stringtranslate.com

Codificación de voz

La codificación de voz es una aplicación de la compresión de datos a señales de audio digitales que contienen voz . La codificación de voz utiliza la estimación de parámetros específicos de voz mediante técnicas de procesamiento de señales de audio para modelar la señal de voz, combinadas con algoritmos de compresión de datos genéricos para representar los parámetros modelados resultantes en un flujo de bits compacto. [1]

Las aplicaciones más comunes de la codificación de voz son la telefonía móvil y la voz sobre IP (VoIP). [2] La técnica de codificación de voz más utilizada en telefonía móvil es la codificación predictiva lineal (LPC), mientras que las más utilizadas en aplicaciones de VoIP son las técnicas LPC y de transformada de coseno discreta modificada (MDCT). [ cita requerida ]

Las técnicas empleadas en la codificación del habla son similares a las que se emplean en la compresión de datos de audio y la codificación de audio , donde se utiliza la apreciación de la psicoacústica para transmitir solo datos que son relevantes para el sistema auditivo humano. Por ejemplo, en la codificación del habla en banda vocal , solo se transmite información en la banda de frecuencia de 400 a 3500 Hz, pero la señal reconstruida conserva una inteligibilidad adecuada .

La codificación de voz se diferencia de otras formas de codificación de audio en que el habla es una señal más simple que otras señales de audio y hay información estadística disponible sobre las propiedades del habla. Como resultado, cierta información auditiva que es relevante en la codificación de audio general puede ser innecesaria en el contexto de la codificación de voz. La codificación de voz enfatiza la preservación de la inteligibilidad y el agrado del habla mientras se utiliza una cantidad restringida de datos transmitidos. [3] Además, la mayoría de las aplicaciones de voz requieren un bajo retardo de codificación, ya que la latencia interfiere con la interacción del habla. [4]

Categorías

Los codificadores de voz son de dos clases: [5]

  1. Codificadores de forma de onda
  2. Codificadores de voz

La compresión y compresión de muestras considerada como una forma de codificación del habla

Los algoritmos de ley A y ley μ utilizados en la telefonía digital PCM G.711 pueden considerarse precursores de la codificación de voz, que requieren solo 8 bits por muestra pero que brindan efectivamente 12 bits de resolución . [7] La ​​compresión logarítmica es consistente con la percepción auditiva humana en el sentido de que se escucha un ruido de baja amplitud junto con una señal de voz de baja amplitud, pero está enmascarado por una de alta amplitud. Aunque esto generaría una distorsión inaceptable en una señal musical, la naturaleza puntiaguda de las formas de onda del habla, combinada con la estructura de frecuencia simple del habla como una forma de onda periódica que tiene una frecuencia fundamental única con ráfagas de ruido agregadas ocasionales, hacen que estos algoritmos de compresión instantánea muy simples sean aceptables para el habla. [ cita requerida ] [ dudosodiscutir ]

En esa época se probaron una amplia variedad de otros algoritmos, en su mayoría variantes de modulación delta , pero después de una cuidadosa consideración, los diseñadores de los primeros sistemas de telefonía digital eligieron los algoritmos A-law/μ-law. En el momento de su diseño, su reducción del ancho de banda del 33% para una complejidad muy baja constituía un excelente compromiso de ingeniería. Su rendimiento de audio sigue siendo aceptable y no hubo necesidad de reemplazarlos en la red telefónica estacionaria. [ cita requerida ]

En 2008, la ITU-T estandarizó el códec G.711.1 , que tiene una estructura escalable. La frecuencia de muestreo de entrada es de 16 kHz. [8]

Compresión de voz moderna

Gran parte del trabajo posterior en compresión de voz estuvo motivado por la investigación militar en comunicaciones digitales para radios militares seguras , donde se utilizaban velocidades de datos muy bajas para lograr un funcionamiento eficaz en un entorno de radio hostil. Al mismo tiempo, se disponía de mucha más potencia de procesamiento , en forma de circuitos VLSI , que la disponible para las técnicas de compresión anteriores. Como resultado, los algoritmos de compresión de voz modernos podían utilizar técnicas mucho más complejas que las disponibles en la década de 1960 para lograr relaciones de compresión mucho más altas.

Los algoritmos de codificación de voz más utilizados se basan en la codificación predictiva lineal (LPC). [9] En particular, el esquema de codificación de voz más común es la codificación de predicción lineal excitada por código (CELP) basada en LPC, que se utiliza, por ejemplo, en el estándar GSM . En CELP, el modelado se divide en dos etapas, una etapa predictiva lineal que modela la envolvente espectral y un modelo basado en libro de códigos del residuo del modelo predictivo lineal. En CELP, los coeficientes de predicción lineal (LPC) se calculan y cuantifican, generalmente como pares espectrales de línea (LSP). Además de la codificación de voz real de la señal, a menudo es necesario utilizar la codificación de canal para la transmisión, para evitar pérdidas debido a errores de transmisión. Para obtener los mejores resultados de codificación generales, los métodos de codificación de voz y codificación de canal se eligen en pares, con los bits más importantes en el flujo de datos de voz protegidos por una codificación de canal más robusta.

La transformada de coseno discreta modificada (MDCT) se utiliza en la técnica LD-MDCT utilizada por el formato AAC-LD introducido en 1999. [10] Desde entonces, la MDCT ha sido ampliamente adoptada en aplicaciones de voz sobre IP (VoIP), como el códec de audio de banda ancha G.729.1 introducido en 2006, [11] FaceTime de Apple (que utiliza AAC-LD) introducido en 2010, [12] y el códec CELT introducido en 2011. [13]

Opus es un codificador de audio de software libre . Combina el algoritmo SILK basado en LPC orientado al habla y el algoritmo CELT basado en MDCT de menor latencia, alternando entre ellos o combinándolos según sea necesario para lograr la máxima eficiencia. [14] [15] Se usa ampliamente para llamadas VoIP en WhatsApp . [16] [17] [18] La consola de videojuegos PlayStation 4 también usa Opus para su sistema de chat grupal PlayStation Network . [19]

Se han demostrado varios códecs con velocidades de bits incluso más bajas. El Codec2 , que funciona a velocidades de bits tan bajas como 450 bit/s, se utiliza en radioaficionados. [20] La OTAN utiliza actualmente MELPe , que ofrece voz inteligible a 600 bit/s y menos. [21] También han surgido enfoques de vocoder neuronal: Lyra de Google ofrece una calidad "casi espeluznante" a 3 kbit/s. [22] Satin de Microsoft también utiliza aprendizaje automático, pero utiliza una tasa de bits ajustable más alta y es de banda ancha. [23]

Subcampos

Codificación de audio de banda ancha
Codificación de audio de banda estrecha

Véase también

Referencias

  1. ^ Arjona Ramírez, M.; Minam, M. (2003). "Codificación de voz a baja tasa de bits". Wiley Encyclopedia of Telecommunications, JG Proakis, Ed . 3. Nueva York: Wiley: 1299–1308.
  2. ^ M. Arjona Ramírez y M. Minami, "Tecnología y estándares para métodos de vocodificación de baja tasa de bits", en The Handbook of Computer Networks, H. Bidgoli, Ed., Nueva York: Wiley, 2011, vol. 2, págs. 447–467.
  3. ^ P. Kroon, "Evaluación de codificadores de voz", en Speech Coding and Synthesis, W. Bastiaan Kleijn y KK Paliwal, Ed., Amsterdam: Elsevier Science, 1995, págs.
  4. ^ JH Chen, RV Cox, Y.-C. Lin, NS Jayant y MJ Melchner, Un codificador CELP de bajo retardo para el estándar de codificación de voz CCITT de 16 kb/s. IEEE J. Select. Areas Commun. 10(5): 830-849, junio de 1992.
  5. ^ "Soo Hyun Bae, ECE 8873 Compresión y modelado de datos, Instituto Tecnológico de Georgia, 2004". Archivado desde el original el 7 de septiembre de 2006.
  6. ^ Zeghidour, Neil; Luebs, Alejandro; Omran, Ahmed; Skoglund, enero; Tagliasacchi, Marco (2022). "SoundStream: un códec de audio neuronal de extremo a extremo". Transacciones IEEE/ACM sobre procesamiento de audio, voz y lenguaje . 30 : 495–507. arXiv : 2107.03312 . doi :10.1109/TASLP.2021.3129994. S2CID  236149944.
  7. ^ Jayant, NS; Noll, P. (1984). Codificación digital de formas de onda . Englewood Cliffs: Prentice-Hall.
  8. ^ G.711.1: Extensión integrada de banda ancha para modulación de código de pulso G.711, ITU-T, 2012 , consultado el 24 de diciembre de 2022
  9. ^ Gupta, Shipra (mayo de 2016). "Aplicación de MFCC en el reconocimiento de locutor independiente del texto" (PDF) . Revista internacional de investigación avanzada en informática e ingeniería de software . 6 (5): 805–810 (806). ISSN  2277-128X. S2CID  212485331. Archivado desde el original (PDF) el 18 de octubre de 2019. Consultado el 18 de octubre de 2019 .
  10. ^ Schnell, Markus; Schmidt, Markus; Jander, Manuel; Albert, Tobias; Geiger, Ralf; Ruoppila, Vesa; Ekstrand, Per; Bernhard, Grill (octubre de 2008). MPEG-4 Enhanced Low Delay AAC: un nuevo estándar para comunicaciones de alta calidad (PDF) . 125.ª Convención AES. Fraunhofer IIS . Sociedad de Ingeniería de Audio . Consultado el 20 de octubre de 2019 .
  11. ^ Nagireddi, Sivannarayana (2008). Procesamiento de señales de voz y fax VoIP. John Wiley & Sons . pág. 69. ISBN 9780470377864.
  12. Daniel Eran Dilger (8 de junio de 2010). «Dentro del iPhone 4: videollamadas FaceTime». AppleInsider . Consultado el 9 de junio de 2010 .
  13. ^ Presentación del códec CELT Archivado el 7 de agosto de 2011 en Wayback Machine por Timothy B. Terriberry (65 minutos de vídeo, véase también las diapositivas de la presentación en formato PDF)
  14. ^ "Opus Codec". Opus (página de inicio). Fundación Xiph.org . Consultado el 31 de julio de 2012 .
  15. ^ Valin, Jean-Marc; Maxwell, Gregory; Terriberry, Timothy B.; Vos, Koen (octubre de 2013). Codificación de música de alta calidad y bajo retardo en el códec Opus . 135.ª Convención de la AES. Sociedad de Ingeniería de Audio . arXiv : 1602.04845 .
  16. ^ Leyden, John (27 de octubre de 2015). "WhatsApp al descubierto: se investigan las entrañas de una aplicación que absorbe información". The Register . Consultado el 19 de octubre de 2019 .
  17. ^ Hazra, Sudip; Mateti, Prabhaker (13 al 16 de septiembre de 2017). "Desafíos en la ciencia forense de Android". En Thampi, Sabu M.; Pérez, Gregorio Martínez; Westphall, Carlos Becker; Hu, Jiankun; Fan, Chun I.; Mármol, Félix Gómez (eds.). Seguridad en Computación y Comunicaciones: 5to Simposio Internacional, SSCC 2017 . Saltador. págs. 286–299 (290). doi :10.1007/978-981-10-6898-0_24. ISBN 9789811068980.
  18. ^ Srivastava, Saurabh Ranjan; Dube, Sachin; Shrivastaya, Gulshan; Sharma, Kavita (2019). "Desafíos de seguridad activados por teléfonos inteligentes: problemas, estudios de casos y prevención". En Le, Dac-Nhuong; Kumar, Raghvendra; Mishra, Brojo Kishore; Chatterjee, Jyotir Moy; Khari, Manju (eds.). Ciberseguridad en computación paralela y distribuida: conceptos, técnicas, aplicaciones y estudios de casos . John Wiley & Sons. págs. 187–206 (200). doi :10.1002/9781119488330.ch12. ISBN 9781119488057. Número de identificación del sujeto  214034702.
  19. ^ "Software de código abierto utilizado en PlayStation4". Sony Interactive Entertainment Inc. Consultado el 11 de diciembre de 2017 .[ verificación fallida ]
  20. ^ "GitHub - Codec2". GitHub . Noviembre de 2019.
  21. ^ Alan McCree, “Un marco de trabajo de vocoder fonético escalable que utiliza cuantificación vectorial predictiva conjunta de parámetros MELP”, en Proc. IEEE Int. Conf. Acoust., Speech, Signal Processing, 2006, págs. I 705–708, Toulouse, Francia
  22. ^ Buckley, Ian (8 de abril de 2021). "Google hace público su códec de voz de baja tasa de bits Lyra". MakeUseOf . Consultado el 21 de julio de 2022 .
  23. ^ Levent-Levi, Tsahi (19 de abril de 2021). "Lyra, Satin y el futuro de los códecs de voz en WebRTC". BlogGeek.me . Consultado el 21 de julio de 2022 .
  24. ^ "LPCNet: Síntesis de voz neuronal eficiente". Fundación Xiph.Org. 8 de agosto de 2023.

Enlaces externos