编码过程是首先选速率为64 kbit/s的PCM语音信号转化成均匀量化的PCM信号，然后把输入语音信号的每240个样点组成一个帧，也就是30 ms的帧长。每个帧通过高通滤波器后再分为4个子帧。对于每个子帧，计算出10阶线性预测滤波器的系数。为了适于矢量量化，把预测系数转化为线性频谱对（LSP：line spectrum pair）。量化前的系数构成短时感觉加权滤波器，原始语音信号经过该滤波器得到感觉加权语音信号。对于每两个子帧，编码器用感觉加权语音信号求得开环基音周期，基音周期范围从18个样点到142个样点。此后编码器所进行的操作都是基于60个样点进行的。最后，激励信号被量化，然后把这些参数和激励信号量化结果传送到解码器。由于帧长为30 ms，并存在另外的7.5 ms的前向延迟，导致37.5 ms总的编码延迟。

　　G.723.1协议是为了低速可视会议业务而设计的。由于可视会议业务每秒钟只传输很少数量的帧，而且又有比较大的时延，这就是G.723.1 允许有30 ms帧长的原因。这个帧长比较大，却正好适合可视会议这种情况。而且它的速度比较低，可以把尽可能多的比特用在图像传输上。

　　2.1.2　G.729协议

　　G.729协议是一个能在8 kbit/s速率上实现高质量语音编码的建议，也是H.323协议中有关音频编码的标准[2]。在IP电话网关中，G.729协议被用来实现实时语音编码处理。G.729协议采用的是CS-ACELP即共轭结构算术码激励线性预测的算法。CS- ACELP以CELP编码模型为基础，它把语音分成帧，每帧10 ms，也就是80个采样点。对于每一帧语音，编码器从中分析出CELP模型参数，其中包括线性预测系数，自适应码本和随机码本的索引值和增益。然后把这些参数传送到解码端，解码器利用这些参数构成激励源和合成滤波器，从而重现原始语音。

　　编码过程是首先将速率为64 kbit/s的PCM语音信号转化成均匀量化的PCM信号，通过高通滤波器后，把输入语 音信号的每80个样点组成一个帧，也就是10 ms的帧长。对于每个帧用线性预测法求得LP滤波器系数，为了适于矢量量化，把预测系数转化为LSP。利用合成-分析方法，使原始语音和合成语音之间的误差最小，来获得最佳激励信号。激励信号的量化是通过两个码本来实现的，即自适应码本和随机码本。自适应码本反映的是长时预测结果，也就是基音预测结果。随机码本反映的是经过长时预测和短时预测后的残留信号。

　　2.2　性能分析与比较

　　语音编码的主要问题是怎样在编码质量、编码速率、算法复杂度以及抗误码性能、编解码时延等方面求得最佳。这几个因素相互联系，密切相关。下面就这些方面对G.729与G.723.1系统进行分析与比较，并给出了实验的结果[3]。

　　2.2.1　编码质量

　　编码质量是衡量语音编码优劣的关键性能之一，对它的评价通常有客观评价与主观评价两种。信噪比是衡量语音编码质量的客观标准。其计算可采用长时信噪比和短时信噪比两种准则。由于在语音信号中小能量占信号能量的比率较小，而恰恰小信号对主观听音效果又有比较大的影响，因此长时信噪比不能反应小能量量化的质量，在语音信号处理中经常采用短时信噪比。设每段有M个语音样点，则第m段的分段信噪比定义为

　　其中分式的分子分母分别表示M个语音样点的总能量和量化噪声的总能量。如果输入语音共有N段，则平均分段信噪比为

　　此次试验分别对男声、女声、童声以及混声进行了测试，它们得到的信噪比（尤其是时域信噪比）并不很高，然而经过主观评价即MOS（mean opinion score）分评价，它们的听音质量还相对较高，其结果如表1所示，由此说明了基于参数编码与波形编码的语音编码器的不同。

表1　ITU-T语音编码标准的比较