การเข้ารหัสเชิงเส้นพยากรณ์
- ผู้เสนอ
- Freddy Burg, John Makhoul
- ปี
- 1975
- ประเภท
- Predictive speech coding and analysis
- กลุ่มวิธี
- Signal processing, Speech modeling
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การเข้ารหัสเชิงเส้นพยากรณ์ (Linear Predictive Coding: LPC) เป็นเทคนิคการประมวลผลสัญญาณที่มีประสิทธิภาพสำหรับการสร้างแบบจำลองและการบีบอัดเสียงพูด โดยสมมติว่าตัวอย่างเสียงพูดแต่ละตัวอย่างสามารถทำนายได้จากการรวมกันเชิงเส้นของตัวอย่างก่อนหน้าหลายตัวอย่าง LPC ซึ่งบุกเบิกโดย Burg และ Makhoul ในทศวรรษ 1970 เป็นรากฐานของตัวแปลงสัญญาณเสียงพูด การสังเคราะห์เสียงพูด การรู้จำผู้พูด และการปรับปรุงคุณภาพเสียงพูด LPC ใช้ประโยชน์จากโครงสร้างที่มีความสัมพันธ์กันตามเวลาของเสียงพูดเพื่อให้ได้อัตราส่วนการบีบอัดที่สูงและช่วยให้สามารถสกัดพารามิเตอร์ได้อย่างมีประสิทธิภาพ
แนวคิดเบื้องหลังวิธีการ
เสียงพูดมีรูปแบบที่ซ้ำกัน: การสั่นของสายเสียงสร้างความเป็นคาบของระดับเสียง และรูปร่างของช่องเสียงจะกรองการสั่นนี้ให้เป็นหน่วยเสียง LPC จับความสม่ำเสมอเหล่านี้โดยการทำนายตัวอย่างเสียงพูดแต่ละตัวอย่างจากตัวอย่างก่อนหน้าไม่กี่ตัวอย่าง (โดยทั่วไปคือ 8–16 ตัวอย่าง) หากการทำนายแม่นยำ จะต้องส่งเฉพาะข้อผิดพลาดในการทำนาย (ส่วนที่เหลือ) เท่านั้น ซึ่งทำให้เกิดการบีบอัด LPC สร้างแบบจำลองช่องเสียงเป็นระบบเชิงเส้น ทำให้มีประสิทธิภาพสูงสำหรับเสียงพูด
ประวัติศาสตร์
Burg ได้นำเสนอ LPC ในบริบทของธรณีฟิสิกส์และการประมาณสเปกตรัมในทศวรรษ 1960 Makhoul ได้นำ LPC มาใช้ในการประมวลผลเสียงพูดในปี 1975 ซึ่งเป็นรากฐานของการเข้ารหัสเสียงพูดสมัยใหม่ การวิจัยของรัฐบาล (NSA, DARPA) ได้เร่งการพัฒนาตัวแปลงสัญญาณ LPC ในทศวรรษ 1980 CELP (Code-Excited Linear Prediction) ได้รวม LPC เข้ากับการควอนไทซ์แบบเวกเตอร์และกลายเป็นมาตรฐานสำหรับตัวแปลงสัญญาณเสียงพูดบนมือถือ (GSM, EVRC) ตัวแปลงสัญญาณสมัยใหม่ (AMR, OPUS) ยังคงใช้หลักการ LPC พร้อมส่วนขยาย
ควรใช้เมื่อใด
ใช้ LPC สำหรับการบีบอัดและการเข้ารหัสเสียงพูด (โทรศัพท์, VoIP) การยืนยันและการรู้จำผู้พูด การประเมินคุณภาพเสียงพูด การสังเคราะห์เสียงพูด (TTS) และการปรับปรุงคุณภาพเสียงพูด LPC มีประสิทธิภาพเป็นพิเศษที่อัตราบิตต่ำ (< 4 kbps) และสำหรับเสียงพูดที่ชัดเจน สำหรับเสียงแบบไวด์แบนด์ (เพลง) หรืออัตราบิตที่ต่ำมาก (< 1 kbps) อาจนิยมใช้ตัวแปลงสัญญาณที่ซับซ้อนกว่า
ข้อจำกัดและข้อควรพิจารณา
- ออกแบบมาสำหรับเสียงพูด; เพลงและเสียงทั่วไปต้องใช้ลำดับแบบจำลองที่สูงขึ้นหรือวิธีการทางเลือก
- สมมติว่าช่องเสียงเป็นเชิงเส้นและการผลิตเสียงอยู่ในสภาวะคงที่; สัญญาณชั่วครู่ (เสียงระเบิด, เสียงเสียดแทรก) ไม่ได้ถูกสร้างแบบจำลองอย่างแม่นยำ
- การประมาณระดับเสียงเป็นเรื่องที่ท้าทาย โดยเฉพาะอย่างยิ่งสำหรับผู้พูดหญิงและสภาพแวดล้อมที่มีเสียงรบกวน; ข้อผิดพลาดในการประมาณระดับเสียงจะส่งผลต่อการสังเคราะห์
- ส่วนที่เหลือความถี่ต่ำ (รายละเอียด >1 kHz) มักจะถูกควอนไทซ์อย่างรุนแรง; ความชัดเจนของเสียงพูดขึ้นอยู่กับการแสดงความถี่สูงที่แม่นยำ
- ความแปรผันของผู้พูดแต่ละคน (สำเนียง, คุณภาพเสียง) ไม่ได้ถูกจับใน LPC พื้นฐาน; การทำให้ผู้พูดเป็นมาตรฐานต้องมีการประมวลผลเพิ่มเติม
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- การบีบอัดที่มีประสิทธิภาพสูง: เสียงพูดสามารถแสดงได้ด้วยพารามิเตอร์ 12–24 ตัวต่อเฟรม 20 มิลลิวินาที (~600 บิต/วินาที) ทำให้เกิดการบีบอัด 50:1 ขึ้นไป
- แสดงฟิสิกส์ของช่องเสียง: สัมประสิทธิ์ LPC สอดคล้องกับเรโซแนนซ์ของช่องเสียง (ฟอร์แมนต์) ทำให้สามารถตีความได้และทนทานต่อสัญญาณรบกวน
- การคำนวณที่รวดเร็ว: สัมประสิทธิ์ LPC สามารถประมาณได้แบบเรียลไทม์บนฮาร์ดแวร์ฝังตัวโดยใช้วิธี Durbin recursion หรือ lattice algorithms
- ให้การแยกที่ชัดเจนระหว่างการกระตุ้น (ระดับเสียง, อัตราขยาย) และตัวกรอง (ช่องเสียง); ช่วยให้สามารถปรับเปลี่ยนเสียงพูดได้ (การเปลี่ยนระดับเสียง, การยืดเวลา, การแปลงเสียง)
- เป็นที่ยอมรับและเป็นมาตรฐาน: LPC ถูกใช้ในตัวแปลงสัญญาณเสียงพูดทางทหารและโทรศัพท์มือถือ; การปรับปรุงมานานหลายทศวรรษทำให้มั่นใจในความน่าเชื่อถือ
การประยุกต์ใช้
- การเข้ารหัสเสียงพูดและโทรศัพท์: เทคนิคพื้นฐานในตัวแปลงสัญญาณโทรศัพท์มือถือ (GSM, 3G, 4G) และโทรศัพท์อินเทอร์เน็ต (VoIP, Skype)
- การรู้จำและการยืนยันผู้พูด: สัมประสิทธิ์ LPC cepstral (การวิเคราะห์ cepstral ของ LPC) เป็นมาตรฐานสำหรับระบบระบุผู้พูด
- การแปลงเสียงและการสังเคราะห์เสียงพูด: LPC ช่วยให้สามารถปรับเปลี่ยนคุณลักษณะเสียงและสร้างเสียงพูดสังเคราะห์ได้
- การปรับปรุงคุณภาพเสียงพูดและการลดสัญญาณรบกวน: LPC สามารถสร้างแบบจำลองเสียงพูดได้; การลบประมาณค่าสัญญาณรบกวนออกจากส่วนที่เหลือของ LPC จะช่วยปรับปรุง SNR
- การวิเคราะห์เสียงทางนิติวิทยา: คุณลักษณะ LPC เผยให้เห็นลักษณะของผู้พูดและสภาวะทางอารมณ์ในการบันทึกเสียงทางกฎหมาย
- การสร้างแบบจำลองเครื่องดนตรี: รูปแบบ LPC (การสังเคราะห์ฟอร์แมนต์) ประมาณเสียงอะคูสติกของเครื่องสายและเครื่องเป่า
วิธีการทำงาน
วิธีการทำงาน
บันทึกหรือแปลงสัญญาณเสียงพูดเป็นดิจิทัลที่ 8–16 kHz (แบนด์วิดท์เสียงพูด); แบ่งสัญญาณออกเป็นเฟรมที่มีหน้าต่างทับซ้อนกัน (โดยทั่วไปคือ 20 มิลลิวินาที, ทับซ้อนกัน 50%)
ใช้ตัวกรองพรีเอ็มฟาซิส (ผ่านความถี่สูง) เพื่อปรับสเปกตรัมเสียงพูดให้แบนราบ; ใช้หน้าต่างแฮมมิงเพื่อลดผลกระทบที่ขอบ
ประมาณฟังก์ชันสหสัมพันธ์อัตโนมัติของสัญญาณที่ผ่านหน้าต่าง; คำนวณสัมประสิทธิ์ LPC โดยการแก้สมการปกติ (วิธี Yule-Walker, Durbin หรือ lattice)
แสดงแต่ละเฟรมเสียงพูดด้วยสัมประสิทธิ์ LPC (โดยทั่วไปคือ 10–12 สเกลาร์) บวกกับอัตราขยายและความถี่พื้นฐาน (ระดับเสียง) สังเคราะห์เสียงพูดโดยการกรองสัญญาณรบกวนสีขาวหรืออิมพัลส์ระดับเสียงผ่านตัวกรอง LPC (ตัวกรองแบบ all-pole)
สกัดคุณลักษณะเสียงพูด: สัมประสิทธิ์ LPC สะท้อนรูปร่างของช่องเสียง; ระดับเสียงสะท้อนการออกเสียง; อัตราขยายสะท้อนความดัง ใช้คุณลักษณะสำหรับการรู้จำผู้พูด การเข้ารหัสเสียงพูด หรือการสังเคราะห์เสียงพูด คำนวณซองสเปกตรัมโดยการประเมินการตอบสนองความถี่ของตัวกรอง LPC
ข้อผิดพลาดที่พบบ่อย
- การใช้ลำดับ LPC ไม่เพียงพอ (< 8): แบบจำลองลำดับต่ำไม่สามารถจับฟอร์แมนต์ได้และสร้างเสียงพูดที่อู้อี้และสังเคราะห์
- การควอนไทซ์ส่วนที่เหลือที่รุนแรงเกินไป: สัมประสิทธิ์ LPC อาจแม่นยำ แต่ส่วนที่เหลือที่ถูกควอนไทซ์จะลดคุณภาพลง
- การละเลยพรีเอ็มฟาซิส; หากไม่มีการกรองความถี่สูง พลังงานความถี่ต่ำจะครอบงำ และการปรับ LPC จะเน้นไปที่แง่มุมที่ไม่ถูกต้อง
- การสมมติอัตราเฟรมคงที่; การตรวจจับกิจกรรมเสียงและการทิ้งเฟรมเมื่อเงียบจะช่วยเพิ่มประสิทธิภาพของตัวแปลงสัญญาณ แต่ต้องมีการใช้งานที่ระมัดระวัง
- การละเลยคุณภาพเชิงอัตวิสัยของผู้ฟัง; MOS (Mean Opinion Score) และการทดสอบการฟังมีความสำคัญอย่างยิ่งต่อการปรับแต่งตัวแปลงสัญญาณเสียงพูด
คำถามที่พบบ่อย
ลำดับ LPC ที่เหมาะสมที่สุดสำหรับเสียงพูดคือเท่าใด?
ลำดับ LPC ทั่วไปคือ 10–12 สำหรับเสียงพูดที่ 8 kHz และ 16–20 สำหรับเสียงพูดแบบไวด์แบนด์ (16 kHz) กฎง่ายๆ: ลำดับ ≈ 2 + fs/1000 โดยที่ fs คืออัตราการสุ่มตัวอย่างในหน่วย Hz ลำดับที่สูงขึ้นจะจับรายละเอียดได้มากขึ้น แต่ต้องใช้สัมประสิทธิ์มากขึ้นและเสี่ยงต่อการเกิด overfitting การทดสอบการฟังมักจะช่วยในการตัดสินใจเลือก
ฉันจะสกัดอัตลักษณ์ของผู้พูดจากสัมประสิทธิ์ LPC ได้อย่างไร?
ใช้การวิเคราะห์ cepstral ของ LPC (inverse FFT ของ log LPC spectrum) เพื่อสกัดตำแหน่งฟอร์แมนต์และโครงสร้างสเปกตรัมละเอียดที่เป็นลักษณะเฉพาะของผู้พูด คุณลักษณะ cepstral เหล่านี้ (โดยทั่วไปคือ 12–13 สัมประสิทธิ์) มีความสามารถในการแยกแยะได้ดีกว่า LPC ดิบ และถูกใช้ในระบบรู้จำผู้พูด
ทำไมการประมาณระดับเสียงจึงเป็นเรื่องยากใน LPC?
LPC สร้างแบบจำลองตัวกรองช่องเสียง; ระดับเสียงถูกกำหนดโดยการกระตุ้น (อัตราการสั่น) ไม่ใช่ตัวกรอง การประมาณระดับเสียงต้องใช้การวิเคราะห์สหสัมพันธ์อัตโนมัติแยกต่างหากหรือการวิเคราะห์ฮาร์มอนิกของสัญญาณส่วนที่เหลือ สัญญาณระดับเสียงที่มีสัญญาณรบกวนหรืออ่อน (ผู้พูดหญิง, เสียงกระซิบ) เป็นเรื่องที่ท้าทายอย่างยิ่ง; ข้อผิดพลาดในการประมาณระดับเสียงจะลดคุณภาพการสังเคราะห์โดยตรง
LPC สามารถบีบอัดเพลงและเสียงทั่วไปได้หรือไม่?
LPC ได้รับการออกแบบมาสำหรับเสียงพูดและทำงานได้ไม่ดีกับเพลง เนื่องจากเพลงมีเนื้อหาฮาร์มอนิกที่หลากหลายและโครงสร้างสเปกตรัมที่ซับซ้อน ลำดับ LPC ที่สูงขึ้น (50+) สามารถสร้างแบบจำลองเพลงได้คร่าวๆ แต่ตัวแปลงสัญญาณเสียงเฉพาะ (MP3, AAC) ให้คุณภาพและการบีบอัดที่ดีกว่า LPC ยังคงเป็นมาตรฐานสำหรับแอปพลิเคชันที่ใช้เสียงพูดเท่านั้น
LPC เกี่ยวข้องกับตัวแปลงสัญญาณ CELP อย่างไร?
CELP (Code-Excited Linear Prediction) ปรับปรุง LPC โดยการแทนที่การกระตุ้นระดับเสียงแบบง่ายด้วยรหัสที่ถูกควอนไทซ์แบบเวกเตอร์จาก codebook ซึ่งช่วยปรับปรุงคุณภาพที่อัตราบิตต่ำ (< 8 kbps) CELP เป็นพื้นฐานของตัวแปลงสัญญาณเสียงพูดบนมือถือสมัยใหม่หลายตัว (GSM-EFR, EVRC, CDMA); โดยพื้นฐานแล้วคือ LPC บวกกับการสร้างแบบจำลองการกระตุ้นที่ซับซ้อน
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Makhoul, J. (1975). Linear prediction: A tutorial review. Proceedings of the IEEE, 63(4), 561–580.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วRabiner, L. R., & Schafer, R. W. (1978). Digital Processing of Speech Signals. Prentice-Hall.
ISBN: 978-0132136029คัดลอกแล้วHaykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall.
ISBN: 978-0130901262คัดลอกแล้ว