Loading article…
音声符号化は、音声を含むデジタルオーディオ信号にデータ圧縮を適用する技術です。音声符号化では、オーディオ信号処理技術を使用して音声固有のパラメータ推定を行い、音声信号をモデル化します。また、汎用データ圧縮アルゴリズムと組み合わせて、結果として得られるモデル化されたパラメータをコンパクトなビットストリームで表現します。[1]
音声符号化の一般的な用途は、携帯電話とVoIP（ Voice over IP）です。[2]携帯電話で最も広く使用されている音声符号化技術は線形予測符号化（LPC）ですが、VoIPアプリケーションで最も広く使用されているのはLPCと修正離散コサイン変換（MDCT）技術です。[引用が必要]
音声符号化に用いられる技術は、音響心理学の理解を利用して人間の聴覚系に関連するデータのみを送信するオーディオ データ圧縮やオーディオ符号化に用いられる技術と似ています。たとえば、音声帯域音声符号化では、400 ～ 3500 Hz の周波数帯域の情報のみが送信されますが、再構成された信号は十分な明瞭度を維持します。
音声コーディングは、音声が他のオーディオ信号よりも単純な信号であり、音声の特性に関する統計情報が利用できるという点で、他の形式のオーディオコーディングとは異なります。その結果、一般的なオーディオコーディングに関連する聴覚情報の一部は、音声コーディングのコンテキストでは不要になる可能性があります。音声コーディングでは、送信データの量を制限しながら、音声の明瞭性と心地よさを維持することに重点が置かれています。 [3]さらに、ほとんどの音声アプリケーションでは、遅延が音声のやり取りを妨げるため、コーディングの遅延を低く抑える必要があります。 [4]
カテゴリー
音声符号化器には2つのクラスがある: [5]
- 波形コーダ
- 時間領域: PCM、ADPCM
- 周波数領域:サブバンドコーディング、ATRAC
- ボコーダー
- 線形予測符号化(LPC)
- フォルマントコーディング
- 機械学習、すなわちニューラルボコーダー[6]
音声コーディングの一形態として捉えたサンプル圧縮
G.711 PCMデジタル電話で使用されるA -lawおよびμ-law アルゴリズムは、音声エンコードの先駆けと見なすことができます。サンプルあたり 8 ビットしか必要とせず、実質的に 12ビットの解像度を提供します。[7]対数圧縮は、低振幅のノイズが低振幅の音声信号に沿って聞こえるが、高振幅の音声信号によってマスクされるという点で、人間の聴覚と一致しています。これは音楽信号では許容できない歪みを生成しますが、音声波形のピーク特性と、単一の基本周波数を持ち、時折ノイズバーストが加わる周期波形としての音声の単純な周波数構造とを組み合わせると、これらの非常に単純な瞬間圧縮アルゴリズムは音声に受け入れられます。[要出典] [疑わしい–議論]
当時は、デルタ変調のバリエーションを中心に、さまざまなアルゴリズムが試されましたが、慎重に検討した結果、初期のデジタル電話システムの設計者によって A-law/μ-law アルゴリズムが選択されました。設計当時、非常に低い複雑さで 33% の帯域幅削減が実現されたため、エンジニアリング上の妥協点として最適でした。オーディオ パフォーマンスは依然として許容範囲内であり、固定電話ネットワークでこれらを置き換える必要はありませんでした。[要出典]
2008年にスケーラブルな構造を持つG.711.1コーデックがITU-Tによって標準化された。入力サンプリングレートは16kHzである。[8]
現代の音声圧縮
その後の音声圧縮に関する研究の多くは、軍事研究による安全な軍用無線用のデジタル通信がきっかけとなり、過酷な無線環境でも効果的な運用を実現するために非常に低いデータ レートが使用されました。同時に、VLSI 回路の形で、以前の圧縮技術よりもはるかに高い処理能力が利用可能になりました。その結果、現代の音声圧縮アルゴリズムでは、1960 年代に利用可能だったものよりもはるかに複雑な技術を使用して、はるかに高い圧縮率を実現できるようになりました。
最も広く使用されている音声符号化アルゴリズムは、線形予測符号化(LPC)に基づいています。 [9]特に、最も一般的な音声符号化方式は、LPC ベースのコード励起線形予測(CELP) 符号化であり、これはGSM標準などで使用されています。CELP では、モデリングは 2 つの段階に分かれており、1 つはスペクトル エンベロープをモデル化する線形予測段階、もう 1 つは線形予測モデルの残差のコードブック ベース モデルです。CELP では、線形予測係数 (LPC) が計算され、通常は線スペクトル ペア(LSP) として量子化されます。信号の実際の音声符号化に加えて、伝送エラーによる損失を避けるために、伝送にチャネル符号化を使用する必要があることがよくあります。全体的に最良の符号化結果を得るために、音声符号化とチャネル符号化の方法がペアで選択され、音声データ ストリーム内のより重要なビットは、より堅牢なチャネル符号化によって保護されます。
修正離散コサイン変換（MDCT）は、 1999年に導入されたAAC-LD形式で使用されているLD-MDCT技術で使用されています。[10] MDCTはそれ以来、 2006年に導入されたG.729.1広帯域オーディオコーデック、[11] 2010年に導入されたAppleのFaceTime（AAC-LDを使用）、[12] 2011年に導入されたCELTコーデックなど、VoIP（ Voice -over-IP ）アプリケーションで広く採用されています。 [13]
Opus はフリーソフトウェアのオーディオコーダです。音声指向の LPC ベースのSILKアルゴリズムと低遅延の MDCT ベースの CELT アルゴリズムを組み合わせ、必要に応じて切り替えたり組み合わせたりして効率を最大限に高めます。[14] [15] WhatsAppの VoIP 通話に広く使用されています。[16] [17] [18] PlayStation 4ビデオゲームコンソールも、PlayStation Networkシステムのパーティーチャットに Opus を使用しています。[19]
さらに低いビットレートのコーデックも数多く実証されている。最低450ビット/秒のビットレートで動作するコーデック2は、アマチュア無線で使用されている。[20] NATOは現在、600ビット/秒以下で明瞭な音声を提供するMELPeを使用している。 [21]ニューラルボコーダーのアプローチも登場しており、 GoogleのLyraは3kビット/秒で「ほとんど不気味な」音質を実現している。[22] MicrosoftのSatinも機械学習を使用しているが、より高い調整可能なビットレートを使用し、広帯域である。[23]
サブフィールド
- 広帯域オーディオコーディング
- 線形予測符号化(LPC)
- 修正離散コサイン変換(MDCT)
- 適応差分パルス符号変調(ADPCM)
- VoIP 用G.722
- ニューラル音声コーディング
- 狭帯域オーディオコーディング
参照
参考文献
- ^ Arjona Ramírez, M.; Minam, M. (2003). 「低ビットレート音声コーディング」Wiley Encyclopedia of Telecommunications、JG Proakis 編、3。ニューヨーク: Wiley: 1299– 1308。
- ^ M. Arjona Ramírez および M. Minami、「低ビットレート ボコーディング方式のテクノロジと標準」、『The Handbook of Computer Networks』、H. Bidgoli 編、ニューヨーク: Wiley、2011 年、第 2 巻、447 ～ 467 ページ。
- ^ P. Kroon、「音声コーダーの評価」、音声コーディングと合成、W. Bastiaan Kleijn および KK Paliwal 編、アムステルダム: Elsevier Science、1995 年、467-494 ページ。
- ^ JH Chen、RV Cox、Y.-C. Lin、NS Jayant、およびMJ Melchner、「CCITT 16 kb/s音声符号化規格向けの低遅延CELPコーダ」IEEE J. Select. Areas Commun. 10(5): 830-849、1992年6月。
- ^ 「Soo Hyun Bae、ECE 8873 データ圧縮とモデリング、ジョージア工科大学、2004」。2006年9月7日時点のオリジナルよりアーカイブ。
- ^ ニール・ゼギドール;リューブス、アレハンドロ。オムラン、アハメッド。ヤン・スコグランド。タグリアサッキ、マルコ (2022)。 「SoundStream: エンドツーエンドのニューラル オーディオ コーデック」。オーディオ、音声、言語処理に関する IEEE/ACM トランザクション。30 : 495–507.arXiv : 2107.03312。土井：10.1109/TASLP.2021.3129994。S2CID 236149944。
- ^ Jayant, NS; Noll, P. (1984).波形のデジタルコーディング。Englewood Cliffs: Prentice-Hall。
- ^ G.711.1 : G.711 パルス符号変調のための広帯域埋め込み拡張、ITU-T、2012 、 2022-12-24取得
- ^ Gupta, Shipra (2016年5月). 「テキスト非依存型話者認識におけるMFCCの応用」(PDF) . International Journal of Advanced Research in Computer Science and Software Engineering . 6 (5): 805–810 (806). ISSN 2277-128X. S2CID 212485331. 2019年10月18日時点の オリジナル(PDF)からアーカイブ。 2019年10月18日閲覧。
- ^ Schnell, Markus; Schmidt, Markus; Jander, Manuel; Albert, Tobias; Geiger, Ralf; Ruoppila, Vesa; Ekstrand, Per; Bernhard, Grill (2008 年 10 月)。MPEG-4 拡張低遅延 AAC - 高品質通信の新標準(PDF)。第 125 回 AES コンベンション。Fraunhofer IIS。オーディオ エンジニアリング協会。2019年10 月 20 日閲覧。
- ^ Nagireddi, Sivannarayana (2008). VoIP 音声および FAX 信号処理。John Wiley & Sons。p. 69。ISBN 9780470377864。
- ^ Daniel Eran Dilger (2010 年 6 月 8 日)。「iPhone 4 の中身: FaceTime ビデオ通話」AppleInsider。2010年6 月 9 日閲覧。
- ^ CELT コーデックのプレゼンテーションは、Wayback Machineで 2011-08-07 にTimothy B. Terriberry によってアーカイブされました (65 分のビデオ、PDF のプレゼンテーション スライドも参照)
- ^ 「Opus Codec」。Opus (ホームページ)。Xiph.org Foundation 。 2012年7月31日閲覧。
- ^ Valin, Jean-Marc; Maxwell, Gregory; Terriberry, Timothy B.; Vos, Koen (2013 年 10 月)。Opusコーデックでの高品質、低遅延の音楽コーディング。第 135 回 AES コンベンション。オーディオ エンジニアリング協会。arXiv : 1602.04845。
- ^ レイデン、ジョン（2015年10月27日）。「WhatsAppの実態が明らかに：情報収集アプリの内部を調査」The Register 。 2019年10月19日閲覧。
- ^ ハズラ、スディップ;マテティ、プラバーカー（2017年9月13～16日）。 「Android フォレンジックの課題」。タンピにて、サブ M.ペレス、グレゴリオ・マルティネス。ウェストファル、カルロス・ベッカー。胡建君。ファン、チュンアイ。マルモル、フェリックス・ゴメス（編）。コンピューティングと通信におけるセキュリティ: 第 5 回国際シンポジウム、SSCC 2017。スプリンガー。 286–299ページ（290）。土井：10.1007/978-981-10-6898-0_24。ISBN 9789811068980。
- ^ Srivastava, Saurabh Ranjan; Dube, Sachin; Shrivastaya, Gulshan; Sharma, Kavita (2019). 「スマートフォンが引き起こすセキュリティ上の課題: 問題、ケーススタディ、予防」。Le, Dac-Nhuong; Kumar, Raghvendra; Mishra, Brojo Kishore; Chatterjee, Jyotir Moy; Khari, Manju (編)。並列および分散コンピューティングにおけるサイバーセキュリティ: 概念、手法、アプリケーション、ケーススタディ。John Wiley & Sons。pp. 187–206 (200). doi :10.1002/9781119488330.ch12。ISBN 9781119488057. S2CID 214034702。
- ^ 「PlayStation4で使用されるオープンソースソフトウェア」。Sony Interactive Entertainment Inc. 2017年12月11日閲覧。[検証に失敗しました]
- ^ 「GitHub - Codec2」。GitHub 。 2019年11月。
- ^ アラン・マクリー、「MELP パラメータのジョイント予測ベクトル量子化を使用したスケーラブルな音声ボコーダ フレームワーク」、Proc. IEEE Int. Conf. Acoust., Speech, Signal Processing、2006、pp. I 705–708、トゥールーズ、フランス
- ^ Buckley, Ian (2021-04-08). 「Google が Lyra 低ビットレート音声コーデックを公開」MakeUseOf . 2022-07-21閲覧。
- ^ Levent-Levi, Tsahi (2021-04-19). 「Lyra、Satin、WebRTC の音声コーデックの将来」BlogGeek.me . 2022-07-21閲覧。
- ^ 「LPCNet: 効率的なニューラル音声合成」。Xiph.Org Foundation。2023年8月8日。
外部リンク
- ITU-T 電気通信システムテスト信号テストサンプル
- ITU-T 音声品質知覚評価 (PESQ) ツール ソース