一、語音可壓縮編碼的原因

語音信號可以進行壓縮編碼的基本依據包括兩個方面的原因：一方面是語音信號本身存在很大的冗余度，這是語音可壓縮編碼的外因；另一方面是由于人耳的聽覺感知機理，這是語音可壓縮編碼的內因。

1、外因：語音信號本身存在很大的冗余度

根據統計分析，語音信號中存在著多種冗余度，可以分別從時域和頻域來進行描述。

1）語音信號存在時域冗余度

語音信號時域冗余度主要表現在：幅度非均勻分布、語音信號樣本間的相關性很強、濁音語音段具有準周期性和存在靜止系數（語音間隙）等5個方面。這5個方面的具體釋義匯總于下表1-1中。

表1-1：語音信號時域冗余度表現的5個方面

2）語音信號存在頻域冗余度

（1）非均勻的長時功率譜密度。在相當長的時間段內進行統計平均，可得到長時功率譜密度，它呈現出強烈的非平坦性。這種非平坦性表現為功率譜的低頻能量較高、高頻能量較低，這恰好對應于時域上相鄰樣本間的相關性。這就意味著沒有充分利用給定的語音頻段，或者說存在著固定的冗余度。

（2）語音特有的短時功率譜密度。語音信號的短時功率譜在某些頻率上出現峰值，在另一些頻率上出現谷值。而這些峰值頻率，也就是能量較大的頻率，通常稱為共振峰(Formant)頻率。此頻率不止一個，最主要的是前3個，由它們決定了不同的語音特征。另外，整個短時譜也是隨著頻率增加而遞減。更重要的是，整個功率譜的細節以基音頻率為基礎，形成了高次諧波結構。

2、內因：人耳的聽覺感知機理

語音信號可以進行壓縮編碼的第二個依據是利用人類聽覺的某些特點，即人耳的聽覺感知機理。人的聽覺生理和心理特性對于語音感知的影響主要表現在以下3個方面。

1）人類聽覺系統(HAS)具有掩蔽效應(ME)。HAS特性曲線隨不同聲音壓、不同頻率聲音的影響而變化形成了所謂的掩蔽曲線（掩蔽閾），它大致表現為聲級越高的一個單音對其周圍頻率聲音的掩蔽作用越強。通俗地講，掩蔽曲線反映了人耳的掩蔽效應，即一個強音能抑制一個同時存在的弱音而導致人耳聽不到或不敏感這個弱音。對人耳聽不到或極不敏感的聲音分量可以看做是冗余。語音壓縮編碼本質上就是設法去掉這些冗余度，從而達到壓縮比特率的目的。

2）人耳對不同頻段聲音的敏感程度不同。由于濁音的周期和共振峰主要集中在低頻段，因此人耳對低頻端比較敏感，而對高頻端不太敏感，即較強的低頻音能妨礙同時存在的高頻音。

3）人耳對語音信號的相位變化不敏感。人耳能做短時的頻率分析，對語音信號的周期性很敏感，但對語音信號的相位感知卻很遲鈍。因此人耳聽不到或感知很不靈敏的聲音相位分量可以被當作冗余信號。

二、語音編碼的極限速率

由于語音信號本身存在很大的冗余度和人耳的聽覺感知機理，全語音進行壓縮編碼成為了可能，即只對語音信號主觀上非常重要的屬性進行編碼，并把它們進行存儲或者進行傳輸。這樣，即使在低比特率的情況下也能保持合成語音的高質量。

那么，究竟把比特率降低到何種地步而又不會使合成語音發生明顯的失真（不自然）呢？也就是說，語音信號壓縮編碼的潛力究竟有多大，其極限速率為多少？

在回答這個問題之前，首先來簡單了解一下音素的概念。音素是人類發音的最基本單位，它跟聲音的聯系最直接，屬于聽覺符號。比如說，英語f、1、m、n和s這5個字母都含有一個共同的音素[e]。又比如說，漢語‘爸’、‘媽’和‘他’這3個漢字都含有一個共同的音素[a]。

下面我們就分別從語音和語言的角度來分析語音編碼的極限速率。

從語音的角度來看，語音中最基本的單位是音素，世界上語音的音素一般約為128~256個，如果按通常的說話速度，每秒平均發出10個音素。則根據信息論的觀點，此時的信息率為

V = log₂（256）¹⁰ = 80 (b/s)

從語言的角度來看，把發音看成是以語音的速率來發報文。對英語來講，每一個字母用7b編碼，每分鐘發125個英語單字可以認為達到了通信語音速率。如果每個單字平均由7個字母組成，則此時的信息率為

V = 7×7×（125/60）≈100 (b/s)

因此，一般可以認為語音編碼的極限速率為80b/s~100b/s。當然，這時只能傳送句子的內容，至于講話者的音質、音調等重要信息已全部丟失。但是，從標準的語音編碼速率(64Kb/s)到語音編碼的極限速率(80b/s~100b/s)之間存在著很大的跨距（約640倍），這對于理論研究和實踐制作有著很大的吸引力。

欲進一步了解語音編碼知識的請進入：語音編碼分類；ITU-T語音編碼標準介紹；語音信號的特征