低速率声码器激励参数的DCT_-M模型

在低速率声码器中,对激励信号的描述直接影响重建语音的质量。为了改善音质,该文引入了DCT-M模型对激励谱幅度参数进行描述,通过二维离散余弦变换将变长的谱幅度矢量转为固定长度,再对其进行多级矢量量化。测试表明,该方法能够保留全带激励谱幅度矢量的形状,降低模型误差,从而提高了全带激励谱幅度的描述精度。将其应用在正弦激励线性预测(SELP)声码器中进行测试,结果表明其能够改善重建语音的自然度,主观测试结果达65%。     

一种甚低码率声码器的设计

在混合激励线性预测 (mixed excitation linear prediction, MELP) 模型的基础上,以超帧为单位,采用多帧联合编码技术,分模式对子帧的语音特征参数进行联合量化,实现了一种码率为600 bit/s的声码器。为了进一步减小量化误差,设计出了一种基于高斯混合模型的预测分类分裂矢量量化器(predictive switched split vector quantization based on Gauss mixture model, GMM-PSSVQ),该量化器对超帧中某些子帧的线谱频率进行量化,并利用帧间预测和线性插值等方法提高编码效率。采用谱失真对设计的矢量量化器进行性能评估,并分别与多级矢量量化和预测分裂矢量量化算法进行性能比较;通过客观感知语音质量评估和主观判断韵字测试对实现的声码器进行性能测试。测试结果表明,设计的矢量量化器平均谱失真最低,实现的声码器合成语音具有较高的清晰度和可懂度。     

语音模糊特征提取及码本训练算法

为克服低速率声码器因清浊音硬判决、粗判决而导致解码语音有帧过渡等不自然感的缺陷,在分析比较目前主流声码器编码算法中激励参数提取和量化算法的基础上,将模
糊数学中的隶属度概念引入语音子带清浊音描述。提出了五维的浊音隶属度矢量概念,用于精细描述语音丰富的激励信息;阐述了浊音隶属度矢量的提取算法;提出了矢量量化码本的模糊聚类与LBG级联训练算法（F-LBG：Fuzzy-LBG）;采用提取算法提取、建立了浊音隶属度码本的训练样本集,采用F-LBG训练了浊音隶属度码本;将提取算法和F-LBG法训练得到的浊音隶属度码本分别应用于正弦激励声码器、混合激励声码器和同态声码器的语音编、解码仿真。结果表明,用浊音隶属度矢量描述合成语音激励信号的算法,具有较高的准确性和较强的噪声鲁棒性。     

矢量量化法用于改进的多带激励声码器一种极低比特率语音编码方案

在低比特率语音编码方法中，改进的多带激励编码方法可得到低噪声和稳健性强的重建语音，但运算量很大．作者在改进的多带激励编码研究中，将矢量量化方法引入频谱幅度的量化，不仅降低了运算量而且降低了编码比特率，使得在１．３５～１．８ｋｂｉｔ／ｓ的编码比特率下的重建语音，与４．８ｋｂｉｔ／ｓ编码比特率下（按自激励声码器编码方法）重建的语音质量相比毫不逊色．     

实时低速率语音压缩编码的算法研究

针对数字化通信网及多媒体应用中低速率数字语音编码问题，以多带激励（ＭＢＥ）声码器为模型，采用了一些新算法去降低编码速率和改善音质。利用动态规划算法对基音周期进行平滑，去除了声码器中常有的音调噪声。利用ＬＰＣ全极点模型谱逼近ＭＢＥ谱包络，并采用共振峰增强技术来补偿模型误差，有效地降低了编码速率。为了能够实时实现这个编码系统，采用了分裂矢量量化，多级矢量量化和前向多层人工神经网络等技术进行优化和改善，使之在２．４ｋｂｉｔ／ｓ，１．２ｋｂｉｔ／ｓ及８００ｂｉｔ／ｓ等速率上实时实现了较高质量的语音压缩编码。     

矢量量化法用于改进的多带激励声码器—一种极低比特率语音…

在低比特率语音编码方法中，改进的多带激励编码方法可得到低噪声和稳健性强的重建语音，但运算量很大，作在改进的多带激励编码研究中，将矢量量化方法引入频谱幅度的量化，不仅降低了运算量而且降低了编码比特率，使得在１．３５￣１．８ｋｂｉｔ／ｓ的编码比特率下的重建语音，与４．８ｋｂｉｔ／ｓ编码比特率下（按自激励声码器编码方法）重建的语音质量相比毫不逊色。     

正弦激励线性预测声码器子带清浊音模糊判决

为了解决目前正弦激励线性预测声码器中各子带的清浊音硬判决使得语音帧间产生明显过渡感的问题,提出一种子带清浊音模糊判决算法,直接采用自相关函数对各子带的清浊音度进行描述,矢量量化后传输至解码端,用于激励信号的产生.测试结果表明: 采用子带清浊音模糊判决算法,能够消除语音帧间的过渡感,能够使各种速率正弦激励线性预测声码器的平均主观意见得分提高约0.05以上.     

多级矢量量化中的码本共享

为了解决语音参数编码算法中多级矢量量化中码本尺寸过大,存储量过大,导致搜索复杂度大的问题,提出了多级矢量量化中的码本共享的迭代算法。该算法基于多级矢量量化中各级待量化码矢之间的相似性,采用模拟退火算法,通过迭代得出共享变换系数。在1.2 kb/s的正弦激励线性预测声码器中,采用该算法对线谱对参数进行多级矢量量化。测试结果表明:在共享级别选择恰当时,可降低存储量20%,同时重建语音谱失真损失约为0.02 dB,可见该算法可以有效降低码本容量,同时对语音质量影响极小。     

高质量的0.6 kb/s声码器算法

为满足语音信息存贮和交流对极低速率下语音压缩编码的需求,提出了一种0.6 kb/s声码器算法.此算法基于线性预测正弦激励模型,在极低码率下获得高质量的合成语音,提出清浊音定位和量化方法,应用了多帧参数联合矢量量化技术,以及多带正弦混合激励、谱增强等技术.主观听觉测试显示,在0.6 kb/s的速率下,此声码器合成语音不仅具有高可懂度而且具有一定的自然度,诊断押韵测试(DRT)的分数为89.5%, 而且在10-2的随机误码的信道条件下仍然具有很好的可懂度.实验表明 利用帧间参数相关性及矢量量化的方法可以将编码速率大幅度压低而保持较高清晰度.     

基于MELPe模型的600 BPS声码器算法设计

在增强型混和激励线性预测(MELPe)模型的基础上,提出了一种高音质的600 bps声码器算法。保持MELPe算法特征的同时,利用帧间参数冗余,进行多帧联合量化;运用基于预测的分级矢量量化(PMSVQ)算法对线谱频率(LSF)参数进行量化。在非正式的主观语音质量测试中,合成语音质量优于传统的LPC10e声码器,接近2 400 bpsMELP标准的合成语音。     

带有帧间级间预测的线谱频率参数多级矢量量化

为在极低速率下实现高质量的语音编码,提出一种高效的带有帧间及级间预测的线谱频率参数多级码本矢量量化(IFP-MSVQ-ISP)算法。算法利用多级矢量量化中上一级码本的选定码矢对残差矢量进行预测,对去除预测分量的残差矢量再进行下一级矢量量化。测试结果表明,这种带有多级码本级间预测的算法与无级间预测的算法相比,能够有效降低线谱频率参数的量化误差,使谱失真降低0.1 dB以上,合成语音客观MOS提高0.02以上。该算法的实现对极低速率下语音压缩编码算法的研究具有重要的参考价值。     

智能对线器语音系统设计与仿真分析

为方便继电保护人员在使用智能对线器时进行语音通信,在智能对线器的基础上设计了一个语音通信系统.该系统编码技术以码激励线性预测语音编码（CELP）技术为基础,采用分裂式矢量量化（SVQ）技术、开环与闭环结合的自适应码本搜索算法和固定码本自相关搜索算法来提高语音处理速度和重构语音质量,应用自适应组合滤波器进一步增强语音的感性质量.仿真分析和语音测试的结果表明,语音通信系统获得了较高质量的重构语音,能满足对线工作的语音通信需求.     

8 kbit/s 短延时语音编码算法——LD-ACELP

８ｋｂｉｔ／ｓ短延时语音编码算法ＬＤ－ＡＣＥＬＰ，采用了代数码本激励线性预测（ＡＣＥＬＰ）的编码方法，利用语音的帧间相关性对线谱对参数采用了分裂式矢量量化技术，并采用高效的码本结构、码本搜索技术和增益矢量量化技术来获得较高的语音合成质量和较短的算法延时。ＬＤ－ＡＣＥＬＰ的帧长为１０ｍｓ，算法延时为１５ｍｓ。通过信噪比及人耳主观听觉实验等性能测试表明，该算法具有与国际电联１６ｋｂ／ｓ短延时语音编码算法ＬＤ－ＣＥＬＰ（Ｇ．７２８）相当的语音合成质量。     

基于浊音语音谐波谱子带加权重建的抗噪声说话人识别

提出了一个基于浊音语音谐波谱重建的说话人识别算法.该算法根据浊音语音短时频谱的结构特征和基音信息,对浊音语音谐波结构频谱进行子带加权重建,以补偿由噪声引起的训练与测试条件的失配.算法基于重建浊音频谱提取感知线性预测倒谱系数,与基音相组合作为说话人的语音特征参数矢量,采用高斯混合模型对说话人进行建模.仿真实验的结果表明:所提出的浊音谱重建方法对多种类型含噪语音的噪声补偿均具良好效果,可以明显提高在噪声环境下的与文本无关的说话人识别的识别率,特别是显著提高低信噪比环境下的识别率,而不会明显降低纯净语音和高信噪比环境下的识别率.     

6.3kbit/s CELP语音编码的研究

提出了一种新的6.3kbit/sCELP语音编码方案,其语音质量接近ITU-TG.729的合成语音质量,而编解码复杂度约为10MIPS.它在CELP的3个主要方面作了改进LSP参数的矢量量化;开环基音预测,长时预测滤波器系数的求解和量化一体化;代数码本激励.这些措施在保证合成语音质量的前提下大大降低了计算量,从而能够在单片TMS320C30系统上实时实现.     

结合空间金字塔局部特征的谱匹配算法

为提高基于谱分解的图像匹配算法的匹配精度,通过对中心对称局部二值模式(CS-LBP)进行修正,并引入空间金字塔尺度划分方法,获取图像局部特征描述向量;并以此向量之间相似性作为度量方式,重构邻接矩阵,通过谱分解获取特征点匹配关系.通过对比实验,结果表明,该算法匹配精度较高.