音頻信號數(shù)字化之后所面臨的一個問題是巨大的數(shù)據(jù)量，這為存儲和傳輸帶來了壓力。
例如，對于CD音質(zhì)的數(shù)字音頻，所用的采樣頻率為44.1 kHz，量化精度為16bit；采用雙聲道立體聲時，其數(shù)碼率約為1.41 Mbit/s；1秒的CD立體聲信號需要約176.4KB的存儲空間。因此，為了降低傳輸或存儲的費用，就必須對數(shù)字音頻信號進行編碼壓縮。到目前為止，音頻信號經(jīng)壓縮后的數(shù)碼率降低到32至256kbit/s，語音低至8kbit/s以下，個別甚至到2kbit/s。
為使編碼后的音頻信息可以被廣泛地使用，在進行音頻信息編碼時需要采用標(biāo)準(zhǔn)的算法。因而，需要對音頻編碼進行標(biāo)準(zhǔn)化。
本文從介紹音頻技術(shù)入手，介紹音頻編碼標(biāo)準(zhǔn)的發(fā)展現(xiàn)狀以及發(fā)展趨勢。
二、音頻編碼技術(shù)和應(yīng)用
2.1 音頻信號
通常將人耳可以聽到的頻率在20Hz到20KHz的聲波稱為為音頻信號。人的發(fā)音器官發(fā)出的聲音頻段在80Hz到3400Hz之間，人說話的信號頻率在300到3000Hz，有的人將該頻段的信號稱為語音信號。在多媒體技術(shù)中，處理的主要是音頻信號，它包括音樂、語音、風(fēng)聲、雨聲、鳥叫聲、機器聲等。
表1 數(shù)字音頻等級
信號類型 頻率范圍（Hz） 采樣率（KHz） 量化精度（采樣位數(shù)）
電話話音 200～3400 8 13～16
寬帶話音 50～7000 16 16
調(diào)頻廣播 20～15k 32 16
高質(zhì)量音頻 20～20k 44.1 16
2.2 音頻編碼技術(shù)
對數(shù)字音頻信息的壓縮主要是依據(jù)音頻信息自身的相關(guān)性以及人耳對音頻信息的聽覺冗余度。音頻信息在編碼技術(shù)中通常分成兩類來處理，分別是語音和音樂，各自采用的技術(shù)有差異。現(xiàn)代聲碼器的一個重要的課題是，如何把語音和音樂的編碼融合起來。
語音編碼技術(shù)又分為三類：波形編碼、參數(shù)編碼以及混合編碼。
波形編碼：波形編碼是在時域上進行處理，力圖使重建的語音波形保持原始語音信號的形狀，它將語音信號作為一般的波形信號來處理，具有適應(yīng)能力強、話音質(zhì)量好等優(yōu)點，缺點是壓縮比偏低。該類編碼的技術(shù)主要有非線性量化技術(shù)、時域自適應(yīng)差分編碼和量化技術(shù)。非線性量化技術(shù)利用語音信號小幅度出現(xiàn)的概率大而大幅度出現(xiàn)的概率小的特點，通過為小信號分配小的量化階，為大信號分配大的量階來減少總量化誤差。我們常用的G.711標(biāo)準(zhǔn)用的就是這個技術(shù)。自適應(yīng)差分編碼是利用過去的語音來預(yù)測當(dāng)前的語音，只對它們的差進行編碼，從而大大減少了編碼數(shù)據(jù)的動態(tài)范圍，節(jié)省了碼率。自適應(yīng)量化技術(shù)是根據(jù)量化數(shù)據(jù)的動態(tài)范圍來動態(tài)調(diào)整量階，使得量階與量化數(shù)據(jù)相匹配。G.726標(biāo)準(zhǔn)中應(yīng)用了這兩項技術(shù)，G.722標(biāo)準(zhǔn)把語音分成高低兩個子帶，然后在每個子帶中分別應(yīng)用這兩項技術(shù)。
參數(shù)編碼：利用語音信息產(chǎn)生的數(shù)學(xué)模型，提取語音信號的特征參量，并按照模型參數(shù)重構(gòu)音頻信號。它只能收斂到模型約束的質(zhì)量上，力圖使重建語音信號具有盡可能高的可懂性，而重建信號的波形與原始語音信號的波形相比可能會有相當(dāng)大的差別。這種編碼技術(shù)的優(yōu)點是壓縮比高，但重建音頻信號的質(zhì)量較差，自然度低，適用于窄帶信道的語音通訊，如軍事通訊、航空通訊等。美國的軍方標(biāo)準(zhǔn)LPC-10，就是從語音信號中提取出來反射系數(shù)、增益、基音周期、清 /濁音標(biāo)志等參數(shù)進行編碼的。MPEG-4標(biāo)準(zhǔn)中的HVXC聲碼器用的也是參數(shù)編碼技術(shù)，當(dāng)它在無聲信號片段時，激勵信號與在CELP時相似，都是通過一個碼本索引和通過幅度信息描述；在發(fā)聲信號片段時則應(yīng)用了諧波綜合，它是將基音和諧音的正弦振蕩按照傳輸?shù)幕l進行綜合。
混合編碼：將上述兩種編碼方法結(jié)合起來，采用混合編碼的方法，可以在較低的數(shù)碼率上得到較高的音質(zhì)。它的基本原理是合成分析法，將綜合濾波器引入編碼器，與分析器相結(jié)合，在編碼器中將激勵輸入綜合濾波器產(chǎn)生與譯碼器端完全一致的合成語音，然后將合成語音與原始語音相比較（波形編碼思想），根據(jù)均方誤差小原則，求得的激勵信號，然后把激勵信號以及分析出來的綜合濾波器編碼送給解碼端。這種得到綜合濾波器和激勵的過程稱為分析（得到語音參數(shù)）；用激勵和綜合濾波器合成語音的過程稱為綜合；由此我們可以看出CELP編碼把參數(shù)編碼和波形編碼的優(yōu)點結(jié)合在了一起，使得用較低碼率產(chǎn)生較好的音質(zhì)成為可能。通過設(shè)計不同的碼本和碼本搜索技術(shù)，產(chǎn)生了很多編碼標(biāo)準(zhǔn)，目前我們通訊中用到的大多數(shù)語音編碼器都采用了混合編碼技術(shù)。例如在互聯(lián)網(wǎng)上的 G.723.1和G.729標(biāo)準(zhǔn)，在GSM上的EFR、HR標(biāo)準(zhǔn)，在3GPP2上的EVRC、QCELP標(biāo)準(zhǔn)，在3GPP上的AMR-NB/WB標(biāo)準(zhǔn)等等。
音樂的編碼技術(shù)主要有自適應(yīng)變換編碼（頻域編碼）、心理聲學(xué)模型和熵編碼等技術(shù)。
自適應(yīng)變換編碼：利用正交變換，把時域音頻信號變換到另一個域，由于去相關(guān)的結(jié)果，變換域系數(shù)的能量集中在一個較小的范圍，所以對變換域系數(shù)量化后，可以實現(xiàn)碼率的壓縮。理論上的量化很難達到，通常采用自適應(yīng)比特分配和自適應(yīng)量化技術(shù)來對頻域數(shù)據(jù)進行量化。在MPEG layer3和AAC標(biāo)準(zhǔn)及Dolby AC-3標(biāo)準(zhǔn)中都使用了改進的余弦變換（MDCT）；在ITU G.722.1標(biāo)準(zhǔn)中則用的是重疊調(diào)制變換（MLT）。本質(zhì)上它們都是余弦變換的改進。
心理聲學(xué)模型：其基本思想是對信息量加以壓縮，同時使失真盡可能不被覺察出來，利用人耳的掩蔽效應(yīng)就可以達到此目的，即較弱的聲音會被同時存在的較強的聲音所掩蓋，使得人耳無法聽到。在音頻壓縮編碼中利用掩蔽效應(yīng)，就可以通過給不同頻率處的信號分量分配以不同的量化比特數(shù)的方法來控制量化噪聲，使得噪聲的能量低于掩蔽閾值，從而使得人耳感覺不到量化過程的存在。在MPEG layer2、3和AAC標(biāo)準(zhǔn)及AC-3標(biāo)準(zhǔn)中都采用了心理聲學(xué)模
型，在目前的高質(zhì)量音頻標(biāo)準(zhǔn)中，心理聲學(xué)模型是一個有效的算法模型。
熵編碼：根據(jù)信息論的原理，可以找到數(shù)據(jù)壓縮編碼的方法，數(shù)據(jù)壓縮的理論極限是信息熵。如果要求編碼過程中不丟失信息量，即要求保存信息熵，這種信息保持編碼叫熵編碼，它是根據(jù)信息出現(xiàn)概率的分布特性而進行的，是一種無損數(shù)據(jù)壓縮編碼。常用的有霍夫曼編碼和算術(shù)編碼。在MPEG layer1、2、3和AAC標(biāo)準(zhǔn)及ITU G.722.1標(biāo)準(zhǔn)中都使用了霍夫曼編碼；在MPEG4 BSAC工具中則使用了效率更高的算術(shù)編碼。
2.3 數(shù)字音頻編碼的主要應(yīng)用
對數(shù)字音頻信息的編碼進行壓縮的目的是在不影響人們使用的情況下使數(shù)字音頻信息的數(shù)據(jù)量少。通常用如下6個屬性來衡量：
—比特率；
—主觀/客觀的語音質(zhì)量；
—計算復(fù)雜度和對存儲器的要求；
—延遲；
—對于通道誤碼的靈敏度；
—信號的帶寬。
由于不同的應(yīng)用，人們對數(shù)字音頻信息的要求是不同的，并且在選擇數(shù)字音頻信息編碼所采用的技術(shù)時也需要了解人們對音頻信息的各種應(yīng)用。目前數(shù)字音頻信息處理技術(shù)主要應(yīng)用于：
■消費電子類數(shù)字音響設(shè)備
CD唱機、數(shù)字磁帶錄音機（DAT）、MP3播放機以及MD（Mini Disc）唱機已經(jīng)廣泛地應(yīng)用了數(shù)字音頻技術(shù)。
■廣播節(jié)目制作系統(tǒng)
在聲音節(jié)目制作系統(tǒng)，如錄音、聲音處理加工、記錄存儲、非線性編輯等環(huán)節(jié)使用了數(shù)字調(diào)音臺、數(shù)字音頻工作站等數(shù)字音頻設(shè)備。
■多媒體應(yīng)用
在多媒體上的應(yīng)用體現(xiàn)在VCD、DVD、多媒體計算機以及Internet。VCD采用MPEG-I編碼格式記錄聲音和圖像；DVD- Audio格式支持多種不同的編碼方式和記錄參數(shù)，可選的編碼方式包括無損的MLP、DSD、Dilby AC-3、MPEG2-layer2 Audio等，而且是可擴充的、開放的，并可以應(yīng)用未來的編碼技術(shù)：Internet上采用MP3的音頻格式傳輸聲音，以提高下載能力。
■廣播電視數(shù)字化
在廣播電視和數(shù)字音頻廣播系統(tǒng)中，聲音編碼采用MUSICAM編碼方法，符合MPEG-1 Layer 1音頻編碼。如當(dāng)今的數(shù)字電視采用的音頻標(biāo)準(zhǔn)就是Dilby AC-3和MPEG-layer2。
■通訊系統(tǒng)
在通訊系統(tǒng)中，必須對音頻進行壓縮。傳統(tǒng)的PSTN電話中采用的是G.711和G.726的標(biāo)準(zhǔn)；GSM移動通訊采用的是GSM HR/FR/EFR標(biāo)準(zhǔn)；CDMA移動通訊采用的是3GPP2 EVRC、QCELP8k、QCELP16k、4GV標(biāo)準(zhǔn)；WCDMA第3代移動通訊采用的是3GPP AMR-NB、AMR-WB標(biāo)準(zhǔn)。另外在IPTV和移動流媒體中，采用的是AMR-WB+和AAC的標(biāo)準(zhǔn)。
總之，根據(jù)應(yīng)用場合的不同可以將數(shù)字音頻編碼分為如下兩種編碼：
語音編碼：針對語音信號進行的編碼壓縮，主要應(yīng)用于實時語音通信中減少語音信號的數(shù)據(jù)量。典型的編碼標(biāo)準(zhǔn)有ITU-T G.711、G.722、G.723.1、G.729；GSM HR、FR、EFR；3GPP AMR-NB、AMR-WB；3GPP2 QCELP8k、QCELP 13k、EVRC、4GV-NB等。
音頻編碼：針對頻率范圍較寬的音頻信號進行的編碼。主要應(yīng)用于數(shù)字廣播和數(shù)字電視廣播、消費電子產(chǎn)品、音頻信息的存儲、下載等。典型的編碼有 MPEG 1/MPEG 2的layer 1、2、3和MPEG 4 AAC的音頻編碼。還有的ITU-T G.722.1、3GPP AMR-WB+和3GPP 2 4GV-WB，它們在低碼率上的音頻表現(xiàn)也很不錯。
三、音頻編碼標(biāo)準(zhǔn)發(fā)展現(xiàn)狀
3.1 語音編碼標(biāo)準(zhǔn)發(fā)展現(xiàn)狀
國際電信聯(lián)盟（ITU）主要負責(zé)研究和制定與通信相關(guān)的標(biāo)準(zhǔn)，作為主要通信業(yè)務(wù)的電話通信業(yè)務(wù)中使用的語音編碼標(biāo)準(zhǔn)均是由ITU負責(zé)完成的。其中用于固定網(wǎng)絡(luò)電話業(yè)務(wù)使用的語音編碼標(biāo)準(zhǔn)如ITU-T G.711等主要在ITU-T SG 15完成，并廣泛應(yīng)用于全球的電話通信系統(tǒng)之中。目前，隨著Internet網(wǎng)絡(luò)及其應(yīng)用的快速發(fā)展，在2005到2008研究期內(nèi)，ITU-T將研究和制定變速率語音編碼標(biāo)準(zhǔn)的工作轉(zhuǎn)移到主要負責(zé)研究和制定多媒體通信系統(tǒng)、終端標(biāo)準(zhǔn)的SG 16中進行。
在歐洲、北美、中國和日本的電話網(wǎng)絡(luò)中通用的語音編碼器是8位對數(shù)量化器（相應(yīng)于64Kb/s的比特率）。該量化器所采用的技術(shù)在1972年由CCITT（ITU-T的前身）標(biāo)準(zhǔn)化為G.711。
在1983年，CCIT規(guī)定了32Kb/s的語音編碼標(biāo)準(zhǔn)G.721，其目標(biāo)是在通用電話網(wǎng)絡(luò)上的應(yīng)用（標(biāo)準(zhǔn)修正后稱為G.726）。這個編碼器價格雖低但卻提供了高質(zhì)量的語音。
至于數(shù)字蜂窩電話的語音編碼標(biāo)準(zhǔn)，在歐洲，TCH-HS是歐洲電信標(biāo)準(zhǔn)研究所（ETSI）的一部分，由他們負責(zé)制定數(shù)字蜂窩標(biāo)準(zhǔn)。在北美，這項工作是由電信工業(yè)聯(lián)盟（TIA）負責(zé)執(zhí)行。在日本，由無線系統(tǒng)開發(fā)和研究中心（稱為RCR）組織這些標(biāo)準(zhǔn)化的工作。
此外，國際海事衛(wèi)星協(xié)會（Inmarsat）是管理地球上同步通信衛(wèi)星的組織，也已經(jīng)制定了一系列的衛(wèi)星電話應(yīng)用標(biāo)準(zhǔn)。
3.2 音頻編碼標(biāo)準(zhǔn)發(fā)展現(xiàn)狀
音頻編碼標(biāo)準(zhǔn)主要由ISO的MPEG組來完成。MPEG1是世界上個高保真音頻數(shù)據(jù)壓縮標(biāo)準(zhǔn)。MPEG1是針對多兩聲道的音頻而開發(fā)的。但隨著技術(shù)的不斷進步和生活水準(zhǔn)的不斷提高，有的立體聲形式已經(jīng)不能滿足聽眾對聲音節(jié)目的欣賞要求，具有更強定位能力和空間效果的三維聲音技術(shù)得到蓬勃發(fā)展。而在三維聲音技術(shù)中代表性的就是多聲道環(huán)繞聲技術(shù)。目前有兩種主要的多聲道編碼方案：MUSICAM環(huán)繞聲和杜比AC-3。MPEG2音頻編碼標(biāo)準(zhǔn)采用的就是MUSICAM環(huán)繞聲方案，它是MPEG2音頻編碼的核心，是基于人耳聽覺感知特性的子帶編碼算法。而美國的HDTV伴音則采用的是杜比AC -3方案。MPEG2規(guī)定了兩種音頻壓縮編碼算法，一種稱為MPEG2后向兼容多聲道音頻編碼標(biāo)準(zhǔn)，簡稱MPEG 2BC；另一種是稱為音頻編碼標(biāo)準(zhǔn)，簡稱MPEG 2AAC，因為它與MPEG1不兼容，也稱MPEG NBC。
MPEG4的目標(biāo)是提供未來的交互多媒體應(yīng)用，它具有高度的靈活性和可擴展性。與以前的音頻標(biāo)準(zhǔn)相比，MPEG4增加了許多新的關(guān)于合成內(nèi)容及場景描述等領(lǐng)域的工作。MPEG4將以前發(fā)展良好但相互獨立的高質(zhì)量音頻編碼、計算機音樂及合成語音等次合并在一起，并在諸多領(lǐng)域內(nèi)給予高度的靈活性。
3.3 具有我國自主知識產(chǎn)權(quán)的音頻編碼標(biāo)準(zhǔn)發(fā)展現(xiàn)狀
具有自主知識產(chǎn)權(quán)的廣晟數(shù)碼數(shù)字音頻編解碼算法（簡稱廣晟數(shù)碼音頻技術(shù)，DRATM），它是可以同時支持立體聲和多聲道環(huán)繞聲的數(shù)字音頻編解碼技術(shù)。其算法的特點是采用自適應(yīng)時頻分塊（ATFT）方法實現(xiàn)對音頻信號的分解，進行自適應(yīng)量化和熵編碼。
另外，由多家研究所、大學(xué)組成的中國音視頻編碼技術(shù)委員會（AVS）目前正在研究制定AVS第2部分音頻標(biāo)準(zhǔn)，并已經(jīng)申請了部分專利。AVS音頻標(biāo)準(zhǔn)的指導(dǎo)原則是：在基本解決知識產(chǎn)權(quán)問題的前提下，制定具有國際先進水平的中國音頻編碼/解碼標(biāo)準(zhǔn)，使AVS音頻編碼的綜合技術(shù)指標(biāo)基本達到或超過 MPEG AAC編碼技術(shù)的指標(biāo)。目前正在開展移動部分AVS-M的音頻標(biāo)準(zhǔn)制定工作。
四、數(shù)字音頻編碼技術(shù)的發(fā)展趨勢
4.1 語音編碼技術(shù)的發(fā)展趨勢
經(jīng)過多年的努力，業(yè)界在語音編碼領(lǐng)域取得了很多重要的進展。目前在語音編碼領(lǐng)域的研究焦點，一方面是在保證語音質(zhì)量的前提下，降低比特率。在采用的技術(shù)方面從基于線性預(yù)測，使用合成一分析法向采用參數(shù)編碼技術(shù)方向轉(zhuǎn)變。主要的應(yīng)用目標(biāo)是蜂窩電話和應(yīng)答機。另一方面是對傳統(tǒng)的語音編碼器進行全頻帶擴展，使其適應(yīng)音頻的應(yīng)用。例如，AMR從NB發(fā)展到WB，再到的WB+，現(xiàn)正在進行全頻帶的擴展工作；G.729已發(fā)展到G.729.1，目前也在啟動全頻帶的擴展工作；G.722.1也已發(fā)展到G.722.1 Annex E，已經(jīng)完成了全頻帶的擴展工作。
除此之外，為適應(yīng)在Internet上傳送語音的需要，目前ITU-T SG 16組正在研究和制定可變速率的語音編碼標(biāo)準(zhǔn)。變速率的語音編碼將是近期語音編碼發(fā)展的一個趨勢。
4.2 音頻編碼技術(shù)的發(fā)展趨勢
MPEG4的研究已經(jīng)開始了一段時間，也取得了一些進展，但由于MPEG4本身設(shè)定的目標(biāo)比較遠大，一些能力仍然在研究之中。隨著以IPTV業(yè)務(wù)為代表的信息檢索業(yè)務(wù)的開展，適合于在IP網(wǎng)絡(luò)上傳輸?shù)囊纛l信號編碼技術(shù)，用于制作、檢索和存儲音頻信息的技術(shù)將成為發(fā)展的方向。