|
一、概述 音頻信號(hào)數(shù)字化之后所面臨的一個(gè)問題是巨大的數(shù)據(jù)量，這為存儲(chǔ)和傳輸帶來了壓力。例如，對(duì)于CD音質(zhì)的數(shù)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(shí)，其數(shù)碼率約為1.41 Mbit/s；1秒的CD立體聲信號(hào)需要約176.4KB的存儲(chǔ)空間。因此，為了降低傳輸或存儲(chǔ)的費(fèi)用，就必須對(duì)數(shù)字音頻信號(hào)進(jìn)行編碼壓縮。到目前為止，音頻信號(hào)經(jīng)壓縮后的數(shù)碼率降低到32至256kbit/s，語音低至8kbit/s以下，個(gè)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(jìn)行音頻信息編碼時(shí)需要采用標(biāo)準(zhǔn)的算法。因而，需要對(duì)音頻編碼進(jìn)行標(biāo)準(zhǔn)化。 本文從介紹音頻技術(shù)入手，介紹音頻編碼標(biāo)準(zhǔn)的發(fā)展現(xiàn)狀以及發(fā)展趨勢。 二、音頻編碼技術(shù)和應(yīng)用 2.1 音頻信號(hào) 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(hào)。人的發(fā)音器官發(fā)出的聲音頻段在80Hz到3400Hz之間，人說話的信號(hào)頻率在300到3000Hz，有的人將該頻段的信號(hào)稱為語音信號(hào)。在多媒體技術(shù)中，處理的主要是音頻信號(hào)，它包括音樂、語音、風(fēng)聲、雨聲、鳥叫聲、機(jī)器聲等。 表1 數(shù)字音頻等級(jí) 信號(hào)類型 頻率范圍（Hz） 采樣率（KHz） 量化精度（采樣位數(shù)） 電話話音 200～3400 8 13～16 寬帶話音 50～7000 16 16 調(diào)頻廣播 20～15k 32 16 高質(zhì)量音頻 20～20k 44.1 16 2.2 音頻編碼技術(shù) 對(duì)數(shù)字音頻信息的壓縮主要是依據(jù)音頻信息自身的相關(guān)性以及人耳對(duì)音頻信息的聽覺冗余度。音頻信息在編碼技術(shù) 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(shù)有差異。現(xiàn)代聲碼器的一個(gè)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(shù)又分為三類：波形編碼、參數(shù)編碼以及混合編碼。 波形編碼：波形編碼是在時(shí)域上進(jìn)行處理，力圖使重建的語音波形保持原始語音信號(hào)的形狀，它將語音信號(hào)作為一般的波形信號(hào)來處理，具有適應(yīng)能力強(qiáng)、話音質(zhì)量好等優(yōu)點(diǎn)，缺點(diǎn)是壓縮比偏低。該類編碼的技術(shù)主要有非線性量化技術(shù)、時(shí)域自適應(yīng)差分編碼和量化技術(shù)。非線性量化技術(shù)利用語音信號(hào)小幅度出現(xiàn)的概率大而大幅度出現(xiàn)的概率小的特點(diǎn)，通過為小信號(hào)分配小的量化階，為大信號(hào)分配大的量階來減少總量化誤差。我們最常用的G.711標(biāo)準(zhǔn)用的就是這個(gè)技術(shù)。自適應(yīng)差分編碼是利用過去的語音來預(yù)測當(dāng)前的語音，只對(duì)它們的差進(jìn)行編碼，從而大大減少了編碼數(shù)據(jù)的動(dòng)態(tài)范圍，節(jié)省了碼率。自適應(yīng)量化技術(shù)是根據(jù)量化數(shù)據(jù)的動(dòng)態(tài)范圍來動(dòng)態(tài)調(diào)整量階，使得量階與量化數(shù)據(jù)相匹配。G.726標(biāo)準(zhǔn)中應(yīng)用了這兩項(xiàng)技術(shù)，G.722標(biāo)準(zhǔn)把語音分成高低兩個(gè)子帶，然后在每個(gè)子帶中分別應(yīng)用這兩項(xiàng)技術(shù)。 參數(shù)編碼：利用語音信息產(chǎn)生的數(shù)學(xué)模型，提取語音信號(hào)的特征參量，并按照模型參數(shù)重構(gòu)音頻信號(hào)。它只能收斂到模型約束的最好質(zhì)量上，力圖使重建語音信號(hào)具有盡可能高的可懂性，而重建信號(hào)的波形與原始語音信號(hào)的波形相比可能會(huì)有相當(dāng)大的差別。這種編碼技術(shù)的優(yōu)點(diǎn)是壓縮比高，但重建音頻信號(hào)的質(zhì)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(biāo)準(zhǔn)LPC-10，就是從語音信號(hào)中提取出來反射系數(shù)、增益、基音周期、清 /濁音標(biāo)志等參數(shù)進(jìn)行編碼的。MPEG-4標(biāo)準(zhǔn)中的HVXC聲碼器用的也是參數(shù)編碼技術(shù)，當(dāng)它在無聲信號(hào)片段時(shí)，激勵(lì)信號(hào)與在CELP時(shí)相似，都是通過一個(gè)碼本索引和通過幅度信息描述；在發(fā)聲信號(hào)片段時(shí)則應(yīng)用了諧波綜合，它是將基音和諧音的正弦振蕩按照傳輸?shù)幕l進(jìn)行綜合。 混合編碼：將上述兩種編碼方法結(jié)合起來，采用混合編碼的方法，可以在較低的數(shù)碼率上得到較高的音質(zhì)。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(jié)合，在編碼器中將激勵(lì)輸入綜合濾波器產(chǎn)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(jù)均方誤差最小原則，求得最佳的激勵(lì)信號(hào)，然后把激勵(lì)信號(hào)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(lì)的過程稱為分析（得到語音參數(shù)）；用激勵(lì)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(shù)編碼和波形編碼的優(yōu)點(diǎn)結(jié)合在了一起，使得用較低碼率產(chǎn)生較好的音質(zhì)成為可能。通過設(shè)計(jì)不同的碼本和碼本搜索技術(shù)，產(chǎn)生了很多編碼標(biāo)準(zhǔn)，目前我們通訊中用到的大多數(shù)語音編碼器都采用了混合編碼技術(shù)。例如在互聯(lián)網(wǎng)上的 G.723.1和G.729標(biāo)準(zhǔn)，在GSM上的EFR、HR標(biāo)準(zhǔn)，在3GPP2上的EVRC、QCELP標(biāo)準(zhǔn)，在3GPP上的AMR-NB/WB標(biāo)準(zhǔn)等等。 音樂的編碼技術(shù)主要有自適應(yīng)變換編碼（頻域編碼）、心理聲學(xué)模型和熵編碼等技術(shù)。 自適應(yīng)變換編碼：利用正交變換，把時(shí)域音頻信號(hào)變換到另一個(gè)域，由于去相關(guān)的結(jié)果，變換域系數(shù)的能量集中在一個(gè)較小的范圍，所以對(duì)變換域系數(shù)最佳量化后，可以實(shí)現(xiàn)碼率的壓縮。理論上的最佳量化很難達(dá)到，通常采用自適應(yīng)比特分配和自適應(yīng)量化技術(shù)來對(duì)頻域數(shù)據(jù)進(jìn)行量化。在MPEG layer3和AAC標(biāo)準(zhǔn)及Dolby AC-3標(biāo)準(zhǔn)中都使用了改進(jìn)的余弦變換（MDCT）；在ITU G.722.1標(biāo)準(zhǔn)中則用的是重疊調(diào)制變換（MLT）。本質(zhì)上它們都是余弦變換的改進(jìn)。 心理聲學(xué)模型：其基本思想是對(duì)信息量加以壓縮，同時(shí)使失真盡可能不被覺察出來，利用人耳的掩蔽效應(yīng)就可以達(dá)到此目的，即較弱的聲音會(huì)被同時(shí)存在的較強(qiáng)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(yīng)，就可以通過給不同頻率處的信號(hào)分量分配以不同的量化比特?cái)?shù)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(biāo)準(zhǔn)及AC-3標(biāo)準(zhǔn)中都采用了心理聲學(xué)模 型，在目前的高質(zhì)量音頻標(biāo)準(zhǔn)中，心理聲學(xué)模型是一個(gè)最有效的算法模型。 熵編碼：根據(jù)信息論的原理，可以找到最佳數(shù)據(jù)壓縮編碼的方法，數(shù)據(jù)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(jù)信息出現(xiàn)概率的分布特性而進(jìn)行的，是一種無損數(shù)據(jù)壓縮編碼。常用的有霍夫曼編碼和算術(shù)編碼。在MPEG layer1、2、3和AAC標(biāo)準(zhǔn)及ITU G.722.1標(biāo)準(zhǔn)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(shù)編碼。 2.3 數(shù)字音頻編碼的主要應(yīng)用 對(duì)數(shù)字音頻信息的編碼進(jìn)行壓縮的目的是在不影響人們使用的情況下使數(shù)字音頻信息的數(shù)據(jù)量最少。通常用如下6個(gè)屬性來衡量： —比特率； —主觀/客觀的語音質(zhì)量； —計(jì)算復(fù)雜度和對(duì)存儲(chǔ)器的要求； —延遲； —對(duì)于通道誤碼的靈敏度； —信號(hào)的帶寬。 由于不同的應(yīng)用，人們對(duì)數(shù)字音頻信息的要求是不同的，并且在選擇數(shù)字音頻信息編碼所采用的技術(shù)時(shí)也需要了解人們對(duì)音頻信息的各種應(yīng)用。目前數(shù)字音頻信息處理技術(shù)主要應(yīng)用于： ■消費(fèi)電子類數(shù)字音響設(shè)備 CD唱機(jī)、數(shù)字磁帶錄音機(jī)（DAT）、MP3播放機(jī)以及MD（Mini Disc）唱機(jī)已經(jīng)廣泛地應(yīng)用了數(shù)字音頻技術(shù)。 ■廣播節(jié)目制作系統(tǒng) 在聲音節(jié)目制作系統(tǒng)，如錄音、聲音處理加工、記錄存儲(chǔ)、非線性編輯等環(huán)節(jié)使用了數(shù)字調(diào)音臺(tái)、數(shù)字音頻工作站等數(shù)字音頻設(shè)備。 ■多媒體應(yīng)用 在多媒體上的應(yīng)用體現(xiàn)在VCD、DVD、多媒體計(jì)算機(jī)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(shù)，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(kuò)充的、開放的，并可以應(yīng)用未來的編碼技術(shù)：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(shù)字化 在廣播電視和數(shù)字音頻廣播系統(tǒng)中，聲音編碼采用MUSICAM編碼方法，符合MPEG-1 Layer 1高級(jí)音頻編碼。如當(dāng)今的數(shù)字電視采用的音頻標(biāo)準(zhǔn)就是Dilby AC-3和MPEG-layer2。 ■通訊系統(tǒng) 在通訊系統(tǒng)中，必須對(duì)音頻進(jìn)行壓縮。傳統(tǒng)的PSTN電話中采用的是G.711和G.726的標(biāo)準(zhǔn)；GSM移動(dòng)通訊采用的是GSM HR/FR/EFR標(biāo)準(zhǔn)；CDMA移動(dòng)通訊采用的是3GPP2 EVRC、QCELP8k、QCELP16k、4GV標(biāo)準(zhǔn)；WCDMA第3代移動(dòng)通訊采用的是3GPP AMR-NB、AMR-WB標(biāo)準(zhǔn)。另外在IPTV和移動(dòng)流媒體中，采用的是AMR-WB+和AAC的標(biāo)準(zhǔn)。 總之，根據(jù)應(yīng)用場合的不同可以將數(shù)字音頻編碼分為如下兩種編碼： 語音編碼：針對(duì)語音信號(hào)進(jìn)行的編碼壓縮，主要應(yīng)用于實(shí)時(shí)語音通信中減少語音信號(hào)的數(shù)據(jù)量。典型的編碼標(biāo)準(zhǔn)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(duì)頻率范圍較寬的音頻信號(hào)進(jìn)行的編碼。主要應(yīng)用于數(shù)字廣播和數(shù)字電視廣播、消費(fèi)電子產(chǎn)品、音頻信息的存儲(chǔ)、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(xiàn)也很不錯(cuò)。 三、音頻編碼標(biāo)準(zhǔn)發(fā)展現(xiàn)狀 3.1 語音編碼標(biāo)準(zhǔn)發(fā)展現(xiàn)狀 國際電信聯(lián)盟（ITU）主要負(fù)責(zé)研究和制定與通信相關(guān)的標(biāo)準(zhǔn)，作為主要通信業(yè)務(wù)的電話通信業(yè)務(wù)中使用的語音編碼標(biāo)準(zhǔn)均是由ITU負(fù)責(zé)完成的。其中用于固定網(wǎng)絡(luò)電話業(yè)務(wù)使用的語音編碼標(biāo)準(zhǔn)如ITU-T G.711等主要在ITU-T SG 15完成，并廣泛應(yīng)用于全球的電話通信系統(tǒng)之中。目前，隨著Internet網(wǎng)絡(luò)及其應(yīng)用的快速發(fā)展，在2005到2008研究期內(nèi)，ITU-T將研究和制定變速率語音編碼標(biāo)準(zhǔn)的工作轉(zhuǎn)移到主要負(fù)責(zé)研究和制定多媒體通信系統(tǒng)、終端標(biāo)準(zhǔn)的SG 16中進(jìn)行。 在歐洲、北美、中國和日本的電話網(wǎng)絡(luò)中通用的語音編碼器是8位對(duì)數(shù)量化器（相應(yīng)于64Kb/s的比特率）。該量化器所采用的技術(shù)在1972年由CCITT（ITU-T的前身）標(biāo)準(zhǔn)化為G.711。 在1983年，CCIT規(guī)定了32Kb/s的語音編碼標(biāo)準(zhǔn)G.721，其目標(biāo)是在通用電話網(wǎng)絡(luò)上的應(yīng)用（標(biāo)準(zhǔn)修正后稱為G.726）。這個(gè)編碼器價(jià)格雖低但卻提供了高質(zhì)量的語音。 至于數(shù)字蜂窩電話的語音編碼標(biāo)準(zhǔn) ，在歐洲，TCH-HS是歐洲電信標(biāo)準(zhǔn)研究所（ETSI）的一部分，由他們負(fù)責(zé)制定數(shù)字蜂窩標(biāo)準(zhǔn)。在北美，這項(xiàng)工作是由電信工業(yè)聯(lián)盟（TIA）負(fù)責(zé)執(zhí)行。在日本，由無線系統(tǒng)開發(fā)和研究中心（稱為RCR）組織這些標(biāo)準(zhǔn)化的工作。 此外，國際海事衛(wèi)星協(xié)會(huì)（Inmarsat）是管理地球上同步通信衛(wèi)星的組織，也已經(jīng)制定了一系列的衛(wèi)星電話應(yīng)用標(biāo)準(zhǔn)。 3.2 音頻編碼標(biāo)準(zhǔn)發(fā)展現(xiàn)狀 音頻編碼標(biāo)準(zhǔn)主要由ISO的MPEG組來完成。MPEG1是世界上第一個(gè)高保真音頻數(shù)據(jù)壓縮標(biāo)準(zhǔn)。MPEG1是針對(duì)最多兩聲道的音頻而開發(fā)的。但隨著技術(shù)的不斷進(jìn)步和生活水準(zhǔn)的不斷提高，有的立體聲形式已經(jīng)不能滿足聽眾對(duì)聲音節(jié)目的欣賞要求，具有更強(qiáng)定位能力和空間效果的三維聲音技術(shù)得到蓬勃發(fā)展。而在三維聲音技術(shù)中最具代表性的就是多聲道環(huán)繞聲技術(shù)。目前有兩種主要的多聲道編碼方案：MUSICAM環(huán)繞聲和杜比AC-3。MPEG2音頻編碼標(biāo)準(zhǔn)采用的就是MUSICAM環(huán)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(guī)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(biāo)準(zhǔn)，簡稱MPEG 2BC；另一種是稱為高級(jí)音頻編碼標(biāo)準(zhǔn)，簡稱MPEG 2AAC，因?yàn)樗cMPEG1不兼容，也稱MPEG NBC。 MPEG4的目標(biāo)是提供未來的交互多媒體應(yīng)用，它具有高度的靈活性和可擴(kuò)展性。與以前的音頻標(biāo)準(zhǔn)相比，MPEG4增加了許多新的關(guān)于合成內(nèi)容及場景描述等領(lǐng)域的工作。 MPEG4將以前發(fā)展良好但相互獨(dú)立的高質(zhì)量音頻編碼、計(jì)算機(jī)音樂及合成語音等第一次合并在一起，并在諸多領(lǐng)域內(nèi)給予高度的靈活性。 3.3 具有我國自主知識(shí)產(chǎn)權(quán)的音頻編碼標(biāo)準(zhǔn)發(fā)展現(xiàn)狀 具有自主知識(shí)產(chǎn)權(quán)的廣晟數(shù)碼數(shù)字音頻編解碼算法（簡稱廣晟數(shù)碼音頻技術(shù)，DRATM），它是可以同時(shí)支持立體聲和多聲道環(huán)繞聲的數(shù)字音頻編解碼技術(shù)。其算法的特點(diǎn)是采用自適應(yīng)時(shí)頻分塊（ATFT）方法實(shí)現(xiàn)對(duì)音頻信號(hào)的最優(yōu)分解，進(jìn)行自適應(yīng)量化和熵編碼。 另外，由多家研究所、大學(xué)組成的中國音視頻編碼技術(shù)委員會(huì)（AVS）目前正在研究制定AVS第2部分音頻標(biāo)準(zhǔn)，并已經(jīng)申請了部分專利。AVS音頻標(biāo)準(zhǔn)的指導(dǎo)原則是：在基本解決知識(shí)產(chǎn)權(quán)問題的前提下，制定具有國際先進(jìn)水平的中國音頻編碼/解碼標(biāo)準(zhǔn)，使AVS音頻編碼的綜合技術(shù)指標(biāo)基本達(dá)到或超過 MPEG AAC編碼技術(shù)的指標(biāo)。目前正在開展移動(dòng)部分AVS-M的音頻標(biāo)準(zhǔn)制定工作。 四、數(shù)字音頻編碼技術(shù)的發(fā)展趨勢 4.1 語音編碼技術(shù)的發(fā)展趨勢 經(jīng)過多年的努力，業(yè)界在語音編碼領(lǐng)域取得了很多重要的進(jìn)展。目前在語音編碼領(lǐng)域的研究焦點(diǎn)，一方面是在保證語音質(zhì)量的前提下，降低比特率。在采用的技術(shù)方面從基于線性預(yù)測，使用合成一分析法向采用參數(shù)編碼技術(shù)方向轉(zhuǎn)變。主要的應(yīng)用目標(biāo)是蜂窩電話和應(yīng)答機(jī)。另一方面是對(duì)傳統(tǒng)的語音編碼器進(jìn)行全頻帶擴(kuò)展，使其適應(yīng)音頻的應(yīng)用。例如，AMR從NB發(fā)展到WB，再到最新的WB+，現(xiàn)正在進(jìn)行全頻帶的擴(kuò)展工作；G.729已發(fā)展到G.729.1，目前也在啟動(dòng)全頻帶的擴(kuò)展工作；G.722.1也已發(fā)展到G.722.1 Annex E，已經(jīng)完成了全頻帶的擴(kuò)展工作。 除此之外，為適應(yīng)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(biāo)準(zhǔn)。變速率的語音編碼將是近期語音編碼發(fā)展的一個(gè)趨勢。 4.2 音頻編碼技術(shù)的發(fā)展趨勢 MPEG4的研究已經(jīng)開始了一段時(shí)間，也取得了一些進(jìn)展，但由于MPEG4本身設(shè)定的目標(biāo)比較遠(yuǎn)大，一些能力仍然在研究之中。隨著以IPTV業(yè)務(wù)為代表的信息檢索業(yè)務(wù)的開展，適合于在IP網(wǎng)絡(luò)上傳輸?shù)囊纛l信號(hào)編碼技術(shù)，用于制作、檢索和存儲(chǔ)音頻信息的技術(shù)將成為發(fā)展的方向。 |
