JPH0748698B2 - 可聴音信号符号化方法 - Google Patents

Description

【発明の詳細な説明】 ［発明の属する技術分野］ 本発明は、ステレオフォニック信号（ステレオ信号）等
のオーディオ信号の知覚符号化に関する。

［技術分野の説明］ オーディオ信号の再生における質の向上に対する商業市
場における要求により、原信号品質のより多くを保存す
る可能性を約束するデジタル技術の探求が再び脚光を浴
びてきている。従来技術に係るデジタル符号化を直接的
に応用すると過剰なデータレートが必要となる；よっ
て、データ圧縮に係る容認されうる技法が必要とされて
いる。

この種の技法の一例が、エム・アール・シュレーダー
（M.R.Schroeder）らによる、ジャーナル・オブ・アコ
スティカル・ソサエティ・オブ・アメリカ（Journal of
Acoustical Society of America）誌の“人間の耳のマ
スキング特性を利用することによる、デジタル音声コー
ダの最適化”という記事（第66巻第1647-1652頁（1972
年12月））に提案されている；より最近の技法は、イー
・エフ・シュレーダー（E.F.Schroeder）らによる、ア
イ・トリプル・イー・トランザクションズ・オン・コン
シューマ・エレクトロニクス（IEEE Transactions on C
onsumer Electronics）誌の“MSC′:CDと同等の品質の2
56kbit/secのビットレートによるステレオオーディオ符
号化”という記事（第CE33巻第４号（1987年11月））に
記載されている。この記事は、音響心理的プロセスを用
いて冗長性を低減し、量子化雑音を“信号に依存したマ
スキングスレッショルド”未満に保つための変換符号化
を用いることを提案するものである。後者の要求は、量
子化プロセスがエンコードさるべき全ての値を異なった
精度で、すなわち“ビットアロケーション”により量子
化すべきである、ということを意味している。この記事
に係る技法によって達成される結果は、“音調マスキン
グ雑音”音響心理的スレッショルドの使用によって達成
されるものと同様である。

（発明の概要） 本発明の特徴は、エンコードされる信号の性質は純粋な
音調ではないこと、及び、シュレーダーらによって手続
きを修正して、短期スペクトルに基づく調整尺度によっ
て決定された係数を用いた、音調マスキング雑音及び音
調をマスクする雑音の各々のスレッショルドの幾何学的
補間を用いることによって、より良い音響心理的スレッ
ショルドが得られる、という認識に基づいている。本発
明のこの特徴は、発明者の一人である、ジェイ・ディー
・ジョンストン（J.D.Jonston）による、アイ・トリプ
ル・イー・ジャーナル・オブ・セレクテッド・エリアズ
・イン・コミュニケーションズ（IEEE Journal of Sele
cted Areas in Communications）誌の“知覚雑音基準を
用いた、オーディオ信号の変換符号化”という記事（19
88年２月）において記述され、説明されている。

本発明の別の特徴は、量子化されたデータの注意深く計
画された無雑音符号化は、符号化ベクトルの要素間に広
く拡散された余剰な符号化ビットの解像度を向上させる
ことを可能にする、との認識に基づく。

本発明の他の特徴は、ステレオフォニック変換及び／あ
るいはレコーディングプロセスに起因するチャネル間冗
長性、アコースティックミキシング及び他の冗長性の低
減に関する。

（実施例の説明） 第１図の具体例において、左及び右信号源11は、ステレ
オデジタルオーディオで用いられる従来技術に係るもの
である。これらの信号は、具体的には、ローパスフィル
タ及びサンプリング回路の対応するチャネルに印加され
ており、各信号は、同一の所定のレートでサンプリング
される。サンプリングレート及び対応する帯域の具体例
は、15kHzの設計帯域に対しては32kHzのサンプリングレ
ート、及び、20kHzの設計帯域に対しては44.1kHzのサン
プリングレートであり、共に高忠実度（ハイファイ）で
ある。その結果生成される、第１図の符号化より得られ
る前記帯域及びサンプリングレートに対する総ビットレ
ートはそれぞれ128kb/s及び192kb/sであり、各々、2B及
び3BレートによるISDN伝送に対する要求を満たしてい
る。第１図及び第２図によって示された本発明に係る、
別の代表的なレートは第１表に示されている。

サンプリングされた信号は、通常、信号源11内のA/Dコ
ンバータの対応するチャネルに印加され、各サンプリン
グされたデータに対してデジタル符号化した信号が得ら
れる。右及び左信号は、その後、算術回路15及び16によ
って、和及び差信号に変換される。さらに処理を行なわ
ない場合は、各チャネルとも、オーディオエンジニアリ
ング協会標準フォーマット（Audio Engineering Societ
y Standard Format）エンコーディングが用いられると
仮定して、高忠実度と見なされるのに充分な情報（１標
本当たり16ビット）を保持するために、最大1411kb/sの
レートが必要となる。

以下の処理の第一義的な目標は、人間の耳の感度に応じ
た方法によって調整される符号化スレッショルドの利用
を実現することである。スレッショルドを規定する情報
は、“副”情報として、比較的ビットの使用を経済的に
行なう（すなわち、少ないビット数を用いて）伝達ある
いは記録されうる。この種の概念は、いくつかの型の符
号化器（コーダー）によって実現されうるが、以下によ
り明らかになるように、変換コーダーが最も直接的に行
うものである。この型のコーダーにおける副情報には、
量子化スレッショルドレベル及び量子化スペクトルピー
クレベルが含まれる。この情報は、レシーバあるいは再
生器がトランスミッタあるいは記録器によって元来用い
られていたビットアロケーションを回復することを可能
にし、ビットアロケーションに係る明確な副情報の伝送
を不要なものとしてマスクしている。コーダー内には、
オーバーラップ加算（以下参照）以外のブロック対ブロ
ックメモリが存在しないので、高速トランジションの処
理に係る問題が容易にされている。

回路15及び16からの和及び差信号は、各々、装置17及び
18においてさらに処理されて、各分析期間内に、2048の
実データ点が同時に指定される。この手続きは、“ウィ
ンドーイング”と呼称される。1/16のオーバーラップレ
シオを用いるため、各ブロックにおいて処理される新し
いデータポイントの数は1920である。残りの128ポイン
トは、直前のブロックのものと重複している。このよう
なデータのまとまりは、高速フーリエ変換されて周波数
の関数として表わされる。変換の結果は、複素スペクト
ル上の1024ポイントとして表現される。その後、装置17
及び18からの和及び差信号のフーリエ変換されたものに
対するスレッショルドがスレッショルド計算器21内で計
算される。

これについてより詳細に考慮する前に、第２図に示され
た、上述のものと同様のモノラルコーダーにおけるスレ
ッショルド計算を考える。第２図において、第１図にお
けるものと同一に示されている構成要素は、以下に説明
されている部分を除いて同一である。スレッショルド計
算器41は、第３図に示されているように機能する。第３
図の上部左側の図は、音響心理学において公知の“バー
クスペクトル（Bark Spectrum）”であり25の相異なっ
た周波数バンドを含み、各々、人間の耳のマスキング特
性がほぼ一定な25のバンドへの周波数の分割を表わして
いる。25の周波数バンドの総和は32kHzのサンプリング
レートに対して有効であり、他の実施例においてサンプ
リングレートが変更された場合には、与えられたサンプ
リングレートにおいて包含される最高クリティカルバン
ドに従って変化する。バークスペクトルの正確な形は、
短期音声スペクトルから計算される。パワースペクトル
51は、金管楽器のものであり、対応するバークスペクト
ル52も示されている。バークスペクトルは、各クリティ
カルバンド内で、フーリエスペクトル内に存在するエネ
ルギーの総和をとることにより計算される。

以下に、本発明に係るスレッショルド計算機21及び41に
おいて、マスキングスレッショルドの計算に用いられる
手順を示す： 信号のクリティカルバンド解析を行う； クリティカルバンドスペクトル拡散関数を適用する； 短期スペクトルから音調基準を計算する； 音調測定及びそれに関する２つのスレッショルドを用い
て拡散マスキングスレッショルドを計算する； 絶対スレッショルドを計算する； 当該スレッショルドを各クリティカルバンドに対するス
ペクトルステップサイズに変換する； 第１ステップは、クリティカルバンド解析である。

FFTによって、信号の複素スペクトルRe（ｉ）、Im
（ｉ）が与えられる。複素スペクトルは、 Ｐ（ｉ）＝Re²（ｉ）＋Im²（ｉ） によってパワースペクトル51に変換される。その後、パ
ワースペクトル51はクリティカルバンドに分割され、各
クリティカルバンド内のエネルギーの総和が計算され
る。

ここで、rtind（n,0）はクリティカルバンドｎの下側の
境界、rtind（n,1）はクリティカルバンドｎの上側の境
界、及び、Bnはクリティカルバンドｎ内のエネルギーで
あり、ｎは１からn_maxまでである。n_maxはサンプリング
レートに依存している。第３図には、金管楽器によるパ
ッセージの64ミリ秒間に対応するパワースペクトル51及
びクリティカルバンドスペクトル52が示されている。

本来のクリティカルバンド解析においては、連続クリテ
ィカルバンドスペクトルを得るために、各ｉ毎に、クリ
ティカルバンド帯域に亘る総和が計算されるべきであ
る。しかしながら、ここでの計算に対しては、離散クリ
ティカルバンドが充分良い近似である。

次に、クリティカルバンドスペクトルに対して、拡散関
数が適用される。

ジェリー・ヴィー・トービアス（Jerry V.Tobias）編の
『現代音響学心理論の基礎』（アカデミックプレス）
（Academic Press）社、ニューヨーク州ニューヨーク
（1970年））におけるバートラム・シャルフ（Bertram
Scharf）による第５章、及び、『知覚及び心理物理学』
第241-246頁（1922年）のアール・ピー・ヘルマン（R.
P.Hellman）による“雑音−音調間のマスキングの非対
称性”という記事によって得られるマスキングの推定値
は、ある信号に対する同一クリティカルバンド内の信号
によるマスキングに係る情報を与える。エム・アール・
シュレーダーらによるジャーナル・オブ・アコースティ
カル・ソサエティ・オブ・アメリカ誌の第66巻第1647-1
657頁（1979年12月）における“人間の耳のマスキング
特性を用いたデジタル音声コーダーの最適化”という記
事に記載されている拡散関数が、クリティカルバンド全
体に亘るマスキング効果を推定するために用いられる。
この拡散関数は、abs（ｊ−ｉ）≦25の範囲で計算され
る；ここでｉはマスクされる信号のバーク（Bark）周波
数、及び、ｊはマスクする側のバーク周波数であり、当
該拡散関数は行列S_ijの形に表現される。１バークと
は、１クリティカルバンド分の周波数差を表わすものと
定義されており、“バーク周波数”は、シャルフ（Scha
rf）による前掲の参照文献における“クリティカル指
数”に対応する。前記B_nと拡散関数とのコンボリューシ
ョン（畳み込み演算）は、行列の積すなわち、Cn＝S_ij
＊B_nで表現される。C_nの値は、拡散クリティカルバンド
スペクトルを表わす。第３図の曲線53は、バークスペク
トル52に拡散関数演算を施した結果を表わしている。

次のステップは、雑音マスキングスレッショルドの計算
である。前掲の参照文献は、２種類の雑音スレッショル
ドが詳述されている。その第１は、雑音をマスクする音
調に係るものであり、Cnより14.5＋ndB下であると推定
される。ここで、ｎはバーク周波数であり、この推定
は、前掲のシュレーダーによる参照文献によれば、前掲
のシャルフによる参照文献に係るものである。第２は、
音調をマスクする雑音に係るものであり、クリティカル
バンドスペクトル全体に亘って一様にCnより5.5dB下で
あると推定される。音調をマスクする雑音に対するスレ
ッショルドの推定は、前掲のヘルマンによる記事に基づ
いている。

信号の雑音的及び音調的性質を決定するために、スペク
トラルフラットネスメジャー（SFM）（スペクトルの平
坦さを表わす尺度）が用いられる。SFMは、パワースペ
クトルの幾何平均（Gm）の、パワースペクトルの算術平
均（Am）に対する比として定義される。この場合には、
SFMは によりdBに変換され、トーナリティ（音調）係数αを生
成するために用いられる： すなわち、αは、カッコの中の２つの引数の内の小さい
方を意味している。SFMdB_MAX＝−60dBが、信号が完全に
音調的である、ということを推定するために用いられ、
SFMが0dBである、ということは、信号が完全に雑音的で
あることを表わしている。言い換えれば、SFMが−30dB
である場合にはα＝0.5となり、SFMが−75dBの場合に
は、α＝1.000となる。

その後、各バンドｎにおけるマスキングエネルギーに対
するオフセット(0_n)が、dB表示で、 0_n＝α（14.5＋ｎ）＋（１−α）5.5 に設定される。すなわち、指数αが、２種のスレッショ
ルドオフセット、つまり、雑音をマスクする音調に対す
る14.5＋ndB及び音調をマスクする雑音に対する5.5dB、
を幾何内挿するために用いられる。

その後、スレッショルドオフセットが拡散クリティカル
バンドスペクトルから差し引かれ、拡散スレッショルド
の推定値T_nが求められる： 実際には、信号のトーナリティを推定するためにSFMを
用いることは便利である。なぜなら、オルガン、サイン
（正弦）波、フルート等の多くの音調的信号はSFMdB_max
に近いあるいはそれ以下のSFMを有し、パーカッション
（打楽器群）等の信号は、過渡的に、−５から−15dBの
間のSFMを有している。200-3200Hzの帯域の会話信号
は、−20から−30dBの範囲である。第３図の曲線54は、
第4a図及び第4b図のデータに対する拡散スレッショルド
の推定値をプロットした曲線を示している。

次に、拡散スレッショルドの推定値T_nをバークドメイン
に変換することが必要となる。

厳密に言えば、拡散関数とB_nとのコンボリューションが
元に戻される、すなわちT_nとして計算されたスレッショ
ルドがデコンボリューションされなければならない。こ
のプロセスは、拡散関数の形状ゆえに非常に不安定であ
り、エネルギースレッショルドがしばしば負の値をとっ
たり、０となったりする。これらの異常なエラーは、デ
コンボリューションプロセスが、状況に係る物理的、音
響学的実体を無視した数値解を厳密に探索するからであ
る。

デコンボリューションの代わりにリノーマリゼーション
が用いられる。拡散関数は、その形状から、各バンドに
おけるエネルギーの推定値を拡散の効果によって増加さ
せる。リノーマリゼーションはこのことを考慮し、各T_n
に対して、各バンド内で１という一様なエネルギーを仮
定した場合のエネルギー利得の逆数を乗ずる。言い換え
れば、平坦なB_nが与えられて全てのO_jが等しい場合に
は、平坦なT_nが返される。このようにしてリノーマライ
ズされたT_nはＴ′_ｎで示される。

続いて、絶対スレッショルドに係る利用可能な情報を考
慮する。バークドメインにおいて雑音エネルギーがリノ
ーマライズされた後、バークスレッショルドは、エイ・
フレッチャー（A.Fletcher）による、“聴覚パターン”
という題目のレビュー・オブ・モダン・フィジックス
（Review of Modern Physics）誌の記事（第12巻第47-6
5頁）に見出される絶対スレッショルド測定と比較され
る。これまでに計算されてきたマスキングスレッショル
ドは絶対レベルを考慮することなくなされているため、
それらが聴力の絶対限界以下の雑音レベルを要求してい
るか否かがチェックされなければならない。

システムの利得は、4kHzの、適切にディザインされ、か
つ、16ビット整数で表わした場合に最下位ビット（LS
B）±1/2分のピーク強度を持つような信号が聴力の絶対
スレッショルドに位置するようにセットされる。絶対ス
レッショルドより低い雑音スレッショルド計算値を有す
る全てのクリティカルバンドは、絶対スレッショルドを
当該クリティカルバンドに対するスレッショルドとして
有するように変更される。高周波数側及び低周波数側に
おいては、絶対スレッショルドはクリティカルバンド内
で変化する。このような場合には、クリティカルバンド
の両端での値の平均が用いられる。

第３図の曲線55は、リノーマリゼーション及び絶対スレ
ッショルド条件を調節した後の最終的なスレッショルド
を示している。このスレッショルドは、Th_nで示され
る。Th_nは、信号が知覚上悪化されない状態を保ちうる
ような、各クリティカルバンド内に挿入されうる雑音強
度の最大値を示している。このスレッショルドは、対応
するクリティカルバンド内における信号成分に対して用
いられる量子化のステップサイズを計算するために用い
られ、量子化誤差が一様な確率密度関数を有する場合以
外の最悪の場合の仮定を行う。

短期知覚スレッショルドに従って計算されたステップサ
イズは、装置44内でビットレート調整手続きの一部とし
て用いられる。ビットパッキッグ手続きに依存して、短
期スペクトルが、当該アルゴリズムにおけるこの時点
で、装置42内で量子化される必要が生じる。ビットレー
ト調整効果を含む、量子化された最終スレッショルド
は、Thr_nと呼称される。

利用されるビットパッキングには２つの形態がある。よ
り簡潔な方においては、固定長（ここでは128ビット）
の２進数を可変基数として生成する可変基数技法が用い
られる。当該基数は、トランスミッタ及びレシーバの双
方において副情報（サイドインフォメーション）から決
定されうる。ビットパッキングによる当該方法により、
量子化器をいかなる大きさが必要な場合において正確に
用いることが可能となり、各量子化器が、ｎを整数とす
るとき、2ⁿのレベルを有さなければならないか、ｍを量
子化器内のレベル数とするとき、直接２進符号化により
生ずるroundup（log₂ｍ）−log₂ｍビットを無駄にしな
ければならない、という拘束がはずされる。

より複雑な方のビット圧縮アルゴリズムにおいては、第
２図のハフマン（Huffman）コーダー43において修正ハ
フマンコードが用いられ、データに依存した方式でビッ
ト圧縮が実行される。このビット圧縮法が用いられる場
合には、圧縮されビットレートは、量子化されたデータ
（Thr_nによって分割されたスペクトルの実数及び虚数部
の最近整数関数）及び各量子化器内のレベル数から計算
されなければならない。

この場合の無雑音符号化は、音楽信号のデータベースか
ら生成され、コードブックにストアされているハフマン
コードの組を用いて行われる。量子化された最大データ
に依存して、量子化器の出力は対（実数及び虚数の）と
して、あるいは個別のコード語として量子化される。別
の符号メモリが副情報の各々の対に対するコードブック
指数をハフマンコードブックの組に符号化するために用
いられ、この符号メモリも伝送される必要がある。

上述のハフマンコードブック構造に加えて、元の音楽の
統計の種類が変化することを許容するために、コードブ
ックに階層構造が与えられている。この階層構造は、コ
ードブックの完全な組を４種有し、その各々が、音楽デ
ータベースから、当該４種のコードブックが当該データ
ベース全てを含み、かつそれを有利な方法で分配するも
のとなるように自己選択的な方法で生成される。符号化
器（エンコーダ）においては、信号の現時点でのブロッ
クに最もよく適合しているコードブックの組が計算さ
れ、それが適切なコード語と共に伝送される。

データオーガゼーション 種々の圧縮及び／あるいはビットパッキングアルゴリズ
ムの動作を記述するために、ここで、装置37からの各々
のデータブロックに対するデータオーガゼーションを定
義する。

以下に説明されるように２つの方式によって分配され
る。ここで、Ｒ及びＩは量子化されたスペクトル線（ラ
イン）であり、ｉは１≦ｉ≦2048を満足するFFT出力の
指数、nintは引数に最近接の整数を返す関数、Thr_*は、
以下4.3節で記述されている量子化されたスレッショル
ドに対応するレベル、及び、tind（ｉ）は以下に説明さ
れているものである。

上記２種の分割方式はｔ−分割と呼称されるクリティカ
ル分割、及び、一般的により小さなｋ−分割と呼称され
る分割である。第５図は、与えられたサンプリング周波
数44.1kHzに対応した、スペクトルの低周波数側に対す
るｔ−分割及びｋ−分割境界を示している。

［ｔ−分割］ ジョンストンによる前掲の記事においては、スレッショ
ルドThr_nはクリティカルバンドスケールに関して生成さ
れた。当該具体例においては、同一のスレッショルド生
成方式が用いられる。ｔ−分割は、スレッショルド生成
アルゴリズムに対して用いられるクリティカルバンド分
割である。

ｔ−分割は、本明細書においては指数ｎを付加されてい
るが、スペクトルを各々１クリティカルバンド分の幅を
有するn_max個の部分に分割するようにするものである。
最後のｔ−分割は完全なクリティカルバンドではなく、
Fs/2で終わるものである。44.1kHzのサンプリングレー
トに対してはnmax＝25であり、32kHzのサンプリングレ
ートに対してはn_max＝24である。クリティカルバンド端
に関するリストは、シャルフによる前掲の参考文献に見
出される。

tind（ｉ）と呼称される指数配列が、あらゆるｉに対し
て、tind（ｉ）の値がｔ−分割の指数（ｎ）を持つよう
に定義される。逆配列rtind（n,l）も定義され、“i"が
FET指数を表わす場合に、与えられたｎに対して、ｌ＝
０の場合はｉの最低値、ｌ＝１の場合は最高値を返す。

［ｋ−分割］ 高周波数側のクリティカルバンド幅のために、コーダー
が厳密にクリティカルバンドに基づいてデータを処理し
た場合には、大量のスペクトル構造が曖昧になる。ｋ−
分割はスペクトルの詳細を失うことによる、ｋ−分割に
係る副情報とビットレートとの間のより良いトレードオ
フが得られるように経験的に決定された分割を表わす。
ｋ−分割は、ｋ及びｎの大きな値に対しては、一般にｔ
−分割より小さい。

ｋ−分割は、本明細書においてはｋという指数を付与さ
れているが、量子化されたスペクトルを、各々が８本の
複素ラインを平均化している128の部分に分けている分
割の組である。ｋ−分割の境界は、以下の条件を満たし
ている： ・ｋ−分割は、２つ以上のｔ−分割に亘ることはない。

・ｋ−分割は、各ｋ−分割最大及び最小長を可能な限り
８に近接して保つようにされている。

ｔ−分割の場合と同じように、kind（ｉ）と呼称される
ｋ−分割に対する指数配列が、与えられたｉに対してｋ
を返すように、さらに、与えられたｋに対してｌ＝０の
場合はｉの最小値を、ｌ＝１の場合は最大値を返す配列
にrkind（k,l）が、それぞれ定義されている。

加えて、ｎをｋと関連付けるような指数配列も定義され
る。配列ｎ＝nkind（ｋ）は、与えられたｋ−分割に関
連したｔ−分割の指数を返し、ｋ＝kind（ｎ）はその逆
を行う。

以上が、圧縮あるいはビットパッキングアルゴリズムに
対して必要となるデータオーガゼーションである。次
に、ビットレート計算のための可変指数パッキング法を
示す。

可変指数ビットレート計算法 ・まず、スペクトルの各々のｋ−分割に対して、各ｔ−
分割に対する実部及び虚部の絶対値の最大値を計算す
る。その後、 で定義される数Z_kを計算する。ここでｉはスペクトル分
割の指数、nintは最近接整数を返すオペレータ、LAV_kは
分割ｋにおける実部及び虚部の絶対値の最大値、及びTh
rはｋ−分割ｋに対するステップサイズ、をそれぞれ表
わす。

・各々の量子化器の組におけるレベル数がK_K＝2Z_K＋１
を計算することにより決定される。ここで、K_Kは各量子
化器内のレベル数である。

・指数パッキングアルゴリズムによって必要とされるビ
ット数が、総ビット数 を計算することにより計算される。副情報に対して必要
とされるビット数、すなわち、各Thr_n毎に８ビット、12
8個の量子化されたK_Kの各々に対して６ビット、が加算
されて、Thr_nの組に係るブロックの伝送に必要とされる
ビット総数が得られる。

［スレッショルド調整の条件］ 人間の耳の物理的限界のために、雑音検出及び絶対スレ
ッショルドの双方に対して、ある場合には、Thr_nの組が
制限されなければならず、そのような場合には、スレッ
ショルド調整係数が乗じられる。このような限界は以下
に記述されており、指数ビットパッキング法及びエント
ロピー符号化法に対して等しく適用される。より詳細に
述べれば、量子化レベルがその型に関わらず、全ての信
号に対するクリティカルバンドに関してトランスペアレ
ント（透過的）であると知られているレベルを超過して
いるようなあらゆるクリティカルバンドに対して、スレ
ッショルド調整係数の効果により、当該クリティカルバ
ンド内のThr_nが、最大値において量子化レベルを維持す
るように持ち上げられる。さらに、スレッショルド調整
係数がThr_nを絶対スレッショルド以下に低下させる場合
には、対応するThr_nか絶対スレッショルドまで再び持ち
上げられる。このことは、ある条件下におけるある信号
に対して、コーダーによって利用可能な最大ビットレー
トが存在し、必要とされないビットは、他の情報の伝送
に対して用いられるか、任意のパターンにセットされ
る、ということを意味している。

ビットレート調整に関するスレッショルド調整 ビットレート調整プロセスは、擬Ｃ符号を用いて最も容
易に記述される。本質的には、当該プロセスは、ビット
レート及び検索長に係る制限に基づいた決定を用いる２
進検索である。ビットレート調整プロセスは、スレッシ
ョルド調整係数Ｆを返し、当該係数が新たなスレッショ
ルドを計算するためにThrnに直接乗じられて、その後、
符号化に関して用いられる。ビットレート調整プロセス
の詳細は付録１に示される。

［エントロピー符号化を行なう場合のビットレート調
整］ 以上で、指数パッキングを行なう場合に係るビットレー
トの計算及び調整に係る記述は終了する。以下、エント
ロピー符号化法が用いられる場合について記述される。

［エントロピー符号化法が用いられる場合のビットレー
ト計算］ エントロピー符号化に関しては、各々ｋ−分割内で、圧
縮アルゴリズムは特定のコードブックを選択しなければ
ならない。コーダーが信号の絶対位相に関して何ら情報
を有していない場合には、選択方法は、符号（正か負
か）及び位相に無関係でなければならない。さらに、ハ
フマンコードが、当該ハフマンコードが符号化する分布
に適合しているべきであるため、各々のｋ−分割に対し
て、データに関連した基準がコードブックを選択するた
めに用いられるべきである。ｋ−分割内のコード語が絶
対値の平均は容易に計算され、データに関するコードブ
ックの良い第１近似となる。この全プロセスは、第４図
に図示されている。

各々のｋ−分割に対して、局所的K_Kが計算される。

このK_Kは、lin＋5hmic変換によって整形され、その後量
子化される： ・まず、K_K＝０の場合には、Ｋ′_Ｋ＝０となる。

・そうでない場合には、Ｋ′_Ｋ＝int（max（1,min（32,
5.614456loge（K_K＋7.759653）））である。

ここで、intは引数の整数化（引数を越えない整数を返
す）を行なう関数であり、対数における係数は、Ｋ′_Ｋ
≦20となる確率をほぼ等しくするように選択されてい
る。minは、より小さい引数を返す関数であり、maxは、
より大きい方の引数を返す関数である。

［副情報計算］ Ｋ′_Ｋが計算されると、コードブック利用を表わすもの
以外の副情報が決定されうる。副情報は、 ・256のレベルに量子化する量子化器でTnを量子化し、
スペクトル量子化プロセスにおいて用いられるＴ′ｎの
レベルを与えるための８ビット語よりなるn_max：但し、
当該量子化器は180/256dBというステップサイズを有し
ている。ここで、0dBは１という大きさ（フルスケール
は±32767）のパルスの各スペクトル成分の大きさに対
応し、180は前記0dBの定義から得られる、各スペクトル
成分のとりうる最大エネルギーよりも僅かに大きい値、
及び、256は量子化器のレベル数である。

この時点で、量子化されたスレッショルドＴ′ｎがｎの
全ての値に対する反復の結果変更されていないと決定さ
れた場合には、当該計算プロセスはアボートし、直前の
値が用いられる。

・以下に定義されるように、コードブック利用を示すた
めに、３つのコードブック選択に対して２ビットずつ、
計６ビット：この時点では必要とされているコードブッ
クは決定されていないが、必要とされているビット数は
既知である。

・圧縮されたＫ′_Ｋ：ここでＫ′_Ｋは各々、 のように対として圧縮されており、“encode"は、コー
ド語長を検索するプロセスを表わし、BR_Kは、当該特定
のコード語に対して必要とされるビット数である。K_Kの
値に対しては４種のコードブック（Ｋコードブック）が
存在するため、各コードブック毎にBR_Kの値が計算さ
れ、最良の（最も短い）コードブックが用いられる。

この副情報及びエンコードされた場合ビット長（通常、
サンプリングされた信号１つ当たり0.25から0.5ビッ
ト）が知られると、量子化されたスペクトルが符号化さ
れる。

［量子化されたスペクトルの符号化］ 量子化されたスペクトルは、各々のｋに対するＫ′_Ｋに
依存してｋ−分割に基づいて、ｋ−分割に係る３方式の
うちの１つによって量子化される。

・Ｋ′_Ｋ＝０である場合には、量子化されたスペクトル
は符号化されず、当該ｋ−分割に対しては送出されるビ
ットはない。

・０＜Ｋ′_Ｋ≦20である場合には、量子化されたスペク
トルは、複素対によって符号化される、すなわち、各々
のR_iは対応するI_iと組合せられて、当該対が符号化され
る。

・Ｋ′_Ｋ＞20である場合には、Ｒ及びＩの各要素は個別
に符号化される。

以下、まず、Ｋ′≦20の場合が議論され、その後、より
大きなＫ′の場合について議論される。

［Ｋ′_Ｋが小さな値を有する場合の符号化］ Ｋ′_Ｋの小さな値に対しては、R_i及びI_iの値は、各次元
の値が−20から20の亘っている２次元コードブックにお
いて符号化される。ijコードブックと呼称されるこれら
のコードブックの大きさは、大量の符号化された信号の
統計を観測し、Ｋの値が20未満かつ20に近接したものに
対するijコードからほぼ５％の信号が落とされるように
コードブックの大きさの境界を設定することによって決
定される。

Ｋ′の値が20に近接している場合に生じうる、Ｒあるい
はＩの絶対値が19を越える場合には、そそれらは±20に
制限され、その制限された値に対するコード語が選択さ
れる。正確なデータ値を伝送するために、制限された値
の各々に対して“エスケープコードブックから取り出さ
れた、当該特定の成分付加的大きさを符号化する別のコ
ード語が付加される。よって、絶対値20を有するエント
リは、エスケープコードブックから取り出された別なコ
ード語が直後に続くことを意味している。

２次元コードブックは４組存在する。フレーム全体に亘
って使用するビットが最小のコードブックが利用されう
るように選択され、この情報は、副情報の一部として含
有される。エスケープコードブックは４種必要となるわ
けではなく、ｋ−分割に対するＫ′の値、及びレシーバ
においてＫ′の値から決定されたコードブック選択に係
る情報に基づいて１つのコードブックが（４種のうちか
ら）選択される。

［より大きいＫ′_Ｋの値をとる場合の符号化］ Ｋ′のより大きな値に対しては、各Ｒ及びＩは個別に符
号化される。−1774から＋1774に亘るコードブックが
Ｋ′の値に応じて選択されたｋ−分割における各複素ス
ペクトル線の各々の部分が個別に符号化される。1774と
いう値は、知覚マスキング基準を満たすために必要とさ
れる、量子化器の最大出力値の最悪の場合の推定値に対
応している。

この場合にも、４組のコードブックが用いられ、最良の
ものが選択される。このコードブックを表わす２ビット
は、前述の副情報のうちの最後の２ビットである。Ｋ′
_Ｋの大きな値の場合に対して用いられるコードブックの
組は、ハイコードブックと呼称される。このコードブッ
クは第６図に例示されている。

［ビットレート調整プロセス］ ビットレート調整プロセスは、擬Ｃコードを用いて最も
容易に記述される。本質的には、当該プロセスは、ビッ
トレートに基づいた決定を行ない、検索長に制限のある
２進検索である。ビットレート調整プロセスは、スレッ
ショルド調整係数Ｆを返し、当該係数が直接Tnに乗ぜら
れて符号化のための実際のスレッショルドが計算され
る。ビットレート調整プロセスの詳細は、付録１に示さ
れている。

Thr_nに対する制限は、指数パッキングの場合と同一であ
る。Thr_nに関する制限は、指数パッキングの場合と同
様、ある場合にはビットレートの上限を設定する。

［指数パッキングアルゴリズムの詳細］ 可変（混合）指数パッキング法は、ドナルド・イー・ナ
ス（Donald E.Knuth）による、“コンピュータプログラ
ミングの技法”第２版第２巻（アディソン・ウェズリー
（Addison Wesley）社、マサチューセッツ州リーディン
グ（Reading MA）、1981年）第274及び275頁に見出され
る。この方法は、ベースとなる２数を表現するビットパ
ターンが量子化器内のレベルの種々の最大数の２を底と
する対数をとったものの総和に関してパッキングにおけ
る任意の低損失が得られるように生成されうる、という
事実を利用している。この手続きは、前掲書第274頁の
式（24）に従ってある数を生成する。

指数は、 ・ビットが全てパッキングされるまで、128ビット語を
段階をおって充填し、各段階において、当該語内に適合
する最大指数をエンコードするように可変指数が演算を
行なう。

・このプロセスを、全データが拡張されるまで、128の
ビット語に関して継続する。ことにより選択される。

このビットパッキングアルゴリズムは、データに対して
割当てられたビットレートのうちの少量（通常1/128）
を浪費する。この損失は、初期ビットレート計算におい
て説明されうるものであり、圧縮されたデータの大きさ
の計算を不要にする。

［実際のエントロピー符号化手続き］ 圧縮のためのエントロピー符号化手続きは、ビットレー
トに付加される、長さに係るパターンの代わりに適切な
ビットパターンが伝送される、ということを除いて、ビ
ットレート計算に係る手続きに正確に従う。各々の場合
とも、ビットパターンに対するビットレートが見出され
た場合には、当該パターンが伝送される。コードブック
の選択は、レート計算から知られる。

［モノフォニックデコーダ］ 指数パッキングの場合及びエントロピー符号化の場合に
用いられるデコーダは、デコンプレッション（圧縮回
復）／アンパッキングアルゴリズムを除いて同一であ
る。指数パッキングアルゴリズムの場合には、アンパッ
キングの順序はトランスミッタが初めに（量子化された
副情報から）パッキングの順序を計算したように副情報
から曖昧さを残さずに計算される。アンパッキング手続
きは、混合指数生成手続きに直接従う。

エントロピー符号化の場合には、コードブック情報がま
ず受信されてストアされる。その後、副情報が適切なコ
ードブックを用いてデコードされ、ストアされる。この
情報がストアされると、各データ点に対する適切なコー
ドブックは既知となり、この適切なコードブックが、エ
ンコードされたデータの整数値を決定するために用いら
れる。量子化されたスペクトルのデコードされた整数値
及びスレッショルドがデコードされると、データは、指
数パッキングアルゴリズムから得られたデータと同様と
なり、実際の変換デコーダが適用される。

［変換デコーダ］ 第７図は、第２図のエンコーダに対応する、モノラル知
覚変換デコーダを示している。エンコードされたスレッ
ショルドと量子化されたスペクトル情報は、組合せ回路
71において組合せられる。ここで、組合せ回路71は、量
子化されたスペクトルが、対応するスレッショルドに基
づいた係数として符号化されている場合には、マルチプ
ライア（乗算器）である。これらの信号は、スレッショ
ルドの場合には、第２図で用いられたものに依存して、
装置75におけるビット・アンパッキングあるいはハフマ
ン型復号法により導出され、量子化されたスペクトルの
場合には、装置76における同一プロセスによって導出さ
れる。組合せ回路71の出力は、再構成された周波数スペ
クトルであり、装置72における逆高速フーリエ変換がな
されて再構成された時間波形が得られる。エンコーダ
（例えば第２図）におけるウィンドー設定及び重なり加
算手続きは、装置73において反転されて、D/A変換ある
いはPCM形式のストアがなされる信号が生成される。

［ステレオフォニックコーダーに関する詳細］ 以上で、第２図のモノラルコーダーに関しては完全に記
述されたので、以下、第１図に示されたステレオ信号の
具体例について記述することにする。

２つのステレオチャネル、左（Ｌ）及び右（Ｒ）がコー
ダーに与えられ、Ｌ＋Ｒ及びＬ−Ｒの信号が生成され
る。２つの信号、Ｌ＋Ｒ及びＬ−Ｒにはモノフォニック
コーダーの場合と同様、ウィンドーがかけられ、変換さ
れる。この２信号のスペクトルは量子化プロセス及びス
レッショルド生成プロセスに送られる。量子化プロセス
は、量子化さるべきスペクトルが２つ存在するという点
を除いてモノフォニックコーダーの場合と同一である。

［知覚スレッショルドの生成］ 知覚スレッショルドの生成は、スレッショルドの生成プ
ロセスが開始される以前に２つの信号のパワースペクト
ルが加算されるように修正されている。このことは、リ
スナーが、ステレオのスピーカーからあるクリティカル
な距離以上離れていることを表わしている。スペクトル
は前述されているように生成され、スレッショルド調整
プロセスへ送られる。イェット（Jetzt）によるジャー
ナル・オブ・アコースティカル・ソサエティ・オブ・ア
メリカ第65巻第1204-1211頁（1979年）の“音声エネル
ギースペクトル応答による、室内におけるクリティカル
距離の測定”という記事に“クリティカル距離”という
語が説明されている。

リスナーがスピーカーから１クリティカル距離以上離れ
ている、という仮定により知覚スレッショルド生成プロ
セスが単純化される。なぜなら、リスナーの耳における
パワースペクトルが、２つのチャネルのパワースペクト
ルの和で良く近似されうるからである。以下に議論され
るように、このためにヘッドホンが用いられた場合に微
妙な効果が誘起される。知覚スレッショルドのより複雑
な対の計算は、現時点で利用可能な聴覚モデルに対して
は実行可能ではない。

［スレッショルド調整プロセス］ スレッショルド調整プロセスは、以下に詳述されている
ビットレート計算／圧縮アルゴリズムにおける変更を除
いては、第２図のコーダーにおいて用いられるものと同
一である。

［ビットレート計算プロセスにおける変更］ ビットレート計算プロセスは、いくつか変更がある。最
も重要なものは、スペクトル平均K_Kの種々の値がエンコ
ードされる、副情報の量子化に対するビットレートの計
算に対するものである。モノフォニックコーダーにおい
ては、スペクトル平均の２つの連続した値がエンコード
されるが、ステレオコーダーにおいては、Ｌ＋Ｒ及びＬ
−Ｒに対応する信号に対するスペクトル平均値が対とし
てエンコードされる。和及び差信号のスペクトルは通常
良い相関があるので、エンコードされたスペクトル平均
の組に係る総ビットレートは実質的に低減される。

当該プロセスにおける他の変更点は、しばしばかなり相
異なった総計を有する２つの信号が存在し、それゆえ、
Ｌ＋Ｒ及びＬ−Ｒ信号が各々、モノフォニックスペクト
ルが第２図のコーダーにおいてエンコードされたように
エンコードされる、という事実に関連している。言い換
えれば、当該和及び差信号に対して、別個のコードブッ
クが選択されるということである。このため、付加コー
ドブック信号に対して、各サンプリング毎に0.002ビッ
ト余分に消費することになる。これは、独立したコード
ブック選択に起因する節約分によるオフセット以上であ
る。

符号化効率における付加利得は、和及び差信号、及び、
左右信号ではなく和及び差信号を符号化することによる
２信号のスペクトル間には全く相関がなく、かつ、スペ
クトルの包絡線にも相関がない、という最悪の場合に
は、利得は存在しないが損失も存在しない。この条件
は、電子的に生成された非常に僅かな信号の場合に相当
するが、極めて希である。99％以上のステレオ信号の場
合には、（最悪の場合と同様）信号には相関がないが、
スペクトルの包絡線は良く似ており、スレッショルドレ
ベルにおける3dBの利得、及び、その結果生じるビット
レート利得が見出される。元のＬ及びＲ信号の間に正ま
たは負の大きな相関がある場合には、和あるいは差スペ
クトルの一方が非常に小さく、よって当該スペクトルが
エンコードされるビットを極く僅かしか、あるいは全く
必要とせず、実質的な利得が得られる。

第８図は、第１図のステレオフォニックエンコーダーに
対するデコーダを示している。第７図におけるものと同
じように示された部分は、同一の機能を実行する。和及
び差チャネルの分離を除いては、第８図の各々の半分
は、和及び差チャネルが各々和回路84及び差回路94にお
いて左及び右チャネルに変換される点を除いて、第７図
と同様である。

第８図のデコーダは、モノフォニックデコーダに類似し
たものである。ステレオコーダのより望ましい具体例に
おいては、エントロピー符号化が用いられるが、指数ビ
ットパッキング法の利用も、指数パッキングモノフォニ
ックコーダーに用いられた方法を直接拡張することによ
り可能である。

２チャンネルに対するパワースペクトルの加算が真であ
る限りは一厳密に言えば、リスナーが残響のある部屋で
スピーカーを用いている場合のみに対しては一リスナー
がヘッドホンを用いる場合の音響心理的マスキングにお
ける損失は、最悪の場合においても非常に小さいという
ことが見出されている。これは、おそらく、音響心理的
クロスマスキング、及び、通常Thr_jを聴力の限界と考え
られているところよりも充分に低くしてしまうビットレ
ート調整手続きによるものである。

［エントロピーコーダーに対するコードブック設計］ エントロピーコーダーに対するコードブックを計算する
ために、適切なサンプリングレートでサンプリングされ
た、相異なった、相関を有さないオーディオ信号が集め
られる。その後、以下の段階が、実際のエンコーダ及び
デコーダで用いられるコードブックを作成するために用
いられる。

1.まず、調整されていないビットレートを用いて（ビッ
トレート調整の前に）、初期レートの各々25％に対する
完全なコードブックを計算する。すなわち、最低部25％
が１つのコードブックを生成するために用いられ、次の
25％が第２のコードブックを生成するために用いられ
る、等々である。

2.現時点で設定されているコードブックの組を用いて、
オーディオ信号データベース全体に亘って以下の手続き
を実行する： a.4つのコードブックの各々に対して、完全なビットレ
ート調整手続きを用いてビットレートを計算する。

b.最良の（さらに、最小のThr_jを可能にするコードブッ
クとして認識されうる）コードブックを選択する。

c.オーディオデータベースの各短期セクションに対し
て、最良のコードブックに係るヒストリーを保存する。
これにより、各コードブックの選択に関する、各々に最
も良く適合するデータに対応するヒストグラムが得られ
る。

3.集められたヒストグラム４組を取り出し、各々のヒス
トグラムに対する新たなコードブックを生成する。

4.反復によるビットレート利得が最小になるまで段階２
以降を繰返す。

この手続きは、リーズナブルなクラスタリング（分類）
が見出されることを保証する２つの方法を用いる。第１
は、各短期スペクトルに対する最良のコードブックの選
択であり、このことにより、同一のビットレート（直前
の反復において用いられたものと同一のコードブックが
選択された場合）あるいはより良いビットレート（全体
として利得を表わす他のコードブックが選択された場
合）のいずれかのみが得られ、第２は、同一の最良コー
ドブックを有するという理由で分類されたセクションに
対する、当該データベースの実際にデータヒストグラム
から次のコードブックを生成することであり、このこと
により、データに対して統計的に同一（直前の反復から
何ら変更されなかった場合）あるいはより良い適合をす
る新たなコードブックの組が得られ、よって、同一ある
いはより良い圧縮レートが得られる。

【図面の簡単な説明】

第１図は、本発明に係るステレオ符号化のより好ましい
具体例を示すブロック図； 第２図は、第１図のステレオ符号化と同様の、モノラル
の場合の符号化を示すブロック図； 第３図は、本発明を説明するために用いられる曲線を示
したグラフ； 第４図は、無雑音符号化を用いたビットレート計算プロ
セスを示す流れ図； 第５図及び第６図は、無雑音符号化の詳細を示す図；及
び、 第７図及び第８図は、第２図及び第１図の具体例に対応
する複合化を示すブロック図である。

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 ＩＥＥＥ Ｊｏｕｒａｎａｌ ｏｎ Ｓ ｅｌｅｃｔｅｄ Ａｒｅａｓ ｉｎ ｃｏ ｍｍｕｎｉｃａｔｉｏｎ ｖｏｌ．６，Ｎ ｏ．２，Ｆｅｂｒｕａｒｙ 1988，Ｊａｍ ｅｓ Ｄ．Ｊｏｈｎｓｔｏｎ“Ｔｈａｎｓ ｆｏｒｍ Ｃｏｄｉｎｇ ｏｆ Ａｕｄｉ ｏ Ｓｉｇｎａｌｓ Ｕｓｉｎｇ Ｐｅｒ ｃｅｐｔｕａｌ Ｎｏｉｓｅ Ｃｒｉｔｅ ｖｉａ” Ｐ．314−323

Claims (3)

【特許請求の範囲】
1. 【請求項１】可聴音信号を表し、それぞれある時間イン
   ターバルの期間中に存在する複数のチャネル信号を処理
   する方法において、 各時間インターバルに対して、各チャネル信号のパワー
   スペクトル信号を生成するステップと、 前記パワースペクトル信号を組み合わせて、前記複数の
   チャネル信号のうちの第１のチャネル信号と、前記複数
   のチャネル信号のうちの少なくとも１つの他のチャネル
   信号とに依存する雑音マスキングしきい値を決定するス
   テップと、 前記雑音マスキングしきい値を使用して前記第１チャネ
   ル信号を処理するステップとからなることを特徴とする
   可聴音信号符号化方法。
2. 【請求項２】前記複数のチャネル信号が前記第１チャネ
   ル信号と第２チャネル信号とを含み、 前記第２チャネル信号と前記第１チャネル信号とに依存
   する第２雑音マスキングしきい値を決定するステップ
   と、 前記第２雑音マスキングしきい値を使用して前記第２チ
   ャネル信号を処理するステップとをさらに有することを
   特徴とする請求項１の方法。
3. 【請求項３】前記雑音マスキングしきい値に基づいて量
   子化レベルを決定するステップと、 前記量子化レベルに基づいて前記第１チャネル信号を量
   子化するステップとをさらに有することを特徴とする請
   求項１の方法。