MELP (MELPe) 600, всё про него Опции

[kaktus_M]

Уважаемые форумчане!

Мозг требует постоянных движений в динамике,сложа руки сидеть никогда и не подумывал, а доступных исходников на MELP 600 бит/с я не видел.
Научные статьи на эту тему, которые довелось мне видеть, содержат финальные результаты и в кратце то, что было проделано.
Никакой конкретики нет и не было.

Поэтому осмелился восполнить пробел и сделать MELP 600 бит/с самому.
За основу были взяты исходники от MELP 2400 бит/с (референтный код, с плавающей точкой).
Заставив его собираться в GCC, начал эксперименты.

Как известно, исходный фрейм в MELP 2400 - это 22,5 мс, что соответствует 180 одноканальным семплам.
Биты фрейма расписываются так:
Линейно-спектральные частоты - 7+6+6+6 бит = 25 бит (10 LSF частот типа float(4 байта) векторно квантуются в 4 стадии)
Магнитуды Фурье: 10 бит
Энергия фрейма: 5 + 3 бита - квантуется по половине фрейма
Основной тон - 7 бит
Фильтры по 4-м полосам: 4 бита
Джиттер: 1бит
Синхробит - 1 бит

Путём экспериментов выяснил, несколько важных моментов:

1) Магнитуды Фурье можно выкинуть, вместо них домножить на 1.0
2) Синхробит- вообще не нужен
3) Джиттер - информация тривиальная и получается вычислением других данных

Получается, вместо 56 бит можно использовать только 44 бита без заметного ухудшения качества и распознаемости речи.

Далее, известно, что параметры человеческой речи могут быть описаны стационарно без потерь разборчивости на фреймах длительностью не более 40 мс.
Что соответствует 320 семплам при Fs=8кГц.
Именно фреймы такой длины используются в кодеке Codec2 (опции с малыми битрейтами).

Выбор между Codec2 и MELP2400 в качестве отправной точки тоже неслучаен.
Эксперименты показали, что Codec2 крайне не поддается шумоподавлению с помощью адаптивных фильтров - флуктуации помехи на фоне полезного сигнала сохраняются и ведут к резкому падению речевой разборчивости.
Зато MELP2400 отлично работает с адаптивным шумоподавителем, речь без дополнительных фоновых звуков.

Основная трудность: создание своей собственной кодовой книги путём векторного квантования.
Нужно из речевых фрагментов получать 10 LSP коэффициентов, затем их преобразовывать в LSF-коэффициенты.
Всё это отражено в исходниках MELP2400.

Проблема возникла на этапе векторного квантования LSF - было непонятно, как из векторов LSF оставить только те, которые нетривиальныпо отношению друг к другу.
Читал про LGB-алгоритми про центроиды: кроме теории практических примеров - ноль, не говоряуже о том что квантование должно быть мульти-стадийным.

Завершилась эпопея с кодовой книгой - путем скачивания с pudn.com программы одного китайского гражданина, которая после допиливанияделала то что надо!
А именно: из LSF-векторов строила кодовую книгу - оставляла нетривиальные вектора, да и причем уровень разрядности и количество стадий можно кастомно задать!

Не буду напрягать промежуточными изысканиями, скажу что данного битового распределения хватает чтобы получить MELP600:

LSF: 8 бит - одноуровневое векторное квантование (256 элементов кодовой книги из голоса конкретного диктора)
Gain: 5 бит - усиление усредняетсяза2 полуфрейма и квантуется скалярно 32 значениями
Pitch: 7 бит- тут без изменений
BPV: 4 бит- тоже без изменений

Итого 24 бита- ровно 3 байта на 1 фрейм.
Фрейм взят 40 мс - 320 семплов.

При таком раскладе получаем MELP со скоростью 600 бит/с.

Сделал несколько наглядных иллюстраций : 2 прикрепленых архива.
В каждом: оригинал + синтезированная вокодером запись.

Брал голоса дикторов (женский голос).

 Vahonina_Elvira.rar ( 913.3 килобайт ) Кол-во скачиваний: 56


Собственно вот в чём вопрос:

1) годится ли полученный MELP 600 бит/с в качестве вокодера для служебной радиосвязи?
2) какова разборчивость в процентах от всего звукового образца?

3) Помогите с векторным квантованием четырёх величин - по какому алгоритму можно проквантовать уровни громкости в 4-х соседних фреймах?

Звуковая иллюстрация второго диктора:

 Baldenkova_Svetlana.part1.rar ( 700 килобайт ) Кол-во скачиваний: 49

 Baldenkova_Svetlana.part2.rar ( 571.63 килобайт ) Кол-во скачиваний: 44

[kaktus_M]

По части шума, полосы и сигналов. Использую приемник трансивера LORA1278F30 в режиме LoRa, SNR детектора в выбранных конфигурациях ниже 0 дБ.

Экспериментально ещё раз подтвердился тот факт, что нет смысла делать MELP именно на 600 или кпримеру на 300 бит/с.
Потому что неоптимально по качеству сигнала или по длине(времени) пакета.

Если провозиться с Semtech Lora Calculator или курить матан в даташитах (формула длительности пакета в эфире), то можно заметить , что по мере заполнения Payload время пакета меняется скачками. Причем это зависит от остальных параметров приемного тракта.

Поэтому в качестве отправной точки брал приоритеты: максимальное чутье, максимально заполненный Payload без скачка по времени пакета в эфире, минимальное число фреймов, разборчивость речи, максимальный коэффициент коррекции ошибок (убивает полезный битрейт в 2 раза, у нас не космос c АБГШ, а мегаполис с релеевской моделью).

Вместо MELP 600 вывел под радиотракт MELP 711,111... бит/с - это 32 бита на 2 фрейма (все параметры фреймов векторно проквантованы) и длина фрейма 22,5 мс (180 семплов).
На практике, предпочтительнее учитывать корреляцию между фреймами и векторно квантовать, а не увеличивать размер одного фрейма в семплах, что ведет к слоговой неразборчивости.

Итого радиотракт:
SF=10
BW=250 kHz
CR = 4 (FEC 2:1)
чутье -130 дБм --- что на+6 дБ больше чем конфа с оригинальным MELP2400 c чутьем приемника -124 дБм. Дальность связи в 2 раза больше.
Payload = 14байт (7 фреймов по 2 байта)
Preamble=10байт (37% от времени всего пакета в эфире) - более 1/3 всего пакета под преамбулу. Длинная преамбула повышает надежность в радиосвязи.
Tair=156.67 ms < 157.5 ms (7Frame * 22,5 ms)
Вывод пролазим! И лучше чем MELP 600 !!!
Задержка распостранения звукового сигнала между приемником и передатчиком: 2*7*tFr = 14*22.5 = 0,315 sec.

Следующий шаг: чутье -133дБм
SF=10
BW=125 кгц
CR=4
Для достижения такой чувствительности был выведен MELP 355,555 бит/с. А не MELP 300.
Тут уже векторно проквантованы параметры 4-х смежных фреймов и занимает те же 32 бита, но на 4 фрейма.
Payload=14 байт
Preamble = 10 байт (37% от времени всего пакета)
Tair = 313.34 ms< 315 ms (14F* 22.5 ms)
Тоже пролезаем! И лучше чем MELP300bps
Задержка распостранения звукового сигнала между приемником и передатчиком: 2*14*tFr = 28*22.5 = 0,63 sec.

А вот если взять уже пакет с Payload не 14 байт, а 15 кпримеру, - то резко возрастет время пакета в эфире, которое превысит время N фреймов.

И это все не голая теория, а практические результаты и данные, у меня есть возможность проверить.

Конфигурации 711,111 и 355,555 бит/с были получены путём векторного квантования параметров -2х и -4х соответственно:

LSF: VQ(13)- такой кодовой книги на 8192 слова хватает, чтобы обеспечить разборчивость голосов, которых нет в кодовой книге и без заметных искажений.
Pitch: VQ(7)
Gain: VQ (8)
BPV: VQ (4)
-----------------
Итого: 32 бита на 2 или 4 фрейма соответственно. Или 4 байт/суперкадр. При этом размер 1 фрейма без изменений - 180 семплов = 22,5 мс

Архив с иллюстрациями прилагаю (оригинал , 712 бит/с и 356 бит/с). При этом кодовая книга не содержит этих голосов:
 356bps_712bps_orig.rar ( 546.62 килобайт ) Кол-во скачиваний: 34


ИМХО недурно, за счет сохранения короткой длины фреймов вытянута слоговая разборчивость в словах!

Пора наверное научную степень давать!