2.5.8. Полноскоростной кодер rpe-ltp (стандарт gsm 06.10)

Р ассмотрим некоторые примеры реализации гибридных алгоритмов сжатия речевых сигналов, используемых в современных системах телекоммуникаций. Наиболее известным и распространенным из них на сегодняшний день является метод полноскоростного кодирования (13.6 кбит/с) речи RPE-LTP (Regular Pulse Excited Long Term Predictor – линейное предсказание с возбужде­нием регулярной последовательностью импульсов и долговремен­ным предсказателем), используемый в системе сотовой связи GSM (стандарт GSM 06.10). Упрощенная блок-схема кодера/декодера показана на рис. 2.29.

Рис. 2.29

Кодирование

1. Непрерывный речевой сигнал дискретизуется с частотой 8 кГц и оцифровывается с равномерным законом квантования и разрядностью 13 бит/отсчет (количество уровней квантования M = ±4096 = 2¹³, уровень нумов квантования D_{q db} = 10 ∙ lg 1/12 ∙ 2 ^-2R = – 6 ∙13 – 10,8 дБ ≈ –90 дБ).

2. Для повышения разборчивости речи осуществляется предыскажение входного сигнала с помощью цифрового фильтра, подчеркивающего верхние частоты.

3. Непрерывная последовательность отсчетов разбивается на сегменты по 160 отсчетов (длительностью 160 ∙ 1/8 кГц = 20 мс).

4. Производится “взвешивание” каждого из сегментов окном Хэмминга – “коси­нус на пьедестале”, при этом амплитуда сигнала внутри сегмента плавно спадает от центра окна к краям. Это делается, чтобы не было резких разрывов сигнала на краях сегментов.

5. Для каждого 20-миллисекундного сегмента (160 “взвешенных” отсчетов сигнала) оценива­ются параметры фильтра кратковременного линейного предсказа­ния. Оптимальные коэффициенты фильтра кратковременного линейного предсказания a_k находятся путем решения системы линейных уравнений вида (системы нормальных уравнений Юли–Волкера):

a _k R(k – l) = R(l), l = 1, 2, 3, …, M, M = 8, (2.30)

которая в матричной форме записывается следующим образом:

(2.31)

Здесь R(0)…R(M) – значения кратковременной автокорреляционной функции речевого сигнала, вычисленные по его отсчетам на текущем сегменте

, , N = 160 , M = 8. (2.32)

6. Используя полученные коэффициенты фильтра кратковременного предсказания, производится фильтрация текущего речевого сегмента (160 отсчетов) фильтром-анализатором кратковременного предсказания (инверсным фильтром) с передаточной характеристикой

, (2.33)

на выходе которого получается остаток (ошибка) кратковременного предсказания (160 отсчетов ошибки кратковременного предсказания). При этом из-за наличия в речевом сигнале долговременной повторяемости (периодичности), обусловленной гласными звуками, в ошибке кратковременного предсказания остаются периодические всплески достаточно большой амплитуды (см. рис. 2.27). Для их устранения (уменьшения) используется долговременное линейное предсказание.

7. Вычисление параметров фильтра долговременного линейного предсказания с передаточной характеристикой вида

. (2.34)

Сегмент остатка кратковременного линейного предсказания (160 отсчетов) разбивается на четыре подсегмента размером по 40 отсчетов, и параметры долговременного предсказания – коэффициент предсказания G и задержка D – оцениваются для каждого подсегмента в отдельности. Укорочение интервала анализа долговременного предсказания обусловлено тем, что параметры сигнала возбуждения (с которыми связана его периодичность) изменяются гораздо быстрее, чем параметры голосового тракта (которые вошли в коэффициенты кратковременного линейного предсказания a_k). В каждом подсегменте находится параметр задержки D (период основного тона, определяемый как среднее расстояние между периодическими всплесками автокорреляционной функции остатка кратковременного предсказания) и коэффициент предсказания G (определяемый как наклон огибающей автокорреляционной функции остатка кратковременного предсказания). При этом параметр задержки D для текущего подсегмента вычисляется путем сглаживания (усреднения) текущего значения D и трех предшествующих ему значений (определенных на трех предыдущих подсегментах).

8. Сигнал остатка кратковременного линейного предсказания (подсегмент длительностью в 40 отсчетов) фильтруется фильтром-анализатором долговременного линейного предсказания (2.34) с параметрами G и D, найденными для этого подсегмента, и на его выходе получается остаток долговременного и кратковременного предсказаний . Далее по этому сигналу будут находиться параметры сигнала возбужде­ния (отдельно для каждого из подсегментов).

9. Сигнал возбуждения одного подсегмента состоит из 13 им­пульсов, следующих через равные промежутки времени (втрое реже, чем интервал дискретизации исходного сигнала) и име­ющих различные амплитуды. Для формирования сигнала возбуж­дения 40 отсчетов подсегмента остатка обраба­тываются следующим образом. Последний (40-й) отсчет отбрасывается, а первые 39 отсчетов прореживаются – разбиваются на три подпосле­довательности: в первую включаются 1, 4, ..., 37-й отсчеты, во вторую – отсчеты с номерами 2, 5, ..., 38, в третью – отсчеты с номерами 3, 6, ..., 39. В качестве сиг­нала возбуждения выбирается та из подпоследовательностей, энергия которой больше. Амплитуды импульсов нормируются по отноше­нию к импульсу с наибольшей амплитудой, и кодируются тремя битами каждая (с линейным законом квантования). Абсолютное значение наибольшей амплитуды коди­руется шестью битами в логарифмическом масштабе. Положение первого импульса 13-элементной последовательности кодиру­ется двумя битами, т.е. фактически кодируется номер последовательности, выбранной в качестве сигнала возбуждения для данного подсегмента.

Таким образом, результат работы кодера для од­ного 20-милисекундного сегмента речи включает в себя:

– параметры фильтра кратковременного линейного пред­сказания – 8 коэффициентов на сегмент, кодируется 36 битами;

– параметры фильтра долговременного линейного предсказания – коэффициент предсказания G и задержка D – для каждого из четырех подсегментов; эти параметры вместе кодируются 36 битами;

– параметры сигнала возбуждения – номер подпоследователь­ности n, максимальная амплитуда v, нормированные амп­литуды , i = 1...13 импульсов последовательности – для каждого из четырех подсегментов; все вместе кодируются 188 битами.

Итого на 20-милисекундный сегмент речи получается 260 бит. При этом коэффициент сжатия сегмента (по сравнению с ИКМ-64) составляет (160 отсчетов∙8 бит/отсчет)/260 бит = = 4,92 ≈ 5.

Декодирование

Последовательность выполняемых декодером функций понятна из нижней части блок-схемы рис. 2.29. Ограничимся небольшими пояснениями. Блок формиро­вания сигнала возбуждения, используя принятые параметры сигна­ла возбуждения, восстанавливает 13-импульсную последовательность сигнала возбуждения для каждого из подсегментов сигнала речи, включая амплитуды импульсов и их расположение во време­ни. Сформированный таким образом сигнал возбуждения фильтру­ется фильтром-синтезатором долговременного предсказания, на выходе которого получается восстановленный остаток кратковременного предсказания. Последний фильтруется фильтром-синтезато­ром кратковременного предсказания. Выходной сигнал фильтра-синтезатора кратковременного предсказания (а это уже почти синтезированный речевой сигнал) фильтруется цифровым фильтром НЧ, компенсирующим предыскажение, внесен­ное входным фильтром блока предварительной обработки кодера. Сигнал с выхода НЧ постфильтра является восстановленным цифро­вым сигналом речи.

Все перечисленные процедуры, несмотря на их кажущуюся сложность, тем не менее, выполняются в реальном масштабе времени процессором обработки речи, реализованным аппаратно-программно в мобильном телефоне стандарта GSM.