08d0600200d562e80de0a2cd530272db4a14e8a5
[ffmpeg.git] / libavcodec / wmavoice.c
1 /*
2  * Windows Media Audio Voice decoder.
3  * Copyright (c) 2009 Ronald S. Bultje
4  *
5  * This file is part of Libav.
6  *
7  * Libav is free software; you can redistribute it and/or
8  * modify it under the terms of the GNU Lesser General Public
9  * License as published by the Free Software Foundation; either
10  * version 2.1 of the License, or (at your option) any later version.
11  *
12  * Libav is distributed in the hope that it will be useful,
13  * but WITHOUT ANY WARRANTY; without even the implied warranty of
14  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
15  * Lesser General Public License for more details.
16  *
17  * You should have received a copy of the GNU Lesser General Public
18  * License along with Libav; if not, write to the Free Software
19  * Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA 02110-1301 USA
20  */
21
22 /**
23  * @file
24  * @brief Windows Media Audio Voice compatible decoder
25  * @author Ronald S. Bultje <rsbultje@gmail.com>
26  */
27
28 #define UNCHECKED_BITSTREAM_READER 1
29
30 #include <math.h>
31
32 #include "libavutil/channel_layout.h"
33 #include "libavutil/mem.h"
34 #include "dsputil.h"
35 #include "avcodec.h"
36 #include "internal.h"
37 #include "get_bits.h"
38 #include "put_bits.h"
39 #include "wmavoice_data.h"
40 #include "celp_filters.h"
41 #include "acelp_vectors.h"
42 #include "acelp_filters.h"
43 #include "lsp.h"
44 #include "dct.h"
45 #include "rdft.h"
46 #include "sinewin.h"
47
48 #define MAX_BLOCKS           8   ///< maximum number of blocks per frame
49 #define MAX_LSPS             16  ///< maximum filter order
50 #define MAX_LSPS_ALIGN16     16  ///< same as #MAX_LSPS; needs to be multiple
51                                  ///< of 16 for ASM input buffer alignment
52 #define MAX_FRAMES           3   ///< maximum number of frames per superframe
53 #define MAX_FRAMESIZE        160 ///< maximum number of samples per frame
54 #define MAX_SIGNAL_HISTORY   416 ///< maximum excitation signal history
55 #define MAX_SFRAMESIZE       (MAX_FRAMESIZE * MAX_FRAMES)
56                                  ///< maximum number of samples per superframe
57 #define SFRAME_CACHE_MAXSIZE 256 ///< maximum cache size for frame data that
58                                  ///< was split over two packets
59 #define VLC_NBITS            6   ///< number of bits to read per VLC iteration
60
61 /**
62  * Frame type VLC coding.
63  */
64 static VLC frame_type_vlc;
65
66 /**
67  * Adaptive codebook types.
68  */
69 enum {
70     ACB_TYPE_NONE       = 0, ///< no adaptive codebook (only hardcoded fixed)
71     ACB_TYPE_ASYMMETRIC = 1, ///< adaptive codebook with per-frame pitch, which
72                              ///< we interpolate to get a per-sample pitch.
73                              ///< Signal is generated using an asymmetric sinc
74                              ///< window function
75                              ///< @note see #wmavoice_ipol1_coeffs
76     ACB_TYPE_HAMMING    = 2  ///< Per-block pitch with signal generation using
77                              ///< a Hamming sinc window function
78                              ///< @note see #wmavoice_ipol2_coeffs
79 };
80
81 /**
82  * Fixed codebook types.
83  */
84 enum {
85     FCB_TYPE_SILENCE    = 0, ///< comfort noise during silence
86                              ///< generated from a hardcoded (fixed) codebook
87                              ///< with per-frame (low) gain values
88     FCB_TYPE_HARDCODED  = 1, ///< hardcoded (fixed) codebook with per-block
89                              ///< gain values
90     FCB_TYPE_AW_PULSES  = 2, ///< Pitch-adaptive window (AW) pulse signals,
91                              ///< used in particular for low-bitrate streams
92     FCB_TYPE_EXC_PULSES = 3, ///< Innovation (fixed) codebook pulse sets in
93                              ///< combinations of either single pulses or
94                              ///< pulse pairs
95 };
96
97 /**
98  * Description of frame types.
99  */
100 static const struct frame_type_desc {
101     uint8_t n_blocks;     ///< amount of blocks per frame (each block
102                           ///< (contains 160/#n_blocks samples)
103     uint8_t log_n_blocks; ///< log2(#n_blocks)
104     uint8_t acb_type;     ///< Adaptive codebook type (ACB_TYPE_*)
105     uint8_t fcb_type;     ///< Fixed codebook type (FCB_TYPE_*)
106     uint8_t dbl_pulses;   ///< how many pulse vectors have pulse pairs
107                           ///< (rather than just one single pulse)
108                           ///< only if #fcb_type == #FCB_TYPE_EXC_PULSES
109     uint16_t frame_size;  ///< the amount of bits that make up the block
110                           ///< data (per frame)
111 } frame_descs[17] = {
112     { 1, 0, ACB_TYPE_NONE,       FCB_TYPE_SILENCE,    0,   0 },
113     { 2, 1, ACB_TYPE_NONE,       FCB_TYPE_HARDCODED,  0,  28 },
114     { 2, 1, ACB_TYPE_ASYMMETRIC, FCB_TYPE_AW_PULSES,  0,  46 },
115     { 2, 1, ACB_TYPE_ASYMMETRIC, FCB_TYPE_EXC_PULSES, 2,  80 },
116     { 2, 1, ACB_TYPE_ASYMMETRIC, FCB_TYPE_EXC_PULSES, 5, 104 },
117     { 4, 2, ACB_TYPE_ASYMMETRIC, FCB_TYPE_EXC_PULSES, 0, 108 },
118     { 4, 2, ACB_TYPE_ASYMMETRIC, FCB_TYPE_EXC_PULSES, 2, 132 },
119     { 4, 2, ACB_TYPE_ASYMMETRIC, FCB_TYPE_EXC_PULSES, 5, 168 },
120     { 2, 1, ACB_TYPE_HAMMING,    FCB_TYPE_EXC_PULSES, 0,  64 },
121     { 2, 1, ACB_TYPE_HAMMING,    FCB_TYPE_EXC_PULSES, 2,  80 },
122     { 2, 1, ACB_TYPE_HAMMING,    FCB_TYPE_EXC_PULSES, 5, 104 },
123     { 4, 2, ACB_TYPE_HAMMING,    FCB_TYPE_EXC_PULSES, 0, 108 },
124     { 4, 2, ACB_TYPE_HAMMING,    FCB_TYPE_EXC_PULSES, 2, 132 },
125     { 4, 2, ACB_TYPE_HAMMING,    FCB_TYPE_EXC_PULSES, 5, 168 },
126     { 8, 3, ACB_TYPE_HAMMING,    FCB_TYPE_EXC_PULSES, 0, 176 },
127     { 8, 3, ACB_TYPE_HAMMING,    FCB_TYPE_EXC_PULSES, 2, 208 },
128     { 8, 3, ACB_TYPE_HAMMING,    FCB_TYPE_EXC_PULSES, 5, 256 }
129 };
130
131 /**
132  * WMA Voice decoding context.
133  */
134 typedef struct {
135     /**
136      * @name Global values specified in the stream header / extradata or used all over.
137      * @{
138      */
139     AVFrame frame;
140     GetBitContext gb;             ///< packet bitreader. During decoder init,
141                                   ///< it contains the extradata from the
142                                   ///< demuxer. During decoding, it contains
143                                   ///< packet data.
144     int8_t vbm_tree[25];          ///< converts VLC codes to frame type
145
146     int spillover_bitsize;        ///< number of bits used to specify
147                                   ///< #spillover_nbits in the packet header
148                                   ///< = ceil(log2(ctx->block_align << 3))
149     int history_nsamples;         ///< number of samples in history for signal
150                                   ///< prediction (through ACB)
151
152     /* postfilter specific values */
153     int do_apf;                   ///< whether to apply the averaged
154                                   ///< projection filter (APF)
155     int denoise_strength;         ///< strength of denoising in Wiener filter
156                                   ///< [0-11]
157     int denoise_tilt_corr;        ///< Whether to apply tilt correction to the
158                                   ///< Wiener filter coefficients (postfilter)
159     int dc_level;                 ///< Predicted amount of DC noise, based
160                                   ///< on which a DC removal filter is used
161
162     int lsps;                     ///< number of LSPs per frame [10 or 16]
163     int lsp_q_mode;               ///< defines quantizer defaults [0, 1]
164     int lsp_def_mode;             ///< defines different sets of LSP defaults
165                                   ///< [0, 1]
166     int frame_lsp_bitsize;        ///< size (in bits) of LSPs, when encoded
167                                   ///< per-frame (independent coding)
168     int sframe_lsp_bitsize;       ///< size (in bits) of LSPs, when encoded
169                                   ///< per superframe (residual coding)
170
171     int min_pitch_val;            ///< base value for pitch parsing code
172     int max_pitch_val;            ///< max value + 1 for pitch parsing
173     int pitch_nbits;              ///< number of bits used to specify the
174                                   ///< pitch value in the frame header
175     int block_pitch_nbits;        ///< number of bits used to specify the
176                                   ///< first block's pitch value
177     int block_pitch_range;        ///< range of the block pitch
178     int block_delta_pitch_nbits;  ///< number of bits used to specify the
179                                   ///< delta pitch between this and the last
180                                   ///< block's pitch value, used in all but
181                                   ///< first block
182     int block_delta_pitch_hrange; ///< 1/2 range of the delta (full range is
183                                   ///< from -this to +this-1)
184     uint16_t block_conv_table[4]; ///< boundaries for block pitch unit/scale
185                                   ///< conversion
186
187     /**
188      * @}
189      *
190      * @name Packet values specified in the packet header or related to a packet.
191      *
192      * A packet is considered to be a single unit of data provided to this
193      * decoder by the demuxer.
194      * @{
195      */
196     int spillover_nbits;          ///< number of bits of the previous packet's
197                                   ///< last superframe preceding this
198                                   ///< packet's first full superframe (useful
199                                   ///< for re-synchronization also)
200     int has_residual_lsps;        ///< if set, superframes contain one set of
201                                   ///< LSPs that cover all frames, encoded as
202                                   ///< independent and residual LSPs; if not
203                                   ///< set, each frame contains its own, fully
204                                   ///< independent, LSPs
205     int skip_bits_next;           ///< number of bits to skip at the next call
206                                   ///< to #wmavoice_decode_packet() (since
207                                   ///< they're part of the previous superframe)
208
209     uint8_t sframe_cache[SFRAME_CACHE_MAXSIZE + FF_INPUT_BUFFER_PADDING_SIZE];
210                                   ///< cache for superframe data split over
211                                   ///< multiple packets
212     int sframe_cache_size;        ///< set to >0 if we have data from an
213                                   ///< (incomplete) superframe from a previous
214                                   ///< packet that spilled over in the current
215                                   ///< packet; specifies the amount of bits in
216                                   ///< #sframe_cache
217     PutBitContext pb;             ///< bitstream writer for #sframe_cache
218
219     /**
220      * @}
221      *
222      * @name Frame and superframe values
223      * Superframe and frame data - these can change from frame to frame,
224      * although some of them do in that case serve as a cache / history for
225      * the next frame or superframe.
226      * @{
227      */
228     double prev_lsps[MAX_LSPS];   ///< LSPs of the last frame of the previous
229                                   ///< superframe
230     int last_pitch_val;           ///< pitch value of the previous frame
231     int last_acb_type;            ///< frame type [0-2] of the previous frame
232     int pitch_diff_sh16;          ///< ((cur_pitch_val - #last_pitch_val)
233                                   ///< << 16) / #MAX_FRAMESIZE
234     float silence_gain;           ///< set for use in blocks if #ACB_TYPE_NONE
235
236     int aw_idx_is_ext;            ///< whether the AW index was encoded in
237                                   ///< 8 bits (instead of 6)
238     int aw_pulse_range;           ///< the range over which #aw_pulse_set1()
239                                   ///< can apply the pulse, relative to the
240                                   ///< value in aw_first_pulse_off. The exact
241                                   ///< position of the first AW-pulse is within
242                                   ///< [pulse_off, pulse_off + this], and
243                                   ///< depends on bitstream values; [16 or 24]
244     int aw_n_pulses[2];           ///< number of AW-pulses in each block; note
245                                   ///< that this number can be negative (in
246                                   ///< which case it basically means "zero")
247     int aw_first_pulse_off[2];    ///< index of first sample to which to
248                                   ///< apply AW-pulses, or -0xff if unset
249     int aw_next_pulse_off_cache;  ///< the position (relative to start of the
250                                   ///< second block) at which pulses should
251                                   ///< start to be positioned, serves as a
252                                   ///< cache for pitch-adaptive window pulses
253                                   ///< between blocks
254
255     int frame_cntr;               ///< current frame index [0 - 0xFFFE]; is
256                                   ///< only used for comfort noise in #pRNG()
257     float gain_pred_err[6];       ///< cache for gain prediction
258     float excitation_history[MAX_SIGNAL_HISTORY];
259                                   ///< cache of the signal of previous
260                                   ///< superframes, used as a history for
261                                   ///< signal generation
262     float synth_history[MAX_LSPS]; ///< see #excitation_history
263     /**
264      * @}
265      *
266      * @name Postfilter values
267      *
268      * Variables used for postfilter implementation, mostly history for
269      * smoothing and so on, and context variables for FFT/iFFT.
270      * @{
271      */
272     RDFTContext rdft, irdft;      ///< contexts for FFT-calculation in the
273                                   ///< postfilter (for denoise filter)
274     DCTContext dct, dst;          ///< contexts for phase shift (in Hilbert
275                                   ///< transform, part of postfilter)
276     float sin[511], cos[511];     ///< 8-bit cosine/sine windows over [-pi,pi]
277                                   ///< range
278     float postfilter_agc;         ///< gain control memory, used in
279                                   ///< #adaptive_gain_control()
280     float dcf_mem[2];             ///< DC filter history
281     float zero_exc_pf[MAX_SIGNAL_HISTORY + MAX_SFRAMESIZE];
282                                   ///< zero filter output (i.e. excitation)
283                                   ///< by postfilter
284     float denoise_filter_cache[MAX_FRAMESIZE];
285     int   denoise_filter_cache_size; ///< samples in #denoise_filter_cache
286     DECLARE_ALIGNED(32, float, tilted_lpcs_pf)[0x80];
287                                   ///< aligned buffer for LPC tilting
288     DECLARE_ALIGNED(32, float, denoise_coeffs_pf)[0x80];
289                                   ///< aligned buffer for denoise coefficients
290     DECLARE_ALIGNED(32, float, synth_filter_out_buf)[0x80 + MAX_LSPS_ALIGN16];
291                                   ///< aligned buffer for postfilter speech
292                                   ///< synthesis
293     /**
294      * @}
295      */
296 } WMAVoiceContext;
297
298 /**
299  * Set up the variable bit mode (VBM) tree from container extradata.
300  * @param gb bit I/O context.
301  *           The bit context (s->gb) should be loaded with byte 23-46 of the
302  *           container extradata (i.e. the ones containing the VBM tree).
303  * @param vbm_tree pointer to array to which the decoded VBM tree will be
304  *                 written.
305  * @return 0 on success, <0 on error.
306  */
307 static av_cold int decode_vbmtree(GetBitContext *gb, int8_t vbm_tree[25])
308 {
309     static const uint8_t bits[] = {
310          2,  2,  2,  4,  4,  4,
311          6,  6,  6,  8,  8,  8,
312         10, 10, 10, 12, 12, 12,
313         14, 14, 14, 14
314     };
315     static const uint16_t codes[] = {
316           0x0000, 0x0001, 0x0002,        //              00/01/10
317           0x000c, 0x000d, 0x000e,        //           11+00/01/10
318           0x003c, 0x003d, 0x003e,        //         1111+00/01/10
319           0x00fc, 0x00fd, 0x00fe,        //       111111+00/01/10
320           0x03fc, 0x03fd, 0x03fe,        //     11111111+00/01/10
321           0x0ffc, 0x0ffd, 0x0ffe,        //   1111111111+00/01/10
322           0x3ffc, 0x3ffd, 0x3ffe, 0x3fff // 111111111111+xx
323     };
324     int cntr[8] = { 0 }, n, res;
325
326     memset(vbm_tree, 0xff, sizeof(vbm_tree[0]) * 25);
327     for (n = 0; n < 17; n++) {
328         res = get_bits(gb, 3);
329         if (cntr[res] > 3) // should be >= 3 + (res == 7))
330             return -1;
331         vbm_tree[res * 3 + cntr[res]++] = n;
332     }
333     INIT_VLC_STATIC(&frame_type_vlc, VLC_NBITS, sizeof(bits),
334                     bits, 1, 1, codes, 2, 2, 132);
335     return 0;
336 }
337
338 /**
339  * Set up decoder with parameters from demuxer (extradata etc.).
340  */
341 static av_cold int wmavoice_decode_init(AVCodecContext *ctx)
342 {
343     int n, flags, pitch_range, lsp16_flag;
344     WMAVoiceContext *s = ctx->priv_data;
345
346     /**
347      * Extradata layout:
348      * - byte  0-18: WMAPro-in-WMAVoice extradata (see wmaprodec.c),
349      * - byte 19-22: flags field (annoyingly in LE; see below for known
350      *               values),
351      * - byte 23-46: variable bitmode tree (really just 17 * 3 bits,
352      *               rest is 0).
353      */
354     if (ctx->extradata_size != 46) {
355         av_log(ctx, AV_LOG_ERROR,
356                "Invalid extradata size %d (should be 46)\n",
357                ctx->extradata_size);
358         return -1;
359     }
360     flags                = AV_RL32(ctx->extradata + 18);
361     s->spillover_bitsize = 3 + av_ceil_log2(ctx->block_align);
362     s->do_apf            =    flags & 0x1;
363     if (s->do_apf) {
364         ff_rdft_init(&s->rdft,  7, DFT_R2C);
365         ff_rdft_init(&s->irdft, 7, IDFT_C2R);
366         ff_dct_init(&s->dct,  6, DCT_I);
367         ff_dct_init(&s->dst,  6, DST_I);
368
369         ff_sine_window_init(s->cos, 256);
370         memcpy(&s->sin[255], s->cos, 256 * sizeof(s->cos[0]));
371         for (n = 0; n < 255; n++) {
372             s->sin[n]       = -s->sin[510 - n];
373             s->cos[510 - n] =  s->cos[n];
374         }
375     }
376     s->denoise_strength  =   (flags >> 2) & 0xF;
377     if (s->denoise_strength >= 12) {
378         av_log(ctx, AV_LOG_ERROR,
379                "Invalid denoise filter strength %d (max=11)\n",
380                s->denoise_strength);
381         return -1;
382     }
383     s->denoise_tilt_corr = !!(flags & 0x40);
384     s->dc_level          =   (flags >> 7) & 0xF;
385     s->lsp_q_mode        = !!(flags & 0x2000);
386     s->lsp_def_mode      = !!(flags & 0x4000);
387     lsp16_flag           =    flags & 0x1000;
388     if (lsp16_flag) {
389         s->lsps               = 16;
390         s->frame_lsp_bitsize  = 34;
391         s->sframe_lsp_bitsize = 60;
392     } else {
393         s->lsps               = 10;
394         s->frame_lsp_bitsize  = 24;
395         s->sframe_lsp_bitsize = 48;
396     }
397     for (n = 0; n < s->lsps; n++)
398         s->prev_lsps[n] = M_PI * (n + 1.0) / (s->lsps + 1.0);
399
400     init_get_bits(&s->gb, ctx->extradata + 22, (ctx->extradata_size - 22) << 3);
401     if (decode_vbmtree(&s->gb, s->vbm_tree) < 0) {
402         av_log(ctx, AV_LOG_ERROR, "Invalid VBM tree; broken extradata?\n");
403         return -1;
404     }
405
406     s->min_pitch_val    = ((ctx->sample_rate << 8)      /  400 + 50) >> 8;
407     s->max_pitch_val    = ((ctx->sample_rate << 8) * 37 / 2000 + 50) >> 8;
408     pitch_range         = s->max_pitch_val - s->min_pitch_val;
409     if (pitch_range <= 0) {
410         av_log(ctx, AV_LOG_ERROR, "Invalid pitch range; broken extradata?\n");
411         return -1;
412     }
413     s->pitch_nbits      = av_ceil_log2(pitch_range);
414     s->last_pitch_val   = 40;
415     s->last_acb_type    = ACB_TYPE_NONE;
416     s->history_nsamples = s->max_pitch_val + 8;
417
418     if (s->min_pitch_val < 1 || s->history_nsamples > MAX_SIGNAL_HISTORY) {
419         int min_sr = ((((1 << 8) - 50) * 400) + 0xFF) >> 8,
420             max_sr = ((((MAX_SIGNAL_HISTORY - 8) << 8) + 205) * 2000 / 37) >> 8;
421
422         av_log(ctx, AV_LOG_ERROR,
423                "Unsupported samplerate %d (min=%d, max=%d)\n",
424                ctx->sample_rate, min_sr, max_sr); // 322-22097 Hz
425
426         return -1;
427     }
428
429     s->block_conv_table[0]      = s->min_pitch_val;
430     s->block_conv_table[1]      = (pitch_range * 25) >> 6;
431     s->block_conv_table[2]      = (pitch_range * 44) >> 6;
432     s->block_conv_table[3]      = s->max_pitch_val - 1;
433     s->block_delta_pitch_hrange = (pitch_range >> 3) & ~0xF;
434     if (s->block_delta_pitch_hrange <= 0) {
435         av_log(ctx, AV_LOG_ERROR, "Invalid delta pitch hrange; broken extradata?\n");
436         return -1;
437     }
438     s->block_delta_pitch_nbits  = 1 + av_ceil_log2(s->block_delta_pitch_hrange);
439     s->block_pitch_range        = s->block_conv_table[2] +
440                                   s->block_conv_table[3] + 1 +
441                                   2 * (s->block_conv_table[1] - 2 * s->min_pitch_val);
442     s->block_pitch_nbits        = av_ceil_log2(s->block_pitch_range);
443
444     ctx->channels               = 1;
445     ctx->channel_layout         = AV_CH_LAYOUT_MONO;
446     ctx->sample_fmt             = AV_SAMPLE_FMT_FLT;
447
448     avcodec_get_frame_defaults(&s->frame);
449     ctx->coded_frame = &s->frame;
450
451     return 0;
452 }
453
454 /**
455  * @name Postfilter functions
456  * Postfilter functions (gain control, wiener denoise filter, DC filter,
457  * kalman smoothening, plus surrounding code to wrap it)
458  * @{
459  */
460 /**
461  * Adaptive gain control (as used in postfilter).
462  *
463  * Identical to #ff_adaptive_gain_control() in acelp_vectors.c, except
464  * that the energy here is calculated using sum(abs(...)), whereas the
465  * other codecs (e.g. AMR-NB, SIPRO) use sqrt(dotproduct(...)).
466  *
467  * @param out output buffer for filtered samples
468  * @param in input buffer containing the samples as they are after the
469  *           postfilter steps so far
470  * @param speech_synth input buffer containing speech synth before postfilter
471  * @param size input buffer size
472  * @param alpha exponential filter factor
473  * @param gain_mem pointer to filter memory (single float)
474  */
475 static void adaptive_gain_control(float *out, const float *in,
476                                   const float *speech_synth,
477                                   int size, float alpha, float *gain_mem)
478 {
479     int i;
480     float speech_energy = 0.0, postfilter_energy = 0.0, gain_scale_factor;
481     float mem = *gain_mem;
482
483     for (i = 0; i < size; i++) {
484         speech_energy     += fabsf(speech_synth[i]);
485         postfilter_energy += fabsf(in[i]);
486     }
487     gain_scale_factor = (1.0 - alpha) * speech_energy / postfilter_energy;
488
489     for (i = 0; i < size; i++) {
490         mem = alpha * mem + gain_scale_factor;
491         out[i] = in[i] * mem;
492     }
493
494     *gain_mem = mem;
495 }
496
497 /**
498  * Kalman smoothing function.
499  *
500  * This function looks back pitch +/- 3 samples back into history to find
501  * the best fitting curve (that one giving the optimal gain of the two
502  * signals, i.e. the highest dot product between the two), and then
503  * uses that signal history to smoothen the output of the speech synthesis
504  * filter.
505  *
506  * @param s WMA Voice decoding context
507  * @param pitch pitch of the speech signal
508  * @param in input speech signal
509  * @param out output pointer for smoothened signal
510  * @param size input/output buffer size
511  *
512  * @returns -1 if no smoothening took place, e.g. because no optimal
513  *          fit could be found, or 0 on success.
514  */
515 static int kalman_smoothen(WMAVoiceContext *s, int pitch,
516                            const float *in, float *out, int size)
517 {
518     int n;
519     float optimal_gain = 0, dot;
520     const float *ptr = &in[-FFMAX(s->min_pitch_val, pitch - 3)],
521                 *end = &in[-FFMIN(s->max_pitch_val, pitch + 3)],
522                 *best_hist_ptr;
523
524     /* find best fitting point in history */
525     do {
526         dot = ff_scalarproduct_float_c(in, ptr, size);
527         if (dot > optimal_gain) {
528             optimal_gain  = dot;
529             best_hist_ptr = ptr;
530         }
531     } while (--ptr >= end);
532
533     if (optimal_gain <= 0)
534         return -1;
535     dot = ff_scalarproduct_float_c(best_hist_ptr, best_hist_ptr, size);
536     if (dot <= 0) // would be 1.0
537         return -1;
538
539     if (optimal_gain <= dot) {
540         dot = dot / (dot + 0.6 * optimal_gain); // 0.625-1.000
541     } else
542         dot = 0.625;
543
544     /* actual smoothing */
545     for (n = 0; n < size; n++)
546         out[n] = best_hist_ptr[n] + dot * (in[n] - best_hist_ptr[n]);
547
548     return 0;
549 }
550
551 /**
552  * Get the tilt factor of a formant filter from its transfer function
553  * @see #tilt_factor() in amrnbdec.c, which does essentially the same,
554  *      but somehow (??) it does a speech synthesis filter in the
555  *      middle, which is missing here
556  *
557  * @param lpcs LPC coefficients
558  * @param n_lpcs Size of LPC buffer
559  * @returns the tilt factor
560  */
561 static float tilt_factor(const float *lpcs, int n_lpcs)
562 {
563     float rh0, rh1;
564
565     rh0 = 1.0     + ff_scalarproduct_float_c(lpcs,  lpcs,    n_lpcs);
566     rh1 = lpcs[0] + ff_scalarproduct_float_c(lpcs, &lpcs[1], n_lpcs - 1);
567
568     return rh1 / rh0;
569 }
570
571 /**
572  * Derive denoise filter coefficients (in real domain) from the LPCs.
573  */
574 static void calc_input_response(WMAVoiceContext *s, float *lpcs,
575                                 int fcb_type, float *coeffs, int remainder)
576 {
577     float last_coeff, min = 15.0, max = -15.0;
578     float irange, angle_mul, gain_mul, range, sq;
579     int n, idx;
580
581     /* Create frequency power spectrum of speech input (i.e. RDFT of LPCs) */
582     s->rdft.rdft_calc(&s->rdft, lpcs);
583 #define log_range(var, assign) do { \
584         float tmp = log10f(assign);  var = tmp; \
585         max       = FFMAX(max, tmp); min = FFMIN(min, tmp); \
586     } while (0)
587     log_range(last_coeff,  lpcs[1]         * lpcs[1]);
588     for (n = 1; n < 64; n++)
589         log_range(lpcs[n], lpcs[n * 2]     * lpcs[n * 2] +
590                            lpcs[n * 2 + 1] * lpcs[n * 2 + 1]);
591     log_range(lpcs[0],     lpcs[0]         * lpcs[0]);
592 #undef log_range
593     range    = max - min;
594     lpcs[64] = last_coeff;
595
596     /* Now, use this spectrum to pick out these frequencies with higher
597      * (relative) power/energy (which we then take to be "not noise"),
598      * and set up a table (still in lpc[]) of (relative) gains per frequency.
599      * These frequencies will be maintained, while others ("noise") will be
600      * decreased in the filter output. */
601     irange    = 64.0 / range; // so irange*(max-value) is in the range [0, 63]
602     gain_mul  = range * (fcb_type == FCB_TYPE_HARDCODED ? (5.0 / 13.0) :
603                                                           (5.0 / 14.7));
604     angle_mul = gain_mul * (8.0 * M_LN10 / M_PI);
605     for (n = 0; n <= 64; n++) {
606         float pwr;
607
608         idx = FFMAX(0, lrint((max - lpcs[n]) * irange) - 1);
609         pwr = wmavoice_denoise_power_table[s->denoise_strength][idx];
610         lpcs[n] = angle_mul * pwr;
611
612         /* 70.57 =~ 1/log10(1.0331663) */
613         idx = (pwr * gain_mul - 0.0295) * 70.570526123;
614         if (idx > 127) { // fallback if index falls outside table range
615             coeffs[n] = wmavoice_energy_table[127] *
616                         powf(1.0331663, idx - 127);
617         } else
618             coeffs[n] = wmavoice_energy_table[FFMAX(0, idx)];
619     }
620
621     /* calculate the Hilbert transform of the gains, which we do (since this
622      * is a sinus input) by doing a phase shift (in theory, H(sin())=cos()).
623      * Hilbert_Transform(RDFT(x)) = Laplace_Transform(x), which calculates the
624      * "moment" of the LPCs in this filter. */
625     s->dct.dct_calc(&s->dct, lpcs);
626     s->dst.dct_calc(&s->dst, lpcs);
627
628     /* Split out the coefficient indexes into phase/magnitude pairs */
629     idx = 255 + av_clip(lpcs[64],               -255, 255);
630     coeffs[0]  = coeffs[0]  * s->cos[idx];
631     idx = 255 + av_clip(lpcs[64] - 2 * lpcs[63], -255, 255);
632     last_coeff = coeffs[64] * s->cos[idx];
633     for (n = 63;; n--) {
634         idx = 255 + av_clip(-lpcs[64] - 2 * lpcs[n - 1], -255, 255);
635         coeffs[n * 2 + 1] = coeffs[n] * s->sin[idx];
636         coeffs[n * 2]     = coeffs[n] * s->cos[idx];
637
638         if (!--n) break;
639
640         idx = 255 + av_clip( lpcs[64] - 2 * lpcs[n - 1], -255, 255);
641         coeffs[n * 2 + 1] = coeffs[n] * s->sin[idx];
642         coeffs[n * 2]     = coeffs[n] * s->cos[idx];
643     }
644     coeffs[1] = last_coeff;
645
646     /* move into real domain */
647     s->irdft.rdft_calc(&s->irdft, coeffs);
648
649     /* tilt correction and normalize scale */
650     memset(&coeffs[remainder], 0, sizeof(coeffs[0]) * (128 - remainder));
651     if (s->denoise_tilt_corr) {
652         float tilt_mem = 0;
653
654         coeffs[remainder - 1] = 0;
655         ff_tilt_compensation(&tilt_mem,
656                              -1.8 * tilt_factor(coeffs, remainder - 1),
657                              coeffs, remainder);
658     }
659     sq = (1.0 / 64.0) * sqrtf(1 / ff_scalarproduct_float_c(coeffs, coeffs, remainder));
660     for (n = 0; n < remainder; n++)
661         coeffs[n] *= sq;
662 }
663
664 /**
665  * This function applies a Wiener filter on the (noisy) speech signal as
666  * a means to denoise it.
667  *
668  * - take RDFT of LPCs to get the power spectrum of the noise + speech;
669  * - using this power spectrum, calculate (for each frequency) the Wiener
670  *    filter gain, which depends on the frequency power and desired level
671  *    of noise subtraction (when set too high, this leads to artifacts)
672  *    We can do this symmetrically over the X-axis (so 0-4kHz is the inverse
673  *    of 4-8kHz);
674  * - by doing a phase shift, calculate the Hilbert transform of this array
675  *    of per-frequency filter-gains to get the filtering coefficients;
676  * - smoothen/normalize/de-tilt these filter coefficients as desired;
677  * - take RDFT of noisy sound, apply the coefficients and take its IRDFT
678  *    to get the denoised speech signal;
679  * - the leftover (i.e. output of the IRDFT on denoised speech data beyond
680  *    the frame boundary) are saved and applied to subsequent frames by an
681  *    overlap-add method (otherwise you get clicking-artifacts).
682  *
683  * @param s WMA Voice decoding context
684  * @param fcb_type Frame (codebook) type
685  * @param synth_pf input: the noisy speech signal, output: denoised speech
686  *                 data; should be 16-byte aligned (for ASM purposes)
687  * @param size size of the speech data
688  * @param lpcs LPCs used to synthesize this frame's speech data
689  */
690 static void wiener_denoise(WMAVoiceContext *s, int fcb_type,
691                            float *synth_pf, int size,
692                            const float *lpcs)
693 {
694     int remainder, lim, n;
695
696     if (fcb_type != FCB_TYPE_SILENCE) {
697         float *tilted_lpcs = s->tilted_lpcs_pf,
698               *coeffs = s->denoise_coeffs_pf, tilt_mem = 0;
699
700         tilted_lpcs[0]           = 1.0;
701         memcpy(&tilted_lpcs[1], lpcs, sizeof(lpcs[0]) * s->lsps);
702         memset(&tilted_lpcs[s->lsps + 1], 0,
703                sizeof(tilted_lpcs[0]) * (128 - s->lsps - 1));
704         ff_tilt_compensation(&tilt_mem, 0.7 * tilt_factor(lpcs, s->lsps),
705                              tilted_lpcs, s->lsps + 2);
706
707         /* The IRDFT output (127 samples for 7-bit filter) beyond the frame
708          * size is applied to the next frame. All input beyond this is zero,
709          * and thus all output beyond this will go towards zero, hence we can
710          * limit to min(size-1, 127-size) as a performance consideration. */
711         remainder = FFMIN(127 - size, size - 1);
712         calc_input_response(s, tilted_lpcs, fcb_type, coeffs, remainder);
713
714         /* apply coefficients (in frequency spectrum domain), i.e. complex
715          * number multiplication */
716         memset(&synth_pf[size], 0, sizeof(synth_pf[0]) * (128 - size));
717         s->rdft.rdft_calc(&s->rdft, synth_pf);
718         s->rdft.rdft_calc(&s->rdft, coeffs);
719         synth_pf[0] *= coeffs[0];
720         synth_pf[1] *= coeffs[1];
721         for (n = 1; n < 64; n++) {
722             float v1 = synth_pf[n * 2], v2 = synth_pf[n * 2 + 1];
723             synth_pf[n * 2]     = v1 * coeffs[n * 2] - v2 * coeffs[n * 2 + 1];
724             synth_pf[n * 2 + 1] = v2 * coeffs[n * 2] + v1 * coeffs[n * 2 + 1];
725         }
726         s->irdft.rdft_calc(&s->irdft, synth_pf);
727     }
728
729     /* merge filter output with the history of previous runs */
730     if (s->denoise_filter_cache_size) {
731         lim = FFMIN(s->denoise_filter_cache_size, size);
732         for (n = 0; n < lim; n++)
733             synth_pf[n] += s->denoise_filter_cache[n];
734         s->denoise_filter_cache_size -= lim;
735         memmove(s->denoise_filter_cache, &s->denoise_filter_cache[size],
736                 sizeof(s->denoise_filter_cache[0]) * s->denoise_filter_cache_size);
737     }
738
739     /* move remainder of filter output into a cache for future runs */
740     if (fcb_type != FCB_TYPE_SILENCE) {
741         lim = FFMIN(remainder, s->denoise_filter_cache_size);
742         for (n = 0; n < lim; n++)
743             s->denoise_filter_cache[n] += synth_pf[size + n];
744         if (lim < remainder) {
745             memcpy(&s->denoise_filter_cache[lim], &synth_pf[size + lim],
746                    sizeof(s->denoise_filter_cache[0]) * (remainder - lim));
747             s->denoise_filter_cache_size = remainder;
748         }
749     }
750 }
751
752 /**
753  * Averaging projection filter, the postfilter used in WMAVoice.
754  *
755  * This uses the following steps:
756  * - A zero-synthesis filter (generate excitation from synth signal)
757  * - Kalman smoothing on excitation, based on pitch
758  * - Re-synthesized smoothened output
759  * - Iterative Wiener denoise filter
760  * - Adaptive gain filter
761  * - DC filter
762  *
763  * @param s WMAVoice decoding context
764  * @param synth Speech synthesis output (before postfilter)
765  * @param samples Output buffer for filtered samples
766  * @param size Buffer size of synth & samples
767  * @param lpcs Generated LPCs used for speech synthesis
768  * @param zero_exc_pf destination for zero synthesis filter (16-byte aligned)
769  * @param fcb_type Frame type (silence, hardcoded, AW-pulses or FCB-pulses)
770  * @param pitch Pitch of the input signal
771  */
772 static void postfilter(WMAVoiceContext *s, const float *synth,
773                        float *samples,    int size,
774                        const float *lpcs, float *zero_exc_pf,
775                        int fcb_type,      int pitch)
776 {
777     float synth_filter_in_buf[MAX_FRAMESIZE / 2],
778           *synth_pf = &s->synth_filter_out_buf[MAX_LSPS_ALIGN16],
779           *synth_filter_in = zero_exc_pf;
780
781     assert(size <= MAX_FRAMESIZE / 2);
782
783     /* generate excitation from input signal */
784     ff_celp_lp_zero_synthesis_filterf(zero_exc_pf, lpcs, synth, size, s->lsps);
785
786     if (fcb_type >= FCB_TYPE_AW_PULSES &&
787         !kalman_smoothen(s, pitch, zero_exc_pf, synth_filter_in_buf, size))
788         synth_filter_in = synth_filter_in_buf;
789
790     /* re-synthesize speech after smoothening, and keep history */
791     ff_celp_lp_synthesis_filterf(synth_pf, lpcs,
792                                  synth_filter_in, size, s->lsps);
793     memcpy(&synth_pf[-s->lsps], &synth_pf[size - s->lsps],
794            sizeof(synth_pf[0]) * s->lsps);
795
796     wiener_denoise(s, fcb_type, synth_pf, size, lpcs);
797
798     adaptive_gain_control(samples, synth_pf, synth, size, 0.99,
799                           &s->postfilter_agc);
800
801     if (s->dc_level > 8) {
802         /* remove ultra-low frequency DC noise / highpass filter;
803          * coefficients are identical to those used in SIPR decoding,
804          * and very closely resemble those used in AMR-NB decoding. */
805         ff_acelp_apply_order_2_transfer_function(samples, samples,
806             (const float[2]) { -1.99997,      1.0 },
807             (const float[2]) { -1.9330735188, 0.93589198496 },
808             0.93980580475, s->dcf_mem, size);
809     }
810 }
811 /**
812  * @}
813  */
814
815 /**
816  * Dequantize LSPs
817  * @param lsps output pointer to the array that will hold the LSPs
818  * @param num number of LSPs to be dequantized
819  * @param values quantized values, contains n_stages values
820  * @param sizes range (i.e. max value) of each quantized value
821  * @param n_stages number of dequantization runs
822  * @param table dequantization table to be used
823  * @param mul_q LSF multiplier
824  * @param base_q base (lowest) LSF values
825  */
826 static void dequant_lsps(double *lsps, int num,
827                          const uint16_t *values,
828                          const uint16_t *sizes,
829                          int n_stages, const uint8_t *table,
830                          const double *mul_q,
831                          const double *base_q)
832 {
833     int n, m;
834
835     memset(lsps, 0, num * sizeof(*lsps));
836     for (n = 0; n < n_stages; n++) {
837         const uint8_t *t_off = &table[values[n] * num];
838         double base = base_q[n], mul = mul_q[n];
839
840         for (m = 0; m < num; m++)
841             lsps[m] += base + mul * t_off[m];
842
843         table += sizes[n] * num;
844     }
845 }
846
847 /**
848  * @name LSP dequantization routines
849  * LSP dequantization routines, for 10/16LSPs and independent/residual coding.
850  * @note we assume enough bits are available, caller should check.
851  * lsp10i() consumes 24 bits; lsp10r() consumes an additional 24 bits;
852  * lsp16i() consumes 34 bits; lsp16r() consumes an additional 26 bits.
853  * @{
854  */
855 /**
856  * Parse 10 independently-coded LSPs.
857  */
858 static void dequant_lsp10i(GetBitContext *gb, double *lsps)
859 {
860     static const uint16_t vec_sizes[4] = { 256, 64, 32, 32 };
861     static const double mul_lsf[4] = {
862         5.2187144800e-3,    1.4626986422e-3,
863         9.6179549166e-4,    1.1325736225e-3
864     };
865     static const double base_lsf[4] = {
866         M_PI * -2.15522e-1, M_PI * -6.1646e-2,
867         M_PI * -3.3486e-2,  M_PI * -5.7408e-2
868     };
869     uint16_t v[4];
870
871     v[0] = get_bits(gb, 8);
872     v[1] = get_bits(gb, 6);
873     v[2] = get_bits(gb, 5);
874     v[3] = get_bits(gb, 5);
875
876     dequant_lsps(lsps, 10, v, vec_sizes, 4, wmavoice_dq_lsp10i,
877                  mul_lsf, base_lsf);
878 }
879
880 /**
881  * Parse 10 independently-coded LSPs, and then derive the tables to
882  * generate LSPs for the other frames from them (residual coding).
883  */
884 static void dequant_lsp10r(GetBitContext *gb,
885                            double *i_lsps, const double *old,
886                            double *a1, double *a2, int q_mode)
887 {
888     static const uint16_t vec_sizes[3] = { 128, 64, 64 };
889     static const double mul_lsf[3] = {
890         2.5807601174e-3,    1.2354460219e-3,   1.1763821673e-3
891     };
892     static const double base_lsf[3] = {
893         M_PI * -1.07448e-1, M_PI * -5.2706e-2, M_PI * -5.1634e-2
894     };
895     const float (*ipol_tab)[2][10] = q_mode ?
896         wmavoice_lsp10_intercoeff_b : wmavoice_lsp10_intercoeff_a;
897     uint16_t interpol, v[3];
898     int n;
899
900     dequant_lsp10i(gb, i_lsps);
901
902     interpol = get_bits(gb, 5);
903     v[0]     = get_bits(gb, 7);
904     v[1]     = get_bits(gb, 6);
905     v[2]     = get_bits(gb, 6);
906
907     for (n = 0; n < 10; n++) {
908         double delta = old[n] - i_lsps[n];
909         a1[n]        = ipol_tab[interpol][0][n] * delta + i_lsps[n];
910         a1[10 + n]   = ipol_tab[interpol][1][n] * delta + i_lsps[n];
911     }
912
913     dequant_lsps(a2, 20, v, vec_sizes, 3, wmavoice_dq_lsp10r,
914                  mul_lsf, base_lsf);
915 }
916
917 /**
918  * Parse 16 independently-coded LSPs.
919  */
920 static void dequant_lsp16i(GetBitContext *gb, double *lsps)
921 {
922     static const uint16_t vec_sizes[5] = { 256, 64, 128, 64, 128 };
923     static const double mul_lsf[5] = {
924         3.3439586280e-3,    6.9908173703e-4,
925         3.3216608306e-3,    1.0334960326e-3,
926         3.1899104283e-3
927     };
928     static const double base_lsf[5] = {
929         M_PI * -1.27576e-1, M_PI * -2.4292e-2,
930         M_PI * -1.28094e-1, M_PI * -3.2128e-2,
931         M_PI * -1.29816e-1
932     };
933     uint16_t v[5];
934
935     v[0] = get_bits(gb, 8);
936     v[1] = get_bits(gb, 6);
937     v[2] = get_bits(gb, 7);
938     v[3] = get_bits(gb, 6);
939     v[4] = get_bits(gb, 7);
940
941     dequant_lsps( lsps,     5,  v,     vec_sizes,    2,
942                  wmavoice_dq_lsp16i1,  mul_lsf,     base_lsf);
943     dequant_lsps(&lsps[5],  5, &v[2], &vec_sizes[2], 2,
944                  wmavoice_dq_lsp16i2, &mul_lsf[2], &base_lsf[2]);
945     dequant_lsps(&lsps[10], 6, &v[4], &vec_sizes[4], 1,
946                  wmavoice_dq_lsp16i3, &mul_lsf[4], &base_lsf[4]);
947 }
948
949 /**
950  * Parse 16 independently-coded LSPs, and then derive the tables to
951  * generate LSPs for the other frames from them (residual coding).
952  */
953 static void dequant_lsp16r(GetBitContext *gb,
954                            double *i_lsps, const double *old,
955                            double *a1, double *a2, int q_mode)
956 {
957     static const uint16_t vec_sizes[3] = { 128, 128, 128 };
958     static const double mul_lsf[3] = {
959         1.2232979501e-3,   1.4062241527e-3,   1.6114744851e-3
960     };
961     static const double base_lsf[3] = {
962         M_PI * -5.5830e-2, M_PI * -5.2908e-2, M_PI * -5.4776e-2
963     };
964     const float (*ipol_tab)[2][16] = q_mode ?
965         wmavoice_lsp16_intercoeff_b : wmavoice_lsp16_intercoeff_a;
966     uint16_t interpol, v[3];
967     int n;
968
969     dequant_lsp16i(gb, i_lsps);
970
971     interpol = get_bits(gb, 5);
972     v[0]     = get_bits(gb, 7);
973     v[1]     = get_bits(gb, 7);
974     v[2]     = get_bits(gb, 7);
975
976     for (n = 0; n < 16; n++) {
977         double delta = old[n] - i_lsps[n];
978         a1[n]        = ipol_tab[interpol][0][n] * delta + i_lsps[n];
979         a1[16 + n]   = ipol_tab[interpol][1][n] * delta + i_lsps[n];
980     }
981
982     dequant_lsps( a2,     10,  v,     vec_sizes,    1,
983                  wmavoice_dq_lsp16r1,  mul_lsf,     base_lsf);
984     dequant_lsps(&a2[10], 10, &v[1], &vec_sizes[1], 1,
985                  wmavoice_dq_lsp16r2, &mul_lsf[1], &base_lsf[1]);
986     dequant_lsps(&a2[20], 12, &v[2], &vec_sizes[2], 1,
987                  wmavoice_dq_lsp16r3, &mul_lsf[2], &base_lsf[2]);
988 }
989
990 /**
991  * @}
992  * @name Pitch-adaptive window coding functions
993  * The next few functions are for pitch-adaptive window coding.
994  * @{
995  */
996 /**
997  * Parse the offset of the first pitch-adaptive window pulses, and
998  * the distribution of pulses between the two blocks in this frame.
999  * @param s WMA Voice decoding context private data
1000  * @param gb bit I/O context
1001  * @param pitch pitch for each block in this frame
1002  */
1003 static void aw_parse_coords(WMAVoiceContext *s, GetBitContext *gb,
1004                             const int *pitch)
1005 {
1006     static const int16_t start_offset[94] = {
1007         -11,  -9,  -7,  -5,  -3,  -1,   1,   3,   5,   7,   9,  11,
1008          13,  15,  18,  17,  19,  20,  21,  22,  23,  24,  25,  26,
1009          27,  28,  29,  30,  31,  32,  33,  35,  37,  39,  41,  43,
1010          45,  47,  49,  51,  53,  55,  57,  59,  61,  63,  65,  67,
1011          69,  71,  73,  75,  77,  79,  81,  83,  85,  87,  89,  91,
1012          93,  95,  97,  99, 101, 103, 105, 107, 109, 111, 113, 115,
1013         117, 119, 121, 123, 125, 127, 129, 131, 133, 135, 137, 139,
1014         141, 143, 145, 147, 149, 151, 153, 155, 157, 159
1015     };
1016     int bits, offset;
1017
1018     /* position of pulse */
1019     s->aw_idx_is_ext = 0;
1020     if ((bits = get_bits(gb, 6)) >= 54) {
1021         s->aw_idx_is_ext = 1;
1022         bits += (bits - 54) * 3 + get_bits(gb, 2);
1023     }
1024
1025     /* for a repeated pulse at pulse_off with a pitch_lag of pitch[], count
1026      * the distribution of the pulses in each block contained in this frame. */
1027     s->aw_pulse_range        = FFMIN(pitch[0], pitch[1]) > 32 ? 24 : 16;
1028     for (offset = start_offset[bits]; offset < 0; offset += pitch[0]) ;
1029     s->aw_n_pulses[0]        = (pitch[0] - 1 + MAX_FRAMESIZE / 2 - offset) / pitch[0];
1030     s->aw_first_pulse_off[0] = offset - s->aw_pulse_range / 2;
1031     offset                  += s->aw_n_pulses[0] * pitch[0];
1032     s->aw_n_pulses[1]        = (pitch[1] - 1 + MAX_FRAMESIZE - offset) / pitch[1];
1033     s->aw_first_pulse_off[1] = offset - (MAX_FRAMESIZE + s->aw_pulse_range) / 2;
1034
1035     /* if continuing from a position before the block, reset position to
1036      * start of block (when corrected for the range over which it can be
1037      * spread in aw_pulse_set1()). */
1038     if (start_offset[bits] < MAX_FRAMESIZE / 2) {
1039         while (s->aw_first_pulse_off[1] - pitch[1] + s->aw_pulse_range > 0)
1040             s->aw_first_pulse_off[1] -= pitch[1];
1041         if (start_offset[bits] < 0)
1042             while (s->aw_first_pulse_off[0] - pitch[0] + s->aw_pulse_range > 0)
1043                 s->aw_first_pulse_off[0] -= pitch[0];
1044     }
1045 }
1046
1047 /**
1048  * Apply second set of pitch-adaptive window pulses.
1049  * @param s WMA Voice decoding context private data
1050  * @param gb bit I/O context
1051  * @param block_idx block index in frame [0, 1]
1052  * @param fcb structure containing fixed codebook vector info
1053  */
1054 static void aw_pulse_set2(WMAVoiceContext *s, GetBitContext *gb,
1055                           int block_idx, AMRFixed *fcb)
1056 {
1057     uint16_t use_mask_mem[9]; // only 5 are used, rest is padding
1058     uint16_t *use_mask = use_mask_mem + 2;
1059     /* in this function, idx is the index in the 80-bit (+ padding) use_mask
1060      * bit-array. Since use_mask consists of 16-bit values, the lower 4 bits
1061      * of idx are the position of the bit within a particular item in the
1062      * array (0 being the most significant bit, and 15 being the least
1063      * significant bit), and the remainder (>> 4) is the index in the
1064      * use_mask[]-array. This is faster and uses less memory than using a
1065      * 80-byte/80-int array. */
1066     int pulse_off = s->aw_first_pulse_off[block_idx],
1067         pulse_start, n, idx, range, aidx, start_off = 0;
1068
1069     /* set offset of first pulse to within this block */
1070     if (s->aw_n_pulses[block_idx] > 0)
1071         while (pulse_off + s->aw_pulse_range < 1)
1072             pulse_off += fcb->pitch_lag;
1073
1074     /* find range per pulse */
1075     if (s->aw_n_pulses[0] > 0) {
1076         if (block_idx == 0) {
1077             range = 32;
1078         } else /* block_idx = 1 */ {
1079             range = 8;
1080             if (s->aw_n_pulses[block_idx] > 0)
1081                 pulse_off = s->aw_next_pulse_off_cache;
1082         }
1083     } else
1084         range = 16;
1085     pulse_start = s->aw_n_pulses[block_idx] > 0 ? pulse_off - range / 2 : 0;
1086
1087     /* aw_pulse_set1() already applies pulses around pulse_off (to be exactly,
1088      * in the range of [pulse_off, pulse_off + s->aw_pulse_range], and thus
1089      * we exclude that range from being pulsed again in this function. */
1090     memset(&use_mask[-2], 0, 2 * sizeof(use_mask[0]));
1091     memset( use_mask,   -1, 5 * sizeof(use_mask[0]));
1092     memset(&use_mask[5], 0, 2 * sizeof(use_mask[0]));
1093     if (s->aw_n_pulses[block_idx] > 0)
1094         for (idx = pulse_off; idx < MAX_FRAMESIZE / 2; idx += fcb->pitch_lag) {
1095             int excl_range         = s->aw_pulse_range; // always 16 or 24
1096             uint16_t *use_mask_ptr = &use_mask[idx >> 4];
1097             int first_sh           = 16 - (idx & 15);
1098             *use_mask_ptr++       &= 0xFFFFu << first_sh;
1099             excl_range            -= first_sh;
1100             if (excl_range >= 16) {
1101                 *use_mask_ptr++    = 0;
1102                 *use_mask_ptr     &= 0xFFFF >> (excl_range - 16);
1103             } else
1104                 *use_mask_ptr     &= 0xFFFF >> excl_range;
1105         }
1106
1107     /* find the 'aidx'th offset that is not excluded */
1108     aidx = get_bits(gb, s->aw_n_pulses[0] > 0 ? 5 - 2 * block_idx : 4);
1109     for (n = 0; n <= aidx; pulse_start++) {
1110         for (idx = pulse_start; idx < 0; idx += fcb->pitch_lag) ;
1111         if (idx >= MAX_FRAMESIZE / 2) { // find from zero
1112             if (use_mask[0])      idx = 0x0F;
1113             else if (use_mask[1]) idx = 0x1F;
1114             else if (use_mask[2]) idx = 0x2F;
1115             else if (use_mask[3]) idx = 0x3F;
1116             else if (use_mask[4]) idx = 0x4F;
1117             else                  return;
1118             idx -= av_log2_16bit(use_mask[idx >> 4]);
1119         }
1120         if (use_mask[idx >> 4] & (0x8000 >> (idx & 15))) {
1121             use_mask[idx >> 4] &= ~(0x8000 >> (idx & 15));
1122             n++;
1123             start_off = idx;
1124         }
1125     }
1126
1127     fcb->x[fcb->n] = start_off;
1128     fcb->y[fcb->n] = get_bits1(gb) ? -1.0 : 1.0;
1129     fcb->n++;
1130
1131     /* set offset for next block, relative to start of that block */
1132     n = (MAX_FRAMESIZE / 2 - start_off) % fcb->pitch_lag;
1133     s->aw_next_pulse_off_cache = n ? fcb->pitch_lag - n : 0;
1134 }
1135
1136 /**
1137  * Apply first set of pitch-adaptive window pulses.
1138  * @param s WMA Voice decoding context private data
1139  * @param gb bit I/O context
1140  * @param block_idx block index in frame [0, 1]
1141  * @param fcb storage location for fixed codebook pulse info
1142  */
1143 static void aw_pulse_set1(WMAVoiceContext *s, GetBitContext *gb,
1144                           int block_idx, AMRFixed *fcb)
1145 {
1146     int val = get_bits(gb, 12 - 2 * (s->aw_idx_is_ext && !block_idx));
1147     float v;
1148
1149     if (s->aw_n_pulses[block_idx] > 0) {
1150         int n, v_mask, i_mask, sh, n_pulses;
1151
1152         if (s->aw_pulse_range == 24) { // 3 pulses, 1:sign + 3:index each
1153             n_pulses = 3;
1154             v_mask   = 8;
1155             i_mask   = 7;
1156             sh       = 4;
1157         } else { // 4 pulses, 1:sign + 2:index each
1158             n_pulses = 4;
1159             v_mask   = 4;
1160             i_mask   = 3;
1161             sh       = 3;
1162         }
1163
1164         for (n = n_pulses - 1; n >= 0; n--, val >>= sh) {
1165             fcb->y[fcb->n] = (val & v_mask) ? -1.0 : 1.0;
1166             fcb->x[fcb->n] = (val & i_mask) * n_pulses + n +
1167                                  s->aw_first_pulse_off[block_idx];
1168             while (fcb->x[fcb->n] < 0)
1169                 fcb->x[fcb->n] += fcb->pitch_lag;
1170             if (fcb->x[fcb->n] < MAX_FRAMESIZE / 2)
1171                 fcb->n++;
1172         }
1173     } else {
1174         int num2 = (val & 0x1FF) >> 1, delta, idx;
1175
1176         if (num2 < 1 * 79)      { delta = 1; idx = num2 + 1; }
1177         else if (num2 < 2 * 78) { delta = 3; idx = num2 + 1 - 1 * 77; }
1178         else if (num2 < 3 * 77) { delta = 5; idx = num2 + 1 - 2 * 76; }
1179         else                    { delta = 7; idx = num2 + 1 - 3 * 75; }
1180         v = (val & 0x200) ? -1.0 : 1.0;
1181
1182         fcb->no_repeat_mask |= 3 << fcb->n;
1183         fcb->x[fcb->n]       = idx - delta;
1184         fcb->y[fcb->n]       = v;
1185         fcb->x[fcb->n + 1]   = idx;
1186         fcb->y[fcb->n + 1]   = (val & 1) ? -v : v;
1187         fcb->n              += 2;
1188     }
1189 }
1190
1191 /**
1192  * @}
1193  *
1194  * Generate a random number from frame_cntr and block_idx, which will lief
1195  * in the range [0, 1000 - block_size] (so it can be used as an index in a
1196  * table of size 1000 of which you want to read block_size entries).
1197  *
1198  * @param frame_cntr current frame number
1199  * @param block_num current block index
1200  * @param block_size amount of entries we want to read from a table
1201  *                   that has 1000 entries
1202  * @return a (non-)random number in the [0, 1000 - block_size] range.
1203  */
1204 static int pRNG(int frame_cntr, int block_num, int block_size)
1205 {
1206     /* array to simplify the calculation of z:
1207      * y = (x % 9) * 5 + 6;
1208      * z = (49995 * x) / y;
1209      * Since y only has 9 values, we can remove the division by using a
1210      * LUT and using FASTDIV-style divisions. For each of the 9 values
1211      * of y, we can rewrite z as:
1212      * z = x * (49995 / y) + x * ((49995 % y) / y)
1213      * In this table, each col represents one possible value of y, the
1214      * first number is 49995 / y, and the second is the FASTDIV variant
1215      * of 49995 % y / y. */
1216     static const unsigned int div_tbl[9][2] = {
1217         { 8332,  3 * 715827883U }, // y =  6
1218         { 4545,  0 * 390451573U }, // y = 11
1219         { 3124, 11 * 268435456U }, // y = 16
1220         { 2380, 15 * 204522253U }, // y = 21
1221         { 1922, 23 * 165191050U }, // y = 26
1222         { 1612, 23 * 138547333U }, // y = 31
1223         { 1388, 27 * 119304648U }, // y = 36
1224         { 1219, 16 * 104755300U }, // y = 41
1225         { 1086, 39 *  93368855U }  // y = 46
1226     };
1227     unsigned int z, y, x = MUL16(block_num, 1877) + frame_cntr;
1228     if (x >= 0xFFFF) x -= 0xFFFF;   // max value of x is 8*1877+0xFFFE=0x13AA6,
1229                                     // so this is effectively a modulo (%)
1230     y = x - 9 * MULH(477218589, x); // x % 9
1231     z = (uint16_t) (x * div_tbl[y][0] + UMULH(x, div_tbl[y][1]));
1232                                     // z = x * 49995 / (y * 5 + 6)
1233     return z % (1000 - block_size);
1234 }
1235
1236 /**
1237  * Parse hardcoded signal for a single block.
1238  * @note see #synth_block().
1239  */
1240 static void synth_block_hardcoded(WMAVoiceContext *s, GetBitContext *gb,
1241                                  int block_idx, int size,
1242                                  const struct frame_type_desc *frame_desc,
1243                                  float *excitation)
1244 {
1245     float gain;
1246     int n, r_idx;
1247
1248     assert(size <= MAX_FRAMESIZE);
1249
1250     /* Set the offset from which we start reading wmavoice_std_codebook */
1251     if (frame_desc->fcb_type == FCB_TYPE_SILENCE) {
1252         r_idx = pRNG(s->frame_cntr, block_idx, size);
1253         gain  = s->silence_gain;
1254     } else /* FCB_TYPE_HARDCODED */ {
1255         r_idx = get_bits(gb, 8);
1256         gain  = wmavoice_gain_universal[get_bits(gb, 6)];
1257     }
1258
1259     /* Clear gain prediction parameters */
1260     memset(s->gain_pred_err, 0, sizeof(s->gain_pred_err));
1261
1262     /* Apply gain to hardcoded codebook and use that as excitation signal */
1263     for (n = 0; n < size; n++)
1264         excitation[n] = wmavoice_std_codebook[r_idx + n] * gain;
1265 }
1266
1267 /**
1268  * Parse FCB/ACB signal for a single block.
1269  * @note see #synth_block().
1270  */
1271 static void synth_block_fcb_acb(WMAVoiceContext *s, GetBitContext *gb,
1272                                 int block_idx, int size,
1273                                 int block_pitch_sh2,
1274                                 const struct frame_type_desc *frame_desc,
1275                                 float *excitation)
1276 {
1277     static const float gain_coeff[6] = {
1278         0.8169, -0.06545, 0.1726, 0.0185, -0.0359, 0.0458
1279     };
1280     float pulses[MAX_FRAMESIZE / 2], pred_err, acb_gain, fcb_gain;
1281     int n, idx, gain_weight;
1282     AMRFixed fcb;
1283
1284     assert(size <= MAX_FRAMESIZE / 2);
1285     memset(pulses, 0, sizeof(*pulses) * size);
1286
1287     fcb.pitch_lag      = block_pitch_sh2 >> 2;
1288     fcb.pitch_fac      = 1.0;
1289     fcb.no_repeat_mask = 0;
1290     fcb.n              = 0;
1291
1292     /* For the other frame types, this is where we apply the innovation
1293      * (fixed) codebook pulses of the speech signal. */
1294     if (frame_desc->fcb_type == FCB_TYPE_AW_PULSES) {
1295         aw_pulse_set1(s, gb, block_idx, &fcb);
1296         aw_pulse_set2(s, gb, block_idx, &fcb);
1297     } else /* FCB_TYPE_EXC_PULSES */ {
1298         int offset_nbits = 5 - frame_desc->log_n_blocks;
1299
1300         fcb.no_repeat_mask = -1;
1301         /* similar to ff_decode_10_pulses_35bits(), but with single pulses
1302          * (instead of double) for a subset of pulses */
1303         for (n = 0; n < 5; n++) {
1304             float sign;
1305             int pos1, pos2;
1306
1307             sign           = get_bits1(gb) ? 1.0 : -1.0;
1308             pos1           = get_bits(gb, offset_nbits);
1309             fcb.x[fcb.n]   = n + 5 * pos1;
1310             fcb.y[fcb.n++] = sign;
1311             if (n < frame_desc->dbl_pulses) {
1312                 pos2           = get_bits(gb, offset_nbits);
1313                 fcb.x[fcb.n]   = n + 5 * pos2;
1314                 fcb.y[fcb.n++] = (pos1 < pos2) ? -sign : sign;
1315             }
1316         }
1317     }
1318     ff_set_fixed_vector(pulses, &fcb, 1.0, size);
1319
1320     /* Calculate gain for adaptive & fixed codebook signal.
1321      * see ff_amr_set_fixed_gain(). */
1322     idx = get_bits(gb, 7);
1323     fcb_gain = expf(ff_scalarproduct_float_c(s->gain_pred_err, gain_coeff, 6) -
1324                     5.2409161640 + wmavoice_gain_codebook_fcb[idx]);
1325     acb_gain = wmavoice_gain_codebook_acb[idx];
1326     pred_err = av_clipf(wmavoice_gain_codebook_fcb[idx],
1327                         -2.9957322736 /* log(0.05) */,
1328                          1.6094379124 /* log(5.0)  */);
1329
1330     gain_weight = 8 >> frame_desc->log_n_blocks;
1331     memmove(&s->gain_pred_err[gain_weight], s->gain_pred_err,
1332             sizeof(*s->gain_pred_err) * (6 - gain_weight));
1333     for (n = 0; n < gain_weight; n++)
1334         s->gain_pred_err[n] = pred_err;
1335
1336     /* Calculation of adaptive codebook */
1337     if (frame_desc->acb_type == ACB_TYPE_ASYMMETRIC) {
1338         int len;
1339         for (n = 0; n < size; n += len) {
1340             int next_idx_sh16;
1341             int abs_idx    = block_idx * size + n;
1342             int pitch_sh16 = (s->last_pitch_val << 16) +
1343                              s->pitch_diff_sh16 * abs_idx;
1344             int pitch      = (pitch_sh16 + 0x6FFF) >> 16;
1345             int idx_sh16   = ((pitch << 16) - pitch_sh16) * 8 + 0x58000;
1346             idx            = idx_sh16 >> 16;
1347             if (s->pitch_diff_sh16) {
1348                 if (s->pitch_diff_sh16 > 0) {
1349                     next_idx_sh16 = (idx_sh16) &~ 0xFFFF;
1350                 } else
1351                     next_idx_sh16 = (idx_sh16 + 0x10000) &~ 0xFFFF;
1352                 len = av_clip((idx_sh16 - next_idx_sh16) / s->pitch_diff_sh16 / 8,
1353                               1, size - n);
1354             } else
1355                 len = size;
1356
1357             ff_acelp_interpolatef(&excitation[n], &excitation[n - pitch],
1358                                   wmavoice_ipol1_coeffs, 17,
1359                                   idx, 9, len);
1360         }
1361     } else /* ACB_TYPE_HAMMING */ {
1362         int block_pitch = block_pitch_sh2 >> 2;
1363         idx             = block_pitch_sh2 & 3;
1364         if (idx) {
1365             ff_acelp_interpolatef(excitation, &excitation[-block_pitch],
1366                                   wmavoice_ipol2_coeffs, 4,
1367                                   idx, 8, size);
1368         } else
1369             av_memcpy_backptr((uint8_t *) excitation, sizeof(float) * block_pitch,
1370                               sizeof(float) * size);
1371     }
1372
1373     /* Interpolate ACB/FCB and use as excitation signal */
1374     ff_weighted_vector_sumf(excitation, excitation, pulses,
1375                             acb_gain, fcb_gain, size);
1376 }
1377
1378 /**
1379  * Parse data in a single block.
1380  * @note we assume enough bits are available, caller should check.
1381  *
1382  * @param s WMA Voice decoding context private data
1383  * @param gb bit I/O context
1384  * @param block_idx index of the to-be-read block
1385  * @param size amount of samples to be read in this block
1386  * @param block_pitch_sh2 pitch for this block << 2
1387  * @param lsps LSPs for (the end of) this frame
1388  * @param prev_lsps LSPs for the last frame
1389  * @param frame_desc frame type descriptor
1390  * @param excitation target memory for the ACB+FCB interpolated signal
1391  * @param synth target memory for the speech synthesis filter output
1392  * @return 0 on success, <0 on error.
1393  */
1394 static void synth_block(WMAVoiceContext *s, GetBitContext *gb,
1395                         int block_idx, int size,
1396                         int block_pitch_sh2,
1397                         const double *lsps, const double *prev_lsps,
1398                         const struct frame_type_desc *frame_desc,
1399                         float *excitation, float *synth)
1400 {
1401     double i_lsps[MAX_LSPS];
1402     float lpcs[MAX_LSPS];
1403     float fac;
1404     int n;
1405
1406     if (frame_desc->acb_type == ACB_TYPE_NONE)
1407         synth_block_hardcoded(s, gb, block_idx, size, frame_desc, excitation);
1408     else
1409         synth_block_fcb_acb(s, gb, block_idx, size, block_pitch_sh2,
1410                             frame_desc, excitation);
1411
1412     /* convert interpolated LSPs to LPCs */
1413     fac = (block_idx + 0.5) / frame_desc->n_blocks;
1414     for (n = 0; n < s->lsps; n++) // LSF -> LSP
1415         i_lsps[n] = cos(prev_lsps[n] + fac * (lsps[n] - prev_lsps[n]));
1416     ff_acelp_lspd2lpc(i_lsps, lpcs, s->lsps >> 1);
1417
1418     /* Speech synthesis */
1419     ff_celp_lp_synthesis_filterf(synth, lpcs, excitation, size, s->lsps);
1420 }
1421
1422 /**
1423  * Synthesize output samples for a single frame.
1424  * @note we assume enough bits are available, caller should check.
1425  *
1426  * @param ctx WMA Voice decoder context
1427  * @param gb bit I/O context (s->gb or one for cross-packet superframes)
1428  * @param frame_idx Frame number within superframe [0-2]
1429  * @param samples pointer to output sample buffer, has space for at least 160
1430  *                samples
1431  * @param lsps LSP array
1432  * @param prev_lsps array of previous frame's LSPs
1433  * @param excitation target buffer for excitation signal
1434  * @param synth target buffer for synthesized speech data
1435  * @return 0 on success, <0 on error.
1436  */
1437 static int synth_frame(AVCodecContext *ctx, GetBitContext *gb, int frame_idx,
1438                        float *samples,
1439                        const double *lsps, const double *prev_lsps,
1440                        float *excitation, float *synth)
1441 {
1442     WMAVoiceContext *s = ctx->priv_data;
1443     int n, n_blocks_x2, log_n_blocks_x2, cur_pitch_val;
1444     int pitch[MAX_BLOCKS], last_block_pitch;
1445
1446     /* Parse frame type ("frame header"), see frame_descs */
1447     int bd_idx = s->vbm_tree[get_vlc2(gb, frame_type_vlc.table, 6, 3)], block_nsamples;
1448
1449     if (bd_idx < 0) {
1450         av_log(ctx, AV_LOG_ERROR,
1451                "Invalid frame type VLC code, skipping\n");
1452         return -1;
1453     }
1454
1455     block_nsamples = MAX_FRAMESIZE / frame_descs[bd_idx].n_blocks;
1456
1457     /* Pitch calculation for ACB_TYPE_ASYMMETRIC ("pitch-per-frame") */
1458     if (frame_descs[bd_idx].acb_type == ACB_TYPE_ASYMMETRIC) {
1459         /* Pitch is provided per frame, which is interpreted as the pitch of
1460          * the last sample of the last block of this frame. We can interpolate
1461          * the pitch of other blocks (and even pitch-per-sample) by gradually
1462          * incrementing/decrementing prev_frame_pitch to cur_pitch_val. */
1463         n_blocks_x2      = frame_descs[bd_idx].n_blocks << 1;
1464         log_n_blocks_x2  = frame_descs[bd_idx].log_n_blocks + 1;
1465         cur_pitch_val    = s->min_pitch_val + get_bits(gb, s->pitch_nbits);
1466         cur_pitch_val    = FFMIN(cur_pitch_val, s->max_pitch_val - 1);
1467         if (s->last_acb_type == ACB_TYPE_NONE ||
1468             20 * abs(cur_pitch_val - s->last_pitch_val) >
1469                 (cur_pitch_val + s->last_pitch_val))
1470             s->last_pitch_val = cur_pitch_val;
1471
1472         /* pitch per block */
1473         for (n = 0; n < frame_descs[bd_idx].n_blocks; n++) {
1474             int fac = n * 2 + 1;
1475
1476             pitch[n] = (MUL16(fac,                 cur_pitch_val) +
1477                         MUL16((n_blocks_x2 - fac), s->last_pitch_val) +
1478                         frame_descs[bd_idx].n_blocks) >> log_n_blocks_x2;
1479         }
1480
1481         /* "pitch-diff-per-sample" for calculation of pitch per sample */
1482         s->pitch_diff_sh16 =
1483             ((cur_pitch_val - s->last_pitch_val) << 16) / MAX_FRAMESIZE;
1484     }
1485
1486     /* Global gain (if silence) and pitch-adaptive window coordinates */
1487     switch (frame_descs[bd_idx].fcb_type) {
1488     case FCB_TYPE_SILENCE:
1489         s->silence_gain = wmavoice_gain_silence[get_bits(gb, 8)];
1490         break;
1491     case FCB_TYPE_AW_PULSES:
1492         aw_parse_coords(s, gb, pitch);
1493         break;
1494     }
1495
1496     for (n = 0; n < frame_descs[bd_idx].n_blocks; n++) {
1497         int bl_pitch_sh2;
1498
1499         /* Pitch calculation for ACB_TYPE_HAMMING ("pitch-per-block") */
1500         switch (frame_descs[bd_idx].acb_type) {
1501         case ACB_TYPE_HAMMING: {
1502             /* Pitch is given per block. Per-block pitches are encoded as an
1503              * absolute value for the first block, and then delta values
1504              * relative to this value) for all subsequent blocks. The scale of
1505              * this pitch value is semi-logaritmic compared to its use in the
1506              * decoder, so we convert it to normal scale also. */
1507             int block_pitch,
1508                 t1 = (s->block_conv_table[1] - s->block_conv_table[0]) << 2,
1509                 t2 = (s->block_conv_table[2] - s->block_conv_table[1]) << 1,
1510                 t3 =  s->block_conv_table[3] - s->block_conv_table[2] + 1;
1511
1512             if (n == 0) {
1513                 block_pitch = get_bits(gb, s->block_pitch_nbits);
1514             } else
1515                 block_pitch = last_block_pitch - s->block_delta_pitch_hrange +
1516                                  get_bits(gb, s->block_delta_pitch_nbits);
1517             /* Convert last_ so that any next delta is within _range */
1518             last_block_pitch = av_clip(block_pitch,
1519                                        s->block_delta_pitch_hrange,
1520                                        s->block_pitch_range -
1521                                            s->block_delta_pitch_hrange);
1522
1523             /* Convert semi-log-style scale back to normal scale */
1524             if (block_pitch < t1) {
1525                 bl_pitch_sh2 = (s->block_conv_table[0] << 2) + block_pitch;
1526             } else {
1527                 block_pitch -= t1;
1528                 if (block_pitch < t2) {
1529                     bl_pitch_sh2 =
1530                         (s->block_conv_table[1] << 2) + (block_pitch << 1);
1531                 } else {
1532                     block_pitch -= t2;
1533                     if (block_pitch < t3) {
1534                         bl_pitch_sh2 =
1535                             (s->block_conv_table[2] + block_pitch) << 2;
1536                     } else
1537                         bl_pitch_sh2 = s->block_conv_table[3] << 2;
1538                 }
1539             }
1540             pitch[n] = bl_pitch_sh2 >> 2;
1541             break;
1542         }
1543
1544         case ACB_TYPE_ASYMMETRIC: {
1545             bl_pitch_sh2 = pitch[n] << 2;
1546             break;
1547         }
1548
1549         default: // ACB_TYPE_NONE has no pitch
1550             bl_pitch_sh2 = 0;
1551             break;
1552         }
1553
1554         synth_block(s, gb, n, block_nsamples, bl_pitch_sh2,
1555                     lsps, prev_lsps, &frame_descs[bd_idx],
1556                     &excitation[n * block_nsamples],
1557                     &synth[n * block_nsamples]);
1558     }
1559
1560     /* Averaging projection filter, if applicable. Else, just copy samples
1561      * from synthesis buffer */
1562     if (s->do_apf) {
1563         double i_lsps[MAX_LSPS];
1564         float lpcs[MAX_LSPS];
1565
1566         for (n = 0; n < s->lsps; n++) // LSF -> LSP
1567             i_lsps[n] = cos(0.5 * (prev_lsps[n] + lsps[n]));
1568         ff_acelp_lspd2lpc(i_lsps, lpcs, s->lsps >> 1);
1569         postfilter(s, synth, samples, 80, lpcs,
1570                    &s->zero_exc_pf[s->history_nsamples + MAX_FRAMESIZE * frame_idx],
1571                    frame_descs[bd_idx].fcb_type, pitch[0]);
1572
1573         for (n = 0; n < s->lsps; n++) // LSF -> LSP
1574             i_lsps[n] = cos(lsps[n]);
1575         ff_acelp_lspd2lpc(i_lsps, lpcs, s->lsps >> 1);
1576         postfilter(s, &synth[80], &samples[80], 80, lpcs,
1577                    &s->zero_exc_pf[s->history_nsamples + MAX_FRAMESIZE * frame_idx + 80],
1578                    frame_descs[bd_idx].fcb_type, pitch[0]);
1579     } else
1580         memcpy(samples, synth, 160 * sizeof(synth[0]));
1581
1582     /* Cache values for next frame */
1583     s->frame_cntr++;
1584     if (s->frame_cntr >= 0xFFFF) s->frame_cntr -= 0xFFFF; // i.e. modulo (%)
1585     s->last_acb_type = frame_descs[bd_idx].acb_type;
1586     switch (frame_descs[bd_idx].acb_type) {
1587     case ACB_TYPE_NONE:
1588         s->last_pitch_val = 0;
1589         break;
1590     case ACB_TYPE_ASYMMETRIC:
1591         s->last_pitch_val = cur_pitch_val;
1592         break;
1593     case ACB_TYPE_HAMMING:
1594         s->last_pitch_val = pitch[frame_descs[bd_idx].n_blocks - 1];
1595         break;
1596     }
1597
1598     return 0;
1599 }
1600
1601 /**
1602  * Ensure minimum value for first item, maximum value for last value,
1603  * proper spacing between each value and proper ordering.
1604  *
1605  * @param lsps array of LSPs
1606  * @param num size of LSP array
1607  *
1608  * @note basically a double version of #ff_acelp_reorder_lsf(), might be
1609  *       useful to put in a generic location later on. Parts are also
1610  *       present in #ff_set_min_dist_lsf() + #ff_sort_nearly_sorted_floats(),
1611  *       which is in float.
1612  */
1613 static void stabilize_lsps(double *lsps, int num)
1614 {
1615     int n, m, l;
1616
1617     /* set minimum value for first, maximum value for last and minimum
1618      * spacing between LSF values.
1619      * Very similar to ff_set_min_dist_lsf(), but in double. */
1620     lsps[0]       = FFMAX(lsps[0],       0.0015 * M_PI);
1621     for (n = 1; n < num; n++)
1622         lsps[n]   = FFMAX(lsps[n],       lsps[n - 1] + 0.0125 * M_PI);
1623     lsps[num - 1] = FFMIN(lsps[num - 1], 0.9985 * M_PI);
1624
1625     /* reorder (looks like one-time / non-recursed bubblesort).
1626      * Very similar to ff_sort_nearly_sorted_floats(), but in double. */
1627     for (n = 1; n < num; n++) {
1628         if (lsps[n] < lsps[n - 1]) {
1629             for (m = 1; m < num; m++) {
1630                 double tmp = lsps[m];
1631                 for (l = m - 1; l >= 0; l--) {
1632                     if (lsps[l] <= tmp) break;
1633                     lsps[l + 1] = lsps[l];
1634                 }
1635                 lsps[l + 1] = tmp;
1636             }
1637             break;
1638         }
1639     }
1640 }
1641
1642 /**
1643  * Test if there's enough bits to read 1 superframe.
1644  *
1645  * @param orig_gb bit I/O context used for reading. This function
1646  *                does not modify the state of the bitreader; it
1647  *                only uses it to copy the current stream position
1648  * @param s WMA Voice decoding context private data
1649  * @return -1 if unsupported, 1 on not enough bits or 0 if OK.
1650  */
1651 static int check_bits_for_superframe(GetBitContext *orig_gb,
1652                                      WMAVoiceContext *s)
1653 {
1654     GetBitContext s_gb, *gb = &s_gb;
1655     int n, need_bits, bd_idx;
1656     const struct frame_type_desc *frame_desc;
1657
1658     /* initialize a copy */
1659     init_get_bits(gb, orig_gb->buffer, orig_gb->size_in_bits);
1660     skip_bits_long(gb, get_bits_count(orig_gb));
1661     assert(get_bits_left(gb) == get_bits_left(orig_gb));
1662
1663     /* superframe header */
1664     if (get_bits_left(gb) < 14)
1665         return 1;
1666     if (!get_bits1(gb))
1667         return -1;                        // WMAPro-in-WMAVoice superframe
1668     if (get_bits1(gb)) skip_bits(gb, 12); // number of  samples in superframe
1669     if (s->has_residual_lsps) {           // residual LSPs (for all frames)
1670         if (get_bits_left(gb) < s->sframe_lsp_bitsize)
1671             return 1;
1672         skip_bits_long(gb, s->sframe_lsp_bitsize);
1673     }
1674
1675     /* frames */
1676     for (n = 0; n < MAX_FRAMES; n++) {
1677         int aw_idx_is_ext = 0;
1678
1679         if (!s->has_residual_lsps) {     // independent LSPs (per-frame)
1680            if (get_bits_left(gb) < s->frame_lsp_bitsize) return 1;
1681            skip_bits_long(gb, s->frame_lsp_bitsize);
1682         }
1683         bd_idx = s->vbm_tree[get_vlc2(gb, frame_type_vlc.table, 6, 3)];
1684         if (bd_idx < 0)
1685             return -1;                   // invalid frame type VLC code
1686         frame_desc = &frame_descs[bd_idx];
1687         if (frame_desc->acb_type == ACB_TYPE_ASYMMETRIC) {
1688             if (get_bits_left(gb) < s->pitch_nbits)
1689                 return 1;
1690             skip_bits_long(gb, s->pitch_nbits);
1691         }
1692         if (frame_desc->fcb_type == FCB_TYPE_SILENCE) {
1693             skip_bits(gb, 8);
1694         } else if (frame_desc->fcb_type == FCB_TYPE_AW_PULSES) {
1695             int tmp = get_bits(gb, 6);
1696             if (tmp >= 0x36) {
1697                 skip_bits(gb, 2);
1698                 aw_idx_is_ext = 1;
1699             }
1700         }
1701
1702         /* blocks */
1703         if (frame_desc->acb_type == ACB_TYPE_HAMMING) {
1704             need_bits = s->block_pitch_nbits +
1705                 (frame_desc->n_blocks - 1) * s->block_delta_pitch_nbits;
1706         } else if (frame_desc->fcb_type == FCB_TYPE_AW_PULSES) {
1707             need_bits = 2 * !aw_idx_is_ext;
1708         } else
1709             need_bits = 0;
1710         need_bits += frame_desc->frame_size;
1711         if (get_bits_left(gb) < need_bits)
1712             return 1;
1713         skip_bits_long(gb, need_bits);
1714     }
1715
1716     return 0;
1717 }
1718
1719 /**
1720  * Synthesize output samples for a single superframe. If we have any data
1721  * cached in s->sframe_cache, that will be used instead of whatever is loaded
1722  * in s->gb.
1723  *
1724  * WMA Voice superframes contain 3 frames, each containing 160 audio samples,
1725  * to give a total of 480 samples per frame. See #synth_frame() for frame
1726  * parsing. In addition to 3 frames, superframes can also contain the LSPs
1727  * (if these are globally specified for all frames (residually); they can
1728  * also be specified individually per-frame. See the s->has_residual_lsps
1729  * option), and can specify the number of samples encoded in this superframe
1730  * (if less than 480), usually used to prevent blanks at track boundaries.
1731  *
1732  * @param ctx WMA Voice decoder context
1733  * @return 0 on success, <0 on error or 1 if there was not enough data to
1734  *         fully parse the superframe
1735  */
1736 static int synth_superframe(AVCodecContext *ctx, int *got_frame_ptr)
1737 {
1738     WMAVoiceContext *s = ctx->priv_data;
1739     GetBitContext *gb = &s->gb, s_gb;
1740     int n, res, n_samples = 480;
1741     double lsps[MAX_FRAMES][MAX_LSPS];
1742     const double *mean_lsf = s->lsps == 16 ?
1743         wmavoice_mean_lsf16[s->lsp_def_mode] : wmavoice_mean_lsf10[s->lsp_def_mode];
1744     float excitation[MAX_SIGNAL_HISTORY + MAX_SFRAMESIZE + 12];
1745     float synth[MAX_LSPS + MAX_SFRAMESIZE];
1746     float *samples;
1747
1748     memcpy(synth,      s->synth_history,
1749            s->lsps             * sizeof(*synth));
1750     memcpy(excitation, s->excitation_history,
1751            s->history_nsamples * sizeof(*excitation));
1752
1753     if (s->sframe_cache_size > 0) {
1754         gb = &s_gb;
1755         init_get_bits(gb, s->sframe_cache, s->sframe_cache_size);
1756         s->sframe_cache_size = 0;
1757     }
1758
1759     if ((res = check_bits_for_superframe(gb, s)) == 1) {
1760         *got_frame_ptr = 0;
1761         return 1;
1762     }
1763
1764     /* First bit is speech/music bit, it differentiates between WMAVoice
1765      * speech samples (the actual codec) and WMAVoice music samples, which
1766      * are really WMAPro-in-WMAVoice-superframes. I've never seen those in
1767      * the wild yet. */
1768     if (!get_bits1(gb)) {
1769         av_log_missing_feature(ctx, "WMAPro-in-WMAVoice", 1);
1770         return AVERROR_PATCHWELCOME;
1771     }
1772
1773     /* (optional) nr. of samples in superframe; always <= 480 and >= 0 */
1774     if (get_bits1(gb)) {
1775         if ((n_samples = get_bits(gb, 12)) > 480) {
1776             av_log(ctx, AV_LOG_ERROR,
1777                    "Superframe encodes >480 samples (%d), not allowed\n",
1778                    n_samples);
1779             return -1;
1780         }
1781     }
1782     /* Parse LSPs, if global for the superframe (can also be per-frame). */
1783     if (s->has_residual_lsps) {
1784         double prev_lsps[MAX_LSPS], a1[MAX_LSPS * 2], a2[MAX_LSPS * 2];
1785
1786         for (n = 0; n < s->lsps; n++)
1787             prev_lsps[n] = s->prev_lsps[n] - mean_lsf[n];
1788
1789         if (s->lsps == 10) {
1790             dequant_lsp10r(gb, lsps[2], prev_lsps, a1, a2, s->lsp_q_mode);
1791         } else /* s->lsps == 16 */
1792             dequant_lsp16r(gb, lsps[2], prev_lsps, a1, a2, s->lsp_q_mode);
1793
1794         for (n = 0; n < s->lsps; n++) {
1795             lsps[0][n]  = mean_lsf[n] + (a1[n]           - a2[n * 2]);
1796             lsps[1][n]  = mean_lsf[n] + (a1[s->lsps + n] - a2[n * 2 + 1]);
1797             lsps[2][n] += mean_lsf[n];
1798         }
1799         for (n = 0; n < 3; n++)
1800             stabilize_lsps(lsps[n], s->lsps);
1801     }
1802
1803     /* get output buffer */
1804     s->frame.nb_samples = 480;
1805     if ((res = ff_get_buffer(ctx, &s->frame)) < 0) {
1806         av_log(ctx, AV_LOG_ERROR, "get_buffer() failed\n");
1807         return res;
1808     }
1809     s->frame.nb_samples = n_samples;
1810     samples = (float *)s->frame.data[0];
1811
1812     /* Parse frames, optionally preceded by per-frame (independent) LSPs. */
1813     for (n = 0; n < 3; n++) {
1814         if (!s->has_residual_lsps) {
1815             int m;
1816
1817             if (s->lsps == 10) {
1818                 dequant_lsp10i(gb, lsps[n]);
1819             } else /* s->lsps == 16 */
1820                 dequant_lsp16i(gb, lsps[n]);
1821
1822             for (m = 0; m < s->lsps; m++)
1823                 lsps[n][m] += mean_lsf[m];
1824             stabilize_lsps(lsps[n], s->lsps);
1825         }
1826
1827         if ((res = synth_frame(ctx, gb, n,
1828                                &samples[n * MAX_FRAMESIZE],
1829                                lsps[n], n == 0 ? s->prev_lsps : lsps[n - 1],
1830                                &excitation[s->history_nsamples + n * MAX_FRAMESIZE],
1831                                &synth[s->lsps + n * MAX_FRAMESIZE]))) {
1832             *got_frame_ptr = 0;
1833             return res;
1834         }
1835     }
1836
1837     /* Statistics? FIXME - we don't check for length, a slight overrun
1838      * will be caught by internal buffer padding, and anything else
1839      * will be skipped, not read. */
1840     if (get_bits1(gb)) {
1841         res = get_bits(gb, 4);
1842         skip_bits(gb, 10 * (res + 1));
1843     }
1844
1845     *got_frame_ptr = 1;
1846
1847     /* Update history */
1848     memcpy(s->prev_lsps,           lsps[2],
1849            s->lsps             * sizeof(*s->prev_lsps));
1850     memcpy(s->synth_history,      &synth[MAX_SFRAMESIZE],
1851            s->lsps             * sizeof(*synth));
1852     memcpy(s->excitation_history, &excitation[MAX_SFRAMESIZE],
1853            s->history_nsamples * sizeof(*excitation));
1854     if (s->do_apf)
1855         memmove(s->zero_exc_pf,       &s->zero_exc_pf[MAX_SFRAMESIZE],
1856                 s->history_nsamples * sizeof(*s->zero_exc_pf));
1857
1858     return 0;
1859 }
1860
1861 /**
1862  * Parse the packet header at the start of each packet (input data to this
1863  * decoder).
1864  *
1865  * @param s WMA Voice decoding context private data
1866  * @return 1 if not enough bits were available, or 0 on success.
1867  */
1868 static int parse_packet_header(WMAVoiceContext *s)
1869 {
1870     GetBitContext *gb = &s->gb;
1871     unsigned int res;
1872
1873     if (get_bits_left(gb) < 11)
1874         return 1;
1875     skip_bits(gb, 4);          // packet sequence number
1876     s->has_residual_lsps = get_bits1(gb);
1877     do {
1878         res = get_bits(gb, 6); // number of superframes per packet
1879                                // (minus first one if there is spillover)
1880         if (get_bits_left(gb) < 6 * (res == 0x3F) + s->spillover_bitsize)
1881             return 1;
1882     } while (res == 0x3F);
1883     s->spillover_nbits   = get_bits(gb, s->spillover_bitsize);
1884
1885     return 0;
1886 }
1887
1888 /**
1889  * Copy (unaligned) bits from gb/data/size to pb.
1890  *
1891  * @param pb target buffer to copy bits into
1892  * @param data source buffer to copy bits from
1893  * @param size size of the source data, in bytes
1894  * @param gb bit I/O context specifying the current position in the source.
1895  *           data. This function might use this to align the bit position to
1896  *           a whole-byte boundary before calling #avpriv_copy_bits() on aligned
1897  *           source data
1898  * @param nbits the amount of bits to copy from source to target
1899  *
1900  * @note after calling this function, the current position in the input bit
1901  *       I/O context is undefined.
1902  */
1903 static void copy_bits(PutBitContext *pb,
1904                       const uint8_t *data, int size,
1905                       GetBitContext *gb, int nbits)
1906 {
1907     int rmn_bytes, rmn_bits;
1908
1909     rmn_bits = rmn_bytes = get_bits_left(gb);
1910     if (rmn_bits < nbits)
1911         return;
1912     if (nbits > pb->size_in_bits - put_bits_count(pb))
1913         return;
1914     rmn_bits &= 7; rmn_bytes >>= 3;
1915     if ((rmn_bits = FFMIN(rmn_bits, nbits)) > 0)
1916         put_bits(pb, rmn_bits, get_bits(gb, rmn_bits));
1917     avpriv_copy_bits(pb, data + size - rmn_bytes,
1918                  FFMIN(nbits - rmn_bits, rmn_bytes << 3));
1919 }
1920
1921 /**
1922  * Packet decoding: a packet is anything that the (ASF) demuxer contains,
1923  * and we expect that the demuxer / application provides it to us as such
1924  * (else you'll probably get garbage as output). Every packet has a size of
1925  * ctx->block_align bytes, starts with a packet header (see
1926  * #parse_packet_header()), and then a series of superframes. Superframe
1927  * boundaries may exceed packets, i.e. superframes can split data over
1928  * multiple (two) packets.
1929  *
1930  * For more information about frames, see #synth_superframe().
1931  */
1932 static int wmavoice_decode_packet(AVCodecContext *ctx, void *data,
1933                                   int *got_frame_ptr, AVPacket *avpkt)
1934 {
1935     WMAVoiceContext *s = ctx->priv_data;
1936     GetBitContext *gb = &s->gb;
1937     int size, res, pos;
1938
1939     /* Packets are sometimes a multiple of ctx->block_align, with a packet
1940      * header at each ctx->block_align bytes. However, Libav's ASF demuxer
1941      * feeds us ASF packets, which may concatenate multiple "codec" packets
1942      * in a single "muxer" packet, so we artificially emulate that by
1943      * capping the packet size at ctx->block_align. */
1944     for (size = avpkt->size; size > ctx->block_align; size -= ctx->block_align);
1945     if (!size) {
1946         *got_frame_ptr = 0;
1947         return 0;
1948     }
1949     init_get_bits(&s->gb, avpkt->data, size << 3);
1950
1951     /* size == ctx->block_align is used to indicate whether we are dealing with
1952      * a new packet or a packet of which we already read the packet header
1953      * previously. */
1954     if (size == ctx->block_align) { // new packet header
1955         if ((res = parse_packet_header(s)) < 0)
1956             return res;
1957
1958         /* If the packet header specifies a s->spillover_nbits, then we want
1959          * to push out all data of the previous packet (+ spillover) before
1960          * continuing to parse new superframes in the current packet. */
1961         if (s->spillover_nbits > 0) {
1962             if (s->sframe_cache_size > 0) {
1963                 int cnt = get_bits_count(gb);
1964                 copy_bits(&s->pb, avpkt->data, size, gb, s->spillover_nbits);
1965                 flush_put_bits(&s->pb);
1966                 s->sframe_cache_size += s->spillover_nbits;
1967                 if ((res = synth_superframe(ctx, got_frame_ptr)) == 0 &&
1968                     *got_frame_ptr) {
1969                     cnt += s->spillover_nbits;
1970                     s->skip_bits_next = cnt & 7;
1971                     *(AVFrame *)data = s->frame;
1972                     return cnt >> 3;
1973                 } else
1974                     skip_bits_long (gb, s->spillover_nbits - cnt +
1975                                     get_bits_count(gb)); // resync
1976             } else
1977                 skip_bits_long(gb, s->spillover_nbits);  // resync
1978         }
1979     } else if (s->skip_bits_next)
1980         skip_bits(gb, s->skip_bits_next);
1981
1982     /* Try parsing superframes in current packet */
1983     s->sframe_cache_size = 0;
1984     s->skip_bits_next = 0;
1985     pos = get_bits_left(gb);
1986     if ((res = synth_superframe(ctx, got_frame_ptr)) < 0) {
1987         return res;
1988     } else if (*got_frame_ptr) {
1989         int cnt = get_bits_count(gb);
1990         s->skip_bits_next = cnt & 7;
1991         *(AVFrame *)data = s->frame;
1992         return cnt >> 3;
1993     } else if ((s->sframe_cache_size = pos) > 0) {
1994         /* rewind bit reader to start of last (incomplete) superframe... */
1995         init_get_bits(gb, avpkt->data, size << 3);
1996         skip_bits_long(gb, (size << 3) - pos);
1997         assert(get_bits_left(gb) == pos);
1998
1999         /* ...and cache it for spillover in next packet */
2000         init_put_bits(&s->pb, s->sframe_cache, SFRAME_CACHE_MAXSIZE);
2001         copy_bits(&s->pb, avpkt->data, size, gb, s->sframe_cache_size);
2002         // FIXME bad - just copy bytes as whole and add use the
2003         // skip_bits_next field
2004     }
2005
2006     return size;
2007 }
2008
2009 static av_cold int wmavoice_decode_end(AVCodecContext *ctx)
2010 {
2011     WMAVoiceContext *s = ctx->priv_data;
2012
2013     if (s->do_apf) {
2014         ff_rdft_end(&s->rdft);
2015         ff_rdft_end(&s->irdft);
2016         ff_dct_end(&s->dct);
2017         ff_dct_end(&s->dst);
2018     }
2019
2020     return 0;
2021 }
2022
2023 static av_cold void wmavoice_flush(AVCodecContext *ctx)
2024 {
2025     WMAVoiceContext *s = ctx->priv_data;
2026     int n;
2027
2028     s->postfilter_agc    = 0;
2029     s->sframe_cache_size = 0;
2030     s->skip_bits_next    = 0;
2031     for (n = 0; n < s->lsps; n++)
2032         s->prev_lsps[n] = M_PI * (n + 1.0) / (s->lsps + 1.0);
2033     memset(s->excitation_history, 0,
2034            sizeof(*s->excitation_history) * MAX_SIGNAL_HISTORY);
2035     memset(s->synth_history,      0,
2036            sizeof(*s->synth_history)      * MAX_LSPS);
2037     memset(s->gain_pred_err,      0,
2038            sizeof(s->gain_pred_err));
2039
2040     if (s->do_apf) {
2041         memset(&s->synth_filter_out_buf[MAX_LSPS_ALIGN16 - s->lsps], 0,
2042                sizeof(*s->synth_filter_out_buf) * s->lsps);
2043         memset(s->dcf_mem,              0,
2044                sizeof(*s->dcf_mem)              * 2);
2045         memset(s->zero_exc_pf,          0,
2046                sizeof(*s->zero_exc_pf)          * s->history_nsamples);
2047         memset(s->denoise_filter_cache, 0, sizeof(s->denoise_filter_cache));
2048     }
2049 }
2050
2051 AVCodec ff_wmavoice_decoder = {
2052     .name           = "wmavoice",
2053     .type           = AVMEDIA_TYPE_AUDIO,
2054     .id             = AV_CODEC_ID_WMAVOICE,
2055     .priv_data_size = sizeof(WMAVoiceContext),
2056     .init           = wmavoice_decode_init,
2057     .close          = wmavoice_decode_end,
2058     .decode         = wmavoice_decode_packet,
2059     .capabilities   = CODEC_CAP_SUBFRAMES | CODEC_CAP_DR1,
2060     .flush          = wmavoice_flush,
2061     .long_name      = NULL_IF_CONFIG_SMALL("Windows Media Audio Voice"),
2062 };