[发明专利]将立体声信号时域下混合为主和辅声道的使用左和右声道之间的长期相关差的方法和系统

说明书

一种用于将输入立体声声音信号的右和左声道时域下混合为主和辅声道的立体声声音信号编码方法和系统与该声音的单声道信号版本相关地确定所述左声道和右声道的归一化相关性。基于所述左声道的归一化相关性与所述右声道的归一化相关性，确定长期相关差。将该长期相关差转换为因子β，并且使用该因子β对所述左和右声道进行混合以产生主和辅声道，其中该因子β确定在所述主和辅声道的产生时、所述左和右声道的相应贡献。

技术领域

本公开涉及立体声声音编码，具体但不排他地涉及能够按照低比特率和低延迟在复杂音频场景中产生好的立体声质量的立体声话音(speech)和/或音频编码。

背景技术

历史上，已利用仅具有一个换能器以仅向用户的一只耳朵输出声音的电话听筒(handset)来实现对话电话。最近十来年，用户已开始使用他们的便携式电话听筒结合头戴式受话器，来接收越过他们的双耳的声音，以主要收听音乐，并且有时收听话音。然而，当使用便携式电话听筒来传送和接收对话话音时，内容仍然是单声道的，但是当使用头戴式受话器时内容被呈现到用户的双耳。

利用参考文献[1](其全部内容通过引用合并在这里)中描述的最新3GPP话音编码标准，已显著改进了编码的声音的质量，例如通过便携式电话听筒传送和接收的话音和/或音频。下一自然步骤是传送立体声信息，使得接收机尽可能接近在通信链路的另一侧捕获的真实生活音频场景。

在音频编解码器中，例如如同参考文献[2](其全部内容通过引用合并在这里)中描述的，正常使用立体声信息的传送。

对于对话话音编解码器，单声道信号是规范。当传送单声道信号时，比特率通常需要加倍，因为使用单声道编解码器来编码左和右声道两者。这在大多数情景下工作良好，但是呈现了以下缺点，比特率加倍，并且不能充分利用两个声道(左和右声道)之间的任何潜在冗余。此外，为了在合理水平保持整体比特率，使用用于每一声道的非常低的比特率，由此影响整体声音质量。

可能的替换方案是使用参考文献[6](其全部内容通过引用合并在这里)中描述的所谓参数化立体声。参数化立体声发送诸如双耳时间差(ITD)或双耳强度差(IID)的信息。后一信息是按每个频带发送的，并且按照低比特率，与立体声传送相关联的比特预算不足够高到允许这些参数有效地工作。

传送平移因子(panning factor)可能有助于以低比特率创建基本的立体声效果，但这种技术无法保持周围环境并呈现固有的局限性。太快的平移因子的调节(adaptation)变得干扰听众，而太慢的平移因子的调节并不能反映说话者的真实位置，这使得在干扰说话者的情况下或者当背景噪声的波动重要时，难以获得良好的质量。当前，对于所有可能的音频场景编码具有适当(decent)质量的对话立体声话音需要用于宽带(WB)信号的约24kb/s的最小比特率；低于该比特率时，话音质量开始受损。

随着劳动力日益增长的全球化和工作团队在全球的分裂，存在改进通信的需求。例如，电话会议的参与者可能处于不同且遥远的位置。有些参与者可能会在他们的汽车中，其他人可能在大的消声室中或甚至在他们的客厅中。事实上，所有参与者都希望感觉好像他们进行面对面的讨论。在便携式设备中实现立体声话音(更一般的立体声声音)，将是朝这个方向迈出的一大步。

发明内容

根据第一方面，本公开涉及一种在立体声声音信号编码系统中实现的、用于将输入立体声声音信号的右和左声道时域下混合为主和辅声道的方法。根据该方法，与该声音的单声道信号版本相关地确定所述左声道和右声道的归一化相关性，基于所述左声道的归一化相关性与所述右声道的归一化相关性，确定长期相关差，将该长期相关差转换为因子β，和使用该因子β对所述左和右声道进行混合以产生主和辅声道。该因子β确定在所述主和辅声道的产生时、所述左和右声道的相应贡献。