《多媒体计算机技术-4》由会员分享,可在线阅读,更多相关《多媒体计算机技术-4(83页珍藏版)》请在金锄头文库上搜索。
1、多媒体计算机技术鲁宏伟luhwluhwhust.hust.eduedu. .cncn第四讲 数字语音处理技术 数字音频压缩技术数字音频压缩技术三维音效三维音效语音识别语音识别自然语言理解自然语言理解语音合成语音合成 数字音频压缩技术音频压缩技术指的是对原始数字音频信号流(PCM编码)运用适当的数字信号处理技术,在不损失有用信息量,或所引入损失可忽略的条件下,降低(压缩)其码率,也称为压缩编码。它必须具有相应的逆变换,称为解压缩或解码。音频信号在通过一个编解码系统后可能引入大量的噪声和一定的失真。 数字音频压缩技术音频压缩算法的分类时域压缩算法子带编码MP3音频压缩编码音频压缩算法的分类一般来讲
2、,可以将音频压缩技术分为无损(lossless)压缩及有损(lossy)压缩两大类,而按照压缩方案的不同,又可将其划分为时域压缩、变换压缩、子带压缩,以及多种技术相互融合的混合压缩等等。 n n时域压缩(或称为波形编码)时域压缩(或称为波形编码)n n子带压缩技术子带压缩技术n n变换压缩技术变换压缩技术 数字音频压缩技术音频压缩算法的分类时域压缩算法子带编码MP3音频压缩编码时域压缩算法时域压缩技术一般多用于语音压缩、低码率应用时域压缩技术一般多用于语音压缩、低码率应用(源信号带宽小)的场合。时域压缩技术主要包(源信号带宽小)的场合。时域压缩技术主要包括括PCMPCM、ADPCMADPCM、
3、LPCLPC、CELPCELP,以及在这些技以及在这些技术上发展起来的块压扩技术。术上发展起来的块压扩技术。 n n脉冲编码调制脉冲编码调制( (PCM)PCM) n n增量调制增量调制n n连续可变斜率增量调制(连续可变斜率增量调制(CVSDCVSD)n n自适应差分脉冲编码调制自适应差分脉冲编码调制 (ADPCMADPCM) n n数字电路倍增设备数字电路倍增设备自适应差分脉冲编码调制自适应差分脉冲编码调制 时域压缩算法n n嵌入式自适应差分脉冲编码调制(嵌入式自适应差分脉冲编码调制(E-ADPCME-ADPCM)n n线性预测编码(线性预测编码(LPCLPC) n n残差激励线性预测编码
4、(残差激励线性预测编码(RELPRELP) n n码激励线性预测编码(码激励线性预测编码(CELPCELP)n n低时延码激励线性预测编码(低时延码激励线性预测编码(LD-CELPLD-CELP)n n矢量和激励线性预测编码(矢量和激励线性预测编码(VSELPVSELP)n n代数码本激励线性预测编码代数码本激励线性预测编码( (ACELP)ACELP)n n共扼结构共扼结构代数码激励线性预测编码(代数码激励线性预测编码(CS-ACELPCS-ACELP) n n规则脉冲激励规则脉冲激励长时预测长时预测线性预测编码(线性预测编码(RPE-LTP-RPE-LTP-LPCLPC) 脉冲编码调制 声
5、音数字化有两个步骤:第一步是采样,就是每隔一段时间间隔读一次声音的幅度;第二步是量化,就是把采样得到的声音信号幅度转换成数字值。 量化有好几种方法,但可归纳成两类:一类称为均匀量化,另一类称为非均匀量化。如果采用相等的量化间隔对采样得到的信号作量化,那么这种量化称为均匀量化。均匀量化就是采用相同的“等分尺”来度量采样得到的幅度,也称为线性量化。这种方法称为脉冲编码调制,用PCM表示。非线性量化非线性量化的基本想法是,对输入信号进行量化时,非线性量化的基本想法是,对输入信号进行量化时,大的输入信号采用大的量化间隔,小的输入信号采用小大的输入信号采用大的量化间隔,小的输入信号采用小的量化间隔。的量
6、化间隔。在非线性量化中,采样输入信号幅度和量化输出数据在非线性量化中,采样输入信号幅度和量化输出数据之间定义了两种对应关系,一种称为之间定义了两种对应关系,一种称为m m律压律压( (缩缩) )扩扩( (展展) )算法算法,另一种称为,另一种称为A A律压律压( (缩缩) )扩扩( (展展) )算法算法。 m律压(缩)扩(展)算法m律压扩用在北美和日本等地区的数字电话通信中,按下面的式子确定量化输入和输出的关系:式中:x为输入信号幅度,规格化成-1 x 1; sgn(x)为x的极性;m为确定压缩量的参数,它反映最大量化间隔和最小量化间隔之比,取100m500。 A律压(缩)扩(展)算法A A律
7、律( (A-Law)A-Law)压压扩扩用用在在欧欧洲洲和和中中国国大大陆陆等等地地区区的的数数字字电电话话通通信信中中,按按下下面面的的式式子子确确定定量量化化输输入入和和输输出出的的关系:关系:式中:式中:x x为输入信号幅度,规格化成为输入信号幅度,规格化成-1-1 x x 1 1,sgnsgn( (x x) )为为x x的极性;的极性;A A为确定压缩量的参数,它反映为确定压缩量的参数,它反映最大量化间隔和最小量化间隔之比。最大量化间隔和最小量化间隔之比。 增量调制增量调制DM(Delta Modulation)是一种预测编码技术。 DM是对实际的采样信号与预测的采样信号之差的极性进行
8、编码,将极性变成“0”和“1”这两种可能的取值之一。如果实际的采样信号与预测的采样信号之差的极性为“正”,则用“1”表示;相反则用“0”表示。由于DM编码只须用1比特对信号进行编码,所以DM编码系统又称为“1比特系统”。 DM波形编码的原理图其其中中xixi表表示示在在i i点点的的编编码码输输出出, y yi i表表示示输输入入信信号号的的实实际际值值, yiyi表表示示输输入入信信号号的的预预测测值值。假假设设采采用用均均匀匀量量化化,量量化化阶阶的的大大小小为为,在在开开始始位位置置的的输输入入信信号号y y0 0=0=0,预预测测值值y0=0y0=0,编码输出编码输出x0x01 1 增
9、量调制的缺点一是会出现一是会出现斜率过载斜率过载,即增量调制器的输出不能,即增量调制器的输出不能保持跟踪输入信号的快速变化保持跟踪输入信号的快速变化 二是会产生二是会产生粒状噪声粒状噪声。反馈回路输出信号的最大。反馈回路输出信号的最大变化速率受到量化阶大小的限制,因为量化阶的变化速率受到量化阶大小的限制,因为量化阶的大小是固定的。大小是固定的。解决方法:解决方法:自适应增量调制自适应增量调制。根据输入信号斜率根据输入信号斜率的变化自动调整量化阶的变化自动调整量化阶 的大小,以使斜率过载和的大小,以使斜率过载和粒状噪声都减到最小。许多研究人员研究了各种粒状噪声都减到最小。许多研究人员研究了各种各
10、样的方法,而且几乎所有的方法基本上都是在各样的方法,而且几乎所有的方法基本上都是在检测到斜率过载时开始增大量化阶检测到斜率过载时开始增大量化阶 ,而在输入信而在输入信号的斜率减小时降低量化阶号的斜率减小时降低量化阶 。 自适应差分脉冲编码调制ADPCMADPCM编码的方法是对输入样值进行自适应预测,编码的方法是对输入样值进行自适应预测,然后对预测误差进行量化编码。它是一种预测编然后对预测误差进行量化编码。它是一种预测编码的方法。码的方法。所谓预测编码,是指编码的对象不是原始信号的所谓预测编码,是指编码的对象不是原始信号的采样量化值,而是对当前采样值与预测值(根据采样量化值,而是对当前采样值与预
11、测值(根据前若干个采样值采用一定的预测方法产生的输入前若干个采样值采用一定的预测方法产生的输入信号)的差值进行编码。如果采用的预测方法足信号)的差值进行编码。如果采用的预测方法足够准确(差值将接近于零),可以预见,这种编够准确(差值将接近于零),可以预见,这种编码方法比直接对样本值进行编码可以采用较少的码方法比直接对样本值进行编码可以采用较少的比特数。比特数。 CCITTCCITT的的3232kbitkbit/s /s语音编码标准语音编码标准G.721G.721采用采用ADPCMADPCM编码方式,每个语音样值相当于用编码方式,每个语音样值相当于用4 4bitbit进行编码。进行编码。自适应差
12、分自适应差分脉冲编码调制脉冲编码调制它的核心想法是:它的核心想法是:利用自适应的思想改变量化阶的大小,利用自适应的思想改变量化阶的大小,即即使用小的量化阶使用小的量化阶( (step-size)step-size)去编码小的差值,使用大的量化去编码小的差值,使用大的量化阶去编码大的差值阶去编码大的差值 ;使用过去的样本值估算下一个输入样使用过去的样本值估算下一个输入样本的预测值,使实际样本值和预测值之间的差值总是最小。本的预测值,使实际样本值和预测值之间的差值总是最小。 数字电路倍增设备自适应差分脉冲编码调制 DCME-ADPCM是CCITTG.723语音编码标准算法这种算法可以在40kbit
13、/s、32kbit/s和24kbit/s三种速率中动态调整,以达到在给定的信道中增加容量的目的 线性预测编码 LPC(LinearPredictiveCoding)LPC(LinearPredictiveCoding)语音编码是最基本的语音编码是最基本的低速率语音编码方法,低速率语音编码方法,LPCLPC语音编码的基础是语语音编码的基础是语音产生模型,在这个模型中,语音是由激励信号音产生模型,在这个模型中,语音是由激励信号激励一个自适应滤波器(即激励一个自适应滤波器(即LPCLPC滤波器)而产生。滤波器)而产生。LPCLPC滤波器的参数是通过线性预测的方法,即用滤波器的参数是通过线性预测的方法
14、,即用过去的样值预测当前样值提取的。过去的样值预测当前样值提取的。美国联邦标准美国联邦标准FS1015FS1015的的2.42.4kbitkbitsLPCsLPC-10-10和和LPC-LPC-10e10e就是就是LPCLPC语音编码的典型例子,主要用于电话语音编码的典型例子,主要用于电话线上的窄带语音保密通信。线上的窄带语音保密通信。 低时延码激励线性预测编码 LD-CELP是CCITTG.728语音编码标准算法,其输出速率为16kbit/s。这种方法在CELP算法的基础上,采用后向自适应线性预测、50阶合成滤波、短激励矢量(5个样值)等改进方法,从而达到高质量和低时延的目的,总的编码时延小
15、于2ms。 代数码本激励线性预测编码极低速率可视电话标准H.324中语音编码标准是G.723.1,采用5.27kbits和6.3kbits两种速率,其中5.27kbits速率就是以ACELP算法为基础。 共扼结构代数码激励线性预测编码 CS-ACELP编码算法被ITU-T的8kbit/s语音编码标准G.729采用 规则脉冲激励长时预测线性预测编码这种算法是欧洲900MHz数字蜂窝移动电话的语音编码标准(GSM),也为数字蜂窝系统DCS1800所采用。 RPE-LTP-LPC算法是MPE-LPC的改进算法,除了增加长时预测功能外,激励脉冲的位置具有一定的规律。数字音频压缩技术音频压缩算法的分类时
16、域压缩算法子带编码MP3音频压缩编码子带编码子带编码子带编码SBC(SBC(s sububb bandand c coding)oding)的基本思想是,首先使用一组带通滤的基本思想是,首先使用一组带通滤波器波器BPF(BPF(b band-and-p pass ass f filter)ilter)把输入音频信号的频带分成若干个连续的把输入音频信号的频带分成若干个连续的频段,每个频段称为子带。对每个子带中的音频信号采用单独的编码频段,每个频段称为子带。对每个子带中的音频信号采用单独的编码方案去编码。在信道上传送时,将每个子带的代码复合起来。在接收方案去编码。在信道上传送时,将每个子带的代码复
17、合起来。在接收端译码时,将每个子带的代码单独译码,然后把它们组合起来,还原端译码时,将每个子带的代码单独译码,然后把它们组合起来,还原成原来的音频信号。成原来的音频信号。采用对每个子带分别编码的好处有二个。第一,对每个子带信号分别采用对每个子带分别编码的好处有二个。第一,对每个子带信号分别进行自适应控制,量化阶的大小进行自适应控制,量化阶的大小( (quantization step)quantization step)可以按照每个子可以按照每个子带的能量电平加以调节。具有较高能量电平的子带用大的量化阶去量带的能量电平加以调节。具有较高能量电平的子带用大的量化阶去量化,以减少总的量化噪声。第二
18、,可根据每个子带信号在感觉上的重化,以减少总的量化噪声。第二,可根据每个子带信号在感觉上的重要性,对每个子带分配不同的比特数,用来表示每个样本值。例如,要性,对每个子带分配不同的比特数,用来表示每个样本值。例如,在低频子带中,为了保护音调和共振峰的结构,就要求用较小的量化在低频子带中,为了保护音调和共振峰的结构,就要求用较小的量化阶、较多的量化级数,即分配较多的比特数来表示样本值。而话音中阶、较多的量化级数,即分配较多的比特数来表示样本值。而话音中的摩擦音和类似噪声的声音,通常出现在高频子带中,对它分配较少的摩擦音和类似噪声的声音,通常出现在高频子带中,对它分配较少的比特数。的比特数。 子带编
19、码方块图子带编码对每个子带分别编码的好处是: n n可以利用人耳(或人眼)对不同频率信号的感可以利用人耳(或人眼)对不同频率信号的感知灵敏度不同的特性,在人的听觉(或视觉)知灵敏度不同的特性,在人的听觉(或视觉)不敏感的频段采用较粗糙的量化,从而达到数不敏感的频段采用较粗糙的量化,从而达到数据压缩的目的。据压缩的目的。 n n各个子带的量化噪声都束缚在本子带内,这就各个子带的量化噪声都束缚在本子带内,这就可以避免能量较小的频带内的信号被其它频带可以避免能量较小的频带内的信号被其它频带中量化噪声所掩盖中量化噪声所掩盖 n n通过频带分裂,各个子带的取样频率可以成倍通过频带分裂,各个子带的取样频率
20、可以成倍下降。下降。 数字音频压缩技术音频压缩算法的分类时域压缩算法子带编码MP3音频压缩编码MP3音频压缩编码 MP3MP3是一种音频压缩的国际技术标准。是一种音频压缩的国际技术标准。MP3MP3格式格式开始于二十世纪开始于二十世纪8080年代中期,是在德国年代中期,是在德国夫朗和费夫朗和费研究所(研究所(FraunhoferFraunhofer Institute Institute)开始的,研究致开始的,研究致力于高质量、低数据率的声音编码。力于高质量、低数据率的声音编码。19891989年,年,夫朗和费研究所夫朗和费研究所在德国被获准取得了在德国被获准取得了MP3MP3的专利权,几年后
21、这项技术被提交到国际标的专利权,几年后这项技术被提交到国际标准组织准组织( (ISO)ISO),整合进入了整合进入了MPEG-1MPEG-1标准。标准。 MP3MP3格式是一个让音乐界产生巨大震动的一个声格式是一个让音乐界产生巨大震动的一个声音格式。音格式。MP3MP3的全称是的全称是MovingPictureExpertsMovingPictureExpertsGroup,AudioLayer3Group,AudioLayer3,它所使用的技术是在它所使用的技术是在VCDVCD(MPEG-1MPEG-1)的音频压缩技术上发展出的第的音频压缩技术上发展出的第三代,而不是三代,而不是MPEG-3
22、MPEG-3。 MP3音频压缩编码MPEGMPEG代表的是代表的是MPEGMPEG活动影音压缩标准,活动影音压缩标准,MPEGMPEG音频文件指的是音频文件指的是MPEGMPEG标准中的声音部分即标准中的声音部分即MPEGMPEG音频层。音频层。MPEGMPEG音频文件根据压缩质量和编码复音频文件根据压缩质量和编码复杂程度的不同可分为三层(杂程度的不同可分为三层(MPEGAUDIOMPEGAUDIOLAYER1/2/3LAYER1/2/3分别与分别与MP1MP1、MP2MP2和和MP3MP3这三种声音这三种声音文件相对应)。文件相对应)。MPEGMPEG音频编码具有很高的压缩率,音频编码具有很
23、高的压缩率,MP1MP1和和MP2MP2的的压缩率分别为压缩率分别为4:14:1和和6:1-8:16:1-8:1,而,而MP3MP3的压缩率则高的压缩率则高达达10:110:112:112:1,也就是说一分钟,也就是说一分钟CDCD音质的音乐未音质的音乐未经压缩需要经压缩需要1010MBMB存储空间,而经过存储空间,而经过MP3MP3压缩编码压缩编码后只有后只有1 1MBMB左右,同时其音质基本保持不失真。左右,同时其音质基本保持不失真。MP3音频压缩编码音乐信号中有许多冗余成分,其中包括间隔和一音乐信号中有许多冗余成分,其中包括间隔和一些人耳分辨不出的信息(如混杂在较强背景中的些人耳分辨不出
24、的信息(如混杂在较强背景中的弱信号)。弱信号)。MP3MP3为降低声音失真采取了名为为降低声音失真采取了名为“ “感感官编码技术官编码技术” ”的编码算法:编码时先对音频文件的编码算法:编码时先对音频文件进行频谱分析,然后用过滤器滤掉噪音,接着通进行频谱分析,然后用过滤器滤掉噪音,接着通过量化的方式将剩下的每一位打散排列,最后形过量化的方式将剩下的每一位打散排列,最后形成具有较高压缩比的成具有较高压缩比的MP3MP3文件,并使压缩后的文文件,并使压缩后的文件在回放时能够达到比较接近原音源的声音效果。件在回放时能够达到比较接近原音源的声音效果。虽然它是一种有损压缩,但是它的最大优势是以虽然它是一
25、种有损压缩,但是它的最大优势是以极小的声音失真换来了较高的压缩比。极小的声音失真换来了较高的压缩比。 音频编码标准 G.711 G.722 G.723.1 G.728 G.729 音频编码标准比较G.711 1972年CCITT为电话质量和语音压缩制定了PCM标准G.711。其速率为64kb/s,使用律或A律的非线性量化技术,主要用于公共电话网中。 G.72219881988年年CCITTCCITT为调幅广播质量的音频信号压缩制为调幅广播质量的音频信号压缩制定了定了G.722G.722标准,它使用子带编码标准,它使用子带编码( (SBC)SBC)方案,其方案,其滤波器组将输入信号分成高低两个子
26、带信号,然滤波器组将输入信号分成高低两个子带信号,然后分别使用后分别使用ADPCMADPCM进行编码。进行编码。G.722G.722能将能将224224kb/skb/s的调幅广播质量的音频信号压的调幅广播质量的音频信号压缩为缩为6464kb/skb/s,主要用于视听多媒体和会议电视等。主要用于视听多媒体和会议电视等。 G.722G.722的主要目标是保持的主要目标是保持6464kb/skb/s的数据率,而音的数据率,而音频信号的质量要明显高于频信号的质量要明显高于G.711G.711的质量。的质量。 G.723.11996年ITU-T通过了G.723标准“用于多媒体传输的5.3kb/s或6.3
27、kb/s双速率话音编码”。它采用多脉冲激励最大似然量化(MP-MLQ)算法,此标准可应用于可视电话及IP电话等系统中。 G.728为了进一步降低压缩的速率,CCITT于1992年制定了G.728标准,使用基于低时延码本激励线性预测编码(LD-CELP)算法,其速率为16kb/s,主要用于公共电话网中。 G.729ITU-T于1996年3月通过了G.729标准,它使用8kb/s的共轭结构代数码激励线性预测(CS-ACELP)算法,此标准将在无线移动网、数字多路复用系统和计算机通信系统中应用。 音频编码标准比较 第四讲 数字语音处理技术 数字音频压缩技术数字音频压缩技术三维音效三维音效语音识别语音
28、识别自然语言理解自然语言理解语音合成语音合成 三维音效人类的听觉3D音效的分类杜比AC-3DTS 人类的听觉人耳的基本声音定位原理是人耳的基本声音定位原理是IIDIID(InterauralInteraural IntensityDifferenceIntensityDifference,两侧声音强度差别)和两侧声音强度差别)和ITDITD(InterauralInterauralTimeDifferenceTimeDifference,两侧声音时间延两侧声音时间延迟差别)。迟差别)。IIDIID指距离音源较近的哪一边耳朵,所收到的声音指距离音源较近的哪一边耳朵,所收到的声音强度比另一侧高,感
29、到声音更大一些。强度比另一侧高,感到声音更大一些。ITDITD指方位的不同,使声音到达两耳的时间有差别指方位的不同,使声音到达两耳的时间有差别,人们会觉得声音位于到达时间早些的那一边,人们会觉得声音位于到达时间早些的那一边,IID+ITDIID+ITD的结果是把音源定位到以听者两耳这间连的结果是把音源定位到以听者两耳这间连线为轴线的锥体范围之内。线为轴线的锥体范围之内。 人类的听觉耳廓(外耳)的作用是滤波器,根据声音的不同耳廓(外耳)的作用是滤波器,根据声音的不同角度,加强角度,加强/ /减弱音波能量,过滤之后传给大脑,减弱音波能量,过滤之后传给大脑,让我们更准确地声源的位置。耳廓的大小有限,
30、让我们更准确地声源的位置。耳廓的大小有限,因此能够收到的音波范围也有限,通常是因此能够收到的音波范围也有限,通常是2020HzHz到到2020KHzKHz,即波长即波长1616米到米到1.61.6厘米的音波。换言之,厘米的音波。换言之,低于此范围是次声波,高于此范围是超声波。低于此范围是次声波,高于此范围是超声波。 由于两耳机的距离约为由于两耳机的距离约为1515厘米,当波长大于厘米,当波长大于1515厘厘米时米时IITIIT和和ITDITD将会减弱。频率低的声音波长大,将会减弱。频率低的声音波长大,因此我们很难判断出低音的位置,却能轻易分辨因此我们很难判断出低音的位置,却能轻易分辨高音的方位
31、。实际上,耳廓对于声音的定位,是高音的方位。实际上,耳廓对于声音的定位,是至关重要的一环,没有外耳的人难以判断声音发至关重要的一环,没有外耳的人难以判断声音发出的位置。出的位置。 人类的听觉人类依靠一种称为人类依靠一种称为HRTFHRTF(HeadRelatedTransferHeadRelatedTransferFunctionFunction,头部关联传输功能)的系统来判断声音头部关联传输功能)的系统来判断声音发出的位置。每个人的发出的位置。每个人的HRTFHRTF都不尽相同,还可以都不尽相同,还可以进行交换。进行交换。HRTFHRTF的检测非常简单,先在人的耳道内放置两个的检测非常简单,
32、先在人的耳道内放置两个微型麦克风,再在听者附近放一个音箱,播放确微型麦克风,再在听者附近放一个音箱,播放确定的信号,同时记录麦克风收到的信号。比较源定的信号,同时记录麦克风收到的信号。比较源信号和麦克风的脉冲特性曲线就可以得到其中一信号和麦克风的脉冲特性曲线就可以得到其中一个滤波效果。最后于听者附近的所有位置重复上个滤波效果。最后于听者附近的所有位置重复上述过程,即可获取完整的述过程,即可获取完整的HRTFHRTF系统。系统。 三维音效人类的听觉3D音效的分类杜比AC-3DTS 3D音效的分类3D音效的两个最重要因素是定位和交互。定位即让人们准确地判断出声音的来源,可以通过预选录制声音,再进行
33、特定的解码来实现。实时的定位就是交互,声音并非预选录制好的,而是按照你的控制来决定声音的位置。即时生成的交互式声音对输入设备的要求,比预选录制音轨的放音设备(如:电影)要更强一些。 3D音效的分类扩展式立体声扩展式立体声n n它使用声音延迟技术对传统的立体声进行额外处理,它使用声音延迟技术对传统的立体声进行额外处理,扩宽了音场的位置,使声音延展到音箱以外的空间,扩宽了音场的位置,使声音延展到音箱以外的空间,让我们感觉的让我们感觉的3 3D D世界更广阔世界更广阔 环绕立体声环绕立体声n n它采用音频压缩技术它采用音频压缩技术( (如:杜比如:杜比AC-3)AC-3)把多通道音源编码把多通道音源
34、编码成一段程序,再以一组多扬声器系统来进行解码,实成一段程序,再以一组多扬声器系统来进行解码,实现多区域环绕效果。现多区域环绕效果。 交互式交互式3 3D D音效音效 n n交互式交互式3 3D D尽量地复制了人耳在真实世界中听到的声音,尽量地复制了人耳在真实世界中听到的声音,并使用一定的算法来播放出来,让我们感到整个三维并使用一定的算法来播放出来,让我们感到整个三维空间的所有地方都可能产生声音,并随听者的移动而空间的所有地方都可能产生声音,并随听者的移动而做出相应改变。做出相应改变。 三维音效人类的听觉3D音效的分类杜比AC-3DTS 杜比AC-3 为了提高为了提高HDTVHDTV声音的质量
35、,避免模拟矩阵编码声音的质量,避免模拟矩阵编码的局限性,提出了双通道的码率提供多通道的编的局限性,提出了双通道的码率提供多通道的编码性能的设想,杜比码性能的设想,杜比AC-3AC-3就是为了实现这一设想就是为了实现这一设想而开发的。杜比而开发的。杜比AC-3AC-3可以把五个独立的全频带和可以把五个独立的全频带和一个超低音通道的信号实行统一编码,成为单一一个超低音通道的信号实行统一编码,成为单一的复合数据流。的复合数据流。 AC-3AC-3的频响为的频响为2020HzHz20kHz0.5dB(-3dB20kHz0.5dB(-3dB时为时为3 3HzHz20.3kHz)20.3kHz),超低声道
36、频率范围是超低声道频率范围是2020HzHz120Hz120Hz 0.5dB0.5dB。可支持可支持3232kHzkHz、44.1kHz44.1kHz、48kHz48kHz三种取三种取样频率。数码率可低至单声道的样频率。数码率可低至单声道的3232kb/s,kb/s,高到多声高到多声道道640640kb/skb/s,以适应不同需要。以适应不同需要。 杜比AC-3AC-3采用基于改良离散余弦变换(MDCT)的自适应变换编码(ATC)算法。ATC算法的一个重要考虑是基于人耳听觉掩蔽效应的临界频带理论,即在临界频带内一个声音对另一个声音信号的掩蔽效应最明显。因此,划分频带的滤波器组要有足够锐利的频率
37、响应,以保证临界频带外的噪声衰减足够大,使时域和频域内的噪声限定在掩蔽门限以下。 三维音效人类的听觉3D音效的分类杜比AC-3DTS DTSDTSDTS是是“ “DigitalTheatreSystemDigitalTheatreSystem”的缩写,是的缩写,是“ “数数字化影院系统字化影院系统” ”的意思。的意思。从技术上讲,从技术上讲,DTSDTS与包括与包括DolbyDigitalDolbyDigital在内的其它在内的其它声音处理系统是完全不同的。声音处理系统是完全不同的。DolbyDigitalDolbyDigital是将音是将音效数据存储在电影胶片的齿孔之间,因为空间的效数据存储
38、在电影胶片的齿孔之间,因为空间的限制而必须采用大量的压缩的模式,这样就不得限制而必须采用大量的压缩的模式,这样就不得不牺牲部分音质。不牺牲部分音质。DTSDTS公司用一种简单的办法解决了这个问题,即公司用一种简单的办法解决了这个问题,即把音效数据存储到另外的把音效数据存储到另外的CD-ROMCD-ROM中,使其与影中,使其与影像数据同步。这样不但空间得到增加,而且数据像数据同步。这样不但空间得到增加,而且数据流量也可以相对变大,更可以将存储音效数据的流量也可以相对变大,更可以将存储音效数据的CDCD更换,来播放不同的语言版本。更换,来播放不同的语言版本。 DTSDTSDTS系统不仅具有系统不仅
39、具有 AC-3AC-3相似功能,更加强了其纵深定位相似功能,更加强了其纵深定位交叉效果。交叉效果。DTSDTS芯片容量为芯片容量为15361536kbpskbps,压缩传输比为压缩传输比为4:14:1;而;而 AC-3AC-3芯片容量为芯片容量为448448kbpskbps,压缩比为压缩比为10:110:1。正是由。正是由于于DTSDTS信息容量的增加,音色更加优美。信息容量的增加,音色更加优美。DTSDTS家庭影院的核心是家庭影院的核心是 DTSDTS解码器,它可对解码器,它可对 DVDDVD,CDCD的杜比数字解码,输出的杜比数字解码,输出5.15.1声道信息,也可以选择声道信息,也可以选
40、择DTSDTS方方式,输出式,输出6 6声道信息。声道信息。DTSDTS和杜比数字在音质上有着明显的不同,前者声音力度和杜比数字在音质上有着明显的不同,前者声音力度强劲,声音的上升和切入都很尖锐,音场的透明感清晰可强劲,声音的上升和切入都很尖锐,音场的透明感清晰可闻,尤其是丰富的低音效果表现得更加激烈火爆。后者在闻,尤其是丰富的低音效果表现得更加激烈火爆。后者在低音方面缺少丰富的力度低音方面缺少丰富的力度 第四讲 数字语音处理技术 数字音频压缩技术数字音频压缩技术 三维音效三维音效语音识别语音识别自然语言理解自然语言理解语音合成语音合成 语音识别技术及应用语音识别的发展历史 语音识别技术语音识
41、别系统的类型 语音识别的应用 语音识别的发展历史语音识别技术的研究工作始于语音识别技术的研究工作始于2020世纪世纪5050年代,当时年代,当时AT&T AT&T BellBell实验室实现了第一个可识别十个英文数字的语音识别实验室实现了第一个可识别十个英文数字的语音识别系统系统AudryAudry系统。系统。 6060年代,计算机的应用推动了语音识别的发展。年代,计算机的应用推动了语音识别的发展。7070年代,语音识别领域取得了突破。年代,语音识别领域取得了突破。 8080年代,语音识别研究进一步走向深入,其显著特征是年代,语音识别研究进一步走向深入,其显著特征是HMMHMM模型和人工神经元
42、网络(模型和人工神经元网络(ANNANN)在语音识别中的成在语音识别中的成功应用。功应用。 9090年代,随着多媒体时代的来临,迫切要求语音识别系统年代,随着多媒体时代的来临,迫切要求语音识别系统从实验室走向实用。从实验室走向实用。 语音识别技术的发展历史 如图表示了从80年代初以来语音识别技术经历的从孤立词、小词汇量、特定人到大词汇量、非特定人、自然口语识别的发展历程。语音识别技术及应用语音识别的发展历史 语音识别技术语音识别系统的类型 语音识别的应用 语音识别技术不同的语音识别系统,虽然具体实现细节有所不同,但所采用的基本技术相似,它所涉及的领域包括:信号处理、模式识别、概率论和信息论、发
43、声机理和听觉机理、人工智能等等。 语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。此外,还涉及到语音识别单元的选取。 特征参数提取技术 语音信号中含有丰富的信息,这些信息称为语音信号的声学特征 特征提取是对语音信号进行分析处理,去除对语音识别无关紧要的冗余信息,获得影响语音识别的重要信息 由于语音信号的时变特性,特征提取必须在一小段语音信号上进行,也即进行短时分析 常用的一些声学特征 线性预测系数LPC 倒谱系数CEP Mel倒谱系数MFCC和感知线性预测PLP 模式匹配及模型训练技术 模型训练是指按照一定的准则,从大量已知模式模型训练是指按照一定的准则,从大量已知模式中
44、获取表征该模式本质特征的模型参数,而模式中获取表征该模式本质特征的模型参数,而模式匹配则是根据一定准则,使未知模式与模型库中匹配则是根据一定准则,使未知模式与模型库中的某一个模型获得最佳匹配。的某一个模型获得最佳匹配。 语音识别所应用的模式匹配和模型训练技术主要语音识别所应用的模式匹配和模型训练技术主要有动态时间归正技术(有动态时间归正技术(DTWDTW,又称为动态时间弯又称为动态时间弯折技术)、隐马尔可夫模型(折技术)、隐马尔可夫模型(HMMHMM)和人工神经和人工神经元网络(元网络(ANNANN)。)。 典型语音识别系统的实现过程 语音识别单元的选取 选择识别单元是语音识别研究的第一步选择
45、识别单元是语音识别研究的第一步 语音识别单元有语音识别单元有单词单词(句)、(句)、音节音节和和音素音素三种三种 单词单元广泛应用于中小词汇语音识别系统单词单元广泛应用于中小词汇语音识别系统 音节单元多见于汉语语音识别音节单元多见于汉语语音识别 音素单元以前多见于英语语音识别的研究中,但音素单元以前多见于英语语音识别的研究中,但目前中、大词汇量汉语语音识别系统也在越来越目前中、大词汇量汉语语音识别系统也在越来越多地采用多地采用 语音识别技术及应用语音识别的发展历史 语音识别技术语音识别系统的类型 语音识别的应用 语音识别系统的类型语音识别系统有以下几种分类方式: n n根据对说话人的依赖程度可
46、以分为根据对说话人的依赖程度可以分为特定人特定人和和非非特定人特定人语音识别系统语音识别系统 n n根据对说话人说话方式的要求,可以分为根据对说话人说话方式的要求,可以分为孤立孤立字(词)字(词)语音识别系统语音识别系统,连接词连接词语音识别系统语音识别系统以及以及连续语音连续语音识别系统识别系统n n根据词汇量大小,可以分为小词汇量、中等词根据词汇量大小,可以分为小词汇量、中等词汇量、大词汇量以及无限词汇量语音识别系统汇量、大词汇量以及无限词汇量语音识别系统 特定人语音识别系统 特定人的识别系统精明得足以能了解讲话者的语特定人的识别系统精明得足以能了解讲话者的语音特点,它从语音签名上就能知道
47、讲话者的身份。音特点,它从语音签名上就能知道讲话者的身份。 只有在讲话者用特定单词组形成的词汇表训练系只有在讲话者用特定单词组形成的词汇表训练系统后,它才能识别统后,它才能识别 特定人系统的优点是它是可训练的,系统很灵活,特定人系统的优点是它是可训练的,系统很灵活,可以训练它来识别新词可以训练它来识别新词 特定人的系统的缺点是由一个用户训练的系统不特定人的系统的缺点是由一个用户训练的系统不能被另一用户使用能被另一用户使用 例:手机中使用的语音拨号例:手机中使用的语音拨号非特定人语音识别系统非持定人识别系统可识别任何用户的语音。它不需要任何来自用户的训练,因为它不依赖于个人的语音签名。 为生成非
48、特定人识别系统、大量的用户训练了大词汇表的识别器。 在训练系统时,男声和女声、不同的口音和方言,以及带有背景噪音的环境都计入了考虑范围之内以生成参考模板。例:IBM Via Voice 孤立词语音识别系统孤立词(语音)识别系统,一次只提供一个单一词的识别 识别器的第一个任务是进行幅度和噪声归一化,下一步是参数分析 可以通过把对应于一个词的大量样本聚集为单一群来获得非特定人孤立单词语音识别器。 连接词语音识别系统连接词的语音由所说的短语组成,而短语又是由词序列组成 识别连接词短语中单词的一种方法是采用词定位技术 类似于孤立词语音识别,连接词语音识别用于命令和控制应用 连续语音识别系统连续语音由在
49、听写中形成段落的完整句子组成 连续语音识别系统可以分成下列三部分: n n第一部分包括数字化、幅度归一化、时间归一第一部分包括数字化、幅度归一化、时间归一化和参数表示化和参数表示 n n另一部分包括分割并把语音段标记成在基于知另一部分包括分割并把语音段标记成在基于知识或基于规则系统上的符号串识或基于规则系统上的符号串 n n最后一部分是设计用于识别词序列而进行语音最后一部分是设计用于识别词序列而进行语音段匹配段匹配 语音识别技术及应用语音识别的发展历史 语音识别技术语音识别系统的类型 语音识别的应用 语音识别的应用语音邮件集成数据库输人和询问应用 语音命令和控制应用 第四讲 数字语音处理技术
50、数字音频压缩技术数字音频压缩技术 三维音效三维音效 语音识别语音识别自然语言理解自然语言理解语音合成语音合成 自然语言理解 自然语言理解就是研究如何能让计算机理解并生自然语言理解就是研究如何能让计算机理解并生成人们日常所使用的成人们日常所使用的( (如汉语、英语如汉语、英语) )语言,使得计语言,使得计算机懂得自然语言的含义,并对人给计算机提出算机懂得自然语言的含义,并对人给计算机提出的问题,通过对话的方式,用自然语言进行回答。的问题,通过对话的方式,用自然语言进行回答。目的在于建立起一种人与机器之间的密切而友好目的在于建立起一种人与机器之间的密切而友好的关系,使之能进行高度的信息传递与认知活
51、动。的关系,使之能进行高度的信息传递与认知活动。 用自然语言与计算机进行通信,这是人们长期以用自然语言与计算机进行通信,这是人们长期以来所追求的。来所追求的。自然语言理解一个中文文本从形式上看是由汉字(包括标点符号等)组一个中文文本从形式上看是由汉字(包括标点符号等)组成的一个字符串。由字可组成词,由词可组成词组,由词成的一个字符串。由字可组成词,由词可组成词组,由词组可组成句子,进而由一些句子组成段、节、章、篇。组可组成句子,进而由一些句子组成段、节、章、篇。无论在上述的各种层次:字(符)、词、词组、句子、段,无论在上述的各种层次:字(符)、词、词组、句子、段,还是在下一层次向上一层次转变中
52、都存在着歧义和多还是在下一层次向上一层次转变中都存在着歧义和多义现象,即形式上一样的一段字符串,在不同的场景或不义现象,即形式上一样的一段字符串,在不同的场景或不同的语境下,可以理解成不同的词串、词组串等,并有不同的语境下,可以理解成不同的词串、词组串等,并有不同的意义。同的意义。自然语言处理的核心技术是语言分析技术,即将句子(数自然语言处理的核心技术是语言分析技术,即将句子(数量无限)变换成由词语(数量可控)及其抽象形式(数量量无限)变换成由词语(数量可控)及其抽象形式(数量有限)构成的用某种数据结构(句法树、复杂特征集或语有限)构成的用某种数据结构(句法树、复杂特征集或语义网络)表示的内部
53、形式(数量有限)。义网络)表示的内部形式(数量有限)。 自然语言理解语言分析技术可以分为基于规则与基于统计数据语言分析技术可以分为基于规则与基于统计数据两大类。两大类。概率语法通过语料库统计给每条语言规则加上概概率语法通过语料库统计给每条语言规则加上概率值,语言规则便有了率值,语言规则便有了“ “柔性柔性” ”,不再是,不再是“ “说一不二说一不二” ”、“ “非此即彼非此即彼” ”。概率语法是有机结合这两类技术的较好理论体系。概率语法是有机结合这两类技术的较好理论体系。为了完成这种统计,事先必须按照人给出的语言为了完成这种统计,事先必须按照人给出的语言规则加工语料库(至少要加工一部分训练语料
54、),规则加工语料库(至少要加工一部分训练语料),这说明统计方法也需要规则的指导。两者之间的这说明统计方法也需要规则的指导。两者之间的结合和互相利用是必然的趋势。结合和互相利用是必然的趋势。 自然语言理解语言分析可以划分为词法析、句法分析、语义分析、篇章语言分析可以划分为词法析、句法分析、语义分析、篇章分析等步骤。现在,词法分析和句法分析相对成熟,语义分析等步骤。现在,词法分析和句法分析相对成熟,语义分析逐渐成为研究重点。对象单元由小到大从句子向篇章分析逐渐成为研究重点。对象单元由小到大从句子向篇章发展。实际上只有在篇章的范围内分析,省略、指代和句发展。实际上只有在篇章的范围内分析,省略、指代和
55、句子的固有歧义等问题才可能解决。子的固有歧义等问题才可能解决。 如果说自然语言处理技术尚未取得重大突破,其含义就是如果说自然语言处理技术尚未取得重大突破,其含义就是完整语言分析技术尚未过关。完整语言分析技术尚未过关。浅层分析技术或者只提取句子中的名词短语,或者只识别浅层分析技术或者只提取句子中的名词短语,或者只识别句子的谓语中心词及其他组块同谓语中心词的依存关系。句子的谓语中心词及其他组块同谓语中心词的依存关系。这样的技术就是适应当今大规模网上文本信息处理,例如,这样的技术就是适应当今大规模网上文本信息处理,例如,文献检索、信息提取和文本分类等的需要,吸收传统的语文献检索、信息提取和文本分类等
56、的需要,吸收传统的语言分析中某些局部技术而发展起来的。言分析中某些局部技术而发展起来的。 第四讲 数字语音处理技术 数字音频压缩技术数字音频压缩技术 三维音效三维音效 语音识别语音识别 自然语言理解自然语言理解语音合成语音合成 语音合成语音合成是以言语产生模型为基础,分析抽取激励源,声道的特征参数;再利用这些特征参数重新综合出语音信号的过程。 语音合成是通过一个声学模块来具体实现的。语音合成早期的语音合成技术的研究,往往集中在语音合早期的语音合成技术的研究,往往集中在语音合成算法本身,其研究的方法和手段与语音编码有成算法本身,其研究的方法和手段与语音编码有很多相似之处。很多相似之处。进入进入2
57、020世纪世纪9090年代以来,波形拼接年代以来,波形拼接( (PSOLAPSOLA,PitchPitchSynchronousSynchronousOverLapOverLapAdd)Add)的算法,越来越被广泛的算法,越来越被广泛地应用在语音合成系统中。地应用在语音合成系统中。PSOLAPSOLA较好地解决了较好地解决了语音拼接中的问题,从而推动了波形编辑语音拼接中的问题,从而推动了波形编辑语音合语音合成成技术的发展与应用。技术的发展与应用。近年来,一些新的方法,如人工神经网络、决策近年来,一些新的方法,如人工神经网络、决策树、隐马尔可夫模型等被广泛地应用于语音合成树、隐马尔可夫模型等被广
58、泛地应用于语音合成技术。技术。 TTS TTSTTS即文本语音转换技术即文本语音转换技术( (Text To Speech)Text To Speech),它涉及声学、它涉及声学、语言学、数学信号处理技术、多媒体技术等多个学科技术,语言学、数学信号处理技术、多媒体技术等多个学科技术,是中文信息处理领域的一项前沿技术,实现把计算机中任是中文信息处理领域的一项前沿技术,实现把计算机中任意出现的文字转换成自然流畅的语音输出。意出现的文字转换成自然流畅的语音输出。 TSTS系统是一种以文字串为输入的规则合成系统。其输入的系统是一种以文字串为输入的规则合成系统。其输入的文字串为通常的文本字符串。系统中的
59、文本分析器首先根文字串为通常的文本字符串。系统中的文本分析器首先根据发音字典,将输入的文字串分节为带有标记的词及其读据发音字典,将输入的文字串分节为带有标记的词及其读音符号,再根据语义规则和语音规则,为每一个词、每一音符号,再根据语义规则和语音规则,为每一个词、每一个音节确定声音等级和语调,以及各种停顿等。这样文字个音节确定声音等级和语调,以及各种停顿等。这样文字串就转换为代码串。规则合成系统就可据此合成抑扬顿挫串就转换为代码串。规则合成系统就可据此合成抑扬顿挫和不同语气的语句。和不同语气的语句。 视觉语音 视觉语音是指人们在用语言交流时所表达出的面视觉语音是指人们在用语言交流时所表达出的面部
60、表情和动作,它能在一定程度上传达人们想要部表情和动作,它能在一定程度上传达人们想要表达的意思,并能帮助人们加深对语言的理解。表达的意思,并能帮助人们加深对语言的理解。 近年来出现了另一种多媒体研究热潮,即把声音近年来出现了另一种多媒体研究热潮,即把声音和文字、图像集成在一起,形成直接由文本到可和文字、图像集成在一起,形成直接由文本到可视语音的转换视语音的转换( (text-to-visualspeechtext-to-visualspeech,TTVS)TTVS),使人使人们在听计算机说话的同时能看到一个合成的人脸,们在听计算机说话的同时能看到一个合成的人脸,使人机交互界面更为友好、和谐。使人
61、机交互界面更为友好、和谐。 视觉语音TTVSTTVS的实现方法可分为以下两类:的实现方法可分为以下两类:n n基于参数控制的方法。首先对人脸建立一个网格模型,基于参数控制的方法。首先对人脸建立一个网格模型,包括多个多边形包括多个多边形( (一般是三角形一般是三角形) )和顶点。由一组参数来和顶点。由一组参数来控制每个顶点的运动,再通过图像变形技术实现人脸控制每个顶点的运动,再通过图像变形技术实现人脸上各个像素点的运动,来生成人们说话时的各种面部上各个像素点的运动,来生成人们说话时的各种面部表情。表情。 基于数据驱动的方法。基于数据驱动的方法。n n类似于语音合成中的波形拼接合成法。通过对人们说类似于语音合成中的波形拼接合成法。通过对人们说话时可能出现的各种表情进行录像,从中提取大量的话时可能出现的各种表情进行录像,从中提取大量的原始数据,建立图像数据库。在合成时从库中选择合原始数据,建立图像数据库。在合成时从库中选择合适的图像进行拼接,并进行一些消除图像边缘效应和适的图像进行拼接,并进行一些消除图像边缘效应和抖动的处理,生成动态的连续的说话者的面部表情。抖动的处理,生成动态的连续的说话者的面部表情。