INTRODUCTION SPEECH PRODUCTION The Speech Chain Articulation Source-Filter Model SPEECH ANALYSIS TECHNIQUES Sampling and the Speech Waveform Systems and Filtering z Transform Fourier Transform Discrete Fourier Transform Windowing Signal Segments LINEAR PREDICTION VOCAL TRACT MODELING Sound Propagation in the Vocal Tract Estimation of LP Parameters Transformations of LP Parameters for Quantization Examples of LP Modeling PITCH EXTRACTION Autocorrelation Pitch Extraction Cepstral Pitch Extraction Frequency-Domain Error Minimization Pitch Tracking AUDITORY INFORMATION PROCESSING The Basilar Membrane: A Spectrum Analyzer Critical Bands Thresholds of Audibility and Detectability Monaural Masking QUANTIZATION AND WAVEFORM CODERS Uniform Quantization Nonlinear Quantization Adaptive Quantization Vector Quantization QUALITY EVALUATION Objective Measures Subjective Measures Perceptual Objective Measures VOICE CODING CONCEPTS Channel Vocoder Formant Vocoders The Sinusoidal Speech Coder Linear Prediction Vocoder LINEAR PREDICTION ANALYSIS BY SYNTHESIS Analysis by Synthesis Estimation of Excitation Multi-Pulse Linear Prediction Coder Regular Pulse Excited LP Coder Code Excited Linear Prediction Coder MIXED EXCITATION CODING Multi-Band Excitation Vocoder Mixed Excitation Linear Prediction Coder Split Band LPC Coder Harmonic Vector Excitation Coder Waveform Interpolation Coding PERCEPTUAL SPEECH CODING Auditory Processing of Speech Perceptual Coding Considerations Research in Perceptual Speech Coding APPENDIX: RELATED INTERNET SITES

A practical handbook of speech coders

In this chapter, we present an overview of the most widely used algorithms, standards, and applications of wideband and narrowband speech coding. Algorithms for speech coding are classified into four broad headings: (1) waveform coding techniques (including PCM, companded PCM, and DPCM), which are typically used for landline telephony, internet telephony, and secure military communications; (2) subband coding, including perceptually transparent multi-rate and embedded coding which is mainly used for internet and digital audio applications; (3) linear predictive analysis by synthesis coding (LPC-AS) algorithms, including multipulse LPC, CELP, SELP, VSELP, and low-delay CELP, which are typically used for digital cellular and telephony; and (4) LPC vocoders, including advanced vocoder algorithms (e.g., MELP, MBE, and PWI) are used for applications such as secure telephony and satellite telephony. Applications in areas such as voiceover IP (VoIP) and digital cellular are emerging and require a speech coder to gracefully adapt to rapidly changing channel conditions—a need that is met by embedded and multirate speech coders associated with joint source-channel coding algorithms. Measures of speech coder perceptual quality include subjective measures of intelligibility (DRT and DALT) and naturalness (MOS and DAM), as well as objective measures such as segmental SNR, Bark spectral distortion, PSQM, and PESQ. Speech coding standards are set by organizations including the ITU (for landline telephony), MPEG (for multimedia applications), ETSI (for European digital cellular), TIA (for U.S. digital cellular), and DDVPC (for United States military applications).


Keywords:

speech coding;
PCM;
subband coding;
CELP;
LPC;
digital cellular;
multimedia;
voiceover IP;
mean opinion score (MOS)

/pdf/speech-coding-fundamentals-and-applications-hutobo87n0.pdf

Speech Coding: Fundamentals and Applications

Maintaining consistent VoIP quality is a challenging task, especially where it is carried using a mobile internet connection. With greater than 50% of the world’s mobile user population using older GSM incarnations, this is very much a present technical research challenge. This paper presents an approach to improving mobile VoIP telephony by drastically lowering the bandwidth consumption while maintaining acceptable call quality when compared to competitor solutions. We verify this claim through a quantitative analysis of bandwidth consumption and MOS test of audio quality of 10 different VoIP solutions.

Comparing Network Performance of Mobile VoIP Solutions

El rapido desarrollo de diversas redes inalambricas, como por ejemplo 3G, redes WiFi y Bluetooth, ha propiciado que los terminales moviles incrementen sustancialmente su conectividad. Paralelamente, estos dispositivos tienden a reducir sus dimensiones para aumentar su portabilidad, lo que dificulta la accesibilidad de sus interfaces. Esta tendencia imposibilita, en cierta medida, el desarrollo de nuevos servicios sobre redes inalambricas. Por ello, se hace necesario el desarrollo de nuevos interfaces, que proporcionen una facil interaccion multimodal, para la proxima generacion de dispositivos moviles. En este escenario, el reconocimiento automatico del habla es un camino prometedor para un acceso facil y natural a nuevas aplicaciones. Sin embargo, los terminales moviles se caracterizan por tener una capacidad de computo restringida, asi como una duracion de bateria limitada. El reconocimiento remoto de voz permite salvar estas restricciones ubicando las tareas de mayor coste computacional en un servidor remoto, es decir, fuera del propio dispositivo movil. 
Uno de los aspectos claves del panorama actual de las telecomunicaciones es la convergencia de las distintas redes inalambricas hacia las redes IP. Asi, en un futuro cercano, este tipo de redes presentaran un alcance practicamente global, posibilitando el reconocimiento remoto de la voz de forma ubicua. Como desventaja, estas redes resultan propensas a perdidas de paquetes, ya que no fueron originariamente disenadas para la transmision de datos en tiempo real. 
El interes de esta tesis se centra en el analisis de las degradaciones ocasionadas por las perdidas de paquetes sobre el reconocimiento de voz codificada, asi como la propuesta y posterior desarrollo de soluciones para prevenir, reducir y compensar los efectos degradantes. El rendimiento de la arquitectura de reconocimiento remoto vendra supeditado a la robustez del esquema de codificacion de voz utilizado. Los codificadores convencionales consiguen reducir sustancialmente la tasa de transmision haciendo uso de tecnicas predictivas que explotan las correlaciones temporales de la voz. No obstante, estas tecnicas predictivas introducen fuertes dependencias intertrama, de modo que una perdida de un paquete no solo afecta al segmento de voz correspondiente, sino que ademas genera una propagacion de error en los paquetes posteriores, reduciendo severamente la precision del reconocimiento. Por otro lado, los decodificadores integran sus propios algoritmos de mitigacion de perdidas, los cuales estan basados en consideraciones perceptuales que no son adecuadas para las tareas de reconocimiento. Para combatir estas degradaciones, proponemos diferentes tecnicas, las cuales pueden dividirse en dos clases en funcion de si actuan en el emisor o en el receptor.
En cuanto a las tecnicas basadas en el emisor, en esta tesis realizamos dos propuestas. La primera de ellas consiste en llevar a cabo una combinacion de diferentes esquemas de codificacion, mezclando tramas independientes y dependientes, de modo que, por un lado, se consigue limitar la posible propagacion de error (tramas independientes) y, por otro, se obtiene una tasa de codificacion moderada (tramas dependientes). La segunda de las propuestas emplea codigos FEC especificos, basados en la codificacion multipulso, que permiten reducir la propagacion de error mediante un incremento limitado de la tasa de codificacion. Ambas tecnicas, ademas de aumentar la precision de reconocimiento, consiguen mejorar la calidad perceptual en la sintesis de voz.
Por otra parte, tambien proponemos un conjunto de tecnicas de mitigacion basadas en el receptor. En este caso, el proceso de reconstruccion se lleva a cabo mediante estimacion MMSE. Esta tecnica consigue buenos resultados ya que emplea un modelado estadistico de la evolucion temporal de la voz y de las distorsiones originadas por las perdidas. Ademas, esta tecnica permite determinar valores de confianza asociados a las reconstrucciones realizadas, los cuales pueden ser utilizados para tratar las perdidas en el propio reconocedor.
Finalmente, en esta tesis se proponen esquemas para la transformacion directa de los parametros de voz codificada en vectores de caracteristicas para el reconocimiento, a los que nos referimos como transaparametrizadores. Estas soluciones permiten soslayar ciertas consideraciones preceptuales del proceso de decodificacion de voz, las cuales no son oportunas para el reconocimiento, asi como adaptar eficientemente las tecnicas basadas en el receptor.

Reconocimiento de voz codificada sobre redes IP

The field of speech compression has advanced rapidly due to cost-effective digital technology and diverse commercial applications. This paper is dedicated to the consideration of recent trends in the field of compression of 3.2 kHz narrowband speech from the point of view of wired, wireless and secure applications. The adopted standard speech compression algorithms in the mentioned subfields are emphasized. The final part is devoted to a comparative analysis of the modern speech compression techniques using the criteria: bit rate, quality of synthesized speech, delay and complexity. Some implementation aspects of the speech compression algorithm realization based on digital signal processors and VLSI chips are given at the end of the paper.

Speech compression - recent advances and standardization

In this paper the method and results of a subjective evaluation are presented which was conducted in order to select a new speech codec for the Inmarsat mini-M system. The mini-M system is designed to provide the next generation of global, notebook-sized satellite terminals for transportable, land-mobile and maritime voice, facsimile, and data communications. Overall, six different codecs operating at a combined source and channel rate of 4.8 kbit/s were evaluated in a series of six subjective tests. From this, it was concluded that one codec was able to deliver performance that is equivalent to, or better than, the IS-54 full-rate digital cellular 8 kbit/s VSELP codec, and was selected for use in the mini-M system.

S. F. De Campos Neto

Papers

Evaluation of voice codec performance for the Inmarsat mini-M system