Worldlex Wiki Le codage de la parole est une application de la compression de données aux signaux audio numériques contenant de la parole . Le codage de la parole utilise l'estimation des paramètres spécifiques à la parole à l'aide de techniques de traitement du signal audio pour modéliser le signal de parole, combinées à des algorithmes de compression de données génériques pour représenter les paramètres modélisés résultants dans un flux binaire compact.
Les applications courantes du codage de la parole sont la téléphonie mobile et la voix sur IP (VoIP). La technique de codage de la parole la plus largement utilisée en téléphonie mobile est le codage prédictif linéaire (LPC), tandis que les techniques les plus largement utilisées dans les applications VoIP sont les techniques LPC et MDCT ( transformée en cosinus discret modifiée ).
Les techniques employées dans le codage de la parole sont similaires à celles utilisées dans la compression des données audio et le codage audio , où l'appréciation de la psychoacoustique est utilisée pour transmettre uniquement les données pertinentes pour le système auditif humain. Par exemple, dans le codage de la parole en bande vocale , seules les informations dans la bande de fréquences de 400 à 3500 Hz sont transmises, mais le signal reconstruit conserve une intelligibilité adéquate .
Le codage de la parole diffère des autres formes de codage audio dans la mesure où la parole est un signal plus simple que les autres signaux audio et où des informations statistiques sont disponibles sur les propriétés de la parole. Par conséquent, certaines informations auditives pertinentes dans le codage audio général peuvent être inutiles dans le contexte du codage de la parole. Le codage de la parole met l'accent sur la préservation de l'intelligibilité et de l'agrément de la parole tout en utilisant une quantité limitée de données transmises. De plus, la plupart des applications vocales nécessitent un faible délai de codage, car la latence interfère avec l'interaction vocale.
Catégories
Les codeurs vocaux sont de deux classes :
- Codeurs de forme d'onde
- Domaine temporel : PCM , ADPCM
- Domaine fréquentiel : codage de sous-bande , ATRAC
- Vocodeurs
- Codage prédictif linéaire (LPC)
- Codage des formants
- Apprentissage automatique , c'est-à-dire vocodeur neuronal
La compression d'échantillons considérée comme une forme de codage de la parole
Les algorithmes de loi A et de loi μ utilisés dans la téléphonie numérique PCM G.711 peuvent être considérés comme un précurseur du codage de la parole, ne nécessitant que 8 bits par échantillon mais offrant effectivement 12 bits de résolution . La compression logarithmique est cohérente avec la perception auditive humaine dans la mesure où un bruit de faible amplitude est entendu le long d'un signal de parole de faible amplitude mais est masqué par un bruit de forte amplitude. Bien que cela génère une distorsion inacceptable dans un signal musical, la nature pointue des formes d'onde de la parole, combinée à la structure de fréquence simple de la parole en tant que forme d'onde périodique ayant une seule fréquence fondamentale avec des rafales de bruit ajoutées occasionnelles, rend ces algorithmes de compression instantanée très simples acceptables pour la parole.
Une grande variété d'autres algorithmes ont été essayés à l'époque, principalement des variantes de modulation delta , mais après un examen attentif, les algorithmes A-law/μ-law ont été choisis par les concepteurs des premiers systèmes de téléphonie numérique. Au moment de leur conception, leur réduction de bande passante de 33 % pour une complexité très faible constituait un excellent compromis technique. Leurs performances audio restent acceptables et il n'était pas nécessaire de les remplacer dans le réseau téléphonique fixe.
En 2008, le codec G.711.1 , qui possède une structure évolutive, a été normalisé par l'UIT-T. Le taux d'échantillonnage d'entrée est de 16 kHz.
Compression de la parole moderne
Une grande partie des travaux ultérieurs sur la compression de la parole a été motivée par la recherche militaire sur les communications numériques pour les radios militaires sécurisées , où des débits de données très faibles étaient utilisés pour obtenir un fonctionnement efficace dans un environnement radio hostile. Dans le même temps, la puissance de traitement disponible, sous la forme de circuits VLSI , était bien plus importante que celle des techniques de compression antérieures. En conséquence, les algorithmes modernes de compression de la parole pouvaient utiliser des techniques bien plus complexes que celles disponibles dans les années 1960 pour atteindre des taux de compression bien plus élevés.
Les algorithmes de codage de la parole les plus utilisés sont basés sur le codage prédictif linéaire (LPC). En particulier, le schéma de codage de la parole le plus courant est le codage de prédiction linéaire à excitation de code (CELP) basé sur le LPC, qui est utilisé par exemple dans la norme GSM . Dans le CELP, la modélisation est divisée en deux étapes, une étape prédictive linéaire qui modélise l'enveloppe spectrale et un modèle basé sur un livre de codes du résidu du modèle prédictif linéaire. Dans le CELP, les coefficients de prédiction linéaire (LPC) sont calculés et quantifiés, généralement sous forme de paires spectrales de lignes (LSP). En plus du codage vocal réel du signal, il est souvent nécessaire d'utiliser un codage de canal pour la transmission, afin d'éviter les pertes dues aux erreurs de transmission. Afin d'obtenir les meilleurs résultats de codage globaux, les méthodes de codage de la parole et de codage de canal sont choisies par paires, les bits les plus importants du flux de données vocales étant protégés par un codage de canal plus robuste.
La transformée en cosinus discrète modifiée (MDCT) est utilisée dans la technique LD-MDCT utilisée par le format AAC-LD introduit en 1999. La MDCT a depuis été largement adoptée dans les applications de voix sur IP (VoIP), telles que le codec audio à large bande G.729.1 introduit en 2006, FaceTime d' Apple (utilisant AAC-LD) introduit en 2010, et le codec CELT introduit en 2011.
Opus est un codeur audio gratuit . Il combine l'algorithme SILK basé sur LPC et l'algorithme CELT basé sur MDCT à faible latence, en passant de l'un à l'autre ou en les combinant selon les besoins pour une efficacité maximale. Il est largement utilisé pour les appels VoIP dans WhatsApp . La console de jeux vidéo PlayStation 4 utilise également Opus pour son système de chat de groupe PlayStation Network .
Un certain nombre de codecs avec des débits binaires encore plus faibles ont été démontrés. Codec2 , qui fonctionne à des débits binaires aussi bas que 450 bit/s, est utilisé dans la radio amateur. L'OTAN utilise actuellement MELPe , qui offre une parole intelligible à 600 bit/s et moins. Des approches de vocodeur neuronal ont également émergé : Lyra de Google offre une qualité « presque inquiétante » à 3 kbit/s. Satin de Microsoft utilise également l'apprentissage automatique, mais utilise un débit binaire réglable plus élevé et est à large bande.
Sous-domaines
- Codage audio à large bande
- Codage prédictif linéaire (LPC)
- AMR-WB pour les réseaux WCDMA
- VMR-WB pour les réseaux CDMA2000
- Speex , IP-MR, SILK (appartenant à Opus ) et USAC/xHE-AAC pour la VoIP et la vidéoconférence
- Transformée en cosinus discrète modifiée (MDCT)
- Modulation par impulsions et codage différentiel adaptatif (ADPCM)
- G.722 pour VoIP
- Codage de la parole neuronale
- Lyra (Google) : V1 utilise la reconstruction du réseau neuronal du spectrogramme log-mel ; V2 est un autoencodeur de bout en bout .
- Satin (Microsoft)
- LPCNet (Mozilla, Xiph) : reconstruction de réseaux neuronaux de fonctionnalités LPC
- Codage audio à bande étroite
- PLC
- ADPCM
- G.726 pour VoIP
- Excitation multibande (MBE)