音声符号化は、音声を含むデジタル音声信号へのデータ圧縮の応用です。音声符号化では、音声信号処理技術を用いた音声固有のパラメータ推定によって音声信号をモデル化し、汎用的なデータ圧縮アルゴリズムと組み合わせて、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としては、携帯電話とVoIP（Voice over IP）が挙げられます。[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）であり、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。[要出典]

音声符号化に用いられる技術は、音声データ圧縮や音声符号化に用いられる技術と類似しており、心理音響学の知見に基づき、人間の聴覚系に関係のあるデータのみを伝送します。例えば、音声帯域音声符号化では、400Hzから3500Hzの周波数帯域の情報のみが伝送されますが、再構成された信号は十分な明瞭度を維持します。

音声符号化は、音声が他の音声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可能であるという点で、他の形式のオーディオ符号化とは異なります。その結果、一般的なオーディオ符号化において重要な聴覚情報の一部は、音声符号化の文脈では不要となる場合があります。音声符号化は、限られた伝送データ量を用いながら、音声の明瞭度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、遅延が音声インタラクションに影響を及ぼすため、符号化遅延を低く抑えることが求められます。[4]

カテゴリー

音声符号化器には2つのクラスがある: [5]

  1. 波形コーダ
  2. ボコーダー

音声符号化の一形態として見たサンプル圧縮

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、音声符号化の前身と言えるもので、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、低振幅の音声信号に低振幅のノイズが混入しても、高振幅のノイズによってマスクされるという点で、人間の聴覚特性と一致しています。これは音楽信号では許容できない歪みを生じますが、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いう音声のシンプルな周波数構造とが相まって、これらの非常にシンプルな瞬間圧縮アルゴリズムは音声信号として許容できるものとなっています。[要出典] [疑わしい–議論が必要]

当時、デルタ変調方式を中心とした様々なアルゴリズムが試されましたが、初期のデジタル電話システムの設計者は慎重に検討を重ねた結果、A-law/μ-lawアルゴリズムを選択しました。設計当時、非常に低い複雑性で33%の帯域幅削減を実現したこのアルゴリズムは、優れた技術的妥協点でした。音声性能は依然として良好であり、固定電話網で置き換える必要はありませんでした。[要出典]

2008年には、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ました。入力サンプリングレートは16kHzです。[8]

現代の音声圧縮

音声圧縮におけるその後の研究の多くは、軍事研究、すなわち軍用無線のセキュリティ確保のためのデジタル通信に関する研究に端を発しており、敵対的な無線環境下でも効率的な運用を実現するために、非常に低いデータレートが採用されていました。同時に、VLSI回路という形で、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は、1960年代よりもはるかに複雑な技術を用いて、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、例えばGSM規格で使用されています。CELPでは、モデリングは2段階に分かれています。1段階目はスペクトル包絡線をモデル化する線形予測段階、2段階目はコードブックに基づく線形予測モデルの残差モデルです。CELPでは、線形予測係数（LPC）は通常、線スペクトル対（LSP）として計算され、量子化されます。信号の実際の音声符号化に加えて、伝送誤りによる損失を回避するために、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。最良の全体的な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手法はペアで選択され、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フォーマットで使用される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することで、最大限の効率を実現します。[14] [15] WhatsAppのVoIP通話で広く利用されています。[16] [17] [18] PlayStation 4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開発されています。最低450ビット/秒のビットレートで動作するCodec2は、アマチュア無線で使用されています。[20] NATOは現在、 600ビット/秒以下でも明瞭な音声を提供するMELPeを使用しています。 [21]ニューラルボコーダーを用いたアプローチも登場しています。GoogleのLyraは、3kビット/秒で「不気味なほど」の音質を実現しています。[22] MicrosoftのSatinも機械学習を採用していますが、より高い調整可能なビットレートを使用し、広帯域です。[23]

サブフィールド

広帯域オーディオコーディング
狭帯域オーディオコーディング

参照

参考文献

  1. ^ Arjona Ramírez, M.; Minam, M. (2003). 「低ビットレート音声符号化」. Wiley Encyclopedia of Telecommunications, JG Proakis編. 3.ニューヨーク: Wiley: 1299–1308 .
  2. ^ 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。
  3. ^ 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。
  4. ^ JH Chen, RV Cox, Y.-C. Lin, NS Jayant, MJ Melchner, CCITT 16 kb/s音声符号化規格に対応した低遅延CELP符号化器. IEEE J. Select. Areas Commun. 10(5): 830-849, 1992年6月.
  5. ^ “Soo Hyun Bae, ECE 8873 Data Compression & Modeling, Georgia Institute of Technology, 2004”. 2006年9月7日時点のオリジナルよりアーカイブ。
  6. ^ 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。
  7. ^ Jayant, NS; Noll, P. (1984).波形のデジタル符号化. Englewood Cliffs: Prentice-Hall.
  8. ^ 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年、2022年12月24日取得
  9. ^ 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)からのアーカイブ。 2019年10月18日閲覧。
  10. ^ Schnell, Markus; Schmidt, Markus; Jander, Manuel; Albert, Tobias; Geiger, Ralf; Ruoppila, Vesa; Ekstrand, Per; Bernhard, Grill (2008年10月). MPEG-4 Enhanced Low Delay AAC - 高品質通信のための新規格(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.
  11. ^ Nagireddi, Sivannarayana (2008). VoIP音声およびFAX信号処理. John Wiley & Sons . p. 69. ISBN 9780470377864。
  12. ^ ダニエル・エラン・ディルガー (2010年6月8日). 「iPhone 4の裏側：FaceTimeビデオ通話」. AppleInsider . 2010年6月9日閲覧。
  13. ^ CELTコーデックのプレゼンテーションは、2011年8月7日にWayback Machineで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してください）
  14. ^ 「Opus Codec」. Opus (ホームページ). Xiph.org Foundation . 2012年7月31日閲覧。
  15. ^ Valin, Jean-Marc; Maxwell, Gregory; Terriberry, Timothy B.; Vos, Koen (2013年10月). Opusコーデックによる高品質・低遅延音楽コーディング. 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 .
  16. ^ レイデン、ジョン（2015年10月27日）「WhatsAppの実態が明らかに：情報吸い上げアプリの実態が明らかに」The Register 。 2019年10月19日閲覧。
  17. ^ 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。
  18. ^ 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：問題点、事例研究、そして予防策」 Le, Dac-Nhuong; Kumar, Raghvendra; Mishra, Brojo Kishore; Chatterjee, Jyotir Moy; Khari, Manju (編). 『並列・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、応用、そして事例研究』 John Wiley & Sons. pp. 187–206 (200). doi :10.1002/9781119488330.ch12. ISBN 9781119488057. S2CID  214034702。
  19. ^ 「PlayStation4で使用されているオープンソースソフトウェア」。ソニー・インタラクティブエンタテインメント。 2017年12月11日閲覧。[検証に失敗しました]
  20. ^ “GitHub - Codec2”. GitHub . 2019年11月.
  21. ^ 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用い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
  22. ^ Buckley, Ian (2021年4月8日). 「Google、Lyra低ビットレート音声コーデックを公開」MakeUseOf . 2022年7月21日閲覧。
  23. ^ Levent-Levi, Tsahi (2021-04-19). 「Lyra、Satin、そしてWebRTCにおける音声コーデックの将来」BlogGeek.me . 2022年7月21日閲覧。
  24. ^ 「LPCNet：効率的なニューラル音声合成」。Xiph.Org Foundation。2023年8月8日。
  • ITU-T電気通信システム試験信号試験サンプル
  • ITU-T 音声品質知覚評価（PESQ）ツール 出典