Kodowanie predykcyjne liniowe
- Autor metody
- Freddy Burg, John Makhoul
- Rok
- 1975
- Typ
- Predictive speech coding and analysis
- Rodzina
- Signal processing, Speech modeling
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Kodowanie predykcyjne liniowe (LPC) to potężna technika przetwarzania sygnałów służąca do modelowania i kompresji mowy, zakładająca, że każdą próbkę mowy można przewidzieć na podstawie liniowej kombinacji poprzednich próbek.
Zapoczątkowane przez Burga i Makhoula w latach 70. XX wieku, LPC stanowi podstawę kodeków mowy, syntezy mowy, rozpoznawania mówcy i ulepszania mowy. LPC wykorzystuje skorelowaną czasowo strukturę mowy do osiągnięcia wysokich współczynników kompresji i umożliwienia wydajnej ekstrakcji parametrów.
Intuicja stojąca za metodą
Dźwięki mowy powtarzają wzorce: wibrujące struny głosowe tworzą okresowość tonu, a kształt aparatu głosowego filtruje tę wibrację w fonemy. LPC wychwytuje te prawidłowości, przewidując każdą próbkę mowy na podstawie kilku poprzednich próbek (zwykle 8–16). Jeśli predykcja jest dokładna, należy przesłać tylko błąd predykcji (resztę), osiągając kompresję. LPC modeluje aparat głosowy jako system liniowy, co czyni go bardzo wydajnym w przypadku mowy.
Historia
Burg wprowadził LPC w kontekście geofizyki i estymacji widmowej w latach 60. XX wieku. Makhoul przeniósł LPC do przetwarzania mowy w 1975 roku, kładąc podwaliny pod nowoczesne kodowanie mowy. Badania rządowe (NSA, DARPA) przyspieszyły rozwój kodeków LPC w latach 80. XX wieku. CELP (Code-Excited Linear Prediction) połączył LPC z kwantyzacją wektorową i stał się standardem dla mobilnych kodeków mowy (GSM, EVRC). Nowoczesne kodeki (AMR, OPUS) nadal wykorzystują zasady LPC z rozszerzeniami.
Kiedy stosować
Zastosowanie LPC do kompresji i kodowania mowy (telefonia, VoIP), weryfikacji i rozpoznawania mówcy, oceny jakości głosu, syntezy mowy (TTS) i ulepszania mowy. LPC jest szczególnie skuteczny przy niskich przepływnościach (< 4 kbps) i dla czystej mowy. W przypadku dźwięku szerokopasmowego (muzyka) lub bardzo niskich przepływności (< 1 kbps) preferowane mogą być bardziej zaawansowane kodeki.
Ograniczenia i uwagi
- Zaprojektowane dla mowy; muzyka i ogólny dźwięk wymagają wyższego rzędu modelu lub alternatywnych metod.
- Zakłada liniowy aparat głosowy i produkcję dźwięku w stanie ustalonym; przejścia (spółgłoski wybuchowe, szczelinowe) nie są dokładnie modelowane.
- Estymacja tonu jest trudna, zwłaszcza w przypadku mówców płci żeńskiej i warunków zaszumionych; błędy tonu przenoszą się na syntezę.
- Niskoczęstotliwościowa reszta (>1 kHz szczegółów) jest często agresywnie kwantyzowana; zrozumiałość mowy zależy od dokładnej reprezentacji wysokich częstotliwości.
- Indywidualne różnice mówców (akcent, jakość głosu) nie są uwzględniane w podstawowym LPC; normalizacja mówcy wymaga dodatkowego przetwarzania.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Wysoka wydajność kompresji: mowa może być reprezentowana za pomocą 12–24 parametrów na klatkę 20 ms (~600 bitów/sekundę), co umożliwia kompresję 50:1+.
- Reprezentacja fizyki aparatu głosowego: współczynniki LPC odpowiadają rezonansom aparatu głosowego (rezonansom), co czyni je interpretowalnymi i odpornymi na szum.
- Szybkie obliczenia: współczynniki LPC można estymować w czasie rzeczywistym na sprzęcie wbudowanym przy użyciu rekurencji Durbina lub algorytmów kratowych.
- Zapewnia wyraźne rozdzielenie wzbudzenia (ton, wzmocnienie) i filtru (aparat głosowy); umożliwia modyfikację mowy (zmiana tonu, rozciąganie czasu, konwersja głosu).
- Ugruntowana i znormalizowana: LPC jest stosowane w wojskowych i komórkowych kodekach mowy; dziesięciolecia udoskonaleń zapewniają niezawodność.
Zastosowania
- Kodowanie mowy i telefonia: podstawowa technika w komórkowych (GSM, 3G, 4G) i internetowych (VoIP, Skype) kodekach mowy.
- Rozpoznawanie i weryfikacja mówcy: współczynniki cepstralne LPC (analiza cepstralna LPC) są standardem dla systemów identyfikacji mówcy.
- Konwersja głosu i synteza mowy: LPC umożliwia przekształcanie cech głosu i generowanie mowy syntetycznej.
- Ulepszanie i odszumianie mowy: LPC może modelować mowę; odejmowanie estymacji szumu od reszty LPC poprawia SNR.
- Analiza kryminalistyczna dźwięku: cechy LPC ujawniają charakterystykę mówcy i stan emocjonalny w nagraniach prawnych.
- Modelowanie instrumentów muzycznych: warianty LPC (synteza formantowa) przybliżają akustykę instrumentów smyczkowych i dętych.
Jak to działa
Jak to działa
Nagranie lub digitalizacja sygnału mowy przy częstotliwości 8–16 kHz (szerokość pasma mowy); podział sygnału na nakładające się okna (zwykle 20 ms, 50% nakładania).
Zastosowanie filtru preemfazy (górnoprzepustowego) w celu wyrównania widma mowy; zastosowanie okna Hamminga w celu zmniejszenia efektów brzegowych.
Estymacja funkcji autokorelacji sygnału w oknie; obliczenie współczynników LPC poprzez rozwiązanie równań normalnych (metoda Yule'a-Walkera, Durbina lub kratowa).
Reprezentacja każdej klatki mowy jako współczynniki LPC (zwykle 10–12 skalarów) plus wzmocnienie i częstotliwość podstawowa (ton). Synteza mowy poprzez filtrowanie białego szumu lub impulsu tonu przez filtr LPC (filtr all-pole).
Ekstrakcja cech mowy: współczynniki LPC odzwierciedlają kształt aparatu głosowego; ton odzwierciedla udźwięcznienie; wzmocnienie odzwierciedla głośność. Wykorzystanie cech do rozpoznawania mówcy, kodowania mowy lub syntezy. Obliczenie obwiedni widmowej poprzez ocenę odpowiedzi częstotliwościowej filtru LPC.
Częste pułapki
- Użycie niewystarczającego rzędu LPC (< 8): modele niskiego rzędu nie wychwytują rezonansów i produkują stłumioną, syntetyczną mowę.
- Nadmiernie agresywna kwantyzacja reszty: współczynniki LPC mogą być dokładne, ale skwantyzowane reszty pogarszają jakość.
- Ignorowanie preemfazy; bez filtrowania górnoprzepustowego dominuje energia niskich częstotliwości, a dopasowanie LPC podkreśla niewłaściwe aspekty.
- Zakładanie stałej częstotliwości klatek; detekcja aktywności głosu i odrzucanie klatek podczas ciszy poprawiają wydajność kodeka, ale wymagają starannej implementacji.
- Ignorowanie subiektywnej jakości odbiorcy; MOS (średnia ocena opinii słuchaczy) i testy odsłuchowe są kluczowe dla strojenia kodeków mowy.
Najczęściej zadawane pytania
Jaki jest optymalny rząd LPC dla mowy?
Typowy rząd LPC to 10–12 dla mowy przy 8 kHz i 16–20 dla mowy szerokopasmowej (16 kHz). Reguła kciuka: rząd ≈ 2 + fs/1000, gdzie fs to częstotliwość próbkowania w Hz. Wyższy rząd wychwytuje więcej szczegółów, ale wymaga więcej współczynników i ryzykuje nadmierne dopasowanie. Testy odsłuchowe często kierują wyborem.
Jak wyodrębnić tożsamość mówcy ze współczynników LPC?
Użyj analizy cepstralnej LPC (odwrotna transformata Fouriera widma logarytmicznego LPC) do wyodrębnienia pozycji formantów i drobnej struktury widmowej charakterystycznej dla mówcy. Te cechy cepstralne (zwykle 12–13 współczynników) są bardziej dyskryminujące niż surowe LPC i są używane w systemach rozpoznawania mówcy.
Dlaczego estymacja tonu jest trudna w LPC?
LPC modeluje filtr aparatu głosowego; ton jest określany przez wzbudzenie (częstotliwość wibracji), a nie przez filtr. Estymacja tonu wymaga oddzielnej analizy autokorelacji lub analizy harmonicznej sygnału resztkowego. Zaszumione lub słabe sygnały tonu (mówcy płci żeńskiej, szept) są szczególnie trudne; błędy w estymacji tonu bezpośrednio pogarszają jakość syntezy.
Czy LPC może kompresować muzykę i ogólny dźwięk?
LPC jest zaprojektowane dla mowy i działa słabo na muzyce, ponieważ muzyka ma bogatą zawartość harmoniczną i złożoną strukturę widmową. Wyższy rząd LPC (50+) może z grubsza modelować muzykę, ale dedykowane kodeki audio (MP3, AAC) osiągają lepszą jakość i kompresję. LPC pozostaje standardem dla aplikacji wyłącznie mowy.
Jak LPC jest powiązane z kodekami CELP?
CELP (Code-Excited Linear Prediction) rozszerza LPC poprzez zastąpienie prostego wzbudzenia tonowego kwantyzowanym wektorowo kodem z książki kodowej. Poprawia to jakość przy niskich przepływnościach (< 8 kbps). CELP stanowi podstawę wielu nowoczesnych komórkowych kodeków mowy (GSM-EFR, EVRC, CDMA); jest to zasadniczo LPC plus zaawansowane modelowanie wzbudzenia.
Pokrewne metody
Źródła
Makhoul, J. (1975). Linear prediction: A tutorial review. Proceedings of the IEEE, 63(4), 561–580.
Otwórz odnośnik DOISkopiowano.Rabiner, L. R., & Schafer, R. W. (1978). Digital Processing of Speech Signals. Prentice-Hall.
ISBN: 978-0132136029Skopiowano.Haykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall.
ISBN: 978-0130901262Skopiowano.