(12) TŁUMACZENIE PATENTU EUROPEJSKIEGO (19) PL (11) PL/EP (96) Data i numer zgłoszenia patentu europejskiego:

Transkrypt

1 RZECZPOSPOLITA POLSKA (12) TŁUMACZENIE PATENTU EUROPEJSKIEGO (19) PL (11) PL/EP Urząd Patentowy Rzeczypospolitej Polskiej (96) Data i numer zgłoszenia patentu europejskiego: (97) O udzieleniu patentu europejskiego ogłoszono: Europejski Biuletyn Patentowy 13/36 EP B1 (13) (1) T3 Int.Cl. GL 19/ (13.01) GL 21/038 (13.01) GL 21/02 (13.01) GL 19/008 (13.01) (4) Tytuł wynalazku: Urządzenie i sposób kodowania sygnału audio () Pierwszeństwo: US P US 38 P (43) Zgłoszenie ogłoszono: w Europejskim Biuletynie Patentowym nr 11/31 (4) O złożeniu tłumaczenia patentu ogłoszono: Wiadomości Urzędu Patentowego 14/02 (73) Uprawniony z patentu: Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.v., München, DE (72) Twórca(y) wynalazku: PL/EP T3 MAX NEUENDORF, Erlangen, DE ULRICH KRÄMER, Stuttgart, DE BERNHARD GRILL, Lauf, DE MARKUS MULTRUS, Nürnberg, DE HARALD POPP, Tuchenbach, DE NIKOLAUS RETTELBACH, Nürnberg, DE FREDERIK NAGEL, Nürnberg, DE MARKUS LOHWASSER, Hersbruck, DE MARC GAYER, Erlangen, DE MANUEL JANDER, Erlangen, DE VIRGILIO BACIGALUPO, Boxdorf, DE (74) Pełnomocnik: rzecz. pat. Sebastian Walkiewicz LDS ŁAZEWSKI DEPO I WSPÓLNICY SP.K. ul. Okopowa 8/ Warszawa Uwaga: W ciągu dziewięciu miesięcy od publikacji informacji o udzieleniu patentu europejskiego, każda osoba może wnieść do Europejskiego Urzędu Patentowego sprzeciw dotyczący udzielonego patentu europejskiego. Sprzeciw wnosi się w formie uzasadnionego na piśmie oświadczenia. Uważa się go za wniesiony dopiero z chwilą wniesienia opłaty za sprzeciw (Art. 99 (1) Konwencji o udzielaniu patentów europejskich).

2 1 EP B1 Z-11372/13 Urządzenie i sposób kodowania sygnału audio 3 [0001] Niniejszy wynalazek dotyczy urządzenia do kodowania i sposobu kodowania. [0002] W stanie techniki znane są algorytmy kodowania w domenie częstotliwości takie jak MP3 lub AAC. Te kodery domeny częstotliwości oparte są na konwersji domeny czasu na domenę częstotliwości, następnym etapie kwantyzacji, w którym błąd kwantyzacji kontrolowany jest z użyciem informacji z modułu psychoakustycznego i etapie kodowania, w którym następuje kodowane entropijnie skwantyzowanych współczynników widmowych i powiązanej informacji dodatkowej z użyciem tablicy kodów. [0003] Z drugiej strony, istnieją kodery bardzo dobrze dopasowane do przetwarzania sygnałów mowy, takie jak koder AMR-WB+ opisany w standardzie 3GPP TS Takie algorytmy kodowania mowy wykonują liniowe filtrowanie predykcyjne (LP, Linear Prediction) sygnału w domenie czasu. Takie filtrowanie LP uzyskuje się z liniowej analizy predykcyjnej wejściowego sygnału w domenie czasu. Uzyskane współczynniki filtrowania LP kodowane są następnie i przesyłane, jako informacja dodatkowa. Algorytm ten jest znany pod nazwą liniowego kodowania predykcyjnego (LPC, Linear Prediction Coding). Na wyjściu filtra, sygnał pozostały po predykcji lub sygnał błędu predykcji, znany również, jako sygnał pobudzenia, kodowany jest z użyciem etapów analizy przez syntezę kodera ACELP, lub alternatywnie, kodowany jest z użyciem kodera transformatowego, stosującego transformację Fouriera z zakładkami. Wybór pomiędzy kodowaniem ACELP i kodowaniem transformatowym pobudzenia, nazywanym również kodowaniem TCX, odbywa się z użyciem algorytmu pętli zamkniętej lub algorytmu pętli otwartej. Algorytmy kodowania sygnału audio w domenie częstotliwości, takie jak algorytm kodowania AAC o wysokiej wydajności, który łączy algorytm kodowania AAC z techniką replikacji pasm widmowych, mogą być również łączone w narzędziu łącznego kodowania stereo lub kodowania wielokanałowego, które znane jest pod nazwą MPEG surround. Z drugiej strony, kodery sygnału mowy, takie jak AMR-WB+ zawierają również etap wzbogacania wysokich częstotliwości, oraz funkcję stereo. [0004] Wymieniona technika replikacji pasm widmowych (SBR) obejmuje technikę, która zyskała popularność jako dodatek do popularnego kodowania percepcyjnego audio takiego jak MP3 i zaawansowanego kodowania audio (AAC). Technika SBR obejmuje sposób rozszerzania pasma (BWE), w którym pasmo niskie (pasmo bazowe lub rdzeniowe) widma jest kodowane z użyciem istniejącego kodowania, podczas gdy górne pasmo (lub pasmo wysokie) jest zgrubnie parametryzowane z użyciem mniejszej ilości parametrów. Technika SBR

3 2 3 wykorzystuje korelację między pasmem dolnym i pasmem górnym w celu wykonania predykcji sygnału pasma górnego na podstawie ekstrakcji cech pasma dolnego. [000] Technika SBR, przykładowo, zastosowana jest w HE-AAC lub AAC+SBR. W technice SBR możliwa jest dynamiczna zmiana częstotliwości rozgraniczającej (początkowa częstotliwość BWE) jak również rozdzielczości czasowej, oznaczającej liczbę zespołów parametrów (obwolut) na ramkę. AMR-WB+ wprowadza rozszerzania pasma w domenie czasu w połączeniu z koderem rdzeniowym z przełączaną domeną czasowo-częstotliwościową, oferujące dobrą jakość sygnału audio, szczególnie sygnałów mowy. Czynnikiem ograniczającym jakość audio AMR-WB+ jest pasmo audio wspólne zarówno dla kodeków rdzeniowych jak i dla częstotliwości początkowej BWE, co stanowi jedną czwartą systemowej wewnętrznej częstotliwości próbkowania. Chociaż model mowy ACELP jest zdolny do modelowania sygnałów mowy całkiem dobrze w pełnym zakresie pasma, koder audio domeny częstotliwości nie jest w stanie dostarczyć dobrej jakości niektórych ogólnych sygnałów audio. Tak więc, algorytmy kodowania mowy wykazują wysoką jakość dla sygnałów mowy, nawet przy niskich przepływnościach, ale jednocześnie wykazują niską jakość dla sygnałów muzycznych przy niskich przepływnościach. [0006] Algorytmy kodowania w domenie częstotliwości, takie jak HE-AAC są korzystne przez to, że przy niskich przepływnościach wykazują wysoką jakość sygnałów muzycznych. [0007] Dlatego też, różne klasy sygnałów audio wymagają różnych charakterystyk narzędzi rozszerzania pasma. [0008] Podejścia do rozszerzania pasma są na przykład ujawnione w WO 02/412 A i w WO 08/03148 A1. [0009] Celem niniejszego wynalazku jest dostarczenie ulepszonej koncepcji kodowania. [00] Cel ten jest osiągnięty za pomocą kodera zgodnego z zastrzeżeniem 1, sposobu kodowania zgodnego z zastrzeżeniem 2, lub programu komputerowego zgodnego z zastrzeżeniem 3. [0011] Niniejszy wynalazek oparty jest na stwierdzeniu, że częstotliwość rozgraniczenia lub częstotliwość początkowa BWE, jest parametrem wpływającym na jakość audio. Chociaż kodeki domeny czasu (kodeki mowy) zazwyczaj kodują cały zakres częstotliwości dla danej częstotliwości próbkowania, pasmo audio jest parametrem regulacyjnym dla koderów transformatowych (np. koderów muzyki), ponieważ zmniejszenie całkowitej liczby linii widmowych do kodowania jednocześnie zwiększy liczbę bitów na linię widmową dostępnych dla kodowania, co oznacza że realizowany jest kompromis między jakością i szerokością pasma audio. Stąd, w nowym podejściu, różne kodery rdzeniowe ze zmiennymi pasmami audio połączone są w przełączanym systemie z jednym wspólnym modułem BWE, przy czym moduł BWE musi uwzględniać różne pasma audio.

4 3 3 [0012] Prostym sposobem byłoby znalezienie najniższego ze wszystkich pasm koderów rdzeniowych i wykorzystanie go jako częstotliwości początkowej BWE, ale pogorszyłoby to percepcyjną jakość audio. Również, wydajność kodowania zostałaby zmniejszona, ponieważ w odcinkach czasu, w których koder rdzeniowy, który ma wyższe pasmo niż częstotliwość początkowa BWE, jest aktywny, niektóre obszary częstotliwości byłyby reprezentowane dwa razy, przez koder rdzeniowy oraz przez BWE, co wprowadza redundancję. Lepszym rozwiązaniem jest więc zaadoptowanie częstotliwości początkowej BWE w paśmie audio wykorzystywanego kodera rdzeniowego. [0013] A zatem, zgodnie z wariantami wykonania niniejszego wynalazku, system kodowania audio łączy narzędzie do rozszerzania pasma z koderem rdzeniowym zależnym od sygnału (na przykład przełączalnym koderem mowy/audio), przy czym częstotliwość rozgraniczania zawiera parametr zmienny. Do przełączania charakterystyk systemu BWE, takich jak rozdzielczość i rozmycie czasowe, rozdzielczość widmowa i częstotliwość rozgraniczania, może być również stosowany sygnał wyjściowy z moduł klasyfikacji sygnału, który kontroluje przełączanie miedzy różnymi trybami kodowania rdzeniowego. [0014] W przeciwieństwie do wariantów wykonania, technika SBR w stanie techniki jest stosowana tylko w kodekach audio bez przełączania, co powoduje następujące problemy. Zarówno rozdzielczość czasowa jak i częstotliwość rozgraniczenia mogłyby być stosowane dynamicznie, ale implementacje ze stanu techniki, takie jak źródło 3GPP zazwyczaj stosują tylko zmianę rozdzielczości czasowej dla transjentów, jak na przykład dla kastanietów. Ponadto, przy wyższych przepływnościach wybrana może być większa całkowita rozdzielczość czasowa, jako zależny od przepływności parametr regulacyjny. Nie jest wykonywana wyraźna klasyfikacja określająca rozdzielczość czasową lub próg decyzyjny sterujący rozdzielczością czasową, w najlepszy sposób dopasowująca do typu sygnału, np. stacjonarnego, tonalnej muzyki a z drugiej strony mowy. Warianty wykonania niniejszego wynalazku rozwiązują te problemy. Warianty wykonania umożliwiają zwłaszcza adaptację częstotliwości rozgraniczenia w połączeniu z elastycznym wyborem dla użytego kodera rdzeniowego tak, że zakodowany sygnał zapewnia znacznie wyższą perceptualną jakość w porównaniu do kodera/dekodera ze stanu techniki. Krótki opis rysunków [00] Korzystne warianty niniejszego wynalazku są następnie opisane w odniesieniu do załączonych rysunków, na których: Fig. 1 przedstawia schemat blokowy urządzenia do dekodowania; Fig. 2 przedstawia schemat blokowy urządzenia do kodowania, zgodnie z pierwszym aspektem niniejszego wynalazku; Fig. 3 przedstawia schemat blokowy algorytmu kodowania bardziej szczegółowo; Fig. 4 przedstawia schemat blokowy algorytmu dekodowania bardziej szczegółowo;

5 4 3 Fig. przedstawia schemat blokowy algorytmu kodowania zgodnego z drugim aspektem; Fig. 6 jest schematem blokowym algorytmu dekodowania zgodnego z drugim aspektem; Fig. 7 przedstawia człon LPC po stronie kodera dostarczający krótkoterminową informację predykcji i sygnał błędu predykcji; Fig. 8 przedstawia kolejny wariant wykonania urządzenia LPC do generowania sygnału ważonego; Fig. 9a-9b przedstawiają koder zawierający przełącznik audio/mowa, co umożliwia różne rozdzielczości czasowe dla sygnału audio; zaś Fig. przedstawia reprezentację zakodowanego sygnału audio. Szczegółowy opis wynalazku [0016] Fig. 1 przedstawia urządzenie dekodera 0 do dekodowania zakodowanego sygnału audio 2. Zakodowany sygnał audio 2 zawiera pierwszą część 4a zakodowaną zgodnie z pierwszym algorytmem kodowania, drugą część 4b zakodowaną zgodnie z drugim algorytmem kodowania, parametr BWE 6 dla pierwszej części czasowej 4a i drugą część czasową 4b oraz informację 8 o trybie kodowania wskazującą na pierwszy algorytm dekodowania lub drugi algorytm dekodowania dla odpowiednich części czasowych. Urządzenie 0 do dekodowania zawiera pierwszy dekoder 1a, drugi dekoder 1b, moduł BWE 1 i sterownik 140. Pierwszy dekoder 1a jest przystosowany do dekodowania pierwszej części 4a zgodnie z pierwszym algorytmem dekodowania dla pierwszej części czasowej zakodowanego sygnału 2 w celu uzyskania pierwszego zdekodowanego sygnału 114a. Drugi dekoder 1b jest skonfigurowany do dekodowania drugiej części 4b zgodnie z drugim algorytmem dekodowania dla drugiej części czasowej zakodowanego sygnału w celu uzyskania drugiego zdekodowanego sygnału 114b. Moduł BWE 1 zawiera sterowaną częstotliwość rozgraniczenia fx, która dopasowuje zachowanie modułu BWE 1. Moduł BWE 1 jest skonfigurowany do wykonywania algorytmu rozszerzania pasma w celu generowania składowych sygnału audio w górnym paśmie częstotliwości w oparciu o pierwszy zdekodowany sygnał 114a i parametry BWE 6 dla pierwszej części oraz w celu generowania składowych sygnału audio w górnym paśmie częstotliwości w oparciu o drugi zdekodowany sygnał 114b i parametry rozszerzania pasma 6 dla części drugiej. Sterownik 140 jest skonfigurowany do sterowania częstotliwością rozgraniczenia fx modułu BWE 1 zgodnie z informacją 8 o trybie kodowania. [0017] Moduł 1 BWE może również zawierać moduł łączący, łączący składowe sygnału audio dolnego i górnego pasma częstotliwości i wyprowadza wynikowy sygnał audio. [0018] Informacja 8 o trybie kodowania wskazuje na przykład, która część zakodowanego sygnału audio 2 jest zakodowana przez który algorytm kodowania.

6 3 Informacja ta jednocześnie może identyfikować dekoder który ma być użyty dla różnych części czasowych. Dodatkowo, informacja 8 o trybie kodowania może sterować przełącznikiem do przełączania między różnymi dekoderami dla różnych części czasowych. [0019] Stąd, częstotliwość rozgraniczenia fx jest regulowanym parametrem, który jest dopasowywany zgodnie z użytym dekoderem, co oczywiście może obejmować koder mowy jako pierwszy dekoder 1a i dekoder audio jako drugi dekoder 1b. Jak wyżej stwierdzono, częstotliwość rozgraniczenia fx dla dekodera mowy (przykładowo opartego na algorytmie LPC) może być wyższa od częstotliwości rozgraniczenia użytej dla dekodera audio (np. dla muzyki). Tak więc, w kolejnych przykładach sterownik 2 jest skonfigurowany do zwiększania częstotliwości rozgraniczenia fx lub do zmniejszania częstotliwości rozgraniczenia fx w zakresie jednej części czasowej (np. drugiej części czasowej) tak że częstotliwość rozgraniczenia może być zmieniana bez zmiany algorytmu dekodowania. Oznacza to, że zmiana częstotliwości rozgraniczenia może nie być powiązana ze zmianą użytego dekodera: częstotliwość rozgraniczenia może być zmieniana bez zmiany użytego dekodera lub odwrotnie, dekoder może być zmieniany bez zmiany częstotliwości rozgraniczenia. [00] Moduł BWE 1 może również zawierać przełącznik, który jest sterowany sterownikiem 140 i/lub parametrem BWE 6, tak że pierwszy sygnał zdekodowany 114a jest przetwarzany przez moduł BWE 1 podczas pierwszej części czasowej, zaś drugi sygnał zdekodowany 114b jest przetwarzany przez moduł BWE 1 podczas drugiej części czasowej. Taki przełącznik może być aktywowany poprzez zmianę częstotliwości rozgraniczenia fx lub konkretny bit wewnątrz zakodowanego sygnału audio 2 wskazujący na użyty algorytm kodowania podczas odpowiedniej części czasowej. [0021] W kolejnych przykładach przełącznik jest skonfigurowany do przełączania między pierwszą i drugą częścią czasową pierwszego dekodera na drugi dekoder, tak że algorytm rozszerzania pasma jest albo zastosowany dla pierwszego zdekodowanego sygnału albo dla drugiego zdekodowanego sygnału. Alternatywnie, algorytm rozszerzania pasma jest zastosowany dla pierwszego i/lub drugiego zdekodowanego sygnału, a przełącznik jest umieszczony za tym etapem, tak że jeden z sygnałów rozszerzonym pasmem jest porzucony. [0022] Fig. 2 przedstawia schemat blokowy urządzenia 0 do kodowania sygnału audio. Urządzenie 0 do kodowania zawiera pierwszy koder 2a, drugi koder 2b, człon decyzji 2 i moduł rozszerzania pasma (moduł BWE) 2. Pierwszy koder 2a działa w celu kodowania zgodnie z pierwszym algorytmem kodowania z pierwszym pasmem częstotliwości. Drugi koder 2b działa w celu kodowania zgodnie z drugim algorytmem kodowania z drugim pasmem częstotliwości, węższym od pierwszego pasma częstotliwości. Pierwszy koder jest koderem mowy, takim jak koder LPC, podczas gdy drugi koder 2b zawiera koder audio (muzyki). Człon decyzji 2 jest skonfigurowany do wskazywania pierwszego algorytmu kodowania dla pierwszej części 4a sygnału audio i do wskazywania drugiego algorytmu kodowania dla drugiej części 4b sygnału audio, przy

7 6 3 czym druga część czasowa jest inna od pierwszej części czasowej. Pierwsza część 4a odpowiada pierwszej części czasowej zaś druga część 4b może odpowiadać drugiej części czasowej, która jest różna od pierwszej części czasowej. [0023] Moduł BWE 2 jest skonfigurowany do obliczania parametrów BWE 6 dla sygnału audio i jest skonfigurowany do tego, aby był sterowany przez człon decyzji 2 w celu obliczania parametru BWE 6 dla pierwszego pasma niezawierającego pierwszego pasma częstotliwości w pierwszej części czasowej 4a sygnału audio. Moduł BWE 2 ponadto jest skonfigurowany do obliczania parametru BWE 6 dla drugiego pasma niezawierającego drugiego pasma częstotliwości w drugiej części czasowej 4b sygnału audio. Pierwsze (drugie) pasmo zawiera więc składowe częstotliwości sygnału audio, które są na zewnątrz pierwszego (drugiego) pasma częstotliwości i są ograniczone od strony dolnego końca widma przez częstotliwość rozgraniczenia fx. Pierwsze lub drugie pasmo są więc zdefiniowane przez zmienną częstotliwość rozgraniczenia, która jest sterowana przez człon decyzji 2. [0024] Dodatkowo, moduł BWE 2 może zawierać przełącznik sterowany przez człon decyzji 2. Człon decyzji 2 może wyznaczać preferowany algorytm kodowania dla danej części czasowej i steruje przełącznikiem, tak że podczas danej części czasowej użyty jest preferowany koder. Zmodyfikowana informacja 8 o trybie kodowania zawiera odpowiedni sygnał przełącznika. Ponadto, moduł BWE 2 może również zawierać filtr dla uzyskania składowych sygnału audio w dolnym/górnym paśmie częstotliwości, które są rozdzielone częstotliwością rozgraniczenia fx, która może zawierać wartość około 4 khz lub khz. I w końcu, moduł BWE 1 może również zawierać narzędzie analizy do wyznaczania parametru BWE 6. Zmodyfikowana informacja 8 o trybie kodowania może być ekwiwalentna (lub równa) informacji 8 o trybie kodowania. Informacja 8 o trybie kodowania wskazuje na przykład użyty algorytm kodowania dla odpowiednich części czasowych w strumieniu bitów zakodowanego sygnału audio. [00] Zgodnie z kolejnymi wariantami wykonania, człon decyzji 2 zawiera narzędzie klasyfikacji sygnału, które analizuje oryginalny sygnał wejściowy i generuje informację sterującą 8, która wyzwala wybór różnych trybów kodowania. Analiza sygnału wejściowego zależy od implementacji mając za zadanie dobór optymalnego trybu kodowania rdzeniowego dla danej ramki sygnału wejściowego. Wyjście modułu klasyfikacji sygnału może być również (opcjonalnie) użyte do wywierania wpływu na zachowanie innych narzędzi, na przykład, MPEG surround, ulepszone SBR, dopasowany czasowo bank filtrów i innych. Wejście do modułu klasyfikacji sygnału zawiera na przykład, oryginalny niezmodyfikowany sygnał wejściowy, ale także opcjonalnie dodatkowe parametry zależne od implementacji. Wyjście modułu klasyfikacji sygnału zawiera sygnał sterujący 8 do sterowania wyborem kodeka rdzeniowego (na przykład kodowania w domenie częstotliwości

8 7 3 bez filtrowania LP lub kodowania w domenie czasu lub częstotliwości z filtrowaniem LP lub innych algorytmów kodowania). [0026] Zgodnie z wariantami wykonania, częstotliwość rozgraniczenia fx jest dopasowywana w zależności od sygnału, co jest połączone z decyzją przełączania co do użycia innego algorytmu kodowania. Dlatego też prostym sygnałem przełączania może być po prostu zmiana (skok) częstotliwości rozgraniczenia fx. Dodatkowo, informacja 8 o trybie kodowania może również zawierać zmianę częstotliwości rozgraniczenia fx wskazującą jednocześnie na preferowany algorytm kodowania (np. mowa/audio/muzyka). [0027] Zgodnie z kolejnymi wariantami wykonania, człon decyzji 2 działa w celu analizowania sygnału audio lub pierwszego sygnału wyjściowego pierwszego kodera 2a lub drugiego kodera 2b lub sygnału uzyskanego przez dekodowanie sygnału wyjściowego kodera 2a lub drugiego kodera 2b pod kątem funkcji docelowej. Człon decyzji 2 może opcjonalnie działać w celu realizacji rozróżnienia mowa/muzyka w taki sposób, że faworyzowana jest decyzja mowa względem decyzji muzyka, tak że podejmowana jest decyzja mowa, np. nawet jeśli część mniejsza od 0% ramki dla pierwszego przełączenia jest mową i część większa od 0% ramki dla pierwszego przełączenia jest muzyką. Dlatego też, człon decyzji 2 może zawierać narzędzie analizy, które analizuje sygnał audio w celu podjęcia decyzji, czy sygnał audio jest głównie sygnałem mowy, czy głównie sygnałem muzycznym, tak że w oparciu o wynik człon decyzji może podjąć decyzję, który kodek jest najlepszy do użycia dla analizowanej części czasowej sygnału audio. [0028] Fig. 1 i 2 nie pokazują wielu z tych szczegółów dla kodera/dekodera. Możliwe szczegółowe przykłady dla kodera/dekodera pokazane są na kolejnych figurach. Dodatkowo oprócz pierwszego i drugiego dekodera 1a,b z Fig. 1 obecne mogą być kolejne dekodery, które mogą używać np. kolejnych algorytmów kodowania lub mogą ich nie używać. W ten sam sposób, również koder 0 z Fig. 2 może zawierać dodatkowe kodery, które mogą używać dodatkowych algorytmów kodowania. Poniżej wyjaśniony zostanie bardziej szczegółowo przykład dwóch koderów/dekoderów. [0029] Fig. 3 przedstawia bardziej szczegółowo koder zawierający dwa kaskadowo rozmieszczone przełączniki. Sygnał mono, sygnał stereo lub sygnał wielokanałowy wprowadzany jest do członu decyzji 2 i do przełącznika 232, który jest częścią modułu BWE 2 z Fig. 2. Przełącznik 232 jest sterowany przez człon decyzji 2. Alternatywnie, człon decyzji 2 może również odbierać informację dodatkową, która jest zawarta w sygnale mono, sygnale stereo, lub sygnale wielokanałowym, albo tam gdzie taka informacja - która na przykład została wygenerowana podczas oryginalnego wytwarzania sygnału mono, stereo lub wielokanałowego istnieje, jest przynajmniej powiązana z takimi sygnałami. [00] Człon decyzji 2 aktywuje przełącznik 232 w celu dostarczenia sygnału albo do części 2b kodowania w domenie częstotliwości przedstawionej tutaj w górnej ścieżce Fig. 3, albo do części 2a kodowania w domenie LPC, przedstawionej w dolnej ścieżce Fig. 3.

9 8 3 Podstawowym elementem ścieżki kodowania w domenie częstotliwości jest blok 4 konwersji widmowej, który przetwarza typowy sygnał wyjściowy z członu przetwarzania wstępnego (jak to omówiono poniżej) na sygnał w domenie widmowej. Blok konwersji widmowej może zawierać algorytm MDCT, QMF, lub FFT, analizę falkową lub bank filtrów, taki jak bank filtrów próbkowany krytycznie posiadający pewną liczbę kanałów banku filtrów, gdzie sygnały podpasm w takim banku filtrów mogą być sygnałami wartości rzeczywistych lub sygnałami wartości zespolonych. Sygnał wyjściowy z bloku 4 konwersji widmowej jest kodowany z użyciem kodera widmowego 421 sygnału audio, który może zawierać bloki przetwarzania znane z algorytmu kodowania AAC. [0031] Ogólnie, przetwarzanie w ścieżce 2b jest przetwarzaniem opartym na modelu percepcyjnym lub modelu ujścia informacji. Tak więc, ścieżka ta odzwierciedla ludzki narząd słuchu odbierający dźwięk. Przeciwnie do tego, ścieżka przetwarzania 2a ma generować sygnał w domenie pobudzenia, resztkowej lub LPC. Ogólnie, przetwarzanie w ścieżce 2a jest przetwarzaniem opartym na modelu mowy lub modelu generowania informacji. Dla sygnałów mowy, model ten jest modelem ludzkiego narządu generowania mowy/dźwięku, generującego dźwięk. Jeśli jednak kodowany ma być dźwięk z innego źródła wymagający innego modelu generowania dźwięku, przetwarzanie w ścieżce 2a może być inne. Dodatkowo oprócz pokazanych ścieżek kodowania, kolejne warianty wykonania zawierają dodatkowe ścieżki lub kodery rdzeniowe. Przykładowo, opcjonalnie istnieć mogą różne kodery dla różnych źródeł, tak że dźwięk z każdego źródła może być kodowany z wykorzystaniem preferowanego kodera. [0032] W dolnej ścieżce kodowania 2a, podstawowym elementem jest urządzenie LPC, które wyprowadza informację LPC, która jest użyta do sterowania właściwości filtru LPC. Informacja LPC jest przesyłana do dekodera. Sygnał wyjściowy członu LPC jest sygnałem w domenie LPC, który składa się z sygnału pobudzenia i/lub sygnału ważonego. [0033] Urządzenie LPC ogólnie wyprowadza sygnał w domenie LPC, który może być dowolnym sygnałem w domenie LPC lub dowolnym innym sygnałem, który został wygenerowany z nałożeniem współczynników filtru LPC na sygnał audio. Ponadto, urządzenie LPC może również wyznaczyć te współczynniki i może również te współczynniki kwantyzować/zakodować. [0034] Decyzja w członie decyzji 2 może być dopasowująca się do sygnału, tak że człon decyzji rozróżnia muzykę od mowy i steruje przełącznikiem 232 w taki sposób, że sygnały muzyczne wprowadzane są do górnej ścieżki 2b, zaś sygnały mowy wprowadzane są do dolnej ścieżki 2a. W jednym wariancie wykonania, człon decyzji 2 przekazuje informację o decyzji do wyjściowego strumienia bitów, tak że dekoder może użyć tej informacji o decyzji w celu dokonania właściwej operacji dekodowania. Ta informacja o decyzji może na przykład zawierać informację 8 o trybie kodowania, która może również zawierać informację o częstotliwości rozgraniczenia fx lub zmianie częstotliwości rozgraniczenia fx.

10 9 3 [003] Dekoder taki przedstawiony jest na Fig. 4. Sygnał wyjściowy z widmowego kodera audio 421, po przesłaniu wprowadzony jest do widmowego dekodera audio 431. Sygnał wyjściowy z widmowego dekodera audio 431 wprowadzony jest do konwertera 440 domeny czasu (konwerter domeny czasu może ogólnie być konwerterem z pierwszej do drugiej domeny). Analogicznie, sygnał wyjściowy ścieżki kodowania 2a w domenie LPC z Fig. 3 odebrany jest po stronie dekodera i przetworzony przez elementy 31, 33, 34 i 32 w celu uzyskania sygnału pobudzenia LPC. Sygnał pobudzenia LPC wprowadzony jest do członu 40 syntezy LPC, który odbiera, na kolejnym wejściu, informację LPC generowaną przez odpowiedni człon analizy LPC. Sygnały wyjściowe z konwertera 440 domeny czasu i/lub z członu 40 syntezy LPC wprowadzone są do przełącznika 132, który może być częścią modułu BWE 1 z Fig. 1. Przełącznik 132 sterowany jest sygnałem sterującym przełącznikiem (takim jak informacja 8 o trybie kodowania i/lub parametr BWE 6), który został na przykład wygenerowany w członie decyzji 2, lub który został dostarczony z zewnątrz, na przykład przez podmiot tworzący oryginalne sygnały mono, stereo, lub sygnał wielokanałowy [0036] Na Fig. 3, sygnał wejściowy przełącznika 232 i członu decyzji 2 może być sygnałem mono, sygnałem stereo, sygnałem wielokanałowym lub ogólnie dowolnym sygnałem audio. W zależności od decyzji, która może być uzyskana z sygnału wejściowego przełącznika 232 lub z dowolnego zewnętrznego źródła, jak np. wytwórcy oryginalnego sygnału audio będącego bazą sygnału wejściowego do członu 232, przełącznik przełącza pomiędzy ścieżką 2b kodowania częstotliwości a ścieżką 2a kodowania LPC. Ścieżka 2b kodowania częstotliwości zawiera człon konwersji widmowej 4, oraz następny w kolejności człon kwantyzacji/kodowania 421. Człon kwantyzacji/kodowania może zawierać dowolne funkcje znane we współczesnych koderach domeny częstotliwości, takich jak koder AAC. Ponadto, operacja kwantyzacji w członie kwantyzacji/kodowania 421 może być sterowana za pomocą modelu psychoakustycznego, który generuje informację psychoakustyczną, taką jak psychoakustyczny próg maskowania w częstotliwości, która to informacja wprowadzona jest do członu 421. [0037] W ścieżce kodowania LPC 2a, sygnał wyjściowy przełącznika jest przetwarzany przez człon analizy LPC generujący informację dodatkową LPC i sygnał w domenie LPC. Koder pobudzenia może zawierać dodatkowy przełącznik do przełączania dalszego przetwarzania sygnału w domenie LPC między operacją kwantyzacji/kodowania 22 w domenie LPC lub członem kwantyzacji/kodowania 24, który przetwarza wartości w domenie widmowej LPC. W tym celu, zapewniony jest na wejściu członu kwantyzacji/kodowania 24 konwerter widmowy 23. Przełącznik 21 jest sterowany w otwartej pętli lub w zamkniętej pętli w zależności od konkretnych ustawień, na przykład opisanych w specyfikacji technicznej AMR-WB+. [0038] W trybie sterowania zamkniętej pętli, koder dodatkowo zawiera odwrócony kwantyzator/koder 31 dla sygnału w domenie LPC, odwrócony kwantyzator/koder 33 dla

11 3 sygnału w widmowej domenie LPC oraz odwrócony konwerter widmowy 34 dla sygnału wyjściowego pozycji 33. Obydwa sygnały zakodowane i ponownie zdekodowane w ścieżkach przetwarzania drugiej ścieżki kodowania są wprowadzane do urządzenia sterującego przełącznikiem. W urządzeniu sterującym przełącznikiem, te dwa sygnały wyjściowe są porównane ze sobą i/lub do funkcji docelowej lub obliczana jest funkcja docelowa, która może być oparta na porównaniu zniekształcenia obu sygnałów, tak że sygnał o mniejszym zniekształceniu jest wykorzystany do decyzji, którą pozycję powinien przybrać przełącznik 21. Alternatywnie, w przypadku, gdy obie ścieżki zapewniają niestałe przepływności, ścieżka zapewniająca mniejszą przepływność może być wybrana, nawet kiedy zniekształcenie lub zniekształcenie percepcyjne tej ścieżki jest mniejsze od zniekształcenia lub zniekształcenia percepcyjnego drugiej ścieżki (przykładem zniekształcenia może być stosunek sygnału do szumu). Alternatywnie, funkcja docelowa może wykorzystać, jako sygnał wejściowy, zniekształcenie każdego sygnału i przepływność każdego sygnału i/lub dodatkowe kryteria w celu znalezienia najlepszej decyzji dla konkretnego celu. Jeśli przykładowo, celem jest to, aby przepływność była jak najniższa, funkcja docelowa będzie mocno zależała od przepływności dwóch sygnałów wyprowadzonych z elementów 31, 34. Jednakże, kiedy głównym celem jest najlepsza jakość przy danej przepływności, urządzenie sterujące przełącznikiem może na przykład usunąć każdy sygnał, który jest powyżej dopuszczonej przepływności, a kiedy oba sygnały są poniżej dopuszczonej przepływności, urządzenie sterujące przełącznikiem wybierze sygnał zapewniający lepszą estymowaną subiektywną jakość, tj. cechujący się mniejszymi zniekształceniami kwantyzacji/kodowania lub lepszym stosunkiem sygnału do szumu. [0039] Algorytm dekodowania zgodny z przykładem jest, jak stwierdzono uprzednio, przedstawiony na Fig. 4. Dla każdego z trzech możliwych rodzajów sygnału wyjściowego istnieje konkretny człon dekodowania/rekwantyzacji 431, 31 lub 33. Podczas gdy człon 431 wyprowadza widmo częstotliwości które podlega konwersji do domeny czasu z wykorzystaniem konwertera częstotliwościowo-czasowego 440, człon 31 wyprowadza sygnał w domenie LPC, zaś pozycja 33 wyprowadza widmo LPC. W celu zapewnienia, że oba sygnały wejściowe przełącznika 32 są w domenie LPC, zapewniony jest konwerter 34 widma LPC/LPC. Dane wyjściowe przełącznika 32 są przetwarzane z powrotem do domeny czasu z użyciem członu syntezy LPC 40, który jest sterowany przez informację LPC generowaną i przesyłaną przez stronę kodera. Następnie, za blokiem 40, obie ścieżki zawierają informację w domenie czasu, która jest przełączana sygnałem sterującym przełącznikiem w celu ostatecznego uzyskania sygnału audio takiego jak sygnał mono, sygnał stereo lub sygnał wielokanałowy, które zależą od sygnału wprowadzonego do algorytmu kodowania z Fig. 3. [0040] Fig. i 6 przedstawiają kolejny wariant wykonania kodera i kolejny przykład dekodera, w których człony BWE jako część modułów BWE 1, 2 reprezentują wspólną jednostkę przetwarzania.

12 11 3 [0041] Fig. przedstawia algorytm kodowania, w którym wspólny algorytm przetwarzania wstępnego przyłączony do wejścia przełącznika 232 może zawierać blok 1 surround/połączone stereo, który generuje, jako sygnał wyjściowy, parametry wspólnego stereo i sygnał wyjściowy mono, który jest generowany przez operację downmixu sygnału wejściowego, który jest sygnałem posiadającym co najmniej dwa kanały. Ogólnie, sygnał na wyjściu bloku 1 może być również sygnałem zawierającym więcej kanałów, ale ze względu na funkcję downmixu bloku 1, liczba kanałów na wyjściu bloku 1 będzie mniejsza, niż liczba kanałów wprowadzonych do bloku 1. [0042] Wspólny algorytm przetwarzania wstępnego może zawierać dodatkowo oprócz bloku 1, człon 2 rozszerzania pasma. W wariancie wykonania z Fig., sygnał wyjściowy z bloku 1 wprowadzany jest do bloku 2 rozszerzania pasma, który wyprowadza sygnał o ograniczonym paśmie, taki jak sygnał dolnego pasma lub sygnał dolnoprzepustowy na swym wyjściu. Korzystnie, sygnał podlega również redukcji częstotliwości próbkowania (np. przez czynnik dwóch). Ponadto, dla pasma wysokiego sygnału wprowadzanego do bloku 2, parametry 6 rozszerzania pasma, takie jak parametry obwiedni widmowej, parametry odwróconego filtrowania, parametry tła szumu, itd., jak jest to znane z profilu HE-AAC z MPEG-4, są generowane i przesłane do multipleksera 800 strumienia bitów. [0043] Korzystnie, człon decyzji 2 odbiera sygnał wprowadzony do bloku 1 lub wprowadzony do bloku 2 w celu dokonania wyboru, na przykład, co do trybu muzyki lub trybu mowy. W trybie muzyki wybrana jest górna ścieżka kodowania 2b (drugi koder na Fig. 2), zaś w trybie mowy, dolna ścieżka kodowania 2a. Korzystnie, człon decyzji dodatkowo steruje blokiem 1 łącznego stereo i/lub blokiem 2 rozszerzania pasma w celu dopasowania funkcji tych bloków do konkretnego sygnału. Tak więc, kiedy człon decyzji 2 ustali, że pewien czasowy odcinek sygnału wejściowego odpowiada trybowi pierwszemu, takiemu jak tryb muzyczny, to człon decyzji 2 może sterować konkretnymi cechami bloku 1 i/lub bloku 2. Alternatywnie, kiedy człon decyzji 2 ustali, że sygnał jest w trybie mowy, lub ogólnie w drugim trybie w domenie LPC, to konkretne cechy bloków 1 i 2 mogą być sterowane zgodnie z wynikiem członu decyzji. Człon decyzji 2 generuje również informację sterującą 8 i/lub częstotliwość rozgraniczenia fx, która może również być przesłana do bloku BWE 2 i oprócz tego do multipleksera 800 strumienia bitów, tak aby została ona przesłana na stronę dekodera. [0044] Korzystnie, konwersja widmowa ścieżki kodowania 2b wykonana jest z użyciem operacji MDCT, która, jeszcze korzystniej, jest operacją dopasowanej czasowo transformacji MDCT, gdzie moc, lub ogólnie, moc dopasowania może być regulowana od zerowej do wysokiej mocy dopasowania. Przy mocy dopasowania zerowej, operacja MDCT w bloku 411 jest zwykłą operacją MDCT, znaną w stanie techniki. Moc dopasowania czasowego, wraz z informacją dodatkową o dopasowaniu czasowym może być przesłana/wprowadzona do multipleksera 800 strumienia bitów, jako informacja dodatkowa.

13 12 [004] W ścieżce kodowania LPC, koder w domenie LPC może zawierać rdzeń ACELP 26 obliczający wzmocnienie tonu, opóźnienie tonu i/lub informację z książki kodowej, jak np. indeks książki kodowej i wzmocnienie kodu. Tryb TCX, znany z 3GPP TS , zawiera przetwarzanie perceptualne ważonego sygnału w domenie transformacji. Sygnał ważony transformacji Fouriera jest kwantyzowany z użyciem rozdzielonej kwantyzacji kratkowej z wieloma prędkościami (algebraiczne VQ) z kwantyzacją współczynnika szumu. Transformacja jest obliczana w oknach zawierających 24, 12 lub 6 próbek. Sygnał pobudzenia jest odzyskiwany poprzez odwrotne filtrowanie skwantyzowanego sygnału ważonego poprzez odwrotny filtr ważący. Tryb TCX może być również użyty w postaci zmodyfikowanej, w której MDCT jest użyta z powiększoną zakładką, kwantyzacją skalarną i koderem arytmetycznym do kodowania linii widmowych. [0046] W muzycznej ścieżce kodowania 2b, konwerter widmowy korzystnie obejmuje specjalnie dopasowaną operację MDCT, posiadającą pewne funkcje okien, po której następuje człon kwantyzacji/kodowania entropii, który może być członem kwantyzacji wektorowej, ale korzystnie jest łączonym skalarnym kwantyzatorem/koderem entropii podobnym do kwantyzatora/kodera w ścieżce kodowania domeny częstotliwości, np. w pozycji 421 z Fig.. [0047] W ścieżce kodowania 2a mowy, istnieje blok LPC za którym znajduje się przełącznik 21, za którym z kolei znajduje się blok ACELP 26 lub blok TCX 27. ACELP opisany jest w 3GPP TS zaś TCX jest opisany w 3GPP TS Ogólnie blok ACELP 26 odbiera sygnał pobudzenia LPC, obliczony przez procedurę opisaną na Fig. 7. Blok TCX 27 odbiera sygnał ważony, wygenerowany na Fig. 8. [0048] Po stronie dekodera przedstawionej na Fig. 6, za blokiem 37 odwróconej transformacji widmowej, zastosowany jest odwrócony filtr ważenia (1-μz -1 )/(1-A(z/γ)). Następnie sygnał jest filtrowany przez (1-A(z)) aby przejść do domeny pobudzenia LPC. Tak więc konwersja do bloku 34 domeny LPC i bloku TCX obejmuje odwróconą transformację a następnie filtrowanie poprzez 3 aby przeprowadzić konwersję z domeny ważonej do domeny pobudzenia. [0049] Chociaż pozycja z Fig. 3 i ilustruje pojedynczy blok, blok może wyprowadzać różne sygnały, o ile sygnały te są w domenie LPC. Aktualny tryb bloku, taki jak tryb sygnału pobudzenia lub tryb sygnału ważonego mogą zależeć od aktualnego stanu przełącznika. Alternatywnie, blok może posiadać dwa równoległe urządzenia przetwarzające, gdzie jedno urządzenie implementowane jest podobnie jak na Fig. 7, zaś drugie urządzenie implementowane jest jak na Fig. 8. Stąd, domena LPC na wyjściu z bloku

14 13 3 może reprezentować albo sygnał pobudzenia LPC, albo sygnał ważony LPC, albo jakikolwiek inny sygnał w domenie LPC. [000] W drugiej ścieżce kodowania (ACELP/TCX) z Fig., przed kodowaniem sygnał korzystnie jest wstępnie wzmocniony przez filtr 1-μz -1. W dekoderze ACELP/TCX na Fig. 6 zsyntetyzowany sygnał jest osłabiony przez filtr 1/(1-μz -1 ). W korzystnym wariancie wykonania, parametr μ ma wartość 0,68. Wstępne wzmacnianie może być częścią bloku LPC, gdzie sygnał jest wstępnie wzmocniony przed analizą i kwantyzacją LPC. Podobnie, osłabienie może być częścią bloku LPC -1 40, syntezy LPC. [001] Fig. 6 przedstawia schemat dekodowania odpowiadający schematowi kodowania z Fig.. Strumień bitów wygenerowany przez multiplekser 800 strumienia bitów (lub interfejs wejściowy) wprowadzony jest do demultipleksera 900 (lub interfejsu wyjściowego) strumienia bitów. W zależności od informacji uzyskanej na przykład ze strumienia bitów przez blok detekcji trybu 601 (np. część sterownika 140 z Fig. 1), przełącznik 132 po stronie dekodera ustawiany jest do przesyłania do bloku 701 rozszerzania pasma, sygnałów z górnej ścieżki albo z dolnej ścieżki. Blok 701 rozszerzania pasma odbiera z demultipleksera 900 strumienia bitów informację dodatkową i w oparciu o tą informację dodatkową, oraz o wynik detekcji trybu 601, odtwarza pasmo wysokich częstotliwości w oparciu o pasmo niskich częstotliwości wyprowadzone przez przełącznik 132. Sygnał sterujący 8 steruje użytą częstotliwością rozgraniczenia fx. [002] Sygnał o pełnym paśmie generowany przez blok 701 wprowadzony jest do członu przetwarzania 702 łączne stereo/surround, który rekonstruuje dwa kanały stereo, lub kilka kanałów sygnału wielokanałowego. Ogólnie, blok 702 wyprowadzi więcej kanałów niż zostało do niego wprowadzonych. W zależności od zastosowania, na wejściu bloku 702 mogą znajdować się nawet dwa kanały, jak w trybie stereo, a nawet więcej kanałów, pod warunkiem, że na wyjściu tego bloku znajduje się więcej kanałów niż na jego wejściu. [003] Przełącznik 232 z Fig. pokazany został, jako przełączający pomiędzy obydwiema ścieżkami, tak że tylko jedna ze ścieżek odbiera sygnał do przetwarzania, zaś druga ścieżka nie odbiera sygnału do przetwarzania. Jednak w alternatywnym wariancie wykonania, przełącznik 232 może być również umieszczony bezpośrednio za, na przykład, koderem audio 421 i koderem pobudzenia 22, 23, 24, co oznacza, że obie ścieżki 2a, 2b równolegle przetwarzają ten sam sygnał. Jednak w celu uniknięcia podwojenia przepływności, do wprowadzenia do wyjściowego strumienia bitów wybrany jest z tych dwóch ścieżek 2a, 2b tylko jeden sygnał wyjściowy. Człon decyzji działał będzie w taki sposób, aby sygnał wprowadzony do strumienia bitów minimalizował pewną funkcję kosztu, gdzie funkcją kosztu może być wygenerowana przepływność, lub wygenerowane zniekształcenie perceptualne, lub połączona funkcja kosztu przepływności/zniekształceń. Dlatego też, w tym trybie, bądź w trybie pokazanym na Figurach, człon decyzji może również działać w trybie pętli zamkniętej w celu zapewnienia, że ostatecznie do strumienia bitów wprowadzony zostanie

15 14 3 efekt działania tylko tej ścieżki, która przy danym zniekształceniu perceptualnym oferuje najmniejszą przepływność, lub przy danej przepływności, zapewnia najmniejsze zniekształcenia perceptualne. W trybie zamkniętej pętli, zwrotny sygnał wejściowy może być uzyskany z sygnałów wyjściowych trzech bloków 421, 22 i 424 z Fig. 3 kwantyzatora/przelicznika. [004] Również, w przykładzie z Fig. 6, przełącznik 132 może w alternatywnych przykładach być umieszczony za modułem BWE 701, tak że rozszerzanie pasma jest realizowane równolegle dla obu ścieżek a przełącznik wybiera jeden z dwóch sygnałów z rozszerzonym pasmem. [00] W implementacji z dwoma przełącznikami, tj. pierwszym przełącznikiem 232 i drugim przełącznikiem 21, preferuje się, aby rozdzielczość czasowa dla pierwszego przełącznika była mniejsza od rozdzielczości czasowej dla drugiego przełącznika. Mówiąc inaczej, bloki sygnału wejściowego do pierwszego przełącznika, który może być przełączany przez operację przełączania, są większe od bloków przełączanych przez drugi przełącznik 21, działający w domenie LPC. Przykładowo, przełącznik 232 domena częstotliwości/domena LPC może przełączać bloki o długości 24 próbek, zaś drugi przełącznik 21 może przełączać bloki o długości 6 próbek. [006] Fig. 7 przedstawia bardziej szczegółową implementację bloku analizy LPC. Sygnał audio wprowadzony jest do bloku 83 określania filtru, który określa informację filtru A(z). Informacja ta wyprowadzona jest, jako krótkookresowa informacja predykcji wymagana przez dekoder. Krótkookresowa informacja predykcji wymagana jest przez faktyczny filtr predykcyjny 8. W układzie odejmującym 86, wprowadzona jest bieżąca próbka sygnału audio, od której odjęta jest predykowana wartość bieżącej próbki, tak że dla tej próbki sygnał błędu predykcji generowany jest w linii 84. [007] Gdy Fig. 7 przedstawia korzystny sposób obliczania sygnału pobudzenia, Fig. 8 przedstawia korzystny sposób obliczania sygnału ważonego. W przeciwieństwie do Fig. 7, filtr 8 jest inny, jeśli γ jest różne od 1. Dla γ preferowana jest wartość mniejsza od 1. Ponadto, obecny jest blok 87, zaś μ korzystnie jest liczbą mniejszą od 1. Generalnie, elementy na Fig. 7 i 8 mogą być implementowane, tak jak w 3GPP TS lub 3GPP TS [008] W następnej kolejności, omówiony zostanie koder CELP oparty na zasadzie analizy przez syntezę, w celu zilustrowania modyfikacji wprowadzonych do tego algorytmu. Taki koder CELP omówiony jest szczegółowo w publikacji "Speech Coding: A Tutorial Review", Andreas Spanias, Proceedings of the IEEE, Vol. 82, No., październik 1994, strony [009] W przypadkach specjalnych, gdy ramka jest mieszanką mowy dźwięcznej i bezdźwięcznej, lub gdy pojawia się mowa na tle muzyki, bardziej odpowiednie do kodowania pobudzenia w domenie LPC może być kodowanie TCX. Kodowanie TCX przetwarza bezpośrednio pobudzenie w domenie częstotliwości bez przyjmowania jakichkolwiek założeń

16 3 na temat wytwarzania pobudzenia. Kodowanie TCX jest więc bardziej ogólne od kodowania CELP i nie jest ograniczone do modelu źródła pobudzenia dźwięcznego lub bezdźwięcznego. TCX jest wciąż kodowaniem opartym na modelu filtru źródła, stosującym filtr predykcji liniowej do modelowania formant sygnałów mowy. [0060] W kodowaniu typu AMR-WB+, wybór pomiędzy różnymi trybami TCX i ACELP odbywa się zgodnie z opisem kodeka AMR-WB+. Tryby TCX różnią się długością blokowej dyskretnej transformacji Fouriera, a najlepszy tryb może być wybrany w analizie przez syntezę, lub w trybie bezpośredniego sprzężenia wyprzedzającego. [0061] Jak omawiano to w odniesieniu do Fig. i 6, typowy człon 0 przetwarzania wstępnego korzystnie zawiera łączny człon 1 wielokanałowy (urządzenie surround/łączne stereo) oraz dodatkowo człon 2 rozszerzania pasma. Odpowiednio do tego, dekoder zawiera człon 701 rozszerzania pasma i dołączony za nim łączny człon 702 wielokanałowy. Korzystnie, łączny człon 1 wielokanałowy, jeśli chodzi o koder, umieszczony jest przed członem 2 rozszerzania pasma, zaś po stronie dekodera, człon 701 rozszerzania pasma umieszczony jest przed łącznym członem 702 wielokanałowym, w odniesieniu do kierunku przetwarzania sygnału. Alternatywnie jednak, typowy człon przetwarzania wstępnego może zawierać łączny człon wielokanałowy bez dołączonego za nim członu rozszerzania pasma, lub człon rozszerzania pasma bez dołączonego łącznego członu wielokanałowego. [0062] Fig. od 9a do 9b przedstawiają uproszczony widok kodera z Fig., gdzie koder zawiera zespół 2 przełączania-decyzji i zespół kodowania stereo 1. Dodatkowo, koder zawiera również narzędzie 2 rozszerzania pasma, jako przykładowo kalkulator danych obwiedni i moduły związane z SBR. Zespół przełączania-decyzji 2 zapewnia sygnał decyzji przełączania 8, który przełącza między koderem audio 2b i koderem mowy 2a. Koder mowy 2a może ponadto być podzielony na koder mowy dźwięcznej i bezdźwięcznej. Każdy z tych koderów może kodować sygnał audio w rdzeniowym paśmie częstotliwości z użyciem różnych liczb wartości próbek (np. 24 dla wyższych rozdzielczości lub 6 dla niższej rozdzielczości). Sygnał decyzji przełączania 8 dostarczany jest również do narzędzia 2 rozszerzania pasma (BWE). Narzędzie BWE 2 użyje następnie decyzję przełączania 8 w celu, na przykład, dopasowania liczby obwiedni widmowych 4 i do wyłączenia/włączenia opcjonalnego detektora transjentów oraz do dopasowania częstotliwości rozgraniczenia fx. Sygnał audio wprowadzany jest do zespołu przełączania-decyzji 2 oraz jest wprowadzony do kodowania stereo 1, tak aby kodowanie stereo 1 mogło wytwarzać wartości próbek, które są wprowadzane do zespołu 2 rozszerzania pasma. W zależności od decyzji 8 wygenerowanej przez zespół 2 przełączania-decyzji, narzędzie 2 rozszerzania pasma wygeneruje dane replikacji pasm widmowych, które z kolei są przesyłane albo do kodera audio 2b albo do kodera mowy 2a. [0063] Sygnał decyzji przełączania 8 jest zależny od sygnału i może być uzyskany z zespołu 2 przełączania-decyzji przez analizę sygnału audio, np. wykorzystując detektor

17 16 3 transjentów lub inne detektory, które mogą zawierać lub mogą nie zawierać zmienny próg. Alternatywnie, sygnał decyzji przełączania 8 może być dopasowany ręcznie (np. przez użytkownika) lub uzyskany ze strumienia danych (zawartego w sygnale audio). [0064] Sygnały wyjściowe kodera audio 2b i kodera mowy 2a mogą ponownie być wprowadzone do modułu 800 formatowania strumienia bitów (patrz Fig. ). [006] Fig. 9b przedstawia przykład sygnału decyzji przełączania 8, który wykrywa sygnał audio dla odcinka czasu przed pierwszym czasem ta i po drugim czasie tb. Między pierwszym czasem ta i drugim czasem tb, zespół 2 przełączania-decyzji wykrywa sygnał mowy, czego wynikiem są inne dyskretne wartości dla sygnału decyzji przełączania 8. [0066] Decyzja użycia częstotliwości rozgraniczenia fx jest sterowana przez zespół 2 przełączania-decyzji. Oznacza to, że opisany sposób może być również użyty w systemie, w którym moduł SBR jest połączony z tylko jednym koderem rdzeniowym i zmienną częstotliwością rozgraniczenia fx. [0067] Chociaż niektóre Figury od 1 do 9 są przedstawione jako schematy blokowe urządzenia, figury te są jednocześnie ilustracją sposobu, gdzie funkcje bloków odpowiadają etapom sposobu. [0068] Fig. przedstawia reprezentację dla zakodowanego sygnału audio 2 zawierającego pierwszą część 4a, drugą część 4b, trzecią część 4c i czwartą część 4d. W reprezentacji tej, zakodowany sygnał audio 2 jest strumieniem bitów przesyłanym w kanale transmisji, który zawiera ponadto informację 8 o trybie kodowania. Każda część 4 zakodowanego sygnału audio 2 może reprezentować inną część czasową, chociaż różne części 4 mogą być zarówno w domenie częstotliwości jak i domenie czasu, tak że zakodowany sygnał audio 2 może nie reprezentować linii czasu. [0069] W przykładzie, zakodowany sygnał audio 2 zawiera dodatkowo pierwszą informację 8a o trybie kodowania wskazującą na użyty algorytm kodowania w pierwszej części 4a; drugą informację 8b o trybie kodowania wskazującą na użyty algorytm kodowania w drugiej części 4b; trzecią informację 8d o trybie kodowania wskazującą na użyty algorytm kodowania w czwartej części 4d. Pierwsza informacja 8a o trybie kodowania może również wskazywać na użytą pierwszą częstotliwość rozgraniczenia fx1 wewnątrz pierwszej części 4a, zaś druga informacja 8b o trybie kodowania może również wskazywać na użytą drugą częstotliwość rozgraniczenia fx2 wewnątrz pierwszej części 4b. Przykładowo, w pierwszej części 4a użyty może być tryb kodowania mowy, zaś w drugiej części 4b użyty może być tryb kodowania muzyki, tak że pierwsza częstotliwość rozgraniczenia fx1 może być wyższa od drugiej częstotliwości rozgraniczenia fx2. [0070] W przykładzie, zakodowany sygnał audio 2 nie zawiera informacji o trybie kodowania dla trzeciej części 4c, co wskazuje na to, że nie ma zmiany w użytym koderze i/lub częstotliwości rozgraniczenia fx miedzy pierwszą i trzecią częścią 4a, c. Dlatego też,

18 17 3 informacja 8 o trybie kodowania może pojawić się tylko jako nagłówek dla tych części 4, w których użyto innego kodera rdzeniowego i/lub innej częstotliwości rozgraniczenia w porównaniu do części poprzedniej. W kolejnych przykładach, zamiast sygnalizowania wartości częstotliwości rozgraniczenia dla różnych części 4, informacja 8 o trybie kodowania może zawierać pojedynczy bit wskazujący na koder rdzeniowy (pierwszy lub drugi koder 2a, b) użyty dla odpowiedniej części 4. [0071] Dlatego też, sygnalizowanie zachowania przełącznika między różnymi narzędziami SBR może być realizowane przez zgłoszenie przykładowo specyficznego bitu w strumieniu bitów, tak aby ten specyficzny bit mógł włączyć lub wyłączyć konkretne zachowanie dekodera. Alternatywnie, w systemach z dwoma koderami rdzeniowymi według przykładów sygnalizowanie przełącznika może być również inicjowane przez analizę kodeka rdzeniowego. W tym wypadku, zgłoszenie dopasowania narzędzi SBR realizowane jest domyślnie, co oznacza, że jest wyznaczone przez odpowiadające mu zachowanie kodera rdzeniowego. [0072] Więcej szczegółów na temat opisu standardu elementów strumienia bitów dla zawartości SBR można znaleźć w standardzie ISO/IEC , sub-clause Modyfikacja tego standardowego strumienia bitów obejmuje rozszerzenie indeksu w głównej tabeli częstotliwości (w celu identyfikacji użytej częstotliwości rozgraniczenia). Użyty indeks jest kodowany na przykład czterema bitami, umożliwiając aby pasmo rozgraniczenia było zmienne w zakresie od 0 do pasm. [0073] Warianty wykonania niniejszego wynalazku można więc podsumować następująco. Różne sygnały o różnych charakterystykach czasowo-częstotliwościowych mają różne wymagania co do charakterystyki rozszerzania pasma. Sygnały transjentowe (np. w sygnale mowy) wymagają wysokiej rozdzielczości czasowej BWE a częstotliwość rozgraniczenia fx (górna granica częstotliwości kodera rdzeniowego) powinna być jak najwyższa (np. 4 khz lub khz lub 6 khz). Szczególnie w mowie dźwięcznej, zniekształcona struktura czasowa może zmniejszyć odczuwaną jakość. Sygnały tonalne wymagają stabilnej reprodukcji składowych widmowych i dopasowanego wzoru harmonicznego odtwarzanych fragmentów wysokich częstotliwości. Stabilna reprodukcja fragmentów tonalnych ogranicza pasmo kodera rdzeniowego ale nie wymaga BWE z wysoką rozdzielczością czasową, ale z wyższą rozdzielczością widmową. W konstrukcji z przełączanym koderem rdzeniowym mowaaudio, możliwe jest aby decyzja co do kodera rdzeniowego obejmowała również, zarówno czasową jak i częstotliwościową charakterystykę BWE, jak również obejmowała częstotliwość początkową BWE (częstotliwość rozgraniczenia) w charakterystyce sygnału. Dlatego też, warianty wykonania zapewniają rozszerzanie pasma, gdzie decyzja co do kodera rdzeniowego pełni role kryterium adaptacji dla charakterystyki rozszerzania pasma. [0074] Sygnalizowanie zmienionej częstotliwości początkowej BWE (rozgraniczenia) może być realizowane bezpośrednio poprzez wysłanie dodatkowej informacji (jak na przykład,