Основным параметром речевого сигнала, возбуждающего звонкий звук, является разнос гармоник основно-го тона, а характеристики голосового тракта достаточно полно определяют-ся частотами формант.

Изложенное позволяет сделать вывод об удобстве частотного метода описания и преобразования речевых процессов на основе кратковременно-го спектрального анализа.

Рассмотрим основные принципы, положенные в основу построения орто-гональных вокодеров.

Запишем кратковременное пре-образование Фурье дискретизированного речевого процесса в виде

Здесь весовая функция, сдвига-емая во времени.

Соотношение (2.1) может быть пе-реписано в двух формах. Первая фор-ма имеет вид свертки

где - обозначает свертку.

Реализация (2.2) может быть представлена в виде рис. 2.2,а и озна-чает, что спектр речевого процесса со-ответствует свертке весовой функции с сигналом , промодулированным колебанием .

Другая форма записи (2.1) получается, если ее переписать в виде

Система (2.3) может быть реализована в виде, представленном на рис. 2.2,б и означает преобразование речевого сигнала полосовым фильтром центральной частотой щ и импульсной характеристикой .

Реализации, представленные на рис. 2.2,а,б, отличаются тем, что первом случае используется цифровой фильтр нижних частот с импульсной характеристикой , а во втором - полосовой фильтр, что удобно при параллельном измерении на нескольких частотах щ.

Используя алгоритмы БПФ, оценку кратковременного преобразования Фурье на равноотстоящих частотах можно записать в виде

где

Формулу (2.4) можно преобразовать к виду

где

можно рассматривать как характери-стику комплексного ПФ с центральной частотой .

Исходный речевой сигнал можно восстановить, сложив сигналы

на всех выходах гребенки ПФ так, что

Формула (2.4) является осно-вополагающим уравнением анализа с кратковременным преобразованием Фурье, а формула (2.6) - основным уравнением синтезатора.

В основе гомоморфных вокодеров лежит метод нелинейной (гомоморфной) фильтрации. Общая структу-ра гомоморфных систем, предназначенных для инверсной фильтрации речевых сообщений, представлена на рис. 2.4.

Свойства системы определяется соотношением , где и - Z-преобразования и соответственно.

Сигнал на выходе системы обычно называют комплексным кепстром. Система является линейной, а система - обратной к системе .

Удобства подобных преобразова-ний для анализа и синтеза рече-вых процессов обусловлены рядом свойств комплексного кепстра. В част-ности: комплексный спектр последова-тельностей, имеющих Z-преобразование, в основном сосредоточен вблизи нуля; последовательность, состоящая из равноотстоящих импульсов, имеет комплексный кепстр того же вида; для вычисления комплексного кепстра последовательности с мини-мальной фазой можно обойтись ло-гарифмом действительной, а не ком-плексной функции.

Выше было показано, что отрез-ки речевых сигналов могут быть пред-ставлены откликом линейной системы.

Так, в случае звонких звуков возбу-ждаемый сигнал имеет вид последова-тельности импульсов. В случае глу-хих звуков возбуждающий сигнал мо-жет быть смоделирован в виде шума.

Обычно предполагают, что пере-даточная функция линейной системы, имитирующей голосовой тракт, опи-сывается рациональной функцией Z. В результате, согласно перечисленным выше свойствам кепстра, комплексный кепстр импульсного отклика голосово-го тракта сосредоточен вблизи нуля.

В случае звонкого звука комплекс-ный кепстр возбуждающего сигнала состоит из импульсов, повторяющихся с периодом основного тона. То есть в случае звонкой речи комплексные кепстры возбуждающего сигнала и им-пульсного отклика голосового тракта занимают неперекрывающиеся времен-ные сигналы и могут быть извлечены из общего кепстра с помощью линей-ной системы L.

Механизм восстановления речево-го сигнала с помощью кепстров может быть пояснен следующим образом.

Поскольку спектр звонкого звука формируется умножением огибающей, характеризующей состояние голосово-го тракта, на функцию, описывающую тонкую структуру спектра возбужда-ющего сигнала, то логарифм спектра равен сумме логарифмов огибающей спектра и спектра возбуждающего сиг-нала.

Логарифм спектра возбуждающе-го сигнала изменяется с ростом часто-ты гораздо быстрее логарифма огиба-ющей спектра. Кроме того, он пери-одичен. В результате обратное пре-образование Фурье от логарифма оги-бающей спектра сконцентрировано по оси времени вблизи нуля, в то вре-мя как обратное преобразование от ло-гарифма спектра возбуждающего сиг-нала является линейчатым, отража-ющим его периодичность в частотной области.

Для выделения логарифма огиба-ющей спектра из полного спектра ло-гарифма его «взвешивают» окном, от-крытым только в начальном участке кепстра (вблизи нуля). Эту процедуру называют «сглаживанием кепстра».

В системе анализа-синтеза, осно-ванной на гомоморфной фильтрации, начальные значения кепстра служат параметрами, описывающими состоя-ние голосового тракта или огибающую спектра речевого процесса.

Значения кепстра при больших значениях времени используются для оценки параметров возбуждающего сигнала.

Таким образом, основная идея го-моморфной обработки заключается в разделении или обратной свертке сег-мента речевого сигнала с компонента-ми, представляющими собой импульс-ную характеристику и источник возбу-ждения. Это достигается путем линей-ной фильтрации обратного преобразо-вания Фурье логарифма спектра сигна-ла (кепстра). Гомоморфные вокодеры, как и любые другие вокодеры, в ко-торых осуществляется разделение па-раметров речи на сигнал возбуждения и параметры речевого тракта, позволя-ют достигнуть малой скорости переда-чи и дополнительной гибкости при об-работке речи ценой усложнения алго-ритмов преобразований.

При кодировании с линейным предсказанием моделируются различные параметры человеческой речи, которые передаются вместо отсчетов или их разности, требующих значительно большей пропускной способности канала. Следует заметить, что буферы, необходимые для хранения потоков данных, увеличивают задержку кодирова-ния.

Первые реализации LPC, такие как LPC-вокодер, были предназначены ля передачи данных на низких скоростях - 2,4 и 4,8 кбит/с. На скорости 2,4 кбит/с обеспечивался приемлемый уровень разборчивости речи, однако качество, естественность и узнаваемость речи недостаточны. Поскольку этот метод сильно зависит от точного воспроизведения человеческой речи, его реализации, такие как LPC-вокодер, не подходят для сигналов неречевого происхождения, например сигналов модема.

Широко используемый в настоящее время метод кодирования с линейным предсказанием работает с блоками отсчетов, для каждого из которых вычисляется и передается частота основного тона, его амплитуда и информация о типе возбуждающего воздействия.

Структура синтезатора речи с линейным предсказанием показана на рис. 2.5. Здесь управляющий вход или сигнал возбуждения смоделирован в виде последовательности импульсов на частоте основного тона (для вокализо-ванной речи) или случайный шум (для невокализированной речи).

Комбинированные спектральные составляющие потока от голосовых связок, голосового тракта и звукообра-зования за счет губ могут быть пред-ставлены цифровым фильтром с изме-няющимися параметрами и передаточ-ной функцией

где

Параметрами, характеризующими голосовой тракт, являются коэффици-енты знаменателя и масштабный мно-житель G.

Преобразуя уравнение (2.7) во вре-менную область, можно получить раз-ностное уравнение для импульсной ха-рактеристики , соответствующей :

Уравнение (2.8) называют раз-ностным уравнением LPC. Оно устана-вливает, что текущее значение выход-ного сигнала может быть опреде-лено суммированием взвешенного те-кущего входного значения и взвешен-ной суммы предыдущих выходных вы-борок. Следовательно, в LPC анализе проблема может быть сформулирова-на так: даны измерения сигнала, требуется определить параметры пере-даточной функции системы .

Линейное предсказание при ана-лизе речевых сигналов обычно исполь-зуется в двух направлениях. Одно из них - проведение кратковременно-го спектрального анализа речи. Вто-рое направление - построение систем анализа-синтеза.

Параметры, входящие в функцию предсказания, через формулу (2.7) определяют параметры передаточной функции голосового тракта. Может быть предложено несколько вариантов структуры анализатора, пригодных для построения синтезатора и реализующих передаточную функцию голосового тракта. Структуру прямой формы можно получить непосредственно по коэффициентам функции предсказания. С другой стороны, дробь (2.7) можно преобразовать в произведение и получить структуру каскадной формы.

Во всех случаях параметры синтезатора непрерывно обновляются при смене анализируемых кадров речи. Чтобы избежать эффектов, связанных со скачками значений параметров, необходимо плавно изменять параметры с помощью интерполяции при переходе от одного участка речи к другому. При прямой форме синтеза может возникать ситуация, соответствующая неустойчивому фильтру, хотя исходные значения относились к устойчивому фильтру. В каскадной структуре устойчивость обеспечивается проще.Определение параметров возбу-ждающего сигнала в системе анализа-синтеза с линейным предсказанием, как правило, основывается на иссле-довании сигнала ошибки, получаемого пропусканием исходного речевого сиг-нала через фильтр с характеристикой, обратной той характеристике, которая аппроксимирует передаточную функ-цию голосового тракта. Полученный сигнал ошибки является аппроксима-цией сигнала, возбуждающего речевое колебание. Для определения параме-тров возбуждающего сигнала можно применить один из известных алгорит-мов различения звонкой и глухой ре-чи, а также оценки периода основного тона, например на основе рассмотрен-ного выше корреляционного анализа сигналов во временной области.

При классификации методов ко-дирования речи на скоростях 4,8... ...16 кбит/с выделяют две основные группы -- методы анализа и синтеза (AaS -- Analysis-and-Synthesis) и ме-тоды анализа через синтез (AbS - Analysis-by-Synthesis). Хотя такие схе-мы AaS, как RELP, АРС, АТС и SBC успешно работают на скоростях 9,6... 16 кбит/с, при скоростях ниже 9,6 кбит/с они не могут обеспечивать хорошее качество речи. Это объясняется двумя причинами: 1) кодируе-мая речь не анализируется на предмет эффективности, т.е. не производится коррекция искажений в восстановлен-ной речи; 2) ошибки, накопленные в предыдущих фреймах, не учитывают-ся в момент анализа текущего фрейма и беспрепятственно переходят в следу-ющие фреймы. В схемах AbS, особенно в AbS-LPC, эти факторы, как правило, учтены. В этих схемах используется процедура оптимизации типа «замкну-тая петля» для нахождения возбужда-ющего сигнала, который при возбужде-нии моделирующего фильтра создает оптимальный речевой сигнал. Это по-зволяет схемам AbS более успешно ра-ботать на скоростях 4,8.. .9,6 кбит/с.

Методы AbS подходят не только для кодирования речи, но могут так-же использоваться для оценки и идентификации. Основная идея AbS такова. Во-первых, допускается, что сигнал можно исследовать и представить в какой-либо форме, например в виде временных или частотных доменов. Затем созданная модель сигнала подвергается оптимизации (подгонке), как показано на рис. 2.6.

Модель имеет несколько параметров, изменение которых приводит к изменению формы моделируемого сигнала. Для нахождения модели сигнала, которая имеет ту же форму, что и модель истинного сигнала, используют процедуры минимизации ошибки. Путем изменении параметров модели находят такой их набор, при котором синтезированный сигнал с минимальной погрешностью совпадает с реальным. Следовательно, когда достигнуто такое совпадение, параметры модели принимаются за параметры истинного сигнала.

Базовая структура системы кодирования AbS-LPC представлена на рис. 2.7. В этой модели есть три компонента, которые можно изменять, добиваясь максимального подобия синтезированного сигнала с исходным:

1) нестационарный фильтр;

2) возбуждающий сигнал;

3) процедура минимизации, основанная на восприятии.

Так как эта модель требует ча-стого обновления параметров для по-лучения хорошего совпадения с исход-ным сигналом, процедура анализа вы-полняется поблочно, т.е. входной рече-вой сигнал разбивается на блоки вы-борок. Длина анализируемых блоков (фреймов) и периодичность их обно-вления определяют скорость передачи (емкость) схемы кодирования. Алго-ритм работы AbS-LPC следующий:

1. Инициализировать LPC и то-нальный фильтры (нестационарные фильтры), т.е. установить уровень ну-ля или минимального случайного шу-ма;

2. Фрейм выборок речи заносится в буфер и на основании LPC-анализа вычисляется набор LPC-коэффициентов;

3. Используя вычисленные LPC-коэффициенты, формируется инверс-ный LPC-фильтр для вычисления пер-вого восстановленного после квантова-ния остатка. Если для поиска подхо-дящего тона используется «замкнутая петля», надобность в этом шаге отпа-дает.

4. Так как LPC фрейм обычно слишком велик для эффективного ана-лиза, при определении возбуждения фрейм разделяется на целое число подфреймов;

5. Для каждого подфрейма:

а) рассчитываются параметры тонального фильтра (долгосрочного предсказателя), такие, как задержка и связанный с ней коэффициент мас-штабирования;

б) тональный фильтра вместе с LPC-фильтром образуют каскадный фильтр, с помощью которого опре-деляется наилучшее вторичное возбу-ждение, т.е. такое, которое минимизи-рует разницу между синтезированной и исходной речью.

6. Окончательно синтезирован-ная речь получается при пропускании оптимального вторичного возбуждения через каскадный фильтр, параметры которого остались от синтеза предыду-щего подфрейма.

7. Повторение шагов 2-6 для сле-дующего фрейма последовательности.

Таким образом, и на стороне коде-ра, и на стороне декодера синтезирует-ся речь, что необходимо для обновле-ния содержимого памяти нестационар-ных фильтров. В результате и кодер, и декодер имеют идентичное содержа-ние памяти. В противном случае для общей синхронности содержимое памя-ти пришлось бы передавать на деко-дер. Действительно, главный вопрос в схемах AbS-LPC -- как сохранить это одинаковое состояние в кодере и деко-дере, когда средства передачи несовер-шенны, например, в системах подвиж-ной радиосвязи, где очень высока доля ошибок.

Может показаться, что схема AbS-LPC не является полноценной схемой «анализа через синтез». Это связа-но с тем, что в действительности про-цедуры последовательны, т.е. сначала вычисляются параметры фильтра, ко-торые фиксируются, и только затем следует вычисление методом «анали-за через синтез» вторичного возбужде-ния. Хотя вторичное возбуждение вы-полняется по исходному сигналу, оно ограничено оптимальностью использу-емых фильтров. Поэтому, в идеале, требуется наилучшая комбинация как возбуждения, так и фильтров, которая означает одновременную оптимизацию всех параметров. Эта процедура очень сложна, насыщена вычислениями, по-этому ее обычно разбивают на после-довательные этапы.

Главное отличие классических во-кодеров от кодеров AbS-LPC состоит в том, что в классических вокодерах воз-буждение разделяется на вокализован-ные (импульсное возбуждение) и не-вокализованные (возбуждение случай-ным шумом), что является первопри-чиной точности модели. В AbS-LPC такое деление не явно, и поэтому воз-буждающий сигнал может носить лю-бой характер -- от псевдоимпульсного до шумоподобного, что позволяет син-тезировать речь более высокого каче-ства.

Когда набор значений амплитуд, дискретизированных по времени, кван-туется совместно как единичный век-тор, такой процесс называется век-торным квантованием (VQ - vector quantisation), известный также как блочное квантование.

Будем считать, что N-мерный вектор с дей-ствительными значениями («т» озна-чает транспонирование); - случайным образом меняющий-ся компонент с непрерывной амплиту-дой. При векторном квантовании век-тору ставится в соответствие другой N-размерный вектор , имеющий дей-ствительные значения и дискретную амплитуду. Таким образом, кванту-ется как . Другими словами, ис-пользуется для представления .

Обычно выбирается из конечного набора значений , где - размер кодовой книги, а - набор векторов кодовой книги. Набор Y называется кодовой книгой или шаблоном.

Размер кодовой книги можно счи-тать равным числу уровней скалярных квантователей. Для создания подоб-ной кодовой книги N-размерное про-странство разделяется на L областей или ячеек , и вектор однозначно связывается с ячейкой . Квантователь обозначается вектором кодовой книги , если находит-ся в :

, если .

Процесс создания кодовой книги известен также как «обучение» или «настройка» кодовой книги. В каче-стве примера на рис. 2.9 иллюстриру-ется разделение двумерного простран-ства (N = 2) для целей векторно-го квантования. Область, обведенная жирной линией, -- ячейка . При векторном квантовании любой входной вектор , лежащий в ячейке , кван-туется как . Другие векторы кодовой книги, соответствующие другим ячей-кам, показаны точками.

Если размер вектора , век-торное квантование трансформируется в скалярное квантование. Скалярное квантование имеет особое свойство, за-ключающееся в том, что хотя ячейки могут иметь разные размеры (размеры ступеней), все они имеют одинаковую форму. Однако при векторном кванто-вании ячейки в двух измерениях могут иметь разные формы, что дает векторному квантованию преимущество над скалярным квантованием.

Гибридные кодеры

Чтобы избавиться от недостатков кодеров формы и вокодеров, был раз-работан гибридный метод кодирова-ния, объединяющий преимущества обоих методов. По виду анализа гибрид-ные кодеры подразделяются на два класса: с частотным разделением и временным разделением.

Главная концепция кодирования с частотным разбиением состоит в раз-делении речевого спектра на частот-ные полосы или компоненты. Со-ответственно могут использоваться либо набор фильтров, либо блок-преобразователь. После кодирования и декодирования эти составляющие ис-пользуются для точного воспроизве-дения модели входного сигнала путем суммирования сигналов, полученных на выходе фильтров, или инверсных значений, полученных после преобра-зования. Главное допущение при ко-дировании с частотным разбиением со-стоит в том, что сигнал, подвергаемый кодированию, очень медленно изменя-ется во времени и может быть описан мгновенным спектром. Это связано с тем, что в большинстве систем, а осо-бенно в системах реального времени, в текущий момент доступен только крат-ковременный сегмент входного сигна-ла.

В случае использования набора фильтров частота щ фиксирована, так что , а сигнал частотного доме-на представляет собой сигнал на выходе постоянного во времени ли-нейного фильтра с импульсной харак-теристикой , возбуждаемого моду-лированным сигналом :

где определяет ширину полосы ре-чевого сигнала вокруг централь-ной частоты и является импульс-ной характеристикой анализирующе-го фильтра; знак означает свертку функций.

При использовании блока, реали-зующего преобразование Фурье, вре-менной индекс h фиксируется на зна-чении h = ho, a представляет собой обычное преобразование Фурье взвешенной последовательности :

где - преобразование Фурье.

Здесь определяет отрезок времени анализа относительно момен-та времени h = ho и является «окном анализа» .

Уравнение синтезирующего набо-ра фильтров

может быть представлено как инте-грал (или сумма) компонентов - крат-ковременных спектров с не-сущими частотами .

Для синтеза с помощью блока пре-образования уравнение выглядит сле-дующим образом:

Его можно интерпретировать как сум-му инверсных преобразований Фурье, примененных к временным сигналам .

Метод кодирования CELP основан на линейной авторегрессионной моде-ли процесса формирования и воспри-ятия речи и входит в группу мето-дов анализа через синтез, реализую-щих современные и эффективные ал-горитмы информационного сжатия ре-чевых сигналов. Алгоритмы данного класса занимают промежуточное поло-жение между кодерами формы сигна-ла, в которых сохраняется форма коле-бания речевого сигнала в процессе его дискретизации и квантования, и пара-метрическими вокодерами, основанны-ми на процедурах оценки и кодирова-ния небольшого числа параметров ре-чи, объединяя преимущества каждого из них.

Линейная авторегрессионная мо-дель процесса формирования речевых сигналов с локально постоянными на интервалах 10. . .30 мс параметрами получила в настоящее время наиболь-шее распространение. Для этой моде-ли

где М -- порядок модели; - последовательность отсчетов речево-го сигнала; - коэффициенты линейного предсказания, характери-зующие свойства голосового тракта; - порождающая последователь-ность или сигнал возбуждения голосо-вого тракта.

Авторегрессионная модель речево-го сигнала описывает его с достаточ-но высокой степенью точности и по-зволяет применять развитый матема-тический аппарат линейного предска-зания. При этом обеспечивается более высокое качество декодированной ре-чи, устойчивость к входному акустиче-скому шуму и ошибкам в канале свя-зи по сравнению с системами с иными принципами кодирования.

В рамках данной модели наибо-лее перспективными методами кодиро-вания считаются методы «анализа че-рез синтез» с использованием многоимпульсного возбуждения. Новизна мно-гоимпульсного возбуждения заключа-ется в том, что в сигнале остатка ли-нейного предсказания выбираются та-кие его значения, которые наиболее важны для повышения качества синте-зированной речи. При этом использу-емая в процедуре анализа через син-тез схема кодирования, помимо учета ошибок квантования, включает крите-рии субъективной оценки качества ре-чевого сигнала, что обеспечивает есте-ственное звучание синтезированной ре-чи.

При многоимпульсном возбужде-нии сигнал остатка линейного предска-зания представляется в виде последо-вательности импульсов с неравномер-но распределенными интервалами и с различными амплитудами (около 8-10 импульсов за 10 мс). Амплитуды и по-ложение этих импульсов определяют-ся на покадровой основе (кадр за ка-дром). Основным преимуществом мно-гоимпульсного возбуждения является то, что она определяется для любого речевого сегмента и при этом не тре-буется знаний ни о вокализованности данного сегмента, ни о периоде основ-ного тона.

Методы анализа через синтез ис-пользуют синтезатор (декодер) ре-чевого сигнала как составную часть устройства кодирования. При этом задача анализа сводится к процедуре оценки передаваемых в канал связи па-раметров речи, проводимой в соответ-ствии с некоторым критерием рассо-гласования между исходным и декоди-рованным сигналами. Для учета спе-цифики слухового восприятия в каче-стве критерия рассогласования обычно используется взвешенная по частоте квадратическая ошибка

где и - преобразование Фу-рье исходного и синтезированного ре-чевых сигналов; - весовая функ-ция. Принимая во внимание важ-ность для восприятия речи не только формант, но и межформантных обла-стей, для алгоритмов анализа речи че-рез синтез в качестве эталонной была предложена весовая функция следую-щего вида:

где - передаточная харак-теристика синтезирующего фильтра; г - параметр, регулирующий энер-гию ошибки или шум квантования. Фактически при таком окне взвешива-ния подчеркивается ошибка в межфор-мантных областях и тем самым обеспе-чивается более равномерное по часто-те распределение отношения мощности полезного сигнала к мощности ошибки кодирования.

В алгоритмах кодирования с «анализом через синтез» повышение эффективности информационного уплотнения речевых сигналов производится, преимущественно, за счет сокращения избыточности последовательности x(h), которая осуществляет возбуждение синтезирующего фильтра линейного предсказания, формирующего огибающую сигнала, с коэффициентом передачи

Для этой цели применяется также дополнительный фильтр с характеристикой

с коэффициентом предсказания и задержкой на период основного тона T. Фильтр выполняет функции генератора квазипериодических колебаний голосовых связок при произношении вокализованных звуков.

Страницы: 1, 2, 3