CN101295507B - 带级间预测的超帧声道参数多级矢量量化方法 - Google Patents
带级间预测的超帧声道参数多级矢量量化方法 Download PDFInfo
- Publication number
- CN101295507B CN101295507B CN2008101051382A CN200810105138A CN101295507B CN 101295507 B CN101295507 B CN 101295507B CN 2008101051382 A CN2008101051382 A CN 2008101051382A CN 200810105138 A CN200810105138 A CN 200810105138A CN 101295507 B CN101295507 B CN 101295507B
- Authority
- CN
- China
- Prior art keywords
- mrow
- quantized
- superframe
- vector
- line spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000013598 vector Substances 0.000 title claims abstract description 105
- 238000013139 quantization Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001228 spectrum Methods 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
带级间预测的超帧声道参数多级矢量量化方法涉及超帧声道参数矢量量化方法,属于低速率语音压缩编码技术领域,其特征在于,该方法对已有的基于模式的去直流去帧间预测的多级矢量量化方案进行改进,多级矢量量化过程中,利用上一级码本的选定码矢对残差矢量进行预测,得到预测值,下一级矢量量化的待量化值由上一级矢量量化的待量化值减去上一级的选定码矢及预测值后得到。测试结果表明,这种带有多级码本级间预测的算法与无级间预测的算法相比能够有效提高声道参数的量化精度,使合成语音具有更高的可懂性。该方法适合300b/s-2400b/s低速率参数语音编码。
Description
技术领域
带级间预测的超帧声道参数多级矢量量化方法属于语音编码技术领域,特别涉及多帧联合处理低码率参数语音编码技术。
背景技术
语音编码在通信***、语音存储回放***、具有语音功能的消费类产品中有广泛的应用。近些年来国际电信联盟(ITU)、一些区域组织和一些国家相继制定了一系列语音压缩编码标准,在编码速率为1.2kb/s到16kb/s上得到了令人满意的语音质量。目前国内外的研究主要集中在1.2kb/s以下速率高质量语音压缩编码上,主要用于无线通信、保密通信、大容量语音存储回放等。由于编码速率太低,必须采用多帧联合(即超帧)处理的参数语音编码技术,其中最关键的是如何对声道参数进行量化,因为声道参数量化所需要的比特数最高,对它量化的质量将决定语音可懂度。
直接对声道A参数量化效果不好,因此需要将声道A参数转成线谱对参数,然后再进行量化。如图1所示,该方法包括以下步骤:
步骤(1)对输入语音信号样点按时间顺序分帧,将连续的若干帧组成一个超帧;
步骤(2)对当前超帧中的每一帧提取声道A参数;
步骤(3)将当前超帧中的每一帧声道A参数转换成线谱对参数;
步骤(4)对当前超帧中的每一帧提取清浊音参数;
步骤(5)对当前超帧的清浊音参数进行矢量量化,得到当前超帧量化后的清浊音参数量化值;
步骤(6)根据当前超帧清浊音参数量化值确定当前超帧模式;
步骤(7)根据当前超帧的模式确定当前超帧中每一个线谱对参数的直流分量,并从每一个线谱对参数中减去相应的直流分量;
步骤(8)根据当前超帧模式和前一个超帧的模式确定一组线谱对参数预测系数;
步骤(9)利用这一组预测系数和前一超帧中最后一帧量化后的余量线谱对参数计算预测值;从当前超帧中每一个已去直流线谱对参数中减去相应的预测值,得到当前超帧的余量线谱对参数;
步骤(10)对当前超帧的余量线谱对参数进行多级矢量量化,得到当前超帧量化后的余量线谱对参数;
步骤(11)将上述步骤(7)得到的直流分量和上述步骤(9)得到的预测值加到量化后的余量线谱对参数中得到量化后的线谱对参数;
步骤(12)将当前超帧量化后的线谱对参数转换成声道A参数,得到量化后的声道A参数。
上述已有技术对超帧线谱对参数采用矢量量化,在矢量量化之前对线谱对参数去除直流分量,并利用已处理过的上一超帧线谱对参数对当前超帧的线谱对参数进行预测,然后去除预测分量,再进行多级矢量量化。但在多级矢量量化过程中,搜索上一级码本所选定的码矢和下一级待量化的残差矢量之间的相关性却没有得到充分利用,因而量化质量并不是最优的。
如图1所示,原有技术只去除了各帧之间的相关性,但在低速率参数语音编码技术中,对各参数尤其是LSF的量化精度要求很高,仅去除帧间冗余信息,不足以达到较高的量化质量。
发明内容
本发明的目的是克服已有技术的不足之处,提出一种超帧声道参数矢量量化的方法,能够充分利用超帧之间、多级矢量量化中上一级码本的选定码矢和残差矢量之间的相关性,预测效率及量化精度更高。
本发明提出的带级间预测的超帧声道参数量化方法,包括以下步骤:
步骤(1)对输入语音信号样点按时间顺序分帧,将连续的若干帧组成一个超帧;
步骤(2)对当前超帧中的每一帧提取声道A参数;
步骤(3)将当前超帧中的每一帧声道A参数转换成线谱对参数;
步骤(4)对当前超帧中的每一帧提取清浊音参数;
步骤(5)对当前超帧的清浊音参数进行矢量量化,得到当前超帧量化后的清浊音参数量化值;
步骤(6)根据当前超帧清浊音参数量化值确定当前超帧模式;
步骤(7)根据当前超帧的模式确定当前超帧中每一个线谱对参数的直流分量,并从每一个线谱对参数中减去相应的直流分量;
步骤(8)根据当前超帧模式和前一个超帧的模式确定一组线谱对参数预测系数;
步骤(9)利用这一组预测系数和前一超帧中最后一帧量化后的余量线谱对参数计算预测值;从当前超帧中每一个已去直流线谱对参数中减去相应的预测值,得到当前超帧的余量线谱对参数R;同时,设定变量R1=R,设定变量i,令i=1;
步骤(11)根据多级矢量量化级数及当前级数确定一组级间预测系数αn(i,i+1),利用这一组预测系数和当前第i级已定码矢得到级间预测值Ri p,其中,
步骤(13)令i=i+1,重复(10),(11),(12)的步骤,直至完成多级矢量量化最后一级;
步骤(14)将多级矢量量化各级的选定码矢及级间预测值相加求和,得到量化后的余量线谱对参数;
步骤(15)将上述步骤(7)得到的直流分量和上述步骤(9)得到的预测值加到步骤(14)量化后的余量线谱对参数中得到量化后的线谱对参数;
步骤(16)将当前超帧量化后的线谱对参数转换成声道A参数,得到量化后的声道A参数。
本发明的特点是在对线谱对参数的多级矢量量化过程中,不仅采用了帧间预测,在多级矢量量化过程中也采用了级间预测。目前的语音参数编码模型中,只考虑了超帧帧间的相关性,并利用了此相关性得到余量线谱对参数,从而降低了量化的计算量和存储量,并达到了较高的量化精度。本发明经过对大量语音样本统计,发现多级矢量量化中上一级码本搜索过程中所选定的码矢和下一级待量化残差矢量之间也存在一定的相关性,利用这种相关性可以提高低码率语音编码的性能。本发明利用余量线谱对参数多级矢量量化中,各级之间的相关性,进一步去除冗余信息,得到新的待量化参数,可以更好地完成余量线谱对的多级矢量量化。这种方法利用多级矢量量化中上一级码本搜索过程中选定码矢和残差矢量之间的相关性,使得对声道参数量化的精度得到了提高,进而提高了低码率语音编码的质量。
本方法可以提高声道参数的量化精度,使合成语音具有更高的可懂性。该方法最适合300~2400b/s低速率参数语音编码。
附图说明
图1为已有技术的超帧声道参数量化方法流程框图。
图2为本发明提出的超帧声道参数量化方法流程框图。
具体实施方式
本发明提出的超帧声道参数矢量量化方法结合附图及实施例进一步说明如下:
本发明的方法流程如图2所示,包括以下步骤:
步骤(1)对输入语音信号样点按时间顺序分帧,将连续的若干帧组成一个超帧;
步骤(2)对当前超帧中的每一帧提取声道A参数;
步骤(3)将当前超帧中的每一帧声道A参数转换成线谱对参数;
步骤(4)对当前超帧中的每一帧提取清浊音参数;
步骤(5)对当前超帧的清浊音参数进行矢量量化,得到当前超帧量化后的清浊音参数量化值;
步骤(6)根据当前超帧清浊音参数量化值确定当前超帧模式;
步骤(7)根据当前超帧的模式确定当前超帧中每一个线谱对参数的直流分量,并从每一个线谱对参数中减去相应的直流分量;
步骤(8)根据当前超帧模式和前一个超帧的模式确定一组线谱对参数预测系数;
步骤(9)利用这一组预测系数和前一超帧中最后一帧量化后的余量线谱对参数计算预测值;从当前超帧中每一个已去直流线谱对参数中减去相应的预测值,得到当前超帧的余量线谱对参数R;同时,设定变量R1=R,设定变量i,令i=1;
步骤(11)根据多级矢量量化级数及当前级数确定一组级间预测系数αn(i,i+1),利用这一组预测系数和当前第i级已定码矢得到级间预测值Ri p,其中,
步骤(13)令i=i+1,重复(10),(11),(12)的步骤,直至完成多级矢量量化最后一级;
步骤(14)将多级矢量量化各级的选定码矢及级间预测值相加求和,得到量化后的余量线谱对参数;
步骤(15)将上述步骤(7)得到的直流分量和上述步骤(9)得到的预测值加到步骤(14)量化后的余量线谱对参数中得到量化后的线谱对参数;
步骤(16)将当前超帧量化后的线谱对参数转换成声道A参数,得到量化后的声道A参数。
本发明上述方法各步骤的具体实施例分别详细说明如下:
上述方法步骤(1)对输入语音信号样点按时间顺序分帧,将连续的若干帧组成一个超帧的实施例是按8khz频率采样、已经过高通滤波去除工频干扰的语音样点。每20ms,也就是160个语音样点构成一帧,连续6帧组成一个超帧(根据编码速率选择一个超帧所晗帧的数目,例如编码速率为1200b/s可以选3帧,600b/s选6帧等)。
上述方法步骤(2)的实施例为:按美国政府2400b/s多带激励的线性预测(MELP)语音编码算法标准所描述的方法对当前超帧中的每一帧都提取10阶声道A参数an=[a1 n,a2 n,…,a10 n](n=0,1,…,5)。
上述方法步骤(3)的实施例为:按美国政府2400b/s多带激励的线性预测(MELP)语音编码算法标准所描述的方法将当前超帧中的每一帧声道A参数转换成线谱对参数fn=[f1 n,f2 n,…,f10 n],(n=0,1,…,5)。
上述方法步骤(4)的实施例为:按美国政府2400b/s多带激励的线性预测(MELP)语音编码算法标准所描述的方法对当前超帧中的每一帧都提取5个子带的清浊音参数,子带为清音用“0”表示,子带为浊音用“1”表示。这样一个超帧中6个帧总共有30个子带清浊音参数,构成一个30维的矢量,每一维的值为“0”或“1”,记做F
上述方法步骤(5)中的实施例为:对上述清浊音矢量F用4比特矢量量化,总共有16种超帧清浊音矢量量化值,每一个矢量量化值对应一种超帧模式;本实施例的矢量量化值码表由表1给出,对应的超帧模式也在表1中给出。量化失真测度采用加权欧氏距离准则,即使下式所示的失真D最小
D=(F-F(i)·W·(F-F(i))T
其中F(i)(i=0,1,…,15)是矢量量化码本中的一个码字,加权矩阵W是一个对角矩阵,其值用来表示各子带重要性的不同。通常低带最重要,随着频带的升高重要性依次降低,对每帧的5个子带分配不同的权重,在本实施例中,5个子带权重的比例为16∶8∶4∶2∶1,反映了低频子带比高频子带更重要,从而加权矩阵W如下所示:
每个码字都代表了超帧的一种模式,也就是说,通过超帧清浊判决参数的量化,可以确定超帧的模式。清浊音矢量量化码字是通过对训练语音样本统计得到的出现次数最多的16种超帧清浊音矢量。
上述方法步骤(6)的实施例为:通过步骤(5)的实施例中对清浊音矢量F量化的结果,利用表1确定当前超帧的模式,记作F0,下标“0”表示当前超帧。
表1 超帧清浊音矢量量化码表和对应的超帧模式
超帧清浊音矢量量化值 | 对应超帧模式F0 |
00000 00000 00000 00000 10000 11111 | 1 |
11100 10000 10000 00000 10000 11110 | 2 |
11111 11111 11111 11111 11111 11111 | 3 |
11111 11111 11111 11111 11100 10000 | 4 |
10000 11000 11111 11111 11111 11111 | 5 |
10000 10000 00000 00000 00000 00000 | 6 |
00000 00000 11100 11111 11111 11111 | 7 |
11111 11111 11100 10000 00000 00000 | 8 |
11111 11110 11000 10000 11000 11111 | 9 |
00000 11100 11111 11111 11111 11111 | 10 |
00000 00000 00000 11100 11111 11111 | 11 |
11111 11111 11111 11000 10000 10000 | 12 |
10000 10000 10000 10000 10000 10000 | 13 |
00000 00000 00000 00000 00000 00000 | 14 |
11111 11111 11111 11000 10000 00000 | 15 |
11000 10000 10000 11100 11111 11111 | 16 |
上述方法步骤(7)的实施例为:使用上述步骤(5)的实施例方法得到的当前超帧模式F0确定各帧线谱对参数的直流分量矢量 并从对应的线谱对参数中减去直流分量,得到去直流分量后的线谱对参数ln=[l1 n,l2 n,…,l10 n](n=0,1,…,5)
ln=fn-dn(F0),(n=0,1,…,5)直流分量 是用训练语音得到的。本实施例的具体做法是将训练语音按超帧模式分成16个子集,对每个子集的线谱对参数分别求平均值即得到线谱对参数直流分量。
上述方法步骤(8)的实施例为:根据当前超帧模式F0和前一超帧模式F-1的转移模式(F-1,F0)确定一组线谱对参数预测系数矩阵αn(F-1,F0),(n=0,1,…,5),它是一个10×10的矩阵。
上述方法步骤(9)的实施例为:利用上述步骤(8)的实施例方法得到的预测系数矩阵αn(F-1,F0)和前一超帧中最后一帧量化后的去直流线谱对参数矢量 计算预测值,并从上述步骤(7)的实施例得到的当前超帧中每一个已去直流线谱对参数ln=[l1 n,l2 n,…,l10 n](n=0,1,…,5)中减去相应的预测值,得到当前超帧的余量线谱对参数
即
上式中的T代表转置。预测系数矩阵αn(F-1,F0)是用训练语音得到的。本实施例的具体做法是按转移模式(F-1,F0)将训练语音分集,对每个集分别求αn(F-1,F0),使下式最小:
式中E代表求平均。
将当前超帧中6个帧去除直流分量和预测值后的余量线谱对参数组成一个60维的矢量如下式所示,
上述方法步骤(11)的实施例的具体做法为:确定一组余量线谱对参数多级矢量量化时多级间的预测系数αn(i,i+1),(n=1,...,60;i=1,...,M-1)。本实施例的具体做法是对多级量化的各级码本与下一级待量化矢量分别求αn(i,i+1),使下式最小:
上式中,Ri j是第i级的待量化训练矢量集中的第j个矢量;是训练集中第j个矢量在第i级码本搜索时所得到的码矢。
级间预测值Ri p可以表示为,
上述方法步骤(12)的实施例的具体做法为:从第f级待量化矢量中除去步骤(10)中码本搜索得到的码矢及步骤(11)中得到的预测值,从而得到第i+1级待量化矢量,如下:
其中,Ri为多级矢量量化时第i级待量化矢量,令i=i+1。
上述方法步骤(13)的实施例的具体做法为:跳至步骤(10),直至完成多级矢量量化最后一级。
上述方法步骤(14)的实施例的具体做法为:将多级码本搜索各级得到的码矢及预测值相加,得到解码端量化后的余量线谱对矢量,即
上述方法步骤(15)的实施例的具体做法为:将相应的直流分量和预测值加到当前超帧相应的量化后的余量线谱对参数中,得到当前超帧量化后的线谱对参数,即
Claims (4)
1.带级间预测的超帧声道参数多级矢量量化方法,其特征在于,该方法依次按以下步骤实现:
步骤(1)对输入语音信号样点按时间顺序分帧,将连续的若干帧组成一个超帧;
步骤(2)对当前超帧中的每一帧提取声道A参数;
步骤(3)将当前超帧中的每一帧声道A参数转换成线谱对参数;
步骤(4)对当前超帧中的每一帧提取清浊音参数;
步骤(5)对当前超帧的清浊音参数进行矢量量化,得到当前超帧量化后的清浊音参数量化值;
步骤(6)根据当前超帧清浊音参数量化值确定当前超帧模式;
步骤(7)根据当前超帧模式确定当前超帧中每一个线谱对参数的直流分量,并从每一个线谱对参数中减去相应的直流分量;
步骤(8)根据当前超帧模式和前一个超帧模式确定一组线谱对参数预测系数;
步骤(9)利用这一组预测系数和前一超帧中最后一帧量化后的余量线谱对参数计算预测值;从当前超帧中每一个已去直流线谱对参数中减去相应的预测值,得到当前超帧的余量线谱对参数R;同时,设定变量R1=R,设定变量i,令i=1;
当前级为最后一级,跳至步骤(14);
步骤(11)确定一组多级间的预测系数αn(i,i+1)(n=1,...,60;i=1,...M-1),使下式最小:式中是第i级的待量化训练矢量集中的第j个矢量,是训练集中第j个矢量在第i级码本搜索时得到的码矢,E代表求平均,并利用这一组预测系数和当前第i级已定码矢得到级间预测值其中,
步骤(13)令i=i+1,重复(10),(11),(12)的步骤,直至完成多级矢量量化最后一级;
步骤(14)将多级矢量量化各级的选定码矢及级间预测值相加求和,得到量化后的余量线谱对参数;
步骤(15)将上述步骤(7)得到的直流分量和上述步骤(9)得到的预测值加到步骤(14)量化后的余量线谱对参数中得到量化后的线谱对参数;
步骤(16)将当前超帧量化后的线谱对参数转换成声道A参数,得到量化后的声道A参数。
2.按权利要求1所述的方法,其特征在于,所述步骤(1)中每一个超帧包含6个子帧,每一个子帧包含160个语音样点。
3.按权利要求1所述的方法,其特征在于,每一个超帧中包含的子帧数以及每一个子帧中包含的语音样点数是设定的。
4.按权利要求1所述的方法,其特征在于,步骤(11)中的级间预测系数按均方误差最小的原则用训练语音样本提前统计得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101051382A CN101295507B (zh) | 2008-04-25 | 2008-04-25 | 带级间预测的超帧声道参数多级矢量量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101051382A CN101295507B (zh) | 2008-04-25 | 2008-04-25 | 带级间预测的超帧声道参数多级矢量量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101295507A CN101295507A (zh) | 2008-10-29 |
CN101295507B true CN101295507B (zh) | 2011-04-06 |
Family
ID=40065738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101051382A Expired - Fee Related CN101295507B (zh) | 2008-04-25 | 2008-04-25 | 带级间预测的超帧声道参数多级矢量量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101295507B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855878B (zh) * | 2012-09-21 | 2014-05-14 | 山东省计算中心 | 一种窄带语音子带清浊音度参数的量化方法 |
CN103325375B (zh) * | 2013-06-05 | 2016-05-04 | 上海交通大学 | 一种极低码率语音编解码设备及编解码方法 |
CN104795074B (zh) * | 2015-03-19 | 2019-01-04 | 清华大学 | 多模式多级码本联合优化方法 |
CN109448739B (zh) * | 2018-12-13 | 2019-08-23 | 山东省计算中心(国家超级计算济南中心) | 基于分层聚类的声码器线谱频率参数量化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5774839A (en) * | 1995-09-29 | 1998-06-30 | Rockwell International Corporation | Delayed decision switched prediction multi-stage LSF vector quantization |
US5974378A (en) * | 1997-01-06 | 1999-10-26 | Texas Instruments Incorporated | Multi-stage vector quantization with efficient codebook search |
CN1614686A (zh) * | 2004-11-12 | 2005-05-11 | 清华大学 | 一种超帧声道参数矢量量化方法 |
CN1632863A (zh) * | 2004-12-03 | 2005-06-29 | 清华大学 | 一种超帧声道参数平滑和抽取矢量量化的方法 |
-
2008
- 2008-04-25 CN CN2008101051382A patent/CN101295507B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5774839A (en) * | 1995-09-29 | 1998-06-30 | Rockwell International Corporation | Delayed decision switched prediction multi-stage LSF vector quantization |
US5974378A (en) * | 1997-01-06 | 1999-10-26 | Texas Instruments Incorporated | Multi-stage vector quantization with efficient codebook search |
CN1614686A (zh) * | 2004-11-12 | 2005-05-11 | 清华大学 | 一种超帧声道参数矢量量化方法 |
CN1632863A (zh) * | 2004-12-03 | 2005-06-29 | 清华大学 | 一种超帧声道参数平滑和抽取矢量量化的方法 |
Non-Patent Citations (1)
Title |
---|
邹霞等.线谱对参数预测多级矢量量化联合优化算法.《数据采集与处理》.2008,第23卷(第2期),186-190. * |
Also Published As
Publication number | Publication date |
---|---|
CN101295507A (zh) | 2008-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101030377B (zh) | 提高声码器基音周期参数量化精度的方法 | |
US7286982B2 (en) | LPC-harmonic vocoder with superframe structure | |
CA2429832C (en) | Lpc vector quantization apparatus | |
CN103050121A (zh) | 线性预测语音编码方法及语音合成方法 | |
CN103325375B (zh) | 一种极低码率语音编解码设备及编解码方法 | |
MXPA05006664A (es) | Metodo y dispositivo para la cuantizacion robusta de vector predictivo de parametros de prediccion lineal en la codificacion de conversacion a velocidad variable de bits. | |
JPH04363000A (ja) | 音声パラメータ符号化方式および装置 | |
CN1969319A (zh) | 信号编码 | |
JP2017097367A (ja) | Celpコーデックにおける励振信号の適応寄与分および固定寄与分の利得を量子化するための装置および方法 | |
JPH08263099A (ja) | 符号化装置 | |
CN104025189A (zh) | 编码语音信号的方法、解码语音信号的方法,及使用其的装置 | |
CN1186765C (zh) | 2.3kb/s谐波激励线性预测语音编码方法 | |
CN101295507B (zh) | 带级间预测的超帧声道参数多级矢量量化方法 | |
EP1497631B1 (en) | Generating lsf vectors | |
CN109448739B (zh) | 基于分层聚类的声码器线谱频率参数量化方法 | |
CN101009096B (zh) | 子带清浊音模糊判决的方法 | |
CN101582263B (zh) | 语音解码中噪音增强后处理的方法和装置 | |
US6377914B1 (en) | Efficient quantization of speech spectral amplitudes based on optimal interpolation technique | |
CN1284136C (zh) | 一种超帧声道参数平滑和抽取矢量量化的方法 | |
US20080162150A1 (en) | System and Method for a High Performance Audio Codec | |
CN1284137C (zh) | 一种超帧声道参数矢量量化方法 | |
Suman et al. | Speech enhancement and recognition of compressed speech signal in noisy reverberant conditions | |
CN110428847B (zh) | 一种线谱频率参数量化比特分配方法及*** | |
Zhang et al. | Research on Line Spectrum Frequency Coding Algorithm | |
Li et al. | A new distortion measure for parameter quantization based on MELP |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110406 Termination date: 20150425 |
|
EXPY | Termination of patent right or utility model |