音頻信號(hào)聯(lián)合編碼算法碼書(shū)長(zhǎng)度研究

楊 超，黃雋逸，劉云飛，孫 云，徐向旭

（1.海軍航空大學(xué)，山東煙臺(tái)264001；2.海軍航空大學(xué)青島校區(qū)，山東青島266041；3.91604部隊(duì)，山東龍口265706；4.92635部隊(duì)，山東青島266041）

隨著信息技術(shù)的迅速發(fā)展，各類(lèi)電子產(chǎn)品進(jìn)入千家萬(wàn)戶(hù)，音視頻等多媒體被廣泛應(yīng)用于人們的生活、工作和學(xué)習(xí)中，音頻編碼應(yīng)運(yùn)而生，為了解決日益增加的多媒體信息和有限的存儲(chǔ)空間及傳輸帶寬的矛盾[1-3]，音頻壓縮編碼研究也越來(lái)越受到重視。目前聲音編碼技術(shù)分為3類(lèi)：波形編碼、參數(shù)編碼以及混合編碼[4-5]。應(yīng)用各種帶寬擴(kuò)展技術(shù)，聲音編碼標(biāo)準(zhǔn)發(fā)展的趨勢(shì)是從窄帶（8 kHz采樣）到寬帶（16 kHz采樣），再到超寬帶（32 kHz采樣），最終發(fā)展到全頻帶（48 kHz采樣）；應(yīng)用各種可分級(jí)聲音編碼技術(shù)，聲音編碼標(biāo)準(zhǔn)發(fā)展從固定碼率，到多速率，最終發(fā)展到更精細(xì)的可變比特率，更靈活地利用傳輸帶寬；傳統(tǒng)的音頻編碼標(biāo)準(zhǔn)通過(guò)各種降低延時(shí)和碼率的技術(shù)，提高其對(duì)聲音的編碼效率[6-8]。

當(dāng)前最新的低延時(shí)音頻編碼格式Opus對(duì)于互聯(lián)網(wǎng)上的交互式聲音和音樂(lè)傳輸來(lái)說(shuō)是最佳的選擇，同時(shí)也用于存儲(chǔ)和流媒體。它的采樣率從8～48 kHz，它的碼率范圍為6～510 kb/s，算法時(shí)延在2.5～30 ms之間。一些新的音頻編碼算法也在不斷涌現(xiàn)，例如一種將預(yù)測(cè)編碼[9]、基于SOM自組織神經(jīng)網(wǎng)絡(luò)[10-14]的矢量編碼[15-17]及Huffman[18]編碼相結(jié)合的音頻編碼算法[19]（簡(jiǎn)稱(chēng)聯(lián)合編碼算法）。在保證聲音質(zhì)量的前提下，該編碼方法的碼率小于MEPG-1 Layer3[20]的最低的64 kb/s標(biāo)準(zhǔn)碼率，且算法較簡(jiǎn)單。為了進(jìn)一步提高聯(lián)合編碼算法的碼率，本文提出通過(guò)合理選擇碼書(shū)長(zhǎng)度值以減小碼率的算法。

1 聯(lián)合編碼算法

預(yù)測(cè)編碼、基于SOM自組織神經(jīng)網(wǎng)絡(luò)的矢量編碼及Huffman編碼相結(jié)合的音頻編碼算法[20]（簡(jiǎn)稱(chēng)聯(lián)合編碼算法）是一種音頻壓縮編碼算法。圖1是聯(lián)合編碼算法編碼部分程序流程圖。

圖1 聯(lián)合編碼算法編碼程序流程圖Fig.1 Flow chart of the code program of the joint coding algorithm

首先，將1列聲音樣本采樣信號(hào)按照奇偶順序轉(zhuǎn)換成2列，即將原序號(hào)為（2×n-1）的組成為新的第一列，原序號(hào)為2×n，組成為新的第二列，其中n為正整數(shù)。每列信號(hào)分別按照線性預(yù)測(cè)編碼原理各自進(jìn)行預(yù)測(cè)，計(jì)算當(dāng)前的預(yù)測(cè)值和誤差值，共得到2個(gè)誤差值，將這2個(gè)誤差值組成一組2維矢量，進(jìn)行基于SOM自組織神經(jīng)網(wǎng)絡(luò)的矢量編碼，最后進(jìn)行Huffman編碼；譯碼過(guò)程與編碼過(guò)程相反，最后對(duì)譯碼數(shù)據(jù)用切比雪夫Ⅰ型低通濾波器濾波。

2 音頻編碼的評(píng)價(jià)指標(biāo)

2.1 音頻編碼的主觀測(cè)量方法

目前，在國(guó)際上比較通用的音頻質(zhì)量主觀評(píng)價(jià)標(biāo)準(zhǔn)是平均意見(jiàn)得分（Mean Opinion Score，MOS），MOS評(píng)分標(biāo)準(zhǔn)分為5級(jí)，見(jiàn)表1。在數(shù)字音頻通信中，一般高質(zhì)量數(shù)字化音頻的MOS分在4.0～4.5分間，質(zhì)量滿(mǎn)足長(zhǎng)途電話(huà)網(wǎng)的要求，接近透明信道編碼，也稱(chēng)之網(wǎng)絡(luò)質(zhì)量。音頻通信質(zhì)量一般MOS分在3.5分左右，此時(shí)能感覺(jué)到恢復(fù)的音頻質(zhì)量有所下降，但能知道聲音中的內(nèi)容，可以滿(mǎn)足多數(shù)音頻通信系統(tǒng)的適用要求。合成語(yǔ)音質(zhì)量MOS分一般在2.0～3.0分之間，是指一些聲碼器的合成語(yǔ)音所能達(dá)到的質(zhì)量，一般具有一定的可懂度，但是自然度和音色的確認(rèn)方面不夠理想。

表1 MOS判分五級(jí)標(biāo)準(zhǔn)及相應(yīng)的描述該級(jí)音頻質(zhì)量的形容詞Tab.1 MOS grade five standard and the adjective that describes the quality of the audio level

2.2 音頻編碼的客觀測(cè)量方法

通過(guò)客觀測(cè)量的方法來(lái)對(duì)音頻的編碼質(zhì)量進(jìn)行評(píng)價(jià)的方法稱(chēng)為客觀評(píng)定方法，常用的客觀評(píng)定的方法有信噪比、平均分段信噪比等。它們的實(shí)質(zhì)就是進(jìn)行度量均方誤差，具有計(jì)算簡(jiǎn)單的優(yōu)點(diǎn)，但是人對(duì)音頻質(zhì)量的感覺(jué)不能單純地由此方法體現(xiàn)，對(duì)于測(cè)試中、低速率音頻編碼尤其如此。

信噪比是一種常用的客觀測(cè)量標(biāo)準(zhǔn)，定義如下：

式（1）中：xi、yi分別代表音頻編碼算法的輸入信號(hào)和輸出信號(hào)；N代表音頻的樣點(diǎn)數(shù)。

3 不同碼書(shū)長(zhǎng)度值的實(shí)驗(yàn)結(jié)果與分析

本文將改變聯(lián)合編碼算法中量化矢量碼本的個(gè)數(shù)，即碼書(shū)長(zhǎng)度值，研究碼書(shū)長(zhǎng)度值對(duì)壓縮率和碼率的影響，旨在尋找進(jìn)一步提高聲音信號(hào)壓縮率，減小碼率的算法。

考慮到碼本編碼效率，一般碼書(shū)長(zhǎng)度值選為2n，n為正整數(shù)。在保證聲音質(zhì)量前提下，為了減小碼率，應(yīng)盡量選擇較小值的碼書(shū)長(zhǎng)度。實(shí)驗(yàn)中，選取碼書(shū)長(zhǎng)度值分別為2、4和8。利用聯(lián)合編碼算法分別進(jìn)行碼書(shū)長(zhǎng)度值為2、4和8的編、解碼實(shí)驗(yàn)。編碼程序流程圖如圖1所示。其中，碼書(shū)長(zhǎng)度值分別為2、4和8的編碼算法的不同之處是：在圖2的聯(lián)合編碼算法編碼程序流程圖中，在“對(duì)兩個(gè)誤差值做基于自組織神經(jīng)網(wǎng)絡(luò)SOM的矢量量化”這一步驟中，設(shè)計(jì)SOM神經(jīng)網(wǎng)絡(luò)時(shí)，分別設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的輸出為2、4和8，再分別進(jìn)行碼本數(shù)分別為2、4和8的碼本訓(xùn)練，分別計(jì)算得到2、4和8個(gè)碼本。然后，用這2、4和8個(gè)碼本，分別對(duì)圖2的聯(lián)合編碼算法編碼程序流程圖，在“由當(dāng)前的聲音樣本原始值和預(yù)測(cè)值之差計(jì)算得到2個(gè)誤差值”這一步驟中得到的，由每2個(gè)誤差值組成的誤差矢量進(jìn)行矢量量化。

壓縮率的計(jì)算公式為：

式（2）中：α為壓縮率；r0為編碼后表示聲音樣本信號(hào)的二進(jìn)制碼總位數(shù)；ri為表示原始聲音樣本信號(hào)的二進(jìn)制碼總位數(shù)。

碼率β的計(jì)算公式為：

式（3）中：μ為采樣率；η為平均碼長(zhǎng)。

信噪比的計(jì)算如式（1）所示。

為了研究最小碼率，分別選擇了標(biāo)準(zhǔn)聲音樣本庫(kù)中的“雷聲”、“音樂(lè)”和“心跳”這3個(gè)日常生活中具有代表性的聲音樣本作為研究對(duì)象。其中，聲音樣本“雷聲”樣本的時(shí)域采樣率為11 025Hz，量化精度為8 bit；聲音樣本“音樂(lè)”和聲音樣本“心跳”樣本的時(shí)域采樣率均為22 050Hz，量化精度均為16 bit。

圖2所示的是采用聯(lián)合編碼方法對(duì)聲音樣本“雷聲”的編碼運(yùn)算結(jié)果。聯(lián)合編碼的碼書(shū)長(zhǎng)度值為8，碼率為16.568 kb/s，基于SOM的神經(jīng)網(wǎng)絡(luò)訓(xùn)練碼本的碼本訓(xùn)練次數(shù)為200。圖2 a）、b）分別是原始聲音樣本信號(hào)“雷聲”的時(shí)域波形和頻譜；圖2 c）、d）分別是在對(duì)圖2 a）的“雷聲”樣本進(jìn)行聯(lián)合編碼的編碼端的預(yù)測(cè)編碼部分，對(duì)誤差矢量信號(hào)進(jìn)行矢量量化所產(chǎn)生的量化噪聲的時(shí)域波形和頻譜。從圖2 b）可見(jiàn)，信號(hào)的能量主要集中在2 500Hz之前。從圖2 d）可見(jiàn)，量化噪聲能量幾乎均勻分布在0～5 500Hz范圍內(nèi)。因此，聯(lián)合編碼的譯碼端低通濾波器的通帶截止頻率設(shè)為2 500Hz，阻帶截止頻率設(shè)為3 750Hz，通帶波紋設(shè)為0.3dB，阻帶衰減設(shè)為10dB（下文同）。計(jì)算得到濾波器輸出信噪比為6.935 8。圖2 e）和圖2 f）分別是對(duì)圖2 a）進(jìn)行聯(lián)合編碼所得到的聲音樣本“雷聲”的譯碼信號(hào)的時(shí)域波形和頻譜。

圖2 碼書(shū)長(zhǎng)度值為8的條件下，聲音樣本“雷聲”的聯(lián)合編碼運(yùn)算結(jié)果Fig.2 Results of joint coding of“Raytheon”sample under the condition that the codebook length is 8

表2是對(duì)“雷聲”聲音樣本進(jìn)行碼書(shū)長(zhǎng)度值為8條件下的聯(lián)合編碼所得到的譯碼信號(hào)MOS值，是10位聽(tīng)力正常的評(píng)定者給出的聲音樣本“雷聲”的譯碼的MOS值。從表2可見(jiàn)，聲音樣本“雷聲”譯碼信號(hào)的MOS值平均分為3.1分，質(zhì)量等級(jí)為可接受，譯碼聲音失真級(jí)別為“有察覺(jué)且稍覺(jué)得可厭”，可滿(mǎn)足多數(shù)音頻通信系統(tǒng)的適用要求。由圖2 e）和圖2 a）對(duì)比可見(jiàn)，譯碼信號(hào)時(shí)域波形的包絡(luò)基本沒(méi)有改變。所以，譯碼“雷聲”聲音可以辨別；由圖2 f）和圖2 b）對(duì)比可見(jiàn)，譯碼信號(hào)損失了頻率大于2 500Hz的高頻能量，而人耳對(duì)2 500Hz以上的高頻信號(hào)的敏感度較低，所以，人耳對(duì)譯碼聲音和原始聲音樣本的音質(zhì)差別感覺(jué)不大。

表3是對(duì)聲音樣本“音樂(lè)”信號(hào)進(jìn)行碼書(shū)長(zhǎng)度值為8的聯(lián)合編碼得到的譯碼信號(hào)MOS值的判分，從表3可見(jiàn)，“音樂(lè)”MOS值的均值為3.8分，質(zhì)量等級(jí)為可以接受，譯碼聲音失真級(jí)別為“有察覺(jué)且稍覺(jué)得可厭”，可以滿(mǎn)足多數(shù)音頻通信系統(tǒng)的適用要求。其中，聯(lián)合編碼低通濾波器的通帶截止頻率設(shè)為4 000Hz，阻帶截止頻率設(shè)為6 000Hz，通帶波紋設(shè)為0.3dB，阻帶衰減設(shè)為10dB（下文同）；碼率為33.075 kb/s。

表4是對(duì)聲音樣本“心跳”信號(hào)進(jìn)行碼書(shū)長(zhǎng)度值為8的聯(lián)合編碼得到的譯碼信號(hào)MOS值的判分，從表4可見(jiàn)，“心跳”MOS值的均值為4分，譯碼聲音失真級(jí)別為良，在數(shù)字音頻通信中，屬于一般高質(zhì)量數(shù)字化音頻，質(zhì)量滿(mǎn)足長(zhǎng)途電話(huà)網(wǎng)的要求，接近于透明信道編碼，為網(wǎng)絡(luò)質(zhì)量。其中，碼率為33.075 kb/s；濾波器的通帶截止頻率設(shè)為2 000Hz，阻帶截止頻率設(shè)為2 500Hz，通帶波紋設(shè)為0.3dB，阻帶衰減設(shè)為10dB（下文同）。

表2 對(duì)聲音樣本“雷聲”樣本進(jìn)行碼書(shū)長(zhǎng)度值為8的聯(lián)合編碼所得到的譯碼信號(hào)MOS值Tab.2 MOS value of the decoding signal obtained by the joint encoding of the codebook length of 8 for the"thunder"voice sample

表3 對(duì)“音樂(lè)”聲音樣本進(jìn)行碼書(shū)長(zhǎng)度值為8的聯(lián)合編碼得到的譯碼信號(hào)MOS值Tab.3 MOS value of the decoding signal obtained by the joint encoding of the codebook length of 8 for the"music"voice sample

表4 對(duì)“心跳”聲音樣本進(jìn)行碼書(shū)長(zhǎng)度值為8的聯(lián)合編碼得到的譯碼信號(hào)MOS值Tab.4 MOS value of the decoding signal obtained by the joint encoding of the codebook length of 8 for the"heartbeat"voice sample

表5是對(duì)聲音樣本“音樂(lè)”、“心跳”和“雷聲”采樣碼書(shū)長(zhǎng)度值分別為2、4和8時(shí)進(jìn)行聯(lián)合編碼運(yùn)算結(jié)果。由表5可見(jiàn)，同一樣本，隨著碼書(shū)長(zhǎng)度值的增加，譯碼聲音的信噪比和MOS分?jǐn)?shù)值增加，質(zhì)量變好，碼率也增加；聲音樣本“雷聲”在碼書(shū)長(zhǎng)度值為4和聲音樣本“音樂(lè)”以及聲音樣本“心跳”在碼書(shū)長(zhǎng)度值為2時(shí)的碼率均為11.025 kb/s，對(duì)應(yīng)表1中的MOS判分為2，譯碼聲音質(zhì)量等級(jí)為“差”，失真級(jí)別為“明顯察覺(jué)且可厭但可忍受”。即譯碼聲音具有一定的可懂度，但是音色不夠理想；聲音樣本“雷聲”在碼書(shū)長(zhǎng)度值為8碼率為16.568 kb/s和聲音樣本“音樂(lè)”以及聲音樣本“心跳”在碼書(shū)長(zhǎng)度值為4碼率為22.025 kb/s時(shí)，對(duì)應(yīng)表1中的MOS判分為3，譯碼聲音質(zhì)量等級(jí)為“可”，失真級(jí)別為“有察覺(jué)且稍覺(jué)可厭”，譯碼聲音達(dá)到一般音頻通信質(zhì)量要求。

表5 碼書(shū)長(zhǎng)度值不同的條件下的3種聲音樣本的聯(lián)合編碼運(yùn)算結(jié)果Tab.5 results of joint encoding of three kinds of voice sample under different conditions of codebook length

4 結(jié)論

通過(guò)合理選擇聯(lián)合編碼的碼書(shū)長(zhǎng)度值，可以減小碼率。聯(lián)合編碼方法對(duì)聲音樣本“雷聲”、“音樂(lè)”和“心跳”在各自對(duì)應(yīng)的碼書(shū)長(zhǎng)度值下，在譯碼聲音的音色稍差一些的情況下，信號(hào)的壓縮編碼可以達(dá)到11.025 kb/s的最小碼率；在譯碼聲音滿(mǎn)足一般通信的情況下，信號(hào)的壓縮編碼范圍可以達(dá)到16.568～22.025 kb/s，較聯(lián)合編碼在碼書(shū)長(zhǎng)度值為31時(shí)的碼率62.5 kb/s有所減小，遠(yuǎn)低于MEPG-1 Layer3的最低64 kb/s標(biāo)準(zhǔn)碼率。