Кодирование с линейным прогнозированием - Linear predictive coding

Кодирование с линейным прогнозированием (LPC) - метод, используемый в основном в обработка аудиосигнала и обработка речи для представления спектральная огибающая из цифровой сигнал из речь в сжатый форме, используя информацию линейный прогнозная модель.[1][2] Это один из самых мощных методов анализа речи и один из самых полезных методов кодирования речи хорошего качества с низкой скоростью передачи данных, обеспечивающий высокоточные оценки параметров речи. LPC - наиболее широко используемый метод в кодирование речи и синтез речи.

Обзор

Основная статья: Модель источника-фильтра при воспроизведении речи

LPC начинается с предположения, что речевой сигнал генерируется зуммером на конце трубки (для озвучен звуки), иногда добавлялись шипящие и хлопающие звуки (для безмолвный такие звуки как шипящие и взрывчатые вещества ). Несмотря на кажущуюся грубость, эта модель на самом деле является близким приближением к реальности производства речи. В голосовая щель (пространство между голосовыми связками) производит гудение, которое характеризуется его интенсивностью (громкость ) и частота (подача). В голосовой тракт (горло и рот) образует трубку, которая характеризуется своими резонансами; эти резонансы вызывают форманты, или расширенные полосы частот производимого звука. Шипение и хлопки производятся языком, губами и глоткой во время свистящих и взрывных звуков.

LPC анализирует речевой сигнал, оценивая форманты, удаляя их эффекты из речевого сигнала и оценивая интенсивность и частоту оставшегося шума. Процесс удаления формант называется обратной фильтрацией, а оставшийся сигнал после вычитания отфильтрованного смоделированного сигнала называется остатком.

Числа, которые описывают интенсивность и частоту гудения, форманты и остаточного сигнала, могут быть сохранены или переданы в другое место. LPC синтезирует речевой сигнал, обращая процесс: используйте параметры гудения и остаток для создания исходного сигнала, используйте форманты для создания фильтра (который представляет трубку) и пропустите источник через фильтр, что приведет к речи.

Поскольку речевые сигналы меняются со временем, этот процесс выполняется на коротких фрагментах речевого сигнала, которые называются кадрами; обычно от 30 до 50 кадров в секунду дает разборчивую речь с хорошим сжатием.

Ранняя история

Линейное предсказание (оценка сигнала) восходит как минимум к 1940-м годам, когда Норберт Винер разработал математическую теорию для расчета лучших фильтры и предикторы для обнаружения сигналов, скрытых в шуме.[3][4] Вскоре после Клод Шеннон создал общая теория кодирования работа по предиктивному кодированию выполнялась К. Чапин Катлер[5], Бернард М. Оливер[6] и Генри К. Харрисон[7]. Питер Элиас в 1955 г. опубликовал две статьи по предсказательному кодированию сигналов.[8][9]

Линейные предикторы применялись к анализу речи независимо Фумитада Итакура из Нагойский университет и Сюдзо Сайто из Nippon Telegraph and Telephone в 1966 г. и в 1967 г. Бишну С. Атал, Манфред Р. Шредер и Джон Бург. Итакура и Сайто описали статистический подход, основанный на оценка максимального правдоподобия; Атал и Шредер описали адаптивный линейный предсказатель подход; Бург изложил подход, основанный на принцип максимальной энтропии.[4][10][11][12]

В 1969 году Итакура и Сайто представили метод, основанный на частичная корреляция (ПАРКОР), Глен Каллер предложенное кодирование речи в реальном времени, и Бишну С. Атал представил речевой кодер LPC на Ежегодном собрании Акустическое общество Америки. В 1971 году LPC в реальном времени с использованием 16-битного оборудования LPC был продемонстрирован Филко-Форд; было продано четыре единицы.[13]Технологию LPC разработали Бишну Атал и Манфред Шредер в течение 1970–80-х гг.[13] В 1978 году Атал и Вишванатх и другие. BBN разработали первые переменная ставка Алгоритм LPC.[13] В том же году Атал и Манфред Р. Шредер в Bell Labs предложили выступить с речью LPC кодек называется адаптивное кодирование с предсказанием, который использовал психоакустический алгоритм кодирования, использующий маскирующие свойства человеческого уха.[14][15] Позже это стало основой для перцептивное кодирование техника, используемая MP3 сжатие звука формат, представленный в 1993 году.[14] Линейное предсказание с кодовым возбуждением (CELP) был разработан Шредером и Аталом в 1985 году.[16]

LPC - основа для передача голоса по IP (VoIP) технология.[13] В 1972 г. Боб Кан из ARPA, с Джимом Форги (Лаборатория Линкольна, LL) и Дэйв Уолден (BBN Technologies ), положила начало первым разработкам в области пакетной речи, которые в конечном итоге привели к технологии передачи голоса по IP. Согласно неофициальной истории Лаборатории Линкольна, в 1973 году Эд Хофстеттер реализовал первый LPC в реальном времени со скоростью 2400 бит / с. В 1974 году была осуществлена ​​первая двусторонняя пакетная речевая связь LPC в реальном времени через ARPANET на скорости 3500 бит / с между лабораторией Каллер-Харрисон и лабораторией Линкольна. В 1976 году прошла первая конференция LPC по ARPANET с использованием Сетевой голосовой протокол, между Каллером-Харрисоном, ISI, SRI и LL со скоростью 3500 бит / с.[нужна цитата ]

Представления коэффициента LPC

LPC часто используется для передачи информации о спектральной огибающей, и поэтому он должен быть устойчивым к ошибкам передачи. Прямая передача коэффициентов фильтра (см. линейное предсказание для определения коэффициентов) нежелательно, так как они очень чувствительны к ошибкам. Другими словами, очень маленькая ошибка может исказить весь спектр или, что еще хуже, небольшая ошибка может сделать фильтр предсказания нестабильным.

Существуют более сложные представления, такие как соотношение площадей бревен (LAR), спектральные пары линий (LSP) разложение и коэффициенты отражения. Среди них особенно популярно разложение LSP, поскольку оно обеспечивает стабильность предсказателя, а спектральные ошибки являются локальными для малых отклонений коэффициентов.

Приложения

LPC - наиболее широко используемый метод в кодирование речи и синтез речи.[17] Обычно он используется для анализа речи и ресинтеза. Телефонные компании используют его как форму сжатия голоса, например, в GSM стандартный, например. Он также используется для безопасный беспроводной, где голос должен быть оцифрованный, зашифрованный и отправляется по узкому голосовому каналу; ранним примером этого является правительство США Навахо I.

Синтез LPC может быть использован для построения вокодеры где музыкальные инструменты используются в качестве возбуждающего сигнала для изменяющегося во времени фильтра, оцениваемого по речи певца. Это довольно популярно в электронная музыка.Пол Лански сделал известное компьютерное музыкальное произведение не просто больше с использованием кодирования с линейным прогнозированием. [1] LPC 10-го порядка использовались в популярных 1980-х. Говорите и говорите обучающая игрушка.

Предикторы LPC используются в Сокращать, MPEG-4 ALS, FLAC, ШЕЛК аудиокодек, и другие без потерь аудиокодеки.

LPC уделяется некоторое внимание как инструменту для тонального анализа скрипок и других струнных музыкальных инструментов.[18]

Смотрите также

Рекомендации

  1. ^ Дэн Ли; Дуглас О'Шонесси (2003). Обработка речи: динамический подход, ориентированный на оптимизацию. Марсель Деккер. С. 41–48. ISBN  978-0-8247-4040-5.
  2. ^ Бейги, Хомаюн (2011). Основы распознавания говорящего. Берлин: Springer-Verlag. ISBN  978-0-387-77591-3.
  3. ^ Б.С. Атал (2006). «История линейного предсказания». 23 (2). Журнал обработки сигналов IEEE: 154–161. Цитировать журнал требует | журнал = (помощь)
  4. ^ а б Ю. Сашахира; С. Хашимото (1995). "Изменение высоты голоса с помощью метода линейного прогнозирования для сохранения личного тембра певца" (PDF). Цитировать журнал требует | журнал = (помощь)CS1 maint: использует параметр авторов (связь)
  5. ^ US2605361A, К. К. Катлер, "Дифференциальное квантование сигналов связи" 
  6. ^ Б. М. Оливер (1952). «Эффективное кодирование». 31 (4). Nokia Bell Labs: 724–750. Цитировать журнал требует | журнал = (помощь)
  7. ^ Х. К. Харрисон (1952). «Эксперименты с линейным предсказанием на телевидении». 31. Технический журнал Bell System: 764–783. Цитировать журнал требует | журнал = (помощь)
  8. ^ П. Элиас (1955). «Предиктивное кодирование I». ИТ-1 № 1. IRE Trans. Информ.теория: 16–24. Цитировать журнал требует | журнал = (помощь)
  9. ^ П. Элиас (1955). «Предиктивное кодирование II». ИТ-1 № 1. IRE Trans. Сообщить. Теория: 24–33. Цитировать журнал требует | журнал = (помощь)
  10. ^ С. Сайто; Ф. Итакура (январь 1967 г.). «Теоретическое рассмотрение статистического оптимального распознавания спектральной плотности речи». J. Acoust. Soc.Japan. Цитировать журнал требует | журнал = (помощь)CS1 maint: использует параметр авторов (связь)
  11. ^ Б.С. Атал; М.Р. Шредер (1967). «Предиктивное кодирование речи». Конф. Связь и пр. Цитировать журнал требует | журнал = (помощь)CS1 maint: использует параметр авторов (связь)
  12. ^ Дж. П. Бург (1967). «Спектральный анализ максимальной энтропии». Труды 37-го собрания Общества исследователей геофизики, Оклахома-Сити. Цитировать журнал требует | журнал = (помощь)
  13. ^ а б c d Грей, Роберт М. (2010). "История цифровой речи в режиме реального времени в пакетных сетях: Часть II линейного прогнозного кодирования и Интернет-протокола" (PDF). Найденный. Тенденции сигнального процесса. 3 (4): 203–303. Дои:10.1561/2000000036. ISSN  1932-8346.
  14. ^ а б Шредер, Манфред Р. (2014). "Bell Laboratories". Акустика, информация и связь: Мемориальный том в честь Манфреда Р. Шредера. Springer. п. 388. ISBN  9783319056609.
  15. ^ Атал, Б .; Шредер, М. (1978). «Прогнозирующее кодирование речевых сигналов и критерии субъективной ошибки». ICASSP '78. Международная конференция IEEE по акустике, речи и обработке сигналов. 3: 573–576. Дои:10.1109 / ICASSP.1978.1170564.
  16. ^ Шредер, Манфред Р.; Атал, Бишну С. (1985). «Линейное предсказание с кодовым возбуждением (CELP): высококачественная речь при очень низкой скорости передачи данных». ICASSP '85. Международная конференция IEEE по акустике, речи и обработке сигналов. 10: 937–940. Дои:10.1109 / ICASSP.1985.1168147. S2CID  14803427.
  17. ^ Гупта, Шипра (май 2016 г.). «Применение MFCC в распознавании независимого говорящего по тексту» (PDF). Международный журнал перспективных исследований в области компьютерных наук и программной инженерии. 6 (5): 805-810 (806). ISSN  2277-128X. S2CID  212485331. Получено 18 октября 2019.
  18. ^ Тай, Хван-Цзин; Чунг, Дай-Тин (14 июня 2012 г.). «Скрипки Страдивари демонстрируют формантные частоты, напоминающие гласные, воспроизводимые женщинами». Журнал Savart. 1 (2).

дальнейшее чтение

внешняя ссылка