[发明专利]多模式多级码本联合优化方法

说明书

本发明公开了一种多模式多级码本联合优化方法，属于低速率语音编码矢量量化技术领域，解决了现有的多模式多级码本训练中，误码对系统失真的影响较大的技术问题。该多模式多级码本联合优化方法包括：输出待量化矢量；对所述待量化矢量进行训练，获得各模式各级初始化码本；对所述各模式各级初始化码本进行码本索引的重排，获得新的码本；对所述待量化矢量，利用新的码本，寻找使得系统失真最小的最优胞腔和量化索引；利用输入残差矢量和对应的量化索引，更新各级各模式最优码字，并迭代至预设次数；获取最后一次迭代得出的码本。

技术领域

本发明涉及低速率语音编码矢量量化技术领域，具体地说，涉及一种多模式多级码本联合优化方法。

背景技术

随着音频技术的发展，低速率语音编码在无线通信、卫星通信等领域有着广泛的应用。

在低速率语音编码中，由于受到存储量及运算量的限制，往往采用受约束的矢量量化方式，其中包括树型矢量量化、分类矢量量化、多级矢量量化、变换域矢量量化等，以降低码本的存储量和运算量。其中，以多级矢量量化最为常用。另一方面，分模式矢量量化虽然会增加一定的存储量，但是它可以在不额外增加比特的情况下，有效的降低量化误差。在低速率语音编码的众多应用领域中，往往时刻伴随着误码的存在。对于多模式多级矢量量化，一旦发生误码，不仅各级码本索引会出错，而且模式的选择也会出错，这样在解码端合成的参数往往与编码端的输入参数出现较大的偏差，严重影响合成语音的可懂度和舒适度。

传统的分模式多级矢量量化，以信源最优为准则进行码本训练和码本的联合优化，由于不考虑信道误码情况，信源最优的多模式多级矢量量化的系统失真即为量化失真。这样训练出来的最优码字均匀分布在整个量化空间中，而一旦发生误码，整个系统失真也会比较大。

基于上述情况，现有的多模式多级码本训练中，误码对系统失真的影响较大，影响了对反量化码字以及合成语音的质量。

发明内容

本发明的目的在于提供一种多模式多级码本联合优化方法，以解决现有的多模式多级码本训练中，误码对系统失真的影响较大的技术问题。

本发明提供一种多模式多级码本联合优化方法，包括：

步骤1，输出待量化矢量；

步骤2，对所述待量化矢量进行训练，获得各模式各级初始化码本，其中，级数为M；

步骤3，对所述各模式各级初始化码本进行码本索引的重排，获得新的码本；

步骤4，对所述待量化矢量，利用新的码本，寻找使得系统失真最小的最优胞腔和量化索引；

步骤5，对于第m级码本，利用本级的输入残差矢量和对应的量化索引，更新本级各模式最优码字，其中，m的初始值为1；

步骤6，比较m与M的值；

如果m<M，则将m的值加1，并返回步骤4；

如果m＝M，则进行步骤7；

步骤7，判断迭代次数t是否达到预设值T，其中，t的初始值为1；

如果t<T，则将t的值加1，将m的值重置为1，并返回步骤4；

如果t＝T，则进行步骤8；

步骤8，获取最后一次迭代得出的码本。

优选的是，所述步骤1，具体为：

在低速率语音编码中，对语音库根据分模式依据参数的量化索引作为模式的编号，输出待量化参数在各模式下待量化矢量。

所述语音库优选为具有设定采样频率的、具有一定时长的、包含多种音色的标准中文语音库。所述设定采样频率优选为8kHz。