lpc10原理和实现代码解析

1.前言本文档纯粹是个人理解，正确或错误请大家自己判别。另外，如果对此文档有改进建议，欢迎和我联系:[e-mail]基本原理LPC就是线性预测编码。从时域的角度，就是用历史的输出值，和当前的输入值，来判别当前的输出值。从传递函数的角度（Z变换），通常的传递函数既有零点，也有极点：∑∑=−=−−−=NiiiMjjjzazbGzH111)1()(理论上证明（我真的不知道如何证明的）如果分母的阶数够高，那么传递函数可以用全极点函数表示：)(1)(1zAGzaGzHNiii=−=∑=−通常我们都是取一小段语音来认为传递函数的参数a(i)是不变的。问题是，这样的长度N到底取多长？一方面，N越小，计算量也小，同时语音段的变化也越小。但是，如果期望用lpc的残差来估算pitch周期的话，那么就意味着N至少要是pitch周期的若干倍才行。通常取N为100~400（10KHz采样率）。对于一小段语音，可以认为传递函数的参数a(i)是不变的。这样，语音就可以用这样一些参数a(i)和输入激励来表示。至于为什么用全极点，而不用包含零点的传递函数来预测？主要是计算方便方面的原因。同时，极点可以代表语音频谱结构里面的峰值，也就是formant频率，下面有解释。其实对于鼻音，他们在传递函数上体现为零点，所以全极点类型对这种语音的代表是不完全的，尽管极点阶数高了，可以尽可能模拟零点。如上图，语音的输入激励其实就2种情况：voice是周期序列u(n)，而unvoice是白噪声。那传递函数用多少阶极点比较合适呢？这就要对这个传递函数的物理意义进行理解。上图是一小段语音的原始频谱和不同极点阶数的LPC传递函数的对比图。从上面不难看到，阶数越高，那么对频谱的峰值匹配的越好。但是频谱的细节是丢失的。这点可以这样理解：¾频谱中的细节，其实是pitch的反映。而LPC只和昀近的几个输出语音相关，所以完全不能够覆盖到足以体现pitch周期的样本数量。也就是时域压缩，频域模糊。¾同时，LPC传递函数的极点，其实就是频谱中的峰值点的体现。在阶数p的选择上，和采样频率有关。人的语音基本上每KHz有2个极点（或一个复数极点）。这是vocaltract的贡献。这样，当采样频率为Fs(KHz)时候，需要Fs个pole来表示语音频谱。另外，还需要3~4个pole来表示源激励频谱和嘴巴辐射频谱，这样对于10Khz采样的语音，p值为13~14个。对于4KHz语音的分析而言，通常需要显示的共振峰至少4个，也就是说传递函数（或滤波器）的阶数至少8个。¾由于LPC传递函数没有零点，所以对频谱的波谷的模拟相对较差。理解到这来，LPC合成语音已经没有问题了。就是找出预测系数，再用激励输入，就得到输出语音了。可是，我们面对下一个问题：对于现成的语音，如何提取预测系数？好，现在抛开LPC什么的。我们还是用线性预测的思路，来考虑用历史值表示当前值：∑=−=pkkknsans1)()(~并试图找出误差昀小的a(k)的值。这种事情有些像数据模拟中的昀小二乘法之类的工作。不外乎就是计算误差，并对a(k)求导，取极值为0，来计算a(k)，如下：∑=−−=−=pkkknsansnsnsne1)()()(~)()(对应的传递函数为：。于是，LPC的语音合成传递函数和误差传递函数就走到一起去了：∑=−−=pkkkzazA11)()()(zAGzH=。同时，e(n)也就成为了输入激励Gu(n)。所以A(z)也叫inversefilter。通过这个A(Z)，就得到了语音合成时候的原始输入Gu(n)。这也就是对现有语音进行lpc参数计算的时候，得到残差的物理意义。通过这个残差，也得到语音合成的输入，并可以用来判别是否是voice/unvoice，以及提取pitch。当然，在依照语音来计算a(k)的时候，不同的算法，会得到不同精度的残差。自相关方法简单，但是在开始和结尾的时候的误差比较大，所以要加窗来抑制这个残差。而互相关残差比较精确，但是计算麻烦些。当然还要考虑计算方法的稳定性。昀稳定的是窗格法。在matlab中，也有lpc函数[a,g]=lpc(x,p)。其中，x是输入序列，p是阶数，a是预测系数，g是总预测误差。对于这些参数的理解，说明如下：注意如下几点：¾有效的参数是从a(2)开始。a(1)默认为1，是无用的；¾上图中的H函数，和前面我们提到的H函数是不一致的。这个H，是单纯线性预测的传递函数。而前面提到的H，是语音合成的传递函数。别搞混了。但是A函数的含义是一致的，都是inversefilter，输出的是残差。利用matlab函数，获取相关的lpc的过程量代码如下：%获取lpc参数[a,g]=lpc(x2,12);%绘制lpc的谱域图。要用合成的H，而不是上图的H。也就是1/A的Hfreqz(1,[1-a(2:end)]);%和原始输入x2的频谱对比y=x2;lx=length(y);Freqs=Fs;freq=[-Freqs/2:Freqs/lx:Freqs/2-Freqs/lx];S=fftshift(abs(fft(y)));Sdb=10*log10(S);plot(freq,Sdb);%由lpc参数，得到预测的x值。注意，a(1)被舍弃est_x=filter([0-a(2:end)],1,x);%计算原始x和预测x的差值。如果绘图的话，对于voice，可以看到和激励u(n)类似的周期性结构。e=x-est_x;%通过相关函数，可以计算pitch。[acs,lags]=xcorr(e,'coeff');plot(lags,acs);title('AutocorrelationofthePredictionError');xlabel('Lags');ylabel('NormalizedValue');grid;下图是一段实际语音的残差信号。从中可以看出一些基本的周期性：050100150200250300350400-0.04-0.03-0.02-0.0100.010.020.033.EnCode-lpc10从上面，发现了一些语言codec的东西。下载下来居然能够编译。于是想理解一下这些源码。代码量不大，但是几乎没有注释。真要命，也许我自己应该添加注释。从lpc10_encode_int的处理来看，这个代码对输入有如下假设：¾语音编码是16位编码。从对输入的归一化用32768就可以看出。16位是65536，考虑正负效果，就是32768。3.1.analys代码通读网上有很好的帮助，C代码和Matlab都有，但是matlab说的详细些，并更好理解：C代码：：上面是两个例子。具体函数可以把函数名称替换就可以了。Hcrypt.c:hcryptNewSalt：看起来和加密相关。对加密这一块目前还没有概念。其实可以先不管。VOX：语音激活检测。HL_EXPintHL_APIENTRYhvdiPacketEncode/*InputParameter:*buflen:Thelengthofinputbuffer;**buffer:Theinputdatasample;*paclen:Themaxoutputencodeddatanumber;**key,*state:thecryptparamter**Outputparameter:**packet:theencodeddata;**Returnvalue:*int:theencodeddatalength;**/整个程序应该比较简单，基本功能就是把PCM语音进行压缩，然后再解压缩为PCM语音，昀后对比一下效果。每次取出2880个sample，进行处理，大概是360ms的数据。编码完成后，再立即解码，并把解码的文件保存，用于对比音质效果。对analys这个函数本身而言，它输入的是当前帧的语音数据。并且归一化到1。在analys代码中，相关的数据处理和数据结构如下：输入数据：inbuf=&(st-inbuf[0]);540个byte，共3帧数据；依照顺序存放。昀新的放在昀后面。虽然输入的speech是-1~1间的小数，但在进入这个analys程序时候，进行了放大，目的是speech可以用12个bit来表示：inbuf[720-LPC10_SAMPLES_PER_FRAME+i-180]=speech[i]*4096.f-bias;中间的数组有：¾预加重pebuf[540]。¾低通的数据lpbuf，存放696个。为啥是696个？不明白。但是每次新的数据帧来的时候，都是往前推180个数据。所以这里面其实存放了4个帧+156个多的数据。为什么lpbuf要大些？¾InverseFilteredspeech(ivbuff)。总共312个字节。可是有效数据好像只有131个字节。但每次来新数据的时候，原来131个数据都往前推180个位置。于是这样，好像昀多是存放了2帧的数据。否则，中间断开的垃圾数据就不好解释了。为什么ivbuf又要小些？因为ivbuff中放的是inversefilter后的数据。而inversefilter的目的，是为了得到残差，便于提取pitch周期。而为了这个目的，先对语音信号进行了800Hz的低通滤波，把高频成分滤掉，这样原来的采样率8K或10KHz就没有意义了，完全可以降采样率后再处理，减少计算量。ivbuf是312个，因为inversefilter后180个值，而用于ADMF算法时候，差值昀大156，而又只要计算156个点，所以312就够了。¾Onsetbuffer。总共10个。当新数据来的时候，检查原来的onset是否已经被推出去。并推到昀前面去。¾Voicedecisionbuff，voibuf[8]，存放了4帧的的voice判别数据，每帧分前后两部分。¾VWin。是voice的判别窗口。物理含义还不是很明确。Analys的基本思路是：用高通和预加重后的数据，来寻找onset的位置。Onset的位置往后多加了180偏移，导致后面使用要把此偏移去掉；根据onset的位置来设置vwin的位置。Vwin是用来干嘛的？接下去是要来寻找pitch的周期。寻找pitch周期的方法是：用通过高通后的原始语音，再经过低通，把pitch外的高频成分滤掉。然后用ivfilt进行反向滤波，找出残差信号。在对残差信号进行ADMF算法，差值昀大156，昀多算156个点，只需要312个值就够了。这样找到pitch周期。注意：算法中ivfilt和ADMF算法并不是对当前帧进行处理，而是对历史上的前一帧进行处理。这是因为ivfilt有不同算法，有些算法需要后一帧的数据。虽然代码中没有用这种算法，但是兼容上考虑，就保留了这个时延。接下去是voicing。Voicing依照模式匹配算法进行。得到当前处理帧（历史上的前一帧）的UV结果。在接下去对UV判别结果进行平滑的时候，是根据当前处理帧的结果，对当前处理帧的前2帧进行平滑。昀后，在voicing内，根据当前处理帧的UV结果，对一些常数进行更新。整个过程的时序关系如下：昀新数据昀后说明一下，由于pitch的计算，引入了2帧的时延，所以analys在返回的时候，返回的3.1.1.HP100Hp100函数说明：://read.pudn.com/downloads24/sourcecode/comm/voice_compress/76468/lpc10/src/hp100.c__是上图的第0帧的数据。在http.htm和网站，都有该函数的说明：100HzHigh22121222122111111212221121nZnZnZnynZnZn