Fixing initialization issues on small frame sizes
[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    int bandwidth_span;
246
247    pos = tonal->read_pos;
248    curr_lookahead = tonal->write_pos-tonal->read_pos;
249    if (curr_lookahead<0)
250       curr_lookahead += DETECT_SIZE;
251
252    tonal->read_subframe += len/(tonal->Fs/400);
253    while (tonal->read_subframe>=8)
254    {
255       tonal->read_subframe -= 8;
256       tonal->read_pos++;
257    }
258    if (tonal->read_pos>=DETECT_SIZE)
259       tonal->read_pos-=DETECT_SIZE;
260
261    /* On long frames, look at the second analysis window rather than the first. */
262    if (len > tonal->Fs/50 && pos != tonal->write_pos)
263    {
264       pos++;
265       if (pos==DETECT_SIZE)
266          pos=0;
267    }
268    if (pos == tonal->write_pos)
269       pos--;
270    if (pos<0)
271       pos = DETECT_SIZE-1;
272    pos0 = pos;
273    OPUS_COPY(info_out, &tonal->info[pos], 1);
274    if (!info_out->valid)
275       return;
276    tonality_max = tonality_avg = info_out->tonality;
277    tonality_count = 1;
278    /* Look at the neighbouring frames and pick largest bandwidth found (to be safe). */
279    bandwidth_span = 6;
280    /* If possible, look ahead for a tone to compensate for the delay in the tone detector. */
281    for (i=0;i<3;i++)
282    {
283       pos++;
284       if (pos==DETECT_SIZE)
285          pos = 0;
286       if (pos == tonal->write_pos)
287          break;
288       tonality_max = MAX32(tonality_max, tonal->info[pos].tonality);
289       tonality_avg += tonal->info[pos].tonality;
290       tonality_count++;
291       info_out->bandwidth = IMAX(info_out->bandwidth, tonal->info[pos].bandwidth);
292       bandwidth_span--;
293    }
294    pos = pos0;
295    /* Look back in time to see if any has a wider bandwidth than the current frame. */
296    for (i=0;i<bandwidth_span;i++)
297    {
298       pos--;
299       if (pos < 0)
300          pos = DETECT_SIZE-1;
301       if (pos == tonal->write_pos)
302          break;
303       info_out->bandwidth = IMAX(info_out->bandwidth, tonal->info[pos].bandwidth);
304    }
305    info_out->tonality = MAX32(tonality_avg/tonality_count, tonality_max-.2f);
306
307    mpos = vpos = pos0;
308    /* If we have enough look-ahead, compensate for the ~5-frame delay in the music prob and
309       ~1 frame delay in the VAD prob. */
310    if (curr_lookahead > 15)
311    {
312       mpos += 5;
313       if (mpos>=DETECT_SIZE)
314          mpos -= DETECT_SIZE;
315       vpos += 1;
316       if (vpos>=DETECT_SIZE)
317          vpos -= DETECT_SIZE;
318    }
319
320    /* The following calculations attempt to minimize a "badness function"
321       for the transition. When switching from speech to music, the badness
322       of switching at frame k is
323       b_k = S*v_k + \sum_{i=0}^{k-1} v_i*(p_i - T)
324       where
325       v_i is the activity probability (VAD) at frame i,
326       p_i is the music probability at frame i
327       T is the probability threshold for switching
328       S is the penalty for switching during active audio rather than silence
329       the current frame has index i=0
330
331       Rather than apply badness to directly decide when to switch, what we compute
332       instead is the threshold for which the optimal switching point is now. When
333       considering whether to switch now (frame 0) or at frame k, we have:
334       S*v_0 = S*v_k + \sum_{i=0}^{k-1} v_i*(p_i - T)
335       which gives us:
336       T = ( \sum_{i=0}^{k-1} v_i*p_i + S*(v_k-v_0) ) / ( \sum_{i=0}^{k-1} v_i )
337       We take the min threshold across all positive values of k (up to the maximum
338       amount of lookahead we have) to give us the threshold for which the current
339       frame is the optimal switch point.
340
341       The last step is that we need to consider whether we want to switch at all.
342       For that we use the average of the music probability over the entire window.
343       If the threshold is higher than that average we're not going to
344       switch, so we compute a min with the average as well. The result of all these
345       min operations is music_prob_min, which gives the threshold for switching to music
346       if we're currently encoding for speech.
347
348       We do the exact opposite to compute music_prob_max which is used for switching
349       from music to speech.
350     */
351    prob_min = 1.f;
352    prob_max = 0.f;
353    vad_prob = tonal->info[vpos].activity_probability;
354    prob_count = MAX16(.1f, vad_prob);
355    prob_avg = MAX16(.1f, vad_prob)*tonal->info[mpos].music_prob;
356    while (1)
357    {
358       float pos_vad;
359       mpos++;
360       if (mpos==DETECT_SIZE)
361          mpos = 0;
362       if (mpos == tonal->write_pos)
363          break;
364       vpos++;
365       if (vpos==DETECT_SIZE)
366          vpos = 0;
367       if (vpos == tonal->write_pos)
368          break;
369       pos_vad = tonal->info[vpos].activity_probability;
370       prob_min = MIN16((prob_avg - TRANSITION_PENALTY*(vad_prob - pos_vad))/prob_count, prob_min);
371       prob_max = MAX16((prob_avg + TRANSITION_PENALTY*(vad_prob - pos_vad))/prob_count, prob_max);
372       prob_count += MAX16(.1f, pos_vad);
373       prob_avg += MAX16(.1f, pos_vad)*tonal->info[mpos].music_prob;
374    }
375    info_out->music_prob = prob_avg/prob_count;
376    prob_min = MIN16(prob_avg/prob_count, prob_min);
377    prob_max = MAX16(prob_avg/prob_count, prob_max);
378    prob_min = MAX16(prob_min, 0.f);
379    prob_max = MIN16(prob_max, 1.f);
380
381    /* If we don't have enough look-ahead, do our best to make a decent decision. */
382    if (curr_lookahead < 10)
383    {
384       float pmin, pmax;
385       pmin = prob_min;
386       pmax = prob_max;
387       pos = pos0;
388       /* Look for min/max in the past. */
389       for (i=0;i<IMIN(tonal->count-1, 15);i++)
390       {
391          pos--;
392          if (pos < 0)
393             pos = DETECT_SIZE-1;
394          pmin = MIN16(pmin, tonal->info[pos].music_prob);
395          pmax = MAX16(pmax, tonal->info[pos].music_prob);
396       }
397       /* Bias against switching on active audio. */
398       pmin = MAX16(0.f, pmin - .1f*vad_prob);
399       pmax = MIN16(1.f, pmax + .1f*vad_prob);
400       prob_min += (1.f-.1f*curr_lookahead)*(pmin - prob_min);
401       prob_max += (1.f-.1f*curr_lookahead)*(pmax - prob_max);
402    }
403    info_out->music_prob_min = prob_min;
404    info_out->music_prob_max = prob_max;
405
406    /* printf("%f %f %f %f %f\n", prob_min, prob_max, prob_avg/prob_count, vad_prob, info_out->music_prob); */
407 }
408
409 static const float std_feature_bias[9] = {
410       5.684947f, 3.475288f, 1.770634f, 1.599784f, 3.773215f,
411       2.163313f, 1.260756f, 1.116868f, 1.918795f
412 };
413
414 #define LEAKAGE_OFFSET 2.5f
415 #define LEAKAGE_SLOPE 2.f
416
417 #ifdef FIXED_POINT
418 /* For fixed-point, the input is +/-2^15 shifted up by SIG_SHIFT, so we need to
419    compensate for that in the energy. */
420 #define SCALE_COMPENS (1.f/((opus_int32)1<<(15+SIG_SHIFT)))
421 #define SCALE_ENER(e) ((SCALE_COMPENS*SCALE_COMPENS)*(e))
422 #else
423 #define SCALE_ENER(e) (e)
424 #endif
425
426 #ifdef FIXED_POINT
427 static int is_digital_silence32(const opus_val32* pcm, int frame_size, int channels, int lsb_depth)
428 {
429    int silence = 0;
430    opus_val32 sample_max = 0;
431 #ifdef MLP_TRAINING
432    return 0;
433 #endif
434    sample_max = celt_maxabs32(pcm, frame_size*channels);
435
436    silence = (sample_max == 0);
437    (void)lsb_depth;
438    return silence;
439 }
440 #else
441 #define is_digital_silence32(pcm, frame_size, channels, lsb_depth) is_digital_silence(pcm, frame_size, channels, lsb_depth)
442 #endif
443
444 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)
445 {
446     int i, b;
447     const kiss_fft_state *kfft;
448     VARDECL(kiss_fft_cpx, in);
449     VARDECL(kiss_fft_cpx, out);
450     int N = 480, N2=240;
451     float * OPUS_RESTRICT A = tonal->angle;
452     float * OPUS_RESTRICT dA = tonal->d_angle;
453     float * OPUS_RESTRICT d2A = tonal->d2_angle;
454     VARDECL(float, tonality);
455     VARDECL(float, noisiness);
456     float band_tonality[NB_TBANDS];
457     float logE[NB_TBANDS];
458     float BFCC[8];
459     float features[25];
460     float frame_tonality;
461     float max_frame_tonality;
462     /*float tw_sum=0;*/
463     float frame_noisiness;
464     const float pi4 = (float)(M_PI*M_PI*M_PI*M_PI);
465     float slope=0;
466     float frame_stationarity;
467     float relativeE;
468     float frame_probs[2];
469     float alpha, alphaE, alphaE2;
470     float frame_loudness;
471     float bandwidth_mask;
472     int is_masked[NB_TBANDS+1];
473     int bandwidth=0;
474     float maxE = 0;
475     float noise_floor;
476     int remaining;
477     AnalysisInfo *info;
478     float hp_ener;
479     float tonality2[240];
480     float midE[8];
481     float spec_variability=0;
482     float band_log2[NB_TBANDS+1];
483     float leakage_from[NB_TBANDS+1];
484     float leakage_to[NB_TBANDS+1];
485     float layer_out[MAX_NEURONS];
486     float below_max_pitch;
487     float above_max_pitch;
488     int is_silence;
489     SAVE_STACK;
490
491     if (!tonal->initialized)
492     {
493        tonal->mem_fill = 240;
494        tonal->initialized = 1;
495     }
496     alpha = 1.f/IMIN(10, 1+tonal->count);
497     alphaE = 1.f/IMIN(25, 1+tonal->count);
498     /* Noise floor related decay for bandwidth detection: -2.2 dB/second */
499     alphaE2 = 1.f/IMIN(100, 1+tonal->count);
500     if (tonal->count <= 1) alphaE2 = 1;
501
502     if (tonal->Fs == 48000)
503     {
504        /* len and offset are now at 24 kHz. */
505        len/= 2;
506        offset /= 2;
507     } else if (tonal->Fs == 16000) {
508        len = 3*len/2;
509        offset = 3*offset/2;
510     }
511
512     kfft = celt_mode->mdct.kfft[0];
513     tonal->hp_ener_accum += (float)downmix_and_resample(downmix, x,
514           &tonal->inmem[tonal->mem_fill], tonal->downmix_state,
515           IMIN(len, ANALYSIS_BUF_SIZE-tonal->mem_fill), offset, c1, c2, C, tonal->Fs);
516     if (tonal->mem_fill+len < ANALYSIS_BUF_SIZE)
517     {
518        tonal->mem_fill += len;
519        /* Don't have enough to update the analysis */
520        RESTORE_STACK;
521        return;
522     }
523     hp_ener = tonal->hp_ener_accum;
524     info = &tonal->info[tonal->write_pos++];
525     if (tonal->write_pos>=DETECT_SIZE)
526        tonal->write_pos-=DETECT_SIZE;
527
528     is_silence = is_digital_silence32(tonal->inmem, ANALYSIS_BUF_SIZE, 1, lsb_depth);
529
530     ALLOC(in, 480, kiss_fft_cpx);
531     ALLOC(out, 480, kiss_fft_cpx);
532     ALLOC(tonality, 240, float);
533     ALLOC(noisiness, 240, float);
534     for (i=0;i<N2;i++)
535     {
536        float w = analysis_window[i];
537        in[i].r = (kiss_fft_scalar)(w*tonal->inmem[i]);
538        in[i].i = (kiss_fft_scalar)(w*tonal->inmem[N2+i]);
539        in[N-i-1].r = (kiss_fft_scalar)(w*tonal->inmem[N-i-1]);
540        in[N-i-1].i = (kiss_fft_scalar)(w*tonal->inmem[N+N2-i-1]);
541     }
542     OPUS_MOVE(tonal->inmem, tonal->inmem+ANALYSIS_BUF_SIZE-240, 240);
543     remaining = len - (ANALYSIS_BUF_SIZE-tonal->mem_fill);
544     tonal->hp_ener_accum = (float)downmix_and_resample(downmix, x,
545           &tonal->inmem[240], tonal->downmix_state, remaining,
546           offset+ANALYSIS_BUF_SIZE-tonal->mem_fill, c1, c2, C, tonal->Fs);
547     tonal->mem_fill = 240 + remaining;
548     if (is_silence)
549     {
550        info->valid = 0;
551        RESTORE_STACK;
552        return;
553     }
554     opus_fft(kfft, in, out, tonal->arch);
555 #ifndef FIXED_POINT
556     /* If there's any NaN on the input, the entire output will be NaN, so we only need to check one value. */
557     if (celt_isnan(out[0].r))
558     {
559        info->valid = 0;
560        RESTORE_STACK;
561        return;
562     }
563 #endif
564
565     for (i=1;i<N2;i++)
566     {
567        float X1r, X2r, X1i, X2i;
568        float angle, d_angle, d2_angle;
569        float angle2, d_angle2, d2_angle2;
570        float mod1, mod2, avg_mod;
571        X1r = (float)out[i].r+out[N-i].r;
572        X1i = (float)out[i].i-out[N-i].i;
573        X2r = (float)out[i].i+out[N-i].i;
574        X2i = (float)out[N-i].r-out[i].r;
575
576        angle = (float)(.5f/M_PI)*fast_atan2f(X1i, X1r);
577        d_angle = angle - A[i];
578        d2_angle = d_angle - dA[i];
579
580        angle2 = (float)(.5f/M_PI)*fast_atan2f(X2i, X2r);
581        d_angle2 = angle2 - angle;
582        d2_angle2 = d_angle2 - d_angle;
583
584        mod1 = d2_angle - (float)float2int(d2_angle);
585        noisiness[i] = ABS16(mod1);
586        mod1 *= mod1;
587        mod1 *= mod1;
588
589        mod2 = d2_angle2 - (float)float2int(d2_angle2);
590        noisiness[i] += ABS16(mod2);
591        mod2 *= mod2;
592        mod2 *= mod2;
593
594        avg_mod = .25f*(d2A[i]+mod1+2*mod2);
595        /* This introduces an extra delay of 2 frames in the detection. */
596        tonality[i] = 1.f/(1.f+40.f*16.f*pi4*avg_mod)-.015f;
597        /* No delay on this detection, but it's less reliable. */
598        tonality2[i] = 1.f/(1.f+40.f*16.f*pi4*mod2)-.015f;
599
600        A[i] = angle2;
601        dA[i] = d_angle2;
602        d2A[i] = mod2;
603     }
604     for (i=2;i<N2-1;i++)
605     {
606        float tt = MIN32(tonality2[i], MAX32(tonality2[i-1], tonality2[i+1]));
607        tonality[i] = .9f*MAX32(tonality[i], tt-.1f);
608     }
609     frame_tonality = 0;
610     max_frame_tonality = 0;
611     /*tw_sum = 0;*/
612     info->activity = 0;
613     frame_noisiness = 0;
614     frame_stationarity = 0;
615     if (!tonal->count)
616     {
617        for (b=0;b<NB_TBANDS;b++)
618        {
619           tonal->lowE[b] = 1e10;
620           tonal->highE[b] = -1e10;
621        }
622     }
623     relativeE = 0;
624     frame_loudness = 0;
625     /* The energy of the very first band is special because of DC. */
626     {
627        float E = 0;
628        float X1r, X2r;
629        X1r = 2*(float)out[0].r;
630        X2r = 2*(float)out[0].i;
631        E = X1r*X1r + X2r*X2r;
632        for (i=1;i<4;i++)
633        {
634           float binE = out[i].r*(float)out[i].r + out[N-i].r*(float)out[N-i].r
635                      + out[i].i*(float)out[i].i + out[N-i].i*(float)out[N-i].i;
636           E += binE;
637        }
638        E = SCALE_ENER(E);
639        band_log2[0] = .5f*1.442695f*(float)log(E+1e-10f);
640     }
641     for (b=0;b<NB_TBANDS;b++)
642     {
643        float E=0, tE=0, nE=0;
644        float L1, L2;
645        float stationarity;
646        for (i=tbands[b];i<tbands[b+1];i++)
647        {
648           float binE = out[i].r*(float)out[i].r + out[N-i].r*(float)out[N-i].r
649                      + out[i].i*(float)out[i].i + out[N-i].i*(float)out[N-i].i;
650           binE = SCALE_ENER(binE);
651           E += binE;
652           tE += binE*MAX32(0, tonality[i]);
653           nE += binE*2.f*(.5f-noisiness[i]);
654        }
655 #ifndef FIXED_POINT
656        /* Check for extreme band energies that could cause NaNs later. */
657        if (!(E<1e9f) || celt_isnan(E))
658        {
659           info->valid = 0;
660           RESTORE_STACK;
661           return;
662        }
663 #endif
664
665        tonal->E[tonal->E_count][b] = E;
666        frame_noisiness += nE/(1e-15f+E);
667
668        frame_loudness += (float)sqrt(E+1e-10f);
669        logE[b] = (float)log(E+1e-10f);
670        band_log2[b+1] = .5f*1.442695f*(float)log(E+1e-10f);
671        tonal->logE[tonal->E_count][b] = logE[b];
672        if (tonal->count==0)
673           tonal->highE[b] = tonal->lowE[b] = logE[b];
674        if (tonal->highE[b] > tonal->lowE[b] + 7.5)
675        {
676           if (tonal->highE[b] - logE[b] > logE[b] - tonal->lowE[b])
677              tonal->highE[b] -= .01f;
678           else
679              tonal->lowE[b] += .01f;
680        }
681        if (logE[b] > tonal->highE[b])
682        {
683           tonal->highE[b] = logE[b];
684           tonal->lowE[b] = MAX32(tonal->highE[b]-15, tonal->lowE[b]);
685        } else if (logE[b] < tonal->lowE[b])
686        {
687           tonal->lowE[b] = logE[b];
688           tonal->highE[b] = MIN32(tonal->lowE[b]+15, tonal->highE[b]);
689        }
690        relativeE += (logE[b]-tonal->lowE[b])/(1e-5f + (tonal->highE[b]-tonal->lowE[b]));
691
692        L1=L2=0;
693        for (i=0;i<NB_FRAMES;i++)
694        {
695           L1 += (float)sqrt(tonal->E[i][b]);
696           L2 += tonal->E[i][b];
697        }
698
699        stationarity = MIN16(0.99f,L1/(float)sqrt(1e-15+NB_FRAMES*L2));
700        stationarity *= stationarity;
701        stationarity *= stationarity;
702        frame_stationarity += stationarity;
703        /*band_tonality[b] = tE/(1e-15+E)*/;
704        band_tonality[b] = MAX16(tE/(1e-15f+E), stationarity*tonal->prev_band_tonality[b]);
705 #if 0
706        if (b>=NB_TONAL_SKIP_BANDS)
707        {
708           frame_tonality += tweight[b]*band_tonality[b];
709           tw_sum += tweight[b];
710        }
711 #else
712        frame_tonality += band_tonality[b];
713        if (b>=NB_TBANDS-NB_TONAL_SKIP_BANDS)
714           frame_tonality -= band_tonality[b-NB_TBANDS+NB_TONAL_SKIP_BANDS];
715 #endif
716        max_frame_tonality = MAX16(max_frame_tonality, (1.f+.03f*(b-NB_TBANDS))*frame_tonality);
717        slope += band_tonality[b]*(b-8);
718        /*printf("%f %f ", band_tonality[b], stationarity);*/
719        tonal->prev_band_tonality[b] = band_tonality[b];
720     }
721
722     leakage_from[0] = band_log2[0];
723     leakage_to[0] = band_log2[0] - LEAKAGE_OFFSET;
724     for (b=1;b<NB_TBANDS+1;b++)
725     {
726        float leak_slope = LEAKAGE_SLOPE*(tbands[b]-tbands[b-1])/4;
727        leakage_from[b] = MIN16(leakage_from[b-1]+leak_slope, band_log2[b]);
728        leakage_to[b] = MAX16(leakage_to[b-1]-leak_slope, band_log2[b]-LEAKAGE_OFFSET);
729     }
730     for (b=NB_TBANDS-2;b>=0;b--)
731     {
732        float leak_slope = LEAKAGE_SLOPE*(tbands[b+1]-tbands[b])/4;
733        leakage_from[b] = MIN16(leakage_from[b+1]+leak_slope, leakage_from[b]);
734        leakage_to[b] = MAX16(leakage_to[b+1]-leak_slope, leakage_to[b]);
735     }
736     celt_assert(NB_TBANDS+1 <= LEAK_BANDS);
737     for (b=0;b<NB_TBANDS+1;b++)
738     {
739        /* leak_boost[] is made up of two terms. The first, based on leakage_to[],
740           represents the boost needed to overcome the amount of analysis leakage
741           cause in a weaker band b by louder neighbouring bands.
742           The second, based on leakage_from[], applies to a loud band b for
743           which the quantization noise causes synthesis leakage to the weaker
744           neighbouring bands. */
745        float boost = MAX16(0, leakage_to[b] - band_log2[b]) +
746              MAX16(0, band_log2[b] - (leakage_from[b]+LEAKAGE_OFFSET));
747        info->leak_boost[b] = IMIN(255, (int)floor(.5 + 64.f*boost));
748     }
749     for (;b<LEAK_BANDS;b++) info->leak_boost[b] = 0;
750
751     for (i=0;i<NB_FRAMES;i++)
752     {
753        int j;
754        float mindist = 1e15f;
755        for (j=0;j<NB_FRAMES;j++)
756        {
757           int k;
758           float dist=0;
759           for (k=0;k<NB_TBANDS;k++)
760           {
761              float tmp;
762              tmp = tonal->logE[i][k] - tonal->logE[j][k];
763              dist += tmp*tmp;
764           }
765           if (j!=i)
766              mindist = MIN32(mindist, dist);
767        }
768        spec_variability += mindist;
769     }
770     spec_variability = (float)sqrt(spec_variability/NB_FRAMES/NB_TBANDS);
771     bandwidth_mask = 0;
772     bandwidth = 0;
773     maxE = 0;
774     noise_floor = 5.7e-4f/(1<<(IMAX(0,lsb_depth-8)));
775     noise_floor *= noise_floor;
776     below_max_pitch=0;
777     above_max_pitch=0;
778     for (b=0;b<NB_TBANDS;b++)
779     {
780        float E=0;
781        float Em;
782        int band_start, band_end;
783        /* Keep a margin of 300 Hz for aliasing */
784        band_start = tbands[b];
785        band_end = tbands[b+1];
786        for (i=band_start;i<band_end;i++)
787        {
788           float binE = out[i].r*(float)out[i].r + out[N-i].r*(float)out[N-i].r
789                      + out[i].i*(float)out[i].i + out[N-i].i*(float)out[N-i].i;
790           E += binE;
791        }
792        E = SCALE_ENER(E);
793        maxE = MAX32(maxE, E);
794        if (band_start < 64)
795        {
796           below_max_pitch += E;
797        } else {
798           above_max_pitch += E;
799        }
800        tonal->meanE[b] = MAX32((1-alphaE2)*tonal->meanE[b], E);
801        Em = MAX32(E, tonal->meanE[b]);
802        /* Consider the band "active" only if all these conditions are met:
803           1) less than 90 dB below the peak band (maximal masking possible considering
804              both the ATH and the loudness-dependent slope of the spreading function)
805           2) above the PCM quantization noise floor
806           We use b+1 because the first CELT band isn't included in tbands[]
807        */
808        if (E*1e9f > maxE && (Em > 3*noise_floor*(band_end-band_start) || E > noise_floor*(band_end-band_start)))
809           bandwidth = b+1;
810        /* Check if the band is masked (see below). */
811        is_masked[b] = E < (tonal->prev_bandwidth >= b+1  ? .01f : .05f)*bandwidth_mask;
812        /* Use a simple follower with 13 dB/Bark slope for spreading function. */
813        bandwidth_mask = MAX32(.05f*bandwidth_mask, E);
814     }
815     /* Special case for the last two bands, for which we don't have spectrum but only
816        the energy above 12 kHz. The difficulty here is that the high-pass we use
817        leaks some LF energy, so we need to increase the threshold without accidentally cutting
818        off the band. */
819     if (tonal->Fs == 48000) {
820        float noise_ratio;
821        float Em;
822        float E = hp_ener*(1.f/(60*60));
823        noise_ratio = tonal->prev_bandwidth==20 ? 10.f : 30.f;
824
825 #ifdef FIXED_POINT
826        /* silk_resampler_down2_hp() shifted right by an extra 8 bits. */
827        E *= 256.f*(1.f/Q15ONE)*(1.f/Q15ONE);
828 #endif
829        above_max_pitch += E;
830        tonal->meanE[b] = MAX32((1-alphaE2)*tonal->meanE[b], E);
831        Em = MAX32(E, tonal->meanE[b]);
832        if (Em > 3*noise_ratio*noise_floor*160 || E > noise_ratio*noise_floor*160)
833           bandwidth = 20;
834        /* Check if the band is masked (see below). */
835        is_masked[b] = E < (tonal->prev_bandwidth == 20  ? .01f : .05f)*bandwidth_mask;
836     }
837     if (above_max_pitch > below_max_pitch)
838        info->max_pitch_ratio = below_max_pitch/above_max_pitch;
839     else
840        info->max_pitch_ratio = 1;
841     /* In some cases, resampling aliasing can create a small amount of energy in the first band
842        being cut. So if the last band is masked, we don't include it.  */
843     if (bandwidth == 20 && is_masked[NB_TBANDS])
844        bandwidth-=2;
845     else if (bandwidth > 0 && bandwidth <= NB_TBANDS && is_masked[bandwidth-1])
846        bandwidth--;
847     if (tonal->count<=2)
848        bandwidth = 20;
849     frame_loudness = 20*(float)log10(frame_loudness);
850     tonal->Etracker = MAX32(tonal->Etracker-.003f, frame_loudness);
851     tonal->lowECount *= (1-alphaE);
852     if (frame_loudness < tonal->Etracker-30)
853        tonal->lowECount += alphaE;
854
855     for (i=0;i<8;i++)
856     {
857        float sum=0;
858        for (b=0;b<16;b++)
859           sum += dct_table[i*16+b]*logE[b];
860        BFCC[i] = sum;
861     }
862     for (i=0;i<8;i++)
863     {
864        float sum=0;
865        for (b=0;b<16;b++)
866           sum += dct_table[i*16+b]*.5f*(tonal->highE[b]+tonal->lowE[b]);
867        midE[i] = sum;
868     }
869
870     frame_stationarity /= NB_TBANDS;
871     relativeE /= NB_TBANDS;
872     if (tonal->count<10)
873        relativeE = .5f;
874     frame_noisiness /= NB_TBANDS;
875 #if 1
876     info->activity = frame_noisiness + (1-frame_noisiness)*relativeE;
877 #else
878     info->activity = .5*(1+frame_noisiness-frame_stationarity);
879 #endif
880     frame_tonality = (max_frame_tonality/(NB_TBANDS-NB_TONAL_SKIP_BANDS));
881     frame_tonality = MAX16(frame_tonality, tonal->prev_tonality*.8f);
882     tonal->prev_tonality = frame_tonality;
883
884     slope /= 8*8;
885     info->tonality_slope = slope;
886
887     tonal->E_count = (tonal->E_count+1)%NB_FRAMES;
888     tonal->count = IMIN(tonal->count+1, ANALYSIS_COUNT_MAX);
889     info->tonality = frame_tonality;
890
891     for (i=0;i<4;i++)
892        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];
893
894     for (i=0;i<4;i++)
895        tonal->cmean[i] = (1-alpha)*tonal->cmean[i] + alpha*BFCC[i];
896
897     for (i=0;i<4;i++)
898         features[4+i] = 0.63246f*(BFCC[i]-tonal->mem[i+24]) + 0.31623f*(tonal->mem[i]-tonal->mem[i+16]);
899     for (i=0;i<3;i++)
900         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];
901
902     if (tonal->count > 5)
903     {
904        for (i=0;i<9;i++)
905           tonal->std[i] = (1-alpha)*tonal->std[i] + alpha*features[i]*features[i];
906     }
907     for (i=0;i<4;i++)
908        features[i] = BFCC[i]-midE[i];
909
910     for (i=0;i<8;i++)
911     {
912        tonal->mem[i+24] = tonal->mem[i+16];
913        tonal->mem[i+16] = tonal->mem[i+8];
914        tonal->mem[i+8] = tonal->mem[i];
915        tonal->mem[i] = BFCC[i];
916     }
917     for (i=0;i<9;i++)
918        features[11+i] = (float)sqrt(tonal->std[i]) - std_feature_bias[i];
919     features[18] = spec_variability - 0.78f;
920     features[20] = info->tonality - 0.154723f;
921     features[21] = info->activity - 0.724643f;
922     features[22] = frame_stationarity - 0.743717f;
923     features[23] = info->tonality_slope + 0.069216f;
924     features[24] = tonal->lowECount - 0.067930f;
925
926     compute_dense(&layer0, layer_out, features);
927     compute_gru(&layer1, tonal->rnn_state, layer_out);
928     compute_dense(&layer2, frame_probs, tonal->rnn_state);
929
930     /* Probability of speech or music vs noise */
931     info->activity_probability = frame_probs[1];
932     info->music_prob = frame_probs[0];
933
934     /*printf("%f %f %f\n", frame_probs[0], frame_probs[1], info->music_prob);*/
935 #ifdef MLP_TRAINING
936     for (i=0;i<25;i++)
937        printf("%f ", features[i]);
938     printf("\n");
939 #endif
940
941     info->bandwidth = bandwidth;
942     tonal->prev_bandwidth = bandwidth;
943     /*printf("%d %d\n", info->bandwidth, info->opus_bandwidth);*/
944     info->noisiness = frame_noisiness;
945     info->valid = 1;
946     RESTORE_STACK;
947 }
948
949 void run_analysis(TonalityAnalysisState *analysis, const CELTMode *celt_mode, const void *analysis_pcm,
950                  int analysis_frame_size, int frame_size, int c1, int c2, int C, opus_int32 Fs,
951                  int lsb_depth, downmix_func downmix, AnalysisInfo *analysis_info)
952 {
953    int offset;
954    int pcm_len;
955
956    analysis_frame_size -= analysis_frame_size&1;
957    if (analysis_pcm != NULL)
958    {
959       /* Avoid overflow/wrap-around of the analysis buffer */
960       analysis_frame_size = IMIN((DETECT_SIZE-5)*Fs/50, analysis_frame_size);
961
962       pcm_len = analysis_frame_size - analysis->analysis_offset;
963       offset = analysis->analysis_offset;
964       while (pcm_len>0) {
965          tonality_analysis(analysis, celt_mode, analysis_pcm, IMIN(Fs/50, pcm_len), offset, c1, c2, C, lsb_depth, downmix);
966          offset += Fs/50;
967          pcm_len -= Fs/50;
968       }
969       analysis->analysis_offset = analysis_frame_size;
970
971       analysis->analysis_offset -= frame_size;
972    }
973
974    tonality_get_info(analysis, analysis_info, frame_size);
975 }
976
977 #endif /* DISABLE_FLOAT_API */