかに、低い確率で、全チャネルの送信に必要な全ビットレートが１６００Ｋｂｐｓを越える可能性があるが、そのコーデックがエンベデッド構造を採用している場合、ネットワークは、幾つかのチャネルのエンベデッドレイヤの幾つかを落とすことによりこの問題を容易に解決することができる。ネットワークの計画／動作が、平均ビットレート及びエンベデッド構造を考慮せずに、各チャネルの最大ビットレートに基づいている場合には、ネットワークは５０チャネルを処理できるのみであることは言うまでもない。

ＩＴＵ−Ｔ勧告のＧ７２９．１： "Ｇ．７２９−ｂａｓｅｄ ｅｍｂｅｄｄｅｄ ｖａｒｉａｂｌｅ ｂｉｔ−ｒａｔｅ ｃｏｄｅｒ：Ａｎ ８−３２ ｋｂｉｔ／ｓ ｓｃａｌａｂｌｅ ｗｉｄｅｂａｎｄ ｃｏｄｅｒ ｂｉｔｓｔｒｅａｍ ｉｎｔｅｒｏｐｅｒａｂｌｅ ｗｉｔｈ Ｇ．７２９"，２００６年５月

ここで概して説明される本発明の目的に従って、エンベデッド音声符号化システムにおける無音／背景雑音圧縮方法を提供する。本発明の代表的な一態様において、エンベデッド活性音声ビットストリーム及びエンベデッド非活性音声ビットストリームの双方を生成可能な音声エンコーダを開示している。音声エンコーダは、入力音声を受信して、音声アクティビティ検出器（ＶＡＤ）を使用して入力音声が活性音声か非活性音声かを検出する。入力音声が活性音声の場合には、音声エンコーダは、活性音声符号化手法を使用して狭帯域部及び広帯域部を含む活性音声エンベデッドビットストリームを生成する。入力音声が非活性音声の場合には、音声エンコーダは、非活性音声符号化手法を使用して狭帯域部及び広帯域部を含むことができる非活性音声エンベデッドビットストリームを生成する。更に、入力音声が非活性音声の場合には、音声エンコーダは、不連続送信（ＤＴＸ）手法を使用し、無音／背景雑音情報の断続的な更新情報のみを送信する。デコーダ側では、活性及び非活性ビットストリームが受信され、ビットストリームのサイズで示されるビットストリームのタイプに基づいてデコーダの異なる部分が使用される。非活性音声に対しては、非活性音声パケット情報が帯域幅の変化を示す場合でも、帯域幅がスムーズに変化するようにすることによって帯域幅の連続性が維持される。

本発明のこれらの態様及び他の態様は、更に以下の図面及び明細書の記載を参照すると明らかとなる。全てのこれらの追加的なシステム、方法、特徴及び利点は本願明細書、及び本発明の特許請求の範囲に含まれており、添付の請求項によって保護されることが意図されている。

本発明の特徴及び利点は、以下の詳細な説明及び添付の図を検討すると当業者により容易に明らかとなる。

本発明の一実施例によるＧ．７２９．１ビットストリームのエンベデッド構造を示す図である。 本発明の一実施例によるＧ．７２９．１エンコーダの構造を示す図である。 本発明の一実施例による狭帯域符号化を使用するＧ．７２９．１エンコーダの別の動作を示す図である。 本発明の一実施例によるＧ．７２９．１に対する無音／背景雑音符号化モードを示す図である。 本発明の一実施例によるエンベデッド構造を用いる無音／背景雑音エンコーダを示す図である。 本発明の一実施例による無音／背景雑音エンベデッドビットストリームを示す図である。 本発明の一実施例による別の無音／背景雑音エンベデッドビットストリームを示す図である。 本発明の一実施例によるオプションレイヤのない無音／背景雑音エンベデッドビットストリームを示す図である。 本発明の一実施例によるＧ．７２９．１の狭帯域動作モードに対する狭帯域ＶＡＤを示す図である。 本発明の一実施例による狭帯域ＶＡＤを有するＧ．７２９．１に対する無音／背景雑音符号化モードを示す図である。 本発明の一実施例による狭帯域ＶＡＤを有するＧ．７２９．１に対する無音／背景雑音符号化モード及び個別のデシメーション要素を示す図である。 本発明の一実施例によるＤＴＸモジュールを有する無音／背景雑音エンコーダを示す図である。 本発明の一実施例によるＧ．７２９．１デコーダの構造を示す図である。 本発明の一実施例による無音／背景雑音圧縮を使用するＧ．７２９．１デコーダを示す図である。 本発明の一実施例によるエンベデッド無音／背景雑音圧縮を使用するＧ．７２９．１デコーダを示す図である。 本発明の一実施例によるエンベデッド無音／背景雑音圧縮及び共有サンプリング−フィルタリング要素を使用するＧ．７２９．１デコーダを示す図である。 本発明の一実施例による、ビットレートに基づくデコーダ制御の動作フローチャートを示す図である。 本発明の一実施例による、帯域幅履歴に基づくデコーダ制御の動作フローチャートを示す図である。 本発明の一実施例による、汎用音声アクティビティ検出器を示す図である。 デコーダの帯域幅拡張を使用する狭帯域無音／背景雑音送信を示す図である。

本発明は、機能ブロックの要素及び様々な処理ステップに関して説明することができる。このような機能ブロックは、特定の機能を実行するように構成された任意の数のハードウェア要素及び／又はソフトウェア要素により実現できることを理解されたい。例えば、本発明は、一つ以上のマイクロプロセッサ又は他の制御デバイスの制御の下で様々な機能を実行できる様々な集積回路素子、例えばメモリ要素、デジタルシグナルプロセシング素子、論理素子等を採用することができる。更に、本発明は、データ送信、信号伝達、信号処理及び調整、トーン生成及び検出などの、任意の数の従来技術を採用することができることに注意されたい。このような一般的な技術は、当業者に既知であり、ここでは詳細に説明しない。

ここに示され説明される特定の実施は単に代表的なものであって、決して本発明の範囲の限定を意図するものではないことに注意されたい。実際、簡潔さのために、通信システム（及び通信システムの個々の動作要素）の従来のデータ送信、信号伝達、信号処理、他の機能及び技術的特徴はここでは詳細に説明しないかもしれない。更に、本願明細書に含まれている様々な図に示されている接続線は、様々な素子間の代表的な機能的関係及び／又は物理的結合を表すことを意図している。多くの別の又は追加の機能的関係又は物理的接続が実用的な通信システムに存在し得ることに注意されたい。

携帯又はＶｏＩＰのようなパケットネットワークにおいては、音声信号の符号化及び復号化は、ユーザ端末（例えば、携帯端末、ソフトフォン、ＳＩＰフォン又はＷｉＦｉ／ＷｉＭａｘ端末）にて実行できる。このような用途において、ネットワークは、符号化された音声信号情報を含むパケットを送付することだけに役立つ。パケットネットワークにおける音声の送信は、ＰＯＴＳアナログ送信技術から引き継がれたＰＳＴＮに存在する音声スペクトル帯域の制限を排除する。音声情報は、元の音声のデジタル圧縮表現を提供するパケットビットストリームとして送信されるため、このパケットビットストリームは狭帯域音声又は広帯域音声のいずれかを表すことができる。狭帯域又は広帯域表現としての、マイクによる音声信号の取得及びイヤホン又はスピーカによる末端での再生は、このような端末の能力のみに依存する。例えば、現在の携帯電話通話において、狭帯域携帯電話は、狭帯域音声のデジタル表現を取得し、適応型マルチレート（ＡＭＲ）コーデックのような狭帯域コーデックを使用して、パケットネットワークを介して狭帯域音声を他の同様な携帯電話機と通信する。同様に、広帯域に対応した携帯電話は、音声の広帯域表現を取得し、ＡＭＲ広帯域（ＡＭＲ−ＷＢ）のような広帯域音声コーデックを使用して、パケットネットワークを介して広帯域音声を他の同様な広帯域に対応した携帯電話機と通信する。明らかに、ＡＭＲ−ＷＢのような広帯域音声コーデックにより提供されるより広いスペクトル成分は、ＡＭＲのような狭帯域の音声コーデックよりも、音声の品質、自然さ、及び明瞭度を改善する。

新たに採択されたＩＴＵ−Ｔ勧告Ｇ．７２９．１はパケットネットワークを対象にしており、エンベデッド構造を採用して狭帯域及び広帯域の音声圧縮を達成している。エンベデッド構造は、音声の基本的な品質を送信するための“コア”音声コーデックと、音声品質を改良する追加の符号化レイヤとを使用する。Ｇ．７２９．１のコアは、ＩＴＵ−Ｔ勧告Ｇ．７２９に基づいており、８Ｋｂｐｓで狭帯域音声を符号化する。このコアは、Ｇ．７２９のものと類似しており、Ｇ．７２９ビットストリームと互換性を有するビットストリームを使用する。ビットストリームの互換性は、Ｇ．７２９エンコーダにより生成されたビットストリームをＧ７２９．１デコーダにより、また、Ｇ７２９．１エンコーダにより生成されたビットストリームをＧ．７２９デコーダにより、双方とも品質の低下なしに復号できることを意味している。

８Ｋｂｐｓのコアより上のＧ．７２９．１の第１のエンハンスメントレイヤは、１２Ｋｂｐｓのレートの狭帯域レイヤである。次のエンハンスメントレイヤは、１４Ｋｂｐｓから３２Ｋｂｐｓまでの１０の広帯域レイヤである。図１は、コア及び１１の追加レイヤを有するＧ７２９．１エンベデッドビットストリームの構造を示しており、ここで、ブロック１０１は８Ｋｂｐｓのコアレイヤを、ブロック１０２は１２Ｋｂｐｓの第１の狭帯域エンハンスメントレイヤを、ブロック１０３〜１１２は、１４Ｋｂｐｓから３２Ｋｂｐｓまでの２Ｋｂｐｓステップずつ増加する１０の広帯域エンハンスメントレイヤをそれぞれ示している。

Ｇ７２９．１のエンコーダは、全１２レイヤを含むビットストリームを生成する。Ｇ．７２９．１のデコーダは、８Ｋｂｐｓコアコーデックのビットストリームから出発して３２Ｋｂｐｓの全レイヤを含むビットストリームまで、どのビットストリームも復号できる。明らかに、デコーダは、より高いレイヤを受信したときにより高品質の音声を生成する。デコーダは実質的にスイッチングアーチファクトによる品質低下なしにビットレートをフレーム毎にビットレートを変更することもできる。このＧ．７２９．１のエンベデッド構造は、ビットストリームの実際内容に対して何の操作も処理も行う必要なしにネットワークがトラヒック輻輳問題を解決することを可能にする。この輻輳制御は、ビットストリームのエンベデッドレイヤ部分の幾つかを捨ててビットストリームの残りのエンベデッドレイヤ部分のみを送付することによって達成される。

図２は、本発明の一実施例によるＧ．７２９．１エンコーダの構造を示している。入力音声２０１は、１６ＫＨｚでサンプリングされ、ローパスフィルタ（ＬＰＦ）２０２及びハイパスフィルタ（ＨＰＦ）２１０を通過し、デシメーション要素２０３及び２１１によりダウンサンプリングされた後、狭帯域音声２０４及びベースバンドにおける高帯域（ｈｉｇｈ−ｂａｎｄ−ａｔ−ｂａｓｅ−ｂａｎｄ）音声２１２をそれぞれ生成する。狭帯域音声２０４及びベースバンドにおける高帯域音声２１２の双方は、８ＫＨｚサンプリングレートでサンプリングされることに注意されたい。狭帯域音声２０４は、次にＣＥＬＰエンコーダ２０５により符号化され、狭帯域ビットストリーム２０６が生成される。狭帯域ビットストリーム２０６は、ＣＥＬＰ復号器２０７により復号され、復号された狭帯域符号化信号２０８が生成され、この信号が狭帯域音声２０４から減算されて狭帯域残差符号化信号２０９を生成する。狭帯域残差符号化信号２０９及びベースバンドにおける高帯域音声２１２は、時間領域エイリアシングキャンセレーション（ＴＤＡＣ）エンコーダ２１３により符号化され、広帯域ビットストリーム２１４が生成される。（１４Ｋｂｐｓレイヤに対して使用される技術は時間領域帯域幅拡張（ＴＤ−ＢＷＥ）として一般的に知られているが、高帯域信号２１２を符号化するモジュールに対しては“ＴＤＡＣエンコーダ”という用語を使用する）。狭帯域ビットストリーム２０４は、８Ｋｂｐｓレイヤ１０１と１２Ｋｂｐｓレイヤ１０２を、広帯域ビットストリーム２１４は、１４Ｋｂｐｓから３２Ｋｓまでのレイヤ１０３〜１１２をそれぞれ具える。１４Ｋｂｐｓレイヤを生成するＧ７２９．１の専用ＴＤ−ＢＷＥ動作モードは、表記の簡単化のために図２に示されていない。狭帯域ビットストリーム２０６及び広帯域ビットストリーム２１４を受信して図１に示すエンベデッドビットストリーム構造を形成する圧縮要素も示されていない。このような圧縮要素は、例えば、インターネット技術タスクフォース（ＩＥＴＦ）におけるコメント募集番号４７４９（ＲＦＣ４７４９）の“ＲＴＰ Ｐａｙｌｏａｄ Ｆｏｒｍａｔ ｆｏｒ ｔｈｅ Ｇ．７２９．１ Ａｕｄｉｏ Ｃｏｄｅｃ”に説明されており、参照することによりその全内容がここに組みかまれる。

Ｇ．７２９．１エンコーダの別の動作モードが図３に示されており、ここでは狭帯域符号化のみが実行される。ここでは８ＫＨｚでサンプリングされた入力音声３０１がＣＥＬＰエンコーダ３０５に入力されて、狭帯域ビットストリーム３０６が生成される。図２と同様に、狭帯域ビットストリーム３０６は、図１に示されるように、８Ｋｂｐｓレイヤ１０１と１２Ｋｂｐｓレイヤ１０２とを具える。

図４は、本発明の一実施例による無音／背景雑音符号化モードを有するＧ．７２９．１の実施例を提供している。簡単化のために、図２における複数の要素が、図４においては単一の要素として結合されている。例えば、ＬＰＦ２０２及びデシメーション要素２０３は、ＬＰデシメーション要素４０３として結合されており、ＨＰＦ２１０及びデシメーション要素２１１はＨＰデシメーション要素４１０として結合されている。同様に、図２におけるＣＥＬＰエンコーダ２０５、ＣＥＬＰデコーダ２０７及び加算要素はＣＥＬＰエンコーダ４０５として結合されている。狭帯域音声４０４は狭帯域音声２０４に類似しており、高帯域音声４１２は基底帯域での高帯域音声２１２に類似しており、狭帯域ビットストリーム４０６は狭帯域ビットストリーム２０６と同一であり、広帯域ビットストリーム４１４は広帯域ビットストリーム２１４と同一である。図２に対する図４の主な違いは、広帯域音声アクティビティ検出器（ＷＢ−ＶＡＤ）により制御される無音／背景雑音エンコーダを追加したことであり、本発明の一実施例ではＷＢ−ＶＡＤは入力音声４０１を受信してスイッチ４０２を作動させる。入力音声４０１は１６ＫＨｚでサンプリングされた広帯域音声であるため、ＷＢ−ＶＡＤという用語が使用されている。ＷＢ−ＶＡＤモジュール４１６が実際の音声（「活性音声」）を検出する場合、入力音声４０１はスイッチ４０２により典型的なＧ．７２９．１エンコーダに向けられ、ここでは、「活性音声エンコーダ」という。ＷＢ−ＶＡＤモジュール４１６が実際の音声を検出しない場合には、つまり入力音声４０１が無音又は背景雑音（「非活性音声」）である場合には、入力音声４０１は、無音／背景雑音エンコーダ４１６に向けられ、無音／背景雑音ビットストリーム４１７を生成する。図４に示されていないが、ビットストリームの多重化及び圧縮モジュールは、Ｇ．７２９の付録Ｂ又はＧ．７２３．１の付録Ａのような他の無音／背景雑音圧縮アルゴリズムにより使用される多重化及び圧縮モジュールとほぼ同一であり、同業者に既知である。

無音／背景雑音ビットストリーム４１７のために多くの手法を使用して、音声の非活性部分を表すことができる。一つの手法において、ビットストリームは、周波数帯域及び／又はエンハンスメントレイヤにおける分離なしで非活性音声信号を表すことができる。この手法はネットワーク要素で輻輳制御のために無音／背景雑音ビットストリームを操作することはできないが、無音／背景雑音ビットストリームを送信するのに必要な帯域幅は非常に小さいため、深刻な欠陥とはならない。しかし、主な欠点は、デコーダが、活性音声信号と非活性音声信号との間の帯域幅互換性を維持するために、無音／背景雑音デコーダの一部として帯域幅制御機能を実施することであろう。

図５は、Ｇ．７２９．１の動作に適したエンベデッド構造を有する無音／背景雑音（非活性音声）エンコーダを含む本発明の一実施例を示しており、これらの問題を解決している。入力非活性音声５０１は、ＬＰデシメーション要素５０３及びＨＰデシメーション要素５１０に供給され、狭帯域非活性音声５０４及びベースバンドにおける高帯域非活性音声５１２がそれぞれ生成される。狭帯域の無音／背景雑音エンコーダ５０５は、狭帯域の非活性音声５０４を受信して狭帯域の無音／背景雑音ビットストリーム５０６を生成する。無音／背景雑音デコーダのＧ７２９．１の最低限の動作はＧ．７２９の付録Ｂに適合しなければならないため、狭帯域の無音／背景雑音ビットストリームは、少なくとも一部は、Ｇ．７２９の付録Ｂに適合していなければならない。狭帯域の無音／背景雑音エンコーダ５０５は、Ｇ．７２９の付録Ｂに記載されている狭帯域の無音／背景雑音エンコーダと同一でもよいが、Ｇ．７２９の付録Ｂに（少なくとも一部が）適合するビットストリームを生成する限り相違しても良い。狭帯域の無音／背景雑音エンコーダ５０５は、ロー・トゥ・ハイ補助信号５０９を生成することもできる。ロー・トゥ・ハイ補助信号５０９は、ベースバンドにおける高帯域非活性音声５１２の符号化において広帯域の無音／背景雑音エンコーダ５１３を補助する情報を含む。その情報は、狭帯域の再構成無音／背景雑音そのもの、又はエネルギー（レベル）又はスペクトル表現などのパラメータとすることができる。広帯域の無音／背景雑音エンコーダ５１３は、ベースバンドにおける高帯域非活性信号５１２及び補助信号５０９の双方を受信して広帯域の無音／背景雑音ビットストリーム５１４を生成する。広帯域の無音／背景雑音エンコーダ５１３は、ハイ・トゥ・ロー補助信号５０８を生成することもでき、当該補助信号５０８は、狭帯域非活性音声５０４の符号化において狭帯域の無音／背景雑音エンコーダ５０５を補助するための情報を含む。図４と同様に、図５にはビットストリーム多重化及び圧縮モジュールが示されていないが、当業者には既知である。

図６は、本発明の一実施例による、図５の無音／背景雑音エンコーダにより生成することができる無音／背景雑音エンベデッドビットストリームを説明している。無音／背景雑音エンベデッドビットストリーム６００は、Ｇ．７２９の付録Ｂ（Ｇ．７２９Ｂ）の０．８Ｋｂｐｓのビットストリーム６０１と、オプションのエンベデッド狭帯域エンハンスメントビットストリーム６０２と、広帯域ベースレイヤビットストリーム６０３と、オプションのエンベデッド広帯域エンハンスメントビットストリーム６０４とを具える。図５に関して、狭帯域の無音／背景雑音ビットストリーム５０６は、Ｇ．７２９Ｂビットストリーム６０１とオプションの狭帯域エンベデッドビットストリーム６０２とを具える。更に、図５における広帯域無音／背景雑音ビットストリーム５１４は、広帯域ベースレイヤビットストリーム６０３とオプションの広帯域エンベデッドビットストリーム６０４を具える。Ｇ．７２９Ｂビットストリーム６０１の構造は、Ｇ．７２９の付録Ｂに規定されており、スペクトル表現のための１０ビットと、エネルギー（レベル）表現のための５ビットを含んでいる。オプションの狭帯域エンベデッドビットストリーム６０２は、スペクトル及びエネルギーの改良された量子化表現（例えば、スペクトル表現のための追加のコードブックステージ又はエネルギー量子化の改良された時間解像度）、ランダムシード情報又は実際の量子化された波形情報を含んでいる。広帯域ベースレイヤビットストリーム６０３は、高帯域無音／背景雑音信号の表現のための量子化された情報を含んでいる。その情報は、線形予測符号（ＬＰＣ）フォーマット又はサブバンドフォーマットでのスペクトル情報とエネルギー情報、又は、離散フーリエ変換（ＤＦＴ）、離散コサイン変換（ＤＣＴ）又はウェーブレット変換などの他の線形変換係数を含むことができる。広帯域ベースレイヤビットストリーム６０３は、例えば、ランダムシード情報又は実際の量子化された波形情報を含むこともできる。オプションの広帯域エンベデッドビットストリーム６０４は、広帯域ベースレイヤビットストリーム６０３に含まれない追加情報、又は、広帯域ベースレイヤビットストリーム６０３に含まれる同じ情報の解像度を向上させたものを含むことができる。

図７は、本発明の一実施例による無音／背景雑音エンベデッドビットストリームの別の実施例を提示している。この別の実施例において、ビット領域の順序は図６に提示された実施例とは相違しているが、両者の実際のビット情報は同一である。図６と同様に、無音／背景雑音エンベデッドビットストリーム７００の第１の部分は、Ｇ．７２９Ｂビットストリーム７０１であるが、第２の部分は広帯域ベースレイヤビットストリーム７０３であり、次いでオプションのエンベデッド狭帯域エンハンスメントビットストリーム７０２、オプションのエンベデッド広帯域エンハンスメントビットストリーム７０４が続く。

図６における実施例と図７における別の実施例との間の主な違いは、ネットワークによるビットストリームの切り捨て効果である。図６において説明された実施例におけるネットワークによるビットストリームの切り捨ては、狭帯域領域を除去する前に広帯域領域の全てを除去する。一方、図７で説明された実施例におけるネットワークによるビットストリームの切り捨ては、ベースレイヤ（狭帯域又は広帯域）の領域を除去する前に、広帯域及び狭帯域双方の追加のエンベデッドエンハンスメント領域を削除する。

Ｇ．７２９Ｂの無音／背景雑音エンベデッドビットストリームにオプションのエンハンスメントレイヤが組み込まれない場合、ビットストリーム６００及び７００は同一となる。図８は、このようなビットストリームを示しており、Ｇ．７２９Ｂビットストリーム８０１及び広帯域ベースレイヤビットストリーム８０３のみを含んでいる。このビットストリームはオプションのエンベデッドレイヤを含まないが、依然としてエンベデッド構造を維持しており、ネットワーク要素はＧ．７２９Ｂビットストリーム８０１を維持しながら広帯域ベースレイヤビットストリーム８０３を除去できる。別の選択肢として、Ｇ．７２９Ｂビットストリーム８０１は、活性音声エンコーダが狭帯域及び広帯域情報の双方を含むエンベデッドビットストリームを送信する時にも、非活性音声のためにエンコーダにより送信される唯一のビットストリームとすることができる。この場合、デコーダが活性音声に対して完全なエンベデッドビットストリームを受信するが、非活性音声に対して狭帯域ビットストリームのみを受信する場合には、合成された非活性音声に対して帯域幅拡張を実行して、合成された出力信号に対してスムーズな知覚品質を達成することができる。

図４による無音／背景雑音符号化手法の動作における主要な問題の一つは、ＷＢ−ＶＡＤ４１６への入力が広帯域入力音声４０１であることである。従って、無音／背景雑音符号化手法とともに（図３に説明した）Ｇ．７２９．１の動作の狭帯域モードのみを使用したい場合には、狭帯域信号で動作する別のＶＡＤを使用しなければならない。

一つの可能な解は、Ｇ．７２９．１の動作の特定の狭帯域モードのために専用の狭帯域ＶＡＤ（ＮＢ−ＶＡＤ）を使用することである。本発明の一実施例によるこのような解が図９に説明されており、ここでは狭帯域の入力音声９０１がスイッチ９０２を制御するＮＢ−ＶＡＤ９１５への入力である。ＮＢ−ＶＡＤ９１５が活性音声又は非活性音声を検出するかにより、入力音声９０１はＣＥＬＰエンコーダ９０５又は狭帯域無音／背景雑音エンコーダ９１６にそれぞれ送られる。ＣＥＬＰエンコーダ９０５は狭帯域ビットストリーム９０６を生成し、狭帯域無音／背景雑音エンコーダ９１６は狭帯域無音／背景雑音ビットストリーム９１７を生成する。Ｇ．７２９．１のこのモードの動作全体は、Ｇ．７２９の付録Ｂに非常に類似しており、狭帯域無音／背景雑音ビットストリーム９１７は、部分的に又は完全にＧ．７２９の付録Ｂと互換性にすべきである。この手法の主な欠陥は、標準規格におけるＷＢ−ＶＡＤ４１６及びＮＢ−ＶＡＤ９１６の双方をＧ．７２９．１無音／背景雑音圧縮手法のコーダとともに標準組み込みする必要があることである。

活性音声対非活性音声の特性及び特徴は、スペクトルの狭帯域部分（４ＫＨｚまで）並びにスペクトルの高帯域部分（４ＫＨｚから７ＫＨｚまで）にあること明らかである。更に、エネルギー及び他の典型的な音声の特徴（ハーモニック構造など）は、高帯域部分よりもより狭帯域部分を支配する。従って、音声の狭帯域部分を使用して、音声アクティビティ検出を完全に実行することもできる。図１０は、本発明の一実施例による狭帯域ＶＡＤを有するＧ．７２９．１に対する無音／背景雑音符号化モードを示している。入力音声１００１は、ＬＰデシメーション要素１００２及びＨＰデシメーション要素１０１０により受信され、狭帯域音声１００３及びベースバンドの高帯域音声１０１２がそれぞれ生成される。狭帯域音声１００３は、狭帯域ＶＡＤ１００４により使用され、スイッチ１００８を制御する音声アクティビティ検出信号１００５が生成される。音声アクティビティ検出信号１００５が活性音声を示す場合には、狭帯域信号１００３はＣＥＬＰエンコーダ１００６に向けられ、ベースバンドの高帯域信号１０１２はＴＤＡＣエンコーダ１０１６に向けられる。ＣＥＬＰエンコーダ１００６は、狭帯域ビットストリーム１００７及び狭帯域残差符号信号１００９を生成する。狭帯域残差符号信号１００９は、広帯域ビットストリーム１０１４を生成するＴＤＡＣエンコーダ１０１６への第２の入力として機能する。音声アクティビティ検出信号１００５が非活性音声を示す場合には、狭帯域音声信号１００３は、狭帯域無音／背景雑音エンコーダ１０１７に向けられ、ベースバンドの高帯域信号１０１２は、広帯域無音／背景雑音エンコーダ１０２０に向けられる。狭帯域無音／背景雑音エンコーダ１０１７は、狭帯域無音／背景雑音ビットストリーム１０１６を生成し、広帯域無音／背景雑音エンコーダ１０２０は広帯域無音／背景雑音ビットストリーム１０１９を生成する。双方向補助信号１０１８は、狭帯域無音／背景雑音エンコーダ１０１７と広帯域無音／背景雑音エンコーダ１０２０との間で交換される補助情報を表す。

図１０に示すシステムに対する基礎となる仮定は、ＬＰデシメーション要素１００２及びＨＰデシメーション要素１０１０によりそれぞれ生成される狭帯域音声信号１００３及び高帯域音声信号１０１２は、活性音声符号化及び非活性音声符号化の双方に適しているということである。図１１は、図１０に提示されたシステムに類似したシステムであるが、活性音声符号化及び非活性音声符号化に対する音声の前処理のために、異なるＬＰデシメーション要素及びＨＰデシメーション要素を使用するものである。これは、例えば、活性音声エンコーダに対するカットオフ周波数が非活性音声エンコーダに対するカットオフ周波数と異なる場合とし得る。入力音声１１０１は、活性音声ＬＰデシメーション要素１１０３により受信されて狭帯域音声１１０９を生成する。狭帯域音声１１０９は、狭帯域ＶＡＤ１１０５により使用され、スイッチ１１１３を制御する音声アクティビティ検出信号１１０２を生成する。音声アクティビティ検出信号１１０２が活性音声を示す場合には、入力信号１１０１は活性音声ＬＰデシメーション要素１１０３及び活性音声ＨＰデシメーション要素１１０８に向けられ、活性音声の狭帯域信号１１０９及び活性音声のベースバンドの高帯域信号１１１０がそれぞれ生成される。音声アクティビティ検出信号１１０２が非活性音声を示す場合には、入力信号１１０１は非活性音声ＬＰデシメーション要素１１１３及び非活性音声ＨＰデシメーション要素１１０８に向けられ、非活性音声の狭帯域信号１１１５及び非活性音声のベースバンドの高帯域信号１１２０が生成される。スイッチ１１１３を入力音声１１０１に作用するように図示しているのは、図１１を明確化及び簡単化するのみのためであることに注意されたい。実際には、入力音声１１０１は全４つのデシメーションユニット（１１０３，１１０８，１１０３及び１１１８）に連続的に供給され、実際のスイッチングは４つの出力信号（１１０９，１１１０，１１１５及び１１２０）に対して行われる。ＮＢ−ＶＡＤ１１０５は、（図１１に示される）活性音声狭帯域信号１１０９又は非活性音声狭帯域信号１１１５のいずれかを使用できる。図１０と同様に、活性音声狭帯域信号１１０９は狭帯域ビットストリーム１１０７及び狭帯域残差符号信号１１１１を生成するＣＥＬＰエンコーダ１１０６に向けられる。ＴＤＡＣエンコーダ１１１６は、活性音声のベースバンド高帯域信号１１１０及び狭帯域残差符号信号１１１１を受信し、広帯域ビットストリーム１１１２を生成する。更に、非活性音声狭帯域信号１１１５は、狭帯域無音／背景雑音ビットストリーム１１１７を生成する狭帯域無音／背景雑音エンコーダ１１１９に向けられる。広帯域無音／背景雑音エンコーダ１１２３は、非活性音声高帯域信号１１２０を受信し、広帯域無音／背景雑音ビットストリーム１１２２を生成する。双方向補助信号１１２１は、狭帯域無音／背景雑音エンコーダ１１１９と広帯域無音／背景雑音エンコーダ１１２３との間で交換される情報を表す。

無音又は背景雑音からなる非活性音声は、活性音声よりもずっと少ない情報を保持しているため、非活性音声を表すのに必要なビット数は、活性音声を記述するのに使用されるビット数よりもずっと小さい。例えば、Ｇ．７２９は１０ｍｓの活性音声フレームを記述するのに８０ビットを使用するが、１０ｍｓの非活性音声フレームを記述するのに１６ビットのみを使用する。この低減されたビット数は、ビットストリームの送信に要求される帯域幅を低減するのに役立つ。非活性音声フレームの幾つかに対して情報が全く送信されない場合には、更なる低減が可能である。この手法は不連続送信（ＤＴＸ）と呼ばれ、情報が送信されないフレームは、単に非送信（ＮＴ）フレームと呼ばれる。これは、ＮＴフレームにおける入力音声の特性が、以前に送信された情報（過去の数フレームとし得る）から大きく変化しなかった場合に可能である。このような場合には、デコーダは、以前に受信した情報に基づいてＮＴフレームに対する出力非活性音声信号を生成することができる。

図１２は、本発明の一実施例によるＤＴＸモジュールを有する無音／背景雑音エンコーダを示している。無音／背景雑音エンコーダの構造及び動作は、図１１の一部として示されている無音／背景雑音エンコーダに非常に類似している。入力非活性音声１２０１は、非活性音声ＬＰデシメーション要素１２０３及び非活性音声ＨＰデシメーション要素１２１６に向けられ、狭帯域非活性音声１２０５及びベースバンドの高帯域非活性音声１２１８がそれぞれ生成される。更に、狭帯域非活性音声１２０５は、狭帯域無音／背景雑音エンコーダ１２０６に向けられ、狭帯域無音／背景雑音ビットストリーム１２０７が生成される。広帯域無音／背景雑音エンコーダ１２２０はバイアスバンド高帯域の非活性音声１２１８を受信し、広帯域無音／背景雑音ビットストリーム１２２２を生成する。双方向補助信号１２１４は、狭帯域無音／背景雑音エンコーダ１２０６と広帯域無音／背景雑音エンコーダ１２２０との間で交換される情報を表す。主な違いは、ＤＴＸ制御信号１２１３を生成するＤＴＸ要素１２１２の導入にある。狭帯域無音／背景雑音エンコーダ１２０６及び広帯域無音／背景雑音エンコーダ１２２０は、狭帯域無音／背景雑音ビットストリーム１２０７及び広帯域無音／背景雑音ビットストリーム１２２２を送信すべきかを示すＤＴＸ制御信号１２１３を受信する。図１２に示されていないが、より先進のＤＴＸ要素は、狭帯域無音／背景雑音ビットストリーム１２０７をいつ送信すべきかを示す狭帯域ＤＴＸ制御信号、並びに、広帯域無音／背景雑音ビットストリーム１２２２を何時送信すべきかを示す別の広帯域ＤＴＸ制御信号を生成できる。この実施例において、ＤＴＸ要素１２１２は、入力非活性音声１２０１、狭帯域非活性音声１２０５、ベースバンドの高帯域非活性音声１２１８及びクロック１２１０を含む複数の入力を使用できる。ＤＴＸ要素１２１２は、ＶＡＤモジュール（図１１に示されているが、図１２では省略されている）により計算された音声パラメータ、並びに、システム内の任意の符号化要素、即ち活性音声符号化要素又は非活性音声符号化要素（これらのパラメータ経路は、簡単化及び明確化のために図１２から省かれている）のいずれかにより計算されたパラメータを使用することもできる。ＤＴＸ要素１２１２において実施されるＤＴＸアルゴリズムは、無音／背景雑音情報の更新がいつ必要かを決定する。この決定は、例えば、ＤＴＸ入力パラメータ（例えば、入力非活性音声１２０１のレベル）のいずれかに基づいて、又はクロック１２１０により測定された時間間隔に基づいて行うことができる。無音／背景雑音情報の更新のために送られるビットストリームは、無音挿入記述子（ＳＩＤ）と呼ばれている。

ＤＴＸ手法は、図４に示した非エンベデッド無音圧縮に使用することもできる。同様に、ＤＴＸ手法は、図９に示したＧ．７２９．１の狭帯域動作モードのために使用することもできる。エンコーダ側からデコーダ側へビットストリームを圧縮して送信し、デコーダ側によりビットストリームを受信して解凍するための通信システムは当業者に周知であり、ここでは詳細に説明しない。

図１３は、Ｇ．７２９．１に対する典型的なデコーダを示しており、図２に提示されるビットストリームを復号する。狭帯域ビットストリーム１３０１は、ＣＥＬＰデコーダ１３０３により受信され、広帯域ビットストリーム１３１４はＴＤＡＣデコーダ１３１６により受信される。ＴＤＡＣデコーダ１３１６は、ベースバンドの高帯域信号１３１７と、ＣＥＬＰデコーダ１３０３により受信される再構成重み付け差分信号１３１２とを生成する。ＣＥＬＰデコーダ１３０３は、狭帯域信号１３０４を生成する。狭帯域信号１３０４は、アップサンプリング要素１３０５及びローパスフィルタ１３０７により処理され、狭帯域再構成音声１３０９が生成される。ベースバンドの高帯域信号１３１７は、アップサンプリング要素１３１８及びハイパスフィルタ１３２０により処理され、高帯域再構成音声１３２２が生成される。狭帯域再構成音声１３０９及び高帯域再構成音声１３２２は加算されて、出力再構成音声１３２４が生成される。エンコーダの上述の議論と同様に、広帯域ビットストリーム１３１４を復号するモジュールに対して“ＴＤＡＣデコーダ”という用語を使用するが、１４Ｋｂｐｓレイヤに対して使用されるこの技術は時間領域帯域幅エンハンスメント（ＴＤ−ＢＷＥ）として一般に知られている。

図１４は、本発明の一実施例による無音／背景雑音圧縮を有するＧ．７２９．１デコーダの説明を提供しており、図４に示されている無音／背景雑音圧縮を有するＧ．７２９．１エンコーダにより生成されたビットストリームを受信し復号するのに適している。活性音声デコーダを説明する図１４の上部は、図１３と同一であり、アップサンプリング及びフィルター要素が一つに結合されている。狭帯域ビットストリーム１４０１は、ＣＥＬＰデコーダ１４０３により受信され、広帯域ビットストリーム１４１４はＴＤＡＣデコーダ１４１６により受信される。ＴＤＡＣデコーダ１４１６は、ＣＥＬＰデコーダ１４０３により受信される再構成重み付け差分信号１４１２と、ベースバンドの高帯域活性音声１４１７を生成する。ＣＥＬＰデコーダ１４０３は、狭帯域活性音声１４０４を生成する。狭帯域活性音声１４０４は、アップサンプリングＬＰ要素１４０５により処理され、狭帯域再構成活性音声１４０９が生成される。ベースバンド高帯域活性音声１４１７は、アップサンプリングＨＰ要素１４１８により処理され、高帯域再構成活性音声１４２２が生成される。狭帯域再構成活性音声１４０９及び高帯域再構成活性音声１４２２は加算されて再構成活性音声１４２４が生成される。

図１４の下部は、無音／背景雑音（非活性音声）復号の説明を提供している。無音／背景雑音ビットストリーム１４３１は、広帯域再構成非活性音声１４３４を生成する無音／背景雑音デコーダ１４３３により受信される。活性音声デコーダは、ネットワークにより保持されているエンベデッドレイヤの数に依存して広帯域信号又は狭帯域信号を生成できるため、帯域幅スイッチングによる知覚アーチファクトが最終的に再構成出力音声１４２９において聞こえないことを保証することが重要である。従って、広帯域再構成非活性音声１４３４が帯域幅（ＢＷ）適応モジュール１４３６に供給され、その帯域幅を再構成活性音声１４２９の帯域幅に一致させることにより、再構成非活性音声１４３８を生成する。活性音声帯域幅情報は、ビットストリーム解凍モジュール（図示せず）によって、又は活性音声デコーダ内、例えば、ＣＥＬＰデコーダ１４０３及びＴＤＡＣデコーダ１４１６の動作範囲内で利用可能な情報から、ＢＷ適応モジュール１４３６に提供することができる。活性音声帯域幅情報は、再構成活性音声１４２４において直接測定することもできる。最後のステップにて、（狭帯域ビットストリーム１４０１と広帯域ビットストリーム１４１４とを具える）活性ビットストリームが受信されたのか又は無音／背景雑音ビットストリームが受信されたかを示すＶＡＤ情報１４２６に基づいて、スイッチ１４２７は再構成活性音声１４２４と再構成非活性音声１４３８との間で選択を行ない、再構成出力音声１４２９を生成する。

図１５は、本発明の一実施例によるエンベデッド無音／背景雑音圧縮を有するＧ．７２９．１デコーダの説明を提供しており、例えば図１０及び１１に示されているエンベデッド無音／背景雑音圧縮を有するＧ．７２９．１エンコーダにより生成されたビットストリームを受信して復号するのに適している。図１５の上部は、図１３及び１４と同一の活性音声デコーダを説明しており、アップサンプリング及びフィルター要素は一つに組み合わされている。狭帯域ビットストリーム１５０１は、活性音声ＣＥＬＰデコーダ１５０３により受信され、広帯域ビットストリーム１５１４は、活性音声ＴＤＡＣデコーダ１５１６により受信される。活性音声ＴＤＡＣデコーダ１５１６は、活性音声ＣＥＬＰデコーダ１５０３により受信される活性音声再構成重み付け差分信号１５１２と、ベースバンドの高帯域活性音声１５１７を生成する。狭帯域活性音声１５０４は、活性音声アップサンプリングＬＰ要素１５０５により処理され、狭帯域再構成活性音声１５０９が生成される。ベースバンドの高帯域活性音声１５１７は、活性音声アップサンプリングＨＰ要素１５１８により処理され、高帯域再構成活性音声１５２２が生成される。狭帯域再構成活性音声１５０９及び高帯域再構成活性音声１５２２は加算され、再構成活性音声１５２４が生成される。

図１５の下部は非活性音声デコーダを示している。狭帯域無音／背景雑音ビットストリーム１５３１は、狭帯域無音／背景雑音デコーダ１５３３により受信され、無音／背景雑音広帯域ビットストリーム１５３４は広帯域無音／背景雑音デコーダ１５３６により受信される。狭帯域無音／背景雑音デコーダ１５３３は、無音／背景雑音の狭帯域信号１５３４を生成し、広帯域無音／背景雑音デコーダ１５３６は無音／背景雑音のベースバンド高帯域信号１５３７を生成する。双方向補助信号１５３２は、狭帯域無音／背景雑音デコーダ１５３３と広帯域無音／背景雑音デコーダ１５３６との間で交換される情報を表す。無音／背景雑音の狭帯域信号１５３４は、無音／背景雑音アップサンプリングＬＰ要素１５３５により処理され、無音／背景雑音の狭帯域再構成信号１５３９が生成される。無音／背景雑音のベースバンド高帯域信号１５３７は、無音／背景雑音アップサンプリングＨＰ要素１５３８により処理され、無音／背景雑音の高帯域再構成信号１５４２が生成される。無音／背景雑音の狭帯域再構成信号１５３８及び無音／背景雑音の高帯域再構成信号１５４２は加算され、再構成非活性音声１５４４が生成される。（狭帯域ビットストリーム１５０１と広帯域ビットストリーム１５１４とを具える）活性ビットストリームが受信されたか、（狭帯域無音／背景雑音ビットストリーム１５３１と広帯域無音／背景雑音ビットストリーム１５３４とを具える）非活性ビットストリームが受信されたかを示すＶＡＤ情報１５２６に基づいて、スイッチ１５２７は再構成活性音声１５２４と再構成非活性音声１５４４との間で選択を行ない、再構成出力音声１５２９が生成される。明らかに、このスイッチングと加算の順序は交換可能であり、別の実施例においては、一つのスイッチが狭帯域活性及び不活性音声信号の間で選択し、別のスイッチが広帯域活性及び不活性音声信号の間で選択し、信号加算要素はスイッチの出力を結合させるようにすることができる。

図１５において、異なる処理（例えば異なるカットオフ周波数）が必要な場合には、活性音声及び非活性音声に対するアップサンプリングＬＰ要素及びアップサンプリングＨＰ要素は相違する。活性音声と非活性音声との間でアップサンプリングＬＰ要素及びアップサンプリングＨＰ要素における処理が同一の場合には、両タイプの音声に対して同一の要素を使用できる。図１６は、エンベデッド無音／背景雑音圧縮を有するＧ．７２９．１デコーダを示しており、アップサンプリングＬＰ要素及びアップサンプリングＨＰ要素は、活性音声と非活性音声との間で共有されている。狭帯域ビットストリーム１６０１は、活性音声ＣＥＬＰデコーダ１６０３により受信され、広帯域ビットストリーム１６１４は活性音声ＴＤＡＣデコーダ１６１６により受信される。活性音声ＴＤＡＣデコーダ１６１６は、活性音声ＣＥＬＰデコーダ１６０３により受信される活性音声再構成重み付け差分信号１６１２と、ベースバンド高帯域活性音声１６１７を生成する。活性音声ＣＥＬＰデコーダ１６０３は、狭帯域活性音声１６０４を生成する。狭帯域無音／背景雑音ビットストリーム１６３１は、狭帯域無音／背景雑音デコーダ１６３３により受信され、無音／背景雑音広帯域ビットストリーム１６３５は、広帯域無音／背景雑音デコーダ１６３６により受信される。狭帯域無音／背景雑音デコーダ１６３３は、無音／背景雑音の狭帯域信号１６３４を生成し、広帯域無音／背景雑音デコーダ１６３６は、無音／背景雑音のベースバンド広帯域信号１６３７を生成する。双方向補助信号１６３２は、狭帯域無音／背景雑音デコーダ１６３３と広帯域無音／背景雑音デコーダ１６３６との間で交換される情報を表す。ＶＡＤ情報１６４１に基づいて、スイッチ１６１９は狭帯域活性音声１６０４又は無音／背景雑音の狭帯域信号１６３４を、狭帯域出力信号１６４３を生成するアップサンプリングＬＰ要素１６４２に向かせる。同様にＶＡＤ情報１６４１に基づいて、スイッチ１６４０は活性音声のベースバンド高帯域信号１６１７又は無音／背景雑音のベースバンド高帯域信号１６３６を、高帯域出力信号１６４５を生成するアップサンプリングＨＰ要素１６４４に向かせる。狭帯域出力信号１６４３及び高帯域出力信号１６４５は加算され、再構成出力音声１６４６が生成される。

本発明の別の実施例によれば、図１４，１５及び１６に示された無音／背景雑音デコーダは代わりにＤＴＸ符号化アルゴリズムを実施でき、この場合には再構成非活性音声を生成するために使用されるパラメータは以前に受信したパラメータから推定される。推定処理は当業者には既知であるので、ここでは詳細には説明しない。しかし、狭帯域非活性音声用のエンコーダにより一つのＤＴＸ手法が使用され、高帯域非活性音声用のエンコーダにより別のＤＴＸ手法が使用される場合には、狭帯域無音／背景雑音デコーダでの更新及び推定は、広帯域無音／背景雑音デコーダでの更新及び推定とは相違する。

エンベデッド無音／背景雑音圧縮を有するＧ７２９．１デコーダは、受信するビットストリームのタイプにより、多くの異なるモードで動作する。受信されたビットストリームのビット数（サイズ）は、受信されたエンベデッドレイヤの構造、即ちビットレートを決定するが、受信されたビットストリームのビット数は、デコーダでのＶＡＤ情報も構築する。例えば、Ｇ７２９．１パケットは、２０ｍｓの音声を表すが、６４０ビットを保持する場合、デコーダは、それは３２Ｋｂｐｓでの活性音声パケットであると判断し、完全な活性音声広帯域復号アルゴリズムを実行する。一方、Ｇ７２９．１パケットが２０ｍｓの音声を表すために２４０ビットを保持する場合には、デコーダは１２Ｋｂｐｓの活性音声であると判断し、活性音声狭帯域復号アルゴリズムのみを実行する。無音／背景雑音圧縮を有するＧ．７２９．１に対しては、パケットサイズが３２ビットの場合、デコーダは、狭帯域情報のみを有する非活性音声パケットであると判断し、非活性音声狭帯域復号アルゴリズムを実行するが、パケットサイズが０ビットの場合には（つまり、パケットが届かない場合には）ＮＴフレームであると判断され、適切な推定アルゴリズムが使用される。ビットストリームのサイズ変化は、入力信号に基づいて活性又は非活性音声符号化を使用する音声エンコーダによって、又はエンベデッドレイヤの幾つかを切り捨てることにより輻輳を低減するネットワーク要素によって引き起こされる。

図１７は、受信されたパケットにおけるビットストリームのサイズにより決定されるビットレートに基づく、デコーダ制御動作のフローチャートを示している。活性音声ビットストリームの構造は図１に示されるようなものであり、非活性音声ビットストリームの構造は図８に示されるようなものであるとする。ビットストリームは受信モジュール１７００により受信される。まず、活性／非活性音声比較器１７０６によりビットストリームサイズが検査され、ビットレートが８Ｋｂｐｓ（１６０ビットサイズ）以上の場合には活性音声ビットストリームであると判断し、そうなければ非活性音声ビットストリームであると判断する。ビットストリームが活性音声ビットストリームの場合、そのサイズは更に活性音声狭帯域／広帯域比較器１７０８により比較され、モジュール１７１６により狭帯域デコーダのみを使用すべきか、モジュール１７１８により完全な広帯域デコーダを使用すべきか判断する。比較器１７０６が非活性音声ビットストリームを示す場合、ＮＴ／ＳＩＤ比較器１７０４はビットストリームのサイズが０（ＮＴフレーム）か、又は０より大きい（ＳＩＤフレーム）かを確認する。ビットストリームがＳＩＤフレームの場合、非活性音声狭帯域／広帯域比較器１７０２によりビットストリームのサイズが更に検査され、ＳＩＤ情報が完全な広帯域情報又は狭帯域情報のみを含むかを判断し、モジュール１７１２により完全な非活性音声広帯域デコーダを使用するか、モジュール１７１０により非活性狭帯域デコーダのみを使用するかを判断する。ビットストリームのサイズが０、つまり、情報を受信しなかった場合には、モジュール１７１４により非活性音声推定デコーダを使用する。これらの比較器の順序はアルゴリズムの動作に対して重要ではなく、比較動作の説明順は代表的な実施例としてのみ提供されたものであることに注意されたい。

ネットワーク要素は、非活性音声パケットの広帯域エンベデッドレイヤは変化させないで、活性音声パケットの広帯域エンベデッドレイヤを切り捨てることは可能である。これは、非活性音声パケットの広帯域エンベデッドレイヤの切り捨ては輻輳低減に僅かに貢献するのみであるのに対し、活性音声パケットの広帯域エンベデッドレイヤにおける大きなビット数の除去は、輻輳低減に大きく貢献できるためである。従って、非活性音声デコーダの動作も、活性音声デコーダの動作の履歴に依存する。特に、現在受信されているパケットにおける帯域幅情報が以前に受信されたパケットと異なる場合には、特別な注意を払う必要がある。

図１８は、非活性音声復号における以前の及び現在の帯域幅情報を使用するアルゴリズムのステップを示すフローチャートを提供している。決定モジュール１８００は、以前のビットストリーム情報が広帯域であったかを検査する。以前のビットストリームが広帯域だった場合には、現在の非活性音声ビットストリームは、決定モジュール１８０４により検査される。現在の非活性音声ビットストリームが広帯域の場合、非活性音声広帯域デコーダが使用される。現在の非活性音声ビットストリームが狭帯域の場合、出力無音／背景雑音信号における急激な帯域幅変化を避けるために、帯域幅拡張が実行される。更に予め既定された数のパケットに対して受信された帯域幅が狭帯域のままである場合には、なめらかな帯域幅低減を実行することができる。決定モジュール１８００が以前のビットストリームが狭帯域であったと判断した場合には、現在の非活性音声ビットストリームは、決定モジュール１８０２により検査される。非活性音声ビットストリームが狭帯域の場合、狭帯域非活性音声デコーダが使用される。現在の非活性音声ビットストリームが広帯域の場合、非活性音声ビットストリームの広帯域部分が切り捨てられ、狭帯域非活性音声デコーダが使用され、出力無音／背景雑音信号における急激な帯域幅変化を避ける。更に、予め既定された数のパケットに対して受信された帯域幅が広帯域のままである場合には、なめらかな帯域幅低減を実行することができる。非活性音声推定デコーダは、図１８には非明示的に規定されていないが、非活性音声デコーダの一部であり、以前に受信された帯域幅に常に追従するように構成されていることに注意されたい。

図４，９，１０及び１１に提示されているＶＡＤモジュールは、活性音声と無音又は周囲の背景雑音として既定された非活性音声とを区別している。多くの現在の通信用途は、音声信号に加えて、保留音又は個別呼び出し音などの音楽信号を使用している。音楽信号は活性音声でも非活性音声でもなく、音楽信号のセグメントに対して非活性音声エンコーダが使用された場合には、音楽信号の品質が深刻に低下しうる。従って、音楽信号を取り扱うように設計された通信システムにおけるＶＡＤが音楽信号を検出し、音楽検出指示を提供することが重要である。音楽信号の検出及び処理は、音声信号のための活性音声コーデックの固有の品質は比較的に高いので、音声信号に対して非活性音声コーデックを使用することに起因する品質低下はより強い知覚効果を有する可能性があるため、広帯域音声を使用する音声通信システムにおいて更に重要である。

図１９は、入力音声１９０２を受信する汎用音声アクティビティ検出器１９０１を示している。入力音声１９０２は、図４，９，１０及び１１に提供されたＶＡＤモジュールに類似した活性／非活性音声検出器１９０５、及び音楽検出器１９０６に供給される。活性／非活性音声検出器１９０５は、活性／非活性音声指示１９０８を生成し、音楽検出器１９０６は音楽指示１９０９を生成する。音楽指示は、幾つかの方法で使用できる。その主な目的は、非活性音声エンコーダの使用を避けることであり、そのために、間違った非活性音声決定を無効にすることにより、音楽指示を活性／非活性音声指示と組み合わせることができる。音楽指示は、エンコーダに到着する前に入力音声を前処理する専用又は標準ノイズ抑圧アルゴリズム（図示せず）を制御することもできる。音楽指示は、そのピッチ輪郭スムージングアルゴリズム又は他のモジュールなどの活性音声エンコーダの動作を制御することもできる。

ネットワークによる非活性音声の広帯域エンハンスメントレイヤの切り捨ては、活性音声セグメントと非活性音声セグメントとの間の帯域幅連続性を維持するために、デコーダに帯域幅を拡張することを要求する可能性がある。同様に、活性音声が広帯域音声の場合には、エンコーダが狭帯域情報のみを送信しデコーダが帯域幅拡張を実行することが可能である。図２０は非活性音声エンコーダ２０００を示しており、入力非活性音声２００２を受信し、再構成非活性音声２０２４を生成する非活性音声デコーダ２００１に無音／背景雑音ビットストリーム２００６を送信する。入力非活性音声２００２及び再構成非活性音声２０２４は、１６ＫＨｚでサンプリングされた広帯域信号であることに注意されたい。ＬＰデシメーション要素２００３は入力非活性音声２００２を受信して、非活性音声狭帯域信号２００４を生成し、狭帯域無音／背景雑音エンコーダ２００５により受信されて狭帯域無音／背景雑音ビットストリーム２００６が生成される。狭帯域無音／背景雑音ビットストリーム２００６は、狭帯域非活性音声２００９及び補助信号２０１４を生成する狭帯域無音／背景雑音デコーダ２００７により受信される。補助信号２０１４は、狭帯域非活性音声２００９自身と、エネルギー及びスペクトルパラメータとを含むことができる。広帯域拡張モジュール２０１６は、補助信号２０１４を使用してベースバンド高帯域非活性音声２０１８を生成する。その生成には、エネルギー輪郭マッチング及びスムージングを使用する広帯域ランダム励振に適用されるスペクトル拡張を使用することができる。アップサンプリングＬＰ２０１０は狭帯域非活性音声２００９を受信し、低帯域出力非活性音声２０１２を生成する。アップサンプリングＨＰ２０２０は、ベースバンド高帯域非活性音声２０１８を受信して高帯域出力非活性音声２０２２を生成する。低帯域出力非活性音声２０１２及び高帯域出力非活性音声２０２２は加算され、再構成非活性音声２０２４が生成される。

上に提示された方法及びシステムは、ソフトウェア、ハードウェア、又はデバイス上のファームウェアとして具えることができ、本発明の精神から離れることなく、マイクロプロセッサ、デジタルシグナルプロセッサ、特定用途ＩＣ又はフィールドプログラマブルゲートアレイ（ＦＰＧＡ）又はそれらの組み合わせで実現することができる。更に、本発明はその精神又は基本的な特徴から離れることなく、他の特定の形態で実施することができる。記載された実施例は、あらゆる点において、単なる実例であって、限定するものではないことを考慮されたい。

Claims (20)

1. 音声エンコーダにより入力音声信号を符号化する方法であって、
   入力音声信号を受信するステップと、
   前記入力音声信号が活性音声信号又は非活性音声信号を含むかを決定するステップと、
   前記非活性音声信号をローパスフィルタリングして狭帯域非活性音声信号を生成するステップと、
   前記非活性音声信号をハイパスフィルタリングして高帯域非活性音声信号を生成するステップと、
   狭帯域非活性音声エンコーダを使用して前記狭帯域非活性音声信号を符号化して符号化された狭帯域音声を生成する符号化するステップと、
   前記狭帯域非活性音声信号に基づいて前記狭帯域非活性音声エンコーダにより第１の補助信号を生成するステップと、
   前記狭帯域非活性音声エンコーダからの前記第１の補助信号に基づいて、広帯域非活性音声エンコーダを用いて前記高帯域非活性音声信号を符号化して符号化された広帯域非活性音声を生成するステップと、
   前記符号化された狭帯域非活性音声と前記符号化された高帯域非活性音声とを送信するステップと、
   を含むことを特徴とする符号化方法。
2. 前記高帯域非活性音声信号に基づいて、前記広帯域非活性音声エンコーダにより第２の補助信号を生成するステップを更に含み、
   前記狭帯域非活性音声エンコーダは、前記広帯域非活性音声エンコーダからの前記第２の補助信号に基づいて前記狭帯域非活性音声信号を符号化することを特徴とする、請求項１に記載の符号化方法。
3. 前記送信ステップは、不連続送信（ＤＴＸ）手法を含むことを特徴とする、請求項１に記載の符号化方法。
4. 音声エンコーダにより入力音声信号を符号化する方法であって、
   入力音声信号を受信するステップと、
   前記入力音声信号が活性音声信号又は非活性音声信号を含むかを決定するステップと、
   前記非活性音声信号をローパスフィルタリングして狭帯域非活性音声信号を生成するステップと、
   前記非活性音声信号をハイパスフィルタリングして高帯域非活性音声信号を生成するステップと、
   ＩＴＵ−Ｔ Ｇ．７２９付録Ｂの勧告に従って前記狭帯域非活性音声信号を符号化して、Ｇ．７２９Ｂに従って符号化された非活性音声を生成するステップと、
   前記高帯域非活性音声信号を符号化して符号化された広帯域非活性音声を生成するステップと、
   前記Ｇ．７２９Ｂに従って符号化された狭帯域非活性音声をＧ．７２９Ｂビットストリームとして送信するステップと、
   前記符号化された広帯域非活性音声を、Ｇ．７２９Ｂビットストリームに続いて広帯域ベースレイヤビットストリームとして送信するステップと、
   を含むことを特徴とする符号化方法。
5. エンハンスメントされた狭帯域ベースレイヤビットストリームを生成するように前記狭帯域非活性音声信号を符号化するステップと、
   前記広帯域ベースレイヤビットストリームに続いて前記エンハンスメントされた狭帯域ベースレイヤビットストリームを送信するステップと、
   を更に含むことを特徴とする、請求項４に記載の符号化方法。
6. エンハンスメントされた広帯域ベースレイヤビットストリームを生成するように前記高帯域非活性音声信号を符号化するステップと、
   前記エンハンスメントされた狭帯域ベースレイヤビットストリームに続いて前記エンハンスメントされた広帯域ベースレイヤビットストリームを送信するステップと、
   を更に含むことを特徴とする、請求項５に記載の符号化方法。
7. エンハンスメントされた広帯域ベースレイヤビットストリームを生成するように前記高帯域非活性音声信号を符号化するステップと、
   前記高帯域ベースレイヤビットストリームに続いて前記高帯域ベースレイヤビットストリームを送信するステップと、
   を更に含むことを特徴とする、請求項４に記載の符号化方法。
8. エンハンスメントされた狭帯域ベースレイヤビットストリームを生成するように前記狭帯域非活性音声信号を符号化するステップと、
   前記エンハンスメントされた広帯域ベースレイヤビットストリームに続いて前記エンハンスメントされた狭帯域ベースレイヤビットストリームを送信するステップと、
   を更に含むことを特徴とする、請求項７に記載の符号化方法。
9. 符号化された音声信号を音声デコーダにより復号する方法であって、
   符号化された音声信号を受信するステップと、
   符号化された音声信号が符号化活性音声信号又は符号化非活性音声信号を含むかを決定するステップと、
   狭帯域デコーダ及び広帯域デコーダを用いて前記符号化活性音声信号をエンベデッドビットストリームとして復号して、狭帯域活性音声パラメータ及び広帯域活性音声パラメータを生成するステップと、
   前記符号化非活性音声信号を狭帯域ビットストリームとして復号して狭帯域非活性音声パラメータを生成するステップと、
   前記狭帯域活性音声パラメータ及び前記広帯域活性音声パラメータを用いて前記狭帯域非活性音声パラメータに帯域幅拡張を適用して、広帯域非活性音声パラメータを生成するステップと、
   を含むことを特徴とする復号方法。
10. 音声エンコーダにより入力音声信号を符号化する方法であって、
    前記入力音声信号を受信するステップと、
    前記入力音声信号をローパスフィルタリングして狭帯域入力音声信号を生成するステップと、
    前記入力音声信号をハイパスフィルタリングして高帯域入力音声信号を生成するステップと、
    前記狭帯域入力音声信号が活性音声信号又は非活性音声信号を含むかを検出するステップと、
    前記検出ステップにおいて前記狭帯域入力音声信号が前記非活性音声信号を含むと検出された場合に、狭帯域非活性音声エンコーダを用いて前記狭帯域非活性音声信号を符号化して、符号化された狭帯域非活性音声を生成するステップと、
    前記検出ステップにおいて前記狭帯域入力音声信号が前記非活性音声信号を含むと検出された場合に、広帯域非活性音声エンコーダを用いて前記高帯域非活性音声信号を符号化して、符号化された広帯域非活性音声を生成するステップと、
    前記符号化された狭帯域非活性音声及び前記符号化された広帯域非活性音声を送信するステップと、
    を含むことを特徴とする符号化方法。
11. 前記高帯域音声信号に基づいて前記広帯域非活性音声エンコーダにより第２の補助信号を生成するステップを更に含み、
    前記狭帯域非活性音声エンコーダは、前記広帯域非活性音声エンコーダからの前記第２の補助信号に基づいて前記狭帯域音声信号を符号化することを特徴とする、請求項１０に記載の符号化方法。
12. 前記狭帯域音声信号に基づいて前記狭帯域非活性音声エンコーダにより第１の補助信号を生成するステップを更に含み、
    前記広帯域非活性音声エンコーダは、前記狭帯域非活性音声エンコーダからの前記第１の補助信号に基づいて前記広帯域音声信号を符号化することを特徴とする、請求項１０に記載の符号化方法。
13. 前記活性音声信号に対するローパスフィルタリングは前記非活性音声信号に対するローパスフィルタリングと異なり、前記活性音声信号に対するハイパスフィルタリングは前記非活性音声信号に対するハイパスフィルタリングと異なることを特徴とする、請求項１０に記載の符号化方法。
14. 前記送信するステップは不連続送信（ＤＴＸ）手法を含むことを特徴とする、請求項１０に記載の符号化方法。
15. 入力音声信号を符号化するように構成された音声エンコーダであって、
    前記入力音声信号を受信するように構成された受信器と、
    前記入力音声信号が活性音声信号又は非活性音声信号を含むかを検出するように構成された音声アクティビティ検出器と、
    前記非活性音声信号をローパスフィルタリングして狭帯域非活性音声信号を生成するためのローパスフィルタと、
    前記非活性音声信号をハイパスフィルタリングして高帯域非活性音声信号を生成するためのハイパスフィルタと、
    前記狭帯域非活性音声信号を符号化して符号化された狭帯域非活性音声を生成するように構成され、更に前記狭帯域非活性音声信号に基づいて第１の補助信号を生成するように構成された狭帯域非活性音声エンコーダと、
    前記狭帯域非活性音声エンコーダからの前記第１の補助信号に基づいて前記高帯域非活性音声信号を符号化して、符号化された広帯域非活性音声を生成するように構成された広帯域非活性音声エンコーダと、
    前記符号化された狭帯域非活性音声及び前記符号化された広帯域非活性音声を送信するように構成された送信器と、
    を具えることを特徴とする音声エンコーダ。
16. 前記広帯域非活性音声エンコーダは、更に前記高帯域非活性音声信号に基づいて第２の補助信号を生成するように構成され、前記狭帯域非活性音声エンコーダは、更に前記広帯域非活性音声エンコーダからの前記第２の補助信号に基づいて前記狭帯域非活性音声信号を符号化するように構成されていることを特徴とする、請求項１５に記載の音声エンコーダ。
17. 前記送信器は、不連続送信（ＤＴＸ）手法に従って送信するように構成されていることを特徴とする、請求項１５に記載の音声エンコーダ。
18. 入力信号を符号化するように構成された音声エンコーダであって、
    前記入力音声信号を受信するように構成された受信器と、
    前記入力音声信号をローパスフィルタリングして狭帯域音声信号を生成するためのローパスフィルタと、
    前記入力音声信号をハイパスフィルタリングして高帯域音声信号を生成するためのハイパスフィルタと、
    前記狭帯域入力音声信号が活性音声信号又は非活性音声信号を含むかを検出するように構成された音声アクティビティ検出器（ＶＡＤ）と、
    前記ＶＡＤが、前記狭帯域入力音声信号が前記非活性音声信号を含むと検出した場合に、前記狭帯域音声信号を符号化して符号化された狭帯域非活性音声を生成するように構成された狭帯域非活性音声エンコーダと、
    前記ＶＡＤが、前記狭帯域入力音声信号が前記非活性音声信号を含むと検出した場合に、前記高帯域音声信号を符号化して符号化された広帯域非活性音声を生成するように構成された広帯域非活性音声エンコーダと、
    前記符号化された狭帯域非活性音声及び前記符号化された広帯域非活性音声を送信するように構成された送信器と、
    を具えることを特徴とする音声エンコーダ。
19. 前記広帯域非活性音声エンコーダは、更に前記高帯域音声信号に基づいて第２の補助信号を生成するように構成され、前記狭帯域非活性音声エンコーダは、更に前記高帯域非活性音声エンコーダからの前記第２の補助信号に基づいて前記狭帯域音声信号を符号化するように構成されていることを特徴とする、請求項１８に記載の音声エンコーダ。
20. 前記狭帯域非活性音声エンコーダは、更に前記狭帯域音声信号に基づいて第１の補助信号を生成するように構成され、前記広帯域非活性音声エンコーダは、更に前記狭帯域非活性音声エンコーダからの前記第１の補助信号に基づいて前記広帯域音声信号を符号化するように構成されていることを特徴とする、請求項１８に記載の音声エンコーダ。

Images