ES2343948T3 - Procedimiento y aparato para realizar vocodificacion con tasa reducida y tasa variable. - Google Patents

Abstract

Un procedimiento para codificar una trama de habla, que comprende las etapas de: derivar una pluralidad de parámetros de trama; seleccionar (20) una primera modalidad de codificación, si un parámetro derivado de medición de autocorrelación normalizada (NACF) es superado por un primer valor de umbral, y si un parámetro contador de cruces por cero (ZC) supera un segundo valor de umbral; seleccionar (24) una segunda modalidad de codificación si la primera modalidad de codificación no es seleccionada, y si un parámetro derivado (ED) de medición diferencial de energía es superado por un tercer valor de umbral, en donde el parámetro derivado (ED) de medición diferencial de energía indica una diferencia en energía entre una trama actual y las tramas anteriores; seleccionar (28) una tercera modalidad de codificación si las modalidades de codificación primera y segunda no son seleccionadas y si un parámetro derivado de calidad de codificación (TMSNR) supera un cuarto nivel de umbral, y si un parámetro derivado de medición de diferencial de ganancia de predicción (PGD) es superado por un quinto nivel de umbral, y si el parámetro derivado de medición de autocorrelación normalizada (NACF) supera un sexto valor de umbral, en donde el parámetro derivado de calidad de codificación (TMSNR) indica el desempeño de un modelo de codificación; seleccionar una cuarta modalidad de codificación si las modalidades de codificación primera, segunda y tercera no se seleccionan; y codificar la trama de voz según la modalidad de codificación seleccionada.

Description

Procedimiento y aparato para realizar vocodificación con tasa reducida y tasa variable.

Antecedentes de la invención I. Campo de la invención

La presente invención se refiere a las comunicaciones. Más en particular, la presente invención se refiere a un procedimiento y a un aparato, novedosos y mejorados, para realizar la codificación por predicción lineal excitada por código (CELP) con tasa, o velocidad, variable.

\vskip1.000000\baselineskip

II. Descripción de la técnica relacionada

La transmisión de voz mediante técnicas digitales se ha extendido, particularmente en aplicaciones de larga distancia y de radiotelefonía digital. Esto, a su vez, ha despertado interés en determinar la menor cantidad de información que puede enviarse por el canal que mantiene la calidad percibida del habla reconstruida. Si el habla se transmite simplemente muestreando y digitalizando, se requiere una tasa de transmisión de datos del orden de 64 kilobits por segundo (kbps) para conseguir una calidad del habla del teléfono analógico convencional. Sin embargo, a través del uso de análisis del habla, seguido de la codificación, la transmisión, y la resíntesis apropiadas en el receptor, puede lograrse una reducción significativa en la tasa de transmisión de datos.

Los dispositivos que emplean técnicas para comprimir habla vocal extrayendo parámetros que se refieren a un modelo de generación del habla humana normalmente se denominan vocodificadores. Tales dispositivos están compuestos por un codificador, que analiza el habla entrante para extraer los parámetros pertinentes, y un descodificador, que resintetiza el habla utilizando los parámetros que recibe por el canal de transmisión. Con el fin de ser preciso, el modelo debe cambiar continuamente. Así el habla se divide en bloques de tiempo, o tramas de análisis, durante las cuales se calculan los parámetros. Los parámetros entonces se actualizan para cada nueva trama.

De las diversas clases de codificadores del habla la codificación por predicción lineal excitada por código (CELP), la codificación estocástica o la codificación del habla excitada por vector son de una clase. Un ejemplo de un algoritmo de codificación de esta clase particular se describe en el artículo "A 4.8kbps Code Excited Linear Predictive Coder" ["Un Codificador Predictivo Lineal Excitado por Código de 4,8 kbps"] de Thomas E. Tremain et al., Proceedings of the Mobile Satellite Conference, 1988.

La función del vocodificador es comprimir la señal del habla digitalizada en una señal de tasa de transmisión de bits baja eliminando todas las redundancias naturales inherentes al habla. El habla normalmente tiene redundancias a corto plazo debidas principalmente a la operación de filtrado del tracto vocal, y redundancias a largo plazo debidas a la excitación del tracto vocal por las cuerdas vocales. En un codificador CELP, estas operaciones se modelan mediante dos filtros, un filtro formante a corto plazo y un filtro de altura tonal a largo plazo. Una vez eliminadas estas redundancias, la señal residual resultante puede modelarse como ruido blanco gaussiano, que también debe codificarse. La base de esta técnica es calcular los parámetros de un filtro, llamado el filtro LPC, que realiza predicción a corto plazo de la onda del habla utilizando un modelo del tracto vocal humano. Además, los efectos a largo plazo, relacionados con la altura tonal del habla, se modelan calculando los parámetros de un filtro de altura tonal, que esencialmente modela las cuerdas vocales humanas. Finalmente, estos filtros deben excitarse, y esto se hace determinando cuál, de un número de ondas de excitación aleatorias en un libro de códigos (codebook), tiene como resultado la aproximación más cercana al habla original cuando la onda excita los dos filtros mencionados anteriormente. Así los parámetros transmitidos se refieren a tres elementos (1) el filtro LPC, (2) el filtro de altura tonal y (3) la excitación del libro de códigos.

Aunque el uso de técnicas de vocodificación favorece el objetivo de intentar reducir la cantidad de información enviada por el canal mientras se mantiene un habla reconstruida de calidad, es necesario emplear otras técnicas para lograr reducción adicional. Una técnica utilizada previamente para reducir la cantidad de información enviada es la interrupción momentánea de la actividad vocal. En esta técnica no se transmite ninguna información durante las pausas del habla. Aunque esta técnica logra el resultado deseado de reducción de datos, padece varias deficiencias.

En muchos casos, la calidad del habla se reduce debido al recorte de las partes iniciales de las palabras. Otro problema de interrumpir momentáneamente el canal durante la inactividad es que los usuarios del sistema perciben la falta de ruido de fondo que normalmente acompaña al habla y juzgan la calidad del canal como inferior a una llamada telefónica normal. Un problema adicional de la interrupción momentánea de la actividad es que ruidos repentinos ocasionales en el fondo pueden activar el transmisor cuando no se produce habla, lo que tiene como resultado ráfagas de ruido molestas en el receptor.

En un intento de mejorar la calidad del habla sintetizada en sistemas de desconexión de actividad vocal, se añade un murmullo de fondo sintetizado durante el proceso de descodificación. Aunque se logra alguna mejora de la calidad al añadir el murmullo de fondo, no mejora sustancialmente la calidad global, ya que el murmullo de fondo no modela el ruido de fondo real en el codificador.

Una técnica preferida para llevar a cabo la compresión de datos, a fin de que tenga como resultado una reducción de la información que se necesita enviar, es realizar vocodificación con tasa variable. Debido a que el habla contiene inherentemente periodos de silencio, es decir, pausas, la cantidad de datos requeridos para representar estos periodos puede reducirse. La vocodificación con tasa variable aprovecha de la manera más eficaz este hecho reduciendo la tasa de transmisión de datos para estos periodos de silencio. Una reducción en la tasa de transmisión de datos, en contraposición a una detención completa en la transmisión de datos, para periodos de silencio supera los problemas asociados con la interrupción momentánea de la actividad vocal mientras se facilita una reducción en la información transmitida.

La patente estadounidense Nº US 5.414.796, presentada el 14 de enero de 1993, titulada "Variable Rate Vocoder" ["Vocodificador de Tasa Variable"] y transferida al cesionario de la presente invención, detalla un algoritmo de vocodificación de la clase de codificadores del habla mencionada anteriormente, codificación por predicción lineal excitada por código (CELP), codificación estocástica o vocodificación excitada por vector. La técnica CELP por sí misma proporciona una reducción significativa en la cantidad de datos necesarios para representar el habla de una manera que, tras la resíntesis, tenga como resultado habla de alta calidad. Tal como se mencionó anteriormente, los parámetros del vocodificador se actualizan para cada trama. El vocodificador detallado en la solicitud de patente, en tramitación junto con la presente, proporciona una tasa variable de transmisión de datos de salida cambiando la frecuencia y la precisión de los parámetros del modelo.

El algoritmo de vocodificación de la solicitud de patente mencionada anteriormente difiere de manera sumamente marcada de las técnicas de CELP anteriores, produciendo una tasa variable de transmisión de datos de salida, basándose en la actividad del habla. La estructura se define para que los parámetros se actualicen con menos frecuencia, o con menos precisión, durante las pausas en el habla. Esta técnica permite un descenso incluso mayor en la cantidad de información que va a transmitirse. El fenómeno que se aprovecha para reducir la tasa de transmisión de datos es el factor de actividad vocal, que es el porcentaje medio de tiempo que un orador dado está efectivamente hablando durante una conversación. Para conversaciones telefónicas bidireccionales típicas, la tasa de transmisión de datos media se reduce en un factor de 2 o más. Durante las pausas en el habla, el vocodificador sólo está codificando el ruido de fondo. En estos momentos, no es necesario que se transmitan algunos de los parámetros relacionados con el modelo del tracto vocal humano.

Tal como se mencionó anteriormente, un enfoque anterior para limitar la cantidad de información transmitida durante el silencio se llama interrupción momentánea de actividad vocal, una técnica en la que no se transmite información durante los momentos de silencio. En el lado de recepción, el periodo puede llenarse con "murmullo de fondo" sintetizado. En contraposición, un vocodificador con tasa variable está transmitiendo datos continuamente que, en la realización ejemplar de la solicitud en tramitación junto con la presente, están en tasas que varían entre aproximadamente 8 kbps y 1 kbps. Un vocodificador que proporciona una transmisión de datos continua elimina la necesidad del "murmullo de fondo" sintetizado, proporcionando la codificación del ruido de fondo una calidad más natural al habla sintetizada. La invención de la solicitud de patente mencionada anteriormente, por tanto, proporciona una mejora significativa en la calidad del habla sintetizada respecto a la de la interrupción momentánea de la actividad vocal, permitiendo una transición suave entre habla y fondo.

El algoritmo de vocodificación de la solicitud de patente mencionada anteriormente permite detectar pausas cortas en el habla, y se lleva a cabo un descenso en el factor de actividad vocal efectiva. Pueden tomarse decisiones de tasa trama a trama sin ningún rezago, de modo que la tasa de transmisión de datos pueda bajarse para pausas en el habla tan cortas como la duración de trama, normalmente 20 ms. Por tanto pueden capturarse pausas tales como aquellas entre sílabas. Esta técnica disminuye el factor de actividad vocal más allá de lo que se ha considerado tradicionalmente, ya que no sólo las pausas de larga duración entre frases, sino también las pausas más cortas, pueden codificarse con tasas más bajas.

Puesto que las decisiones de tasas se toman trama a trama, no hay recorte de la parte inicial de la palabra, tal como en un sistema de interrupción momentánea de la actividad vocal. El recorte de esta naturaleza se produce en el sistema de interrupción momentánea de la actividad vocal debido a un retardo entre la detección del habla y una reanudación de la transmisión de datos. El uso de una decisión de tasa basándose en cada trama tiene como resultado un habla en la que todas las transiciones tienen un sonido natural.

Con el vocodificador siempre transmitiendo, el ruido de fondo ambiente del orador se escuchará continuamente en el extremo de recepción, produciendo de ese modo un sonido más natural durante las pausas del habla. La presente invención proporciona por tanto una transición suave al ruido de fondo. Lo que escucha el oyente en el fondo durante el habla no cambiará de repente a un murmullo de fondo sintetizado durante las pausas, como en un sistema de interrupción momentánea de la actividad vocal.

Debido a que el ruido de fondo se vocodifica continuamente para su transmisión, pueden enviarse eventos interesantes en el fondo con total claridad. En ciertos casos el ruido de fondo interesante puede incluso codificarse con la tasa más alta. Puede producirse codificación con la tasa máxima, por ejemplo, cuando alguien está hablando alto en el fondo, o si pasa una ambulancia al lado de un usuario que está en la esquina de una calle. El ruido de fondo constante, o que varía lentamente, sin embargo, se codificará con tasas bajas.

\newpage

El uso de vocodificación con tasa variable promete aumentar la capacidad de un sistema telefónico celular digital basado en el acceso múltiple por división de código (CDMA) en más de un factor de dos. CDMA y la vocodificación con tasa variable se corresponden unívocamente, ya que, con CDMA, la interferencia entre canales cae automáticamente a medida que la tasa de transmisión de datos por cualquier canal disminuye. En contraposición, considérense sistemas en los que se asignan ranuras de transmisión, tales como TDMA o FDMA. Con el fin de que un sistema de este tipo se aproveche de cualquier caída en la tasa de transmisión de datos, se requiere intervención externa para coordinar la reasignación de ranuras no utilizadas a otros usuarios. El retardo inherente en un esquema de este tipo implica que el canal puede reasignarse sólo durante largas pausas del habla. Por tanto, no puede aprovecharse totalmente el factor de actividad vocal. Sin embargo, con coordinación externa, la vocodificación con tasa variable es útil en sistemas distintos de CDMA, debido a las otras razones mencionadas.

En un sistema CDMA la calidad del habla puede degradarse ligeramente en momentos en los que se desea capacidad de sistema adicional. Hablando en abstracto, puede pensarse en el vocodificador como múltiples vocodificadores, funcionando todos con tasas diferentes, con diferentes calidades del habla resultantes. Por tanto, las calidades del habla pueden mezclarse con el fin de reducir adicionalmente la tasa media de transmisión de datos. Experimentos iniciales muestran que, mezclando habla vocodificada con tasas total y media, por ejemplo, se varía la máxima tasa de transmisión de datos admisible, trama a trama, entre 8 kbps y 4 kbps, el habla resultante tiene una calidad que es mejor que la tasa variable media, de 4 kbps como máximo, pero no tan buena como la tasa variable total, de 8 kbps como
máximo.

Es bien conocido que, en la mayor parte de las conversaciones telefónicas, sólo habla una persona a la vez. Como función adicional para enlaces telefónicos de tipo dúplex total, puede proporcionarse un interbloqueo de tasa. Si una dirección del enlace está transmitiendo con la tasa de transmisión más alta, entonces se fuerza a la otra dirección del enlace a transmitir con la tasa más baja. Un interbloqueo entre las dos direcciones del enlace puede garantizar no más del 50% de utilización media de cada dirección del enlace. Sin embargo, cuando el canal se interrumpe momentáneamente, tal como en el caso de un interbloqueo de tasa en la interrupción momentánea de la actividad, no hay manera de que un oyente interrumpa al orador para asumir el papel de orador en la conversación. El procedimiento de vocodificación de la solicitud de patente mencionada anteriormente proporciona inmediatamente la capacidad de un interbloqueo de tasa adaptativo mediante señales de control que establecen la tasa de vocodificación.

En la solicitud de patente mencionada anteriormente el vocodificador se opera bien con la tasa total cuando hay habla, o bien con un octavo de la tasa cuando no hay habla. El funcionamiento del algoritmo de vocodificación, con la mitad y con un cuarto de la tasa, se reserva para condiciones especiales de capacidad afectada o cuando van a transmitirse otros datos en paralelo con los datos del habla.

La solicitud de patente estadounidense número 5.857.147, presentada el 8 de septiembre de 1993, titulada "Method and Apparatus for Determining the Transmission Data Rate in a Multi-User Communication System" ["Procedimiento y Aparato para Determinar la Datos de Transmisión de Datos en un Sistema de Comunicación Multiusuario"], y transferida al cesionario de la presente invención, detalla un procedimiento por el que un sistema de comunicación, según mediciones de capacidad de sistema, limita la tasa media de transmisión de datos de tramas codificadas mediante un vocodificador con tasa variable. El sistema reduce la tasa media de transmisión de datos forzando que se codifiquen tramas, predeterminadas en una cadena de tramas con tasa total, con una tasa menor, es decir, la mitad de la tasa. El problema de reducir la tasa de codificación para tramas del habla activa de esta manera es que la limitación no corresponde a ninguna característica del habla de entrada y por tanto no está optimizada en cuanto a la calidad de compresión del habla.

Asimismo, en la patente estadounidense número 5.341.456, transferida al cesionario de la presente invención, se da a conocer un procedimiento para distinguir habla no vocálica de habla vocálica. El procedimiento dado a conocer examina la energía del habla y la inclinación espectral del habla, y utiliza la inclinación espectral para distinguir el habla no vocálica del ruido de fondo.

Los vocodificadores con tasa variable que varían la tasa de codificación basándose completamente en la actividad vocal del habla de entrada, no logran realizar la eficacia de compresión de un codificador con tasa variable que varía la tasa de codificación basándose en la complejidad o contenido de información que está variando dinámicamente durante el habla activa. Haciendo corresponder las tasas de codificación con la complejidad de la onda de entrada, pueden construirse codificadores del habla más eficaces. Además, los sistemas que buscan ajustar dinámicamente la tasa de transmisión de datos de salida de los vocodificadores con tasa variable deberían variar las tasas de transmisión de datos según las características del habla de entrada, para conseguir una calidad de voz óptima para una tasa media deseada de transmisión de datos.

Se reclama atención al documento WO 92/22891, que describe un aparato y un procedimiento para llevar a cabo la compresión de señales del habla, mediante la codificación con tasa variable de tramas de muestras de habla digitalizadas. Se determina el nivel de actividad del habla para cada trama de muestras de habla digitalizadas y se selecciona una tasa por paquetes de datos de salida a partir de un conjunto de tasas, basándose en el nivel determinado de actividad de habla de las tramas. La tasa más baja del conjunto de tasas corresponde a un nivel mínimo detectado de actividad del habla, tal como ruido de fondo o pausas del habla, mientras que la tasa más alta corresponde a un nivel máximo detectado de actividad del habla, tal como la vocalización activa. Cada trama se codifica entonces según un formato de codificación predeterminado para la tasa seleccionada, en donde cada tasa tiene un número correspondiente de bits representativo de la trama codificada. Se proporciona un paquete de datos para cada trama codificada con cada paquete de datos de salida con una tasa de transmisión de bits correspondiente a la tasa seleccionada.

\vskip1.000000\baselineskip

Resumen de la invención

Según la presente invención, se proporcionan un procedimiento de codificación de una trama de habla, según se define en la reivindicación 1, y un aparato de determinación de tasa de codificación, según se define en la reivindicación 12. Las realizaciones de la invención se definen en las reivindicaciones dependientes.

La presente invención es un procedimiento y un aparato, novedosos y mejorados, para codificar tramas de habla activa con una tasa de datos reducida, mediante la codificación de tramas del habla con tasas entre una tasa máxima predeterminada y una tasa mínima predeterminada. La presente invención designa un conjunto de modalidades de funcionamiento del habla activa. En la realización ejemplar de la presente invención, hay cuatro modalidades de funcionamiento del habla activa: habla con tasa total, habla con la mitad de la tasa, habla no vocálica con un cuarto de la tasa y habla vocálica con un cuarto de la tasa.

Es un objetivo de la presente invención proporcionar un procedimiento optimizado para seleccionar una modalidad de codificación que proporcione una codificación eficaz, en términos de tasa, del habla de entrada. Es un segundo objetivo de la presente invención identificar un conjunto de parámetros idealmente adecuados para esta selección de modalidad de funcionamiento, y para proporcionar un medio a fin de generar este conjunto de parámetros. En tercer lugar, es un objetivo de la presente invención proporcionar identificación de dos condiciones independientes que permitan la codificación con tasa baja, con sacrificio mínimo de la calidad. Las dos condiciones son la presencia de habla no vocálica y la presencia de habla temporalmente enmascarada. Es un cuarto objetivo de la presente invención proporcionar un procedimiento para ajustar dinámicamente la tasa media de transmisión de datos de salida del codificador del habla, con un impacto mínimo en la calidad del habla.

La presente invención proporciona un conjunto de criterios de decisión de tasas, denominados medidas de modalidad. Una primera medida de modalidad es la relación entre señal y ruido correspondiente al objetivo (TMNSR) a partir de la trama de codificación anterior, que proporciona información acerca de lo bien que se corresponde el habla sintetizada con el habla de entrada o, en otras palabras, lo bien que se está desempeñando el modelo de codificación. Una segunda medida de modalidad es la función de autocorrelación normalizada (NACF), que mide la periodicidad en la trama de habla. Una tercera medida de modalidad es el parámetro de cruces por cero (ZC), que es un procedimiento económico desde el punto de vista del cálculo para medir el contenido de alta frecuencia en una trama de habla de entrada. Una cuarta medida es el diferencial de ganancia de predicción (PGD) que determina si el modelo LPC está manteniendo su eficacia de predicción. La quinta medida es el diferencial de energía (ED) que compara la energía en la trama actual con una energía media de trama.

La realización ejemplar del algoritmo de vocodificación de la presente invención usa las cinco medidas de modalidad enumeradas anteriormente para seleccionar una modalidad de codificación para una trama de habla activa. La lógica de determinación de tasa de la presente invención compara la NACF con un primer valor umbral y el ZC con un segundo valor umbral, para determinar si el habla debería codificarse como habla no vocálica con un cuarto de la tasa.

Si se determina que la trama de habla activa contiene habla vocálica, entonces el vocodificador examina el parámetro ED para determinar si la trama de habla debería codificarse como habla vocálica con un cuarto de la tasa. Si se determina que el habla no ha de codificarse con un cuarto de la tasa, entonces el vocodificador prueba si el habla puede codificarse con la mitad de la tasa. El vocodificador prueba los valores TMSNR, PGD y NACF para determinar si la trama de habla puede codificarse con la mitad de la tasa. Si se determina que la trama de habla activa no puede codificarse con un cuarto o la mitad de la tasa, entonces la trama se codifica con la tasa total.

Es un objetivo adicional proporcionar un procedimiento para cambiar dinámicamente valores de umbral, con el fin de adaptarse a requisitos de tasa. Variando uno o más de los umbrales de selección de modalidad, es posible aumentar o disminuir la tasa media de transmisión de datos. Por tanto, ajustando dinámicamente los valores de umbral puede ajustarse una tasa de salida.

\vskip1.000000\baselineskip

Breve descripción de los dibujos

Las características, objetos y ventajas de la presente invención se harán más evidentes a partir de la descripción detallada expuesta a continuación, cuando se tome conjuntamente con los dibujos, en los que caracteres de referencia similares identifican correspondientemente a lo largo de los mismos, y en los que:

la figura 1 es un diagrama de bloques del aparato de determinación de la tasa de codificación de la presente invención; y

la figura 2 es un diagrama de flujo que ilustra el proceso de selección de la tasa de codificación de la lógica de determinación de la tasa.

Descripción detallada de las realizaciones preferidas

En la realización ejemplar, se codifican tramas de habla de 160 muestras. En la realización ejemplar de la presente invención, hay cuatro tasas de transmisión de datos: tasa total, media tasa, un cuarto de tasa y un octavo de tasa. La tasa total corresponde una tasa de transmisión de datos de salida de 14,4 kbps. La media tasa corresponde a una tasa de transmisión de datos de salida de 7,2 kbps. Un cuarto de la tasa corresponde a una tasa de transmisión de datos de salida de 3,6 kbps. Un octavo de la tasa corresponde a una tasa de transmisión de datos de salida de 1,8 kbps, y se reserva para la transmisión durante periodos de silencio.

Debería observarse que la presente invención se refiere sólo a la codificación de tramas del habla activa, tramas en las que se detecta que tienen habla presente en las mismas. El procedimiento para detectar la presencia del habla se detalla en las precitadas patentes estadounidenses US 5.414.796 y 5.341.456.

Con referencia a la figura 1, el elemento 12 de medición de modalidad determina valores de cinco parámetros utilizados por la lógica 14 de determinación de la tasa para seleccionar una tasa de codificación para la trama de habla activa. En la realización ejemplar, el elemento 12 de medición de modalidad determina cinco parámetros que proporciona a la lógica 14 de determinación de la tasa. Basándose en los parámetros proporcionados por el elemento 12 de medición de modalidad, la lógica 14 de determinación de la tasa selecciona una tasa de codificación de tasa total, media tasa o un cuarto de tasa.

La lógica 14 de determinación de tasa selecciona una entre cuatro modalidades de codificación según los cinco parámetros generados. Las cuatro modalidades de codificación incluyen la modalidad de tasa total, la modalidad de media tasa, la modalidad no vocálica de un cuarto de tasa y la modalidad vocálica de un cuarto de tasa. La modalidad vocálica de un cuarto de tasa y la modalidad no vocálica de un cuarto de tasa proporcionan datos con la misma tasa, pero mediante distintas estrategias de codificación. La modalidad de media tasa se usa para codificar habla bien modelada, periódica y estática. Tanto la modalidad vocálica de un cuarto de tasa, como la no vocálica de un cuarto de tasa, así como la de media tasa, aprovechan partes del habla que no requieren alta precisión en la codificación de la trama.

La modalidad no vocálica de un cuarto de tasa se utiliza en la codificación de habla no vocálica. La modalidad vocálica de un cuarto de tasa se utiliza en la codificación de tramas de habla temporalmente enmascaradas. La mayor parte de los codificadores CELP de habla aprovechan el enmascaramiento simultáneo en el que la energía del habla, a una frecuencia dada, oculta por enmascaramiento la energía de ruido a la misma frecuencia y al mismo tiempo, haciendo el ruido inaudible. Los codificadores de habla con tasa variable pueden aprovechar el enmascaramiento temporal con el que se enmascaran tramas de habla activa de energía baja, mediante tramas precedentes de habla de energía alta, de contenido de frecuencia similar. Debido a que el oído humano está integrando energía a lo largo del tiempo en varias bandas de frecuencia, las tramas de energía baja se promedian en el tiempo con las tramas de energía alta, reduciendo de ese modo los requisitos de codificación para las tramas de energía baja. Aprovechar estos fenómenos auditivos de enmascaramiento temporal permite al codificador de habla con tasa variable reducir la tasa de codificación durante esta modalidad del habla. Este fenómeno psicoacústico se detalla en Psychoacoustics de E. Zwicker y H. Fastl, páginas 56 a 101.

El elemento 12 de medición de modalidad recibe cuatro señales de entrada con las que genera los cinco parámetros de modalidad. La primera señal que recibe el elemento 12 de medición de modalidad es S(n), que son las muestras no codificadas del habla de entrada. En la realización ejemplar, las muestras de habla se proporcionan en tramas que contienen 160 muestras de habla. Todas las tramas de habla que se proporcionan al elemento 12 de medición de modalidad contienen habla activa. Durante periodos de silencio, el sistema de determinación de la tasa del habla activa de la presente invención está inactivo.

La segunda señal que recibe el elemento 12 de medición de modalidad es la señal de habla sintetizada, \hat{S}(n), que es el habla descodificada del descodificador del codificador, del codificador CELP con tasa variable. El descodificador del codificador descodifica una trama de habla codificada con el fin de actualizar parámetros de filtro y memorias, en análisis mediante el codificador CELP basado en síntesis. El diseño de descodificadores de este tipo se conoce ampliamente en la técnica y se detalla en la precitada patente estadounidense 5.414.796.

La tercera señal que recibe el elemento 12 de medición de modalidad es la señal e(n) residual formante. La señal residual formante es la señal S(n) del habla filtrada por el filtro de codificación de predicción lineal (LPC) del codificador CELP. El diseño de filtros LPC y el filtrado de señales mediante filtros de este tipo se conoce ampliamente en la técnica y se detalla en la precitada patente estadounidense 5.414.796. La cuarta entrada para el elemento 12 de medición de modalidad es A(z), que son los valores de sangría de filtro del filtro de ponderación perceptiva del codificador CELP asociado. La generación de los valores de sangría, y la operación de filtrado de un filtro de ponderación perceptiva se conocen ampliamente en la técnica y se detallan en la solicitud de patente estadounidense con número de serie 08/004.484.

El elemento 2 de cálculo de la relación entre señal y ruido (SNR) correspondiente al objetivo recibe la señal del habla sintetizada, \hat{S}(n), las muestras S(n) del habla y un conjunto de valores A(z) de sangría de filtro de ponderación perceptiva. El elemento 2 de cálculo de SNR correspondiente al objetivo proporciona un parámetro, denominado TMSNR, que indica cuán correctamente el modelo del habla está rastreando el habla de entrada. El elemento 2 de cálculo de SNR correspondiente al objetivo genera TMSNR según la siguiente ecuación 1:

1

en la que el subíndice w indica que la señal se ha filtrado mediante un filtro de ponderación perceptiva. Obsérvese que esta medida se calcula para la trama de habla anterior, mientras que NACF, PGD, ED, ZC se calculan sobre la trama de habla actual. TMSNR se calcula sobre la trama de habla anterior, ya que está en función de la tasa de codificación seleccionada y por tanto, por razones de complejidad de cálculo, se calcula sobre la trama anterior a la trama que está codificándose.

\vskip1.000000\baselineskip

El diseño y la implementación de filtros de ponderación perceptiva son ampliamente conocidos en la técnica y se detallan en la patente estadounidense US 5.414.796 mencionada anteriormente. Debería observarse que la ponderación perceptiva se prefiere para ponderar las características significativas en cuanto a percepción de la trama de habla. Sin embargo, se prevé que la medición podría realizarse sin ponderar las señales en cuanto a percepción.

El elemento 4 de cálculo de autocorrelación normalizada recibe la señal residual formante, e(n). La función del elemento 4 de cálculo de autocorrelación normalizada es proporcionar una indicación de periodicidad de las muestras en la trama de habla. El elemento 4 de cálculo de autocorrelación normalizada genera un parámetro, indicado por NACF, según la siguiente ecuación 2:

2

Debería observarse que la generación de este parámetro requiere memoria de la señal residual formante a partir de la codificación de la trama anterior. Esto permite probar no sólo la periodicidad de la trama actual, sino que también prueba la periodicidad de la trama actual con la trama anterior.

La razón por la que en la realización preferida se utiliza la señal residual formante, e(n), en lugar de las muestras de habla, S(n), que podrían utilizarse para generar NACF, es eliminar la interacción de las formantes de la señal de habla. Pasar la señal de habla a través del filtro formante sirve para alisar la envolvente del habla y así blanquear la señal resultante. Debería observarse que los valores de retardo T en la realización ejemplar corresponden a frecuencias de altura tonal entre 66 Hz y 400 Hz para una frecuencia de muestreo de 8000 muestras por segundo. La frecuencia de altura tonal para un valor T de retardo dado se calcula mediante la siguiente ecuación 3:

3

donde f_{s} es la frecuencia de muestreo.

\vskip1.000000\baselineskip

Debería observarse que el intervalo de frecuencias puede extenderse o reducirse simplemente seleccionando un conjunto diferente de valores de retardo. Debería observarse también que la presente invención puede aplicarse igualmente a cualquier frecuencia de muestreo.

\newpage

El contador 6 de cruces por cero recibe las muestras S(n) de habla y cuenta el número de veces que las muestras del habla cambian de signo. Este es un procedimiento, económico desde el punto de vista del cálculo, de detección de componentes de alta frecuencia en la señal de habla. Este contador puede implementarse en software mediante un bucle de la forma:

4

El bucle de las ecuaciones 4 a 6 multiplica muestras de habla consecutivas y comprueba si el producto es menor que cero, lo que indica que el signo entre las dos muestras consecutivas difiere. Esto supone que no hay componente DC para la señal de habla. Se conoce bien en la técnica cómo eliminar componentes DC de las señales.

El elemento 8 de diferencial de ganancia de predicción recibe la señal S(n) de habla y la señal e(n) residual formante. El elemento 8 de diferencial de ganancia de predicción genera un parámetro indicado por PGD, que determina si el modelo LPC está manteniendo su eficacia de predicción. El elemento 8 de diferencial de ganancia de predicción genera la ganancia de predicción, Pg, según la siguiente ecuación 7:

5

La ganancia de predicción de la trama presente se compara entonces con la ganancia de predicción de la trama anterior para generar el parámetro PGD de salida mediante la siguiente ecuación 8:

6

en la que i indica el número de trama.

\vskip1.000000\baselineskip

En una realización preferida, el elemento 8 de diferencial de ganancia de predicción no genera los valores Pg de ganancia de predicción. En la generación de los coeficientes LPC un derivado de la recursión de Durbin es la ganancia Pg de predicción, por lo que no es necesaria una repetición del cálculo.

El elemento 10 de diferencial de energía de trama recibe las muestras s(n) de habla de la trama presente y calcula la energía de la señal de habla en la trama presente según la siguiente ecuación 9:

7

La energía de la trama presente se compara con una energía media de tramas anteriores E_{med}. En la realización ejemplar, la energía media, E_{med} se genera mediante un integrador con fugas de la forma:

8

El factor, \alpha, determina el intervalo de tramas que son relevantes en el cálculo. En la realización ejemplar, \alpha se establece en 0,8825, lo que proporciona un tiempo constante de 8 tramas. El elemento 10 de diferencial de energía de trama genera entonces el parámetro ED según la siguiente ecuación 11:

9

Los cinco parámetros, TMSNR, NACF, ZC, PGD y ED se proporcionan a la lógica 14 de determinación de la tasa. La lógica 14 de determinación de la tasa selecciona una tasa de codificación para la siguiente trama de muestras según los parámetros, y un conjunto predeterminado de reglas de selección. Con referencia ahora a la figura 2, se muestra un diagrama de flujo que ilustra el proceso de selección de la tasa del elemento 14 de lógica de determinación de la tasa de transmisión.

El proceso de determinación de la tasa comienza en el bloque 18. En el bloque 20, la salida del elemento 4 de autocorrelación normalizada, NACF, se compara con un valor umbral predeterminado, THR1 y la salida del contador de cruces por cero se compara con un segundo umbral predeterminado, THR2. Si NACF es menor que THR1 y ZC es mayor que THR2, entonces el flujo continúa en el bloque 22, que codifica el habla como no vocálica, de un cuarto de tasa. Si NACF fuera menor que un umbral predeterminado, indicaría una falta de periodicidad en el habla, y si ZC fuera mayor que un umbral predeterminado indicaría un componente de alta frecuencia en el habla. La combinación de estas dos condiciones indica que la trama contiene habla no vocálica. En la realización ejemplar THR1 es 0,35 y THR2 es de 50 cruces por cero. Si NACF no es menor que THR1 o ZC no es mayor que THR2, entonces el flujo continúa en el bloque 24.

En el bloque 24, la salida del elemento 10 de diferencial de energía de trama, ED, se compara con un tercer valor umbral, THR3. Si ED es menor que THR3, entonces la trama de habla actual se codificará como habla vocálica con un cuarto de tasa en el bloque 26. Si la diferencia de energía entre la trama actual es menor que la media en una cantidad mayor que una magnitud umbral, entonces se indica una condición de habla temporalmente enmascarada. En la realización ejemplar, THR3 es -14dB. Si ED no supera THR3 entonces el flujo continúa en el bloque 28.

En el bloque 28, la salida del elemento 2 de cálculo de SNR correspondiente al objetivo, TMSNR, se compara con un cuarto valor umbral, THR4; la salida del elemento 8 de diferencial de ganancia de predicción, PGD, se compara con un quinto valor umbral, THR5; y la salida del elemento 4 de cálculo de autocorrelación normalizada, NACF, se compara con un sexto valor umbral, THR6. Si TMSNR supera THR4; PGD es menor que THR5; y NACF supera THR6, entonces el flujo continúa en el bloque 30 y el habla se codifica con la mitad de la tasa. Si TMSNR supera su umbral, indicará que el modelo y el habla que está modelándose se correspondían correctamente en la trama anterior. Si el parámetro PGD es menor que su umbral predeterminado, indica que el modelo LPC está manteniendo su eficacia de predicción. Si el parámetro NACF supera su umbral predeterminado, indica que la trama contiene habla periódica que es periódica con la trama de habla anterior.

En la realización ejemplar, THR4 se establece inicialmente en 10 dB, THR5 se establece en -5 dB y THR6 se establece en 0,4. En el bloque 28, si TMSNR no supera THR4, o PGD no supera THR5, o NACF no supera THR6, entonces el flujo continúa en el bloque 32 y la trama de habla actual se codificará con la tasa total.

Ajustando dinámicamente los valores umbral puede lograrse una tasa de transmisión de datos global arbitraria. La tasa media de transmisión de datos del habla activa global, R, puede definirse para tramas de habla activa de ventana W de análisis como:

10

en la que

R_{f} es la tasa de transmisión de datos para tramas codificadas con tasa total,

R_{h} es la tasa de transmisión de datos para tramas codificadas con la mitad de la tasa,

R_{q} es la tasa de transmisión de datos para tramas codificadas con un cuarto de la tasa, y

W = #tramas R_{f} + # tramas R_{h} + # tramas R_{q} .

\newpage

Multiplicando cada una de las tasas de codificación por el número de tramas codificadas con esa tasa, y después dividiendo entre el número total de tramas en la muestra, puede calcularse una tasa media de transmisión de datos para la muestra de habla activa. Es importante tener un tamaño de muestra de trama, W, lo suficientemente grande para impedir que una larga duración del habla no vocálica, tal como sonidos "s" prolongados, distorsione la estadística de tasa media. En la realización ejemplar, el tamaño de muestra de trama, W, para el cálculo de la tasa media es de 400 tramas.

La tasa media de transmisión de datos puede disminuirse aumentando el número de tramas codificadas con una tasa total que va a codificarse a la mitad de la tasa y, a la inversa, la tasa media de transmisión de datos puede aumentarse aumentando el número de tramas codificadas con la mitad de la tasa que va a codificarse con una tasa total. En una realización preferida, el umbral que se ajusta para efectuar este cambio es THR4. En la realización ejemplar se almacena un histograma de los valores de TSNR. En la realización ejemplar, los valores TMSNR almacenados se cuantizan en valores de un número entero de decibelios a partir del valor actual de THR4. Manteniendo un histograma de este tipo puede estimarse fácilmente cuántas tramas habrían cambiado en el bloque de análisis anterior, de codificarse con tasa total a codificarse con la mitad de la tasa, si el THR4 se disminuyera un número entero de decibelios. A la inversa, una estimación de cuántas tramas codificadas con la mitad de la tasa se codificarían con la tasa total si se aumentara el umbral en un número entero de decibelios.

La ecuación para determinar el número de tramas que deberían cambiar de tramas con 1/2 de la tasa a tramas con la tasa total se determina por la ecuación:

11

donde

\Delta es el número de tramas codificadas con la mitad de la tasa que deberían codificarse con tasa total con el fin de conseguir la tasa objetivo, y

W = # tramas R_{f} + # tramas R_{h} + # tramas R_{q} .

TMSNR_{NUEV} = TMSNR_{VIEJ} + (el número de dB desde TMSNR_{VIEJ} para conseguir diferencias \Deltatrama definidas en la anterior ecuación 13).

\vskip1.000000\baselineskip

Obsérvese que el valor inicial de TMSNR está en función de la tasa objetivo deseada. En una realización ejemplar de una tasa objetivo de 8,7 kbps, en un sistema con R_{f}=14,4 kbps, R_{f}=7,2 kbps, R_{q}=3,6 kbps, el valor inicial de TMSNR es de 10 dB. Debería observarse que la cuantización de los valores TMSNR a números enteros para la distancia desde el umbral THR4 puede fácilmente afinarse más, tal como a la mitad o un cuarto de los decibelios, o puede afinarse menos, tal como a uno y medio o dos decibelios.

Se prevé que la tasa objetivo puede almacenarse bien en un elemento de memoria o bien en un elemento 14 de lógica de determinación de tasa, en cuyo caso la tasa objetivo sería un valor estático según el cual el valor THR4 se determinaría dinámicamente. Además, con esta tasa objetivo inicial, se prevé que el sistema de comunicación pueda transmitir una señal de comando de tasa al aparato de selección de la tasa de codificación, basándose en las condiciones de capacidad actuales del sistema.

La señal de comando de tasa podría bien especificar la tasa objetivo o bien simplemente podría solicitar un aumento o un descenso en la tasa media. Si el sistema especificara la tasa objetivo, esa tasa se utilizaría para determinar el valor de THR4 según las ecuaciones 12 y 13. Si el sistema especificara sólo que el usuario debería transmitir con una tasa de transmisión más alta o más baja, entonces el elemento 14 de lógica de determinación de tasa puede responder cambiando el valor THR4 por un aumento predeterminado, o puede calcular un cambio incremental según un aumento o un descenso incremental predeterminado en la tasa.

Los bloques 22 y 26 indican una diferencia en el procedimiento de codificar el habla, basándose en si las muestras del habla representan habla vocálica o no vocálica. El habla no vocálica es habla en la forma de fricativas y sonidos consonánticos tales como "f", "s", "sh", "t" y "z". El habla vocálica con un cuarto de tasa es habla temporalmente enmascarada donde una trama de habla a bajo volumen sigue a una trama de habla a volumen relativamente alto de contenido de frecuencia similar. El oído humano no puede escuchar los matices finos del habla en la trama de volumen bajo que sigue a tramas de volumen alto, de modo que pueden ahorrarse bits codificando esta habla con un cuarto de la tasa.

En la realización ejemplar de codificación de habla no vocálica con un cuarto de la tasa, una trama de habla se divide en cuatro subtramas. Todo lo que se transmite para cada una de las cuatro subtramas es un valor G de ganancia y los coeficientes del filtro LPC. En la realización ejemplar, se transmiten cinco bits para representar la ganancia en cada subtrama. En un descodificador, para cada subtrama, se selecciona aleatoriamente un índice del libro de códigos. El vector del libro de códigos seleccionado aleatoriamente se multiplica por el valor de ganancia transmitido y se pasa a través del filtro LPC, para generar el habla no vocálica sintetizada.

En la codificación del habla vocálica con un cuarto de la tasa, una trama de habla se divide en dos subtramas y el codificador CELP determina un índice y ganancia del libro de códigos para cada una de las dos subtramas. En la realización ejemplar, se asignan cinco bits para indicar un índice del libro de códigos y otros cinco bits se asignan para especificar un valor de ganancia correspondiente. En la realización ejemplar, el libro de códigos utilizado para la codificación vocálica con un cuarto de tasa es un subconjunto de los vectores del libro de códigos, utilizado para la codificación con media tasa y con la tasa total. En la realización ejemplar, se utilizan siete bits para especificar un índice del libro de códigos en las modalidades de codificación de media tasa y tasa total.

En la figura 1, los bloques pueden implementarse como bloques estructurales para realizar las funciones designadas, o los bloques pueden representar funciones realizadas en la programación de un procesador de señales digitales (DSP), o un circuito integrado de aplicación específica ASIC. La descripción de la funcionalidad de la presente invención permitiría a cualquiera medianamente versado implementar la presente invención en un DSP o un ASIC sin excesiva experimentación.

La descripción anterior de las realizaciones preferidas se proporciona para permitir a cualquier persona versada en la técnica realizar o utilizar la presente invención. Las diversas modificaciones de estas realizaciones serán inmediatamente evidentes para los versados en la técnica, y los principios genéricos definidos en el presente documento pueden aplicarse a otras realizaciones sin el uso de la facultad inventiva. Por tanto, la presente invención no pretende limitarse a las realizaciones mostradas en el presente documento, sino que ha de otorgársele el alcance más amplio coherente con las reivindicaciones adjuntas.

Claims (24)

1. Un procedimiento para codificar una trama de habla, que comprende las etapas de:

derivar una pluralidad de parámetros de trama;

seleccionar (20) una primera modalidad de codificación, si un parámetro derivado de medición de autocorrelación normalizada (NACF) es superado por un primer valor de umbral, y si un parámetro contador de cruces por cero (ZC) supera un segundo valor de umbral;

seleccionar (24) una segunda modalidad de codificación si la primera modalidad de codificación no es seleccionada, y si un parámetro derivado (ED) de medición diferencial de energía es superado por un tercer valor de umbral, en donde el parámetro derivado (ED) de medición diferencial de energía indica una diferencia en energía entre una trama actual y las tramas anteriores;

seleccionar (28) una tercera modalidad de codificación si las modalidades de codificación primera y segunda no son seleccionadas y si un parámetro derivado de calidad de codificación (TMSNR) supera un cuarto nivel de umbral, y si un parámetro derivado de medición de diferencial de ganancia de predicción (PGD) es superado por un quinto nivel de umbral, y si el parámetro derivado de medición de autocorrelación normalizada (NACF) supera un sexto valor de umbral, en donde el parámetro derivado de calidad de codificación (TMSNR) indica el desempeño de un modelo de codificación;

seleccionar una cuarta modalidad de codificación si las modalidades de codificación primera, segunda y tercera no se seleccionan; y

codificar la trama de voz según la modalidad de codificación seleccionada.

\vskip1.000000\baselineskip

2. El procedimiento de la reivindicación 1, en el cual la primera modalidad de codificación es una modalidad de codificación del habla no vocálica, de un cuarto de tasa, la segunda modalidad de codificación es una modalidad de codificación del habla vocálica, de un cuarto de tasa, la tercera modalidad de codificación es una modalidad de codificación de media tasa y la cuarta modalidad de codificación es una modalidad de codificación de tasa completa.

3. El procedimiento de la reivindicación 2, en el cual la modalidad de codificación del habla no vocálica, de cuarto de tasa, comprende dividir la trama de habla entre cuatro subtramas, y transmitir una pluralidad de coeficientes de filtrado de codificación predictiva lineal y, para cada subtrama, un valor de ganancia.

4. El procedimiento de la reivindicación 3, en el cual el valor de ganancia está representado por cinco bits digitales.

5. El procedimiento de la reivindicación 4, en el cual la modalidad de codificación del habla vocálica, de un cuarto de tasa, comprende dividir la trama de habla entre dos subtramas, y determinar, para cada subtrama, un índice del libro de códigos y un valor de ganancia.

6. El procedimiento de la reivindicación 5, en el cual el valor de ganancia está representado por cinco bits digitales, y el índice del libro de códigos está representado por cinco bits digitales.

7. El procedimiento de la reivindicación 6, en el cual el parámetro de calidad de codificación es una razón que indica una coincidencia entre una trama de habla anterior y una trama de habla sintetizada derivada de la misma.

8. El procedimiento de la reivindicación 7, que comprende adicionalmente la etapa de variar al menos uno entre los valores de umbral para ajustar una tasa media de codificación para una pluralidad de tramas de habla.

9. El procedimiento de la reivindicación 8, en el cual el valor de umbral es el cuarto valor de umbral.

10. El procedimiento de la reivindicación 8, en el cual la tasa media de codificación se reduce codificando una pluralidad de tramas de habla a la mitad de la tasa, en donde la pluralidad de tramas de habla codificadas a la mitad de la tasa son tramas de habla que fueron seleccionadas para ser codificadas con la tasa completa.

11. El procedimiento de la reivindicación 8, en el cual la tasa media de codificación se aumenta codificando una pluralidad de tramas de habla con la tasa completa, en donde la pluralidad de tramas de habla codificadas con la tasa completa son tramas de habla que fueron seleccionadas para ser codificadas con la mitad de la tasa.

12. Un aparato de determinación de tasa de codificación en un codificador del habla, para codificar una trama de habla, que comprende:

medios (12) para derivar una pluralidad de parámetros de trama; y

medios (14) para seleccionar una primera modalidad de codificación si un parámetro derivado de medición de autocorrelación normalizada (NACF) es superado por un primer valor de umbral, y si un parámetro derivado del contador de cruces por el cero (ZC) supera un segundo valor de umbral; seleccionar una segunda modalidad de codificación si no se selecciona la primera modalidad de codificación y si un parámetro derivado de medición diferencial de energía (ED) es superado por un tercer valor de umbral; seleccionar una tercera modalidad de codificación si las modalidades de codificación primera y segunda no son seleccionadas, y si un parámetro derivado de calidad de codificación (TMSNR) supera un cuarto valor de umbral, y si un parámetro derivado de medición de diferencial de ganancia de predicción (PGD) es superado por un quinto valor de umbral, y si el parámetro derivado de medición de autocorrelación normalizada (NACF) supera un sexto valor de umbral; y seleccionar una cuarta modalidad de codificación si las modalidades de codificación primera, segunda y tercera no son seleccionadas, en donde el parámetro derivado de medición de diferencial de energía (ED) indica una diferencia en energía entre una trama actual y las tramas anteriores, y el parámetro derivado de calidad de codificación (TMSNR) indica el desempeño de un modelo de codificación.

\vskip1.000000\baselineskip

13. El aparato de la reivindicación 12, en el cual la primera modalidad de codificación es una modalidad de codificación del habla no vocálica, de un cuarto de tasa, la segunda modalidad de codificación es una modalidad de codificación del habla vocálica, de un cuarto de tasa, la tercera modalidad de codificación es una modalidad de codificación de media tasa, y la cuarta modalidad de codificación es una modalidad de codificación de tasa completa.

14. El aparato de la reivindicación 13, en el cual la modalidad de codificación del habla no vocálica, de un cuarto de tasa, comprende dividir la trama de habla entre cuatro subtramas, y transmitir una pluralidad de coeficientes de filtrado de codificación predictiva lineal y, para cada subtrama, un valor de ganancia.

15. El aparato de la reivindicación 14, en el cual el valor de ganancia está representado por cinco bits digitales.

16. El aparato de la reivindicación 13, en el cual la modalidad de codificación de habla vocálica, de un cuarto de tasa, comprende dividir la trama de habla entre dos subtramas y determinar, para cada subtrama, un índice del libro de códigos y un valor de ganancia.

17. El aparato de la reivindicación 16, en el cual el valor de ganancia está representado por cinco bits digitales, y el índice del libro de códigos está representado por cinco bits digitales.

18. El aparato de la reivindicación 12, en el cual el parámetro de calidad de codificación es una razón que indica una coincidencia entre una trama anterior de habla y una trama de habla sintetizada derivada de la misma.

19. El aparato de la reivindicación 12, que comprende adicionalmente medios para variar al menos uno de los valores de umbral, a fin de ajustar una tasa media de codificación para una pluralidad de tramas de habla.

20. El aparato de la reivindicación 19, en el cual el valor de umbral es el cuarto valor de umbral.

21. El aparato de la reivindicación 19, en el cual la tasa media de codificación se reduce codificando una pluralidad de tramas de habla a media tasa, en donde la pluralidad de tramas de habla codificadas a media tasa son tramas de habla que fueron seleccionadas para ser codificadas con tasa completa.

22. El aparato de la reivindicación 19, en el cual la tasa media de codificación se aumenta codificando una pluralidad de tramas de habla a tasa completa, en donde la pluralidad de tramas de habla codificadas a tasa completa son tramas de habla que fueron seleccionadas para ser codificadas a media tasa.

23. El aparato de cualquiera de las reivindicaciones 12 a 22, en el cual dichos medios (12) para derivar una pluralidad de parámetros de trama comprenden un calculador de mediciones (12) de modalidad, configurado para derivar dicha pluralidad de parámetros de trama; y en el cual dichos medios (14) para seleccionar comprenden una lógica (14) de determinación de tasa.

24. Un medio legible por procesador, con instrucciones que son ejecutables para llevar a cabo las etapas de la reivindicación 1.