一種語音信號重建算法

摘 要：為了減輕因信包丟失而造成的語音失真，提出了一種基于雙邊線性預測的信包丟失隱藏算法。這種方法利用丟失信包的前一信包或鄰接信包 (在后一信包可獲得的情況下) 預測丟失信包，通過線性加權雙邊線性預測的樣點獲得最終的重建信號，使用重疊相加和幅度調整操作平滑重建信號和真實信號之間的邊界。經過非正式試聽和ITU-T P.862協議所推薦的PESQ算法測試，該算法的重建語音信號質量與其他四種流行重建算法相比，有了較為明顯的改善。



關鍵詞：IP語音；信包丟失隱藏；雙邊線性預測；語音質量評估

中圖分類號：TN912.3 文獻標識碼：B

文章編號：1004-373X(2008)11-167-03

A Speech Signal Reconstruction Algorithm



TIAN Xu′an，XU Yibing，ZHU Min

(Xi′an Communication Institute，Xi′an，710106，China)



Abstract：In this paper，a two-sided linear prediction-based packet loss concealment algorithm is presented to alleviate the speech distortion caused by lost packets in VoIP.This algorithm predicts lost packets from speech segments via either preceding or both preceding and subsequent packets (If subsequent packet is available).Predicted samples are smoothed by linear weighting to obtain the final reconstructed signal.It also performs overlap-and-adding and amplitude-scaling operations to alleviate discontinuity at packet boundaries.The assessment of resultant speech quality via informal listening test and objective measurement with PESQ algorithm from ITU-T P.862 shows that the proposed algorithm has a significant improvement over other four popular reconstruction algorithms.



Keywords：VoIP speech;packet loss concealment;two-sided LP-based reconstruction;perceptual evaluation of speech quality

1 引 言

信包丟失問題是VoIP系統的主要考慮之一。當一個信包不能按時出現在接收端用于解碼時，聽到的語音信號質量就會降低。為此，很多算法被提了出來，控制從發送端、傳輸過程一直到接收端的各個環節，以檢測和處理因信包丟失而造成的傳輸語音質量下降問題^[1，2]。這些方法分為基于發端和基于收端兩類^[1]。基于發端的PLC由收、發兩端共同參與完成；基于接收端的各類PLC算法根據接收端正常接收到的信包、丟失信包編號，以及預先知道的編碼方式盡可能地恢復出原來的語音。基于收端的技術不需要發端數據的參與，不會增加系統的帶寬和時延。本文主要考慮基于接收端的信包丟失隱藏(Packet Loss Concealment)方法。

基于收端常用的PLC方法有靜音替代、前一信包重復、基音波形復制^[3]和線性預測^[4]。這些方法都沒有考慮丟失信包的后續信包。在“盡力而為”型服務的IP網絡中，由于接收緩沖器的存在，丟失信包后面的信包 (即未來信包，此后均用后一信包表示) 經常可以獲得。適當利用丟失信包的后續樣點重建丟失信包，在VoIP系統中是完全可以做到的。本文采用線性預測技術，用丟失信包的前一信包或前一信包及后一信包 (在后一信包可獲得的情況下)重建丟失信包。重建語音信號的質量經過主觀和客觀測試，與上述四種常見方法比較有了較為明顯的改善，得到了滿意的效果。

2 雙邊線性預測

本文建議的基于雙邊線性預測PLC算法只在接收端實施，算法的基本操作是從丟失信包的鄰接信包中估計出丟失語音分段的線性預測 (LP) 系數a(k)和激勵信號e(n)，再通過線性預測綜合合成丟失信包的重建信號。

建議算法分為三部分：前向線性預測、后向線性預測和線性加權、幅度調整。當丟失信包的后一信包接收到時，實施雙邊線性預測；反之，只實施前向線性預測。重建信號產生后，經線性加權和幅度調整得到丟失信包的估計信號并輸出。

2.1 前向線性預測

前向線性預測是指以丟失信包前的信號為參考樣點通過線性預測分析綜合方法合成丟失信包的前向預測信號f(n)，0≤n[4]。

2.2 后向線性預測

后向線性預測與前向線性預測類似，不同之處在基音檢測和激勵信號產生這兩個模塊。基音檢測采用文獻［2］中的峰值檢測法。當后續樣點基音檢測成功時，激勵信號的產生方法如下：



b(n)=eb(N－L－P1+n)， 0≤n

P1≤n

(1)



其中，P1為基音周期，L為線性預測的階數。

若基音檢測失敗，激勵信號按如下方式產生：



b(n)=eb(n)， 0≤n

b(n－N+L)，N－L≤n

(2)



線性加權、幅度調整的策略與信包丟失的類型有關，將在信包重建過程詳細敘述。

3 信包重建過程

3.1 信包丟失前的好幀

在接收到好語音幀時，為了隱藏將來丟失的信包需要做兩個準備：拷貝輸出信號最后B個樣點到歷史緩沖器；輸出信號延時D個樣點。在第一個信包丟失期間，歷史緩沖器用于計算線性預測系數、產生殘差信號、估計基音周期、生成激勵信號和合成重建信號；算法延時用于重疊相加（Overlap-and-Add ) 操作，平滑真實信號到重建信號的過渡。

為了進行實時處理，歷史緩沖器更新如下：



hj(n)=hj－1(n+N)，0≤n

hj(B－N+n)=xj(n)，

0≤n

(3)



信號經D個樣點延時后輸出：



yj(n)=hj－1(B－D+n)，0≤n

xj(n－D)，D≤n

(4)



3.2 第一個丟失的信包

該信包的隱藏方法與后一信包是否正確接收到有關，具體隱藏方法如下。

3.2.1 后一信包丟失

在這種情況下，采用前向預測信號作為丟失信包的重建信號。



(n)=f(n+D)， 0≤n

(5)



3.2.2 后一信包收到

當單個信包丟失，其鄰接信包都收到時，實施前、后向線性預測，得到丟失信包的前、后向預測信號f(n)和b(n)。這兩個信號在各自的起始段，大約一至兩個基音周期內都非常好地逼近了原始語音樣點。重建信號可通過線性加權這兩個預測信號獲得。



(n)=N－nN+1f(n+D)+n+1N+1b(n)，0≤n

(6)



為了減輕丟失信包邊界處的聽覺失真，用歷史緩沖器最后D個樣點重疊相加前向預測信號前D個樣點，平滑真實信號到重建信號的過渡。該結果替換歷史緩沖器最后D個樣點。



h′(n)=D－nD+1h(B－D+n)+n+1D+1f(n)，0≤n

(7)



產生第一個丟失信包的重建信號后，用該信號更新歷史緩沖器。



hj+1(n)=hj(n+N)， 0≤n

hj+1(B－D－N+n)=h′(n)， 0≤n

hj+1(B－D－N+n)=j(n)， D≤n

(8)



3.3 后續丟失的信包

3.3.1 當前信包的后一信包丟失

在這種情況下，只使用前向線性預測，LP系數和基音周期與前一信包的值相同。

3.3.2 當前信包的后一信包可獲得

在這種情況下，線性加權前、后向線性預測綜合合成的信號作為丟失信包的重建信號，重建方法同3.2.2。

3.4 信包丟失后的第一個好幀

為了平滑重建信號到真實信號的過渡，用目前信包前D個樣點重疊相加前一信包重構信號最后D個樣點，結果替代該信包的前D個樣點。



xj(n)=D－nD+1j－1(N+D+n)+n+1D+1xj(n)，

0≤n

(9)



3.5 幅度調整

第一個丟失信包對應輸出信號的幅度保持不變，其余輸出信號的幅度調整方法參考文獻［5］。

4 測試結果

衡量不同PLC算法性能最根本的原則就是比較重建語音信號的質量。原則上講，語音信號的質量是一個主觀評判量，應該組織大量人員按照規范條件進行大量試聽實驗以給出一個語音質量的平均打分 (MOS)。但是，這種費時費力的方式對VoIP研究環境而言是不現實的。因此，我們在初步非正式試驗粗略感覺到建議算法重建語音信號質量有所提高之后，就轉為主要借助于客觀質量評判方法比較重建語音信號質量上的變化。這就是文獻［5］中的PESQ算法，該算法是ITU-T建議P.862描述的一種對語音質量的客觀評價方法。他能夠比較待測試語音信號與指定參考信號之間的聽覺距離，提供一個類似于MOS的語音質量打分PESQ MOS。其取值在-0.5～4.5之間，與主觀語音質量MOS取值域接近，且關聯程度非常高。通過該方法，語音質量的主觀感受MOS可以被客觀評估量PESQ MOS很好地反映出來。 

測試語音取自ITU-T P.23^[6]數據庫中四位英語說話人樣點，兩男兩女，在該數據庫中編號分別為OF01，OF02 (女)及OM01，OM02(男)。每個人有46個長8 s的句子，采樣頻率16 000 Hz，16 b編碼保存。句子測試時，先讀出原始記錄，低采樣到8 000 Hz，然后進行語音活動檢測 (VAD)。在語音活動區域按照指定的信包丟失率隨機選擇一些信包設置為丟失，將其中樣點用零替換。

測試參數設置如下：歷史緩沖器長度B=240，信包長度N=160，線性預測階數L=20，輸出延時D=8，信包丟失率在2%~30%之間。在所有設置下共重建了212 805個丟失語音段。



表1 重建語音信號質量 (PESQ MOS)

表1按照9種信包丟失率，對5種算法重建語音信號的質量進行了比較。從數據表格中可以看出本文建議算法在所有信包丟失率下均優于其他算法。

5 結 語

通過標準數據庫中大量語音信號的測試可以看出，基

于雙邊線性預測的信包丟失隱藏算法重建語音信號的質量得到了有效的提高。目前，通過考慮動態表示重建語音段類型和相位調整等因素以進一步提升重建語音信號質量的研究正在進行中。

參 考 文 獻

［1］Colin P，Orion H，Vicky H.A Survey of Packet Loss Recovery Techniques for Streaming Audio［J］.IEEE Networks，1998，12(5):40-48.



［3］ITU-T Recommendation G.711 Appendix I.A High Quality Low-Complexity Algorithm for Packet Loss Concealment with G.711，1999.



［4］Emre G，Momtahan K.A Linear Prediction-based Packet Loss Concealment Algorithm for PCM Coded Speech［J］.IEEE Trans.on Speech and Audio Processing，2001，9(8):778-785.



［2］David J G，Gordon B L，Ondria J W，et al.Waveform Substitute Techniques for Recovering Missing Speech Segments in Packet Voice Communications［J］.IEEE Transactions on Acoustics，Speech and Signal Processing，1986，34(6):1 440-1 448.



［5］ITU-T Recommendation P.862.Perceptual Evaluation of Speech Quality (PESQ)，an Objective Method for End-to-End Speech Quality Assessment of Narrow-band Telephone Networks and Speech Codecs，2001.



［6］Supplement 23 to ITU-T P Series Recommendations.ITU-T Coded-speech Database，1998.



作者簡介 田緒安 男，1955年出生，陜西長安人，副教授。從事計算機科學與應用研究。

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。