早在2005年就聽說iLBC編解碼算法，主要是應用在VOIP 的speech codec，但是一直沒有深入研究算法原理，碰巧近期有一些時間可以學習一下它相比基于CELP模型的speech codec的優(yōu)勢。這套代碼是浮點的，聽朋友說要是轉成定點代碼會比較有用，只是可能需要的時間會多一點。如果想了解iLBC的一般介紹，如編碼速率、應用等，可以參考前面的文章《iLBC編解碼相關知識》 ，下面主要是我的一些學習筆記，僅供大家參考。
一、算法整體流程
輸入的語音逐幀進行預處理，然后計算LPC系數(shù)和殘差信號，在殘差信號中選擇初始狀態(tài)，并對其進行標量量化，再對剩下的殘差信號進行增益/形狀矢量量化，最后封包成比特流。
iLBC的每frame/block保持獨立編碼，這樣才能保證在丟包的情況下，保持良好的重建語音質量；而CELP模型的codec往往都需要look head buffer 才能對當前幀進行編碼，這樣雖然可以使重建語音連接比較平滑，但是在網(wǎng)絡傳輸中一旦發(fā)生丟包，則連續(xù)性遭到破壞，解碼語音的質量就會下降。
在iLBC的編碼流程中有三個模塊Select Start state、Scalar quantization和CB Search是與CELP模型不同的，下面重點研究這三個模塊。
1、起始狀態(tài)（Start State）
這個概念是iLBC所特有的處理方式，下面以30ms frame mode為例，那么每個frame有6個sub-frame。iLBC在計算完LPC殘差信號后，會找出整個幀內(nèi)具有最高功率的兩個連續(xù)子幀，來決定起始狀態(tài)的位置。下圖給出了start state 在兩個子幀的位置。
2、對起始狀態(tài)樣點的量化
這里并不對兩個子幀的全部sample進行精細量化，只是對從起始狀態(tài)位置以后的57/58 sample（20ms/30ms frame mode）進行精細量化，所以這57/58 sample的量化需要三個部分：
1）子幀位置；
是指哪兩個子幀，如 sub-frame 0,1; 1,2; 2,3; 3,4; 4,5
3bit 量化這五種情況。
2）兩個子幀內(nèi)的前半部分還是后半部分；
1bit 表示 state_first；
3）57/58 sample的標量量化。
這里首先要進行全通濾波，使得樣點大小比較平均分布，然后進行能量的歸一化，這個scaler factor用6bit標量量化，歸一化后的樣點動態(tài)范圍就比較小了，然后對每一個樣點都采用3bit 的DPCM量化。
3、碼書搜索
這部分是指起始狀態(tài)量化后，整個frame剩余的樣點量化方法。這里主要采用了動態(tài)碼書的量化方法，碼書是由整個frame的樣點通過線性組合（加權濾波）和已經(jīng)量化樣點的解碼信號組成，具體的流程見圖3。
上圖首先解碼已經(jīng)量化的Start state，然后構建codebook memory，結合目標矢量進行感知加權濾波，在Codebook內(nèi)部搜索與目標矢量最接近的矢量，這里采用三階段的增益/形狀矢量量化的方法進行搜索量化，最后調(diào)整增益以補償能量損失。這里主要的重點還是碼書的組成、大小以及量化順序、搜索過程。
例如，圖4給出了一個30ms 幀的量化順序，這里有6個子幀，假設Start state是在1、2子幀之間，并且位置在兩個子幀后半部分，那么進行量化的順序如下：
1）Q0：量化Start State；
2）Q1：兩個子幀內(nèi)除了start state的22/23個樣點；
3）Q2，Q3，Q4：Start state的后面每個子幀；
4）Q5：Start state的前面每個子幀；
到這里可以知道，目標矢量包括兩種長度不同的矢量（除了start state）：22/23個樣點的矢量和40個樣點的子幀矢量，下表給出了對于不同矢量的碼書大小。
下圖具體給出了量化目標矢量時動態(tài)碼書的構造，需要注意的有以下幾點：
1）不同的目標矢量（22/23、子幀40）對應的碼書大小不同，具體數(shù)據(jù)見參考資料；
2）量化Start State前向的矢量需要對碼書進行反轉，再進行搜索，如對Q1、Q5進行量化；
3）動態(tài)碼書的構成是解碼的已量化樣點而不是原來的經(jīng)過感知加權的殘差信號；
4）碼書通過補零長度對齊；
增益/形狀矢量量化屬于乘積碼矢量量化中的一種方法，它的基本思想就是將待量化的矢量的形狀和增益分別量化，同時保持它們之間的有機聯(lián)系，最后將碼字相乘就可以得到重構矢量。這種量化方法可以實現(xiàn)高維數(shù)的矢量量化，以提高系統(tǒng)的性能。
下表給出了iLBC編碼器的比特流定義，值得注意的是在封包前每個參數(shù)的bit是分成三個級別的，1表示最重要，2比較重要，3一般重要，因此封包是按照級別處理的，如圖先處理級別1，然后級別2，最后級別3，這樣提高了抗干擾性： 
二、總結
與傳統(tǒng)的CELP模型的speech codec有較大不同，精髓在于幀內(nèi)的獨立編碼，同時也利用了長時預測編碼（LPC）去除冗余信息和語音信號本身準周期性的特征構造動態(tài)碼書。與CELP模型codec相比，在丟包率較高的網(wǎng)絡情況下，語音質量不會下降很快。對于解碼端的丟包補償算法（packet loss concealment）現(xiàn)在還沒有看到，這個技術應該也是iLBC的一個特點。
本文并沒有列出詳細的數(shù)據(jù)和語音質量評測，那些都可以在下面得參考資料找到。
參考資料：
《rfc3951.txt》
一家之言，歡迎討論交流！