کدگذاری پیشبین خطی
- معرفیشده توسط
- Freddy Burg, John Makhoul
- سال
- 1975
- نوع
- Predictive speech coding and analysis
- خانواده
- Signal processing, Speech modeling
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
کدگذاری پیشبین خطی (LPC) یک تکنیک قدرتمند پردازش سیگنال برای مدلسازی و فشردهسازی گفتار است که فرض میکند هر نمونه گفتار را میتوان از ترکیب خطی نمونههای قبلی پیشبینی کرد.
LPC که توسط برگ و ماخول در دهه ۱۹۷۰ پیشگام شد، اساس کدکهای گفتار، سنتز گفتار، تشخیص گوینده و بهبود گفتار است. LPC از ساختار همبسته زمانی گفتار برای دستیابی به نسبتهای فشردهسازی بالا و امکان استخراج پارامتر کارآمد استفاده میکند.
شهود پشت روش
صداهای گفتار الگوهای تکراری دارند: تارهای صوتی مرتعش دوره تناوب زیر و بم ایجاد میکنند و شکل مجرای صوتی این ارتعاش را به واجها فیلتر میکند. LPC این نظمها را با پیشبینی هر نمونه گفتار از چند نمونه قبلی (معمولاً ۸ تا ۱۶) ثبت میکند. اگر پیشبینی دقیق باشد، فقط خطای پیشبینی (باقیمانده) باید منتقل شود که منجر به فشردهسازی میشود. LPC مجرای صوتی را به عنوان یک سیستم خطی مدل میکند، که آن را برای گفتار بسیار کارآمد میسازد.
تاریخ
برگ LPC را در زمینه ژئوفیزیک و تخمین طیفی در دهه ۱۹۶۰ معرفی کرد. ماخول در سال ۱۹۷۵ LPC را به پردازش گفتار آورد و کدگذاری مدرن گفتار را پایهگذاری کرد. تحقیقات دولتی (NSA، DARPA) توسعه کدک LPC را در دهه ۱۹۸۰ تسریع کرد. CELP (کدگذاری پیشبین با تحریک کد) LPC را با کوانتیزاسیون برداری ترکیب کرد و به استاندارد کدکهای گفتار موبایل (GSM، EVRC) تبدیل شد. کدکهای مدرن (AMR، OPUS) هنوز اصول LPC را با افزونهها به کار میگیرند.
چه زمانی استفاده شود
استفاده از LPC برای فشردهسازی و کدگذاری گفتار (تلفن، VoIP)، تأیید و تشخیص گوینده، ارزیابی کیفیت صدا، سنتز گفتار (TTS)، و بهبود گفتار. LPC به ویژه در نرخ بیت پایین (< ۴ کیلوبیت بر ثانیه) و برای گفتار تمیز مؤثر است. برای صدای پهن (موسیقی) یا نرخ بیت بسیار پایین (< ۱ کیلوبیت بر ثانیه)، ممکن است کدکهای پیچیدهتر ترجیح داده شوند.
محدودیتها و ملاحظات
- طراحی شده برای گفتار؛ موسیقی و صدای عمومی به مرتبه مدل بالاتر یا روشهای جایگزین نیاز دارند.
- فرض مجرای صوتی خطی و تولید صدای حالت پایدار؛ گذراها (صداهای انفجاری، سایشی) به دقت مدل نمیشوند.
- تخمین زیر و بم چالشبرانگیز است، به خصوص برای گویندگان زن و شرایط پر نویز؛ خطاهای زیر و بم به سنتز سرایت میکنند.
- باقیمانده فرکانس پایین (جزئیات بالای ۱ کیلوهرتز) اغلب به شدت کوانتیزه میشود؛ وضوح گفتار به نمایش دقیق فرکانس بالا بستگی دارد.
- تغییرات فردی گوینده (لهجه، کیفیت صدا) در LPC پایه ثبت نمیشود؛ نرمالسازی گوینده به پردازش اضافی نیاز دارد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- فشردهسازی بسیار کارآمد: گفتار را میتوان با ۱۲ تا ۲۴ پارامتر در هر فریم ۲۰ میلیثانیهای (~۶۰۰ بیت بر ثانیه) نمایش داد که منجر به فشردهسازی ۵۰:۱+ میشود.
- نمایش فیزیک مجرای صوتی: ضرایب LPC با تشدیدهای مجرای صوتی (فرمانتها) مطابقت دارند، که آنها را قابل تفسیر و مقاوم در برابر نویز میسازد.
- محاسبه سریع: ضرایب LPC را میتوان با استفاده از الگوریتمهای بازگشتی دوربین یا لاتیس در زمان واقعی بر روی سختافزار تعبیهشده تخمین زد.
- جداسازی واضح تحریک (زیر و بم، بهره) و فیلتر (مجرای صوتی)؛ امکان تغییر گفتار (تغییر زیر و بم، کشش زمانی، تبدیل صدا).
- جاافتاده و استاندارد شده: LPC در کدکهای گفتار نظامی و سلولی استفاده میشود؛ دههها پالایش، قابلیت اطمینان را تضمین میکند.
کاربردها
- کدگذاری و تلفن گفتار: تکنیک اساسی در کدکهای سلولی (GSM، 3G، 4G) و تلفن اینترنتی (VoIP، Skype).
- تشخیص و تأیید گوینده: ضرایب سِپسترال LPC (تحلیل سِپسترال LPC) برای سیستمهای شناسایی گوینده استاندارد هستند.
- تبدیل صدا و سنتز گفتار: LPC امکان تغییر ویژگیهای صدا و تولید گفتار مصنوعی را فراهم میکند.
- بهبود و کاهش نویز گفتار: LPC میتواند گفتار را مدل کند؛ تفریق تخمین نویز از باقیمانده LPC نسبت سیگنال به نویز (SNR) را بهبود میبخشد.
- تحلیل صوتی قضایی: ویژگیهای LPC مشخصات گوینده و وضعیت عاطفی را در ضبطهای صوتی قانونی آشکار میکنند.
- مدلسازی ساز موسیقی: انواع LPC (سنتز فرمانتی) آکوستیک سازهای زهی و بادی را تقریب میزنند.
چگونه کار میکند
چگونه کار میکند
ضبط یا دیجیتالی کردن سیگنال گفتار با نرخ ۸ تا ۱۶ کیلوهرتز (پهنای باند گفتار)؛ تقسیم سیگنال به پنجرههای همپوشان (معمولاً ۲۰ میلیثانیه، ۵۰٪ همپوشانی).
اعمال فیلتر پیشتأکید (بالا گذر) برای صاف کردن طیف گفتار؛ اعمال پنجره همینگ برای کاهش اثرات لبه.
تخمین تابع خودهمبستگی سیگنال پنجرهدار؛ محاسبه ضرایب LPC با حل معادلات نرمال (روش یول-واکر، دوربین، یا لاتیس).
نمایش هر فریم گفتار به صورت ضرایب LPC (معمولاً ۱۰ تا ۱۲ اسکالر) به همراه بهره و فرکانس بنیادی (زیر و بم). سنتز گفتار با فیلتر کردن نویز سفید یا پالس زیر و بم از طریق فیلتر LPC (فیلتر تمام قطب).
استخراج ویژگیهای گفتار: ضرایب LPC شکل مجرای صوتی را منعکس میکنند؛ زیر و بم، صدای گفتار را منعکس میکند؛ بهره، بلندی صدا را منعکس میکند. از ویژگیها برای تشخیص گوینده، کدگذاری گفتار، یا سنتز استفاده کنید. محاسبه طیف پوشاننده با ارزیابی پاسخ فرکانسی فیلتر LPC.
دامهای رایج
- استفاده از مرتبه ناکافی LPC (< ۸): مدلهای با مرتبه پایین قادر به ثبت فرمانتها نیستند و گفتار خفه و مصنوعی تولید میکنند.
- کوانتیزاسیون بیش از حد تهاجمی باقیمانده: ضرایب LPC ممکن است دقیق باشند، اما باقیماندههای کوانتیزه شده کیفیت را کاهش میدهند.
- نادیده گرفتن پیشتأکید؛ بدون فیلتر بالا گذر، انرژی فرکانس پایین غالب میشود و برازش LPC جنبههای نادرست را برجسته میکند.
- فرض نرخ فریم ثابت؛ تشخیص فعالیت صدا و حذف فریم در سکوت کارایی کدک را بهبود میبخشد اما نیاز به پیادهسازی دقیق دارد.
- نادیده گرفتن کیفیت ذهنی شنونده؛ امتیاز نظر متوسط (MOS) و تستهای شنیداری برای تنظیم کدک گفتار حیاتی هستند.
پرسشهای متداول
حداکثر مرتبه LPC برای گفتار چیست؟
مرتبه معمول LPC برای گفتار با نرخ ۸ کیلوهرتز ۱۰ تا ۱۲ و برای صدای پهن (۱۶ کیلوهرتز) ۱۶ تا ۲۰ است. یک قاعده سرانگشتی: مرتبه ≈ ۲ + fs/۱۰۰۰، که در آن fs نرخ نمونهبرداری بر حسب هرتز است. مرتبه بالاتر جزئیات بیشتری را ثبت میکند اما به ضرایب بیشتری نیاز دارد و خطر بیشبرازش را افزایش میدهد. تستهای شنیداری اغلب انتخاب را هدایت میکنند.
چگونه هویت گوینده را از ضرایب LPC استخراج کنم؟
از تحلیل سِپسترال LPC (تبدیل فوریه معکوس طیف لگاریتمی LPC) برای استخراج موقعیت فرمانتها و ساختار طیفی ظریف مشخصه یک گوینده استفاده کنید. این ویژگیهای سِپسترال (معمولاً ۱۲ تا ۱۳ ضریب) نسبت به LPC خام متمایزتر هستند و در سیستمهای تشخیص گوینده استفاده میشوند.
چرا تخمین زیر و بم در LPC دشوار است؟
LPC فیلتر مجرای صوتی را مدل میکند؛ زیر و بم توسط تحریک (نرخ ارتعاش) تعیین میشود، نه فیلتر. تخمین زیر و بم نیاز به تحلیل خودهمبستگی جداگانه یا تحلیل هارمونیک سیگنال باقیمانده دارد. سیگنالهای زیر و بم پر نویز یا ضعیف (گویندگان زن، نجوا) به خصوص چالشبرانگیز هستند؛ خطاهای تخمین زیر و بم مستقیماً کیفیت سنتز را کاهش میدهند.
آیا LPC میتواند موسیقی و صدای عمومی را فشرده کند؟
LPC برای گفتار طراحی شده است و به دلیل داشتن محتوای هارمونیک غنی و ساختار طیفی پیچیده، عملکرد ضعیفی در موسیقی دارد. مرتبه بالاتر LPC (۵۰+) میتواند موسیقی را به طور تقریبی مدل کند، اما کدکهای صوتی اختصاصی (MP3، AAC) کیفیت و فشردهسازی بهتری را ارائه میدهند. LPC برای کاربردهای فقط گفتاری استاندارد باقی میماند.
LPC چگونه با کدکهای CELP مرتبط است؟
CELP (کدگذاری پیشبین با تحریک کد) با جایگزینی یک تحریک زیر و بم ساده با یک کد کوانتیزه برداری از یک کتاب کد، LPC را بهبود میبخشد. این امر کیفیت را در نرخ بیت پایین (< ۸ کیلوبیت بر ثانیه) بهبود میبخشد. CELP اساس بسیاری از کدکهای گفتار سلولی مدرن (GSM-EFR، EVRC، CDMA) است؛ این اساساً LPC به علاوه مدلسازی پیشرفته تحریک است.
روشهای مرتبط
منابع
Makhoul, J. (1975). Linear prediction: A tutorial review. Proceedings of the IEEE, 63(4), 561–580.
باز کردن مرجع DOIکپی شد.Rabiner, L. R., & Schafer, R. W. (1978). Digital Processing of Speech Signals. Prentice-Hall.
شابک: 978-0132136029کپی شد.Haykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall.
شابک: 978-0130901262کپی شد.