音声符号化技術の標準化動向

３．１　音声の圧縮符号化技術

音声信号の圧縮符号化に用いる主要な符号化技術は，次の２通りに分類できる。

1. 聴覚の特性を考慮して符号化する方法。この方法は，圧縮しても符号化により発生する劣化が聴感上，全く分からないか，ほとんど分からなくすることができる。
2. 波形の予測や統計的な手法を使って音声データに含まれる冗長性を除去する方法。受信データから原信号を完全に再生できる場合には，ロスレス符号化と呼ぶ。

AACは(a)の方法，ALSは(b)の方法に分類される。

３．２　MPEG-4 AACの概要

MPEG-4 AAC は，ISO/IEC（International Organization for Standardization / International Electrotechnical Commission：国際標準化機構/国際電気標準会議）14496-3 Subpart 4内で規格化された。MPEG-4 AACはMPEG-2 AAC（ISO/IEC13818-7)⁷⁾ をベースに拡張した規格であり，音楽などのオーディオ信号を効率よく符号化できるとともに，モノラルや2chステレオに加えて，22.2ch音響を含むマルチチャンネルの信号を扱うことができる。

MPEG-4 AACは，音声信号を周波数成分に分解して符号化する「周波数領域の圧縮符号化」の一種であり，マスキング^*1 などの人の聴覚の性質を効果的に用いることにより，高能率な圧縮を行う技術である。聴覚の性質を用いた音声符号化のブロック図を2図に示す。音を周波数成分に分解する方法として，MPEG-4 AACではDCT（Discrete Cosine Transform）を用いて直接周波数領域の信号に変換して符号化する「変換符号化」法を採用している。変換符号化を行う際には，時間領域の信号を周波数領域の信号に変換する窓（ブロック）の長さは2,048サンプルを基本とし，細かな時間解像度が必要な場合は256サンプルのブロックに適応的に切り替えを行う。

MPEG-4 AACは複数のオーディオオブジェクトタイプ^*2 を持つが，現在放送サービスに使用されているのは，デコーダーの回路規模と音質とのバランスがとれたLC（Low Complexity）のみである。

MPEG-4 AACを用いると，ステレオ信号を約1/12の128～144kbpsに圧縮しても，符号化により発生する劣化を聴感上ほとんど分からなくすることができる。

３．３　MPEG-2 AACとMPEG-4 AACの相違点

MPEG-2 AAC（ISO/IEC 13818-7）とMPEG-4 AAC（ISO/IEC 14496-3 Subpart 4）は，音声信号を高能率に圧縮するツールとしてはほぼ同じものを使用しているが，MPEG-4 AACでは，PNS（Perceptual Noise Substitution)^*3 と呼ばれる符号化ツールが追加されている。音声符号化の際に，音声信号を周波数領域の信号に変換したDCT係数を伝送するためには多くのビットレートを必要とするが，PNSはスケールファクターバンド^*4 内の信号をバンド全体に対するノイズとして扱い，そのパワー情報などを送る。復号側では，この情報を用いて適正なレベルのノイズを挿入し，音声信号を再構成することによりビットレートを削減できる。

３．４　MPEG-4 ALSの概要

MPEG-4 ALSは，ISO/IEC 14496-3：2007 Amd.2 MPEG-4 Audio Lossless Codingとして2006年３月に規格化された。

MPEG-4 ALSは，前述のロスレス符号化と呼ばれる方式の一種であり，線形予測技術を用いて過去の複数のサンプル値から予測分析を行うことにより，多チャンネル信号や高サンプリングレートの信号に対しても，原信号の波形データを完全に再現することのできる方式である。音声入力信号を分析して線形予測パラメーターと予測残差を算出し，それぞれの信号を可変長符号化することにより，符号化ビットストリームを生成する（3図）。原信号と比較すると予測残差の振幅は一般に小さくなるという特性を利用することで，圧縮前の15～70%程度のデータ量に圧縮することができる。

４．１　AACのダウンミックス係数の伝送に関わる改訂

5.1chを超えるマルチチャンネルステレオ（チャンネル設定の個別番号＝7，11，12，13，14 の各音声モード）からダウンミックスによって２chステレオを得る場合は，一旦5.1chにダウンミックスしてから，２chステレオへダウンミックスする。5.1chから２chステレオへのダウンミックス係数^*8 を伝送する場合，ISO/IEC 14496-3:2009/AMD4に記載されたDSE（Data Stream Element)^*9 を用いる。

なお，ダウンミックスに関する規格化に際し，NHKでは22.2chから5.1chへのダウンミックスを適正に行うために多数の番組素材を使用した実験⁸⁾ を行い，推奨されるダウンミックス式とダウンミックス係数のデフォルト値を導出することで，ARIB STD-B32の改定に貢献した。

４．２　AACのダイアログ制御機能に関わる改訂

４．３　ALSのパラメーター

MPEG-4 ALS規格は最大65,536チャンネルに対応し，線形予測の次数も1,023次まで対応しているが，デジタル放送におけるMPEG-4 ALSの規格においては，最大チャンネル数は22.2ch，最大予測次数は15次などの制約条件を設けている。

５．１　MPEG Audio規格の最新動向：MPEG-H 3D Audio

MPEGにおいては，ハイビジョン映像を超える4Kや8KのUHD（Ultra High Definition）映像に対応する次世代の音声符号化方式として，MPEG-H 3D Audio¹⁰⁾ の規格化が進められている。

MPEG-H 3D Audioは，22.2ch音響のようなマルチチャンネルオーディオをより高能率に符号化し，小空間での現実的な数のスピーカー数（例えば10.1や8.1チャンネル）にレンダリング（各チャンネルのスピーカーに信号を再配分）して再生する技術である。

この規格の主なターゲットとしては，上方に配置されたスピーカーを使用するようなホームシアターをはじめ，パーソナルテレビやスマートホン，タブレット＋ヘッドホンなどの視聴形態が含まれる。

MPEG-H 3D Audioの特徴は，MPEG USAC（Unified Speech and Audio Coding)^11)*10 およびMPEG SAOC（Spatial Audio Object Coding)^12)*11 をベースにした高能率な符号化技術と，複数のレンダリング技術を採用していることである。レンダリングの方法としては，VBAP（Vector Base Amplitude Panning)^13)*12 と呼ばれる方法を基本として，レンダリング済みの信号をヘッドホンや異なる配置のスピーカーチャンネルで再生するための技術を組み合わせている。

また，高次アンビソニックスHOA（Higher Order Ambisonics)¹⁴⁾ と呼ばれる，音場を球面調和関数^*13 の和として展開し，記録・再生する方式も採用されている。

５．２　MPEG-H 3D Audioの音声符号化技術

4図にMPEG-H 3D Audio音声符号化のブロック図を示す。チャンネルベース^*14 の信号として扱えるオブジェクトは，プリレンダラーにより，あらかじめレンダリングしてから符号化することで符号化効率を改善する。一方，受信機側で再生位置などを変える可能性のあるオブジェクトは，モノラル信号のまま符号化器に供給され，受信機側でレンダリングとミキシングが行われる。また，MPEG SAOC等の技術を利用して，複数のオブジェクトをまとめて扱い，伝送するチャンネル数を少数化して，データ数を減らすことにより，符号化効率を改善している。コア符号化のブロックでは，AACで採用されているSCE（Single Channel Element)^*15，CPE（Coupling Channel Element)^*16 に加えて，QCE（Quad Channel Element)^*17 を採用することで効率化を図っている。さらに，OAM（オブジェクトメタデータ）情報^*18 も効率良く符号化することのできる方式となっている。