Vocoder

Un vocoder ( / ˈ v oʊ k oʊ d ər / , una combinación de voice y en coder ) es una categoría de codificación de voz que analiza y sintetiza la señal de voz humana para la compresión de datos de audio , la multiplexación , el cifrado de voz o la transformación de voz.

El vocoder fue inventado en 1937 por Homer Dudley en los Laboratorios Bell como un medio para sintetizar el habla humana. ^{[ 1 ]} Este trabajo se desarrolló hasta convertirse en el vocoder de canal , que se utilizó como códec de voz para telecomunicaciones con el fin de codificar el habla y conservar el ancho de banda en la transmisión.

Al cifrar las señales de control, se puede proteger la transmisión de voz contra la interceptación. Su principal aplicación en este sentido es la comunicación por radio segura. La ventaja de este método de cifrado es que no se transmite la señal original, sino únicamente las envolventes de los filtros paso banda. La unidad receptora debe configurarse con los mismos filtros para resintetizar una versión del espectro de la señal original.

El vocoder también se ha utilizado ampliamente como instrumento musical electrónico . La parte decodificadora del vocoder, llamada voder , puede utilizarse de forma independiente para la síntesis de voz.

La voz humana consiste en sonidos generados por la apertura y el cierre periódicos de la glotis por las cuerdas vocales , lo que produce una forma de onda acústica con muchos armónicos . Este sonido inicial se filtra mediante movimientos en la nariz, la boca y la garganta (un complejo sistema de conductos resonantes conocido como tracto vocal ) para producir fluctuaciones en el contenido armónico ( formantes ) de manera controlada, creando la amplia variedad de sonidos utilizados en el habla. Existe otro conjunto de sonidos, conocidos como sonidos sordos y oclusivos , que se crean o modifican por diversas perturbaciones del flujo de aire que se producen en el tracto vocal . ^{[ 2 ]}

El vocoder analiza el habla midiendo cómo fluctúan las características de su distribución de energía espectral a lo largo del tiempo. Este análisis genera un conjunto de señales de envolvente temporalmente paralelas, cada una de las cuales representa las amplitudes de las bandas de frecuencia individuales del habla del usuario. Dicho de otro modo, la señal de voz se divide en varias bandas de frecuencia (cuanto mayor sea este número, más preciso será el análisis) y el nivel de señal presente en cada banda de frecuencia, que se produce simultáneamente, se mide mediante un seguidor de envolvente , que representa la distribución de energía espectral a lo largo del tiempo. Este conjunto de señales de amplitud de envolvente se denomina "modulador" . Para recrear el habla, el vocoder invierte el proceso de análisis, filtrando de forma variable un ruido de banda ancha inicial (denominado alternativamente "fuente" o "portadora"), haciéndolo pasar por un conjunto de filtros de paso de banda , cuyos niveles de amplitud de envolvente individuales son controlados, en tiempo real, por el conjunto de señales de amplitud de envolvente del modulador.

El proceso de codificación digital implica un análisis periódico de cada una de las amplitudes de envolvente multibanda del modulador. Este análisis genera un conjunto de lecturas de la secuencia de modulación por impulsos codificados (PCM ). A continuación, las salidas de la PCM de cada banda se transmiten a un decodificador. El decodificador aplica las modulaciones por impulsos codificados como señales de control a los amplificadores correspondientes de los canales del filtro de salida.

Se descarta la información sobre la frecuencia fundamental de la señal de voz inicial (a diferencia de su característica espectral); no era importante conservarla para el uso original del vocoder como herramienta de cifrado. Es precisamente este aspecto deshumanizador del proceso de vocoder lo que lo ha hecho útil para crear efectos de voz especiales en la música popular y el entretenimiento de audio.

En lugar de recrear la forma de onda punto por punto, el proceso de vocoder envía únicamente los parámetros del modelo vocal a través del enlace de comunicación. Dado que los parámetros cambian lentamente en comparación con la forma de onda de voz original, se puede reducir el ancho de banda necesario para transmitir la voz. Esto permite que más canales de voz utilicen un canal de comunicación determinado , como un canal de radio o un cable submarino .

Los vocoders analógicos suelen analizar una señal entrante dividiéndola en múltiples bandas o rangos de frecuencia sintonizados. Para reconstruir la señal, se envía una señal portadora a través de una serie de estos filtros paso banda sintonizados. En el ejemplo de una voz robótica típica, la portadora es ruido o una forma de onda de diente de sierra . Generalmente, hay entre 8 y 20 bandas.

La amplitud del modulador para cada una de las bandas de análisis individuales genera un voltaje que se utiliza para controlar los amplificadores de cada una de las bandas portadoras correspondientes. Como resultado, los componentes de frecuencia de la señal moduladora se superponen a la señal portadora como cambios de amplitud discretos en cada una de las bandas de frecuencia.

A menudo existe una banda de frecuencias sordas o canal de sibilancia . Esta banda se utiliza para frecuencias que se encuentran fuera de las bandas de análisis del habla típica, pero que siguen siendo importantes. Algunos ejemplos son las palabras que comienzan con las letras s , f , ch o cualquier otro sonido sibilante. El uso de esta banda produce un habla reconocible, aunque con un sonido algo mecánico. Los vocoders suelen incluir un segundo sistema para generar sonidos sordos, utilizando un generador de ruido en lugar de la frecuencia fundamental. Este ruido se mezcla con la señal portadora para aumentar la claridad.

En el algoritmo del vocoder de canal, entre los dos componentes de una señal analítica , considerar solo el componente de amplitud e ignorar simplemente el componente de fase tiende a producir una voz poco clara; para obtener información sobre métodos para corregir esto, consulte el vocoder de fase .

Sistema de cifrado de voz SIGSALY (1943–1946)

El vocoder HY-2 (diseñado en 1961) fue la última generación de vocoder de canal en los EE . UU . ^{[ 4 ] [ 5 ]}

El desarrollo de un vocoder fue iniciado en 1928 por el ingeniero de Bell Labs , Homer Dudley , ^{[ 6 ]} a quien se le concedieron patentes el 21 de marzo de 1939, ^{[ 7 ]} y el 16 de noviembre de 1937. ^{[ 8 ]}

Para demostrar la capacidad de síntesis de voz de su sección decodificadora, el voder (demostrador de voz) ^{[ 9 ]} se presentó al público en el edificio de AT&T en la Feria Mundial de Nueva York de 1939-1940. ^{[ 10 ]} El voder constaba de un oscilador electrónico ( una fuente de sonido de tono definido ) y un generador de ruido para el silbido , 10 bandas de filtros resonadores , cada una controlada por un amplificador de ganancia variable como un tracto vocal , y los controladores manuales que incluían un conjunto de teclas sensibles a la presión para el control de los filtros y un pedal para el control del tono. ^{[ 11 ]} Los filtros controlados por las teclas convierten el tono y el silbido en vocales , consonantes e inflexiones . Era una máquina compleja de operar, pero un operador experto podía producir habla reconocible. ^{[ 10 ] [ media 1 ]}  

El vocoder de Dudley se utilizó en el sistema SIGSALY , construido por ingenieros de Bell Labs en 1943. SIGSALY se utilizó para comunicaciones de voz encriptadas durante la Segunda Guerra Mundial . El codificador de voz KO-6 se lanzó en 1949 en cantidades limitadas; era una aproximación cercana al SIGSALY a 1200 bit/s . En 1953, el codificador de voz KY-9 THESEUS ^{[ 12 ]} de 1650 bit/s utilizó lógica de estado sólido para reducir el peso a 565 libras (256 kg) desde las 55 toneladas cortas (50 000 kg) del SIGSALY , y en 1961 el codificador de voz HY-2, un sistema de 16 canales y 2400 bit/s , pesaba 100 libras (45 kg) y fue la última implementación de un vocoder de canal en un sistema de voz seguro. ^{[ 13 ]}   

Trabajos posteriores en este campo han utilizado la codificación digital del habla . La técnica de codificación del habla más utilizada es la codificación predictiva lineal (LPC). ^{[ 14 ]} Otra técnica de codificación del habla, la modulación por impulsos codificados diferencial adaptativa (ADPCM), fue desarrollada por P.  Cummiskey, Nikil S.  Jayant y James L. Flanagan en Bell Labs en 1973. ^{[ 15 ]}

• Equipos terminales para sistemas basados ​​en radio móvil digital (DMR).
• Cifrado y codificación de voz digital
• Implantes cocleares : se utiliza la codificación de ruido y tono para simular los efectos de los implantes cocleares. ^{[ 16 ]}
• Efectos musicales y otros efectos artísticos ^{[ 17 ]}

Incluso teniendo en cuenta la necesidad de grabar varias frecuencias y sonidos sordos adicionales, la compresión de los sistemas vocoder es impresionante. Los sistemas de grabación de voz estándar capturan frecuencias de entre 500 y 3400  Hz, donde se encuentran la mayoría de las frecuencias utilizadas en el habla, generalmente con una frecuencia de muestreo de 8  kHz (ligeramente superior a la frecuencia de Nyquist ). La resolución de muestreo suele ser de 8 bits o más por muestra, para una velocidad de datos de alrededor de 64 kbit/s , pero un buen vocoder puede proporcionar una simulación de voz bastante buena con tan solo 5 kbit/s de datos.

Los codificadores de voz de alta calidad , como el ITU G.729 , se utilizan en muchas redes telefónicas. El G.729, en particular, ofrece una velocidad de datos final de 8 kbit/s con una calidad de voz excepcional. El G.723 logra una calidad ligeramente inferior a velocidades de datos de 5,3 y 6,4 kbit/s . Muchos sistemas de codificación de voz utilizan velocidades de datos más bajas, pero por debajo de 5 kbit/s la calidad de la voz comienza a disminuir rápidamente.

En los sistemas de cifrado de la NSA se utilizan varios sistemas de vocoder :

• LPC-10, FIPS Pub 137, 2400 bit/s , que utiliza codificación predictiva lineal.
• Predicción lineal excitada por código (CELP), 2400 y 4800 bit/s , estándar federal 1016, utilizado en STU-III.
• Modulación delta de pendiente variable continua (CVSD), 16 kbit/s , utilizada en cifradores de banda ancha como el KY-57.
• Predicción lineal de excitación mixta (MELP), MIL STD 3005, 2400 bit/s , utilizada en el Future Narrowband Digital Terminal (FNBDT) , el teléfono seguro del siglo XXI de la NSA .
• Modulación por código de pulsos diferencial adaptativa (ADPCM), antigua ITU-T G.721, 32 kbit/s utilizada en telefonía segura STE ^{[ a ]}

Los vocoders modernos que se utilizan actualmente en equipos de comunicación y en dispositivos de almacenamiento de voz se basan en los siguientes algoritmos:

• Predicción lineal excitada por código algebraico (ACELP 4,7–24  kbit/s) ^{[ 18 ]}
• Predicción lineal de excitación mixta (MELPe 2400, 1200 y 600 bit/s ) ^{[ 19 ]}
• Excitación multibanda (AMBE 2000 bit/s  – 9600 bit/s ) ^{[ 20 ]}
• Representación pulsada sinusoidal (SPR 600 bit/s  – 4800 bit/s ) ^{[ 21 ]}
• Interpolación de forma de onda robusta avanzada de baja complejidad (RALCWI 2050, 2400 y 2750 bit/s ) ^{[ 22 ]}
• Predicción lineal excitada de triple onda (TWELP 300–9600  bit/s) ^{[ 23 ]}
• Vocoder robusto al ruido (NRV 300 y 800 bit/s ) ^{[ 24 ]}

Los vocoders también se utilizan actualmente en psicofísica , lingüística , neurociencia computacional e investigación de implantes cocleares .

• Estiramiento de tiempo de audio y escalado de tono
• Lista de vocoders
• Interfaz de voz silenciosa

Referencias multimedia

• "Cómo funcionan los vocoders" . PAIA. Archivado del original el 7 de septiembre de 2011.
• Descripción, fotografías y diagrama del vocoder en 120years.net
• Artículo de O'Reilly sobre vocoders
• Objeto de interés: El vocoder. Minidocumental de la revista The New Yorker.