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用，就必須對數(shù)字音頻信號進行編碼壓縮。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，在進行音頻信息編碼時需要采用標準的算法。因而，需要對音頻編碼進行標準化。

本文從介紹音頻技術(shù)入手，介紹音頻編碼標準的發(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、風聲、雨聲、鳥叫聲、機器聲等。

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、話音質(zhì)量好等優(yōu)點，缺點是壓縮比偏低。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，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標準用的就是這個技術(shù)。自適應(yīng)差分編碼是利用過去的語音來預(yù)測當前的語音，只對它們的差進行編碼，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標準中應(yīng)用了這兩項技術(shù)，G.722標準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大的差別。這種編碼技術(shù)的優(yōu)點是壓縮比高，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。美國的軍方標準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 /濁音標志等參數(shù)進行編碼的。MPEG-4標準中的HVXC聲碼器用的也是參數(shù)編碼技術(shù)，當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)計不同的碼本和碼本搜索技術(shù)，產(chǎn)生了很多編碼標準，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標準，在GSM上的EFR、HR標準，在3GPP2上的EVRC、QCELP標準，在3GPP上的AMR-NB/WB標準等等。

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，可以實現(xiàn)碼率的壓縮。理論上的最佳量化很難達到，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)進行量化。在MPEG layer3和AAC標準及Dolby AC-3標準中都使用了改進的余弦變換（MDCT）；在ITU G.722.1標準中則用的是重疊調(diào)制變換（MLT）。本質(zhì)上它們都是余弦變換的改進。

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)就可以達到此目的，即較弱的聲音會被同時存在的較強的聲音所掩蓋，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數(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標準及AC-3標準中都采用了心理聲學(xué)模
型，在目前的高質(zhì)量音頻標準中，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標準及ITU G.722.1標準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。