语音编码应用与发展

主页（http://www.pttcn.net）：语音编码应用与发展

语音编码（speech coding）将模拟话音信号变为数字信号的过程。是数字通信中的一项重要技术。

目的 在保持一定的算法复杂程度和通信时延的前提下，运用尽可能少的信道容量传递尽可能高质量的语音。高质量低速率的语音编码技术在各类通信网中得到了广泛应用。近年来，为了适应数字移动通信网的发展，提出了一些适合移动信道的语言编码技术，主要包括欧洲GSM系统使用的规则脉冲激励长期预测编码（RPE-LTP）与美国提出的矢量和激励线性预测编码(VSELP)。

分类 语音编码技术通常分为3类：波形编码、参量编码和混合编码，其中波形编码和参量编码是2 种基本类型。

波形编码 将时间域信号直接变换为数字代码，其目的是尽可能精确地再现原来的话音波形。波形编码的基本原理是在时间轴上对模拟话音按一定的速率抽样，然后将幅度样本分层量化，并用代码表示。解码是其反过程，将收到的数字序列经过解码和滤波恢复成模拟信号。对于比特速率较高的编码信号（例如：从16～64 kbit/s），波形编码技术能够提供相当好的话音质量。但对于低速语音编码信号（即比特率低于16 kbit/s），波形编码的话音质量显著下降。 因而，波形编码在对信号带宽要求不太严格的通信中得到应用。但对频率资源相当紧张的移动通信来说，这种编码方式显然不适合。脉冲编码调制（PCM）和增量调制（ΔM）以及它们的各种改进型都属于波形编码技术。

参量编码 又称为声源编码，将信源信号在频率域或其他正交变换域中提取特征参量，并将其变换为数字代码进行传输；解码为其反过程,将接收到的数字序列经变换恢复特征参量，再根据特征参量重建语音信号。具体地说，声源编码以发音机制的模型作为基础，用一套模拟声带频谱特性的滤波器系数和若干声源参数来描述这个模型。在发送端从模拟话音信号中提取各个特征参量并进行量化编码，在接收端根据接收到的滤波器系数和声源参数恢复原来的语音。这种编码技术可实现低速率语音编码，比特速率可压缩到2 ～4.8 kbit/s）5，甚至更低，但语音质量只能达到中等。线性预测编码（LPC）及其各种改进型都属于参量编码。

混合编码 近年来提出的一类新的语言编码技术，它将波形编码和参量编码结合起来，力图保持波形编码的高质量的优点以及参量编码的低速率的优点。混合编码数字语音信号中既包括若干语音特征参量又包括部分波形编码信息。混合编码可将比特速率请压缩到4 ～16kbit/s，在8~16kbit/s范围内能达到良好的话音质量。规则码激励长期预测编码就是一种混合编码方案。可以看出，混合编码是适合于数字移动通信的语音编码技术。

要实现低速、高质量的语音编码，必须采用信息压缩技术。一般说来信息压缩技术可分为2类：波形处理技术和量化技术。波形处理技术的目标是消减语音波形的冗余度，包扩线性预测分析，频带分割、正交变换和分析合成等。量化技术的目标是在幅度量化上实现优化，包括自适应量化、自适应比特分配和矢量量化。典型的语音编码方式与信息压缩技术的关系如下图所示。

语音编码方式与信息压缩技术的关系框图

APC－自适应预测编码；ADPCM－自适应差分脉码调制；

APC-AB－带自适应比特分配的自适应预测编码；SBC－子带编码；

ATC－自适应变换编码；TC-WVQ－变换编码（波形矢量量化）；

MPC－多脉冲激励编码；CELP－码激励线性预测编码。

语音质量 在语音编码技术中，对语音质量的评价是一个重要问题。语音质量高低的直接感受是听者的主观感觉，所以要客观对语音质量进行测量是一个长期存在的难题。目前，广泛采用的评定方法是所谓主观评定等级（Subjective Opinion Scale），或称为平均评价得分（Mean Opinion Score,MOS）。其方法是，有数十名试听者在不同信道环境中试听并给予评分，然后对评分进行统计处理，求出平均得分，分数等级采用五级分制。需要指出的是，听者对语音质量的主观感觉往往是和其注意力集中的程度相联系的，因而，对应于主观评定等级，还有一个收听注意力等级（Listening Effort Scale）。

语音解码 在接收端将收到的数字还原为模拟话音的过程。语音解码的原理、方法和过程与语音编码相反。

语音编码技术的应用与发展

语音数字化的技术基本可以分为两大类：第一类方法是在尽可能遵循波形的前提下，将模拟波形进行数字化编码；第二类方法是对模拟波形进行一定处理，但仅对语音和收听过程中能时候到的语音进行编码。其中语音编码的三种最常用的技术是脉冲编码调制（PCM）、差分PCM（DPCM）和增量调制（DM）。通常，公共交换电话网中的数字电话都采用这三种技术。第二类语音数字化方法主要与用于窄带传输系统或有限容量的数字设备的语音编码器有关。采用该数字化技术的设备一般被称为声码器，声码器技术现在开始展开应用，特别是用于帧中继和IP上的语音。

除压缩编码技术外，人们还应用许多其它节省带宽的技术来减少语音所占带宽，优化网络资源。ATM和帧中继网中的静音抑制技术可将连接中的静音数据消除，但并不影响其它信息数据的发送。语音活动检测（SAD）技术可以用来动态的跟踪噪音电平，并为这个噪音电平设置一个享用的语音检测阀值，这样就使得语音／静音检测器可以动态匹配用户的背景噪声环境，并将静音抑制的可听度降到最小。为了置换掉网络中的音频信号，这些信号不再穿过网络，舒适的背景声音在网络的任一端被集成到信道中，以确保话路两端的语音质量和自然声音的连接。

语音编码技术的类别

语音编码方法归纳起来可以分成三大类：波形编码、信源编码、混合编码。

1．波形编码

波形编码比较简单，编码前采样定理对模拟语音信号进行量化，然后进行幅度量化，再进行二进制编码。解码器作数／模变换后再由低通滤波器恢复出现原始的模拟语音波形，这就是最简单的脉冲编码调制（PCM），也称为线性PCM。可以通过非线性量化，前后样值的差分、自适应预测等方法实现数据压缩。波形编码的目标是让解码器恢复出的模拟信号在波形上尽量与编码前原始波形相一致，也即失真要最小。波形编码的方法简单，数码率较高，在64kbit/s至32kbit/s之间音质优良，当数码率低于32kbit/s的时候音质明显降低，16 kbit/s时音质非常差。

2．信源编码

信源编码又称为声码器，是根据人的发生机理，在编码端对语音信号进行分析，分解成有声音和无声音两部分。声码器每隔一定时间分析一次语音，传送一次分析的的道德有／无声和滤波参数。在解码端根据接收的参数再合成声音。声码器编码后的码率可以做得很低，如1.2kbit/s、2.4kbit/s，但是也有其缺点。首先是合成语音质量较差，往往清晰度可以而自然度没有，难于辨认说话人是谁，其次是复杂度比较高。

3．混合编码

混合编码是将波形编码和声码器的原理结合起来，数码率约在4kbit/s—16kbit/s之间，音质比较好，最近有个别算法所取得的音质可与波形编码相当，复杂程度介乎与波形编码器和声码器之间。

上述的三大语音编码方案还可以分成许多不同的编码方案。

语音编码属性可以分为四类，分别是比特速率，时延、复杂性和质量。比特律是语音编码很重要的一方面。比特速率的范围可以是从保密的电话通信的2.4kbit/s到64kbit/s的G.711PCM编码和G.722宽带（7KHz）语音编码器。

脉冲幅度调制

数字化模拟波形的第一步建立一套用于输入信号波形抽样的离散时间集。一般的数字化技术是基于使用周期性，规律间隔抽样时间的。如果抽样发生足够频繁，原始波形就能够从抽样序列中完全恢复，使用低通滤波器在抽样值之间插入波形值或进行平滑。

脉冲编码调制

上文中讲述了脉冲幅度调制，使用离散抽样的时间以模拟抽样幅度来从不断变化的模拟信号中提取信息。脉冲编码调制是对PAM的扩展，这里每一个模拟抽样制备量化为代表某个数字编码的离散值。因此，PA M系统通过在信源端加上模拟－数字信号转换器就能够转化成为PCM系统。典型的量化过程是其中量化间隔中心的单个离散值表示。在这种方式中，量化过程对信号抽样值引入了一定程度的误差或失真。这种误差，就是所谓的量化噪声，可以通过建立大量小量化间隔来最小化。当然，随着量化数目的增加，需要唯一识别量化间隔的比特数也增加了。

差分脉冲编码

差分脉冲编码是专门设计充分利用在典型语音波形中抽样与抽样之间冗余的。因为抽样间差异的范围远小于单个抽样的范围，因此只需要更少的比特用于编码抽样间差异。抽样速率通常是与可比较的PCM系统一样的。因此在编码器中的带限滤波器和解码器中的平滑滤波器基本上与那些用在传统PCM系统中的滤波器是一样的。对DPCM编码器产生不同抽样的简单方法就是将前一个输入抽样直接存储在抽样保持电路中并使用模拟减法器来测试抽样变化。信号的变化于是被量化并被编码去传输。若采用DPCM结构，则更为复杂，当然，因为一个输入是由被编码的抽样间差异进行积分的反馈环路来重建的。实质上，反馈的信号是对输入信号的估计，该输入信号是通过对被编码的抽样间差异进行积分来获得的。因此用于在解码器中重建波形的反馈信号也是以同样的方式获得的。

增量调制

增量调制（DM）是又一种在语音波形中专门利用抽样与抽样之间冗余的数字化技术。实际上。DM能被认为是DPCM的一个特殊情况，差信号的每抽样仅使用1比特。唯一的1比特仅指出差异抽样的极性，因此指示出了信号从上个抽样开始时增加还是减少。对输入波形的大致近似在反馈通路中进行构建的，当差异为正的时侯通过上升一个量化阶，或当差异为负的时候，下降一个量化阶来进行。用这种方法，输入信号被按照上升或下降的序列以类似楼梯的方式来编码。反馈信号会向一个方向上升直到近似信号超过了输入信号，同时反馈会向反方向进行直到输入信号超过了近似信号。因此，当跟踪输入信号时，DM输出在输入波形附近来回跳动，运行通过平滑滤波器来精确的重建输入信号。

实现IP电话应用的关键技术

从最初的PC到PC的话音通信开始，IP电话已经逐步走向成熟。目前的IP电话业务主要借助于网关来实现。从技术的角度看，IP电话信息经过网关变成打包后的数据，通过IP网络舆到被叫一方的IP接入端，对端的网关接收到话音数据包后，进行处理后将数据还原成模拟信号，再送给电话听往筒或传真机。IP电话是计算机通信和电话通信相结合的产物，它涉及许多技术领域，其中最重要的包括以下几项技术。

语音压缩编码技术。1995年，国妹电联批准了一个被称为G.729的新的话音压缩标准。该标采用的算法，可以仅用8KBPS的带宽传输话音，话音质量与32KBPSADPCM(差分脉冲编码市制)相同。ADPCM在全球的公共电话网络中被用于提供长话级话音。此后，这一压缩话音标准又得到了进一步的优化改进。

话音优先级技术。话音通信是一种对实时性要求高的业务。目前，由于因特网是一个广域公用网，因此网上的各种实时或非实时应用都在占用带宽。为了能保证提供高度音质的IP电话通信，在广域网宽不足的IP网络上，一般需要话音优先技术。目前，很多IP网络的路由器都把话音包的优先级作为最高，这样，路由器一旦发现话音包，就会将它们插入到IP包队列的最前面优先发送。这样，网络的昝与抖动情况对话音通信的影响均将得到改善。另一种提高话音处理优先处理优先级的技术是资源预留协议(RSVP)，它专门为话音通信预留带宽。只要有话音呼叫请求，网络就根据规则为话音通信预留出设定带宽，直到通话结束，带宽才释放。

静音抑制技术。一般说来，人们在进行电话交谈时，很多情况下处于静音状态，例如，一方在讲话时，另一方在听，而且讲话过程中有大量显著的停顿。有关调查结果表明，在一路全双工电话交谈中，只有40%左右的信号是有效的。静音抑制技术会检测通话过程或传真过程中的安静时段，并在这些安静时段停止发送语音包。这样，大量的网络带宽节省下来用于其他话音或数据通信。

清除回声的技术。回声是在用户交换机或局用交换机一端，有少量未能被充分转换而且沿原路返回而形成的。如果呼叫方离交换机不远，回声返回很快，人耳听不出来，这种情况无关紧要。但要当回声返回时超过地10毫秒时，人耳就可听到明显的回声了。为了防止回声了。为了防止回声，一般需要回声消除技术，在处理器中有特殊的软件代码监听回声信号，并将它从听话人的语音信号中清除。对于IP电话设备，回声消除技术是十分重要的，因为一般IP网络的时延很容易就达到50毫秒。

处理话音抖动的技术。IP网络的一个特征就是网络延时与网络抖动，这可能导致IP电话音质下降。网络延时是指一个IP包在网络上传输平均所需的时间网络抖动是指IP包传输时间的长短时间的长短变化。当的各种因素造成的话音延时超过200毫秒时，通话双方一般就倾向于采用半双工的通话方式。

一方说完后另一方再说。另一方面，如果网络抖动较严重，那么有的话音包因迟到被丢弃，会产生话音的断续及部分失真，严重影响音质。为了防止这种抖动，很多公司采用了抖动缓冲技术，即在接收设定一个缓冲池中取出，解压，播放给受话者。这种缓冲技术可以在一定限度内有效地处理话音抖动，并提高音质。

小结

在IP、FR和ATM上传递语音时选择适当的语音编码技术，充分利用资源并最大限度的利用语音编码方案自身的技术特点是很重要的。语音压缩一般用来描述速率小于64kbit/s语音的数字化。一般情况下，启动时PCM的速率为64kbit/s，压缩后速率变小。在理想状态下，语音质量不会受到影响，但实际上还是会有一些影响，只不过用户不易察觉而已。没种语音压缩技术都具备各自的特点。目前的语音压缩标准，将语音业务在网络中所占带宽可以减少到80％，这样就为其它业务（如数据业务）在网上的传输提供了必要的带宽。动态压缩则比前者更进一步，它允许网络管理者对网络进行管理，并在业务增加时以每个连接提供合适的语音质量。

宽带资源的有限性和对宽带需求的增加，使得语音压缩技术成为分组网络实现语音业务的严峻挑战。将单一的网络合并成为一个整体结构，可以减少通信成本，提高效率，有利于网络资源的管理。其中关键环节就是如何将这些进行最有效的管理和应用，从而满足用户的各种要求。