一、概述

音頻信號數(shù)字化之后所面臨的一個問題是巨大的數(shù)據(jù)量，這為存儲和傳輸帶來了壓力。

例如，對于CD音質(zhì)的數(shù)字音頻，所用的采樣頻率為44.1 kHz，量化精度為16bit；采用雙聲道立體聲時，其數(shù)碼率約為1.41 Mbit/s；1秒的CD立體聲信號需要約176.4KB的存儲空間。因此，為了降低傳輸或存儲的費(fèi)用，就必須對數(shù)字音頻信號進(jìn)行編碼壓縮。到目前為止，音頻信號經(jīng)壓縮后的數(shù)碼率降低到32至256kbit/s，語音低至8kbit/s以下，個別甚至到2kbit/s。

為使編碼后的音頻信息可以被廣泛地使用，在進(jìn)行音頻信息編碼時需要采用標(biāo)準(zhǔn)的算法。因而，需要對音頻編碼進(jìn)行標(biāo)準(zhǔn)化。

本文從介紹音頻技術(shù)入手，介紹音頻編碼標(biāo)準(zhǔn)的發(fā)展現(xiàn)狀以及發(fā)展趨勢。

二、音頻編碼技術(shù)

2.1　音頻信號

通常將人耳可以聽到的頻率在20Hz到20KHz的聲波稱為為音頻信號。人的發(fā)音器官發(fā)出的聲音頻段在80Hz到3400Hz之間，人說話的信號頻率在300到3000Hz，有的人將該頻段的信號稱為語音信號。在多媒體技術(shù)中，處理的主要是音頻信號，它包括音樂、語音、風(fēng)聲、雨聲、鳥叫聲、機(jī)器聲等。

表1　數(shù)字音頻等級

信號類型 頻率范圍（Hz） 采樣率（KHz） 量化精度（采樣位數(shù)）
電話話音 200～3400 8 13～16
寬帶話音 50～7000 16 16
調(diào)頻廣播 20～15k 32 16
高質(zhì)量音頻 20～20k 44.1 16

2.2　音頻編碼技術(shù)

對數(shù)字音頻信息的壓縮主要是依據(jù)音頻信息自身的相關(guān)性以及人耳對音頻信息的聽覺冗余度。音頻信息在編碼技術(shù)中通常分成兩類來處理，分別是語音和音樂，各自采用的技術(shù)有差異?，F(xiàn)代聲碼器的一個重要的課題是，如何把語音和音樂的編碼融合起來。

語音編碼技術(shù)又分為三類：波形編碼、參數(shù)編碼以及混合編碼。

波形編碼：波形編碼是在時域上進(jìn)行處理，力圖使重建的語音波形保持原始語音信號的形狀，它將語音信號作為一般的波形信號來處理，具有適應(yīng)能力強(qiáng)、話音質(zhì)量好等優(yōu)點(diǎn)，缺點(diǎn)是壓縮比偏低。該類編碼的技術(shù)主要有非線性量化技術(shù)、時域自適應(yīng)差分編碼和量化技術(shù)。非線性量化技術(shù)利用語音信號小幅度出現(xiàn)的概率大而大幅度出現(xiàn)的概率小的特點(diǎn)，通過為小信號分配小的量化階，為大信號分配大的量階來減少總量化誤差。我們最常用的G.711標(biāo)準(zhǔn)用的就是這個技術(shù)。自適應(yīng)差分編碼是利用過去的語音來預(yù)測當(dāng)前的語音，只對它們的差進(jìn)行編碼，從而大大減少了編碼數(shù)據(jù)的動態(tài)范圍，節(jié)省了碼率。自適應(yīng)量化技術(shù)是根據(jù)量化數(shù)據(jù)的動態(tài)范圍來動態(tài)調(diào)整量階，使得量階與量化數(shù)據(jù)相匹配。G.726標(biāo)準(zhǔn)中應(yīng)用了這兩項(xiàng)技術(shù)，G.722標(biāo)準(zhǔn)把語音分成高低兩個子帶，然后在每個子帶中分別應(yīng)用這兩項(xiàng)技術(shù)。

參數(shù)編碼：利用語音信息產(chǎn)生的數(shù)學(xué)模型，提取語音信號的特征參量，并按照模型參數(shù)重構(gòu)音頻信號。它只能收斂到模型約束的最好質(zhì)量上，力圖使重建語音信號具有盡可能高的可懂性，而重建信號的波形與原始語音信號的波形相比可能會有相當(dāng)大的差別。這種編碼技術(shù)的優(yōu)點(diǎn)是壓縮比高，但重建音頻信號的質(zhì)量較差，自然度低，適用于窄帶信道的語音通訊，如軍事通訊、航空通訊等。美國的軍方標(biāo)準(zhǔn)LPC-10，就是從語音信號中提取出來反射系數(shù)、增益、基音周期、清 /濁音標(biāo)志等參數(shù)進(jìn)行編碼的。MPEG-4標(biāo)準(zhǔn)中的HVXC聲碼器用的也是參數(shù)編碼技術(shù)，當(dāng)它在無聲信號片段時，激勵信號與在CELP時相似，都是通過一個碼本索引和通過幅度信息描述；在發(fā)聲信號片段時則應(yīng)用了諧波綜合，它是將基音和諧音的正弦振蕩按照傳輸?shù)幕l進(jìn)行綜合。

混合編碼：將上述兩種編碼方法結(jié)合起來，采用混合編碼的方法，可以在較低的數(shù)碼率上得到較高的音質(zhì)。它的基本原理是合成分析法，將綜合濾波器引入編碼器，與分析器相結(jié)合，在編碼器中將激勵輸入綜合濾波器產(chǎn)生與譯碼器端完全一致的合成語音，然后將合成語音與原始語音相比較（波形編碼思想），根據(jù)均方誤差最小原則，求得最佳的激勵信號，然后把激勵信號以及分析出來的綜合濾波器編碼送給解碼端。這種得到綜合濾波器和最佳激勵的過程稱為分析（得到語音參數(shù)）；用激勵和綜合濾波器合成語音的過程稱為綜合；由此我們可以看出CELP編碼把參數(shù)編碼和波形編碼的優(yōu)點(diǎn)結(jié)合在了一起，使得用較低碼率產(chǎn)生較好的音質(zhì)成為可能。通過設(shè)計(jì)不同的碼本和碼本搜索技術(shù)，產(chǎn)生了很多編碼標(biāo)準(zhǔn)，目前我們通訊中用到的大多數(shù)語音編碼器都采用了混合編碼技術(shù)。例如在互聯(lián)網(wǎng)上的 G.723.1和G.729標(biāo)準(zhǔn)，在GSM上的EFR、HR標(biāo)準(zhǔn)，在3GPP2上的EVRC、QCELP標(biāo)準(zhǔn)，在3GPP上的AMR-NB/WB標(biāo)準(zhǔn)等等。

音樂的編碼技術(shù)主要有自適應(yīng)變換編碼（頻域編碼）、心理聲學(xué)模型和熵編碼等技術(shù)。

自適應(yīng)變換編碼：利用正交變換，把時域音頻信號變換到另一個域，由于去相關(guān)的結(jié)果，變換域系數(shù)的能量集中在一個較小的范圍，所以對變換域系數(shù)最佳量化后，可以實(shí)現(xiàn)碼率的壓縮。理論上的最佳量化很難達(dá)到，通常采用自適應(yīng)比特分配和自適應(yīng)量化技術(shù)來對頻域數(shù)據(jù)進(jìn)行量化。在MPEG layer3和AAC標(biāo)準(zhǔn)及Dolby AC-3標(biāo)準(zhǔn)中都使用了改進(jìn)的余弦變換（MDCT）；在ITU G.722.1標(biāo)準(zhǔn)中則用的是重疊調(diào)制變換（MLT）。本質(zhì)上它們都是余弦變換的改進(jìn)。

心理聲學(xué)模型：其基本思想是對信息量加以壓縮，同時使失真盡可能不被覺察出來，利用人耳的掩蔽效應(yīng)就可以達(dá)到此目的，即較弱的聲音會被同時存在的較強(qiáng)的聲音所掩蓋，使得人耳無法聽到。在音頻壓縮編碼中利用掩蔽效應(yīng)，就可以通過給不同頻率處的信號分量分配以不同的量化比特?cái)?shù)的方法來控制量化噪聲，使得噪聲的能量低于掩蔽閾值，從而使得人耳感覺不到量化過程的存在。在MPEG layer2、3和AAC標(biāo)準(zhǔn)及AC-3標(biāo)準(zhǔn)中都采用了心理聲學(xué)模
型，在目前的高質(zhì)量音頻標(biāo)準(zhǔn)中，心理聲學(xué)模型是一個最有效的算法模型。

熵編碼：根據(jù)信息論的原理，可以找到最佳數(shù)據(jù)壓縮編碼的方法，數(shù)據(jù)壓縮的理論極限是信息熵。如果要求編碼過程中不丟失信息量，即要求保存信息熵，這種信息保持編碼叫熵編碼，它是根據(jù)信息出現(xiàn)概率的分布特性而進(jìn)行的，是一種無損數(shù)據(jù)壓縮編碼。常用的有霍夫曼編碼和算術(shù)編碼。在MPEG layer1、2、3和AAC標(biāo)準(zhǔn)及ITU G.722.1標(biāo)準(zhǔn)中都使用了霍夫曼編碼；在MPEG4 BSAC工具中則使用了效率更高的算術(shù)編碼。