Zum Inhalt springen
Zurück zu den Suchergebnissen

Lineare Prädiktive Kodierung

Eingeführt von
Freddy Burg, John Makhoul
Jahr
1975
Typ
Predictive speech coding and analysis
Familie
Signal processing, Speech modeling

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Lineare Prädiktive Kodierung (LPC) ist eine leistungsstarke Signalverarbeitungstechnik zur Modellierung und Komprimierung von Sprache, bei der angenommen wird, dass jedes Sprachabtastsignal aus einer linearen Kombination früherer Abtastsignale vorhergesagt werden kann.

LPC, das in den 1970er Jahren von Burg und Makhoul entwickelt wurde, bildet die Grundlage für Sprachcodecs, Sprachsynthese, Sprechererkennung und Sprachverbesserung. LPC nutzt die zeitkorrelierte Struktur der Sprache, um hohe Kompressionsraten zu erzielen und eine effiziente Parametergewinnung zu ermöglichen.

Die Intuition hinter der Methode

Sprachlaute wiederholen Muster: schwingende Stimmbänder erzeugen Tonperiodizität, und die Form des Vokaltrakts filtert diese Schwingung in Phoneme. LPC erfasst diese Regelmäßigkeiten, indem jedes Sprachabtastsignal aus den vorherigen wenigen Abtastsignalen (typischerweise 8–16) vorhergesagt wird. Wenn die Vorhersage korrekt ist, muss nur der Vorhersagefehler (Rest) übertragen werden, was eine Komprimierung ermöglicht. LPC modelliert den Vokaltrakt als lineares System, was ihn für Sprache sehr effizient macht.

Geschichte

Burg führte LPC in den 1960er Jahren im Kontext der Geophysik und Spektralschätzung ein. Makhoul brachte LPC 1975 in die Sprachverarbeitung und legte damit den Grundstein für moderne Sprachkodierung. Staatliche Forschung (NSA, DARPA) beschleunigte die Entwicklung von LPC-Codecs in den 1980er Jahren. CELP (Code-Excited Linear Prediction) kombinierte LPC mit Vektorquantisierung und wurde zum Standard für mobile Sprachcodecs (GSM, EVRC). Moderne Codecs (AMR, OPUS) verwenden immer noch LPC-Prinzipien mit Erweiterungen.

Wann wird sie eingesetzt?

Verwendung von LPC für Sprachkomprimierung und -kodierung (Telephonie, VoIP), Sprecherverifizierung und -erkennung, Beurteilung der Sprachqualität, Sprachsynthese (TTS) und Sprachverbesserung. LPC ist besonders effektiv bei niedrigen Bitraten (< 4 kbps) und für klare Sprache. Für Breitbandaudio (Musik) oder sehr niedrige Bitraten (< 1 kbps) können ausgefeiltere Codecs bevorzugt werden.

Grenzen und Hinweise

  • Für Sprache konzipiert; Musik und allgemeines Audio erfordern eine höhere Modellordnung oder alternative Methoden.
  • Geht von einem linearen Vokaltrakt und einer stationären Schallproduktion aus; Transienten (Plosive, Frikative) werden nicht genau modelliert.
  • Die Tonhöhenschätzung ist insbesondere bei weiblichen Sprechern und unter verrauschten Bedingungen schwierig; Tonhöhenfehler breiten sich in die Synthese aus.
  • Niederfrequenter Rest (>1 kHz Detail) wird oft aggressiv quantisiert; die Sprachverständlichkeit hängt von einer genauen Hochfrequenzdarstellung ab.
  • Individuelle Sprecherunterschiede (Akzent, Stimmqualität) werden im grundlegenden LPC nicht erfasst; Sprechernormalisierung erfordert zusätzliche Verarbeitung.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Hochgradig effiziente Komprimierung: Sprache kann mit 12–24 Parametern pro 20-ms-Rahmen (~600 Bits/Sekunde) dargestellt werden, was eine Komprimierung von 50:1+ ermöglicht.
  • Repräsentiert die Physik des Vokaltrakts: LPC-Koeffizienten entsprechen den Resonanzen des Vokaltrakts (Formanten), was sie interpretierbar und rauschunempfindlich macht.
  • Schnelle Berechnung: LPC-Koeffizienten können in Echtzeit auf eingebetteter Hardware mithilfe der Durbin-Rekursion oder von Gitteralgorithmen geschätzt werden.
  • Ermöglicht klare Trennung von Anregung (Tonhöhe, Verstärkung) und Filter (Vokaltrakt); ermöglicht Sprachmodifikation (Tonhöhenverschiebung, Zeitdehnung, Stimmumwandlung).
  • Gut etabliert und standardisiert: LPC wird in militärischen und zellularen Sprachcodecs verwendet; jahrzehntelange Verfeinerung gewährleistet Zuverlässigkeit.

Anwendungen

  • Sprachkodierung und Telephonie: grundlegende Technik in zellularen (GSM, 3G, 4G) und Internet-Telephonie-Codecs (VoIP, Skype).
  • Sprechererkennung und -verifizierung: LPC-Cepstralkoeffizienten (Cepstralanalyse von LPC) sind Standard für Sprecheridentifikationssysteme.
  • Stimmumwandlung und Sprachsynthese: LPC ermöglicht die Umformung von Stimmmerkmalen und die Erzeugung synthetischer Sprache.
  • Sprachverbesserung und Rauschunterdrückung: LPC kann Sprache modellieren; die Subtraktion der Rauschschätzung vom LPC-Rest verbessert das SNR.
  • Forensische Audioanalyse: LPC-Merkmale enthüllen Sprechermerkmale und emotionale Zustände in juristischen Audioaufnahmen.
  • Modellierung von Musikinstrumenten: LPC-Varianten (Formantsynthese) nähern die Akustik von Saiten- und Blasinstrumenten an.

So funktioniert es

So funktioniert es

1

Aufzeichnen oder Digitalisieren eines Sprachsignals bei 8–16 kHz (Sprachbandbreite); Aufteilen des Signals in überlappende Fenster (typischerweise 20 ms, 50 % Überlappung).

2

Anwenden eines Vorbetonungsfilters (Hochpass) zur Glättung des Sprachspektrums; Anwenden eines Hamming-Fensters zur Reduzierung von Randeffekten.

3

Schätzen der Autokorrelationsfunktion des gefensterten Signals; Berechnen der LPC-Koeffizienten durch Lösen der Normalgleichungen (Yule-Walker-, Durbin- oder Gittermethode).

4

Darstellen jedes Sprachrahmens als LPC-Koeffizienten (typischerweise 10–12 Skalare) plus eine Verstärkung und Grundfrequenz (Tonhöhe). Synthetisieren von Sprache durch Filtern von weißem Rauschen oder einem Tonimpuls durch den LPC-Filter (Allpolfilter).

5

Extrahieren von Sprachmerkmalen: LPC-Koeffizienten spiegeln die Vokaltraktform wider; Tonhöhe spiegelt die Stimmhaftigkeit wider; Verstärkung spiegelt die Lautstärke wider. Verwenden von Merkmalen für Sprechererkennung, Sprachkodierung oder -synthese. Berechnen der spektralen Hüllkurve durch Auswerten der Frequenzantwort des LPC-Filters.

Häufige Fallstricke

  • Verwendung einer unzureichenden LPC-Ordnung (< 8): Modelle niedriger Ordnung erfassen keine Formanten und erzeugen dumpfe, synthetische Sprache.
  • Übermäßig aggressive Restquantisierung: LPC-Koeffizienten mögen korrekt sein, aber quantisierte Reste verschlechtern die Qualität.
  • Vernachlässigung der Vorbetonung; ohne Hochpassfilterung dominiert die niederfrequente Energie und die LPC-Anpassung betont falsche Aspekte.
  • Annahme einer konstanten Bildrate; Sprachaktivitätserkennung und Rahmenunterdrückung bei Stille verbessern die Codeceffizienz, erfordern jedoch eine sorgfältige Implementierung.
  • Ignorieren der subjektiven Hörqualität; MOS (Mean Opinion Score) und Hörtests sind entscheidend für die Abstimmung von Sprachcodecs.

Häufig gestellte Fragen

Was ist die optimale LPC-Ordnung für Sprache?

Die typische LPC-Ordnung beträgt 10–12 für Sprache bei 8 kHz und 16–20 für Breitband-Sprache (16 kHz). Eine Faustregel: Ordnung ≈ 2 + fs/1000, wobei fs die Abtastrate in Hz ist. Eine höhere Ordnung erfasst mehr Details, erfordert aber mehr Koeffizienten und birgt die Gefahr von Überanpassung. Hörtests leiten oft die Wahl.

Wie extrahiere ich die Sprecheridentität aus LPC-Koeffizienten?

Verwenden Sie die Cepstralanalyse von LPC (inverse FFT des log-LPC-Spektrums), um die Formantenpositionen und die feine spektrale Struktur zu extrahieren, die für einen Sprecher charakteristisch sind. Diese Cepstralmerkmale (typischerweise 12–13 Koeffizienten) sind diskriminierender als rohe LPC-Daten und werden in Sprechererkennungssystemen verwendet.

Warum ist die Tonhöhenschätzung bei LPC schwierig?

LPC modelliert den Vokaltraktfilter; die Tonhöhe wird durch die Anregung (Schwingungsrate) bestimmt, nicht durch den Filter. Die Tonhöhenschätzung erfordert eine separate Autokorrelationsanalyse oder harmonische Analyse des Restsignals. Verrauschte oder schwache Tonsignale (weibliche Sprecher, Flüstern) sind besonders schwierig; Fehler bei der Tonhöhenschätzung verschlechtern direkt die Synthesequalität.

Kann LPC Musik und allgemeines Audio komprimieren?

LPC ist für Sprache konzipiert und schneidet bei Musik schlecht ab, da Musik einen reichen harmonischen Inhalt und eine komplexe spektrale Struktur aufweist. Eine höhere LPC-Ordnung (50+) kann Musik grob modellieren, aber dedizierte Audiocodecs (MP3, AAC) erzielen eine bessere Qualität und Komprimierung. LPC bleibt der Standard für reine Sprachapplikationen.

Wie hängt LPC mit CELP-Codecs zusammen?

CELP (Code-Excited Linear Prediction) verbessert LPC, indem eine einfache Tonhöhenanregung durch einen vektorquantisierten Code aus einem Codebuch ersetzt wird. Dies verbessert die Qualität bei niedrigen Bitraten (< 8 kbps). CELP ist die Grundlage vieler moderner zellularer Sprachcodecs (GSM-EFR, EVRC, CDMA); es ist im Wesentlichen LPC plus ausgefeilte Anregungsmodellierung.

Verwandte Methoden

Quellen

  1. Makhoul, J. (1975). Linear prediction: A tutorial review. Proceedings of the IEEE, 63(4), 561–580.

    DOI-Referenz öffnen
    Kopiert.
  2. Rabiner, L. R., & Schafer, R. W. (1978). Digital Processing of Speech Signals. Prentice-Hall.

    ISBN: 978-0132136029
    Kopiert.
  3. Haykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall.

    ISBN: 978-0130901262
    Kopiert.