1d6dd8291a251b9d2d8581deca7d431ae3421ce7
[opus.git] / src / analysis.c
1 /* Copyright (c) 2011 Xiph.Org Foundation
2    Written by Jean-Marc Valin */
3 /*
4    Redistribution and use in source and binary forms, with or without
5    modification, are permitted provided that the following conditions
6    are met:
7
8    - Redistributions of source code must retain the above copyright
9    notice, this list of conditions and the following disclaimer.
10
11    - Redistributions in binary form must reproduce the above copyright
12    notice, this list of conditions and the following disclaimer in the
13    documentation and/or other materials provided with the distribution.
14
15    THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS
16    ``AS IS'' AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT
17    LIMITED TO, THE IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR
18    A PARTICULAR PURPOSE ARE DISCLAIMED.  IN NO EVENT SHALL THE FOUNDATION OR
19    CONTRIBUTORS BE LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL,
20    EXEMPLARY, OR CONSEQUENTIAL DAMAGES (INCLUDING, BUT NOT LIMITED TO,
21    PROCUREMENT OF SUBSTITUTE GOODS OR SERVICES; LOSS OF USE, DATA, OR
22    PROFITS; OR BUSINESS INTERRUPTION) HOWEVER CAUSED AND ON ANY THEORY OF
23    LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY, OR TORT (INCLUDING
24    NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE USE OF THIS
25    SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
26 */
27
28 #ifdef HAVE_CONFIG_H
29 #include "config.h"
30 #endif
31
32 #define ANALYSIS_C
33
34 #include <stdio.h>
35
36 #include "mathops.h"
37 #include "kiss_fft.h"
38 #include "celt.h"
39 #include "modes.h"
40 #include "arch.h"
41 #include "quant_bands.h"
42 #include "analysis.h"
43 #include "mlp.h"
44 #include "stack_alloc.h"
45 #include "float_cast.h"
46
47 #ifndef M_PI
48 #define M_PI 3.141592653
49 #endif
50
51 #ifndef DISABLE_FLOAT_API
52
53 #define TRANSITION_PENALTY 10
54
55 static const float dct_table[128] = {
56         0.250000f, 0.250000f, 0.250000f, 0.250000f, 0.250000f, 0.250000f, 0.250000f, 0.250000f,
57         0.250000f, 0.250000f, 0.250000f, 0.250000f, 0.250000f, 0.250000f, 0.250000f, 0.250000f,
58         0.351851f, 0.338330f, 0.311806f, 0.273300f, 0.224292f, 0.166664f, 0.102631f, 0.034654f,
59        -0.034654f,-0.102631f,-0.166664f,-0.224292f,-0.273300f,-0.311806f,-0.338330f,-0.351851f,
60         0.346760f, 0.293969f, 0.196424f, 0.068975f,-0.068975f,-0.196424f,-0.293969f,-0.346760f,
61        -0.346760f,-0.293969f,-0.196424f,-0.068975f, 0.068975f, 0.196424f, 0.293969f, 0.346760f,
62         0.338330f, 0.224292f, 0.034654f,-0.166664f,-0.311806f,-0.351851f,-0.273300f,-0.102631f,
63         0.102631f, 0.273300f, 0.351851f, 0.311806f, 0.166664f,-0.034654f,-0.224292f,-0.338330f,
64         0.326641f, 0.135299f,-0.135299f,-0.326641f,-0.326641f,-0.135299f, 0.135299f, 0.326641f,
65         0.326641f, 0.135299f,-0.135299f,-0.326641f,-0.326641f,-0.135299f, 0.135299f, 0.326641f,
66         0.311806f, 0.034654f,-0.273300f,-0.338330f,-0.102631f, 0.224292f, 0.351851f, 0.166664f,
67        -0.166664f,-0.351851f,-0.224292f, 0.102631f, 0.338330f, 0.273300f,-0.034654f,-0.311806f,
68         0.293969f,-0.068975f,-0.346760f,-0.196424f, 0.196424f, 0.346760f, 0.068975f,-0.293969f,
69        -0.293969f, 0.068975f, 0.346760f, 0.196424f,-0.196424f,-0.346760f,-0.068975f, 0.293969f,
70         0.273300f,-0.166664f,-0.338330f, 0.034654f, 0.351851f, 0.102631f,-0.311806f,-0.224292f,
71         0.224292f, 0.311806f,-0.102631f,-0.351851f,-0.034654f, 0.338330f, 0.166664f,-0.273300f,
72 };
73
74 static const float analysis_window[240] = {
75       0.000043f, 0.000171f, 0.000385f, 0.000685f, 0.001071f, 0.001541f, 0.002098f, 0.002739f,
76       0.003466f, 0.004278f, 0.005174f, 0.006156f, 0.007222f, 0.008373f, 0.009607f, 0.010926f,
77       0.012329f, 0.013815f, 0.015385f, 0.017037f, 0.018772f, 0.020590f, 0.022490f, 0.024472f,
78       0.026535f, 0.028679f, 0.030904f, 0.033210f, 0.035595f, 0.038060f, 0.040604f, 0.043227f,
79       0.045928f, 0.048707f, 0.051564f, 0.054497f, 0.057506f, 0.060591f, 0.063752f, 0.066987f,
80       0.070297f, 0.073680f, 0.077136f, 0.080665f, 0.084265f, 0.087937f, 0.091679f, 0.095492f,
81       0.099373f, 0.103323f, 0.107342f, 0.111427f, 0.115579f, 0.119797f, 0.124080f, 0.128428f,
82       0.132839f, 0.137313f, 0.141849f, 0.146447f, 0.151105f, 0.155823f, 0.160600f, 0.165435f,
83       0.170327f, 0.175276f, 0.180280f, 0.185340f, 0.190453f, 0.195619f, 0.200838f, 0.206107f,
84       0.211427f, 0.216797f, 0.222215f, 0.227680f, 0.233193f, 0.238751f, 0.244353f, 0.250000f,
85       0.255689f, 0.261421f, 0.267193f, 0.273005f, 0.278856f, 0.284744f, 0.290670f, 0.296632f,
86       0.302628f, 0.308658f, 0.314721f, 0.320816f, 0.326941f, 0.333097f, 0.339280f, 0.345492f,
87       0.351729f, 0.357992f, 0.364280f, 0.370590f, 0.376923f, 0.383277f, 0.389651f, 0.396044f,
88       0.402455f, 0.408882f, 0.415325f, 0.421783f, 0.428254f, 0.434737f, 0.441231f, 0.447736f,
89       0.454249f, 0.460770f, 0.467298f, 0.473832f, 0.480370f, 0.486912f, 0.493455f, 0.500000f,
90       0.506545f, 0.513088f, 0.519630f, 0.526168f, 0.532702f, 0.539230f, 0.545751f, 0.552264f,
91       0.558769f, 0.565263f, 0.571746f, 0.578217f, 0.584675f, 0.591118f, 0.597545f, 0.603956f,
92       0.610349f, 0.616723f, 0.623077f, 0.629410f, 0.635720f, 0.642008f, 0.648271f, 0.654508f,
93       0.660720f, 0.666903f, 0.673059f, 0.679184f, 0.685279f, 0.691342f, 0.697372f, 0.703368f,
94       0.709330f, 0.715256f, 0.721144f, 0.726995f, 0.732807f, 0.738579f, 0.744311f, 0.750000f,
95       0.755647f, 0.761249f, 0.766807f, 0.772320f, 0.777785f, 0.783203f, 0.788573f, 0.793893f,
96       0.799162f, 0.804381f, 0.809547f, 0.814660f, 0.819720f, 0.824724f, 0.829673f, 0.834565f,
97       0.839400f, 0.844177f, 0.848895f, 0.853553f, 0.858151f, 0.862687f, 0.867161f, 0.871572f,
98       0.875920f, 0.880203f, 0.884421f, 0.888573f, 0.892658f, 0.896677f, 0.900627f, 0.904508f,
99       0.908321f, 0.912063f, 0.915735f, 0.919335f, 0.922864f, 0.926320f, 0.929703f, 0.933013f,
100       0.936248f, 0.939409f, 0.942494f, 0.945503f, 0.948436f, 0.951293f, 0.954072f, 0.956773f,
101       0.959396f, 0.961940f, 0.964405f, 0.966790f, 0.969096f, 0.971321f, 0.973465f, 0.975528f,
102       0.977510f, 0.979410f, 0.981228f, 0.982963f, 0.984615f, 0.986185f, 0.987671f, 0.989074f,
103       0.990393f, 0.991627f, 0.992778f, 0.993844f, 0.994826f, 0.995722f, 0.996534f, 0.997261f,
104       0.997902f, 0.998459f, 0.998929f, 0.999315f, 0.999615f, 0.999829f, 0.999957f, 1.000000f,
105 };
106
107 static const int tbands[NB_TBANDS+1] = {
108       4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 80, 96, 112, 136, 160, 192, 240
109 };
110
111 #define NB_TONAL_SKIP_BANDS 9
112
113 static opus_val32 silk_resampler_down2_hp(
114     opus_val32                  *S,                 /* I/O  State vector [ 2 ]                                          */
115     opus_val32                  *out,               /* O    Output signal [ floor(len/2) ]                              */
116     const opus_val32            *in,                /* I    Input signal [ len ]                                        */
117     int                         inLen               /* I    Number of input samples                                     */
118 )
119 {
120     int k, len2 = inLen/2;
121     opus_val32 in32, out32, out32_hp, Y, X;
122     opus_val64 hp_ener = 0;
123     /* Internal variables and state are in Q10 format */
124     for( k = 0; k < len2; k++ ) {
125         /* Convert to Q10 */
126         in32 = in[ 2 * k ];
127
128         /* All-pass section for even input sample */
129         Y      = SUB32( in32, S[ 0 ] );
130         X      = MULT16_32_Q15(QCONST16(0.6074371f, 15), Y);
131         out32  = ADD32( S[ 0 ], X );
132         S[ 0 ] = ADD32( in32, X );
133         out32_hp = out32;
134         /* Convert to Q10 */
135         in32 = in[ 2 * k + 1 ];
136
137         /* All-pass section for odd input sample, and add to output of previous section */
138         Y      = SUB32( in32, S[ 1 ] );
139         X      = MULT16_32_Q15(QCONST16(0.15063f, 15), Y);
140         out32  = ADD32( out32, S[ 1 ] );
141         out32  = ADD32( out32, X );
142         S[ 1 ] = ADD32( in32, X );
143
144         Y      = SUB32( -in32, S[ 2 ] );
145         X      = MULT16_32_Q15(QCONST16(0.15063f, 15), Y);
146         out32_hp  = ADD32( out32_hp, S[ 2 ] );
147         out32_hp  = ADD32( out32_hp, X );
148         S[ 2 ] = ADD32( -in32, X );
149
150         hp_ener += out32_hp*(opus_val64)out32_hp;
151         /* Add, convert back to int16 and store to output */
152         out[ k ] = HALF32(out32);
153     }
154 #ifdef FIXED_POINT
155     /* len2 can be up to 480, so we shift by 8 more to make it fit. */
156     hp_ener = hp_ener >> (2*SIG_SHIFT + 8);
157 #endif
158     return (opus_val32)hp_ener;
159 }
160
161 static opus_val32 downmix_and_resample(downmix_func downmix, const void *_x, opus_val32 *y, opus_val32 S[3], int subframe, int offset, int c1, int c2, int C, int Fs)
162 {
163    VARDECL(opus_val32, tmp);
164    opus_val32 scale;
165    int j;
166    opus_val32 ret = 0;
167    SAVE_STACK;
168
169    if (subframe==0) return 0;
170    if (Fs == 48000)
171    {
172       subframe *= 2;
173       offset *= 2;
174    } else if (Fs == 16000) {
175       subframe = subframe*2/3;
176       offset = offset*2/3;
177    }
178    ALLOC(tmp, subframe, opus_val32);
179
180    downmix(_x, tmp, subframe, offset, c1, c2, C);
181 #ifdef FIXED_POINT
182    scale = (1<<SIG_SHIFT);
183 #else
184    scale = 1.f/32768;
185 #endif
186    if (c2==-2)
187       scale /= C;
188    else if (c2>-1)
189       scale /= 2;
190    for (j=0;j<subframe;j++)
191       tmp[j] *= scale;
192    if (Fs == 48000)
193    {
194       ret = silk_resampler_down2_hp(S, y, tmp, subframe);
195    } else if (Fs == 24000) {
196       OPUS_COPY(y, tmp, subframe);
197    } else if (Fs == 16000) {
198       VARDECL(opus_val32, tmp3x);
199       ALLOC(tmp3x, 3*subframe, opus_val32);
200       /* Don't do this at home! This resampler is horrible and it's only (barely)
201          usable for the purpose of the analysis because we don't care about all
202          the aliasing between 8 kHz and 12 kHz. */
203       for (j=0;j<subframe;j++)
204       {
205          tmp3x[3*j] = tmp[j];
206          tmp3x[3*j+1] = tmp[j];
207          tmp3x[3*j+2] = tmp[j];
208       }
209       silk_resampler_down2_hp(S, y, tmp3x, 3*subframe);
210    }
211    RESTORE_STACK;
212    return ret;
213 }
214
215 void tonality_analysis_init(TonalityAnalysisState *tonal, opus_int32 Fs)
216 {
217   /* Initialize reusable fields. */
218   tonal->arch = opus_select_arch();
219   tonal->Fs = Fs;
220   /* Clear remaining fields. */
221   tonality_analysis_reset(tonal);
222 }
223
224 void tonality_analysis_reset(TonalityAnalysisState *tonal)
225 {
226   /* Clear non-reusable fields. */
227   char *start = (char*)&tonal->TONALITY_ANALYSIS_RESET_START;
228   OPUS_CLEAR(start, sizeof(TonalityAnalysisState) - (start - (char*)tonal));
229 }
230
231 void tonality_get_info(TonalityAnalysisState *tonal, AnalysisInfo *info_out, int len)
232 {
233    int pos;
234    int curr_lookahead;
235    float tonality_max;
236    float tonality_avg;
237    int tonality_count;
238    int i;
239    int pos0;
240    float prob_avg;
241    float prob_count;
242    float prob_min, prob_max;
243    float vad_prob;
244    int mpos, vpos;
245
246    pos = tonal->read_pos;
247    curr_lookahead = tonal->write_pos-tonal->read_pos;
248    if (curr_lookahead<0)
249       curr_lookahead += DETECT_SIZE;
250
251    /* On long frames, look at the second analysis window rather than the first. */
252    if (len > tonal->Fs/50 && pos != tonal->write_pos)
253    {
254       pos++;
255       if (pos==DETECT_SIZE)
256          pos=0;
257    }
258    if (pos == tonal->write_pos)
259       pos--;
260    if (pos<0)
261       pos = DETECT_SIZE-1;
262    pos0 = pos;
263    OPUS_COPY(info_out, &tonal->info[pos], 1);
264    tonality_max = tonality_avg = info_out->tonality;
265    tonality_count = 1;
266    /* If possible, look ahead for a tone to compensate for the delay in the tone detector. */
267    for (i=0;i<3;i++)
268    {
269       pos++;
270       if (pos==DETECT_SIZE)
271          pos = 0;
272       if (pos == tonal->write_pos)
273          break;
274       tonality_max = MAX32(tonality_max, tonal->info[pos].tonality);
275       tonality_avg += tonal->info[pos].tonality;
276       tonality_count++;
277    }
278    info_out->tonality = MAX32(tonality_avg/tonality_count, tonality_max-.2f);
279
280    mpos = vpos = pos0;
281    /* If we have enough look-ahead, compensate for the ~5-frame delay in the music prob and
282       ~1 frame delay in the VAD prob. */
283    if (curr_lookahead > 15)
284    {
285       mpos += 5;
286       if (mpos>=DETECT_SIZE)
287          mpos -= DETECT_SIZE;
288       vpos += 1;
289       if (vpos>=DETECT_SIZE)
290          vpos -= DETECT_SIZE;
291    }
292
293    /* The following calculations attempt to minimize a "badness function"
294       for the transition. When switching from speech to music, the badness
295       of switching at frame k is
296       b_k = S*v_k + \sum_{i=0}^{k-1} v_i*(p_i - T)
297       where
298       v_i is the activity probability (VAD) at frame i,
299       p_i is the music probability at frame i
300       T is the probability threshold for switching
301       S is the penalty for switching during active audio rather than silence
302       the current frame has index i=0
303
304       Rather than apply badness to directly decide when to switch, what we compute
305       instead is the threshold for which the optimal switching point is now. When
306       considering whether to switch now (frame 0) or at frame k, we have:
307       S*v_0 = S*v_k + \sum_{i=0}^{k-1} v_i*(p_i - T)
308       which gives us:
309       T = ( \sum_{i=0}^{k-1} v_i*p_i + S*(v_k-v_0) ) / ( \sum_{i=0}^{k-1} v_i )
310       We take the min threshold across all positive values of k (up to the maximum
311       amount of lookahead we have) to give us the threshold for which the current
312       frame is the optimal switch point.
313
314       The last step is that we need to consider whether we want to switch at all.
315       For that we use the average of the music probability over the entire window.
316       If the threshold is higher than that average we're not going to
317       switch, so we compute a min with the average as well. The result of all these
318       min operations is music_prob_min, which gives the threshold for switching to music
319       if we're currently encoding for speech.
320
321       We do the exact opposite to compute music_prob_max which is used for switching
322       from music to speech.
323     */
324    prob_min = 1.f;
325    prob_max = 0.f;
326    vad_prob = tonal->info[vpos].activity_probability;
327    prob_count = MAX16(.1f, vad_prob);
328    prob_avg = MAX16(.1f, vad_prob)*tonal->info[mpos].music_prob;
329    while (1)
330    {
331       float pos_vad;
332       mpos++;
333       if (mpos==DETECT_SIZE)
334          mpos = 0;
335       if (mpos == tonal->write_pos)
336          break;
337       vpos++;
338       if (vpos==DETECT_SIZE)
339          vpos = 0;
340       if (vpos == tonal->write_pos)
341          break;
342       pos_vad = tonal->info[vpos].activity_probability;
343       prob_min = MIN16((prob_avg - TRANSITION_PENALTY*(vad_prob - pos_vad))/prob_count, prob_min);
344       prob_max = MAX16((prob_avg + TRANSITION_PENALTY*(vad_prob - pos_vad))/prob_count, prob_max);
345       prob_count += MAX16(.1f, pos_vad);
346       prob_avg += MAX16(.1f, pos_vad)*tonal->info[mpos].music_prob;
347    }
348    info_out->music_prob = prob_avg/prob_count;
349    prob_min = MIN16(prob_avg/prob_count, prob_min);
350    prob_max = MAX16(prob_avg/prob_count, prob_max);
351    prob_min = MAX16(prob_min, 0.f);
352    prob_max = MIN16(prob_max, 1.f);
353
354    /* If we don't have enough look-ahead, do our best to make a decent decision. */
355    if (curr_lookahead < 10)
356    {
357       float pmin, pmax;
358       pmin = prob_min;
359       pmax = prob_max;
360       pos = pos0;
361       /* Look for min/max in the past. */
362       for (i=0;i<IMIN(tonal->count-1, 15);i++)
363       {
364          pos--;
365          if (pos < 0)
366             pos = DETECT_SIZE-1;
367          pmin = MIN16(pmin, tonal->info[pos].music_prob);
368          pmax = MAX16(pmax, tonal->info[pos].music_prob);
369       }
370       /* Bias against switching on active audio. */
371       pmin = MAX16(0.f, pmin - .1f*vad_prob);
372       pmax = MIN16(1.f, pmax + .1f*vad_prob);
373       prob_min += (1.f-.1f*curr_lookahead)*(pmin - prob_min);
374       prob_max += (1.f-.1f*curr_lookahead)*(pmax - prob_max);
375    }
376    info_out->music_prob_min = prob_min;
377    info_out->music_prob_max = prob_max;
378
379    /* printf("%f %f %f %f %f\n", prob_min, prob_max, prob_avg/prob_count, vad_prob, info_out->music_prob); */
380    tonal->read_subframe += len/(tonal->Fs/400);
381    while (tonal->read_subframe>=8)
382    {
383       tonal->read_subframe -= 8;
384       tonal->read_pos++;
385    }
386    if (tonal->read_pos>=DETECT_SIZE)
387       tonal->read_pos-=DETECT_SIZE;
388 }
389
390 static const float std_feature_bias[9] = {
391       5.684947f, 3.475288f, 1.770634f, 1.599784f, 3.773215f,
392       2.163313f, 1.260756f, 1.116868f, 1.918795f
393 };
394
395 #define LEAKAGE_OFFSET 2.5f
396 #define LEAKAGE_SLOPE 2.f
397
398 #ifdef FIXED_POINT
399 /* For fixed-point, the input is +/-2^15 shifted up by SIG_SHIFT, so we need to
400    compensate for that in the energy. */
401 #define SCALE_COMPENS (1.f/((opus_int32)1<<(15+SIG_SHIFT)))
402 #define SCALE_ENER(e) ((SCALE_COMPENS*SCALE_COMPENS)*(e))
403 #else
404 #define SCALE_ENER(e) (e)
405 #endif
406
407 static void tonality_analysis(TonalityAnalysisState *tonal, const CELTMode *celt_mode, const void *x, int len, int offset, int c1, int c2, int C, int lsb_depth, downmix_func downmix)
408 {
409     int i, b;
410     const kiss_fft_state *kfft;
411     VARDECL(kiss_fft_cpx, in);
412     VARDECL(kiss_fft_cpx, out);
413     int N = 480, N2=240;
414     float * OPUS_RESTRICT A = tonal->angle;
415     float * OPUS_RESTRICT dA = tonal->d_angle;
416     float * OPUS_RESTRICT d2A = tonal->d2_angle;
417     VARDECL(float, tonality);
418     VARDECL(float, noisiness);
419     float band_tonality[NB_TBANDS];
420     float logE[NB_TBANDS];
421     float BFCC[8];
422     float features[25];
423     float frame_tonality;
424     float max_frame_tonality;
425     /*float tw_sum=0;*/
426     float frame_noisiness;
427     const float pi4 = (float)(M_PI*M_PI*M_PI*M_PI);
428     float slope=0;
429     float frame_stationarity;
430     float relativeE;
431     float frame_probs[2];
432     float alpha, alphaE, alphaE2;
433     float frame_loudness;
434     float bandwidth_mask;
435     int bandwidth=0;
436     float maxE = 0;
437     float noise_floor;
438     int remaining;
439     AnalysisInfo *info;
440     float hp_ener;
441     float tonality2[240];
442     float midE[8];
443     float spec_variability=0;
444     float band_log2[NB_TBANDS+1];
445     float leakage_from[NB_TBANDS+1];
446     float leakage_to[NB_TBANDS+1];
447     float layer_out[MAX_NEURONS];
448     SAVE_STACK;
449
450     alpha = 1.f/IMIN(10, 1+tonal->count);
451     alphaE = 1.f/IMIN(25, 1+tonal->count);
452     alphaE2 = 1.f/IMIN(500, 1+tonal->count);
453
454     if (tonal->Fs == 48000)
455     {
456        /* len and offset are now at 24 kHz. */
457        len/= 2;
458        offset /= 2;
459     } else if (tonal->Fs == 16000) {
460        len = 3*len/2;
461        offset = 3*offset/2;
462     }
463
464     kfft = celt_mode->mdct.kfft[0];
465     if (tonal->count==0)
466        tonal->mem_fill = 240;
467     tonal->hp_ener_accum += (float)downmix_and_resample(downmix, x,
468           &tonal->inmem[tonal->mem_fill], tonal->downmix_state,
469           IMIN(len, ANALYSIS_BUF_SIZE-tonal->mem_fill), offset, c1, c2, C, tonal->Fs);
470     if (tonal->mem_fill+len < ANALYSIS_BUF_SIZE)
471     {
472        tonal->mem_fill += len;
473        /* Don't have enough to update the analysis */
474        RESTORE_STACK;
475        return;
476     }
477     hp_ener = tonal->hp_ener_accum;
478     info = &tonal->info[tonal->write_pos++];
479     if (tonal->write_pos>=DETECT_SIZE)
480        tonal->write_pos-=DETECT_SIZE;
481
482     ALLOC(in, 480, kiss_fft_cpx);
483     ALLOC(out, 480, kiss_fft_cpx);
484     ALLOC(tonality, 240, float);
485     ALLOC(noisiness, 240, float);
486     for (i=0;i<N2;i++)
487     {
488        float w = analysis_window[i];
489        in[i].r = (kiss_fft_scalar)(w*tonal->inmem[i]);
490        in[i].i = (kiss_fft_scalar)(w*tonal->inmem[N2+i]);
491        in[N-i-1].r = (kiss_fft_scalar)(w*tonal->inmem[N-i-1]);
492        in[N-i-1].i = (kiss_fft_scalar)(w*tonal->inmem[N+N2-i-1]);
493     }
494     OPUS_MOVE(tonal->inmem, tonal->inmem+ANALYSIS_BUF_SIZE-240, 240);
495     remaining = len - (ANALYSIS_BUF_SIZE-tonal->mem_fill);
496     tonal->hp_ener_accum = (float)downmix_and_resample(downmix, x,
497           &tonal->inmem[240], tonal->downmix_state, remaining,
498           offset+ANALYSIS_BUF_SIZE-tonal->mem_fill, c1, c2, C, tonal->Fs);
499     tonal->mem_fill = 240 + remaining;
500     opus_fft(kfft, in, out, tonal->arch);
501 #ifndef FIXED_POINT
502     /* If there's any NaN on the input, the entire output will be NaN, so we only need to check one value. */
503     if (celt_isnan(out[0].r))
504     {
505        info->valid = 0;
506        RESTORE_STACK;
507        return;
508     }
509 #endif
510
511     for (i=1;i<N2;i++)
512     {
513        float X1r, X2r, X1i, X2i;
514        float angle, d_angle, d2_angle;
515        float angle2, d_angle2, d2_angle2;
516        float mod1, mod2, avg_mod;
517        X1r = (float)out[i].r+out[N-i].r;
518        X1i = (float)out[i].i-out[N-i].i;
519        X2r = (float)out[i].i+out[N-i].i;
520        X2i = (float)out[N-i].r-out[i].r;
521
522        angle = (float)(.5f/M_PI)*fast_atan2f(X1i, X1r);
523        d_angle = angle - A[i];
524        d2_angle = d_angle - dA[i];
525
526        angle2 = (float)(.5f/M_PI)*fast_atan2f(X2i, X2r);
527        d_angle2 = angle2 - angle;
528        d2_angle2 = d_angle2 - d_angle;
529
530        mod1 = d2_angle - (float)float2int(d2_angle);
531        noisiness[i] = ABS16(mod1);
532        mod1 *= mod1;
533        mod1 *= mod1;
534
535        mod2 = d2_angle2 - (float)float2int(d2_angle2);
536        noisiness[i] += ABS16(mod2);
537        mod2 *= mod2;
538        mod2 *= mod2;
539
540        avg_mod = .25f*(d2A[i]+mod1+2*mod2);
541        /* This introduces an extra delay of 2 frames in the detection. */
542        tonality[i] = 1.f/(1.f+40.f*16.f*pi4*avg_mod)-.015f;
543        /* No delay on this detection, but it's less reliable. */
544        tonality2[i] = 1.f/(1.f+40.f*16.f*pi4*mod2)-.015f;
545
546        A[i] = angle2;
547        dA[i] = d_angle2;
548        d2A[i] = mod2;
549     }
550     for (i=2;i<N2-1;i++)
551     {
552        float tt = MIN32(tonality2[i], MAX32(tonality2[i-1], tonality2[i+1]));
553        tonality[i] = .9f*MAX32(tonality[i], tt-.1f);
554     }
555     frame_tonality = 0;
556     max_frame_tonality = 0;
557     /*tw_sum = 0;*/
558     info->activity = 0;
559     frame_noisiness = 0;
560     frame_stationarity = 0;
561     if (!tonal->count)
562     {
563        for (b=0;b<NB_TBANDS;b++)
564        {
565           tonal->lowE[b] = 1e10;
566           tonal->highE[b] = -1e10;
567        }
568     }
569     relativeE = 0;
570     frame_loudness = 0;
571     /* The energy of the very first band is special because of DC. */
572     {
573        float E = 0;
574        float X1r, X2r;
575        X1r = 2*(float)out[0].r;
576        X2r = 2*(float)out[0].i;
577        E = X1r*X1r + X2r*X2r;
578        for (i=1;i<4;i++)
579        {
580           float binE = out[i].r*(float)out[i].r + out[N-i].r*(float)out[N-i].r
581                      + out[i].i*(float)out[i].i + out[N-i].i*(float)out[N-i].i;
582           E += binE;
583        }
584        E = SCALE_ENER(E);
585        band_log2[0] = .5f*1.442695f*(float)log(E+1e-10f);
586     }
587     for (b=0;b<NB_TBANDS;b++)
588     {
589        float E=0, tE=0, nE=0;
590        float L1, L2;
591        float stationarity;
592        for (i=tbands[b];i<tbands[b+1];i++)
593        {
594           float binE = out[i].r*(float)out[i].r + out[N-i].r*(float)out[N-i].r
595                      + out[i].i*(float)out[i].i + out[N-i].i*(float)out[N-i].i;
596           binE = SCALE_ENER(binE);
597           E += binE;
598           tE += binE*MAX32(0, tonality[i]);
599           nE += binE*2.f*(.5f-noisiness[i]);
600        }
601 #ifndef FIXED_POINT
602        /* Check for extreme band energies that could cause NaNs later. */
603        if (!(E<1e9f) || celt_isnan(E))
604        {
605           info->valid = 0;
606           RESTORE_STACK;
607           return;
608        }
609 #endif
610
611        tonal->E[tonal->E_count][b] = E;
612        frame_noisiness += nE/(1e-15f+E);
613
614        frame_loudness += (float)sqrt(E+1e-10f);
615        logE[b] = (float)log(E+1e-10f);
616        band_log2[b+1] = .5f*1.442695f*(float)log(E+1e-10f);
617        tonal->logE[tonal->E_count][b] = logE[b];
618        if (tonal->count==0)
619           tonal->highE[b] = tonal->lowE[b] = logE[b];
620        if (tonal->highE[b] > tonal->lowE[b] + 7.5)
621        {
622           if (tonal->highE[b] - logE[b] > logE[b] - tonal->lowE[b])
623              tonal->highE[b] -= .01f;
624           else
625              tonal->lowE[b] += .01f;
626        }
627        if (logE[b] > tonal->highE[b])
628        {
629           tonal->highE[b] = logE[b];
630           tonal->lowE[b] = MAX32(tonal->highE[b]-15, tonal->lowE[b]);
631        } else if (logE[b] < tonal->lowE[b])
632        {
633           tonal->lowE[b] = logE[b];
634           tonal->highE[b] = MIN32(tonal->lowE[b]+15, tonal->highE[b]);
635        }
636        relativeE += (logE[b]-tonal->lowE[b])/(1e-15f + (tonal->highE[b]-tonal->lowE[b]));
637
638        L1=L2=0;
639        for (i=0;i<NB_FRAMES;i++)
640        {
641           L1 += (float)sqrt(tonal->E[i][b]);
642           L2 += tonal->E[i][b];
643        }
644
645        stationarity = MIN16(0.99f,L1/(float)sqrt(1e-15+NB_FRAMES*L2));
646        stationarity *= stationarity;
647        stationarity *= stationarity;
648        frame_stationarity += stationarity;
649        /*band_tonality[b] = tE/(1e-15+E)*/;
650        band_tonality[b] = MAX16(tE/(1e-15f+E), stationarity*tonal->prev_band_tonality[b]);
651 #if 0
652        if (b>=NB_TONAL_SKIP_BANDS)
653        {
654           frame_tonality += tweight[b]*band_tonality[b];
655           tw_sum += tweight[b];
656        }
657 #else
658        frame_tonality += band_tonality[b];
659        if (b>=NB_TBANDS-NB_TONAL_SKIP_BANDS)
660           frame_tonality -= band_tonality[b-NB_TBANDS+NB_TONAL_SKIP_BANDS];
661 #endif
662        max_frame_tonality = MAX16(max_frame_tonality, (1.f+.03f*(b-NB_TBANDS))*frame_tonality);
663        slope += band_tonality[b]*(b-8);
664        /*printf("%f %f ", band_tonality[b], stationarity);*/
665        tonal->prev_band_tonality[b] = band_tonality[b];
666     }
667
668     leakage_from[0] = band_log2[0];
669     leakage_to[0] = band_log2[0] - LEAKAGE_OFFSET;
670     for (b=1;b<NB_TBANDS+1;b++)
671     {
672        float leak_slope = LEAKAGE_SLOPE*(tbands[b]-tbands[b-1])/4;
673        leakage_from[b] = MIN16(leakage_from[b-1]+leak_slope, band_log2[b]);
674        leakage_to[b] = MAX16(leakage_to[b-1]-leak_slope, band_log2[b]-LEAKAGE_OFFSET);
675     }
676     for (b=NB_TBANDS-2;b>=0;b--)
677     {
678        float leak_slope = LEAKAGE_SLOPE*(tbands[b+1]-tbands[b])/4;
679        leakage_from[b] = MIN16(leakage_from[b+1]+leak_slope, leakage_from[b]);
680        leakage_to[b] = MAX16(leakage_to[b+1]-leak_slope, leakage_to[b]);
681     }
682     celt_assert(NB_TBANDS+1 <= LEAK_BANDS);
683     for (b=0;b<NB_TBANDS+1;b++)
684     {
685        /* leak_boost[] is made up of two terms. The first, based on leakage_to[],
686           represents the boost needed to overcome the amount of analysis leakage
687           cause in a weaker band b by louder neighbouring bands.
688           The second, based on leakage_from[], applies to a loud band b for
689           which the quantization noise causes synthesis leakage to the weaker
690           neighbouring bands. */
691        float boost = MAX16(0, leakage_to[b] - band_log2[b]) +
692              MAX16(0, band_log2[b] - (leakage_from[b]+LEAKAGE_OFFSET));
693        info->leak_boost[b] = IMIN(255, (int)floor(.5 + 64.f*boost));
694     }
695     for (;b<LEAK_BANDS;b++) info->leak_boost[b] = 0;
696
697     for (i=0;i<NB_FRAMES;i++)
698     {
699        int j;
700        float mindist = 1e15f;
701        for (j=0;j<NB_FRAMES;j++)
702        {
703           int k;
704           float dist=0;
705           for (k=0;k<NB_TBANDS;k++)
706           {
707              float tmp;
708              tmp = tonal->logE[i][k] - tonal->logE[j][k];
709              dist += tmp*tmp;
710           }
711           if (j!=i)
712              mindist = MIN32(mindist, dist);
713        }
714        spec_variability += mindist;
715     }
716     spec_variability = (float)sqrt(spec_variability/NB_FRAMES/NB_TBANDS);
717     bandwidth_mask = 0;
718     bandwidth = 0;
719     maxE = 0;
720     noise_floor = 5.7e-4f/(1<<(IMAX(0,lsb_depth-8)));
721     noise_floor *= noise_floor;
722     for (b=0;b<NB_TBANDS;b++)
723     {
724        float E=0;
725        int band_start, band_end;
726        /* Keep a margin of 300 Hz for aliasing */
727        band_start = tbands[b];
728        band_end = tbands[b+1];
729        for (i=band_start;i<band_end;i++)
730        {
731           float binE = out[i].r*(float)out[i].r + out[N-i].r*(float)out[N-i].r
732                      + out[i].i*(float)out[i].i + out[N-i].i*(float)out[N-i].i;
733           E += binE;
734        }
735        E = SCALE_ENER(E);
736        maxE = MAX32(maxE, E);
737        tonal->meanE[b] = MAX32((1-alphaE2)*tonal->meanE[b], E);
738        E = MAX32(E, tonal->meanE[b]);
739        /* Use a simple follower with 13 dB/Bark slope for spreading function */
740        bandwidth_mask = MAX32(.05f*bandwidth_mask, E);
741        /* Consider the band "active" only if all these conditions are met:
742           1) less than 10 dB below the simple follower
743           2) less than 90 dB below the peak band (maximal masking possible considering
744              both the ATH and the loudness-dependent slope of the spreading function)
745           3) above the PCM quantization noise floor
746           We use b+1 because the first CELT band isn't included in tbands[]
747        */
748        if (E>.1*bandwidth_mask && E*1e9f > maxE && E > noise_floor*(band_end-band_start))
749           bandwidth = b+1;
750     }
751     /* Special case for the last two bands, for which we don't have spectrum but only
752        the energy above 12 kHz. */
753     if (tonal->Fs == 48000) {
754        float ratio;
755        float E = hp_ener*(1.f/(240*240));
756        ratio = tonal->prev_bandwidth==20 ? 0.03f : 0.07f;
757 #ifdef FIXED_POINT
758        /* silk_resampler_down2_hp() shifted right by an extra 8 bits. */
759        E *= 256.f*(1.f/Q15ONE)*(1.f/Q15ONE);
760 #endif
761        maxE = MAX32(maxE, E);
762        tonal->meanE[b] = MAX32((1-alphaE2)*tonal->meanE[b], E);
763        E = MAX32(E, tonal->meanE[b]);
764        /* Use a simple follower with 13 dB/Bark slope for spreading function */
765        bandwidth_mask = MAX32(.05f*bandwidth_mask, E);
766        if (E>ratio*bandwidth_mask && E*1e9f > maxE && E > noise_floor*160)
767           bandwidth = 20;
768        /* This detector is unreliable, so if the bandwidth is close to SWB, assume it's FB. */
769        if (bandwidth >= 17)
770           bandwidth = 20;
771     }
772     if (tonal->count<=2)
773        bandwidth = 20;
774     frame_loudness = 20*(float)log10(frame_loudness);
775     tonal->Etracker = MAX32(tonal->Etracker-.003f, frame_loudness);
776     tonal->lowECount *= (1-alphaE);
777     if (frame_loudness < tonal->Etracker-30)
778        tonal->lowECount += alphaE;
779
780     for (i=0;i<8;i++)
781     {
782        float sum=0;
783        for (b=0;b<16;b++)
784           sum += dct_table[i*16+b]*logE[b];
785        BFCC[i] = sum;
786     }
787     for (i=0;i<8;i++)
788     {
789        float sum=0;
790        for (b=0;b<16;b++)
791           sum += dct_table[i*16+b]*.5f*(tonal->highE[b]+tonal->lowE[b]);
792        midE[i] = sum;
793     }
794
795     frame_stationarity /= NB_TBANDS;
796     relativeE /= NB_TBANDS;
797     if (tonal->count<10)
798        relativeE = .5f;
799     frame_noisiness /= NB_TBANDS;
800 #if 1
801     info->activity = frame_noisiness + (1-frame_noisiness)*relativeE;
802 #else
803     info->activity = .5*(1+frame_noisiness-frame_stationarity);
804 #endif
805     frame_tonality = (max_frame_tonality/(NB_TBANDS-NB_TONAL_SKIP_BANDS));
806     frame_tonality = MAX16(frame_tonality, tonal->prev_tonality*.8f);
807     tonal->prev_tonality = frame_tonality;
808
809     slope /= 8*8;
810     info->tonality_slope = slope;
811
812     tonal->E_count = (tonal->E_count+1)%NB_FRAMES;
813     tonal->count = IMIN(tonal->count+1, ANALYSIS_COUNT_MAX);
814     info->tonality = frame_tonality;
815
816     for (i=0;i<4;i++)
817        features[i] = -0.12299f*(BFCC[i]+tonal->mem[i+24]) + 0.49195f*(tonal->mem[i]+tonal->mem[i+16]) + 0.69693f*tonal->mem[i+8] - 1.4349f*tonal->cmean[i];
818
819     for (i=0;i<4;i++)
820        tonal->cmean[i] = (1-alpha)*tonal->cmean[i] + alpha*BFCC[i];
821
822     for (i=0;i<4;i++)
823         features[4+i] = 0.63246f*(BFCC[i]-tonal->mem[i+24]) + 0.31623f*(tonal->mem[i]-tonal->mem[i+16]);
824     for (i=0;i<3;i++)
825         features[8+i] = 0.53452f*(BFCC[i]+tonal->mem[i+24]) - 0.26726f*(tonal->mem[i]+tonal->mem[i+16]) -0.53452f*tonal->mem[i+8];
826
827     if (tonal->count > 5)
828     {
829        for (i=0;i<9;i++)
830           tonal->std[i] = (1-alpha)*tonal->std[i] + alpha*features[i]*features[i];
831     }
832     for (i=0;i<4;i++)
833        features[i] = BFCC[i]-midE[i];
834
835     for (i=0;i<8;i++)
836     {
837        tonal->mem[i+24] = tonal->mem[i+16];
838        tonal->mem[i+16] = tonal->mem[i+8];
839        tonal->mem[i+8] = tonal->mem[i];
840        tonal->mem[i] = BFCC[i];
841     }
842     for (i=0;i<9;i++)
843        features[11+i] = (float)sqrt(tonal->std[i]) - std_feature_bias[i];
844     features[18] = spec_variability - 0.78f;
845     features[20] = info->tonality - 0.154723f;
846     features[21] = info->activity - 0.724643f;
847     features[22] = frame_stationarity - 0.743717f;
848     features[23] = info->tonality_slope + 0.069216f;
849     features[24] = tonal->lowECount - 0.067930f;
850
851     compute_dense(&layer0, layer_out, features);
852     compute_gru(&layer1, tonal->rnn_state, layer_out);
853     compute_dense(&layer2, frame_probs, tonal->rnn_state);
854
855     /* Probability of speech or music vs noise */
856     info->activity_probability = frame_probs[1];
857     /* It seems like the RNN tends to have a bias towards speech and this
858        warping of the probabilities compensates for it. */
859     info->music_prob = frame_probs[0] * (2 - frame_probs[0]);
860
861     /*printf("%f %f %f\n", frame_probs[0], frame_probs[1], info->music_prob);*/
862 #ifdef MLP_TRAINING
863     for (i=0;i<25;i++)
864        printf("%f ", features[i]);
865     printf("\n");
866 #endif
867
868     info->bandwidth = bandwidth;
869     tonal->prev_bandwidth = bandwidth;
870     /*printf("%d %d\n", info->bandwidth, info->opus_bandwidth);*/
871     info->noisiness = frame_noisiness;
872     info->valid = 1;
873     RESTORE_STACK;
874 }
875
876 void run_analysis(TonalityAnalysisState *analysis, const CELTMode *celt_mode, const void *analysis_pcm,
877                  int analysis_frame_size, int frame_size, int c1, int c2, int C, opus_int32 Fs,
878                  int lsb_depth, downmix_func downmix, AnalysisInfo *analysis_info)
879 {
880    int offset;
881    int pcm_len;
882
883    analysis_frame_size -= analysis_frame_size&1;
884    if (analysis_pcm != NULL)
885    {
886       /* Avoid overflow/wrap-around of the analysis buffer */
887       analysis_frame_size = IMIN((DETECT_SIZE-5)*Fs/50, analysis_frame_size);
888
889       pcm_len = analysis_frame_size - analysis->analysis_offset;
890       offset = analysis->analysis_offset;
891       while (pcm_len>0) {
892          tonality_analysis(analysis, celt_mode, analysis_pcm, IMIN(Fs/50, pcm_len), offset, c1, c2, C, lsb_depth, downmix);
893          offset += Fs/50;
894          pcm_len -= Fs/50;
895       }
896       analysis->analysis_offset = analysis_frame_size;
897
898       analysis->analysis_offset -= frame_size;
899    }
900
901    analysis_info->valid = 0;
902    tonality_get_info(analysis, analysis_info, frame_size);
903 }
904
905 #endif /* DISABLE_FLOAT_API */