JP3387093B2 - 音声符号化方法 - Google Patents

Description

【発明の詳細な説明】 【０００１】 【発明の属する技術分野】本発明は、音声信号の符号化
に関し、特にデジタルオーディオ信号のデータ量を圧縮
して符号化する音声符号化方法に関する。 【０００２】 【従来の技術】音声信号（オーディオ信号）のデータ量
を圧縮して記録したり伝送する、いわゆる高能率符号化
技術として様々なものが開発されている。一般的に、標
本化・一様量子化されたオーディオ信号には冗長度があ
り、高能率な符号化を行えば、より少ない情報量で効率
的な伝送が可能となる。高能率符号化には大きく分けて
２つのタイプがある。一つは非可逆符号化（ロスあり符
号化）であり、データの劣化が聴感上検知されないよう
に制御する「聴覚的符号化」が良く用いられる。他方は
可逆符号化（ロスレス符号化）であり、符号化・復号化
後のデータは元データと完全に一致する。ロスレス符号
化はコンピュータデータの圧縮では常識的に用いられる
が、オーディオ符号化においては、大きな圧縮率が得ら
れないためにあまり利用されない。しかし、最近注目さ
れているハイサンプリング・オーディオなどは、従来よ
りも冗長度の大きい信号であり、ロスレス符号化は有効
であると考えられる。 【０００３】ところで、出願人会社による先願にかかる
特開平９−４６２３４号公報記載の従来技術では、デジ
タル音声信号を帯域分割した後、個々の帯域について求
めたエネルギー値を、情報量に応じたビット配分により
量子化されたサンプル値を周波数領域の情報として符号
化し量子化後のサンプル値を逆量子化し、これを時間領
域信号へ再変換するために帯域合成を行われた後の信号
と元信号との残差信号を時間領域の情報として符号化
し、この両者を多重化することにより、可逆圧縮の符号
化を行っている。 【０００４】 【発明が解決しようとする課題】しかし、上記従来の技
術では、前述のように入力信号を帯域分割するための構
成・処理が複雑であり、演算量が極めて多くコスト増の
原因となっていた。 【０００５】したがって、本発明は帯域分割の手法を用
いることなく、構成・処理がより単純でコストを低く抑
えることが可能な音声符号化方法を提供することを目的
とする。 【０００６】 【課題を解決するための手段】上記目的を達成するた
め、本発明では以下に記載の手段よりなる。すなわち、 【０００７】入力される２系統のデジタル音声信号に応
答し、基準サンプル値を所定時間のフレーム単位で得る
ステップと、前記デジタル音声信号に応答し、特性が異
なる複数の線形予測方法により時間領域の過去から現在
の信号の線形予測値がそれぞれ予測され、その予測され
る線形予測値と前記音声信号とから得られる予測残差が
最小となるような線形予測方法を、前記フレームを更に
分割したサブフレーム単位に選択するステップと、前記
基準サンプル値と、前記選択された予測値の線形予測方
法を特定する情報と、前記選択された予測値からの予測
残差と、を１つのヘッダと前記予測残差に応じたビット
数情報とを含む所定のフォーマットで多重化すると共
に、前記予測残差に応じたビット数情報に基づいて前記
予測残差をパッキングするステップと、からなる音声符
号化方法。 【０００８】 【発明の実施の形態】以下、図面を参照して本発明の好
ましい実施の形態について説明する。図１は本発明を適
用した音声符号化装置（エンコーダ）の好ましい実施の
形態のブロック図である。入力音声信号としてはＰＣＭ
データが送られ、１フレームバッファ１０は、まず基準
サンプル取得手段として動作し、各フレームの先頭サン
プル値をマルチプレクサ２２に送出する。１フレームバ
ッファ１０は、さらに複数の異なる特性の予測器１２−
１、１２−２、・・・１２−ｎに１フレーム単位の入力
データを送る。１フレームは図２に示すようにサンプリ
ング周波数ｆｓにより決まり、８００サンプル又は１６
００サンプルのデータを得る。ここで、異なる特性と
は、予測係数が異なることである。各予測器１２−１、
１２−２、・・・１２−ｎの出力信号は、１フレームバ
ッファ１０と共に対応する減算器１４−１、１４−２、
・・・１４−ｎに与えられ、ここで残差（差分）が検出
される。すなわち、減算器１４−１、１４−２、・・・
１４−ｎは予測残差検出手段として動作する。この残差
データはバッファ・選択器１６に与えられる。本実施の
形態では、バッファ・選択器１６は１フレームを細分化
したサブフレーム毎に予測残差を得る機能を有してい
る。サブフレームの時間長は、図２に示すとおり１フレ
ームの数十分の１であり、具体的には、０．１〜０．５
ｍｓ程度である。 【０００９】バッファ・選択器１６に接続された選択信
号生成器１８は、これらの残差データ中、残差が最小で
ある予測器の出力信号を選択するための選択信号をサブ
生成タ中、残差が最小である予測器の出力信号を選択す
るための選択信号をサブフレーム毎に生成して、バッフ
ァ・選択器１６に送る。すなわち、選択信号生成器１８
は、バッファ・選択器１６に一時的に保持される、各減
算器からの残差信号を順次スキャンし、サブフレーム毎
に最も残差の少ない信号を見出し、次に対応する予測器
に応答する減算器の出力信号を選択するのである。バッ
ファ・選択器１６は選択された信号のみをパッキング回
路２０に送出する。また、選択信号生成器１８は、各サ
ブフレームのビット数フラグを生成してパッキング回路
２０に送り、パッキング回路２０は、選択された残差信
号をこのビット数フラグにより指定されたビット数でパ
ッキングする。 【００１０】パッキング回路２０の出力信号はマルチプ
レクサ２２に送られ、ここで、１フレームバッファ１０
で得た基準サンプル値であるフレーム先頭サンプル値
（２０ビット）、選択信号生成器１８で得たビット数フ
ラグ（サブフレーム当たり５ビット）と予測器選択フラ
グ（サブフレーム当たり３ビット）、マルチプレクサで
発生するヘッダ（４０ビット）と共に所定フォーマット
のビットストリームとされる。予測器選択フラグは上記
残差が最小である予測器を特定するための信号であり、
符号化（エンコード）された音声信号を復号（デコー
ド）する際に用いられる。復号を行うための音声復号装
置については図１３と共に後述する。なお、図１４はパ
ッキング後の１フレーム分のデータ配列を示すフォーマ
ット図である。この例では、左右（Ｌ、Ｒ）の２チャン
ネル（ｃｈ）のオーディオ信号信号を圧縮記録する場合
を示し、１フレームのサンプル数はチャンネル当たり１
６００、１フレーム内のサブフレーム数はチャンネル当
たり８０である。図２及び図１４における”Ｑｂ”は当
初の量子化ビット数である。 【００１１】ここで本発明におけるロスレス音声（オー
ディオ信号）符号化の原理について説明する。もし、符
号化すべきオーディオ信号がホワイトノイズの様な信号
であれば、そこには冗長度はなく、ロスレス符号化も効
力を発揮しない。しかし、現実のオーディオ信号には冗
長度をもたらすいくつかの性質がある。以下に代表的な
２つを挙げる。 【００１２】１） 図９に示すように、オーディオ信号
は再生周波数帯域に対してエネルギーが低域側に偏って
いることが多い。また図１０に示すように、時間領域で
みれば、サンプリング点の間隔に対して波形が滑らか
で、近接したサンプル間には大きな相関があり、予測が
可能である。 ２） 図１１に示すように、オーディオ信号の区間毎の
信号振幅には偏りがある。また、図１２に示すように、
区間内の振幅出現確率にも偏りがあり、一般的には小振
幅ほど出現確率が高い。当然ながら、図１１と図１２の
内容には相関がある。 【００１３】図９、図１０で説明した性質（第１の性
質）を利用して高効率化する方法としては、信号を周波
数領域に変換して帯域毎に正規化する方法と、時間領域
で過去の信号から見た現在の信号の線形予測値を算出
し、予測値と実測値との残差を符号化する方法が考えら
れる（予測が適切であれば予測残差振幅は実測値よりも
大幅に減少する）。前者と後者を比較した場合、得られ
る効果には大きな差がなく、演算量は前者の方が数倍大
きいので、時間領域の手法を用いる方が有利である。聴
覚的符号化では信号を周波数帯域毎に制御するために周
波数領域の手法を用いることが多い。 【００１４】図１１の性質（第２の性質）を利用するに
は、信号を一定の長さの区間に分割し、区間毎の最大値
で正規化することが考えられる。図１２の性質を利用す
るには、一般的にはハフマン符号に代表されるエントロ
ピー符号化を施し、データに割り当てられる符号長を最
適化することが考えられる。ここで、図１１の区間長を
短くすれば区間内での振幅の偏り、図１２の出現確立の
偏りは減少し、エントロピー符号化の効果も減少する。 【００１５】本発明では、時間領域の線形予測符号化を
基本とし、特性の異なる複数の予測器を入力信号に応じ
て選択的に使用すること（第１の性質の利用）と、信号
を比較的短い区間に分割し、区間毎に上記処理を行うこ
と（第２の性質利用）を特徴とする線形予測ロスレスオ
ーディオ符号化方式を確立したものである。 【００１６】本発明における線形予測ロスレスオーディ
オ符号化を実現する図１の実施の形態の動作について図
２の主な仕様と共に更に説明する。符号化回路、すなわ
ちエンコーダでは複数の予測器で線形予測値・予測残差
を算出し、サブフレーム毎に残差最小となる予測器を選
択して結果のビット数でパッキングする。さらに、フレ
ーム毎に主情報と補助情報を合わせて所定フォーマット
で多重し、ビットストリーム化する。ここでは、比較的
短いサブフレーム毎に処理を行うことで、図１１、図１
２で説明した冗長度を効果的に削減している。また、圧
縮後の各フレームのトータルビット数は一般に信号の冗
長度に依存して変化するので、本質的に可変伝送レート
（可変ビットレート）による運用となる。本実施の形態
で符号化された信号、すなわちマルチプレクサ２２の出
力信号をＣＤ−ＲＯＭやＤＶＤ（デジタル・バーサタイ
ル・ディスク）などの光記録媒体に記録することができ
る。なお、図示省略しているが、本発明の符号化装置で
生成されたビットストリームを復号するデコーダでは、
独立したフレーム毎にデコードが可能である。このデコ
ードに当たって、上記補助情報中の予測器選択フラグを
用いて、エンコード時と等価な予測を行うことができ
る。 【００１７】ここで、図１における予測器１２−１、１
２−２、１２−ｎに線形予測器を用いた場合について検
討する。すなわち、線形予測を用いて図９、図１０の冗
長度を削減する場合について検討する。ある入力系列ｘ
ｉに対するn次線形予測値Pｉは次式で計算される。 【００１８】 【数１】 【００１９】ただし、ａｋ(k=1,2,・・・,n) は予測係数で
ある。予測値と実測値との差分である予測残差ｄｉは 【００２０】 【数２】 【００２１】となり、ｄｉはｘｉ系列に対する線形フィ
ルタ出力であることが分かる。符号化においては、ｄｉ
が最小となる様に予測フィルタの次数ｎと係数ａｋを決
定する必要がある。係数ａｋは整数とする場合と非整数
とする場合がある。整数係数を用いる典型的な予測器の
周波数特性を図３に示す。係数を非整数にすれば、より
柔軟なフィルタ特性の制御が可能である。しかし、非整
数化により係数ビット長が長くなれば予測器の演算語長
も増大し、エンコーダ・デコーダの演算精度の管理にも
注意を要するようになる。本実施の形態では、整数係数
による１次、２次、３次予測器と、整数係数を１ビット
拡張した非整数係数（0.5刻み）の４次予測器３種、合
計６種類を用意し、選択使用した。今回用いた非整数係
数の一例は下記のとおりである。 【００２２】 ４次：ａ１=3.5 ａ２=-5.0 ａ３=3.5 ａ４=-1.0 【００２３】次に本実施の形態における圧縮率の評価に
ついて説明する。先に説明した符号化方式を用いて、複
数のオーディオソースの圧縮率を評価した。評価用のソ
ースの概要を図４に示す。従来のサンプリング周波数
（fs＝44.1kHz）の２０曲、及びハイビット・ハイサン
プリングソースの１１曲である（各ソースとも３〜５分
程度の長さ）。図４ではソース・スペックとジャンルに
応じてソース番号を設定している。まず、各フレームに
おけるサンプル当り平均ビット数（ビットレート)の時
間推移の例を図５（ソース番号NP6）、及び図６（ソー
ス番号UC1）に示す。図の様に、ビットレートは曲調に
依存して時々刻々と変化する。また、図５の様な従来fs
のソースでは、ピークでの圧縮効果は小さい場合が多
い。 【００２４】次に、各ソースの圧縮率＝（圧縮後のデー
タサイズ）／（ソースのデータサイズ）×１００［％］
を示す。図７はfs=44.1kHz/Qb=16ビットソース、図８は
fs=88.2kHz,96kHz/Qb=20ビットソースの圧縮率である。
一般に、ロスレス符号化で冗長度削減に寄与するのは上
位ビット側であり、ＬＳＢ側にビット拡張した20ビット
量子化では付加分(4ビット)はほとんど圧縮されない。
したがって20ビットの場合の方が圧縮率が劣化する（大
きくなる）ことを前提にして考察する必要がある。 【００２５】図を見ると、従来のfs=44.1kHz/Qb=16ビッ
トソースの場合、圧縮率は約44%〜83%であり、特にポッ
プス・ロック(NP＊)での圧縮効果は小さい。これらのソ
ースでビット数を20ビットに拡張することを仮定する
と、圧縮率は約55%〜86%と推測される。一方fs=88.2kH
z,96kHzのハイサンプリング・ソースではfs/4以上の高
域のエネルギーが小さく、その分冗長度が大きいと予想
される。今回の例でも圧縮率は約44%〜62%と比較的良好
であり、50%前後の圧縮率(20ビットの場合)が見込めれ
ば実用化の可能性が考えられる。なお、ソースUJ1〜UJ3
は古いアナログマスターのためS/Nが悪く、圧縮率が劣
化している。ハイサンプリング・ソースに関しては、今
回検討できなかったポップス・ロック系における可能性
は未知数であるものの、ロスレス符号化は有効であると
考えられる。 【００２６】次に本発明の符号化により生成された可変
レートビットストリームに応答して、デコードする音声
復号装置について図１３に沿って説明する。図１３の音
声復号装置は図１のマルチプレクサ２２の出力信号（あ
るいはこの出力信号を記録媒体に記録して再生した信
号）である可変レートビットストリームを各信号成分に
分解するデマルチプレクサ２４を有している。デマルチ
プレクサ２４の出力信号中、フレーム先頭サンプル値は
ＰＣＭデータの一部として出力される。デマルチプレク
サ２４の出力信号中、ビット数フラグは音声信号をアン
パックするアンパッキング回路２６に与えられる。 【００２７】デマルチプレクサ２４の出力信号中、予測
器選択フラグは複数の予測器３０−１、３０−２、・・
・３０−ｎの１つを選択するために用いられる。選択さ
れた予測器の出力信号は加算器２８に与えられ、アンパ
ッキング回路２６の出力信号と加算されてＰＣＭデータ
として出力される。なお、予測器選択フラグは符号化の
ところで説明したように、サブフレーム毎に変化するの
で、サブフレーム毎に予測器３０−１、３０−２、・・
・３０−ｎの１つが選択されることとなる。よって、符
号化と逆の手順により復号することができ、元のＰＣＭ
データをロスレスで得ることができる。 【００２８】上記図１３の構成では、図１の音声符号化
装置同様、複数の予測器を用いているが、デコード時に
は、エンコード程の速度は要求されないので、単一の予
測器で予測係数が可変なものを使用し、予測器選択フラ
グにより所望の予測係数を設定するようにしてもよい。 【００２９】 【発明の効果】以上説明したように本発明によれば、特
に、音声信号予測符号化する場合に圧縮効率を改善する
と共に、帯域分割の手法を用いておらず、構成処理がよ
り単純でコストが低く押さえられる方法を提供できる。

【図面の簡単な説明】 【図１】本発明を適用した音声符号化装置の好ましい実
施の形態のブロック図である。 【図２】図１の実施の形態における符号化の仕様を示す
図表である。 【図３】典型的な予測器の周波数特性を示すグラフであ
る。 【図４】本発明による符号化の圧縮効率を評価するため
に用いたテストソースの一覧図表である。 【図５】本発明による符号化の圧縮効率の評価結果の一
例である。 【図６】本発明による符号化の圧縮効率の評価結果の他
の例である。 【図７】本発明による符号化の圧縮率をサンプリング周
波数が４４．１ｋＨｚのソース別に示したグラフであ
る。 【図８】本発明による符号化の圧縮率をサンプリング周
波数が８８．２ｋＨｚと９６ｋＨｚのソース別に示した
グラフである。 【図９】オーディオ信号の周波数分布を示すグラフであ
る。 【図１０】オーディオ信号の時間に対する振幅変化を示
す波形図である。 【図１１】オーディオ信号の振幅変化を区間（セグメン
ト）毎に示した図である。 【図１２】オーディオ信号の振幅と出現確率の関係を示
したグラフである。 【図１３】音声復号装置のブロック図である。 【図１４】パッキング後の１フレーム分のデータ配列を
示すフォーマット図である。 【符号の説明】 １０ １フレームバッファ（基準サンプル値取得手段） １２−１、１２−２、・・・１２−ｎ 予測器 １４−１、１４−２、・・・１４−ｎ 減算器（予測残
差検出手段） １６ バッファ・選択器 １８ 選択信号生成器（予測器を選択する手段・予測器
特定する情報を生成する手段） ２０ パッキング回路（パッキング手段） ２２ マルチプレクサ（多重化する手段） ２４ デマルチプレクサ（抽出する手段） ２６ アンパッキング回路 ２８ 加算器 ３０−１、３０−２、・・・３０−ｎ 予測器

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 昭64−44499（ＪＰ，Ａ) 特開 平３−108824（ＪＰ，Ａ) 特開 平10−233058（ＪＰ，Ａ) 特開 平10−320928（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 19/00

Claims (1)

1. (57)【特許請求の範囲】 【請求項１】入力される２系統のデジタル音声信号に応
   答し、基準サンプル値を所定時間のフレーム単位で得る
   ステップと、 前記デジタル音声信号に応答し、特性が異なる複数の線
   形予測方法により時間領域の過去から現在の信号の線形
   予測値がそれぞれ予測され、その予測される線形予測値
   と前記音声信号とから得られる予測残差が最小となるよ
   うな線形予測方法を、前記フレームを更に分割したサブ
   フレーム単位に選択するステップと、 前記基準サンプル値と、前記選択された予測値の線形予
   測方法を特定する情報と、前記選択された予測値からの
   予測残差と、を１つのヘッダと前記予測残差に応じたビ
   ット数情報とを含む所定のフォーマットで多重化すると
   共に、前記予測残差に応じたビット数情報に基づいて前
   記予測残差をパッキングするステップと、 からなる音声符号化方法。