Google发展极低比特率编解码器，大幅提高语音通信品质

Google开发了高品质低比特率的语音编解码器Lyra，强调即便在速度缓慢的网络上，也能提供顺畅的语音通信体验。Google在Lyra使用先进的机器学习技术，模型在经过数千小时的语音训练后，能够高性能的压缩和传输语音信号，进而在低带宽中支持高音质语音通信。

像是WebRTC这样的即时通信框架，以及压缩技术的发展，使得声音以及视频电话越来越普及，数十年以来，编解码器都是媒体应用程序的重要组件，让需要消耗大量带宽传输资料的应用程序，能够更有效地传输资料，并且让用户可以随时在各种网络环境中，进行高品质的通信。

无论是视频还是语音的编解码器，其目标都是要提供更高的信号品质，但使用更少的资料和达到更小的即时通信延迟，Google提到，虽然视频比音频要占用更多的带宽，但是现在视频编解码器，已经可以达到比部分高品质语音编解码器还要低的比特率，通过结合低比特率视频和语音编解码器，就可以在低带宽的网络中，提供高品质的视频通话体验。

不过音频编解码器的比特率越低，语音信号的清晰度就越差，声音也就越像机器人，为了解决这个问题，Google使用机器学习技术创建了Lyra。Lyra的概念很主动，就是每40毫秒从语音中截取特征或是独特的语音属性，并在将其压缩后进行传输。

这些特征和属性可以被用来重建语音信号，传统的参数编解码器仅是简单地将特征截取出来，并且直接在接收端重建信号，虽然达到了低比特率的目的，但是声音听起来像机器人并不自然。而这个缺点也促使研究人员开发新一代音频生成模型，来产生高品质的语音，像是DeepMind的WaveNet就是其中一种，目前Google语音通信软件Duo，就是将WaveNet实际用于真实世界的成果。

Google以这些生成模型为基准，创建能够使用更少资料重建语音的新模型，与当今许多流媒体和通信平台一样，Lyra也使用波形编解码器，来达到低比特率且高品质的声音，但波形解码器缺点在于，要达到高品质语音，必需要逐一压缩和发送每个信号样本，这可能需要稍高的比特率，但在许多的情况中，可能没有必要达到如此自然的声音。

生成模型还有另一个需要注意的缺点是，其具有较高的计算复杂度，而Lyra则选用循环生成模型WaveRNN来解决这个问题，该模型以较低的比特率运行，但是在不同频率范围平行生成多个信号，在之后以特定的采样频率，结合到单一输出信号中。

这样的设计让Lyra不仅可以在云计算服务器中执行，还可以在中端的手机上即时运行，处理延迟约为90毫秒，与其他传统语音编解码器相同。该生成模型经过数千小时的语音资料训练，与WaveNet类似，可以精确地重建输入的音频。

现在基于WebRTC的VOIP应用程序中，最受广泛使用的开源编解码器便是Opus，在比特率32kbps的情况下，可以提供与原始音频没有区别的声音品质，但是在带宽受限制、仅能使用6kbps比特率的情况，声音品质便会明显下降，其他编解码器包括Speex、MELP和AMR，虽然也都能以与Lyra相当的比特率运行，但是声音皆会出现失真，导致变成机器人的声音。

Lyra目前被设计成以3kbps的比特率运行，而且经过测试证实，在该比特率条件下运行，Lyra性能比其他编解码器都还要好，且达到与Opus在8kbps比特率的声音品质，可省下60%以上的带宽。

Google提到，Lyra可被用于数十亿新兴市场的用户，以较低的比特率编解码器，提供更好的声音品质，Lyra也可被用在云计算环境中，让各种网络和设备的用户，能够顺畅的聊天，搭配最新的图片压缩技术AV1，即便用户使用56kbps调制解调器连上互联网，也可以进行视频聊天。

Google移动设备语音聊天应用程序Duo，现在也使用Lyra，来提高在低带宽网络上的语音品质，Google接下来还会继续研究使用GPU和TPU来加速运算。