基于melp的甚低速率语音编码算法分析

《基于melp的甚低速率语音编码算法分析》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、华北电力大学硕士学位论文1．2语音编解码技术发展状况目前对语音压缩编码技术的研究主要集中在低速率语音压缩编码上，期望在大大节省信道带宽的同时还保证语音质量。虽然随着大容量通信通道如光纤等宽带信道的孳

2、入，一段时闻案认兔语音压缩编码技术已没有研究的必要，僵实际上，光纤信道目前只是在骨干网上得到应用，在接入网和支线的大规模应用仍需要一段时闻，弗且无线信道的信道带宽始终是一个突出的目题【¨，因此对低速率语音压缩编码技术的研究是非常有必要的。随着人类对外太空的探索进一步深入，对无线通信技术的应用进一步广泛，对低速率语音压缩编码技术乃至甚低速

3、率的语音压缩编码技术的研究会进一步深入的开展。现代的语音压缩编码技术主要有三种，分别是波形编码、参数编码和混合编码；波形编码力图使重建的语音波形和原始语音波形一致。这种编码算法具有适应能力强、语音质量好、编码算法简单等优点，但编码速率高。最常用的波形编码技术￡2】有脉冲编码调制(PcM．PulseCo掘gModem)、自适应差分脉冲编码调制(ADPCM．AdaptiveDifjferencePulseCodingModem)和增量调制(△调制)等。参数编码剩震语音信号具有短时平稳性的特点，把语音信号分帻，在每一帧中提取它的模型参数进

4、行传送，在接收端再利用这些参数重建语音信号。用参数编码可以达到党较低的编码速率，可以在2．碡划s以下，但缺点是合成语音质量差，特别是自然度较低，男女声有时区分不出来，其MOS(MeanOpinionScore)分一般在3分以下，并且对环境噪声比较敏感。最流行的参数编码技术是线性预测编码(LPC．10)f3】a混合编码是将波形编码和参数编码两者结合起来，尽量保留波形编码和参数编码两者的优点，很好的解决了波形编码和参数编码的缺点，是近年来低速率语音压缩编码技术研究的重点。混合编码采用的方法的共同点是先进行线性预测(LP)分析，去掉语音的

5、相关性，再用合成分析法和感翱加权均方误差最小准则分析出合适豹警代残差信号的最佳激励信号源，最后对这些参数进行传送。由于它们的激励模型和误差计算与时域波形相联系，使合成语音具有较强的跟踪输入语音变化的能力，从而改善了合成语音的质量和抗噪声的能力。目前以混合编码技术为基础的主要压缩编码方案包括：多脉冲线性激励预测编码(MulliPulseLine皴PredictiveCodi觳g，MP．LPC)，欧洲GSM中的规则脉冲激励预测编码(RegularPulseExcitationCoding，RPE．LPC)，多带激励语音编码(MultiB

6、andExcitation，MBE)，码激励线性预测编码(CodeExcitedLinearprediction，eELP)，原型波形内插语音编码(prototypeW&vefo彻．Interpolation，PwI)和混合激励线性预测编码(MixedExcitationLinearPrediction，MEH．》等。2华北电力大学硕士学位论文下面对这几种典型的编码算法做一下简单的介绍。f1)线性预测编码算法(己PC)LPC模型是参数编码中的一个基本模型，它将语音分为清音和浊音两大类，在进彳亍清浊判决痿，分别以相应的激励信号通过全极

7、点系统来合成语音，LPC模型能在较低的速率上合成出可懂度较好的语音，因此1976年美国确定用LPC．10作为2．4kb／s速率上的语音通信标准【41。后来出现的MBE，CELP，MELP等低速率编码算法都以LPC为基本模型。利用LPC的算法可以合成清晰、可懂的语音，但是抗噪声能力和语音自然度有羁显欠缺。麴根结底其原因在于：算法采用二元亿的激励模型过于简单。在实际的语音残差信号中，相淌一部分既非周期信号又非随机噪声；或者其低频端是周期脉冲，高频端则是随机嗓声。酃使对于特征相当明显的浊音，完全由周期脉冲串产生激励也会有蜂鸣声等合成语音的

8、机械感。在这种情况下采用纯粹的二元激励代替残差信号，必然导致合成语音听起来不自然。为了改善语音质量，必然要对线性预测残差信号进行处理，这是此后出现的算法中不同激励模型(MBE、CELP、MELP等)的原始出发点。(2)多带激励语音编码(M8E)MBE算法是80年代由美囡麻省理工学院的D．W．Gri蚯n博士提出的【5l，它是基于语音产生模型改进的编码算法。MBE语音模型与传统的LPc语音模型不同，它的主要改进点是在激励源的模型构造上附加了自由度【61【71，即将每帧语音的短时谱按照其基簇划分为多个频带，对每个频带作清，浊判决，取彳弋了

9、"C语音模型中对每帧语音作单一清／浊判决的简单处理，提出了每帧语音的激励信号是由周期浊音和清音麓量混合丽成的，使褥MBE语音模型抗背景噪声的能力增强。经过MBE语音模型重建后的语音质量高于传统的LPC语音模型。MBE改进方案lMliI