基于Speex的音頻壓縮算法分析與優化

孫 王 楊永全 宮飛翔

基于Speex的音頻壓縮算法分析與優化

孫 王 楊永全 宮飛翔

隨著移動互聯網的深入普及，人們越來越習慣通過語音發送消息來代替文字輸入。因此，改善音頻壓縮質量會提高語音的傳輸效率。本文提出了一種改進了在無線網絡環境中speex音頻數據壓縮的方法，該方法先將原有的碼激勵線性預測編碼技術（CELP）中的感覺加權過濾器進行了簡化，再將語音編碼中基音搜索的計算復雜度進行簡化，并在基于XMPP協議的即時通訊系統中進行實驗驗證。使得在高壓縮比的情況下降低CPU運算復雜度，保證了音頻數據傳輸的低延遲性。

社交網絡成為目前互聯網上最為流行的溝通方式之一，互聯網提供了文字、圖片、語音、視頻等豐富多樣的媒介方式來滿足人們日常的交流。伴隨著智能手機日益的普及，人們通過手機IM（Instant Message）交流的需求也日益擴大，尤其是語音信息的交流，大大增加了人們的溝通效率。但通常IM協議中沒有對語音傳輸提供很好的支持，它們一般將音頻以文件的方式進行傳輸，沒有考慮到無線網絡環境中流量的問題和移動設備中系統資源的使用效率。除此之外，各移動平臺設備的音頻格式也不盡相同，在不同平臺上的音頻轉碼會消耗更多系統資源。因此，需要實現一個高壓縮比和低資源消耗的音頻壓縮，以適應無線網絡中語音通信的需求。

Speex是一種基于CELP編碼技術的開源算法，在網絡通話的應用背景下而提出。該算法靈活多變，具有多采樣率、多碼率、高壓縮比等特性，非常適合在無線網絡環境中進行語音傳輸。然而，早期CELP（碼激勵線性預測）編碼技術的運算量比較大。為適應其在移動端上應用，在簡單介紹Speex的編碼原理后，從感覺加權過濾器和基音搜索中的互相關計算方法進行簡化和調整，使其在保持高壓縮比和前提下減少CPU占有率，提高編碼效率。

算法設計

Speex編碼原理

CELP全稱為碼激勵線性預測，是用碼本（信號集）作為激勵源，根據語音發音的特點，通過激勵源中濁音和清音的不同來創建碼本：自適應碼本和隨機碼本。自適應碼本中的碼矢量用來逼近語音的長時周期性（基音）結構。隨機碼本中的碼字用來逼近語音經過短時、長時預測后的殘差信號。編碼器中的分析濾波器用來計算兩個碼本的最優碼矢，并預測最佳增益矢量后生成殘差激勵信號。圖1為語音分析與合成模型圖。

語音分析時，先緩存一幀的語音信號，然后對該信號進行線性預測，確定一組LPA（線性預測）系數，接著利用已確定的LPA系數和分析濾波器A（z）來計算未量化的殘差信號。在實際分析中，為提高分析精度，每一幀都會被分成幾個子幀來確定基音預測參數，隨后用激勵碼本中的某矢量合成語音，最后計算合成語音與原始語音的最小均方誤差作為最佳矢量。

線性預測分析

線性預測是眾多編碼器的重要成分之一，核心思想是用過去若干個語音值加權線性組合來預測當前時刻語音抽樣值。具體采用最小均方預測誤差逼近方法來實現，公式如下：

y［n］是x［n］的線性預測值，其誤差值為：

線性預測的目的是為了找到最佳的預測因子ai，使得均方誤差值最小：

其中R（m）是信號x［ n］的自動調節系數，該值由公式5計算得出：

圖1　語音分析與合成模型圖

R（m）是通過Levinson-Durbin算法求出，該算法可以證明線性預測綜合濾波器1/A（z）總是穩定的。以上公式的計算復雜度比較大，因此在實際應用中使用略大于1的浮點數與R（0）相乘，相當于在信號中添加微小的噪音來降低信號中的共振尖峰。

合成分析

合成分析法通過感知優化閉環中的解碼信號來分析的。其目的是使原始語音和合成語音之間的誤差最小，而評判誤差則是利用信號中的余量信息來確定。余量信息是通過比較合成語音與原始語音所得，根據規定誤差范圍來動態調整各個計算參數，從而保證兩者信號之間的誤差最小。

合成分析方式為閉環分析感知優化，閉環分析是指利用系統輸出引用編碼參數來分析，而不將系統輸出引入編碼端則稱為開環分析。

感覺加權過濾

由于混合編碼的合成語音與原始語音在波形上沒有一一對應，為了使語音信號的合成更符合人類主觀感受，因此在編碼中添加感覺加權濾波器，使合成的語音主觀上聽起來更加平滑。感覺加權濾波器的傳輸公式為：

算法優化

語音編碼致力于降低傳輸所需要的信道帶寬和編解碼所需的系統資源，同時保持輸入語音的質量。而為達到這一目的，在CELP編碼中應盡可能的降低編碼復雜度或以較低的比特率進行編碼。本文通過簡化濾波器和自適應編碼中基音搜索的運算量來減少CPU占有率。

感覺加權濾波器的調整

Speex編碼器在語音編碼時加入了感覺加權濾波器，而在解碼器中加入了感知加強分析。為減少計算復雜度，將其中的感覺加權過濾分析進行簡化，以達到提高編碼速率。編碼語音合成用到感覺加權分析的有自適應碼本、隨機碼本，自適應碼本是對元音信號的優化，隨機碼本是對清音和背景噪音信號的優化。元音信號具有周期性，信號能量強特點，再加上移動端語音輸入模式比較固定，加權后信號改變的幅度比較小，因此在這里可以不考慮對其進行感覺加權分析。而清音信號沒有固定周期，信號較弱，因此保留該處的感覺加權過濾。

優化前后流程對比如圖2所示，其中（a）圖為優化前程序流程，（b）圖為優化后程序流程，W（z）為感覺加權濾波器。通過語音質量評估，自適應碼本搜索在不通過感覺加權過濾器的情況下，合成語音的質量沒有明顯差別。

簡化自適應碼本的運算規則

簡化的第二個思路為減少自適應碼本中語音幀的樣點分析值，根據移動客戶端語音輸入的環境，通過減少樣點值計算的復雜度來分析最終合成語音的質量。

在自適應碼本的基音周期搜索中，這種傳統的運算方法可用公式7表示：

圖2　調整前后的編碼圖

可以看出傳統的自適應碼本搜索算法中，基音周期的搜索需通過127次頻率帶寬對比，每次對比還需要分析40個樣點，在社交網絡的語音傳輸中，這種運算量過于復雜，尤其是在移動端。為了降低運算復雜度，在原先的算法基礎上，采取一種簡單的搜索算法。其算法可以用公式8表示：

從簡化后的公式可以看出，樣點數由原來的40減少到現在的10個，當n=0時，xa（0），xb（0）分別表示樣點值的最大值和最小值，從最值兩邊再取兩個相鄰點來保證運算的預測值相差不大。因為在自適應碼本中，語音信號的能量比較大，其頻率分布與基音周期值近似相等，在解碼時，其近似運算結果所解析的語音質量可以滿足大部分移動網絡的要求。與公式7相比，其運算量有明顯降低。

結果測試

本次測試將從語音質量評估和CPU占有率兩方面來判斷speex算法優化效果。測試的樣本會在三種噪音環境下產生，其中語音質量評估采用ITU的P.862來評分，評分值為MOS（平均主觀評分），MOS值的區間為0-5.0，音質越好，評分越高。語音波形圖則借助Adobe Audition軟件，語音內容為“今天是農歷初八”。

圖3　安靜環境下波形對比

圖4　低噪環境下波形對比

圖5　高噪聲環境下波形對比

圖6 安靜環境下波形放大對比

圖3至圖5分別為安靜、低噪和高噪聲三種環境下語音波形對比圖，第一條波形圖為優化前的speex算法波形圖，第二條為優化后的波形圖。可以看出，兩條波形圖大體一致，背景環境越安靜，波形越一致。噪聲越大，對自適應碼本中元音發音的干擾更加強烈，即計算所得的偏差度越大。

圖6為是將圖3中波形信號放大32倍后的波形對比圖，圖中第一條波形為原始語音波形，隨后分別是算法優化前和優化后的波形。從第二、第三條波形中可以看出，speex算法所產生的語音質量較好，音質比較平滑。對比后兩條波形圖可以觀察到未優化的波形更為細膩，而優化后的波形雖不如前者細致，但總體上保持音質與前者一致，音質的實際效果也沒有發生明顯差別。這主要是算法簡化過程中減少幀的采樣分析所致，基音搜索從默認的40個減少到10個。

實際上，語音的編碼是在編碼復雜度和語音質量之間尋找平衡，不同的應用需求會在此兩者上尋找不同的平衡點。表1為speex算法優化前后音質與復雜度的對比。從表格中可以看出噪聲越大，算法復雜度越高，這是因為speex編碼過程中有噪聲預處理階段，該過程會增加編碼的復雜度。在安靜環境下，MOS值相差0.05，高噪聲中MOS值相差0.15，表明MOS的差值也會隨著噪聲的增加而增大。

表1　Speex優化前后語音質量和復雜度對比

優化后算法的MOS值與原算法的差幅約為0.1，占總分值的2％。而計算復雜度卻有8％的提高。可以看出，優化后的speex算法具有實用性。

總結

在不影響語音質量的前提下，通過對speex壓縮算法中感覺加權過濾器和基音搜索過程中采樣值分析的簡化，來降低編碼復雜度，提升了系統的整體性能。

本文優化的speex算法適合低噪環境，但在高噪聲環境下語音質量下降幅度比較大。在今后的研究學習中，會將改善speex解碼器中感知加強部分來改善噪音的分辨。

10.3969/j.issn.1001-8972.2015.10.017