專利名稱：基于語音功率譜的低速率語音編碼方法
技術(shù)領(lǐng)域：
本發(fā)明涉及ー種低速率的語音編碼方法，具體涉及到基于字典學(xué)習(xí)的信號稀疏表示和重構(gòu)的語音處理技術(shù)。
背景技術(shù)：
近年來，隨著數(shù)據(jù)壓縮技術(shù)的發(fā)展，低速率語音編碼技術(shù)也迅速發(fā)展，在移動通信、保密通信、水下通信中都得到了廣泛的應(yīng)用。雖然CELP波形編碼器在4. 8kb/s比特率時仍能產(chǎn)生高質(zhì)量的語音，但當(dāng)比特率減少至4kb/s以下時，編碼系統(tǒng)性能急劇惡化。此時，必須對語音信號進行高效的數(shù)據(jù)壓縮處理，并要求該處理適應(yīng)通信傳輸要求。在 Boucheron,Laura E. ；De Leon,Pnillip L. ；Sanaoval, Steven. Low bit-rate speech coding through quantization of mel-frequency cepstral coefficients[J].IEEE Transactions on Audio, Speech and Language Processing,2012,20(2) :610-619.發(fā)表的文獻中表明，直接對由語音功率譜轉(zhuǎn)化提取的美爾倒譜系數(shù)進行量化編碼更能有效提高語音編碼質(zhì)量。該方法在PESQ測評中，當(dāng)編碼速率為I. 2kbps時，能夠獲得比同級增強型混合激勵線性預(yù)測編碼約O. I的效果提升，而在更低的O. 6kbps時提升效果則更為可觀，約為O. 25。而文中對美爾倒譜系數(shù)的編碼，實質(zhì)上是ー個由大空間(語音功率譜域)數(shù)據(jù)集至小空間(倒譜域)數(shù)據(jù)集的數(shù)據(jù)壓縮過程。在大數(shù)據(jù)集至小數(shù)據(jù)集的有效表示方面，信號稀疏表示和重構(gòu)理論是近幾年出現(xiàn)的一種新興的信號表示手段，可用于數(shù)據(jù)挖掘、模式分類、壓縮感知等多個領(lǐng)域。信號稀疏表示和重構(gòu)理論不要求精確的恢復(fù)原始數(shù)據(jù)，而是在一定的基集(字典)空間中依照某種準(zhǔn)則尋找最少個數(shù)的稀疏系數(shù)在最大程度上逼近原始數(shù)據(jù)，實現(xiàn)數(shù)據(jù)重構(gòu)。

發(fā)明內(nèi)容
本發(fā)明的目的是將字典學(xué)習(xí)的信號稀疏表示和重構(gòu)理論應(yīng)用在語音信號處理上，構(gòu)造基于其理論的低速率語音壓縮編碼系統(tǒng)，實現(xiàn)語音通信。本發(fā)明的技術(shù)方案從以下兩方面考慮①稀疏理論方面，由于語音信號本身具有一定的信息結(jié)構(gòu)，如諧波信息，因此如果字典能夠通過學(xué)習(xí)獲得信號這種特有結(jié)構(gòu)，那么在該字典上獲得的稀疏系數(shù)必然是信號特征的最大化表現(xiàn)，從而極大的減小輸出系數(shù)的冗余度，實現(xiàn)高效數(shù)據(jù)壓縮的目的。②在通信方面，為了降低編碼速率，則要求接收雙方都必須具有相同的字典，通信時僅傳輸稀疏系數(shù)。在發(fā)送端，根據(jù)字典將原始數(shù)據(jù)分解，獲得稀疏系數(shù)；在接收端，則通過接收的稀疏系數(shù)，利用約定的字典恢復(fù)出原始數(shù)據(jù)，完成通信過程。因此，本發(fā)明將上述兩者進行結(jié)合，通過在接收端采用字典學(xué)習(xí)，實現(xiàn)數(shù)據(jù)壓縮；在發(fā)送端通過分析-合成的方法，獲得與接收端相同的字典，實現(xiàn)通信要求。最終，實現(xiàn)ー種接收端字典學(xué)習(xí)的低速率語音編碼方法。本發(fā)明采用語音功率譜作為主要參數(shù)，結(jié)合基于字典學(xué)習(xí)的信號稀疏表示和重構(gòu)理論進行數(shù)據(jù)壓縮，實現(xiàn)在I. 2kbps速率下高質(zhì)量的聲碼器構(gòu)造方案，能夠在相同編碼速率時獲得比同級別聲碼器更優(yōu)的合成語音質(zhì)量。一種基于語音功率譜的低速率語音編碼方法，其特征是，包含以下步驟(I)發(fā)送端編碼的步驟語音信號通過語音模型輸出參數(shù)，輸出的參數(shù)經(jīng)過數(shù)據(jù)處理，產(chǎn)生稀疏系數(shù)，并轉(zhuǎn)換成比特流；(2)接收端解碼的步驟對接收到的參數(shù)進行數(shù)據(jù)處理，恢復(fù)相關(guān)參數(shù)，并通過基于語音功率譜的語音合成模型獲得最終的合成語音。所述發(fā)送端經(jīng)語音模型后輸出的參數(shù)為基音、歸ー化語音功率譜和能量増益三個參數(shù)。所述發(fā)送端將所述基音、能量増益和通過稀疏理論由所述歸ー化語音功率譜產(chǎn)生的稀疏系數(shù)這三個參數(shù)轉(zhuǎn)化為比特流的形式進行傳輸。所述發(fā)送端的數(shù)據(jù)處理采用多個模塊實現(xiàn)，所述多個模塊包括稀疏分解模塊、字典學(xué)習(xí)模塊以及緩存前幀稀疏系數(shù)和前幀字典模塊。所述接收端接收到的參數(shù)為基音、能量増益和稀疏系數(shù)三個參數(shù)。所述接收端的數(shù)據(jù)處理采用多個模塊實現(xiàn)，所述多個模塊包括稀疏重構(gòu)模塊、字典學(xué)習(xí)模塊以及緩存前幀稀疏系數(shù)和前幀字典模塊。所述發(fā)送端字典學(xué)習(xí)模塊，在發(fā)送端構(gòu)造ー個與接收端相同的字典學(xué)習(xí)算法，僅根據(jù)前若干巾貞的稀疏系數(shù)和字典產(chǎn)生本巾貞的字典。所述接收端字典學(xué)習(xí)模塊，利用前若干幀的稀疏系數(shù)和字典構(gòu)建本幀字典；本幀字典的學(xué)習(xí)分為兩個空間的學(xué)習(xí)前若干幀接收信號對應(yīng)的空間，以及其補空間的學(xué)習(xí)。接收端的字典學(xué)習(xí)方法，為低速率語音通信得以實現(xiàn)提供保障，并盡量利用前幀合成語音的各種信息進行最大化的字典學(xué)習(xí)。所述前若干幀接收信號對應(yīng)的空間學(xué)習(xí)的方法為，在η時刻，對前幀接收信號的字典子空間的學(xué)習(xí)，
權(quán)利要求
1.一種基于語音功率譜的低速率語音編碼方法，其特征是，包含以下步驟 (1)發(fā)送端編碼的步驟語音信號通過語音模型輸出參數(shù)，輸出的參數(shù)經(jīng)過數(shù)據(jù)處理，產(chǎn)生稀疏系數(shù)，并轉(zhuǎn)換成比特流； (2)接收端解碼的步驟對接收到的參數(shù)進行數(shù)據(jù)處理，恢復(fù)相關(guān)參數(shù)，并通過基于語音功率譜的語音合成模型獲得最終的合成語音。
2.根據(jù)權(quán)利要求I所述的基于語音功率譜的 低速率語音編碼方法，其特征是，所述發(fā)送端經(jīng)語音模型后輸出的參數(shù)為基音、歸ー化語音功率譜和能量増益三個參數(shù)。
3.根據(jù)權(quán)利要求2所述的基于語音功率譜的低速率語音編碼方法，其特征是，所述發(fā)送端將所述基音、能量増益和通過稀疏理論由所述歸ー化語音功率譜產(chǎn)生的稀疏系數(shù)這三個參數(shù)轉(zhuǎn)化為比特流的形式進行傳輸。
4.根據(jù)權(quán)利要求I所述的基于語音功率譜的低速率語音編碼方法，其特征是，所述發(fā)送端的數(shù)據(jù)處理采用多個模塊實現(xiàn)，所述多個模塊包括稀疏分解模塊、字典學(xué)習(xí)模塊以及緩存前幀稀疏系數(shù)和前幀字典模塊。
5.根據(jù)權(quán)利要求I所述的基于語音功率譜的低速率語音編碼方法，其特征是，所述接收端接收到的參數(shù)為基音、能量増益和稀疏系數(shù)三個參數(shù)。
6.根據(jù)權(quán)利要求I所述的基于語音功率譜的低速率語音編碼方法，其特征是，所述接收端的數(shù)據(jù)處理采用多個模塊實現(xiàn)，所述多個模塊包括稀疏重構(gòu)模塊、字典學(xué)習(xí)模塊以及緩存前幀稀疏系數(shù)和前幀字典模塊。
7.根據(jù)權(quán)利要求4所述的基于語音功率譜的低速率語音編碼方法，其特征是，所述發(fā)送端字典學(xué)習(xí)模塊，在發(fā)送端構(gòu)造ー個與接收端相同的字典學(xué)習(xí)算法，僅根據(jù)前若干幀的稀疏系數(shù)和字典產(chǎn)生本幀的字典。
8.根據(jù)權(quán)利要求6所述的基于語音功率譜的低速率語音編碼方法，其特征是，所述接收端字典學(xué)習(xí)模塊，利用前若干幀的稀疏系數(shù)和字典構(gòu)建本幀字典；本幀字典的學(xué)習(xí)分為兩個空間的學(xué)習(xí)前若干幀接收信號對應(yīng)的空間，以及其補空間的學(xué)習(xí)。
9.根據(jù)權(quán)利要求8所述的基于語音功率譜的低速率語音編碼方法，其特征是，所述前若干幀接收信號對應(yīng)的空間學(xué)習(xí)的方法為，在η時刻，對前幀接收信號的字典子空間的學(xué)習(xí)，
10.根據(jù)權(quán)利要求9所述的基于語音功率譜的低速率語音編碼方法，其特征是，所述補空間學(xué)習(xí)的方法，采用平均語音功率譜為輔助信息，獲得補空間的字典，
11.根據(jù)權(quán)利要求10所述的基于語音功率譜的低速率語音編碼方法，其特征是，η時刻的字典Dn采用的構(gòu)造方法為 Df7 = [^1 ゐ2 ] X φΦ為在接收端和發(fā)送端由約定的同一種子數(shù)產(chǎn)生的隨機矩陣； 最后對字典Dn的各原子進行能量歸ー化處理。
12.根據(jù)權(quán)利要求11所述的基于語音功率譜的低速率語音編碼方法，其特征是，在所述稀疏重構(gòu)模塊中采用稀疏重構(gòu)算法對于數(shù)據(jù)重建，由η時刻的字典Dn和對應(yīng)的稀疏系數(shù)an相乘獲得，接收端稀疏系數(shù)an的稀疏位置則從能量的角度進行匹配獲得，由下式恢復(fù)歸一化語音功率譜，
全文摘要
本發(fā)明公開了一種基于語音功率譜的低速率語音編碼方法，具體涉及到基于字典學(xué)習(xí)的信號稀疏表示和重構(gòu)的語音處理技術(shù)。它采用以語音功率譜為主要輸出參數(shù)的高效語音模型為低速率語音編碼的模型，在發(fā)送端，語音信號經(jīng)處理后輸出語音功率譜，隨后該參數(shù)通過稀疏理論進行壓縮，最終轉(zhuǎn)換成比特流，實現(xiàn)無線傳輸。采用接收端的字典學(xué)習(xí)方法，為低速率語音通信得以實現(xiàn)提供保障，并利用前幀合成語音的各種信息進行最大化的字典學(xué)習(xí)；采用基于能量的稀疏系數(shù)與字典原子的匹配，構(gòu)造測量矩陣使得匹配的正確性得以提高，實現(xiàn)在接收端語音功率譜的最優(yōu)恢復(fù)。
文檔編號G10L19/12GK102664021SQ20121011956
公開日2012年9月12日 申請日期2012年4月20日 優(yōu)先權(quán)日2012年4月20日
發(fā)明者單鳴雷, 張德國, 朱昌平, 李梟雄, 殷澄, 湯一彬, 韓慶邦, 高遠(yuǎn) 申請人:河海大學(xué)常州校區(qū)