MPEG-4 CELP

MPEG-4 CELPは、MPEG-4 オーディオ（MPEG-4 Part 3）で採用さいようされた音声おんせい符号ふごう化か方式ほうしきである。音声おんせい符号ふごう化かアルゴリズムとして良よく知しられている CELP（code excited linear prediction）をベースとし、様々さまざまなアプリケーションで使つかえるよう2つのサンプリング周波数しゅうはすうと複数ふくすうのビットレートとをサポートする。人間にんげんの音声おんせいを 3.85 kbps ～ 23.8 kbps に符号ふごう化かできる。

MPEG-4 CELP は、デジタル放送ほうそう、携帯けいたい電話でんわ、インターネット電話でんわ、音声おんせいデータベースなどの様々さまざまな用途ようとに使つかうことができる。

概要がいよう

MPEG-4 CELP は MPEG-4 オーディオの低ひくビットレート音声おんせい符号ふごう化か方式ほうしきの1つで、1999年ねんに ISO/IEC 14496-3 Subpart 3 で定義ていぎされ^[1]、その後ご MPEG-4 Audio バージョン 2（ISO/IEC 14496-3:1999/Amd 1:2000）でエラー耐たい性せいと無音むおん圧縮あっしゅくの拡張かくちょうが行おこなわれた^[2]^[3]。

MPEG-4 CELP は人間にんげんの音声おんせいの符号ふごう化かを行おこなうためのもので、8 kHz と 16 kHz の 2 種類しゅるいのサンプリング周波数しゅうはすうをサポートする。サンプリング周波数しゅうはすう 8 kHz（帯域たいいき幅はば 100 Hz - 3800 Hz）では 3.85～12.2 kbps の 28 種類しゅるいのビット・レートで、サンプリング周波数しゅうはすう 16 kHz（帯域たいいき幅はば 50 Hz - 7000 Hz）では 10.9～23.8 kbps の 30 種類しゅるいのビット・レートで符号ふごう化かができる^[4]^[5]。

符号ふごう化かビットストリームは階層かいそう的てきな構成こうせいになっており、コアとなる基本きほん層そうとそれに追加ついかされたいくつかの拡張かくちょう層そうからなる。基本きほん層そうは音声おんせいの復号ふくごうに必要ひつような最低限さいていげんの情報じょうほうを表あらわし、拡張かくちょう層そうはそれに対たいする追加ついか情報じょうほうを表現ひょうげんする。使用しよう環境かんきょうに応おうじて必要ひつような階層かいそうの情報じょうほうを取とり出だすことで、同おなじ符号ふごう化か結果けっかから音質おんしつと帯域たいいき幅はばが異ことなる様々さまざまなビットレートの情報じょうほうを取とり出だすことができる。

使用しようする符号ふごう化かアルゴリズムは、MPE（multipulse excitation、マルチパルス励起れいき）あるいは RPE（regular pulse excitation、レギュラーパルス励起れいき）を用もちいたもののいずれかを選択せんたくできる。 MPE を用もちいたものは音質おんしつと拡張かくちょう性せいに優すぐれ、RPE を用もちいたものはそれらを犠牲ぎせいにする代かわりに符号ふごう化かに必要ひつような演算えんざん量りょうが少すくない。

MPEG-4 CELP の特徴とくちょうは以下いかの通とおりである^[5]。

マルチビットレート、ビットレート拡張かくちょう性せい、帯域たいいき幅はばの拡張かくちょう性せいがある
サンプリング周波数しゅうはすう 8 kHz / 16 kHz、帯域たいいき幅はば 100 Hz-3800 Hz / 50 Hz-7000 Hz
ビットレート 3.85 - 23.8 kbps
フレーム長ちょう 10 - 40 ms （ビットレートに依存いぞん）
符号ふごう化か遅延ちえん 15 - 45 ms （フレーム長ちょうに依存いぞん）
MPE と RPE のアルゴリズムを選択せんたく可能かのう

また、無音むおん時じの情報じょうほう圧縮あっしゅくのため、無音むおん期間きかんを音声おんせい区間くかん検出けんしゅつ機能きのう（voice activity detector、VAD）で検出けんしゅつし SID（silence descriptor）と呼よばれるデータのみを使つかい低ひくいビットレートで符号ふごう化かする。復号ふくごう時じには、全まったくの無音むおんを避さけるため、SID を検出けんしゅつすると適度てきどなレベルの背景はいけい雑音ざつおん（コンフォートノイズ）を再生さいせいする。

MPEG-4 オーディオでの位置付いちづけ

MPEG-4 オーディオは多おおくのツールの組くみ合あわせからなり、MPEG-4 CELP や MPEG-4 HVXC（harmonic vector excitation coding）は人間にんげんの自然しぜんな音声おんせいの符号ふごう化かを行おこなう自然しぜん音声おんせい符号ふごう化かツール（natural speech coding tools）の１ひとつである^[4]。

自然しぜん音声おんせい符号ふごう化かツールは、MPEG-4 AAC などの汎用はんよう的てきなオーディオ符号ふごう化かツールでは十分じゅうぶんな音質おんしつが得えられない低ひくいビットレートで音声おんせい符号ふごう化かを行おこなうツールである。 HVXC は MPEG-4 CELP がカバーできない超ちょう低ていビットレート（2 - 4 kbps）での音声おんせい符号ふごう化かを担当たんとうし、MPEG-4 CELP はそれ以上いじょうのビットレートをカバーする。

さらに低ていビットレートでの音声おんせい表現ひょうげんが必要ひつような場合ばあいは、文字もじから音声おんせいを合成ごうせいするツールである MPEG-4 TTS Interface（Text-to-speech interface）を使用しようする。

アルゴリズム

MPEG-4 CELP のアルゴリズムは CELP に MPE（multipulse excitation）あるいは RPE（regular pulse excitation）を組くみ合あわせたものである。

MPEG-4 CELP のベースとなる CELP は、声こえ道どうに相当そうとうする合成ごうせいフィルターとして線形せんけい予測よそくフィルターを用もちい、有声音ゆうせいおんのような繰くり返かえしの多おおい波形はけいを適応てきおう型がたコードブックで効率こうりつ的てきにパラメータ化かする。線形せんけい予測よそくと適応てきおう型がたコードブックで符号ふごう化かできなかった残ざん差さ信号しんごうの符号ふごう化かには固定こてい型がたコードブックを使用しようする。

最後さいごの残ざん差さ信号しんごうの符号ふごう化かにおいて、MPE では任意にんいの間隔かんかくで並ならんだ複数ふくすうのパルス信号しんごうの組くみ合あわせ（マルチパルス）をコードブックとして用もちい、RPE では一定いってい間隔かんかくに配置はいちした振幅しんぷくの異ことなるパルス信号しんごうの組くみ合あわせ（レギュラーパルス）で表現ひょうげんする。

RPE は MPE より音質おんしつが劣おとるがアルゴリズムが単純たんじゅんで必要ひつような演算えんざん量りょうが少すくない^[5]。単純たんじゅん化かのためサンプリング周波数しゅうはすうは 16 kHz のみを使用しようできる。符号ふごう化か/復号ふくごうの際さいの演算えんざん量りょうを抑おさえたい場合ばあいに使用しようする。全体ぜんたいのアルゴリズムは GSM-FullRate コーデックで使用しようされる RPE-LTP と同様どうようのものである。

MPE はより高たかい音質おんしつや拡張かくちょう性せいが必要ひつような場合ばあいに使用しようする。サンプリング周波数しゅうはすうが 8/16 kHz の両方りょうほうが使つかえ、また高こう域いき成分せいぶんなどを拡張かくちょう層そうの情報じょうほうとして扱あつかうことができるため、同おなじ符号ふごう化か結果けっかから音質おんしつの異ことなる様々さまざまなビットレートのビットストリームを取とり出だすことができる。その分ぶん全体ぜんたいのアルゴリズムは複雑ふくざつで必要ひつような演算えんざん量りょうが多おおい。

一般いっぱん的てきな意味いみでの MPE（マルチパルス励起れいき）は任意にんいの位置いち/振幅しんぷくのパルス列ぱるすれつを用もちいる手法しゅほうだが^[6]、 MPEG-4 CELP の MPE は演算えんざん量りょうを抑おさえるためパルスの振幅しんぷくを+1/-1のみに制限せいげんした代数だいすう的てきコードを使用しようする ^[7]。これは ACELP で使つかわれているものと同様どうようの手法しゅほうである。

以下いかに MPEG-4 CELP での各かく方式ほうしきの特徴とくちょうをまとめる^[5]^[8]。

方式ほうしきごとの特徴とくちょう
方式ほうしき	サンプリング周波数しゅうはすう	ビットレート	特徴とくちょう
MPE	8 kHz / 16 kHz	3.85-23.8 kbps	高音こうおん質しつ、拡張かくちょう性せいが高たかい
RPE	16 kHz のみ	14.4-22.5 kbps	必要ひつような演算えんざん量りょうが少すくない

MPE

MPE を用もちいた MPEG-4 CELP の符号ふごう化か処理しょりは以下いかの機能きのうを持もつツールの組くみ合あわせからなる^[7]。

CELP コアエンコーダ
ビットレート拡張かくちょうツール（Bitrate Scalable Tool）
バンド幅はば拡張かくちょうツール（Bandwidth Extension Tool）

CELP コアエンコーダは CELP アルゴリズムを使つかって符号ふごう化か結果けっかのコアとなる基本きほん層そうの符号ふごう化かを行おこなう。ビットレート拡張かくちょうツールは拡張かくちょう層そうを担当たんとうし、下したの階層かいそうで符号ふごう化かできなかった元もと信号しんごうとの残ざん差さの符号ふごう化かを行おこなう。ビットレートを段階だんかい的てきに拡張かくちょうするため、ビットレート拡張かくちょうツールを最大さいだい3階層かいそうまで組くみ合あわせて使つかうことができる^[8]。これら2つは入力にゅうりょく信号しんごうの低てい域いき成分せいぶんのみを処理しょりする。サンプリング周波数しゅうはすうが 16 kHz の場合ばあいは 8 kHz にダウンサンプリングする。

バンド幅はば拡張かくちょうツールは広帯域こうたいいきの入力にゅうりょく信号しんごうを扱あつかい、前記ぜんきのツールで符号ふごう化かできなかった高こう域いき成分せいぶんと低てい域いき残ざん差さ成分せいぶんとを CELP アルゴリズムで符号ふごう化かする。

符号ふごう化かしたビットストリームと同様どうようにツール間あいだの関係かんけいも階層かいそう的てきになっており、後ごのツールほど階層かいそうが高たかい。下したの階層かいそうで抽出ちゅうしゅつしたパラメータを上位じょういのツールで使用しようし残ざん差さの符号ふごう化かを行おこなうことで、ツール間あいだの整合せいごう性せいをとる。

CELP コアエンコーダ

CELP コアエンコーダは通常つうじょうの CELP アルゴリズムと MPE を使つかい符号ふごう化かを行おこなう。符号ふごう化か処理しょりは大おおまかに以下いかのようになる。

線形せんけい予測よそくパラメータの計算けいさんと量子りょうし化か
- 音声おんせい信号しんごうから線形せんけい予測よそく係数けいすうを計算けいさん
- 係数けいすうを量子りょうし化か特性とくせいに優すぐれた線せんスペクトル対たい（LSP）に変換へんかん
- 量子りょうし化かにはベクトル量子りょうし化かの一種いっしゅ（PPM-VQ）を使用しよう
適応てきおう型がたコードブック検索けんさく
- 適応てきおう型がたコードブックのピッチディレイとピッチゲインの各かく係数けいすうを求もとめる
固定こてい型がたコードブック（代数だいすう的てきコードブック）探索たんさく
- 線形せんけい予測よそく係数けいすうから求もとめた合成ごうせいフィルターと適応てきおう型がた/固定こてい型がたコードブック値ちを使つかって復号ふくごうを行おこない入力にゅうりょく信号しんごうと比較ひかく（合成ごうせいによる分析ぶんせき）
- 入力にゅうりょく信号しんごうとの誤差ごさが最小さいしょうになるようなパルス位置いち/振幅しんぷくの組くみ合あわせ（MPE）とゲインとを探索たんさく

ビットレート拡張かくちょうツール

ビットレート拡張かくちょうツールは下位かいのエンコーダで符号ふごう化かできなかった元もと信号しんごうとの残ざん差さを入力にゅうりょくとし、パルス位置いち/振幅しんぷくの組くみ合あわせ（MPE）とゲインとでパラメータ化かする。

パラメータ化かの際さいには、コアエンコーダで求もとめた線形せんけい予測よそく係数けいすうを用もちい、CELP での固定こてい型がたコードブック探索たんさくと同おなじ合成ごうせいによる分析ぶんせきの手法しゅほうを使つかって、線形せんけい予測よそく係数けいすうによる合成ごうせいフィルターを用もちいた復号ふくごう結果けっかと入力にゅうりょく信号しんごうとの誤差ごさが最小さいしょうになるようなパルス位置いち/振幅しんぷくの組くみ合あわせ（MPE）とゲインとを探索たんさくする。また、パルス位置いちの選択せんたくの際さいには下位かいのエンコーダでの固定こてい型がたコードブックのパルス位置いちを考慮こうりょして決きめる。

バンド幅はば拡張かくちょうツール

バンド幅はば拡張かくちょうツールはサンプリング周波数しゅうはすうが 16kHzきろへるつの広帯域こうたいいき信号しんごうを入力にゅうりょくとし、コアエンコーダとビットレート拡張かくちょうツールで符号ふごう化かできなかった成分せいぶんのみを符号ふごう化かする。

バンド幅はば拡張かくちょうツールの符号ふごう化か処理しょりは大おおまかに以下いかのようになる。

線形せんけい予測よそくパラメータの計算けいさんと量子りょうし化か（広帯域こうたいいき版ばん）
- 音声おんせい信号しんごうから線形せんけい予測よそく係数けいすうを計算けいさん
- 係数けいすうを量子りょうし化か特性とくせいに優すぐれた線せんスペクトル対たい（LSP）に変換へんかん
- 量子りょうし化かにはベクトル量子りょうし化かを使用しよう
- コアエンコーダの LSP を予測よそく値ちとして使用しようしながら量子りょうし化か
固定こてい型がたコードブック（代数だいすう的てきコードブック）探索たんさく
- 線形せんけい予測よそく係数けいすうから求もとめた合成ごうせいフィルターと適応てきおう型がた/固定こてい型がたコードブック値ちを使つかって復号ふくごうを行おこない入力にゅうりょく信号しんごうと比較ひかく（合成ごうせいによる分析ぶんせき）
- 入力にゅうりょく信号しんごうとの誤差ごさが最小さいしょうになるようなパルス位置いち/振幅しんぷくの組くみ合あわせ（MPE）とゲインとを探索たんさく

固定こてい型がたコードブック探索たんさくの際さいには以下いかの2つのパラメータも用もちい、下位かいツールで符号ふごう化かできている成分せいぶんを除のぞいてパラメータ化かする。

コアエンコーダで求もとめた適応てきおう型がたコードブックのピッチディレイ/ピッチゲイン
コアエンコーダとビットレート拡張かくちょうツールの各かく固定こてい型がたコードブック値ち（パルス位置いち/振幅しんぷくの組くみ合あわせ）の合成ごうせい値ち

固定こてい型がたコードブックの合成ごうせい値ちはサンプリング周波数しゅうはすうを合あわせるためアップサンプリングしたものを用もちいる。

脚注きゃくちゅう

^ ISO (1999年ねん). “ISO/IEC 14496-3:1999 - Information technology -- Coding of audio-visual objects -- Part 3: Audio”. ISO. 2010年ねん8月がつ15日にち閲覧えつらん。
^ ISO (2000年ねん). “ISO/IEC 14496-3:1999/Amd 1:2000 - Audio extensions”. ISO. 2010年ねん8月がつ15日にち閲覧えつらん。
^ ISO/IEC JTC 1/SC 29/WG 11 (1999-07) (PDF), ISO/IEC 14496-3:/Amd.1 - Final Committee Draft - MPEG-4 Audio Version 2 2010年ねん8月がつ15日にち閲覧えつらん。
^ ^a ^b ISO/IEC (2009) (PDF), ISO/IEC 14496-3:2009 - Information technology -- Coding of audio-visual objects -- Part 3: Audio, IEC 2010年ねん8月がつ15日にち閲覧えつらん。
^ ^a ^b ^c ^d Karlheinz Brandenburg, Oliver Kunz, Akihiko Sugiyama. “MPEG-4 Natural Audio Coding - Natural Speech Coding Tools”. 2010年ねん8月がつ15日にち閲覧えつらん。
^ B.S. Atal, J.R. Remde: A new model of LPC excitation for producing natural-sounding speech at low bit rates, Proc. IEEE Int. Conf. Acoust. Speech Signal Process., pp.614-617, 1982.
^ ^a ^b Karlheinz Brandenburg, Oliver Kunz, Akihiko Sugiyama. “MPEG-4/CELP with MPE”. 2010年ねん8月がつ15日にち閲覧えつらん。
^ ^a ^b Jürgen Herre, Bernhard Grill (2000) (PDF), Overview of MPEG-4 Audio and its Applications in Mobile Communications, IEEE 2010年ねん8月がつ15日にち閲覧えつらん。

参考さんこう文献ぶんけん

ISO/IEC. Information technology — Coding of audio-visual objects — Part 3:Audio. ISO/IEC 14496-3:2009, Fourth edition, 2009.
Jacob Benesty, M. M. Sondhi, Yiteng Huang (ed). Springer Handbook of Speech Processing. Springer, 2007. ISBN 978-3540491255.

外部がいぶリンク

Speech coding in MPEG-4 Audio (Overview of the MPEG-4 Natural Speech Coding Tools) - MPEG-4 音声おんせい符号ふごう化かツールの概要がいよう(英語えいご)
Overview of MPEG-4 Audio and its Applications in Mobile Communications MPEG-4 オーディオとアプリケーションの概要がいよう(PDF, 130 kByte, 英語えいご)

[mpeg4audio-1] ISO (1999年ねん). “ISO/IEC 14496-3:1999 - Information technology -- Coding of audio-visual objects -- Part 3: Audio”. ISO. 2010年ねん8月がつ15日にち閲覧えつらん。

[mpeg4audio-iso-2-amd-2] ISO (2000年ねん). “ISO/IEC 14496-3:1999/Amd 1:2000 - Audio extensions”. ISO. 2010年ねん8月がつ15日にち閲覧えつらん。

[mpeg4audio-version2-3] ISO/IEC JTC 1/SC 29/WG 11 (1999-07) (PDF), ISO/IEC 14496-3:/Amd.1 - Final Committee Draft - MPEG-4 Audio Version 2 2010年ねん8月がつ15日にち閲覧えつらん。

[mpeg4audio-version4-2009-4] ISO/IEC (2009) (PDF), ISO/IEC 14496-3:2009 - Information technology -- Coding of audio-visual objects -- Part 3: Audio, IEC 2010年ねん8月がつ15日にち閲覧えつらん。

[speech-coding-chiariglione-5] Karlheinz Brandenburg, Oliver Kunz, Akihiko Sugiyama. “MPEG-4 Natural Audio Coding - Natural Speech Coding Tools”. 2010年ねん8月がつ15日にち閲覧えつらん。

[Atal1982-6] B.S. Atal, J.R. Remde: A new model of LPC excitation for producing natural-sounding speech at low bit rates, Proc. IEEE Int. Conf. Acoust. Speech Signal Process., pp.614-617, 1982.

[chiariglione-MPC-7] Karlheinz Brandenburg, Oliver Kunz, Akihiko Sugiyama. “MPEG-4/CELP with MPE”. 2010年ねん8月がつ15日にち閲覧えつらん。

[Herre2000-8] Jürgen Herre, Bernhard Grill (2000) (PDF), Overview of MPEG-4 Audio and its Applications in Mobile Communications, IEEE 2010年ねん8月がつ15日にち閲覧えつらん。

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]