JP5002642B2 - Wideband speech coding method and wideband speech coding apparatus - Google Patents
Wideband speech coding method and wideband speech coding apparatus Download PDFInfo
- Publication number
- JP5002642B2 JP5002642B2 JP2009256477A JP2009256477A JP5002642B2 JP 5002642 B2 JP5002642 B2 JP 5002642B2 JP 2009256477 A JP2009256477 A JP 2009256477A JP 2009256477 A JP2009256477 A JP 2009256477A JP 5002642 B2 JP5002642 B2 JP 5002642B2
- Authority
- JP
- Japan
- Prior art keywords
- signal
- wideband
- audio signal
- encoding
- speech
- 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
Links
Images
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Description
本発明は、広帯域音声符号化方法及び広帯域音声符号化装置に係り、狭帯域音声信号を高品質で符号化する広帯域音声符号化処理に関する。 The present invention relates to a wideband speech coding method and a wideband speech coding apparatus, and relates to a wideband speech coding process that encodes a narrowband speech signal with high quality.
移動通信システムを用いた音声の伝送においても、広帯域音声信号を音質良く伝送することが求められ、例えば、ITU−T勧告G.722.2に広帯域音声符号化方式が記載されている。このITU−T勧告G.722.2に記載された広帯域音声符号化方式はAMR−WB(Adaptive Multi Rate Wide Band)方式と呼ばれ、16kHzサンプリングの広帯域音声信号を高品質に符号化することを目的としており、9つのビットレートが使用可能である。一般に、音声符号化では、高いビットレートで符号化するほど音質が良く、低いビットレートで符号化するほど音質は低下する傾向にある。 Also in the transmission of sound using a mobile communication system, it is required to transmit a wideband sound signal with good sound quality. 722.2 describes a wideband speech coding scheme. This ITU-T Recommendation G. The wideband speech coding method described in 722.2 is called an AMR-WB (Adaptive Multi Rate Wide Band) method, which is intended to encode a wideband speech signal of 16 kHz sampling with high quality. The rate is available. In general, in audio coding, the higher the bit rate, the better the sound quality, and the lower the bit rate, the lower the sound quality.
このITU−T勧告G.722.2に記載された広帯域音声符号化方式では、50Hz〜7kHz程度の帯域幅を持つ広帯域音声信号の符号化を想定しているため、入力信号のサンプリングレートは16kHzに定められている。ところが、通常の電話音声のような4kHz以上の周波数を持たない8kHzのサンプリングレートの音声信号が入力されるときは、この狭帯域音声信号を符号化するために、まず16kHzにアップサンプリングする必要がある。 This ITU-T Recommendation G. Since the wideband speech coding method described in 722.2 assumes the coding of a wideband speech signal having a bandwidth of about 50 Hz to 7 kHz, the sampling rate of the input signal is set to 16 kHz. However, when a voice signal having a sampling rate of 8 kHz that does not have a frequency of 4 kHz or higher, such as normal telephone voice, is input, it is necessary to first upsample to 16 kHz in order to encode the narrowband voice signal. is there.
このように8kHzから16kHzにアップサンプリングされた音声信号は、4kHz以上の周波数を持たない狭帯域音声信号であるにも関わらず、通常の広帯域音声信号と同じに扱われ、広帯域音声信号に特化した符号化方法により符号化される。従って、4kHz以上の周波数を持たない8kHzから16kHzにアップサンプリングされた音声信号に対しても、通常の広帯域音声信号に特化した符号化が行われるため、音声符号化方式と入力信号の帯域幅とのミスマッチにより、符号化効率が落ちるため、音質の良い符号化が行えない問題点がある。 The audio signal up-sampled from 8 kHz to 16 kHz in this way is treated as the same as a normal wideband audio signal, although it is a narrowband audio signal having no frequency of 4 kHz or more, and is specialized for a wideband audio signal. It is encoded by the encoding method. Therefore, since an audio signal that is upsampled from 8 kHz to 16 kHz that does not have a frequency of 4 kHz or more is encoded specifically for a normal wideband audio signal, the audio encoding method and the bandwidth of the input signal Due to the mismatch, there is a problem that the encoding efficiency is lowered and the encoding with good sound quality cannot be performed.
このため、狭帯域の通信路や狭帯域のコーデックを介すなどして帯域制限されたような狭帯域の音声信号に対して広帯域音声コーデックを用いると、6〜10kbit/s程度の中〜低ビットレートでは、狭帯域の音声コーデックを用いた場合より、音質が極めて悪くなる。4kHz以上の周波数が非常に少ない音声信号が入力される場合についても、同様の問題がある。 For this reason, when a wideband audio codec is used for a narrowband audio signal that is band-limited through a narrowband communication path or a narrowband codec, the medium to low level is about 6 to 10 kbit / s. At bit rates, the sound quality is much worse than when using a narrowband audio codec. The same problem occurs when an audio signal having a very low frequency of 4 kHz or more is input.
また、音声符号化で音質を改善するための方法として、パルスの位置の集合を複数セット保有し、音源量子化部でパルス位置の集合の各々のセットについて音声信号との間の歪を計算し、この歪を小さくするパルスの位置の集合を選択する処理が知られている(例えば、特許文献1参照。)。 In addition, as a method for improving sound quality by speech coding, a plurality of sets of pulse positions are held, and a distortion between the speech signal is calculated for each set of pulse positions by the sound source quantization unit. A process for selecting a set of pulse positions for reducing the distortion is known (see, for example, Patent Document 1).
しかしながら、上述した従来の方法では、保有するパルスの位置の集合の各々について歪を計算する必要があるため、結果として、パルスの位置の集合を選択するのに要する計算量が膨大になるという問題点がある。また、従来の方法は、音声符号化方式と入力信号の帯域幅とのミスマッチの問題について、何ら考慮されてはおらず、上述した、狭帯域音声信号を広帯域音声符号化した場合に音質が極めて悪くなるという問題点は解決されていない。 However, in the conventional method described above, since it is necessary to calculate the distortion for each set of pulse positions held, the problem is that the amount of calculation required to select the set of pulse positions is enormous. There is a point. In addition, the conventional method does not take into consideration the problem of mismatch between the speech coding method and the bandwidth of the input signal, and the sound quality is extremely poor when the narrowband speech signal described above is subjected to wideband speech coding. The problem of becoming is not solved.
本発明は、上記問題点を解決するためになされたもので、狭帯域音声信号を符号化しても良い音質を得ることができる広帯域音声符号化方法及び広帯域音声符号化装置を提供することを目的とする。 The present invention has been made to solve the above-described problems, and it is an object of the present invention to provide a wideband speech coding method and a wideband speech coding apparatus capable of obtaining sound quality that may encode a narrowband speech signal. And
実施形態によれば、広帯域音声符号化方法は、入力音声信号をスペクトルパラメータと音源信号とにより表し、スペクトルパラメータ及び音源信号をそれぞれ符号化する広帯域音声符号化方法において、与えられたパルス位置候補から複数のパルスを選択し、前記音源信号を選択したパルスを用いて符号化する符号化の過程と、前記入力音声信号が広帯域音声信号であるか狭帯域音声信号であるかを識別する識別の過程と、前記識別の過程によって前記入力音声信号が広帯域音声信号であると識別された場合には、広帯域音声信号用の所定の解像度を有するパルス位置候補を選択するよう前記符号化の過程を制御し、前記識別の過程によって前記入力音声信号が狭帯域音声信号であると識別された場合には、前記広帯域音声信号用の所定の解像度を有するパルス位置候補の解像度を前記広帯域音声信号用の所定の解像度よりも低くするよう前記符号化の過程を制御する制御の過程と、前記入力音声信号のサンプリングレートを広帯域音声信号用のサンプリングレートに変換する変換の過程と、前記符号化の過程による符号化結果を出力する出力の過程とを有する。 According to the embodiment, the wide-band speech encoding method, represents the input audio signal by the spectral parameter and the sound source signal, the wideband speech coding method for each encoding spectrum parameters and excitation signals, given pulse position candidates An identification process for selecting a plurality of pulses and encoding the sound source signal using the selected pulses and identifying whether the input audio signal is a wideband audio signal or a narrowband audio signal And when the input speech signal is identified as a wideband speech signal by the identification process, the encoding process is controlled to select a pulse position candidate having a predetermined resolution for the wideband speech signal. and, when the input audio signal by a process of the identification is identified as the narrowband speech signal, a predetermined solutions for the wideband speech signal A control step of controlling the process of the encoding to the resolution of the pulse position candidate having a degree lower than the predetermined resolution for the wideband speech signal, the sampling for the wideband speech signal the sampling rate of the input speech signal a conversion process of converting the rate, that having a the steps of output for outputting the coded result of the course of the encoding.
また、実施形態によれば、広帯域音声符号化装置は、入力音声信号をスペクトルパラメータと音源信号とにより表し、スペクトルパラメータ及び音源信号をそれぞれ符号化する広帯域音声符号化装置において、与えられたパルス位置候補から複数のパルスを選択し、前記音源信号を選択したパルスを用いて符号化する符号化手段と、前記入力音声信号が広帯域音声信号であるか狭帯域音声信号であるかを識別する識別手段と、前記識別手段が前記入力音声信号を広帯域音声信号であると識別した場合には、広帯域音声信号用の所定の解像度を有するパルス位置候補を選択するよう前記符号化手段を制御し、前記識別手段が前記入力音声信号を狭帯域音声信号であると識別した場合には、前記広帯域音声信号用の所定の解像度を有するパルス位置候補の解像度を前記広帯域音声信号用の所定の解像度よりも低くするよう前記符号化手段を制御する制御手段と、前記入力音声信号のサンプリングレートを広帯域音声信号用のサンプリングレートに変換する変換手段と、前記符号化手段による符号化結果を出力する出力手段とを有する。 Further, according to the embodiment, the wide-band speech encoding apparatus represents an input audio signal by the spectral parameter and the sound source signal, the wideband speech coding apparatus for respectively coding the spectral parameters and excitation signals, given pulse An encoding unit that selects a plurality of pulses from position candidates and encodes the sound source signal using the selected pulse, and an identification that identifies whether the input audio signal is a wideband audio signal or a narrowband audio signal And when the identification means identifies the input audio signal as a wideband audio signal, the encoding means is controlled to select a pulse position candidate having a predetermined resolution for the wideband audio signal, when the identification means has identified that the narrowband speech signal the input audio signal is a pulse position of a predetermined resolution for the wideband speech signal And control means for controlling the encoding means to the resolution of the candidate lower than the predetermined resolution for the wideband speech signal, converting means for converting the sampling rate of the input audio signal to the sampling rate for wideband speech signal , that having a output means for outputting the encoded result of the encoding means.
以上述べたように、本発明によれば、狭帯域音声信号が入力されたことを検出して、広帯域音声符号化を狭帯域音声信号に適合化させることにより、狭帯域音声信号も高い音質で符号化することができる。 As described above, according to the present invention, by detecting that a narrowband speech signal is input and adapting wideband speech coding to the narrowband speech signal, the narrowband speech signal is also improved in sound quality. Can be encoded.
以下に、本発明による広帯域音声符号化方法及び広帯域音声符号化装置の実施の形態を、図面を参照して説明する。 Hereinafter, embodiments of a wideband speech coding method and a wideband speech coding apparatus according to the present invention will be described with reference to the drawings.
(第1の実施の形態)
図1は、本発明の実施形態に係る広帯域音声符号化装置を示すブロック図である。この装置は、帯域検出部11と、サンプリングレート変換部12と、音声符号化部14と、装置全体の制御を行う制御部15とにより構成され、入力音声信号10を受信し、その入力音声信号10を符号化した出力符号19を出力する装置である。
(First embodiment)
FIG. 1 is a block diagram showing a wideband speech encoding apparatus according to an embodiment of the present invention. This device includes a
帯域検出部11は、入力音声信号10のサンプリングレートを検出し、検出されたサンプリングレートを制御部15に通知する。
The
この時、帯域検出部11は、(1)入力音声信号10のサンプリングレート情報を外部から入力して検出する、(2)入力音声信号10の属性情報(ファイルのヘッダー情報など)を取得して検出する、(3)入力音声信号10を発生したコーデックの識別情報を取得し、それが狭帯域コーデックか広帯域コーデックであるかによって入力音声信号のサンプリングレートを検出する、のいずれかの方法によってサンプリングレートの検出を行うが、これらに限るものではない。例えば、図10は、入力音声信号10からサンプリングレート情報や広帯域信号/狭帯域信号を識別する情報を取得する構成の帯域検出部11aを示している。これは、入力音声信号系列の所定部分のビットの中に、サンプリングレート情報や広帯域/狭帯域を識別する情報、もしくは、入力音声信号の属性情報、または、入力音声信号10を発生したコーデックの識別情報などが埋め込まれているような場合にはこのような構成となる。埋め込み方としては、入力音声信号系列のPCMの最下位側のビットに埋め込む方法が考えられる。こうすることで、PCMの上位ビットに影響を与えることなく、(すなわち、入力音声信号の音質に影響を与えることなく)サンプリングレート情報や広帯域/狭帯域を識別する情報、もしくは、入力音声信号の属性情報、または、入力音声信号10を発生したコーデックの識別情報などを埋め込むことが可能となる。 At this time, the band detector 11 (1) detects and inputs the sampling rate information of the input audio signal 10 from the outside, (2) acquires attribute information (such as file header information) of the input audio signal 10 (3) Obtaining the identification information of the codec that generated the input audio signal 10 and detecting the sampling rate of the input audio signal depending on whether it is a narrowband codec or a wideband codec. Although rate detection is performed, the present invention is not limited to these. For example, FIG. 10 shows a band detection unit 11 a configured to acquire sampling rate information and information for identifying a wideband signal / narrowband signal from the input audio signal 10. This is because the sampling rate information and the information for identifying the wide band / narrow band, the attribute information of the input audio signal, or the identification of the codec that generated the input audio signal 10 is included in the bits of the predetermined part of the input audio signal sequence. This is the configuration when information or the like is embedded. As an embedding method, a method of embedding in the least significant bit of the PCM of the input audio signal sequence can be considered. By doing this, the sampling rate information, the information for identifying the wideband / narrowband, or the information of the input audio signal without affecting the upper bits of the PCM (that is, without affecting the sound quality of the input audio signal) It is possible to embed attribute information or identification information of the codec that generated the input audio signal 10.
このように、帯域検出部としては、様々な実施形態が考えられるが、サンプリングレート情報や広帯域/狭帯域、または、コーデックの識別ができるものであれば、どのような構成であってもよいことは言うまでもない。また、サンプリングレート情報、広帯域/狭帯域の識別情報、コーデックの識別情報についても、それを代表する情報であればよい。 As described above, various embodiments are conceivable as the band detection unit, but any configuration may be used as long as it can identify the sampling rate information, wideband / narrowband, or codec. Needless to say. Also, the sampling rate information, wideband / narrowband identification information, and codec identification information may be information representative of them.
サンプリングレート変換部12は、入力音声信号10を所定のサンプリングレートに変換し、得られた所定のサンプリングレートの信号を音声符号化部14へ送信する。
The sampling
このサンプリングレート変換部12は、8kHzサンプリング信号を入力とし、補間フィルタを用いて、アップサンプリングされた16kHzサンプリング信号を得て出力する。また、サンプリングレート変換部12は、16kHzサンプリング信号を入力とし、サンプリングレートを変換することなく出力するが、これに限るものではない。
The
また、サンプリングレートを変換する方法としては、補間フィルタに限られるものではなく、例えば、FFT、DFT、MDCTなどの周波数変換とその変換を利用することによっても実現可能である。例えば、アップサンプリングの場合、FFT、DFT、MDCTなどで周波数変換領域に変換し、変換によって得られた周波数領域のデータに対して高域側にゼロデータを付加してデータの拡張を行い(仮想的に付加したと想定することも可能)、拡張されたデータを逆変換することでアップサンプリングされた入力信号を得る方法も有効である。こうすることで、FFT、MDCTなどの高速演算が利用できるので、補間フィルタよりも、少ない計算量で、サンプリングレートを変換することが可能となる。 Further, the method of converting the sampling rate is not limited to the interpolation filter, and can be realized by using frequency conversion such as FFT, DFT, MDCT, and the conversion. For example, in the case of upsampling, the data is converted to the frequency conversion domain by FFT, DFT, MDCT, etc., and the data is expanded by adding zero data to the high frequency side of the frequency domain data obtained by the conversion (virtual) A method of obtaining an upsampled input signal by inversely transforming the expanded data is also effective. By doing so, since high-speed calculations such as FFT and MDCT can be used, the sampling rate can be converted with a smaller amount of calculation than the interpolation filter.
音声符号化部14は、サンプリングレート変換部12から16kHzサンプリングの信号を受信し、その信号を符号化して得られた出力符号19を出力する。
The
音声符号化部14が用いる音声符号化方式は、CELP(Code Excited Linear Prediction)方式を例にとって説明するが、音声符号化方式は、これに限るものではない。CELP方式については、例えば、M. R. Schroeder and B. S. Atal: "Code-Excited Linear Prediction (CELP): High-quality Speech at Very Low Bit Rates", Proc. ICASSP-85, pp.937-940, 1985" に示されている。
The speech coding method used by the
図2は、音声符号化部14の構成を示すブロック図である。音声符号化部14は、スペクトルパラメータ符号化部21と、目標信号生成部22と、インパルス応答計算部23と、適応符号帳探索部24と、雑音符号帳探索部25と、ゲイン符号帳探索部26と、パルス位置候補設定部27と、広帯域用パルス位置候補27aと、狭帯域用パルス位置候補27bと、音源信号生成部28とにより構成される。
FIG. 2 is a block diagram showing a configuration of the
上記のように構成された、本発明の実施形態に係る音声符号化の動作を説明する。音声符号化部14は、音声信号20を入力し、それを符号化した出力符号19を出力する装置であって、以下に説明する動作を行う。
The operation of speech encoding according to the embodiment of the present invention configured as described above will be described. The
スペクトルパラメータ符号化部21は、受信した音声信号20を分析することにより、スペクトルパラメータを抽出する。次に、抽出されたスペクトルパラメータを用いて、予めスペクトルパラメータ符号化部21内に記憶されているスペクトルパラメータ符号帳を探索し、入力された音声信号のスペクトル包絡をより良く表現することのできる符号帳のインデックスを選択し、選択したインデックスをスペクトルパラメータ符号(A)として出力する。スペクトルパラメータ符号(A)は、出力符号19の一部となる。 The spectrum parameter encoding unit 21 extracts a spectrum parameter by analyzing the received audio signal 20. Next, using the extracted spectrum parameters, a spectrum parameter codebook stored in advance in the spectrum parameter encoding unit 21 is searched, and a code that can better represent the spectrum envelope of the input speech signal A book index is selected, and the selected index is output as a spectrum parameter code (A). The spectrum parameter code (A) is a part of the output code 19.
また、スペクトルパラメータ符号化部21は、抽出されたスペクトルパラメータに対応した、量子化されないLPC係数と量子化されたLPC係数を出力する。以降では、説明を簡単にするために、量子化されないLPC係数や量子化されたLPC係数のことも、単にスペクトルパラメータと呼ぶことにする。 The spectral parameter encoding unit 21 outputs an unquantized LPC coefficient and a quantized LPC coefficient corresponding to the extracted spectral parameter. Hereinafter, in order to simplify the description, LPC coefficients that are not quantized and LPC coefficients that are quantized are also simply referred to as spectrum parameters.
ここで述べるCELP方式では、スペクトル包絡を符号化する際に用いるスペクトルパラメータとしてLSP(Line Spectrum Pair)パラメータを用いるが、これに限られるものではなく、スペクトル包絡を表現できるパラメータであればLPC(Linear Predictive Coding)係数やKパラメータやG.722.2で使用されているISFパラメータなどの他のパラメータでも良い。 In the CELP system described here, an LSP (Line Spectrum Pair) parameter is used as a spectrum parameter used when encoding a spectrum envelope. However, the present invention is not limited to this. Predictive Coding) coefficient, K parameter, G. Other parameters such as the ISF parameter used in 722.2 may be used.
目標信号生成部22は、音声信号20と、スペクトルパラメータ符号化部21から出力されたスペクトルパラメータと、音源信号生成部28からの音源信号とが入力され、これら入力された信号を用いて、目標信号X(n)を計算する。目標信号としては、過去の符号化の影響を除いた理想的な音源信号を聴覚重み付きの合成フィルタで合成した信号を用いるが、これに限るものではない。聴覚重み付きの合成フィルタはスペクトルパラメータを用いることで実現できることが知られている。
The target
インパルス応答計算部23は、スペクトルパラメータ符号化部21から出力されたスペクトルパラメータからインパルス応答h(n)を求め、出力する。このインパルス応答は典型的にはLPC係数を用いた合成フィルタと聴覚重みフィルタを組み合わせた以下に示す特性の聴覚重み付き合成フィルタH(z)を用いて計算できるが、これに限るものではない。
ここで、1/Aq(z)は量子化されたLPC係数
から構成される合成フィルタを表し、
である。一方、W(z)は聴覚重みフィルタで、量子化されないLPC係数
から構成され、
である。pはLPCの次数であり、0〜約7kHz程度の帯域幅の音声信号を想定した広帯域音声符号化では、p=16〜20程度を用いることが知られている。 It is. p is the order of LPC, and it is known that about p = 16 to 20 is used in wideband speech coding assuming a speech signal having a bandwidth of about 0 to about 7 kHz.
適応符号帳探索部24は、スペクトルパラメータ符号化部21から出力されたスペクトルパラメータと、目標信号生成部22から出力された目標信号X(n)が入力され、その入力された信号と、適応符号帳探索部24内に記憶する適応符号帳とから、音声信号に含まれるピッチ周期を抽出し、これを符号化してピッチ周期に対応したインデックスを得て、適応符号(L)を出力する。適応符号(L)は、出力符号19の一部をなす。
The adaptive
なお、適応符号帳探索部24は、適応符号帳の探索の前に、音源信号生成部28で生成された音源信号が入力され、入力された音源信号で適応符号帳を更新する構造となっており、適応符号帳には、過去の音源信号が格納されている。
Note that the adaptive
また、適応符号帳探索部24は、上記ピッチ周期に対応する適応符号帳からの適応符号ベクトルを音源信号生成部28へ出力する。さらに、この適応符号ベクトルと聴覚重み付きの合成フィルタを用いて、適応符号帳からの寄与分に相当する信号(聴覚重み付き合成された適応符号ベクトル)を生成し、これをゲイン符号帳探索部26へ出力する。さらに、適応符号帳の寄与分の信号成分を目標信号X(n)から差し引くことにより、第2の目標信号X2(n)(以下では、目標ベクトルX2とも称する。)を生成し、これを雑音符号帳探索部25へ出力する。
The adaptive
パルス位置候補設定部27は、制御部15からの通知に基づき、雑音符号帳探索部25が探索するパルスの位置を指定する。パルス位置候補設定部27は、制御部15から入力信号のサンプリングレートが16kHzであるか8kHzであるか(もしくは、入力信号が広帯域信号であるか狭帯域信号であるか)の通知に応じて、広帯域用パルス位置候補27aと狭帯域用パルス位置候補27bのいずれかを選択し、選択したパルス位置候補を出力する。
The pulse position
即ち、パルス位置候補設定部27は、入力信号のサンプリングレートが16kHzであるとの通知を受けると広帯域用パルス位置候補27aを選択し、入力信号のサンプリングレートが8kHzであるとの通知を受けると狭帯域用パルス位置候補27bを選択する。
That is, when the pulse position
このように、入力信号のサンプリングレートが8kHzであるときには、通常の広帯域音声符号化の処理とは異なる、例外的な狭帯域用パルス位置候補27bについて雑音符号帳探索部25で探索するように制御することによって、音声符号化部14の動作を制御する。
As described above, when the sampling rate of the input signal is 8 kHz, control is performed so that the noise
従来の広帯域音声符号化では、入力信号として16kHzのサンプリングレートしか想定していないため、符号化する前の入力信号が、8kHzのサンプリングレートの狭帯域の情報しか持たない信号の場合、その信号を符号化しようとすると、8kHzのサンプリングレートの入力信号を、まず16kHzにアップサンプリングし、これを通常の広帯域音声信号として符号化を行うしか方法が無い。 In the conventional wideband speech coding, since only a sampling rate of 16 kHz is assumed as an input signal, when the input signal before coding is a signal having only narrowband information of a sampling rate of 8 kHz, the signal is In order to encode, the only method is to first up-sample an input signal having a sampling rate of 8 kHz to 16 kHz and encode it as a normal wideband audio signal.
また、従来の広帯域音源符号化では、音源信号を表すためのパルスの位置候補は、広帯域に対応した高いサンプリングレートの位置に用意されている。 In the conventional wideband excitation coding, pulse position candidates for representing the excitation signal are prepared at high sampling rate positions corresponding to the wideband.
このような場合において、符号化ビットレートが例えば10kbit/s程度以下になると、音源信号を表すためのパルスに多くのビットを割り当てることができなくなり、特にパルス位置に非効率にビットを使われることが原因となり、音源信号を十分に表すためのパルスを立てることが難しくなる。この結果、符号化して再生される音声信号の音質が劣化したものになりやすい。 In such a case, when the encoding bit rate is, for example, about 10 kbit / s or less, it is impossible to allocate a large number of bits to a pulse for representing a sound source signal, and in particular, bits are used inefficiently at the pulse position. For this reason, it becomes difficult to generate a pulse for sufficiently expressing the sound source signal. As a result, the sound quality of the audio signal encoded and reproduced tends to deteriorate.
一方、本実施形態における広帯域音声符号化装置は、8kHzサンプリングレートの入力信号が16kHzのサンプリングレートにサンプリングレート変換されて音声符号化部14に入力される場合でも、入力信号が広帯域か狭帯域かの情報を符号化前に検出する機能があるので、この検出結果を用いて音声符号化部14を広帯域/狭帯域のいずれかに適応させることができる。
On the other hand, the wideband speech encoding apparatus according to the present embodiment determines whether the input signal is wideband or narrowband even when the input signal of 8 kHz sampling rate is converted to the sampling rate of 16 kHz and input to the
こうすることで、入力信号が狭帯域信号の場合は、音源信号を表すためのパルス位置の候補は、サンプリングレートを例えば8kHzに落としたものにすることで、不要に細かい解像度のパルス位置の候補にまでビットを使うことを防ぐことができる。 In this way, when the input signal is a narrow-band signal, the pulse position candidate for representing the sound source signal is a candidate for a pulse position with an unnecessarily fine resolution by reducing the sampling rate to 8 kHz, for example. It is possible to prevent the use of a bit.
また、パルス位置の候補の解像度を適切に落とすことができる分、余ったビットを他の情報に使用することができるようになり、例えば、パルスの数を増やすことも可能であり、こうすることで、音源信号をより効率よく表現することに繋がる。従って、10〜6kbit/s程度の低ビットレートであっても、8kHzサンプリングレートの入力信号に対し、より高品質に音声信号を符号化できるという効果がある。 In addition, since the resolution of pulse position candidates can be appropriately reduced, the surplus bits can be used for other information. For example, the number of pulses can be increased. Thus, the sound source signal can be expressed more efficiently. Therefore, even if the bit rate is as low as about 10 to 6 kbit / s, there is an effect that an audio signal can be encoded with higher quality with respect to an input signal having an 8 kHz sampling rate.
図3は、広帯域用パルス位置候補27aとして、整数サンプル位置から構成される整数サンプル位置のパルス位置候補27cを用い、狭帯域用パルス位置候補27bとして、偶数サンプル位置から構成される偶数サンプル位置のパルス位置候補27dを用いた場合のブロック図を示す。
FIG. 3 shows a
図4は、代数符号帳を用いた場合の整数サンプル位置のパルス位置候補27cの一例を示す。ここで、音源信号は、4つのパルスで表され、それぞれのパルスは+1か−1の振幅を持つ。音源信号を符号化するための区間はサブフレームと呼ばれ、ここではサブフレーム長は64サンプルで、各パルスはサブフレーム内の0〜63のサンプル位置のなかから選択される。
FIG. 4 shows an example of a
図4に示す代数符号帳では、サブフレーム内の0〜63の整数サンプル位置を4つのトラックに分割し、各トラックには1つのパルスしか立たない構成となっている。例えば、パルスi0はトラック1に含まれるパルス位置の候補{0, 4, 8, 12, 16, 20, 24, 28, 32 36, 40, 44, 48, 52, 56, 60}の中のどれか1つの位置から選択されることを示す。この例では、各トラック当たり、パルスの符号化には16通りのパルス位置候補に4ビット、パルス振幅に1ビット必要であるので、4つのパルスでは、(4+1)×4=20ビット必要となる。
In the algebraic codebook shown in FIG. 4, integer sample positions 0 to 63 in a subframe are divided into four tracks, and each track has only one pulse. For example, pulse i0 is one of the pulse position candidates {0, 4, 8, 12, 16, 20, 24, 28, 32 36, 40, 44, 48, 52, 56, 60} included in
図4に示す代数符号帳の構成は一例であり、これに限るものではないが、いずれにしても、4つのパルスは、サブフレーム内の整数サンプル位置の候補の中から選択される。 The configuration of the algebraic codebook shown in FIG. 4 is an example, and the configuration is not limited to this. In any case, four pulses are selected from integer sample position candidates in the subframe.
図5は、偶数サンプル位置のパルス位置候補27dを示す。ここで、各パルスはサブフレーム内の0〜63のサンプル位置のうちの偶数サンプル位置にだけ配置されたパルス位置候補から選択される構成となっている。ただし、パルス位置候補として、偶数サンプル位置の他に、奇数サンプル位置の候補が幾つか混じっていても、その本質は損なわれることはないので、この場合も本発明に含まれることは言うまでもない。
FIG. 5 shows a
偶数サンプル位置のパルス位置候補27dでは、音源信号は、5つのパルスで表され、それぞれのパルスは+1か−1の振幅を持つ。図5の代数符号帳では、各パルスを立てることができるパルス位置候補はサブフレーム内の0〜63のサンプル位置のうち、偶数サンプル位置にだけ配置されている。
In the
また、サブフレーム内は偶数サンプル位置を5つのトラックに分割し、各トラックには1つのパルスしか立たない構成となっている。例えば、パルスi0はトラック1に含まれるパルス位置の候補{0, 8, 16, 24, 32, 40, 48, 56}の中のどれか1つの位置から選択される。
In addition, even sample positions are divided into five tracks in the subframe, and each track has only one pulse. For example, the pulse i0 is selected from any one of the pulse position candidates {0, 8, 16, 24, 32, 40, 48, 56} included in the
偶数サンプル位置のパルス位置候補27dでは、各トラック当たり、パルスの符号化には8通りのパルス位置候補に3ビット、パルス振幅に1ビット与えると、20ビットが与えられれば、5つのパルスを立てることが可能となる。即ち、(3+1)×5=20ビットである。
In the
ここで示す偶数サンプル位置のパルス位置候補27dの構成は一例であり、トラックの構成も種々のものが考えられるが、いずれにしても、狭帯域用のパルスは、サブフレーム内の偶数サンプル位置から構成される位置候補の中から選択される。
The configuration of the
図6は、広帯域用パルス位置候補27aとして、整数サンプル位置から構成される整数サンプル位置のパルス位置候補27cを用い、狭帯域用パルス位置候補27bとして、奇数サンプル位置から構成される奇数サンプル位置のパルス位置候補27eを用いた場合のブロック図を示す。
FIG. 6 shows a
図7は、奇数サンプル位置のパルス位置候補27eを示す。この奇数サンプル位置のパルス位置候補27eは、奇数サンプル位置にだけ配置されたパルス位置候補からパルスが選択される構成であって、これでも、同様の効果が得られる。
FIG. 7 shows a
奇数サンプル位置のパルス位置候補27eでは、音源信号は、5つのパルスで表され、それぞれのパルスは+1か−1の振幅を持つ。図7に示す代数符号帳では、各パルスを立てることができるパルス位置候補は、サブフレーム内の0〜63のサンプル位置のうち、奇数サンプル位置にだけ配置されている。また、サブフレーム内は奇数サンプル位置を5つのトラックに分割し、各トラックには1つのパルスしか立たない構成となっている。
In the
例えば、パルスi0はトラック1に含まれるパルス位置の候補{1, 9, 17, 25, 33, 41, 49, 57}の中のどれか1つの位置から選択される。この例では、各トラック当たり、パルスの符号化には8通りのパルス位置候補に3ビット、パルス振幅に1ビット与えると、20ビットが与えられれば、5つのパルスを立てることが可能となる。即ち、(3+1)×5=20ビットである。
For example, the pulse i0 is selected from any one of the pulse position candidates {1, 9, 17, 25, 33, 41, 49, 57} included in the
ここで示す代数符号帳の構成は一例であり、トラックの構成についても種々のものが考えられるが、いずれにしても、狭帯域用のパルスは、奇数サンプル位置の位置候補の中から選択される。 The configuration of the algebraic codebook shown here is merely an example, and various configurations of the track are conceivable. In any case, the narrowband pulse is selected from the position candidates of the odd sample positions. .
狭帯域パルス位置候補27bは、更に別の構成も可能であり、偶数サンプル位置と奇数サンプル位置をサブフレーム毎に、または、偶数サンプル位置と奇数サンプル位置を複数サブフレーム毎に切り替える構成にしても良い。 The narrow-band pulse position candidate 27b can be configured in another way, and the even-numbered sample position and the odd-numbered sample position are switched every subframe, or the even-numbered sample position and the odd-numbered sample position are switched every subframe. good.
要は、狭帯域用のパルス位置候補が、広帯域用のパルス位置候補よりも間引かれたサンプル位置にあるような構成で、かつ、狭帯域の帯域幅と広帯域の帯域幅の比率に応じた程度の間引き率でパルス位置の候補が与えられる構造になっていれば、狭帯域用の音源に用いるパルス位置候補としては十分機能するものとなる。その場合には、どのような構成であっても本発明に含まれることは言うまでもない。 The point is that the narrow-band pulse position candidate is located at the sample position thinned out from the wide-band pulse position candidate, and it corresponds to the ratio of the narrow-band bandwidth to the wide-band bandwidth. If the structure is such that pulse position candidates are given at a thinning rate, the pulse position candidates used for the narrowband sound source function sufficiently. In that case, it goes without saying that any configuration is included in the present invention.
本実施形態では、狭帯域信号の帯域幅が約4kHz(元々は8kHzサンプリングの入力信号を16kHzにアップサンプリングした信号の場合)、広帯域信号の帯域幅が約8kHz(通常の16kHzサンプリングの信号の場合)と想定しているので、狭帯域用のサンプル位置の間引き方は、サンプリングレートを1/2(勿論2/3など、1/2以上の間引き率であってもよい)に低下させたような位置にパルス位置候補が位置するような構成であれば良い。従って、狭帯域パルス位置候補は27b、広帯域パルス位置候補27aに比べ、位置が1/2に間引かれた構成となっている。
In the present embodiment, the bandwidth of the narrowband signal is about 4 kHz (in the case of a signal obtained by upsampling an input signal of 8 kHz sampling to 16 kHz originally), and the bandwidth of the wideband signal is about 8 kHz (in the case of a normal 16 kHz sampling signal). ), The thinning-out sample position thinning method seems to have lowered the sampling rate to 1/2 (of course, it may be a thinning rate of 1/2 or more, such as 2/3). Any configuration may be used as long as the pulse position candidate is located at the correct position. Therefore, the narrow-band pulse position candidate is 27b, and the position is thinned out by half compared to the wide-band
もし、狭帯域の音声信号である信号を広帯域音声符号化部で符号化する場合について何ら考慮されていなければ、狭帯域の音声信号についても、例えば図4に示す、広帯域パルス位置候補27aのような通常の広帯域信号と同じ高い時間解像度のパルス位置候補を用いることになる。
If no consideration is given to the case where a signal that is a narrowband speech signal is encoded by the wideband speech encoder, the narrowband speech signal is also represented by, for example, a wideband
このような時間解像度の高い位置候補を用いると、限られたビット数で数本しか立てられないパルスが、不必要に細かい解像度のために、隣り合う整数サンプルに数本のパルスが過度に集中してしまうことがあり、他の必要な位置にはパルスが配分されず、音源信号としては不十分なものとなり、結果、再生される音声が劣化する。 Using such position candidates with high temporal resolution, only a few pulses can be generated with a limited number of bits, but due to unnecessarily fine resolution, several pulses are overly concentrated in adjacent integer samples. In other words, the pulse is not distributed to other necessary positions, which is insufficient as a sound source signal. As a result, the reproduced sound is deteriorated.
本実施形態では、元の入力信号が狭帯域信号であることを検出し、狭帯域信号に適合した低い解像度のパルス位置候補を用いるので、パルス位置を表すためのビットが高域信号に無駄に使われることを防止できる。さらに、低い時間解像度の位置にしかパルスが立たないように制限することになるので、音源信号を表すためのパルスの複数本が不必要に集中してしまうことも無くなり、さらに、多くのパルスを立てることが可能となる。従って、より高品質な再生音声を提供することができる。 In this embodiment, it is detected that the original input signal is a narrowband signal, and low-resolution pulse position candidates suitable for the narrowband signal are used. Therefore, bits for representing the pulse position are wasted in the highband signal. It can be prevented from being used. Furthermore, since the pulse is limited so that the pulse only appears at a position having a low time resolution, the plurality of pulses for representing the sound source signal is not unnecessarily concentrated, and more pulses are generated. It is possible to stand. Therefore, it is possible to provide higher quality reproduced audio.
図2に戻り、雑音符号帳探索部25は、パルス位置候補設定部27から出力されたパルスの位置候補で構成される代数符号帳を用いて、歪みが最小となる符号ベクトルの符号、即ち、雑音符号(K)の探索を行う。代数符号帳は予め定められたNp個のパルスの振幅がとり得る値を+1と−1に限定し、パルスの位置情報と振幅情報(即ち極性情報)に従ってパルスを立てたものを符号ベクトルとして出力する構造の符号帳である。
Returning to FIG. 2, the noise
代数符号帳の特徴としては、符号ベクトルそのものを直接には格納するのではなく、パルスの位置候補とパルスの極性についての取り決め情報だけを格納するだけで良い構造であるため、符号帳を表わすメモリ量が少なくて済み、符号ベクトルを選択するための計算量が少ないにもかかわらず、比較的高品質に音源情報に含まれる雑音成分を表すことができることが挙げられる。 As a feature of the algebraic codebook, the code vector itself is not stored directly, but only the arrangement information about the pulse position candidates and the pulse polarity is stored. Although the amount is small and the amount of calculation for selecting the code vector is small, the noise component included in the sound source information can be expressed with relatively high quality.
このように音源信号の符号化に代数符号帳を用いるものはACELP(Algebraic Code Excited Linear Prediction)方式と呼ばれ、比較的歪の少ない合成音声が得られることが知られている。 Such a method using an algebraic codebook for encoding a sound source signal is called an ACELP (Algebraic Code Excited Linear Prediction) method, and it is known that synthesized speech with relatively little distortion can be obtained.
このような構造の下、雑音符号帳探索部25は、パルス位置候補設定部27から出力されたパルスの位置候補と、適応符号帳探索部24から出力された第2の目標信号X2と、インパルス応答計算部23から出力されたインパルス応答h(n)が入力され、上記パルスの位置候補に従った代数符号帳からの出力信号(符号ベクトル)を用いて生成される聴覚重み付き合成された符号ベクトルと、第2の目標ベクトルX2との歪みを評価し、その歪みが小さくなるようなインデックス即ち、雑音符号(K)を探索する。
Under such a structure, the noise
この際用いる評価値は
であり、この値を最大にする符号ベクトルの符号を探索することが最も歪みが小さくなる符号を選択することと等価である。ここで、上付き添え字tは行列の転置を表し、Hはインパルス応答h(n)から構成されるインパルス応答行列、ckは符号kに対応する符号帳からの符号ベクトルを表す。 Searching for the code of the code vector that maximizes this value is equivalent to selecting a code that minimizes distortion. Here, the superscript t represents the transposition of the matrix, H represents an impulse response matrix composed of the impulse response h (n), and ck represents the code vector from the codebook corresponding to the code k.
雑音符号帳探索部25は、探索された雑音符号(K)と、この符号に対応する符号ベクトルと聴覚重み付き合成された符号ベクトルを出力する。雑音符号(K)は、出力符号19の一部をなす。
The noise
雑音符号帳が代数符号帳で実現される場合、数個(ここではNp個)の非零のパルスから構成されるため、上記評価値の分子はさらに
と表すことができる。ここで、miは第i番目のパルスの位置、θjは第i番目のパルスの振幅、f(n)は相関ベクトルX2tHの要素である。また、上記評価値の分母は
と表すことができる。これらを基に歪み評価値(X2tHck)2/(cktHtHck)が最大となるようなパルス位置mj(i=0〜Np)を探索することでパルス位置情報の選択が完了する。ここで、探索するパルス位置mjは、パルス位置候補設定部27で設定されたパルス位置候補に限定される。こうすることにより、パルス位置候補設定部27から出力されたパルスの位置候補で構成される代数符号帳の探索が可能となる。
It can be expressed as. The selection of pulse position information is completed by searching for a pulse position mj (i = 0 to Np) that maximizes the distortion evaluation value (X2tHkk) 2 / (cktHtHkk) based on these. Here, the pulse position mj to be searched is limited to the pulse position candidates set by the pulse position
また、この際、符号探索に用いるf(n)とψ(i、j)の必要な値を事前に計算しておくことにより、符号探索に要する計算量は非常に少ないものとなる。こうして選択されたパルス位置情報はパルス振幅情報と共に雑音符号(K)として出力される。また、雑音符号帳探索部25は、雑音符号に対応する符号ベクトルと、聴覚重み付き合成された符号ベクトルを出力する。
At this time, by calculating in advance the necessary values of f (n) and ψ (i, j) used for the code search, the amount of calculation required for the code search becomes very small. The pulse position information thus selected is output as a noise code (K) together with the pulse amplitude information. The noise
ゲイン符号帳探索部26は、適応符号帳探索部24から出力された聴覚重み付き合成された適応符号ベクトルと、雑音符号帳探索部25から出力された聴覚重み付き合成された符号ベクトルが入力され、音源のゲイン成分を表現するために、適応符号ベクトルに用いるゲインと、符号ベクトルに用いるゲインの2種類のゲイン(簡単のため、以降では2種類のゲインも単にゲインと呼ぶ場合がある)を符号化する。
The gain
ゲイン符号帳探索部26は、内部に格納するゲイン符号帳から引き出されるゲイン候補を用いて再生される聴覚重み付き合成音声信号と目標信号(この実施例ではX(n))との歪みが小さくなるようなインデックスであるゲイン符号(G)を探索する。そして、探索されたゲイン符号(G)とそれに対応するゲインを出力する。ゲイン符号(G)は、出力符号19の一部をなす。
The gain
音源信号生成部28は、適応符号帳探索部24から出力された適応符号ベクトルと、雑音符号帳探索部25から出力された符号ベクトルと、ゲイン符号帳探索部26から出力されたゲインを用いて音源信号を生成する。
The
音源信号は、適応符号ベクトルに適応符号ベクトル用のゲインを乗じ、符号ベクトルに符号ベクトル用のゲインを乗じ、これらゲインが乗じられた後の適応符号ベクトルとゲインが乗じられた後の符号ベクトルを加算することによって得るが、これに限るものではない。 The excitation signal is obtained by multiplying the adaptive code vector by the gain for the adaptive code vector, multiplying the code vector by the gain for the code vector, multiplying the gain by the adaptive code vector and the code vector after multiplying the gain. Although it is obtained by adding, it is not limited to this.
得られた音源信号は次の符号化区間において適応符号帳探索部24で利用できるように適応符号帳探索部24内の適応符号帳に格納される。さらに、生成された音源信号は、目標信号生成部22において、次区間での符号化の目標信号を計算するために使用される。
The obtained excitation signal is stored in the adaptive codebook in the adaptive
次に、本発明の広帯域音声符号化方法の処理を、図8のフローチャートを用いて説明する。 Next, processing of the wideband speech encoding method of the present invention will be described with reference to the flowchart of FIG.
帯域検出部11で入力音声信号が広帯域信号かどうかを識別する(ステップ810)。識別の結果、広帯域信号である場合には、所定の広帯域符号化を行うことで符号化データを生成し(ステップ850)、処理を終了する。一方、狭帯域信号であると識別された場合は、例外的処理として、広帯域音声符号化部で想定しているサンプリングレート(通常は16kHz)に適合するように、入力信号のサンプリングレート変換を行う(ステップ820)。次に、例外的な広帯域音声符号化を行うための狭帯域用パラメータを用いて、狭帯域用に処理が修正された広帯域音声符号化処理を行うことで符号化データを生成し(ステップ840)、処理を終了する。なお、ステップ840において、狭帯域用に処理を修正する箇所は、広帯域音声符号化処理の中の、少なくとも一部の符号化処理であり、その一例は、雑音符号探索部で使用されるパルス位置の候補を修正することである。
The
以上で図8のフローチャートを用いた本発明の広帯域音声符号化方法の説明を終わる。 This is the end of the description of the wideband speech coding method of the present invention using the flowchart of FIG.
(第2の実施の形態)
以下に、本発明による広帯域音声符号化装置の第2の実施の形態を、第1の実施の形態との差を中心に、図面を参照して説明する。図7は、第2の実施形態に係る音声符号化部14のブロック図を示す。ここで、図2に示す第1の実施形態に係る音声符号化部14と比較して、同じ構成要素には同じ符号を付し、説明を省略する。
(Second Embodiment)
Hereinafter, a second embodiment of the wideband speech encoding apparatus according to the present invention will be described with reference to the drawings with a focus on differences from the first embodiment. FIG. 7 shows a block diagram of the
図9に示す第2の実施形態の音声符号化部14は、図2に示す第1の実施形態に係る音声符号化部14と比較して、パラメータ次数設定部31があり、パラメータ次数設定部31は、パラメータ次数を出力する。また、スペクトルパラメータ符号化部21aは、第1の実施形態に係るスペクトルパラメータ符号化部21と同様の動作をするが、パラメータ次数が可変であり、パラメータ次数設定部31によって出力されたパラメータ次数を入力して用いる。
The
また、パルス位置候補設定部27及び狭帯域パルス位置候補27bはなく、常に広帯域用パルス位置候補27aが雑音符号帳探索部25に設定されている。なお、広帯域用パルス位置候補27aは、図9では省略した。
Further, there is no pulse position
パラメータ次数設定部31は、制御部15からの通知に基き、スペクトルパラメータ符号化部21aが用いるLSPパラメータの次数を設定する。即ち、パラメータ次数設定部31は、入力信号のサンプリングレートが16kHzであるとの通知を受けると、広帯域用LSP次数を選択して、出力する。また、8kHzであるとの通知を受けると、狭広帯域用LSP次数を選択して、出力する。
The parameter
LSP次数pとしては、入力信号が7〜8kHz帯域の広帯域信号の場合にはp=16〜20程度を用いるが、入力信号が狭帯域信号である場合には、例外的に、p=10程度の値を用いる。このように、狭帯域信号に適正な程度にLSP次数を制限することがきるので、その分だけ、スペクトルパラメータの符号化に要するビット数を低減することができる効果がある。 As the LSP order p, when the input signal is a wideband signal in the 7 to 8 kHz band, about p = 16 to 20 is used. However, when the input signal is a narrowband signal, the exception is about p = 10. The value of is used. Thus, since the LSP order can be limited to an appropriate level for a narrowband signal, there is an effect that the number of bits required for encoding spectral parameters can be reduced accordingly.
なお、スペクトルパラメータ符号化部21aが用いるスペクトルパラメータがLSPパラメータではなく、LPCパラメータやKパラメータ、ISFパラメータなどである場合でも、LSPパラメータと同様に、狭帯域信号に適正な程度に次数を制限した処理を行うことが可能である。 Even when the spectrum parameter used by the spectrum parameter encoding unit 21a is not an LSP parameter but an LPC parameter, a K parameter, an ISF parameter, or the like, the order is limited to an appropriate level for a narrowband signal, like the LSP parameter. Processing can be performed.
第2の実施形態における制御部15の制御動作は、図8にフローチャートを示す第1の実施形態における制御部15の制御動作と同じである。ただし、ステップ850の広帯域符号化処理は、パラメータ次数設定部31に広帯域用LSP次数を設定させ、広帯域音声の符号化処理を音声符号化部14にさせることになる。
The control operation of the
また、ステップ840の狭帯域用に修正された広帯域符号化処理は、パラメータ次数設定部31に狭帯域用LSP次数を設定させ、狭帯域音声の符号化処理を音声符号化部14にさせることになる。
In the wideband coding process modified for narrowband in
本発明は、この他にも種々の応用が可能であり、入力音声信号のサンプリングレート変換手段を有する広帯域音声符号化装置において、入力音声信号のサンプリングレート変換に応じて、もしくは、入力音声信号が広帯域信号か狭帯域信号かの識別情報を用いることにより、
・前処理部、
・適応符号帳探索部、または、ピッチ分析部
・ゲイン符号帳探索部
において使用するパラメータ数や符号化候補数などを適応的に制御することができる。
The present invention can be applied to various other applications. In a wideband speech encoding apparatus having sampling rate conversion means for an input speech signal, the input speech signal is converted according to the sampling rate conversion of the input speech signal. By using the identification information of wideband signal or narrowband signal,
・ Pre-processing part,
The number of parameters and the number of encoding candidates used in the adaptive codebook search unit or the pitch analysis unit / gain codebook search unit can be adaptively controlled.
また、本発明は可変レートの広帯域音声符号化のビットレート制御に応用することも可能である。即ち、入力音声信号が広帯域信号か狭帯域信号かを識別することにより、前記広帯域音声符号化手段のビットレートを効率的に制御することが可能となる。例えば、入力音声信号が広帯域信号であれば、広帯域音声符号化部に適合した入力信号であるので、ある程度は符号化のビットレートを低くすることが可能である。 The present invention can also be applied to bit rate control of variable rate wideband speech coding. That is, by identifying whether the input speech signal is a wideband signal or a narrowband signal, it is possible to efficiently control the bit rate of the wideband speech encoding means. For example, if the input speech signal is a wideband signal, the input signal is suitable for the wideband speech coding unit, and therefore the coding bit rate can be lowered to some extent.
一方、入力音声信号が狭帯域信号の場合は、上述したように、広帯域音声符号化部で通常は想定していない信号であるため、符号化効率が悪い傾向にあり、このような場合は、符号化のビットレートが高くなるようなビットレートの制御を行う。ただし、入力音声信号が無音の区間については、ビットレートを高くなるように制御する必要はない。このように、入力音声信号が狭帯域信号と検出された場合で、かつ、有音無音の判定など音声のアクティビティが高い場合にだけ、符号化のビットレートが高くなるような制御をビットレート判定部に働きかけると、音声のアクティビティが低い区間でビットレートを低く抑えることができるので、平均ビットレートを、低下させることが可能となる効果がある。 On the other hand, when the input speech signal is a narrowband signal, as described above, since it is a signal that is not normally assumed by the wideband speech coding unit, the coding efficiency tends to be poor. In such a case, The bit rate is controlled so as to increase the bit rate of encoding. However, it is not necessary to control the bit rate to be increased in a section where the input audio signal is silent. In this way, when the input audio signal is detected as a narrow-band signal and when the voice activity is high, such as whether there is sound or no sound, control that increases the coding bit rate is performed. Working on the section has the effect of reducing the average bit rate because the bit rate can be kept low in a section where the voice activity is low.
このようにすることで、入力信号が広帯域信号であっても、狭帯域信号であっても、一定以上の品質を安定して提供することができる効果がある。 By doing in this way, even if an input signal is a wideband signal or a narrowband signal, there exists an effect which can provide the quality beyond a fixed level stably.
10 入力音声信号
11、11a 帯域検出部
12 サンプリングレート変換部
14 音声符号化部
15 制御部
19 出力符号
20 音声信号
21、21a スペクトルパラメータ符号化部
22 目標信号生成部
23 インパルス応答計算部
24 適応符号帳探索部
25 雑音符号帳探索部
26 ゲイン符号帳探索部
27 パルス位置候補設定部
31 パラメータ次数設定部
DESCRIPTION OF SYMBOLS 10 Input audio |
Claims (2)
与えられたパルス位置候補から複数のパルスを選択し、前記音源信号を選択したパルスを用いて符号化する符号化の過程と、
前記入力音声信号が広帯域音声信号であるか狭帯域音声信号であるかを識別する識別の過程と、
前記識別の過程によって前記入力音声信号が広帯域音声信号であると識別された場合には、広帯域音声信号用の所定の解像度を有するパルス位置候補を選択するよう前記符号化の過程を制御し、前記識別の過程によって前記入力音声信号が狭帯域音声信号であると識別された場合には、前記広帯域音声信号用の所定の解像度を有するパルス位置候補の解像度を前記広帯域音声信号用の所定の解像度よりも低くするよう前記符号化の過程を制御する制御の過程と、
前記入力音声信号のサンプリングレートを広帯域音声信号用のサンプリングレートに変換する変換の過程と、
前記符号化の過程による符号化結果を出力する出力の過程とを有する広帯域音声符号化方法。 In a wideband speech encoding method that represents an input speech signal by a spectrum parameter and a sound source signal, and that encodes the spectrum parameter and the sound source signal,
Selecting a plurality of pulses from given pulse position candidates, and encoding the sound source signal using the selected pulses; and
A process of identifying whether the input audio signal is a wideband audio signal or a narrowband audio signal;
If the input speech signal is identified as a wideband speech signal by the identification process, the encoding process is controlled to select a pulse position candidate having a predetermined resolution for the wideband speech signal, and If the input audio signal is identified as a narrowband audio signal in the identification process, the resolution of the pulse position candidate having a predetermined resolution for the wideband audio signal is set higher than the predetermined resolution for the wideband audio signal. Control process for controlling the encoding process so as to lower
A process of converting the sampling rate of the input audio signal to a sampling rate for a wideband audio signal;
Wide-band speech encoding method that have a and process output for outputting the coded result of the course of the encoding.
与えられたパルス位置候補から複数のパルスを選択し、前記音源信号を選択したパルスを用いて符号化する符号化手段と、
前記入力音声信号が広帯域音声信号であるか狭帯域音声信号であるかを識別する識別手段と、
前記識別手段が前記入力音声信号を広帯域音声信号であると識別した場合には、広帯域音声信号用の所定の解像度を有するパルス位置候補を選択するよう前記符号化手段を制御し、前記識別手段が前記入力音声信号を狭帯域音声信号であると識別した場合には、前記広帯域音声信号用の所定の解像度を有するパルス位置候補の解像度を前記広帯域音声信号用の所定の解像度よりも低くするよう前記符号化手段を制御する制御手段と、
前記入力音声信号のサンプリングレートを広帯域音声信号用のサンプリングレートに変換する変換手段と、
前記符号化手段による符号化結果を出力する出力手段とを有する広帯域音声符号化装置。 In a wideband speech coding apparatus that represents an input speech signal by a spectrum parameter and a sound source signal and encodes the spectrum parameter and the sound source signal,
Encoding means for selecting a plurality of pulses from given pulse position candidates and encoding the sound source signal using the selected pulses;
Identifying means for identifying whether the input audio signal is a wideband audio signal or a narrowband audio signal;
When the identifying means identifies the input speech signal as a wideband speech signal, the coding means is controlled to select a pulse position candidate having a predetermined resolution for the wideband speech signal, and the identifying means When the input audio signal is identified as a narrowband audio signal, the resolution of the pulse position candidate having a predetermined resolution for the wideband audio signal is set to be lower than the predetermined resolution for the wideband audio signal. Control means for controlling the encoding means;
Conversion means for converting the sampling rate of the input audio signal into a sampling rate for a wideband audio signal;
Wide band speech encoding apparatus that have a output means for outputting the encoded result of the encoding means.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009256477A JP5002642B2 (en) | 2009-11-09 | 2009-11-09 | Wideband speech coding method and wideband speech coding apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009256477A JP5002642B2 (en) | 2009-11-09 | 2009-11-09 | Wideband speech coding method and wideband speech coding apparatus |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003101422A Division JP4580622B2 (en) | 2003-04-04 | 2003-04-04 | Wideband speech coding method and wideband speech coding apparatus |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010044412A JP2010044412A (en) | 2010-02-25 |
JP5002642B2 true JP5002642B2 (en) | 2012-08-15 |
Family
ID=42015780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009256477A Expired - Lifetime JP5002642B2 (en) | 2009-11-09 | 2009-11-09 | Wideband speech coding method and wideband speech coding apparatus |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5002642B2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103119650B (en) * | 2010-10-20 | 2014-11-12 | 松下电器(美国)知识产权公司 | Encoding device and encoding method |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11202900A (en) * | 1998-01-13 | 1999-07-30 | Nec Corp | Voice data compressing method and voice data compression system applied with same |
JP2000305599A (en) * | 1999-04-22 | 2000-11-02 | Sony Corp | Speech synthesizing device and method, telephone device, and program providing media |
JP3467469B2 (en) * | 2000-10-31 | 2003-11-17 | Necエレクトロニクス株式会社 | Audio decoding device and recording medium recording audio decoding program |
CA2327041A1 (en) * | 2000-11-22 | 2002-05-22 | Voiceage Corporation | A method for indexing pulse positions and signs in algebraic codebooks for efficient coding of wideband signals |
-
2009
- 2009-11-09 JP JP2009256477A patent/JP5002642B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JP2010044412A (en) | 2010-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10811022B2 (en) | Apparatus and method for encoding/decoding for high frequency bandwidth extension | |
US7788105B2 (en) | Method and apparatus for coding or decoding wideband speech | |
US10152983B2 (en) | Apparatus and method for encoding/decoding for high frequency bandwidth extension | |
JP3134817B2 (en) | Audio encoding / decoding device | |
JP4390803B2 (en) | Method and apparatus for gain quantization in variable bit rate wideband speech coding | |
JP2005513539A (en) | Signal modification method for efficient coding of speech signals | |
US6385576B2 (en) | Speech encoding/decoding method using reduced subframe pulse positions having density related to pitch | |
EP2128855A1 (en) | Voice encoding device and voice encoding method | |
JP4008607B2 (en) | Speech encoding / decoding method | |
EP1367565A1 (en) | Sound encoding apparatus and method, and sound decoding apparatus and method | |
JP3558031B2 (en) | Speech decoding device | |
JP4580622B2 (en) | Wideband speech coding method and wideband speech coding apparatus | |
JP5002642B2 (en) | Wideband speech coding method and wideband speech coding apparatus | |
UA114233C2 (en) | Systems and methods for determining an interpolation factor set | |
JP3552201B2 (en) | Voice encoding method and apparatus | |
KR20120060033A (en) | Speech decoder for decoding the segmented speech frame and Method thereof | |
JP3676801B2 (en) | Wideband voice restoration method and wideband voice restoration apparatus | |
KR100757366B1 (en) | Device for coding/decoding voice using zinc function and method for extracting prototype of the same | |
KR101398836B1 (en) | Method and apparatus for implementing fixed codebooks of speech codecs as a common module | |
JP3748083B2 (en) | Broadband speech restoration method and broadband speech restoration apparatus | |
JP3748082B2 (en) | Broadband speech restoration method and broadband speech restoration apparatus | |
JPH11327596A (en) | Voice coding and decoding method | |
JP2005284316A (en) | Method and device for wide-band speech restoration | |
JP2005284315A (en) | Method and device for wide-band speech restoration | |
JP2005284317A (en) | Method and device for wide-band speech restoration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20110209 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120221 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120406 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20120424 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120521 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5002642 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150525 Year of fee payment: 3 |
|
EXPY | Cancellation because of completion of term |