基于G.729A的手机VOIP开发体会(转)

北京理工大学 20981 陈罡

原文：http://www.61ic.com/Services/Course/C6000/200912/24768.html

 

随着互联网络的发展，基于网络的多媒体通信越来越引起人们的关注，多媒体通信的基础是语音通信，为此国际电信联盟电信组（ITU-T）创立了G.711，G.723，G.729等多个语音编码的标准，其中G.729及其附录A以其较低的编解码复杂度，较高的语音质量和很低的编解码延时获得了人们的青睐。

多媒体终端是通信网络的重要组成部分，一个多媒体通信终端需要融合系统、传输、图像、语音、数据等多种功能，这就要求其核心处理器具有强大的处理能力。

 

1、语音编码原理和G.729A编解码器

语音编码算法从上个世纪七八十年代兴起，已经发展得相当成熟和完善。语音编码一般分为三种类型：波形编码，参数编码和波形参数混合编码。波形编码是以逼近声音波形为目标的，其代表的算法有G.711，它的声音清晰度好，语音的自然度高，但是压缩效率比较差，常在32kbps以上。参数编码是把人的声道抽象成一个发声模型，对这个模型的参数进行编码，特点是语音压缩效率高，但是自然度比较差，可以在极低速率进行编码。波形参数混合编码结合了以上两者的优点，代表算法有G.723，G.729等，能在4-16kbps的速率上进行高质量的语音合成。

 

G.729采用的是共轭结构的代数码激励线性预测算法(Conjugate Structure Algebraic Code Excited Linear Prediction，CS-ACELP)，这是一种基于CELP编码模型的算法。由于G.729编码器能够实现很高的语音质量（MOS分4.1）和很低的算法延时，被广泛地应用于数据通信的各个领域，如IP Phone和H.323系统等。G.729是对8KHz采样16bit量化的线性PCM语音信号进行编码，压缩后数据速率为8Kbps，具有16:1的高压缩率。

 

CS-ACELP编码器是以码本激励线性预测编码（CELP）模型为基础的。编码器对10ms长的语音帧进行处理，逐帧地提取CELP模型参数（LP滤波器系数、自适应码本和固定码本索引和增益），然后对这些参数进行编码和传输。编码参数的比特分配显示在表1中。

500)this.width=500;" border=0>

表1 G.729码字分配表

在解码器端，这些参数用来恢复激励信号和合成滤波器参数。重建语音是使激励信号通过线性预测（LP）滤波器滤波后得到的，如图1所示。其中，短时合成滤波器是一个10阶线性预测滤波器，而长时合成滤波器，或称基音合成滤波器，是利用自适应码本的方法来实现的。计算出合成语音后，还要进行后滤波以提高语音质量。

500)this.width=500;" border=0>

图1 G729解码器示意图

G.729以10ms为一帧，编码时需要前一子帧作为参考帧，所以编码延时只有15ms，特别适用于实时通信系统。

G.729A是G.729的简化版本，两者的编解码结构相同，码流可以互通。

 

主要的简化有：

感觉加权滤波器采用量化的LP滤波系数，

简化了自适应和固定码本的搜索，在解码器中只使用整数延迟，

简化了谐波后滤波器。

 

经过这些简化，G.729A的运算量比G.729减少约一半，而语音质量只有很小的下降（MOS分3.9），因此在实际的工程应用中一般都采用G.729A。

 

2、ITU-T G.729A Speech Coder使用方法

对于G.729A语音编码算法有了一些了解以后，作为工程师来说最关心的还是如何使用这个编码器。目前采用标准c语言编写的G.729A语音编码器是可以下载到源代码的，有兴趣的朋友只要用"ITU-T G.729A 语音编码"作为关键字google一下，就可以找到很多关于它的代码。这里需要说明的是，网上下载的G.729A是无法直接用于工程项目的，首先就是运行效率，由于是itu-t作为原理性阐述的代码发布，它的c语言代码是以大家能够看懂为目的设计的，而不是考虑运行效率和速度；其次，itu-t的speech codec在编码完毕后，进行了“串行化”的操作。

 

我仔细研究ITUG729代码后发现：

编码器的输出及解码器的输入不是编码生成的参数向量，而是经过1bit->Word16（即2字节）转换的bit流

，从而使得编码器输出数据不是原始PCM的1/16（理论上g.729编码和wav的文件的大小比例约为1:16），而实际上，我们采用它的coder编码出来的文件由于上述“串行化”的原因和原始wav几乎一样大，而且甚至比原始的wav还要大个十几K。

 

ITU-T为了在标准化方针中进行丢帧隐藏测试，对语音编解码器参考软件的码流格式一般要求为ITU-T G.192中规定的格式，即用16位的0x007F表示1个比特'0'，用0x0081表示1个比特'1'，每个帧头会有同步字和包的长度。对于同步字，0x6B20表示该帧为坏帧，0x6B21表示该帧为好帧。这样固然很好，但是。。。导致了编码后数据的增大。

 

那么如何来解决上述问题呢？解决的方法就是——去掉串行化代码，或者重新编写串行化代码。

我们打开bits.c，就可以看到里面定义的如下4个函数：

static void   int2bin(int  value, int  no_of_bits, INT16 *bitstream);

static int    bin2int(int  no_of_bits, INT16 *bitstream);

void prm2bits_ld8k(int  prm[], INT16 bits[]) ;

void bits2prm_ld8k(INT16 bits[], int  prm[]) ;

这个文件就是编码后文件大小没有什么变化的关键所在了，可以用如下的代码替换：

static void bit2byte(Word16 para,int bitlen,unsigned char * bits,int bitpos) ;

static Word16 byte2bit(int bitlen,unsigned char * bits,int bitpos) ;

 

void prm2bits_ld8k(Word16 *para,unsigned char *bits)

{

  int i;

  int bitpos = 0;

  for (i = 0;i<PRM_SIZE;i++) {

    bit2byte(*para++,bitsno[i],bits,bitpos);

    bitpos += bitsno[i];

  }

}

 

void bit2byte(Word16 para,int bitlen,unsigned char * bits,int bitpos)

{

  int i;

  int bit = 0;

  unsigned char newbyte = 0;

 

  unsigned char *p = bits + (bitpos / 8);

  for (i = 0 ;i < bitlen; i++) {

    bit = (para >> (bitlen - i -1) ) &0x01;

    newbyte = (1 << (7 - bitpos % 8));

    if (bit == 1)

      *p |= newbyte;

    else

      *p &= ~newbyte;

    bitpos++;

    if (bitpos % 8 == 0)

      p++;

  }

}

 

void bits2prm_ld8k(unsigned char *bits,Word16 *para)

{

  int i;

  int bitpos = 0;

  for (i = 0;i<PRM_SIZE;i++) {

    *para++ = byte2bit(bitsno[i],bits,bitpos);

    bitpos += bitsno[i];

  }

}

 

Word16 byte2bit(int bitlen,unsigned char * bits,int bitpos)

{

  int i;

  int bit = 0;

  Word16 newbyte = 0;

  Word16 value = 0;

 

  unsigned char *p = bits + (bitpos / 8);

  for (i = 0 ;i < bitlen; i++) {

    bit = (*p >> (7 - bitpos % 8)) &0x01;

    if (bit == 1) {

      newbyte = (1 << (bitlen - i -1));

      value |= newbyte;

    }

    bitpos++;

    if (bitpos % 8 == 0)

      p++;

  }

  return value;

}

通过上述的修改，已经可以保证，每次一帧160个字节的pcm16音频数据流，可以编码成为22个字节的编码参数prm，经过改写过的prm2bits_ld8k处理后，会转换成为10个字节的最终语音编码数据，这个时候，才真正体现出g.729a的威力。

 

编码器的代码可以采用如下的修改方法

(1)修改coder.c：

unsigned char serial[SERIAL_SIZE]; /* 输出数据的数据类型由Word16改为unsigned char */

(2)修改coder.c文件，对编码器调用方式进行修改（关键部分代码）：

  frame =0;

  while( fread(new_speech, sizeof(Word16), L_FRAME, f_speech) == L_FRAME)

  {

    printf("Frame =%d/r", frame++);

    Pre_Process(new_speech, L_FRAME);

    Coder_ld8a(prm);

    prm2bits_ld8k( prm, serial);

    fwrite(serial, 1, SERIAL_SIZE, f_serial);

  }

  return (0);

 

(3)把ld8a.h头文件中关于“串行化”长度的常量定义修改为10个字节：

#define  SERIAL_SIZE  10

 

(4)解码器decoder.c进行类似的修改（关键部分代码）：

  frame = 0;

  while( fread(serial, 1, SERIAL_SIZE, f_serial) == SERIAL_SIZE)

  {

    printf("Frame =%d/r", frame++);

    bits2prm_ld8k(serial, &parm[1]); /* 注意这里一定要是&parm[1] */

    parm[0] = 0;  /* 假设没有丢帧 */

    parm[4] = 0 ; /* 假设数据效验正常 */

    Decod_ld8a(parm, synth, Az_dec, T2);

    Post_Filter(synth, Az_dec, T2);

    Post_Process(synth, L_FRAME);

    fwrite(synth, sizeof(short), L_FRAME, f_syn);

  }

  return (0) ;

通过上面的修改，标准的ITU-T的G.729语音编码器和解码器就基本可以达到1:16的编码效率了。

 

修改bits2prm_ld8k和prm2bits_ld8k之后的编码的数据其实也不是1/16的，因为编码器中的比特分配并不是均匀的，有的时候一个参数需要用5bit来表示，但是他并不是在内存中用5bit表示，而是用了一个word16来表示的。所以这样编码后得到的数据还是要比1/16大一些，原理上来讲，编完码后的prm[]大小应该是11（共11个参数），但是编码器的bits2prm()在其前面又加了一位校验是否丢包的校验位，这样1个block编码后的prm[0]这位实际上是一个校验位。你要注意一下，解码器在读取编码后文件内容的时候，不是直接读取的字节，而是通过一个函数read_frame()，进行读取的，一个block读取prm[]大小为12。这样如果你把bits2prm去掉，编码后一个block用11个word16表示，但是解码的时候一次读取12个，这样就错了。所以需要对解码器作一下相应的修改，使它不再去关注那个prm[0]，一次读入11个数据。你看一下解码函数也会发现，在读入12个prm后，开头就是这么一句：bfi = *prm++，你把这个bfi作为参数传入函数，使其不再通过prm[0]得到，应该就可以了。

 

3、编解码器的优化问题

由于语音编码的特点，编解码的函数都是由一些基本的加减乘除的简单函数组织而成的，这些函数定义在BASIC_OP.C和OPER_32B.C两个文件里面，如果能够对这些简单函数进行嵌入式汇编的优化，就能达到事半功倍的效果。例如：

#define mult_r(var1, var2)

#define L_add(L_var1,L_var2)

#define L_mult(var1,var2)

#define L_shl(L_var1,var2)  

等等，可以大大地加快速度，同时调整编译选项，采用最优化的编译模式，g.729a的代码有很大一部分的运算量集中在循环体计算中，因而针对循环的优化也很有必要，尤其是深层循环，如果有能力都改成arm汇编，就可以适用于手机voip等发展方向的应用。国外经过优化的g.729a的库，在dm642 dsp芯片上运行的时候，仅仅占有0.7%的cpu，而且是实时语音编码，真是很难设想他们都是怎么优化的（不过价钱也很高，而且只给二进制库和调用头文件，不给源代码）。

好了，这些是我对g.729a库使用的一点心得，希望对大家有用。