[論文レビュー] High-Quality, Low-Delay Music Coding in the Opus Codec

Jean-Marc Valin, Gregory Maxwell+2 more|arXiv (Cornell University)|Feb 15, 2016

Advanced Data Compression Techniques参考文献 5被引用数 14

ひとこと要約

本稿では、心理音響モデルを制約付きエネルギー畳み込み変換（CELT）フレームワークに統合することで、高音質・低遅延な音楽コーディングを実現するOpusコーデックのCELTモードを提示する。ビット割り当ての最適化、知覚的前処理／後処理フィルタの適用、および崩壊防止技術を含むアーティファクト隠蔽技術により、Opusは64 kb/sでVorbis や HE-AAC といった非リアルタイムコーディング方式を凌駆し、連続圧縮環境下でも優れた性能を発揮する。

ABSTRACT

The IETF recently standardized the Opus codec as RFC6716. Opus targets a wide range of real-time Internet applications by combining a linear prediction coder with a transform coder. We describe the transform coder, with particular attention to the psychoacoustic knowledge built into the format. The result out-performs existing audio codecs that do not operate under real-time constraints.

研究の動機と目的

• リアルタイム音楽伝送に適した低遅延・高品質なオーディオコーデックの開発。
• 心理音響的知識をコーディング形式に直接統合し、冗長な符号化とアーティファクトを低減すること。
• 音声モードと音楽モードの間で滑らかに切り替えられ、最小限の不連続性を生じさせること。
• 放送パイプラインで一般的な連続エンコード環境下での耐性を向上させること。
• 超高遅延コーディング方式（例：Vorbis や HE-AAC）と同等の性能を発揮しつつ、5 ms未満の超低遅延を維持すること。

提案手法

• MDCTに基づく制約付きエネルギー畳み込み変換（CELT）を用い、2.5 msの低重ね合わせにより低アルゴリズム遅延を実現。
• 周波数応答の歪みを低減するため、一次元の事前エマフィシスフィルタ（1 - 0.85z⁻¹）を適用し、復号器で逆のデエマフィシス処理を実施。
• 人間の聴覚マスキング特性に合わせて符号化ノイズを整形するため、知覚的前処理および後処理フィルタを採用。
• MDCT係数にスパイラル回転を適用し、帯域ごとに量子化ノイズをより均等に分散。回転角度は帯域サイズとパルス数に基づいて算出。
• トランジェント発生時にゼロ量子化係数を示す帯域に擬似ランダムノイズを注入することで崩壊防止を実現。これは2回連続でのトランジェント検出後にのみ発動。
• TOCバイトおよび内部フレーマーを介した動的設定信号伝送をサポートし、アーティファクトを伴わずにリアルタイムでのモード切り替えを可能に。

実験結果

リサーチクエスチョン

• RQ1 低遅延オーディオコーデックは、Vorbis や HE-AAC といった高遅延方式と同等の音楽品質を達成できるか？
• RQ2 心理音響モデルをコーディング形式に直接統合することで、サイド情報と符号化アーティファクトをどのように低減できるか？
• RQ3 低ビットレート下でトランジェント時に発生する量子化ノイズの欠落を効果的に隠蔽する技術は何か？
• RQ4 放送システムで一般的な連続エンコード環境下で、コーデックの性能はどの程度維持されるか？
• RQ5 音声モードと音楽モードの間で、知覚的な不連続性を生じさせることなくスムーズに切り替えられるか？

主な発見

• 64 kb/s VBRで、主観的聴取テストにおいてAppleのHE-AAC、NeroのHE-AAC、Ogg Vorbisを99.9%以上の信頼水準で大きく上回った。
• 64 kb/sのOpusは、連続圧縮環境下で128 kb/sのMP3よりも優れた品質を発揮し、複数のエンコード段階に耐える優れた耐性を示した。
• 32 kb/sでのカスタネットテストにおいて、崩壊防止技術が低ビットレート下での聴覚的ノイズ欠落を効果的に排除した。
• 5 msフレームモードのOpusは、20 msフレームより性能は劣るが、依然として十分な音質を維持しており、5回の連続エンコード後でもMP3（128 kb/s）を上回った。
• 知覚的前処理／後処理フィルタおよびスパイラル回転の適用により、ノイズ分布が改善され、スペクトルマスキングアーティファクトが顕著に低減された。