VoIP中語音壓縮編碼技術(shù)的研究與性能分析

　　Internet的巨大成功。必將使IP成為未來信息網(wǎng)絡(luò)的支柱技術(shù)，以IP為核心的分組化和以移動(dòng)通信為核心的無線化已成為電信網(wǎng)絡(luò)演進(jìn)的主流方向。TCP/IP的網(wǎng)絡(luò)技術(shù)不但無可置疑地成為數(shù)據(jù)領(lǐng)域的主導(dǎo)技術(shù)，而且已經(jīng)開始進(jìn)入電信領(lǐng)域，其突破口就是電話業(yè)務(wù)。

　　IP網(wǎng)絡(luò)電話是一項(xiàng)涉及計(jì)算機(jī)網(wǎng)絡(luò)、信令協(xié)議、數(shù)字信號(hào)處理等多個(gè)領(lǐng)域的綜合性技術(shù)，它具有價(jià)格低廉、可以靈活地提供各種增值業(yè)務(wù)、有利于企業(yè)建立高效綜合服務(wù)內(nèi)部網(wǎng)、有利于運(yùn)營(yíng)商開拓新的市場(chǎng)、有助于和IP網(wǎng)絡(luò)新技術(shù)的融合、促進(jìn)網(wǎng)絡(luò)技術(shù)的發(fā)展等獨(dú)特的優(yōu)勢(shì)。其中價(jià)格低廉是IP電話能夠進(jìn)入市場(chǎng)的首要因素，其根本原因是IP電話均采用語音分組技術(shù)、語音壓縮編碼和統(tǒng)計(jì)復(fù)用，帶寬利用率高，完成一次通信所需的成本大幅度降低。IP電話中的語音處理主要需要解決兩個(gè)問題：一是在保證一定話音質(zhì)量的前提下盡可能地降低編碼比特率，二是在IP網(wǎng)絡(luò)環(huán)境下保證一定的通話質(zhì)量。前者正是我們要研究的語音編碼技術(shù)。

　　1、語音編碼技術(shù)

　　1.1　語音編碼技術(shù)的分類

　　根據(jù)語音編碼的發(fā)展過程，把語音編碼技術(shù)歸納為以下3類：

　　1.1.1　波形編

　　波形編碼方式是能夠忠實(shí)地表現(xiàn)波形的編碼方式。語音信號(hào)的波形編碼力圖使重建的語音波形保持原語音信號(hào)的波形狀態(tài)。這類編碼器通常是將語音信號(hào)作為一般的波形信號(hào)來處理，所以它具有適應(yīng)能力強(qiáng)、話音質(zhì)量好、抗噪抗誤碼能力強(qiáng)等特點(diǎn)，但是波形編碼所需的編碼速率比較高，其速率一般在64 kbit/s～16 kbit/s。其中64 kbit/s PCM的語音編碼方式是其中的一個(gè)代表。

　　1.1.2　參數(shù)編碼

　　參數(shù)編碼是根據(jù)聲音的形成模型，把聲音變換成參數(shù)的編碼方式。其基本方法是通過對(duì)語音信號(hào)特征參數(shù)的提取及編碼，力圖使重建語音信號(hào)具有盡可能高的可懂性，即保持原語音的語義。而重建的信號(hào)的波形同原語音信號(hào)的波形可能會(huì)有相當(dāng)大的差別。參數(shù)編碼的最大優(yōu)點(diǎn)是編碼速率低，通常小于 4.8kbit/s，有時(shí)可以低至600 bit/s～2.4 kbit/s。缺點(diǎn)是合成語音質(zhì)量差，自然度較低，對(duì)講話環(huán)境噪聲較敏感，且時(shí)延大。

　　參數(shù)編碼的典型例子就是語音信號(hào)的線性預(yù)測(cè)編碼（LPC），它已被公認(rèn)為是目前參數(shù)編碼中最有效的方法。

　　1.1.3　混合編碼

　　混合編碼結(jié)合了以上兩種編碼方式的優(yōu)點(diǎn)，采用線性技術(shù)構(gòu)成聲道模型，不只傳輸預(yù)測(cè)參數(shù)和清濁音信息，而且預(yù)測(cè)誤差信息和預(yù)測(cè)參數(shù)同時(shí)傳輸，在接收端構(gòu)成新的激勵(lì)去激勵(lì)預(yù)測(cè)參數(shù)構(gòu)成的合成濾波器，使得合成濾波器輸出的信號(hào)波形與原始語聲信號(hào)的波形最大程度的擬合，從而獲得自然度較高的語聲。這種編碼技術(shù)的關(guān)鍵是：如何高效地傳輸預(yù)測(cè)誤差信息。依據(jù)對(duì)激勵(lì)信息的不同處理，這類編碼主要有：多脈沖線性預(yù)測(cè)編碼（MPLPC）、規(guī)則脈沖激勵(lì)線性預(yù)測(cè)編碼（RPELPC）、碼激勵(lì)線性預(yù)測(cè)編碼（CELPC）、低時(shí)延的碼激勵(lì)線性預(yù)測(cè)編碼（LD-CELPC）。

　　混合編碼克服了原有波形編碼器與聲碼器的弱點(diǎn)，而結(jié)合了它們的優(yōu)點(diǎn)，在4 kbit/s～16 kbit/s速率上能夠得到高質(zhì)量合成語音。在本質(zhì)上具有波形編碼的優(yōu)點(diǎn)，有一定抗噪和抗誤碼的性能，但時(shí)延較大。

　　1.2　語音壓縮編碼的原理

　　IP網(wǎng)絡(luò)電話中的語音處理需要解決的一個(gè)重要問題就是在保證一定話音質(zhì)量的前提下，盡可能降低編碼比特率。這主要依靠語音編碼技術(shù)來解決。IP 電話宜使用ITU-T定義的低比特率編碼標(biāo)準(zhǔn)，其比特率為5.3 kbit/s～16 kbit/s，均為低復(fù)雜度編碼算法，話音分組長(zhǎng)度在30 ms以下，話音質(zhì)量較好。從前面列舉的幾種編碼方式也可看出，同一段語音信號(hào)，采用不同的編碼方式，其編碼后的比特率各不相同。那么為什么我們能夠?qū)φZ音信號(hào)進(jìn)行壓縮編碼從而達(dá)到降低語音信號(hào)的比特率呢?

　　1.2.1　利用了語音信號(hào)的相關(guān)性

　　語音信源是相關(guān)信源，因此經(jīng)過采樣和量化的信號(hào)之間還有很強(qiáng)的相關(guān)性，為了降低編碼速率，人們就希望盡可能多地去除語音信號(hào)之間的相關(guān)性。線性預(yù)測(cè)編碼技術(shù)（LPC）就是一種用來去除語音信號(hào)之間相關(guān)性的常用技術(shù)。語音信號(hào)中存在兩種類型的相關(guān)性：其一是在樣點(diǎn)之間短時(shí)相關(guān)性。語音信號(hào)在某些短時(shí)段中呈現(xiàn)出隨機(jī)噪聲的特性，在另一些短時(shí)段中，則呈現(xiàn)出周期信號(hào)的特性，其他一些是二者的混合。簡(jiǎn)而言之，語音信號(hào)的特征是隨時(shí)間而變化的，只是在一短段時(shí)間中，語音信號(hào)才保持相對(duì)穩(wěn)定一致的特征，也就是語音信號(hào)的短時(shí)平穩(wěn)性。其二是相鄰基音周期之間存在的長(zhǎng)時(shí)相關(guān)性。由于語音信號(hào)中的短時(shí)相關(guān)性和長(zhǎng)時(shí)相關(guān)性很強(qiáng)，通過減弱這些相關(guān)性，使語音信號(hào)之間相關(guān)性降低，然后再進(jìn)行編碼，這樣就可以實(shí)現(xiàn)語音壓縮編碼，降低比特率。

    1.2.2　利用了人耳的聽覺特性

　　利用人耳的掩蔽效應(yīng)也可以進(jìn)行語音壓縮編碼，降低比特率。兩個(gè)響度不等的聲音作用于人耳時(shí)，響度較高的頻率成分的存在會(huì)影響到對(duì)響度較低的頻率成分的感覺，使其變得不易被察覺，這就是我們所說的掩蔽效應(yīng)。在語音頻譜中，能 量較高的頻段即共振峰處的噪聲相對(duì)于能量較低頻段的噪聲而言不易被感知。因此在度量原始語音與合成語音之間的誤差時(shí)可計(jì)入這一因素。在語音能量高的頻段，允許二者的誤差大一些，從而進(jìn)一步降低編碼比特率。為此引入一個(gè)頻域感覺加權(quán)濾波器W（f）來計(jì)算二者的誤差。感覺加權(quán)濾波器的頻率響應(yīng)中的峰、谷值正好與語音譜中相反。所以感覺加權(quán)濾波器的作用就是使實(shí)際誤差信號(hào)的譜不再平坦。而是有著與語音信號(hào)譜具有相似的包絡(luò)形狀。這就使誤差度量的優(yōu)化過程與感覺上的共振峰對(duì)誤差的掩蔽效應(yīng)相吻合，產(chǎn)生較好的主觀聽覺效果。

　　1.2.3　線性預(yù)測(cè)分析——合成編碼方法

　　IP網(wǎng)絡(luò)電話中所使用的語音信號(hào)壓縮編碼方式大多數(shù)是基于合成—分析法的線性預(yù)測(cè)編碼（ABS-LPC）方法，這是一種混合編碼方法。線性預(yù)測(cè)技術(shù)就是用過去樣點(diǎn)的線性組合來預(yù)測(cè)當(dāng)前樣點(diǎn)。假如用S（n）代表原始語音信號(hào)，用線性預(yù)測(cè)的方法求出預(yù)測(cè)器的系統(tǒng)預(yù)測(cè)系數(shù)αi，構(gòu)成線性預(yù)測(cè)逆濾波 器，S（n）通過該濾波器后得到了去除短時(shí)相關(guān)性的語音信號(hào)。再將其進(jìn)行基音預(yù)測(cè)，建立基音逆濾波器。去除它的長(zhǎng)時(shí)相關(guān)性后，就可得到最后的殘差信號(hào)。殘差信號(hào)是完全隨機(jī)的、不可預(yù)測(cè)的部分。根據(jù)速率的不同要求，可對(duì)殘差信號(hào)采用不同的量化方法，從而得到不同的編碼速率，讓量化后的殘差信號(hào)作為激勵(lì)信號(hào)依次通過基音濾波器與線性預(yù)測(cè)濾波器后，便得到了合成語音信號(hào)，見圖1。

圖1　語音生成模型

　　編碼的過程就是不斷改變模型參數(shù)，使模型更好地適應(yīng)原始語音信號(hào)。為此又引入了合成分析的概念。同時(shí)，利用人耳的掩蔽效應(yīng)，引入了感覺加權(quán)濾波器。綜合以上兩方面，可以得到圖2所示的線性預(yù)測(cè)分析—合成編碼的方框圖。

圖2　線性預(yù)測(cè)分析—合成編碼方案

　　合成—分析法的基本原理可以概括如下：假定—原始信號(hào)可以用一個(gè)模型來表示，這個(gè)模型又是由一組參數(shù)來決定的，隨著這組參數(shù)的變化，模型所產(chǎn)生的合成信號(hào)就會(huì)改變，原始信號(hào)與合成信號(hào)之間的誤差也隨之而變化。為了使模型參數(shù)能更好地適應(yīng)原始信號(hào)，可以規(guī)定一個(gè)誤差準(zhǔn)則：當(dāng)誤差越小，模型合成信號(hào)就和原始信號(hào)越接近。這樣總能找到一組參數(shù)，使誤差最小，此時(shí)這組參數(shù)決定的模型就可以使用。一般在編碼端配備編碼和本地解碼兩個(gè)部分。配備本地解碼的目的是完成合成功能，以便計(jì)算原始語音信號(hào)與合成語音信號(hào)之間的誤差值。在圖2中之所以采用反饋控制，是為了求出最佳模型參數(shù)，使合成語音與原始語音在某種準(zhǔn)則下最為接近。

　　基于合成—分析法的線性預(yù)測(cè)編碼的過程實(shí)質(zhì)上就是不斷地改變模型參數(shù)，使模型更好地適應(yīng)原始語音信號(hào)的過程。原始語音信號(hào)被分成幀，幀的長(zhǎng)度和模型參數(shù)決定了編碼速率。

　　2、IP語音壓縮編碼算法及性能分析

　　2.1　常用的語音壓縮編碼算法

　　IP電話經(jīng)常使用ITU定義的兩個(gè)標(biāo)準(zhǔn)：G.723.1、G.729。它們采用的都是線性預(yù)測(cè)分析-合成編碼和碼本激勵(lì)矢量量化技術(shù)，即混合編碼的方法。

　　2.1.1　G.723協(xié)議

　　G.723協(xié)議是一個(gè)雙速率語音編碼建議[1]，其兩種速率分別是5.3 kbit/s和6.3 kbit/s。此協(xié)議是一個(gè)數(shù)字傳輸系統(tǒng)概況協(xié)議，適用于低速率多媒體服務(wù)中語音或音頻信號(hào)的壓縮算法。它作為完整的H.324系列標(biāo)準(zhǔn)的一部分，主要配合低速率圖像編碼H.263標(biāo)準(zhǔn)。在IP電話網(wǎng)關(guān)中，G.723協(xié)議被用來實(shí)現(xiàn)實(shí)時(shí)語音編碼解碼處理。

　　G.723.1協(xié)議的編解碼算法中兩種速率的編解碼基本原理是一樣的，只是激勵(lì)信號(hào)的量化方法有差別。對(duì)高速率（6.3 kbit/s）編碼器，其激勵(lì)信號(hào)采用多脈沖最大似然量化（MP-MLQ）法進(jìn)行量化，對(duì)低速率（5.3 kbit/s）編碼器，其激勵(lì)信號(hào)采用代數(shù)碼激勵(lì)線性預(yù)測(cè)（ACELP）法量化。

　　編碼過程是首先選速率為64 kbit/s的PCM語音信號(hào)轉(zhuǎn)化成均勻量化的PCM信號(hào)，然后把輸入語音信號(hào)的每240個(gè)樣點(diǎn)組成一個(gè)幀，也就是30 ms的幀長(zhǎng)。每個(gè)幀通過高通濾波器后再分為4個(gè)子幀。對(duì)于每個(gè)子幀，計(jì)算出10階線性預(yù)測(cè)濾波器的系數(shù)。為了適于矢量量化，把預(yù)測(cè)系數(shù)轉(zhuǎn)化為線性頻譜對(duì)（LSP：line spectrum pair）。量化前的系數(shù)構(gòu)成短時(shí)感覺加權(quán)濾波器，原始語音信號(hào)經(jīng)過該濾波器得到感覺加權(quán)語音信號(hào)。對(duì)于每?jī)蓚€(gè)子幀，編碼器用感覺加權(quán)語音信號(hào)求得開環(huán)基音周期，基音周期范圍從18個(gè)樣點(diǎn)到142個(gè)樣點(diǎn)。此后編碼器所進(jìn)行的操作都是基于60個(gè)樣點(diǎn)進(jìn)行的。最后，激勵(lì)信號(hào)被量化，然后把這些參數(shù)和激勵(lì)信號(hào)量化結(jié)果傳送到解碼器。由于幀長(zhǎng)為30 ms，并存在另外的7.5 ms的前向延遲，導(dǎo)致37.5 ms總的編碼延遲。

   G.723.1協(xié)議是為了低速可視會(huì)議業(yè)務(wù)而設(shè)計(jì)的。由于可視會(huì)議業(yè)務(wù)每秒鐘只傳輸很少數(shù)量的幀，而且又有比較大的時(shí)延，這就是G.723.1 允許有30 ms幀長(zhǎng)的原因。這個(gè)幀長(zhǎng)比較大，卻正好適合可視會(huì)議這種情況。而且它的編碼速度比較低，可以把盡可能多的比特用在圖像傳輸上。

　　2.1.2　G.729協(xié)議

　　G.729協(xié)議是一個(gè)能在8 kbit/s速率上實(shí)現(xiàn)高質(zhì)量語音編碼的建議，也是H.323協(xié)議中有關(guān)音頻編碼的標(biāo)準(zhǔn)[2]。在IP電話網(wǎng)關(guān)中，G.729協(xié)議被用來實(shí)現(xiàn)實(shí)時(shí)語音編碼處理。G.729協(xié)議采用的是CS-ACELP即共軛結(jié)構(gòu)算術(shù)碼激勵(lì)線性預(yù)測(cè)的算法。CS- ACELP以CELP編碼模型為基礎(chǔ)，它把語音分成幀，每幀10 ms，也就是80個(gè)采樣點(diǎn)。對(duì)于每一幀語音，編碼器從中分析出CELP模型參數(shù)，其中包括線性預(yù)測(cè)系數(shù)，自適應(yīng)碼本和隨機(jī)碼本的索引值和增益。然后把這些參數(shù)傳送到解碼端，解碼器利用這些參數(shù)構(gòu)成激勵(lì)源和合成濾波器，從而重現(xiàn)原始語音。

　　編碼過程是首先將速率為64 kbit/s的PCM語音信號(hào)轉(zhuǎn)化成均勻量化的PCM信號(hào)，通過高通濾波器后，把輸入語 音信號(hào)的每80個(gè)樣點(diǎn)組成一個(gè)幀，也就是10 ms的幀長(zhǎng)。對(duì)于每個(gè)幀用線性預(yù)測(cè)法求得LP濾波器系數(shù)，為了適于矢量量化，把預(yù)測(cè)系數(shù)轉(zhuǎn)化為L(zhǎng)SP。利用合成-分析方法，使原始語音和合成語音之間的誤差最小，來獲得最佳激勵(lì)信號(hào)。激勵(lì)信號(hào)的量化是通過兩個(gè)碼本來實(shí)現(xiàn)的，即自適應(yīng)碼本和隨機(jī)碼本。自適應(yīng)碼本反映的是長(zhǎng)時(shí)預(yù)測(cè)結(jié)果，也就是基音預(yù)測(cè)結(jié)果。隨機(jī)碼本反映的是經(jīng)過長(zhǎng)時(shí)預(yù)測(cè)和短時(shí)預(yù)測(cè)后的殘留信號(hào)。

　　2.2　性能分析與比較

　　語音編碼的主要問題是怎樣在編碼質(zhì)量、編碼速率、算法復(fù)雜度以及抗誤碼性能、編解碼時(shí)延等方面求得最佳。這幾個(gè)因素相互聯(lián)系，密切相關(guān)。下面就這些方面對(duì)G.729與G.723.1系統(tǒng)進(jìn)行分析與比較，并給出了實(shí)驗(yàn)的結(jié)果[3]。

　　2.2.1　編碼質(zhì)量

　　編碼質(zhì)量是衡量語音編碼優(yōu)劣的關(guān)鍵性能之一，對(duì)它的評(píng)價(jià)通常有客觀評(píng)價(jià)與主觀評(píng)價(jià)兩種。信噪比是衡量語音編碼質(zhì)量的客觀標(biāo)準(zhǔn)。其計(jì)算可采用長(zhǎng)時(shí)信噪比和短時(shí)信噪比兩種準(zhǔn)則。由于在語音信號(hào)中小能量占信號(hào)能量的比率較小，而恰恰小信號(hào)對(duì)主觀聽音效果又有比較大的影響，因此長(zhǎng)時(shí)信噪比不能反應(yīng)小能量量化的質(zhì)量，在語音信號(hào)處理中經(jīng)常采用短時(shí)信噪比。設(shè)每段有M個(gè)語音樣點(diǎn)，則第m段的分段信噪比定義為

　　其中分式的分子分母分別表示M個(gè)語音樣點(diǎn)的總能量和量化噪聲的總能量。如果輸入語音共有N段，則平均分段信噪比為

　　此次試驗(yàn)分別對(duì)男聲、女聲、童聲以及混聲進(jìn)行了測(cè)試，它們得到的信噪比（尤其是時(shí)域信噪比）并不很高，然而經(jīng)過主觀評(píng)價(jià)即MOS（mean opinion score）分評(píng)價(jià)，它們的聽音質(zhì)量還相對(duì)較高，其結(jié)果如表1所示，由此說明了基于參數(shù)編碼與波形編碼的語音編碼器的不同。

表1　ITU-T語音編碼標(biāo)準(zhǔn)的比較

項(xiàng)目     G.729     G.723.1     G.729 annex A
比特率/（kbit/s）     8     5.3/6.3     8
幀大小/ms     10     30     10
頭開銷/ms     5     1.5     5
MOS     4     3.7     4
出臺(tái)時(shí)間     1995年     1995年     1996年

　　2.2.2　編碼速率

　　就目前而言，與ITU-T的其他編碼標(biāo)準(zhǔn)相比，G.723.1的碼速是最低的。它的碼率為5.3/6.3 kbit/s，在編碼碼率方面擁有優(yōu)勢(shì)。G.729語音編碼速率為8 kbit/s，在編碼速率方面僅次于G.723.1，因而它們都較好地解決了通信過程中帶寬不足的矛盾，有良好的應(yīng)用前景。

　　2.2.3　編解碼復(fù)雜度

　　編解碼的復(fù)雜度與語音編碼的質(zhì)量有密切的關(guān)系，在同樣的碼率下，采用復(fù)雜的算法將獲得更好的語音質(zhì)量。表2給出了G.729與G.723.1在硬件實(shí)現(xiàn)上所需的資源。G.729在時(shí)延方面較G.723.1有優(yōu)勢(shì)；在復(fù)雜度方面，G.723.1相對(duì)G.729較優(yōu)，但是G.729 annex A卻有更大的優(yōu)勢(shì)。

表2　G.723.1，G.729與G.729annex A的比較

項(xiàng)目     G.723.1     G.729     G.729 annex  A
比特率/（kbit/s）     5.3/6.4     8.0     8.0
幀長(zhǎng)/ms     30     10     10
頭開銷/ms     7.5     5     5
整個(gè)編碼時(shí)延/ms     37.5     15     15
指令/（百萬條/s）     16     20     10.5
RAM/byte     2 200     3 000     2 000

    2.2.4　抗誤碼性能

　　抗誤碼性能是衡量語音編碼質(zhì)量的因素之一。測(cè)試表明，當(dāng)隨機(jī)誤差為0.1%，G.729編碼系統(tǒng)的性能與32 kbit/s G726 ADPCM相當(dāng)，當(dāng)誤碼率為10%，人耳雖能感覺到語音質(zhì)量的下降，但仍能聽懂語音含義；G.723.1抗誤碼性能與G.729基本相當(dāng)。

　　2.2.5　編解碼時(shí)延

　　增加算法的復(fù)雜度可以提高語音的編碼質(zhì)量。但往往也帶來編解碼的時(shí)延，在實(shí)時(shí)語音通信中對(duì)通話質(zhì)量有很大影響。對(duì)于G.729系統(tǒng)而言由于碼率為8kbit/s，每幀80個(gè)樣點(diǎn)，因此幀大小為10 ms，再加上頭開銷5ms，整個(gè)系統(tǒng)的編解碼時(shí)延為15ms，大大低于G.723.1的37.5 ms的時(shí)延（幀大小為30ms，再加上頭開銷7.5 ms）。因此在編解碼時(shí)延方面G.729較G.723.1為優(yōu)。

　　3、結(jié)論

　　混合編碼中把激勵(lì)模型和語音的時(shí)

　　雖然IP電話目前正處于蒸蒸日上的階段。但它也存在這樣或那樣一些不盡如人意的方面。如何提高IP分組語音通信的質(zhì)量，或者更一般地說，如何在IP網(wǎng)絡(luò)上實(shí)現(xiàn)包括實(shí)時(shí)通信業(yè)務(wù)在內(nèi)的綜合業(yè)務(wù)通信，這正是我們需要進(jìn)一步研究的。