Speex手册（二）——Speex介绍和编解码器描述1

1  Speex介绍

        Speex编解码器(http://www.speex.org/)的存在是因为需要一款开源且免软件专利使用费的语音编解码器，这是任何开源软件可用的必要条件。本质上来说，Speex相对于语音正如Vorbis(注：免费音乐格式)相对于音频/音乐。不像许多其他语音编解码器，Speex不是为移动电话而设计，而是为分封网络(packet network)和网络电话(VoIP)而设计的。所以当然支持基于文件的压缩。

        Speex设计灵活，支持多种不同的语音质量和比特率。对高质量语音的支持也就意味着Speex不仅能编码窄带语音(电话语音质量，8kHz采样率)，也能编码宽带语音(16kHz采样率）。

        为VoIP而不是移动电话而设计意味着Speex对丢失的数据包鲁棒，但对损坏的数据包不鲁棒。这基于在VoIP中数据包要么完整到达要么不能到达这一假设的。因为Speex针对于多种设备，所以它复杂性适度(可调节)并且占用较少内存。

        考虑这些设计目标，我们选用CELP作为编码技术。其中一个主要原因是CELP很早就被证明在低比特率(如4.8kbps的DoD CELP)和高比特率(如16kbps的G.728)都能稳定可靠工作。

1.1  获取帮助

        正如许多开源项目一样，有许多方法可以获取Speex的帮助，包括：

            1）此文档

            2）Speex网站(http://www.speex.org/)上的其他文档

            3）邮件列表：在speex-dev@xiph.org上于Speex相关主题的讨论(不仅仅针对开发者)

            4）IRC：在irc.freenode.net上的主频道是#speex。注意由于时间的不同，可能需要一些时间联系某人，所以请耐心等待。

            5）私下给作者邮箱jean-marc.valin@usherbrooke.ca发邮件，但仅限于你不想被公开讨论的私人的或精妙的主题。

        在寻求帮助之前(邮件列表或IRC)，请最好先阅读本手册(好吧，如果你看到这了，那么这是一个好迹象)。在邮件中讨论已经在手册中具体说明的问题一般是很不礼貌的。另一方面，如果是询问在手册中没有说清楚的问题则是很好地(鼓励)。本手册没有包含Speex的方方面面，所以鼓励每个人问问题，发评论，要求增加的新特性，或简单的让我们知道Speex是如何被使用的。

        再说些附加的关于邮件列表的指引。在你向列表中报告Speex中的bug之前，强烈建议（如果可能）先测试下这些bug在使用speexenc和speexdec命令行工具(见第四章)下是否可复现。基于第三方代码（3rd party code）发布的bug不仅难发现，而且经常是由于与Speex无关的错误引起的。

1.2  关于此文档

        此文档分为如下几章。第二章描述不同的Speex特征并定义此文档中使用的许多术语，第四章描述Speex提供的标准命令行工具，第五章包括用libspeex API编程的具体说明，第七章有Speex相关的信息和标准。

        最后三章描述Speex中所使用的算法。阅读这部分需要信号处理相关知识，但对于仅仅使用Speex则不需要。这部分是为那些对于想了解Speex如何工作或想基于Speex研究的人而准备。第八章解释了CELP后的一般思想，第九和第十章是Speex的一些特性。

2  编解码器描述

        这张具体描述Speex和它的特征。

2.1 概念

        在介绍Speex特征之前，先介绍在语音编码中的一些概念，帮助读者更好地理解手册的剩余部分。尽管其中一些事语音/音频处理中的一般概念，但有些也是Speex中特有的。

        采样率

        采样率是每秒钟采集到的信号样本数，单位是Hertz（Hz）。如果采样率是Fs kHz，则所采样信号的最高频率为Fs/2 kHz（Fs/2被称为奈奎斯特频率）。这是信号处理中的一个基本性质，由采样定理描述。Speex为三种不同的采样率而设计：8kHz，16kHz和32kHz，分别对应窄带，宽带和超宽带。

        比特率

        在对语音信号编码时，比特率定义为单位时间内的比特数，单位是比特每秒（bps）或通常的千比特每秒（kbps）。注意千比特每秒（kbps）和千字节每秒（kBps）的区别。

        质量（可变）

        Speex是有损的编解码器，意味着压缩率以输入语音信号的保真度为代价。不像一些其他的语音编解码器，Speex可以控制质量和比特率之间的折中。Speex编码处理大多数时间由一个范围在0到10之间的质量参数控制。在不变比特率（CBR）中，质量参数是一个整数，在可变比特率（VBR）中，质量参数是一个浮点数。

        复杂度（可变）

        Speex允许编码器拥有可变的复杂度。这通过一个范围在1到10之间的整数控制搜索的执行来实现，类似于gzip和bzip2压缩工具的-1到-9选项。正常使用情况下，复杂度为1的噪声等级比复杂度为10的噪声等级高1到2个dB，但复杂度为10的CPU要求比复杂度为1的高5倍。实际应用中，最好的折中是复杂度2到4，但在编码非语音声音如DTMF声调时更高的复杂度经常被用到。

        可变比特率（VBR）

        可变比特率（VBR）允许编解码器自适应的根据待编码音频的“难度”动态地改变比特率。在Speex例子中，像元音和高能瞬态变化的声音需要高比特率以获得好的质量，但是摩擦音（如s，f）用低比特率就能充分编码。由于这一原因，VBR在相同的质量下能获得更低的比特率，或在不变比特率下获得更好的质量。除了这些优点，VBR有两个主要缺点：第一，在指定质量情况下，无法保证最终的平均比特率；第二，在一些如网络电话（VoIP）这样的实时应用中，依赖于最大比特率，这在通信信道中必须足够低。

        平均比特率（ABR）

        平均比特率解决了VBR中的第一个问题，它动态地调整VBR质量以获得指定的比特率。因为质量和比特率是实时调整的（开环的），ABR的全局质量比正好达到目标平均比特率的VBR编码质量稍微差些。

        声音活动检测（VAD）

        当被激活时，VAD检测待编码的音频是语音还是无声/背景噪声。VAD在VBR编码中默认激活，所以这一选项仅对非VBR编码有效。在这种情况下，Speex检测出非语言段并仅使用足够复现背景噪声的比特率进行编码，这叫“柔化噪音生成”（CNG）。

        断续传输（DTX）

        断续传输室VAD/VBR的附加操作，当背景噪声平稳时会完全停止传输。在基于文件的操作中，既然我们无法停止写文件，则对于平稳背景噪声帧仅用5比特（对应250bps）。

        知觉增强

        知觉增强是解码器的一部分，当被启用时，能减少编解码过程中产生的噪声或失真的知觉。在大多数情况下，知觉增强会带来声音客观上的偏离（如仅考虑SNR），但最后仍听起来更好（主管增强）。

        等待时间和算法延时

        每一个语音编解码器在传输中都会引入延时。对于Speex，延时等于帧长加上处理每一帧需要前几帧的数量。在窄带操作中（8kHz），延时为30ms；在宽带操作中（16kHz）延时为34ms，这不包括编解码帧时的CPU时间。