多帶激勵MBE譜幅度估計與參數編解碼方案研究

李建鋒，唐斌

（1.北京工商大學北京102488；2.總裝備部通信研究所北京101416）

隨著多帶激勵MBE模型的成功運用，MBE語音編解碼算法也日新月易。在提高話音質量的同時，編碼速率也在不斷地降低，從最初的8 kb/s，已經能降到1.2 kb/s，甚至會更低[1-4]。目前比較實用的MBE算法是IMBE（Improved MBE）算法[5-6]和AMBE（Advanced MBE）算法。1997年美國DVSI公司開發了3.6 kb/s AMBE編碼算法，在此基礎上生產了語音編碼芯片AMBE-1000TM[7]，并取得了廣泛應用；IMBE算法也是由DVSI公司開發，碼速率為4.15 kb/s，其優良的特性在商業化過程中取得了巨大成功，成為幾個全球衛星通信服務的標準。

本方案計算MBE譜幅度參數及清濁音判決參數。在參數量化編碼時，則采用了IMBE編解碼方案，對譜幅度量化時，先進行了離散余弦變換（DCT），然后進行了矢量量化（VQ）。最終實驗測定本文算法碼速率為4.4 kb/s。

1 MBE算法中的參數估計

設語音信號s（n）的采樣頻率為8 kHz，每幀取160個樣點，窗函數w（n）即為基音細搜索窗（寬度取為221個樣點的哈明窗）。設加窗語音信號為sw（n），則sw（n）=w（n）×s（n）。用Sw（w）表示sw（n）的傅立葉變換，可以看成是系統函數Hw（w）同激勵信號譜Ew（w）的乘積，即：

而重建語音信號可以寫成：

1.1 譜幅度估計

多帶激勵編碼過程都涉及3種參數的提取，它們是基音頻率，按基音頻率各次諧波分成頻帶后每個頻帶的譜包絡參數以及每個頻帶的V/U判決信息。統一提取這3個參數所涉及的計算量相當大，目前在實際應用中難以實時實現[2，6]。一種次優的算法是分兩步來完成參數提取計算。第一步是確定基音頻率和每個分帶的譜幅度參數，第二步再對每個分帶進行V/U判決。計算的過程是要使得原始語音譜模值|Sw（w）|合成語音譜模值|Swr（w）|之差的下列加權積分達到最小：

已經獲得了每幀語音的基音周期P，則基音頻率ω0=2π/P。對于每一個基音頻率值，將ω=-π～π分成2M個頻帶，每個頻帶的頻率下限和上限依次為am=（m-1/2）ω0以及bm=（m+1/2）ω0，m=±1，±2，…，±M。并且在每個分帶[am，bm]中保持不變[2]，其值為譜幅度則第m個子帶所產生的擬合誤差為εm：

總的擬合誤差為：

式（6）表明，第m帶的譜值與該帶的激勵信號譜有關，若該帶為濁音帶，則可選用周期譜Pw（ω）來表示激勵信號Ewr（ω），若該帶為清音帶，激勵信號應采用理想白噪聲譜，因此最終的譜值估計還應在清濁判決后才能確定，當第m帶為濁音帶時：

當第m帶為清音帶時，由于白噪聲譜在所在頻率上保持為常數，則譜幅度為：

該式實際上表示的是加窗原始語音譜幅度在該帶內的平均值。

以上是在頻域內推導，下面用時域采樣點進行計算。對加窗語音信號采用256點DFT

對窗函數采用16 384點DFT，以保證窗函數頻譜在頻域中移動時能有足夠的精度。

當基音頻率為ω0時，在-π～π之間有2π/ω0個諧波分量，兩個相鄰諧波之間含有256/2π個語音信號的DFT點，因此第l次諧波帶的上限和下限的計算公式：

其中[x]表示大于或等于x的最小整數。

根據式（7），可求出加窗語音激勵Pw（ω）在頻帶內與窗主瓣包絡形狀相同，窗內16 384點，而加窗語音256點，意味著語音改變一個樣點，窗就要改變64個樣點。可以求出最佳譜幅度

當第m帶為清音帶時，由式（9，10，11），則譜幅度為：

1.2 V/U判決

確定了基音頻率ω0和xm譜幅度后，可以利用歸一化誤差能量進行V/U判決。歸一化誤差能量定義為[2]：

若ξm小于一定的閾值，則可以判該諧波頻帶為濁音區，反之為清音區。采用DFT時，式（14）表示的歸—化誤差應改成：

上式中的合成信號譜定義為[1，8]：

如果編碼速率比較低，沒有足夠的比特來表示每一個諧波頻帶的V/Uv信息，可以將幾個相鄰的諧波頻帶合并成一個帶，根據該帶的總的擬合誤差作出該帶的V/U判決。這兒采用將每幀語音信號的頻譜最多分成12個頻帶的方法，首先確定諧波個數M[1，8]：

每個頻帶通常包含3個諧波分量，則每幀所含的頻帶數K:

2 MBE中的參數編、解碼算法

經過上述語音分析，對每幀語音信號都可得到一套語音參數：基音頻率ω0，V/Uv判決信息Vk，1≤k≤K，和譜幅度xm，1≤m≤M，對于ω0和Vk，采用一般的標量量化即可，分別分配8 bit和K bit。下面主要闡述譜幅度參數編解碼方法。

2.1 幅度譜的編碼

幅度譜的編碼主要利用幀間的相關性，首先計算預測殘差Tm，1≤m≤M，然后再對Tm進行編碼，編碼框圖如圖1所示。譜幅度編碼算法的一個重要特征是傳遞差信息，這種預測殘差反映了當前幀與過去幀在幅度譜上的差異，為了保證這種方案工作正常，編碼端要模擬解碼端的操作，用重建的過去幀的幅度譜來預測當前幀的譜幅度，圖1中的反饋路徑就給出了解碼端的部分操作。

圖1 譜幅度編碼框圖Fig.1 Block diagram of spectral amplitude coding

圖中，xm（0）是當前幀未量化的譜幅度，xm（-1）指過去的第一幀量化的譜幅度，ω0（0）和ω0（-1）指當前幀的基音頻率和過去第一幀的基音頻率。在初始化時，ω0（-1）全部置為1.0，ω0（-1）置為0.02π。Tm為[2，6，9]：

這M個預測殘差被分成6塊，每塊的長度記為Ji，1≤i≤6，分塊原則[7]如下：

第i塊的一個元素記為ci，j，1≤j≤Ji。每一塊再進行離散余弦變換，第i塊的變換長度為Ji，DCT系數記為Ci，k

現在將得到的DCT系數再分成兩組。第一組由每塊的第一個DCT系數組成，構成了一個六維的矢量，稱之為PRBA（Prediction Residual Block Average）矢量；第二組由剩余的DCT系數組成。

PRBA矢量的編碼分為3步，第1步就是計算矢量元素的平均值mR：

對mR使用6比特的非均勻的標量量化器，得量化值第二步是將PRBA矢量的每一個元素分別減去，得到零均值的PRBA矢量，然后用10比特的矢量碼本對其進行矢量量化，得量化值碼本的產生利用LBG算法[4]。第三步是計算PRBA矢量的每個元素的量化誤差Qi：

其中Δ為量化階距，如果b落在0≤b≤2B-1范圍之外，則b取與此范圍內的數據距離最近的值。

M-6個高階■C1，2，C1，3，…，C1，J1，…，C6，2，C6，3，…，C6，J6」DCT系數的編碼仍然采用均勻量化，每個系數分配的比特數B通過查相關比特分配表確定[2，6]，DCT系數及Qi的比特分配表是根據M及它們的長時統計特征確定的。最后編碼值b為

如b在0≤b≤2B-1之外，則b取與此范圍內距離最近值。

2.2 幅度譜的解碼

譜幅度的解碼過程是編碼過程的逆過程，如圖1所示。基音頻率ω0解碼后，根據式（17）可得M，進而根據式（23）和（24）確定塊長Ji，然后解碼PRBA矢量，則

再解碼得到高階的DCT系數，就可得到6塊DCT系數Ci，k，對每塊DCT系數進行DCT反變換，可得到ci，j

將這6塊Ci，j合并成一個長度為M的矢量，記為Tm，1≤m≤M，即重建的幅度譜預測殘差。再根據式（20）確定，最后計算當前幀的幅度譜[2，6，9]：

3 語音合成

合成語音信號sr（n）由清音部分su（n）和濁音部分sv（n）組成，合成時，這兩部分被分別合成，合成后再將其相加即可。

3.1 清音語音合成

首先要產生一個白噪聲激勵，對它加窗后進行256點DFT，得到白噪聲譜Uw（m）：

根據當前幀的V/Uv信息，對Uw（l）進行修正得（l）。若m頻帶為濁音段，則

若m頻帶為清音段，則[1]

其中N表示幀長。

3.2 濁音語音合成

合成語音濁音部分可用一組余弦波在時域中直接合成，[1]：

插值角頻率ωm（l，0）由本幀與上一幀第m次諧波頻率插值：

初始相位可用下式得到：

最后當前幀的合成語音sr（n）為：

4 語音合成實驗結果

取一幀實際語音，幀長20 ms，采樣率8 kHz，實際語音波形如圖2所示，僅進行語音分析合成實驗，結果如圖3所示。

對比圖2、3，原始波形與合成波形除在相位上有偏差外，頻率、幅度幾乎一致。相位偏差因采用算法沒有對語音信號相位信息進行傳遞，沒進行編參數量化、編碼，所以得到的合成語音原始語音在頻率和幅度上幾乎一致，得到的合成語音質量當是最佳效果。

圖3 一幀合成語音波形Fig.3 A synthesized speech waveform

5 結論

實驗表明：有噪聲環境下，該方法有良好的適應性，恢復語音保留了較好的講話人特征，具有較高的自然度和可信度。

[1] PAN Sheng-xi，LIU Jia，WANGZuoying，et al.A new multimodel coding algorithm based on MBE and spectral amplitude correlation between successive frames[J].Chinese Journal of Acoustics，1998，17（3）:266-270.

[2] HARDWICK C J，J.A 4.8 kbps multi-band excitation speech coder[C]//Acoustics，Speech，and Signal Processing，1988.Icassp-88.，1988 International Conference on，1988:374-377.

[3] JAMROZIK M，J.Modified multiband excitation model at 2400 bps[C]//Acoustics，Speech，and Signal Processing，1997.Icassp-97.，1997 IEEE International Conference on，2.Munich，Germany，1997:1603-1606.

[4] ROWE D，SECKER P.A robust 2400bit/s MBE-LPC speech coder incorporating joint source and channel cod-ing[C]//Acoustics，Speech，and Signal Processing，1992.Icassp-92.，1992 IEEE International Conference on，2，1992:141-144.

[5] 戴懷宇，曹志剛.語音增強IMBE聲碼器研究[J].通信學報，1998，19（4）：43-49.DAI Huai-yu，CAO Zhi-gang.Study of IMBE vocoder with speech enhancement[J].Journal on Communications，1998，19（4）:43-49.

[6] Inmasat，Digital Voice System Inmarsat-MVoice Codec[S].Version 2.London，1991.

[7] 張連海.多帶激勵語音編碼算法研究與IMBE算法實現[D].鄭州：解放軍信息工程大學，2000.

[8] 袁春華.改進型多帶激勵聲碼器的研究與實現[D].北京：北京郵電大學，1995.