等的共同比例因子對包絡進行 適當按比例調整而得到每個頻譜分量k的頻散量度（dispersion measure) 32。頻譜分量k 處的這些頻散量度可充當每一頻譜分量k的概率分布估計的參數化的參數。例如，針對所 有k，p (k，i)可為f (i，1 (k))，其中，1 (i)為頻譜分量k處確定的頻散量度，其中，對于每一 固定l，f(i，1)為變量i的適當函數，例如，如下面所定義的單調函數，針對包括零的正值i 界定的高斯（Gaussian)或拉普拉斯（Laplace)函數，而1如將在下文以較精確用詞所概述 的為函數參數，其測量函數的"陡度"或"寬度"。通過使用經參數化的參數化，量化與熵編 碼級18因此能夠將頻譜的頻譜值有效地熵編碼進數據流22。如根據下文更詳細給出的描 述而變得明顯的，可單純以分析方式和/或在不需要相同頻譜26的不同頻譜分量的頻譜值 之間的相關性的情況下（即獨立于與相同時刻相關的不同頻譜分量的頻譜值）來實現對概 率分布估計28的確定。量化與熵編碼級18因此可并行地分別對經量化頻譜值或量值水平 執(zhí)行熵編碼。實際熵編碼轉而可以是算術編碼或可變長度編碼，或某一其它形式的熵編碼， 例如，概率區(qū)間劃分熵編碼等。實際上，量化與熵編碼級18使用某一頻譜分量k的概率分 布估計28來對該頻譜分量k處的每一頻譜值進行熵編碼，使得在由概率分布估計28指示 的概率更高的頻譜分量k處的頻譜值的可能值的域的部分內，各個頻譜值k的編碼進數據 流22的位消耗更低，而在由概率分布估計28指示的概率更低的可能值的域的部分內，位消 耗更高。在算術編碼的情況下，例如，可使用基于表格的算術編碼。在可變長度編碼的情況 下，可根據由概率分布估計器14針對各個頻譜分量k確定的概率分布估計28,由量化與熵 編碼級選擇并且應用將可能值映射至碼字的不同碼字表。
[0046] 圖2示出了圖1的頻譜確定器16的可能實現方式。根據圖2,頻譜確定器16包括 比例因子確定器34、變換器36以及頻譜塑形器38。變換器36和頻譜塑形器38在頻譜確 定器16的輸入端與輸出端之間彼此串聯連接，頻譜確定器16經由變換器36和頻譜塑形器 38而連接在圖1中的輸入端20與量化與熵編碼級18之間。比例因子確定器34又連接于 LP分析器12與頻譜塑形器38的另一輸入端之間（參見圖1)。
[0047] 對比例因子確定器34進行配置，以使用線性預測系數信息來確定比例因子。變換 器36在頻譜上分解其接收的信號以獲得原始頻譜。如上文概述的，傳入信號可為輸入端 20處的原始音頻信號或（例如）原始音頻信號的預加強版本。如上文還已概述的，變換器 36可在內部使信號經歷變換，以使用重迭部分逐部分地進行窗化，分別地變換每一窗化部 分。如上文已指示的，MDCT可用于變換。即，變換器36針對每個頻譜分量k輸出一個頻譜 值x' k，且將頻譜塑形器38配置成通過使用比例因子對頻譜按比例調整而在頻譜上對此 原始頻譜進行塑形，即通過使用由比例因子確定器34輸出的比例因子s k來對每一原始頻 譜值x' k進行按比例調整以便獲得相應頻譜值x k，該各個頻譜值xk接著在圖1的級18中 經歷量化與熵編碼。
[0048] 比例因子確定器34確定比例因子時的頻譜分辨率不必與由頻譜分量k界定的分 辨率一致。例如，將頻譜分量感知機動地分組至頻譜群組（諸如，bark頻帶）可形成確定 比例因子（即，對變換器36所輸出的頻譜的頻譜值進行加權的頻譜權重）的頻譜分辨率。
[0049] 將該比例因子確定器34配置成確定這些比例因子，使得這些比例因子表示或近 似為取決于由該線性預測系數信息界定的線性預測合成濾波器的反向濾波器的傳遞函數。 例如，可將比例因子確定器34配置成使用從LP分析器12獲得的呈（例如）量化形式的 線性預測系數（其中，在解碼側經由數據流22也可獲得這些線性預測系數）作為LPC至 MDCT轉換的基礎，該轉換又可涉及0DFT。當然還存在替代方案。在上文概述的圖1的音 頻編碼器為基于感知線性預測的音頻編碼器的替代方案的情況下，可將比例因子確定器 34配置成在使用（例如）0DFT對頻譜因子進行轉換之前首先執(zhí)行對LPC的感知機動加權 (perceptually motivated weighting)。然而，還可存在其它可能性。如下文將更詳細地 概述的，由頻譜塑形器38進行的頻譜按比例調整所產生的濾波的傳遞函數可經由由比例 因子確定器34執(zhí)行的比例因子確定而取決于由線性預測系數信息界定的線性預測合成濾 波器1/A(z)的反向濾波器，使得該傳遞函數為傳遞函數1/A(k*z)的倒數，其中，此處k表 示常數，該常數可（例如）為〇? 92。
[0050] 在基于線性預測的音頻編碼器充當基于感知線性預測的音頻編碼器的情況下，為 了更好地理解在頻譜確定器（一方面）與概率分布估計器14(另一方面）的功能性之間的 相互關系以及此關系導致量化與熵編碼級18的有效操作的方式，參考圖3a及圖3b。圖3a 示出了原始頻譜40。此處，其是典型的由預加強濾波器的傳遞函數加權的音頻信號的頻譜。 為了更精確，圖3a示出了按頻譜分量或頻譜線k繪制的頻譜40的量值。在相同圖表中，圖 3a示出了線性預測合成濾波器的傳遞函數A (z)乘以預加強濾波器24的傳遞函數，所得乘 積表示為42。如可見到的，函數42近似為頻譜40的包絡或粗略形狀。在圖3a中，示出了 線性預測合成濾波器的感知機動修改，諸如在上文提及的例示性情況下的A (0. 92z)。此"感 知模型"由附圖標記44表示。因此函數44通過至少將頻譜遮擋（spectral occlusion)考 慮在內來表示音頻信號的掩蔽閾值（masking threshold)的簡化估計。頻譜因子確定器34 確定比例因子，以便近似得出感知模型44的倒數。圖3b中示出了將圖3a的函數40至44 與感知模型44的倒數相乘的結果。例如，46示出了將頻譜40與44的倒數相乘的結果，并 且因此對應于在編碼器10充當如上文描述的基于感知線性預測的編碼器的情況下由頻譜 塑形器38輸出的感知加權頻譜。由于使函數44與函數44的倒數相乘得到常數函數，所以 所得乘積在圖3b中描繪為平坦的，參見50。
[0051] 現轉向概率分布估計器14,該概率分布估計器14還能夠訪問如上所述的線性預 測系數信息。因此，估計器14能夠計算將函數42與函數44的倒數相乘而得到的函數48。 如從圖3b可看到的，此函數48可用作對頻譜塑形器38所輸出的預濾波46的包絡或粗略 形狀的估計。
[0052] 因此，概率分布估計器14可如圖4中例示的進行操作。具體地，概率分布估計器 14可使界定線性預測合成濾波器1/A(z)的線性預測系數經歷感知加權64,使得這些線性 預測系數對應于經感知修改的線性預測合成濾波器1/A(k ? z)。未經加權的線性預測系數 和經加權的線性預測系數均分別經歷LPC至頻譜權重轉換60和62,并且針對每個頻譜分 量k使該結果做除法運算。所得商視情況經歷某一參數求導68,其中針對頻譜分量k的商 分別地（即，針對每一個k)經歷某一映射函數，從而產生表示（例如）概率分布估計的頻 散的量度的概率分布參數。為了更精確，應用于未經加權的和經加權的線性預測系數的LPC 至頻譜權重轉換60、62產生用于頻譜分量k的頻譜權重s k及s' k。如上文已指示，可以以 比頻譜分量k本身所界定的頻譜分辨率更低的頻譜分辨率來執(zhí)行轉換60、62,但（例如）可 將使用內插來使所得商q k在頻譜分量k上平滑。參數求導接著通過（例如）使用對于所有 k共享的比例因子來按比例調整所有qk而產生每個頻譜分量k的概率分布參數 k。量化 與熵編碼級18接著可使用這些概率分布參數Jik來對量化的經頻譜塑形的頻譜進行有效 地熵編碼。具體地，由于為包絡頻譜值x k或至少包絡頻譜值xk的量值的概率分布估計 的頻散的量度，所以量化與熵編碼級18可使用可參數化函數例如上文提及的f(i，l(k))， 以通過使用作為可參數化函數的設定（即，作為l(k))來確定每一頻譜分量k的概率 分布估計28。較佳地，可參數化函數的參數化使得概率分布參數（例如，l(k))實際上為對 概率分布估計的頻散的量度，即概率分布參數測量概率分布可參數化函數的寬度。在下文 進一步概述的特定實施例中，將拉普拉斯分布用作可參數化函數，例如f (i，1 (k))。
[0053] 參看圖1，應注意，概率分布估計器14可另外將信息插入數據流22中，這樣做使得 在解碼側，與僅基于LPC信息提供的質量相比，針對單個頻譜分量k的概率分布估計28的 質量增加。具體地，根據下文進一步概述的這些特定例示性地描述的實施細節(jié)，在表示變換 編碼激勵的頻譜26諸如用變換函數進行濾波而得到頻譜對應于感知模型的倒數或線性預 測合成濾波器的反向濾波器的情況下，概率分布估計器14可使用長期預測以便獲得對頻 譜26的包絡或形狀的頻譜上更精細的估計30。
[0054] 例如，參見圖5a至圖5c來例示概率分布估計器14的后一可選功能。如同圖3a， 圖5a示出了原始音頻信號頻譜40和包括預加強的LPC模型A (z)。即，具有原始信號40及 其包括預加強的LPC包絡42。圖5b顯示了 LTP梳形濾波器70,作為由概率分布估計器14 執(zhí)行的LTP分析的輸出的實例，LTP梳形濾波器70, S卩，例如，通過描述谷峰比率a/b的值 LTP增益和界定梳形函數70的峰值之間的間距或距離（S卩，c)的參數LTP滯后來參數化的 頻譜分量k上的梳形函數。概率分布估計器14可確定剛剛提及的LTP參數，使得將LTP梳 形函數70與對頻譜26的基于線性預測系數的估計30相乘更接近地估計實際頻譜26。圖 5c中例示性示出了將LTP梳形函數70與LPC模型42相乘，且可看出，LTP梳