1
2. přenáška
Hlas a jeho kódování
Osnova přednášky
2
1. Zpracování hlasu
2. Kodeky
3
1. Hlas
Hlas
4
Kmitočet hlasivek je charakterizován základním tónem lidského hlasu (pitch periode) F0,
který tvoří základ znělých zvuků (tj. samohlásek a znělých souhlásek). Kmitočet
základního tónu je různý u dětí, dospělých, mužů i žen, pohybuje se většinou v rozmezí
150 až 4 000 Hz. Sdělení zprostředkované řečovým signálem je diskrétní, tzn. může být
vyjádřeno ve tvaru posloupnosti konečného počtu symbolů. Každý jazyk má vlastní
množinu těchto symbolů – fonemů, většinou 30 až 50.
Hlásky řeči dále můžeme rozdělit na znělé (n, e, ...), neznělé (š, č, ...) a jejich kombinace.
Znělá hláska představuje kvaziperiodický průběh signálu, neznělá pak signál podobný
šumu. Navíc energie znělých hlásek je větší než neznělých. Krátký časový úsek znělé
hlásky můžeme charakterizovat její jemnou a formantovou strukturou. Formantem
označujeme tón tvořící akustický základ hlásky. Ten vlastně představuje spektrální obal
řečového signálu. Jemná harmonická struktura představuje chvění hlasivek.
Příklad časového a kmitočtového průběhu znělého a
neznělého segmentu hovorového signálu
5Blíže http://www.itpoint.cz/ip-telefonie/teorie/princip-zpracovani-hlasu-ip-telefonie.asp
Pásmo potřebné pro telefonii
6
Pěvecké výkony jsou mimo
oblast IP telefonie 
7
Blíže diskuze na http://forum.avmania.e15.cz/viewtopic.php?style=2&f=1724&t=1062463&p=6027671&sid=
8
2. Kodeky
Brána VoIP
9
Architektura VoIP brány
10
SLIC – Subscriber Line Interface Circuit
PLC – Packet Loss Concealment (odstranění důsledků ztrát rámců)
Echo canceliation – odstranění odezvy
Některé vlastnosti kodérů
11
 Voice Activity Detection (VAD)
V pauze řeči je produkováno jen velmi malé množství bitů, které stačí na generování šumu.
 Silence Suppression (DTX nebo SS) často VAD/SS
Při delším odmlčení se úplně zastavuje přenos dat.
 Comfort Noise Generation (CNG)
Generování šumu pozadí
 Packet Loss Concealment (PLC)
Zahlazení ztrát paketů
 Dynamic Jitter Buffer (Adaptive)
Vyrovnávací paměť rozkmitu dob
 Audio Codec Preferences
Řešení preferencí kodeků
 Perceptual enhancement
Zeslabení šumu vytvořeného kódováním/dekódováním
Co je kodek?
12
Kodek (složenina z počátečních slabik slov „kodér a dekodér“, respektive komprese a
dekomprese; převzato z anglického codec analogického původu) je zařízení nebo
počítačový program, který dokáže transformovat datový proud (stream) nebo signál.
Kodeky ukládají data do zakódované formy (většinou za účelem přenosu, uchovávání
nebo šifrování), ale častěji se používají naopak pro obnovení přesně nebo přibližně
původní formy dat vhodné pro zobrazování, případně jinou manipulaci.
(viz wikipedia)
Vzorkování a kvantování
13
Tři kroky zpracování hlasu:
1. Vzorkování (sampling) – diskretizace signálu v čase
2. Kvantování (quantizing) – diskretizace signálu v amplitudě
3. Kódování – diskrétní hodnoty vzorků jsou reprezentovány pomocí
n-bitových čísel
Požadavky aplikací
14
Kodeky
15
Mean Opinion Score – metoda založená na statistických šetřeních vybraného vzorku posuzovatelů
s hodnocením od 1 (špatně) po 5 (výborně). Tím se liší od modernějších objektivních metod,
např. PSQM (Perceptual Speech Quality Measurement) na níž je založen ITU standard P.861
(škála je od 0 po 6,5, ale některá testovací zařízení tyto hodnoty pak automaticky přepočítávají do škály MOS).
Zvláštnosti subjektivního hodnocení
16
 Starší dávají vyšší MOS než mladší, protože mají vytříbenější sluch.
 Muži dávají vyšší MOS než ženy, protože ženy sledují vyšší tóny a ty jsou uříznuty.
 Neznámý hlas vnímáme lépe a dáváme vyšší MOS.
 Cizí jazyk vede k nižšímu MOS.
Kodek G.711 (1965)
17
Kodek G.711 nepoužívá žádnou metodu komprese hlasu. Provádí pouze přímou PCM
(Pulse Code Modulation), kde vzorek má velikost 8bitů a vzorkovací frekvence je
8 kHz, potřebná šířka pásma je 64 kb/s, zpoždění způsobené kódováním je pod 1 ms.
Kvalita zvuku je při použití tohoto kodeku je obdobná kvalitě tradičního telefonního
hovoru. Při logaritmické kompresi je 14b či 13b signálu převáděno na 8b signálu.
G.711 je použit u v ISDN a na páteři sítí IP telefonie.
Používají se dva typy algoritmů, oba jsou semilogaritmické (companded PCM), ale liší
se ve výběru konstant semilogaritmické křivky:
-law, který se používá v Severní Americe a Japonsku; Tam se používá vyšší
komprese, protože v tamních telefonních sítích je používáno pouze 7 bitů pro přenos
hlasu a osmý bit se používá na signalizaci.
a-law, který se používá ve zbytku světa a byl navržen s ohledem na jednodušší
zpracování na počítači. V Evropě se používá pro přenos hlasu všech 8 bitů a
signalizace je přenášena samostatným kanálem (Například pomocí SS7, CAS či jinou
signalizací). V Evropě má tedy přenos hlasu v digitální telefonní síti vyšší kvalitu než
stejný přenos pomocí telefonní sítě v Severní Americe či v Japonsku.
Princip kódování PCM
18Převzato z http://www.phonet.cz/archiv/dok_osta/ipt-2004_Principy_zprac_hlasu.pdf
Kódování a-law
19
Pro a-law
1 bit určuje polaritu signálu
3 bity určují příslušný segment
4 bity kódují velikost kvantizační úrovně v daném segmentu
Při použití kódování čtyřmi bity je každý segment rozdělen do šestnácti dílčích hodnot, celkově pro kladné i záporné
hodnoty signálu tak získáme rozlišení na 256 stupňů, což odpovídá kódování osmi bity.
Nové verze G.711
20
G.711.0 byl schválen v roce 2009. Poskytuje bezestrátovou kompresi G.711. Jeho plný
anglický název je Lossless compression of G.711 pulse code modulation. Bývá také
označován jako G.711 LLC.
G.711.1 byl schválen v roce 2008. Je to standard, který vede k rozšíření G.711
o možnost použít vzorkovací frekvenci 16 kHz a vyšší kvalitu zvuku s pomocí tří vrstev.
Datový tok je 64, 80 nebo 96 kb/s. G.711.1 s datovým tokem 64 kb/s je kompatibilní s
G.711. Vyšší datové toky nejsou kompatibilní s G.711.
Frekvenční pásmo je 50 až 7 000 Hz, tři módy, 64 kb/s, 80 kb/s and 96 kb/s. 2 bity
navíc umožní 112 kb/s and 128 kb/s, tvoří modely R2B a R3.
Dolní pásmo – logaritmicky snímaná PCM + adaptivní vylepšování QoS.
Horní pásmo – MDCT (modified discrete cosine transformation), používá se i v MP3,
podstata: překrývání vzorků
Rozšíření roku 2010 (do 14 000 Hz, plánuje se 20 000 Hz) a bezeztrátová bitová
komprese.
RFC 5391
21
G.722 (1988)
22
G.722 je nazýván širokopásmovým kodekem, protože používá dvojnásobný
vzorkovací kmitočet (16 kHz), pásmo je rozšířeno na 7 kHz.
Tímto bylo dosaženo mnohem vyšší kvality hovoru, než u ostatních tehdejších kodeků.
„Kvalita“ se projevujepředevším v tom, že lze jasně rozeznat, kdo hovoří, což je zvlášť
důležité u audiokonferencí a přináší rovněž výhodu z hlediska bezpečnosti (ochrana
před falešným volajícím). Jde o 'embedded' kodér, což znamená, že se rychlost může
volně přepínat mezi 48, 56 a 64 kb/s bez předchozího oznámení dekodéru.
Hodnocení G.722 (1988)
a kodek G.722.1
23
Kodek G-.722 je velmi vhodný pro všechny profesionální konverzační hlasové aplikace
(algoritmické zpoždění je pouhých 1,5 ms) i pro HD. G.722 je podporován některými
zařízeními pro videokonference a některými IP telefony.
Pro kódování je použit algoritmus SB-ADPCM (sub-band adaptive differential pulse
code modulation – 2 kanály). Vyžaduje 30 % výkonu Pentia 100 resp. 10 MIPS DSP.
G.722.1 je nejnovější širokopásmový kodek pracující na 24 kb/s nebo 32 kb/s.
Byl navržen společností PictureTel, později koupenou společností Polycom, která
prodává 16 kb/s (verze kodeku Siréna). Kódovány jsou rámce 20 ms
s predikcí na 20 ms. Verze 16 kb/s je podporována systémem Windows Messenger.
Rozdíl DPCM a ADPCM
24
Diferenciální pulsně kódová modulace DPCM (Differential Pulse Code Modulation) je modifikací
PCM kódování a její princip byl publikován v roce 1952. Systém s DPCM kóduje rozdíly mezi
okamžitou hodnotou vzorku signálu v daném vzorkovacím okamžiku a hodnotou predikovanou
z předchozích vzorků. K zakódování rozdílu je zapotřebí nižšího počtu bitů. To vede k redukci
přenosové rychlosti a tedy i množství přenášených dat se snižuje. DPCM se využívá
především při kódování obrazu.
Adaptivní diferenciální pulsně kódová modulace ADPCM (Adaptive Differential Pulse
Code Modulation) vylepšuje DPCM tak, že srovnávací průběh je vytvářen adaptivně
a přizpůsobuje se konkrétním statistickým parametrům řeči. Výsledkem je ještě menší
dynamický rozsah než v případě DPCM a tedy opět potřebujeme méně bitů k zakódování vzorku.
Kodek G.723.1 (1995)
25
V počátečních dobách VoIP VoIP Forum zvolilo tento kodek jako základní pro použití v
protokolu H.323. Je rovněž používán mobilními videotelefony UMTS 99 (standard
H.324M), kde Universal Mobile Telecommunication System je 3G systém standardů pro
mobilní telefony. Spolu s G.729 jde o nejoblíbenější hlasový kodér pro VoIP.
Používá rámce délky 30 ms a odhaduje další průběh na 7,5 ms.
Má dva provozní režimy – 6,4 kb/s (r63 – 24bytové rámce) a 5,3 kb/s (r53 – 20bytové
rámce). Mezi nimi je schopen přepínat při každém snímku. Norma dva režimy stanovuje
jako povinné, bohužel řada implementaci, pracuje pouze v jednom ze dvou režimů.
Podporuje detekci hlasové aktivity (VAD – Voice activity detection), diskontinuální
přenos (DTX – Discontinuous Transmission) a generování výplňového šumu (CNG –
comfort noise generator). Ticho je kódováno ve velmi malých čtyřoktetových snímcích
přenášených rychlostí 1,1 kb/s. Pokud informace o tichu nemusí být aktualizována,
přenos se zastaví úplně.
Mimo systémy VoIP je G.723.1 použit v H.324 doporučeních a bude rovněž využit v
nových standardech pro 3G-324 (organizace 3GPP, 3GPP2) pro 3G bezdrátové
multimediální zařízení.
Je založen na 18 patentech, což může vést k lapáliím při licencování.
Způsob realizace kodeku G.723.1
26
Používá se ke kompresi zvuku, pracuje se zvukovými úseky délky 30 ms.
G.723.1 se vyznačuje velmi nízkým bitovým tokem. Pro tento kodek jsou
definovány dva algoritmy:
 MPC-MLQ (Multi-Pulse Maximum Likelihood Quantization) s bitovým
tokem 6,3 kb/s;
 ACELP (Algebraic-Code Excited Linear Prediction) s bitovým tokem 5,3 kb/s.
Například při ACELP a velikosti vzorku 160 bitů jsou nároky na pásmo jen
5,3 kb/s, za což se platí zpožděním způsobeným kódováním 37,5 ms a nižší
kvalitou zvuku. PBX musí být nakonfigurovány na podporu ACELP.
Počet bitů velikosti vzorku (2, 3, 4, 5) má za následek 4 přenosové rychlosti.
Není určen pro hudbu a nevysílá DTMF tóny spolehlivě (musí být předány outof-band).
Není určen ani pro modemy a faxové signály.
Výhoda ACELP
(Algebraic-Code Excited Linear Prediction)
27
Hlavní výhodou ACELP je, že použitá algebraická kódová kniha může být velmi
velká (> 50 bitů) a to bez nepřiměřených nároků na paměť (RAM / ROM)
či zpracování (CPU). Kodér algoritmu ACELP je založen na kódovacím
schématu CELP, používá však specifickou algebraickou strukturu.
Všechny kódovací knihy mají problém s cizími jazyky a ty przní.
Odolnost kodeku G.723.1
28
G.723.1 dosahuje MOS skóre 3,7 s režimu 5,3 kb/s a MOS 3,9 v režimu 6,4 kb/s.
V prvním režimu je používán algoritmus MPC-MLQ (Multipulse LPC with
Maximum Likelihood Quantization), v druhém. ACELP (adaptivní s dynamickou
rychlostí při kompresi).
Tabulka porovnává výkon G.723.1 (6,3 kb /s) a ADPCM v Bell Labs v roce 1994.
Cílem výmazů rámců bylo odsynchronizovat kodér a dekodér (aby bylo
třeba více snímků na synchronizaci). V praxi bývá chybovost pod 3 % (v ideálním
případě až pod 1%).
podmínky MOS
G.721.1 6,3 kb/s 32 kb/s ADPCM
Čistý kanál 3.901 3.781
3% výpadků rámce 3.432 —
Tandem dvou kodeků 3.409 3.491
Reakce tandemu kodeků na ztrátu rámce
Kodeky G.726
29
Používá techniku ADPCM k zakódování G.711 bitových řetězců slova o délce
2, 3 resp. 4 bity, což vede k datové tokům 16, 24, 32 (dnes nejpoužívanější)
či 40 kb/s. Vzorkovací frekvence je 8 kHz (typically 80 vzorků u rámce 10 ms).
Dosahuje MOS 4,3 a je často brána jako měřítko kvality.
Jde o kodek s malým zpožděním. Velikost snímků je 125 ms, není použita predikce.
Zabere 30 % výkonu Pentia 100 resp. 10 MIPS DSP.
K dispozici je rovněž verze známá jako G.727.
Je primárně používán na mezinárodní trunky v telefonní síti. Rovněž je
používán v bezdrátových telefonních systémech a je používán na některých
fotoaparátech Canon.
Kodek G.728 (1992–1994)
30
G.728 používá algoritmus LD-CELP (low-delay code excited linear prediction).
Při pouhých 16 kb/s má MOS skóre srovnatelné s G.726 na 32 kb/s.
V porovnání s PCM nebo ADPCM, které ignorují charakter signálu, je CELP kodér
optimalizovaný pro hlas (vocoder). Modeluje konkrétní hlas za použití knihy
lineárních prediktivních kódů). Předáváno je pak to, co nejlépe odpovídá
charakteru daného hlasu. Pro hudbu je tento kodek nevhodný.
V rámci protokolu H.320 je používán pro videokonference a některé H.323
videokonferenční systémy, využívá se zde jeho nízkého zpoždění (625 µs až 2,5 ms).
Spotřebuje zato plný výkon Pentia 100 s 2 kB RAM.
Variantou tohoto standardu s použitím 15,2 kb/s (nižší rychlost) je RealAudio 28_8
Vyvinuté RealNetworks v roce 1995.
Rozdíl CELP a LD-CELP
31
CELP (Code - Excited Linear Prediction) jsou lineárně predikční kodeky s vektorovým kvantováním budícího
signálu. Jejich přenosová rychlost se pohybuje od 4 do 8 kb/s. V pamětech kodéru a dekodéru jsou uloženy
soubory možných posloupností vstupního signálu. Je-li v kódové knize nalezena posloupnost odpovídající
budícímu signálu, je příslušná adresa budící posloupnosti (tj. vektoru uloženého v kódové knize) binárně
přenesena do přijímače. Přijímač pak podle přijaté adresy generuje na základě shodné kódové knihy
příslušnou budící posloupnost pro LP (linear prediction) hlasový syntezátor. Optimální vektor je určen užitím
kritéria minima střední kvadratické chyby.
Jedna z nevýhod původního CELP algoritmu je velká výpočetní náročnost prohledávání kódových knih.
Mnoho CELP algoritmů vyžaduje procesory schopné zpracovat více než 20 MIPS a prostor pro kódovou knihu
kolem 40 kbytů. Kódovací zpoždění je až 35 ms a omezuje použití CELP kodeků pro přenosy na delší vzdálenosti
a jejich vícenásobné užití. Z toho všeho vyplývá snaha o vývoj vhodných prohledávacích algoritmů.
Způsob kódování s krátkou dobou zpoždění LD-CELP (LD – Low Delay) je založen na zpětnovazebním řízení
adaptace s kódovacím zpožděním do 2ms a přenosovou rychlostí 16 kb/s. Koncepce LD-CELP se od kodeků
CELP liší v řešení vlastního hlasového syntezátoru a způsobu jeho řízení. U kodeků CELP se přenášejí
v časovém multiplexu lineárně predikční koeficienty vyčíslené v kodéru krátkodobou (STP) a dlouhodobou
analýzou (LTP), které slouží v přijímači k periodickému nastavování LPC filtrů hlasového syntezátoru.
Naproti tomu mezi kodérem a dekodérem LD-CELP se tato data nepřenášejí a jak kodér, tak dekodér jsou
řízeny zpětnovazebně.
Blíže http://www.itpoint.cz/ip-telefonie/teorie/princip-zpracovani-hlasu-ip-telefonie.asp
Kodek G.729 (1995–1996)
32
Jde o velmi populární kodek pro přenos hlasu přes Frame Relay a pro V.70 hlasové a
datové modemy. Spolu s G.723 jde o nejoblíbenější hlasový kodér pro VoIP, ale stále
ještě není nativně podporován na platformě Windows.
Jedná se o velmi používaný zvukový kodek pracující se zvukovými vzorky délky 10 ms,
který používá kompresi zvuku CS-ACELP (Conjugate-Structured Algebraic-Code
Excited Linear Prediction). Predikce je na 5 ms. Dosahovaný bitový tok 80bitových
rámců má hodnotu 8 kb/s, existuje však i rozšíření pro 6,4 kb/s a 11,8 kb/s, které
zajišťuje větší kvalitu přenášeného zvuku. Tento kodek není určen pro přenos hudby,
nepřenáší ani spolehlivě DTMF tóny. Neumožňuje přenos faxových a modemových
signálů.
Přílohy A a B G.729 definují VAD, CNG, a DTX schémata pro G.729.
Rámce poslané k aktualizaci pozadí hluku jsou15 bitů dlouhé a zasílány pouze
v případě změny pozadí.
Je zde 20 patentů, což opět pro projektanty přináší problémy.
Většinu patentů mají v rukou SiproLabs (www.sipro.com), platí to i pro G.723.1.
Jak pracuje kodek G.729
33
 CS-ACELP kodér pracuje s rámci řeči o délce 10 ms, což při vzorkovací frekvenci
8000 Hz odpovídá 80 vzorkům za sekundu. Každý 10 ms je rámec řečového signálu
analyzován pro získání parametrů CELP modelu. Tyto parametry jsou kódovány a
přenášeny komunikačním kanálem.
 V dekodéru jsou tyto parametry použity k obnovení excitačního signálu a koeficientů
syntetického filtru. Řečový signál je pak rekonstruován filtrací excitačního vektoru
přes syntetický filtr. Kvalita řečového signálu je pak ještě zvýšena postfiltrem.
 Celkové zpoždění nutné pro výpočet algoritmu je 15 ms, další přídavná zpoždění
mohou vzniknout během přenosu v komunikačním kanálu nebo při multiplexování dat.
 Velkou nevýhodou je zde (stejně jako u G.728 LD-CELP) velký výpočetní výkon
potřebný k prohledání celé kódové knihy a nalezení nejlepšího excitačního vektoru.
G.729A
34
G.729 (1996) vyžaduje cca 20 MIPS pro kódování a 3 MIPS pro dekódování
(asi o 30% méně než G.723.1).
G.729A (1995): Je zpětně kompatibilní s G.729 a má výhodu v menší náročnosti výpočtu.
G.729 je často používán v VoFR, je podporován výrobci mnoha zařízení Frame Relay.
Kodek GSM
(Global System for Mobile communications)
35
Testování kódovacích algoritmů se provádělo pro těchto sedm jazyků: angličtina, němčina,
francouzština, finština, japonština, španělština a hindština. Výběr probíhal z těchto typů kódování:
Výsledkem byla nakonec kombinace řešení od firmy Philips a IBM. Vznikl tak kodek s označením
RPE - LTP (Regular Pulse Excitation – Long Term Prediction). Obvody kodeku jsou realizovány
signálovými procesory a lze je podle funkce rozdělit na tyto hlavní bloky:
• předzpracování signálu,
• analýza LPC,
• krátkodobá analýza a filtrace,
• kódování RPE a analýza LTP.
Celková bitová rychlost signálu bitový 13 x 8 kHz = 104 kb/s se po analýze RPE–LTP změní z
původní rychlosti 104 kb/s na 13 kb/s.
Kodeky GSM-FR, GSM-HR, GSM-EFR
36
GSM full-rate Používá techniku RPE-LTP, kóduje rámce 20 ms rychlostí 13 kb/s.
Nepoužívá predikci. Není extrémně náročný, požaduje 4,5 MIPS a méně než 1kB RAM.
Je patentován Philipsem.
Primární určení tohoto prvního GSM digitálního kodeku bylo zařízení DCME
(Digital Circuit Multiplex Equipment), pro satelitní telefonii a pro bezdrátové standardy
jako je DECT (Digital Enhanced Cordless Telecommunications).
Dnes už kvalita zvuku nevyhovuje a tak byl kodek GSM-FR nahrazen modernějšími
variantami FR kodeku, které poskytují vyšší kvalitu zvuku při nižší přenosové rychlosti.
GSM half-rate (1994) má menší nároky na pásmo (5,6 kb/s) Rámce jsou dlouhé 20 ms
a predikce je 4,4 ms. Vyžaduje cca 30 MIPS a 4 Kb RAM. Kodek byl citlivý na hluk pozadí,
a proto nebyl úspěšný.
GSM enhanced full rate (1995) používá techniku CD-ACELP. Rámce jsou dlouhé 20 ms
a rychlost 12,2 kb/s. Standardizován TIA a je základním pro US služby celulární telefonie.
MOS GSM kodeků v různých prostředích
37
kodek klid auto ulice
GSM FR 3.71 3.83 3.92
GSM HR 3.85 3.45 3.56
GSM EFR 4.43 4.25 4.18
Reference bez kódování 4.61 4.42 4.35
iLBC (2004)
38
iLBC (Internet Low Bit Rate Codec) je další kodek založený na lineární predikci. Jde
o otevřený úzkopásmový zvukový kodek specifikovaný v RFC 3951. Zásadní rozdíl
oproti starším standardům založených na PCM (jako je G.711) je , že pro lineární predikci
používá velmi kvalitní blokově nezávislý algoritmus.
Vzorkovací frekvence je 8 kHz/16 bit (160 vzorků pro 20 ms rámce, 240 vzorků pro30 ms rámce).
Má fixní bitovou rychlost 15,2 kb/s pro 20 ms rámce, 13,33 kb/s pro 30 ms rámce).
Má fixní velikost rámce (304 bitů na blok 20 ms rámce, 400 bitů na blok 30 ms rámce).
Zátěž procesoru je srovnatelná s G.729A, má ale vyšší odolnost vůči ztrátě paketů.
Kodek je určen pro aplikace reálného času jako je telefonie a videokonference.
Vyvinuly ho Global IP Solutions a je popsán v RFC 3951. Používají ho Gizmo5,
QuteCom, Google Talk, Yahoo! Messenger, Polycom IP Phone, Maemo Recorder
(pro Nokie) a další.
iLBC v RFC 3951
39
iLBC freeware
40
Přednost iLBC:
vyšší imunita vůči výpadkům rámců
41
iLBC obstojí i bez výpadků
42
Blíže: http://www.packetizer.com/codecs/ilbc/iLBC.WP.pdf
Podpora iLBC Cisco
43
Speex (2002)
44
Jedná se opět o otevřený zvukový kodek, který používá pro kompresi zvuku metodu CELP.
Používá šířku pásma od 2 do 44 kb/s. Vzorkovací frekvence lze zvolit 8, 16 a 32 kHz.
Jde o open a free software, neboli odpadají problémy s patenty a licencemi. je součástí
projektu GNU a je dostupný v rámci revidovaných BSD licencí. Jde tedy o alternativu
k drahým proprietárním kodekům. Jeho specifikace mu umožňuje dosahovat velmi dobrých
kompresních poměrů při zachování srozumitelnosti. Není primárně určen (jako ostatní
podobné kodeky) na kompresi telefonních hovorů, ale na VoIP.
API Speexu ke stažení
45
Další práce ITU-T SG16 Speech/Audio
46
G.718 Vůči chybám odolné úzkopásmové i širokopásmové kódování
řeči a audio 8-32 kb/s + Annex B superpásmové rozšíření (28–48 kb/s).
Je zde možnost stereo rozšíření.
G.719 nekomplexní, pro kódování audia ve vysoké kvalitě, aplikace jsou
konverzačního charakteru (32–128 kb/s)
Další nové kodeky
47
SILK je u Skype nástupce původního SVOPC. Byl vyvinut pro desktop s matematickým
koprocesorem, pokud není koncové zařízení PC, nevyhovuje. Má jedinou vzorkovací
rychlost 16kHz, bitovou rychlost 8 kb/s. Založen je na lineární predikci 5,2 ms.
SVOPC měl audio a řečový mód, SILK tento rozdíl zmenšuje.
SILK má vzorkovací frekvenci 8, 12, 16 či 24 kHz (tři navíc) a bitovou rychlost od 6 do 40 kb/s
(proměnlivou dle podmínek přenosu).
Může použít nízké algoritmické zpoždění 25,2 ms (20 ms rámec + 5,2 ms prognóza).
BroadVoice je založen na dvoufázovém kódování TSNFC (Two-Stage Noise Feedback Coding)
nahrazujícím populární CELP (Code-Excited Linear Prediction). Má velmi nízké zpoždění,
algoritmická práce s vyrovnávacími paměti zpožďuje o pouhých 5 ms
(ve srovnání s 15 až 40 ms řady dalších kodeků).
CELT (Constrained-Energy Lapped Transform) je kodek s ultranízkým zpožděním (typicky
od 5 do 22.5 ms) a plným audio pásmem (≥20kHz; vzorkovací rychlost je 8 kHz až 48 kHz).
Podporuje hlas i hudbu včetně sterea. Bitová rychlost je 32 kb/s až 128 kb/s i vyšší.
Tento kodek je zamýšlen jako most, který vyplňuje mezeru mezi kodeky Vorbis a Speex
pro aplikace, které vyžadují jak vysoce kvalitní zvuk, tak nízké zpoždění potřebné pro dialog
(Vorbis je svobodný software zamýšlený jako náhrada MP3).
Skype Silk
48
BroadVoice
49
CELT
50
Na dokumentaci pro CELT se ještě čeká
51
Vorbis
52
 Vorbis je ztrátový audio formát, který se měl stát náhradou formátu MP3. Jeho
vývoj je zastřešen organizací Xiph.Org Foundation. Vorbis audio bývá nejčastěji
uloženo v kontejneru Ogg a v tomto spojení je nazýváno Ogg Vorbis.
 Softwarová implementace formátu Vorbis vyvíjená nadací Xiph.Org, kodek
libvorbis, je svobodný a open source software uvolněný pod licencí BSD.
Hybridní Opus - 2011
53
 Mix technologií - Octasic, Skype, Xiph.Org and Broadcom.
 V hybridním Opusu je každý rámec nejdříve kódován na LP (linear prediction)
vrstvě (do 8 kHz) a pak na MDCT vrstvě (nad 8 kHz). Vrstva SILK je VBR
(Variable bit rate) a CELT je CBR (Constant bit rate). SILK potřebuje prognózu
na 5,2 ms, CELT na 2,5 ms. Nesoulad je řešen zpožděním CELT o 2,7 ms.
 Modifikovaná diskrétní kosinová transformace (MDCT – modified discrete
cosine transform) je transformace blízká Fourierově. Je založená na typu IV
diskrétní kosinové transformace (DCT-IV), Má delší časová okna a vlastnost
překrývání: druhá polovina bloku se překrývá s první polovinou bloku dalšího.
Tato finta vyhlazuje přechody mezi bloky, proto je použita ve ztrátových
formátech typu MP3 (MPEG-1 Audio Layer 3) či Media Audio.
Kvalita versus bitová rychlost
54
Bitová rychlost kontra zpoždění
55
Opus standardizován v roce 2012
56
Most mezi přenosem hudby a telefonií
57
AAC Low Delay (AAC-LD) je jiný název pro MPEG-4 Low Delay Audio Coder, což je audio
kompresní formát kombinující výhody audio kódování s výhodami dvousměrné komunikace
s nízkým zpožděním. Tento formát je odvozen a formátu MPEG-2 (Advanced Audio Coding
– AAC). Maximální zpoždění je 20 ms. Tento formát je schopen zajistit stereo signál v pásmu
7 Hz na jedné ISDN lince či v pásmu 15 kHz na dvou ISDN linkách.
Kvalitní firemní kodeky, např. L16
58
Cisco telefon SPA525G 3 vyžaduje výběr tří kodeků z těchto:
G711u, G711a, G726-32, G729a, G722 a L16.
Moderní L16 tam nechybí.
Pro vojenské aplikace: MELP (1997)
59
MELP (Mixed Excitation Linear Prediction) je určen pouze pro vojenské aplikace,
satelitní komunikaci, utajená rádiové zařízení.
Parametry: bloky 22,5 ms zahrnují 180 vzorků, vzorkovací rychlost 8 000 kHz.
Pokrývá pásmo 100 Hz - 3800 Hz.
V roce 2001MELPe (Enhanced MELP) US standardem MIL-STD-3005,
v roce 2002 NATO standardem STANAG-4591.
Používá periodické i neperiodické vzorkování a adaptivní filtr.
Neperiodické vzorkování odstraňuje choulostivé přechodné úseky signálu
mezi hlasem a dalšími zvuky.
Návrh zpracoval student Georgia Tech,
dnes má pro komerční použití licenci Polycomm.
FLEXI-232 a FLEXI-422
60
Karta Flexi-232 pro modemy Karta v DTE doplněná PTT zařízením
(PTT – Push to Talk resp. Press-to-Transit, určeno pro HDX)
Blíže např. http://www.compandent.com/products_melpe.htm
Porovnání MOS
61
Porovnání nároků na výkon
62
Informace převzaty ze stránek fy. MATTES AD, spol. s r.o.
CBR – Codec Bit Rate, přenosová rychlost kodeku (v b/s)
NEB – Nominal Ethernet Bandwidth, nominální ethernetová šířka pásma (v b/s)
Který kodek je nejlepší?
63
Nelze jednoznačně určit, který kodek je ten
nejlepší, protože některé se vyznačují nízkým
bitovým tokem, jiné nízkou náročností na
výpočet a samozřejmě různou kvalitou hovoru.
Volba kodeku by proto měla vždy záležet
na konfiguraci a možnostech nainstalovaného
VoIP zařízení a síťové propustnosti.
Problémy s kodeky na PC
64
 Kodeky můžou být napsány pro 32bitové nebo 64bitové operační
systémy. Pokud používáte 64bitovou verzi systémuWindows, musíte
nainstalovat kodeky pro 64bitovou verzi. Pokud například v
64bitovém operačním systému nainstalujete 32bitový kodek,
přehrávač možná nebude moci přehrát žádné soubory, které tento
kodek vyžadují.
 Mnoho starších kodeků je k dispozici pouze ve 32bitové verzi. Pokud
poskytovatel kodeku neurčí, zda jde o 32bitovou nebo 64bitovou
verzi kodeku, pravděpodobně se jedná o 32bitovou verzi.
Media Player
65
Kodeky, které podporuje Asterisk
66
Dnes preferované kodeky u Cisco
67
Audio Codec Preference Order for Cisco Unified Communications Manager 8.0(1)
If Low Loss Is Configured for Link Loss Type If Lossy Is Configured for Link Loss Type
AAC-LD—256 kb/s AAC-LD—256 kb/s
L16—256 kb/s L16—256 kb/s
G.722 64k—64 kb/s iSAC—32 kb/s
iSAC—32 kb/s G.722 64k—64 kb/s
G.722.1 32k—32 kb/s G.722.1 32k—32 kb/s
G.722 —56 kb/s G.722 —56 kb/s
G.722.1—24 kb/s G.722.1—24 kb/s
G.722—48 kb/s G.722—48 kb/s
G.711 mu-law 64 k—64 kb/s G.711 mu-law 64 k—64 kb/s
G.711 A-law 64k—64 kb/s G.711 A-law 64k—64 kb/s
G.711 mu-law 56k—56 kb/s G.711 mu-law 56k—56 kb/s
G.711 A-law 56k—56kb/s G.711 A-law 56k—56kb/s
iLBC—16 kb/s iLBC—16 kb/s
G.728—16 kb/s G.728—16 kb/s
GSM Enhanced Full Rate—13 kb/s GSM Enhanced Full Rate—13 kb/s
GSM Full Rate—13 kb/s GSM Full Rate—13 kb/s
G.729b—8 kb/s G.729b—8 kb/s
G.729ab—8 kb/s G.729ab—8 kb/s
G.729—8 kb/s G.729—8 kb/s
G.729a—8 kb/s G.729a—8 kb/s
GSM Half Rate—7 kb/s GSM Half Rate—7 kb/s
G.723.1—7 kb/s G.723.1—7 kb/s
Dříve preferované kodeky
u Cisco
68
Table 2-4 Audio Codec Preference Order for previous versions of Cisco Unified Communications Manager
If Low Loss Is Configured for Link Loss Type If Lossy Is Configured for Link Loss Type
--- iLBC—16 kb/s
AAC-LD—256 kb/s AAC-LD—256 kb/s
L16—256 kb/s L16—256 kb/s
G.722.1 24k—24 kb/s G.722.1 24k—24 kb/s
G.722.1 32k—32 kb/s G.722.1 32k—32 kb/s
G.722 64k—64 kb/s G.722 64k—64 kb/s
G.711 mu-law 64k—64 kb/s G.711 mu-law 64k—64 kb/s
G.711 A-law 64k—64 kb/s G.711 A-law 64k—64 kb/s
G.722 56k—56 kb/s G.722 56k—56 kb/s
G.711 mu-law 56k—56 kb/s G.711 mu-law 56k—56 kb/s
G.711 A-law 56k—56 kb/s G.711 A-law 56k—56 kb/s
G.722 48k—48 kb/s G.722 48k—48 kb/s
iLBC—16 kb/s ---
G.728—16 kb/s G.728—16 kb/s
GSM Enhanced Full Rate—13 kb/s GSM Enhanced Full Rate—13 kb/s
GSM Full Rate—13 kb/s GSM Full Rate—13 kb/s
G.729b—8 kb/s G.729b—8 kb/s
G.729ab—8kb/s G.729ab—8kb/s
G.729—8 kb/s G.729—8 kb/s
G.729a—8 kb/s G.729a—8 kb/s
GSM Half Rate—7 kb/s GSM Half Rate—7 kb/s
G.723.1—7 kb/s G.723.1—7 kb/s
Nastavení preferencí kodeků na Cisco směrovači
69
voice class codec 100
codec preference 1 g729r8
codec preference 2 g723r63
codec preference 3 g711alaw
!
Dohoda o kodeku u SIP
(odchyceno Wiresharkem)
70
INVITE sip:novak@sip.domainB.cz SIP/2.0
Via: SIP/2.0/UDP 195.122.198.236:5065;rport;branch=z9hG4bK1441F37B74154C09BD150D68AD8B83F7
From: markl <sip:markl@sip.domainA.cz:5065>;tag=1603324369
To: <sip:novak@sip.domainB.cz>
Contact: <sip:markl@195.122.198.236:5065>
Call-ID: 650ADF5C-0EB4-499A-9744-2B2561B30C94@192.168.2.111
CSeq: 9126 INVITE
Max-Forwards: 70
Content-Type: application/sdp
User-Agent: SIPphone Lite release 1104v
Content-Length: 321
v=0
o=markl 212548077 212548116 IN IP4 195.122.198.236
s=SIPphone Lite
c=IN IP4 195.122.198.236
t=0 0
m=audio 8000 RTP/AVP 0 8 3 98 97 101
a=rtpmap:0 pcmu/8000
a=rtpmap:8 pcma/8000
a=rtpmap:3 gsm/8000
a=rtpmap:98 iLBC/8000
a=rtpmap:97 speex/8000
a=rtpmap:101 telephone-event/8000
a=fmtp:101 0-15
a=sendrecv
Výsledků testů MOS
71
Čipy OPL-2, OPL-3
(Operator Type-L)
72
OPL-2 – zvukový čip Yamaha YM3812
OPL-3 – zvukový čip Yamaha YMF262
(populární ve zvukové kartě Soundblaster 16)
OPLL – zvukový čip Yamaha YM2413
244 registrů pouze pro zápis, 9 kanálů zvuku, každý produkovaný dvěma oscilátory.
Frekvence (10 bitů) oktáva (3 bity), tvar vlny (celá, půlka, čtvrtka…), tremolo, vibráto,
nosná…
Moduly složené z procesorů
(Packet Voice Digital Signal Processor Modules)
73
Kodeky s vysokou komplexností:
G.723.1, G.728, G.729, G.729b, GSM-EFR and Modem Relay
Kodeky se střední komplexností:
G.711, G.729a, G.729ab, G.726, GSM-FR and Fax Relay
Výpis přehledu DSP
74
Vytváření DSP profilů
75
R1(config)#voice-card 0
R1(config-voicecard)#dsp services dspfarm
R1(config)#dspfarm profile 1 transcode
R1(config-dspfarm-profile)#codec g711ulaw
R1(config-dspfarm-profile)#codec g711alaw
R1(config-dspfarm-profile)#codec g729ar8
R1(config-dspfarm-profile)#codec g729abr8
R1(config-dspfarm-profile)#codec g729r8
R1(config-dspfarm-profile)#maximum sessions 6
R1(config-dspfarm-profile)#associate application
SCCP
R1(config-dspfarm-profile)#no shutdown
R2(config)#voice-card 0
R2(config-voicecard)#dsp services dspfarm
R2(config)#dspfarm profile 1 conference
R2(config-dspfarm-profile)#codec g711ulaw
R2(config-dspfarm-profile)#codec g711alaw
R2(config-dspfarm-profile)#codec g729ar8
R2(config-dspfarm-profile)#codec g729abr8
R2(config-dspfarm-profile)#codec g729br8
R2(config-dspfarm-profile)#maximum sessions 2
R2(config-dspfarm-profile)#associate application
SCCP
R2(config-dspfarm-profile)#no shutdown
Vztah velikosti paketu
a rychlosti přenosu paketů
76
Závislost zpoždění způsobené kódováním
na velikosti vzorku
77
Požadavky na pásmo pro jednotlivé kodeky
78
Závislost požadavků na pásmo na paketizačním intervalu
79
Typický příklad použití v SLA
80
85 % volání MOS ≥ 4,2
95 % volání MOS ≥ 4,0
4 % volání MOS < 3,8
Trendy vývoje v kodecích
81
 Vylepšování kvality, vývoj směrem k širšímu pásmu:
Narrowband (-3.4 kHz) --> Wideband (-7 kHz) --> Superwideband (-14 kHz) --> Fullband (-20 kHz)
 Zvyšování odstupu od vnějšího šumu (auto, letadlo, vrtulník…)
 Multimódové kodeky určené pro řeč i hudbu
 Kolaborace ve standardizaci, dříve, speciálně pro ITU platilo pravidlo
„vítěz bere vše“.
 Řada proprietárních řešení (Skype… )
 Open Source, volný software
 Co bude následovat?
82
Domácí úkol
Na http://www.vocal.com/audio_examples/itu_coders.html