线性预测编码
- 提出者
- Freddy Burg, John Makhoul
- 年份
- 1975
- 类型
- Predictive speech coding and analysis
- 类别
- Signal processing, Speech modeling
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
线性预测编码(LPC)是一种强大的信号处理技术,通过假设每个语音样本可以由先前样本的线性组合来预测,从而对语音进行建模和压缩。LPC由Burg和Makhoul在20世纪70年代开创,是语音编解码器、语音合成、说话人识别和语音增强的基础。LPC利用语音的时间相关结构来实现高压缩比并实现高效的参数提取。
方法背后的直觉
语音声音会重复模式:振动的声带产生音高周期性,而声道的形状将这种振动过滤成音素。LPC通过从前几个样本(通常是8-16个)预测每个语音样本来捕捉这些规律。如果预测准确,则只需要传输预测误差(残差),从而实现压缩。LPC将声道建模为线性系统,使其在语音处理方面非常高效。
历史学
Burg在20世纪60年代将LPC引入地球物理学和频谱估计的背景下。Makhoul在1975年将LPC引入语音处理,奠定了现代语音编码的基础。政府研究(NSA、DARPA)在20世纪80年代加速了LPC编解码器的开发。CELP(码激励线性预测)将LPC与矢量量化相结合,成为移动语音编解码器(GSM、EVRC)的标准。现代编解码器(AMR、OPUS)仍在使用LPC原理并进行扩展。
何时使用
将LPC用于语音压缩和编码(电话、VoIP)、说话人验证和识别、语音质量评估、语音合成(TTS)和语音增强。LPC在低比特率(< 4 kbps)和清晰语音方面特别有效。对于宽带音频(音乐)或极低比特率(< 1 kbps),可能需要更复杂的编解码器。
局限与注意事项
- 专为语音设计;音乐和通用音频需要更高的模型阶数或替代方法。
- 假设声道是线性的且声音产生处于稳态;瞬态(爆破音、摩擦音)的建模不准确。
- 音高估计具有挑战性,尤其是在女性说话人和噪声条件下;音高误差会传播到合成中。
- 低频残差(>1 kHz的细节)通常被粗略量化;语音的可懂度取决于高频表示的准确性。
- 未捕捉个体说话人差异(口音、音质);说话人归一化需要额外的处理。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 高效压缩:语音可以用每20毫秒帧约12-24个参数表示(约600比特/秒),实现50:1以上的压缩。
- 代表声道物理特性:LPC系数对应于声道共振(共振峰),使其具有可解释性且对噪声鲁棒。
- 计算速度快:使用Durbin递归或格型算法,可以在嵌入式硬件上实时估计LPC系数。
- 能够清晰地分离激励(音高、增益)和滤波器(声道);支持语音修改(音高偏移、时间拉伸、声音转换)。
- 成熟且标准化:LPC已用于军事和蜂窝语音编解码器;数十年的改进确保了其可靠性。
应用
- 语音编码和电话:蜂窝电话(GSM、3G、4G)和互联网电话(VoIP、Skype)编解码器的基本技术。
- 说话人识别和验证:LPC倒谱系数(LPC的倒谱分析)是说话人识别系统的标准。
- 声音转换和语音合成:LPC能够改变声音特性并生成合成语音。
- 语音增强和去噪:LPC可以对语音进行建模;从LPC残差中减去噪声估计可以提高信噪比。
- 法医音频分析:LPC特征可以揭示法律音频记录中说话人的特征和情绪状态。
- 音乐乐器建模:LPC变体(共振峰合成)近似弦乐器和管乐器的声学特性。
使用方式
使用方式
以8-16 kHz(语音带宽)录制或数字化语音信号;将信号分成重叠的帧(通常为20毫秒,50%重叠)。
应用预加重滤波器(高通)以平坦语音频谱;应用汉明窗以减少边缘效应。
估计加窗信号的自相关函数;通过求解正规方程(Yule-Walker、Durbin或格型方法)计算LPC系数。
将每个语音帧表示为LPC系数(通常为10-12个标量)加上增益和基频(音高)。通过将白噪声或音高脉冲通过LPC滤波器(全极点滤波器)进行合成。
提取语音特征:LPC系数反映声道形状;音高反映发声;增益反映响度。使用特征进行说话人识别、语音编码或合成。通过评估LPC滤波器的频率响应来计算频谱包络。
常见陷阱
- 使用不足的LPC阶数(< 8):低阶模型无法捕捉共振峰,产生含糊不清、合成的语音。
- 过于粗略的残差量化:LPC系数可能准确,但量化后的残差会降低质量。
- 忽略预加重;没有高通滤波,低频能量占主导地位,LPC拟合会强调不正确的方面。
- 假设帧率恒定;语音活动检测和静音时的帧丢弃可以提高编解码器的效率,但需要仔细实现。
- 忽略听者主观质量;MOS(主观评价分数)和听力测试对于语音编解码器的调优至关重要。
常见问题
语音的最佳LPC阶数是多少?
对于8 kHz的语音,典型的LPC阶数是10-12;对于宽带(16 kHz)语音,阶数是16-20。经验法则:阶数≈2 + fs/1000,其中fs是采样率(Hz)。更高的阶数可以捕捉更多细节,但需要更多系数并有过度拟合的风险。听力测试通常指导选择。
如何从LPC系数中提取说话人身份?
对LPC进行倒谱分析(LPC对数频谱的逆FFT)以提取说话人的共振峰位置和精细频谱结构。这些倒谱特征(通常为12-13个系数)比原始LPC更具区分度,并用于说话人识别系统。
为什么LPC中的音高估计很困难?
LPC模拟声道滤波器;音高由激励(振动速率)决定,而不是滤波器。音高估计需要对残差信号进行单独的自相关分析或谐波分析。嘈杂或微弱的音高信号(女性说话人、耳语)尤其具有挑战性;音高估计的错误会直接降低合成质量。
LPC可以压缩音乐和通用音频吗?
LPC是为语音设计的,在音乐上表现不佳,因为音乐具有丰富的谐波内容和复杂的频谱结构。更高的LPC阶数(50+)可以粗略地建模音乐,但专用的音频编解码器(MP3、AAC)可以实现更好的质量和压缩。LPC仍然是纯语音应用的标配。
LPC与CELP编解码器有什么关系?
CELP(码激励线性预测)通过用码本中的矢量量化码替换简单的音高激励来增强LPC。这提高了低比特率(< 8 kbps)下的质量。CELP是许多现代蜂窝语音编解码器(GSM-EFR、EVRC、CDMA)的基础;它本质上是LPC加上复杂的激励建模。
相关方法
参考文献
Makhoul, J. (1975). Linear prediction: A tutorial review. Proceedings of the IEEE, 63(4), 561–580.
打开 DOI 文献已复制。Rabiner, L. R., & Schafer, R. W. (1978). Digital Processing of Speech Signals. Prentice-Hall.
ISBN:978-0132136029已复制。Haykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall.
ISBN:978-0130901262已复制。