音频变速变调原理及 soundtouch 代码分析

概述

音频变速变调在不同的场景可以分为变速不变调、变调不变速以及变调又变速 3 种应用。语音变速是指把一个语音在时域上拉长或则缩短，而语音的采样率、基频以及共振峰都没有发生变化。语音变调是指把语音的基因频率降低或升高，共振峰做出相应的的改变，采样频率不变。简单介绍下音频变速变调的应用场景。

1) 变速不变调：各种各样的视频播放器中的 2 倍速，0.5 倍速播放就是应用的语音变速不变调原理；当然变速不变调还应用于网络电话 VOIP 中的应对网络抖动，简单的说，就是当网络不好的时候，播放端从网络中拉取到的数据少，缓存区的数据不够用，这个时候就使用缓存的数据播放的慢一点。反之，缓存区数据过多，就播放的快一点。这部分的实现可以参照 webrtc 的 netEQ 模块。平时在使用微信语音的时候应该能感受到网络特别卡时，为了保持语音连续，会故意慢放语音。

2）变调不变速：变调不变速主要应用在声效上，声音提高音调将男声变成女生，或则将女生变成男声；另外，变速不变调配合其他一些音效算法，如 EQ，混响，tremolo 和 vibrato 可以实现变声效果，比如 QQ 上的萝莉音，大叔音等。这里以声网的 MAC 端的音频 sdkdemo 为例，见下图

虽然我看不到其中的源码，但是图中红色部分肯定是涉及到了语音变调的实现的。

音频变速变调在各种音频编辑器如 cooledit，audition，audacity 上都有实现，常用的开源代码是 soundtouch，另外还有一个开源代码为 sonic，都可在 github 上找到。

音频变速原理

音频变速不变调的经典文章为<<A Review of Time-Scale Modification of Music Signals>>，其中

介绍了很多种变速不变调算法的实现。

TSM(Time-Scale Modifacaiton)

变速不变调的经典算法为 TSM(Time-Scale Modifacaiton)，还有一些语音合成的方法来实现变速，通过提取音频的基音信息和声道的激励模型来实现。我们重点介绍 TSM 方法

TSM 方法的原理很简单。熟悉音频处理的朋友都知道，音频信号为了保证前后帧处理特征的平滑性，会在帧与帧之间设置一个重叠（overlap),因此就出现了分帧（analysis fames）和合帧(synthesis frames)， 一般设置重叠为 50%。如果分帧（analysis fames）以 50%的 overlap，而合帧(synthesis frames)时以 75%，那么就实现了慢放。

TSM 算法的步骤为

• step1: 原始信号分帧

• step2：分解好的帧重新定位

• step3: 合成最终的帧

 Hs 和 Ha 分别代码分帧和合帧的 overlap。Rate = Hs/ Ha，如果 Ha=Hs，则原速；Hs<Ha 时，加速；Hs>Ha 时，减速。

OLA(Overlap-and-Add)

OLA(Overlap-and-Add, OLA)重叠相加算是音频变速算法中最简单的时域方法，它是后续时域算法(SOLA, SOLA-FS, TD-PSOLA, WSOLA)的基础。  

下图演示语音被加速播放的情况

图中 x 和 y 分别表示处理前后的语音信息。变速的关键在 c 图和 d 图，能够看到 OLA 直接暴力的将 x(m+1)的波形拷贝到 y(m+1)处，并与 y(m)进行叠加。此时语音省略掉了 x(m)和 x(m+1)之间的信息，实现了快放。这个算法最简单，但是缺点也很明显，就是没有考虑到 x(m+1)和 y(m)之间的连续性，换句话说，没有考虑到不加速播放时本来该播放的语音 y'(m+1)和拷贝过来的 y(m+1)之间的相似性。因此会造成下图这样的后果，造成相位不连续，相邻帧重叠区域产生基频失真。

出现了基频断裂的问题，当然是要去解决了，因此出现了改进版的 SOLA 算法和 WSOLA 算法。y'(m+1)和 y(m)是连续的，只需找到一帧 y(m+1)最相似 y'(m+1)，用它来替换 y'(m+1)，那么语音就会很自然。SOLA 算法和 WSOLA 算法都是这个原理。不同的是 SOLA 算法是固定 y(m+1)，去寻找 y'(m+1)与 y(m+1)最相似。WSOLA 则是固定 y'(m+1)，寻找 y(m+1)与 y'(m+1)最相似。由于 soundtouch 中使用的是 WSOLA 算法，主要研究 WSOLA 算法，关于 SOLA 算法的具体处理可以看上面的那篇论文

WSOLA（Waveform Similarity Overlap-Add）

下图是 WSOLA 的实现步骤

a 图中的实现还是和 OLA 一样的，OLA 寻找找的替换帧为 x(m+1)。在 b 图中有一个 Delta(max),会在 Delta(max)这个窗口内寻找与替换帧最相似的那一帧 x'(m+1)，这个就是 WSOLA 算法的原理。如何来定义相似呢，常用的方法有：

1）相关法（寻找相关峰，soundtouch 使用方法）

2）AMDF（sonic 使用的方法）

音频变速还有其他方法：PV-TSM 等，

音频变调不变速原理

最常见的音频变调就是使用重采样了，如果将一个 8Khz 的语音使用 16K 采样率播放，那么能明显感受到音调升高，但是语速也提高了 2 倍。因此，音频变调不变速就是首先使用重采样算法进行采样，然后使用变速不变调算法纠正速度。重采样其实就是对数据一个抽取或则内插的过程，常使用的方法是线性插值重采样的方法。

soundtouch 的原理

 SoundTouch 是实现音频变速变调的开源代码。其中音频变调使用的是升降采样的方法，变速则是使用的是 wsola 算法。SoundTouch 的源代码目录结构清晰简单，在开源代码中有 vs 工程文件，soundtouch 的主要代码文件如下：

SoundTouch 中设置变速变调的范围，在其使用手册中各个范围为：

" -tempo=n : Change sound tempo by n percents (n=-95..+5000 %)\n" 变速不变调

" -pitch=n : Change sound pitch by n semitones (n=-60..+60 semitones)\n" 变调不变速

" -rate=n : Change sound rate by n percents (n=-95..+5000 %)\n" 变调变速

SoundTouch 的主要 API 是定义在 SoundTouch 类中的，SoundTouch 包含了主要的数据处理类 RateTransposer 和 TDStretch，SoundTouch 只负责数据之间的传递，和关键参数的控制。RateTransposer 实现语音的变速变调，TDStretch 实现变速不变调。SoundTouch 继承自 FIFOProcessor，在 rate<=1 的情况下会设置 TDStretch 为输出，在 rate>1 的情况下设置 RateTransposer 为输出。

变速不变调 TDStretch

变速不变调通过 wsola 实现，类中主要成员为：

class TDStretch : public FIFOProcessor{  protected:  int channels;  int sampleReq; //变速不变调 需要缓存的数据  int overlapLength; //wsola涉及的overlap  int seekLength; //在seekLength的长度里寻找与pMidBuffer相关值最大的offset  int seekWindowLength; //一帧数据的长度+overlap的长度  int sampleRate;  int sequenceMs; //默认40ms  int seekWindowMs; //默认15ms  int overlapMs;  //默认8ms 根据ms去计算length
  float maxnormf;
  double tempo;  double skipFract; //变速需要跳过的步长
  SAMPLETYPE *pMidBuffer;  //缓存中间的数据，用于计算相关性  数据长度为overlap 
  FIFOSampleBuffer outputBuffer;  FIFOSampleBuffer inputBuffer;}

overlapLength、seekLength、seekWindowLength 见下图。

以 tempo=2 overlapLength=128 seekLength = 240 seekWindowLength=640 为例。soundtouch 的处理流程为：

首先处理第一帧：

1. 拷贝输入数据 inputBuffer 中 seekWindowLength-2*overlapLength = 384 的数据到 outputBuffer 中

2. 拷贝 inputBuffer 从 384 起的 overlapLength=128 数据到 pMidBuffer 中

3. inputBuffer 的数据跳跃到 skipFract = 648 的位置

其中 skipFract += nominalSkip

nominalSkip = tempo * (seekWindowLength - overlapLength);

1. 计算 inputBuffer 中 648 位置起的 seekLength 个数据 与 pMidBuffer 的相关性 选取相关性最大的 offset 这里 offset = 119

2. 将 648 + offset 起的 128 个数据与 pMindbuffer 中的 128 个数据叠加输出到 outputBuffer 中

3. 拷贝 inputBuffer 648 + offset +128 位置起的 seekWindowLength-2*overlapLength = 384 的数据到 outputBuffer 中

4. go on

具体实现为：

void TDStretch::processSamples(){int ovlSkip;int offset = 0;int temp;while ((int)inputBuffer.numSamples() >= sampleReq)  //缓存数据sampleReq{    if (isBeginning == false)    {        offset = seekBestOverlapPosition(inputBuffer.ptrBegin()); //寻找相关性最大的位置
        overlap(outputBuffer.ptrEnd((uint)overlapLength), inputBuffer.ptrBegin(), (uint)offset); //overlap         outputBuffer.putSamples((uint)overlapLength);        offset += overlapLength;    }    else    {        isBeginning = false;        int skip = (int)(tempo * overlapLength + 0.5 * seekLength + 0.5);
        #ifdef ST_SIMD_AVOID_UNALIGNED        // in SIMD mode, round the skip amount to value corresponding to aligned memory address        if (channels == 1)        {            skip &= -4;        }        else if (channels == 2)        {            skip &= -2;        }        #endif        skipFract -= skip;        assert(nominalSkip >= -skipFract);    }

    if ((int)inputBuffer.numSamples() < (offset + seekWindowLength - overlapLength))    {        continue;    // just in case, shouldn't really happen    }
    // length of sequence    temp = (seekWindowLength - 2 * overlapLength);    outputBuffer.putSamples(inputBuffer.ptrBegin() + channels * offset, (uint)temp);    assert((offset + temp + overlapLength) <= (int)inputBuffer.numSamples());    memcpy(pMidBuffer, inputBuffer.ptrBegin() + channels * (offset + temp),         channels * sizeof(SAMPLETYPE) * overlapLength);.    skipFract += nominalSkip;   // real skip size    ovlSkip = (int)skipFract;   // rounded to integer skip    skipFract -= ovlSkip;       // maintain the fraction part, i.e. real vs. integer skip    inputBuffer.receiveSamples((uint)ovlSkip);  //跳过数据 和tempo相关 实现变速的关键}}

变速变调 RateTranposer 类

RateTransPoser 其实就是通过升降采样来实现语音的变速变调的。类具体实现如下：

class RateTransposer :   public FIFOProcessor{  protected:    /// Anti-alias filter object  AAFilter *pAAFilter; //抗混叠滤波器  TransposerBase *pTransposer; //提供实现变速变调的算法  FIFOSampleBuffer inputBuffer;
  /// Buffer for keeping samples between transposing & anti-alias filter  FIFOSampleBuffer midBuffer;
  /// Output sample buffer  FIFOSampleBuffer outputBuffer;
  bool bUseAAFilter;
  void processSamples(const SAMPLETYPE *src,                       uint numSamples);}

其中核心函数 processSamples

void RateTransposer::processSamples(const SAMPLETYPE *src, uint nSamples){  uint count;  if (nSamples == 0) return;  // 接受数据  inputBuffer.putSamples(src, nSamples);  // 数据处理  if (bUseAAFilter == false)  {  count = pTransposer->transpose(outputBuffer, inputBuffer);  return;  }  assert(pAAFilter);  if (pTransposer->rate < 1.0f)   {      // 实现升降采样      pTransposer->transpose(midBuffer, inputBuffer);         // AAFilter滤波      pAAFilter->evaluate(outputBuffer, midBuffer);  }   else    {      pAAFilter->evaluate(midBuffer, inputBuffer);      pTransposer->transpose(outputBuffer, midBuffer);  }}

TransposerBase 类其实为一个工厂方法，其中涉及了 3 种升降采样方法，其实也就是插值方法。分别为：

插值算法原理待补充。

soundtouch 需要注意的点：

其中数据缓存和每次跳跃的大小为:

nominalSkip = tempo * (seekWindowLength - overlapLength);

sampleReq = max(intskip + overlapLength, seekWindowLength) + seekLength;

变速不变调中计算相关性根据不同的平台可以使用 TDStretchSSE 或 TDStretchMMX。

TDStreach 的实现来看，其具有较大的算法延迟。要实时实现减小延迟，可考虑减小 sequenceMs 的大小以及缓存数据来处理。

最后

简要的分析了一下 soundtouch 的实现，关于 soundtouch 的数据输入输出 FIFOProcessor 等类没有详细的介绍。后面会分析下 sonic 算法原理的实现。A Review of Time-Scale Modification of Music Signals 这篇经典文章的地址为：https://www.mdpi.com/2076-3417/6/2/57。文章中有什么不对的地方，希望大家一起讨论。

参考

A Review of Time-Scale Modification of Music Signals：https://www.mdpi.com/2076-3417/6/2/57

知乎变声导论：https://zhuanlan.zhihu.com/p/110278983

论文：基于 WSOLA 算法的语音时长调整研究

论文：AN OVERLAP-ADD TECHNIQUE BASED ON WAVEFORM SIMILARITY (WSOLA) FOR HIGH QUALITY TIME-SCALE MODIFICATION OF SPEECH

soundtouch 官网：http://www.surina.net/soundtouch/