Przetwarzanie sygnałów mowy. Techniki przetwarzania głosu. Cyfryzacja sygnałów mowy. Zakres częstotliwości mowy. Kodery i dekodery sygnału mowy. Kompresja głosu.

Przetwarzanie sygnałów mowy.

Jak wiemy, transmisja sygnałów mowy jest podstawową usługą telekomunikacyjną.

W systemach analogowych sygnał odwzorowujący bezpośrednio falę głosową moduluje parametr sygnału sinusoidalnego — amplitudę w różnych systemach z modulacją amplitudy AM, fazę - w systemach z modulacją fazy PM lub częstotliwość w przypadku zastosowania modulacji częstotliwości FM.

Nowoczesne systemy telekomunikacyjne przesyłają sygnały mowy metodami cyfrowymi, stąd szczególne znaczenie efektywnego sposobu przedstawienia sygnału mowy w postaci ciągu impulsów binarnych.

Techniki przetwarzania głosu.

W celu transmisji sygnału rozmownego przez cyfrowy fragment sieci telefonicznej PSTN sygnał analogowy, pochodzący zwykle od abonenta sieci, jest przetwarzany (konwersja A/C) na postać cyfrową z częstotliwością 8 kHz (PCM 64).

Konwersja PCM 64 Wartość analogowa każdej próbki jest rejestrowana (kwantyzacja) jako jeden z 256 możliwych poziomów i zapisywana w 8-bitowym rejestrze zgodnie z kodem PCM. Przy wykorzystaniu 256 poziomów kwantyzacji sygnału (8 bitów danych na każdym poziomie) uzyskana przepływność kanału wynosi 8 kHz × 8 bitów =64 kb/s.

PCM 64 dokonuje się w kodekach instalowanych na obrzeżach sieci komutowanej PSTN zgodnie ze standardem G.711. Do konwersji sygnałów analogowych (starsze centrale analogowe) przez cyfrowe łącza międzycentralowe o wyższej przepływności stosuje się krotnice.

Cyfryzacja sygnałów mowy.

Zakres częstotliwości mowy.

Przesłanie sygnału głosu ludzkiego wymaga kanału zdolnego do przeniesienia określonego pasma częstotliwości. Głos ludzki zawiera wiele częstotliwości podstawowych i harmonicznych, których zestaw nadaje ton i barwę charakterystyczną dla każdego rozmówcy.

Widmo mowy obejmuje częstotliwości od 100 Hz do ponad 8 kHz, przy czym największa gęstość widmowa (energia) przypada w okolicy 500 Hz i sukcesywnie maleje ze wzrostem częstotliwości.

Dla dobrego zrozumienia mowy i rozpoznania osoby mówiącej wystarczy pasmo, w którym jest zawarta główna część energii, to znaczy w zakresie od 300 Hz do 3400 Hz. Ze względów ekonomicznych zdecydowano transmitowaćw urządzeniach telefonicznych pasmo o szerokości 3,1 kHz (niekiedy 3,3 kHz w zakresie od 200 do 3500 Hz), zapewniające właściwe zrozumienie mowy.

Rzeczywista szerokość pasma transmitowanego przez urządzenia telefoniczne i kanały transmisyjne wynosi 4 kHz.

Kodery i dekodery sygnału mowy.

Zazwyczaj w cyfryzacji sygnałów, korzysta się z kwantyzacji liniowej - poszczególne poziomy mają identyczny krok.

Możliwe jest także, szczególnie w zastosowaniach fonicznych, wykorzystanie innych, czasem bardzo skomplikowanych wzorców kwantyzacyjnych.

Na przykład w sygnale mowy ludzkiej znajdują się dźwięki głośne, jak samogłoski i dźwięki cichsze reprezentowane spółgłoskami.

Składowe o większych amplitudach mogą pochodzić od wymawiania takich dźwięków, jak „och” lub „ach”, podczas gdy niższe amplitudy mogą reprezentować dźwięki „sz” lub „cz”.

Pokazana na rysunku kwantyzacja liniowa zapewnia odpowiednią reprezentację dźwięków głośnych, lecz większość różniących się między sobą dźwięków cichych będzie reprezentowana przez takie same wartości bitowe.

Oznacza to, że nie będziemy w stanie wyodrębnić różnych dźwięków o niskiej amplitudzie, co znacznie zubaża odtwarzany potem sygnał mowy. W celu zapobieżenia temu zjawisku stosowane są nieliniowe wzorce kwantyzacyjne, w których krok kwantyzacji zależy od poziomu przetwarzanej amplitudy.

W praktyce kwantyzator ma zunifikowany rozmiar kroku, a kompresji poddawany jest sygnał wejściowy. Efekt finalny jest taki, jak gdyby stosowana była kwantyzacja nieliniowa.

Po przetworzeniu sygnał jest rekonstruowany na wyjściu przez zastosowanie procesu nazywanego dekompresją.

Najstarszą metodą kodowania sygnałów mowy jest kodowanie PCM (Pulse Code Modulation) — modulacja impulsowo-kodowa.

• filtru ograniczającego pasmo kodowanego sygnału do co najwyżej połowy częstotliwości próbkowania, tzw. filtru antyaliasingowego,

• układu próbkującego z częstotliwością fs,

• układu nieliniowego o w przybliżeniu logarytmicznej charakterystyce,

• kwantyzatora równomiernego.

W dekoderze zastosowana charakterystyka ma kształt odwrotny, tak więc złożenie obu z nich daje charakterystykę liniową, nie zmieniającą kształtu sygnału.

Technika kompresji-dekompresji jest szeroko wykorzystywana w publicznych sieciach telefonicznych. Stosowane są dwie metody - odrębne dla Stanów Zjednoczonych i Europy.

W Europie stosowana jest metoda nazywana zasadą A (A-law), podczas gdy w Stanach Zjednoczonych metoda ta nazywa się zasadą µ (µ-law).

Kompresja głosu.

Operacja kompresji głosu ma za zadanie redukcję liczby bitów potrzebnych do wiernego (pasmo głosowe o szerokości do 8 kHz) przesłania na odległość i późniejszego odtworzenia sygnałów mowy rejestrowanych cyfrowo.

Podczas rejestracji dźwięków (pasmo akustyczne około 16-20 kHz) kompresja zwykle powoduje obniżenie jakości sygnału, jednak dzięki stałemu doskonaleniu technik kompresji uzyskanie i przesłanie skompresowanego dźwięku o wysokiej jakości klasy Hi-Fi jest również możliwe.

Efektywność kompresji (nie należy jej mylić z jakością) zależy od przyjętego standardu kompresji, przy czym im wyższa kompresja, tym węższe jest pasmo potrzebne do przesłania głosu i na ogół gorsza jakość odtwarzania mowy.

Kompresji sygnałów mowy dokonuje się za pomocą wielu coraz bardziej sprawnych standardów kompresujących.

• G.711 - najprostszy, domyślny standard akustyczny PCM obejmujący konwersję analogowo-cyfrową sygnału głosowego 4 kHz (8 kHz) do strumienia kanałowego o szybkości 64 kb/s, stanowi również poziom odniesienia dla innych konwersji.

• G.727 - popularny standard adaptacyjno-różnicowy ADPCM (Adaptive Differential PCM) o przepływności wynikowej 32 kb/s, stosowany w łączności bezprzewodowej WLL (Wireless Local Loop).

• G.729 - standard zapewniający kompresję 8:1 (strumień 8 kb/s), często określany jako głos o opłacanej jakości. Jest oparty na algorytmie CS-ACELP (Conjugate Structure-Algebraic Code Excited 1inear Prediction) kompresującym do 8 kb/s.

  • Nowsza odmiana G.729A o uproszczonym algorytmie wprowadza mniejsze opóźnienia w procesie kompresji.

• G.723 - standard oferujący kompresję głosu do 12:1. Dostarcza strumieni głosowych o przepływności 6,3 kb/s według algorytmu MP-MLQ (Multi-Pulse Maximum Likelihood Quantization) bądź z przepływnością 5,3 kb/s zgodnie z algorytmem ACELP (Algebraic Code Excited Linear Prediction).