wmavoice: use init_static_data
[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/float_dsp.h"
34 #include "libavutil/mem.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     GetBitContext gb;             ///< packet bitreader. During decoder init,
140                                   ///< it contains the extradata from the
141                                   ///< demuxer. During decoding, it contains
142                                   ///< packet data.
143     int8_t vbm_tree[25];          ///< converts VLC codes to frame type
144
145     int spillover_bitsize;        ///< number of bits used to specify
146                                   ///< #spillover_nbits in the packet header
147                                   ///< = ceil(log2(ctx->block_align << 3))
148     int history_nsamples;         ///< number of samples in history for signal
149                                   ///< prediction (through ACB)
150
151     /* postfilter specific values */
152     int do_apf;                   ///< whether to apply the averaged
153                                   ///< projection filter (APF)
154     int denoise_strength;         ///< strength of denoising in Wiener filter
155                                   ///< [0-11]
156     int denoise_tilt_corr;        ///< Whether to apply tilt correction to the
157                                   ///< Wiener filter coefficients (postfilter)
158     int dc_level;                 ///< Predicted amount of DC noise, based
159                                   ///< on which a DC removal filter is used
160
161     int lsps;                     ///< number of LSPs per frame [10 or 16]
162     int lsp_q_mode;               ///< defines quantizer defaults [0, 1]
163     int lsp_def_mode;             ///< defines different sets of LSP defaults
164                                   ///< [0, 1]
165     int frame_lsp_bitsize;        ///< size (in bits) of LSPs, when encoded
166                                   ///< per-frame (independent coding)
167     int sframe_lsp_bitsize;       ///< size (in bits) of LSPs, when encoded
168                                   ///< per superframe (residual coding)
169
170     int min_pitch_val;            ///< base value for pitch parsing code
171     int max_pitch_val;            ///< max value + 1 for pitch parsing
172     int pitch_nbits;              ///< number of bits used to specify the
173                                   ///< pitch value in the frame header
174     int block_pitch_nbits;        ///< number of bits used to specify the
175                                   ///< first block's pitch value
176     int block_pitch_range;        ///< range of the block pitch
177     int block_delta_pitch_nbits;  ///< number of bits used to specify the
178                                   ///< delta pitch between this and the last
179                                   ///< block's pitch value, used in all but
180                                   ///< first block
181     int block_delta_pitch_hrange; ///< 1/2 range of the delta (full range is
182                                   ///< from -this to +this-1)
183     uint16_t block_conv_table[4]; ///< boundaries for block pitch unit/scale
184                                   ///< conversion
185
186     /**
187      * @}
188      *
189      * @name Packet values specified in the packet header or related to a packet.
190      *
191      * A packet is considered to be a single unit of data provided to this
192      * decoder by the demuxer.
193      * @{
194      */
195     int spillover_nbits;          ///< number of bits of the previous packet's
196                                   ///< last superframe preceding this
197                                   ///< packet's first full superframe (useful
198                                   ///< for re-synchronization also)
199     int has_residual_lsps;        ///< if set, superframes contain one set of
200                                   ///< LSPs that cover all frames, encoded as
201                                   ///< independent and residual LSPs; if not
202                                   ///< set, each frame contains its own, fully
203                                   ///< independent, LSPs
204     int skip_bits_next;           ///< number of bits to skip at the next call
205                                   ///< to #wmavoice_decode_packet() (since
206                                   ///< they're part of the previous superframe)
207
208     uint8_t sframe_cache[SFRAME_CACHE_MAXSIZE + FF_INPUT_BUFFER_PADDING_SIZE];
209                                   ///< cache for superframe data split over
210                                   ///< multiple packets
211     int sframe_cache_size;        ///< set to >0 if we have data from an
212                                   ///< (incomplete) superframe from a previous
213                                   ///< packet that spilled over in the current
214                                   ///< packet; specifies the amount of bits in
215                                   ///< #sframe_cache
216     PutBitContext pb;             ///< bitstream writer for #sframe_cache
217
218     /**
219      * @}
220      *
221      * @name Frame and superframe values
222      * Superframe and frame data - these can change from frame to frame,
223      * although some of them do in that case serve as a cache / history for
224      * the next frame or superframe.
225      * @{
226      */
227     double prev_lsps[MAX_LSPS];   ///< LSPs of the last frame of the previous
228                                   ///< superframe
229     int last_pitch_val;           ///< pitch value of the previous frame
230     int last_acb_type;            ///< frame type [0-2] of the previous frame
231     int pitch_diff_sh16;          ///< ((cur_pitch_val - #last_pitch_val)
232                                   ///< << 16) / #MAX_FRAMESIZE
233     float silence_gain;           ///< set for use in blocks if #ACB_TYPE_NONE
234
235     int aw_idx_is_ext;            ///< whether the AW index was encoded in
236                                   ///< 8 bits (instead of 6)
237     int aw_pulse_range;           ///< the range over which #aw_pulse_set1()
238                                   ///< can apply the pulse, relative to the
239                                   ///< value in aw_first_pulse_off. The exact
240                                   ///< position of the first AW-pulse is within
241                                   ///< [pulse_off, pulse_off + this], and
242                                   ///< depends on bitstream values; [16 or 24]
243     int aw_n_pulses[2];           ///< number of AW-pulses in each block; note
244                                   ///< that this number can be negative (in
245                                   ///< which case it basically means "zero")
246     int aw_first_pulse_off[2];    ///< index of first sample to which to
247                                   ///< apply AW-pulses, or -0xff if unset
248     int aw_next_pulse_off_cache;  ///< the position (relative to start of the
249                                   ///< second block) at which pulses should
250                                   ///< start to be positioned, serves as a
251                                   ///< cache for pitch-adaptive window pulses
252                                   ///< between blocks
253
254     int frame_cntr;               ///< current frame index [0 - 0xFFFE]; is
255                                   ///< only used for comfort noise in #pRNG()
256     float gain_pred_err[6];       ///< cache for gain prediction
257     float excitation_history[MAX_SIGNAL_HISTORY];
258                                   ///< cache of the signal of previous
259                                   ///< superframes, used as a history for
260                                   ///< signal generation
261     float synth_history[MAX_LSPS]; ///< see #excitation_history
262     /**
263      * @}
264      *
265      * @name Postfilter values
266      *
267      * Variables used for postfilter implementation, mostly history for
268      * smoothing and so on, and context variables for FFT/iFFT.
269      * @{
270      */
271     RDFTContext rdft, irdft;      ///< contexts for FFT-calculation in the
272                                   ///< postfilter (for denoise filter)
273     DCTContext dct, dst;          ///< contexts for phase shift (in Hilbert
274                                   ///< transform, part of postfilter)
275     float sin[511], cos[511];     ///< 8-bit cosine/sine windows over [-pi,pi]
276                                   ///< range
277     float postfilter_agc;         ///< gain control memory, used in
278                                   ///< #adaptive_gain_control()
279     float dcf_mem[2];             ///< DC filter history
280     float zero_exc_pf[MAX_SIGNAL_HISTORY + MAX_SFRAMESIZE];
281                                   ///< zero filter output (i.e. excitation)
282                                   ///< by postfilter
283     float denoise_filter_cache[MAX_FRAMESIZE];
284     int   denoise_filter_cache_size; ///< samples in #denoise_filter_cache
285     DECLARE_ALIGNED(32, float, tilted_lpcs_pf)[0x80];
286                                   ///< aligned buffer for LPC tilting
287     DECLARE_ALIGNED(32, float, denoise_coeffs_pf)[0x80];
288                                   ///< aligned buffer for denoise coefficients
289     DECLARE_ALIGNED(32, float, synth_filter_out_buf)[0x80 + MAX_LSPS_ALIGN16];
290                                   ///< aligned buffer for postfilter speech
291                                   ///< synthesis
292     /**
293      * @}
294      */
295 } WMAVoiceContext;
296
297 /**
298  * Set up the variable bit mode (VBM) tree from container extradata.
299  * @param gb bit I/O context.
300  *           The bit context (s->gb) should be loaded with byte 23-46 of the
301  *           container extradata (i.e. the ones containing the VBM tree).
302  * @param vbm_tree pointer to array to which the decoded VBM tree will be
303  *                 written.
304  * @return 0 on success, <0 on error.
305  */
306 static av_cold int decode_vbmtree(GetBitContext *gb, int8_t vbm_tree[25])
307 {
308     int cntr[8] = { 0 }, n, res;
309
310     memset(vbm_tree, 0xff, sizeof(vbm_tree[0]) * 25);
311     for (n = 0; n < 17; n++) {
312         res = get_bits(gb, 3);
313         if (cntr[res] > 3) // should be >= 3 + (res == 7))
314             return -1;
315         vbm_tree[res * 3 + cntr[res]++] = n;
316     }
317     return 0;
318 }
319
320 static av_cold void wmavoice_init_static_data(AVCodec *codec)
321 {
322     static const uint8_t bits[] = {
323          2,  2,  2,  4,  4,  4,
324          6,  6,  6,  8,  8,  8,
325         10, 10, 10, 12, 12, 12,
326         14, 14, 14, 14
327     };
328     static const uint16_t codes[] = {
329           0x0000, 0x0001, 0x0002,        //              00/01/10
330           0x000c, 0x000d, 0x000e,        //           11+00/01/10
331           0x003c, 0x003d, 0x003e,        //         1111+00/01/10
332           0x00fc, 0x00fd, 0x00fe,        //       111111+00/01/10
333           0x03fc, 0x03fd, 0x03fe,        //     11111111+00/01/10
334           0x0ffc, 0x0ffd, 0x0ffe,        //   1111111111+00/01/10
335           0x3ffc, 0x3ffd, 0x3ffe, 0x3fff // 111111111111+xx
336     };
337
338     INIT_VLC_STATIC(&frame_type_vlc, VLC_NBITS, sizeof(bits),
339                     bits, 1, 1, codes, 2, 2, 132);
340 }
341
342 /**
343  * Set up decoder with parameters from demuxer (extradata etc.).
344  */
345 static av_cold int wmavoice_decode_init(AVCodecContext *ctx)
346 {
347     int n, flags, pitch_range, lsp16_flag;
348     WMAVoiceContext *s = ctx->priv_data;
349
350     /**
351      * Extradata layout:
352      * - byte  0-18: WMAPro-in-WMAVoice extradata (see wmaprodec.c),
353      * - byte 19-22: flags field (annoyingly in LE; see below for known
354      *               values),
355      * - byte 23-46: variable bitmode tree (really just 17 * 3 bits,
356      *               rest is 0).
357      */
358     if (ctx->extradata_size != 46) {
359         av_log(ctx, AV_LOG_ERROR,
360                "Invalid extradata size %d (should be 46)\n",
361                ctx->extradata_size);
362         return AVERROR_INVALIDDATA;
363     }
364     flags                = AV_RL32(ctx->extradata + 18);
365     s->spillover_bitsize = 3 + av_ceil_log2(ctx->block_align);
366     s->do_apf            =    flags & 0x1;
367     if (s->do_apf) {
368         ff_rdft_init(&s->rdft,  7, DFT_R2C);
369         ff_rdft_init(&s->irdft, 7, IDFT_C2R);
370         ff_dct_init(&s->dct,  6, DCT_I);
371         ff_dct_init(&s->dst,  6, DST_I);
372
373         ff_sine_window_init(s->cos, 256);
374         memcpy(&s->sin[255], s->cos, 256 * sizeof(s->cos[0]));
375         for (n = 0; n < 255; n++) {
376             s->sin[n]       = -s->sin[510 - n];
377             s->cos[510 - n] =  s->cos[n];
378         }
379     }
380     s->denoise_strength  =   (flags >> 2) & 0xF;
381     if (s->denoise_strength >= 12) {
382         av_log(ctx, AV_LOG_ERROR,
383                "Invalid denoise filter strength %d (max=11)\n",
384                s->denoise_strength);
385         return AVERROR_INVALIDDATA;
386     }
387     s->denoise_tilt_corr = !!(flags & 0x40);
388     s->dc_level          =   (flags >> 7) & 0xF;
389     s->lsp_q_mode        = !!(flags & 0x2000);
390     s->lsp_def_mode      = !!(flags & 0x4000);
391     lsp16_flag           =    flags & 0x1000;
392     if (lsp16_flag) {
393         s->lsps               = 16;
394         s->frame_lsp_bitsize  = 34;
395         s->sframe_lsp_bitsize = 60;
396     } else {
397         s->lsps               = 10;
398         s->frame_lsp_bitsize  = 24;
399         s->sframe_lsp_bitsize = 48;
400     }
401     for (n = 0; n < s->lsps; n++)
402         s->prev_lsps[n] = M_PI * (n + 1.0) / (s->lsps + 1.0);
403
404     init_get_bits(&s->gb, ctx->extradata + 22, (ctx->extradata_size - 22) << 3);
405     if (decode_vbmtree(&s->gb, s->vbm_tree) < 0) {
406         av_log(ctx, AV_LOG_ERROR, "Invalid VBM tree; broken extradata?\n");
407         return AVERROR_INVALIDDATA;
408     }
409
410     s->min_pitch_val    = ((ctx->sample_rate << 8)      /  400 + 50) >> 8;
411     s->max_pitch_val    = ((ctx->sample_rate << 8) * 37 / 2000 + 50) >> 8;
412     pitch_range         = s->max_pitch_val - s->min_pitch_val;
413     if (pitch_range <= 0) {
414         av_log(ctx, AV_LOG_ERROR, "Invalid pitch range; broken extradata?\n");
415         return AVERROR_INVALIDDATA;
416     }
417     s->pitch_nbits      = av_ceil_log2(pitch_range);
418     s->last_pitch_val   = 40;
419     s->last_acb_type    = ACB_TYPE_NONE;
420     s->history_nsamples = s->max_pitch_val + 8;
421
422     if (s->min_pitch_val < 1 || s->history_nsamples > MAX_SIGNAL_HISTORY) {
423         int min_sr = ((((1 << 8) - 50) * 400) + 0xFF) >> 8,
424             max_sr = ((((MAX_SIGNAL_HISTORY - 8) << 8) + 205) * 2000 / 37) >> 8;
425
426         av_log(ctx, AV_LOG_ERROR,
427                "Unsupported samplerate %d (min=%d, max=%d)\n",
428                ctx->sample_rate, min_sr, max_sr); // 322-22097 Hz
429
430         return AVERROR(ENOSYS);
431     }
432
433     s->block_conv_table[0]      = s->min_pitch_val;
434     s->block_conv_table[1]      = (pitch_range * 25) >> 6;
435     s->block_conv_table[2]      = (pitch_range * 44) >> 6;
436     s->block_conv_table[3]      = s->max_pitch_val - 1;
437     s->block_delta_pitch_hrange = (pitch_range >> 3) & ~0xF;
438     if (s->block_delta_pitch_hrange <= 0) {
439         av_log(ctx, AV_LOG_ERROR, "Invalid delta pitch hrange; broken extradata?\n");
440         return AVERROR_INVALIDDATA;
441     }
442     s->block_delta_pitch_nbits  = 1 + av_ceil_log2(s->block_delta_pitch_hrange);
443     s->block_pitch_range        = s->block_conv_table[2] +
444                                   s->block_conv_table[3] + 1 +
445                                   2 * (s->block_conv_table[1] - 2 * s->min_pitch_val);
446     s->block_pitch_nbits        = av_ceil_log2(s->block_pitch_range);
447
448     ctx->channels               = 1;
449     ctx->channel_layout         = AV_CH_LAYOUT_MONO;
450     ctx->sample_fmt             = AV_SAMPLE_FMT_FLT;
451
452     return 0;
453 }
454
455 /**
456  * @name Postfilter functions
457  * Postfilter functions (gain control, wiener denoise filter, DC filter,
458  * kalman smoothening, plus surrounding code to wrap it)
459  * @{
460  */
461 /**
462  * Adaptive gain control (as used in postfilter).
463  *
464  * Identical to #ff_adaptive_gain_control() in acelp_vectors.c, except
465  * that the energy here is calculated using sum(abs(...)), whereas the
466  * other codecs (e.g. AMR-NB, SIPRO) use sqrt(dotproduct(...)).
467  *
468  * @param out output buffer for filtered samples
469  * @param in input buffer containing the samples as they are after the
470  *           postfilter steps so far
471  * @param speech_synth input buffer containing speech synth before postfilter
472  * @param size input buffer size
473  * @param alpha exponential filter factor
474  * @param gain_mem pointer to filter memory (single float)
475  */
476 static void adaptive_gain_control(float *out, const float *in,
477                                   const float *speech_synth,
478                                   int size, float alpha, float *gain_mem)
479 {
480     int i;
481     float speech_energy = 0.0, postfilter_energy = 0.0, gain_scale_factor;
482     float mem = *gain_mem;
483
484     for (i = 0; i < size; i++) {
485         speech_energy     += fabsf(speech_synth[i]);
486         postfilter_energy += fabsf(in[i]);
487     }
488     gain_scale_factor = (1.0 - alpha) * speech_energy / postfilter_energy;
489
490     for (i = 0; i < size; i++) {
491         mem = alpha * mem + gain_scale_factor;
492         out[i] = in[i] * mem;
493     }
494
495     *gain_mem = mem;
496 }
497
498 /**
499  * Kalman smoothing function.
500  *
501  * This function looks back pitch +/- 3 samples back into history to find
502  * the best fitting curve (that one giving the optimal gain of the two
503  * signals, i.e. the highest dot product between the two), and then
504  * uses that signal history to smoothen the output of the speech synthesis
505  * filter.
506  *
507  * @param s WMA Voice decoding context
508  * @param pitch pitch of the speech signal
509  * @param in input speech signal
510  * @param out output pointer for smoothened signal
511  * @param size input/output buffer size
512  *
513  * @returns -1 if no smoothening took place, e.g. because no optimal
514  *          fit could be found, or 0 on success.
515  */
516 static int kalman_smoothen(WMAVoiceContext *s, int pitch,
517                            const float *in, float *out, int size)
518 {
519     int n;
520     float optimal_gain = 0, dot;
521     const float *ptr = &in[-FFMAX(s->min_pitch_val, pitch - 3)],
522                 *end = &in[-FFMIN(s->max_pitch_val, pitch + 3)],
523                 *best_hist_ptr;
524
525     /* find best fitting point in history */
526     do {
527         dot = avpriv_scalarproduct_float_c(in, ptr, size);
528         if (dot > optimal_gain) {
529             optimal_gain  = dot;
530             best_hist_ptr = ptr;
531         }
532     } while (--ptr >= end);
533
534     if (optimal_gain <= 0)
535         return -1;
536     dot = avpriv_scalarproduct_float_c(best_hist_ptr, best_hist_ptr, size);
537     if (dot <= 0) // would be 1.0
538         return -1;
539
540     if (optimal_gain <= dot) {
541         dot = dot / (dot + 0.6 * optimal_gain); // 0.625-1.000
542     } else
543         dot = 0.625;
544
545     /* actual smoothing */
546     for (n = 0; n < size; n++)
547         out[n] = best_hist_ptr[n] + dot * (in[n] - best_hist_ptr[n]);
548
549     return 0;
550 }
551
552 /**
553  * Get the tilt factor of a formant filter from its transfer function
554  * @see #tilt_factor() in amrnbdec.c, which does essentially the same,
555  *      but somehow (??) it does a speech synthesis filter in the
556  *      middle, which is missing here
557  *
558  * @param lpcs LPC coefficients
559  * @param n_lpcs Size of LPC buffer
560  * @returns the tilt factor
561  */
562 static float tilt_factor(const float *lpcs, int n_lpcs)
563 {
564     float rh0, rh1;
565
566     rh0 = 1.0     + avpriv_scalarproduct_float_c(lpcs,  lpcs,    n_lpcs);
567     rh1 = lpcs[0] + avpriv_scalarproduct_float_c(lpcs, &lpcs[1], n_lpcs - 1);
568
569     return rh1 / rh0;
570 }
571
572 /**
573  * Derive denoise filter coefficients (in real domain) from the LPCs.
574  */
575 static void calc_input_response(WMAVoiceContext *s, float *lpcs,
576                                 int fcb_type, float *coeffs, int remainder)
577 {
578     float last_coeff, min = 15.0, max = -15.0;
579     float irange, angle_mul, gain_mul, range, sq;
580     int n, idx;
581
582     /* Create frequency power spectrum of speech input (i.e. RDFT of LPCs) */
583     s->rdft.rdft_calc(&s->rdft, lpcs);
584 #define log_range(var, assign) do { \
585         float tmp = log10f(assign);  var = tmp; \
586         max       = FFMAX(max, tmp); min = FFMIN(min, tmp); \
587     } while (0)
588     log_range(last_coeff,  lpcs[1]         * lpcs[1]);
589     for (n = 1; n < 64; n++)
590         log_range(lpcs[n], lpcs[n * 2]     * lpcs[n * 2] +
591                            lpcs[n * 2 + 1] * lpcs[n * 2 + 1]);
592     log_range(lpcs[0],     lpcs[0]         * lpcs[0]);
593 #undef log_range
594     range    = max - min;
595     lpcs[64] = last_coeff;
596
597     /* Now, use this spectrum to pick out these frequencies with higher
598      * (relative) power/energy (which we then take to be "not noise"),
599      * and set up a table (still in lpc[]) of (relative) gains per frequency.
600      * These frequencies will be maintained, while others ("noise") will be
601      * decreased in the filter output. */
602     irange    = 64.0 / range; // so irange*(max-value) is in the range [0, 63]
603     gain_mul  = range * (fcb_type == FCB_TYPE_HARDCODED ? (5.0 / 13.0) :
604                                                           (5.0 / 14.7));
605     angle_mul = gain_mul * (8.0 * M_LN10 / M_PI);
606     for (n = 0; n <= 64; n++) {
607         float pwr;
608
609         idx = FFMAX(0, lrint((max - lpcs[n]) * irange) - 1);
610         pwr = wmavoice_denoise_power_table[s->denoise_strength][idx];
611         lpcs[n] = angle_mul * pwr;
612
613         /* 70.57 =~ 1/log10(1.0331663) */
614         idx = (pwr * gain_mul - 0.0295) * 70.570526123;
615         if (idx > 127) { // fall back if index falls outside table range
616             coeffs[n] = wmavoice_energy_table[127] *
617                         powf(1.0331663, idx - 127);
618         } else
619             coeffs[n] = wmavoice_energy_table[FFMAX(0, idx)];
620     }
621
622     /* calculate the Hilbert transform of the gains, which we do (since this
623      * is a sinus input) by doing a phase shift (in theory, H(sin())=cos()).
624      * Hilbert_Transform(RDFT(x)) = Laplace_Transform(x), which calculates the
625      * "moment" of the LPCs in this filter. */
626     s->dct.dct_calc(&s->dct, lpcs);
627     s->dst.dct_calc(&s->dst, lpcs);
628
629     /* Split out the coefficient indexes into phase/magnitude pairs */
630     idx = 255 + av_clip(lpcs[64],               -255, 255);
631     coeffs[0]  = coeffs[0]  * s->cos[idx];
632     idx = 255 + av_clip(lpcs[64] - 2 * lpcs[63], -255, 255);
633     last_coeff = coeffs[64] * s->cos[idx];
634     for (n = 63;; n--) {
635         idx = 255 + av_clip(-lpcs[64] - 2 * lpcs[n - 1], -255, 255);
636         coeffs[n * 2 + 1] = coeffs[n] * s->sin[idx];
637         coeffs[n * 2]     = coeffs[n] * s->cos[idx];
638
639         if (!--n) break;
640
641         idx = 255 + av_clip( lpcs[64] - 2 * lpcs[n - 1], -255, 255);
642         coeffs[n * 2 + 1] = coeffs[n] * s->sin[idx];
643         coeffs[n * 2]     = coeffs[n] * s->cos[idx];
644     }
645     coeffs[1] = last_coeff;
646
647     /* move into real domain */
648     s->irdft.rdft_calc(&s->irdft, coeffs);
649
650     /* tilt correction and normalize scale */
651     memset(&coeffs[remainder], 0, sizeof(coeffs[0]) * (128 - remainder));
652     if (s->denoise_tilt_corr) {
653         float tilt_mem = 0;
654
655         coeffs[remainder - 1] = 0;
656         ff_tilt_compensation(&tilt_mem,
657                              -1.8 * tilt_factor(coeffs, remainder - 1),
658                              coeffs, remainder);
659     }
660     sq = (1.0 / 64.0) * sqrtf(1 / avpriv_scalarproduct_float_c(coeffs, coeffs,
661                                                                remainder));
662     for (n = 0; n < remainder; n++)
663         coeffs[n] *= sq;
664 }
665
666 /**
667  * This function applies a Wiener filter on the (noisy) speech signal as
668  * a means to denoise it.
669  *
670  * - take RDFT of LPCs to get the power spectrum of the noise + speech;
671  * - using this power spectrum, calculate (for each frequency) the Wiener
672  *    filter gain, which depends on the frequency power and desired level
673  *    of noise subtraction (when set too high, this leads to artifacts)
674  *    We can do this symmetrically over the X-axis (so 0-4kHz is the inverse
675  *    of 4-8kHz);
676  * - by doing a phase shift, calculate the Hilbert transform of this array
677  *    of per-frequency filter-gains to get the filtering coefficients;
678  * - smoothen/normalize/de-tilt these filter coefficients as desired;
679  * - take RDFT of noisy sound, apply the coefficients and take its IRDFT
680  *    to get the denoised speech signal;
681  * - the leftover (i.e. output of the IRDFT on denoised speech data beyond
682  *    the frame boundary) are saved and applied to subsequent frames by an
683  *    overlap-add method (otherwise you get clicking-artifacts).
684  *
685  * @param s WMA Voice decoding context
686  * @param fcb_type Frame (codebook) type
687  * @param synth_pf input: the noisy speech signal, output: denoised speech
688  *                 data; should be 16-byte aligned (for ASM purposes)
689  * @param size size of the speech data
690  * @param lpcs LPCs used to synthesize this frame's speech data
691  */
692 static void wiener_denoise(WMAVoiceContext *s, int fcb_type,
693                            float *synth_pf, int size,
694                            const float *lpcs)
695 {
696     int remainder, lim, n;
697
698     if (fcb_type != FCB_TYPE_SILENCE) {
699         float *tilted_lpcs = s->tilted_lpcs_pf,
700               *coeffs = s->denoise_coeffs_pf, tilt_mem = 0;
701
702         tilted_lpcs[0]           = 1.0;
703         memcpy(&tilted_lpcs[1], lpcs, sizeof(lpcs[0]) * s->lsps);
704         memset(&tilted_lpcs[s->lsps + 1], 0,
705                sizeof(tilted_lpcs[0]) * (128 - s->lsps - 1));
706         ff_tilt_compensation(&tilt_mem, 0.7 * tilt_factor(lpcs, s->lsps),
707                              tilted_lpcs, s->lsps + 2);
708
709         /* The IRDFT output (127 samples for 7-bit filter) beyond the frame
710          * size is applied to the next frame. All input beyond this is zero,
711          * and thus all output beyond this will go towards zero, hence we can
712          * limit to min(size-1, 127-size) as a performance consideration. */
713         remainder = FFMIN(127 - size, size - 1);
714         calc_input_response(s, tilted_lpcs, fcb_type, coeffs, remainder);
715
716         /* apply coefficients (in frequency spectrum domain), i.e. complex
717          * number multiplication */
718         memset(&synth_pf[size], 0, sizeof(synth_pf[0]) * (128 - size));
719         s->rdft.rdft_calc(&s->rdft, synth_pf);
720         s->rdft.rdft_calc(&s->rdft, coeffs);
721         synth_pf[0] *= coeffs[0];
722         synth_pf[1] *= coeffs[1];
723         for (n = 1; n < 64; n++) {
724             float v1 = synth_pf[n * 2], v2 = synth_pf[n * 2 + 1];
725             synth_pf[n * 2]     = v1 * coeffs[n * 2] - v2 * coeffs[n * 2 + 1];
726             synth_pf[n * 2 + 1] = v2 * coeffs[n * 2] + v1 * coeffs[n * 2 + 1];
727         }
728         s->irdft.rdft_calc(&s->irdft, synth_pf);
729     }
730
731     /* merge filter output with the history of previous runs */
732     if (s->denoise_filter_cache_size) {
733         lim = FFMIN(s->denoise_filter_cache_size, size);
734         for (n = 0; n < lim; n++)
735             synth_pf[n] += s->denoise_filter_cache[n];
736         s->denoise_filter_cache_size -= lim;
737         memmove(s->denoise_filter_cache, &s->denoise_filter_cache[size],
738                 sizeof(s->denoise_filter_cache[0]) * s->denoise_filter_cache_size);
739     }
740
741     /* move remainder of filter output into a cache for future runs */
742     if (fcb_type != FCB_TYPE_SILENCE) {
743         lim = FFMIN(remainder, s->denoise_filter_cache_size);
744         for (n = 0; n < lim; n++)
745             s->denoise_filter_cache[n] += synth_pf[size + n];
746         if (lim < remainder) {
747             memcpy(&s->denoise_filter_cache[lim], &synth_pf[size + lim],
748                    sizeof(s->denoise_filter_cache[0]) * (remainder - lim));
749             s->denoise_filter_cache_size = remainder;
750         }
751     }
752 }
753
754 /**
755  * Averaging projection filter, the postfilter used in WMAVoice.
756  *
757  * This uses the following steps:
758  * - A zero-synthesis filter (generate excitation from synth signal)
759  * - Kalman smoothing on excitation, based on pitch
760  * - Re-synthesized smoothened output
761  * - Iterative Wiener denoise filter
762  * - Adaptive gain filter
763  * - DC filter
764  *
765  * @param s WMAVoice decoding context
766  * @param synth Speech synthesis output (before postfilter)
767  * @param samples Output buffer for filtered samples
768  * @param size Buffer size of synth & samples
769  * @param lpcs Generated LPCs used for speech synthesis
770  * @param zero_exc_pf destination for zero synthesis filter (16-byte aligned)
771  * @param fcb_type Frame type (silence, hardcoded, AW-pulses or FCB-pulses)
772  * @param pitch Pitch of the input signal
773  */
774 static void postfilter(WMAVoiceContext *s, const float *synth,
775                        float *samples,    int size,
776                        const float *lpcs, float *zero_exc_pf,
777                        int fcb_type,      int pitch)
778 {
779     float synth_filter_in_buf[MAX_FRAMESIZE / 2],
780           *synth_pf = &s->synth_filter_out_buf[MAX_LSPS_ALIGN16],
781           *synth_filter_in = zero_exc_pf;
782
783     assert(size <= MAX_FRAMESIZE / 2);
784
785     /* generate excitation from input signal */
786     ff_celp_lp_zero_synthesis_filterf(zero_exc_pf, lpcs, synth, size, s->lsps);
787
788     if (fcb_type >= FCB_TYPE_AW_PULSES &&
789         !kalman_smoothen(s, pitch, zero_exc_pf, synth_filter_in_buf, size))
790         synth_filter_in = synth_filter_in_buf;
791
792     /* re-synthesize speech after smoothening, and keep history */
793     ff_celp_lp_synthesis_filterf(synth_pf, lpcs,
794                                  synth_filter_in, size, s->lsps);
795     memcpy(&synth_pf[-s->lsps], &synth_pf[size - s->lsps],
796            sizeof(synth_pf[0]) * s->lsps);
797
798     wiener_denoise(s, fcb_type, synth_pf, size, lpcs);
799
800     adaptive_gain_control(samples, synth_pf, synth, size, 0.99,
801                           &s->postfilter_agc);
802
803     if (s->dc_level > 8) {
804         /* remove ultra-low frequency DC noise / highpass filter;
805          * coefficients are identical to those used in SIPR decoding,
806          * and very closely resemble those used in AMR-NB decoding. */
807         ff_acelp_apply_order_2_transfer_function(samples, samples,
808             (const float[2]) { -1.99997,      1.0 },
809             (const float[2]) { -1.9330735188, 0.93589198496 },
810             0.93980580475, s->dcf_mem, size);
811     }
812 }
813 /**
814  * @}
815  */
816
817 /**
818  * Dequantize LSPs
819  * @param lsps output pointer to the array that will hold the LSPs
820  * @param num number of LSPs to be dequantized
821  * @param values quantized values, contains n_stages values
822  * @param sizes range (i.e. max value) of each quantized value
823  * @param n_stages number of dequantization runs
824  * @param table dequantization table to be used
825  * @param mul_q LSF multiplier
826  * @param base_q base (lowest) LSF values
827  */
828 static void dequant_lsps(double *lsps, int num,
829                          const uint16_t *values,
830                          const uint16_t *sizes,
831                          int n_stages, const uint8_t *table,
832                          const double *mul_q,
833                          const double *base_q)
834 {
835     int n, m;
836
837     memset(lsps, 0, num * sizeof(*lsps));
838     for (n = 0; n < n_stages; n++) {
839         const uint8_t *t_off = &table[values[n] * num];
840         double base = base_q[n], mul = mul_q[n];
841
842         for (m = 0; m < num; m++)
843             lsps[m] += base + mul * t_off[m];
844
845         table += sizes[n] * num;
846     }
847 }
848
849 /**
850  * @name LSP dequantization routines
851  * LSP dequantization routines, for 10/16LSPs and independent/residual coding.
852  * @note we assume enough bits are available, caller should check.
853  * lsp10i() consumes 24 bits; lsp10r() consumes an additional 24 bits;
854  * lsp16i() consumes 34 bits; lsp16r() consumes an additional 26 bits.
855  * @{
856  */
857 /**
858  * Parse 10 independently-coded LSPs.
859  */
860 static void dequant_lsp10i(GetBitContext *gb, double *lsps)
861 {
862     static const uint16_t vec_sizes[4] = { 256, 64, 32, 32 };
863     static const double mul_lsf[4] = {
864         5.2187144800e-3,    1.4626986422e-3,
865         9.6179549166e-4,    1.1325736225e-3
866     };
867     static const double base_lsf[4] = {
868         M_PI * -2.15522e-1, M_PI * -6.1646e-2,
869         M_PI * -3.3486e-2,  M_PI * -5.7408e-2
870     };
871     uint16_t v[4];
872
873     v[0] = get_bits(gb, 8);
874     v[1] = get_bits(gb, 6);
875     v[2] = get_bits(gb, 5);
876     v[3] = get_bits(gb, 5);
877
878     dequant_lsps(lsps, 10, v, vec_sizes, 4, wmavoice_dq_lsp10i,
879                  mul_lsf, base_lsf);
880 }
881
882 /**
883  * Parse 10 independently-coded LSPs, and then derive the tables to
884  * generate LSPs for the other frames from them (residual coding).
885  */
886 static void dequant_lsp10r(GetBitContext *gb,
887                            double *i_lsps, const double *old,
888                            double *a1, double *a2, int q_mode)
889 {
890     static const uint16_t vec_sizes[3] = { 128, 64, 64 };
891     static const double mul_lsf[3] = {
892         2.5807601174e-3,    1.2354460219e-3,   1.1763821673e-3
893     };
894     static const double base_lsf[3] = {
895         M_PI * -1.07448e-1, M_PI * -5.2706e-2, M_PI * -5.1634e-2
896     };
897     const float (*ipol_tab)[2][10] = q_mode ?
898         wmavoice_lsp10_intercoeff_b : wmavoice_lsp10_intercoeff_a;
899     uint16_t interpol, v[3];
900     int n;
901
902     dequant_lsp10i(gb, i_lsps);
903
904     interpol = get_bits(gb, 5);
905     v[0]     = get_bits(gb, 7);
906     v[1]     = get_bits(gb, 6);
907     v[2]     = get_bits(gb, 6);
908
909     for (n = 0; n < 10; n++) {
910         double delta = old[n] - i_lsps[n];
911         a1[n]        = ipol_tab[interpol][0][n] * delta + i_lsps[n];
912         a1[10 + n]   = ipol_tab[interpol][1][n] * delta + i_lsps[n];
913     }
914
915     dequant_lsps(a2, 20, v, vec_sizes, 3, wmavoice_dq_lsp10r,
916                  mul_lsf, base_lsf);
917 }
918
919 /**
920  * Parse 16 independently-coded LSPs.
921  */
922 static void dequant_lsp16i(GetBitContext *gb, double *lsps)
923 {
924     static const uint16_t vec_sizes[5] = { 256, 64, 128, 64, 128 };
925     static const double mul_lsf[5] = {
926         3.3439586280e-3,    6.9908173703e-4,
927         3.3216608306e-3,    1.0334960326e-3,
928         3.1899104283e-3
929     };
930     static const double base_lsf[5] = {
931         M_PI * -1.27576e-1, M_PI * -2.4292e-2,
932         M_PI * -1.28094e-1, M_PI * -3.2128e-2,
933         M_PI * -1.29816e-1
934     };
935     uint16_t v[5];
936
937     v[0] = get_bits(gb, 8);
938     v[1] = get_bits(gb, 6);
939     v[2] = get_bits(gb, 7);
940     v[3] = get_bits(gb, 6);
941     v[4] = get_bits(gb, 7);
942
943     dequant_lsps( lsps,     5,  v,     vec_sizes,    2,
944                  wmavoice_dq_lsp16i1,  mul_lsf,     base_lsf);
945     dequant_lsps(&lsps[5],  5, &v[2], &vec_sizes[2], 2,
946                  wmavoice_dq_lsp16i2, &mul_lsf[2], &base_lsf[2]);
947     dequant_lsps(&lsps[10], 6, &v[4], &vec_sizes[4], 1,
948                  wmavoice_dq_lsp16i3, &mul_lsf[4], &base_lsf[4]);
949 }
950
951 /**
952  * Parse 16 independently-coded LSPs, and then derive the tables to
953  * generate LSPs for the other frames from them (residual coding).
954  */
955 static void dequant_lsp16r(GetBitContext *gb,
956                            double *i_lsps, const double *old,
957                            double *a1, double *a2, int q_mode)
958 {
959     static const uint16_t vec_sizes[3] = { 128, 128, 128 };
960     static const double mul_lsf[3] = {
961         1.2232979501e-3,   1.4062241527e-3,   1.6114744851e-3
962     };
963     static const double base_lsf[3] = {
964         M_PI * -5.5830e-2, M_PI * -5.2908e-2, M_PI * -5.4776e-2
965     };
966     const float (*ipol_tab)[2][16] = q_mode ?
967         wmavoice_lsp16_intercoeff_b : wmavoice_lsp16_intercoeff_a;
968     uint16_t interpol, v[3];
969     int n;
970
971     dequant_lsp16i(gb, i_lsps);
972
973     interpol = get_bits(gb, 5);
974     v[0]     = get_bits(gb, 7);
975     v[1]     = get_bits(gb, 7);
976     v[2]     = get_bits(gb, 7);
977
978     for (n = 0; n < 16; n++) {
979         double delta = old[n] - i_lsps[n];
980         a1[n]        = ipol_tab[interpol][0][n] * delta + i_lsps[n];
981         a1[16 + n]   = ipol_tab[interpol][1][n] * delta + i_lsps[n];
982     }
983
984     dequant_lsps( a2,     10,  v,     vec_sizes,    1,
985                  wmavoice_dq_lsp16r1,  mul_lsf,     base_lsf);
986     dequant_lsps(&a2[10], 10, &v[1], &vec_sizes[1], 1,
987                  wmavoice_dq_lsp16r2, &mul_lsf[1], &base_lsf[1]);
988     dequant_lsps(&a2[20], 12, &v[2], &vec_sizes[2], 1,
989                  wmavoice_dq_lsp16r3, &mul_lsf[2], &base_lsf[2]);
990 }
991
992 /**
993  * @}
994  * @name Pitch-adaptive window coding functions
995  * The next few functions are for pitch-adaptive window coding.
996  * @{
997  */
998 /**
999  * Parse the offset of the first pitch-adaptive window pulses, and
1000  * the distribution of pulses between the two blocks in this frame.
1001  * @param s WMA Voice decoding context private data
1002  * @param gb bit I/O context
1003  * @param pitch pitch for each block in this frame
1004  */
1005 static void aw_parse_coords(WMAVoiceContext *s, GetBitContext *gb,
1006                             const int *pitch)
1007 {
1008     static const int16_t start_offset[94] = {
1009         -11,  -9,  -7,  -5,  -3,  -1,   1,   3,   5,   7,   9,  11,
1010          13,  15,  18,  17,  19,  20,  21,  22,  23,  24,  25,  26,
1011          27,  28,  29,  30,  31,  32,  33,  35,  37,  39,  41,  43,
1012          45,  47,  49,  51,  53,  55,  57,  59,  61,  63,  65,  67,
1013          69,  71,  73,  75,  77,  79,  81,  83,  85,  87,  89,  91,
1014          93,  95,  97,  99, 101, 103, 105, 107, 109, 111, 113, 115,
1015         117, 119, 121, 123, 125, 127, 129, 131, 133, 135, 137, 139,
1016         141, 143, 145, 147, 149, 151, 153, 155, 157, 159
1017     };
1018     int bits, offset;
1019
1020     /* position of pulse */
1021     s->aw_idx_is_ext = 0;
1022     if ((bits = get_bits(gb, 6)) >= 54) {
1023         s->aw_idx_is_ext = 1;
1024         bits += (bits - 54) * 3 + get_bits(gb, 2);
1025     }
1026
1027     /* for a repeated pulse at pulse_off with a pitch_lag of pitch[], count
1028      * the distribution of the pulses in each block contained in this frame. */
1029     s->aw_pulse_range        = FFMIN(pitch[0], pitch[1]) > 32 ? 24 : 16;
1030     for (offset = start_offset[bits]; offset < 0; offset += pitch[0]) ;
1031     s->aw_n_pulses[0]        = (pitch[0] - 1 + MAX_FRAMESIZE / 2 - offset) / pitch[0];
1032     s->aw_first_pulse_off[0] = offset - s->aw_pulse_range / 2;
1033     offset                  += s->aw_n_pulses[0] * pitch[0];
1034     s->aw_n_pulses[1]        = (pitch[1] - 1 + MAX_FRAMESIZE - offset) / pitch[1];
1035     s->aw_first_pulse_off[1] = offset - (MAX_FRAMESIZE + s->aw_pulse_range) / 2;
1036
1037     /* if continuing from a position before the block, reset position to
1038      * start of block (when corrected for the range over which it can be
1039      * spread in aw_pulse_set1()). */
1040     if (start_offset[bits] < MAX_FRAMESIZE / 2) {
1041         while (s->aw_first_pulse_off[1] - pitch[1] + s->aw_pulse_range > 0)
1042             s->aw_first_pulse_off[1] -= pitch[1];
1043         if (start_offset[bits] < 0)
1044             while (s->aw_first_pulse_off[0] - pitch[0] + s->aw_pulse_range > 0)
1045                 s->aw_first_pulse_off[0] -= pitch[0];
1046     }
1047 }
1048
1049 /**
1050  * Apply second set of pitch-adaptive window pulses.
1051  * @param s WMA Voice decoding context private data
1052  * @param gb bit I/O context
1053  * @param block_idx block index in frame [0, 1]
1054  * @param fcb structure containing fixed codebook vector info
1055  */
1056 static void aw_pulse_set2(WMAVoiceContext *s, GetBitContext *gb,
1057                           int block_idx, AMRFixed *fcb)
1058 {
1059     uint16_t use_mask_mem[9]; // only 5 are used, rest is padding
1060     uint16_t *use_mask = use_mask_mem + 2;
1061     /* in this function, idx is the index in the 80-bit (+ padding) use_mask
1062      * bit-array. Since use_mask consists of 16-bit values, the lower 4 bits
1063      * of idx are the position of the bit within a particular item in the
1064      * array (0 being the most significant bit, and 15 being the least
1065      * significant bit), and the remainder (>> 4) is the index in the
1066      * use_mask[]-array. This is faster and uses less memory than using a
1067      * 80-byte/80-int array. */
1068     int pulse_off = s->aw_first_pulse_off[block_idx],
1069         pulse_start, n, idx, range, aidx, start_off = 0;
1070
1071     /* set offset of first pulse to within this block */
1072     if (s->aw_n_pulses[block_idx] > 0)
1073         while (pulse_off + s->aw_pulse_range < 1)
1074             pulse_off += fcb->pitch_lag;
1075
1076     /* find range per pulse */
1077     if (s->aw_n_pulses[0] > 0) {
1078         if (block_idx == 0) {
1079             range = 32;
1080         } else /* block_idx = 1 */ {
1081             range = 8;
1082             if (s->aw_n_pulses[block_idx] > 0)
1083                 pulse_off = s->aw_next_pulse_off_cache;
1084         }
1085     } else
1086         range = 16;
1087     pulse_start = s->aw_n_pulses[block_idx] > 0 ? pulse_off - range / 2 : 0;
1088
1089     /* aw_pulse_set1() already applies pulses around pulse_off (to be exactly,
1090      * in the range of [pulse_off, pulse_off + s->aw_pulse_range], and thus
1091      * we exclude that range from being pulsed again in this function. */
1092     memset(&use_mask[-2], 0, 2 * sizeof(use_mask[0]));
1093     memset( use_mask,   -1, 5 * sizeof(use_mask[0]));
1094     memset(&use_mask[5], 0, 2 * sizeof(use_mask[0]));
1095     if (s->aw_n_pulses[block_idx] > 0)
1096         for (idx = pulse_off; idx < MAX_FRAMESIZE / 2; idx += fcb->pitch_lag) {
1097             int excl_range         = s->aw_pulse_range; // always 16 or 24
1098             uint16_t *use_mask_ptr = &use_mask[idx >> 4];
1099             int first_sh           = 16 - (idx & 15);
1100             *use_mask_ptr++       &= 0xFFFFu << first_sh;
1101             excl_range            -= first_sh;
1102             if (excl_range >= 16) {
1103                 *use_mask_ptr++    = 0;
1104                 *use_mask_ptr     &= 0xFFFF >> (excl_range - 16);
1105             } else
1106                 *use_mask_ptr     &= 0xFFFF >> excl_range;
1107         }
1108
1109     /* find the 'aidx'th offset that is not excluded */
1110     aidx = get_bits(gb, s->aw_n_pulses[0] > 0 ? 5 - 2 * block_idx : 4);
1111     for (n = 0; n <= aidx; pulse_start++) {
1112         for (idx = pulse_start; idx < 0; idx += fcb->pitch_lag) ;
1113         if (idx >= MAX_FRAMESIZE / 2) { // find from zero
1114             if (use_mask[0])      idx = 0x0F;
1115             else if (use_mask[1]) idx = 0x1F;
1116             else if (use_mask[2]) idx = 0x2F;
1117             else if (use_mask[3]) idx = 0x3F;
1118             else if (use_mask[4]) idx = 0x4F;
1119             else                  return;
1120             idx -= av_log2_16bit(use_mask[idx >> 4]);
1121         }
1122         if (use_mask[idx >> 4] & (0x8000 >> (idx & 15))) {
1123             use_mask[idx >> 4] &= ~(0x8000 >> (idx & 15));
1124             n++;
1125             start_off = idx;
1126         }
1127     }
1128
1129     fcb->x[fcb->n] = start_off;
1130     fcb->y[fcb->n] = get_bits1(gb) ? -1.0 : 1.0;
1131     fcb->n++;
1132
1133     /* set offset for next block, relative to start of that block */
1134     n = (MAX_FRAMESIZE / 2 - start_off) % fcb->pitch_lag;
1135     s->aw_next_pulse_off_cache = n ? fcb->pitch_lag - n : 0;
1136 }
1137
1138 /**
1139  * Apply first set of pitch-adaptive window pulses.
1140  * @param s WMA Voice decoding context private data
1141  * @param gb bit I/O context
1142  * @param block_idx block index in frame [0, 1]
1143  * @param fcb storage location for fixed codebook pulse info
1144  */
1145 static void aw_pulse_set1(WMAVoiceContext *s, GetBitContext *gb,
1146                           int block_idx, AMRFixed *fcb)
1147 {
1148     int val = get_bits(gb, 12 - 2 * (s->aw_idx_is_ext && !block_idx));
1149     float v;
1150
1151     if (s->aw_n_pulses[block_idx] > 0) {
1152         int n, v_mask, i_mask, sh, n_pulses;
1153
1154         if (s->aw_pulse_range == 24) { // 3 pulses, 1:sign + 3:index each
1155             n_pulses = 3;
1156             v_mask   = 8;
1157             i_mask   = 7;
1158             sh       = 4;
1159         } else { // 4 pulses, 1:sign + 2:index each
1160             n_pulses = 4;
1161             v_mask   = 4;
1162             i_mask   = 3;
1163             sh       = 3;
1164         }
1165
1166         for (n = n_pulses - 1; n >= 0; n--, val >>= sh) {
1167             fcb->y[fcb->n] = (val & v_mask) ? -1.0 : 1.0;
1168             fcb->x[fcb->n] = (val & i_mask) * n_pulses + n +
1169                                  s->aw_first_pulse_off[block_idx];
1170             while (fcb->x[fcb->n] < 0)
1171                 fcb->x[fcb->n] += fcb->pitch_lag;
1172             if (fcb->x[fcb->n] < MAX_FRAMESIZE / 2)
1173                 fcb->n++;
1174         }
1175     } else {
1176         int num2 = (val & 0x1FF) >> 1, delta, idx;
1177
1178         if (num2 < 1 * 79)      { delta = 1; idx = num2 + 1; }
1179         else if (num2 < 2 * 78) { delta = 3; idx = num2 + 1 - 1 * 77; }
1180         else if (num2 < 3 * 77) { delta = 5; idx = num2 + 1 - 2 * 76; }
1181         else                    { delta = 7; idx = num2 + 1 - 3 * 75; }
1182         v = (val & 0x200) ? -1.0 : 1.0;
1183
1184         fcb->no_repeat_mask |= 3 << fcb->n;
1185         fcb->x[fcb->n]       = idx - delta;
1186         fcb->y[fcb->n]       = v;
1187         fcb->x[fcb->n + 1]   = idx;
1188         fcb->y[fcb->n + 1]   = (val & 1) ? -v : v;
1189         fcb->n              += 2;
1190     }
1191 }
1192
1193 /**
1194  * @}
1195  *
1196  * Generate a random number from frame_cntr and block_idx, which will lief
1197  * in the range [0, 1000 - block_size] (so it can be used as an index in a
1198  * table of size 1000 of which you want to read block_size entries).
1199  *
1200  * @param frame_cntr current frame number
1201  * @param block_num current block index
1202  * @param block_size amount of entries we want to read from a table
1203  *                   that has 1000 entries
1204  * @return a (non-)random number in the [0, 1000 - block_size] range.
1205  */
1206 static int pRNG(int frame_cntr, int block_num, int block_size)
1207 {
1208     /* array to simplify the calculation of z:
1209      * y = (x % 9) * 5 + 6;
1210      * z = (49995 * x) / y;
1211      * Since y only has 9 values, we can remove the division by using a
1212      * LUT and using FASTDIV-style divisions. For each of the 9 values
1213      * of y, we can rewrite z as:
1214      * z = x * (49995 / y) + x * ((49995 % y) / y)
1215      * In this table, each col represents one possible value of y, the
1216      * first number is 49995 / y, and the second is the FASTDIV variant
1217      * of 49995 % y / y. */
1218     static const unsigned int div_tbl[9][2] = {
1219         { 8332,  3 * 715827883U }, // y =  6
1220         { 4545,  0 * 390451573U }, // y = 11
1221         { 3124, 11 * 268435456U }, // y = 16
1222         { 2380, 15 * 204522253U }, // y = 21
1223         { 1922, 23 * 165191050U }, // y = 26
1224         { 1612, 23 * 138547333U }, // y = 31
1225         { 1388, 27 * 119304648U }, // y = 36
1226         { 1219, 16 * 104755300U }, // y = 41
1227         { 1086, 39 *  93368855U }  // y = 46
1228     };
1229     unsigned int z, y, x = MUL16(block_num, 1877) + frame_cntr;
1230     if (x >= 0xFFFF) x -= 0xFFFF;   // max value of x is 8*1877+0xFFFE=0x13AA6,
1231                                     // so this is effectively a modulo (%)
1232     y = x - 9 * MULH(477218589, x); // x % 9
1233     z = (uint16_t) (x * div_tbl[y][0] + UMULH(x, div_tbl[y][1]));
1234                                     // z = x * 49995 / (y * 5 + 6)
1235     return z % (1000 - block_size);
1236 }
1237
1238 /**
1239  * Parse hardcoded signal for a single block.
1240  * @note see #synth_block().
1241  */
1242 static void synth_block_hardcoded(WMAVoiceContext *s, GetBitContext *gb,
1243                                  int block_idx, int size,
1244                                  const struct frame_type_desc *frame_desc,
1245                                  float *excitation)
1246 {
1247     float gain;
1248     int n, r_idx;
1249
1250     assert(size <= MAX_FRAMESIZE);
1251
1252     /* Set the offset from which we start reading wmavoice_std_codebook */
1253     if (frame_desc->fcb_type == FCB_TYPE_SILENCE) {
1254         r_idx = pRNG(s->frame_cntr, block_idx, size);
1255         gain  = s->silence_gain;
1256     } else /* FCB_TYPE_HARDCODED */ {
1257         r_idx = get_bits(gb, 8);
1258         gain  = wmavoice_gain_universal[get_bits(gb, 6)];
1259     }
1260
1261     /* Clear gain prediction parameters */
1262     memset(s->gain_pred_err, 0, sizeof(s->gain_pred_err));
1263
1264     /* Apply gain to hardcoded codebook and use that as excitation signal */
1265     for (n = 0; n < size; n++)
1266         excitation[n] = wmavoice_std_codebook[r_idx + n] * gain;
1267 }
1268
1269 /**
1270  * Parse FCB/ACB signal for a single block.
1271  * @note see #synth_block().
1272  */
1273 static void synth_block_fcb_acb(WMAVoiceContext *s, GetBitContext *gb,
1274                                 int block_idx, int size,
1275                                 int block_pitch_sh2,
1276                                 const struct frame_type_desc *frame_desc,
1277                                 float *excitation)
1278 {
1279     static const float gain_coeff[6] = {
1280         0.8169, -0.06545, 0.1726, 0.0185, -0.0359, 0.0458
1281     };
1282     float pulses[MAX_FRAMESIZE / 2], pred_err, acb_gain, fcb_gain;
1283     int n, idx, gain_weight;
1284     AMRFixed fcb;
1285
1286     assert(size <= MAX_FRAMESIZE / 2);
1287     memset(pulses, 0, sizeof(*pulses) * size);
1288
1289     fcb.pitch_lag      = block_pitch_sh2 >> 2;
1290     fcb.pitch_fac      = 1.0;
1291     fcb.no_repeat_mask = 0;
1292     fcb.n              = 0;
1293
1294     /* For the other frame types, this is where we apply the innovation
1295      * (fixed) codebook pulses of the speech signal. */
1296     if (frame_desc->fcb_type == FCB_TYPE_AW_PULSES) {
1297         aw_pulse_set1(s, gb, block_idx, &fcb);
1298         aw_pulse_set2(s, gb, block_idx, &fcb);
1299     } else /* FCB_TYPE_EXC_PULSES */ {
1300         int offset_nbits = 5 - frame_desc->log_n_blocks;
1301
1302         fcb.no_repeat_mask = -1;
1303         /* similar to ff_decode_10_pulses_35bits(), but with single pulses
1304          * (instead of double) for a subset of pulses */
1305         for (n = 0; n < 5; n++) {
1306             float sign;
1307             int pos1, pos2;
1308
1309             sign           = get_bits1(gb) ? 1.0 : -1.0;
1310             pos1           = get_bits(gb, offset_nbits);
1311             fcb.x[fcb.n]   = n + 5 * pos1;
1312             fcb.y[fcb.n++] = sign;
1313             if (n < frame_desc->dbl_pulses) {
1314                 pos2           = get_bits(gb, offset_nbits);
1315                 fcb.x[fcb.n]   = n + 5 * pos2;
1316                 fcb.y[fcb.n++] = (pos1 < pos2) ? -sign : sign;
1317             }
1318         }
1319     }
1320     ff_set_fixed_vector(pulses, &fcb, 1.0, size);
1321
1322     /* Calculate gain for adaptive & fixed codebook signal.
1323      * see ff_amr_set_fixed_gain(). */
1324     idx = get_bits(gb, 7);
1325     fcb_gain = expf(avpriv_scalarproduct_float_c(s->gain_pred_err,
1326                                                  gain_coeff, 6) -
1327                     5.2409161640 + wmavoice_gain_codebook_fcb[idx]);
1328     acb_gain = wmavoice_gain_codebook_acb[idx];
1329     pred_err = av_clipf(wmavoice_gain_codebook_fcb[idx],
1330                         -2.9957322736 /* log(0.05) */,
1331                          1.6094379124 /* log(5.0)  */);
1332
1333     gain_weight = 8 >> frame_desc->log_n_blocks;
1334     memmove(&s->gain_pred_err[gain_weight], s->gain_pred_err,
1335             sizeof(*s->gain_pred_err) * (6 - gain_weight));
1336     for (n = 0; n < gain_weight; n++)
1337         s->gain_pred_err[n] = pred_err;
1338
1339     /* Calculation of adaptive codebook */
1340     if (frame_desc->acb_type == ACB_TYPE_ASYMMETRIC) {
1341         int len;
1342         for (n = 0; n < size; n += len) {
1343             int next_idx_sh16;
1344             int abs_idx    = block_idx * size + n;
1345             int pitch_sh16 = (s->last_pitch_val << 16) +
1346                              s->pitch_diff_sh16 * abs_idx;
1347             int pitch      = (pitch_sh16 + 0x6FFF) >> 16;
1348             int idx_sh16   = ((pitch << 16) - pitch_sh16) * 8 + 0x58000;
1349             idx            = idx_sh16 >> 16;
1350             if (s->pitch_diff_sh16) {
1351                 if (s->pitch_diff_sh16 > 0) {
1352                     next_idx_sh16 = (idx_sh16) &~ 0xFFFF;
1353                 } else
1354                     next_idx_sh16 = (idx_sh16 + 0x10000) &~ 0xFFFF;
1355                 len = av_clip((idx_sh16 - next_idx_sh16) / s->pitch_diff_sh16 / 8,
1356                               1, size - n);
1357             } else
1358                 len = size;
1359
1360             ff_acelp_interpolatef(&excitation[n], &excitation[n - pitch],
1361                                   wmavoice_ipol1_coeffs, 17,
1362                                   idx, 9, len);
1363         }
1364     } else /* ACB_TYPE_HAMMING */ {
1365         int block_pitch = block_pitch_sh2 >> 2;
1366         idx             = block_pitch_sh2 & 3;
1367         if (idx) {
1368             ff_acelp_interpolatef(excitation, &excitation[-block_pitch],
1369                                   wmavoice_ipol2_coeffs, 4,
1370                                   idx, 8, size);
1371         } else
1372             av_memcpy_backptr((uint8_t *) excitation, sizeof(float) * block_pitch,
1373                               sizeof(float) * size);
1374     }
1375
1376     /* Interpolate ACB/FCB and use as excitation signal */
1377     ff_weighted_vector_sumf(excitation, excitation, pulses,
1378                             acb_gain, fcb_gain, size);
1379 }
1380
1381 /**
1382  * Parse data in a single block.
1383  * @note we assume enough bits are available, caller should check.
1384  *
1385  * @param s WMA Voice decoding context private data
1386  * @param gb bit I/O context
1387  * @param block_idx index of the to-be-read block
1388  * @param size amount of samples to be read in this block
1389  * @param block_pitch_sh2 pitch for this block << 2
1390  * @param lsps LSPs for (the end of) this frame
1391  * @param prev_lsps LSPs for the last frame
1392  * @param frame_desc frame type descriptor
1393  * @param excitation target memory for the ACB+FCB interpolated signal
1394  * @param synth target memory for the speech synthesis filter output
1395  * @return 0 on success, <0 on error.
1396  */
1397 static void synth_block(WMAVoiceContext *s, GetBitContext *gb,
1398                         int block_idx, int size,
1399                         int block_pitch_sh2,
1400                         const double *lsps, const double *prev_lsps,
1401                         const struct frame_type_desc *frame_desc,
1402                         float *excitation, float *synth)
1403 {
1404     double i_lsps[MAX_LSPS];
1405     float lpcs[MAX_LSPS];
1406     float fac;
1407     int n;
1408
1409     if (frame_desc->acb_type == ACB_TYPE_NONE)
1410         synth_block_hardcoded(s, gb, block_idx, size, frame_desc, excitation);
1411     else
1412         synth_block_fcb_acb(s, gb, block_idx, size, block_pitch_sh2,
1413                             frame_desc, excitation);
1414
1415     /* convert interpolated LSPs to LPCs */
1416     fac = (block_idx + 0.5) / frame_desc->n_blocks;
1417     for (n = 0; n < s->lsps; n++) // LSF -> LSP
1418         i_lsps[n] = cos(prev_lsps[n] + fac * (lsps[n] - prev_lsps[n]));
1419     ff_acelp_lspd2lpc(i_lsps, lpcs, s->lsps >> 1);
1420
1421     /* Speech synthesis */
1422     ff_celp_lp_synthesis_filterf(synth, lpcs, excitation, size, s->lsps);
1423 }
1424
1425 /**
1426  * Synthesize output samples for a single frame.
1427  * @note we assume enough bits are available, caller should check.
1428  *
1429  * @param ctx WMA Voice decoder context
1430  * @param gb bit I/O context (s->gb or one for cross-packet superframes)
1431  * @param frame_idx Frame number within superframe [0-2]
1432  * @param samples pointer to output sample buffer, has space for at least 160
1433  *                samples
1434  * @param lsps LSP array
1435  * @param prev_lsps array of previous frame's LSPs
1436  * @param excitation target buffer for excitation signal
1437  * @param synth target buffer for synthesized speech data
1438  * @return 0 on success, <0 on error.
1439  */
1440 static int synth_frame(AVCodecContext *ctx, GetBitContext *gb, int frame_idx,
1441                        float *samples,
1442                        const double *lsps, const double *prev_lsps,
1443                        float *excitation, float *synth)
1444 {
1445     WMAVoiceContext *s = ctx->priv_data;
1446     int n, n_blocks_x2, log_n_blocks_x2, cur_pitch_val;
1447     int pitch[MAX_BLOCKS], last_block_pitch;
1448
1449     /* Parse frame type ("frame header"), see frame_descs */
1450     int bd_idx = s->vbm_tree[get_vlc2(gb, frame_type_vlc.table, 6, 3)], block_nsamples;
1451
1452     if (bd_idx < 0) {
1453         av_log(ctx, AV_LOG_ERROR,
1454                "Invalid frame type VLC code, skipping\n");
1455         return AVERROR_INVALIDDATA;
1456     }
1457
1458     block_nsamples = MAX_FRAMESIZE / frame_descs[bd_idx].n_blocks;
1459
1460     /* Pitch calculation for ACB_TYPE_ASYMMETRIC ("pitch-per-frame") */
1461     if (frame_descs[bd_idx].acb_type == ACB_TYPE_ASYMMETRIC) {
1462         /* Pitch is provided per frame, which is interpreted as the pitch of
1463          * the last sample of the last block of this frame. We can interpolate
1464          * the pitch of other blocks (and even pitch-per-sample) by gradually
1465          * incrementing/decrementing prev_frame_pitch to cur_pitch_val. */
1466         n_blocks_x2      = frame_descs[bd_idx].n_blocks << 1;
1467         log_n_blocks_x2  = frame_descs[bd_idx].log_n_blocks + 1;
1468         cur_pitch_val    = s->min_pitch_val + get_bits(gb, s->pitch_nbits);
1469         cur_pitch_val    = FFMIN(cur_pitch_val, s->max_pitch_val - 1);
1470         if (s->last_acb_type == ACB_TYPE_NONE ||
1471             20 * abs(cur_pitch_val - s->last_pitch_val) >
1472                 (cur_pitch_val + s->last_pitch_val))
1473             s->last_pitch_val = cur_pitch_val;
1474
1475         /* pitch per block */
1476         for (n = 0; n < frame_descs[bd_idx].n_blocks; n++) {
1477             int fac = n * 2 + 1;
1478
1479             pitch[n] = (MUL16(fac,                 cur_pitch_val) +
1480                         MUL16((n_blocks_x2 - fac), s->last_pitch_val) +
1481                         frame_descs[bd_idx].n_blocks) >> log_n_blocks_x2;
1482         }
1483
1484         /* "pitch-diff-per-sample" for calculation of pitch per sample */
1485         s->pitch_diff_sh16 =
1486             ((cur_pitch_val - s->last_pitch_val) << 16) / MAX_FRAMESIZE;
1487     }
1488
1489     /* Global gain (if silence) and pitch-adaptive window coordinates */
1490     switch (frame_descs[bd_idx].fcb_type) {
1491     case FCB_TYPE_SILENCE:
1492         s->silence_gain = wmavoice_gain_silence[get_bits(gb, 8)];
1493         break;
1494     case FCB_TYPE_AW_PULSES:
1495         aw_parse_coords(s, gb, pitch);
1496         break;
1497     }
1498
1499     for (n = 0; n < frame_descs[bd_idx].n_blocks; n++) {
1500         int bl_pitch_sh2;
1501
1502         /* Pitch calculation for ACB_TYPE_HAMMING ("pitch-per-block") */
1503         switch (frame_descs[bd_idx].acb_type) {
1504         case ACB_TYPE_HAMMING: {
1505             /* Pitch is given per block. Per-block pitches are encoded as an
1506              * absolute value for the first block, and then delta values
1507              * relative to this value) for all subsequent blocks. The scale of
1508              * this pitch value is semi-logaritmic compared to its use in the
1509              * decoder, so we convert it to normal scale also. */
1510             int block_pitch,
1511                 t1 = (s->block_conv_table[1] - s->block_conv_table[0]) << 2,
1512                 t2 = (s->block_conv_table[2] - s->block_conv_table[1]) << 1,
1513                 t3 =  s->block_conv_table[3] - s->block_conv_table[2] + 1;
1514
1515             if (n == 0) {
1516                 block_pitch = get_bits(gb, s->block_pitch_nbits);
1517             } else
1518                 block_pitch = last_block_pitch - s->block_delta_pitch_hrange +
1519                                  get_bits(gb, s->block_delta_pitch_nbits);
1520             /* Convert last_ so that any next delta is within _range */
1521             last_block_pitch = av_clip(block_pitch,
1522                                        s->block_delta_pitch_hrange,
1523                                        s->block_pitch_range -
1524                                            s->block_delta_pitch_hrange);
1525
1526             /* Convert semi-log-style scale back to normal scale */
1527             if (block_pitch < t1) {
1528                 bl_pitch_sh2 = (s->block_conv_table[0] << 2) + block_pitch;
1529             } else {
1530                 block_pitch -= t1;
1531                 if (block_pitch < t2) {
1532                     bl_pitch_sh2 =
1533                         (s->block_conv_table[1] << 2) + (block_pitch << 1);
1534                 } else {
1535                     block_pitch -= t2;
1536                     if (block_pitch < t3) {
1537                         bl_pitch_sh2 =
1538                             (s->block_conv_table[2] + block_pitch) << 2;
1539                     } else
1540                         bl_pitch_sh2 = s->block_conv_table[3] << 2;
1541                 }
1542             }
1543             pitch[n] = bl_pitch_sh2 >> 2;
1544             break;
1545         }
1546
1547         case ACB_TYPE_ASYMMETRIC: {
1548             bl_pitch_sh2 = pitch[n] << 2;
1549             break;
1550         }
1551
1552         default: // ACB_TYPE_NONE has no pitch
1553             bl_pitch_sh2 = 0;
1554             break;
1555         }
1556
1557         synth_block(s, gb, n, block_nsamples, bl_pitch_sh2,
1558                     lsps, prev_lsps, &frame_descs[bd_idx],
1559                     &excitation[n * block_nsamples],
1560                     &synth[n * block_nsamples]);
1561     }
1562
1563     /* Averaging projection filter, if applicable. Else, just copy samples
1564      * from synthesis buffer */
1565     if (s->do_apf) {
1566         double i_lsps[MAX_LSPS];
1567         float lpcs[MAX_LSPS];
1568
1569         for (n = 0; n < s->lsps; n++) // LSF -> LSP
1570             i_lsps[n] = cos(0.5 * (prev_lsps[n] + lsps[n]));
1571         ff_acelp_lspd2lpc(i_lsps, lpcs, s->lsps >> 1);
1572         postfilter(s, synth, samples, 80, lpcs,
1573                    &s->zero_exc_pf[s->history_nsamples + MAX_FRAMESIZE * frame_idx],
1574                    frame_descs[bd_idx].fcb_type, pitch[0]);
1575
1576         for (n = 0; n < s->lsps; n++) // LSF -> LSP
1577             i_lsps[n] = cos(lsps[n]);
1578         ff_acelp_lspd2lpc(i_lsps, lpcs, s->lsps >> 1);
1579         postfilter(s, &synth[80], &samples[80], 80, lpcs,
1580                    &s->zero_exc_pf[s->history_nsamples + MAX_FRAMESIZE * frame_idx + 80],
1581                    frame_descs[bd_idx].fcb_type, pitch[0]);
1582     } else
1583         memcpy(samples, synth, 160 * sizeof(synth[0]));
1584
1585     /* Cache values for next frame */
1586     s->frame_cntr++;
1587     if (s->frame_cntr >= 0xFFFF) s->frame_cntr -= 0xFFFF; // i.e. modulo (%)
1588     s->last_acb_type = frame_descs[bd_idx].acb_type;
1589     switch (frame_descs[bd_idx].acb_type) {
1590     case ACB_TYPE_NONE:
1591         s->last_pitch_val = 0;
1592         break;
1593     case ACB_TYPE_ASYMMETRIC:
1594         s->last_pitch_val = cur_pitch_val;
1595         break;
1596     case ACB_TYPE_HAMMING:
1597         s->last_pitch_val = pitch[frame_descs[bd_idx].n_blocks - 1];
1598         break;
1599     }
1600
1601     return 0;
1602 }
1603
1604 /**
1605  * Ensure minimum value for first item, maximum value for last value,
1606  * proper spacing between each value and proper ordering.
1607  *
1608  * @param lsps array of LSPs
1609  * @param num size of LSP array
1610  *
1611  * @note basically a double version of #ff_acelp_reorder_lsf(), might be
1612  *       useful to put in a generic location later on. Parts are also
1613  *       present in #ff_set_min_dist_lsf() + #ff_sort_nearly_sorted_floats(),
1614  *       which is in float.
1615  */
1616 static void stabilize_lsps(double *lsps, int num)
1617 {
1618     int n, m, l;
1619
1620     /* set minimum value for first, maximum value for last and minimum
1621      * spacing between LSF values.
1622      * Very similar to ff_set_min_dist_lsf(), but in double. */
1623     lsps[0]       = FFMAX(lsps[0],       0.0015 * M_PI);
1624     for (n = 1; n < num; n++)
1625         lsps[n]   = FFMAX(lsps[n],       lsps[n - 1] + 0.0125 * M_PI);
1626     lsps[num - 1] = FFMIN(lsps[num - 1], 0.9985 * M_PI);
1627
1628     /* reorder (looks like one-time / non-recursed bubblesort).
1629      * Very similar to ff_sort_nearly_sorted_floats(), but in double. */
1630     for (n = 1; n < num; n++) {
1631         if (lsps[n] < lsps[n - 1]) {
1632             for (m = 1; m < num; m++) {
1633                 double tmp = lsps[m];
1634                 for (l = m - 1; l >= 0; l--) {
1635                     if (lsps[l] <= tmp) break;
1636                     lsps[l + 1] = lsps[l];
1637                 }
1638                 lsps[l + 1] = tmp;
1639             }
1640             break;
1641         }
1642     }
1643 }
1644
1645 /**
1646  * Test if there's enough bits to read 1 superframe.
1647  *
1648  * @param orig_gb bit I/O context used for reading. This function
1649  *                does not modify the state of the bitreader; it
1650  *                only uses it to copy the current stream position
1651  * @param s WMA Voice decoding context private data
1652  * @return < 0 on error, 1 on not enough bits or 0 if OK.
1653  */
1654 static int check_bits_for_superframe(GetBitContext *orig_gb,
1655                                      WMAVoiceContext *s)
1656 {
1657     GetBitContext s_gb, *gb = &s_gb;
1658     int n, need_bits, bd_idx;
1659     const struct frame_type_desc *frame_desc;
1660
1661     /* initialize a copy */
1662     init_get_bits(gb, orig_gb->buffer, orig_gb->size_in_bits);
1663     skip_bits_long(gb, get_bits_count(orig_gb));
1664     assert(get_bits_left(gb) == get_bits_left(orig_gb));
1665
1666     /* superframe header */
1667     if (get_bits_left(gb) < 14)
1668         return 1;
1669     if (!get_bits1(gb))
1670         return AVERROR(ENOSYS);           // WMAPro-in-WMAVoice superframe
1671     if (get_bits1(gb)) skip_bits(gb, 12); // number of  samples in superframe
1672     if (s->has_residual_lsps) {           // residual LSPs (for all frames)
1673         if (get_bits_left(gb) < s->sframe_lsp_bitsize)
1674             return 1;
1675         skip_bits_long(gb, s->sframe_lsp_bitsize);
1676     }
1677
1678     /* frames */
1679     for (n = 0; n < MAX_FRAMES; n++) {
1680         int aw_idx_is_ext = 0;
1681
1682         if (!s->has_residual_lsps) {     // independent LSPs (per-frame)
1683            if (get_bits_left(gb) < s->frame_lsp_bitsize) return 1;
1684            skip_bits_long(gb, s->frame_lsp_bitsize);
1685         }
1686         bd_idx = s->vbm_tree[get_vlc2(gb, frame_type_vlc.table, 6, 3)];
1687         if (bd_idx < 0)
1688             return AVERROR_INVALIDDATA; // invalid frame type VLC code
1689         frame_desc = &frame_descs[bd_idx];
1690         if (frame_desc->acb_type == ACB_TYPE_ASYMMETRIC) {
1691             if (get_bits_left(gb) < s->pitch_nbits)
1692                 return 1;
1693             skip_bits_long(gb, s->pitch_nbits);
1694         }
1695         if (frame_desc->fcb_type == FCB_TYPE_SILENCE) {
1696             skip_bits(gb, 8);
1697         } else if (frame_desc->fcb_type == FCB_TYPE_AW_PULSES) {
1698             int tmp = get_bits(gb, 6);
1699             if (tmp >= 0x36) {
1700                 skip_bits(gb, 2);
1701                 aw_idx_is_ext = 1;
1702             }
1703         }
1704
1705         /* blocks */
1706         if (frame_desc->acb_type == ACB_TYPE_HAMMING) {
1707             need_bits = s->block_pitch_nbits +
1708                 (frame_desc->n_blocks - 1) * s->block_delta_pitch_nbits;
1709         } else if (frame_desc->fcb_type == FCB_TYPE_AW_PULSES) {
1710             need_bits = 2 * !aw_idx_is_ext;
1711         } else
1712             need_bits = 0;
1713         need_bits += frame_desc->frame_size;
1714         if (get_bits_left(gb) < need_bits)
1715             return 1;
1716         skip_bits_long(gb, need_bits);
1717     }
1718
1719     return 0;
1720 }
1721
1722 /**
1723  * Synthesize output samples for a single superframe. If we have any data
1724  * cached in s->sframe_cache, that will be used instead of whatever is loaded
1725  * in s->gb.
1726  *
1727  * WMA Voice superframes contain 3 frames, each containing 160 audio samples,
1728  * to give a total of 480 samples per frame. See #synth_frame() for frame
1729  * parsing. In addition to 3 frames, superframes can also contain the LSPs
1730  * (if these are globally specified for all frames (residually); they can
1731  * also be specified individually per-frame. See the s->has_residual_lsps
1732  * option), and can specify the number of samples encoded in this superframe
1733  * (if less than 480), usually used to prevent blanks at track boundaries.
1734  *
1735  * @param ctx WMA Voice decoder context
1736  * @return 0 on success, <0 on error or 1 if there was not enough data to
1737  *         fully parse the superframe
1738  */
1739 static int synth_superframe(AVCodecContext *ctx, AVFrame *frame,
1740                             int *got_frame_ptr)
1741 {
1742     WMAVoiceContext *s = ctx->priv_data;
1743     GetBitContext *gb = &s->gb, s_gb;
1744     int n, res, n_samples = 480;
1745     double lsps[MAX_FRAMES][MAX_LSPS];
1746     const double *mean_lsf = s->lsps == 16 ?
1747         wmavoice_mean_lsf16[s->lsp_def_mode] : wmavoice_mean_lsf10[s->lsp_def_mode];
1748     float excitation[MAX_SIGNAL_HISTORY + MAX_SFRAMESIZE + 12];
1749     float synth[MAX_LSPS + MAX_SFRAMESIZE];
1750     float *samples;
1751
1752     memcpy(synth,      s->synth_history,
1753            s->lsps             * sizeof(*synth));
1754     memcpy(excitation, s->excitation_history,
1755            s->history_nsamples * sizeof(*excitation));
1756
1757     if (s->sframe_cache_size > 0) {
1758         gb = &s_gb;
1759         init_get_bits(gb, s->sframe_cache, s->sframe_cache_size);
1760         s->sframe_cache_size = 0;
1761     }
1762
1763     if ((res = check_bits_for_superframe(gb, s)) == 1) {
1764         *got_frame_ptr = 0;
1765         return 1;
1766     } else if (res < 0)
1767         return res;
1768
1769     /* First bit is speech/music bit, it differentiates between WMAVoice
1770      * speech samples (the actual codec) and WMAVoice music samples, which
1771      * are really WMAPro-in-WMAVoice-superframes. I've never seen those in
1772      * the wild yet. */
1773     if (!get_bits1(gb)) {
1774         avpriv_request_sample(ctx, "WMAPro-in-WMAVoice");
1775         return AVERROR_PATCHWELCOME;
1776     }
1777
1778     /* (optional) nr. of samples in superframe; always <= 480 and >= 0 */
1779     if (get_bits1(gb)) {
1780         if ((n_samples = get_bits(gb, 12)) > 480) {
1781             av_log(ctx, AV_LOG_ERROR,
1782                    "Superframe encodes >480 samples (%d), not allowed\n",
1783                    n_samples);
1784             return AVERROR_INVALIDDATA;
1785         }
1786     }
1787     /* Parse LSPs, if global for the superframe (can also be per-frame). */
1788     if (s->has_residual_lsps) {
1789         double prev_lsps[MAX_LSPS], a1[MAX_LSPS * 2], a2[MAX_LSPS * 2];
1790
1791         for (n = 0; n < s->lsps; n++)
1792             prev_lsps[n] = s->prev_lsps[n] - mean_lsf[n];
1793
1794         if (s->lsps == 10) {
1795             dequant_lsp10r(gb, lsps[2], prev_lsps, a1, a2, s->lsp_q_mode);
1796         } else /* s->lsps == 16 */
1797             dequant_lsp16r(gb, lsps[2], prev_lsps, a1, a2, s->lsp_q_mode);
1798
1799         for (n = 0; n < s->lsps; n++) {
1800             lsps[0][n]  = mean_lsf[n] + (a1[n]           - a2[n * 2]);
1801             lsps[1][n]  = mean_lsf[n] + (a1[s->lsps + n] - a2[n * 2 + 1]);
1802             lsps[2][n] += mean_lsf[n];
1803         }
1804         for (n = 0; n < 3; n++)
1805             stabilize_lsps(lsps[n], s->lsps);
1806     }
1807
1808     /* get output buffer */
1809     frame->nb_samples = 480;
1810     if ((res = ff_get_buffer(ctx, frame, 0)) < 0) {
1811         av_log(ctx, AV_LOG_ERROR, "get_buffer() failed\n");
1812         return res;
1813     }
1814     frame->nb_samples = n_samples;
1815     samples = (float *)frame->data[0];
1816
1817     /* Parse frames, optionally preceded by per-frame (independent) LSPs. */
1818     for (n = 0; n < 3; n++) {
1819         if (!s->has_residual_lsps) {
1820             int m;
1821
1822             if (s->lsps == 10) {
1823                 dequant_lsp10i(gb, lsps[n]);
1824             } else /* s->lsps == 16 */
1825                 dequant_lsp16i(gb, lsps[n]);
1826
1827             for (m = 0; m < s->lsps; m++)
1828                 lsps[n][m] += mean_lsf[m];
1829             stabilize_lsps(lsps[n], s->lsps);
1830         }
1831
1832         if ((res = synth_frame(ctx, gb, n,
1833                                &samples[n * MAX_FRAMESIZE],
1834                                lsps[n], n == 0 ? s->prev_lsps : lsps[n - 1],
1835                                &excitation[s->history_nsamples + n * MAX_FRAMESIZE],
1836                                &synth[s->lsps + n * MAX_FRAMESIZE]))) {
1837             *got_frame_ptr = 0;
1838             return res;
1839         }
1840     }
1841
1842     /* Statistics? FIXME - we don't check for length, a slight overrun
1843      * will be caught by internal buffer padding, and anything else
1844      * will be skipped, not read. */
1845     if (get_bits1(gb)) {
1846         res = get_bits(gb, 4);
1847         skip_bits(gb, 10 * (res + 1));
1848     }
1849
1850     *got_frame_ptr = 1;
1851
1852     /* Update history */
1853     memcpy(s->prev_lsps,           lsps[2],
1854            s->lsps             * sizeof(*s->prev_lsps));
1855     memcpy(s->synth_history,      &synth[MAX_SFRAMESIZE],
1856            s->lsps             * sizeof(*synth));
1857     memcpy(s->excitation_history, &excitation[MAX_SFRAMESIZE],
1858            s->history_nsamples * sizeof(*excitation));
1859     if (s->do_apf)
1860         memmove(s->zero_exc_pf,       &s->zero_exc_pf[MAX_SFRAMESIZE],
1861                 s->history_nsamples * sizeof(*s->zero_exc_pf));
1862
1863     return 0;
1864 }
1865
1866 /**
1867  * Parse the packet header at the start of each packet (input data to this
1868  * decoder).
1869  *
1870  * @param s WMA Voice decoding context private data
1871  * @return 1 if not enough bits were available, or 0 on success.
1872  */
1873 static int parse_packet_header(WMAVoiceContext *s)
1874 {
1875     GetBitContext *gb = &s->gb;
1876     unsigned int res;
1877
1878     if (get_bits_left(gb) < 11)
1879         return 1;
1880     skip_bits(gb, 4);          // packet sequence number
1881     s->has_residual_lsps = get_bits1(gb);
1882     do {
1883         res = get_bits(gb, 6); // number of superframes per packet
1884                                // (minus first one if there is spillover)
1885         if (get_bits_left(gb) < 6 * (res == 0x3F) + s->spillover_bitsize)
1886             return 1;
1887     } while (res == 0x3F);
1888     s->spillover_nbits   = get_bits(gb, s->spillover_bitsize);
1889
1890     return 0;
1891 }
1892
1893 /**
1894  * Copy (unaligned) bits from gb/data/size to pb.
1895  *
1896  * @param pb target buffer to copy bits into
1897  * @param data source buffer to copy bits from
1898  * @param size size of the source data, in bytes
1899  * @param gb bit I/O context specifying the current position in the source.
1900  *           data. This function might use this to align the bit position to
1901  *           a whole-byte boundary before calling #avpriv_copy_bits() on aligned
1902  *           source data
1903  * @param nbits the amount of bits to copy from source to target
1904  *
1905  * @note after calling this function, the current position in the input bit
1906  *       I/O context is undefined.
1907  */
1908 static void copy_bits(PutBitContext *pb,
1909                       const uint8_t *data, int size,
1910                       GetBitContext *gb, int nbits)
1911 {
1912     int rmn_bytes, rmn_bits;
1913
1914     rmn_bits = rmn_bytes = get_bits_left(gb);
1915     if (rmn_bits < nbits)
1916         return;
1917     if (nbits > pb->size_in_bits - put_bits_count(pb))
1918         return;
1919     rmn_bits &= 7; rmn_bytes >>= 3;
1920     if ((rmn_bits = FFMIN(rmn_bits, nbits)) > 0)
1921         put_bits(pb, rmn_bits, get_bits(gb, rmn_bits));
1922     avpriv_copy_bits(pb, data + size - rmn_bytes,
1923                  FFMIN(nbits - rmn_bits, rmn_bytes << 3));
1924 }
1925
1926 /**
1927  * Packet decoding: a packet is anything that the (ASF) demuxer contains,
1928  * and we expect that the demuxer / application provides it to us as such
1929  * (else you'll probably get garbage as output). Every packet has a size of
1930  * ctx->block_align bytes, starts with a packet header (see
1931  * #parse_packet_header()), and then a series of superframes. Superframe
1932  * boundaries may exceed packets, i.e. superframes can split data over
1933  * multiple (two) packets.
1934  *
1935  * For more information about frames, see #synth_superframe().
1936  */
1937 static int wmavoice_decode_packet(AVCodecContext *ctx, void *data,
1938                                   int *got_frame_ptr, AVPacket *avpkt)
1939 {
1940     WMAVoiceContext *s = ctx->priv_data;
1941     GetBitContext *gb = &s->gb;
1942     int size, res, pos;
1943
1944     /* Packets are sometimes a multiple of ctx->block_align, with a packet
1945      * header at each ctx->block_align bytes. However, Libav's ASF demuxer
1946      * feeds us ASF packets, which may concatenate multiple "codec" packets
1947      * in a single "muxer" packet, so we artificially emulate that by
1948      * capping the packet size at ctx->block_align. */
1949     for (size = avpkt->size; size > ctx->block_align; size -= ctx->block_align);
1950     if (!size) {
1951         *got_frame_ptr = 0;
1952         return 0;
1953     }
1954     init_get_bits(&s->gb, avpkt->data, size << 3);
1955
1956     /* size == ctx->block_align is used to indicate whether we are dealing with
1957      * a new packet or a packet of which we already read the packet header
1958      * previously. */
1959     if (size == ctx->block_align) { // new packet header
1960         if ((res = parse_packet_header(s)) < 0)
1961             return res;
1962
1963         /* If the packet header specifies a s->spillover_nbits, then we want
1964          * to push out all data of the previous packet (+ spillover) before
1965          * continuing to parse new superframes in the current packet. */
1966         if (s->spillover_nbits > 0) {
1967             if (s->sframe_cache_size > 0) {
1968                 int cnt = get_bits_count(gb);
1969                 copy_bits(&s->pb, avpkt->data, size, gb, s->spillover_nbits);
1970                 flush_put_bits(&s->pb);
1971                 s->sframe_cache_size += s->spillover_nbits;
1972                 if ((res = synth_superframe(ctx, data, got_frame_ptr)) == 0 &&
1973                     *got_frame_ptr) {
1974                     cnt += s->spillover_nbits;
1975                     s->skip_bits_next = cnt & 7;
1976                     return cnt >> 3;
1977                 } else
1978                     skip_bits_long (gb, s->spillover_nbits - cnt +
1979                                     get_bits_count(gb)); // resync
1980             } else
1981                 skip_bits_long(gb, s->spillover_nbits);  // resync
1982         }
1983     } else if (s->skip_bits_next)
1984         skip_bits(gb, s->skip_bits_next);
1985
1986     /* Try parsing superframes in current packet */
1987     s->sframe_cache_size = 0;
1988     s->skip_bits_next = 0;
1989     pos = get_bits_left(gb);
1990     if ((res = synth_superframe(ctx, data, got_frame_ptr)) < 0) {
1991         return res;
1992     } else if (*got_frame_ptr) {
1993         int cnt = get_bits_count(gb);
1994         s->skip_bits_next = cnt & 7;
1995         return cnt >> 3;
1996     } else if ((s->sframe_cache_size = pos) > 0) {
1997         /* rewind bit reader to start of last (incomplete) superframe... */
1998         init_get_bits(gb, avpkt->data, size << 3);
1999         skip_bits_long(gb, (size << 3) - pos);
2000         assert(get_bits_left(gb) == pos);
2001
2002         /* ...and cache it for spillover in next packet */
2003         init_put_bits(&s->pb, s->sframe_cache, SFRAME_CACHE_MAXSIZE);
2004         copy_bits(&s->pb, avpkt->data, size, gb, s->sframe_cache_size);
2005         // FIXME bad - just copy bytes as whole and add use the
2006         // skip_bits_next field
2007     }
2008
2009     return size;
2010 }
2011
2012 static av_cold int wmavoice_decode_end(AVCodecContext *ctx)
2013 {
2014     WMAVoiceContext *s = ctx->priv_data;
2015
2016     if (s->do_apf) {
2017         ff_rdft_end(&s->rdft);
2018         ff_rdft_end(&s->irdft);
2019         ff_dct_end(&s->dct);
2020         ff_dct_end(&s->dst);
2021     }
2022
2023     return 0;
2024 }
2025
2026 static av_cold void wmavoice_flush(AVCodecContext *ctx)
2027 {
2028     WMAVoiceContext *s = ctx->priv_data;
2029     int n;
2030
2031     s->postfilter_agc    = 0;
2032     s->sframe_cache_size = 0;
2033     s->skip_bits_next    = 0;
2034     for (n = 0; n < s->lsps; n++)
2035         s->prev_lsps[n] = M_PI * (n + 1.0) / (s->lsps + 1.0);
2036     memset(s->excitation_history, 0,
2037            sizeof(*s->excitation_history) * MAX_SIGNAL_HISTORY);
2038     memset(s->synth_history,      0,
2039            sizeof(*s->synth_history)      * MAX_LSPS);
2040     memset(s->gain_pred_err,      0,
2041            sizeof(s->gain_pred_err));
2042
2043     if (s->do_apf) {
2044         memset(&s->synth_filter_out_buf[MAX_LSPS_ALIGN16 - s->lsps], 0,
2045                sizeof(*s->synth_filter_out_buf) * s->lsps);
2046         memset(s->dcf_mem,              0,
2047                sizeof(*s->dcf_mem)              * 2);
2048         memset(s->zero_exc_pf,          0,
2049                sizeof(*s->zero_exc_pf)          * s->history_nsamples);
2050         memset(s->denoise_filter_cache, 0, sizeof(s->denoise_filter_cache));
2051     }
2052 }
2053
2054 AVCodec ff_wmavoice_decoder = {
2055     .name             = "wmavoice",
2056     .type             = AVMEDIA_TYPE_AUDIO,
2057     .id               = AV_CODEC_ID_WMAVOICE,
2058     .priv_data_size   = sizeof(WMAVoiceContext),
2059     .init             = wmavoice_decode_init,
2060     .init_static_data = wmavoice_init_static_data,
2061     .close            = wmavoice_decode_end,
2062     .decode           = wmavoice_decode_packet,
2063     .capabilities     = CODEC_CAP_SUBFRAMES | CODEC_CAP_DR1,
2064     .flush            = wmavoice_flush,
2065     .long_name        = NULL_IF_CONFIG_SMALL("Windows Media Audio Voice"),
2066 };