[发明专利]语音合成的位配置方法及装置

说明书

本发明为一种位配置方法及装置，尤指一语音合成的位配置方法及装置。

以人类听觉系统发展出的副频带(subband)编码器通常可用来压缩大幅变化的音输入信号，诸如繁杂的语音，多任务发声及音乐。副频带编码的基本原理在于分割输入音频谱(audio spectrum)为数个频带，再予以分别编码。

滤波器组(filter bank)通常用来分开输入的语音信号。在分割音频谱为数个频带之后，每一频带通过一低通滤波器，再以奈氏比(Nyquist)来取样、量化、编码、多任务(multiplexed)及传送。听觉模型(psychoacoustic model)计算出一组资料以控制量化器及编码。这些资料依实际编码器之实作而有所不同。可能的话，会使用屏蔽临界(masking threshold)的估算来做此量化器的控制。

在接收器方面，副频带是解多任务、译码及传送回到他们的原始频率位置。接着副频带信号总合在一起，给予一原始语音信号的近似值。

图1为传统的副频带编码器。语音信号S(n)由N个带通滤波器11滤波，得到B1到BN个副频带信号，其特征在于，每一副频带信号代表语音信号在该频带的能量强度。语音信号S(n)分批并联输入至N个带通滤波器11，变量n代表第n个信号框(frame)。

副频带信号B1~BN必须各藉由一降频器12进行降频(decimation)的动作。

每个副频带可以有个数不同的位数来进行量化，这些信息是内建于位配置表13中。位配置表是根据听觉模型14产生的。听觉模型14利用听觉对频率变化的感受呈度不同而建立的，以相同的能量而言，在人耳可接收的音频的高频、中频及低频中，其所感受的呈度却有不同，在高频及低频可能无法听到，而在中频却可听得很清楚。人们们即利用此一自然现象决定听觉模型p(f)，其特征在于，p：能量，f：频率。

因此根据听觉模型，人们们则可决定各副频带适合的位个数。影响较重的频带，配置较多的位，而影响较轻的频带则配置较少的位，甚至于无(若可供配置的位数不够多的话)。

量化编码器15即根据输入的语音信号S(n)在各个副频带的能量大小及位配置表记录的该副频带可供配置的位数，来量化每一副频带信号。例如副频带信号B1在位配置表记录可供配置的位个数为二位，则副频带信号B1在经过降频器12及量化编码器15之后可能出现的数值为00，01，10，11，可分别用来代表语音信号S(n)在第n信号框时，副频带信号B1的最小值、次小值、次大值及最大值。

所有副频带信号B1~BN的经量化编码后则会由多任务器MUX输出经编码完成的语音资料，并加以储存，直到每一信号时框皆编码完成为止。

请参见图2。当人们欲取出上述经编码的语音资料时，则需对其加以译码，而译码的过程基本上与编码的过程刚好相反。经编码的语音资料X(n)会先经解多任务器21将各个副频带的资料取出，再分别输入译码器22解出资料。译码器22则同时参考上述位配置表，才能将资料解出。

解出的资料b1~bN则会经升频器23作一升频的动作，即予以过取样(upsample)，再输入各个带通滤波器24及混合器25，以将语音信号S(n)还原回来而播出。

传统位配置方法在重建的声音品质方面是有所限制的。传统位配置的原理系总噪声屏蔽比(noise-to-mask)在个别信号框(一般为10-30ms)取最小化，因而所使用位数量不得超过每一信号框可用的位数。例如，当位比率(bit rate)为Bbits/sec且信号框长度为K ms时，可用来作一信号框上副频带及边置信息(sideinformation)编码的位数”adb″计算如下：

adb＝B÷1000×K

屏蔽因子(masking effects)通常存在许多信号框无法被人耳所听觉。在传统的编码程序中，这些无法听觉的信号框却同样被配置一定数量的位。因此会使得位配置的效果大打折扣。

在消费性产品中，无不以低成本为诉求。上述无法听觉的信号框却被配置位的做法，显然徒增成本。

本发明的目的即在于改善传统做法的缺点，使得每个位的配置都配置在有用的信号框，而对于无法听觉的信号框则加以过滤，不予配置位，使位配置更有效率，进而降低成本。