3.2 双引擎架构：SILK与CELT

3.2 双引擎架构：SILK 与 CELT

本节摘要：SILK 用线性预测建模语音的"激励-滤波器"结构，CELT 用短窗 MDCT 与 PVQ 保住音乐的时频细节，混合模式下二者按频段分工（SILK 管低频、CELT 管高频）。本节拆解两台引擎的信号流、模式决策器的判据，以及与 AAC 单引擎架构的成本对照。

3.1 讲了双引擎的来历，本节拆它们的内部结构——这是全册技术密度最高的一节，也是 1.4 节"分岔"在 Opus 内部的展开：一台引擎走加权预测路线，一台走频域能量约束路线。

SILK：把语音发生机制写成代码

语音的物理产生过程是"声带振动 + 声道成形"：声带给出准周期激励，声道像一个随口腔形状变化的滤波器，把激励调成共振峰丰富的声音。SILK 的编码流程就是这条生理链的数学化：

1. 短时线性预测（LPC）：对每 20 ms 帧求解预测系数，刻画声道的瞬时形状；系数转换到更抗量化的表示（LSF/LSTP 域）后分裂矢量量化；
2. 长时预测（LTP）：在当前帧里寻找与一个基音周期前最相似的片段，用"增益 + 滞后"描述周期性——元音的长串谐波被这一步大幅压缩；
3. 感知加权：由 LPC 系数导出加权滤波器，在共振峰处压低误差权重（1.4 节说的"把掩蔽编进手势"就是这一步）；
4. 激励编码：对加权后的残差，用代数码本描述——一组带符号的稀疏脉冲，每个脉冲的位置与幅度在网格上量化；低码率时脉冲少而稀，码率升高后脉冲加密甚至改用格矢量量化贴近残差波形。

SILK 的码率覆盖从 6 kbps 左右的窄带语音到 40 kbps 上下的宽带音乐（后者已非其强项）。它的输出天然对丢包友好：丢一帧 LPC 或基音参数，解码端可用历史参数外推，退化平缓。

CELT：为音乐保住时间轴

CELT 的名字直译是"受能量约束的搭接变换"，它解决的问题是：MDCT 窗缩到几毫秒后，频率分辨率崩了，怎么还能保住音乐质量？答案是改变量化对象——不精编码每个系数的绝对值，而是分两层：

• 能量层：每个临界频带量化一个能量值，精度优先级最高（听感响度存在感）；
• 形状层：带内系数归一化后的方向用金字塔矢量量化（PVQ）编码——把一串系数看作单位球面上的一个方向，量化"指向哪里"。PVQ 的码字天然稀疏、能量守恒，配合范围编码压缩效率极高。

增益与形状分离的意义在于：码率不足时先丢形状精度，能量保住，声音"还响着、还是那个频段"，只是细节糊了；而不是整个频带消失。相位信息被有意放弃，解码端用随机相位重建——这对听感几乎无损，却省下大量比特。AAC 的频谱量化没有这层"能量保险"，低码率下整带置零产生的频谱空洞（发闷感）在 CELT 里被结构性避免。

图：双引擎信号流与频段分工

模式决策器：每帧一次的裁决

选哪个引擎不是用户的选项，而是编码器逐帧自动裁决的内部状态。判据在 libopus 里综合了多路分析：语音活性与周期性（偏 SILK）、频谱平坦度与瞬态强度（偏 CELT）、目标码率（低码率倾向 SILK 的参数化骨架，高码率倾向 CELT 的波形精度）。裁决输出写入每帧开头的 TOC 字节——配置、带宽、帧长、模式挤在一个字节里，解码端凭它路由数据，无需任何带外协商。

切帧听感无缝的保证是重叠处理与状态平滑：SILK 与 CELT 各自维护跨帧状态，切换点上前一帧的合成器继续收尾。这正是"模式是运行时状态而非配置"的具体含义——对照 AAC 的 Profile（编译期/会话期锁定），粒度差了三个数量级。

用工具可以直接观察模式切换：

# opus_demo 是 libopus 自带的调试工具（随源码构建）
opus_demo -e voip 48000 1 -cbr 0 24000 in.pcm out.bit
# 编码语音+音乐混合素材后，用分析模式查看逐帧模式选择
opus_demo -d 48000 1 out.bit dec.pcm
# 观察 stderr 的帧统计：SILK/CELT/Hybrid 帧计数随内容变化
​

把一段"说话 + 背景音乐"的素材喂进去，能看到模式计数随段落摆动——这是双引擎架构最直观的可验证行为。

成本对照与边界

最后两行是公允的边界：双引擎的代价是工程复杂度（要维护与测试两套机器的切换矩阵），且在 128 kbps 以上的音乐档，CELT 的噪声藏匿精细度仍略逊于打磨更久的 AAC 心理声学机器——这也是第 4 章音质对比里 AAC 保住的那一局。

历史战绩与两个常见误解

双引擎设计在公开评测里的战绩可以概括成"两端强、中间稳"：语音端（8 kbps 上下的窄带与宽带档）长期领先同码率的所有通用编码器，这是 SILK 血统的直接兑现；音乐端在 96 kbps 以上进入优秀区间，但在 160 kbps 以上的精细档仍略逊打磨更久的 AAC 心理声学机器——两端的表现都符合架构预期。中间段（24 至 64 kbps 的混合内容）是双引擎的"展示区"：语音与音乐交织的素材（播客、游戏音效加语音、会议共享伴奏）由混合模式接管，各取所长的收益最明显。

两个常见误解需要澄清。误解一："Opus 检测到语音就用 SILK、检测到音乐就用 CELT，所以我要手动指定。"事实上模式选择完全自动，且用户没有直接开关——应用类型提示（VOIP/AUDIO）只是影响决策器的倾向权重，不是硬切换。想验证模式行为，用 opus_demo 的统计输出观察帧分布（前文已给命令），而不是找不存在的开关。误解二："混合模式是两个引擎的简单平均。"实际上混合模式有严格的频段分工与能量衔接处理，跨界处的频谱连续性由专门的过渡机制保障——听感上"无缝"正是这些看不见的衔接在兜底。

顺带一个实现侧的提醒：libopus 的版本升级通常带来编码质量改进（解码格式冻结、编码器持续优化），但也会改变帧级决策行为——升级后用 5.3 节的基线流程回归一遍，是团队级使用的基本纪律。

💡 关键直觉：SILK 与 CELT 不是"语音版和音乐版"两个产品，而是同一码流里的两套坐标系——时域的"预测坐标系"与频域的"能量坐标系"。模式决策器做的事，是每帧挑一个描述当前声音更省比特的坐标系。

引擎定了，下一节看油门与挡位：码率、带宽、帧长、复杂度四个维度怎么按场景配。