摘要 數字音頻混音是嵌入式多媒體設備不可缺少的功能,本文介紹數字混音的基本原理,并提供了幾種實際應用方法,并進行了實際的測試,取得了良好的效果。
---- 關鍵詞 多路語音合成,混音,衰減因子。
1.引言
---- 隨著嵌入式處理器的處理能力不斷加強,網絡技術的不斷進展,嵌入式多媒體通訊已經迅速普及,其應用產品前途很越來越廣泛,如IP電話, 音頻會議產品,多媒體教學產品。這些產品的一個基本功能就是語音采集（數字化）,語音傳輸和實時播放。但由于成本和設計資源的限制,一個終端一般只可能有一路（立體聲）輸出能力,這在一對一通話是不會產生任何問題。但在多個終端同時通話時（如音頻會議）,如果接收到的數字語音信號不經特殊處理,就很難模擬出多個與會者在一個會議室進行對話的情形。這就要求終端有能力將收到到多路數字語音合成（混合）成一路輸出。因此必須采取多路音頻流混合方案。
2.設計思想：
2.1 混音的合理性和必要性：
---- 傳輸話音這種連續(xù)的、時間要求嚴格的流與傳輸別的數據不同。這涉及聲波轉換為數字信號,數字信號恢復為聲波。雖然AD/DA由硬件完成,但錄音和播放由用戶設置。特別需要注意的是,不象典型的視頻流在空間/時間域占有唯一的位置,在同一時間和位置的圖象元素疊加是無任何意義的,但人耳可以感知在同一空間/時間播放多個音頻流。這就是混音的合理性和必要性�；煲艟褪怯靡粋�輸出設備播放多個音頻流。
2.2 混音方案的理論依據：
---- 在時域上語音是短時平穩(wěn)信號,對語音信號進行處理的一個基本概念就是對語音樣本以緩沖區(qū)為單位處理,即對輸入的語音樣本分幀。為了滿足合理的延時要求,語音幀的長度一般是選10~20ms。
---- 當多個音頻源在一個房間播放時,人耳聽到的聲波是各個聲源聲波的線性疊加,這正是模擬混音的基礎。該事實表明數字話音的混音也應線性相加。假設有n路輸入音頻流進行混音,Xi(t)是t時刻的第i路輸入語音的采樣值,則t時刻的混音值為：
---- m(t)=ΣXi(t),i=0,1,…,n-1
---- 數字音頻的重要參數是采樣率和采樣位數,其中各路輸入音頻流的采樣率相同是混音的前提。
3. 混音的實際算法：
考慮到數字音頻的采樣位數,其每點的的采用的最大最小值是被限定的,如8位采樣,則采樣值的范圍是-127~+127。因此在混音計算時,m(t)=ΣXi(t)必須考慮其溢出的情況。簡單的處理溢出的方法是m(t)=(ΣXi(t))/n, 其中n表示參與混音的路數,這樣即可以保證每個采樣點都不會溢出。
但這種算法的缺點也很明顯,即每路音頻的音量都被縮小了n倍,沒有使每路的音頻在不溢出的情況下達到最大的輸出（與混音前的每路音頻盡量接近）。要達到這種效果,就需要使用另外一種比較復雜的算法： 使用衰減因子f, m(t)=Σ(Xi(t)*f)。其中 (1/n)<= f <= 1, n為混音的路數。
如上面所說,一個語音幀是一個處理單元。初始化時令f=1,每次開始處理一個新的語音幀時,任何一個合成值m(t)超過了范圍,將m(t)箝位,并且求得對應的新的f,在時序上位于此點之后的樣本都采用新的f。可以看出這樣一來,f有越來越小的趨勢。為了避免語音不必要的被衰減,因此需要有讓f變大的地方,這發(fā)生在每個新的語音幀開始處理的入口。新的語音幀樣本仍然需要衰減的可能性是很大的,所以f不能每次都又從1開始,而是應該在某種程度上繼承過去的值。即在每個新的樣本緩沖區(qū)的入口處,只要f不等于1,就將其調整為比f稍大一些的值,讓它成為新的衰減因子。若樣本的確不需要衰減,經過若干幀后f會慢慢變回1。
流程圖如下,每次處理語音幀樣本長度在10~20ms內選取, 以16位采樣為例, f可取1/16, 2/16,… 15/16,1 。 也可以根據不同的應用取不同的取值范圍,和不同的 #1, #2 算法。
4.注意事項：
考慮到不同的處理器的處理能力,以及產品對時延的不同要求,我們可以合理的采用上述兩種方法。值得注意的是,每點的采樣值都是有符號數,不能用簡單的無符號數進行處理和運算。
同時,隨著需要混合的語音信號路數的增加,在用戶不采取任何附加的預防措施的情況下,一些并不需要的信號(例如回聲和噪音)就會累積起來并終將導致讓人無法接受的質量劣化。這樣,每個終端還可以進行輸入音頻的有聲/無聲檢測,對無有效信號的音道直接丟棄。
|
66821730(技術支持)
