MFS update
[opus.git] / doc / draft-valin-codec-prototype.xml
1 <?xml version='1.0'?>
2 <!DOCTYPE rfc SYSTEM 'rfc2629.dtd'>
3 <?rfc toc="yes" symrefs="yes" ?>
4
5 <rfc ipr="trust200902" category="std" docName="draft-valin-codec-prototype-00">
6
7 <front>
8 <title abbrev="Codec Prototype">Prototype for IETF Interactive Audio Codec</title>
9
10
11 <author initials="JM" surname="Valin" fullname="Jean-Marc Valin">
12 <organization>Octasic Inc.</organization>
13 <address>
14 <postal>
15 <street>4101, Molson Street</street>
16 <city>Montreal</city>
17 <region>Quebec</region>
18 <code></code>
19 <country>Canada</country>
20 </postal>
21 <phone>+1 514 383-8858</phone>
22 <email>jean-marc.valin@octasic.com</email>
23 </address>
24 </author>
25
26 <author initials="K." surname="Vos" fullname="Koen Vos">
27 <organization>Skype Technologies S.A.</organization>
28 <address>
29 <postal>
30 <street>Stadsgaarden 6</street>
31 <city>Stockholm</city>
32 <region></region>
33 <code>11645</code>
34 <country>SE</country>
35 </postal>
36 <phone>+46 855 921 989</phone>
37 <email>koen.vos@skype.net</email>
38 </address>
39 </author>
40
41
42 <date day="5" month="July" year="2010" />
43
44 <area>General</area>
45
46 <workgroup></workgroup>
47
48 <abstract>
49 <t>
50 This document provides a quick overview of a prototype codec combining a linear
51 prediction layer (SILK) with an MDCT-based layer (CELT).
52 These codecs are
53 used because of the authors' familiarity with the source code, but it does
54 not prevent inclusion of code from other codecs as well. This is a
55 work in progress.
56 </t>
57 </abstract>
58 </front>
59
60 <middle>
61
62 <section anchor="introduction" title="Introduction">
63 <t>
64 We propose a hybrid codec based on a linear prediction layer (LP) and an
65 MDCT-based enhancement layer. The main idea behind the proposal is that
66 the speech low frequencies are usually more efficiently coded using
67 linear prediction codecs (such as CELP variants), while the higher frequencies
68 are more efficiently coded in the transform domain (e.g. MDCT). For low 
69 sampling rates, the MDCT layer is not useful and only the LP-based layer is
70 used. On the other hand, non-speech signals are not always adequately coded
71 using linear prediction, so for music only the MDCT-based layer is used.
72 </t>
73
74 <t>
75 In this proposed prototype, the LP layer is based on the 
76 <eref target='http://developer.skype.com/silk'>SILK</eref> codec 
77 <xref target="SILK"></xref> and the MDCT layer is based on the 
78 <eref target='http://www.celt-codec.org/'>CELT</eref>  codec
79  <xref target="CELT"></xref>. These codecs are
80 used because of the authors' familiarity with the source code, but it does
81 not prevent inclusion of code from other codecs in the future.
82 </t>
83
84 <t>This is a work in progress.</t>
85 </section>
86
87 <section anchor="hybrid" title="Hybrid Codec">
88
89 <t>
90 In hybrid mode, each frame is coded first by the LP layer and then by the MDCT 
91 layer. In the current prototype, the cutoff frequency is 8 kHz. In the MDCT
92 layer, all bands below 8 kHz are discarded, such that there is no coding
93 redundancy between the two layers. Also both layers use the same instance of 
94 the range coder to encode the signal, which ensures that no "padding bits" are
95 wasted. The hybrid approach makes it easy to support both constant bit-rate
96 (CBR) and varaible bit-rate (VBR) coding. Although the SILK layer used is VBR,
97 it is easy to make the bit allocation of the CELT layer produce a final stream
98 that is CBR by using all the bits left unused by the SILK layer.
99 </t>
100
101 <t>The implementation of SILK-based LP layer is similar to the description in
102 the <xref target="SILK">SILK Internet-Draft</xref> with the main exception that 
103 SILK was modified to 
104 use the same range coder as CELT. The implementation of the CELT-based MDCT
105 layer is available from the CELT website and is a more recent version (0.8.0) 
106 of the (now expired) <xref target="CELT">CELT Internet-Draft</xref>. 
107 The main changes
108 include better support for 20 ms frames as well as the ability to encode 
109 only the higher bands using a range coder partially filled by the SILK layer.</t>
110 <section title="Source Code">
111 <t>
112 The source code is currently available in a
113 <eref target='git://git.xiph.org/users/jm/ietfcodec.git'>Git repository</eref> 
114 which references two other
115 repositories (for SILK and CELT). Some snapshots are provided for 
116 convenience at <eref target='http://people.xiph.org/~jm/ietfcodec/'/> along
117 with sample files.
118 Although the build system is very primitive
119 (and inconsistent), some instructions are provided in the toplevel README file.
120 This is very early development so both the quality and feature set should
121 greatly improve over time. In the current version, only 48 kHz audio with 20 ms
122 frames are supported, but support for all configurations listed in 
123 <xref target="modes"></xref> is planned. 
124 </t>
125 </section>
126
127 </section>
128
129 <section anchor="modes" title="Codec Modes">
130 <t>
131 There are three possible operating modes for the proposed prototype:
132 <list style="numbers">
133 <t>A linear prediction (LP) mode for use in low bit-rate connections with up to 8 kHz audio bandwidth (16 kHz sampling rate)</t>
134 <t>A hybrid (LP+MDCT) mode for full-bandwidth speech at medium bitrates</t>
135 <t>An MDCT-only mode for very low delay speech transmission as well as music transmission.</t>
136 </list>
137 Each of these modes supports a number of difference frame sizes and sampling
138 rates. In order to distinguish between the various modes and configurations,
139 we need to define a simple header that can used in the transport layer 
140 (e.g RTP) to signal this information. The following describes the proposed
141 header.
142 </t>
143
144 <t>
145 The LP mode supports the following configurations (numbered from 00000...01011 in binary):
146 <list style="symbols">
147 <t>16 kHz: 10, 20, 40, 60 ms (00000...00011)</t>
148 <t>12 kHz: 10, 20, 40, 60 ms (00100...00111)</t>
149 <t>8 kHz:  10, 20, 40, 60 ms (01000...01011)</t>
150 </list>
151 for a total of 12 configurations.
152 </t>
153
154 <t>
155 The hybrid mode supports the following configurations (numbered from 01100...01111):
156 <list style="symbols">
157 <t>48 kHz: 10, 20 ms (01100...01101)</t>
158 <t>32 kHz: 10, 20 ms (01110...01111)</t>
159 </list>
160 for a total of 4 configurations.
161 </t>
162
163 <t>
164 The MDCT-only mode supports the following configurations (numbered from 10000...11101):
165 <list style="symbols">
166 <t>48 kHz: 2.5, 5, 10, 20 ms (10000...10011)</t>
167 <t>32 kHz: 2.5, 5, 10, 20 ms (10100...10111)</t>
168 <t>16 kHz:      5, 10, 20 ms (11000...11010)</t>
169 <t>8 kHz:       5, 10, 20 ms (11011...11101)</t>
170 </list>
171 for a total of 14 configurations.
172 </t>
173
174 <t>
175 There is thus a total of 30 configurations, so 5 bits are necessary (with 2 codes unused) to 
176 indicate the mode, frame size and sampling rate (MFS). This leaves 3 bits for the number of frames per packets (codes 0 to 7):
177 <list style="symbols">
178 <t>0-2:  1-3 frames in the packet, each with equal compressed size</t>
179 <t>3:    arbitrary number of frames in the packet, each with equal compressed size (size needs to be signalled)</t>
180 <t>4-5:  2-3 frames in the packet, with different compressed sizes, which need to be encoded (except the last one)</t>
181 <t>6:    arbitrary number of frames in the packet, with different compressed sizes, each of which needs to be encoded</t>
182 <t>7:    The first frame has this MFS, but others have different MFS. Compressed sizes need to be encoded.</t>
183 </list>
184 </t>
185
186 <t>
187 The compressed size of the frames (if needed) is indicated -- usually -- with one byte, with the following meaning:
188 <list style="symbols">
189 <t>0:          No frame (DTX or lost packet)</t>
190 <t>1-251:    Size of the frame in bytes</t>
191 <t>252-255: A second byte is needed. The total size is (size[1]*4)+(size[0]%4)+252</t>
192 </list>
193 </t>
194
195 <t>
196 The maximum size representable is 255*4+3+252=1275 bytes. For 20 ms frames, that 
197 represents a bit-rate of 510 kb/s, which is really the highest rate anyone would want 
198 to use in stereo mode (beyond that point, lossless codecs would be more appropriate).
199 </t>
200
201 <section anchor="examples" title="Examples">
202 <t>
203 Simplest case: one packet
204 </t>
205
206 <t>
207 <figure>
208 <artwork><![CDATA[
209  0                   1                   2                   3
210  0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
211 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
212 |   MFS   |0|0|0|               compressed data...              |
213 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
214 ]]></artwork>
215 </figure>
216 </t>
217
218 <t>
219 Four frames of the same compressed size:
220 </t>
221
222 <t>
223 <figure>
224 <artwork><![CDATA[
225  0                   1                   2                   3
226  0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
227 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
228 |   MFS   |0|1|1|               compressed data...              |
229 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
230 ]]></artwork>
231 </figure>
232 </t>
233
234 <t>
235 Two frames of different compressed size:
236 </t>
237
238 <t>
239 <figure>
240 <artwork><![CDATA[
241  0                   1                   2                   3
242  0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
243 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
244 |   MFS   |1|0|1|   frame size  |        compressed data...     |
245 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
246 ]]></artwork>
247 </figure>
248 </t>
249
250 <t>
251 Three frames of different *durations*:
252
253 </t>
254
255 <t>
256 <figure>
257 <artwork><![CDATA[
258  0                   1                   2                   3
259  0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
260 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
261 | 1st MFS |1|1|1|   frame size  | 2nd MFS |1|1|1|   frame size  |
262 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
263 | 3rd MFS |1|1|1|   frame size  |      compressed data...       |
264 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
265 ]]></artwork>
266 </figure>
267 </t>
268 </section>
269
270
271 </section>
272
273 <section anchor="security" title="Security Considerations">
274
275 <t>
276 The codec needs to take appropriate
277 security considerations into account, for example as outlined in 
278 <xref target="DOS"/> and <xref target="SECGUIDE"/>.
279 </t>
280
281 </section> 
282
283
284 <section title="IANA Considerations ">
285 <t>
286 This document has no actions for IANA.
287 </t>
288 </section>
289
290 <!--
291 <section anchor="Acknowledgments" title="Acknowledgments">
292 <t>
293 </t>
294 </section> 
295 -->
296
297 </middle>
298
299 <back>
300
301 <references title="Informative References">
302
303 <reference anchor='SILK'>
304 <front>
305 <title>SILK Speech Codec</title>
306 <author initials='K.' surname='Vos' fullname='K. Vos'>
307 <organization /></author>
308 <author initials='S.' surname='Jensen' fullname='S. Jensen'>
309 <organization /></author>
310 <author initials='K.' surname='Soerensen' fullname='K. Soerensen'>
311 <organization /></author>
312 <date year='2010' month='March' />
313 <abstract>
314 <t></t>
315 </abstract></front>
316 <seriesInfo name='Internet-Draft' value='draft-vos-silk-01' />
317 <format type='TXT' target='http://tools.ietf.org/html/draft-vos-silk-01' />
318 </reference>
319
320 <reference anchor='CELT'>
321 <front>
322 <title>Constrained-Energy Lapped Transform (CELT) Codec</title>
323 <author initials='J-M.' surname='Valin' fullname='J-M. Valin'>
324 <organization /></author>
325 <author initials='T.' surname='Terriberry' fullname='T. Terriberry'>
326 <organization /></author>
327 <author initials='G.' surname='Maxwell' fullname='G. Maxwell'>
328 <organization /></author>
329 <author initials='C.' surname='Montgomery' fullname='C. Montgomery'>
330 <organization /></author>
331 <date year='2009' month='July' />
332 <abstract>
333 <t></t>
334 </abstract></front>
335 <seriesInfo name='Internet-Draft' value='draft-valin-celt-codec-01' />
336 <format type='TXT' target='http://tools.ietf.org/html/draft-valin-celt-codec-01' />
337 </reference>
338
339 <reference anchor='DOS'>
340 <front>
341 <title>Internet Denial-of-Service Considerations</title>
342 <author initials='M.' surname='Handley' fullname='M. Handley'>
343 <organization /></author>
344 <author initials='E.' surname='Rescorla' fullname='E. Rescorla'>
345 <organization /></author>
346 <author>
347 <organization>IAB</organization></author>
348 <date year='2006' month='December' />
349 <abstract>
350 <t>This document provides an overview of possible avenues for denial-of-service (DoS) attack on Internet systems.  The aim is to encourage protocol designers and network engineers towards designs that are more robust.  We discuss partial solutions that reduce the effectiveness of attacks, and how some solutions might inadvertently open up alternative vulnerabilities.  This memo provides information for the Internet community.</t></abstract></front>
351 <seriesInfo name='RFC' value='4732' />
352 <format type='TXT' octets='91844' target='ftp://ftp.isi.edu/in-notes/rfc4732.txt' />
353 </reference>
354
355 <reference anchor='SECGUIDE'>
356 <front>
357 <title>Guidelines for Writing RFC Text on Security Considerations</title>
358 <author initials='E.' surname='Rescorla' fullname='E. Rescorla'>
359 <organization /></author>
360 <author initials='B.' surname='Korver' fullname='B. Korver'>
361 <organization /></author>
362 <date year='2003' month='July' />
363 <abstract>
364 <t>All RFCs are required to have a Security Considerations section.  Historically, such sections have been relatively weak.  This document provides guidelines to RFC authors on how to write a good Security Considerations section.  This document specifies an Internet Best Current Practices for the Internet Community, and requests discussion and suggestions for improvements.</t></abstract></front>
365
366 <seriesInfo name='BCP' value='72' />
367 <seriesInfo name='RFC' value='3552' />
368 <format type='TXT' octets='110393' target='ftp://ftp.isi.edu/in-notes/rfc3552.txt' />
369 </reference>
370
371
372 </references> 
373
374 </back>
375
376 </rfc>