Способ и устройство для расширения ширины полосы аудиосигнала



Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала
Способ и устройство для расширения ширины полосы аудиосигнала

 


Владельцы патента RU 2447415:

МОТОРОЛА МОБИЛИТИ, ИНК. (US)

Изобретение относится к воспроизведению прослушиваемого контента, в частности к способам расширения ширины полосы аудиосигнала. Техническим результатом является повышение качества прослушиваемого контента. Указанный результат достигается тем, что обеспечивают цифровой аудиосигнал, имеющий соответствующую ширину полосы сигнала; обеспечивают значение энергии, которое соответствует, по меньшей мере, оценке энергии вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу; используют значение энергии для одновременного определения формы огибающей спектра и соответствующей подходящей энергии для формы огибающей спектра для контента вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу. 2 н. и 8 з.п. ф-лы, 6 ил.

 

Область техники, к которой относится изобретение

Это изобретение в общем относится к воспроизведению прослушиваемого контента и более конкретно к способам расширения ширины полосы.

Уровень техники

Воспроизведение для прослушивания аудиоконтента из цифрового представления представляет собой известную область науки. В некоторых прикладных установках цифровое представление содержит полную соответствующую ширину полосы по отношению к исходной аудиовыборке. В таком случае слышимое воспроизведение может представлять собой высокоточное и естественное выходное звучание. Однако такой подход требует значительных служебных ресурсов для размещения соответствующего количества данных. Во многих прикладных установках, таких как, например, установки беспроводной связи, такое количество информации не может всегда адекватно поддерживаться.

Чтобы компенсировать такое ограничение, так называемые узкополосные речевые методы могут применяться для ограничения количества информации посредством, в свою очередь, ограничения представления до меньшей, чем полная соответствующая ширина полосы, по отношению к исходной аудиовыборке. В качестве одного примера в этом отношении, в то время как естественная речь включает в себя существенные компоненты в диапазоне до 8 кГц (или выше), узкополосное представление может обеспечивать информацию только, допустим, в диапазоне 300-3400 Гц. Получаемый контент, при слышимом воспроизведении, как правило, является достаточно разборчивым, чтобы поддерживать функциональные потребности основанной на речи связи. К сожалению, однако, обработка узкополосного речевого сигнала также имеет тенденцию к потере речи, которая звучит приглушенной и, возможно, даже уменьшает разборчивость по сравнению с речевым сигналом в полной полосе.

Чтобы удовлетворить указанную потребность, иногда используются методы расширения ширины полосы. Метод расширения ширины полосы искусственно генерирует недостающую информацию в верхней и/или нижней полосах на основе доступной узкополосной информации, а также другой информации, чтобы выбрать информацию, которая может быть добавлена к узкополосному контенту, чтобы таким образом синтезировать псевдо широко- (или полно-) полосный сигнал. Используя такие методы, например, можно преобразовать узкополосный речевой сигнал в диапазоне 300-3400 Гц в широкополосный речевой сигнал, скажем, в диапазоне 100-8000 Гц. Для этой цели критическая часть информации, которая требуется, представляет собой огибающую спектра сигнала в верхней полосе (3400-8000 Гц). Если оценивается огибающая спектра широкополосного сигнала, то огибающая спектра сигнала в верхней полосе может обычно легко извлекаться из нее. Можно рассматривать огибающую спектра сигнала в верхней полосе как состоящую из формы и усиления (или, эквивалентно, энергии).

Согласно одному подходу, например, форма огибающей спектра сигнала в верхней полосе оценивается путем оценки огибающей спектра широкополосного сигнала исходя из огибающей спектра узкополосного сигнала посредством отображения кодовой книги. Энергия в верхней полосе затем оценивается посредством корректировки энергии в пределах узкополосной секции огибающей спектра широкополосного сигнала, чтобы она соответствовала энергии огибающей спектра узкополосного сигнала. В этом подходе форма огибающей в верхней полосе определяет энергию в верхней полосе и любые ошибки, при оценке формы, будут также соответственно оказывать влияние на оценки энергии в верхней полосе.

В другом подходе форма огибающей спектра сигнала в верхней полосе и энергия в верхней полосе оцениваются по отдельности, и огибающая спектра сигнала в верхней полосе, которая в конечном итоге используется, корректируется, чтобы соответствовать оцененной энергии в верхней полосе. Согласно одному сопутствующему подходу оцененная энергия в верхней полосе используется, помимо других параметров, чтобы определить форму огибающей спектра сигнала в верхней полосе. Однако вовсе не гарантируется, что получающаяся огибающая спектра сигнала в верхней полосе имеет соответствующую энергию в верхней полосе. Следовательно, требуется дополнительный этап для корректировки энергии огибающей спектра сигнала в верхней полосе по отношению к оцененному значению. Если только не будут приняты особые меры, этот подход будет приводить к неоднородности в огибающей спектра широкополосного сигнала на границе между узкополосной частью и верхней полосой. Хотя существующие подходы для расширения ширины полосы и, в частности, для оценки огибающей в верхней полосе являются приемлемо успешными, они не всегда приводят к получению в результате речевого сигнала подходящего качества, по меньшей мере, в некоторых прикладных установках.

Чтобы сгенерировать речевой сигнал расширенной ширины полосы с приемлемым качеством, число артефактов в таком речевом сигнале должно быть минимизировано. Известно, что завышенная оценка энергии в верхней полосе приводит к раздражающим артефактам. Неправильная оценка формы огибающей спектра сигнала в верхней полосе может также привести к артефактам, но эти артефакты обычно являются более умеренными и легко маскируются узкополосным речевым сигналом.

Краткое описание чертежей

Вышеупомянутые потребности, по меньшей мере, частично удовлетворяются посредством обеспечения способа и устройства для облегчения предоставления и использования значения энергии с целью определения формы спектральной огибающей для контента вне ширины полосы сигнала, описанных в нижеследующем подробном описании осуществления изобретения, в частности, при изучении совместно с чертежами, на которых:

Фиг.1 содержит блок-схему последовательности операций способа, сконфигурированную в соответствии с различными вариантами осуществления настоящего изобретения;

Фиг.2 содержит график, сконфигурированный в соответствии с различными вариантами осуществления настоящего изобретения;

Фиг.3 содержит блок-схему, сконфигурированную в соответствии с различными вариантами осуществления настоящего изобретения;

Фиг.4 содержит блок-схему, сконфигурированную в соответствии с различными вариантами осуществления настоящего изобретения;

Фиг.5 содержит блок-схему, сконфигурированную в соответствии с различными вариантами осуществления настоящего изобретения;

Фиг.6 иллюстрирует график, сконфигурированный в соответствии с различными вариантами осуществления настоящего изобретения.

Специалистам в данной области техники должно быть ясно, что элементы на чертежах проиллюстрированы для простоты и ясности и необязательно изображены в настоящем масштабе. Например, размерности и/или относительное расположение некоторых из элементов на чертежах могут быть преувеличены относительно других элементов, с целью улучшить понимание различных вариантов осуществления настоящего изобретения. Кроме того, общие, но хорошо понятые элементы, которые полезны или необходимы в промышленном осуществлении, часто не изображаются, чтобы облегчить сложное для понимания представление этих различных вариантов осуществления настоящего изобретения. Дополнительно, должно быть понятно, что определенные действия и/или этапы могут быть описаны или изображены в конкретном порядке осуществления, при этом специалистам в данной области техники должно быть ясно, что такая специфика, в отношении последовательности, фактически не требуется. Также понятно, что используемые здесь термины имеют обычное смысловое значение, соответствующее таким терминам и выражениям в соответствующих областях исследования и изучения, если конкретные значения иным образом не изложены здесь.

Осуществление изобретения

В целом в соответствии с упомянутыми различными вариантами осуществления изобретения обеспечивается цифровой аудиосигнал, имеющий соответствующую ширину полосы сигнала, и также обеспечивается значение энергии, которое соответствует, по меньшей мере, оценке энергии вне ширины полосы сигнала, которая соответствует этому цифровому аудиосигналу. Затем можно использовать это значение энергии, чтобы одновременно определять форму огибающей спектра сигнала и соответствующую подходящую энергию для формы огибающей спектра контента вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу. Согласно одному подходу, если необходимо, осуществляется объединение (на покадровой основе) цифрового аудиосигнала с контентом вне ширины полосы сигнала, чтобы обеспечить новый вариант цифрового аудиосигнала с расширенной шириной полосы, подлежащего аудиовоспроизведению, чтобы таким образом улучшить соответствующее аудиокачество цифрового аудиосигнала, воспроизводимого таким образом.

При такой конфигурации энергия вне ширины полосы подразумевает огибающую спектра вне полосы; то есть оцененное значение энергии используется для определения огибающей спектра вне полосы, то есть спектральной формы и соответствующей подходящей энергии. Такой подход оказывается относительно простым для реализации и обработки. Единственным параметром энергии вне полосы более легко управлять и манипулировать, чем многомерной спектральной огибающей сигнала вне полосы. В результате этот подход также может приводить к получаемому в результате слышимому содержимому с более высоким качеством, чем, по меньшей мере, некоторые из подходов предшествующего уровня техники, используемых в настоящее время.

Эти и другие преимущества станут более понятными после полного просмотра и изучения нижеследующего детального описания. Ссылаясь на чертежи, в частности на Фиг.1, соответствующий процесс 100 может начинаться с предоставления 101 цифрового аудиосигнала, который имеет соответствующую ширину полосы сигнала. В примерной прикладной установке это будет содержать обеспечение множества кадров такого контента. Упомянутые раскрытия аспектов изобретения с легкостью обеспечат обработку каждого такого кадра согласно описанным этапам. Согласно одному подходу, например, каждый такой кадр может соответствовать 10-40 миллисекундам исходного аудиоконтента.

Это может содержать, например, обеспечение цифрового аудиосигнала, который содержит синтезируемый голосовой контент. Это имеет место, например, когда эти решения используются в связи с принятым речевым контентом, созданным вокодером в портативном устройстве беспроводной связи. Однако также существуют и другие возможности, как будет хорошо понятно специалистам в данной области техники. Например, цифровой аудиосигнал мог бы вместо этого содержать исходный речевой сигнал или подвергнутую повторной дискретизации версию либо исходного речевого сигнала, либо синтезированного речевого контента.

Со ссылкой на Фиг.2, должно быть понятно, что этот цифровой аудиосигнал относится к некоторому исходному аудиосигналу 201, который имеет исходную соответствующую ширину полосы 202 сигнала. Эта исходная соответствующая ширина полосы 202 сигнала типично будет большей, чем вышеупомянутая ширина полосы сигнала, которая соответствует цифровому аудиосигналу. Это может иметь место, например, когда цифровой аудиосигнал представляет только часть 203 исходного аудиосигнала 201, при этом другие части остаются вне ширины полосы. В показанном иллюстративном примере это включает в себя часть 204 низкой полосы и часть 205 высокой полосы. Специалистам в данной области техники должно быть понятно, что этот пример служит лишь для иллюстративных целей и что не подлежащая представлению часть может содержать только часть низкой полосы или часть высокой полосы. Упомянутые решения также были бы применимы для использования в прикладной установке, где не подлежащая представлению часть приходится на среднюю полосу относительно двух или более подлежащих представлению частей (не показано).

Таким образом, без труда будет понятно, что непредставляемая(ые) часть(и) исходного аудиосигнала 201 включает в себя контент, который в соответствии с настоящими решениями вполне можно использовать для замещения или иного представления некоторым подходящим и приемлемым способом. Также будет понятно, что эта ширина полосы сигнала занимает только часть ширины полосы Найквиста, определенной посредством соответствующей частоты дискретизации. Это, в свою очередь, как будет понятно, дополнительно обеспечит частотный диапазон, чтобы выполнить желаемое расширение ширины полосы.

Вновь ссылаясь на Фиг.1, этот процесс 100 затем предоставляет значение энергии, которое соответствует, по меньшей мере, оценке энергии вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу. Для большинства прикладных установок это может основываться, по меньшей мере, частично на допущении, что исходный сигнал имеет более широкую ширину полосы, чем таковая у самого цифрового аудиосигнала.

Согласно одному подходу этот этап может содержать оценивание значения энергии в зависимости, по меньшей мере, частично от самого цифрового аудиосигнала. Согласно другому подходу, если необходимо, этап может содержать прием информации из источника, который исходно передал вышеупомянутый цифровой аудиосигнал, который представляет, непосредственно или косвенно, значение энергии. Последний подход может быть полезен, когда кодер исходной речи (или другой соответствующий источник) включает в себя подходящую функциональность, чтобы измерять и представлять такое значение энергии непосредственно или косвенно, посредством одной или более метрик, которые передаются, например, вместе с самим цифровым аудиосигналом.

Эта энергия вне ширины полосы сигнала может содержать энергию, которая соответствует сигнальному контенту, который выше по частоте, чем соответствующая ширина полосы сигнала цифрового аудиосигнала. Такой подход является подходящим, например, когда вышеупомянутый удаляемый контент сам включает в себя контент, занимающий ширину полосы, которая выше по частоте, чем аудиоконтент, непосредственно представляемый цифровым аудиосигналом. В качестве альтернативы или в комбинации с вышеизложенным, эта энергия вне ширины полосы сигнала может соответствовать сигнальному контенту, который ниже по частоте, чем соответствующая ширина полосы сигнала цифрового аудиосигнала. Разумеется, этот подход может служить дополнением для той ситуации, которая существует, когда вышеупомянутый удаляемый контент сам включает в себя контент, занимающий ширину полосы, которая ниже по частоте, чем аудиоконтент, непосредственно представляемый цифровым аудиосигналом.

Затем процесс 100 использует (103) это значение энергии (которое может содержать множество значений энергии, когда при этом представляется множество отдельных удаляемых частей, как предложено выше), чтобы определить форму огибающей спектра сигнала с тем, чтобы подходящим образом представить контент вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу. Это может содержать, например, использование значения энергии для одновременного определения формы огибающей спектра сигнала и соответствующей подходящей энергии для формы огибающей спектра, которая сопоставима со значением энергии для контента вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу.

Согласно одному подходу это может содержать использование значения энергии для осуществления доступа к таблице поиска, которая вмещает в себя множество соответствующих возможных форм огибающей спектра. Согласно другому подходу это может содержать использование значения энергии для осуществления доступа к таблице поиска, которая содержит множество форм огибающей спектра сигнала, и интерполирование между двумя или более из этих форм, чтобы получить желаемую форму огибающей спектра. Согласно еще одному другому подходу это может содержать выбор одной из двух или более таблиц поиска с использованием одного или более параметров, выведенных из цифрового аудиосигнала, и использование значения энергии для осуществления доступа к выбранной таблице поиска, которая содержит множество соответствующих возможных форм огибающей спектра сигнала. Это может содержать, если необходимо, осуществление доступа к подходящим формам, которые сохранены в параметрической форме. Эти решения также будут предусматривать выведение одной или более таких форм, которые необходимы, используя подходящую математическую функцию выбора вместо извлечения формы из такой таблицы, если это требуется.

Далее, процесс 100 опционально обеспечивает объединение 104 цифрового аудиосигнала с контентом вне ширины полосы сигнала, чтобы тем самым обеспечить версию цифрового аудиосигнала с расширенной шириной полосы, чтобы таким образом улучшить соответствующее аудиокачество цифрового аудиосигнала, при его представлении в слышимой форме. Согласно одному подходу это может содержать объединение двух элементов, которые являются взаимно однозначными по отношению к их спектральному содержимому. В таком случае такое объединение может принять форму, например, простой конкатенации или, иначе, соединения двух (или более) сегментов вместе. Согласно другому подходу, если необходимо, контент вне ширины полосы сигнала может иметь часть, которая находится в пределах соответствующей ширины полосы цифрового аудиосигнала. Такое перекрытие может быть полезным, по меньшей мере, в некоторых прикладных установках, чтобы сгладить и/или размыть переход от одной части к другой посредством объединения перекрывающей части контента вне ширины полосы сигнала с соответствующей частью в полосе цифрового аудиосигнала.

Специалисты в данной области техники поймут, что вышеописанные процессы полностью применимы с использованием любой из большого разнообразия доступных и/или полностью конфигурируемых вычислительных платформ, включая частично или полностью программируемые платформы, которые известны в уровне техники, или платформы специального назначения, которые могут быть необходимы для некоторых приложений. Со ссылкой на Фиг.3, ниже представлен иллюстративный подход для такой платформы.

В этом иллюстративном примере в устройстве 300 процессор 301 выбора функционально соединяется с вводом 302, который сконфигурирован и выполнен так, чтобы принимать цифровой аудиосигнал, имеющий соответствующую ширину полосы сигнала. Когда устройство 300 содержит устройство беспроводной двухсторонней связи, такой цифровой аудиосигнал может быть обеспечен соответствующим приемником 303, как это хорошо известно в уровне техники. В таком случае, например, цифровой аудиосигнал может содержать синтезируемый аудиоконтент, сформированный в зависимости от речевого контента, созданного вокодером.

Процессор 301, в свою очередь, может быть сконфигурирован и выполнен так (например, посредством соответствующего программирования, когда процессор 301 содержит частично или полностью программируемую вычислительную платформу, как известно в уровне техники), чтобы выполнять один или более этап или другие функциональные возможности, описанные здесь. Это может содержать, например, предоставление значения энергии, которая соответствует, по меньшей мере, оценке энергии вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу, и затем использование этого значения энергии и набора индексированных по энергии форм, чтобы определить форму огибающей спектра сигнала для контента вне ширины полосы, которая соответствует цифровому аудиосигналу.

Как описано выше, согласно одному подходу вышеупомянутое значение энергии может служить для того, чтобы облегчить осуществление доступа к таблице поиска, которая содержит множество соответствующих возможных форм огибающей спектра. Для обеспечения такого подхода это устройство может также содержать, если необходимо, одну или более таблицы 304 поиска, которые функционально соединяются с процессором 301. Имея такую конфигурацию, процессор 301 может без труда осуществлять доступ к таблице 304 поиска в зависимости от ситуации.

Специалистам в данной области техники должно быть понятно, что такое устройство 300 может состоять из множества физически отличных элементов, как предложено на иллюстрации, показанной в Фиг.3. Однако можно также рассматривать эту иллюстрацию как содержащую логическое представление, и в этом случае один или более из этих элементов могут обеспечиваться и реализовываться через совместно используемую платформу. Также понятно, что такая совместно используемая платформа может содержать полностью или, по меньшей мере, частично программируемую платформу, как это известно в уровне техники.

Со ссылкой на Фиг.4, входной речевой сигнал s nb в узкой полосе, дискретизированный при 8 кГц, сначала подвергается дискретизации с повышением частоты в 2 раза с помощью соответствующего повышающего дискретизатора 401, чтобы получить дискретизированный с повышением частоты речевой сигнал s'nb в узкой полосе, дискретизированный при 16 кГц. Этот этап может содержать выполнение интерполяции вида 1:2 (например, посредством вставки отсчета с нулевым значением между каждой парой исходных отсчетов речевого сигнала), с последующей низкочастотной фильтрацией при помощи, например, низкочастотного фильтра (LPF), имеющего полосу пропускания между 0 и 3400 Гц.

Исходя из s nb, параметры линейного предсказания (LP) узкой полосы, A nb ={1, α 1 , α 2 …, α p }, где P является порядком модели, также вычисляются при помощи LP анализатора 402, который применяет хорошо известные методы LP анализа. (Разумеется, существуют другие возможности; например, LP параметры могут быть вычислены исходя из 2:1 подвергнутой децимации версии s'nb.) Эти LP параметры моделируют огибающую спектра входного речевого сигнала в узкой полосе, как

В вышеприведенном уравнении угловая частота ω в радианах/отсчет задается как ω=2πf/F s, где f является частотой сигнала в Гц, а F s - это частота дискретизации в Гц. Для частоты F s дискретизации при 8 кГц подходящим порядком P модели является, например, 10.

LP параметры A nb затем интерполируются через 2 при помощи модуля 403 интерполяции, чтобы получить A nb={1, 0, α1, 0, α2, 0…, 0, α p}. Используя A nb, дискретизированный с повышением частоты узкополосный речевой сигнал s'nb подвергается обратной фильтрации с помощью фильтра 404 анализа, чтобы получить LP остаточный сигнал r' nb (который также дискретизируется при 16 кГц). Согласно одному подходу эта операция обратной фильтрации (или фильтрации анализа) может быть описана уравнением

где n - это индекс отсчета.

В обычной прикладной установке обратная фильтрация s' nb для получения r' nb может быть выполнена на покадровой основе, где кадр определяется как последовательность из N следующих друг за другом отсчетов с продолжительностью в T секунд. Для многих приложений речевых сигналов хороший выбор для T составляет около 20 мс с соответствующими значениями для N около 160 на частоте дискретизации 8 кГц и около 320 на частоте дискретизации 16 кГц. Последовательные кадры могут накладываться друг на друга, например, вплоть до или около 50%, при этом вторая половина отсчетов в текущем кадре и первая половина отсчетов в следующем кадре являются одними и теми же, и новый кадр подвергается обработке каждые T/2 секунд. Для выбора T как 20 мс и 50%-ного перекрытия, например, LP параметры A nb вычисляются исходя из 160 последовательных s nb отсчетов каждые 10 мс и используются для обратной фильтрации средних 160 отсчетов соответствующего s' nb кадра из 320 отсчетов, чтобы выдать 160 отсчетов r' nb.

Можно также вычислить 2P-порядковые LP параметры для операции обратной фильтрации непосредственно из дискретизированного с повышением частоты узкополосного речевого сигнала. Однако этот подход может усложнить как вычисление LP параметров, так и операцию обратной фильтрации, без необходимого увеличения производительности, по меньшей мере, в некоторых режимах работы.

LP остаточный сигнал r' nb затем подвергается двухполупериодному выпрямлению при помощи двухполупериодного выпрямителя 405 и высокочастотной фильтрации результата (используя, например, высокочастотный фильтр (HPF) 406 с полосой пропускания между 3400 и 8000 Гц), чтобы получить высокополосный выпрямленный остаточный сигнал rr nb . Параллельно, выход источника 407 псевдослучайного шума также подвергается высокочастотной фильтрации 408, чтобы получить шумовой сигнал n hb в верхней полосе. Эти два сигнала, то есть rr nb и n hb, микшируются в микшере 409 согласно уровню v голоса, предоставляемого Модулем Оценки и Управления (ECM) 410 (данный модуль будет описан более подробно ниже). В этом иллюстративном примере этот уровень v голоса ранжируется от 0 до 1, причем 0 указывает невокализованный уровень, а 1 указывает полностью вокализованный уровень. Микшер 409 по существу формирует взвешенную сумму из двух входных сигналов на своем выходе после обеспечения того, что два входных сигнала настроены на одинаковый уровень энергии. Выходной сигнал m hb микшера имеет вид

Специалисты в данной области техники поймут, что другие правила микширования также возможны. Также является возможным сначала смешать два сигнала, то есть выпрямленный на основе двухполупериодного выпрямления LP остаточный сигнал и псевдослучайный шумовой сигнал, и затем подвергнуть высокочастотной фильтрации смешанный сигнал. В этом случае два высокочастотных фильтра 406 и 408 заменяются единственным высокочастотным фильтром, размещенным на выходе микшера 409.

Полученный сигнал m hb затем предварительно обрабатывается при помощи препроцессора 411 возбуждения верхней полосы (HB), чтобы сформировать высокополосный сигнал ex hb возбуждения. Этапы предварительной обработки могут содержать: (i) масштабирование выходного сигнала m hb микшера для приведения в соответствие уровня E hb энергии в верхней полосе, и (ii) опционально, формообразование выходного сигнала m hb микшера с тем, чтобы привести в соответствие огибающую SE hb спектра сигнала в верхней полосе. Как E hb , так и SE hb предоставляются процессору 411 возбуждения HB, посредством ECM 410. При применении данного подхода может быть полезно во многих прикладных установках гарантировать, что такое формообразование не оказывает негативного влияния на фазовый спектр выходного сигнала m hb микшера; то есть формообразование может предпочтительно быть выполнено фильтром с нулевой фазовой характеристикой.

Дискретизированный с повышением частоты узкополосный речевой сигнал s' nb и высокополосный сигнал ex hb возбуждения суммируются с помощью сумматора 412, чтобы сформировать сигнал смешанной полосы. Этот результирующий сигнал смешанной полосы вводится в выравнивающий фильтр 413, который фильтрует этот входной сигнал, используя информацию SE wb огибающей спектра широкополосного сигнала, предоставленную ECM 410, чтобы сформировать оцененный широкополосный сигнал . Выравнивающий фильтр 413 по существу накладывает огибающую SE wb спектра широкополосного сигнала на входной сигнал , чтобы сформировать (дополнительно описано ниже). Результирующий оцененный широкополосный сигнал подвергается высокочастотной фильтрации, например, при помощи высокочастотного фильтра 414, имеющего ширину полосы от 3400 до 8000 Гц, и низкочастотной фильтрации, например, при помощи низкочастотного фильтра 415, имеющего ширину полосы от 0 до 300 Гц, чтобы получить соответственно высокополосный сигнал и низкополосный сигнал . Эти сигналы , и дискретизированный с повышением частоты узкополосный сигнал s' nb суммируются другим сумматором 416, чтобы сформировать сигнал S bwe с расширенной шириной полосы.

Специалисты в данной области техники поймут, что существуют различные другие конфигурации фильтра, которые можно применять для получения сигнала S bwe с расширенной шириной полосы. Если выравнивающий фильтр 413 в точности сохраняет спектральный состав дискретизированного с повышением частоты речевого узкополосного сигнала s' nb, который является частью его входного сигнала , тогда оцененный широкополосный сигнал может быть непосредственно выведен как сигнал S bwe с расширенной шириной полосы, тем самым исключая высокочастотный фильтр 414, низкочастотный фильтр 415 и сумматор 416. В качестве альтернативы, могут использоваться два выравнивающих фильтра, один для восстановления низкочастотной части и другой для восстановления высокочастотной части, и выход последнего может быть добавлен к высокочастотно отфильтрованному выходу первого, чтобы получить сигнал S bwe с расширенной шириной полосы.

Специалистам в данной области техники должно быть понятно, что, в случае этого конкретного иллюстративного примера, выровненное остаточное возбуждение (сигнал) в верхней полосе и шумовое возбуждение в верхней полосе смешиваются вместе согласно уровню голоса. Когда уровень голоса является 0, указывающим невокализованную речь, используется исключительно шумовое возбуждение. Аналогично, когда уровень голоса является 1, указывая вокализованную речь, используется исключительно выровненное остаточное возбуждение верхней полосы. Когда уровень голоса находится между 0 и 1, указывая смешанно-вокализованную речь, эти два возбуждения микшируются в соответствующей пропорции, согласно определению уровня голоса, и соответственно используются. Смешанное возбуждение верхней полосы, таким образом, является подходящим для вокализованных, невокализованных и смешанно-вокализованных звуков.

Также будет понято, что в этом иллюстративном примере выравнивающий фильтр используется для синтезирования . Выравнивающий фильтр принимает огибающую SE wb спектра широкополосного сигнала, предоставленную ECM в качестве идеальной огибающей, и выполняет коррекцию (или выравнивает) огибающую спектра своего входного сигнала для приведения ее в соответствие с идеальной. Поскольку в уравнивании огибающей спектра используются только амплитуды, фазовая характеристика выравнивающего фильтра выбирается нулевой. Амплитудная характеристика выравнивающего фильтра задается как SE wb(ω)/SE mb(ω). Проектирование и реализация такого выравнивающего фильтра для приложения кодирования речевого сигнала представляют собой хорошо изученную область техники. Кратко, тем не менее, выравнивающий фильтр работает следующим образом, с использованием анализа на основе добавления с перекрытием (OLA).

Входной сигнал сначала делится на перекрывающиеся кадры, например, 20 мс (320 отсчетов на 16 кГц) кадры с 50%-ным перекрытием. Каждый кадр отсчетов затем умножается (точечно) на подходящее окно, например окно типа приподнятой косинусоиды с идеальной характеристикой восстановления. Подвергнутый оконной обработке кадр речевого сигнала затем подвергается анализу, чтобы оценить LP параметры, моделирующие его огибающую спектра. Идеальная огибающая спектра широкополосного сигнала для кадра обеспечивается посредством ECM. Исходя из двух огибающих спектра, выравниватель вычисляет амплитудную характеристику фильтра как SE wb(ω)/SE mb(ω) и устанавливает фазовую характеристику в ноль. Входной кадр затем выравнивается, чтобы получить соответствующий выходной кадр. И наконец, выровненные выходные кадры подвергаются добавлению с перекрытием, чтобы синтезировать оцененный широкополосный речевой сигнал .

Специалисты в данной области техники поймут, что помимо LP анализа существуют другие способы получения огибающей спектра данного кадра речевого сигнала, например кепстральный анализ, кусочно-линейная интерполяция или интерполяция по кривой высшего порядка максимумов амплитуды спектра и т.д.

Специалисты в данной области техники также поймут, что, вместо «оконной» обработки входного сигнала непосредственно, можно было бы начать с подвергнутых оконной обработке версий s'nb, rr hb и n hb для достижения того же самого результата. Также может быть удобным сохранить размер кадра и процент перекрытия для выравнивающего фильтра такими же, как те, которые используются в блоке фильтра анализа, применяемого для получения r' nb из s'nb.

Описанный подход в отношении выравнивающего фильтра для синтезирования предоставляет ряд преимуществ: i) поскольку фазовая характеристика выравнивающего фильтра 413 является нулевой, различные частотные составляющие на выходе выравнивателя выравниваются по времени с соответствующими составляющими на входе; это может быть полезно для содержащего голос речевого сигнала, потому что сегменты с высокой энергией (такие как относящиеся к голосовой щели сегменты импульса) выровненного остаточного возбуждения ex hb в верхней полосе выравниваются по времени с соответствующими сегментами высокой энергии дискретизированного с повышением частоты узкополосного речевого сигнала s' nb на входе выравнивателя, и сохранение этого выравнивания по времени на выходе выравнивателя будет часто действовать для обеспечения хорошего качества речевого сигнала; ii) вход для выравнивающего фильтра 413 необязательно должен иметь плоский спектр как в случае LP синтезирующего фильтра; iii) выравнивающий фильтр 413 определяется в частотной области, и поэтому лучшее и более тонкое управление по различным частям спектра является осуществимым; и iv) итерации являются возможными с тем, чтобы улучшить эффективность фильтрации за счет дополнительной сложности и задержки (например, выходной сигнал выравнивателя может быть возвращен к входу, который будет подвергнут выравниванию снова и снова, чтобы улучшить производительность).

Некоторые дополнительные подробности относительно описанной конфигурации будут представлены ниже.

Предварительная обработка возбуждения верхней полосы: амплитудная характеристика выравнивающего фильтра 413 задается как SE wb (ω)/SE mb (ω), и его фазовая характеристика может быть установлена в нуль. Более близкой к идеальной огибающей SE wb (ω) спектра является огибающая SE mb (ω) спектра на входе, для выравнивателя проще корректировать огибающую спектра на входе, чтобы привести ее в соответствие с идеальной. По меньшей мере, одна функция процессора 411 предварительной обработки возбуждения верхней полосы заключается в том, чтобы переместить SE mb (ω) ближе к SE wb (ω) и, таким образом, упростить работу выравнивающего фильтра 413. Во-первых, это выполняется посредством масштабирования выходного сигнала m hb микшера до правильного уровня E hb энергии в верхней полосе, обеспеченного ECM 410. Во-вторых, выходному сигналу m hb микшера опционально задается форма так, чтобы огибающая его спектра соответствовала огибающей SE hb спектра сигнала в верхней полосе, обеспеченной ECM 410, не воздействуя на его фазовый спектр. Второй этап, по сути, может содержать этап предварительного уравнивания.

Возбуждение низкой полосы: в отличие от потери информации в верхней полосе, вызванной ограничением широкой полосы, наложенным, по меньшей мере, частично, частотой дискретизации, потеря информации в низкой полосе (0-300 Гц) узкополосного сигнала является следствием, по меньшей мере в значительной степени, ограничивающего полосу эффекта передаточной функции канала, состоящего, например, из микрофона, усилителя, речевого кодера, канала передачи или подобного. Следовательно, в чистом узкополосном сигнале информация низкой полосы все еще присутствует, хотя и с очень низким уровнем. Эта информация нижнего уровня может быть усилена прямым способом для восстановления исходного сигнала. Однако следует проявлять осторожность в этом процессе, так как сигналы низкого уровня искажаются ошибками, шумом и искажениями. Альтернатива заключается в синтезировании сигнала возбуждения низкой полосы подобно сигналу возбуждения верхней полосы, описанному ранее. То есть сигнал возбуждения низкой полосы может быть сформирован посредством микширования выровненного остаточного сигнала rr lb низкой полосы и сигнала n lb шума низкой полосы способом, подобным формированию высокополосного выходного сигнала m hb микшера.

Согласно Фиг.5 Модуль Оценки и Управления (ECM) 410 принимает, в качестве входа, узкополосный речевой сигнал s nb, дискретизированный с повышением частоты узкополосный речевой сигнал s' nb и LP параметры A nb узкой полосы и обеспечивает, в качестве выхода, уровень v голоса, энергию E hb верхней полосы, огибающую SE hb спектра сигнала в верхней полосе и огибающую SE wb спектра широкополосного сигнала.

Оценка уровня голоса: для того чтобы осуществить оценку уровня голоса, вычислитель 501 пересечения нулевого уровня вычисляет количество пересечений zc нулевого уровня в каждом кадре узкополосного речевого сигнала s' nb следующим образом:

где

n является индексом отсчета и N является размером кадра в отсчетах. Подходящим является сохранение размера кадра и процентного перекрытия, используемых ECM 410, такими же, что и используемые в выравнивающем фильтре 413 и блоках фильтра анализа, например, T=20 мс, N=160 для 8 кГц дискретизации, N=320 для 16 кГц дискретизации и 50%-ного перекрытия в отношении иллюстративных значений, представленных ранее. Значение zc параметра, вычисленного согласно приведенному выше описанию, ранжируется от 0 до 1. Исходя из zc параметра, устройство 502 оценки уровня голоса может оценить уровень v голоса следующим образом.

где ZC low и ZC high представляют собой соответствующим образом выбранные низкие и высокие пороги, соответственно, например, ZC low=0,40 и ZC high=0,45. Выход d детектора 503 приступа/взрывного звука может также быть введен в детектор 502 уровня голоса. Если кадр помечен как содержащий приступ или взрывной звук с d=1, уровень голоса этого кадра, а также следующего кадра может быть установлен в 1. Согласно одному подходу, когда уровень голоса 1, исключительно используется выпрямленное остаточное возбуждение верхней полосы. Это является преимуществом при приступе/взрывном звуке, по сравнению с только шумовым или микшированным возбуждением верхней полосы, потому что выровненное остаточное возбуждение близко повторяет вид графика зависимости энергии от времени для дискретизированного с повышением частоты узкополосного речевого сигнала, таким образом, уменьшая возможность артефактов типа опережающего эхо ввиду временной дисперсии в сигнале с расширенной шириной полосы.

Чтобы оценить энергию в верхней полосе, устройство 504 оценки энергии переходной полосы оценивает энергию переходной полосы, исходя из дискретизированного с повышением частоты узкополосного речевого сигнала s' nb. Переходная полоса определена здесь как полоса частот, которая содержится в пределах узкой полосы и близка к верхней полосе, то есть она служит переходом к верхней полосе (которая, в этом иллюстративном примере, представляет собой полосу около 2500-3400 Гц). Интуитивно, можно было бы ожидать, что энергия в верхней полосе должна быть высоко коррелирована с энергией переходной полосы, что было подтверждено в экспериментах. Простой способ для вычисления энергии E tb переходной полосы состоит в том, чтобы вычислить частотный спектр s' nb (например, используя быстрое преобразование Фурье (FFT)) и суммировать энергии спектральных составляющих в пределах переходной полосы.

С учетом энергии E tb переходной полосы, представленной в дБ, энергия E hb0 верхней полосы в дБ оценивается как

где коэффициенты a и β выбираются для минимизации среднеквадратичной ошибки между истинным и оцененным значениями энергии в верхней полосе, относительно большого количества кадров из обучающей речевой базы данных.

Точность оценки может быть дополнительно повышена посредством применения контекстной информации от дополнительных речевых параметров, таких как параметр zc пересечения нулевого уровня и параметр sl крутизны спектра переходной полосы, которые могут обеспечиваться устройством 505 оценки крутизны переходной полосы. Параметр пересечения нулевого уровня, как обсуждалось ранее, указывает голосовой уровень речевого сигнала. Параметр крутизны указывает частоту изменения спектральной энергии в пределах переходной полосы. Она может быть оценена из LP параметров A nb узкой полосы посредством аппроксимирования огибающей спектра (в дБ) в пределах переходной полосы в виде прямой линии, например посредством линейной регрессии, и вычисления ее крутизны. zc-sl параметрическая плоскость затем разделяется на некоторое количество зон, и коэффициенты a и β по отдельности выбираются для каждой зоны. Например, если zc и sl параметры, каждый, разделены на 8 равных интервалов, zc-sl параметрическая плоскость затем разделяется на 64 зоны, и 64 набора a и β коэффициентов выбираются по одному для каждой зоны.

Устройство 506 оценки энергии в верхней полосе может обеспечивать дополнительное повышение точности оценки посредством использования более высоких степеней E tb при оценке E hbo, например,

В этом случае пять различных коэффициентов, то есть α 4, α 3, α 2, α 1 и β, выбираются для каждой части zc-sl параметрической плоскости. Так как вышеупомянутые уравнения для оценки E ht0 являются нелинейными, особое внимание должно быть уделено для регулировки оцененной энергии в верхней полосе как уровня сигнала на входе, то есть энергии, изменений. Один способ для достижения этого состоит в том, чтобы оценить уровень сигнала на входе в дБ, отрегулировать E tb вверх или вниз для соответствия номинальному уровню сигнала, оценить E ht0 и отрегулировать E ht0 вниз или вверх для соответствия фактическому уровню сигнала.

В то время как способ оценки энергии в верхней полосе, описанный выше, весьма хорошо работает для большинства кадров, могут существовать кадры, для которых энергия в верхней полосе грубо занижена или завышена. Такие ошибки оценки могут быть, по меньшей мере, частично исправлены посредством сглаживающего устройства 507 траектории энергии, которое содержит фильтр сглаживания. Фильтр сглаживания может быть спроектирован таким образом, чтобы он позволял фактическим переходам в траектории энергии проходить не подвергаясь воздействию, например, переходам между содержащими голос и не содержащими голос сегментами, но исправлять случайные грубые ошибки в другой сглаженной траектории энергии, например, в пределах содержащего голос или не содержащего голос сегмента. Подходящим фильтром для этой цели является медианный фильтр, например 3-точечный медианный фильтр, описанный уравнением

где k является индексом кадра и оператор median(∙) выбирает медиану его трех аргументов. 3-Точечный медианный фильтр включает в себя задержку одного кадра. Другие типы фильтров с задержкой или без нее могут также быть разработаны для сглаживания траектории энергии.

Сглаженное значение E hbl энергии может дополнительно адаптироваться посредством адаптера 508 энергии для получения конечной оценки E hb адаптированной энергии в верхней полосе. Эта адаптация может включать в себя либо уменьшение, либо увеличение сглаженного значения энергии, основанного на параметре v уровня голоса и/или параметре d, выведенного детектором 503 приступа/взрывного звука. Согласно одному подходу адаптация значения энергии в верхней полосе изменяет не только уровень энергии, но также и форму огибающей спектра, поскольку выбор спектра сигнала в верхней полосе может быть привязан к оцененной энергии.

На основании параметра v уровня голоса, адаптация энергии может быть достигнута следующим образом. Для v=0, соответствующего невокализованному кадру, сглаженное значение E hbl энергии увеличивается слегка, например на 3 дБ, чтобы получить адаптированное значение E hb энергии. Увеличенный уровень энергии предыскажает невокализованную речь в выходе с расширенной шириной полосы, по сравнению с узкополосным входом, и также помогает выбирать наиболее подходящую форму огибающей спектра сигнала для невокализованных сегментов. Для v=1, соответствующего вокализованному кадру, сглаженное значение E hbl энергии несколько уменьшается, например на 6 дБ, для получения адаптированного значения E hb энергии. Несколько уменьшенный уровень энергии помогает маскировать любые ошибки при выборе формы огибающей спектра сигнала для вокализованных сегментов и последующих шумовых артефактов.

В том случае, когда уровень v голоса находится между 0 и 1, соответствуя смешанно-вокализованному кадру, адаптация значения энергии не выполняется. Такие смешанно-вокализованные кадры представляют собой небольшую часть общего количества кадров, и неадаптированные значения энергии хорошо подходят для таких кадров. Основываясь на выходе d детектора приступа/взрывного звука, адаптация энергии выполняется следующим образом. Когда d=1, это указывает, что соответствующий кадр содержит приступ, например переход от молчания к невокализованному или вокализованному звуку или к взрывному звуку, например, /t/. В этом случае энергия в верхней полосе заданного кадра, а также следующего кадра адаптируется к очень низкому значению, так что его содержание энергии в верхней полосе мало в речевом сигнале с расширенной полосой. Это помогает избегать случайных артефактов, связанных с такими кадрами. Для d=0, дополнительная адаптация энергии не выполняется; то есть сохраняется адаптация энергии на основании уровня v голоса, как описано выше.

Ниже описывается оценка огибающей SE wb спектра широкополосного сигнала. Чтобы оценить SE wb, можно отдельно оценивать огибающую SE mb спектра узкополосного сигнала, огибающую SE hb спектра сигнала в верхней полосе и огибающую SE lb спектра низкополосного сигнала и объединить эти три огибающие вместе.

Устройство 509 оценки спектра узкополосного сигнала может оценить огибающую SE nb спектра узкополосного сигнала из дискретизированного с повышением частоты узкополосного речевого сигнала s' nb. С учетом s' nb, LP параметры, B nb={1, b 1, b 2, …, b Q}, где Q - порядок модели, сначала вычисляются, с использованием хорошо известных методик LP анализа. Для дискретизации с повышением частоты на 16 кГц подходящим порядком Q модели является, например, 20. LP параметры B nb моделируют огибающую спектра дискретизированного с повышением частоты узкополосного речевого сигнала как

В уравнении выше угловая частота ω в радианах/отсчет задается как ω=2πf/2F s, где f является частотой сигнала в Гц и F s является частотой дискретизации в Гц. Следует отметить, что огибающие SE nbin и SE usnb спектра сигнала являются различными, поскольку первая выводится из узкополосного входного речевого сигнала, а последняя - из дискретизированного с повышением частоты узкополосного речевого сигнала. Однако в полосе пропускания 300-3400 Гц они приблизительно равны, согласно SE usnb (ω) ≈ SE nbin (2ω) в пределах константы. Хотя огибающая SE usnb спектра определяется по диапазону 0-8000 (F s) Гц, полезная часть лежит в пределах ширины полосы (в этом иллюстративном примере 300-3400 Гц).

В качестве одного иллюстративного примера, вычисление SE usnb выполняется с использованием FFT следующим образом. Во-первых, импульсная характеристика обратного фильтра B nb (z) вычисляется с подходящей длиной, например 1024, как {1, b 1, b 2, …, b Q, 0, 0, …, 0}. Затем берется FFT импульсной характеристики, и амплитудная огибающая спектра SE usnb получается посредством вычисления амплитуды инверсии по каждому индексу FFT. Для длины FFT в 1024 разрешение по частоте SE usnb, вычисленное, как описано выше, равно 16000/1024=15,625 Гц. Исходя из SE mnb, огибающая SE nb спектра узкополосного сигнала оценивается посредством простого извлечения амплитуды спектра сигнала из приблизительного диапазона 300-3400 Гц.

Специалистам в данной области техники должно быть ясно, что помимо LP анализа существуют другие способы получения огибающей спектра данного кадра речевого сигнала, например кепстральный анализ, кусочно-линейная аппроксимация или аппроксимация по кривой высшего порядка пиков амплитуды спектра и т.д.

Устройство 510 оценки спектра сигнала в верхней полосе принимает оценку энергии в верхней полосе в качестве ввода и выбирает форму огибающей спектра сигнала в верхней полосе, которая сообразна с оцененной энергией верхней полосы. Ниже описывается метод появления различных форм огибающей спектра сигнала в верхней полосе, соответствующих различным энергиям верхней полосы.

Начиная с большой обучающей базы данных широкополосного речевого сигнала, дискретизированной на 16 кГц, амплитудная огибающая спектра широкополосного сигнала вычисляется для каждого кадра речевого сигнала с использованием стандартного LP анализа или других методов. Исходя из огибающей спектра широкополосного сигнала для каждого кадра, часть верхней полосы, соответствующая 3400-8000 Гц, извлекается и нормализуется посредством деления на амплитуду спектра при 3400 Гц. Таким образом, получающиеся огибающие спектра сигнала в верхней полосе имеют амплитуду в 0 дБ при 3400 Гц.

Затем вычисляется энергия в верхней полосе, соответствующая каждой нормализованной огибающей в верхней полосе. Объединенный набор огибающих спектра сигнала в верхней полосе затем разбивается на части на основании энергии в верхней полосе, например выбирается последовательность номинальных значений энергии, отличающихся 1 дБ, для охвата всего диапазона и все огибающие с энергией в пределах 0,5 дБ номинального значения группируются вместе.

Для каждой группы, сформированной таким образом, вычисляется средняя форма огибающей спектра сигнала в верхней полосе и впоследствии соответствующая энергия в верхней полосе. На Фиг.6 показан набор из 60 форм 600 огибающей спектра сигнала в верхней полосе (с амплитудой в дБ по отношению к частоте в Гц) на различных уровнях энергии. Отсчитывая снизу, 1-я, 10-я, 20-я, 30-я, 40-я, 50-я и 60-я формы (упомянутые здесь как заранее вычисленные формы) были получены с использованием метода, подобного описанному выше. Оставшиеся 53 формы были получены посредством простой линейной интерполяции (в области дБ) между самыми близкими предварительно вычисленными формами.

Энергии этих форм ранжируются от около 4,5 дБ для 1-й формы до около 43,5 дБ для 60-й формы. Учитывая энергию в верхней полосе для кадра, несложно осуществить выбор самой близкой согласующейся формы огибающей спектра сигнала в верхней полосе, как будет описано позже в данном документе. Выбранная форма представляет оцененную огибающую SE hb спектра сигнала в верхней полосе, с точностью до константы. На Фиг.6 средняя разрешающая способность по энергии составляет приблизительно 0,65 дБ. Очевидно, лучшая разрешающая способность достижима посредством увеличения числа форм. С учетом форм на Фиг.6, выбор формы для конкретной энергии является индивидуальным. Также можно представить ситуацию, когда имеется больше чем одна форма для данной энергии, например 4 формы для каждого уровня энергии, и в этом случае необходима дополнительная информация, чтобы выбрать одну из 4 форм для каждого данного уровня энергии. Кроме того, могут иметься множественные наборы форм, при этом каждый набор индексируется энергией верхней полосы, например два набора форм, выбираемых по параметру v голоса, один для вокализованных кадров и другой для невокализованных кадров. Для смешанно-вокализованного кадра могут быть соответствующим образом объединены две формы, выбранные из двух наборов.

Способ оценки спектра сигнала в верхней полосе, описанный выше, обеспечивает некоторые явные преимущества. Например, этот подход предлагает точное управление относительно временной эволюции оценок спектра сигнала в верхней полосе. Эволюция сглаживания оценок спектра сигнала в верхней полосе в пределах отличающихся речевых сегментов, например вокализованной речи, невокализованной речи и т.д., часто является важным моментом для речевого сигнала расширенной ширины полосы без артефактов. Для способа оценки спектра сигнала в верхней полосе, описанного выше, со ссылкой на Фиг.6, наглядно видно, что наибольшие изменения в энергии в верхней полосе приводят к небольшим изменениям формы огибающей спектра сигнала в верхней полосе. Таким образом, эволюция сглаживания спектра сигнала в верхней полосе по существу может быть гарантирована посредством обеспечения того, что временная эволюция энергии в верхней полосе в пределах отличающихся речевых сегментов также является сглаженной. Более точно, это достигается посредством сглаживания траектории энергии, как это описывалось ранее.

Следует отметить, что отличающиеся речевые сегменты, в пределах которых выполняется сглаживание энергии, могут быть идентифицированы с еще более высокой разрешающей способностью, например, посредством отслеживания изменения в спектре узкополосного речевого сигнала или спектре дискретизированного с повышением частоты узкополосного речевого сигнала, от кадра к кадру, используя любую из хорошо известных мер спектрального расстояния, таких как логарифмическое искажение спектра или основанное на LP искажение Итакуры (Itakura). Используя этот подход, отличающийся речевой сегмент может быть определен как последовательность кадров, в пределах которой спектр развивается медленно и которая разграничивается на каждой стороне кадром, в котором вычисленное изменение спектра превышает установленный или адаптивный порог, тем самым указывая на присутствие спектрального перехода с каждой стороны отличающегося речевого сегмента. Сглаживание траектории энергии может быть затем выполнено в пределах отличающегося речевого сегмента, но не через границы этого сегмента.

Здесь эволюция сглаживания траектории энергии в верхней полосе преобразуется в эволюцию сглаживания оцененной огибающей спектра сигнала в верхней полосе, которая является желаемой характеристикой в пределах отличающегося речевого сегмента. Также следует отметить, что этот подход к обеспечению эволюции сглаживания верхней полосы в пределах отличающегося речевого сегмента может также быть применен как этап постобработки для последовательности оцененных огибающих спектра сигнала в верхней полосе, полученных посредством известных из уровня техники способов. Однако в этом случае огибающие спектра сигнала в верхней полосе, возможно, должны быть явно сглажены в пределах отличающегося речевого сегмента, в отличие от прямого сглаживания траектории энергии согласно настоящему раскрытию, которое автоматически приводит к эволюции сглаживания огибающей спектра верхней полосы.

Потеря информации узкополосного речевого сигнала в нижней полосе (которая в этом иллюстративном примере может быть от 0-300 Гц) происходит не из-за ограничения ширины полосы, наложенного частотой дискретизации, как в случае верхней полосы, но обуславливается ограничивающим полосу эффектом передаточной функции канала, состоящего из, например, микрофона, усилителя, речевого кодера, канала передачи и т.д.

Прямой подход для восстановления сигнала низкой полосы должен, следовательно, противодействовать эффекту этой передаточной функции канала в пределах диапазона от 0 до 300 Гц. Простым способом для осуществления этого является применение устройства 511 оценки спектра низкополосного сигнала для оценки передаточной функции канала в частотном диапазоне от 0 до 300 Гц, исходя из доступных данных, получение ее инверсии и использование инверсии для повышения огибающей спектра дискретизированного с повышением частоты узкополосного речевого сигнала. То есть огибающая SE mb спектра низкополосного сигнала оценивается как сумма SE usnb и характеристики SE boost повышения огибающей спектра, рассчитанной исходя из инверсии передаточной функции канала (предполагается, что амплитуды огибающей спектра сигнала выражены в логарифмической области, например, в дБ). Для многих прикладных установок следует обращать внимание на расчет SE boost. Поскольку восстановление сигнала низкой полосы по сути основано на увеличении сигнала низкого уровня, это влечет за собой опасность увеличения ошибок, шума и искажения, типично связанных с сигналами низкого уровня. В зависимости от качества сигнала низкого уровня максимальное значение повышения должно быть ограничено соответственно. Кроме того, в пределах частотного диапазона от 0 до приблизительно 60 Гц, необходимо рассчитывать SE boost с низким (или даже отрицательным, то есть затухающим) значением, чтобы избежать усиления электрических сетевых помех и фонового шума.

Устройство 512 оценки спектра широкополосного сигнала может затем оценить огибающую спектра широкополосного сигнала посредством объединения оцененных огибающих спектра в узкой полосе, верхней полосе и низкой полосе. Одним способом объединения этих трех огибающих для оценки огибающей спектра широкополосного сигнала является следующее.

Огибающая SE nb спектра узкополосного сигнала оценивается исходя из s' nb, как описано выше, и ее значения в пределах диапазона от 400 до 3200 Гц используются без какого-либо изменения при оценке SE wb огибающей спектра широкополосного сигнала. Чтобы выбрать соответствующую форму верхней полосы, необходимы энергия в верхней полосе и начальное значение амплитуды при 3400 Гц. Энергия E hb верхней полосы в дБ оценивается, как описано ранее. Начальное значение амплитуды на 3400 Гц оценивается посредством моделирования FFT амплитудного спектра s' nb в дБ в пределах переходной полосы, то есть 2500-3400 Гц, посредством прямой линии через линейную регрессию и нахождения значения прямой линии при 3400 Гц. Допустим, это значение амплитуды обозначено посредством M 3400 в дБ. Тогда форма огибающей спектра сигнала в верхней полосе выбирается как одна из многих значений, например, как показано на Фиг.6, которая имеет значение энергии, самое близкое к E hb-M 3400. Предположим, что данная форма обозначена посредством SE closest. Тогда оценка SE hb огибающей спектра сигнала в верхней полосе и, следовательно, огибающая SE wb спектра широкополосного сигнала в пределах диапазона от 3400 до 8000 Гц оцениваются как SE closest + M 3400.

Между 3200 и 3400 Гц SE wb оценивается как линейно интерполированное значение в дБ между SE nb и прямой линией, соединяющей SE nb на 3200 Гц и M 3400 на 3400 Гц. Сам коэффициент интерполяции изменяется линейно таким образом, чтобы оцененная SE wb постепенно перемещалась от SE nb на 3200 Гц к M 3400 на 3400 Гц. Между 0 и 400 Гц огибающая SE lb спектра низкополосного сигнала и огибающая SE wb спектра широкополосного сигнала оцениваются как SE nb+SE boost, где SE boost представляет соответствующим образом рассчитанную характеристику повышения, исходя из инверсии передаточной функции канала, как описано выше.

Как упомянуто ранее, кадры, содержащие точки приступа и/или взрывного звука, могут извлечь выгоду из специальной обработки, чтобы избежать случайных артефактов в широкополосном расширенном речевом сигнале. Такие кадры могут быть идентифицированы внезапным увеличением их энергии относительно предыдущих кадров. Выход d детектора 503 приступа/взрывного звука для кадра устанавливается в 1 всякий раз, когда энергия предыдущего кадра является низкой, то есть ниже определенного порога, например - 50 дБ, и увеличение энергии текущего кадра относительно предыдущего кадра превышает другой порог, например 15 дБ. В ином случае выход d детектора устанавливается в 0. Энергия самого кадра вычисляется из энергии FFT амплитудного спектра дискретизированного с повышением частоты узкополосного речевого сигнала s' nb в пределах узкой полосы, то есть 300-3400 Гц. Как отмечено выше, выход d детектора 503 приступа/взрывного звука подается в устройство 502 оценки уровня голоса и адаптер 508 энергии. Как описано ранее, всякий раз, когда кадр помечен как содержащий приступ или взрывной звук с d=1, уровень v голоса того кадра, а также следующего кадра устанавливается в 1. Кроме того, адаптированное значение E hb энергии в верхней полосе этого кадра, а также следующего кадра устанавливается на нижнее значение.

Следует отметить, что в то время как параметры, такие как огибающая спектра, пересечения нулевого уровня, LP коэффициенты, энергии полосы и т.д., были описаны в приведенных конкретных примерах в некоторых случаях для узкополосного речевого сигнала и в других случаях для дискретизированного с повышением частоты узкополосного речевого сигнала, специалистам в данной области техники должно быть понятно, что оценка соответствующих параметров и их последующего использования и применения может быть модифицирована, чтобы выполняться для любого вида таких сигналов (узкополосного речевого сигнала или дискретизированного с повышением частоты узкополосного речевого сигнала), без отхода от сущности и объема описанного раскрытия изобретения.

Специалистам в данной области техники должно быть понятно, что большое разнообразие модификаций, изменений и комбинаций может быть выполнено относительно описанных выше вариантов осуществления изобретения, не отступая от сущности и объема изобретения, и что такие модификации, изменения и комбинации должны рассматриваться как находящиеся в пределах объема изобретения, выраженного в следующей формуле изобретения.

1. Способ расширения ширины полосы аудиосигнала, содержащий этапы, на которых:
обеспечивают цифровой аудиосигнал, имеющий соответствующую ширину полосы сигнала;
обеспечивают значение энергии, которое соответствует, по меньшей мере, оценке энергии вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу;
используют значение энергии для одновременного определения:
формы огибающей спектра; и
соответствующей подходящей энергии для формы огибающей спектра;
для контента вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу.

2. Способ по п.1, в котором этап обеспечения цифрового аудиосигнала содержит обеспечение синтезированного голосового контента.

3. Способ по п.1, в котором этап обеспечения значения энергии содержит, по меньшей мере частично, оценку значения энергии в зависимости, по меньшей мере частично, от цифрового аудиосигнала.

4. Способ по п.1, в котором этап использования значения энергии содержит, по меньшей мере частично, использование значения энергии для доступа к таблице поиска, содержащей множество соответствующих возможных форм огибающей спектра.

5. Способ по п.1, в котором энергия вне ширины полосы сигнала содержит энергию, которая соответствует сигнальному контенту, который выше по частоте, чем соответствующая ширина полосы сигнала цифрового аудиосигнала.

6. Способ по п.1, в котором энергия вне ширины полосы сигнала содержит энергию, которая соответствует сигнальному контенту, который ниже по частоте, чем соответствующая ширина полосы сигнала цифрового аудиосигнала.

7. Способ по п.1, дополнительно содержащий этап, на котором
объединяют цифровой аудиосигнал с контентом вне ширины полосы сигнала, чтобы обеспечить расширенную по полосе пропускания версию цифрового аудиосигнала, подлежащего слышимому воспроизведению, чтобы, тем самым, повысить соответствующее аудиокачество цифрового аудиосигнала, воспроизводимого таким образом.

8. Способ по п.7, в котором контент вне ширины полосы сигнала дополнительно содержит часть контента, которая находится в пределах соответствующей ширины полосы сигнала.

9. Способ по п.8, в котором этап объединения цифрового аудиосигнала с контентом вне ширины полосы сигнала дополнительно содержит объединение части контента, которая находится в пределах соответствующей ширины полосы сигнала, с соответствующей внутриполосной частью цифрового аудиосигнала.

10. Устройство для расширения ширины полосы аудиосигнала, содержащее
вход, сконфигурированный и выполненный с возможностью приема цифрового аудиосигнала, имеющего соответствующую ширину полосы сигнала;
процессор, функционально соединенный с входом, сконфигурированный и выполненный с возможностью:
обеспечения значения энергии, которая соответствует, по меньшей мере, оценке энергии вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу;
использования значения энергии и набора индексированных по энергии форм, чтобы определить форму огибающей спектра для контента вне ширины полосы сигнала, которая соответствует цифровому аудиосигналу.



 

Похожие патенты:

Изобретение относится к обработке сигналов. .

Изобретение относится к радиотехнике и может быть использовано при кодировании цифрового широкополосного сигнала. .

Изобретение относится к измерительной технике и может быть использовано для измерения давления газов и их смесей, не содержащих конденсирующих компонентов. .

Изобретение относится к измерительной вакуумной технике. .

Изобретение относится к измерительной технике. .

Изобретение относится к измерительной технике и позволяет упростить измерение давления. .
Наверх