Кіріспе

Аудионы сығыстыру стандарты. Harmonic Vector Excitation Coding, немесе HVXC деген аббревиатурамен белгіленетін, – бұл MPEG 4 Part 3 (MPEG 4 Audio) стандартында өте төмен біт жылдамдығымен сөйлеуді кодтау үшін көрсетілген сөйлеу кодтау алгоритмі. HVXC 2 және 4 кбит/с біт жылдамдықтарын тұрақты және өзгермелі біт жылдамдығы режимінде, сондай-ақ 8 кГц үлгі алу жиілігімен қолдайды. Айнымалы біт жылдамдығы техникасын пайдалана отырып, 1,2–1,7 кбит/с сияқты төмен біт жылдамдықтарында да жұмыс істейді. Кодтаушы мен декодердің жалпы алгоритмдік кешігуі 36 мс құрайды. Алгоритм 1999 жылы ISO/IEC 14496 3:1999 (MPEG 4 Audio) стандартының 2-бөлігі ретінде жарияланды. HVXC-тің кеңейтілген нұсқасы MPEG 4 Audio Version 2 (ISO/IEC 14496 3:1999/Amd 1:2000) түрінде жарияланды. MPEG 4 Natural Speech Coding Tool Set екі алгоритмді пайдаланады: HVXC және CELP (Code Excited Linear Prediction). HVXC 2 немесе 4 кбит/с төмен біт жылдамдығында қолданылады. 4 кбит/с-тан жоғары, соның ішінде 3,85 кбит/с біт жылдамдықтары CELP арқылы қамтамасыз етіледі.

Сызықтық болжамды кодтау

HVXC әр 20 мс сайын блоктық бейімделумен сызықтық болжамды кодтау (LPC) қолданады. LPC параметрлері бірлесіп квантталатын Line spectral pair (LSP) коэффициенттеріне түрлендіріледі. LPC қалдық сигналы дауысты немесе дауыссыз деп жіктеледі. Дауысты сөйлеу жағдайында қалдық параметрлік түрде кодталады (вокодер ретінде жұмыс істейді), ал дауыссыз сөйлеу жағдайында қалдық толқын пішіні квантталады (осылайша гибридтік сөйлеу кодегі ретінде жұмыс істейді).

Дауысты (гармоникалық) қалдық кодтамасы

Дауысты сегменттерде қалдық сигнал екі параметрмен сипатталады: пич кезеңі және спектрлік орам. Пич кезеңі қалдық сигналдың автокорреляциясының ең жоғары мәндерінен есептеледі. Бұл процесте қалдық сигнал өзінің ығыстырылған көшірмелерімен салыстырылады, ал сызықтық тәуелділік өлшемі бойынша ең үлкен ұқсастық беретін ығыс пич кезеңі ретінде анықталады. Спектрлік орам әрбір гармоника үшін бір амплитудалық мән жиынтығы арқылы сипатталады. Бұл мәндерді алу үшін LPC қалдық сигналы DFT доменіне түрлендіріледі. DFT спектрі әрбір гармоникаға бір жолаққа бөлінеді. m-шы гармониканың жиілік диапазоны (m-1/2)ω0-ден (m+1/2)ω0-ге дейінгі DFT коэффициенттерінен тұрады, мұнда ω0 – пич жиілігі. m-шы гармониканың амплитудалық мәні осы DFT коэффициенттерін ең жақсы бейнелеу үшін таңдалады. Бұл процесте фазалық ақпарат ескерілмейді. Содан кейін спектрлік орам өзгермелі өлшемді салмақталған векторлық кванттау арқылы кодталады. Бұл процесс Harmonic VQ деп те аталады. Сөйлеуді дауысты және дауыссыз қоздырғыштардың қосылысымен көбірек табиғи және тегіс ету үшін дауысты сөйлеудің үш режимі (Аралас дауыс 1, Аралас дауыс 2, Толық дауыс) ажыратылады. Дауыстылық дәрежесі бір пич кезеңінің ығысуы кезінде нормаланған автокорреляция функциясының мәнімен анықталады. Таңдалған режимге байланысты, декодер синтезделген гармоникалық сигналға әртүрлі мөлшерде жолақты өткізгіш Гаусс шуын қосады.

Дауыссыз (VXC) қалдық кодтау

Дауыссыз сегменттер CELP схемасы бойынша кодталады, бұл векторлық қоздыру кодтамасы (VXC) деп те аталады. HVXQ-да CELP кодтау тек қана стохастикалық код кітабы арқылы жүзеге асырылады. Басқа CELP кодектерінде дауысты сегменттердің ұзақ мерзімді болжамын жасау үшін динамикалық код кітабы қосымша пайдаланылады. Дегенмен, HVXC дауысты сегменттер үшін CELP қолданбайтындықтан, динамикалық код кітабы жобадан шығарылды.