Патент США № 4,409,450

Патент США № 4,409,450 — это патент на изобретение, выданный Ведомством по патентам и товарным знакам США (USPTO) 11 октября 1983 года под названием «Способ и устройство для кодирования и декодирования речи» (Method and Apparatus for Encoding and Decoding Speech). Изобретение относится к области цифровой обработки сигналов, а именно к методам сжатия речевого сигнала с использованием линейного предсказания с кодовым возбуждением (Code-Excited Linear Prediction, CELP). Данный патент считается одним из основополагающих в развитии технологий низкоскоростного кодирования речи, которые впоследствии легли в основу многих стандартов цифровой связи, включая сотовую телефонию и IP-телефонию.

История и предпосылки

В конце 1970-х — начале 1980-х годов остро стояла проблема эффективного сжатия речевого сигнала для передачи по каналам с ограниченной пропускной способностью, особенно в системах мобильной связи и спутниковой связи. Существовавшие методы, такие как импульсно-кодовая модуляция (ИКМ) и адаптивная дифференциальная импульсно-кодовая модуляция (АДИКМ), требовали относительно высокой скорости передачи (от 32 до 64 кбит/с) для приемлемого качества. Более эффективные методы, основанные на линейном предсказании (LPC), позволяли снизить скорость до 2,4 кбит/с, но качество речи при этом было низким, а голос звучал неестественно.

Изобретатели патента — американские инженеры Манфред Р. Шредер (Manfred R. Schroeder) и Бишну С. Атал (Bishnu S. Atal), работавшие в исследовательской лаборатории Bell Labs (США). В 1982 году они подали заявку на патент, в которой предложили новый подход к кодированию речи, сочетающий преимущества кодирования с линейным предсказанием и векторного квантования. Патент был зарегистрирован 11 октября 1983 года.

Устройство и принцип работы

Основная идея патента заключается в использовании кодового возбуждения (code-excited) для генерации сигнала ошибки, который не может быть предсказан линейным предсказателем. В отличие от традиционных LPC-кодеров, где возбуждающий сигнал формировался простым импульсным генератором или шумом, в CELP-кодере используется кодовая книга (codebook) — набор заранее записанных векторов (последовательностей отсчётов).

Основные компоненты

1. Анализатор линейного предсказания (LPC-анализатор). Вычисляет коэффициенты линейного предсказания для каждого кадра речи (обычно длительностью 20–30 мс). Эти коэффициенты описывают спектральную огибающую сигнала и позволяют предсказать текущий отсчёт на основе предыдущих.

1. Кодовая книга возбуждения (Codebook). Содержит фиксированный набор векторов (обычно от 256 до 1024 векторов). Каждый вектор представляет собой последовательность отсчётов, которая может быть использована для возбуждения синтезирующего фильтра.

1. Синтезирующий фильтр (LPC-фильтр). Фильтр с обратной связью, который на основе коэффициентов предсказания и сигнала возбуждения восстанавливает речевой сигнал.

1. Блок поиска (Search algorithm). Алгоритм, который перебирает все векторы из кодовой книги и выбирает тот, который минимизирует ошибку между исходным и синтезированным сигналом (обычно по критерию среднеквадратичной ошибки с учётом перцептивного взвешивания).

Процесс кодирования

1. Исходный речевой сигнал разбивается на кадры.
2. Для каждого кадра вычисляются коэффициенты LPC.
3. Для каждого кадра выполняется поиск по кодовой книге: перебираются все векторы, каждый из них подаётся на вход синтезирующего фильтра, и полученный сигнал сравнивается с исходным.
4. Выбирается вектор, который даёт минимальную ошибку. Выходными данными кодера являются: индекс выбранного вектора из кодовой книги, коэффициент усиления (амплитуда) и коэффициенты LPC.

Процесс декодирования

1. Декодер получает индексы, коэффициенты усиления и коэффициенты LPC.
2. По индексу из кодовой книги извлекается соответствующий вектор.
3. Вектор умножается на коэффициент усиления и подаётся на вход синтезирующего фильтра.
4. На выходе фильтра формируется восстановленный речевой сигнал.

Значение и влияние

Патент США № 4,409,450 стал основой для целого семейства алгоритмов кодирования речи, известных как CELP (Code-Excited Linear Prediction). Эти алгоритмы позволили достичь высокого качества речи при скоростях передачи от 4,8 до 16 кбит/с, что было революционным для своего времени.

Основные достижения

• Стандартизация. На основе CELP были разработаны многочисленные международные стандарты, включая:
• G.728 (ITU-T) — кодек с низкой задержкой (LD-CELP) на 16 кбит/с.
• G.729 (ITU-T) — кодек CS-ACELP на 8 кбит/с, широко используемый в IP-телефонии.
• GSM 06.10 (RPE-LTP) — хотя не является чистым CELP, использует родственные принципы.
• AMR (Adaptive Multi-Rate) — кодек для сотовых сетей 3G, основанный на ACELP (алгебраическом CELP).

• Коммерческое применение. CELP-кодеки стали стандартом де-факто для мобильной связи (2G, 3G, 4G) и VoIP-сервисов. Они обеспечивают приемлемое качество речи при низкой скорости передачи, что критически важно для беспроводных сетей с ограниченной пропускной способностью.

• Дальнейшее развитие. Идеи, заложенные в патенте, легли в основу более совершенных кодеков, таких как ACELP (Algebraic CELP), VSELP (Vector Sum Excited Linear Prediction) и CELP с адаптивной кодовой книгой. Современные кодеки, такие как Opus и AAC-LD, также используют принципы, восходящие к CELP.

Критика и ограничения

Несмотря на огромный успех, технология CELP имела и недостатки, которые были отмечены в ходе её эксплуатации:

• Вычислительная сложность. Поиск по кодовой книге требовал значительных вычислительных ресурсов, что в 1980-е годы делало реализацию кодеков на маломощных процессорах затруднительной. С развитием цифровых сигнальных процессоров (DSP) эта проблема была решена.
• Задержка. Алгоритмы CELP вносят значительную задержку (обычно 20–40 мс), что может быть критично для приложений реального времени, таких как голосовая связь с низкой задержкой.
• Качество при низких скоростях. При скоростях ниже 4 кбит/с качество речи в CELP-кодеках резко ухудшается, появляются артефакты («металлический» или «синтетический» голос). Для сверхнизких скоростей (2,4 кбит/с и ниже) были разработаны другие подходы, например, MELP (Mixed Excitation Linear Prediction).

Интересные факты

• Патент США № 4,409,450 является одним из наиболее цитируемых патентов в области обработки речи. На него ссылаются тысячи последующих патентов и научных работ.
• Изобретатели Манфред Шредер и Бишну Атал получили множество наград за свой вклад в развитие цифровой связи, включая премию IEEE Alexander Graham Bell Medal (1998) и премию Эмми (1999) за технологию, используемую в цифровом телевидении.
• Патент истёк в 2003 году, после чего технология CELP стала общедоступной, что способствовало её широкому распространению в открытых проектах, таких как кодеки Speex и Opus.

Источники

• Патент США № 4,409,450 «Method and Apparatus for Encoding and Decoding Speech», 1983.
• M. R. Schroeder, B. S. Atal, «Code-Excited Linear Prediction (CELP): High-Quality Speech at Very Low Bit Rates», Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), 1985.
• ITU-T Recommendation G.729 — Coding of Speech at 8 kbit/s Using Conjugate-Structure Algebraic-Code-Excited Linear Prediction (CS-ACELP), 1996.
• A. M. Kondoz, «Digital Speech: Coding for Low Bit Rate Communication Systems», 2nd ed., Wiley, 2004.
• R. J. McAulay, T. F. Quatieri, «Speech Analysis/Synthesis Based on a Sinusoidal Representation», IEEE Transactions on Acoustics, Speech, and Signal Processing, 1986.