고차 LPC 매개변수를 위한 새로운 계층 분해 벡터 양자화 방법

이 논문은 고차(예: 20차-50차) 선형 예측 코딩(LPC) 매개변수의 벡터 양자화 코딩을 조사하고, 가변 LPC 분석 차수에 대한 확장 가능한 음성 코딩 프레임워크를 위한 새로운 계층 분해 벡터 양자화 방법을 제안한다. 제안된 방법은 선형 스펙트럼 주파수(LSF) 도메인에서 모든 LPC 매개변수 그룹을 직접적으로 벡터 양자화하는 대신, 고차 LPC 모델을 여러 개의 저차(예: 10차) LPC 모델로 분해하고, LSF 도메인에서 이를 개별적으로 벡터 양자화한다. 분해를 위해 고차 LPC 모델은 먼저 반사 계수 그룹으로 변환되고, 그 다음 이 그룹은 여러 서브그룹으로 분할되어 여러 개의 저차 LPC 모델로 변환된다. 제안된 방법은 분해된 저차 LPC 모델의 정보가 다층 비트스트림에 인코딩될 수 있으며, 고차 LPC 정보를 복원하기 위해 점진적인 방식으로 결합될 수 있는 확장 가능한 코딩 프레임워크에 자연스럽게 적합하다는 것이 보여진다. 가변 LPC 분석 차수(10-50)를 가진 확장 가능한 코딩 프레임워크에서의 실험 결과, 직접 벡터 양자화 방식에 비해 제안된 방법이 코드북 크기와 코딩 비트 수를 유의미하게 줄일 수 있으며, 계산 비용도 효율적으로 줄일 수 있음을 보여준다.