Fixes analysis buffering for silence and complexity changes
[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     tonal->initialized = 1;
492     alpha = 1.f/IMIN(10, 1+tonal->count);
493     alphaE = 1.f/IMIN(25, 1+tonal->count);
494     /* Noise floor related decay for bandwidth detection: -2.2 dB/second */
495     alphaE2 = 1.f/IMIN(100, 1+tonal->count);
496     if (tonal->count <= 1) alphaE2 = 1;
497
498     if (tonal->Fs == 48000)
499     {
500        /* len and offset are now at 24 kHz. */
501        len/= 2;
502        offset /= 2;
503     } else if (tonal->Fs == 16000) {
504        len = 3*len/2;
505        offset = 3*offset/2;
506     }
507
508     kfft = celt_mode->mdct.kfft[0];
509     if (tonal->count==0)
510        tonal->mem_fill = 240;
511     tonal->hp_ener_accum += (float)downmix_and_resample(downmix, x,
512           &tonal->inmem[tonal->mem_fill], tonal->downmix_state,
513           IMIN(len, ANALYSIS_BUF_SIZE-tonal->mem_fill), offset, c1, c2, C, tonal->Fs);
514     if (tonal->mem_fill+len < ANALYSIS_BUF_SIZE)
515     {
516        tonal->mem_fill += len;
517        /* Don't have enough to update the analysis */
518        RESTORE_STACK;
519        return;
520     }
521     hp_ener = tonal->hp_ener_accum;
522     info = &tonal->info[tonal->write_pos++];
523     if (tonal->write_pos>=DETECT_SIZE)
524        tonal->write_pos-=DETECT_SIZE;
525
526     is_silence = is_digital_silence32(tonal->inmem, ANALYSIS_BUF_SIZE, 1, lsb_depth);
527
528     ALLOC(in, 480, kiss_fft_cpx);
529     ALLOC(out, 480, kiss_fft_cpx);
530     ALLOC(tonality, 240, float);
531     ALLOC(noisiness, 240, float);
532     for (i=0;i<N2;i++)
533     {
534        float w = analysis_window[i];
535        in[i].r = (kiss_fft_scalar)(w*tonal->inmem[i]);
536        in[i].i = (kiss_fft_scalar)(w*tonal->inmem[N2+i]);
537        in[N-i-1].r = (kiss_fft_scalar)(w*tonal->inmem[N-i-1]);
538        in[N-i-1].i = (kiss_fft_scalar)(w*tonal->inmem[N+N2-i-1]);
539     }
540     OPUS_MOVE(tonal->inmem, tonal->inmem+ANALYSIS_BUF_SIZE-240, 240);
541     remaining = len - (ANALYSIS_BUF_SIZE-tonal->mem_fill);
542     tonal->hp_ener_accum = (float)downmix_and_resample(downmix, x,
543           &tonal->inmem[240], tonal->downmix_state, remaining,
544           offset+ANALYSIS_BUF_SIZE-tonal->mem_fill, c1, c2, C, tonal->Fs);
545     tonal->mem_fill = 240 + remaining;
546     if (is_silence)
547     {
548        info->valid = 0;
549        RESTORE_STACK;
550        return;
551     }
552     opus_fft(kfft, in, out, tonal->arch);
553 #ifndef FIXED_POINT
554     /* If there's any NaN on the input, the entire output will be NaN, so we only need to check one value. */
555     if (celt_isnan(out[0].r))
556     {
557        info->valid = 0;
558        RESTORE_STACK;
559        return;
560     }
561 #endif
562
563     for (i=1;i<N2;i++)
564     {
565        float X1r, X2r, X1i, X2i;
566        float angle, d_angle, d2_angle;
567        float angle2, d_angle2, d2_angle2;
568        float mod1, mod2, avg_mod;
569        X1r = (float)out[i].r+out[N-i].r;
570        X1i = (float)out[i].i-out[N-i].i;
571        X2r = (float)out[i].i+out[N-i].i;
572        X2i = (float)out[N-i].r-out[i].r;
573
574        angle = (float)(.5f/M_PI)*fast_atan2f(X1i, X1r);
575        d_angle = angle - A[i];
576        d2_angle = d_angle - dA[i];
577
578        angle2 = (float)(.5f/M_PI)*fast_atan2f(X2i, X2r);
579        d_angle2 = angle2 - angle;
580        d2_angle2 = d_angle2 - d_angle;
581
582        mod1 = d2_angle - (float)float2int(d2_angle);
583        noisiness[i] = ABS16(mod1);
584        mod1 *= mod1;
585        mod1 *= mod1;
586
587        mod2 = d2_angle2 - (float)float2int(d2_angle2);
588        noisiness[i] += ABS16(mod2);
589        mod2 *= mod2;
590        mod2 *= mod2;
591
592        avg_mod = .25f*(d2A[i]+mod1+2*mod2);
593        /* This introduces an extra delay of 2 frames in the detection. */
594        tonality[i] = 1.f/(1.f+40.f*16.f*pi4*avg_mod)-.015f;
595        /* No delay on this detection, but it's less reliable. */
596        tonality2[i] = 1.f/(1.f+40.f*16.f*pi4*mod2)-.015f;
597
598        A[i] = angle2;
599        dA[i] = d_angle2;
600        d2A[i] = mod2;
601     }
602     for (i=2;i<N2-1;i++)
603     {
604        float tt = MIN32(tonality2[i], MAX32(tonality2[i-1], tonality2[i+1]));
605        tonality[i] = .9f*MAX32(tonality[i], tt-.1f);
606     }
607     frame_tonality = 0;
608     max_frame_tonality = 0;
609     /*tw_sum = 0;*/
610     info->activity = 0;
611     frame_noisiness = 0;
612     frame_stationarity = 0;
613     if (!tonal->count)
614     {
615        for (b=0;b<NB_TBANDS;b++)
616        {
617           tonal->lowE[b] = 1e10;
618           tonal->highE[b] = -1e10;
619        }
620     }
621     relativeE = 0;
622     frame_loudness = 0;
623     /* The energy of the very first band is special because of DC. */
624     {
625        float E = 0;
626        float X1r, X2r;
627        X1r = 2*(float)out[0].r;
628        X2r = 2*(float)out[0].i;
629        E = X1r*X1r + X2r*X2r;
630        for (i=1;i<4;i++)
631        {
632           float binE = out[i].r*(float)out[i].r + out[N-i].r*(float)out[N-i].r
633                      + out[i].i*(float)out[i].i + out[N-i].i*(float)out[N-i].i;
634           E += binE;
635        }
636        E = SCALE_ENER(E);
637        band_log2[0] = .5f*1.442695f*(float)log(E+1e-10f);
638     }
639     for (b=0;b<NB_TBANDS;b++)
640     {
641        float E=0, tE=0, nE=0;
642        float L1, L2;
643        float stationarity;
644        for (i=tbands[b];i<tbands[b+1];i++)
645        {
646           float binE = out[i].r*(float)out[i].r + out[N-i].r*(float)out[N-i].r
647                      + out[i].i*(float)out[i].i + out[N-i].i*(float)out[N-i].i;
648           binE = SCALE_ENER(binE);
649           E += binE;
650           tE += binE*MAX32(0, tonality[i]);
651           nE += binE*2.f*(.5f-noisiness[i]);
652        }
653 #ifndef FIXED_POINT
654        /* Check for extreme band energies that could cause NaNs later. */
655        if (!(E<1e9f) || celt_isnan(E))
656        {
657           info->valid = 0;
658           RESTORE_STACK;
659           return;
660        }
661 #endif
662
663        tonal->E[tonal->E_count][b] = E;
664        frame_noisiness += nE/(1e-15f+E);
665
666        frame_loudness += (float)sqrt(E+1e-10f);
667        logE[b] = (float)log(E+1e-10f);
668        band_log2[b+1] = .5f*1.442695f*(float)log(E+1e-10f);
669        tonal->logE[tonal->E_count][b] = logE[b];
670        if (tonal->count==0)
671           tonal->highE[b] = tonal->lowE[b] = logE[b];
672        if (tonal->highE[b] > tonal->lowE[b] + 7.5)
673        {
674           if (tonal->highE[b] - logE[b] > logE[b] - tonal->lowE[b])
675              tonal->highE[b] -= .01f;
676           else
677              tonal->lowE[b] += .01f;
678        }
679        if (logE[b] > tonal->highE[b])
680        {
681           tonal->highE[b] = logE[b];
682           tonal->lowE[b] = MAX32(tonal->highE[b]-15, tonal->lowE[b]);
683        } else if (logE[b] < tonal->lowE[b])
684        {
685           tonal->lowE[b] = logE[b];
686           tonal->highE[b] = MIN32(tonal->lowE[b]+15, tonal->highE[b]);
687        }
688        relativeE += (logE[b]-tonal->lowE[b])/(1e-5f + (tonal->highE[b]-tonal->lowE[b]));
689
690        L1=L2=0;
691        for (i=0;i<NB_FRAMES;i++)
692        {
693           L1 += (float)sqrt(tonal->E[i][b]);
694           L2 += tonal->E[i][b];
695        }
696
697        stationarity = MIN16(0.99f,L1/(float)sqrt(1e-15+NB_FRAMES*L2));
698        stationarity *= stationarity;
699        stationarity *= stationarity;
700        frame_stationarity += stationarity;
701        /*band_tonality[b] = tE/(1e-15+E)*/;
702        band_tonality[b] = MAX16(tE/(1e-15f+E), stationarity*tonal->prev_band_tonality[b]);
703 #if 0
704        if (b>=NB_TONAL_SKIP_BANDS)
705        {
706           frame_tonality += tweight[b]*band_tonality[b];
707           tw_sum += tweight[b];
708        }
709 #else
710        frame_tonality += band_tonality[b];
711        if (b>=NB_TBANDS-NB_TONAL_SKIP_BANDS)
712           frame_tonality -= band_tonality[b-NB_TBANDS+NB_TONAL_SKIP_BANDS];
713 #endif
714        max_frame_tonality = MAX16(max_frame_tonality, (1.f+.03f*(b-NB_TBANDS))*frame_tonality);
715        slope += band_tonality[b]*(b-8);
716        /*printf("%f %f ", band_tonality[b], stationarity);*/
717        tonal->prev_band_tonality[b] = band_tonality[b];
718     }
719
720     leakage_from[0] = band_log2[0];
721     leakage_to[0] = band_log2[0] - LEAKAGE_OFFSET;
722     for (b=1;b<NB_TBANDS+1;b++)
723     {
724        float leak_slope = LEAKAGE_SLOPE*(tbands[b]-tbands[b-1])/4;
725        leakage_from[b] = MIN16(leakage_from[b-1]+leak_slope, band_log2[b]);
726        leakage_to[b] = MAX16(leakage_to[b-1]-leak_slope, band_log2[b]-LEAKAGE_OFFSET);
727     }
728     for (b=NB_TBANDS-2;b>=0;b--)
729     {
730        float leak_slope = LEAKAGE_SLOPE*(tbands[b+1]-tbands[b])/4;
731        leakage_from[b] = MIN16(leakage_from[b+1]+leak_slope, leakage_from[b]);
732        leakage_to[b] = MAX16(leakage_to[b+1]-leak_slope, leakage_to[b]);
733     }
734     celt_assert(NB_TBANDS+1 <= LEAK_BANDS);
735     for (b=0;b<NB_TBANDS+1;b++)
736     {
737        /* leak_boost[] is made up of two terms. The first, based on leakage_to[],
738           represents the boost needed to overcome the amount of analysis leakage
739           cause in a weaker band b by louder neighbouring bands.
740           The second, based on leakage_from[], applies to a loud band b for
741           which the quantization noise causes synthesis leakage to the weaker
742           neighbouring bands. */
743        float boost = MAX16(0, leakage_to[b] - band_log2[b]) +
744              MAX16(0, band_log2[b] - (leakage_from[b]+LEAKAGE_OFFSET));
745        info->leak_boost[b] = IMIN(255, (int)floor(.5 + 64.f*boost));
746     }
747     for (;b<LEAK_BANDS;b++) info->leak_boost[b] = 0;
748
749     for (i=0;i<NB_FRAMES;i++)
750     {
751        int j;
752        float mindist = 1e15f;
753        for (j=0;j<NB_FRAMES;j++)
754        {
755           int k;
756           float dist=0;
757           for (k=0;k<NB_TBANDS;k++)
758           {
759              float tmp;
760              tmp = tonal->logE[i][k] - tonal->logE[j][k];
761              dist += tmp*tmp;
762           }
763           if (j!=i)
764              mindist = MIN32(mindist, dist);
765        }
766        spec_variability += mindist;
767     }
768     spec_variability = (float)sqrt(spec_variability/NB_FRAMES/NB_TBANDS);
769     bandwidth_mask = 0;
770     bandwidth = 0;
771     maxE = 0;
772     noise_floor = 5.7e-4f/(1<<(IMAX(0,lsb_depth-8)));
773     noise_floor *= noise_floor;
774     below_max_pitch=0;
775     above_max_pitch=0;
776     for (b=0;b<NB_TBANDS;b++)
777     {
778        float E=0;
779        float Em;
780        int band_start, band_end;
781        /* Keep a margin of 300 Hz for aliasing */
782        band_start = tbands[b];
783        band_end = tbands[b+1];
784        for (i=band_start;i<band_end;i++)
785        {
786           float binE = out[i].r*(float)out[i].r + out[N-i].r*(float)out[N-i].r
787                      + out[i].i*(float)out[i].i + out[N-i].i*(float)out[N-i].i;
788           E += binE;
789        }
790        E = SCALE_ENER(E);
791        maxE = MAX32(maxE, E);
792        if (band_start < 64)
793        {
794           below_max_pitch += E;
795        } else {
796           above_max_pitch += E;
797        }
798        tonal->meanE[b] = MAX32((1-alphaE2)*tonal->meanE[b], E);
799        Em = MAX32(E, tonal->meanE[b]);
800        /* Consider the band "active" only if all these conditions are met:
801           1) less than 90 dB below the peak band (maximal masking possible considering
802              both the ATH and the loudness-dependent slope of the spreading function)
803           2) above the PCM quantization noise floor
804           We use b+1 because the first CELT band isn't included in tbands[]
805        */
806        if (E*1e9f > maxE && (Em > 3*noise_floor*(band_end-band_start) || E > noise_floor*(band_end-band_start)))
807           bandwidth = b+1;
808        /* Check if the band is masked (see below). */
809        is_masked[b] = E < (tonal->prev_bandwidth >= b+1  ? .01f : .05f)*bandwidth_mask;
810        /* Use a simple follower with 13 dB/Bark slope for spreading function. */
811        bandwidth_mask = MAX32(.05f*bandwidth_mask, E);
812     }
813     /* Special case for the last two bands, for which we don't have spectrum but only
814        the energy above 12 kHz. The difficulty here is that the high-pass we use
815        leaks some LF energy, so we need to increase the threshold without accidentally cutting
816        off the band. */
817     if (tonal->Fs == 48000) {
818        float noise_ratio;
819        float Em;
820        float E = hp_ener*(1.f/(60*60));
821        noise_ratio = tonal->prev_bandwidth==20 ? 10.f : 30.f;
822
823 #ifdef FIXED_POINT
824        /* silk_resampler_down2_hp() shifted right by an extra 8 bits. */
825        E *= 256.f*(1.f/Q15ONE)*(1.f/Q15ONE);
826 #endif
827        above_max_pitch += E;
828        tonal->meanE[b] = MAX32((1-alphaE2)*tonal->meanE[b], E);
829        Em = MAX32(E, tonal->meanE[b]);
830        if (Em > 3*noise_ratio*noise_floor*160 || E > noise_ratio*noise_floor*160)
831           bandwidth = 20;
832        /* Check if the band is masked (see below). */
833        is_masked[b] = E < (tonal->prev_bandwidth == 20  ? .01f : .05f)*bandwidth_mask;
834     }
835     if (above_max_pitch > below_max_pitch)
836        info->max_pitch_ratio = below_max_pitch/above_max_pitch;
837     else
838        info->max_pitch_ratio = 1;
839     /* In some cases, resampling aliasing can create a small amount of energy in the first band
840        being cut. So if the last band is masked, we don't include it.  */
841     if (bandwidth == 20 && is_masked[NB_TBANDS])
842        bandwidth-=2;
843     else if (bandwidth > 0 && bandwidth <= NB_TBANDS && is_masked[bandwidth-1])
844        bandwidth--;
845     if (tonal->count<=2)
846        bandwidth = 20;
847     frame_loudness = 20*(float)log10(frame_loudness);
848     tonal->Etracker = MAX32(tonal->Etracker-.003f, frame_loudness);
849     tonal->lowECount *= (1-alphaE);
850     if (frame_loudness < tonal->Etracker-30)
851        tonal->lowECount += alphaE;
852
853     for (i=0;i<8;i++)
854     {
855        float sum=0;
856        for (b=0;b<16;b++)
857           sum += dct_table[i*16+b]*logE[b];
858        BFCC[i] = sum;
859     }
860     for (i=0;i<8;i++)
861     {
862        float sum=0;
863        for (b=0;b<16;b++)
864           sum += dct_table[i*16+b]*.5f*(tonal->highE[b]+tonal->lowE[b]);
865        midE[i] = sum;
866     }
867
868     frame_stationarity /= NB_TBANDS;
869     relativeE /= NB_TBANDS;
870     if (tonal->count<10)
871        relativeE = .5f;
872     frame_noisiness /= NB_TBANDS;
873 #if 1
874     info->activity = frame_noisiness + (1-frame_noisiness)*relativeE;
875 #else
876     info->activity = .5*(1+frame_noisiness-frame_stationarity);
877 #endif
878     frame_tonality = (max_frame_tonality/(NB_TBANDS-NB_TONAL_SKIP_BANDS));
879     frame_tonality = MAX16(frame_tonality, tonal->prev_tonality*.8f);
880     tonal->prev_tonality = frame_tonality;
881
882     slope /= 8*8;
883     info->tonality_slope = slope;
884
885     tonal->E_count = (tonal->E_count+1)%NB_FRAMES;
886     tonal->count = IMIN(tonal->count+1, ANALYSIS_COUNT_MAX);
887     info->tonality = frame_tonality;
888
889     for (i=0;i<4;i++)
890        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];
891
892     for (i=0;i<4;i++)
893        tonal->cmean[i] = (1-alpha)*tonal->cmean[i] + alpha*BFCC[i];
894
895     for (i=0;i<4;i++)
896         features[4+i] = 0.63246f*(BFCC[i]-tonal->mem[i+24]) + 0.31623f*(tonal->mem[i]-tonal->mem[i+16]);
897     for (i=0;i<3;i++)
898         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];
899
900     if (tonal->count > 5)
901     {
902        for (i=0;i<9;i++)
903           tonal->std[i] = (1-alpha)*tonal->std[i] + alpha*features[i]*features[i];
904     }
905     for (i=0;i<4;i++)
906        features[i] = BFCC[i]-midE[i];
907
908     for (i=0;i<8;i++)
909     {
910        tonal->mem[i+24] = tonal->mem[i+16];
911        tonal->mem[i+16] = tonal->mem[i+8];
912        tonal->mem[i+8] = tonal->mem[i];
913        tonal->mem[i] = BFCC[i];
914     }
915     for (i=0;i<9;i++)
916        features[11+i] = (float)sqrt(tonal->std[i]) - std_feature_bias[i];
917     features[18] = spec_variability - 0.78f;
918     features[20] = info->tonality - 0.154723f;
919     features[21] = info->activity - 0.724643f;
920     features[22] = frame_stationarity - 0.743717f;
921     features[23] = info->tonality_slope + 0.069216f;
922     features[24] = tonal->lowECount - 0.067930f;
923
924     compute_dense(&layer0, layer_out, features);
925     compute_gru(&layer1, tonal->rnn_state, layer_out);
926     compute_dense(&layer2, frame_probs, tonal->rnn_state);
927
928     /* Probability of speech or music vs noise */
929     info->activity_probability = frame_probs[1];
930     info->music_prob = frame_probs[0];
931
932     /*printf("%f %f %f\n", frame_probs[0], frame_probs[1], info->music_prob);*/
933 #ifdef MLP_TRAINING
934     for (i=0;i<25;i++)
935        printf("%f ", features[i]);
936     printf("\n");
937 #endif
938
939     info->bandwidth = bandwidth;
940     tonal->prev_bandwidth = bandwidth;
941     /*printf("%d %d\n", info->bandwidth, info->opus_bandwidth);*/
942     info->noisiness = frame_noisiness;
943     info->valid = 1;
944     RESTORE_STACK;
945 }
946
947 void run_analysis(TonalityAnalysisState *analysis, const CELTMode *celt_mode, const void *analysis_pcm,
948                  int analysis_frame_size, int frame_size, int c1, int c2, int C, opus_int32 Fs,
949                  int lsb_depth, downmix_func downmix, AnalysisInfo *analysis_info)
950 {
951    int offset;
952    int pcm_len;
953
954    analysis_frame_size -= analysis_frame_size&1;
955    if (analysis_pcm != NULL)
956    {
957       /* Avoid overflow/wrap-around of the analysis buffer */
958       analysis_frame_size = IMIN((DETECT_SIZE-5)*Fs/50, analysis_frame_size);
959
960       pcm_len = analysis_frame_size - analysis->analysis_offset;
961       offset = analysis->analysis_offset;
962       while (pcm_len>0) {
963          tonality_analysis(analysis, celt_mode, analysis_pcm, IMIN(Fs/50, pcm_len), offset, c1, c2, C, lsb_depth, downmix);
964          offset += Fs/50;
965          pcm_len -= Fs/50;
966       }
967       analysis->analysis_offset = analysis_frame_size;
968
969       analysis->analysis_offset -= frame_size;
970    }
971
972    tonality_get_info(analysis, analysis_info, frame_size);
973 }
974
975 #endif /* DISABLE_FLOAT_API */