JP2010525376A

JP2010525376A - Ｄｔｘハングオーバ期間の長さを調整する方法及び音声符号化装置

Info

Publication number: JP2010525376A
Application number: JP2010500864A
Authority: JP
Inventors: ヨナススベドベリ，; マルティンシェルステット，
Original assignee: テレフオンアクチーボラゲットエルエムエリクソン（パブル）
Priority date: 2007-03-29
Filing date: 2007-12-05
Publication date: 2010-07-22
Also published as: KR101408625B1; WO2008121035A1; KR20090122976A; US20100106490A1; EP2143103A1; EP2143103A4

Abstract

本発明は音声符号化装置に関し、音声符号化装置は、音声フレームを受信し、音声判別（VAD_flag）を発生する音声アクティビティ検出器（VAD）、上記音声フレームを受信し、音声判別（VAD_flag）及びDTXハングオーバ期間に基づく符号化器決定（SP）に基づいて、音声フレームを識別する信号を発生する音声／SID符号化器と、音声フレーム、SIDフレーム及びNo_dataフレームを含む信号（TxType）を送信するSID同期器を有する。音声符号化装置はDTXハングオーバ期間内の音声フレームのエネルギ値を分析する信号分析器と、信号分析器が実行した分析に応じてDTXハングオーバ期間長を調整するDTXハンドラとを更に有する。本発明はまた音声符号化装置におけるDTXハングオーバ期間の特性を推定する方法にも関する。

Description

本発明は、通信システムにおけるDTXハングオーバ期間を適応化する方法に関する。

コンフォートノイズ（comfort noise）を用いる音声コーデックシステムにおいては、コンフォートノイズ特性の推定のための期間がある。この期間は、符号化器で使用されるか（フォワード適応）、復号化器で使用されるか（バックワード適応）、あるいは符号化器／復号化器双方で使用されて（フォワード・バックワード適応）、コンフォートノイズの合成に使用するパラメータを決定することができる。すなわち、符号化器がその期間を使用してコンフォートノイズ特性を推定し、そのコンフォートノイズ特性を量子化し、復号化器に送信するか、復号化器がその期間を使用して、合成に使用される受信機のコンフォートノイズを推定するか、あるいは、その両方の方法を同時に使用することができる。

非特許文献１に記載されたGSM-EFR（Enhanced Full Rate）やAMR-NB（Narrow band）、並びに、非特許文献２に記載されたAMR-WB（Wide band）などの音声コーデックシステムでは、推定のためのこの期間を、DTXハングオーバ期間と呼ぶ。この期間が安定かつ定常的なノイズを含む場合には、得られるコンフォートノイズは高い主観的品質を持つことになり、この期間がノイズ以外の他の信号を含んでいると、コンフォートノイズが不快音を持つことになるリスクがある。

さらに、EFRおよびAMRに対するなどの幾つかの音声コーデックシステムでは、DTXハングオーバ期間の追加は「dtxハンドラ」フレームタイプの状態マシン（state machine）により制御する。この状態マシンによって、符号化器および復号化器にDTXハングオーバ期間における情報の同期使用の実行が可能になる。この同期はEFRにとって特に重要であるが、それはEFRが実際にDTXハングオーバ期間を使用して後続ノイズ期間の参照パラメータを量子化するからである。この符号化器／復号化器同期は3GPP／TS 26.093（非特許文献１）およびカパネン（Kapanen）による「間欠送信を用いたTDMA無線通信システムにおけるハングオーバ期間を検出する方法及び装置（"Method and apparatus for detecting hangover period in a TDMA wireless communication system using discontinuous transmission"）」と題する米国特許第５８３５８８９号（特許文献１）において説明されている。図１は従来技術によるVAD/DTXコーデックシステムの符号化器側主機能のブロック構成を示し、図２は非特許文献１の通常のDTXハングオーバ手順を示す。

注記；「ノイズ期間（noise period）」は「無音期間（silence period）」と呼ばれることが多いが、本明細書では用語「ノイズ期間」を使用することにする。

既存の（配備された）EFRおよびAMR復号化器はスペクトラムパラメータおよびエネルギパラメータの平均化演算を単に実行する。DTXハングオーバ期間に顕著なエネルギ異常値またはスペクトル異常値があれば、合成されるノイズに不快なノイズエネルギ波またはノイズバーストが生じるであろう。DTXハングオーバ時間から不適当なパラメータが「忘れ去られる」まで（AMRの場合これは典型的に１１フレーム即ち２２０ｍｓである）、このノイズ波／バーストはコンフォートノイズに負の影響を与えうる。

これに対する１つの解決策は、復号化器によるコンフォートノイズパラメータの分析に異常値の抑圧を加えることであろう。TIA/EIS/IS-641およびイエルビネン（Jaervinen）による「間欠送信中のコンフォートノイズの生成方法（"Methods for generating comfort noise during discontinuous transmission"）」と題する欧州特許第０８４３３０１号（特許文献２）に記載されるように、これは例えばIS-641 DTXシステムにおいて行われている。

またヨハンソン（Johansson)による米国特許第５９７８７６１号（特許文献４）においても、コンフォートノイズ品質を改善するために異常値を除去するための、受信機による方法が記載されている。ヨハンソンはフレームタイプの遷移分析に基づきコンフォートノイズの発生に幾つかのSIDフレームを含まないようにすることができる方法を記載している。しかし、この解決策は全受信機／復号化器の更新を必要とする。

別の解決策は、（既存のVAD：AMR-NB VAD 1/VAD 2、AMR-WB-VADのような）極めて（非常に）保守的なVADを使用することである。保守的なVADを使用すると、良好なノイズプロトタイプを得る見込みが増すが、チャネル伝送動作が増えることになろう。即ち、不必要に多くの音声フレームがSP=１と区分され、全音声フレームが送信されることになってしまう。

AMR-NB/WBおよびEVRC（非特許文献６）並びにG.729 Annex B（非特許文献５）のような幾つかの音声コーデックはVADブロック内に（ノイズレベルに依存、または前フレームタイプに依存する）非固定ノイズハングオーバ機能を有し、後端の音声を正しく符号化することを保証する。しかし、これらのコーデックは、コンフォートノイズモデルがSID/DTXノイズの符号化に使用するのに十分良好であることを保証する機能を提供しない。G.729Bはノイズ信号の分析に基づき新しいSID送信を判断する可変速度SID送信方法を有するが、DTXハングオーバ期間を延長する解決策を有してはいない。

米国特許第５８３５８８９号（カパネン（Kapanen），「間欠送信を用いたTDMA無線通信システムにおけるハングオーバ期間を検出する方法及び装置（"Method and apparatus for detecting hangover periods in a TDMA wireless communication system using discontinuous transmission"）」欧州特許第０８４３３０１号（イエルビネン（Jaervinen），「間欠送信中のコンフォートノイズの生成方法（"Methods for generating comfort noise during discontinuous transmission"）」米国特許第５４１０６３２号（ホング（Hong），「音声アクティビティ検出器における可変ハングオーバ時間（"Variable Hangover time in a voice activity detector"）」米国特許第５９７８７６１号（ヨハンソン（Johansson），「復号化装置でのコンフォートノイズ（"Comfort Noise in Decoder"）」（PDC）

AMR-NB DTX TS 26.093 AMR-WB DTX TS 26.193 AMR-WB CN 26.192 AMR-NB CN 26.092 ITU-T仕様書G.729, Annex B（「VAD/DTX」）、適応SIDスケジューラを含む。ITU-T勧告G.727 Annex Ｂ（勧告V.70に準拠する端末のための最適化G.729の無音圧縮方式） EVRC-A（3GPP2/C.S0014-A_v1.0,20040426）、及び、EVRC-B（3GPP2/C.S0014-B_v1.0_060501）（EVRC-A VADは適応ノイズハングオーバを含み、EVRC-Bは固定DTXハングオーバを含む。）

本発明は、DTXハングオーバ期間中に、送信側符号化器が平均化演算を使用するか、受信側復号化器が平均化演算を使用するかの少なくともいずれかを行うように構成し、DTXハングオーバ期間内またはDTXハングオーバ期間中の少なくともいずれかにおいてノイズ特性を分析し、ノイズ特性が復号化器による合成のためのコンフォートノイズ生成モデルとして使用するのに十分安定であるかを判断する。

また、ノイズ特性が不適当と判断されれば、DTXハングオーバ期間が延長される。これはVADが非常に積極的（aggressive）で、DTXハングオーバ期間内で低エネルギの音声が推移してしまう場合や、VADが音声開始フレームの検出に失敗してしまう場合に生じうる。さらに、容量に悪影響を与えないように、DTXハングオーバの時間延長を最大延長フレーム数に制限しうる。

ノイズ特性が適当と判断され、符号化器および復号化器のDTX状態が同期している場合には、DTXハングオーバ期間を短縮することができる（これは使用するVADが非常に慎重（cautious）で、必要以上にVADノイズハングオーバフレームを付加してしまう場合に生じうる）。

さらに、アルゴリズムは、実際の復号化器のDTX-CNG（間欠送信／コンフォートノイズ発生器）の状態を考慮する。すなわち、アルゴリズムは、復号化器のDTX-バッファ分析アルゴリズムと同期することを確実にする。このように復号化器がDTX-HOフレームを使用しようとしない場合に余分のDTX-HOフレームを追加しないか、または復号化器が幾つかのDTX-HOフレームの追加を必要とする場合にDTX-HOフレームを短縮する。

従来技術によるVAD/DTXコーデックシステムの符号化器側主機能のブロック構成を示す図。 3GPP/TS 26.093v610の従来技術によるハングオーバ手順を示す図。更新された符号化器VAD/DTX/コーデックシステムにおける延長および短縮のありうるフレームタイプの効果を示す図。本発明によるDTX-HO延長過程のエネルギ値およびDTX-ハンドラの状態を示す図。本発明によるDTX-HO短縮過程のエネルギ値およびDTX-ハンドラの状態を示す図。積極的VADと共に使用するHO延長の効果を示す図。

図１は、従来技術によるVAD/DTXコーデックシステムの符号化器側主機能のブロック構成を示す図である。音声は、VADおよび音声／SID符号化器に供給される。VADは判定を行う。ここで、「１」は音声を含むフレームであり、「０」は音声を含まないフレームである。VAD判定VAD{0, 1}は、DTXハンドラに供給される。DTXハンドラは、DTXハングオーバ期間をVAD判定に加え、判定SP{0, 1}が音声／SID符号化器に転送される。音声フレームSP=１と示されるフレームについて、音声が符号化される。SIDフレームも発生され同期され、音声フレーム、SIDフレームおよびNo_Data（データなし）フレームを含むフレーム送信タイプ（TxType）が送信される。

図２は、3GPP/TS 26.093v610「図６：通常のハングオーバ手順（Ｎ_elapsed＞２３）」から採用されるTX-DTX SCRハンドラを示している。VADフラグが「音声終了」を示した後に、７つの余分のフレームが音声フレームとして追加される。

図２には、より長い音声バーストの後の図１のAMR-NB TX-DTXハンドラの通常動作が示されている。本発明の実施形態は、品質を維持し、またはシステム効率を増大させることができるように、符号化器で利用可能な信号の分析に基づき「ハングオーバ」=（DTX-HO）期間の長さを修正する方法を示す。

図３は、本発明によるVAD/DTX/コーデックシステムの実施形態の符号化器側主機能のブロック構成を示す。システムは、図１に関して記述した従来技術のシステムと同じ構成要素を含むが、１つの例外がある。通常のDTXハンドラが、信号分析器および更新されたDTXハンドラによって置き換えられている。DTX-HO期間の調整は、追加された信号分析器によって提供される新規情報に基づいて、更新されたDTXハンドラによって実行される。

DTXハングオーバの延長
図４は、エネルギ値および図３の符号化器で利用可能なDTXハンドラの状態を示す。この第１の実施形態では、DTX-HO期間の延長は、３つの決定変数を用いて実行され、これら３つの測定結果の重み付き決定和を使用して、DTX-HO期間の延長の必要を判断する。

決定変数
使用する決定変数は音声フレームの分析に基づく。図４において、各符号化フレームに容易に利用可能なフレームエネルギ値が示される。（例えば、b[i]は現フレームの対数エネルギ値である。）

第１の決定変数「dec_energy_flag」は、現在の８フレームノイズ量子化期間（DTX-HO期間を含む）に想定ノイズモデルエネルギの大きな減少があるかの情報を提供する。

ただし、
first_half_enは、古い方から４つのDTX-HOフレームのエネルギ、
second_half_enは、新しい方から４つのフレームのエネルギ、
DTX_PUFF_THRは、定数値である。

第２の決定変数「var_energy_flag」は、先行する音声になる前のノイズのみのセグメントからノイズエネルギ変動に大きな変化があるかの情報を提供する。

ただし、
dtxMaxMinDiff=max(b[i-7],...,b[i])-min(b[i-7],...,b[i])、
dtxLastMinMaxDiffは、dtxMaxMinDiffと同じ測定結果であるが、（vad_flag=0およびdtxHoCnt=0）（現音声セグメントに先立つノイズの最終期間）において更新され、
DTX_MAXMIN_THRは、定数値である。

第３の決定変数「higher_energy_flag」は、先行する音声になる前のノイズのみのセグメントからノイズエネルギに大きな変化があったかの情報を提供する。

ただし、

dtxLastAvgLogEnは、dtxAvgLogEnと同じ測定結果であるが、（Vad_flag=0およびdtxHoCnt=0）（現音声セグメントに先立つノイズの最終期間）において更新され、
higher_energy_thrは、
higher_energy_thr=dtxLastMinMaxDiff/2+16＊dtxHoExtCnt
により定義する時間依存の閾値を決める変数である。
ただし、
dtxHoExtCntは、追加のDTX-HO延長フレーム数であり、DTX-HOが終了するとリセットされる。

追加のDTX-HOフレームを追加する最終決定は、ブーリアン（boolean）
DTX_NOISEBURST_WARNING
となる重み付き決定基準を使用して実行される。

DTX_NOISEBURST_WARNINGが「１」であれば、余分のDTXハングオーバフレームをDTX_HO期間に追加する。すなわち、余分のDTXハングオーバフレームを追加するより大きなエネルギを持つのに十分である。

さらに、最大許容延長フレーム数（DTX_MAX_HO_EXT_CNT）を設定することにより、最終DTX_NOISEBURST_WARNINGの決定を禁止することができる。

最終DTX_NOISEBURST_WARNINGが「１」（真）であれば、音声フレームから非音声フレームへの遷移は１フレームだけ遅れる。これはDTXハンドラの状態変数dtxHoCntをゼロ以外の値に設定することにより達成することができ、これは符号化器が量子化された音声（「Ｓ」）フレームを準備する結果となろう。

付録１乃至３は、実施形態１を実行する実際のAMR-NB固定小数点Ｃコードである。

付録１
cod_amr.c 各フレームの符号化を制御するコード部。
付録２
dtx_enc.c DTXハンドラの符号化器側を含むコード部。
付録３
dtx_enc.h パラメータ、データタイプおよび符号化器側DTXハンドラの関数プロトタイプの定義。

Ｃコードにおける関連する関数は、dtx_noise_puff_warningおよびtx_dtx_handlerである。これらは共に、dtx_enc.cにおいて定義され、cod_amr.cからコールされる。

上記の如き低演算量のエネルギ測定結果のみの使用に代えて、DTX_HO期間の延長に対する第２の実施形態において、以下に記述するように、スペクトルパラメータ、LSPまたはLSFを使用して、DTX_HO期間における信号スペクトルの定常性を判断することもできる。DTX_HO期間および先行する音声になる前のノイズのみのセグメント内におけるフレームに関して、例えばDTX_HO期間のLSPの平均値は先行する音声になる前のノイズのみの期間から得られるLSPの平均値とは定数以上に違いはないであろう。

ただし、
dtxAvgLSPは、現DTX_HO期間のLSPの平均ベクトル、
dtxLastAvgLSPも、LSPの平均ベクトルであるが、（vad_flag=0およびdtxHoCnt=0）（現音声セグメントに先立つノイズの最終期間）において更新され、
LSP_CHANGE_THRは、定数である。

ブーリアン決定変数LSP_change_flagは、DTX_NOISEBURST_WARNINGの和において使用することができる。例えば、

である。

DTXハングオーバの短縮
この第１の実施形態では、DTX_HO期間の短縮は３つの決定変数を使用して実行され、これら３つの測定結果の重み付き決定和を使用して、DTX_HO期間の短縮の可能性が判断される。加えて、復号化器が同期し、短縮されたDTX_HO期間を実際に使用することを決定するために、DTXハンドラの状態変数が検査される。

決定変数
使用する決定変数は音声フレームの分析に基づく。図５に、各符号化フレームに容易に利用可能なフレームエネルギ値およびDTXハンドラの状態を示す。（例えば、b[i]は現フレームの対数エネルギ値である）。

DTX_HO削減のアルゴリズム例は、
・dtxHoCntが３より小さく、かつ、
・DTXハングオーバが実際に動作するよう、N_elapsedが十分大きく、かつ、
・（実施形態１で定義した）全ての決定変数（dec_energy_flag、var_energy_flag、higher_energy_flag）が全てゼロ（和がゼロ）であれば、
DTXハングオーバ期間を短縮する決定を行う（実際の短縮は、符号化器DTXハンドラの呼出しに先立ちdtxHoCnt変数を強制的にゼロにすることにより達成され、これにより、より高速の音声フレームタイプに代わり低速SIDフレームタイプ（AMRの場合F/SID_FIRST）を送信に準備することになろう。）

その他の場合、ハングオーバ期間は通常通りに継続される（望まれればハングオーバ延長のオプションがある。）。

ハングオーバ延長の場合、スペクトルパラメータも考慮される。例えば、短縮を動作させるためには、以前に定義された決定変数LSP_change_flagがゼロであることを要求することができる。

コンフォートノイズの合成について品質低下を伴うことなく、（既存の復号化器を修正しないで使用するためにも）、EFR/AMR-NB/AMR-WB CNG（コンフォートノイズ発生器）を、時として準最適VAD決定を行う積極的で容量の効果的なVADと組み合わせて使用することができる。

この品質／効率の更新は、採用したAMR-NB/EFR復号化器と上位互換性がある。図６はAMR-NBコーデックのシミュレーションにおいて積極的なVADと共に使用する場合のハングオーバの延長効果を示す。図中上段は延長のない現在のDTXハングオーバ方式のみの平均化を使用する場合の復号化器出力であり、下段は説明したハングオーバ方式を使用する場合の復号化器出力である。確認できるように、更新方式は元方式よりより良好なノイズエネルギ包絡を提供する。

既存の極めて保守的なVAD（例えばAMR-VAD1またはAMR-VAD2）と組み合わせる場合、DTXハングオーバの短縮を使用して、DTXシステムの効率を増大させ、場合によってはコンフォートノイズ品質を高めることができる。

図３に関する以上の説明のように、音声符号化器はユーザ端末および／または基地局などの無線通信システムにおけるノードの送信機に実装することができる。受信ノード（ユーザ端末または基地局）における対応する受信機は通信リンクにおいて通信する場合、修正する必要なく、送信機の本発明による音声符号化器により符号化する情報を復号化する。従って、本発明の音声符号化器を通信システムに存在する全ノードに含む必要はなく、これは図１および図３に関する説明のように、送信信号に含む情報タイプは変更しないが、情報内容を調整する、即ちDTXハングオーバ期間を変更することができるからである。

省略記号
AMR Adaptive Multi-Rate 適応マルチレート
CAF Channel Activity Factor 送信機がエネルギを送信する場合のチャネル・アクティビティ係数（音声フレーム、DTX-HO音声フレーム、SIDフレームを含むシステム効率）
CN Comfort Noise コンフォートノイズ
CNG Comfort Noise Generator コンフォートノイズ発生器
DTX Discontinuous Transmission 間欠送信
DTX-HO DTX-HangOver time period DTX-ハングオーバ期間
EFR Enhanced Full Rate 拡張フルレート
EVRC Enhanced Variable Rate Codec 拡張可変レートコーデック
LSF Line Spectral Frequency 線スペクトル周波数
LSP Line Spectral Pair 線スペクトル対
N,ND "NoData" frame type 「データなし」フレームタイプ
NB Narrow Band 狭帯域
SID Silence Descriptor 無音記述子（実際にはノイズ記述子）
SF,F "SID_FIRST" AMR(NB/WB) SIDフレームタイプ
SP,S "Speech"フレームタイプ
U,SU "SIDJJPDATE" AMR(NB/WB)SIDフレームタイプ
VAD Voice Activity Detector 音声アクティビティ検出器
VAD-HO VADハングオーバ（音声からノイズに遷移するときのVAD内部安全余裕期間）、別名「ノイズハングオーバ」
VAF Voice Activity Factor 音声アクティビティ効率（SIDフレーム、DTX-HOフレームを除いたVADの効率）
WB Wide Band 広帯域

Claims

音声符号化器におけるDTXハングオーバ期間の特性を推定する方法であって、
前記DTXハングオーバ期間内の音声フレームのフレームエネルギ値を分析するステップと、
前記フレームエネルギ分析に応じて前記DTXハングオーバ期間の長さを調整するステップと、
を有することを特徴とする方法。
前記音声フレームのフレームエネルギ値を分析するステップは、
エネルギ減少、
エネルギ変動、及び、
長期のエネルギ増加
を分析するステップを含むことを特徴とする請求項１に記載の方法。
前記DTXハングオーバ期間における前記音声フレームのスペクトルパラメータを分析するステップと、
前記DTXハングオーバ期間の長さを調整する際に前記スペクトルパラメータ分析の結果を考慮するステップと、
を更に有することを特徴とする請求項１又は２に記載の方法。
前記音声フレームの前記スペクトルパラメータを分析するステップは、
スペクトル変動、及び、
長期のスペクトル差分
を分析するステップを含むことを特徴とする請求項３に記載の方法。
前記DTXハングオーバ期間内の前記音声フレームがノイズ発生に不適当と判断したときは、前記DTXハングオーバ期間を延長することを特徴とする請求項１乃至４のいずれか１項に記載の方法。
前記DTXハングオーバ期間内の前記音声フレームがノイズ発生に適当と判断したときは、前記DTXハングオーバ期間を短縮することを特徴とする請求項１乃至４のいずれか１項に記載の方法。
音声フレームを受信し、音声判別（VAD_flag）を生成する音声アクティビティ検出器（VAD）と、
前記音声フレームを受信し、前記音声判別（VAD_flag）及びDTXハングオーバ期間に基づく符号化器決定（SP）に基づいて、音声フレームを識別する信号を生成する音声／SID符号化器と、
音声フレームと、SIDフレームと、No_dataフレームとを含む信号（TxType）を送信するSID同期器と、
前記DTXハングオーバ期間内の音声フレームのエネルギ値を分析する信号分析器と、
前記信号分析器によって実行された分析に応じて前記DTXハングオーバ期間の長さを調整するDTXハンドラと、
を有することを特徴とする音声符号化装置。
前記信号分析器は、
エネルギ減少、
エネルギ変動、及び、
長期のエネルギ増加
を分析することを特徴とする請求項７に記載の音声符号化装置。
前記信号分析器は、前記DTXハングオーバ期間における前記音声フレームのスペクトルパラメータを分析し、
前記DTXハンドラは、前記DTXハングオーバ期間の長さを調整する際に前記スペクトルパラメータ分析の結果を考慮する
ことを特徴とする請求項７又は８に記載の音声符号化装置。
前記信号分析器は、更に、前記音声フレームのスペクトル変動、及び、長期のスペクトル差分を分析することを特徴とする請求項９に記載の音声符号化装置。
前記DTXハンドラは、前記DTXハングオーバ期間内の前記音声フレームがノイズ発生に不適当と判断したとき、前記DTXハングオーバ期間を延長することを特徴とする請求項７乃至１０のいずれか１項に記載の音声符号化装置。
前記DTXハンドラは、前記DTXハングオーバ期間内の前記音声フレームがノイズ発生に適当と判断したとき、前記DTXハングオーバ期間を短縮することを特徴とする請求項７乃至１０のいずれか１項に記載の音声符号化装置。
無線通信システムにおいて信号を送信する送信機であって、請求項７乃至１２のいずれか１項に記載の音声符号化装置を含むことを特徴とする送信機。
請求項７乃至１２のいずれか１項に記載の音声符号化装置を含むことを特徴とする、無線通信システムにおけるノード。
前記ノードはユーザ端末であることを特徴とする請求項１４に記載のノード。
前記ノードは基地局であることを特徴とする請求項１４に記載のノード。
請求項１４乃至１６のいずれか１項に記載のノードを少なくとも１つ含むことを特徴とする無線通信システム。