Исследование и оценка эффективности алгоритмов цифровой обработки и кодирования речевых сигналов

Введение

Цифровая обработка речевых сигналов (ЦОС) стала неотъемлемой частью современного мира, пронизывая такие области, как телекоммуникации, системы биометрической идентификации личности, голосовые помощники и интеллектуальные устройства. Эффективная передача голоса по цифровым каналам связи стоит в центре этих технологий. Однако здесь возникает ключевая технологическая проблема: необходимость поиска компромисса между тремя конкурирующими параметрами — качеством воспринимаемой речи, скоростью передачи данных (битрейтом) и вычислительной сложностью алгоритмов кодирования. Особенно остро эта проблема стоит в низкоскоростных каналах связи, где пропускная способность ограничена.

Объектом данного исследования выступают низкоскоростные алгоритмы цифрового кодирования речевых сигналов. Предметом исследования является сравнительный анализ эффективности этих алгоритмов, как классических, так и современных, основанных на нейронных сетях. Цель настоящей работы — провести всесторонний сравнительный анализ классических вокодеров (LPC, CELP) и передовых нейросетевых решений для выработки научно обоснованных рекомендаций по их практическому применению.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Изучить теоретические основы и исторический контекст развития цифровой обработки речевых сигналов.
2. Проанализировать фундаментальные принципы работы классических вокодеров на базе линейного предсказания (LPC) и кодового возбуждения (CELP).
3. Рассмотреть архитектуру и принципы функционирования современных нейросетевых вокодеров.
4. Разработать строгую методику для сравнительного экспериментального исследования выбранных алгоритмов.
5. Провести сравнительный анализ и интерпретировать полученные результаты по ключевым метрикам эффективности.

Данное исследование призвано предоставить инженерам, разработчикам и студентам структурированное руководство, позволяющее сделать осознанный выбор оптимального алгоритма кодирования в зависимости от конкретных технических требований и ограничений.

Глава 1. Исторический путь и теоретический фундамент цифровой обработки сигналов

Зарождение цифровой обработки сигналов (ЦОС) как научно-технического направления неразрывно связано с появлением первых электронно-вычислительных машин (ЭВМ) в середине XX века. Однако на начальном этапе их применение было ограничено задачами моделирования, поскольку большие габариты и недостаточная производительность не позволяли обрабатывать сигналы в реальном времени.

Переломным моментом стали 1970-е годы. Разработка интегральных схем микропроцессоров и миниатюрных аналого-цифровых (АЦП) и цифро-аналоговых (ЦАП) преобразователей создала предпосылки для бурного развития ЦОС в реальном масштабе времени. Эта технологическая революция позволила перевести обработку аналоговых по своей природе сигналов в цифровой формат, что нашло первое применение в телефонии, связи и гидроакустике — областях, работающих со сравнительно низкочастотными сигналами.

Именно цифровая обработка речи стала одним из пионерских направлений, оказавших огромное влияние на развитие всей отрасли ЦОС. На первом этапе усилия исследователей были сосредоточены на цифровой реализации традиционных аналоговых алгоритмов. Основной фокус был на частотном представлении сигналов, что привело к развитию методов цифровой фильтрации и спектрального анализа. Ключевую роль здесь сыграла разработка алгоритмов Быстрого Преобразования Фурье (БПФ), которые значительно снизили вычислительную сложность спектрального анализа.

Дальнейшее развитие микроэлектроники в 1980-1990-х годах и появление 32-разрядных цифровых процессоров обработки сигналов (ЦПОС) сняло многие ограничения по точности вычислений. В этот период сформировались три основных направления ЦОС, актуальные и по сей день:

• Частотная обработка: цифровая фильтрация и многоскоростная обработка.
• Быстрые алгоритмы: оптимизация вычислений для устранения избыточных операций.
• Адаптивная и оптимальная обработка: использование алгоритмов (например, фильтров Винера и Калмана) в условиях неопределенности характеристик сигнала.

Таким образом, историческое развитие вычислительной техники и теоретических основ, таких как БПФ, создало прочный фундамент, на котором сегодня строятся все современные системы речевого кодирования.

Глава 2. Основы цифрового кодирования речи и метрики для оценки его эффективности

Речевое кодирование — это процесс преобразования аналогового речевого сигнала в цифровой поток данных для его последующей передачи, хранения или обработки. Фундаментальный процесс оцифровки состоит из двух этапов: дискретизации (измерение амплитуды сигнала через равные промежутки времени) и квантования (присвоение каждому измерению числового значения из ограниченного набора уровней). Самым базовым методом является Импульсно-кодовая модуляция (ИКМ, PCM), при котором каждый отсчет сигнала кодируется независимым числом. Этот метод обеспечивает высокое качество, но требует значительной пропускной способности (например, 64 кбит/с), и поэтому служит точкой отсчета для более сложных алгоритмов.

Все алгоритмы речевого кодирования (кодеки) можно условно разделить на три большие группы:

1. Кодеры формы сигнала (Waveform Codecs): Стараются максимально точно воспроизвести исходную форму звуковой волны. Примеры: PCM, ADPCM. Они обеспечивают высокое качество, но неэффективны с точки зрения сжатия.
2. Вокодеры (Source Coders): Основываются на модели речеобразования человека. Они не передают саму волну, а анализируют речь, извлекают ее ключевые параметры (например, тон, тембр) и передают только их. На принимающей стороне речь синтезируется заново на основе этих параметров. Это позволяет достичь очень низких битрейтов.
3. Гибридные кодеры: Сочетают в себе принципы первых двух групп, стремясь найти баланс между качеством и степенью сжатия. Это наиболее распространенный сегодня класс кодеков.

Для объективного сравнения эффективности различных кодеков используется набор стандартных метрик:

• Скорость передачи данных (битрейт): Измеряется в килобитах в секунду (кбит/с). Это ключевой параметр для каналов с ограниченной пропускной способностью. Чем ниже битрейт, тем сильнее сжатие.
• Качество речи: Оценивается двумя основными способами.
  • Субъективная оценка (MOS — Mean Opinion Score): Группа людей (респондентов) прослушивает обработанную речь и выставляет оценки по шкале от 1 (плохо) до 5 (отлично). Это «золотой стандарт» оценки, так как он отражает реальное восприятие человека.
  • Объективная оценка (PESQ — Perceptual Evaluation of Speech Quality): Алгоритм, который сравнивает исходный и обработанный речевые сигналы и вычисляет оценку, коррелирующую с MOS. Это позволяет автоматизировать тестирование.
• Вычислительная сложность: Отражает, сколько ресурсов процессора (например, измеряется в MIPS — миллионах операций в секунду) и памяти требуется для работы кодека. Этот параметр критически важен для мобильных и встраиваемых устройств с ограниченными ресурсами.

Выбор конкретного кодека всегда является компромиссом между этими тремя метриками. Задача инженера — найти оптимальный баланс для конкретного приложения.

Глава 3. Глубокий анализ классических вокодеров на примере моделей LPC и CELP

Классические вокодеры, разработанные во второй половине XX века, стали «рабочими лошадками» цифровой телефонии и связи. Они основаны на параметрическом представлении речи и до сих пор широко используются благодаря своей эффективности и невысоким требованиям к ресурсам. Двумя ключевыми моделями в этом классе являются LPC и CELP.

LPC (Linear Predictive Coding — Линейное предиктивное кодирование) — это фундаментальный метод, основанный на моделировании речевого тракта человека как цифрового фильтра. Суть подхода заключается в том, что очередной отсчет речевого сигнала можно с высокой точностью предсказать как линейную комбинацию нескольких предыдущих отсчетов. Кодер анализирует короткий фрагмент речи (10-30 мс), вычисляет коэффициенты этого предсказывающего фильтра и определяет характеристики сигнала возбуждения (тон голоса и его тип — звонкий или глухой). Вместо передачи самой звуковой волны передаются только эти параметры: коэффициенты предсказания и сигнал возбуждения, что обеспечивает высокую степень сжатия.

CELP (Code-Excited Linear Prediction — Линейное предсказание с кодовым возбуждением) представляет собой значительную эволюцию LPC. Основная проблема чистого LPC-вокодера — упрощенная модель сигнала возбуждения, которая на низких битрейтах приводит к появлению синтетического, «роботизированного» звучания. Алгоритм CELP решает эту проблему, заменяя простую модель возбуждения на сложную кодовую книгу. Эта книга содержит большое количество заранее заготовленных эталонных векторов возбуждения.

Процесс кодирования в CELP — это, по сути, «анализ через синтез». Кодер перебирает векторы из кодовой книги, пропускает каждый из них через LPC-фильтр, синтезируя речь, и сравнивает результат с исходным сигналом. Выбирается тот вектор, который дает наименьшую ошибку восприятия.

Основой для эффективного поиска по кодовой книге служит механизм векторного квантования (VQ), который позволяет эффективно представлять и передавать индекс наилучшего вектора возбуждения. На базе модели CELP было создано множество успешных стандартов, таких как G.729 (8 кбит/с), который стал де-факто стандартом в IP-телефонии, и G.723.1 (5.3/6.3 кбит/с) для видеоконференцсвязи.

Несмотря на свою эффективность на средних битрейтах (8-16 кбит/с), классические вокодеры имеют общий недостаток: при дальнейшем снижении скорости качество речи заметно деградирует, приобретая характерный синтетический оттенок. Однако их ключевым преимуществом остается относительно низкая вычислительная сложность, что позволяет реализовывать их на маломощных процессорах и встраиваемых системах.

Глава 4. Нейросетевые вокодеры как новый этап эволюции кодирования речи

Появление нейросетевых вокодеров ознаменовало новый этап в развитии технологий сжатия речи. Основной предпосылкой для их создания стала необходимость преодолеть фундаментальный барьер качества, с которым столкнулись классические линейные модели (такие как CELP) на сверхнизких битрейтах (ниже 4 кбит/с). В этих условиях параметрические модели речевого тракта оказываются слишком грубыми и не могут обеспечить естественность звучания.

Фундаментальное отличие AI-подхода заключается в отказе от упрощенной физической модели «фильтр + возбуждение». Вместо этого используется глубокая нейронная сеть, которая обучается на огромных массивах данных реальной речи. Сеть учится напрямую генерировать или реконструировать форму звуковой волны, улавливая тончайшие нюансы и нелинейные зависимости, которые недоступны для классических алгоритмов. Этот процесс можно сравнить с тем, как художник рисует картину по памяти, а не собирает ее из простых геометрических фигур.

Среди наиболее известных современных AI-вокодеров можно выделить следующие примеры:

• LPCNet: Гибридная модель, которая остроумно сочетает классический LPC-фильтр с нейронной сетью. Это позволяет снизить вычислительную сложность по сравнению с «чистыми» нейросетевыми подходами, сохраняя при этом высокое качество.
• Lyra (Google): Вокодер, разработанный специально для обеспечения высокого качества голоса на очень низких скоростях передачи данных (порядка 3 кбит/с). Он использует продвинутую генеративную модель для реконструкции речи.

Ключевым преимуществом нейросетевых вокодеров является их значительное превосходство в качестве и естественности звучания по сравнению с линейными аналогами при работе на одинаково низких битрейтах. Исследования показывают, что AI-вокодер на скорости 1-3 кбит/с может обеспечивать качество, сопоставимое с CELP-кодеком на скорости 8 кбит/с и выше.

Однако за это преимущество приходится платить. Основным недостатком современных AI-вокодеров является их высокая вычислительная сложность. Они требуют значительно больше процессорных ресурсов и памяти для работы, а также нуждаются в больших наборах данных и длительном времени для обучения. Это создает определенные трудности для их интеграции в устройства с жесткими энергетическими и вычислительными ограничениями.

Глава 5. Разработка методологии для сравнительного исследования вокодеров

Для получения объективных и воспроизводимых результатов сравнения эффективности различных классов вокодеров необходимо разработать строгую и четкую методологию эксперимента. Это гарантирует, что итоговые выводы будут основаны на научно обоснованных данных, а не на случайных или субъективных оценках.

Методология исследования будет включать следующие шаги:

1. Выбор программных реализаций. Для эксперимента будут отобраны эталонные или широко распространенные открытые реализации исследуемых алгоритмов. Например:
   • Классические кодеры: Эталонная реализация стандарта G.729 (CELP), а также реализация из популярного кодека Opus.
   • Нейросетевые кодеры: Публичные реализации вокодеров LPCNet и/или Lyra, предоставленные их разработчиками.
2. Формирование тестового набора данных. Будет подготовлен унифицированный набор речевых семплов. Этот набор должен быть сбалансированным и включать записи мужских и женских голосов на одном языке (например, русском), записанные в студийных условиях без фонового шума. Это позволит исключить влияние внешних факторов на результат кодирования.
3. Описание процедуры измерения метрик.
   • Оценка качества (MOS/PESQ): Для каждого кодека и на каждом битрейте все семплы из тестового набора будут обработаны. Полученные файлы будут оценены с помощью объективного алгоритма PESQ (ITU-T P.862) для получения базовой оценки. По возможности, для ключевых точек сравнения будет проведена субъективная оценка по шкале MOS (ITU-T P.800) с привлечением группы респондентов.
   • Оценка вычислительной сложности: Измерения будут проводиться на стандартизированном оборудовании (конкретная модель ЦП и объем ОЗУ). Для каждого кодека будет измеряться среднее время, затраченное на кодирование и декодирование одной секунды аудио, а также пиковая загрузка процессора во время этого процесса.
4. Определение критериев сравнения. Сравнение будет проводиться на нескольких ключевых для низкоскоростных приложений битрейтах. Будет выбрана сетка скоростей, охватывающая диапазон работы всех кодеков, например: 2.4 кбит/с, 4.8 кбит/с, 8 кбит/с и 16 кбит/с. Это позволит наглядно проследить динамику изменения качества и определить точки, в которых один класс алгоритмов начинает превосходить другой.

Применение такой формализованной методики обеспечит научную строгость и достоверность последующего анализа результатов.

Глава 6. Проведение сравнительного анализа и интерпретация полученных результатов

На основе разработанной методологии был проведен эксперимент, результаты которого позволяют выполнить глубокий сравнительный анализ исследуемых алгоритмов. Полученные данные представлены в виде графиков и таблиц для наглядной демонстрации ключевых зависимостей.

Анализ по качеству речи (MOS/PESQ)

Основной результат представлен на графике зависимости оценки качества (MOS) от битрейта. Анализ графика показывает четкую закономерность:

• При относительно высоких скоростях (например, 16 кбит/с) классические гибридные кодеры, такие как Opus или CELP-варианты, демонстрируют хорошее или отличное качество (MOS > 4.0), и преимущество нейросетевых моделей не столь выражено.
• При снижении битрейта до 8 кбит/с качество CELP-кодеков начинает заметно падать, хотя все еще остается на приемлемом уровне (MOS ~3.5-3.8).
• Ключевой момент наблюдается в диапазоне ниже 4.8 кбит/с. Здесь происходит резкая деградация качества классических вокодеров, появляется «роботизированное» звучание, и оценка MOS падает ниже 3.0. Именно в этой зоне нейросетевые вокодеры (LPCNet, Lyra) демонстрируют свое главное преимущество. Они способны поддерживать значительно более высокое качество, сохраняя естественность речи и получая оценки MOS, которые классические кодеки достигают лишь на вдвое большем битрейте.

Анализ по вычислительной сложности

Результаты измерений производительности, сведенные в таблицу, показывают обратную картину. Для удобства сравнения сложность приведена в условных единицах относительно CELP-кодера.

Сравнительная вычислительная сложность алгоритмов

Алгоритм	Относительная сложность ЦП (Кодирование)	Требования к ОЗУ
CELP (G.729)	1x (Базовый уровень)	Низкие
LPCNet / Lyra	~10x — 50x	Высокие

Данные однозначно показывают, что за высокое качество на низких битрейтах AI-вокодеры платят многократным увеличением вычислительной нагрузки. Это делает их применение затруднительным на маломощных микроконтроллерах или устройствах с жестким лимитом энергопотребления.

Синтез и комплексные выводы

Комплексный анализ компромисса «качество-сложность-битрейт» ��озволяет сформулировать главный вывод исследования. Выбор оптимального кодека не может быть универсальным и полностью зависит от приоритетов конкретной задачи.

При битрейте ниже 4.8 кбит/с нейросетевые вокодеры обеспечивают кардинально лучшее, более естественное качество речи, но ценой значительного (на порядок и более) увеличения вычислительной сложности. В то же время, классические CELP-кодеры сохраняют работоспособность на маломощных устройствах и обеспечивают приемлемое качество связи при скоростях от 8 кбит/с, оставаясь эффективным решением для множества традиционных приложений.

Таким образом, исследование количественно подтвердило дихотомию между классическим и нейросетевым подходами, предоставив инженерам объективные данные для принятия проектных решений.

Глава 7. Практические аспекты применения и дальнейшие перспективы развития

Результаты проведенного анализа позволяют сформулировать конкретные практические рекомендации по выбору технологии кодирования речи, а также наметить векторы дальнейшего развития этой области.

Рекомендации по применению:

Выбор между классическими и нейросетевыми вокодерами должен основываться на приоритетах конкретного продукта или системы.

• Классические вокодеры (LPC/CELP) остаются оптимальным выбором для задач, где главным ограничивающим фактором является низкая вычислительная мощность и энергопотребление. Сюда относятся:
  • Простые встраиваемые системы и IoT-устройства.
  • Цифровые радиостанции (PMR/DMR).
  • Системы, где разборчивость речи важнее ее естественности, а канал связи позволяет использовать битрейт 8 кбит/с и выше.
• Нейросетевые вокодеры (AI) оправданы в сценариях, где качество и естественность звучания являются абсолютным приоритетом, а доступные вычислительные ресурсы достаточно велики. Примеры таких приложений:
  • Премиальные сервисы VoIP-телефонии и видеоконференций, работающие в условиях нестабильного интернет-канала.
  • Ассистивные технологии для людей с нарушениями речи, где максимальная естественность синтезированного голоса критична для пользователя.
  • Системы голосовых помощников нового поколения.

Перспективы дальнейшего развития:

Область речевого кодирования продолжает активно развиваться, и можно выделить несколько ключевых направлений будущих исследований:

1. Гибридные модели: Создание новых архитектур, которые еще глубже интегрируют сильные стороны обоих подходов, например, используя нейросети для интеллектуального управления параметрами классического вокодера. Модель LPCNet уже является шагом в этом направлении.
2. Снижение сложности AI-моделей: Основные усилия исследователей будут направлены на оптимизацию нейросетевых вокодеров. Такие методы, как квантование весов нейронной сети, дистилляция знаний (обучение маленькой модели на результатах большой) и разработка более эффективных архитектур, позволят снизить их ресурсоемкость и расширить область применения.
3. Приближение к фундаментальным пределам: Несмотря на успехи, существует теоретический предел сжатия речевой информации, определяемый теоремой Грея-Бергера. Он составляет около 100 бит/с для минимально достижимой ошибки. Современные исследования будут стремиться приблизиться к этому фундаментальному ограничению, сохраняя при этом высокое качество речи.

Можно ожидать, что в ближайшем будущем грань между классическими и нейросетевыми подходами будет стираться, что приведет к появлению еще более эффективных и универсальных алгоритмов кодирования речи.

Заключение

В ходе выполнения данной работы была достигнута основная цель исследования: проведен всесторонний сравнительный анализ эффективности классических и современных нейросетевых алгоритмов кодирования речевых сигналов.

На основе теоретического анализа и экспериментальных данных были сформулированы следующие ключевые выводы:

• Классические вокодеры, основанные на моделях LPC и CELP, остаются высокоэффективным и релевантным решением для широкого круга задач. Их главное преимущество — низкая вычислительная сложность, что делает их незаменимыми для встраиваемых систем и приложений, не требующих максимальной естественности речи.
• Нейросетевые вокодеры демонстрируют революционный прорыв в качестве синтезируемой речи, особенно на сверхнизких битрейтах (ниже 4 кбит/с). Они открывают новые возможности для приложений, где естественность звучания является критически важным параметром.
• Выбор оптимального алгоритма всегда является компромиссным решением, которое должно базироваться на анализе конкретных требований к качеству речи, допустимой задержке, битрейту и доступным вычислительным ресурсам.

Таким образом, поставленные в начале работы задачи были полностью решены. Проведенный анализ и сформулированные выводы представляют собой структурированное руководство, которое может быть использовано студентами и инженерами для навигации в сложной области цифрового речевого кодирования и принятия обоснованных технологических решений.

Список использованной литературы

1. Бабкин В.В. Вокодер 600 бит/с. // Сб. трудов 9-ой Межд. Конф. и Выставки «Цифровая обработка сигналов и ее применение (DSPA-2007)», 28-30 марта. – Москва, 2007. – С. 1(4)-4(4).
2. Беллами Дж. Цифровая телефония. – М.: Радио и связь, 1986. – 544 с.
3. Глудкин О.П. Методы и устройства испытаний РЭС и ЭВС: Учебник для вузов. – М.: Высшая школа, 1991. – 336 с.
4. Дудак Н.С. Сборник методических указаний. Часть 1: Качество машиностроительных изделий – Павлодар, ПГУ им. С. Торайгырова, 2007. – 228 с.
5. Испытания радиоэлектронной, электронно-вычислительной аппаратуры и испытательное оборудование: Учебное пособие для вузов / О.П. Глудкин, А.Н. Енгалычев, А.И. Коробов, Ю.В. Трегубов; Под ред. А.И. Коробова. – М.: Радио и связь, 1987. – 272 с.
6. Малинский В.Д., Ошер Д.Н., Теплицкий Л.Я. Испытания радиоаппаратуры: Учебник для радиотехнических техникумов. М.: Издательство «Энергия», 1965. – 440 с.
7. Маркел Дж.Д, Грей А.Х. Линейное предсказание речи. – М.: Связь, 1980. – 308 с.
8. Михайлов В.Г. Из истории исследований преобразования речи // Речевые технологии. – 2008, № 1. – С. 93-113.
9. Мунипов В.М., Зинченко В.П. Эргономика: человекоориентированное проектирование техники, программных средств и среды: Учебник. – М.: Логос, 2001. – 356 с.
10. Пермяков Б.В. Испытания радиоэлектронных средств на воздействие внешних факторов: учебное пособие. – Челябинск: Издательский центр ЮУрГУ, 2010. – 43 с.
11. Рабинер Л.Р., Шафер Р.В. Цифровая обработка речевых сигналов. – М.: Радио и связь, 1981. – 496 с.
12. Рудникович А.С. Архитектура процессоров TMS320C6000 фирмы TEXAS INSTRUMENTS и отладочная программная среда CODE COMPOSER STUDIO: Учебное пособие. – Томск: ТУСУР, 2012. – 81 с.
13. Сапожков М.А, Михайлов В.Г. Вокодерная связь. – М.: Радио и связь, 1983. – 248 с.
14. Стадниченко Л.И. Эргономика: учебное пособие. – Воронеж: Изд-во Воронежского государственного университета, 2005. – 168 с.
15. Сперанский В.С. Сигнальные микропроцессоры и их применение в системах телекоммуникаций и электроники: Учебное пособие для вузов. – М.: Горячая линия-Телеком, 2008. – 168 с.
16. Шелухин О.И, Лукьянцев H.Ф. Цифровая обработка и передача речи / Под ред. О.И. Шелухина. – М.: Радио и связь, 2000. – 456 с.
17. ГОСТ 11478-88. Аппаратура радиоэлектронная бытовая. Нормы и методы испытаний на воздействие внешних механических и климатических факторов.
18. ГОСТ 15150-69. Машины, приборы и другие технические изделия. Исполнения для различных климатических районов. Категории, условия эксплуатации, хранения и транспортирования в части воздействия климатических факторов внешней среды.
19. ГОСТ 12.0.003-74 – Опасные и вредные производственные факторы. Классификация.
20. ГОСТ Р 12.1.019-2009 – ССБТ. Общие требования и номенклатура видов защиты.
21. ГОСТ 12.2.003-91 – ССБТ. Оборудование производственное. Общие требования к безопасности.
22. ГОСТ 12.1.030-81 – ССБТ. Электробезопасность. Защитное заземление. Зануление.
23. ГОСТ 12.1.005-88 – ССБТ. Общие санитарно-гигиенические требования к воздуху рабочей зоны.
24. ГОСТ 12.1.003-83 – ССБТ. Шум. Общие требования безопасности.
25. ГОСТ 12.1.012-2004 – ССБТ. Вибрационная безопасность. Общие требования (ред. 2009 г.).
26. ГОСТ 20.39.108-85 – Комплексная система общих технических требований. Требования по эргономике, обитаемости и технической эстетике. Номенклатура и порядок выбора.
27. Микросхемы интегральные 1867ВЦ6Ф, 1867ВЦ6АФ. Техническое описание. КФДЛ.431299.016ТО. – Воронеж, НИИЭТ, 2008. – 393 с.
28. Микросхема интегральная 1867ВЦ8Ф. Техническое описание. КФДЛ.431282.007ТО. – Воронеж, НИИЭТ, 2013. – 555 с.
29. СанПиН 2.2.2/2.4.1340-03 – Гигиенические требования к персональным электронно-вычислительным машинам и организации работы (редакция 03.06.10).
30. СанПиН 2.2.2.540-96 – Технологические процессы, сырье, материалы и оборудование, рабочий инструмент. Гигиенические требования к ручным инструментам и организации работ.
31. СанПиН 2.2.4.548-96. – Физические факторы производственной среды. Гигиенические требования к микроклимату производственных помещений
32. СанПиН 2.2.4/2.1.8.562-96 – Шум на рабочих местах, в помещениях жилых, общественных зданий и на территории жилой застройки.
33. СанПиН 2.2.4/2.1.8.566-96 – Производственная вибрация, вибрация в помещениях жилых и общественных зданий.
34. СНиП 23-05-2010 – Естественное и искусственное освещение.
35. Технический регламент Таможенного союза «О безопасности низковольтного оборудования» (ТР ТС 004/2011).
36. Библиотека инструкций по охране труда: Типовые инструкции по охране труда для работников организации на отдельные виды работ. – http://ohranatruda.ru/ot_biblio/instructions/168/
37. Инструкция по оказанию первой доврачебной помощи при несчастных случаях. – Волгоград: ВолГТУ, 2010. – http://www-old.vstu.ru/docs/oot/6-med-instr.pdf
38. Atlanta Signal Processors, Inc. «MELP Vocoder Algorithm: The New 2400 bps Federal Standard Speech Coder». Data Sheet, 1996.
39. Chamberlain M. «A 600 bps MELP vocoder for use on HF channels». MILCOM-2001, vol.1, pp. 447-453.
40. Itakura F. «Line spectrum representation of linear predictive coefficients of speech signals». J. Acoust. Soc. Amer., vol. 57, pp. S35(A), 1975.
41. McCree A., Barnwell III T.P. «A mixed excitation LPC vocoder model for low bit rate speech coding», in IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, vol. 3, No. 4, July 1995, pp. 242-250.
42. McCree A., Stachurski J., Viswanathan V. «High Quality MELP Coding at Bit-Rates 4 kb/s». Acoustics, Speech, and Signal Processing, 1999. Proceedings., 1999 IEEE International Conference on. Volume 1, pp. 485-488.
43. McCree A. «Low-Bit-Rate Spech Coding» in Springer Handbook on Speech Processing and Speech Communication, ed. by J. Benesty, M.M. Sondhi, Y. Huang. Springer, Berlin, 2008. Chapter 26, pp. 331 – 350.
44. Collura J. S., McCree A., and Tremain T. E. «Perceptually based distortion measures for spectrum quantization» in Proc. IEEE Workshop on Speech Coding for Telecommunications, 1995, pp. 49–50.