语音通信算法

❶ QQ语音通讯软件采用的语音压缩标准

基于DSP的紫外光通信语音压缩.

语音通信的重要问题之一就是尽可能提高压缩编码的比特率。

音频数据一般具有较高的采样速率，如果不经过压缩的话，保存它们需要消耗大量的存贮空间，在网络上进行传输的效率也很低。采用什么样的压缩算法决定了压缩率的大小，这也是整个网络语音通信技术的核心和最关键的技术之一。因此音频数字压缩编码在语音通信中占有很重要的地位。目前常用的压缩方法有很多种，不同的方法具有不同的压缩比和还原音质，编码的格式和算法也各不相同，其中某些压缩算法相当复杂，普通程序不可能去实现其编解码算法。

所幸的是，Windows9x/NT4.0/Windows2000为多媒体应用程序提供了强大的支持，引入了多媒体功能的接口函数库ACM[3](Audio Compression Manager,音频压缩管理器)，它负责管理系统中所有音频编解码器(Coder-Decoder简称Codecs，是实现音频数据编解码的驱动程序)，应用程序可以通过ACM提供的编程接口调用这些系统中现成的编解码器来实现音频数据的压缩和解压缩，这一类函数和结构的名字一般都以“ACM”作为前缀。

在Delphi6开发音频压缩的程序中，其相应的API声明单元为MSASM.pas。语音压缩的程序中，音频压缩管理器控件组包括TACMWaveIn、TACMDialog、TACMWaveOut这三个控件。程序员可在相应的网站（如：http://mmcomm.myrice.com/controls/ACM.zip）获得这些控件。TACMDialog该控件可以用来指定音频数据的输入输出格式，用户既可在设计过程中设定音频数据的输入输出格式，也可在程序运行时由对话框调整这些参数。TACMWaveIn控件用于从麦克风接受音频数据，TACMWaveOut控件用于声音的回放，这个控件的音频数据缓冲区大小属性Numbuffers用于指定播放前使用的缓冲区数，这对于流量不稳定的网络的音频传输显得非常重要，它可以缓冲连接的波动数据而输出稳定的不间断的声音。

Windows9x/NT/2000/XP系统自带的音频Codecs支持一些音频数据压缩标准，如Microsoft AD-PCM、(IMA)ADPCM、DSPGroupTrueSpeech(TM)等。从压缩率来看，MSADPCM和IMAADPCM都是4:1，MSGSM6.10是2:1，而DSPGroupTrueSpeech(TM)则达到了10:1。从还原后的效果来看，应该MSGSM6.10比较好，而且它支持比较高的采样频率，但它的压缩率太小。

❷ 语音编解码的723.1(双速率语音编码算法)

类型：Audio
制定衡埋者：ITU-T
所需频宽：5.3Kbps(22.9)
特性：能够对音乐和其他音频信号进行压缩和解压缩，但它对语音信号来说是最优的。G.723.1采用了执咐敏蚂行不连续传输的静音压缩，这就意味着在静音期间的比特流中加入了人为的噪声。除了预留带宽之外，这种技术使发信机的调制解调器保持连续工作，并且避免了载波信号的时通时断。
优点：避免了载波信号的时通时断。
缺点：语音质量一般
应用领域：voip
版税方式：Free
备注：G.723.1算法是 ITU-T建议的应用于低速率多媒体服务中语音或其它音频信号的压缩算法，其目标应用系统包括H.323、H.324等多媒体通信系统 。该算法已成为IP电话系统中的必选算法拿告之一。

❸ TTS是什么意思呢

TTS是指一项语音合成技术。

语音合成是将人类语音用人工的方式所产生。若是将电脑系统用在语音合成上，则称为语音合成器，而语音合成器可以用软/硬件所实现。

文字转语音系统则是将一般语言的文字转换为语音，其他的系统可以描绘语言符号的表示方式，就像音标转换至语音一样。

(3)语音通信算法扩展阅读：

发展历史

1、17世纪法国人研发机械式的说话装置，直到19世纪，贝尔实验室对于电子语音合成技术的研究，才开启近代语音合成技术的发展。

2、贝尔实验室在1939年制作出第一个电子语音合成器VODER，是一种利用共振峰原理所制作的合成器。

3、1960年，瑞典语言学家G. Fant则提出利用线性预测编码技术（LPC）来作为语音合成分析技术，并推动了日后的发展。

4、1980年代Moulines E和Charpentier F提出新的语音合成算法PSOLA，此技术可以合成比较自然的语音。

❹ 语音识别中的CTC方法的基本原理是什么呢

早期的训练语音模型的时候，我们需要标记每一帧的训练数据，这时候基本上是用传统的HMM和GMM做的。然后用标记了的数据去训练神经模型。端到端的方案是去处这部分非神经网络的处理阶段，而直接用CTC跟RNN来实现不需要标记到帧的训练数据来直接训练出语音模型，而不借助于其他（HMM，GMM）来训练神经网络模型。在传统的语音识别的模型中，我们对语音模型进行训练之前，往往都要将文本与语音进行严格的对齐操作。这样就有两点不太好：虽然现在已经有了一些比较成熟的开源对齐工具供大家使用，但是随着deep learning越来越火，有人就会想，能不能让我们的网络自己去学习对齐方式呢？因此CTC就应运而生啦。想一想，为什么CTC就不需要去对齐语音和文本呢？因为CTC它允许我们的神经网络在任意一个时间段预测label，只有一个要求：就是输出的序列顺序只要是正确的就ok啦~这样我们就不在需要让文本和语音严格对齐了，而且CTC输出的是整个序列标签，因此也不需要我们再去做一些后处理操作。对一段音频使用CTC和使用文本对齐的例子如下图所示：