语音声码器模型及ADPCM声码器仿真

ADPCM是一种波形编码,对应的标准算法有G.721,G.726等.本文建立形式化的数学模型,分析编解码算法及编码前后、解码前后信息差度量△1、△2.对0.8411秒的WAV语音实现了采样频率8KHz,数据率32Kbps的语音编码,并很好地还原出声音.实现算法时要充分考虑环境噪音.算法对[-0.1,0.1]的随机加性噪声有较好的鲁棒性,编解码时间稳定,时间复杂度为O(N).     

语音声码器模型及ADPCM声码器仿真

ADPCM是一种波形编码,对应的标准算法有G.721,G.726等。本文建立形式化的数学模型,分析编解码算法及编码前后、解码前后信息差度量Δ1、Δ2。对0.8411秒的WAV语音实现了采样频率8KHz,数据率32Kbps的语音编码,并很好地还原出声音。实现算法时要充分考虑环境噪音。算法对[-0.1,0.1]的随机加性噪声有较好的鲁棒性,编解码时间稳定,时间复杂度为O(N)。     

语音信号线性预测参数的韧性估计

使用牛顿算法的韧性Ｍ估计方法来估计语音信号的线性预测参数．该方法考虑了语音信号模型浊音激励源的非高斯特性，它能消除浊音激励中远离值的影响．使用合成语音信号数据的实验表明，与常规的线性预测方法比较，所提出的方法能给出更有效和更小偏倚的估计．     

低速率语音编解码声码器的实现

基于编码速率600bps的SELP语音算法,提出一种新的语音编解码芯片,电路设计时满足算法复杂度高、运算量大的需求,从而使声码器在极低的速率下更高效地工作,获得更好的语音重建质量．同时,声码器在设计时采用了可重构的思想,对于其他定点语音算法,只需要将算法程序注入到程序存储区就能实现多种算法在同一款芯片的重构。     

语音信号的线性预测分析

本文叙述包括线性预测编码的基本概念和语音信号线性预测分析的基本原理。介绍了协方差法及李温森(Levenson)法,并对这两种方法作了比较。对谱的测定、共振频率的测定、音调检波、对数倒频谱及语言综合等作了简要介绍。     

一种语音信号线性预测系数的求解新方法

语音信号的线性预测分析是语音信号处理中的重要部分,线性预测系数提取的速度和精确程度直接影响后续的处理工作.现提出一种基于BP神经网络的线性预测系数的求解方法.实验表明,该方法能以较少的训练次数得到较高的计算精度.     

0.8 kb/s高质量声码器算法

随着通信的发展,对极低速率下语音压缩编码算法的需求越来越迫切.为满足极低码率的要求并获得高质量的合成语音,提出了一种高质量的0.8 kb/s 声码器算法.此算法基于传统的线性预测模型,利用多帧联合的超级帧参数分模式联合矢量量化技术,以及多带混合激励,子带清浊音参数相关预测,自适应谱增强,脉冲扩散后滤波等技术.主观听觉测试显示,此声码器在0.8 kb/s的速率下其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85%,而且此声码器在10-2的随机误码的信道条件下仍然具有很好的可懂度.     

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.     

数字语音信号的基音检测

声码器技术中的基音检测直接影响合成语音的质量。本文通过理论分析介绍了两种基音检测方法,编制了微机模拟程序,提出了一些判决阈值的选取原则,并且对元音u和语音序列“中央提出”(男声)进行了试验。通过比较,尤其经过对合成语音的试听,表明这两种方法都取得了令人满意的效果。这些内容可以为研究实现基音检测的实时处理方法提供一定的参考。     

一种低码率声码器系统的设计及实现

在简单介绍Ｇ．７２３．１编解码算法及语音编解码协处理器ＣＴ８０２０后,给出了一种低码率声码器系统的硬件和软件设计及实现方法,着重讨论了该应用系统设计中有关语音数据同步传输等问题的主要处理方法。     

可变速率声码器的性能研究

主要介绍了Q4401可变速率声码器的工作原理和各种功能，PCM接口和CPU接口、初始化过程及命令格式等，并设计了一种典型的应用实例。实验证明该声码器将语音信号压缩至4-9.6kbit/s范围时，可达到普通电话的通话效果。     

一种基于混合MELP/CELP的4 kbit/s声码器

利用混合激励线性预测 (mixed excitation linear prediction,MELP)算法和码激励线性预测(code excitation linear prediction,CELP)算法的优点,提出了一种混合MELP/CELP语音编码模型.编码端对强浊音帧采用MELP编码,对弱浊音帧和清音帧进行CELP编码.MELP编码器采用相位对齐技术提取强浊音帧的相位参数,解决了合成语音与原始语音在时间上不同步的问题.对实现的4 kbit/s混合MELP/CELP声码器进行客观MOS(mean opinion score)值和主观DRT(diagnostic rhythm test)清晰度测试,结果表明,该声码器的合成语音具有较高的可懂度和清晰度.     

小波分析法对多带激励声码器基音提取的改进

作者介绍了小波变换用于语音信号基音周期检测的原理，提出了基于小波变换后波形特征的基音提取算法。该算法与原多带激励声码器基音提取算法相比，能有效避开噪声的干扰，正确提取语音的基音，计算复杂度也降低很多。     

低码率语音编码的线谱对实现

线谱对参数在描述声道方面是与线性预测ＬＰ系数安全等价的另一种表示方法。叙述了ＬＳＰ的定义及其性质,ＬＳＰ算法及其转化,并给出ＬＳＰ参数的一种实用算法。     

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%。     

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,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,它能够改善重建语音的自然度,主观测试结果达65%。     

2.4kbps混合激励LPC声码器算法及其实现

2.4kbps LPC声码器在窄带数字保密通信、卫星VSAT及ISDN中均有广泛的应用前景。传统的LPC声码器可以合成较高可懂度和一定自然度的话音,但其质量尚不令人满意。其主要原因是采用了过于简化的二元激励模型。本文从提高LPC声码器的质量出发,研究了采用混合激励的LPC声码器算法——M—LPC算法。与传统LPC的算法相比,M—LPC算法在激励源、基音检测及合成等方面都作了改进。计算机模拟结果表明,M—LPC算法可合成高质量的话音。本算法已采用TMS 320C25实时实现。主观试听结果表明,2.4kbps M-LPC声码器的质量令人满意。     

基于DSP的EVRC声码器实现与软件优化技术

针对定点EVRC声码器的DSP实现，在充分理解TMS320C64xx CPU结构的基础上，对语音信号处理中大量出现的循环运算，进行软件深度优化，极大提高了CPU的利用率和CPU功能单元的并行处理程度，并在实际应用中得到满意的效果。