轉自：http://blog.csdn.net/lhl_blog/article/details/8816506
4．語音編碼算法原理與應用
4.1 波形編碼算法基本原理
語音編碼主要有波形編碼和參數編碼兩大類。波形編碼就是根據語音信號波形導出相應的數字編碼形式。最早的波形編碼就是PCM，即ITU-T G.711A和ITU-T G.711μ，其編碼速率爲64kbit/s。
圖9 自適應量化器
PCM雖然能夠提供相當好的語音質量，但要佔用過高的網絡帶寬資源。這裏主要討論低速率的波形編碼算法，是利用了連續語音之間的相關性，主要採用的技術爲自適應量化器和自適應預測器。
爲了獲得僅可能大的量化信噪比，應該對小信號採用小的量化步長，對大信號採用較大的量化步長。使量化器範圍與輸入信號的動態範圍相匹配，減小量化噪聲。這就是自適應量化技術。自適應量化分爲兩類：前向自適應量化和後向自適應量化，目前常用的是後向自適應量化。
自適應預測的基本原理是根據語音波形的時間相關性確定預測係數，使差分信號的方差爲最小，時間相關性則以自相關函數來度量，如圖9所示。
4.2 參數編碼算法基本原理
語音的種類主要有兩種：濁音和清音。聲帶週期性地打開和關閉產生固定頻率的聲音，這個頻率就是濁音的音調；音調頻率男性爲50~250Hz，女性爲100~500Hz；考慮到音頻等聲音頻率範圍，一般是0.3kHz~3.4kHz，因此8kHz的採樣頻率滿足採樣定理。從頻域上來看，幅頻頻譜的包洛有幾個明顯的局部最大值，稱爲共振峯，頻譜的精細結構呈現週期性。清音的頻譜沒有周期性，峯值的分佈也沒有明顯的規律，整個頻譜相對比較平坦，類似於白噪聲，因而幾乎不可預測。
圖10 語音生成模型
參數編碼器又稱爲聲碼器（Vocoder），它的原理和設計思想跟波形編碼完全不同。參數編碼根據對聲音形成機理的分析，構造語音生成模型(如圖10)，該模型以一定精度模擬發話者的發聲聲道；接收端根據該模型還原生成發話者的因素。由於話音信號變化是緩慢的，模型參數的更新頻度較低，可以有效地降低編碼比特率。因此參數編碼在移動通信、VoIP系統等領域得以廣泛應用。
參數編碼器主要可分爲三類：通道式、共振峯式和線性預測編碼(LPC:Linear Predictive Coding)方式。其中線性預測編碼方式的性能優異，目前低比特率語音編碼器都採用這種技術。
4.3 編碼算法綜述及其屬性和性能評估
在VoIP系統中，爲了充分地利用網絡帶寬資源，一般均採用語音壓縮編碼。語音編碼的主要屬性有比特率、時延、複雜度和語音質量四項。在具體的實現中，這些屬性往往相互衝突，在實際應用中，應該是對各項屬性的折衷，確定合適的編碼。
算法綜述：
降低比特率是往往是語音編碼的首要目標，採用的壓縮編碼的主要目的就是充分利用網絡資源。一般來說，編碼的比特率越低，算法的複雜度就越高，編碼的處理時延也會越長，並降低語音質量。
目前，話音和圖像壓縮技術發展十分迅速，已經研究開發出很多高效率的壓縮編碼技術。如先進的以碼本激勵線性預測(CELP)原理爲基礎的G.729、G.723(G.723.1)話音壓縮編碼技術。常用的ITU-T G.729算法和ITU-T G.723.1算法的編碼速率分別爲8kbit/s和5.3或6.3kbit/s。以G.729爲例，它可將經過採樣的64kb/s話音以幾乎不失真的質量壓縮至8kb/s。話音壓縮編碼技術是IP電話技術的一個重要組成部分。圖像編碼方面有IP網絡會議系統採用的H.261(活動圖像編碼)和H.263(低速率活動圖像編碼)。傳真編碼方面則有T.38。
近年來，出現了一些可變比特率的技術，主要有兩個算法。
活動語音檢測(VAD: Voice Activity Detection)：主要用於檢測輸入信號是話音還是背景噪音。
舒適噪聲生成(CNG: Comfortable Noise Generation)：主要用於接收方重建背景噪聲。
根據統計，雙方通話的過程中，每一方真正講話的時間約爲40%，即約有50％爲聆聽對方講話的靜默時間，10％爲講話時短暫停頓的靜默時間。靜音檢測技術可以有效剔除靜默信號，從而使話音信號佔用的帶寬要求進一步降低到3.5kb/s左右，一個很自然的想法就是：通過利用VAD技術，在講話時，媒體流正常發送，在沒講話時，不向對方發送媒體流，爲了不使得對方產生斷線的錯覺，在對方產生舒適噪聲。這種算法實現地不當，就會丟掉部分語音，如句子的開始。一個好的算法應該保證：丟掉的語音小於64毫秒，而且丟掉的語音小於0.2%。