Harmonic Vector Excitation Coding

HVXC（Harmonic Vector Excitation Coding）とは

HVXC（Harmonic Vector Excitation Coding）は、MPEG-4オーディオ（MPEG-4 Part 3）で採用された、低ビットレートの音声符号化方式です。人間の音声を対象としており、2kbpsと4kbpsの固定ビットレートに加え、1.2kbpsから1.7kbps程度の可変ビットレートをサポートします。デジタル放送、携帯電話、インターネット電話、音声データベースなど、幅広い分野で利用されています。

概要

HVXCは、MPEG-4オーディオの音声符号化方式の一つとして、1999年にISO/IEC 14496-3 Subpart 2で定義されました。その後、MPEG-4 Audioバージョン2（ISO/IEC 14496-3:1999/Amd 1:2000）で拡張されました。

MPEG-4オーディオの中で、最も低いビットレートでの音声符号化を担っており、固定ビットレート（2kbps、4kbps）と可変ビットレート（2kbps以下、4kbps以下）の両方に対応しています。

サンプリング周波数8kHz、帯域幅100Hzから3800Hzの音声信号を、低ビットレートでは通信用レベルの了解度で、高ビットレートでは有線電話に近い品質で符号化できます。また、HVXCは音声の波形を直接符号化するのではなく、パラメータ化して符号化するため、デコード時に音声の速度とピッチを独立して変更できるという特徴があります。

HVXCの特徴

サンプリング周波数：8kHz
帯域幅：100Hz - 3800Hz
フレーム長：20ms
ビットレート：固定（2kbps、4kbps）、可変（2kbps以下、4kbps以下）
符号化遅延：36ms
デコード時に音声速度とピッチを独立変更可能

MPEG-4オーディオにおける位置付け

MPEG-4オーディオは、様々なツールを組み合わせて構成されています。HVXCやMPEG-4 CELPは、人間の自然な音声を符号化する「自然音声符号化ツール」の一つです。MPEG-4 CELPが2種類のサンプリング周波数（8kHz、16kHz）と比較的高いビットレートをカバーするのに対し、HVXCはMPEG-4 CELPでは対応できない超低ビットレートでの符号化を担います。

さらに低いビットレートで音声表現が必要な場合は、文字から音声を合成するMPEG-4 TTS Interface（Text-to-speech interface）が利用されます。

また、HVXCが音声のみをサポートするのに対し、音楽をパラメトリックに符号化・復号するツールとしてMPEG-4 HILN（Harmonic and Individual Lines plus Noise）があります。HILNは超低ビットレートでの音楽符号化が可能で、HVXCと同様にデコード時に音声速度とピッチの変更ができます。音楽と音声を含む信号の低ビットレート符号化では、HVXCとHILNを信号内容に応じて切り替えて使用することもあります。

アルゴリズム

HVXCの符号化アルゴリズムは、線形予測符号化（LPC）をベースとしており、LPCの残差信号の表現方法に工夫が凝らされています。

人間の声は、声道の周波数特性や、声帯などの音源の特性、有声・無声の区別でモデル化できます。HVXCでは、線形予測符号化と同様に、声道に相当する合成フィルターのパラメータとして、線形予測（LP）フィルターの係数を使用します。そして、有声音と無声音で、LPCの残差信号にあたる音源のパラメータのモデル化方法を切り替えます。

有声音の残差信号は、ハーモニックコーディングと呼ばれる方法で、声帯音の基本周波数であるピッチ周波数と共に、そのスペクトル形状とゲインをパラメータ化します。スペクトル形状は、残差信号を離散フーリエ変換（DFT）で分析することで求めます。

無声音の残差信号は、単純なホワイトノイズでモデル化するのではなく、CELPのように予め用意した固定型コードブックを使用し、コードブック値から適切なものを選ぶVXC（vector excitation coding）と呼ばれる方法で、信号の形状とゲインをパラメータ化します。

有声・無声の区別を単純に行うのではなく、4段階（有声1/2/3、無声）に区別することで、音質の向上が図られています。

ビットレートが高い場合には、線形予測係数の数、有声音でのスペクトル形状を表すビット数、無声音での形状・ゲインパラメータの更新頻度を増やし、音声信号をより適切に表現できるようにします。

具体的な符号化手順

1. 線形予測パラメータの計算とLSPの量子化
音声信号から線形予測係数を計算します。
係数を量子化特性に優れた線スペクトル対（LSP）に変換します。
量子化にはベクトル量子化の一種であるPPM-VQを使用します。
2. 分析フィルターによる残差信号の計算
線形予測係数から生成した分析フィルターに音声信号を入力し、線形予測の残差信号を計算します。
3. オープンループでのピッチ分析
残差信号の自己相関から大まかなピッチ周波数を推定します。
残差信号のハーモニック強度を推定します。
オープンループで推定したピッチ周波数を基に、正確なピッチ周波数を求めます。
残差信号の離散フーリエ変換（DFT）により、倍音成分の強度を求めます。
4. 有声・無声の判定
ハーモニック強度などを用いて、周期的な波形を持つ有声音とそうでない無声音を区別します。
5. ハーモニック強度のベクトル量子化（有声音のみ）
ピッチ周波数の倍音成分の強度をベクトル量子化します。
6. 無声音の残差信号を符号化（無声音のみ）
予め用意した形状とゲインのコードブックを用いて、残差信号を符号化します。

復号時には、符号化とは逆に、有声/無声判定や各種パラメータから残差信号を生成し、線形予測係数から生成した合成フィルターの入力として加えることで、最終的な音声信号を再合成します。

音声の速度を変更したい場合は、各パラメータを時間軸方向に補間しながら再合成を行います。ピッチ周波数や線形予測フィルターで表現されたフォルマント周波数などを変えることなく、速度変更が可能です。

ピッチ周波数も音声データの一部としてパラメータ化されているため、ピッチ周波数だけを独立して変更することも容易です。

参考文献

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.
Nishiguchi, Masayuki (2006-11). “Harmonic vector excitation coding of speech”. Acoustical science and technology (社団法人日本音響学会) 27 (6): 375-383. doi:10.1250/ast.27.375. NAID 110004836513.

関連項目

音声符号化
線形予測符号
MPEG-4'>MPEG-4
MPEG-4_CELP'>MPEG-4 CELP
HILN

外部リンク

MPEG-4_speech_coding.pdf'>Speech coding in MPEG-4 Audio (Overview of the MPEG-4 Natural Speech Coding Tools) - MPEG-4 音声符号化ツールの概要（英語）
* MPEG-4_Audio_and_its_Applications_in_Mobile_Communications/links/54b0276a0cf2f3367592dd87/Overview-of-MPEG-4-Audio-and-its-Applications-in-Mobile-Communications.pdf'>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（PDF, 130 kByte, 英語)

もう一度検索