4．语音编码算法原理与应用

4.1 波形编码算法基本原理

语音编码主要有波形编码和参数编码两大类。波形编码就是根据语音信号波形导出相应的数字编码形式。最早的波形编码就是PCM，即ITU-T G.711A和ITU-T G.711μ，其编码速率为64kbit/s。

图9 自适应量化器

PCM虽然能够提供相当好的语音质量，但要占用过高的网络带宽资源。这里主要讨论低速率的波形编码算法，是利用了连续语音之间的相关性，主要采用的技术为自适应量化器和自适应预测器。

为了获得仅可能大的量化信噪比，应该对小信号采用小的量化步长，对大信号采用较大的量化步长。使量化器范围与输入信号的动态范围相匹配，减小量化噪声。这就是自适应量化技术。自适应量化分为两类：前向自适应量化和后向自适应量化，目前常用的是后向自适应量化。

自适应预测的基本原理是根据语音波形的时间相关性确定预测系数，使差分信号的方差为最小，时间相关性则以自相关函数来度量，如图9所示。

4.2 参数编码算法基本原理

语音的种类主要有两种：浊音和清音。声带周期性地打开和关闭产生固定频率的声音，这个频率就是浊音的音调；音调频率男性为50~250Hz，女性为100~500Hz；考虑到音频等声音频率范围，一般是0.3kHz~3.4kHz，因此8kHz的采样频率满足采样定理。从频域上来看，幅频频谱的包洛有几个明显的局部最大值，称为共振峰，频谱的精细结构呈现周期性。清音的频谱没有周期性，峰值的分布也没有明显的规律，整个频谱相对比较平坦，类似于白噪声，因而几乎不可预测。

图10 语音生成模型

参数编码器又称为声码器（Vocoder），它的原理和设计思想跟波形编码完全不同。参数编码根据对声音形成机理的分析，构造语音生成模型(如图10)，该模型以一定精度模拟发话者的发声声道；接收端根据该模型还原生成发话者的因素。由于话音信号变化是缓慢的，模型参数的更新频度较低，可以有效地降低编码比特率。因此参数编码在移动通信、VoIP系统等领域得以广泛应用。

参数编码器主要可分为三类：通道式、共振峰式和线性预测编码(LPC:Linear Predictive Coding)方式。其中线性预测编码方式的性能优异，目前低比特率语音编码器都采用这种技术。

4.3 编码算法综述及其属性和性能评估

在VoIP系统中，为了充分地利用网络带宽资源，一般均采用语音压缩编码。语音编码的主要属性有比特率、时延、复杂度和语音质量四项。在具体的实现中，这些属性往往相互冲突，在实际应用中，应该是对各项属性的折衷，确定合适的编码。

算法综述：

降低比特率是往往是语音编码的首要目标，采用的压缩编码的主要目的就是充分利用网络资源。一般来说，编码的比特率越低，算法的复杂度就越高，编码的处理时延也会越长，并降低语音质量。

目前，话音和图像压缩技术发展十分迅速，已经研究开发出很多高效率的压缩编码技术。如先进的以码本激励线性预测(CELP)原理为基础的G.729、G.723(G.723.1)话音压缩编码技术。常用的ITU-T G.729算法和ITU-T G.723.1算法的编码速率分别为8kbit/s和5.3或6.3kbit/s。以G.729为例，它可将经过采样的64kb/s话音以几乎不失真的质量压缩至8kb/s。话音压缩编码技术是IP电话技术的一个重要组成部分。图像编码方面有IP网络会议系统采用的H.261(活动图像编码)和H.263(低速率活动图像编码)。传真编码方面则有T.38。

近年来，出现了一些可变比特率的技术，主要有两个算法。

活动语音检测(VAD: Voice Activity Detection)：主要用于检测输入信号是话音还是背景噪音。

舒适噪声生成(CNG: Comfortable Noise Generation)：主要用于接收方重建背景噪声。

根据统计，双方通话的过程中，每一方真正讲话的时间约为40%，即约有50％为聆听对方讲话的静默时间，10％为讲话时短暂停顿的静默时间。静音检测技术可以有效剔除静默信号，从而使话音信号占用的带宽要求进一步降低到3.5kb/s左右，一个很自然的想法就是：通过利用VAD技术，在讲话时，媒体流正常发送，在没讲话时，不向对方发送媒体流，为了不使得对方产生断线的错觉，在对方产生舒适噪声。这种算法实现地不当，就会丢掉部分语音，如句子的开始。一个好的算法应该保证：丢掉的语音小于64毫秒，而且丢掉的语音小于0.2%。