-
Gebiet der Erfindung
-
Die
vorliegende Erfindung betrifft allgemein Sprachkommunikation und
genauer die Erzeugung von Komfortrauschen bei diskontinuierlicher Übertragung
(discontinuous transmission).
-
Hintergrund der Erfindung
-
In
einem normalen Telefongespräch
spricht immer ein Benutzer gleichzeitig und der andere hört zu. Zeitweise
spricht keiner der Benutzer. Die stillen Perioden könnten zu
einer Situation führen,
in der die durchschnittliche Sprachaktivität unter 50% liegt. In diesen
Stilleperioden ist vermutlich nur akustisches Rauschen vom Hintergrund
zu hören.
Das Hintergrundrauschen hat normalerweise keinen informativen Gehalt,
und es ist nicht notwendig, das exakte Hintergrundrauschen von der
Sendeseite (TX) zu der Empfangsseite (RX) zu übertragen. Bei Mobilkommunikation
nutzt ein Verfahren, das als diskontinuierliche Übertragung (discontinuous transmission,
DTX) bekannt ist, diese Tatsache aus, um in dem Mobilgerät Energie
zu sparen. Insbesondere weist der TX-DTX-Mechanismus einen niedrigen
Zustand auf (DTX Low), in dem die Funkübertragung von der Mobilstation
(MS) zu der Basisstation (BS) während
Sprachpausen die meiste Zeit über
abgeschaltet ist, um in der MS Energie zu sparen und um den Gesamt-Interferenzpegel
der Funkschnittstelle zu senken.
-
Ein
grundlegendes Problem bei der Verwendung von DTX ist, dass das akustische
Hintergrundrauschen, das mit der Sprache während Sprachperioden vorhanden
ist, verschwinden würde,
wenn die Funkübertragung
abgeschaltet ist, was zu Unterbrechungen des Hintergrundrauschens
führt.
Da das DTX-Umschalten schnell stattfinden kann, hat sich herausgestellt,
dass dieser Effekt für
den Zuhörer
sehr störend
sein kann. Wenn der Sprachaktivitätsdetektor (voice activity
detector, VAD) gelegentlich das Rauschen als Sprache einordnet,
werden außerdem
manche Teile des Hintergrundrauschens während der Sprachsynthese rekonstruiert,
während
andere Teile stumm bleiben. Das plötzliche Auftreten und Verschwinden
des Hintergrundrauschens ist nicht nur sehr störend und ärgerlich, es verringert auch
die Verständlichkeit
des Gesprächs,
insbesondere wenn das Energieniveau des Rauschens hoch ist, wie
es in einem sich bewegenden Fahrzeug der Fall ist. Um diesen störenden Effekt
zu verringern, wird ein synthetisches Rauschen, ähnlich dem Hintergrundrauschen
auf der Sendeseite, auf der Empfangsseite erzeugt. Das synthetische
Rauschen wird Komfortrauschen (CN) genannt, da es das Zuhören komfortabler
bzw. angenehmer macht.
-
Zum
Simulieren des Hintergrundrauschens auf der Sendeseite durch die
Empfangsseite werden auf der Sendeseite die Komfortrauschparameter
abgeschätzt
und unter Verwendung von Silence Descriptor (SID)-Rahmen an die
Empfangsseite übertragen.
Die Übertragung
findet vor dem Übergang
in den DTX-Low-Zustand statt und danach mit einer von der MS bestimmten
Rate. Der TX-DTX-Handler (bzw. -Steuerung) entscheidet, welche Arten
von Parametern zu berechnen sind und ob ein Sprachrahmen oder ein SID-Rahmen
erzeugt werden soll. 1 beschreibt den logischen Arbeitsablauf
von TX-DTX. Dieser Arbeitsablauf wird mit Hilfe eines Sprachaktivitätsdetektors
(VAD) ausgeführt,
der angibt, ob der derzeitige Rahmen Sprache enthält oder
nicht. Die Ausgabe des VAD-Algorithmus ist ein boolescher Bitschalter
(flag), der mit „wahr" gekennzeichnet ist,
wenn Sprache erkannt wird, und andernfalls mit „falsch". Der TX-DTX enthält auch Sprachcodierer- und
Komfortrauscherzeugungs-Module.
-
Die
grundlegende Arbeitsweise der TX DTX-Steuerung ist wie folgt. Ein
Boolescher Sprach(SP)-Bitschalter zeigt an, ob der Rahmen ein Sprachrahmen
oder ein SID-Rahmen ist. Während
einer Sprachperiode ist der SP-Bitschalter auf „wahr" gesetzt und ein Sprachrahmen wird unter
Verwendung des Sprachcodierungsalgorithmus erzeugt. Wenn die Sprachperiode
für einen
ausreichend langen Zeitraum aufrechterhalten wurde, bevor sich das
VAD-Flag auf „falsch" ändert, liegt eine Überhangperiode
vor (siehe 2). Dieser Zeitraum wird für die Berechnung
der durchschnittlichen Hintergrundrausch-Parameter verwendet. Während der Überhangperiode
werden normale Sprachrahmen an die Empfangsseite übertragen,
obwohl das codierte Signal nur Hintergrundrauschen enthält. Der Wert
des SP-Flags bleibt in der Überhangperiode „wahr". Nach der Überhangperiode
beginnt die Komfortrausch(CN)-Periode. Während der CN-Periode ist der
SP-Bitschalter mit „falsch" markiert, und die
SID-Rahmen werden erzeugt.
-
Während der Überhangperiode
werden das Spektrum S und der Leistungspegel E jedes Rahmens gespeichert.
Nach der Überhangperiode
werden die Mittelwerte der gespeicherten Parameter, Save und
Eave, berechnet. Die Mittelungslänge ist
einen Rahmen länger
als die Länge
der Überhangperiode.
Somit sind die ersten Komfortrauschparameter die Mittelwerte aus
der Überhangperiode
und dem ersten Rahmen danach.
-
Während der
Komfortrauschperiode werden in jedem Rahmen SID-Rahmen erzeugt,
doch sie werden nicht alle gesendet. Das TX-Funk-Untersystem (RSS,
radio subsystem) steuert die Zeitplanung (scheduling) der SID-Rahmen-Übertragung
auf der Grundlage des SP-Bitschalters.
Wenn eine Sprachperiode endet, wird die Übertragung nach dem ersten
SID-Rahmen abgeschaltet.
Anschließend
wird von Zeit zu Zeit ein SID-Rahmen übertragen, um die Abschätzung des
Komfortrauschens zu aktualisieren.
-
3 beschreibt
die logische Funktion des RX DTX. Wenn Fehler in dem empfangenen
Rahmen erkannt wurden, wird das Flag zur Anzeige fehlerhafter Rahmen
(bad frame indication flag, BFI) auf „wahr" gesetzt. Ähnlich wie das SP-Flag auf
der Sendeseite wird auf der Empfangsseite ein SID-Flag verwendet,
um zu beschreiben, ob der empfangene Rahmen ein SID-Rahmen oder
ein Sprachrahmen ist.
-
Die
RX-DTX-Steuerung ist für
den RX-DTX-Betrieb insgesamt zuständig. Sie klassifiziert, ob
der empfangene Rahmen ein gültiger
Rahmen oder ein ungültiger
Rahmen ist (BFI = 0 bzw. BFI = 1) und ob der empfangene Rahmen ein
SID-Rahmen oder ein Sprachrahmen ist (SID = 1 bzw. SID = 0). Wenn
ein gültiger Sprachrahmen
empfangen wird, leitet die RX DTX-Steuerung ihn direkt an den Sprachdekoder
weiter. Wenn ein fehlerhafter Sprachrahmen empfangen wird oder der
Rahmen während
einer Sprachperiode verloren geht, verwendet der Sprachdekoder die
sprachbezogenen Parameter von dem letzten guten Sprachrahmen für die Sprachsynthese,
und gleichzeitig beginnt der Decoder, das Ausgangssignal allmählich stumm zu
schalten.
-
Wenn
ein gültiger
SID-Rahmen empfangen wird, wird Komfortrauschen erzeugt, bis ein
neuer gültiger SID-Rahmen
empfangen wird. Der Vorgang wiederholt sich auf die gleiche Weise.
Wenn jedoch der empfangene Rahmen als ein ungültiger SID-Rahmen klassifiziert
wird, wird der letzte gültige
SID verwendet. Während der
Komfortrauschperiode empfängt
der Decoder Übertragungskanalrauschen
zwischen SID-Rahmen, die nie gesendet wurden. Um Signale für diese
Rahmen zu synthetisieren, wird Komfortrauschen mit den Parametern erzeugt,
die aus den beiden zuvor empfangenen gültigen SID-Rahmen interpoliert
wurden, um das Komfortrauschen zu aktualisieren. Die RX-DTX-Steuerung
ignoriert die nichtgesendeten Rahmen während der CN-Periode, da diese
vermutlich auf eine Übertragungspause
zurückzuführen sind.
-
Komfortrauschen
wird unter Verwendung von ausgewerteten Informationen aus dem Hintergrundrauschen
erzeugt. Das Hintergrundrauschen kann, abhängig von seiner Quelle, sehr
verschiedene Eigenschaften aufweisen. Daher gibt es keinen allgemeingültigen Weg,
um einen Parametersatz zu ermitteln, der die Eigenschaften aller
Arten von Hintergrundrauschen angemessen beschreiben würde und
auch nur wenige male pro Sekunde unter Verwendung einer kleinen
Anzahl von Bits übertragen
werden könnte.
Da Sprachsynthese bei Sprachkommunikation auf dem menschlichen Spracherzeugungssystem
beruht, können
die Sprachsynthese-Algorithmen nicht in gleicher Weise für die Komfortrauscherzeugung
verwendet werden. Des weiteren werden im Gegensatz zu sprachbezogenen
Parametern die Parameter in den SID-Rahmen nicht in bzw. zu jedem Rahmen übertragen.
Es ist bekannt, dass das menschliche Hörsystem sich mehr auf das Amplitudenspektrum des
Signals konzentriert als auf die Phasenantwort. Dementsprechend
ist es ausreichend, nur Informationen über das durchschnittliche Spektrum
und die Leistung des Hintergrundrauschens zu übertragen zur Erzeugung von
Komfortrauschen. Komfortrauschen wird daher unter Verwendung dieser
beiden Parameter erzeugt. Während
diese Art von Komfortrauscherzeugung tatsächlich viel zeitliche Verzerrung
mit sich bringt, ähnelt
es dem Hintergrundrauschen im Frequenzraum. Dies ist ausreichend,
um die lästigen
Effekte in dem Übergangsintervall
zwischen einer Sprachperiode und einer Komfortrauschperiode zu verringern.
Komfortrauscherzeugung, die gut funktioniert, hat einen sehr beruhigenden
Effekt, und das Komfortrauschen zieht keine Aufmerksamkeit auf sich.
Da die Komfortrauscherzeugung die Übertragungsrate verringert,
während
sie nur einen kleinen Wahrnehmungsfehler mit sich bringt, ist das
Konzept gut anerkannt. Wenn jedoch die Eigenschaften des erzeugten
Komfortrauschens deutlich von dem tatsächlichen Hintergrundrauschen
abweichen, ist der Übergang zwischen
Komfortrauschen und echtem Hintergrundrauschen normalerweise hörbar.
-
Im
Stand der Technik werden linear prädikative (LP) Synthese-Filter
und Energiefaktoren erlangt, indem Parameter zwischen den beiden
letzten SID-Rahmen interpoliert werden (siehe 4).
Diese Interpolation wird auf einer Einzelrahmenbasis durchgeführt. Innerhalb
eines Rahmens sind die Komfortrausch-Codebook-Gewinne bzw. -Verstärkungen
(codebook gain) jedes Unterrahmens gleich. Die Komfortrauschparameter werden
aus den empfangenen Parametern mit der Übertragungsrate der SID-Rahmen
interpoliert. Die SID-Rahmen werden zu jedem k-ten Rahmen übertragen.
Der SID-Rahmen, der nach dem n-ten Rahmen übertragen wird, ist der (n
+ k)te Rahmen. Die CN-Parameter werden in jedem Rahmen interpoliert,
so dass die interpolierten Parameter sich von denen des n-ten SID-Rahmens
zu denen des (n + k)ten SID-Rahmens ändern, wenn letzterer empfangen
wird. Die Interpolation wird wie folgt ausgeführt: S'(n
+ i) = S(n)·ik +
S(n – k)·(1 – ik ) (1)wobei k die
Interpolationsperiode ist, S'(n
+ i) der Spektralparametervektor des (n + i)ten Rahmens ist, i =
0, ..., k-1, S(n) ist der Spektralparametervektor der letzten Aktualisierung
und S(n – k)
ist der Spektralparametervektor der zweitletzten Aktualisierung.
Ebenso wird die empfangene Energie wie folgt interpoliert: E'(n + i) = E(n)·ik + E(n – k)·(1 – ik ) (2)wobei k die
Interpolationsperiode ist, E'(n
+ i) die empfangene Energie des (n + i)ten Rahmens ist, i = 0, ...,
k-1, E(n) die empfangene Energie der letzten Aktualisierung ist
und E(n – k)
die empfangene Energie der zweitletzten Aktualisierung ist. Auf
diese Weise ändert
sich das Komfortrauschen langsam und glatt, wobei es von einem Parametersatz
zu einem anderen Parametersatz driftet. Ein Blockdiagramm dieser
Lösung
nach dem Stand der Technik ist in 4 gezeigt.
Der GSM EFR(Global System for Mobile Communication Enhanced Full Rate)-Codec
verwendet diesen Ansatz durch Übertragen
von Synthese(LP)-Filterkoeffizienten
im LSF-Bereich (line spectrum frequency domain). Ein fester Codebook-Gewinn wird verwendet,
um die Energie des Rahmens zu übertragen.
Diese beiden Parameter werden gemäß Gleichung 1 und Gleichung
2 mit k = 24 interpoliert. Eine ausführliche Beschreibung der GSM
EFR CN-Erzeugung ist zu finden in Digital Cellular Telecommunications
System (Phase 2+), Comfort Noise Aspects for Enhanced Full Rate
Speech Traffic Channels (ETSI EN 300728 v8.0.0 (2000-07)).
-
Alternativ
werden Energie-Dithering- und Spektral-Dithering-Blocks verwendet,
um eine zufällige
Komponente in diese jeweiligen Parameter einzubringen. Das Ziel
ist, die Fluktuationen im Spektrum und Energieniveau des tatsächlichen
Hintergrundrauschens zu simulieren. Der Betrieb des Spektral-Dithering-Blocks
ist wie folgt (siehe 5): Save''(i)
= Save'(i)
+ rand(–L,L),
i = 0, ..., M-1 (3)wobei
S in diesem Fall ein LSF-Vektor ist, L ein konstanter Wert ist,
rand(–L,L)
eine Zufallsfunktion ist, die Werte zwischen –L und L erzeugt, Save''(i) ist der LSF-Vektor,
der für
die spektrale Darstellung des Komfortrauschens verwendet wird, Save'(i)
ist die gemittelte spektrale Information (im LSF-Raum) des Hintergrundrauschens
und M ist die Ordnung des Synthesefilters (LP). Ebenso kann Energie-Dithering
wie folgt ausgeführt werden: Eave''(i) = Eave'(i) + rand(–L,L), i
= 0, ..., M-1 (4)Die
Energie-Dithering- und Spektral(LP)-Dithering-Blocks führen in
Lösungen
nach dem Stand der Technik ein Dithering mit konstanter Größe durch.
Es sollte beachtet werden, dass Synthese (LP)-Filter-Koeffizienten
auch in der Beschreibung dieses zweiten Systems nach Stand der Technik
im LSF-Raum dargestellt werden. Es kann jedoch auch jede andere
Darstellung verwendet werden (z.B. ISP-Raum).
-
Manche
Systeme des Stands der Technik, wie IS-641, verwerfen den Energie-Dithering-Block bei der Komfortrauscherzeugung.
Eine ausführliche
Beschreibung der IS-641-Komfortrauscherzeugung
ist zu finden in TDMA Cellular/PCS – Radio Interface Enhanced Full-Rate
Voice Codec, Revision A (TIA/EIA IS-641-A).
-
Die
vorstehend beschriebenen Lösungen
des Stands der Technik funktionieren mit manchen Arten von Hintergrundrauschen
hinreichend gut, doch mit anderen Rauscharten schlecht. Für stationäre Arten
von Hintergrundrauschen (wie Autogeräusche oder Wind als Hintergrundrauschen)
funktioniert der Ansatz ohne Dithering gut, während der Dithering-Ansatz nicht so gut
funktioniert. Das liegt daran, dass der Dithering-Ansatz zufällige bzw.
stochastische Schwankungen in die Spektralparametervektoren für die Komfortrauscherzeugung
einbringt, obwohl das Hintergrundrauschen eigentlich stationär ist. Für nicht-stationäre Arten
von Hintergrundrauschen (Straßen-
oder Bürogeräusche),
funktioniert der Dithering-Ansatz gut, aber der Ansatz ohne Dithering
nicht. Somit ist der Dithering-Ansatz eher zum Simulieren nicht-stationärer Eigenschaften
des Hintergrundrauschens geeignet, während der Ansatz ohne Dithering
eher zur Erzeugung von stationärem
Komfortrauschen geeignet ist für
Fälle,
in denen das Hintergrundrauschen zeitlich fluktuiert. Bei Verwendung
von einem von beiden Ansätzen
zur Erzeugung von Komfortrauschen ist der Übergang zwischen dem künstlich erzeugten
Hintergrundrauschen und dem echten Hintergrundrauschen in vielen
Fällen
hörbar.
-
Es
ist vorteilhaft und wünschenswert,
ein Verfahren und ein System zum Erzeugen von Komfortrauschen bereitzustellen,
bei dem die Hörbarkeit
an dem Übergang
zwischen dem synthetisierten Hintergrundrauschen und dem echten
Hintergrundrauschen verringert oder im Wesentlichen beseitigt werden
kann, unabhängig
davon, ob das echte Hintergrundrauschen stationär oder nicht-stationär ist. WO
0031719 beschreibt ein Verfahren zum Berechnen von Variabilitäts-Informationen,
die zur Modifikation der Komfortrausch-Parameter verwendet werden
sollen. Im Speziellen wird die Berechnung der Variabilitätsinformationen
in dem Decoder ausgeführt.
Die Berechnung kann vollständig
in dem Dekoder vorgenommen werden, wobei während der Komfortrausch-Periode
Variabilitäts-Informationen
nur über
einen Komfortrausch-Rahmen vorhanden sind (jeder 24. Rahmen) und
die durch die Berechnung verursachte Verzögerung lang ist. Die Berechnung
kann auch zwischen dem Codierer und dem Decoder aufgeteilt werden,
doch wird in dem Übertragungskanal
eine höhere Bitrate
benötigt,
um Informationen von dem Codierer zu dem Decoder zu senden. Es ist
vorteilhaft, ein einfacheres Verfahren zum Modifizieren des Komfortrauschens
bereitzustellen.
-
WO
0011649 offenbart einen Sprachcodierer, der zur Codierung von Spracheingaben
verschiedene Codierungsschemata anwendet, die auf Parametern beruhen,
einschließlich
dem rauschartigen Spektralinhalt. Die Codierung eines rauschartigen
Rahmens ändert
sich in Abhängigkeit
davon, ob das Rauschen stationär oder
nicht-stationär
ist. Dieses Dokument offenbart nicht die Verwendung von Komfortrauschen.
-
„Immitance
spectral pairs (ISP) for speech encoding" von Bistritz Y. et al., IEEE, US, Vol.4,
27. April 1993, S. 9–12,
ISBN:0-7803-0946-4 vergleicht das Leistungsverhalten zwischen Verwendung
von Immitance Spectral Pairs und Line Spectral Pairs zur Darstellung
des Linear-Predictive-Coding-Filters.
-
Zusammenfassung der Erfindung
-
Es
ist ein Hauptziel der vorliegenden Erfindung, die Hörbarkeit
des Übergangs
zwischen dem echten Hintergrundrauschen in den Sprachperioden und
dem Komfortrauschen, das in den Nicht-Sprach-Perioden bereitgestellt
wird, zu verringern oder im wesentlichen zu beseitigen. Dieses Ziel
kann erreicht werden, indem Komfortrauschen auf Grundlage der Eigenschaften
des Hintergrundrauschens bereitgestellt wird.
-
Dementsprechend
bietet die vorliegende Erfindung ein Verfahren zum Erzeugen von
Komfortrauschen bei Sprachkommunikation, welche Sprachperioden und
Nicht-Sprachperioden
aufweist, wobei Signale, die eine Spracheingabe anzeigen, auf einer
Empfangsseite in Rahmen von einer Sendeseite zu einer Empfangsseite
empfangen werden, um die Sprachkommunikation durchzuführen, und
wobei die Spracheingabe eine Sprachkomponente und eine Nicht-Sprach-Komponente
aufweist, wobei die Nicht-Sprachkomponente
als stationär
oder nichtstationär
eingeordnet werden kann, wobei die Signale spektrale und Energie-Parameter
einschließen;
und wobei das Komfortrauschen auf Grundlage der spektralen und Energie-Parameter
in den Nicht-Sprachperioden erzeugt wird, um die Nicht-Sprach-Komponente
auf der Empfangsseite zu ersetzen, dadurch gekennzeichnet, dass
von der Sendeseite ein weiteres Signal empfangen wird, welches einen
ersten Wert aufweist, der anzeigt, dass die Nicht-Sprach-Komponente
stationär
ist oder einen zweiten Wert, der anzeigt, dass die Nicht-Sprach-Komponente
nichtstationär
ist, und Modifizieren der spektralen Parameter mit einer zufälligen Komponente
vor der Erzeugung des Komfortrauschens, wenn das weitere Signal
den zweiten Wert aufweist.
-
Gemäß der vorliegenden
Erfindung können
die Spektral- und Energie-Parameter einen Spektralparametervektor
und ein Energieniveau einschließen,
das aus der Nicht-Sprach-Komponente
der Spracheingabe abgeschätzt
wird, und das Komfortrauschen kann auf Grundlage des Spektralparametervektors
und des Energieniveaus erzeugt werden. Wenn das weitere Signal den
zweiten Wert aufweist, wird ein zufälliger Wert in Elemente des
Spektralparametervektors und das Energieniveau zum Erzeugen des
Komfortrauschens eingefügt.
-
Gemäß der vorliegenden
Erfindung kann das Verfahren weiter umfassen, auf der Sendeseite
zu bestimmen, ob die Nicht-Sprach-Komponente stationär oder nicht-stationär ist, auf
Grundlage der spektralen Abstände
zwischen den Spektralparametervektoren. Die spektralen Abstände können über eine
Mittelungsperiode summiert werden, um einen summierten Wert bereitzustellen,
und die Nicht-Sprach-Komponente kann als stationär eingeordnet werden, wenn
der summierte Wert kleiner ist als ein vorbestimmter Wert, und als nicht-stationär, wenn
der summierte Wert größer oder
gleich dem vorbestimmten Wert ist. Die Spektralparametervektoren
können
linear spectral frequency (LSF)-Vektoren, immittance spectral frequency
(ISF)-Vektoren und ähnliche
sein.
-
Gemäß der Erfindung
wird außerdem
ein System zur Verwendung bei Sprachkommunikation bereitgestellt,
welches eine Sendeseite aufweist, um sprachbezogene Parameter bereitzustellen,
die eine Spracheingabe angeben, und eine Empfangsseite, um die Spracheingabe
auf Grundlage der sprachbezogenen Parameter zu rekonstruieren, wobei
die Sprachkommunikation Sprachperioden und Nicht-Sprach-Perioden
aufweist und die Spracheingabe eine Sprachkomponente und eine Nicht-Sprach-Komponente
aufweist, wobei die Nicht-Sprach-Komponente als stationär und nicht-stationär klassifizierbar
ist, wobei die Empfangsseite einen Zufallsrauschgenerator zum Erzeugen
des Komfortrauschens auf Grundlage von Energie- und Spektralparametern
in den sprachbezogenen Parametern in den Nicht-Sprach-Perioden umfasst,
um die Nicht-Sprach-Komponente zu ersetzen, wobei das System durch
Mittel gekennzeichnet ist, die sich auf der Sendeseite befinden,
um zu Bestimmen, ob die Nicht-Sprachkomponente stationär oder nicht-stationär ist und um
ein Signal bereitzustellen, welches einen ersten Wert aufweist,
der anzeigt, dass die Nicht-Sprach-Komponente
stationär
ist, oder einen zweiten Wert, welcher anzeigt, dass die Nicht-Sprach-Komponente
nicht-stationär
ist; und Mittel, die sich auf der Empfangsseite befinden, welche
auf das Signal ansprechen, um die Spektralparameter mit einer zusätzlichen
Zufallskomponente zu modifizieren, bevor das Komfortrauschen erzeugt wird,
wenn das weitere Signal den zweiten Wert aufweist.
-
Die
Sendeseite kann einen Codierer umfassen, und die Empfangsseite kann
einen Decoder umfassen. Der Codierer kann ein Spektralanalyse-Modul
umfassen, welches auf die Spracheingabe ansprechend ist, um einen
Spektralparametervektor und einen Energieparameter bereitzustellen,
welche die Nicht-Sprach-Komponente der Spracheingabe angeben. Der
Dekodierer kann Mittel umfassen, um das Komfortrauschen auf Grundlage
des Spektralparametervektors und des Energieniveaus bereitzustellen.
Das Mittel zum Bestimmen, ob die Nicht-Sprach-Komponente stationär oder nicht-stationär ist, kann
ein Rausch- bzw. Geräuschdetektormodul
umfassen, das sich in dem Codierer befindet, und das Mittel zum
Einfügen
der zufälligen
Komponente kann ein Dithering-Modul umfassen, welches sich in dem
Decoder befindet, und das eingerichtet ist, eine zufällige Komponente
in Elemente des Spektralparametervektors und des Energieniveaus
einzufügen,
um das Komfortrauschen zu modifizieren.
-
Zusätzlich wird
gemäß der Erfindung
ein Sprachdekoder zum Rekonstruieren eines Sprachsignals in Sprachkommunikation
bereitgestellt, wobei das Sprachsignal Sprachperioden und Nicht-Sprach-Perioden
aufweist, wobei Informationen, die eine Spracheingabe anzeigen,
in Rahmen von einer Sendeseite empfangen werden, um die Sprachkommunikation
zu ermöglichen,
wobei die Spracheingabe eine Sprachkomponente und eine Nicht-Sprachkomponente
aufweist, wobei die Nicht-Sprach-Komponente als stationär oder nichtstationär klassifizierbar
ist, wobei die Informationen Spektral- und Energieparameter umfassen,
wobei der Sprachdecoder Mittel umfasst, die auf die Informationen
ansprechen, um die Sprachsignale zumindest teilweise aufgrund der
Informationen zu rekonstruieren, und Mittel zum Erzeugen von Komfortrauschen
in Abhängigkeit
der Spektral- und Energieparameter in den Nicht-Sprach-Perioden,
um die Nicht-Sprach-Komponente zu ersetzen, wobei der Sprach-Decoder
gekennzeichnet ist durch Mittel zum Empfangen weiterer Informationen
von der Sendeseite, wobei die weiteren Informationen einen ersten
Wert oder einen zweiten Wert aufweisen, um anzugeben, dass die Nicht-Sprach-Komponente
stationär
oder nicht-stationär
ist; und Mittel zum Modifizieren der spektralen Parameter mit einer
zufälligen
Komponente vor der Erzeugung des Komfortrauschens, wenn das weitere
Signal den zweiten Wert aufweist.
-
Darüber hinaus
wird gemäß der Erfindung
ein Sprachcodierer zur Verwendung bei Sprachkommunikation bereitgestellt,
der einen Codierer zum Bereitstellen von Sprachparametern aufweist,
die eine Spracheingabe anzeigen, wobei die Sprachkommunikation Sprachperioden
und Nicht-Sprach-Perioden aufweist und die Spracheingabe eine Sprachkomponente
und eine Nicht-Sprach-Komponente aufweist, wobei die Nicht-Sprach-Komponente
als stationär
oder nicht-stationär
klassifizierbar ist, wobei der Codierer ein Spektralanalysemodul
umfasst, das auf die Spracheingabe anspricht, um einen Spektralparametervektor
und einen Energieparameter bereitzustellen, die die Nicht-Sprach-Komponente der Spracheingabe
anzeigen, gekennzeichnet durch ein Geräuschdetektormodul, das sich
in dem Codierer befindet, welches auf den Spektralparametervektor
und den Energieparameter anspricht, zum Bestimmen ob die Nicht-Sprach-Komponente
stationär oder
nicht-stationär
ist und zum Übertragen
eines Signals, welches einen ersten Wert aufweist, der angibt, dass
die Nicht-Sprach-Komponente stationär ist, und einen zweiten Wert,
der angibt, dass die Nicht-Sprach-Komponente nicht-stationär ist, an
einen Decoder, um Komfortrauschen in den Nicht-Sprach-Perioden zu
erzeugen, um die Nicht-Sprach-Komponente
der Spracheingabe zu ersetzen.
-
Darüber hinaus
wird gemäß der Erfindung
ein Verfahren zum Übermitteln
von Parametern für
die Rekonstruktion von Sprachkommunikation bereitgestellt, welche
Sprachperioden und Nicht-Sprach-Perioden aufweist, umfassend ein
Senden von Signalen, die eine Spracheingabe angeben, an einen Empfänger, um
die Rekonstruktion von Sprachkommunikation auszuführen, wobei
die Spracheingabe eine Sprachkomponente und eine Nicht-Sprachkomponente
aufweist, und wobei die Nicht-Sprach-Komponente als stationär oder nicht-stationär klassifizierbar
ist; Bereitstellen eines Spektralparametervektors und eines Energieparameters, die
die Nicht-Sprach-Komponente der Sprache anzeigen, unter Verwendung
eines Spektralanalysemoduls, welches auf die Spracheingabe anspricht;
gekennzeichnet durch Bestimmen, unter Verwendung eines Geräuschdetektormoduls,
welches auf den Spektralparametervektor und den Energieparameter
anspricht, ob die Nicht-Sprach-Komponente
stationär
oder nicht-stationär
ist und Bereitstellen eines Signals an die Empfangsseite, welches
einen ersten Wert aufweist, der anzeigt, dass die Nicht-Sprach-Komponente stationär ist, und einen
zweiten Wert, der anzeigt, dass die Nicht-Sprach-Komponente nicht-stationär ist, zur
Erzeugung von Komfortrauschen in den Nicht-Sprach-Perioden, um die
Nicht-Sprach-Komponente der Spracheingabe zu ersetzen.
-
Die
vorliegende Erfindung wird nach Lesen der Beschreibung in Verbindung
mit den 1 bis 7 ersichtlich
werden.
-
Kurze Beschreibung der
Zeichnungen
-
1 ist
ein Blockdiagramm, welches einen typischen Handler bzw. eine Steuerung
für diskontinuierliche Übertragung
der Sendeseite zeigt.
-
2 ist
ein Zeitablaufdiagramm, welches die Synchronisation zwischen einem
Stimm-Aktivitätsdetektor
und einem Booleschen Sprach-Flag zeigt.
-
3 ist
ein Blockdiagramm, welches einen typischen Handler für diskontinuierliche Übertragung
der Empfangsseite zeigt.
-
4 ist
ein Blockdiagramm, welches ein System zur Erzeugung von Komfortrauschen
nach dem Stand der Technik zeigt, das den Ansatz ohne Dithering
verwendet.
-
5 ist
ein Blockdiagramm, welches ein System zur Erzeugung von Komfortrauschen
nach dem Stand der Technik zeigt, das den Dithering-Ansatz verwendet.
-
6 ist
ein Blockdiagramm, welches das System zur Erzeugung von Komfortrauschen
gemäß der vorliegenden
Erfindung zeigt.
-
7 ist
ein Flussdiagramm, welches das Verfahren der Komfortrausch-Erzeugung
gemäß der vorliegenden
Erfindung zeigt.
-
Beste Art und Weise zur
Ausführung
der Erfindung
-
Das
System zur Erzeugung von Komfortrauschen 1 gemäß der vorliegenden
Erfindung ist in 6 gezeigt. Wie gezeigt umfasst
das System 1 einen Codierer 10 und einen Decoder 12.
In dem Codierer 10 wird ein Spektralanalysemodul 20 verwendet,
um lineare Prädiktions(linear
prediction, LP)-Parameter 112 aus dem Eingabesprachsignal 100 zu
gewinnen. Gleichzeitig wird ein Energieberechnungsmodul 24 verwendet,
um den Energiefaktor 122 aus dem Eingabesprachsignal 100 zu
berechnen. Ein Spektral-Mittelungsmodul 22 berechnet
die gemittelten Spektralparametervektoren 114 aus den LP-Parametern 112.
Ebenso berechnet ein Energiemittelungsmodul 26 die empfangene
Energie 124 aus dem Energiefaktor 122. Die Berechnung
der gemittelten Parameter ist im Fach bekannt, wie offenbart in
Digital Cellular Telecommunications system (Phase 2+), Comfort Noise
Aspects for Enhanced Full Rate Speech Traffic Channels (ETSI EN
300 728 v8.0.0 (2000-07)). Die gemittelten Spektralparametervektoren 114 und
die gemittelte empfangene Energie 124 werden von dem Codierer 10 auf
der Sendeseite an den Decoder 12 auf der Empfangsseite
gesendet, wie im Stand der Technik.
-
In
dem Codierer 10 bestimmt gemäß der vorliegenden Erfindung
ein Detektormodul 28 aus den Spektralparametervektoren 114 und
der empfangenen Energie 124, ob das Hintergrundrauschen
stationär
oder nicht-stationär
ist. Die Informationen, die anzeigen, ob das Hintergrundrauschen
stationär
oder nichtstationär ist,
werden von dem Codierer 10 an den Decoder 12 in
Form eines „Stationaritäts-Flags" 130 gesendet.
Das Flag 130 kann in einer Binärzahl gesendet werden. Wenn
zum Beispiel das Hintergrundrauschen als stationär klassifiziert ist, wird das
Stationaritäts-Flag
gesetzt und dem Flag 130 wird ein Wert von 1 zugeordnet.
Andernfalls wird das Stationaritäts-Flag
NICHT gesetzt, und dem Flag 130 wird ein Wert von 0 zugeordnet.
Wie der Decoder nach dem Stand der Technik, wie in 4 und 5 gezeigt,
interpolieren eine Spektralinterpolations-Einrichtung 30 und
eine Energie-Interpolations-Einrichtung 36 S'(n + i) und E'(n + i) in einem
neuen SID-Rahmen aus vorhergehenden SID-Rahmen gemäß Gleichung
1 bzw. Gleichung 2. Der interpolierte Spektralparametervektor S'ave wird
mit Bezugsziffer 116 bezeichnet. Die interpolierte empfangene
Energie E'ave wird mit Bezugsziffer 126 bezeichnet.
Wenn das Hintergrundrauschen durch das Detektormodul 28 als
nicht-stationär
klassifiziert wird, wie durch den Wert des Flags 130 (=
0) angezeigt, simuliert ein Spektral-Dithering-Modul 32 die
Fluktuation des tatsächlichen
Hintergrundrausch-Spektrums durch Einbringen einer zufälligen Komponente
in die Spektralparametervektoren 116, gemäß Gleichung
3, und ein Energie-Dithering-Modul 38 fügt zufälliges Dithering in die empfangene
Energie 126 gemäß Gleichung
4 ein. Der mit Dithering versehene (dithered) Spektralparametervektor
S''ave wird
mit Bezugsziffer 118 bezeichnet, die mit Dithering versehene
empfangene Energie E''ave wird
mit Bezugsziffer 128 bezeichnet. Wenn jedoch das Hintergrundrauschen
als stationär klassifiziert
wird, wird das Stationaritäts-Flag 130 gesetzt.
Das Spektral-Dithering-Modul 32 und das Energie-Dithering-Modul 38 werden
gewissermaßen
umgangen, so dass S''ave =
S'ave und
E''ave =
E'ave.
In diesem Fall ist das Signal 118 identisch mit dem Signal 116,
und das Signal 128 ist identisch mit dem Signal 126.
In beiden Fällen
wird das Signal 128 an ein Skalierungsmodul 40 übermittelt.
Auf Grundlage der gemittelten Energie E''ave modifiziert das Skalierungsmodul 40 die
Energie des Komfortrauschens so, dass das Energieniveau 150,
wie von dem Decoder 12 geliefert, in etwa gleich der Energie
des Hintergrundrauschens in dem Codierer 10 ist. Wie in 6 gezeigt
ist, wird ein Zufallsrausch-Generator 50 verwendet, um
einen stochastischen weißen
Rauschen-Vektor zu erzeugen, der als Anregung (excitation) verwendet
werden soll. Das weiße
Rauschen wird mit Bezugsziffer 140 bezeichnet, und das
skalierte oder modifizierte weiße
Rauschen wird mit Bezugsziffer 142 bezeichnet. Das Signal 118,
oder der gemittelte Spektralparametervektor S''ave, der das gemittelte Hintergrundrauschen
der Eingabe 100 darstellt, wird an ein Synthesefiltermodul 34 geliefert.
Auf Grundlage des Signals 118 und der skalierten Anregung 142 liefert
das Synthesefiltermodul 34 das Komfortrauschen 150.
-
Das
Hintergrundrauschen kann basierend auf den spektralen Abständen ΔD
i von jedem der Spektralparameter(LSF oder
ISF)-Vektoren f(i) zu den übrigen
Spektralparameter(LSF oder ISF)-Vektoren f(j), i = 0, ..., l
dtx-1, j = 0, ..., l
dtx-1,
i ≠ j innerhalb
der CN-Mittelungsperiode (l
dtx) als stationär oder nichtstationär klassifiziert werden.
Die Mittelungsperiode ist typischerweise 8. Die spektralen Abstände werden
wie folgt genähert:
oder alle
i = 0, ..., l
dtx-1, i ≠ j, wobei
und f
i(k) der k-te Spektralparameter des Spektralparametervektors
f(i) bei Rahmen i ist, und M die Ordnung des Synthesefilters (LP)
ist.
-
Wenn
die Mittelungsperiode
8 ist, dann ist der gesamte Spektralabstand
Wenn D
s klein
ist, wird das Stationaritäts-Flag
gesetzt (das Flag
130 weist einen Wert von 1 auf), was
anzeigt, dass das Hintergrundrauschen stationär ist. Andernfalls wird das
Stationaritäts-Flag NICHT gesetzt
(das Flag
130 weist einen Wert von 0 auf), was anzeigt,
dass das Hintergrundrauschen nicht-stationär ist. Vorzugsweise wird der
gesamte Spektralabstand D
s mit einer Konstante
verglichen, die in Fixkommaarithmetik gleich 67108864 und in Gleitkomma
etwa 5147609 sein kann. Das Stationaritäts-Flag wird gesetzt oder NICHT
gesetzt, abhängig
davon, ob D
s kleiner als diese Konstante
ist oder nicht.
-
Zusätzlich kann
die Leistungsänderung
zwischen Rahmen in Betracht gezogen werden. Zu diesem Zweck wird
das Energieverhältnis
zwischen zwei aufeinanderfolgenden Rahmen, E(i)/E(i + 1), berechnet.
Wie im Fach bekannt ist, wird die Rahmenenergie für jeden
Rahmen, der mit VAD = 0 markiert ist, wie folgt berechnet:
wobei s(n) das hochpassgefilterte
Eingabesprachsignal des derzeitigen Rahmens i ist. Wenn mehr als
eines dieser Energieverhältnisse
groß genug
ist, wird das Stationaritäts-Flag
zurückgesetzt
(der Wert von Flag
130 wird 0), selbst wenn es zuvor bei
kleinem D
s gesetzt wurde. Dies entspricht
einem Vergleich der Rahmenenergie in logarithmischer Darstellung
für jeden
Rahmen mit der gemittelten logarithmischen Energie. Wenn somit die
Summe der absoluten Abweichung en
log(i)
von dem Durchschnitt en
log groß ist, wird
das Stationaritäts-Flag zurückgesetzt,
selbst wenn es zuvor bei kleinem D
s gesetzt
wurde. Wenn die Summe der absoluten Abweichung größer als
180 in Fixkommaarithmetik ist (1.406 in Gleitkomma), wird das Stationaritäts-Flag
zurückgesetzt.
-
Wenn
ein Dithering in Spektralparametervektoren gemäß Gleichung 3 eingefügt wird,
ist bevorzugt, dass in niedrigere spektrale Komponenten ein geringerer
Umfang von Dithering eingesetzt wird als in die höheren spektralen
Komponenten (LSF oder ISF-Elemente). Dies modifiziert die Einfügung von
spektralem Dithering, Gleichung 3, in die folgende Form: Save''(i) = Save'(i) + rand(–L(i), L(i)),
i = 0, ..., M-1 (8)wobei
L(i) für
hochfrequente Komponenten als Funktion von i ansteigt, und M die
Ordnung des Synthesefilters (LP) ist. Wenn zum Beispiel auf den
AMR Wideband-Codec angewandt, kann der L(i)-Vektor die folgenden Werte
aufweisen:
12800/32768 {128,140,152,164,176,188,200,212,224,236,248,260,272,284,296,0}
(siehe
3rd Generation Partnership Project, Technical Specification Group
Services and System Aspects, Mandatory Speech Codec speech processing
functions, AMR Wideband speech codec, Transcoding functions (3G TS
26.190 version 0.02)). Es sollte beachtet werden, dass hier die
ISF-Domäne
für die
spektrale Darstellung verwendet wird, und das vorletzte Element
des Vektors (i-M-2) die höchste
Frequenz und das erste Element des Vektors (i = 0) darstellt. In
der LSF-Domäne
stellt das letzte Element des Vektors (i-M-1) die höchste Frequenz
und das erste Element des Vektors dar (i = 0).
-
Die
Einfügung
von Dithering für
Energieparameter ist analog zum spektralen Dithering und kann gemäß Gleichung
4 berechnet werden. In logarithmischer Darstellung lautet die Dithering-Einfügung für Energieparameter
wie folgt: enmeanlog = enmeanlog +
rand(–L,L) (9)
-
7 ist
ein Flussdiagramm, welches das Verfahren des Erzeugens von Komfortrauschen
während der
Nicht-Sprach-Perioden gemäß der vorliegenden
Erfindung veranschaulicht. Wie in Flussdiagramm 200 gezeigt
ist, werden der gemittelte Spektralparametervektor S'ave und
die gemittelte empfangene Energie E'ave in Schritt 202 berechnet.
In Schritt 204 wird der gesamte Spektralabstand Ds berechnet. Wenn in Schritt 206 ermittelt
wird, dass Ds nicht kleiner als ein vorbestimmter
Wert ist, (z.B. 67108864 in Fixkommaarithmetik), dann wird das Stationaritäts-Flag
nicht gesetzt. Entsprechend wird in Schritt 232 Dithering
in S'ave und
E'ave eingefügt, was
S''ave und
E''ave ergibt.
Wenn Ds kleiner ist als der vorbestimmte
Wert, dann wird das Stationaritäts-Flag gesetzt.
Der Dithering-Vorgang in Schritt 232 wird übergangen,
oder S''ave =
S'ave und
E''ave =
E'ave.
Optional wird ein Schritt 208 ausgeführt, um die Energieänderung
zwischen Rahmen zu messen. Wenn die Energieänderung groß ist, wie in Schritt 230 ermittelt,
dann wird das Stationaritäts-Flag
zurückgesetzt
und der Vorgang wird zurück
zu Schritt 232 geführt.
Auf Grundlage von S''ave und
E''ave wird
das Komfortrauschen in Schritt 234 erzeugt.
-
Es
wurden unter Verwendung des Verfahren gemäß der Erfindung drei verschiedene
Arten von Hintergrundrauschen getestet. Bei Autogeräuschen werden
95.0% der Komfort-Rausch-Rahmen
als stationär
eingeordnet. Bei Bürogeräuschen werden
36.9% der Komfort-Rausch-Rahmen
als stationär
eingeordnet, und bei Straßengeräuschen werden
25.8% der Komfort-Rausch-Rahmen
als stationär
eingeordnet. Dies ist ein sehr gutes Ergebnis, da Autogeräusche ein
hauptsächlich
stationäres
Hintergrundgeräusch
bzw. -rauschen darstellen, während
Büro- und Straßengeräusche hauptsächlich nichtstationäre Arten
von Hintergrundgeräuschen sind.
-
Es
sollte beachtet werden, dass die Berechnung bezüglich des Stationaritäts-Flags
gemäß der vorliegenden
Erfindung vollständig
in dem Codierer durchgeführt
wird. Damit wird die Berechnungsverzögerung im Vergleich zu dem
reinen Dekoder-Verfahren, wie in WO 00/31719, deutlich verringert.
Des weiteren verwendet das Verfahren gemäß der vorliegenden Erfindung
nur ein Bit, um Informationen von dem Codierer an den Decoder zur
Komfortrausch-Modifikation zu senden. Im Gegensatz dazu ist im Übertragungskanal
eine sehr viel höhere
Bitrate erforderlich, wenn die Berechnung zwischen Codierer und
Decoder aufgeteilt ist, wie in WO 00/31719 offenbart.
-
Auch
wenn die Erfindung in Bezug auf eine ihrer bevorzugten Ausführungsformen beschrieben
wurde, ist es für
den Fachmann offensichtlich, dass die vorstehenden und verschiedene
weitere Änderungen,
Auslassungen und Abweichungen in Form und Details vorgenommen werden
können,
ohne den Schutzbereich dieser Erfindung zu verlassen.
und fi(k) der k-te Spektralparameter des Spektralparametervektors f(i) bei Rahmen i ist, und M die Ordnung des Synthesefilters (LP) ist.
