Codificadores de Voz em Baixas Taxas de Transmissão

Transcrição

1 Codificadores de Voz em Baixas Taxas de Transmissão Eider L. Oliveira Universidade Católica de Goiás Departamento de Engenharia Engenharia Elétrica - UCG eider@ucg.br Resumo Este artigo descreve algumas técnicas de codificação do sinal de voz, usando como referência o codificador CEL com o objetivo de se alcançar baixas taxas de transmissão. Atributos como complexidade computacional, qualidade do sinal sintetizado e formação da voz são discutidos com o intuito de caracterizar os codificadores e mostrar sua importância nas telecomunicações, sobretudo, na telefonia. alavras-chave: Linear redictive Coding, CEL, taxa de bits, qualidade e complexidade computacional. Sinal de Entrada - Introdução A voz é a forma principal da comunicação humana. Com isso são cada vez mais comuns máquinas capazes de armazenar, transmitir, reconhecer, manipular e até mesmo criar a voz. Com o objetivo de garantir a facilidade de processamento em todas essas operações é usado o sinal digital. Um atributo importante de uma particular representação digital é a taxa de bits, no qual se especifica quantos bits são necessários para descrever um segundo de voz. A transmissão de um sinal de voz digital requer um canal com uma largura de banda que está em função da taxa de bits. Assim, o custo desse sistema é sempre uma função desse parâmetro. O objetivo na codificação da voz é representar a voz com o menor número de bits enquanto são mantidas sua inteligibilidade e a qualidade. A Figura mostra o diagrama desse sistema. ode-se, ainda, desejar maximizar a qualidade da voz para uma dada taxa de transmissão. Com isso, aparecem aplicações para este sistema como voice mail, telefone pela internet, telefone celular digital, voz criptografada, entre outros[]. Codificador canal Decodificador Sinal Sintetizado Figura Diagrama de blocos de um sistema de codificação de voz. A representação digital mais elementar de um sinal de voz é obtida a partir da simples digitalização das amostras do mesmo. A codificação CM (ulse Code Modulation) é um bom exemplo e serve de ponto de partida para outras técnicas. Usualmente, a representação do sinal de voz pode ser classificada como segue: Forma de onda: busca obter maior semelhança possível entre a forma de onda do sinal original e sintetizado. Essa técnica alcança boa qualidade de voz com reduzida complexidade. Contudo, a qualidade da voz sintetizada sofre uma degradação substancial para baixas taxas de bits (abaixo de 6 kbits/s)[2]. aramétrica: extrai os parâmetros representativos do sinal original buscando eliminar a redundância que o sinal de voz apresenta. ara isso, modela-se o processo físico de produção da fala humana através de filtros digitais variantes no tempo. Em baixas taxas de bits os codificadores paramétricos possibilitam uma melhor qualidade de voz comparado aos codificadores da forma de onda. Um codificador que poderíamos usar como exemplo é o LC (Linear redictive Coding) que gera voz sintetizada em taxas menores que 2,4 kbits/s com boa inteligibilidade. Contudo, a qualidade subjetiva da voz gerada é inferior à desejada para aplicações como telefonia. A Figura 2 mostra o diagrama de blocos para este codificador onde um sinal de trem de impulsos gera, no filtro LC, os sons vozeados e um ruído de largo espectro de freqüência (ruído branco) excita o filtro para gerar sons [2] [3][5]. Excitação vozeada Excitação não vozeada LC Voz sintetizada Figura 2 Modelo fonte-filtro do processo de produção de voz. O desenvolvimento acelerado das técnicas de codificação de voz na década de 90 estabeleceu uma gama bastante variada de codificadores. Em vista disso, a classificação dicotômica apresentada mostra-se deficiente. O codificador CEL (Code- Excited Linear redictive), por exemplo, apresenta

2 características tanto de forma de onda quanto de codificadores paramétricos[2]. Este trabalho visa avaliar as características principais apresentadas pelos codificadores e revisar alguns conceitos importantes, presentes em codificadores CEL e seus derivados. 2 O Aparelho Fonador [4] O aparelho fonador humano, apresentado na Figura 3, é o primeiro bloco na cadeia da comunicação falada. Após a inalação do ar nos pulmões, os sinais de fala são produzidos durante a fase de exalação (a produção de fala durante a fase de inalação é extremamente rara). Este fluxo de ar, depois da eventual vibração das cordas vocais, situadas na laringe, excita o trato vocal constituído pela faringe, cavidade bucal, língua, lábios e dentes. ara produção de sons nasalados o véu palatino abre e o ar passa pelo trato nasal, sendo radiado pelas narinas. Trato nasal Cordas vocais Trato vocal Figura 3 Aparelho fonador humano Vozeamento Os sinais de fala são gerados com ou sem vibração das cordas vocais. Os sons produzidos sem vibração das cordas vocais são designados de não vozeados, enquanto que os sons produzidos com vibração das cordas vocais, ou seja através da abertura e fecho da glote (espaço entre as cordas vocais), são designados de vozeados. Nas zonas vozeadas, à medida que as cordas vocais vibram, estas fazem variar o grau de abertura da glote e conseqüentemente o volume de ar proveniente dos pulmões que passa através dela. É esta variação periódica na velocidade de volume na glote que vai excitar o trato vocal, produzindo sons com harmônicas da freqüência de vibração das cordas vocais, ou seja, da freqüência fundamental (f 0 ), habitualmente designada por freqüência de pitch. Nas zonas não vozeadas a glote mantém-se aberta e o ar proveniente dos pulmões, ao passar com suficiente velocidade por uma constrição do trato vocal, produz sons com turbulência. A freqüência fundamental depende da dimensão e espessura da glote. ara oradores do gênero masculino, a gama de vibração das cordas vocais situa-se nos Hz, enquanto que para oradores do gênero feminino essa gama situa-se nos Hz, podendo chegar aos 500 Hz para as crianças. Um orador pode ser caracterizado através da sua freqüência fundamental média, com variações naturais dependentes da entoação, stress e emoção. 3 Atributos rincipais dos Codificadores de Voz [] Os codificadores de voz diferem de acordo com a aplicação a que se destinam. Os principais atributos que diferenciam esses sistemas são: Taxa de bits: a redução na taxa de bits é a principal motivação para o uso dos codificadores. Os sistemas de codificação de voz com taxa fixa são mais comuns, mas podemos encontrar também codificadores com taxa variável de bits []. Qualidade da voz sintetizada: é um atributo vital para os codificadores de voz. Avaliar essa qualidade é também um problema sério. A medida que se criam codificadores de voz em taxas cada vez mais baixas, a qualidade do sinal reconstruído torna-se mais dependente das características do sinal de entrada, dificultando a previsão da aplicação do codificador no mundo real. O MOS (Mean Opinião Score) é a estratégia de medida mais utilizada. Este método tenta combinar todos os aspectos de qualidade do sinal em um único número. Um grupo de 20 a 60 ouvintes caracteriza o resultado de um codificador na escala de (qualidade não aceitável) a 5 (excelente qualidade). A Tabela mostra a escala MOS em detalhes. Complexidade: a complexidade computacional determina o custo de hardware (milhões de instruções por segundo MIS) para o codificador implementado. A maior parte dos sistemas é projetada para funcionar em tempo real. ara atingir esse objetivo, os algoritmos de codificação são executados em um microprocessador dedicado a processamento de sinais conhecido como DS (Digital Signal rocessor). Aplicações em telefonia usam DSs de ponto fixo e 6 bits. Mas recorre-se aos DSs de ponto flutuante e 32 bits quando se tem necessidade de diminuir a

3 quantidade de MIS do sistema de codificação de voz. Tabela Descrição da escala MOS Nota Características Ruim: ininteligível, o usuário não entende a mensagem decodificada. obre: o sinal possui interrupções devido 2 às degradações. O usuário faz grande esforço para entender alguns trechos. Moderado: a qualidade da voz é ruim, o usuário sente incomodado com as 3 degradações. Não tem interrupções e consegue-se entender a mensagem. Bom: a voz é agradável de se ouvir, ou seja, 4 percebe degradações mas não se incomoda com elas, pois são mínimas. Excelente: o usuário não consegue 5 diferenciar o trecho original do sintetizado. 4 Codificador CEL Os codificadores CEL são capazes de gerar sinais de voz de boa qualidade a baixas taxas (entre 4 e 6kbits/s). Os algoritmos desses codificadores buscam uma melhor representação da excitação na modelagem fonte-filtro, através da técnica conhecida como análise-por-síntese[2]. Os codificadores CEL freqüentemente utilizam um segundo filtro denominado filtro reditor de Longo Atraso (LA). O objetivo do filtro LA é explorar a correlação existente entre amostras do sinal de voz separadas por um período de pitch. Neste contexto, o filtro LC da Figura 2 passa a ser chamado de filtro reditor de Curto Atraso (CA). Isso porque o filtro CA explora a correlação existente entre amostras do sinal de voz separadas por um curto intervalo de tempo[6]. A ação dos filtros LA e CA gera o resíduo. O resíduo corresponde à parcela do sinal de voz que os filtros preditores não conseguiram estimar. Esse resíduo também representa o melhor sinal para ser entrada do filtro CA, sintetizando o sinal original[6]. Os codificadores da família CEL empregam um vetor (codeword) para representar o resíduo. Este vetor é selecionado dentre um conjunto préestabelecido conhecido como dicionário ou codebook. O princípio básico de funcionamento do CEL pode se descrito pelo diagrama de blocos da Figura 4. Cada vetor c i (n) é escalado pelo ganho G, e filtrado pela cascata de filtros LA e CA, gerando a voz sintetizada ^ s (n). O sinal s ^ (n) é comparado com o sinal original s (n) a ser codificado, calculando-se o erro entre estes dois sinais. Esse erro é ponderado pelo filtro W(z) gerando o sinal e i (n). O objetivo do filtro ponderador W(z) é aumentar a qualidade subjetiva do sinal sintetizado. O mesmo procedimento é repetido para as N codewords do codebook. A melhor codeword c i (n) será aquela que conduzir ao sinal e i (n) com menor energia. Vetor Vetor 2 Vetor N (n) c i Energia do Erro ganho G LA (z) 2 s (n) s (n) Análise LC (n) e i Figura 4 Diagrama de blocos do codificador CEL. CA H(z) _ ^ s (n) A codificação CEL baseia-se no tratamento de blocos de amostras conhecidos como quadros. Em um período de tempo (quadro) suficientemente curto (20 a 40 ms), o sinal de voz não apresenta variação significativa em suas propriedades estatísticas, podendo ser considerado estacionário dentro desse período. Cada quadro do sinal de voz é multiplicado por uma janela. Tipicamente, é usada a janela Hamming. O CA é calculado com o uso das técnicas de predição linear. O filtro CA é responsável pela envoltória espectral do sinal de voz. A função do CA é representar o trato vocal humano. or isso, o intervalo de atualização do CA é coerente com a velocidade de mudança da anatomia dos elementos do trato vocal. As atualizações do LA, da codeword c i (n) e de seu ganho G são efetuadas a intervalos menores denominados de subquadros. O tamanho do subquadro é igual ao tamanho de uma codeword. Esse intervalo é menor do que o utilizado para a atualização do CA porque, no sistema fonador humano, as características da excitação mudam mais rapidamente do que se modifica a configuração do trato vocal. As funções de transferência dos filtros H(z), W(z) e (z) são dadas por: H( z) = () i a i z W(z)

4 W ( z) i aiz = i i aiγ z (2) ( z) = (3) M + Bz Onde: a i : são os coeficientes, resultantes da análise, do filtro CA; γ : coeficiente de expansão da largura de banda do filtro W(z); B: coeficiente de predição; M: retardo do preditor. O ganho G pode ser calculado de duas maneiras diferentes. A primeira delas parte do princípio de que a energia da excitação pode ser aproximada pela energia do erro de predição resultante da análise LC. Assim, se as energias dos vetores forem normalizadas, em todos o codebook o valor de G pode ser calculado de modo a igualar a energia da excitação com a energia do erro de predição. Neste caso, o ganho é determinado antes da busca no dicionário. Na segunda maneira, o ganho é otimizado em função de cada vetor candidato analisado. Nesse caso, o valor final de G corresponde ao ganho ótimo associado ao vetor de excitação escolhido no codebook. Depois de todos os parâmetros serem determinados cada um deles é quantizado e transmitido ao decodificador por um canal de comunicação. São então transmitidos o índice da codeword, ganho e coeficientes dos filtros. A quantização é uma etapa fundamental na definição da taxa final de transmissão. 5 Decodificador CEL No decodificador o procedimento de síntese inicia-se pelo recebimento de um conjunto de parâmetros do quadro. O filtro CA e o filtro LA são reconstruídos e o índice/ganho definem o sinal de excitação dos filtros. A Figura 5 mostra o diagrama de blocos do decodificador. Vetor Vetor 2 Vetor N (n) c i ganho G LA (z) Figura 5 Decodificador CEL ^ s (n) CA H(z) 6 - Algoritmos de Compressão adronizados [] Enumeram-se a seguir os principais algoritmos de compressão de áudio de voz padronizados por órgãos internacionais como ITU (International Telecommunication Union), TIA (Telecommunication Industries Association) e USFS (United States Federal Standards). A utilização de algoritmos padronizados é importante para a interoperabilidade do sistema Codificação na forma de onda ITU G-7 (CM logarítmico lei A ou lei µ a 64 kbits/s): O sinal de voz na faixa de 4 khz, ou seja, filtrado de 00 a 3400 Hz, é amostrado a 8 khz com 4 (lei µ) ou 3 bits (lei A) e sofre uma compressão logarítmica para 8 bits. A compressão logarítmica é adequada por causa da natureza do sinal de voz: os sinais de baixa amplitude são mais freqüentes e mais importantes; ITU G-726 (ADCM a 40, 32, 24 ou 6 kbits/s): O sinal de voz é amostrado a 8 khz, codificado em 8 bits (leis A ou µ) e são transmitidas diferenças entre amostras com 5, 4, 3 ou 2 bits em quantização adaptativa. Outros métodos de compressão de áudio ADCM incluem as Recomendações-padrão G-72 (taxa de 32 kbits/s) e a G-724 (taxa de 24 kbits/s) e o algoritmo de compressão de áudio interativo; ITU G-722 (SB-ADCM a 64, 56 ou 48 kbits/s): O sinal de voz numa banda de 7 khz é amostrado a 6 khz e codificado em 4 bits, gerando assim uma taxa de 224 kbits/s. As amostras passam por um circuito codificador que as trata em duas sub-bandas e geram códigos numa taxa de 64, 56 ou 48 kbits/s. Nestes dois últimos casos, pode-se transmitir também dados a 8 ou 6 kbits/s para completar os 64 kbits/s. Este algoritmo é próprio para aplicações de videoconferência uma vez que telefones comuns não respondem na faixa de 7 khz Codificação aramétrica ITU G-723 (CS-ACEL a 5,3 ou 6,3 kbits/s): Em cada janela de 30 ms do sinal de voz, são analisadas 240 amostras de 6 bits do sinal de voz (tomadas a 8 khz) para identificação de pitch e são gerados 2 ou 0 códigos de 6 bits, conforme o algoritmo esteja configurado para uma taxa de 6,3 ou 5,3 kbits/s. É um codificador

5 próprio para videoconferência, telefonia móvel digital e aplicações multimídia; ITU G-729 (ACEL a 8 kbits/s): Em cada janela de 0 ms do sinal de voz, são analisadas 80 amostras de 8 bits para a geração de 0 códigos de 8 bits. É um codificador bastante otimizado nos seus vários aspectos (qualidade, atraso, taxa de compressão) e assim tem se difundido bastante; ITU G-728 (LD-CEL a 6 kbits/s): Em cada janela de 0,625 ms do sinal de voz, são analisadas 5 amostras de 8 bits (que internamente voltam para CM linear) e é gerado código de 0 bits. O codebook é uma tabela de 024 valores. Os pontos fortes deste codificador são o pequeno atraso e a qualidade do sinal de voz (muito parecida com a compressão não paramétrica). or isso é adequado para a maioria das aplicações. ermite inclusive o reconhecimento de DTMF e Modem de até 2400 bps. TIA IS-54 (VSEL a 8 kbits/s): Em cada janela de 20 ms do sinal de voz, são analisadas 60 amostras de 8 bits para a geração de 0 códigos de 6 bits. Este codificador é patente da Motorola e é próprio para telefonia móvel digital. TIA IS-64 (ACEL a 7,4 kbits/s): Em cada janela de 20 ms do sinal de voz, são analisadas 60 amostras de 8 bits para a geração de um frame de 48 bits. Também é próprio para telefonia celular digital. A Figura 6 trás um gráfico onde se compara a qualidade da voz sintetizada dos principais codificadores usados na atualidade. 7 - Conclusões Este artigo propõe a discussão dos principais termos presentes em codificadores de voz bem como suas aplicações, com o enfoque maior para telefonia. rocura abordar como o sistema funciona a partir de um codificador/decodificador CEL. Apesar de existirem diferentes implementações para o CEL, este codificador tem servido de ponto de partida para o desenvolvimento de vários sistemas de codificação de voz, alguns já padronizados. 8 - Referências [] KLEIJN, W. B. and ALIWAL, K. K. Speech coding and synthesis, ELSEVIER, 998. [2] KLAUTAU JR., ALDEBARO B. R. Codificação CEL com quantização vetorial do filtro LC utilizando busca rápida em árvore K- d, Dissertação de Mestrado, Florianópolis, UFSC,993. [3] DALL AGNOL, SÔNIA. Quantização eficiente dos parâmetros do filtro em codificadores VCEL, Dissertação de Mestrado, Rio de Janeiro, UC,993. [4] RIBEIRO, CARLOS EDUARDO M. rocessamento digital de fala INSTITUTO SUERIOR DE ENG.DE LISBOA, [5] KONDOZ, A. M. Digital speech: coding for low bir rate communications systems, WILEY, 998. [6] LANGI, A., GRIEDER W. and KINSNER, W. Fast CEL algorithm and implementation for speech compression DIGITRAL COMMUNICATIONS CONFERENCE, 994. Escala MOS ,3 6, Kbits/s G.7 CM G.726 ADCM G.728 LD-CEL G.729 G.723 Figura 6 Comparação entre codificadores de voz padronizados no ITU.