語音壓縮的基本依據(jù)從信息保持的角度講，只有當(dāng)信源本身具有冗余度，才能對(duì)其進(jìn)行壓縮。根據(jù)統(tǒng)計(jì)分析的結(jié)果，語音信號(hào)中存在著多種冗余度m,主要有以下幾個(gè)方面：幅度非均勻分布語音中小幅度樣本比大幅度樣本出現(xiàn)的概率要高。又由于通話必然會(huì)有間隙，更出現(xiàn)了大It的低電平樣本。此外，實(shí)際語音信號(hào)的功率電平也趨向于出現(xiàn)在編碼范圍的較低電平端。因此，語音信號(hào)的幅值分布是非均勻的。樣本之間的相關(guān)性對(duì)語音信號(hào)的波形分析表明to,采樣數(shù)據(jù)的最大相關(guān)性存在于鄰近樣本之間。當(dāng)采樣速率為8KHz時(shí)，相鄰采樣值之間的相關(guān)系數(shù)大于0.85，甚至在相距十個(gè)樣本之間，相關(guān)系數(shù)還有0.3左右的數(shù)it級(jí)。如果采樣速率提高，樣本間的相關(guān)性將更強(qiáng)。周期之間的相關(guān)性雖然電話語音信號(hào)的頻率分布在300-3400HZ的頻帶內(nèi)，但在特定的瞬間，某一聲音卻往往只是該頻帶內(nèi)的少數(shù)頻率分I起作用。當(dāng)聲音中只存在少數(shù)幾個(gè)基本頻率時(shí)，就會(huì)像某些振蕩波形一樣，在周期與周期之間存在著一定的相關(guān)性?；糁g的相關(guān)性語音可以分為清音和濁音兩種基本類型.濁音是由聲帶振動(dòng)產(chǎn)生，每一次振動(dòng)使一股空氣從肺部流進(jìn)聲道。激勵(lì)聲道的各股空氣之間的間隔稱為基音周期。濁音的波形對(duì)應(yīng)于基音周期的長(zhǎng)期重復(fù)波形。因此，對(duì)語音濁音部分編碼的有效方法之一是對(duì)一個(gè)基音周期波形進(jìn)行編碼，并以它作為其它基音段的模板。此外，電話通信中還有很大的話音間隙。通話分析表明，語音間隙約占通話時(shí)間的60%。這本身也是一種冗余。正是由于語音信號(hào)具有以上特點(diǎn)，對(duì)語音的壓縮編碼才成為可能。在現(xiàn)今的通信系統(tǒng)當(dāng)中，各種語音壓縮編碼得到了廣泛的應(yīng)用，并形成了一系列的語音編碼標(biāo)準(zhǔn)。語音壓縮編碼技術(shù)大大緩解了信道緊張的狀況。語音壓縮技術(shù)的發(fā)展概況語音編碼器的主要功能就是把用戶語音的PCM（脈沖編碼調(diào)制）樣值編碼成少量的比特（幀）。這種方法使得語音在鏈路產(chǎn)生誤碼、網(wǎng)絡(luò)抖動(dòng)和突發(fā)傳輸時(shí)具有健壯性。在接收端，語音幀先被解碼為PCM語音樣值，然后再轉(zhuǎn)換成語音波形。語音信號(hào)的數(shù)字編碼方法主要分成三類：波形編碼、參數(shù)編碼和混合編碼，其編碼質(zhì)量大致如圖2所示，表2給出了各種編碼方法的典型例子。波形編碼是對(duì)語音時(shí)域或頻域波形進(jìn)行編碼，由于這種系統(tǒng)保留原始樣值的細(xì)節(jié)，從而保留了信號(hào)的各種過度特征，因此解碼聲音質(zhì)量較高，但此系統(tǒng)編碼碼率較高，壓縮比不大。參數(shù)編碼的基礎(chǔ)是利用人類語音的生成模型，這樣在傳輸過程中只需要傳送模型的參數(shù)，大大降低了系統(tǒng)的碼率，特別適合于無線通信，保密和軍事通信領(lǐng)域。參數(shù)編碼的缺點(diǎn)在于恢復(fù)的語音質(zhì)量較差。采用參數(shù)編碼方法的編碼器有時(shí)稱為聲碼器。正因?yàn)樯鲜鰞煞N編碼存在著不足，因此人們又想到了混合編碼的方法?；旌暇幋a是波形編碼和參數(shù)編碼的結(jié)合。它既利用了語音的生成模型，減少了傳輸碼率，又使解碼的語音產(chǎn)生接近原始語音的波形，以保留說話人的各種自然特征，因此當(dāng)前各種國際標(biāo)準(zhǔn)通常采用這種方法。第一個(gè)語音壓縮系統(tǒng)是1939年貝爾實(shí)驗(yàn)室的H.Duddlyf發(fā)明的通道聲碼器.1938年Reeves提出PCM（脈沖編碼調(diào)制）編碼，后來成為現(xiàn)代電話系統(tǒng)的常規(guī)語音編碼方式，1977年被ITU-T采用為G.711標(biāo)準(zhǔn)建議。64Kbps速率的PCM方式，采樣速率為8K,每個(gè)采樣點(diǎn)盆化為8bit?，F(xiàn)在所說的語音壓縮編碼，都是相對(duì)于64Kbps的PCM標(biāo)準(zhǔn)而言。1946年Delorain提出了增量調(diào)制（0M）,1952年貝爾公司的Culter取得了差分脈沖編碼調(diào)制（DPCM）的專利。為了進(jìn)一步降低編碼速率，以后又陸續(xù)提出了一些編碼方案。1988年制定的G.722建議采用32Kbps的ADPCM編碼，雖然碼率較高，但是實(shí)現(xiàn)簡(jiǎn)單，且音質(zhì)很好，在目前的ISDN系統(tǒng)中仍然使用這一編碼方案.1992年制定的ITU-TG.728建議，采用LD-CELP（低延遲碼激勵(lì)線性預(yù)測(cè)），編碼速率達(dá)到16Kbps,1995年制定的G.723.1建議，采用改進(jìn)的激勵(lì)線性預(yù)測(cè)編碼，編碼速率達(dá)到5.3/6.3Kbps。目前，歐洲的GSM通信系統(tǒng)采用的是13Kbps的RPE-LTP（規(guī)則脈沖激勵(lì)長(zhǎng)周期預(yù)測(cè)）壓縮編碼方案，同時(shí)正在開發(fā)6.5Kbps的CELP方案作為它的半速率標(biāo)準(zhǔn)方案。近年來，低比特率語音編碼（8Kbps以下）的研究取得了很大的飛躍.美國先后公布了4.8Kbps的CELP編碼,2.4Kbps的MELP編碼，目前甚至出現(xiàn)了速率在1Kbps左右的語音編碼算法noimi由于這些算法的延時(shí)都比較大，一般在20-80ms，還沒有被米用為國際標(biāo)準(zhǔn)。隨著算法的進(jìn)一步改進(jìn)，其應(yīng)用前景將更加廣闊。語音編碼器的性能測(cè)評(píng)評(píng)估編碼器的性能時(shí)要考慮幾個(gè)重要因素:?幀大?。簬拇笮”硎菊Z音流量的時(shí)間長(zhǎng)度，也稱為幀時(shí)延。幀是語音信號(hào)的分立部件，且每幀是根據(jù)語音樣點(diǎn)更新的。?處理時(shí)延：它表示在編碼器中對(duì)一幀語音做編碼算法處理所需時(shí)間。它通常簡(jiǎn)單計(jì)入幀時(shí)延。處理時(shí)延好稱為算法時(shí)延。?前視時(shí)延：編碼器為了對(duì)當(dāng)前幀的編碼提供幫助而檢查下一幀的一定長(zhǎng)度，此長(zhǎng)度就稱為前視時(shí)延。前視的想法是為了利用相鄰語音幀之間的密切相關(guān)性。幀長(zhǎng)度：這個(gè)值表示經(jīng)編碼處理后的字節(jié)數(shù)（不包括幀頭）。語音比特率：當(dāng)編解碼器的輸入是標(biāo)準(zhǔn)脈沖編碼調(diào)制的語音碼流（比特率為64kbit/s）時(shí)，編解碼器的輸出速率。?DSPMIPS：此值是指支持特定編碼器的DSP處理器的最低速度。值提注意的是DSPMISP與其它處理器的MISP速率無關(guān)。與用在工作站和個(gè)人計(jì)算機(jī)上通用處理器不同，這些DSP是為特定任務(wù)而專門設(shè)計(jì)的。因此，為實(shí)現(xiàn)上述的編解碼器處理所需求MISP，通用處理器要比專用DSP處理器大。?RAM需求：它描述了支持特定的編碼過程所需要RAM的大小。評(píng)價(jià)編碼器性能的關(guān)鍵因素是編碼器工作所需時(shí)間。這個(gè)時(shí)間是指編碼器的緩存及處理時(shí)間，稱為單向系統(tǒng)時(shí)延。其值等于：幀大小+處理時(shí)延+前視時(shí)延。顯然，解碼時(shí)延也非常重要。實(shí)際上，解碼時(shí)延大約是編碼時(shí)延的一半。語音編碼質(zhì)量評(píng)定評(píng)價(jià)通信系統(tǒng)性能優(yōu)劣的根本標(biāo)志之一是系統(tǒng)所輸出語音質(zhì)量的好壞，所以語音評(píng)估技術(shù)將成為分析各種電話網(wǎng)絡(luò)通話質(zhì)量，不斷提高通信系統(tǒng)性能的關(guān)鍵技術(shù)。4.1語音質(zhì)量的含義一般說來，語音質(zhì)量包含個(gè)方面內(nèi)容:清晰度、可懂度和自然度。清晰度是指語音中音節(jié)以下的語音單元（因素、聲母、韻母等）的清晰度;可懂度是指語音中音節(jié)以上的語言單位（如字、單詞和句等）的可懂程度;自然度則是指對(duì)講話人的辨別水平。語音質(zhì)量評(píng)價(jià)不但與語音學(xué)、語言學(xué)、信號(hào)處理等學(xué)科相關(guān)，而且還與心理學(xué)、生理學(xué)等學(xué)科有著密切的聯(lián)系，因此語音質(zhì)量評(píng)估是一個(gè)及其復(fù)雜的問題4.1語音質(zhì)量評(píng)估的分類語音質(zhì)量評(píng)估從評(píng)估主體上講可分為兩大類:主觀評(píng)估和客觀評(píng)估。4.2.1主觀評(píng)估主觀評(píng)估是以認(rèn)為主體根據(jù)某種預(yù)先約定的尺寸來對(duì)失真語音（或參考原始語音）來劃分質(zhì)量等級(jí)的，它反映了評(píng)聽者對(duì)語音質(zhì)量好壞程度的一種主觀印象。從理論上講，語音質(zhì)量的客觀評(píng)估測(cè)試可分為兩類：一類是音節(jié)以下（如音素、聲母、韻母）的語音單元的測(cè)試，這常稱為“清晰度”測(cè)試:另一類是音節(jié)以上（如詞、句）的語言單位的測(cè)試，這一類的測(cè)試通常稱為“可懂度”測(cè)試。這些測(cè)試的基本原理是相同的，只是測(cè)試的單元有所不同;而且可以按條件用公式從小單元的清晰度算出大單元的可懂度來。這些測(cè)試方法都屬于主觀聽覺的測(cè)試方法。目前，國內(nèi)外使用較多的主觀評(píng)價(jià)方法有:平均意見分MOS(MeanOpinionScores)方法、韻母可懂度測(cè)量DRT(DiagnosticRhymeTests)方法、失真平均意見分DMOS(DegradationMeanOpinionScore-DMOS)和滿意讀測(cè)量DAM(DiagnsticAcceptabilityMeasure)、漢語清晰度測(cè)試等。4.2.1.1MOS法簡(jiǎn)介在實(shí)際語音系統(tǒng)應(yīng)用中，MOS評(píng)分法使用最為普遍。它不僅用于語音編碼，通信設(shè)備性能測(cè)試上，也是語音客觀評(píng)估方法研究中，作為衡量評(píng)價(jià)方法好壞的重要依據(jù)之一。MOS法用于對(duì)語音整體滿意度或語音通信質(zhì)量的評(píng)價(jià)。其分值如表2所示。參加測(cè)試的評(píng)聽人在聽完測(cè)試語音后，從5個(gè)等級(jí)中選擇其中某一級(jí)作為他對(duì)所測(cè)語音質(zhì)量的評(píng)價(jià)。全體實(shí)驗(yàn)者的平均分就是所測(cè)語音質(zhì)量的MOS值。由于主觀上和客觀上的種種原因，每次測(cè)試得到的MOS大都會(huì)有波動(dòng)，為了減少波動(dòng)的方差，除了參加測(cè)試的評(píng)聽人要足夠多之外(一般至少40人)，所測(cè)語音材料也應(yīng)足夠豐富，測(cè)試環(huán)境也要盡量保持相同。在數(shù)字語音通信中，通常認(rèn)為MOS在4.0-5.0分為高質(zhì)量數(shù)字化語音，達(dá)到長(zhǎng)途電話網(wǎng)的質(zhì)量要求，接近于透明信道編碼，也常稱為網(wǎng)絡(luò)質(zhì)量或長(zhǎng)途質(zhì)量。MOS在3.5左右稱為通信質(zhì)量，這是感到重建話音質(zhì)量下降，但不妨礙正常通話，可以滿足話音系統(tǒng)使用要求，MOS在3.0以下常稱為合成語音質(zhì)量，系指一些聲碼器合成的語音所能達(dá)到的質(zhì)量。它一般具有足夠的可懂度，但自然度及講話人的確認(rèn)等方面不夠好。表2為國際上一些一些標(biāo)準(zhǔn)語音編碼算法的語音質(zhì)量主觀評(píng)估分。4.2.2客觀評(píng)估客觀評(píng)估是指用機(jī)器自動(dòng)判別語音質(zhì)量.它從原理上又可分為兩類評(píng)價(jià)方式：基于輸入一輸出方式的客觀評(píng)估和基于輸出方式的客觀評(píng)估。基于輸入輸出方式的評(píng)價(jià)是建立在原始語音信號(hào)和失真語音信號(hào)的誤差對(duì)比上，大多數(shù)這種方式的客觀評(píng)估采用數(shù)值距離或者描述聽覺系統(tǒng)如何來感知質(zhì)量的聽覺模型來量化語音質(zhì)量的好壞；基于輸出的客觀評(píng)價(jià)是僅以語音系統(tǒng)的輸出信號(hào)來評(píng)估語音質(zhì)量的好壞。4.2.2.1客觀評(píng)估方法的分類客觀評(píng)估方法研究自七十年代以來迅速發(fā)展，國內(nèi)外學(xué)者提出了數(shù)以千計(jì)的客觀評(píng)估方法。這些方法從評(píng)估原理上可分為基于輸入一輸出和基于輸出這兩大類方法，如果從它們各自使用的主要技術(shù)方法（如譜分析,LPC分析、聽覺模型分析、判斷模型分析等）和主要特征參量＜時(shí)域、參量、頻域參量、變換域參量等）又可以將這些客觀評(píng)估方法分為以下六類：基于SNR的評(píng)估方法、基于LPC技術(shù)的評(píng)估方法、基于譜距離的評(píng)估方法、基于聽覺模型的評(píng)估方法、基于判斷模型的評(píng)估方法、其它類評(píng)估方法。4.2.2.2主要客觀評(píng)估方法的性能比較表3分類給出了目前主要客觀評(píng)估方法的相關(guān)度數(shù)值表。由于受測(cè)試數(shù)據(jù)、測(cè)試方式等因素的影響，因而在不同文獻(xiàn)中使用同樣方法卻會(huì)得到不同結(jié)果。4.2.2.3客觀評(píng)估方法研究的發(fā)展特點(diǎn)及方向從上述客觀評(píng)價(jià)方法研究的發(fā)展歷程以及各種方法的評(píng)價(jià)性能來看，語音質(zhì)量客觀評(píng)價(jià)研究的發(fā)展具有以下特點(diǎn)：語音質(zhì)量客觀評(píng)價(jià)研究取得了十分可喜的成績(jī)?；谳斎胍惠敵龅目陀^評(píng)價(jià)方法與主觀評(píng)價(jià)的相關(guān)度已達(dá)到了0.95左右，如AD/MNB,MBSD,和PSQM等方法，目前，這類評(píng)價(jià)方法的主要問題是要解決好穩(wěn)定性等問題。從語音質(zhì)量客觀評(píng)估性能的提高過程來看，客觀評(píng)估方法研究大致經(jīng)歷了這樣幾個(gè)階段;時(shí)域分析階段（如SNR等），頻域譜分析階段（如SD等），模型參數(shù)（LPC分析）階段（如CD等），聽覺模型階段（BSD,MBSD,PSQM等）及聽覺模型與判斷模型的混合（hybrid）模型階段（如AD/MNB）等。當(dāng)然，各階段不是嚴(yán)格分開的，而是互相混迭，特別是新方法往往是建立在傳統(tǒng)方法基礎(chǔ)上。聽覺模型在語音質(zhì)量客觀評(píng)估研究中占有十分重要的地位?？v觀客觀評(píng)估的發(fā)展過程可以清楚看到只要在評(píng)估中考慮了人對(duì)語音信號(hào)的感知特性就會(huì)大幅度提高整個(gè)評(píng)估方法的性能。從這幾年的研究成果來看，性能較好的客觀評(píng)價(jià)方法都以聽覺模型為基礎(chǔ);如BSD,MBSD,PSQM,AD/MNB等。判斷模型的研究已開始得到重視。人對(duì)語音質(zhì)量的評(píng)估包含兩個(gè)過程;聽過程和判斷過程，因此，有必要構(gòu)造良好的判斷模型并和聽覺模型相結(jié)合起來建立更符合主觀評(píng)估過程的客觀評(píng)估方法。雖然目前判斷模型的研究己有所進(jìn)展，如AD/MNB方法等，但是這方面的研究工作還有待于進(jìn)一步深入下去?；谳敵龅目陀^評(píng)估方法研究有所發(fā)展，但尚屬萌芽階段。目前這種形式的客觀評(píng)估方法與主觀評(píng)估值的相關(guān)度還較低。盡管該方法具有巨大的發(fā)展前景和實(shí)際應(yīng)用價(jià)值，但是在理論方法上和在使用的具體技術(shù)參數(shù)等方面還有待于突破性的進(jìn)展。4.2.2.4常用客觀語音評(píng)估算法介紹語音質(zhì)量是一種主觀的測(cè)量結(jié)果，依賴于聽說雙方對(duì)語音的主觀評(píng)價(jià)。因此，語音質(zhì)量其實(shí)是一種意見，因?yàn)樗Q于大量的個(gè)體感知判斷什么是可以接受的或不能被接受。傳統(tǒng)的語音質(zhì)量測(cè)試方法是通過在實(shí)驗(yàn)室讓很多人試聽語音并按照ITU規(guī)范的“綜合意見評(píng)分法”（MOS）讓他們對(duì)語音質(zhì)量給出主觀評(píng)價(jià)。很顯然這樣的測(cè)試手段不僅是主觀依賴的，而且費(fèi)時(shí)費(fèi)力。因而國際電信聯(lián)盟ITU在90年代中開始對(duì)端到端的語音質(zhì)量自動(dòng)客觀測(cè)試技術(shù)進(jìn)行標(biāo)準(zhǔn)化的工作，并從此發(fā)展出三個(gè)主要的測(cè)試算法可供進(jìn)行自動(dòng)和可重復(fù)性的測(cè)試:PSQM/PSQM+感知通話質(zhì)量測(cè)量、PESQ感知評(píng)估通話質(zhì)量測(cè)量、PAMS（英國電信）感知分析測(cè)量。PSQM和PAMS測(cè)量方法都需要發(fā)送一個(gè)語音參考信號(hào)通過電話網(wǎng)絡(luò)，在網(wǎng)絡(luò)的另一端采用數(shù)字信號(hào)處理的方式比較樣本信號(hào)和接收到的信號(hào)，進(jìn)而估算出網(wǎng)絡(luò)的語音質(zhì)量。PESQ結(jié)合了PSQM和PAMS的優(yōu)勢(shì)，針對(duì)VoIP和混合的端到端應(yīng)用作了改進(jìn)，并針對(duì)MOS和MOS-LQ計(jì)算方法做了修改。-PAMS(PerceptualAnalysis/MeasurementSystem)是由英國電信開發(fā)出來，它根據(jù)收聽費(fèi)勁程度和收聽質(zhì)量，利用感官模型比較聲源信號(hào)和經(jīng)過網(wǎng)絡(luò)傳輸后退化的接聽信號(hào)。PAMS分析退化信號(hào)中發(fā)現(xiàn)的不同類型的錯(cuò)誤，將不同類型錯(cuò)誤參數(shù)化并映射到預(yù)測(cè)感官模型上。這個(gè)模型是在進(jìn)行大量的主觀聽力測(cè)試后建立的一個(gè)數(shù)據(jù)庫。評(píng)測(cè)的結(jié)果給出一個(gè)綜合意見評(píng)分值MOS，分值范圍在2—5之間，5分代表最佳質(zhì)量分值。-PSQM(PercepturalSpeechQualityMeasurement)是由荷蘭的KPN研究機(jī)構(gòu)開發(fā)出來，用于測(cè)量數(shù)字編碼器的客觀質(zhì)量。最早被廣泛應(yīng)用的編碼器測(cè)量手段是測(cè)試語音信號(hào)的信噪比S/N,但這種測(cè)試方法對(duì)現(xiàn)代越來越多的低壓縮比編碼器并不適用。PSQM則比較聲源信號(hào)和退化信號(hào)，測(cè)出后者的失真程度、噪音和保真度。它已被ITU制定成P.861推薦規(guī)范，并有了一個(gè)增強(qiáng)型算法PSQM+，可更有效地分析大量瞬時(shí)失真。但這兩種算法對(duì)信號(hào)過濾、不同的延時(shí)和短暫局部失真不作處理。(現(xiàn)ITU-T已經(jīng)將P.861廢棄，由P.862取代)-PESQ(PerceptualEvaluationofSpeechQuality)是由英國電信和KPN共同開發(fā)出來，并在2001年被ITU采納為P.862規(guī)范。它比較聲源信號(hào)和退化信號(hào)并給出一個(gè)類似人工聽力評(píng)估測(cè)試的MOS分值。但它的功能要強(qiáng)大得多，不僅能測(cè)試像解碼器這樣的網(wǎng)絡(luò)單元的效果，也能測(cè)量端到端的聲音質(zhì)量。它著重針對(duì)不同的信號(hào)退化原因，如編解碼失真、錯(cuò)誤、丟包、延時(shí)、抖動(dòng)和過濾，給出-0.5到4.5的分值范圍內(nèi)的值。大多數(shù)