Google发展极低位元率编解码器Lyra，大幅提高低带宽网络用户语音通讯品质

Google开发了高品质低位元率的语音编解码器Lyra，强调即便在速度缓慢的网络上，也能提供顺畅的语音通讯体验。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，能够高效能的压缩和传输语音讯号，进而在低带宽中支援高音质语音通讯。

像是WebRTC这样的即时通讯框架，以及压缩技术的发展，使得声音以及视讯电话越来越普及，数十年以来，编解码器都是媒体应用程序的重要元件，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，并且让使用者可以随时在各种网络环境中，进行高品质的通讯。

无论是视讯还是语音的编解码器，其目标都是要提供更高的讯号品质，但使用更少的资料和达到更小的即时通讯延迟，Google提到，虽然视讯比音讯要占用更多的带宽，但是现在视讯编解码器，已经可以达到比部分高品质语音编解码器还要低的位元率，透过结合低位元率视讯和语音编解码器，就可以在低带宽的网络中，提供高品质的视讯通话体验。

不过音讯编解码器的位元率越低，语音讯号的清晰度就越差，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的概念很直觉，就是每40毫秒从语音中撷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讯号，传统的参数编解码器仅是简单地将特征撷取出来，并且直接在接收端重建讯号，虽然达到了低位元率的目的，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讯生成模型，来产生高品质的语音，像是DeepMind的WaveNet就是其中一种，目前Google语音通讯软件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，与当今许多串流媒体和通讯平台一样，Lyra也使用波型编解码器，来达到低位元率且高品质的声音，但波型解码器缺点在于，要达到高品质语音，必须要逐一压缩和传送每个讯号样本，这可能需要稍高的位元率，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，该模型以较低的位元率运作，但是在不同频率范围平行生成多个讯号，在之后以特定的采样频率，结合到单一输出讯号中。

这样的设计让Lyra不仅可以在云端服务器中执行，还可以在中阶的手机上即时运作，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讯。

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，在位元率32kbps的情况下，可以提供与原始音讯没有区别的声音品质，但是在带宽受限制、仅能使用6kbps位元率的情况，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相当的位元率运作，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的位元率运作，而且经过测试证实，在该位元率条件下运作，Lyra效能比其他编解码器都还要好，且达到与Opus在8kbps位元率的声音品质，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，以较低的位元率编解码器，提供更好的声音品质，Lyra也可被用在云端环境中，让各种网络和装置的用户，能够顺畅的聊天，搭配最新的影像压缩技术AV1，即便用户使用56kbps调制解调器连上互联网，也可以进行视讯聊天。

Google行动装置语音聊天应用程序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。