JP3454394B2 - 音声の準可逆符号化装置 - Google Patents
音声の準可逆符号化装置Info
- Publication number
- JP3454394B2 JP3454394B2 JP18349495A JP18349495A JP3454394B2 JP 3454394 B2 JP3454394 B2 JP 3454394B2 JP 18349495 A JP18349495 A JP 18349495A JP 18349495 A JP18349495 A JP 18349495A JP 3454394 B2 JP3454394 B2 JP 3454394B2
- Authority
- JP
- Japan
- Prior art keywords
- code amount
- frame
- encoding
- lossless
- normalized
- 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 - Lifetime
Links
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Description
【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、オーディオ信号を所定
の区間毎に高能率符号化する音声の準可逆符号化装置に
関する。 【０００２】 【従来の技術】ＣＤ（コンパクトディスク）は１９８２
年に登場して十数年が経過し、現在では様々な展開によ
りディジタルストレージメディアとして定着している。
オーディオメディアの用途を考えると、サンプリング周
波数ｆs ＝４４．１ｋＨｚ、量子化ビット数＝１６ビッ
トのこのメディアは完全に成熟期に入っている。また、
この数年のスタジオ製作サイドでは、量子化ビット数の
２０ビット化、２４ビット化やｆs ＝８８．２ｋＨｚ
化、９６ｋＨｚ化等のハイサンプリング化が進んでお
り、より高音質のマスタを基にしてＣＤを作成する動き
が出てきている。 【０００３】その理由としては、編集段階では余裕のあ
るフォーマットで作業を行うことによりＣＤの出来上が
りの音質を向上させることができるからであり、また、
そもそもｆs ＝４４．１ｋＨｚ、１６ビットの情報量で
は満足することができないという傾向が出てきた等が考
えられる。この要求を受けて、民生用機器においても再
生時に疑似的に１６ビット→２０ビット変換を行った
り、疑似的に超高域信号を付加する方法等で高音質化を
実現することが行われている。 【０００４】一方、ビデオＣＤ、ＭＤ（ミニディス
ク）、ＤＣＣ（デジタル・コンパクト・カセット）のよ
うに、音声信号を高能率符号化することにより伝送効率
を向上させるシステムも実現されており、例えばＤＣＣ
では聴覚心理モデルを利用してＰＣＭの１／４の符号量
で聴感上ほとんどＣＤと遜色のない音質を実現してい
る。 【０００５】ここで、高音質の次世代オーディオメディ
アを考えると、必要な情報量としては、２０ビット、ｆ
s ＝８８．２ｋＨｚ（以下「２０８８」という。）等が
考えられる。この場合の伝送レートはＣＤの２．５倍と
なり、符号化方式として単純なＰＣＭを用いることは不
経済であると言える。なお、ＰＣＭに代わる符号化方式
として最近各方面で応用が進んでいる高能率符号化方式
は、 ・可逆符号化（ロスレス符号化、可逆圧縮、無雑音圧縮
等） ・非可逆符号化（非可逆圧縮、有雑音圧縮等） の２つの方式に大きく分類される。前者はテキストデー
タのアーカイバ等で主に実用化されており、後者はＭＰ
ＥＧ国際標準が代表例である。 【０００６】「２０８８」のオーディオデータをＰＣＭ
に代わって高能率に伝送するためには、できれば可逆符
号化方式が望ましい。しかしながら、この場合の圧縮率
は曲によって大きく異なり、特にノイズライクな曲ほど
圧縮率を上げることができないことは情報理論からも明
らかである。可逆符号化方式による「２０８８」の圧縮
率は１曲平均でおよそ２５％〜５０％（データ量７５％
〜５０％に圧縮）になると予想され、設計時には最悪値
を想定するので、２５％程度の効率アップとなる。この
場合、曲平均を想定しているので瞬間的には殆ど圧縮す
ることができないフレームも当然存在し、したがって、
可変伝送レート方式を採る必要がある。この結果、オー
サリングも煩雑であり、時間を要する。図５は可逆符号
化した場合の各フレームビット数、平均ビット数及び原
音ビット数の関係の例を示す。 【０００７】一方、非可逆符号化方式の場合には、聴覚
心理モデルを最適に利用すれば１／４に圧縮しても何ら
聴覚上の劣化は感じられず、「２０８８」の圧縮率は７
５％（データ量２５％に圧縮）が十分可能である。但
し、実際の高音質次世代メディアではおそらくは記録密
度が向上することと、非可逆符号化で編集を繰り返した
ときの劣化を考えると、これほどの高圧縮率は必要な
い。 【０００８】そこで、高音質次世代メディアを考える
と、以下のような選択肢が考えられる。 圧縮率が「０」で可能な場合→従来どおりのＰＣＭ 圧縮率が２５％以内であって可変伝送レートを用いる
場合→可逆符号化 圧縮率が２５％〜５０％程度必要であって可変伝送レ
ートを用いる場合→可逆符号化状態から一部又は全部の
フレームの使用可能符号量（ビット数）を減少させて対
応（一部又は全部を非可逆符号化） 圧縮率が５０％以上必要な場合→聴覚心理モデルを利
用した非可逆符号化 【０００９】ここで、可逆符号化を行う場合には、大き
く分けて次の２つの方法が考えられる。 ・時間領域で線形予測を行い、残差を量子化・符号化す
る方法。 ・信号を周波数領域に変換し、エネルギの偏りを利用し
て正規化し、量子化・符号化する方法。 なお、前者の方法は線形予測の効果に限界があるので、
符号化にエントロピー符号化を用いて効率を高めるのが
一般的であり、そのエンコーダを図６に示す。また、後
者の場合には直交変換と正規化がかなりのデータ削減効
果があり、符号化は補助的な役割で用いられ、そのエン
コーダを図７に示す。なお、いずれの場合にも、達成さ
れる圧縮率に大きな差はない。 【００１０】図６に示す時間領域処理のエンコーダで
は、線形予測残差出力部１がＰＣＭ信号を時間領域で線
形予測を行い、その残差を出力する。最も効果的な方法
は、各フレームにおいて残差が最小となる線形予測計数
を最小二乗法等で算出する方法である。線形予測の例と
しては直線予測の場合、以下の式で残差を出力する。 ｄ〔ｉ〕＝ｘ〔ｉ〕−（２＊ｘ〔ｉ−１〕−ｘ〔ｉ−
２〕） 但し、ｘ〔〕は入力信号系列、ｄ〔〕は予測残差系列 【００１１】量子化・符号化部２はこの線形予測残差ｄ
〔〕を予め定めたフレーム毎に正規化し、可逆に必要な
精度で量子化する。この場合、量子化値にはエントロピ
ー符号化（例えばハフマン符号、Lempel-Ziv符号等）を
施して更に符号量を削減するのが一般的である。また、
量子化・符号化する場合、符号量制御部３の指示により
量子化ビット数をほぼ一様に増加又は減少させてそのフ
レームにおいて使用可能な符号量に合わせる必要があ
り、また、符号量が余剰な場合にはパディングビットを
付加して調整することもできる。フォーマット出力部４
は一般に、線形予測残差出力部１の予測方式（予測計
数）と、量子化・符号化部２の正規化係数（場合によっ
ては量子化ビット数）と、符号量制御部３の符号量制御
情報と、それにヘッダ等の補助情報を付加してフォーマ
ット化（ビットストリーム化）して伝送する。 【００１２】図７に示す周波数領域処理のエンコーダで
は、バッファ１１は後段の窓掛け・直交変換部１２が直
交変換する際に必要なフレーム分のＰＣＭ信号をバッフ
ァリングする。そして、窓掛け・直交変換部１２はこの
フレームデータに窓掛け（一般にはハニング窓等の窓掛
け）し、ＭＤＣＴ（変形離散コサイン変換）等により直
交変換し、この直交変換係数を複数のバンドに分割す
る。正規化部１３はこのバンド毎の正規化係数（スケー
ルファクタ）を決定し、バンド内の直交変換係数を正規
化する。 【００１３】量子化・符号化部１４はこの正規化後の係
数を可逆に必要な精度で量子化し、この場合にも必要で
あればエントロピー符号化する。但し、図６に示す時間
領域処理の場合よりエントロピー符号化の効果は一般に
少ない。また、量子化・符号化する場合、符号量制御部
１５の指示により量子化ビット数をほぼ一様に増加又は
減少させてそのフレームにおいて使用可能な符号量に合
わせる必要があり、また、符号量が余剰な場合にはパデ
ィングビットを付加して調整することもできる。フォー
マット出力部１６は一般に、正規化係数（場合によって
は量子化ビット数）と、符号量制御部３の符号量制御情
報と、それにヘッダ等の補助情報を付加してフォーマッ
ト化（ビットストリーム化）して伝送する。 【００１４】図８は図７に示すエンコーダにおける周波
数領域の正規化・量子化の処理を示している。この場
合、各バンドの最大値（を１〜２ｄＢ刻みで量子化した
値）を正規化係数＜Ｓ＞とし、可逆に必要なビット数に
ついては、想定されるＰＣＭ原信号の量子化ノイズレベ
ル（ホワイトノイズであるのでレベルはフラットなは
ず）と同等以下にノイズレベル＜Ｎ＞を設定し、各バン
ドのＳ／Ｎを満足するビット数で再量子化する。 【００１５】この時の必要情報量は、図中の矩形領域で
仕切られた面積であり、エネルギに偏りがある信号で
は、原音情報量よりかなり削減できることが分かる。な
お、時間領域処理において線形予測残差をとることは、
信号をフィルタリングして残差スペクトルを平均化する
処理に相当し、図８に示す周波数領域の処理をラフに実
現することと等しい。 【００１６】 【発明が解決しようとする課題】しかしながら、上記４
つの選択肢の中で 、及びは特に問題となること
はないが、については伝送レートを調整するために量
子化ビット数を削減する場合に、図５に示すように （ａ）曲全体で一様に過剰ビット分を負担して削減す
る。 （ｂ）特に過剰ビットとなったフレームを優先してフレ
ーム内で一様にビットを削減する。 という考え方がある。 【００１７】ここで、可逆符号化におけるデータ量を考
えると、信号がノイズに近くてエントロピーが大きい場
合にはデータ量が多く（圧縮率が低く）、信号がトーン
ライクであってエントロピーが小さい場合にはデータ量
が少ない（圧縮率が高い）。逆に、聴覚心理モデルから
考えると、信号がノイズライクなほど聴感エントロピー
は小さく、情報量は小さい（圧縮率は高くてもよい）と
言える。すなわち、数学エントロピーと聴感エントロピ
ーは反比例の関係にある。 【００１８】したがって、上記（ａ）の場合には、
（ａ）聴感エントロピーが低いフレームの影響が、聴感
エントロピーが高いフレームに影響を及ぼして本来必要
なデータ量を削減してしまうという問題点があり、
（ｂ）の場合にも（ｂ）ビット削減が聴覚心理モデルに
のっとっていないので、聴感上最適な手法とは言えない
という問題点がある。また、何れの場合にも可変伝送レ
ート方式であるので、（ｃ）オーサリング時に曲全体で
ビット不足となったときの処理に時間を要し（最悪２パ
スでオーサリングする必要があり）、また、再生時には
確実なヘッド管理と、ある程度の読み込みバッファが必
要になる、のように符号量制御に関わる処理が煩雑にな
るという問題点が考えられる。 【００１９】本発明は上記の問題点に鑑み、本来必要な
データ量を削減することを防止し、聴感上の音質が悪化
することを防止し、符号量制御の煩雑さを防止すること
ができる音声の準可逆符号化装置を提供することを目的
とする。 【００２０】 【課題を解決するための手段】本発明は上記目的を達成
するために、可逆方式で量子化するのに必要な符号量が
使用可能符号量より不足する場合に聴覚心理モデルに基
づいて非可逆方式で再量子化するようにしている。すな
わち、本発明によれば、オーディオ信号を所定の区間長
ごとにフレーム化する手段と、前記フレーム内の信号を
直交変換して得られた係数を複数のバンドに分割して正
規化する手段と、前記フレーム内の正規化された前記係
数を可逆方式で符号化するのに必要な符号量を算出し、
フレームで使用可能な所定の符号量と比較する符号量制
御手段と、前記フレーム内の正規化された前記係数を聴
覚心理モデルで分析する聴覚心理分析手段と、可逆方式
で符号化するのに必要な符号量が使用可能な所定の符号
量以下の場合にはフレーム内の正規化された前記係数を
可逆方式で量子化し、可逆方式で符号化するのに必要な
符号量が使用可能な所定の符号量を超える場合には前記
フレーム内の正規化された前記係数を前記聴覚心理分析
手段の出力に基づいて非可逆方式で量子化する量子化手
段と、 前記量子化手段の出力に、復号化に必要な補助情
報とを付加して固定ビットレートのビットストリームに
フォーマット化する手段とを、有する音声の準可逆符号
化装置が提供される。 【００２１】 【作用】本発明では、可逆方式で量子化するのに必要な
符号量が使用可能符号量より不足しない場合にはそのま
ま可逆方式で量子化するので、本来必要なデータ量を削
減することを防止することができる。また、不足する場
合に聴覚心理モデルに基づいて非可逆方式で再量子化す
るので、聴感上の音質が悪化することを防止することが
でき、更に、固定伝送レートで伝送することができるの
で符号量制御の煩雑さを防止することができる。 【００２２】 【実施例】以下、図面を参照して本発明の実施例を説明
する。図１は本発明に係る音声の準可逆符号化装置の一
実施例を示すブロック図、図２は図１における聴覚心理
分析と符号量調整処理を説明するためのフローチャー
ト、図３は図１の準可逆符号化装置と従来例における符
号量不足時の再量子化ノイズレベルの比較例を示す説明
図、図４は図１の準可逆符号化装置と従来例における聴
感上の音質比較例を示す説明図である。 【００２３】図１に示す装置では、先ず、図７に示す周
波数領域処理のエンコーダと同様に、バッファ２１が後
段の窓掛け・直交変換部２２が直交変換する際に必要な
フレーム分のＰＣＭ信号をバッファリングし、窓掛け・
直交変換部２２はこのフレームデータに窓掛け（一般に
はハニング窓等の窓掛け）し、ＭＤＣＴ（変形離散コサ
イン変換）等により直交変換し、この直交変換係数を複
数のバンドに分割する。正規化部２３はこのバンド毎の
正規化係数（スケールファクタ）を決定し、バンド内の
直交変換係数を正規化する。量子化・符号化部２４はこ
の正規化後の係数を可逆に必要な精度で量子化し、この
場合にも必要であればエントロピー符号化する。但し、
図６に示す時間領域処理の場合よりエントロピー符号化
の効果は一般に少ない。 【００２４】そして、本実施例では、聴覚心理分析部２
５と符号量制御部２６及び量子化・符号化部２４が図２
に示すような処理を行う。図２において、先ず、量子化
・符号化部２４により正規化された係数の１回目の量子
化ビット数（Bit[i]）を決定し、符号量を見積もって総
符号量（Total bit ）を算出する（ステップＳ１）。次
いでそのフレームの使用可能符号量（Avail bit ）を確
認又は算出し（ステップＳ２）、次いで総符号量（Tota
l bit ）と使用可能符号量（Avail bit ）を比較するこ
とにより符号量が不足するか否かをチェックする（ステ
ップＳ３）。 【００２５】そして、符号量が不足する場合（Total bi
t ＞Avail bit ）には、先ず、聴覚心理モデルのマスキ
ング効果と最小可聴限特性を考慮してバンドパワーｐ
[i] （＝正規化値2 ＝scale[i]2 ）からマスキングカー
ブｍ[i] を算出する（ステップＳ４）。この場合、マス
キングカーブｍ[i] は基準カーブcurve[i]とバンドパワ
ーｐ[i] を畳み込み演算することにより得られる。 【００２６】次いで最小可聴限とマスキングカーブから
各バンドの標準ノイズレベルＮ[i]を算出し（ステップ
Ｓ５）、次いで標準ノイズレベルＮ[i] が高いバンドか
ら１ビットずつビット削減を行うことにより不足符号量
を各バンドに振り分ける。但し、バンドｉにおいて１ビ
ット削減を行う毎にＮ[i]から６．０を減算し、ビット
削減が標準ノイズレベルＮ[i] と相似形になるようにす
る（ステップＳ６）。そして、このように各バンド毎に
最終的に決定された量子化ビット数で、量子化・符号化
部２４で再量子化及び符号化する（ステップＳ７）。 【００２７】また、ステップＳ３において符号量が不足
しない場合には、余剰ビットを各バンドに割り当て又は
パディングし（ステップＳ８）、その量子化ビット数
で、量子化・符号化部２４で再量子化及び符号化する
（ステップＳ７）。フォーマット出力部２６は一般に、
正規化係数（場合によっては量子化ビット数）と、符号
量制御部２６の符号量制御情報と、それにヘッダ等の補
助情報を付加してフォーマット化（ビットストリーム
化）して伝送する。 【００２８】図３は上記実施例と、図７に示すエンコー
ダにおいて符号量不足時の再量子化ノイズレベルの設定
例を比較した場合を示している。上記実施例によれば、
再量子化ノイズ聴覚心理モデルに応じてシェーピングさ
れており、ノイズ量が同じであっても聴感上ではノイズ
レベルが下がった場合と同等の効果を得ることができ
る。したがって、聴感上の音質劣化を最小限にして準可
逆的に符号化することができる。 【００２９】図４は従来例（図７）の非可逆符号化を行
った場合と、上記実施例の場合の音質の比較例を示し、
図４（ａ）はフレームの一部が非可逆となる場合、図４
（ｂ）はフレームの大部分が非可逆となる場合を示す。
図のように非可逆となる区間において太線で示す本発明
の方が細線で示す従来例より音質を改善することがで
き、したがって、符号化全体として安定した音質を得る
ことができる。また、本発明によれば、非可逆符号化を
行った場合の音質を十分確保することができるので、各
フレームの使用可能符号量が一定の「固定伝送レート」
で伝送することができ、したがって、非可逆フレームが
大幅に増加しても音質上の問題は発生しない。この結
果、オーサリングや再生装置側の符号量制御に関わる処
理を大幅に簡略化することができる。 【００３０】 【発明の効果】以上説明したように本発明によれば、可
逆方式で量子化するのに必要な符号量が使用可能符号量
より不足しない場合にはそのまま可逆方式で量子化する
ので本来必要なデータ量を削減することを防止すること
ができ、また、不足する場合に聴覚心理モデルに基づい
て非可逆方式で再量子化するので聴感上の音質が悪化す
ることを防止することができ、更に、固定伝送レートで
伝送することができるので符号量制御の煩雑さを防止す
ることができる。
の区間毎に高能率符号化する音声の準可逆符号化装置に
関する。 【０００２】 【従来の技術】ＣＤ（コンパクトディスク）は１９８２
年に登場して十数年が経過し、現在では様々な展開によ
りディジタルストレージメディアとして定着している。
オーディオメディアの用途を考えると、サンプリング周
波数ｆs ＝４４．１ｋＨｚ、量子化ビット数＝１６ビッ
トのこのメディアは完全に成熟期に入っている。また、
この数年のスタジオ製作サイドでは、量子化ビット数の
２０ビット化、２４ビット化やｆs ＝８８．２ｋＨｚ
化、９６ｋＨｚ化等のハイサンプリング化が進んでお
り、より高音質のマスタを基にしてＣＤを作成する動き
が出てきている。 【０００３】その理由としては、編集段階では余裕のあ
るフォーマットで作業を行うことによりＣＤの出来上が
りの音質を向上させることができるからであり、また、
そもそもｆs ＝４４．１ｋＨｚ、１６ビットの情報量で
は満足することができないという傾向が出てきた等が考
えられる。この要求を受けて、民生用機器においても再
生時に疑似的に１６ビット→２０ビット変換を行った
り、疑似的に超高域信号を付加する方法等で高音質化を
実現することが行われている。 【０００４】一方、ビデオＣＤ、ＭＤ（ミニディス
ク）、ＤＣＣ（デジタル・コンパクト・カセット）のよ
うに、音声信号を高能率符号化することにより伝送効率
を向上させるシステムも実現されており、例えばＤＣＣ
では聴覚心理モデルを利用してＰＣＭの１／４の符号量
で聴感上ほとんどＣＤと遜色のない音質を実現してい
る。 【０００５】ここで、高音質の次世代オーディオメディ
アを考えると、必要な情報量としては、２０ビット、ｆ
s ＝８８．２ｋＨｚ（以下「２０８８」という。）等が
考えられる。この場合の伝送レートはＣＤの２．５倍と
なり、符号化方式として単純なＰＣＭを用いることは不
経済であると言える。なお、ＰＣＭに代わる符号化方式
として最近各方面で応用が進んでいる高能率符号化方式
は、 ・可逆符号化（ロスレス符号化、可逆圧縮、無雑音圧縮
等） ・非可逆符号化（非可逆圧縮、有雑音圧縮等） の２つの方式に大きく分類される。前者はテキストデー
タのアーカイバ等で主に実用化されており、後者はＭＰ
ＥＧ国際標準が代表例である。 【０００６】「２０８８」のオーディオデータをＰＣＭ
に代わって高能率に伝送するためには、できれば可逆符
号化方式が望ましい。しかしながら、この場合の圧縮率
は曲によって大きく異なり、特にノイズライクな曲ほど
圧縮率を上げることができないことは情報理論からも明
らかである。可逆符号化方式による「２０８８」の圧縮
率は１曲平均でおよそ２５％〜５０％（データ量７５％
〜５０％に圧縮）になると予想され、設計時には最悪値
を想定するので、２５％程度の効率アップとなる。この
場合、曲平均を想定しているので瞬間的には殆ど圧縮す
ることができないフレームも当然存在し、したがって、
可変伝送レート方式を採る必要がある。この結果、オー
サリングも煩雑であり、時間を要する。図５は可逆符号
化した場合の各フレームビット数、平均ビット数及び原
音ビット数の関係の例を示す。 【０００７】一方、非可逆符号化方式の場合には、聴覚
心理モデルを最適に利用すれば１／４に圧縮しても何ら
聴覚上の劣化は感じられず、「２０８８」の圧縮率は７
５％（データ量２５％に圧縮）が十分可能である。但
し、実際の高音質次世代メディアではおそらくは記録密
度が向上することと、非可逆符号化で編集を繰り返した
ときの劣化を考えると、これほどの高圧縮率は必要な
い。 【０００８】そこで、高音質次世代メディアを考える
と、以下のような選択肢が考えられる。 圧縮率が「０」で可能な場合→従来どおりのＰＣＭ 圧縮率が２５％以内であって可変伝送レートを用いる
場合→可逆符号化 圧縮率が２５％〜５０％程度必要であって可変伝送レ
ートを用いる場合→可逆符号化状態から一部又は全部の
フレームの使用可能符号量（ビット数）を減少させて対
応（一部又は全部を非可逆符号化） 圧縮率が５０％以上必要な場合→聴覚心理モデルを利
用した非可逆符号化 【０００９】ここで、可逆符号化を行う場合には、大き
く分けて次の２つの方法が考えられる。 ・時間領域で線形予測を行い、残差を量子化・符号化す
る方法。 ・信号を周波数領域に変換し、エネルギの偏りを利用し
て正規化し、量子化・符号化する方法。 なお、前者の方法は線形予測の効果に限界があるので、
符号化にエントロピー符号化を用いて効率を高めるのが
一般的であり、そのエンコーダを図６に示す。また、後
者の場合には直交変換と正規化がかなりのデータ削減効
果があり、符号化は補助的な役割で用いられ、そのエン
コーダを図７に示す。なお、いずれの場合にも、達成さ
れる圧縮率に大きな差はない。 【００１０】図６に示す時間領域処理のエンコーダで
は、線形予測残差出力部１がＰＣＭ信号を時間領域で線
形予測を行い、その残差を出力する。最も効果的な方法
は、各フレームにおいて残差が最小となる線形予測計数
を最小二乗法等で算出する方法である。線形予測の例と
しては直線予測の場合、以下の式で残差を出力する。 ｄ〔ｉ〕＝ｘ〔ｉ〕−（２＊ｘ〔ｉ−１〕−ｘ〔ｉ−
２〕） 但し、ｘ〔〕は入力信号系列、ｄ〔〕は予測残差系列 【００１１】量子化・符号化部２はこの線形予測残差ｄ
〔〕を予め定めたフレーム毎に正規化し、可逆に必要な
精度で量子化する。この場合、量子化値にはエントロピ
ー符号化（例えばハフマン符号、Lempel-Ziv符号等）を
施して更に符号量を削減するのが一般的である。また、
量子化・符号化する場合、符号量制御部３の指示により
量子化ビット数をほぼ一様に増加又は減少させてそのフ
レームにおいて使用可能な符号量に合わせる必要があ
り、また、符号量が余剰な場合にはパディングビットを
付加して調整することもできる。フォーマット出力部４
は一般に、線形予測残差出力部１の予測方式（予測計
数）と、量子化・符号化部２の正規化係数（場合によっ
ては量子化ビット数）と、符号量制御部３の符号量制御
情報と、それにヘッダ等の補助情報を付加してフォーマ
ット化（ビットストリーム化）して伝送する。 【００１２】図７に示す周波数領域処理のエンコーダで
は、バッファ１１は後段の窓掛け・直交変換部１２が直
交変換する際に必要なフレーム分のＰＣＭ信号をバッフ
ァリングする。そして、窓掛け・直交変換部１２はこの
フレームデータに窓掛け（一般にはハニング窓等の窓掛
け）し、ＭＤＣＴ（変形離散コサイン変換）等により直
交変換し、この直交変換係数を複数のバンドに分割す
る。正規化部１３はこのバンド毎の正規化係数（スケー
ルファクタ）を決定し、バンド内の直交変換係数を正規
化する。 【００１３】量子化・符号化部１４はこの正規化後の係
数を可逆に必要な精度で量子化し、この場合にも必要で
あればエントロピー符号化する。但し、図６に示す時間
領域処理の場合よりエントロピー符号化の効果は一般に
少ない。また、量子化・符号化する場合、符号量制御部
１５の指示により量子化ビット数をほぼ一様に増加又は
減少させてそのフレームにおいて使用可能な符号量に合
わせる必要があり、また、符号量が余剰な場合にはパデ
ィングビットを付加して調整することもできる。フォー
マット出力部１６は一般に、正規化係数（場合によって
は量子化ビット数）と、符号量制御部３の符号量制御情
報と、それにヘッダ等の補助情報を付加してフォーマッ
ト化（ビットストリーム化）して伝送する。 【００１４】図８は図７に示すエンコーダにおける周波
数領域の正規化・量子化の処理を示している。この場
合、各バンドの最大値（を１〜２ｄＢ刻みで量子化した
値）を正規化係数＜Ｓ＞とし、可逆に必要なビット数に
ついては、想定されるＰＣＭ原信号の量子化ノイズレベ
ル（ホワイトノイズであるのでレベルはフラットなは
ず）と同等以下にノイズレベル＜Ｎ＞を設定し、各バン
ドのＳ／Ｎを満足するビット数で再量子化する。 【００１５】この時の必要情報量は、図中の矩形領域で
仕切られた面積であり、エネルギに偏りがある信号で
は、原音情報量よりかなり削減できることが分かる。な
お、時間領域処理において線形予測残差をとることは、
信号をフィルタリングして残差スペクトルを平均化する
処理に相当し、図８に示す周波数領域の処理をラフに実
現することと等しい。 【００１６】 【発明が解決しようとする課題】しかしながら、上記４
つの選択肢の中で 、及びは特に問題となること
はないが、については伝送レートを調整するために量
子化ビット数を削減する場合に、図５に示すように （ａ）曲全体で一様に過剰ビット分を負担して削減す
る。 （ｂ）特に過剰ビットとなったフレームを優先してフレ
ーム内で一様にビットを削減する。 という考え方がある。 【００１７】ここで、可逆符号化におけるデータ量を考
えると、信号がノイズに近くてエントロピーが大きい場
合にはデータ量が多く（圧縮率が低く）、信号がトーン
ライクであってエントロピーが小さい場合にはデータ量
が少ない（圧縮率が高い）。逆に、聴覚心理モデルから
考えると、信号がノイズライクなほど聴感エントロピー
は小さく、情報量は小さい（圧縮率は高くてもよい）と
言える。すなわち、数学エントロピーと聴感エントロピ
ーは反比例の関係にある。 【００１８】したがって、上記（ａ）の場合には、
（ａ）聴感エントロピーが低いフレームの影響が、聴感
エントロピーが高いフレームに影響を及ぼして本来必要
なデータ量を削減してしまうという問題点があり、
（ｂ）の場合にも（ｂ）ビット削減が聴覚心理モデルに
のっとっていないので、聴感上最適な手法とは言えない
という問題点がある。また、何れの場合にも可変伝送レ
ート方式であるので、（ｃ）オーサリング時に曲全体で
ビット不足となったときの処理に時間を要し（最悪２パ
スでオーサリングする必要があり）、また、再生時には
確実なヘッド管理と、ある程度の読み込みバッファが必
要になる、のように符号量制御に関わる処理が煩雑にな
るという問題点が考えられる。 【００１９】本発明は上記の問題点に鑑み、本来必要な
データ量を削減することを防止し、聴感上の音質が悪化
することを防止し、符号量制御の煩雑さを防止すること
ができる音声の準可逆符号化装置を提供することを目的
とする。 【００２０】 【課題を解決するための手段】本発明は上記目的を達成
するために、可逆方式で量子化するのに必要な符号量が
使用可能符号量より不足する場合に聴覚心理モデルに基
づいて非可逆方式で再量子化するようにしている。すな
わち、本発明によれば、オーディオ信号を所定の区間長
ごとにフレーム化する手段と、前記フレーム内の信号を
直交変換して得られた係数を複数のバンドに分割して正
規化する手段と、前記フレーム内の正規化された前記係
数を可逆方式で符号化するのに必要な符号量を算出し、
フレームで使用可能な所定の符号量と比較する符号量制
御手段と、前記フレーム内の正規化された前記係数を聴
覚心理モデルで分析する聴覚心理分析手段と、可逆方式
で符号化するのに必要な符号量が使用可能な所定の符号
量以下の場合にはフレーム内の正規化された前記係数を
可逆方式で量子化し、可逆方式で符号化するのに必要な
符号量が使用可能な所定の符号量を超える場合には前記
フレーム内の正規化された前記係数を前記聴覚心理分析
手段の出力に基づいて非可逆方式で量子化する量子化手
段と、 前記量子化手段の出力に、復号化に必要な補助情
報とを付加して固定ビットレートのビットストリームに
フォーマット化する手段とを、有する音声の準可逆符号
化装置が提供される。 【００２１】 【作用】本発明では、可逆方式で量子化するのに必要な
符号量が使用可能符号量より不足しない場合にはそのま
ま可逆方式で量子化するので、本来必要なデータ量を削
減することを防止することができる。また、不足する場
合に聴覚心理モデルに基づいて非可逆方式で再量子化す
るので、聴感上の音質が悪化することを防止することが
でき、更に、固定伝送レートで伝送することができるの
で符号量制御の煩雑さを防止することができる。 【００２２】 【実施例】以下、図面を参照して本発明の実施例を説明
する。図１は本発明に係る音声の準可逆符号化装置の一
実施例を示すブロック図、図２は図１における聴覚心理
分析と符号量調整処理を説明するためのフローチャー
ト、図３は図１の準可逆符号化装置と従来例における符
号量不足時の再量子化ノイズレベルの比較例を示す説明
図、図４は図１の準可逆符号化装置と従来例における聴
感上の音質比較例を示す説明図である。 【００２３】図１に示す装置では、先ず、図７に示す周
波数領域処理のエンコーダと同様に、バッファ２１が後
段の窓掛け・直交変換部２２が直交変換する際に必要な
フレーム分のＰＣＭ信号をバッファリングし、窓掛け・
直交変換部２２はこのフレームデータに窓掛け（一般に
はハニング窓等の窓掛け）し、ＭＤＣＴ（変形離散コサ
イン変換）等により直交変換し、この直交変換係数を複
数のバンドに分割する。正規化部２３はこのバンド毎の
正規化係数（スケールファクタ）を決定し、バンド内の
直交変換係数を正規化する。量子化・符号化部２４はこ
の正規化後の係数を可逆に必要な精度で量子化し、この
場合にも必要であればエントロピー符号化する。但し、
図６に示す時間領域処理の場合よりエントロピー符号化
の効果は一般に少ない。 【００２４】そして、本実施例では、聴覚心理分析部２
５と符号量制御部２６及び量子化・符号化部２４が図２
に示すような処理を行う。図２において、先ず、量子化
・符号化部２４により正規化された係数の１回目の量子
化ビット数（Bit[i]）を決定し、符号量を見積もって総
符号量（Total bit ）を算出する（ステップＳ１）。次
いでそのフレームの使用可能符号量（Avail bit ）を確
認又は算出し（ステップＳ２）、次いで総符号量（Tota
l bit ）と使用可能符号量（Avail bit ）を比較するこ
とにより符号量が不足するか否かをチェックする（ステ
ップＳ３）。 【００２５】そして、符号量が不足する場合（Total bi
t ＞Avail bit ）には、先ず、聴覚心理モデルのマスキ
ング効果と最小可聴限特性を考慮してバンドパワーｐ
[i] （＝正規化値2 ＝scale[i]2 ）からマスキングカー
ブｍ[i] を算出する（ステップＳ４）。この場合、マス
キングカーブｍ[i] は基準カーブcurve[i]とバンドパワ
ーｐ[i] を畳み込み演算することにより得られる。 【００２６】次いで最小可聴限とマスキングカーブから
各バンドの標準ノイズレベルＮ[i]を算出し（ステップ
Ｓ５）、次いで標準ノイズレベルＮ[i] が高いバンドか
ら１ビットずつビット削減を行うことにより不足符号量
を各バンドに振り分ける。但し、バンドｉにおいて１ビ
ット削減を行う毎にＮ[i]から６．０を減算し、ビット
削減が標準ノイズレベルＮ[i] と相似形になるようにす
る（ステップＳ６）。そして、このように各バンド毎に
最終的に決定された量子化ビット数で、量子化・符号化
部２４で再量子化及び符号化する（ステップＳ７）。 【００２７】また、ステップＳ３において符号量が不足
しない場合には、余剰ビットを各バンドに割り当て又は
パディングし（ステップＳ８）、その量子化ビット数
で、量子化・符号化部２４で再量子化及び符号化する
（ステップＳ７）。フォーマット出力部２６は一般に、
正規化係数（場合によっては量子化ビット数）と、符号
量制御部２６の符号量制御情報と、それにヘッダ等の補
助情報を付加してフォーマット化（ビットストリーム
化）して伝送する。 【００２８】図３は上記実施例と、図７に示すエンコー
ダにおいて符号量不足時の再量子化ノイズレベルの設定
例を比較した場合を示している。上記実施例によれば、
再量子化ノイズ聴覚心理モデルに応じてシェーピングさ
れており、ノイズ量が同じであっても聴感上ではノイズ
レベルが下がった場合と同等の効果を得ることができ
る。したがって、聴感上の音質劣化を最小限にして準可
逆的に符号化することができる。 【００２９】図４は従来例（図７）の非可逆符号化を行
った場合と、上記実施例の場合の音質の比較例を示し、
図４（ａ）はフレームの一部が非可逆となる場合、図４
（ｂ）はフレームの大部分が非可逆となる場合を示す。
図のように非可逆となる区間において太線で示す本発明
の方が細線で示す従来例より音質を改善することがで
き、したがって、符号化全体として安定した音質を得る
ことができる。また、本発明によれば、非可逆符号化を
行った場合の音質を十分確保することができるので、各
フレームの使用可能符号量が一定の「固定伝送レート」
で伝送することができ、したがって、非可逆フレームが
大幅に増加しても音質上の問題は発生しない。この結
果、オーサリングや再生装置側の符号量制御に関わる処
理を大幅に簡略化することができる。 【００３０】 【発明の効果】以上説明したように本発明によれば、可
逆方式で量子化するのに必要な符号量が使用可能符号量
より不足しない場合にはそのまま可逆方式で量子化する
ので本来必要なデータ量を削減することを防止すること
ができ、また、不足する場合に聴覚心理モデルに基づい
て非可逆方式で再量子化するので聴感上の音質が悪化す
ることを防止することができ、更に、固定伝送レートで
伝送することができるので符号量制御の煩雑さを防止す
ることができる。
【図面の簡単な説明】
【図１】本発明に係る音声の準可逆符号化装置の一実施
例を示すブロック図である。 【図２】図１における聴覚心理分析と符号量調整処理を
説明するためのフローチャートである。 【図３】図１の準可逆符号化装置と従来例における符号
量不足時の再量子化ノイズレベルの比較例を示す説明図
である。 【図４】図１の準可逆符号化装置と従来例における聴感
上の音質比較例を示す説明図である。 【図５】可逆符号化した場合の各フレームビット数、平
均ビット数及び原音ビット数の関係例を示す説明図であ
る。 【図６】従来の時間領域処理の可逆符号化方式エンコー
ダを示すブロック図である。 【図７】従来の周波数領域処理の可逆符号化方式エンコ
ーダを示すブロック図である。 【図８】図７に示すエンコーダにおける周波数領域処理
を示す説明図である。 【符号の説明】 ２２ 窓掛け・直交変換部 ２３ 正規化部 ２４ 量子化・符号化部（量子化手段、再量子化手段） ２５ 聴覚心理分析部（再量子化手段） ２６ 符号量制御部（再量子化手段） ２７ フォーマット化出力部
例を示すブロック図である。 【図２】図１における聴覚心理分析と符号量調整処理を
説明するためのフローチャートである。 【図３】図１の準可逆符号化装置と従来例における符号
量不足時の再量子化ノイズレベルの比較例を示す説明図
である。 【図４】図１の準可逆符号化装置と従来例における聴感
上の音質比較例を示す説明図である。 【図５】可逆符号化した場合の各フレームビット数、平
均ビット数及び原音ビット数の関係例を示す説明図であ
る。 【図６】従来の時間領域処理の可逆符号化方式エンコー
ダを示すブロック図である。 【図７】従来の周波数領域処理の可逆符号化方式エンコ
ーダを示すブロック図である。 【図８】図７に示すエンコーダにおける周波数領域処理
を示す説明図である。 【符号の説明】 ２２ 窓掛け・直交変換部 ２３ 正規化部 ２４ 量子化・符号化部（量子化手段、再量子化手段） ２５ 聴覚心理分析部（再量子化手段） ２６ 符号量制御部（再量子化手段） ２７ フォーマット化出力部
─────────────────────────────────────────────────────
フロントページの続き
(56)参考文献 特開 平６−69811（ＪＰ，Ａ)
特開 昭63−15559（ＪＰ，Ａ)
特開 平２−288739（ＪＰ，Ａ)
特開 平７−50589（ＪＰ，Ａ)
国際公開90／010993（ＷＯ，Ａ１)
(58)調査した分野(Int.Cl.7，ＤＢ名)
G10L 19/00
G10L 19/02
Claims (1)
- (57)【特許請求の範囲】 【請求項１】 オーディオ信号を所定の区間長ごとにフ
レーム化する手段と、前記フレーム内の信号を直交変換して得られた係数を複
数のバンドに分割して正規化する手段と、 前記フレーム内の正規化された前記係数を可逆方式で符
号化するのに必要な符号量を算出し、フレームで使用可
能な所定の符号量と比較する符号量制御手段と、前記 フレーム内の正規化された前記係数を聴覚心理モデ
ルで分析する聴覚心理分析手段と、可逆方式で符号化するのに必要な 符号量が使用可能な所
定の符号量以下の場合にはフレーム内の正規化された前
記係数を可逆方式で量子化し、可逆方式で符号化するの
に必要な符号量が使用可能な所定の符号量を超える場合
には前記フレーム内の正規化された前記係数を前記聴覚
心理分析手段の出力に基づいて非可逆方式で量子化する
量子化手段と、 前記量子化手段の出力に、復号化に必要な補助情報とを
付加して固定ビットレートのビットストリームにフォー
マット化する手段とを、 有する音声の準可逆符号化装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18349495A JP3454394B2 (ja) | 1995-06-27 | 1995-06-27 | 音声の準可逆符号化装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18349495A JP3454394B2 (ja) | 1995-06-27 | 1995-06-27 | 音声の準可逆符号化装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0916199A JPH0916199A (ja) | 1997-01-17 |
| JP3454394B2 true JP3454394B2 (ja) | 2003-10-06 |
Family
ID=16136809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18349495A Expired - Lifetime JP3454394B2 (ja) | 1995-06-27 | 1995-06-27 | 音声の準可逆符号化装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3454394B2 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6151442A (en) | 1996-07-08 | 2000-11-21 | Victor Company Of Japan, Ltd. | Signal compressing apparatus |
| US7536305B2 (en) * | 2002-09-04 | 2009-05-19 | Microsoft Corporation | Mixed lossless audio compression |
| US7424434B2 (en) * | 2002-09-04 | 2008-09-09 | Microsoft Corporation | Unified lossy and lossless audio compression |
| US9420679B2 (en) * | 2013-10-23 | 2016-08-16 | Perkinelmer Health Sciences, Inc. | Hybrid generators and methods of using them |
-
1995
- 1995-06-27 JP JP18349495A patent/JP3454394B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0916199A (ja) | 1997-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11315579B2 (en) | Metadata driven dynamic range control | |
| JP3141450B2 (ja) | オーディオ信号処理方法 | |
| US5404315A (en) | Automatic sound gain control device and a sound recording/reproducing device including arithmetic processor conducting a non-linear conversion | |
| JP3446216B2 (ja) | 音声信号処理方法 | |
| US20040162720A1 (en) | Audio data encoding apparatus and method | |
| US20050270195A1 (en) | Method and apparatus for encoding/decoding digital signal | |
| US6952677B1 (en) | Fast frame optimization in an audio encoder | |
| US6011824A (en) | Signal-reproduction method and apparatus | |
| JPH08190764A (ja) | ディジタル信号処理方法、ディジタル信号処理装置及び記録媒体 | |
| JP3297240B2 (ja) | 適応的符号化システム | |
| US20020169601A1 (en) | Encoding device, decoding device, and broadcast system | |
| US20060004565A1 (en) | Audio signal encoding device and storage medium for storing encoding program | |
| JP3454394B2 (ja) | 音声の準可逆符号化装置 | |
| US6678653B1 (en) | Apparatus and method for coding audio data at high speed using precision information | |
| JP2002314429A (ja) | 信号処理装置および信号処理方法 | |
| JP3371462B2 (ja) | オーディオ信号記録・再生装置 | |
| JP4191503B2 (ja) | 音声楽音信号符号化方法、復号化方法、符号化装置、復号化装置、符号化プログラム、および復号化プログラム | |
| JP3150475B2 (ja) | 量子化方法 | |
| JP3942882B2 (ja) | ディジタル信号符号化装置およびそれを備えたディジタル信号記録装置 | |
| JPH0944198A (ja) | 音声の準可逆符号化装置 | |
| JP3301886B2 (ja) | 可変レート音声符号化方法及び装置 | |
| JP2002351500A (ja) | ディジタルデータの符号化方法 | |
| JP4409733B2 (ja) | 符号化装置、符号化方法、及びその記録媒体 | |
| JP3291948B2 (ja) | 高能率符号化方法及び装置、並びに伝送媒体 | |
| JP3389849B2 (ja) | 量子化装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20030627 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080725 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080725 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090725 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090725 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100725 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110725 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120725 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120725 Year of fee payment: 9 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120725 Year of fee payment: 9 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120725 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130725 Year of fee payment: 10 |
|
| EXPY | Cancellation because of completion of term |