JP2000514207A

JP2000514207A - 音声合成システム

Info

Publication number: JP2000514207A
Application number: JP10504943A
Authority: JP
Inventors: ザイディーズ，コスタス
Original assignee: ザ・ビクトリア・ユニバーシティ・オブ・マンチェスター
Priority date: 1996-07-05
Filing date: 1997-07-07
Publication date: 2000-10-24
Also published as: AU3452397A; EP0950238B1; EP0950238A1; WO1998001848A1; ATE249672T1; DE69724819D1; CA2259374A1

Abstract

(57)【要約】音声信号が一連のフレームに分割され、各フレームが有声／無声分類とピッチ推定値とを含む符号化信号に変換される音声合成システムであって、各フレームにおいて参照用サンプルの近くに中心がある低域濾波された音声セグメントが定められ、参照用サンプルの近くに中心がある可変長さの音声セグメントから得られる多数のクロス相関値の最大値として、相関値が各一連の候補ピッチ推定値の各々について計算され、その相関値が使用されて、ピークを定める相関関数が形成され、該ピークの位置が決定され、それが使用されてピッチ推定値が定められる。

Description

【発明の詳細な説明】音声合成システム本発明は音声合成システム（speech synthesis system）、特に低ビット率で動作する音声伝達システムに用いられる音声システム符号化と合成システムに関する。音声は波形として表わすことができ、その詳細な構造は音声を話す人間の音道と音声励起の特性を表す。もし、音声伝達システムが十分知覚される質を提供することができるならば、伝達された情報はその詳細な構造を表すことができるはずである。有声音声におけるパワーの多くは比較的低い周波数、例えば2kHz未満である。従って、質の高い音声合成は、低域濾波して高周波数成分を拒絶した音声波形に基づいて達成される。しかしながら、知覚される音声の質は、もし周波数が4kHzよりもさらに低く制限されるならば、悪い影響を受ける。音声の特性を規定する多くのモデルが提案されてきた。公知のモデルは、音声信号をブロック、あるいはフレームに分割し、各フレーム内の音声特性を表すパラメータを引き出すことに依存している。そして、これらのパラメータは量子化され、受信機に送信される。受信機では、量子化プロセスが逆転されてパラメータが回復され、回復したパラメータを基礎に音声信号が合成される。公知のモデルの設計者の共通の目的は、伝達されなければならないデータの量を最小にする一方、伝達されるデータから合成され得る音声の知覚される質を最大にすることである。幾つかのモデルでは、特定のフレームが「有声」であるか「無声」であるかで、識別がなされている。有声音声の場合、音声は声門の興奮（excitation）によって生成され、結果的に準周期的構造を有する。無声音声は、狭窄部での乱流空気流によって生成され、有声音声の「周期的」スペクトル構造特性を有しない。多くのモデルは、有声音声信号が一般的に10乃至30ミリ秒の周期であるフレームの前後で比較的ゆっくり発展（evolve）するという事実を利用することを探求している。多くのモデルはまた、知覚される質を著しく損失すること無く伝達されなければならない情報量を最小にするように意図された量子化法（quantization schemes）に依存している。今日までに為された仕事の結果、今や僅か毎秒数千ビットビット率で動作することができる音声合成システムを生み出すことが可能である。開発された一つのモデルは、「正弦符号化（sinusoidal coding）」として知られている（R．J．McAulayおよびT．F．Quatieriの「正弦符号化に基づく低率音声符号化」、音声信号プロセスにおける進歩、S．FuruiおよびM．Sondhi編、第6章165-208頁、Markel Dekker，New York，1992年）。この研究方法は、各入力フレームのFFT分析に依存しており、マグニチュードスペクトルを生成し、そのスペクトルから入力フレームのピッチ周期を推定し、フレームの基本周波数の倍数である高調波に関連するピッチにおける振幅を規定する。誤差の程度（erro r measure）は、高調波と非高調波音声スペクトル間の差を表す時間領域（time domain）で計算され、その誤差の程度は、周波数値の項で入力フレームの有声の度合いを規定するために用いられる。このようにして、フレームを表すために用いられるパラメータは、ピッチ周期（pitch period）、各高調波に対するマグニチュード、および位相値（phase value）、および周波数値（phase value）である。このシステムを操作するために、位相情報を連続するフレームを横切って可干渉性法（coherent way）で予測するというような提案がなされている。「多重帯域励起符号化（multiband excitation coding）」として知られている別のシステム（D．W．GrifftinとJ．S．Limの「多重帯域励起ボコーダ」，IEE E Transaction on Acoustics，Speech and Signal Processing，36巻123-1235頁、1988年、およびDigital Voice System Incの「INMARSAT M Voice Codec、3.0 版」，Voice Coding System Description，Module 1 付録1、1991年8月）では、振幅、および位相関数は正弦符号化で採用されるものとは異なる方法で決定される。このシステムでの強調点は、スペクトルを、例えば12帯域までの帯域に分割し、これらの各帯域の有声／無声の性質を評価することに置かれている。無声と分類された帯域はランダム信号を用いて合成される。連続するフレームのピッチ推定間の差異が比較的小さいところでは、要求される振幅を規定するために線形補間が用いられる。位相関数もまた、線形周波数補間を用いて規定されるが、加えて一定の変位（constant displacement）を含む。その変位は，ランダム変数であり、かつ入力信号の短期スペクトルに存在する無声帯域の数に依存する。システムは継続するフレーム間の位相連続性を保存する方法で作働する。継続するフレームのピッチ推定が非常に異なる時、連続するフレームついて引き出された振幅および位相から生成される信号のウェイト付けされた和が形成され、合成信号が生成される。このように、上記に参照した正弦および多重帯域システム間の共通の基礎は、両方式ともDFT分析される入力音声信号を直接モデル化し、両システムとも合成される音声を表す同じ基本的関係に少なくとも部分的に基づいていることである。しかしながら、両システムは、振幅および位相が推定され量子化される方法、異なる補間方法が必要な位相関係を規定するために用いられる方法、および回復された音声に「ランダム性」が導入される方法において異なる。各種の多重帯域励起符号化システムが提案されている．例えば、強化多重帯域音声符号器（A．DasとA．Gershoの「音声学上の分類による2400bps以下での音声の可変大きさスペクトル符号化」，IEEE Proc．ICASSP-95，492-495頁，1995年5 月）では、入力フレームは雑音、無声、十分な有声および混合有声の4形式に分類され、スペクトルマグニチュード用の可変大きさベクトル量子化プロセスが導入されている。複高調波スペクトルモデル化システム（C．Garcia-Matteo.，J． L．Alba-CastroおよびEduardo R．Bangaの「重高調波スペクトルモデルを使用した音声符号化」，Proc．EUSIPCO-94，Edingburgh，第2巻391-394頁、1994年9月）では、短期マグニチュードスペクトルが２帯域に分割され、各帯域に対して別々のピッチ周波数が計算されている。スペクトル励起符号化システム（V．Cuper man，P．LupiniおよびB．Bhattacharyaの「音声の2.4kb/sでのスペクトル励起符号化システム」，IEEE Proc．ICASSP-95，504-507頁，Detrpot，1995年5月）は、線形予測符号化(linear predictive coding；LPC)残留領域（residual domain ）における正弦基準符号化（sinusoidal based coding）を適用しており、ここで正弦残留信号は適当な振幅および位相関数を有するピッチ高調波発信器の和であり、振幅は非二乗変換を用いて量子化されている。帯域拡張高調波ボコーダ（ band―widened harmonic vocoder）（G．Yang，G ZanellatoおよびH．Leichの「 2乃至4kbpsでの帯域拡張高調波ボコーダ」，IEEE Proc．ICASSP-95，504-507頁，Detroit，1995年5月）では、信号のランダム性が帯域基準で振幅情報にジター（jitter）を加えることにより導入されている。ピッチ同期多重帯域符号化（H．Yang，S．N．KohおよびP．Sivaprakasapilaiの「ピッチ同期多重帯域(PSMB)音声符号化」，IEEE Proc．ICASSP-95，516-519頁，D etroit，1995年5月）では、CELP（符号励起線形予測）基準符号化方式が音声周期セグメントを符号化するために用いられている。多重帯域LPC符号化（S．Yeld ener，M.KondozおよびG.Evansの「2.4kbits/sにおける音声の高質の多重帯域LPC 符号化」，Elecronic Letters，1287-1289頁、27巻、No 14、1991年7月4日）では、単一振幅値が「平坦な」残留スペクトルを実質的に明確にするために各フレームに割り当てられている。高調波および雑音符号化（M．NishiguchiおよびJ． Matsumotoの「分類されたベクトル量子化を有するLPC残留の高調波および雑音符号化」，IEEE Proc．ICASSP-95，484-487頁，Detrpot，1995年5月）は、LPC残留領域で動作する分類されたベクトル量子化を有し、入力信号は有声あるいは無声として分類され、全帯域に亙りモデル化されている。原型補間符号化システム（prototype interpolation coding system）である別の符号化システムの形式がある。これは、ピッチ周期セグメント、すなわち適時に離隔して置かれている原型と二つの原型間の信号を合成する反復／補間技術の使用に依存する。こようなシステムは、早くも1971年に説明された（J．S．Se verwight著「効率的な音声伝達のための補間反復技術」，Ph．D．Thesis，Lough borough University，電気工学部門、1971年）。同じ一般的クラスのより精巧なシステムが、より最近、例えばW．B．Kleijn著「線形予測符号化における連続的表現」，Proc．ICASSP-91，201-204頁，1991年5月に説明されている。同著者は、一連の関連する論文を出版している。このシステムは有声あるいは無声と分類される20ミリ秒符号化フレームを採用している。無声フレームは効果的にCELP符号化される。ピッチ原型セグメントは、主ピッチ励起パルスが原型のどの端部にも近くないように、原型の最大配列（相関）を確実にし、原型を規定する方法で LPCs残留信号の近傍の有声フレーム内に規定される。与えられたフレームのピッチ周期は、フレームに対する原型がそこから得られた人工的な周期的信号のサイクルであると考えられる。近傍のフレームから適当に選択された原型はフーリエ変換され、得られた係数は差動ベクトル量子化方式を用いて符号化される。この方式により、有声フレームの合成の間、近傍のフレーム用の復号原型フーリエ表現は、線形補間を用いて二つの原型セグメント間の失われた信号波形を復元するために用いられる。このようにして、残留信号が得られ、LPC合成フィルタに提出され、該LPC合成フィルタの出力は合成有声音声信号を提供する。2khz を超える周波数での雑音を注入することにより、ランダム性の量を有声音声に導入することが出来、雑音の振幅は周波数と共に増加する。加えて、合成有声音声の周期性は、残留励起信号内の近傍フレームの原型間に存在する類似性を反映する比の程度を変更する長期信号に従って、原型パラメータの量子化の間、制御される。既知の原型補間符号化システムは、線形時間補間プロセスを含むフーリエ級数合成式に依存する。連続するフレームに対するピッチ推定が線形補間されて、ピッチ関数および関連する瞬時基本周波数を提供すると、仮定する。フーリエ級数合成式の余弦および正弦項に使用される瞬時位相はその瞬間の高調波周波数の積分である。この合成配置は、瞬間ピッチ線形展開と瞬間高調波周波数の非線形展開を考慮する。このシステムの開発は、W．B．KleijnおよびJ．Haadenによって「特性波形の分解に基づく音声符号器」，Proc．ICASSP-95、508-511頁、Detroit、1995年5月に説明されている。説明されたシステムでは、フーリエ級数係数は20Hzの切断周波数で長時間低域濾過され、LPC励起信号用の「ゆっくり展開する（slowly evol ving）」波形成分を提供する。この低域濾過成分と原パラメータの差は、励起信号の「急速に展開する（rapidly evolving）」成分を提供する。周期的音声励起信号は、主に「ゆっくり展開する」成分によって表され、一方ランダム無声励起信号は、フーリエ級数係数のこの二重分解において「急速に展開する」成分によって表される。このことは、有声および無声フレームを個別に扱う必要性を効果的に除去する。更に、二成分の量子化、および伝達率は異なる。「ゆっくり展開する」信号は，25ミリ秒という比較的長い間隔でサンプリングされるが、パラメータはスペクトルマグニチュード情報に基づいて全く正確に量子化される。対照的に「急速に展開する」信号は4ミリ秒毎に多頻度にサンプリングされるが、より少ない正確さで量子化される。位相情報は2ミリ秒毎にランダム化される。原型補間符号化システムの他の開発が提案されてきた。例えば、一つの公知のシステムは、5ミリ秒フレームで動作し、ピッチ周期は有声フレーム用に選択され、DFT変換されて、原形スペクトルマグニチュード値を生成する。これらの値は、量子化され、隣接フレーム用に量子化された値は線形補間される。位相情報は補間境界でのいかなる周波数制限をも満足しない方法で規定される。このことは、フレームの境界で不連続の問題を生じる。受信機では、励起信号は、逆DFTプロセスを介して、復号されたマグニチュードおよび推定された位相値を用いて合成される。その結果得られる信号は、続くLPC合成フィルタによりフィルタされる。このモデルは、有声音声の間は純粋に周期的であり、これが非常に短い周期のフレームが用いられる理由である。無声音声はCELPで符号化される。現在提案されている広範囲の音声合成モデルの一部のみを上述したが、その音声合成モデルとこれらのモデルを履行するために提案された代わりの解決法は、このようなシステムにおける関心と、どのシステムが最も有利な性能を提供するかについていかなる意見の一致も欠いていることを示している。本発明の目的は、改良された低ビット率の音声合成システムを提供することにある。１フレームの音声信号のピッチの推定値を得ることを必要とする公知のシステムにおいて、高品質の合成音声を実現するには、高分解(high resolution)非整数ピッチ周期推定値(pitch period estimates)を得ることが必要であると考えられていた。これには複雑なプロセスが要求されるとともに、品質低下をもたらさない方法でピッチ推定プロセスの複雑さを低減することが強く要求されることになる。本発明の第１の態様によれば、音声信号が一連のフレームに分割され、各フレームが有声／無声分類とピッチ推定値(pitch estimate)とを含む符号化信号に変換される音声合成システムであって、各フレームにおいて参照用サンプルの近くに中心がある低域濾波された音声セグメントが定められ、参照用サンプルの近くに中心がある可変長さの音声セグメントから得られる多数のクロス相関値（multiple crosscorrelation value）の最大値として、相関値（correlation value）が各一連の候補ピッチ推定値（candidate pitch estim ates）の各々について計算され、その相関値が使用されて、ピークを定める相関関数が形成され、該ピークの位置が決定され、それが使用されてピッチ推定値が定められることを特徴とする音声合成システムが提供される。上記システムの結果として、整数ピッチ周期値(integer pitch period value) が得られる。このシステムは過度の複雑さを回避するとともに、容易に実行することができる。ピッチ推定値は、反復法(iterative process)を用いて定められるのが好ましい。好ましくは、単一の参照用サンプルが使用され、例えばそれぞれのフレームについて中心に置かれるてもよいし、あるいは、各フレームに対して多数のピッチ推定値が異なる参照用サンプルを用いて引き出され、これら多数のピッチ推定値は組み合わされて、フレーム用の組合わせピッチ推定値が定められてもよい。ピッチ推定値は隣接するフレームの有声／無声の状態及び／又はピッチ推定値を参照することによって修正されて、最終的ピッチ推定値が定められてもよい。相関関数は閾値を用いて切り落とされ(clipped)、残りのピークはそれらがより大きいピークと隣接する場合には拒絶される(rejected)てもよい。いずれかの隣接するピークよりも大きいピークが選択され、該ピークはそれらが次のピークよりも所定ファクター以上小さい場合、例えば次のピークの０．９倍より小さい場合には拒絶されてもよい。好ましくは、ピッチ推定処理は、最小二乗誤差アルゴリズムに基づく。好ましくは、ピッチ推定アルゴリズムは、その倍数が相関関数のピーク位置に最も適合する数として、ピッチ値（pitch value）を定める。初期の可能性のあるピッチ値は連続しない整数に制限され、２つの連続する数の間の増加分はそれら２つの数のうち小さいものを掛けた定数に比例してもよい。有声音または無声音として個々のフレームを分類して、その分類にしたがってそれらのフレームを処理することが従来技術により知られている。不都合なことに、そのような単純な分類処理では、音声の本当の特徴を正確に反映することができない。個々のフレームが周期的（有声音）および非周期的（無声音）な両方の成分からなっていることはよくあるケースである。この問題に向けられた従来の試みは、特に効果的であるということを証明していない。本発明の目的は、改良された有声音または無声音分類システムを提供することにある。本発明の第２の態様によれば、音声信号が一連のフレームに分割され、各フレームが、ピッチセグメントのマグニチュードスペクトル情報と、有声／無声分類と、有声音フレームのマグニチュードスペクトル(magnitude spectrum)において強有声音または弱有声音として高調波(harmonics)を分類する混合有声分類とを含む符号化された信号に変換される音声合成システムであって、フレームの中央に中心がある一連のサンプルがウィンドウされて(windowed)、データアレイが形成され、該データアレイはフーリエ変換されてマグニチュードスペクトルが形成され、閾値が計算され、それが使用されてマグニチュードスペクトルが切り取られ、切り取られたデータは検索されてピークが定められ、該ピークの位置が決定され、制約(constraints)が適用されて、優勢ピーク(dominant peak)が定められ、優勢ピークに関連しない高調波が弱有声音として分類されることを特徴とする音声合成システムが提供される。ピークは２次多項式（second order polynomial）を用いて配置されてもよい。サンプルはハミングウィンドウ(Hamming windowed)されてもよい。閾値は、最大および最小のマグニチュードスペクトル値を確認して、これら最大値と最小値との差を掛けた定数として定めることによって計算されてもよい。ピークは２つの隣接する値より大きい値として定められてもよい。該ピークは、隣接するピークが類似のマグニチュードであるか、すなわち、８０％のマグニチュードである場合、または、より大きなマグニチュードと同じ範囲内にスペクトルマグニチュードがある場合には、考慮されないようにしてもよい。。高調波は、２つの隣接するピークの間の差が所定の閾値より大きい場合には、優勢ピークと関連しないものとみなされるようにしてもよい。スペクトルは固定された幅の帯域に分割され、強／弱有声音分類は各帯域に割り当てられてもよい。代案として、周波数範囲は種々の幅の２以上の帯域に分割され、隣接する帯域は高調波の強／弱有声音分類を参照することにより選択される周波数で分離されてもよい。このように、スペクトルは固定周波帯、例えば各５００ヘルツの固定周波帯に分割されてもよく、または、励起信号(excitation signal)の高調波成分の強または弱の有声音状態に応じて選択される種々の幅の周波帯に分割されてもよい。そして、強または弱の有声音分類が各周波帯に割り当てられる。最低周波数帯域、例えば０−５００ヘルツは強有声音としてみなされ、最高周波数帯域、例えば３５００−４０００ヘルツは弱有声音としてみなされてもよい。現在のフレームが有声音であり、次のフレームが無声音である場合に、現在のフレームの範囲内にあるさらに別の帯域は、弱有声音として自動的に分類されてもよい。一般に、強／弱有声音分類は、問題の周波帯域内に入る高調波の強／弱有声音分類に関して、多数決ルール(majority decision rule)を用いて決定されてもよい。過半数がない場合には、交互の周波帯域が強有声音分類と弱有声音分類とに交互に割り当てられてもよい。高調波は強い有声音または弱い有声音のいずれかに分類されるというように有声音フレームを分類する場合、この分類を考慮した音声信号を再生するために励起信号を発生させる必要がある。発明の目的は、そのようなシステムを提供することにある。本発明の第３の態様によれば、音声信号が一連のフレームに分割され、各フレームが、有声音または無声音として定められるとともに、各フレームが、ピッチ周期値と、フレーム有声／無声分類と、各有声フレームに対してスペクトルバンド内の高調波を強有声音または弱有声音として分類する混合有声スペクトル帯域とを含む符号化された信号に変換され、かつ、各フレームに関する励起信号を発生させるとともにその励起信号をフィルタに通すことによって音声信号が復元される音声合成システムであって、各弱有声音スペクトル帯域に対して、それぞれのピッチ周期値に依存する関数の形をしたランダム成分を含む励起信号が発生されることを特徴とする音声合成システムが提供される。弱い有声音に分類されるスペクトル周波帯をもつ各フレームについては、励起信号は、周波数がそのフレームに適したピッチ周期値に依存する第１の高調波周波数成分と、上記第１の成分に重ねられる第２のランダム成分とを含む関数によって表される。ランダム成分は、弱有声音分類に割り当てられる高調波発振器の振幅を減少させ、具体的には例えば５０％だけ高調波のパワーを減少させ、一方周波数が基本周波数の倍数でなくなるように発振器周波数を撹乱させ、例えば０ないし３０ヘルツの周波数で任意に発振器の位置を変えることにより、そしてさらなるランダム信号を付加することにより、導入されてもよい。ランダム信号を生成する発振器の位相は、ピッチ間隔で、ランダム化（randomised）されてもよい。このように、弱い有声音の周波帯については、いくらかの周期性が残るが、周期的成分のパワーは減少し、そして任意の成分と組み合わされる。音声信号が高調波のマグニチュード値の形のスペクトル情報によって部分的に表される音声合成システムでは、一連のスペクトルマグニチュード値を生成して、これらのマグニチュード値のすべてを連続処理ステップにおける高調波の位置で使用するように、入力音声信号を処理することができる。しかしながら、多くの情況では、マグニチュード値の少なくともいくつかは、入力音声信号の再生に役立つ情報をほとんど含んでいない。したがって、受信機への送信のためにマグニチュード値を量子化するときに、有用な情報をほとんど含まないマグニチュード値を捨てることが賢明である。ある公知のシステムでは、高調波マグニチュード値を与えるために処理されることになるＬＣＰ残留信号(residual signal)を生成するように入力音声信号が処理されるが、上記マグニチュード値のうち一定数のものだけが受信機への送信用にベクトル量子化される。捨てられるマグニチュード値は、同一の一定値として受信機において表される。この公知のシステムでは、余剰分は省かれるが、量子化される一定数のマグニチュード値の位置が常に同じで、かつ特定の情況では不適切な場合もある仮定に基づいて予め決められているという点で柔軟性に欠ける。本発明の目的は、改良されたマグニチュード値量子化システムを提供することにある。本発明の第４の態様によれば、音声信号が一連のフレームに分割され、各音声フレームが、ピッチ周期値ＬＰＣ係数とピッチセグメントスペクトルマグニチュード情報とを含む符号化された信号に変換される音声合成システムにおいて、上記ピッチセグメントスペクトルマグニチュード情報は、高調波周波数でＬＰＣ短期マグニチュードスペクトルをサンプリングすることにより量子化され、最大スペクトルサンプルの位置が決定されて、どのマグニチュードが正確な量子化に最も重要であるかが特定され、そのように特定されたマグニチュードが選択されてベクトル量子化される、ことを特徴とする音声合成システムが提供される。従って、例えば、マグニチュードスペクトルの「低い部分」というように、量子化及び送信に対してマグニチュード値の数字を固定する単純な位置選択方法よるのではなく、本発明は、本質的に重要なＬＰＣマグニチュードスペクトルに従って、有意な分担をなすそれらの値のみを選択するため、質を落とすことなく残留を低減することができる。本発明の一つの構成では、Ｐ_n ＬＰＣ残留サンプルのピッチセグメントが得られ、ここでＰｎはｎ番目のフレームのピッチ周期値であり、ピッチセグメントはＤＦＴ変換され、その結果得られたスペクトルマグニチュードの平均値が計算され、該平均値は量子化されると共に、選択されたマグニチュードの標準化ファクターとして使用され、その結果得られた標準化された振幅が量子化される。代案としては、ピッチセグメントのＲＭＳ値が計算され、該ＲＭＳ値は量子化されると共に、選択されたマグニチュードの標準化因数として使用され、その結果得られた標準化された振幅が量子化される。受信機において、選択されたマグニチュードが回復され、他のグニチュード値の各々は一定値として再生される。一般に、音声を再生するためにピッチと関連する合成式を使用する補間符号化システムは、可変の長さで、ピッチがスペクトル振幅ベクトルに依存する符号化の問題に直面する。相対的により重要度が大きいマグニチュードのみを量子化する上記した量子化方法は、固定された数値のマグニチュード値のみを量子化し、残りのマグニチュード値を一定値に設定するとにより、この問題を回避することができる。従って、受信機では固定された長さのベクトルが再生される。上記問題に対するこのような解決は、再生音声の高い質の提供が限定される比較的スペクトルが平坦な励起モデルとなる。理想の世界では、マグニチュードスペクトルの全波形を量子化することにより出力音声特性が最大化され、全マグニチュードスペクトルを符号化するための種々の試みが提案されている。一つの試みでは、スペクトルは、ＤＦＴ変換され、連続するスペクトルに渡って区別をつけて符号化される。この方法及びこれと同様の方法は、幾分非効率的であるが、非常に高いビット速度で作動する。ベクトル量子化を導入したことにより、一般に２．４Ｋbit／sec程度の低速で作動するシヌソイドで試作品の補間システムが発展した。固定サイズの符号ベクトルにより可変サイズの入力ベクトルを量子化する２つのベクトル量子化方法が報告されている。第１の試みでは、入力ベクトルは固定サイズベクトルに変換され、この固定サイズベクトルは通常のベクトル量子化がなされる。量子化された固定サイズのベクトルの逆変換により、再生された量子化ベクトルが生じる。使用される変換法には、線形補間、帯域制限補間、全極モデリング及び非二乗変換が含まれる。しかしながら、この試みは、ベクトル量子化ノイズと変換プロセスで生成される要素の合計である全体的な分布を生み出す。第２の既知の試みでは、可変入力ベクトルは固定サイズ符号ベクトルにより直接量子化される。この試みは、コードブックベクトルと入力ベクトルの間の分布を計測するために、各コードブックベクトルから限定された数の要素のみを選択することに基づく。このような量子化の試みは、上記した他の方法の変換歪み（ transformation distortion）を回避し、ベクトル量子化ノイズと等しい全歪み（overall distortion）となるが、この全歪みは有意である。本発明の目的は、改良された可変サイズベクトル量子化方法を提供することである。本発明の第５の態様によれば、音声信号を再構成するために受信機に送信される係数の可変サイズの入力ベクトルが、固定サイズのベクトルにより決定されるコードブックを使用してベクトル量子化され、該固定サイズのコードブックのベクトルは可変サイズのトレーニング・ベクトルとコードブック生成プロセスの必須部分（integral part）である補間法とから得られ、コードブックベクトルは補間法を使用して可変サイズの入力ベクトルと比較され、該比較から最小差を有するコードブックエントリー（codebook entry）と関連するインデックスが伝送され、該インデックスは、受信機で他のコードブックをアドレスし、関連する固定サイズのコードブックベクトルを導出するのに使用され、上記補間プロセスは導出された固定サイズのコードブックベクトルから可変サイズの入力ベクトルの近似値を再生するのに使用されることを特徴とする音声合成システムが提供される。本発明は、特に、この明細書で説明するタイプのピッチ同期低ビット率コーダーに適用可能であり、等しい間隔で隔てられた比較的少数のサンプルにより表されるマグニチュードスペクトルの波形が表される、そのようなコーダーの基礎原理を利用する。好ましくは、補間プロセスは線形である。与えられた大きさの入力ベクトルに対しては、補間プロセは上記コードブックベクトルから与えられた大きさの一組のベクトルを生成するために適用される。歪みメジャー（distortion measure）が引き出されて、補間されたベクトルの組と入力ベクトルとが比較され、コードブックベクトルは最小歪みもたらすように選択される。好ましくは、入力ベクトルの大きさは、入力周波数帯域幅の範囲内、例えば０から３．４ＫＨｚの高調波振幅のみを考慮して縮小される。好ましくは、残余の振幅、すなわち、３．４ＫＨｚから４ＫＨｚの範囲の振幅は、一定値に設定される。好ましくは、一定置は量子化された振幅の平均値と等しい。隣接する残留フレームから得られる振幅ベクトルは、著しい量の冗長性（redu ndancy）を表し、後方予測（backward prediction）により除去されることができる。後方予測は、一つのフレームの各高調波の振幅値は、前の単数又は複数のフレームにおける同じ高調波の振幅値から予測されるというような高調波の基礎に基づいて、実行される。固定線形照準算定装置（fixed linear predict or）が、エラーマグニチュードベクトルの結果に基づいて作動する平均除去及びゲイン波形量子化プロセスとともに、システムに組み込まれる。上記した可変サイズベクトル法は有利な特徴を有し、特に、２．４Ｋｂｉｔ／ secで良好な知覚信号特性（perceived signal quality）を有するが、ある環境下では多少特性を損なっても低ビット速度が強く望まれる。これは、例えば、残留域（residual domain）におけるピッチセグメントのマグニチュードスペクトルはほぼ平坦な波形を有するという仮定に基づく、単一値での表現及び量子化方法により可能である。残念ながら、この仮定に基づくシステムは、複号された音声の質が多少不充分である。本発明の目的は、低ビット率システムにおける上記した制限を克服することである。本発明の第６の態様によれば、音声信号が一連のフレームに分割され、各音声フレームは、予測されるピッチ周期と、その継続時間が該予測されるピッチ周期の関数である音声セグメントのエネルギーの推定と、ＬＰＣスペクトル包絡線を規定するＬＰＣフィルタ係数とを含む符号信号に変換され、入力音声信号の強さに関連する強さの音声信号が、上記ピッチ周期で規定される高調波周波数でサンプリングされる修正ＬＰＣスペクトル包絡線から規定されるスペクトル振幅を使用する励起信号を生成することにより、再構成される、音声合成システムが提供される。従って、励起信号のスペクトル包絡線を表すために単一値が使用されるが、励起スペクトル包絡線はＬＰＣスペクトル包絡線に従って形成される。その結果、１．５Ｋｂｉｔ／secで高質音声を供給可能なシステムとなる。本発明は、ＬＰＣ逆フィルタリングは完全に平坦なマグニチュードスペクトルの残留信号を生成することはできないため、音声スペクトル共振及び非共振情報も残留マグニチュードスペクトル中に存在するという観察に基づくものである。この結果、ＬＰＣ残留信号はそれ自体高い明瞭度（intelligible）を有する。マグニチュード値は、ピッチ周期に関連する高周波位置における修正ＬＰＣ合成フィルタ特性を個別にサンプリングすることにより得られてもよい。修正ＬＰＣ合成フィルタは、低減されたフィードバックゲインと、その位置がＬＰＣ合成共振位置と近接する等しい共振ピークを備える周波数応答とを有していてもよい。フィードバックゲインの値は、ＬＰＣモデルの性能により、それが標準化されたＬＰＣの予測誤差に関連するように、制御されてもよい。再生された音声信号のエネルギーは原音声波形のエネルギーと等しくてもよい。補間符号化音声合成システムの試作品には、残留励起信号中にフレームが隣接する試作品との間に実質的な類似点が多くあることが周知である。この試作品は、時間に対する音声信号の円滑な進展を保証することにより知覚音声信号特性を改良する種々のシステムで使用されている。本発明の目的は励起及び音声トラクトエネルギ（vocal tract dynamics）が実質的に保存される改良された音声合成システムを提供することである。本発明の第７の態様によれば、音声信号が一連のフレームに分割され、各音声フレームは、ＬＰＣフィルタ係数を含む符号信号と、ピッチセグメントマグニチュードに関連する少なくとも一つのパラメータとを含む符号化された信号に変換され、音声信号は、各フレーム毎に２個の励起信号を生成することにより再構成され、各励起信号の対は、一つのフレームのピッチセグメントマグニチュードパラメータに基づいて生成される第１の励起信号と、上記一つのフレームに後続し、かつ隣接する第２のフレームのピッチセグメントマグニチュードパラメータに基づいて生成される第２の励起信号とを備え、上記第１の励起信号を、その特性が上記一つのフレームのＬＰＣフィルタ係数により決定される第１のＬＰＣフィルタに適用し、上記第２の励起信号をその特性が上記第２のフレームのＬＰＣフィルタ係数により決定れさる第２のＬＰＣフィルタに適用し、上記第１及び第２のＬＰＣフィルタの出力を重み付け及び組み合わせて、一つの合成された音声信号のフレームを生成することを特徴とする音声合成システムが提供される。好ましくは、第１及び第２の励起信号は、上記二重合成プロセスに含まれる二つのＬＰＣフィルタと同一の位相関数を備え、異なる位相分担（phase contribu tion）を備える。これにより再生信号におけるピッチ周期性の程度が低減される。これ及び第１及び第２のＬＰＣフィルタの組み合わせにより、各サンプル毎に音声スペクトルの一包絡線が非常に円滑になる。好ましくは、第１及び第２のＬＰＣフィルタは、第１のフィルタの出力のマグニチュードが時間と共に減少し、第２のフィルタの出力のマグニチュード時間と共に増加するような窓関数（window function）の半周期により重み付けされてもよい。本発明の第８の態様によれば、フレーム毎に作動し、各フレームを有声音又は無声音として表し、各有声音フレームについてはそのフレームをピッチ周期値、量子化マグニチュードスペクトル情報及びＬＰＣフィルタ係数により表す情報が送信され、受信されたピッチ周期値及びマグニチュードスペクトル情報は受信機で残留信号を生成するのに使用され、該残留信号は、その特性が送信されるフィルタ係数により決定されるＬＰＣ音声合成フィルタに適用される音声符号化システムであって、各残留信号は、シヌソイド混合励起合成プロセスに従って合成され、再生された音声信号は残留信号から導出される、音声符号化システムが提供される。以下、本発明の実施例を次の添付図面を参照して例示により説明する。図1は、本発明の符号化プロセスの一般的なブロック図である。図2は、符号化とマトリックス量子化フレーム間の関係を図示する。図3は、復号プロセスの一般的なブロック図である。図4は、励起合成プロセスのブロック図である。図5は、オーバラップおよび加算プロセスの概略図である。図6は、瞬時スケーリングファクターの計算の概略図である。図7は、全有声／無声分類、およびピッチ推定プロセスのブロック図である。図8は、ピッチ推定プロセスのブロック図である。図9は、クロス相関関数値の計算に関与する２つの音声セグメントの概略図である。図10は、クロス相関関数値の計算に用いられる音声セグメントの概略図である。図11は、異なる遅延に対するクロス相関関数値の計算に用いられるパラメータに割り当てられる値を表す。図12は、クロス相関関数の計算とそのピークの選択用に用いられるプロセスのブロック図である。図13は、ピッチ推定アルゴリズムのフローチャートである。図14は、ピッチ推定プロセスに用いられる過程のフローチャートである。図15は、ピッチ推定プロセスに用いられる別の過程のフローチャートである。図16は、ピッチ推定プロセスに用いられる別の過程のフローチャートである。図17は、閾値選択過程のフローチャートである。図18は、有声／無声分類プロセスのフローチャートである。図19は、ピッチ推定プロセス間に発生させられるパラメータに関する有声／無声分類プロセスの概略図である。図20は、オフセット値を決定するために用いられる過程のフローチャートである。図21は、ピッチ推定アルゴリズムのフローチャートである。図22は、ピッチ値の時間に対する円滑な展開を確実にするように出力ピッチ推定に拘束を課するために用いられる過程のフローチャートである。図23、24、および25は、ピッチ後処理過程のフローチャートの異なる部分を表す。図26は、LPC分析とLPC量子化プロセスの一般的なブロック図である。図27は、強あるいは弱有声分類プロセスの一般的なフローチャートである。図28は、強／弱有声分類プロセスに影響する過程のフローチャートである。図29は、特別な音声有声から得られる音声波形を表す。図30は、図29の音声有声から得られる周波数トラックを表す。図31は、図30の一部をより大きいスケールで示し、強あるいは弱有声分類間の差を表す。図32は、特別な音声セグメントのマグニチュードスペクトルと、対応するLPC スペクトル包絡線と、対応する残留セグメントの基準化短期マグニチュードスペクトル、２進励起モデルを使用して得られた励起セグメント、および強／弱有声モデルを用いて得られた励起セグメントを示す。図33は、マグニチュード情報を表し、量子化するシステムの一般的なブロック図である。図34は、図33に示された適応量子化器のブロック図である。図35は、量子化プロセスの一般的なブロック図である。図36は、差分可変サイズスペクトルベクトル量子化器の一般的なブロック図である。図37は、平均ゲイン形状量子化器の階層的構造を表す。以下、本発明によるシステムを、最初は一般的に、次いでより詳細に述べる。本システムは、フレーム毎に、LPC残留信号（residual signal）に基づいて動作する。音声は次の一般式を用いて合成される。ここで、iはサンプリング瞬時（sampling instant）であり、A_k(i)はiの関数音声では、Kは信号のピッチ周波数（pitch frequency）に依存する。有声／無声分類プロセスは、有声と無声フレームの符号化を異なる方法で取り扱うようにする。無声フレームはRMS値とランダム時間級数（random time serie s）とでモデル化される。有声フレームでは、ピッチ周期推定値（pitch period estimate）が得られ、該ピッチ周期推定値は、フレームの中央に中心があるピッチセグメント（pitch segment）を規定するために用いられる。隣接フレームからのピッチセグメントはDFT変換（DFT transform）され、結果ピッチセグメント振幅情報（resulting pitch segment magnitude information）のみが符号化され、送信される。更に、ピッチセグメント振幅サンプルは、強有声音、あるいは弱有声音として分類される。このように、有声／無声情報に加えて、システムはすべての有声フレームの間、ピッチ周期値、ピッチセグメントのマグニチュードスペクトル情報、ピッチマグニチュードスペクトル値の強／弱有声分類、およびLPC係数を送信する。このように、すべての有声フレームの間に送信された情報は、有声／無声情報に加えて、ピッチ周期値、ピッチセグメントのマグニチュードスペクトル情報、およびLPC係数である。受信機では、補間法を含む合成プロセスが、現在の(n+1)番と前のn番フレームのそれぞれの中央点間の波形を復元するために用いられる。残留信号に対する基礎合成式は、である。形補間された瞬時高調波周波数（instantaneous harmonic frequencies）ω 無声から有声への変化において、各高調波の初期相はゼロに設定される。相連続性（phase continuity）は、連続する補間間隔（successive interpolation i ntervals）の境界線を横切って保たれる。しかしながら、合成プロセスは２回行われる。１回目は、現在の(n+1)番フレームから得られたピッチセグメントのマグニチュードスペクトル値MG_j ⁿ⁺¹を用いて行われ、２回目は、前のn番フレームで得られたピッチセグメントのマグニチュード値MG_j ⁿを用いて行われる。各ケースにおける相関数phase_j(i)は同一値のままである。結果残留信号（resulting residual signal）Res_n(i)、およびRes_n ₊₁ (i)は、n番、および(n₊1)番音声フレーム用に計算された、対応するLPC合成フィルタへの入力に用いられる。次に、二つのLPG合成音声波形は、復元音声信号（recovered speech Signal）を生成するために、W_n+1(i)、およびW_n(i)によってウェート付けされる。このようにして、連続する有声フレームに対する全合成プロセスは、下式で説明される。ここで、Hⁿ（ω_j ⁿ(i))は、i番瞬時におけるω_j ⁿ(i)高調波周波数関数で計算されの対応する相応答である。ω_j ⁿ(i)、およびphase_j ⁿ(i)は、iがn番フレームセグメントの中央から(n+1)番フレームの中央をカバーするサンプリング瞬時iに対して規定される周波数と相関数である。Kはω_j ⁿ(i)≦πであるjの最大値である。上記音声合成プロセスは、二つの「相分散（phase dispersion）」項、す（overlap-add process）が後に続くこの「二重合成（double synthesis）」配置（arrangement）は、サンプル毎の音声スペクトル包絡線（speech spectral envelope）(LPC)の効果的かつ円滑な展開（evolution）を確実にする。 LPC励起信号（excitation signal）は、周波数帯域基準での有声フレーム中の周期的、およびランダムな励起成分の適切な混合を考慮した「混合」励起モデルに基づいている。これは、残留信号の振幅スペクトルが調べられるようにシステムを操作し、ω_j共振周波数付近でピークピッキングプロセス（peak−picking process）を適用して、起こり得る優勢スペクトルピーク（possible dominant spectral peaks）を検出することにより、達成される。周波数ω_jに関係するピークは、その高調波に対する高度の有声音（hv_j=1で表わされる）を示す。一方、近傍にスペクトルピークがない時は、ある程度のランダムさ（hv_j=0で表わされる）を示す。hv_j=1である時（「強」有声音を示す）、合成プロセスに対するj 番２に）低減され、ランダム余弦項がj番高調波ω_jに対称的に追加される。以下「強」、および「弱」という用語は、この意味で用いられる。これらランダム項の数NRSは、である。分はω_jに対して対称的に50Hzの間隔で離隔され、ω_jは50Hz間隔の中央に置かれ相はピッチ周期間隔で[-π,+π]領域からランダムに選択される。 hv_j情報は受信機で利用できるように送信されなければならなず、hv_jに割り当てられたビットを低減するために、入力信号の帯域幅は複数の固定したサイズの帯域BD_kに分割され、「強」あるいは「弱」有声音フラッグBhv_kは各帯域に割り当てられる。「強」有声音帯域（“strongly”voiced band）では高度に周期的な信号が再生される。「弱」有声音帯域（“weakly”voiced band）では周期的、および非周期的な両成分を結合した信号が要求される。これらの帯域は、各周波数帯域内に含まれる高調波ω_jのhv_j分類値に多数決ルール的アプローチ（ majority decision rule approach）を用いて「強」有声音帯域(Bhv_k=1)あるいは「弱」有声音帯域(Bhv_k=0)として分類される。帯域の分類から結果として得られる強／弱有声音プロフィールに、更なる制限を課すことができる。例えば、最初のλ帯域は常に強有声音、すなわちλは変数としてk=1,2,....,λでBD_kに対してhv_j=1である。残りのスペクトル帯域は、強あるいは弱有声音である。図1は、システムエンコーダによって操作されるプロセスを図式的に示している。これらのプロセスは、図1でプロセスＩからVIIとして参照されており、これらの用語はこの明細書を通して用いられる。図2は、採用された分析／符号化フレームサイズ間の関係を表している。これらは、符号化フレーム当たりMサンプル、例えばフレーム当たり160サンプルであり、例えばk=4のkフレームがブロックで分析される。このブロックサイズは、マトリックスの量子化に用いられる。音声信号が入力され、プロセスＩ、III、IV、VI、およびVIIが送信用出力を作り出す。 K×Mサンプルの最初のマトリックス量子化分析フレーム(MQA)が利用可能であると仮定すると、MQA内の各k符号化フレームは、プロセスＩを用いて有声あるいは無声（Ｖ_n）として分類される。プロセスＩのピッチ推定部は符号化フレームが有声の時のみピッチ周期値P_n供する。プロセスIIは、入力音声サンプルについてパラレルに動作し、Lサンプル（Lは Mの倍数すなわちL=m×Mであり、mは例えば2に等しい）毎にp（例えばp=10）のLP Cフィルタ係数αを推定する。更に、k/mは整数であり、プロセスIIIで採用されるマトリックス量子化装置（matrix quantizer）のフレーム寸法を表す。このようにして、LPCフィルタ係数はプロセスIIIを用いて量子化され送信される。量入力符号化フレームが無声の時、このフレームのために得られた残留のエネルギーE_nが計算される（プロセスVII）。√E_nは量子化され、送信される。 n番符号化フレームが有声と分類された時、P_n残留サンプルのセグメントが得られる（P_nはn番フレームに関係するピッチ周期値である）。このセグメントは、 DFT変換される（プロセスＶ）。相情報は無視される。マグニチュード情報は（プロセスVIを用いて）符号化され、送信される。更に、n番符号化フレームの中央に中心がある20ミリ秒のセグメントは、残留信号Rⁿ(i)から得られる。これは、高調波ω_j ⁿの強／弱有声音分類パラメータhv_j ⁿを提供するために、P_nと共にプロセスIVに入力される。プロセスIVは量子化されたBhv情報を生成し、該Bhv情報は、有声フレームに対して多重化され、有声／無声決定Vn、ピッチ周期Pn、対機に送信される。無声フレームでは、√E_n量子化値、および量子化LPCフィルタ図3は、システムエンコーダによって操作されるプロセスを図式的に示している。一般項で、n番符号化フレームの受信したパラメータと先行する(n-1)番符号化フレームのそれらを与えると、、デコーダは(n-1)番フレームの中央からn番フレームの中央に広がる音声信号S_n(i)を合成する。この合成プロセスは、２個の励起信号Res_n(i)、およびReS_n-1(i)を並行して発生することを含み、それれらは２個の独立したLPC合成フィルタ1/A_n(z)、および1/A_n-1(z)を駆動するために用いらタの出力X_n(i)、およびX_n-1(i)はウェイト付けされ、加算されて、音声セグメントを提供し、該音声セグメントは後でポストフィルタ（post filter）されて、復元音声（recovered speech）S_n(i)を生成する。図3の両経路に用いられる励起合成プロセスは、図4により詳細に示されている。プロセスは、有声／無声状態V_kを考慮することにより始まり、ここでkはnあるいはn-1に等しい（図4参照）。フレームが無声、すなわちV_k=0の時、平均ゼロと偏差１のガウス乱数発生器RG(0,1)は時間級数を与え、該時間級数は次いでこのフレームのために受けた√E_k直でスケール（scale）される。これは、効果的に要求された信号であり、対応するLPC合成フィルタ1/A_k(z)，k=nあるいはn-1に与えられる。もし√E_k値が5ミリ秒毎に計算され、量子化され、送信されるならば、性能は増加するであろう。このようにして、もし無声音声を符号化する時、ビットが利用可能ならば、として、４つの√E_k _ξ,ξ=0,...,3値は20ミリ秒間（160サンプル）の無声フレーム毎に送信される。 V_k=1である場合、Res_k(i)励起信号は「高調波」Res_k ^h(i)成分、および「ランダム」Res_k ^r(i)成分の和として規定される。混合励起モデルの高調波成分を提供する図4の合成のV_k=1部分の上部経路は、常に、n番と(n-1)番フレームの中央点間に規定される補間間隔に関連する瞬時高調波周波数関数ω_j ⁿ(i)を計算する（すなわち、この動作はkの値に無関係である）。このようにして、n番フレームを復号する時、ω_j ⁿ(i)はピッチ周波数f_j ^l,n、f_j ^2,n、および線形補間を用いて計算される、すなわち、周波数f_j ^l,n、およびf_j ^2,nは次のように規定される。 I）n番、および(n-1)番の両符号化フレームが有声、すなわちV_n=1、およびV_n-1= 1の時、ピッチ周波数は次のように推定される。 a)もし、であり、n番、および(n-1)番の符号化フレームのピッチ値がむしろ類似であることを意味していれば、 hv_j ⁿは、j番高調波ω_j ⁿの強／弱有声音分類(0,あるいは1)である。P_n、およびP_n _-1 は、n、およびn-1フレームから受けたピッチ推定である。RU(-a,+a)は、-aから+aの範囲(a=0.00375)内の均一なpdfを有するた乱数発生器の出力を示す。 b）もし、であれば、およびここで、bは次のように規定される。顕著に異なるP_n、および_n-1ピッチ推定を与えるケース(b)において、式11、および12は、ω_j ⁿ(i)関数の変化割合が以下に限定されることを確実にする点に注意すること。 II）２個の符号化フレーム（すなわちn,n-1）の１個が無声である時、以下の二つの定義の一つが適用可能である。 a）V_n-1=0、およびV_n=1に対して、および、f_j ^l,nは式(8)で与えられる。 b）V_n-1=1、およびV_n=0に対して、 f_j ^2,nは先行の(n-1)番符号化フレームの復号化プロセスの間に計算されるf_j ^l,n- ¹ 値に設定され、f_j ^l,n=f_j ^2,nである。 ω_j ⁿ(i)が与えられた時、瞬時関数phase_j ⁿ(i)は次式で計算される。更に、残留信号の「高調波」成分Res_k ^h(i)は次式で与えられる。化フレームのマグニチュード値である。図4のV_k=1ケースの第２経路は、ランダム励起成分Res_k ^r(i)を提供する。特に、復元された強／弱有声音分類値hv_j ^kが与えられた時、システムはhv_j ^k=0を有するこれらの高調波に対して、対応する高調波をランダム化するために用いられるランダム正弦NRS成分の数を計算する。これは、であり。ここで、fsはサンプリング周波数である。NRSランダム正弦成分は対応する高調波ω_j ^kについて対称的に置かれ、それらは50Hz離れて離隔している、ということに注意すること。ｊ番目の高調波ω_j ^k，q=0,1,...,NRS-1対するq番目のランダム成分の瞬時周波数は、下式で計算される。関連する相値は、ここで、ψ_j,q=RU(π,-π)である。更に、Ph_j,q ^k(i)関数は、ピッチ間隔でランダム化される（すなわち、基本波高調波成分の相が2πの倍数である時、すなわちmod(phase₁ ⁿ(i),2π)=0である時）。 Ph_j,q ^k(i)が与えられた時、ランダム励起成分Res_kr(i)は次式で計算される。このようにして、V_k=1の有声符号化フレームに対して、混合励起残留は以下のように形成される。 V_k=0の時、式5を使用する代わりに、ランダム励起信号Res_k(i)が、50Hz離れて置かれたランダム余弦の合計により発生させられ得る。ここで、それらの相はλサンプル毎にランダム化され、λ＜M、すなわち ζは、余弦項の相がλサンプル毎にフレーム境界線を横切ってランダム化されることを確実にするために規定される。図4を参照して、結果するRes_n(i)、および Res_n-1(i)励起シーケンスが、対応する1/A_n(z)、および1/A_n-1(z)合成フィルタによって処理される。次の(n+1)番フレームを符号化する時、1/A_n-1(z)は1/A_n(z )となり（メモリを含んで）、1/A_n(z)は1/A_n(z)のメモリを有するた1/A_n+1(z)となる。このことは、1/A_n+1(z)フィルタのメモリがゼロに設定される無声から有声への遷移期間を除いて、全ての場合に有効である。1/A_n(z)、および1/A_n-1(z)合成フィルタの係数は、LPC分析フレームサイズLがMサンプルに等しい時、n番、および(n-1)番符号化音声フレームからそれぞれ直接計算される。しかしながら、L ≠M（通常L>M）線形補間は、合成フィルタの変換関数がMサンプル毎に更新されるように、フィルタ係数（Lサンプル毎に規定される）で用いられる。 X_n-1(i)、およびX_n(i)で示されるこれらのフィルタの出力信号は、図5に図式的に示されるように、ウェイト付けされ、オーバラップされ、そして加算されて、ここで、およびタされ、音声セグメントS'_n(i)を生成する。PF(z)は、従来型のポストフィルタである：ここで、b=0.5,c=0.8、およびμ=0.5K_l ⁿである。K_l ⁿはn番符号化フレームの第１反射係数である。HP(z)は以下のように規定される。ここで、b_l=c_l=0.9807、およびa_l=0.961481である。を確実にするために、スケーリングファクター（scaling factor）SCがLサンプルのLPCフレーム毎に計算される。 SC₁は、図6に図示されるように、1番LPCフレームの中央に関連している。（l-1 ）番フレームの中央から1番フレームの中央へのフィルタされたサンプルは、システムの最終出力を生成するためにSC_l(i)によって乗ぜられる。すなわち、 S_l(i)=SC_l(i)×S'_l(i)、ここで、スケーリングプロセスは、符号化-復号化プロセスに特別な半LPCフレーム遅延を導入する。上記のエネルギースケーリングプロセスは、復号化、およびMサンプルのフレームを基準に動作するPF(z)、HP(z)フィルタ過程の両方とは対照的に、LPCフレーム基準で動作する。図1に示した符号化プロセスの詳細について説明する。プロセスＩは、n番入力符号化フレーム用の有声／無声(V/UV)分類V_nを引き出し、このフレームの中央サンプルM_nにピッチ推定P_nを割り当てる。このプロセスは、図7に図示されている。 V/UV、およびピッチ推定分析フレームは、両側に237サンプルを備えた(n+1)番符号化フレームの中央M_n+1に中心がある。上記分析フレームの信号x(i)は、カットオフ周波数f_c=1.45KHzで低域濾波され、その結果として生じるM_n+1に中心がある(-147,147)サンプルは、推定P-_Mn+1を生成するピッチ推定アルゴリズムで用いられる。ピッチ推定アルゴリズムは、図8に図示され、ここでPはピッチ推定プロセスの出力を表す。294の入力サンプルは、クロス相関関数（crosscorrelation function）CR(d)を計算するために用いられ、ここでdは図9に示してあり、20≦d ≦147である。図9は、「d」遅延におけるクロス相関関数の計算に関与する２個の音声セグメントを示す。特に、与えられたdに対して、クロス相関関数ρ^d(j) はセグメント｛x_J｝^d，｛x_R｝^dに対して次ぎのように計算される。図10は、値CR(d)の計算に使用されるM_L ^d、およびX_R ^d音声セグメントを図式的にれ｛x_L｝^d、および｛x_L｝^dシーケンスの平均値を表す。それから、アルゴリズムは、max[ρ^d(j)]を選択し、 CR(d)に加えて、その詳細図が図12に示されている「CR関数の演算とそのピークの選択」と表示された図8のボックスもまた、CR(d)関数のピークの位置loc(k) を提供する。ここで、k=1,2,...,Npであり、NpはCR(d)関数のピークの数である。図12は、CR関数の演算とそのピークの選択を含むプロセスのブロック図である。図示するように、CR(d)が与えられると、閾値th(d)は次のように決定される。ここで定数a、およびbは次のように規定される。d_max ⁿ⁺¹は、CR(d)がCR_Mn+1 ^maxまで最大にされるdの値に等しい。この閾値を用いて、 CR(d)関数は、CR_L(d)にクリップ（clip）される、すなわち、 CR_L(d)=0 CR(d)≦th(d)に対して CR_L(d)=CR(d) その他 CR_L(d)は、ゼロ値のG_O行程（run）によって分離された、正値のセグメントG_ss=1 ,2,3...,を含む。アルゴリズムは連続するG_sセグメント（すなわち、G_s、および G_s+1）間に存在するG_O行程の長さを検査し、G_O＜17の時、最大CR_L(d)値を有すークピッキング（peak picking）」過程により検査される。特に、それらの CR_L(d)＞CR_L(d−1)およびCR_L(d)＞CR_L(d＋1) となるように、選択される。しかしながら、もし次の条件があれば、あるピーク値は拒絶される。 k=1,...,Npで与えられる。 CR(d)とloc(k)は、図8に示した下記の改良高解像度ピッチ推定アルゴリズム (MHRPE)への入力として用いられ、その出力はP_Mn+1である。このMHRPE過程のフローチャートは図13に示され、ここでPは0で初期化されており、最後に推定されたPは要求されたP_Mn+1である。図13において、主なピッチ推定過程は、以下に規定する最小二乗誤差(LSE)アルゴリズムに基づいている。 0.1xjの増分で21から147の範囲の可能な各ピッチ値j、すなわちj∈｛21,23,25,2 7,30,33,36,40,44,48,53,58,64,70,77,84,92,101,111,122,134｝に対して（このように21反復が実施される）、 1)乗算係数ベクトル（multiplication factor vector）を形成し、ならば、可能なピッチjを拒絶して(1)に戻り、 3)以下の誤差量を形成し、ここで、 4)関連する誤差量E_jsが最小であるP_jsを選択する。次の二つの一般条件、「最高遅延を拒絶する」loc(Np)、および「最低遅延を拒絶する」loc(l)は、「二重」あるいは「半分」値という誤ピッチを除去するた、および一般にシステムのピッチ推定に拘束を設けるために含まれる。「最高遅延を除去する」条件には三つの拘束（constraints）が含まれる．ｉ）もしP=0ならば、loc(Np)を拒絶する。 ii）もしloc(Np)＞100ならば、推定ピッチPの近傍（すなわち0.8×Pから1.2×P まで）でのCR(d)の局部最大CR(d_lm)を見出し、これをCR(d_lm)＜th(d_lm)-0.02である時、式28で拒絶loc(Np)と決定されたth(d_lm)と比較する。 iii）もしLSEアルゴリズムの誤差E_jsが50よりも大きく、Np＞2に対してu_jN(NP)= Npの時、loc(Np)を拒絶する。このフローチャートは図14に示してある。図15にそのフローチャートが示してある「最低の遅延を除去する」一般条件は、次の三つの条件が同時に満足された時、loc(1)を拒絶する。 i）相関係数関数ピークの検出密度が0.75よりも少ないかあるいは等しい。すなわち、 ii）もし最初のピークが無視される場合（すなわちloc(1)）、残りの位置が共通係数を示す。 iii）ピークを失した位置の相関係数関数の値が、近傍の検出されたピークに比較して比較的小さい。すなわち、もしk=1,...Npに対してu_Pn ^k-u_Pn(k)＞1の時、 i=u_Pn(k)+1：u_Pn(k+1)-1に対して、 a)(i-0.1)×loc(l)から(i+0.1)×loc(l)までの範囲の局部最大CR(d_lm)を見出す。 b)もしCR(d_lm)＜0.97×CR(u_Pn(k))ならば、拒絶最小遅延となり、終了。他の場合は継続。これにより、図7のピッチ推定過程が終了し、その出力はP_Mn+1である。しかしながら、図7に示されるように、ピッチ推定と並行してプロセスＩは、M_n+1符号化フレームの中央に中心がある160のサンプルを得、それらの平均値を移動し、そして前のK非無言符号化フレーム（non−silence coding frame）のエネルギーのR0、R1、および平均R_avを計算する。Kは、最初の50の非無言符号化フレームに対して50に固定され、次の50非の無言符号化フレームで50から100に増加し、以後100の値に一定に止まる。R_av、R0、R1を計算し、R_avバッファを更新する過程のフローチャートが図16に示され、そこでは「カウント」は非無言音声フレームの数を表し、「++」は１の増加を示す。THは無言（非音声）フレームの代表（re presentative）である適用閾値であり、図17に示すように規定される。CRはこの場合、CR_Mn+1 ^maxに等しい。 R0、R1、R_av、およびCR_Mn+1 ^maxが与えられた時、プロセスＩのV/UV部は、n+1 フレームの状態V_Mn+1を計算する。アルゴリズムのこの部分のフローチャートは図18に示され、ここでは「V」は、この過程の出力V/UVフラグを表している。「V 」フラグを1あるいは0に設定することはそれぞれ有声あるいは無声分類を示す。「CR」パラメータはピッチ推定プロセスで計算されるCR関数の最大値を示す。有声／無声過程の図式の代表例が図19に示されている。図7のb部分図に図示されるように、前のn番符号化フレームで動作するプロセスＩから作り出されるV_Mn+1値、P_Mn+1推定、およびV'_nとP'_n推定が与えられて、更に二つの位置民M_n+1+d1、およびM_n+1+d2が推定され、そして図7のb部分図に図示されるように、フィルタされた音声サンプルの対応する［-147,147］セグメントが得られる。これらの追加の二つの分析フレームは、図8の「ピッチ推定プロセス」への入力として用いられ、P_Mn+1+d1、およびP_Mn+1+d2、を生成する。d1、およびd2を計算する過程は図20のフローチャートに示されている。図7のプロセスＩの(a)部の最終ステップは、入力R0、R1、R_av、およびを有する図8に示された前のV/UV分類過程を展開（evolve）して、予備値V_n+1 ^pr を生成する。更に、多点ピッチ推定アルゴリズムは、P_Mn+1、P_Mn+1+d1、P_Mn+1+d2、V_n-1、P_n-1 V'_n、P'_nを受け入れて、予備ピッチ値P_n+1 ^prを提供する。この多点ピッチ推定アルゴリズムのフローチャートは図21に示され、ここでP₁、P₂、およびP_nはそれぞれM_n+1+d1、M_n+1+d2、およびM_n+1点に関連するピッチ推定を表し、Pはプロセスの出力ピッチ推定、すなわちP_n+1を示す。最後に、図7のプロセスＩの部分図(b)は、ピッチパラメータの円滑な展開を確実にするために、V_n+1 ^pr、およびP_n+1 ^pr推定に拘束を課する。この部分のフローチャートは図22に示してある。このプロセスのスタートでは、「V」、および「P 」は、拘束が与えられる前の有声フラッグ、およびピッチ推定値を表し（図7でV_n+1 ^pr 、およびP_n+1 ^pr）、一方プロセスの終りでは、「V」、および「P」は、拘束が与えられた後の有声フラグ、およびピッチ推定値を表す（V'_n+1、およびP'_n+1）。このセクションから作り出されたV'_n+1、およびP'_n+1は、V_n-1、V'_n、P_n-1、およびP '_nと共に、次のピッチ後処置セクション（pitch past processing section）で用いられ、n番符号化フレーム用に最終有声／無声、およびピッチ推定パラメータV_n、およびP_nを生成する。このピッチ後処置ステージは、図23、24、および25 のフローチャートで規定され、図23の出力Aは図24の入力であり、図24の出力Bは図25の入力である。この過程のスタートでは、「P_n」、および「V_n」はそれぞれピッチ推定と有声フラグを表し、それらは後処理（すなわちP'_n、V'_n）に先立つ n番符号化フレームに対応し、一方この過程の終りでは、「P_n」、および「V_n」はn番フレームに関連する最終ピッチ推定と有声フラグを表す（すなわちP_n、V_n ）。 LPC分析プロセス（図1のプロセスII）は、自動相関法（Autocorrelation）、安定化共分散法（Stabilised Covariance）あるいは格子法（Lattice）を用いて行なわれる。Burgアルゴリズムが用いられたが、単純な自動相関は復号音声品質に顕著な効果なしに採用されることができる。LPC係数はそれからLSP表現に変換される。係数の数の代表的な値は10から１２であり、10番のフィルタが用いられる。LPC分析プロセスは、良く知られており、文献、例えば、L.R.Rabiner、R.W. Schafer共著「音声信号のディジタル処理」，Prentice-Hall Inc.，Englewood C liffs，NewJersey，1978に記載されている。同様にLSP表現も例えば、F.Soong、 B.H.Juang著「線スペクトル対および音声データ圧縮」Proc．ICASSP-84，ppl.10 .1-1.10.4，1984から良く知られている。従って、これらのプロセス、および表現はここでは記載しない。プロセスIIにおいて、１０個のＬＳＰ係数がデータを表すのに用いられる。これら10個の係数は次のビット配置パターン（bit allocation pattern）［3,4,4, 4,4,4,4,4,3,3］を有するスカラー37ビットを用いて量子化される。これは比較的単純なプロセスであるが、その結果得られる1850ビット／秒のビット率は不必要に高い。代わりに、LSP係数は、スプリット（Split）-VQ技術を用いてベクトル量子化（vector Quantise）(VQ)される。スプリット-VQ技術において、大きさ「p」のLSPパラメータベクトルは、２つ以上のより小さい大きさのサブベクトルに分割され、各サブベクトルは個別にベクトル量子化される（サブベクトルをベクトル量子化する時、直接VQ解法（direct VQ approach）が用いられる）。実際、連続する「p」個の係数（c1,c2,...,cp）より成るLSP変換係数ベクトルCは、対応する大きさd_k(1≦d_k≦p)，p=d₁+d₂+...+d_k を有する「K」のベクトルC^k(1≦k≦K)に分割される。特に「K」が「p」に設定される時（すなわちCが「p」の要素に区分される時）、スプリット-VQはスカラー量子化と等価になる。一方、Kが１（K=1、d_k=p）に設定される時、スプリット-V Qは全検索（Full Search）VQと等価になる。上記スプリットVQ解法は、1.3から1.4Kビット／秒のオーダーのLPCフィルタビット率に導く。更にこの明細書に記載される音声符号化システムのビット率を最小化するために、スプリットマトリックスVQ(SMQ)がマンチェスター大学で開発され、C.XydeasおよびC.Papanastasiouの「スプリットマトリックス量子化を用いたLSPパラメータの効率的符号化」，Proc ICASSP-95，pp740-743，1995に報告されている。この方法は、900ビット／秒での平明な（transparent）LPC量子化に結果し、与えられた量子化精度に対して，プロセスIIIに対する要求されるメモリ／複雑さ特性（memory／complexity characteristics）を得る柔軟な方法を提供する。SMQの重要な特徴は、新ウェイト付けユークリッド距離（new weighte d Euclidean distance）であり、次のように詳細に規定される。ここで、L'_k(1)はk番（k=1,...,K）量子化サブマトリックスを表し、LSP'_N(k-1) _+N ^l+t はその要素を表す。m(k)はk番サブマトリックスのスペクトルの大きさを表し、NはSMQフレームの大きさである。また、以下のことに注意すること。 N LPCフレームが両有声、および無声フレームから成っている時、 w_t(t)=En(t)^α1であり、さなくば、 w_t(t)＝En(t)^α1 ここで、Er(t)は(1＋t)番フレームの予測誤差（prediction error）の正規化エネルギー（normalised energy）であり、En(t)は(1+t)番音声フレームのRMS値であり、Aver(En)はSMQに用いられているNLPCフレームの平均RMS値である。定数α 、およびα1の値はそれぞれ0.2、および0.15に設定される。また、である。ここで、P(1_k+x ⁿ⁺¹)は1_k+sLSP_x(k-1)+s周波数での(1+t)音声フレームのパワー包括スペクトル（power envelope spectrum）の値である。βは0.15に等しい。を提供する逆プロセスを含む。α ^l+ii=0,...,N-1係数ベクトルは、LPCからLSPへの変換に先立って、図26に示されるように10Hz帯域拡張（bandwidth expansion ）で修正される。5Hz帯域拡張もまた逆量子化プロセスに含まれる。図1のプロセスIVを説明する。このプロセスは、高調波の混合有声分類に関係する。n番符号化フレームが有声と分類された時、n番符号化フレームの中央M_nに中心がある長さ160のサンプルの残留信号Rⁿ(i)、およびそのフレームに対するピッチ周期P_nは、j番高調波ω_j ⁿに関連する強有声音（hv_j=l）／弱有声音（hv_j=0 ）分類を決定するのに用いられる。プロセスIVのフローチャートは図27に示してある。160サンプルのR ⁿ配列（array）は、ハミングウィンドウ（Hamming window ）がつけられ、増大されて、512の大きさの配列を形成する。それは次いでFFT処理される。その結果得られる256スペクトルのマグニチュード値の最大、および最小値MGR_max、およびMGR_minが決定され、閾値THOが計算される。 THOはその後、マグニチュードスペクトルをクリップするのに用いられる。クリップされたMGR配列は、下式を満足するピークMGR(P)を規定するために探索される。 MGR(P)〉MGR(P+1)and MGR(P)>MGR(P-1) MGR(P+1)、およびMGR(P-1)値により「支持された（supported）」各ピークM GR(P)に対して、２番の多項式（polynomial）が設定（fit）され、この曲線の最大値が位置loc(MGR(P))でMGR(P)として受け入れられる。更に、拘束がこれらのマグニチュードのピークに課される。特に次の場合、ピークは拒絶される。 a）loc(MGR(P))近傍に（すなわちとしてloc(MGR(P))-fo/2から loc(MGR(P))+fo/2の範囲、ここでfoは基本周波数Hz）、その値がMGR(P)の80%よりも大きいスペクトルピークがある場合、あるいは b）同じ範囲に、その値がMGR(P)よりも大きい何れかのスペクトルマグニチュードがある場合。これら二つの拘束を適用した後、残留スペクトルピークは「優勢」ピークとして特徴付けられる。このプロセスの残留部分の目的は、与えられた高調波j×ω_O近傍に「優勢」ピークがあるかどうかを検査することであり、そのケースでは高調波は強有声音として分類され、hv_j=1であり、その他ではhv_j=0である。特に、二つの閾値は次のように規定される。 THl=0.15×fo.TH2=(1.5/P_n)×fo ここで、fo=(1/P_n)×fsであり、fsはサンプリング周波数である。差(loc(MGR_d(k))-loc(MGR_d(k-1)))は、1.5xfo+TH2と比較され、もし大きければ、関係する高調波は「優勢」ピークとは関連せず、対応する分類hvはゼロ（弱有声音）である。(loc(MGRd(k)))はk番「優勢」ピークの位置であり、k=1,...,D であり、ここでDは「優勢」ピークの数である。この過程は図28に詳述してあり、そこでは、高調波インッデクスjは振幅スペクトルピークインデックスkに必ずしも対応しておらず、loc(k)はk番「優勢」ピークの位置である、すなわちloc(M GR_d(k))=loc(K)であることに、注意すべきである。 hv_j情報の送信に関連するビット率を最小にするために、二つの方式が採用され、それらは大略hvを表している。方式Ｉスペクトルは500Hzの帯域に分割され、強有声／弱有声フラグBhvが各帯域に割り当てられる。最初、および最後の500Hz帯域、すなわち0から500、および3500 から4000Hzはそれぞれ、常に強有声(Bhv=1)、および弱有声(Bhv=0)と見なされる。V_n=1かつV_n-1=1の時、500から1000Hz帯域は有声、すなわちBhv=1と分類される。更に、V_n=1かつV_n-1=0の時、、3000から3500Hz帯域は弱有声、すなわちBhv=0 と分類される。残りの5帯域のBhv値は、考慮している帯域内に入るj高調波のhv_j 値に関して多数決ルールを用いて決定される。与えられた帯域の数が偶数でかつ明確な多数が確立されない時、すなわちhv_j=1を有する高調波の数がhv_j=0を有する高調波の数と等しい時、その帯域に対するBhv値は直前の帯域に割り当てられた値と反対に設定される。復号プロセスでは、特定高調波jのhv_jは対応する帯域のBhv値に等しい。このようにして、hv情報は5ビットで送信される。方式II このケースでは、680Hzから3400Hzまでの範囲が、僅か二つの可変サイズ帯域で表される。V_n=1かつV_n-1=0の時、これらの二つの帯域を分離するFc周波数は下記の一つである。 (A)680，1360，2040，2720。一方、V_n=1かつV_n-1=1の時、Fcは下記周波数の一つである。 (B)1360，2040，2720，3400。更に、0から680、および3400から4000Hz帯域は、それぞれBhv=1、およびBhv=0で表される。Fc周波数は、(A)あるいは(B)の周波数によって連続して規定される三つの帯域を検査することにより、および帯域内に入る高調波に再度多数決ルールを用いることにより選択される。混合有声分類Bhv=0を有する帯域が見出された場合、すなわちhv_j=0を有する高調波の数がhv_j=1を有する高調波の数よりも大きい場合、Fcはこの帯域の低い境界に設定され、残りのスペクトル領域はBhv=0と分類される。このケースでは、Fcを決定するために僅か2ビットが割り当てられる。低位帯域はBhv=1を有する強有声音であり、一方高位帯域はBhv=0を有する弱有声音である。送信された情報から合成された音声についての混合音声分類の効果を図示するために、図29、および30はそれぞれ、発声「Industrial shares were mostlya」に対して得られた原音声波形と、その発声に対して得られた周波数トラックを表す。横軸は、各20ms周期のフレームでの時間を表す。図31は、図30の一部を大きなスケールで示したもので、周波数トラックを、有声フレームが全て強有声音（hv=1）と見なされた場合は実線で、hv=0の時にランダムな擾乱（perturbati ons）を導入するために強／弱有声音分類が考慮された時は点線で表す。図32は、四つの波形A,B,C、およびDを示す。波形Aは、音声セグメントの振幅スペクトルと、対応するLPCスペクトル包絡線（log₁₀領域（domain））とを表す。波形B,CおよびDは、対応する残りのセグメントの基準化された短期振幅スペクトル（Short-Term magnitude spectrum）（Ｂ）、2進（有声／無声）励起モデル (C)を使用して得られた励起セグメント（Ｃ）、および強有声／弱有声／無声ハイブリッド励起モデルを用いて得られた励起セグメント（Ｄ）を表す。ハイブリッドモデルは、３π/4からπの範囲で要求される適当な量のランダム性を導入し、これにより曲線Dが曲線Cよりもむしろ曲線Bにより近い近似になる、ということに注意すべきである。図1のプロセスＶについて説明する。一旦残留信号が引き出されると、P_nサンプルのセグメントが残留信号領域（domain）で得られる。励起情報を含むセグメントの振幅スペクトルは、P_n点DFTを適用して得られる。P_n点DFTの計算上の複雑さを回避するための代わりの解法は、固定長FFT（128点）を適用し、線形補間を用いて希望する点にマグニチュードスペクトルの値を見出すことである。 P点の実数値シーケンスx(i)に対して、DFTは次のように表される。 P_n点DFTは両側スペクトル（double-side spectrum）を生成する。このようにして、励起信号を正弦信号の重畳（superposition）として表すために、全ての非ＤＣ成分の振幅は係数2で乗ぜられなければならない。復元プロセス等しい。図1のプロセスVIを説明する。残留領域のピッチセグメントのP_nサンプルに適しながら、隣接有声フレーム間の相の連続性は保存される。その上、ＤＣマグニチュード成分の寄与は無視し得ると見なされ、このようにして、MG_o ⁿは0に設定される。この方法で，非ＤＣマグニチュードスペクトルが全ての知覚重要情報を含むと考えられる。ピッチ残留セグメント用の「ほぼ」平坦な形のマグニチュードスペクトルの仮定に基づいて、各種の方法が全体のマグニチュードスペクトルを単一の値で表すために用いられる。特に、修正された単一値スペクトル振幅表現法(MSVSAR)を説明する。 MSVSARは、音声スペクトル共鳴と非共鳴情報の幾つかが残留マグニチュードスペクトルに存在するという観察に基づいている(G.S.Kang、S.S.Everett共著の「狭帯域線形予測ボコーダーにおける励起の改良」，IEEE Trans．Acoust.，Speec h and Signal Proc.，Vol．ASSP-33，pp.377-386，1985)。LPC逆フィルタは、主に下記の理由により、完全に平坦なマグニチュードスペクトルの残留信号を作り出すことはできない。a）共鳴ピークのマグニチュードが1/A(z)全極フィルタの極位置に依存する、LPCフィルタ1/A(z)によるフォーマットの「カスケード表現（cascade representation）」、およびb)LPC量子化雑音（quantisation noise ）。結果として、LPC残留信号はそれ自身高度に理解し得る（intelligible）。この観察に基づいて、MG_j ⁿのマグニチュードは、修正されたプリングにより得られ、それは以下のように規定される。よびG_Nは下記のように規定される。およびここで、K_i ⁿ，i=1,...,pはn番符号化フレームの反射係数（reflection coeffici ent）であり、x_n ^rm(i)はそこから平均値が計算され移動されるn番符号化およびH(ω_j ⁿ)はそれぞれω_j ⁿ周波数におけるMP(z)、および1/A(z)フィルタの周値が0.25に設定される定数を表す。式32は、減少されたフィードバックゲイン（reduced feedback gain）を有する修正されたLPC合成フィルタを規定し、その周波数応答は殆ど量子化された共鳴ピークより成り、その位置はLPC合成共鳴位置に非常に近い。更に、フィードバックゲインG_Rの値は、LPCモデルの実行によって制御される（すなわちそれは基準化されたLPC予測誤差に比例する）。加えて、式34は、再生音声信号のエネルギーが原音声波形のエネルギーと等しいことを保証する。丈夫さ（Robustness ）は音声RMS値を２ピッチ周期に亙り計算することで増加する。代案の二つのマグニチュードスペクトル表現法を以下に説明するが、それらは、マグニチュード情報のより良い符号化を与え、再生音声品質の重要な改善に導く。代案のマグニチュードスペクトル表現法の第一は、以下の「Na振幅システム（ Na amplitude system）」に参照される。このMG_j ⁿ量子化システムの基本原理は、Na最大音声短期(ST)スペクトル包絡値（Na largest speech Short Term spect ral envelope）に対応する，それらのMG_j ⁿ値を正確に表すことである。特に、n 番符号化フレームのLPC係数が与えられると、STマグニチュードスペクトル包絡値が高調波周波数ω_j ⁿにおいて計算され（すなわちサンプルされ）、最大Naスペクトルサンプルの位置lc(j)，j=1,...,Naが決定される。これらの位り重要であるかを有効に示す。システムは、次いでMG_jnj=1c(1),...,1c(Na)を選択し、これらの値をベクトル量子化（Vector Quantize）する。もし、最小ピッチ値が17であると、非ＤＣMG_j ⁿ振幅の数は8に等しく、この理由によりNa≦8である。「Na振幅システム」の二つの変形が等価な性能をもって開発され、それらのブロック図がそれぞれ図33(a)、および(b)に示されている。 i）平均基準化ファクター（Mean Normalization Factor）を有するNa振幅システムこの変形では、n番符号化フレームの中央M_n付近に中心があるP_n残留サンプルRⁿ (i)のピッチセグメントが得られ、DFT変換される。スペクトルマグニチュードｍは量子化され、Na選択振幅（Na selected amplitude）MG_j ⁿ， j=lc(1),...,lc(Na)の基準化ファクターとして用いられる。その結果得られるNa 振幅はMG_j ⁿにベクトル量子化される。 ii) RMS基準化ファクターを有するNa振幅システムこの変形では、n番符号化フレームの中央M_n付近に中心があるピッチセグメントのRMS値が下式で計算される。ｇは量子化され、としてNa選択振幅MG_j ⁿ，j=1c(1),...,1c(Na)の基準化ファクターとして用いられる。これらの基準化された振幅はMG_j ⁿにベクトル量子化される。ピッチセグメントのマグニチュードスペクトルはNa選択高調波周波数ω_j ⁿ，j= 1c(1),...,1c(Na)でのみ計算されるので、P_n点DFT操作は、このケースでは回避されるということに、注意すべきである。両ケースにおいて、MG_j ⁿ値を基準化するために用いられるm、およびgファクターの量子化は非線型特性を有する順応性μ法量子化器（adaptive μ-law quantiser）を用いて以下のように行われる。 g、またはmの量子化のこの配置は、符号器の動的範囲を25dBs以下ではない値に拡張する。（ここでAは「m」あるいは「g」のいずれかである）に設定される。順応性μ法量子化器のブッロク図は図34に示されている。代案のマグニチュードスペクトル表現法の第二は、以下の「可変サイズスペクトルベクトル量子化(VS/SVQ)」システムに参照される。音声を復元するために式 (1)の一般合成式を採用する符号化システムは、可変長、ピッチ依存スペクトル振幅ベクトルMG符号化する問題に出合う。図33に説明した「Na振幅」MG_j ⁿ量子化法は、スペクトル振幅の最小期待数をベクトル量子化すること、およびMG_j ⁿマグニチュードの残りを固定値に設定することにより、この問題を回避している。しかしながら、このような部分的にスペクトル上平坦な励起モデルは、高度の復元音声品質を提供するには限界がある。このため、出力音声品質を改善するためには、全｛MG_j ⁿ｝マグニチュードスペクトルの形状が量子化されなければならない。｛MG_j ⁿ｝を符号化するために、各種方法が提案されてきた。本来、ADPCMは特定の符号化フレームに関連するMG_j ⁿ値を横切って（across）使用されてきた。また｛MG_j ⁿ｝はDCT変換され、連続するMG_j ⁿマグニチュードスペクトルを横切って区別をつけて（differentially）符号化されてきた。しかしながら、これらの符号化方式はどちらかといえば非効率的で比較的高ビット率で動作している。｛MG_j ⁿ ｝スペクトル振幅におけるベクトル量子化の導入は、2.4Kビット／秒前後で動作する正弦的および基本型補間システム（Sinusoidal and Prototype Interpola tion system）の開発を与えた。二つの公知の｛MG_j ⁿ｝vQ法を以下に説明するが、それは可変のサイズの（vs_n）入力ベクトルを固定サイズ（fxs）の符号ベクトルで量子化する。 i）第一のVQ方法は、入力ベクトルの固定サイズベクトルへの変換とこれに続く従来のベクトル量子化を含む。量子化された固定サイズベクトルへの逆変換は復元量子MG ⁿベクトルを生成する。使用されてきた変換法は、線形補間、帯域制限補間、全極モデル化、および非二乗変換を含む。しかしながら、この解決法で作り出された全歪みは、VQ雑音と、変換プロセスで導入された成分との和である。 ii）第一のVQ方法は、固定サイズ符号ベクトルで可変入力ベクトルの直接量子化を達成する。これはコードブックベクトルと入力MG ⁿベクトル間の歪みメジャー（distortion measure）を形成するために、各コードブックベクトルからvs_n 要素のみを選択することに基づいている。このような量子化解決法は、(i)で述べた先の技術の変換歪み（transformation distortion）を避け、ベクトル量子化雑音と等しい全歪み（overall distortion）に結果する。次に、改良されたVQ方法を説明するが、これは以下、可変サイズスペクトルベクトル量子化(VS/SVQ)方式として参照する。この方式は、｛MG_j ⁿ｝マグニチューり規定される、という基礎原理を利用して開発された。もし、最大期待ピッチ推って適切に表せられる。このことは、MG_j ⁿ形状を表しているコードブックベクトルが与えられた時、いずれの周波数でも規定される完全なスペクトル形状が補間プロセスを介して得られる、ということを意味している。図35は、VS/SVQプロセスを強調している。cbs固定fxsの寸法のベクトル（cbs vs_nを量子化するために用いられる。補間（このケースでは線形）は、S ⁱベクトルに用いられて、寸法vs_nのS^ij ベクトルを生成する。S ⁱのS^ij への補間プロセスは次式で与えられる。このプロセスは、MG_j ⁿベクトルのω_j ⁿ周波数におけるS^ij スペクトル形状を効果的に規定する。歪みメジャーD(S^ij 、MGⁿ )は、それからS^ij とMGⁿ ベクトル間で規定され、最小歪みを生成するコードブックベクトルS¹が選択され、そのインデックスＩが送信される。勿論、受信機では、式(38)がS¹ からMGⁿ を規定するために用いられる。合成された信号を低域濾波することにより重大な劣化を伴わずに50まで低減される。このことは、3.4から4.0KHzまでの範囲の全ての高調波蜂MG_j ⁿをゼロに設定することにより達成される。このケースでは、隣接する残留フレームから得られた振幅ベクトルは、後方予測（backward pre diction）によって取り除かれる顕著な冗長性（redundancy）を示す。予測は高調波基準で行われる、すなわち各高調波MG_j ⁿの振幅値は、先行フレーム、すなわちMG_j ^n-1の同じ高調波の振幅値から予測される。固定線形予測子（fixed られるDPCM構造は図36に示されでいる(差分VS/SVQ,(DVS/SVQ))。特に、誤差ベクされる。すなわち、およびここで、E_j ⁿは量子化された誤差ベクトルを表す。 structure）を使用して、平均移動（Mean Removal）およびゲイン形状量子化（G ain Shape Quantisation）法を組み込む。ウェイト付けされた平均二乗誤差はシステムのVS/SVQ段階で用いられる。ウェイト付け関数はフィルタの周波数応答として規定される。W(z)=1/A_n(z/γ)、ここでA_n(z)は短期線形予測フィルタであり、γは定数でγ=0.93と規定される。短期包絡スペクトルに比例するこのようなウェイト付け関数は、実質的に改善された復号音声品質に結果する。ウェイト付け関数W_j ⁿは次のように基準化される。 Eⁿ の平均値のpdfは非常に広く、その結果平均値は一つのベクトルから別のものでは大幅に異なる。この平均値は誤差ベクトルEⁿ の形状の変化に統計的に無関係と見なされ、このようにして圧縮効率（compression efficiency）に実質的なペナルティを払うことなく分離して量子化され得る。誤差ベクトルの平均値は以下のように計算される．形成する。全量子化歪みは、ゲイン形状ベクトル量子化器（Gain-Shape Vector Quantiser）によって行われる「平均移動（Mean Removed）」誤差ベクトル(Ermⁿ )の量子化に帰せられる。査され、インデックスＩを生成する、それは次の量を最大にする。ここで、cbsはCBSの符号化ベクトルの数である。最適ゲイン値は、形状量子化の間、S'ⁱ 、およびvs_nサイズベクトルが、fxsサイズ符号化ベクトルSⁱに線形補間を用いて作り出されるという意味において、VS/SVQの原理が採用される。訓練され、またランダムに発生された形のCBSコードブックが研究された。Ermⁿ は雑音のような特性を有しているが、ランダムに発生する形状コードブック（randomly generated shape codebooks）を使用するシステムは、不満足な曖昧に復号された音声に結果し、訓練された形状コードブック（trained shape codebook）を採用したシステムに対して劣っていた。閉ループ接合予測子（closed−loop joint predictor）、およびVQ設計プロセスが、CBSコードブック、それぞれ平均値MおよびゲインG値の最適スカラ量子化器CBMおよびCBGを設計するために、また図36の予測係数bを規定するために採用された。特に以下のステップが設計プロセスで起こる。ステップA0 （k=0） MG_j ⁿのトレーニングシーケンスが与えられると、予測子b⁰は開ループ形およびCBS^o形状コードブックは、未量子化Eⁿ を用いて再び開ループ形式で独立して設計される。特に、 a）誤差ベクトルEⁿ ⁰のトレーニングシーケンス（training sequence）が与えられた時、各Eⁿ ⁰の平均値が計算され、最適スカラ量子化器（CBM ⁰）の訓練成形プロセスに用いられる。 b) 誤差ベクトルE ⁿ⁰のトレーニングシーケンスとCBM^o平均量子化器が与えられた時、各誤差ベクトルの平均値が計算され、CBM^o量子化器を用いて量子化され、そして原誤差ベクトルEⁿ ⁰から移動させられ、「平均移動（Mean Removed）」訓練ベクトルErmⁿ ⁰のシーケンスを生成する。 c）Ermⁿ ⁰のトレーニングシーケンスが与えられた時、各「平均移動」訓練ベクトルは、単位パワーに基準化され、（すなわち、係数で除される。）、fxs点に線形的に補間され、fxsの大きさの通常のベクトル量子化器の訓練プロセスで使用される。（CBS^o） d）Ermⁿ ⁰ベクトルのトレーニングシーケンスとCBS⁰形状コードブックが与えられた時、各「平均移動」訓練ベクトルは、式46、および47を用いて符号化され、式47の値Gは最適スカラ量子化器（CBM⁰）の訓練プロセスで使用される。kは1に設定される(k=1)。ステップA1 MG_jのトレーニングシーケンス、および先行するk-1反復の平均、ゲインおよび形状コードブック（すなわちCBM^k-1、CBG^k-1、CBS^k-1）が与えられた時、最適予測係数b^kが計算される。ステップA2 MG_jのトレーニングシーケンス、最適予測係数b^k、およびCBM^k-1、CBG^k-1 、CBS^k-1が与えられた時、誤差ベクトルEⁿ ^kのトレーニングシーケンスが形成され、それは新平均、ゲインおよび形状コードブック（すなわちCBM^k 、CBG^k、CBS^k）の設計に用いられる。ステップA3 k番反復量子化システムの実施（すなわちb^k、CBM^k、CBG^k、CBS^k）が評価され、先行する反復量子化システム（すなわちb^k-1、CBM^k-1、CBG^k-1、CB S^k-1）に対して比較される。もし量子化歪みが最小に収斂すれば、量子化プロセスは停止する。さなくば、k=k+1、およびステップA1,A2、およびA3 が繰り返される。各量子化器（すなわちb^k、CBM^k、CBG^k、CBS^k）の性能は、本質的なテスト（su bjective test）と、システムの本質的性能を反映するために見出されたLogSegS NR歪みメジャーを用いて評価される。前記ステップA2で用いられる平均-形状-ゲイン量子化器用の設計は、次のステップを用いて行なわれる。ステップB1 誤差ベクトルEⁿ ^kのトレーニングシーケンスが与えられた時、各Eⁿ ^kの平均値が計算され、最適スカラ量子化器（CBM^k）のトレーニングプロセスに用いられる。ステップB2 誤差ベクトルEⁿ ^kのトレーニングシーケンスとCBM^k平均量子化器が与えられた時、各残留ベクトルの平均値が計算され、量子化され、そして原残留ベクトルEⁿ ^kから移動され、「平均移動」トレーニングベクトルErmⁿ ^kのシーケンスを生成する。「平均移動」トレーニングベクトルErmⁿ ^kのシーケンスはそれから、最適ゲイン形状量子化器（CBG^k、CBS^k）の設計にトレーニングデータとして使用される。これは、以下のステップC1-C4を含む。（量子化設計プロセスは、いかなる独立したゲイン形状量子化器構造の仮定の下に実施される、すなわち入力誤差ベクトルEmr ⁿはSⁱコードブック形状ベクトルとGゲイン量子化器レベルのいかなる可能な組み合わせによっても表せられる。）ステップC1 (v=0) ベクトルErmⁿ ^kのトレーニングシーケンスと、それぞれゲインおよび形状コードブックである初期CBG^k,0およびCBS^k,0が与えられた時、式44におけるように全平均歪み距離D_k,oを計算する。vは1に等しく設定する(v=1)。ステップC2 先の反復から、ベクトルErmⁿ ^kのトレーニングシーケンスとCBG^k,v-1ゲインコードブックが与えられた時、VQ歪み測定を最小化する新形状コードブックCBS^k,vを計算する。最適CBS^k,v形状コードブックは、式(44)の歪み測定が最小である時に得られ、これはM1_k,v反復で達成される。ステップC3 ベクトルErmⁿ ^kのトレーニングシーケンスとCBS^k,v形状コードブックが与えられた時、式(44)の歪み測定を最小化する新ゲイン量子化器CBG^k,vを計算する。最適CBG^k,vゲイン量子化器は、式(44)の歪み測定が最小である時に得られ、これはM2_k,v反復で達成される。ステップC4 ベクトルErmⁿ ^kのトレーニングシーケンスと形状およびゲインコードブック、CBS^k,vおよびCBG^k,vが与えられた時、平均全歪み測定を計算する。もし、(D_k,v-1-D_k,v)/D_k,v＜εであれば停止する。さなくば、v=v+1としてステップC2に戻る。ステップC2(m=1,...,M1_k,v)で行われるm番反復の間、形状コードブックCBS^k,v ^,m の中心軌跡送S_i,M ^k,v,m，i=1,...,cbsおよびu=1,...,fxsは、以下のように更新される。 Q_iは、S_i ^k,v,m-1 コードブック形状ベクトルに量子化されたErmⁿ ^k誤差ベクトルのクラスタ（cluster）を示し、cbsは形状量子化レベルの全数を表し、J_nはErmⁿ ^k 誤差ベクトルを符号化するCBG^k,v-1ゲインコードブックインデックスを表し、１≦j≦vs_nである。前記ステップC3(m=1,...,M2_k,v)におけるm番反復の間に計算される、CBG^k,v,m ゲイン量子化器のゲイン中心軌跡G_i ^k,v,n，i=1,...，cbgは次のように与えられる．ここで、D_iはG_i ^k,v,m-1ゲイン量子化器レベルに量子化されたErmⁿ ^k誤差ベクトルのクラスタを示し、cbgはゲイン量子化器レベルの全数を表し、I_nはErmⁿ ^k誤差ベクトルを符号化するCBS^k,v形状コードブックインデックスを表し、i≦j≦vs_nである。上に採用された設計プロセスは、最適形状コードブックCBS、最適ゲイン、および平均量子化器CBG、およびCBM、および最終的にb=0.35に設定された最適予測係数bを得るために適用される。プロセスVIIは残留信号のエネルギーを計算する。プロセスIIで行われるLPC分Ｉで行われた有声／無声分類は、考慮中のフレームに対する音声信号(R0)のゼロ遅延用の短期自動相関係数を提供する。従って、残留信号E_n値のエネルギーは下式で与えられる。上記表現は、線形予測プロセスから得られるように、最小予測誤差を表す。しかしながら、量子化歪みのために、符号化-復号化プロセスで用いられるLPCフィルタのパラメータは、最小予測誤差を達成するものと若干異なる。このようにして、式(50)は、計算機への少ない要求で、残留信号予測の良い近似を与える。正確なE_n値は、次式で与えられる：次いで、その結果得られる√E_nが、図34に描かれたものと類似の順応性μ法量子化器配置を用いてスカラ量子化される。このケースでは、１個以上の√E_nがシステムに用いられる、すなわちエネルギーE_nは多数のサブフレームで計算され、次いでE_n' _ξが次の一般式で与えられる。 Ξ=1の時、M_s=M、およびΞ=4に対してM_s=M/4であることに注意すべきである。

───────────────────────────────────────────────────── フロントページの続き (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＫＥ，ＬＳ，ＭＷ，ＳＤ，ＳＺ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ，ＧＨ，ＨＵ，ＩＬ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＳ，ＵＺ，ＶＮ，ＹＵ，ＺＷ

Claims

【特許請求の範囲】１．音声信号が一連のフレームに分割され、各フレームが有声／無声分類とピッチ推定値(pitch estimate)とを含む符号化信号に変換される音声合成システムであって、各フレームにおいて参照用サンプルの近くに中心がある低域濾波された音声セグメントが定められ、参照用サンプルの近くに中心がある可変長さの音声セグメントから得られる多数のクロス相関値（multiple crosscorrelation value）の最大値として、相関値（correlation value）が各一連の候補ピッチ推定値（candidate pitch estim ates）の各々について計算され、その相関値が使用されて、ピークを定める相関関数が形成され、該ピークの位置が決定され、それが使用されてピッチ推定値が定められることを特徴とする音声合成システム。２．ピッチ推定値は反復法(iterative process)を用いて定められる請求項１に記載のシステム。３．単一の参照用サンプルが使用され、それぞれのフレームについて中心に置かれる請求項１または２に記載のシステム。４．各フレームに対して多数のピッチ推定値が異なる参照用サンプルを用いて引き出され、これら多数のピッチ推定値は組み合わされて、フレーム用の組合わせピッチ推定値が定められる請求項１または２に記載のシステム。５．ピッチ推定値が隣接するフレームの有声／無声の状態及び／又はピッチ推定値を参照することによって修正されて、最終的ピッチ推定値が定められる請求項１から４のいずれかに記載のシステム。６．相関関数は閾値を用いて切り落とされ(clipped)、残りのピークはそれらがより大きいピークと隣接する場合には拒絶される(rej ected)請求項１から５のいずれかに記載のシステム。７．いずれかの隣接するピークよりも大きいピークが選択され、該ピークはそれらが次のピークよりも所定ファクター以上小さい場合には拒絶される請求項６に記載のシステム。８．ピッチ推定処理は、最小二乗誤差アルゴリズムに基づく請求項１から７のいずれかに記載のシステム。９．ピッチ推定アルゴリズムは、その倍数が相関関数のピーク位置に最も適合する数として、ピッチ値（pitch value）を定める請求項８に記載のシステム。１０．可能性のあるピッチ値は連続しない整数に制限され、２つの連続する数の間の増加分はそれら２つの数のうち小さいものを掛けた定数に比例する請求項１から９に記載のシステム。１１．音声信号が一連のフレームに分割され、各フレームが、ピッチセグメントのマグニチュードスペクトル情報と、有声／無声分類と、有声音フレームのマグニチュードスペクトル(magnitude spectrum)において強有声音または弱有声音として高調波(harmonics)を分類する混合有声分類とを含む符号化された信号に変換される音声合成システムであって、フレームの中央に中心がある一連のサンプルがウィンドウされて(windowed)、データアレイが形成され、該データアレイはフーリエ変換されてマグニチュードスペクトルが形成され、閾値が計算され、それが使用されてマグニチュードスペクトルが切り取られ、切り取られたデータは検索されてピークが定められ、該ピークの位置が決定され、制約(constraints)が適用されて、優勢ピーク(dominant peak)が定められ、優勢ピークに関連しない高調波が弱有声音として分類されることを特徴とする音声合成システム。１２．ピークは２次多項式（second order polynomial）を用いて配置される請求項１１に記載のシステム。１３．サンプルはハミングウィンドウ(Hamming windowed)される請求項１１または１２に記載のシステム。１４．閾値は、最大および最小のマグニチュードスペクトル値を確認して、これら最大値と最小値との差を掛けた定数として定めることによって計算される請求項１１，１２または１３のいずれかに記載のシステム。１５．ピークは２つの隣接する値より大きい値として定められ、該ピークは、隣接するピークが類似のマグニチュードであるか、または、より大きなマグニチュードと同じ範囲内にスペクトルマグニチュードがある場合には、考慮されない請求項１１から１４のいずれかに記載のシステム。１６．高調波は、２つの隣接するピークの間の差が所定の閾値より大きい場合には、優勢ピークと関連しないものとみなされる請求項１１から１５のいずれかに記載のシステム。１７．スペクトルは固定された幅の帯域に分割され、強／弱有声音分類は各帯域に割り当てられる請求項１１から１６のいずれかに記載のシステム。１８．周波数範囲は種々の幅の２以上の帯域に分割され、隣接する帯域は高調波の強／弱有声音分類を参照することにより選択される周波数で分離される請求項１１から１７のいずれかに記載のシステム。１９．最低周波数帯域は強有声音としてみなされ、最高周波数帯域は弱有声音としてみなされる請求項１７または１８に記載のシステム。２０．現在のフレームが有声音であり、次のフレームが無声音である場合に、現在のフレームの範囲内にあるさらに別の帯域は、弱有声音として自動的に分類される請求項１９に記載のシステム。２１．強／弱有声音分類は、問題の周波帯域内に入る高調波の強／弱有声音分類に関して、多数決ルール(majority decision rule)を用いて決定される請求項１９または２０に記載のシステム。, ２２．過半数がない場合には、交互の周波帯域が強有声音分類と弱有声音分類とに交互に割り当てられる請求項２１に記載のシステム。２３．音声信号が一連のフレームに分割され、各フレームが、有声音または無声音として定められるとともに、各フレームが、ピッチ周期値と、フレーム有声／無声分類と、各有声フレームに対してスペクトルバンド内の高調波を強有声音または弱有声音として分類する混合有声スペクトル帯域とを含む符号化された信号に変換され、かつ、各フレームに関する励起信号を発生させるとともにその励起信号をフィルタに通すことによって音声信号が復元される音声合成システムであって、各弱有声音スペクトル帯域に対して、それぞれのピッチ周期値に依存する関数の形をしたランダム成分を含む励起信号が発生されることを特徴とする音声合成システム。２４．スペクトルは帯域に分割され、強／弱有声音分類は各帯域に割り当てられる請求項２３に記載のシステム。２５．ランダム成分は、弱有声音分類に割り当てられる高調波発振器の振幅を減少させ、周波数が基本周波数の倍数でなくなるように発振器周波数を撹乱させ、そしてさらなるランダム信号を付加することにより、導入される請求項２３または２４に記載のシステム。２６．発振器の位相はランダム化（randomised）される請求項２５に記載のシステム。２７．音声信号が一連のフレームに分割され、各音声フレームが、ピッチ周期値ＬＰＣ係数とピッチセグメントスペクトルマグニチュード情報とを含む符号化された信号に変換される音声合成システムにおいて、上記ピッチセグメントスペクトルマグニチュード情報は、高調波周波数でＬＰＣ短期マグニチュードスペクトルをサンプリングすることにより量子化され、最大スペクトルサンプルの位置が決定されて、どのマグニチュードが正確な量子化に最も重要であるかが特定され、そのように特定されたマグニチュードが選択されてベクトル量子化される、ことを特徴とする音声合成システム。２８．Ｐ_n ＬＰＣ残留サンプルのピッチセグメントが得られ、ここでＰｎはｎ番目のフレームのピッチ周期値であり、ピッチセグメントはＤＦＴ変換され、その結果得られたスペクトルマグニチュードの平均値が計算され、該平均値は量子化されると共に、選択されたマグニチュードの標準化ファクターとして使用され、その結果得られた標準化された振幅が量子化される、請求項２７に記載のシステム。２９．ピッチセグメントのＲＭＳ値が計算され、該ＲＭＳ値は量子化されると共に、選択されたマグニチュードの標準化因数として使用され、その結果得られた標準化された振幅が量子化される、請求項２７に記載のシステム。３０．受信機において、選択されたマグニチュードが回復され、他のグニチュード値の各々は一定値として再生される、請求項２７から２９のいずれかに記載のシステム。３１．音声信号を再構成するために受信機に送信される係数の可変サイズの入力ベクトルが、固定サイズのベクトルにより決定されるコードブックを使用してベクトル量子化され、該固定サイズのコードブックのベクトルは可変サイズのトレーニング・ベクトルとコードブック生成プロセスの必須部分（integral part）である補間法とから得られ、コードブックベクトルは補間法を使用して可変サイズの入力ベクトルと比較され、該比較から最小差を有するコードブックエントリー（codebook entry）と関連するインデックスが送信され、該インデックスは、受信機で他のコードブックをアドレスし、関連する固定サイズのコードブックベクトルを導出するのに使用され、上記補間プロセスは導出された固定サイズのコードブックベクトルから可変サイズの入力ベクトルの近似値を再生するのに使用されることを特徴とする音声合成システム。３２．補間プロセスは線形であり、与えられた大きさの入力ベクトルに対しては、補間プロセスは上記コードブックベクトルから与えられた大きさの一組のベクトルを生成するために適用され、歪みメジャー（distortion measure）が引き出されて、補間されたベクトルの組と入力ベクトルとが比較され、コードブックベクトルは最小歪みもたらすように選択される、請求項３１に記載のシステム。３３．ベクトルの大きさは、入力周波数帯域幅の範囲内の高調波振幅のみを考慮して縮小される、請求項３２に記載のシステム。３４．残留の振幅は一定値に設定される請求項３３に記載のシステム。３５．一定置は量子化された振幅の平均値と等しい請求項３４に記載のシステム。３６．隣接する残留フレームから得られる振幅ベクトル間の冗長性（redundancy ）は、後方予測（backward prediction）により除去される、請求項３１から３５のいずれかに記載のシステム。３７．後方予測は、一つのフレームの各高調波の振幅値は、前の単数又は複数のフレームにおける同じ高調波の振幅値から予測されるというような高調波の基礎に基づいて、実行される、請求項３６に記載のシステム。３８．音声信号が一連のフレームに分割され、各音声フレームは、予測されるピッチ周期と、その継続時間が該予測されるピッチ周期の関数である音声セグメントのエネルギーの推定と、ＬＰＣスペクトル包絡線を規定するＬＰＣフィルタ係数とを含む符号信号に変換され、入力音声信号の強さに関連する強さの音声信号が、上記ピッチ周期で規定される高調波周波数でサンプリングされる修正ＬＰＣスペクトル包絡線から規定されるスペクトル振幅を使用する励起信号を生成することにより、再構成される、音声合成システム。３９．マグニチュード値は、ピッチ周期に関連する高調波位置における修正ＬＰＣ合成フィルタ特性を個別にサンプリングすることにより得られる、請求項３８に記載のシステム。４０．修正ＬＰＣ合成フィルタは、低減されたフィードバックゲインと、その位置がＬＰＣ合成共振位置と近接する等しい共振ピークを備える周波数応答とを有する請求項３９に記載のシステム。４１．フィードバックゲインの値は、ＬＰＣモデルの性能により、それが標準化されたＬＰＣの予測誤差に関連するように、制御される請求項４０に記載のシステム。４２．再生された音声信号のエネルギーは原音声波形のエネルギーと等しい、請求項３８から４１のいずれかに記載のシステム。４３．音声信号が一連のフレームに分割され、各音声フレームは、ＬＰＣフィルタ係数を含む符号信号と、ピッチセグメントマグニチュードに関連する少なくとも一つのパラメータとを含む符号化された信号に変換され、音声信号は、各フレーム毎に２個の励起信号を生成することにより再構成され、各励起信号の対は、一つのフレームのピッチセグメントマグニチュードパラメータに基づいて生成される第１の励起信号と、上記一つのフレームに後続し、かつ隣接する第２のフレームのピッチセグメントマグニチュードパラメータに基づいて生成される第２の励起信号とを備え、上記第１の励起信号を、その特性が上記一つのフレームのＬＰＣフィルタ係数により決定される第１のＬＰＣフィルタに適用し、上記第２の励起信号をその特性が上記第２のフレームのＬＰＣフィルタ係数により決定れさる第２のＬＰＣフィルタに適用し、上記第１及び第２のＬＰＣフィルタの出力を重み付け及び組み合わせて、一つの合成された音声信号のフレームを生成することを特徴とする音声合成システム。４４．第１及び第２の励起信号は、二つのＬＰＣフィルタと同一の位相関数を備え、異なる位相分担を備える請求項４３に記載のシステム。４５．第１及び第２のＬＰＣフィルタは、第１のフィルタの出力のマグニチュードが時間と共に減少し、第２のフィルタの出力のマグニチュード時間と共に増加するような窓関数（window function）の半周期により重み付けされる、請求項４４に記載のシステム。４６．フレーム毎に作動し、各フレームを有声音又は無声音として表し、各有声音フレームについてはそのフレームをピッチ周期値、量子化マグニチュードスペクトル情報及びＬＰＣフィルタ係数により表す情報が送信され、受信されたピッチ周期値及びマグニチュードスペクトル情報は受信機で残留信号を生成するのに使用され、該残留信号は、その特性が送信されるフィルタ係数により決定されるＬＰＣ音声合成フィルタに適用される音声符号化システムであって、各残留信号は、シヌソイド混合励起合成プロセスに従って合成され、再生された音声信号は残留信号から導出される、音声符号化システム。４７．添付図面を参照して説明したものと実質的に同様の音声合成システム。