Глава 4. ОБРАБОТКА РЕЧИ В СТАНДАРТЕ GSM

4.1. Общее описание процессов обработки речи

Процессы обработки речи в стандарте GSM направлены на обеспечение высокого качества передаваемых сообщений, реализацию дополнительных сервисных возможностей и повышение потребительских качеств абонентских терминалов.

Обработка речи осуществляется в рамках принятой системы прерывистой передачи речи. Система прерывистой передачи речи (DTX) обеспечивает включение передатчика только тогда, когда пользователь начинает разговор и отключает его в паузах и в конце разговора. DTX управляется детектором активности речи (VAD), который обеспечивает обнаружение и выделение интервалов передачи речи с шумом и шума без речи даже в тех случаях, когда уровень шума соизмерим с уровнем речи. В состав системы прерывистой передачи речи входит также устройство формирования комфортного шума, который включается и прослушивается в паузах речи, когда передатчик отключен. Экспериментально показано, что отключение фонового шума на выходе приемника в паузах при отключении передатчика раздражает абонента и снижает разборчивость речи, поэтому применение комфортного шума в паузах считается необходимым. DTX процесс з приемнике включает также интерполяцию фрагментов речи, потерянных из-за ошибок в канале.

Структурная схема процессов обработки речи в стандарте GSM показана на рис. 4.1, главным устройством в этой схеме является речевой кодек [4.1, 4.2, 4.3].

рис. 4.1

рис. 4.2

рис. 4.3

4.2. Выбор речевого кодека для стандарта GSM

Рабочей группой по разработке стандарта GSM были предъявлены следующие основные требования к речевому кодеку [4.3]:

- высокое качество речи, не уступающее качеству передачи речи в лучших существующих аналоговых сотовых системах связи;

- низкая скорость передачи речи, обеспечивающая возможность эффективного канального кодирования и результирующую скорость передачи в канале связи не выше 16 кбит/с,

- малую задержку сообщения в процессе преобразования речи;

- устойчивость к ошибкам в канале передачи;

- возможность работы в широком динамическом диапазоне входных воздействий как сигнала, так и шума;

- большой динамический диапазон выходных сигналов;

- незначительное снижение качества речи при каскадном соединении кодеков:

- прозрачность для сигналов данных;

- прямое сопряжение со смежными устройствами терминалов;

- простота реализации;

- малое потребление;

- низкая стоимость.

Для выбора речевого кодека GSM был организован конкурс проектов. Первоначально для рассмотрения было предложено 20 различных кодеков от 9 европейских стран. После международного формального тестирования это количество было сокращено до 6 из 6 стран. На следующем этапе два из четырех подполосных (SBC) кодеков (норвежский и итальянский) были сняты с рассмотрения, к окончательному этапу конкурса осталось два SBC кодека и два кодека в предикативным кодированием [4.4].

RPE-LPC - Regular-Pulse Excitation/Linear Predicative Coding (Германия, Philips) -кодек с регулярным импульсным возбуждением и линейным кодированием с предсказанием;

MPE-LTP - Multi-Pulse Excitation/Long-Term Prediction (Франция, IBM) -кодек с многоимпульсным возбуждением и долговременным предсказанием:

На втором этапе происходит дальнейшее снижение динамического диапазона за счет долговременного предсказания, в процессе которого каждый сегмент выравнивается до уровня следующих друг за другом сегментов речи. В принципе, LTP фильтр вычитает предыдущий период сигнала из текущего периода.

Этот фильтр характеризуется параметром задержки N и коэффициентом усиления Ь. Период вычисления этих параметров равен 5 мс.

Восемь коэффициентов r (i) LPC анализирующего фильтра и параметры фильтра LTP анализа кодируются и передаются со скоростью 3,6 кбит/с.

Для формирования последовательности возбуждения остаточный сигнал пропускают через фильтр нижних частот с частотой среза 3-4 кГц.

Окончательно периодическая последовательность фрагментов передается со скоростью 9,4 кбит/с. Общая скорость передачи составляет 3,6+9,4 = 13 кбит/с.

В декодере речевой сигнал восстанавливается по откликам последовательности регулярного импульсного возбуждения (RPE) двухступенчатым синтезирующим фильтром, как показано на рис. 4.3.

При этом качество речи соответствует качеству речи, передаваемой по ISDN, и превосходит качество речи в аналоговых радиотелефонных системах.

Теоретически время задержки речевого сигнала в кодекс равно длительности сегмента и составляет 20 мс. Реальное время задержки, с учетом операций канального кодирования и переме-жения, а также физического выполнения рассматриваемых операций, составляет 70-80 мс.

4.4. Детектор активности речи

Детектор активности речи (VAD) играет решающую роль в снижении потребления энергии от аккумуляторной батареи в портативных абонентских терминалах. Он также снижает интерференционные помехи за счет переключения свободных каналов в пассивный режим. Реализация VAD зависит от типа применяемого речевого кодека. Главная задача при проектировании VAD - обеспечить надежное отличие между условиями активного и пассивного каналов. Если канал на мгновение свободен, его можно заблокировать, поскольку средняя активность речи говорящего ниже 50%, то это может привести к существенной экономии энергии аккумуляторной батареи. К устройствам VAD предъявляются следующие основные требования [4.6]:

- минимизация вероятности ложной тревоги при воздействии только шума с высоким уровнем;

- высокая вероятность правильного обнаружения речи низкого уровня;

- высокое быстродействие распознавания речи, для исключения задержек включения:

- минимальное время задержки выключения. В стандарте GSM принята схема VAD с обработкой в частотной области. Структурная схема VAD приведена на рис. 4.4. Ее работа основана на различии спектральных характеристик речи и шума. Считается, что фоновый шум является стационарным в течение относительно большого периода времени, его спектр также медленно изменяется во времени. VAD определяет спектральные отклонения входного воздействия от спектра фонового шума. Эта операция осуществляется инверсным фильтром, коэффициенты которого устанавливаются применительно к воздействию на входе только фонового шума. При наличии на входе речи и шума инверсный фильтр осуществляет подавление компонентов шума и, в целом, снижает его интенсивность. Энергия смеси сигнал+шум на выходе инверсного фильтра сравнивается с порогом, который устанавливается в период воздействия на входе только шума. Этот порог находится выше уровня энергии шумового сигнала. Превышение порогового уровня принимается за наличие на входе реализации (сигнал+шум). Коэффициенты инверсного фильтра и уровень порога изменяются во времени в зависимости от текущего значения уровня шума при воздействии на входе только шума. Поскольку эти параметры (коэффициенты и порог) используются детектором VAD для обнаружения речи, сам VAD не может на этой же основе принимать решение, когда их изменять. Это решение принимается вторичным VAD на основе сравнения огибающих спектров в последовательные моменты времени. Если они аналогичны для относительно длительного периода времени, предполагается, что имеет место шум, икоэффициенты фильтра и шумовой порог можно изменять, то есть адаптировать под текущий уровень и спектральные характеристики входного шума [4.6].

рис. 4.4

VAD с обработкой в спектральной области удачно сочетается с речевым RPE/LTP-LPC коде-ком, так как в процессе LPC анализа уже определяется огибающая спектра входного воздействия, необходимая для работы вторичного VAD.

4.5. Формирование комфортного шума

Формирование комфортного шума осуществляется в паузах активной речи и управляется речевым декодером. Когда детектор активности речи (VAD) в передатчике обнаружит, что говорящий прекращает разговор, передатчик остается еще включенным в течение следующих пяти речевых кадров. Во время первых четырех из них характеристики фонового шума оцениваются путем усреднения коэффициента усиления и коэффициентов фильтра LPC анализа. Эти усредненные значения передаются в следующем пятом кадре, в котором содержат информацию о комфортном шуме (SID кадр).

В речевом декодере комфортный шум генерируется на основе LPC анализа SID кадра. Чтобы исключить раздражающее влияние модуляции шума, комфортный шум должен соответствовать по амплитуде и спектру реальному фоновому шуму в месте передачи. В условиях подвижной связи фоновый шум может постоянно изменяться. Это значит, что характеристики шума должны передаваться с передающей стороны на приемную сторону не только в конце каждого речевого всплеска, но и в речевых паузах так, чтобы между комфортным и реальным шумом не было бы резких рассогласований в следующих речевых кадрах. По этой причине SID кадры посылаются каждые 480 мс в течение речевых пауз.

Динамическое изменение характеристик комфортного шума обеспечивает натуральность воспроизведения речевого сообщения при использовании системы прерывистой передачи речи.

4.6. Экстраполяция потерянного речевого кадра

В условиях замираний сигналов в подвижной связи речевые фрагменты могут подвергаться значительным искажениям. При этом для исключения раздражающего эффекта при воспроизведении необходимо осуществлять экстраполяцию речевого кадра.

Было установлено, что потеря одного речевого кадра может быть значительно компенсирована путем повторения предыдущего фрагмента. При значительных по продолжительности перерывах в связи предыдущий фрагмент больше не повторяется, и сигнал на выходе речевого декодера постепенно заглушается, чтобы указать пользователю на разрушение канала.

То же самое происходит и с SID кадром. Если SID кадр потерян во время речевой паузы, то формируется комфортный шум с параметрами предыдущего SID кадра. Если потерян еще один SID кадр, то комфортный шум постепенно заглушается.

Применение экстраполяции речи при цифровой передаче, формирование плавных акустических переходов при замираниях сигнала в каналах в совокупности с полным DTX процессом значительно улучшает потребительские качества связи с GSM PLMN по сравнению с существующими аналоговыми сотовыми системами связи.

Литература к Главе 4

4.1 М. Mouly, М-В. Pautet. The GSM System for Mobile Communications. 1992. p. 701.

4.2 A. Mehrotra. Cellular Radio Performance Engineering. Artech House. Boston-London. 1994. p. 536.

4.3 P. Vary. GSM Speech Codec. Conference Proceedings DCRC, 12-14 October. 1988. Hagen FRG. p.p.2a/1-2a/6.

4.4 С. Sonthcott. Speech Proceeding in the Pan-European Cellular Mobile Telephone System. IEE Colloquium: "Digitized Speech Communication via Mobile Radio". London. 19 December, 1988. p.p. 5/1-5/5.

4.5 P. Vary, R. Hofman. Sprachcodec ftir das Europaische Funkfernsprechnetz. Frequenz. 42, 1988. s.s. 85-92.

4.6 D. Freeman, С. Sonthcott, 1. Boyd. A Voice Activity Detector for the Pan-European Digital Cellular Mobile Telephone Service. IEE Colloquium ""Digitized Speech Communication via Mobile Radio". London. 19 December, 1988. p.p. 6/1-6/5.