平均 AR 系数是一项有风险的业务——这可能会导致相应多项式的零点位置发生剧烈变化，从而导致不稳定！

如果我要解决这个问题，我会尝试的第一件事是：

• 计算频谱图（短期傅里叶变换）
• 使用对数上的欧几里得距离在码本大小为 16 的光谱切片上运行 VQ
• 一旦你有 16 个光谱模板，将它们转换回自相关函数，为 16 个模板求解 yule-walker，你就得到了 16 个模型。

或者另一种“安全”的方式：

• 对于每一帧，提取 AR 系数。
• 将它们转换为反射系数或任何其他替代表示，例如可以安全插值的线谱对。
• 使用 16 码本大小在这些上运行 VQ 以获得 16 个模型。
• 转换回 AR 系数。

但我真的怀疑这是一条值得探索的道路。我的两个直觉是：

• 如果一个音频文件足够长且足够多样化，那么您从中获得的 16 个专用模型与您在大量音频集合上一劳永逸地运行该程序而获得的 16 个“通用”模型并没有太大的不同文件。
• 从大量音频文件中学习 16 个模型可能会为您提供 FLAC（多项式插值器）中使用的那种幼稚的“固定预测器”。

一个相关的结果是，在足够长的音频剪辑上对 mel 频谱运行 KLT 将产生与 DCT 基础非常相似的东西——这就是为什么像 mp3 或 AAC 这样的音频编解码器不使用按文件优化的转换——DCT是一个很好的通用转换，使用通用转换的优点是它们甚至不需要任何辅助信息。这就是激发我直觉的原因 - 您正在查看一个大型数据集（整个音频文件），16 很小。您宁愿考虑 16 个良好的通用预测器并使用它们，而不是尝试优化每个文件的 16 个预测器。

好的，我终于开始编写代码并对其进行测试。结果？太棒了=D

我按照 pichenettes 的原始建议将系数存储为 RFC 而不是 LPC，然后执行矢量量化（我尝试了使用 15 个“全局”预测器和 1 个块预测器的想法。结果没有我想象的那么好，即使有许多不同的预测变量和精度 =/)。

就个人而言，我认为最困难的部分是试图弄清楚如何安全地插入数据，而我对 DSP 的影响缺乏深入的了解。但是，在被指出正确的方向之后，我很高兴地说，结果正是我在将近一年前开始时所希望的（是的，我一直在尝试这样做很长时间 =P） .

稍微棘手的另一部分是编写具有可接受结果的快速矢量量化。虽然我可能可以用质心等正确的方式完成它。但我的做法略有不同（我不确定如何显示/隐藏预先格式化的文本块，所以如果你不想看，只需阅读粗体线我写的 C++ 代码来解释）：

1）生成第一个系数集作为所有未处理系数的平均值（一种量化训练）

// Quantized coefficient sets
double VQCoef[CodebookSize][Order];

// For all original coefficients...
for(int i=0; i < NumberOfCoef; i++) {
  // For each coefficient in the set...
  for(int j=0; j < Order; j++) {
    // Accumulate
    VQCoef[0][j] += Coef[i][j];
  }
}

// Average out coefficients
// For each coefficient in the set...
for(int i=0; i < Order; i++) {
  // Normalize [clamped to (-1.0,+1.0) but omitted for brevity]
  VQCoef[0][i] /= (double)NumberOfCoef;
}

2) 根据最后一个稍微偏移的系数集计算下一个 2^n 系数集

// For each final coefficient set...
for(int i=0; i < CodebookSize;) {
  // Quantization buffer. Counter and accumulator.
  int    VQCnt[CodebookSize];        memset(VQCnt, 0, sizeof(VQCnt));
  double VQAcc[CodebookSize][Order]; memset(VQAcc, 0, sizeof(VQAcc));

  // Estimate the next set by slightly offsetting the original data
  for(int j=0; j < i; j++) for(int k=0; k < Order; k++) VQCoef[i+j][k] = VQCoef[j][k] + 0.01;
}

// Now we have double the amount of coefficients, so adjust 'i' accordingly
i *= 2;

3）遍历未处理的系数列表并找到具有最接近相关性（点积）的目标系数。找到后，将数据累积到临时缓冲区中

// For each original coefficient...
for(int i=0; i < NumCoef; i++) {
  // Find target coefficient set with best correlation
  int    BestPos = 0;       // Best target [reset when code runs]
  double BestDst = -1.0e99; // Best distance [just a really large negative value]
  for(int j=0; j < CodebookSize; j++) {
    // Get correlation between the original coefficient set and the tested target
    double Dist = NormalizedDotProduct(Coef[i], VQCoef[j], Order);

    // If the correlation was better, save this as the target
    if(Dist > BestDst) {
      BestPos = j;
      BestDst = Dist;
    }
  }

  // Now that we know the target, save it to the accumulation buffer
  VQCnt[BestPos]++;
  for(int j=0; j < Order; j++) VQAcc[BestPos][j] += Coef[i][j];
}

4）当这批系数集完成后，将其平均以找到新的集

// For all sets done up to now...
for(int i=0; i < CoefSetsDone; i++) {
  // Fetch count/normalization coefficient. If zero sets, don't bother doing this set
  double Cnt = VQCnt[i];
  if(Cnt != 0.0) {
    // We have sets, so average the coefficients out
    for(int j=0; j < Order; j++) {
      VQCoef[i][j] /= Cnt; // [again, this is clamped to (-1.0,+1.0)]
    }
  }
}

重复步骤 2-4，直到我得到我想要的 2^n 组，此时我只需将反射系数转换为 LP 系数就完成了。=)

虽然我打算使用它的项目是非常长期的（想想十多年），你能同意我把声音设计的关键部分归功于你吗？