早在2005年就聽說iLBC編解碼算法，主要是應(yīng)用在VOIP 的speech codec，但是一直沒有深入研究算法原理，碰巧近期有一些時(shí)間可以學(xué)習(xí)一下它相比基于CELP模型的speech codec的優(yōu)勢(shì)。這套代碼是浮點(diǎn)的，聽朋友說要是轉(zhuǎn)成定點(diǎn)代碼會(huì)比較有用，只是可能需要的時(shí)間會(huì)多一點(diǎn)。如果想了解iLBC的一般介紹，如編碼速率、應(yīng)用等，可以參考前面的文章《iLBC編解碼相關(guān)知識(shí)》 ，下面主要是我的一些學(xué)習(xí)筆記，僅供大家參考。
一、算法整體流程
輸入的語音逐幀進(jìn)行預(yù)處理，然后計(jì)算LPC系數(shù)和殘差信號(hào)，在殘差信號(hào)中選擇初始狀態(tài)，并對(duì)其進(jìn)行標(biāo)量量化，再對(duì)剩下的殘差信號(hào)進(jìn)行增益/形狀矢量量化，最后封包成比特流。
iLBC的每frame/block保持獨(dú)立編碼，這樣才能保證在丟包的情況下，保持良好的重建語音質(zhì)量；而CELP模型的codec往往都需要look head buffer 才能對(duì)當(dāng)前幀進(jìn)行編碼，這樣雖然可以使重建語音連接比較平滑，但是在網(wǎng)絡(luò)傳輸中一旦發(fā)生丟包，則連續(xù)性遭到破壞，解碼語音的質(zhì)量就會(huì)下降。
在iLBC的編碼流程中有三個(gè)模塊Select Start state、Scalar quantization和CB Search是與CELP模型不同的，下面重點(diǎn)研究這三個(gè)模塊。
1、起始狀態(tài)（Start State）
這個(gè)概念是iLBC所特有的處理方式，下面以30ms frame mode為例，那么每個(gè)frame有6個(gè)sub-frame。iLBC在計(jì)算完LPC殘差信號(hào)后，會(huì)找出整個(gè)幀內(nèi)具有最高功率的兩個(gè)連續(xù)子幀，來決定起始狀態(tài)的位置。下圖給出了start state 在兩個(gè)子幀的位置。
2、對(duì)起始狀態(tài)樣點(diǎn)的量化
這里并不對(duì)兩個(gè)子幀的全部sample進(jìn)行精細(xì)量化，只是對(duì)從起始狀態(tài)位置以后的57/58 sample（20ms/30ms frame mode）進(jìn)行精細(xì)量化，所以這57/58 sample的量化需要三個(gè)部分：
1）子幀位置；
是指哪兩個(gè)子幀，如 sub-frame 0,1; 1,2; 2,3; 3,4; 4,5
3bit 量化這五種情況。
2）兩個(gè)子幀內(nèi)的前半部分還是后半部分；
1bit 表示 state_first；
3）57/58 sample的標(biāo)量量化。
這里首先要進(jìn)行全通濾波，使得樣點(diǎn)大小比較平均分布，然后進(jìn)行能量的歸一化，這個(gè)scaler factor用6bit標(biāo)量量化，歸一化后的樣點(diǎn)動(dòng)態(tài)范圍就比較小了，然后對(duì)每一個(gè)樣點(diǎn)都采用3bit 的DPCM量化。
3、碼書搜索
這部分是指起始狀態(tài)量化后，整個(gè)frame剩余的樣點(diǎn)量化方法。這里主要采用了動(dòng)態(tài)碼書的量化方法，碼書是由整個(gè)frame的樣點(diǎn)通過線性組合（加權(quán)濾波）和已經(jīng)量化樣點(diǎn)的解碼信號(hào)組成，具體的流程見圖3。
上圖首先解碼已經(jīng)量化的Start state，然后構(gòu)建codebook memory，結(jié)合目標(biāo)矢量進(jìn)行感知加權(quán)濾波，在Codebook內(nèi)部搜索與目標(biāo)矢量最接近的矢量，這里采用三階段的增益/形狀矢量量化的方法進(jìn)行搜索量化，最后調(diào)整增益以補(bǔ)償能量損失。這里主要的重點(diǎn)還是碼書的組成、大小以及量化順序、搜索過程。
例如，圖4給出了一個(gè)30ms 幀的量化順序，這里有6個(gè)子幀，假設(shè)Start state是在1、2子幀之間，并且位置在兩個(gè)子幀后半部分，那么進(jìn)行量化的順序如下：
1）Q0：量化Start State；
2）Q1：兩個(gè)子幀內(nèi)除了start state的22/23個(gè)樣點(diǎn)；
3）Q2，Q3，Q4：Start state的后面每個(gè)子幀；
4）Q5：Start state的前面每個(gè)子幀；
到這里可以知道，目標(biāo)矢量包括兩種長度不同的矢量（除了start state）：22/23個(gè)樣點(diǎn)的矢量和40個(gè)樣點(diǎn)的子幀矢量，下表給出了對(duì)于不同矢量的碼書大小。
下圖具體給出了量化目標(biāo)矢量時(shí)動(dòng)態(tài)碼書的構(gòu)造，需要注意的有以下幾點(diǎn)：
1）不同的目標(biāo)矢量（22/23、子幀40）對(duì)應(yīng)的碼書大小不同，具體數(shù)據(jù)見參考資料；
2）量化Start State前向的矢量需要對(duì)碼書進(jìn)行反轉(zhuǎn)，再進(jìn)行搜索，如對(duì)Q1、Q5進(jìn)行量化；
3）動(dòng)態(tài)碼書的構(gòu)成是解碼的已量化樣點(diǎn)而不是原來的經(jīng)過感知加權(quán)的殘差信號(hào)；
4）碼書通過補(bǔ)零長度對(duì)齊；
增益/形狀矢量量化屬于乘積碼矢量量化中的一種方法，它的基本思想就是將待量化的矢量的形狀和增益分別量化，同時(shí)保持它們之間的有機(jī)聯(lián)系，最后將碼字相乘就可以得到重構(gòu)矢量。這種量化方法可以實(shí)現(xiàn)高維數(shù)的矢量量化，以提高系統(tǒng)的性能。
下表給出了iLBC編碼器的比特流定義，值得注意的是在封包前每個(gè)參數(shù)的bit是分成三個(gè)級(jí)別的，1表示最重要，2比較重要，3一般重要，因此封包是按照級(jí)別處理的，如圖先處理級(jí)別1，然后級(jí)別2，最后級(jí)別3，這樣提高了抗干擾性： 
二、總結(jié)
與傳統(tǒng)的CELP模型的speech codec有較大不同，精髓在于幀內(nèi)的獨(dú)立編碼，同時(shí)也利用了長時(shí)預(yù)測(cè)編碼（LPC）去除冗余信息和語音信號(hào)本身準(zhǔn)周期性的特征構(gòu)造動(dòng)態(tài)碼書。與CELP模型codec相比，在丟包率較高的網(wǎng)絡(luò)情況下，語音質(zhì)量不會(huì)下降很快。對(duì)于解碼端的丟包補(bǔ)償算法（packet loss concealment）現(xiàn)在還沒有看到，這個(gè)技術(shù)應(yīng)該也是iLBC的一個(gè)特點(diǎn)。
本文并沒有列出詳細(xì)的數(shù)據(jù)和語音質(zhì)量評(píng)測(cè)，那些都可以在下面得參考資料找到。
參考資料：
《rfc3951.txt》
一家之言，歡迎討論交流！