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).

Нажмите для просмотра прикрепленного файла

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:

Нажмите для просмотра прикрепленного файла
Нажмите для просмотра прикрепленного файла

Осмелился векторно проквантовать параметры: Pitch, Gain и BPV.
Приятно был удивлен, что векторное квантование хорошо жмет с минимальными потерями плавно меняющиеся данные.

Размер фрейма вернул на прежнее: 180 семплов.

Зато применил мультифреймовое квантование: брал 4 смежных фрейма и квантовал соответстующие параметры.

Биты распределены так:

LSF: VQ(8) + VQ(8) + VQ(8) + VQ(8) - в оригинальном MELP2400 было MSVQ(7+6+6+6)на 1 фрейм, а тут 4 фрейма по VQ(8) что снижает точность, но если со своей кодовой книгой, то нормально!

GAIN: VQ(9) - в оригинальном MELP было просто 8 бит(5+3) без квантования между фреймами

PITCH: VQ(8) - в оригинале было 7 бит без квантования между фреймами

BPVC: VQ(5) - в оригинале было 4 бита без межфреймового квантования

Итого: 8+8+8+8+9+8+5 = 54 бита на 4 фрейма, что точно соответствует 600 бит/с.

Результат: межфреймовое векторное квантование - отлично сжимает данные ссильной корреляцией почти без потерь качества.

Звуковая иллюстрация такого сета MELP 600:
Нажмите для просмотра прикрепленного файла

Если увеличить размер фрейма в 2 раза (и размеры LPC- и FFT- окон тоже в 2 раза) - то тупо получаем MELP 300 bps.
Правда это уже халтура - фрейм 360 семплов = 45 мс, параметры речи уже плохо описываются как стационарные.
Имеем местами нечленораздельное звучание - тут только говорить по-медленнее.

Ради любопытства прикладываю MELP 300(черновик):
Нажмите для просмотра прикрепленного файла

Кодовая книга в образцах, конечно же сделана своя под голос диктора!

Надо будет ещё попробовать применить векторное квантование к 40 LSF коэффициентам чтобы сжать 29 бит MSVQ.

Тогда:
LSF MSVQ(8+7+7+7)
PITCH VQ(9)
GAIN VQ(10)
BPVC VQ(6)

Те же 54 бита на 4 фрейма, но LSF более эффективно пожата,что позволяет закодировать LSF-ы 4-х фреймов сразу!

Проверял на чужих голосах без переделки кодовых книг - работает, на 600 бит/с разборчиво, но характер голоса становится другим.

У кого какой опыт возни с низкобитрейтовыми вокодерами, тема актуальна или нет?

Мне вот надо -133 дБм вприемнике выжать, поэтомуснижаю скорость передачи

Просмотрите сообщения Mister_DSP в этом разделе: он ставил точно такую же задачу и в итоге пришел к решению.

Так а может лучше совершенствовать приёмник, чем ухудшать и так похабный звук? :-))))))

Похоже это и есть реинкарнация того самого мистера.



Это тяжко, исходников на порчу нет.

petrov, Вы правы, M_DSP это я... Пришлось зарегаться по-новой так как забыл пароль и ящик на который регистрировался ранее...

Милливольт, большой Вам привет и велкам!

Эксперименты показали, что 8 бит на кодовую книгу не хватает, чтобы охватить все голоса. Оптимально 12 бит или ещё с запасом- 13 бит.
Сделал нарезку из 10 звуковых файлов мужских голосов + 10 женских голосов.
Из этой нарезки сделал 2 кодовые 13-бит:

1) Одноуровневое векторное квантование 2^13 = 8192 наборов LSF

2) Двух-уровневое векторное квантование 7+6 => 2^7 + 2^6 = 192 наборов LSF

Вариант 2 быстрее и экономичнее, но искажения больше, чем в варианте 1.

Первый вариант с кодовой книгой VQ(13):
Нажмите для просмотра прикрепленного файла

Второй вариант с MSVQ(7+6) - звучит хуже:
Нажмите для просмотра прикрепленного файла

В этих двух пробах 1 фрейм = 30 мс и 29 бит на фрейм.

Очень приятно удивило, что 20 дикторов хватило, чтобы вокодер мог корректно воспроизводить звук других людей.

Так что скорее всего американский акцент кодека MELP связан с тем что кодовая книга там под граждан США

Получившийся битрейт 966,666666... бит/с - радиотракт моего приёмника оптимально прокачивается пакетом с достижением чутья -130 дБм.
При этом качество звука намного лучше, чем в прошлой конфе(тема M_DSP) на 975 бит/с.



Использую готовый модуль LORA1278F30, дальность радиосвязи там хоть отбавляй. С мощностью 1 Вт и чутьем -124 дБм
Но есть соблазн всегда получить больше: цель сделать -130дБм.

Есть ли в природе приемник дающий чутье более -133 дБм на скорости 1 кбит/с ? Частоты 70 см диапазона

-133дБм при паре кГц полосы это, если правильно посчитал, грубо говоря - около 1нВ/Гц, что уже недалеко от температурного шума 50 Ом, так что пожалуй только ухудшать похабный звук.

да кстати, вопрос, а насколько хуже (а может и лучше?) будет разборчивость речи у аналогового канала АМ/ЧМ с полосой, допустим в пару кГц, и с таким же с/ш чтобы туда 1кБит/с для melp600 влез?

Конечно есть, только его придётся делать самому.


Вы вообще считаете непонятно что.
Предел Шеннона для -133 дБм в тепловом шуме это 12600 бит/с.
(Полосу я принял 1 Гц на каждый бит/с, что удобно. То есть полоса 12600 Гц.)
На 10 дБ приблизиться к Шеннону это не вопрос вообще (а можно и гораздо ближе, всё зависит от допустимой задержки),
и тогда получится скорость 1260 бит/с.

я сварщик не настоящий,
но 5E-17Вт на входных 50Омах это 50нВ, в полосе 1кГц это 1.6nV/rtHz, что в 1.75раз больше чем тепловой шум этих же 50Ом, соответственно 1кГц*log2(1+1.75) = 1.4кБит/с.
как получилось 12600?

А теперь со всем этим барахлом мы попытаемсо взлететь :-)))))))))))
— 50 Ом
— 50 нВ
— 1 кГц
— 1.6 nV
— rtHz

всё это здесь ненужный хлам.

Если уж так хочется в ваттах, то ладно.
-133 дБм вы прально посчитали: 5е-17 Вт,
теперь произведём ещё одно столь же бесполезное действие и узнаем,
что мощность теплового шума в ваттах есть 4е-21 Вт/Гц (а по праздникам вообще-то -174 дБм/Гц)

Далее. С какой стати вы заранее задали полосу в 1 кГц? Ну ладно, будь по-вашему.
Ошибка-то в другом месте, так что оставим.
Значит шум в этой полосе будет 4е-18 Вт. Итого у нас сигнал сильнее в 12.5 раз, а вовсе не в 1.75.

1кГц*log2(1+12.5) = 3755 бит/c

Если примете полосу численно равной скорости
(которая заранее не известна при вашем методе расчёта, но я уже посчитал 12600),
то шум окажется равным 4е-21 * 12600 = 5е-17 Вт, то есть равен сигналу.

Ну и 12600 * log2 (1 + 1) = 12600

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:
Нажмите для просмотра прикрепленного файла

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

Пора наверное научную степень давать!

"матан" это математический анализ, его там нет.

Вы поставили перед собой очень-очень скромные цели и их добились, так что оснований даже для жырного шрифта нет :-)))))) не говоря уж о степени :-))))))))))

Для сравнения, древний GSM/GPRS качает 171200 бит/с в полосе 200 кГц, при этом чувствительность базовой станции по стандарту не хуже (!!) -110 дБм,
то есть система даже не пройдёт сертификацию если будет работать дальше 12 дБ от Шеннона. Реальные станции наверняка сегодня работают ближе.

А вы пока в 17 дБ от Шеннона, так что до степени придётся ещё немного поработать :-)))))