Линейное предсказание (Linear Predictive Coding)
- Автор метода
- Freddy Burg, John Makhoul
- Год
- 1975
- Тип
- Predictive speech coding and analysis
- Семейство
- Signal processing, Speech modeling
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Линейное предсказание (LPC) — это мощный метод обработки сигналов для моделирования и сжатия речи, основанный на предположении, что каждый речевой отсчет может быть предсказан как линейная комбинация предыдущих отсчетов.
Разработанный Бёргом и Махулом в 1970-х годах, LPC является основой речевых кодеков, синтеза речи, распознавания диктора и улучшения речи. LPC использует свойство временной корреляции речи для достижения высоких коэффициентов сжатия и эффективного извлечения параметров.
Интуиция метода
Звуки речи повторяют паттерны: вибрация голосовых связок создает периодичность основного тона, а форма речевого тракта фильтрует эту вибрацию, формируя фонемы. LPC улавливает эти закономерности, предсказывая каждый речевой отсчет на основе нескольких предыдущих отсчетов (обычно 8–16). Если предсказание точное, необходимо передавать только ошибку предсказания (остаток), что обеспечивает сжатие. LPC моделирует речевой тракт как линейную систему, что делает его высокоэффективным для речи.
История
Бёрг представил LPC в контексте геофизики и спектрального анализа в 1960-х годах. Махул применил LPC к обработке речи в 1975 году, заложив основы современного кодирования речи. Государственные исследования (NSA, DARPA) ускорили разработку кодеков LPC в 1980-х годах. CELP (Code-Excited Linear Prediction) объединил LPC с векторным квантованием и стал стандартом для мобильных речевых кодеков (GSM, EVRC). Современные кодеки (AMR, OPUS) по-прежнему используют принципы LPC с расширениями.
Когда применять
Использование LPC для сжатия и кодирования речи (телефония, VoIP), распознавания и верификации диктора, оценки качества голоса, синтеза речи (TTS) и улучшения речи. LPC особенно эффективен при низких скоростях передачи данных (< 4 кбит/с) и для чистой речи. Для широкополосного аудио (музыка) или очень низких скоростей передачи данных (< 1 кбит/с) могут быть предпочтительны более сложные кодеки.
Ограничения и замечания
- Разработан для речи; музыка и общее аудио требуют более высокого порядка модели или альтернативных методов.
- Предполагает линейность речевого тракта и стационарное производство звука; переходные процессы (взрывные, фрикативные звуки) моделируются неточно.
- Оценка основного тона затруднена, особенно для женщин и в условиях шума; ошибки в оценке основного тона распространяются на синтез.
- Остаток низких частот (>1 кГц) часто подвергается агрессивному квантованию; разборчивость речи зависит от точного представления высоких частот.
- Индивидуальные вариации диктора (акцент, тембр голоса) не улавливаются в базовом LPC; нормализация диктора требует дополнительной обработки.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Высокоэффективное сжатие: речь может быть представлена 12–24 параметрами на кадр 20 мс (~600 бит/с), что обеспечивает сжатие 50:1 и более.
- Отражение физики речевого тракта: коэффициенты LPC соответствуют резонансам речевого тракта (формантам), что делает их интерпретируемыми и устойчивыми к шуму.
- Быстрое вычисление: коэффициенты LPC могут быть оценены в реальном времени на встраиваемом оборудовании с использованием рекурсии Дурбина или рекурсивных алгоритмов.
- Четкое разделение возбуждения (основной тон, усиление) и фильтра (речевой тракт); возможность модификации речи (изменение основного тона, растяжение времени, преобразование голоса).
- Хорошо изученность и стандартизация: LPC используется в военных и сотовых речевых кодеках; десятилетия усовершенствований обеспечивают надежность.
Применение
- Кодирование речи и телефония: фундаментальная техника в сотовых (GSM, 3G, 4G) и интернет-телефонии (VoIP, Skype) кодеках.
- Распознавание и верификация диктора: кепстральные коэффициенты LPC (кепстральный анализ LPC) являются стандартом для систем идентификации диктора.
- Преобразование голоса и синтез речи: LPC позволяет изменять характеристики голоса и генерировать синтетическую речь.
- Улучшение и шумоподавление речи: LPC может моделировать речь; вычитание оценки шума из остатка LPC улучшает отношение сигнал/шум.
- Анализ криминалистических аудиозаписей: признаки LPC выявляют характеристики диктора и эмоциональное состояние в юридических аудиозаписях.
- Моделирование музыкальных инструментов: варианты LPC (синтез формант) аппроксимируют акустику струнных и духовых инструментов.
Как это работает
Как это работает
Запись или оцифровка речевого сигнала с частотой 8–16 кГц (полоса пропускания речи); разбиение сигнала на перекрывающиеся окна (обычно 20 мс, 50% перекрытие).
Применение фильтра предварительного усиления (ФВЧ) для выравнивания спектра речи; применение окна Хэмминга для уменьшения краевых эффектов.
Оценка автокорреляционной функции оконного сигнала; вычисление коэффициентов LPC путем решения нормальных уравнений (методы Юла-Уокера, Дурбина или рекурсивный метод).
Представление каждого речевого кадра в виде коэффициентов LPC (обычно 10–12 скаляров) плюс коэффициент усиления и основная частота (основной тон). Синтез речи путем фильтрации белого шума или импульса основного тона через фильтр LPC (фильтр всех полюсов).
Извлечение признаков речи: коэффициенты LPC отражают форму речевого тракта; основной тон отражает звонкость; коэффициент усиления отражает громкость. Использование признаков для распознавания диктора, кодирования речи или синтеза. Вычисление спектральной огибающей путем оценки частотной характеристики фильтра LPC.
Частые ошибки
- Использование недостаточного порядка LPC (< 8): модели низкого порядка не улавливают форманты и производят приглушенную, синтетическую речь.
- Чрезмерно агрессивное квантование остатка: коэффициенты LPC могут быть точными, но квантованные остатки ухудшают качество.
- Пренебрежение предварительным усилением; без фильтрации высоких частот доминирует низкочастотная энергия, и подгонка LPC подчеркивает неправильные аспекты.
- Предположение о постоянной частоте кадров; обнаружение активности голоса и отбрасывание кадров при тишине улучшают эффективность кодека, но требуют тщательной реализации.
- Игнорирование субъективного качества прослушивания; средняя оценка по шкале мнений (MOS) и прослушивания являются критически важными для настройки речевых кодеков.
Часто задаваемые вопросы
Каков оптимальный порядок LPC для речи?
Типичный порядок LPC составляет 10–12 для речи при 8 кГц и 16–20 для широкополосной (16 кГц) речи. Практическое правило: порядок ≈ 2 + fs/1000, где fs — частота дискретизации в Гц. Более высокий порядок улавливает больше деталей, но требует больше коэффициентов и рискует переобучением. Выбор часто часто определяется результатами прослушивания.
Как извлечь идентификатор диктора из коэффициентов LPC?
Используйте кепстральный анализ LPC (обратное БПФ логарифмического спектра LPC) для извлечения положений формант и тонкой спектральной структуры, характерной для диктора. Эти кепстральные признаки (обычно 12–13 коэффициентов) более различительны, чем необработанные коэффициенты LPC, и используются в системах распознавания диктора.
Почему оценка основного тона в LPC затруднена?
LPC моделирует фильтр речевого тракта; основной тон определяется возбуждением (скоростью вибрации), а не фильтром. Оценка основного тона требует отдельного анализа автокорреляции или гармонического анализа остаточного сигнала. Зашумленные или слабые сигналы основного тона (женские голоса, шепот) особенно сложны; ошибки в оценке основного тона напрямую ухудшают качество синтеза.
Может ли LPC сжимать музыку и общее аудио?
LPC разработан для речи и плохо работает с музыкой, поскольку музыка имеет богатое гармоническое содержание и сложную спектральную структуру. Более высокий порядок LPC (50+) может грубо моделировать музыку, но специализированные аудиокодеки (MP3, AAC) достигают лучшего качества и сжатия. LPC остается стандартом для приложений, связанных только с речью.
Как LPC связан с кодеками CELP?
CELP (Code-Excited Linear Prediction) улучшает LPC, заменяя простое возбуждение основного тона векторно-квантованным кодом из кодовой книги. Это улучшает качество при низких скоростях передачи данных (< 8 кбит/с). CELP является основой многих современных сотовых речевых кодеков (GSM-EFR, EVRC, CDMA); по сути, это LPC плюс сложное моделирование возбуждения.
Похожие методы
Источники
Makhoul, J. (1975). Linear prediction: A tutorial review. Proceedings of the IEEE, 63(4), 561–580.
Открыть ссылку DOIСкопировано.Rabiner, L. R., & Schafer, R. W. (1978). Digital Processing of Speech Signals. Prentice-Hall.
ISBN: 978-0132136029Скопировано.Haykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall.
ISBN: 978-0130901262Скопировано.