|
一、概述 音頻信號數字化之后所面臨的一個問題是巨大的數據量，這為存儲和傳輸帶來了壓力。例如，對于CD音質的數字音頻，所用的采樣頻率為44.1 kHz，量化精度為16bit；采用雙聲道立體聲時，其數碼率約為1.41 Mbit/s；1秒的CD立體聲信號需要約176.4KB的存儲空間。因此，為了降低傳輸或存儲的費用，就必須對數字音頻信號進行編碼壓縮。到目前為止，音頻信號經壓縮后的數碼率降低到32至256kbit/s，語音低至8kbit/s以下，個別甚至到2kbit/s。 為使編碼后的音頻信息可以被廣泛地使用，在進行音頻信息編碼時需要采用標準的算法。因而，需要對音頻編碼進行標準化。 本文從介紹音頻技術入手，介紹音頻編碼標準的發展現狀以及發展趨勢。 二、音頻編碼技術和應用 2.1 音頻信號 通常將人耳可以聽到的頻率在20Hz到20KHz的聲波稱為為音頻信號。人的發音器官發出的聲音頻段在80Hz到3400Hz之間，人說話的信號頻率在300到3000Hz，有的人將該頻段的信號稱為語音信號。在多媒體技術中，處理的主要是音頻信號，它包括音樂、語音、風聲、雨聲、鳥叫聲、機器聲等。 表1 數字音頻等級 信號類型 頻率范圍（Hz） 采樣率（KHz） 量化精度（采樣位數） 電話話音 200～3400 8 13～16 寬帶話音 50～7000 16 16 調頻廣播 20～15k 32 16 高質量音頻 20～20k 44.1 16 2.2 音頻編碼技術 對數字音頻信息的壓縮主要是依據音頻信息自身的相關性以及人耳對音頻信息的聽覺冗余度。音頻信息在編碼技術 中通常分成兩類來處理，分別是語音和音樂，各自采用的技術有差異。現代聲碼器的一個重要的課題是，如何把語音和音樂的編碼融合起來。 語音編碼技術又分為三類：波形編碼、參數編碼以及混合編碼。 波形編碼：波形編碼是在時域上進行處理，力圖使重建的語音波形保持原始語音信號的形狀，它將語音信號作為一般的波形信號來處理，具有適應能力強、話音質量好等優點，缺點是壓縮比偏低。該類編碼的技術主要有非線性量化技術、時域自適應差分編碼和量化技術。非線性量化技術利用語音信號小幅度出現的概率大而大幅度出現的概率小的特點，通過為小信號分配小的量化階，為大信號分配大的量階來減少總量化誤差。我們最常用的G.711標準用的就是這個技術。自適應差分編碼是利用過去的語音來預測當前的語音，只對它們的差進行編碼，從而大大減少了編碼數據的動態范圍，節省了碼率。自適應量化技術是根據量化數據的動態范圍來動態調整量階，使得量階與量化數據相匹配。G.726標準中應用了這兩項技術，G.722標準把語音分成高低兩個子帶，然后在每個子帶中分別應用這兩項技術。 參數編碼：利用語音信息產生的數學模型，提取語音信號的特征參量，并按照模型參數重構音頻信號。它只能收斂到模型約束的最好質量上，力圖使重建語音信號具有盡可能高的可懂性，而重建信號的波形與原始語音信號的波形相比可能會有相當大的差別。這種編碼技術的優點是壓縮比高，但重建音頻信號的質量較差，自然度低，適用于窄帶信道的語音通訊，如軍事通訊、航空通訊等。美國的軍方標準LPC-10，就是從語音信號中提取出來反射系數、增益、基音周期、清 /濁音標志等參數進行編碼的。MPEG-4標準中的HVXC聲碼器用的也是參數編碼技術，當它在無聲信號片段時，激勵信號與在CELP時相似，都是通過一個碼本索引和通過幅度信息描述；在發聲信號片段時則應用了諧波綜合，它是將基音和諧音的正弦振蕩按照傳輸的基頻進行綜合。 混合編碼：將上述兩種編碼方法結合起來，采用混合編碼的方法，可以在較低的數碼率上得到較高的音質。它的基本原理是合成分析法，將綜合濾波器引入編碼器，與分析器相結合，在編碼器中將激勵輸入綜合濾波器產生與譯碼器端完全一致的合成語音，然后將合成語音與原始語音相比較（波形編碼思想），根據均方誤差最小原則，求得最佳的激勵信號，然后把激勵信號以及分析出來的綜合濾波器編碼送給解碼端。這種得到綜合濾波器和最佳激勵的過程稱為分析（得到語音參數）；用激勵和綜合濾波器合成語音的過程稱為綜合；由此我們可以看出CELP編碼把參數編碼和波形編碼的優點結合在了一起，使得用較低碼率產生較好的音質成為可能。通過設計不同的碼本和碼本搜索技術，產生了很多編碼標準，目前我們通訊中用到的大多數語音編碼器都采用了混合編碼技術。例如在互聯網上的 G.723.1和G.729標準，在GSM上的EFR、HR標準，在3GPP2上的EVRC、QCELP標準，在3GPP上的AMR-NB/WB標準等等。 音樂的編碼技術主要有自適應變換編碼（頻域編碼）、心理聲學模型和熵編碼等技術。 自適應變換編碼：利用正交變換，把時域音頻信號變換到另一個域，由于去相關的結果，變換域系數的能量集中在一個較小的范圍，所以對變換域系數最佳量化后，可以實現碼率的壓縮。理論上的最佳量化很難達到，通常采用自適應比特分配和自適應量化技術來對頻域數據進行量化。在MPEG layer3和AAC標準及Dolby AC-3標準中都使用了改進的余弦變換（MDCT）；在ITU G.722.1標準中則用的是重疊調制變換（MLT）。本質上它們都是余弦變換的改進。 心理聲學模型：其基本思想是對信息量加以壓縮，同時使失真盡可能不被覺察出來，利用人耳的掩蔽效應就可以達到此目的，即較弱的聲音會被同時存在的較強的聲音所掩蓋，使得人耳無法聽到。在音頻壓縮編碼中利用掩蔽效應，就可以通過給不同頻率處的信號分量分配以不同的量化比特數的方法來控制量化噪聲，使得噪聲的能量低于掩蔽閾值，從而使得人耳感覺不到量化過程的存在。在MPEG layer2、3和AAC標準及AC-3標準中都采用了心理聲學模 型，在目前的高質量音頻標準中，心理聲學模型是一個最有效的算法模型。 熵編碼：根據信息論的原理，可以找到最佳數據壓縮編碼的方法，數據壓縮的理論極限是信息熵。如果要求編碼過程中不丟失信息量，即要求保存信息熵，這種信息保持編碼叫熵編碼，它是根據信息出現概率的分布特性而進行的，是一種無損數據壓縮編碼。常用的有霍夫曼編碼和算術編碼。在MPEG layer1、2、3和AAC標準及ITU G.722.1標準中都使用了霍夫曼編碼；在MPEG4 BSAC工具中則使用了效率更高的算術編碼。 2.3 數字音頻編碼的主要應用 對數字音頻信息的編碼進行壓縮的目的是在不影響人們使用的情況下使數字音頻信息的數據量最少。通常用如下6個屬性來衡量： —比特率； —主觀/客觀的語音質量； —計算復雜度和對存儲器的要求； —延遲； —對于通道誤碼的靈敏度； —信號的帶寬。 由于不同的應用，人們對數字音頻信息的要求是不同的，并且在選擇數字音頻信息編碼所采用的技術時也需要了解人們對音頻信息的各種應用。目前數字音頻信息處理技術主要應用于： ■消費電子類數字音響設備 CD唱機、數字磁帶錄音機（DAT）、MP3播放機以及MD（Mini Disc）唱機已經廣泛地應用了數字音頻技術。 ■廣播節目制作系統 在聲音節目制作系統，如錄音、聲音處理加工、記錄存儲、非線性編輯等環節使用了數字調音臺、數字音頻工作站等數字音頻設備。 ■多媒體應用 在多媒體上的應用體現在VCD、DVD、多媒體計算機以及Internet。VCD采用MPEG-I編碼格式記錄聲音和圖像；DVD- Audio格式支持多種不同的編碼方式和記錄參數，可選的編碼方式包括無損的MLP、DSD、Dilby AC-3、MPEG2-layer2 Audio等，而且是可擴充的、開放的，并可以應用未來的編碼技術：Internet上采用MP3的音頻格式傳輸聲音，以提高下載能力。 ■廣播電視數字化 在廣播電視和數字音頻廣播系統中，聲音編碼采用MUSICAM編碼方法，符合MPEG-1 Layer 1高級音頻編碼。如當今的數字電視采用的音頻標準就是Dilby AC-3和MPEG-layer2。 ■通訊系統 在通訊系統中，必須對音頻進行壓縮。傳統的PSTN電話中采用的是G.711和G.726的標準；GSM移動通訊采用的是GSM HR/FR/EFR標準；CDMA移動通訊采用的是3GPP2 EVRC、QCELP8k、QCELP16k、4GV標準；WCDMA第3代移動通訊采用的是3GPP AMR-NB、AMR-WB標準。另外在IPTV和移動流媒體中，采用的是AMR-WB+和AAC的標準。 總之，根據應用場合的不同可以將數字音頻編碼分為如下兩種編碼： 語音編碼：針對語音信號進行的編碼壓縮，主要應用于實時語音通信中減少語音信號的數據量。典型的編碼標準有ITU-T G.711、G.722、G.723.1、G.729；GSM HR、FR、EFR；3GPP AMR-NB、AMR-WB；3GPP2 QCELP8k、QCELP 13k、EVRC、4GV-NB等。 音頻編碼：針對頻率范圍較寬的音頻信號進行的編碼。主要應用于數字廣播和數字電視廣播、消費電子產品、音頻信息的存儲、下載等。典型的編碼有 MPEG 1/MPEG 2的layer 1、2、3和MPEG 4 AAC的音頻編碼。還有最新的ITU-T G.722.1、3GPP AMR-WB+和3GPP 2 4GV-WB，它們在低碼率上的音頻表現也很不錯。 三、音頻編碼標準發展現狀 3.1 語音編碼標準發展現狀 國際電信聯盟（ITU）主要負責研究和制定與通信相關的標準，作為主要通信業務的電話通信業務中使用的語音編碼標準均是由ITU負責完成的。其中用于固定網絡電話業務使用的語音編碼標準如ITU-T G.711等主要在ITU-T SG 15完成，并廣泛應用于全球的電話通信系統之中。目前，隨著Internet網絡及其應用的快速發展，在2005到2008研究期內，ITU-T將研究和制定變速率語音編碼標準的工作轉移到主要負責研究和制定多媒體通信系統、終端標準的SG 16中進行。 在歐洲、北美、中國和日本的電話網絡中通用的語音編碼器是8位對數量化器（相應于64Kb/s的比特率）。該量化器所采用的技術在1972年由CCITT（ITU-T的前身）標準化為G.711。 在1983年，CCIT規定了32Kb/s的語音編碼標準G.721，其目標是在通用電話網絡上的應用（標準修正后稱為G.726）。這個編碼器價格雖低但卻提供了高質量的語音。 至于數字蜂窩電話的語音編碼標準 ，在歐洲，TCH-HS是歐洲電信標準研究所（ETSI）的一部分，由他們負責制定數字蜂窩標準。在北美，這項工作是由電信工業聯盟（TIA）負責執行。在日本，由無線系統開發和研究中心（稱為RCR）組織這些標準化的工作。 此外，國際海事衛星協會（Inmarsat）是管理地球上同步通信衛星的組織，也已經制定了一系列的衛星電話應用標準。 3.2 音頻編碼標準發展現狀 音頻編碼標準主要由ISO的MPEG組來完成。MPEG1是世界上第一個高保真音頻數據壓縮標準。MPEG1是針對最多兩聲道的音頻而開發的。但隨著技術的不斷進步和生活水準的不斷提高，有的立體聲形式已經不能滿足聽眾對聲音節目的欣賞要求，具有更強定位能力和空間效果的三維聲音技術得到蓬勃發展。而在三維聲音技術中最具代表性的就是多聲道環繞聲技術。目前有兩種主要的多聲道編碼方案：MUSICAM環繞聲和杜比AC-3。MPEG2音頻編碼標準采用的就是MUSICAM環繞聲方案，它是MPEG2音頻編碼的核心，是基于人耳聽覺感知特性的子帶編碼算法。而美國的HDTV伴音則采用的是杜比AC -3方案。MPEG2規定了兩種音頻壓縮編碼算法，一種稱為MPEG2后向兼容多聲道音頻編碼標準，簡稱MPEG 2BC；另一種是稱為高級音頻編碼標準，簡稱MPEG 2AAC，因為它與MPEG1不兼容，也稱MPEG NBC。 MPEG4的目標是提供未來的交互多媒體應用，它具有高度的靈活性和可擴展性。與以前的音頻標準相比，MPEG4增加了許多新的關于合成內容及場景描述等領域的工作。 MPEG4將以前發展良好但相互獨立的高質量音頻編碼、計算機音樂及合成語音等第一次合并在一起，并在諸多領域內給予高度的靈活性。 3.3 具有我國自主知識產權的音頻編碼標準發展現狀 具有自主知識產權的廣晟數碼數字音頻編解碼算法（簡稱廣晟數碼音頻技術，DRATM），它是可以同時支持立體聲和多聲道環繞聲的數字音頻編解碼技術。其算法的特點是采用自適應時頻分塊（ATFT）方法實現對音頻信號的最優分解，進行自適應量化和熵編碼。 另外，由多家研究所、大學組成的中國音視頻編碼技術委員會（AVS）目前正在研究制定AVS第2部分音頻標準，并已經申請了部分專利。AVS音頻標準的指導原則是：在基本解決知識產權問題的前提下，制定具有國際先進水平的中國音頻編碼/解碼標準，使AVS音頻編碼的綜合技術指標基本達到或超過 MPEG AAC編碼技術的指標。目前正在開展移動部分AVS-M的音頻標準制定工作。 四、數字音頻編碼技術的發展趨勢 4.1 語音編碼技術的發展趨勢 經過多年的努力，業界在語音編碼領域取得了很多重要的進展。目前在語音編碼領域的研究焦點，一方面是在保證語音質量的前提下，降低比特率。在采用的技術方面從基于線性預測，使用合成一分析法向采用參數編碼技術方向轉變。主要的應用目標是蜂窩電話和應答機。另一方面是對傳統的語音編碼器進行全頻帶擴展，使其適應音頻的應用。例如，AMR從NB發展到WB，再到最新的WB+，現正在進行全頻帶的擴展工作；G.729已發展到G.729.1，目前也在啟動全頻帶的擴展工作；G.722.1也已發展到G.722.1 Annex E，已經完成了全頻帶的擴展工作。 除此之外，為適應在Internet上傳送語音的需要，目前ITU-T SG 16組正在研究和制定可變速率的語音編碼標準。變速率的語音編碼將是近期語音編碼發展的一個趨勢。 4.2 音頻編碼技術的發展趨勢 MPEG4的研究已經開始了一段時間，也取得了一些進展，但由于MPEG4本身設定的目標比較遠大，一些能力仍然在研究之中。隨著以IPTV業務為代表的信息檢索業務的開展，適合于在IP網絡上傳輸的音頻信號編碼技術，用于制作、檢索和存儲音頻信息的技術將成為發展的方向。 |
