[发明专利]抖动缓冲器调节

说明书

技术领域

本发明涉及抖动缓冲器调节。

背景技术

为了发送话音，语音帧可以在发射机处被编码、经由网络发送、 并在接收机处被再次解码，以展现给用户。

在发射机没有活动语音需要被发送的时段期间，语音帧的正常发 送可被切断。这被称之为不连续发送(DTX)机制。当不存在将被发 送的有用信息时，不连续发送节省了发送资源。在正常通话中，例如， 在某一时刻，通常所涉及的人员中仅有一人在说话，这意味着一个方 向上的信号平均仅在大约50％的时段期间是包含活动语音的。发射机 可以在此时段期间生成一组舒适噪声参数，该参数描绘了展现于发射 机处的背景噪声。这些舒适噪声参数可被发送给接收机。相比于语音 帧，舒适噪声参数的发送通常以低比特率和/或低发送间隔来进行。接 收机然后可以使用所接收的舒适噪声参数来合成人工类噪声信号，该 信号的特性接近于展现在发射机处的背景噪声的特性。

在自适应多速率(AMR)语音编解码器和自适应多速率宽带 (AMR-WB)语音编解码器中，例如，在活动语音周期期间以20ms 的间隔来生成新的语音帧。一旦检测到活动语音周期的结束，则非连 续发送机制会将解码器保持在活动状态超过七帧，以形成延迟释放周 期(hangover period)。在接收端利用该周期来准备背景噪声估计，该 背景噪声估计可被用作在非语音周期期间生成舒适噪声的基础。在所 述延迟释放周期之后，发送被切换到舒适噪声状态，在该状态期间， 更新的舒适噪声参数通过静寂描述(SID)帧以160ms的间隔被发送。 在新会话开始时，发射机被设置为活动状态。这意味着即使音频信号 不包含语音，新会话的至少前七个帧也会被编码，并作为语音而被发 送。

包括语音帧以及在DTX情况下包括舒适噪声参数的音频信号可 从发射机经由例如分组交换网路(例如，因特网)而被发送到接收机。

分组交换通信的特性通常会引入分组发送时间的变化，通常称之 为抖动，这在接收机看来即为分组以不稳定的间隔到达。除了分组丢 失的情况，网络抖动是主要的障碍，特别是对于通过分组交换网络所 提供的通话语音服务。

更具体而言，实时工作的音频接收机的音频重放组件要求恒定的 输入，以保持良好的声音质量。甚至很短的中断也应当被排除掉。因 此，如果某些包含音频帧的分组在需要对该音频帧进行解码以及进一 步的处理之后才到达，则这些分组以及所包含的音频帧会因过晚到达 而将被视为丢失。音频解码器将会执行差错掩盖(error concealment)， 以补偿丢失帧中所携带的音频信号。尽管如此，显然，大量的差错掩 盖也会降低声音质量。

通常情况下，抖动缓冲器因而会被用来掩藏不稳定的分组到达时 间，从而向解码器以及后续的音频重放组件提供连续的输入。抖动缓 冲器在预定时间量期间在其中存储输入的音频帧。该时间可以例如在 接收到分组流的第一分组时进行规定。然而，由于所接收的分组在进 一步处理之前会先被存储，因此，抖动缓冲器引入了额外的延时分量。 这增大了端到端延时。可以通过例如平均缓冲延时以及延时帧在所接 收的所有帧中的最终比例来表征抖动缓冲器。

使用固定重放定时的抖动缓冲器不可避免地是最低端到端延时 与最少量的延时帧之间的折中，而且找出最优平衡不是一件容易的 事。虽然在某些特定的环境和应用中，预期抖动量可被估计保持在一 定限度之内，但通常抖动可以在0到数百毫秒之间变化(即使在同一 会话中)。使用固定重放定时，其中根据预期的最差情况而将初始缓 冲延时设置成足够大的值以涵盖抖动，这可以使延时帧的数量处于掌 握中，但同时存在这样的风险，即引入了太长的端到端延时以至于不 能进行自然的通话。因此，在大多数通过分组交换网络工作的音频发 送应用中，应用固定的缓冲并非最佳的选择。

可以使用自适应抖动缓冲器管理来动态地控制足够短的延时与 足够少量的延时帧之间的平衡。在此种方法中，持续地监视输入的分 组流，并且根据所观察的所述输入的分组流的延时状况的变化来调整 缓冲延时。在发送延时看起来在增大或者抖动变得更加厉害的情况 下，增大缓冲延时以满足网络环境。在相反的情况下，可以减小缓冲 延时，从而使端到端的总延时最小化。

发明内容