JP2001177416A

JP2001177416A - 音声符号化パラメータの取得方法および装置

Info

Publication number: JP2001177416A
Application number: JP35854499A
Authority: JP
Inventors: Teruo Fumoto; 照夫麓
Original assignee: YRP Advanced Mobile Communication Systems Research Laboratories Co Ltd
Current assignee: YRP Advanced Mobile Communication Systems Research Laboratories Co Ltd
Priority date: 1999-12-17
Filing date: 1999-12-17
Publication date: 2001-06-29
Anticipated expiration: 2019-12-17
Also published as: JP3325248B2

Abstract

(57)【要約】【課題】周波数スペクトル雑音に強い有声／無声判定
を行う。【解決手段】フレームエネルギー計算部３０１で音声
セグメントのスペクトルパワーＥfを算出し、バンドエ
ネルギー計算部３０２で周波数スペクトル帯域を複数の
周波数バンドに分割した各バンドのスペクトルパワーＥ
b[k]を算出する。対数変換部３０３で音声入力からセグ
メント毎に周波数スペクトルを計算して対数変換し、そ
の極大値と極小値の差からハーモニクスの強度Ｈp[n]を
算出し（バンドハーモニクス振幅計算部３０４）、極大
値の数からハーモニクスの数Ｈnを計測する（バンドハ
ーモニクス数計算部３０５）。有声強度判定部３０６
で、それらに基づいて、各周波数バンドの有声強度Ｖ
[k]を算出する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声信号をデジタ
ル化して所定の時間間隔毎にその特徴を表す音声符号化
パラメータを取得する音声符号化パラメータ取得方法お
よび装置に関するものであり、その音声符号化パラメー
タを符号化して伝送または蓄積し、伝送先または蓄積先
から必要な時に音声符号化パラメータを復元し、復元し
た音声符号化パラメータから音声信号を合成して音声を
伝えるデジタル携帯電話やデジタル音声蓄積装置などに
使用して好適なものである。

【０００２】

【従来の技術】デジタル化された音声信号は、データ圧
縮、誤り処理、多重化などさまざまなデジタル信号処理
が可能になるため、固定電話や移動電話に限らず音声を
利用するマルチメディアシステムなどに広く取り入れら
れている。アナログの音声信号をデジタル化するには、
一般に入力音声周波数帯域の２倍以上の標本化周波数で
標本化し、耳に識別できない程度の量子化ステップで量
子化が必要なため、アナログ信号と比較し広い伝送周波
数帯域幅を必要とする。そのため、一旦デジタル化され
た音声信号は、要求される音声品質に応じてさまざまな
符号化方式や変調方式によりデータの圧縮が行われてい
る。音声の持つ特徴を積極的に利用する事により、効率
的な圧縮を行う事が出来る。例えば、適応型差分パルス
符号変調（ＡＤＰＣＭ）方式は音声波形の周期性や人間
の聴覚感度の対数特性を利用した波形符号化方式で、１
２８kbpsのデジタル音声を３２kbps程度に圧縮して圧縮
前と変わらない音声品質を得ており、電話の基幹伝送や
ＰＨＳシステムに利用されている。波形符号化方式は標
本化点を最低１ビットで表現するものであるため、標本
化周波数が８KHzの場合では原理的に８kbps以下に音声
符号化速度を下げる事は出来ない。

【０００３】低い音声符号化速度を得るために、音声を
所定の時間間隔のセグメントに分割し、そのセグメント
毎に、音声合成パラメータと残差音源信号を伝送する符
号励振線形予測（ＣＥＬＰ）を基本とする方式がある。
日本の携帯無線電話で用いられているＶＳＥＬＰやＰＳ
Ｉ−ＣＥＬＰ方式は、２０msecや４０msec間隔の音声信
号の線形予測分析により得られる人間の声道フィルタ特
性を近似する線形予測係数（ＬＰＣ）と、聴感的に入力
音声に近い波形を合成する事が出来る残差音源信号を符
号化する事で低い音声符号化速度を実現している。また
残差音源信号を効率良く符号化するために、複数の残差
音源波形を持った符号帳を用意し、その符合帳のエント
リ番号と利得を伝送している。これらの詳細は電波産業
会の規格書ＲＣＲ−ＳＴＤ２７Ｆに詳しく記載されてい
る。このＣＥＬＰを基本とする方式は、適切な大きさの
符合帳をうまく設計する事で音声符号化速度３〜４kbps
程度まで実現されている。

【０００４】更に低い音声符号化速度を得るために、音
声合成パラメータのみを伝送して上記のＣＥＬＰ方式に
おける音源符合帳を用いない音声符号化を行う方式があ
る。米国国防省の標準音声符号化方式のＦＳ−１０１５
はピッチ周波数、ＬＰＣ係数、ルート二乗平均振幅、有
声／無声判定情報の音声合成パラメータにより音声符号
化・復号化を行うＬＰＣボコーダ（Vocoder）方式の音
声符号化方式で、２．４kbpsの音声符号化速度を得てい
る。この方式は音声の特徴を積極的に利用しているた
め、合成音声的な音質になり、特に背景雑音下で復号音
声品質が著しく劣化する欠点を有していた。また、衛星
携帯電話に一部使用されているＩＭＢＥ（Improved Mul
tiband Excitation）方式は、音声時間セグメントを周
波数領域に変換して音声ピッチ、音声ハーモニクス振
幅、周波数帯域を複数に分割した周波数バンドの有声／
非有声情報で音声符号化を行う方式で、各バンド毎に有
声音モデルと無声音モデルを選択して合成するために、
背景雑音下や混合音声の場合にも合成音声の劣化が少な
く、前記ＬＰＣボコーダに比べて優れていると報告され
ている。

【０００５】図８は、一般的な音声符号化伝送装置の構
成を示した図である。音声符号化パラメータ抽出部１０
２は音声入力端子１０１から入力された標本化・量子化
された音声デジタル信号を、所定の時間間隔のセグメン
トに分割し、そのセグメント毎に音声符号化パラメータ
を抽出する。抽出する音声符号化パラメータは音声符号
化方式により決定され、例えば前記のＩＭＢＥ方式で
は、音声ピッチ、音声ハーモニクスの振幅、各周波数バ
ンドの有声／無声情報である。パラメータ符号化部１０
３は、抽出した音声符号化パラメータを効果的に符号化
して符号量を低減せしめ、送信部１０４を介して伝送路
１０５に送り出す。パラメータ復号化部１０７は受信部
１０６で受け取った符号を復号し、音声符号化パラメー
タを復元し、音声合成部１０８は音声符号化パラメータ
抽出部の動作と逆の動作により合成音声を作成し音声出
力端子１０９から音声デジタル信号を出力する。

【０００６】図９は前記ＩＭＢＥ方式の場合における前
記音声符号化パラメータ抽出部１０２の内部構成図であ
る。デジタル入力音声信号は基本周波数推定部２０２に
入力され、ここで音声の基本周波数が推定される。基本
周波数の推定には、自己相関関数や周波数スペクトルの
対数の逆フーリエ変換であるケプストラムのピークを検
出する方法など多くの方法があり、例えば、古井著「デ
ジタル音声処理」東海大学出版会、１９８５年９月２５
日等に記載されている。周波数スペクトル計算部２０
３では、ハミング窓等の窓関数により切り出した有限長
の音声セグメントを周波数分析して音声周波数スペクト
ルを得る。基本周波数修正部２０４は、前記基本周波数
推定部２０２で推定された音声基本周波数の近傍の周波
数範囲でＡ−ｂ−Ｓ（Analysis-by-Synthesis）手法に
より合成スペクトルと前記周波数スペクトル計算部２０
３で算出した音声周波数スペクトルとの誤差最小条件に
より修正した基本周波数ωoを得る。有声強度計算部２
０５は該修正された基本周波数ωoに基づいて、周波数
帯域を複数の周波数バンド（周波数区間）ｋ（k=1,
2,...,K）に分割し、各周波数バンド毎に合成された合
成スペクトルと音声周波数スペクトルの誤差を計算し、
閾値判定により有声／無声情報Ｖ[k]を出力する。スペ
クトル包絡計算部２０６は有声／無声情報Ｖ[k]によ
り、有声バンドではＡ−ｂ−Ｓ手法で求めた各ハーモニ
クスの振幅、無声バンドでは各ハーモニクスの持つ周波
数帯域での周波数スペクトルのルート二乗平均値をスペ
クトル包絡絶対値|Ａ(ω)|として出力する。

【０００７】図１０は、前記ＩＭＢＥ方式の場合におけ
る前記音声合成部１０８の内部構成を示す図である。高
調波音源部４０１では、有声／無声情報Ｖ[k]と基本周
波数ωoにより有声と判定される周波数区間において、
基本周波数ωoとその高調波の音源をスペクトル包絡|Ａ
(ω)|に対応する振幅で駆動して複数の音源信号を生成
する。高調波加算部４０２では高調波音源部４０１で発
生した複数の音源信号を加算合成し、有声バンドに対応
する音声信号を生成する。また、雑音音源部４０３は、
白色雑音を生成し、周波数変換部４０４で適当な窓関数
により処理した後、周波数変換する。周波数変換された
白色雑音は、雑音抽出部４０５でＶ[k]により無声と指
定された周波数バンドの白色雑音スペクトルを取りだ
し、スペクトル包絡|Ａ(ω)|の値に各スペクトルの振幅
を合わせる。逆周波数変換部４０６では無声バンドに対
応する雑音区間の周波数スペクトルを音声波形に変換す
る。最後の加算部４０７では、高調波加算部４０２から
の有声音声波形と、雑音抽出部４０５の無声音声スペク
トルを逆周波数変換部４０６で時間軸波形信号に変換し
た無声音声波形とを加算して、最終的な有声音と無声音
を持った合成音声を得ている。このＩＭＢＥ方式の詳細
は、”Multiband Excitation Vocoder”, IEEE Transac
tions onAcoustics,speech, and signal processing, v
ol.36,No.8,August 1988,pp1223-1235に詳しく記載され
ている。このように、音声をデジタル化して低ビットレ
ートの音声符号化を実現する方法として、音声合成モデ
ルに基づく音声符号化パラメータを抽出して符号化を行
うＩＭＢＥ方式等の分析合成型の音声符号化方式が提案
されている。

【０００８】

【発明が解決しようとする課題】以上述べた様に、低ビ
ットレート音声符号化のためには分析合成型の音声符号
化方式が有効であるが、残差音源信号を用いず音声合成
パラメータでのみ音声の合成を行うため、符号化方式に
よっては合成音的な音質になりやすい。また、音声セグ
メントを特徴づける音声合成パラメータの抽出誤差は音
声品質に与える影響が大きいという問題がある。ここ
で、分析合成型の音声符号化方式の動作とその具体的な
課題についてさらに説明する。米国ＤｏＤ標準のＦＳ−
１０１５ボコーダでは、入力音声をセグメントに分割し
て音声フレームを切り出して、そのフレーム単位で有声
音フレームか無声音フレームかを判定し、それぞれ対応
した処理を切り替えて行っていた。そのため、背景雑音
等が入った有声音や、有声と無声の混在したフレームで
は音声劣化が目立っていた。

【０００９】それに対してＩＭＢＥ方式では、有声と無
声をフレーム単位に決定するのではなく、フレームの周
波数帯域を複数の周波数バンドに分割してそのバンドに
含まれる周波数成分が有声か無声かを判定し、バンド毎
に音声合成モデルを有声音合成モデルと無声音合成モデ
ルを選択する事によって、合成音声品質を改善してい
る。ここで、第ｋバンドの周波数範囲ωkは、基本周波
数をωoとして各バンドにｎ本の高調波を含む様に設定
した場合は、

【数１】で定義している。また、基本周波数ωoとその高調波で
合成した合成スペクトルＳs(ω)と音声スペクトルＳo
（ω）の正規化誤差Ｄkは、

【数２】と定義している。この正規化誤差Ｄkが所定の閾値より
小さければ合成モデルとの差が少ない事からこの周波数
バンド区間を有声と判定しＶ[k]＝１とする。逆にスペ
クトル誤差が大きければ、無声と判断しＶ[k]＝０とし
ている。

【００１０】ここで正規化誤差Ｄkと基本周波数ωoの関
係について考察する。上記式（１）に示す様に、周波数
バンドの周波数範囲は基本周波数ωoによりその幅が変
化し、バンド番号ｋによりその中心周波数がシフトす
る。図１１の（Ａ）は入力音声スペクトル振幅|Ａ(ω)|
と第１周波数バンド内の合成スペクトル（太い実線で表
示）をｎ＝３の場合について表したものである。周波数
範囲Δωは式（１）より３ωoとなる。一方、図１１の
（Ｂ）は基本周波数が図１１（Ａ）に比べて２倍の２ω
oになった場合を示している。この場合には周波数範囲
Δωは式（１）より６ωoになるが、各ハーモニクスの
形状は太い実線で表したように図１１（Ａ）の形状と相
似の形状になる。この形状は周波数スペクトル計算部の
窓関数により決まるものであるので、基本周波数が変化
しても形状は変化しない。図１１の（Ａ）と（Ｂ）の場
合を比較すると、基本周波数が高い（Ｂ）の方はハーモ
ニクスの谷の部分の誤差により正規化誤差の評価値Ｄk
が（Ａ）の場合に比べて大きくなる。逆に言えば、基本
周波数が低くなった場合には評価値Ｄkが小さくなり、
無声区間でも有声と判定される場合が多くなり、その結
果、男性の低い音声の場合にバズ音的な音質になるとい
う欠点がある。

【００１１】次に、基本周波数の推定誤差Δωoと正規
化誤差Ｄkの関係について考察する。前記図１１では基
本周波数ωoが入力音声の基本周波数を正しく抽出した
ものとして検討したが、基本周波数ωoの推定に誤差が
あった場合には、正規化誤差Ｄkも変化する。図１２
は、８kHzで標本化した音声信号を、ハミング窓を介
し、２５６点のＦＦＴ（高速フーリエ変換）により周波
数スペクトル変換した場合の基本周波数（ピッチ周波
数）誤差に対する正規化スペクトル誤差Ｄkを計算した
結果を示す図である。（ここでは、基本周波数のずれに
対する評価値Ｄkへの影響を考察するためにＳs(ω)とＳ
o(ω)は同じハミング窓のスペクトル形状を持ち周波数
が基本周波数誤差Δωo＝２πΔｆoだけシフトしている
ものとした。）ここで、標本化周波数をｆs＝８kHz、音
声基本周波数をωo＝２πｆo、基本周波数ピッチをＰi
とすれば、これらの関係は、次の式（３）で表わされ
る。

【数３】例えば、ｆo＝２７５Hzの基本周波数を持つ標準的な女
性の場合、基本周波数ピッチはＰi＝２９になる。基本
周波数の推定でＰi＝２８と推定され、−１ピッチの誤
差があった場合、ｆo＝8000／(29-1)＝285.7(Hz)とな
り、基本周波数誤差Δｆo＝10.7Hzになり、図１２より
正規化スペクトル誤差Ｄk＝0.1になる。更に、Ｐi＝２
７の場合では−２ピッチの推定誤差があり、基本周波数
誤差は２１Hzになり、Ｄk＝0.3になり、正規化スペクト
ル誤差による有声／無声判定へ与える影響が大きい。有
声／無声情報は音声セグメント全体を特徴づけるパラメ
ータでもあり、このような有声／無声判定の誤りは、既
に述べた様に符号化音声の品質に与える影響が大きい。

【００１２】そこで本発明は、基本周波数の変化による
有声／無声判定への影響が少なく、基本周波数の推定誤
りにも影響されにくい有声／無声の判定を行うことがで
きる音声符号化パラメータの取得方法および装置を提供
することを目的としている。

【００１３】

【課題を解決するための手段】上記目的を達成するため
に、本発明の音声符号化パラメータの取得方法は、デジ
タル化され所定時間長のセグメントに分割された音声信
号から音声符号化パラメータを取得する音声符号化パラ
メータの取得方法であって、前記セグメントの周波数ス
ペクトルを取得するステップ、前記セグメントの周波数
スペクトル帯域を複数の周波数バンドに分割するステッ
プ、および、前記セグメントの周波数スペクトルパワ
ー、前記各周波数バンドの周波数スペクトルパワー、前
記各周波数バンドに含まれるハーモニクス数およびハー
モニクス振幅に基づいて、前記各周波数バンド毎の有声
強度を決定するステップを含むものである。

【００１４】また、前記ハーモニクス振幅は、前記周波
数スペクトルの対数変換値の極大値と、その両近傍の前
記周波数スペクトルの対数変換値の極小値との差に基づ
いて決定されるものである。さらに、前記ハーモニクス
数は、前記周波数スペクトルの対数変換値の極大値と、
その両近傍の前記周波数スペクトルの対数変換値の極小
値の差に基づいて決定されるハーモニクス振幅が所定の
閾値以上であるハーモニクスの数とされている。さらに
また、前記有声強度は、そのセグメントの周波数スペク
トルパワー、その周波数バンドの周波数スペクトルパワ
ー、その周波数バンドに含まれるハーモニクス数および
ハーモニク振幅のそれぞれに対して閾値判定することに
より得られる２値の情報とされている。さらにまた、前
記有声強度は、そのセグメントの周波数スペクトルパワ
ー、その周波数バンドの周波数スペクトルパワー、その
周波数バンドに含まれるハーモニクス数およびハーモニ
クス振幅のそれぞれに対して重み付け判定をした結果の
和に基づいて決定されるものである。

【００１５】さらにまた、本発明の音声符号化パラメー
タの取得装置は、デジタル化された音声信号を所定時間
長のセグメントに分割する手段、前記セグメントの周波
数スペクトルを取得する手段、前記セグメントの周波数
スペクトル帯域を複数の周波数バンドに分割する手段、
および、前記セグメントの周波数スペクトルパワー、前
記各周波数バンドの周波数スペクトルパワー、前記各周
波数バンドに含まれるハーモニクス数およびハーモニク
ス振幅に基づいて、前記各周波数バンドの有声強度を決
定する手段を有するものである。

【００１６】

【発明の実施の形態】本発明の音声符号化パラメータの
取得方法においては、従来のＩＭＢＥ方式のように合成
音声と入力音声の周波数スペクトル誤差を評価値とする
ことはせず、入力音声の周波数スペクトルのある周波数
バンドに含まれる音声のハーモニクス振幅を入力音声ス
ペクトル振幅から計測して、そのハーモニクス振幅を有
声強度あるいは有声／無声の判定の評価値としている。
また、その周波数バンドに含まれるハーモニクスの数を
計測し、そのハーモニクス数をもう一つの評価値とし
て、期待されるハーモニクス数にどれだけ近いかを判定
することにより、判定の確実性を向上させている。さら
に、入力音声のパワー（エネルギー）が小さい場合は無
声であるとの知見から、入力音声の周波数スペクトルパ
ワーさらには各周波数バンドの音声周波数スペクトルパ
ワーも評価値に加えるようにしている。

【００１７】このような手法を採用する理由について、
図２および図３を用いて説明する。図２はほとんど有声
音声で出来ている音声セグメントの周波数スペクトル振
幅値（対数値）の例である。横軸は２５６点の高速離散
フーリエ変換（ＦＦＴ）した場合の離散周波数である。
この図に示すように、スペクトル振幅にはある一定の間
隔で明瞭な高調波スペクトルが観測されており、その対
数振幅も広範囲の周波数にわたり安定な振幅を持ってい
る。この事から、ある周波数バンド内のハーモニクス振
幅とその数は、基本周波数ωoの推定誤差の影響を受け
ずに計測できる事が予想できる。また、図３は無声音声
が多い音声セグメントの周波数スペクトル振幅値の例で
ある。この場合は定められた周波数バンド内でのハーモ
ニクス振幅は小さく、また一定レベル以上のハーモニク
スの数も少なくなっている事が読みとれ、その値はωo
の推定誤差Δωoの影響をあまり受けない事も読み取れ
る。以上の考察により、有声／無声の判定に、周波数ス
ペクトル対数値から計測したハーモニクス振幅、ある閾
値以上の振幅を持った有効なハーモニクス数、さらには
入力音声のパワー、周波数バンドの音声パワーを判定評
価に使用するようにしている。

【００１８】本発明の音声符号化パラメータの取得方法
および装置は、例えば、音声符号化、特に低ビットレー
トの音声符号化での音声符号化パラメータを安定に推定
する方法及び装置に組み込み使用することができるが、
ここでは、前記図８に示した音声符号化伝送装置の音声
符号化パラメータ抽出部に本発明を適応した場合を例に
とって説明する。図１は本発明の音声符号化パラメータ
の取得方法が適用された音声符号化パラメータ抽出部の
ブロック構成図である。なお、本発明は、種々の音声符
号化方式に適用することが可能であるが、ここでは、Ｉ
ＭＢＥ方式を用いるものとして説明する。

【００１９】図１において、音声入力端子１０１から入
力された音声デジタル信号は、基本周波数推定部２０２
に入力され、ここで、例えば２０msecの時間間隔毎に一
定長の音声セグメント（フレーム）を取り出し、そのセ
グメント内での音声基本周波数ωoを推定する。基本周
波数の推定方法には、自己相関を用いる方法や、ケプス
トラムを用いる方法がある事は前述の通りである。周波
数スペクトル計算部２０３では、該音声セグメントをハ
ミング窓等の窓関数で窓処理してから高速フーリエ変換
（ＦＦＴ）により離散的な周波数スペクトル値Ａ[m]を
計算する。デジタル音声入力信号のサンプル周波数をｆ
sとし、２５６点のＦＦＴを行った場合、計算される周
波数スペクトルは次の式（４）で表される周波数間隔ｆ
d毎に計算される。

【数４】

【００２０】基本周波数修正部２０４ではスペクトル振
幅|Ａ[m]|と音声基本周波数ωoを用いて、音声基本周波
数ωoの近傍で前記図１１の（Ａ）で示したように高調
波スペクトルの重み付け合成スペクトルが最もスペクト
ル振幅|Ａ[m]|に近くなるような周波数を二乗誤差最小
法で探索して、修正された基本周波数ωoを出力する。
有声強度計算部２０５は、本発明の特徴である有声強度
の取得処理を実行する部分であり、フレームエネルギー
計算部３０１、バンドエネルギー計算部３０２、対数変
換部３０３、バンドハーモニクス振幅計算部３０４、バ
ンドハーモニクス数計算部３０５、有声強度判定部３０
６により構成される。

【００２１】フレームエネルギー計算部３０１は、周波
数スペクトルＡ[m]の二乗総和をとったフレームの平均
エネルギー（「フレームエネルギー」あるいは「フレー
ムパワー」と呼ぶ）Ｅfを計算する。ＦＦＴサンプル数
が２５６点の場合、Ｅfは、

【数５】となる。バンドエネルギー計算部３０２は、各周波数バ
ンド毎の平均エネルギー（「バンドエネルギー」あるい
は「バンドパワー」と呼ぶ）Ｅb[k]（k=1,...,K）を計
算するものであり、バンドエネルギーＥb[k]は、第ｋバ
ンドのスペクトル区間を[ａk,ｂk]とすると、次の式
（６）で表わされる。

【数６】ここで、バンドの周波数範囲を基本周波数ωoの３倍に
設定する場合には、ａk，ｂkは、

【数７】になる。ただし、floor(x)はｘを越えない最大の整数を
示す。対数変換部３０３は、前記周波数スペクトル計算
部２０３で計算された周波数スペクトル値|Ａ[m]|の対
数値を計算して、前記図２、図３に示したような対数ス
ペクトル振幅列ＬＡ[m]を計算する。

【数８】

【００２２】バンドハーモニクス振幅計算部３０４は、
各周波数バンド内のハーモニクス振幅ＡhまたはＢhを計
算する。図４を用いて、ハーモニクス振幅の評価方法に
ついて説明する。ハーモニクス振幅はスペクトル振幅|
Ａ[m]|のデータ列の極大値とその最近傍の極小値の差で
あるが、ハーモニクス振幅が線形で表されている場合に
はその振幅はスペクトル強度に比例して増減する。そこ
で、図４に示す様に、スペクトル振幅の極大値Ｈ0とそ
の前後の極小値Ｈ1、Ｈ2との差を極大値Ｈ0で正規化し
た値Ａh1、Ａh2をハーモニクス振幅の評価値とすれば、
スペクトル強度に関係しないハーモニクス強度が評価で
きる。ここで、Ａh1とＡh2の小さい方をハーモニクス振
幅評価値Ａhとすると、

【数９】となる。または、スペクトル極大値とスペクトル極小値
の比でハーモニクス強度を表したハーモニクス評価値Ｂ
hで評価しても良い。すなわち、

【数１０】このＢh1やＢh2はハーモニクスのピークからの減衰量を
デシベル単位で表したもので、前記図２に示した音声の
スペクトル振幅測定結果からも、スペクトル周波数やス
ペクトル振幅の影響が少ない妥当なハーモニクス強度の
評価単位である事がわかる。

【００２３】バンドハーモニクス数計算部３０５は、前
記対数変換部３０３の出力を受けて、前記式（７）で示
した周波数バンドの周波数スペクトル範囲に含まれるハ
ーモニクスの数Ｈnを計算する。ハーモニクス数の計算
は、ＦＦＴで得られる離散的周波数ａkからｂkまで周波
数スペクトル振幅20log₁₀|Ａ[m]|とその前後のスペクト
ル振幅20log₁₀|Ａ[m-1]|、20log₁₀|Ａ[m+1]|を比較し、
いずれの値よりも多きければｍ番目のスペクトルはスペ
クトルの極大点でハーモニクスの中心周波数に最も近い
スペクトルであると判断する。すなわち、

【数１１】

【００２４】ここで、計算されたスペクトル対数値をそ
のまま用いて上記方法により極大値の数を数えると、ス
ペクトル雑音の影響を受けて雑音によるスペクトル極大
値を数えてしまう弊害があるため、予めスペクトル雑音
除去を行い雑音による誤計数を防止するようにしてい
る。このスペクトル雑音除去の方法について図５を参照
して説明する。図５の（Ａ）と（C）はスペクトル雑音
のある場合を示しており、ｍ＋１とｍ＋２のスペクトル
振幅が逆転している。連続した４本のスペクトルの組に
対してスペクトル振幅の差分の符号が−＋−または＋−
＋の場合には極大値があり、その極大値はそれぞれｍ＋
２番目かｍ＋１番目に現れて、その極大値の振幅はｍ＋
１番目とｍ＋２番目の振幅の差になることがわかる。そ
こで、ｍ＋１番目とｍ＋２番目のスペクトルの差が雑音
レベルを考慮したある閾値より小さければ、ｍ＋１番目
とｍ＋２番目のスペクトル振幅を両者の平均値に置きか
える事により、図５の（Ｂ）と（Ｃ）に示す様にスペク
トル雑音を除去する事が出来る。

【００２５】有声強度判定部３０６は、前記フレームエ
ネルギー計算部３０１、バンドエネルギー計算部３０
２、対数変換部３０３、バンドハーモニクス振幅計算部
３０４およびバンドハーモニクス数計算部３０５で算出
された、フレームエネルギーＥf、バンドエネルギーＥb
[k]、ハーモニクス振幅Ｈp[ｎ]、ハーモニクス数Ｈnの
各パラメータを用いて、バンド毎の有声強度Ｖ[k]を計
算し出力する。ここで、Ｈp[n]はハーモニクスの振幅
（ＡhあるいはＢh）の上位ｎ個までの振幅を表してい
る。この有声強度Ｖ[k]は、入力パラメータを閾値判定
して得られる２値の有声／無声の判定結果でも良いし、
入力パラメータの判定値の重み付き加算による多値レベ
ルを持った判定結果でも良い。あるいは、入力パラメー
タの判定値の重み付き加算結果を閾値判定して得られる
２値の判定結果であっても良い。有声強度Ｖ[k]として
２値の判定結果を用いる場合は、各バンド毎に有声か無
声かを切り替えて音声合成を行うこととなる。多値の判
定結果（例えば、0.0〜1.0の範囲の値をとる）の場合に
は、個々のバンド毎に合成した有声と無声の合成音声を
重みつき加算合成して最終合成音声を生成すればよい。

【００２６】図６、図７は、図１における前記有声強度
計算部２０５の処理内容を示す処理フロー図である。有
声強度計算が開始されると、ステップ１１０１で基本周
波数ωoと周波数スペクトル振幅|Ａ[m]|を受け取り、１
１０２でそれらをデータ領域に設定する。ここで基本周
波数ωoを使用しているが、これはバンド数やバンドの
周波数範囲を決定するのに使用するものであり、有声強
度の判定に直接使用するものではない。ステップ１１０
３ではバンド数Ｋを決めるが、各バンドにｎ本のハーモ
ニクスを含む様に設計した場合には、バンド数Ｋは、

【数１２】で計算される。ここで、ceil(x)はｘ以上で最小の整数
を示す。例えば、ｎ＝３程度に設計してバンド数Ｋを計
算する。ｎとωoが決まれば、前記式（１）により各バ
ンド番号ｋ＝1,2,...,Kに対して各バンドの中に入るＦ
ＦＴスペクトルの周波数領域ａk,ｂkを計算する。

【００２７】ステップ１１０４では、フレームパワーＥ
f、および、バンドパワーＥb[k]（k=1,2,...,K）を、前
記式（５）、式（６）より計算する。

【数１３】

【数１４】次に、ステップ１１０５でスペクトル振幅|Ａ[m]|の対
数を取りデシベルに変換した対数振幅ＬＡ[m]を計算す
る。

【数１５】次に、１１０６でスペクトル雑音除去を行う。このスペ
クトル雑音除去の処理フロー（ステップ１１２１〜１１
２８）については後述する。

【００２８】次に、有声強度Ｖ[k]の判定を行う。ま
ず、ステップ１１０７でフレーム全体のパワー（フレー
ムパワー）Ｅfが所定の閾値Th0より小さいフレームは音
声パワーが少なく雑音領域と考えられる場所であるの
で、ステップ１１１６ですべてのバンドを無声と設定し
てバンドループに入らずに終了する。一方、フレームパ
ワーＥfが閾値Th0より大きいフレームに対しては、ステ
ップ１１０８〜１１１５のバンドループに入る。このバ
ンドループでは、まずステップ１１０９でその周波数バ
ンドのパワーＥb[k]を評価し、所定の閾値Th1以下の場
合はそのバンドにはエネルギーが少ないと判断して、無
声Ｖ[k]＝０と設定する（ステップ１１１４）。閾値Th1
より大きい場合は、ステップ１１１０でバンドのハーモ
ニクス振幅Ｈp[ｎ]とハーモニクス数Ｈnを計算する。こ
のステップ１１１０のハーモニクス振幅とハーモニクス
数の計算の処理フロー（ステップ１１３０〜１１４９）
については、後述する。

【００２９】次に、ステップ１１１１でハーモニクス数
Ｈnを評価し、設計したバンド内ハーモニクス数ｎとの
差がある範囲外（閾値Th20以下、閾値Th21以上）であれ
ば無声Ｖ[k]＝０と判定する（ステップ１１１４）。例
えば、バンドあたりのハーモニクス数ｎを３本と設定し
た場合は２以下、４以上は無声音と判定する。次に、ス
テップ１１１２でハーモニクス振幅Ｈp[ｎ]を評価し、
所定の閾値Th3より小さい場合はハーモニクス振幅があ
まりない無声音と判定する（ステップ１１１４）。以上
で無声音と判定されなかったバンドは、ステップ１１１
３で有声バンド（Ｖ[k]＝１）と設定する。以上の動作
を各バンド毎に最大Ｋバンドまで計算し各有声強度Ｖ
[k]に設定し終えると、ステップ１１１７でこの有声強
度計算部２０５の処理を終える。

【００３０】このようにして、フレームパワーＥfにつ
いて閾値判定し（１１０７）、各バンドについて、その
バンドパワーＥb[k]について閾値判定し（１１１４）、
ハーモニクス数Ｈnについて閾値判定し（１１１１）、
さらに、ハーモニクス振幅Ｈp[n]について閾値判定（１
１１２）して、これらの判定結果から２値（０あるいは
１）の有声強度Ｖ[k]を決定することができる。なお、
有声強度Ｖ[k]は、このような２値の情報に限られるこ
とはなく、前記各閾値判定の結果に対してそれぞれ所定
の重みを付け、これらを加算することにより、多値（例
えば、0.0〜1.0の範囲）の有声強度を算出するようにし
てもよい。あるいは、重み付け加算の結果を所定の閾値
を用いて判定し、２値の値とすることもできる。

【００３１】次に、前記ステップ１１０６のスペクトル
雑音除去のサブルーチン１１２１〜１１２８の処理内容
について説明する。前記ステップ１１２１で受け取った
スペクトル振幅の対数値ＬＡ[*]に対して、ステップ１
１２２〜１１２７のノイズ除去ループに入る。このノイ
ズ除去ループでは、連続した４点の周波数スペクトル振
幅の中に小さな極大点があるかどうかをチェックしてい
る。もし小さな極大点があれば、その極大点に最も振幅
値が近いスペクトル振幅との平均を取り、両者のスペク
トル振幅をその平均値で置き換え、小さなスペクトル極
大点を無くす処理を行う。

【００３２】まず、ステップ１１２３で、連続した４点
の差分ｄ１、ｄ２、ｄ３を計算し、その符号ｓ１、ｓ
２、ｓ３を計算する。次に、ステップ１１２４でｓ１と
ｓ３が同じ符号でｓ２と異なるかを判定する。その結果
が真である場合は極大点が真中の２点のいずれかであ
る。前記図５に示した様に、極大点の振幅はｓ１とｓ２
が両方正、両方負の場合いずれでも同じｄ２の絶対値で
表され、ステップ１１２５により|ｄ２|が所定の閾値Th
4より小さな場合には、ステップ１１２６でＬＡ[m+1]と
ＬＡ[m+2]をそれらの平均値で置きかえる事で小さな極
大値の平滑除去を行う。以上の平滑化処理を最後の４点
のスペクトルが取れるまでバンド内で繰り返し、スペク
トル雑音による極大点の除去を行っている。なお、前記
図５から、極大点を除去すれば、その直前または直後の
極小点も同時に取れる事がわかる。

【００３３】次に、前記ステップ１１１０のハーモニク
ス数Ｈnとハーモニクス振幅Ｈp[n]の計算サブルーチン
１１３０〜１１４９の処理内容を図７を用いて説明す
る。まず、ステップ１１３１で対数スペクトル振幅ＬＡ
[m]、基本周波数ωo、バンド番号ｋ（k=1,2,...,K）、
バンドスペクトル範囲[ａk,ｂk]を入力として処理を開
始する。ステップ１１３２で、極大値の数を計数する極
大値数カウンタＮpk、極小値の数を計数する極小値数カ
ウンタＮbtm、極大値の振幅を格納する極大値メモリＡp
k[*]、極小値の振幅を格納する極小値メモリＡbtm[*]、
ハーモニクスの振幅を格納するハーモニクス振幅メモリ
Ｈp[*]、ハーモニクスの数を計数するハーモニクス数カ
ウンタＨnをそれぞれ０に初期化する。

【００３４】次に、ステップ１１３３でピーク・ボトム
計算ループ（ステップ１１３３〜１１４８）に入り、ス
テップ１１３４で対数スペクトル振幅ＬＡ[m]がＬＡ[m-
1]、ＬＡ[m+1]より大きい場合は、ＬＡ[m]が極大値と判
定しステップ１１３５へ移動する。ステップ１１３５
で、発見された極大値がバンド内で始めて発見された場
合であるかを検出し、始めて検出された場合には、ステ
ップ１１３６で極大値数カウンタＮpk及び極小値数カウ
ンタＮbtmに１を設定し、その極大値ＬＡ[m]を極大値メ
モリＡpk[１]に、初期値ＬＡ[ak]を極小値メモリＡbtm
[１]に記録する。始めて検出されたものでないときは、
ステップ１１３７で極大値数カウンタＮpkをインクリメ
ントし、極大値ＬＡ[m]を極大値メモリＡpk[Npk]に記録
する。

【００３５】一方、前記ステップ１１３４のピーク検出
でピークでないと判定された場合には、引き続いてステ
ップ１１３８で極小値であるかの判定を行う。この判定
は、前記ステップ１１３４の極大値判定と同様な手法で
行い、この結果極小値と判定された場合には、ステップ
１１３９で極小値数カウンタＮbtmをインクリメント
し、極小値ＬＡ[m]を極小値メモリＡtbm[Nbtm]に記録す
る。極大値、極小値判定ともＮｏと判定された場合は、
ステップ１１４１でボトム／ピーク検出ループの最後で
あるかを判定し、最後のループの場合はステップ１１４
２に進み、極大値数カウンタ値Ｎpkと極小値数カウンタ
値Ｎbtmが同じであるか否かを判定する。同じである場
合には、ステップ１１４０で極小値数カウンタＮbtmを
インクリメントし、極小値メモリＡbtm[Ｎbtm]にＬＡ
[ｂk]を記録する。この手順ですべての極大値が検出さ
れ、その前後の極小値も記録される。

【００３６】次に、ステップ１１４３で、極小値が検出
された時点でその前に極大値があるかを判定し、もしあ
れば、その極大値を新たなハーモニクスとしてステップ
１１４４でその振幅Ｈaを計算する。ステップ１１４４
では、その極大値と前後の極小値との振幅差の平均値を
ハーモニクス振幅Ｈaとしている。しかし、ハーモニク
ス振幅形状の対称性を重要と考えて判定する場合には、
前記式（１０）で示した様に、最小値でＨaを計算して
も良い。次に、ステップ１１４５で、Ｈaを所定の閾値T
h5と比較し、閾値より大きい場合だけ、ハーモニクス数
Ｈnを更新し（ステップ１１４６）、上位ｎ個のハーモ
ニクス振幅をＨp[ｎ]に記録する（ステップ１１４
７）。ステップ１１４７のmaxＮ(Ｈp[ｎ],Ｈa)は、Ｈa
がＨp[ｎ]の配列要素の最小値より大きい場合にその配
列要素の最小値と置きかえる関数を示している。すべて
のピーク／ボトム計算ループを終えると、ステップ１１
４９で、バンド内でのハーモニクスの数Ｈnと上位ｎ個
のハーモニクス振幅Ｈp[n]を戻している。以上、有声強
度計算部２０５の処理内容を詳細なフロー図で説明し
た。

【００３７】なお、以上においては、音声符号化方式と
してＩＭＢＥ方式を採用した音声符号化伝送装置の音声
符号化パラメータ抽出部に本発明の音声符号化パラメー
タの取得方法を適用した場合を例にとって説明したが、
本発明の音声符号化パラメータ抽出方法および装置は、
これに限られることはなく、ＭＥＬＰ（Mixed Excitati
on Linear Prediction）方式など、１フレームの周波数
スペクトルを複数の周波数バンドに分割し、各周波数バ
ンド毎に有声／無声を判定する場合に全く同様に適用す
ることができる。

【００３８】

【発明の効果】以上述べた様に、本発明の音声符号化パ
ラメータの取得方法および装置によれば、入力音声の周
波数スペクトルから求めたハーモニクス振幅とハーモニ
クス数、さらに、音声セグメントのパワー、音声セグメ
ントを複数の周波数バンドに分割した各周波数バンドの
パワーを用いて、有声強度あるいは有声／無声情報を取
得しているため、基本周波数の推定誤りの影響が少な
く、また、ハーモニクスの谷の部分の周波数スペクトル
雑音の影響が少ない有声強度判定を行うことが可能とな
る。したがって、スペクトル雑音に対し、誤り耐性の強
い音声符号化パラメータの取得方法を提供することがで
きる。

【図面の簡単な説明】

【図１】本発明による音声符号化パラメータの取得方
法が適用された音声符号化パラメータ抽出部の機能ブロ
ック図である。

【図２】有声音声セグメントの対数スペクトル振幅を
示す図である。

【図３】無声音声セグメントの対数スペクトル振幅を
示す図である。

【図４】ハーモニクス振幅を説明するための図であ
る。

【図５】スペクトル雑音の除去方法を説明するための
図である。

【図６】有声強度計算部の処理フローを示す図であ
る。

【図７】有声強度計算部の処理フローを示す図であ
る。

【図８】音声符号伝送装置の構成を示す図である。

【図９】従来の音声符号化パラメータ抽出部の構成を
示すブロック図である。

【図１０】音声合成部の構成を示すブロック図であ
る。

【図１１】スペクトル誤差評価を説明するための図で
ある。

【図１２】スペクトル誤差とピッチ周波数誤差の関係
を説明するための図である。

【符号の説明】

２０５有声強度計算部３０１フレームエネルギー計算部３０２バンドエネルギー計算部３０３対数変換部３０４バンドハーモニクス振幅計算部３０５バンドハーモニクス数計算部３０６有声強度判定部

Claims

【特許請求の範囲】

【請求項１】デジタル化され所定時間長のセグメント
に分割された音声信号から音声符号化パラメータを取得
する音声符号化パラメータの取得方法であって、前記セグメントの周波数スペクトルを取得するステッ
プ、前記セグメントの周波数スペクトル帯域を複数の周波数
バンドに分割するステップ、および、前記セグメントの周波数スペクトルパワー、前記各周波
数バンドの周波数スペクトルパワー、前記各周波数バン
ドに含まれるハーモニクス数およびハーモニクス振幅に
基づいて、前記各周波数バンド毎の有声強度を決定する
ステップを含むことを特徴とする音声符号化パラメータ
の取得方法。
【請求項２】前記ハーモニクス振幅は、前記周波数ス
ペクトルの対数変換値の極大値と、その両近傍の前記周
波数スペクトルの対数変換値の極小値との差に基づいて
決定されることを特徴とする前記請求項１記載の音声符
号化パラメータの取得方法。
【請求項３】前記ハーモニクス数は、前記周波数スペ
クトルの対数変換値の極大値と、その両近傍の前記周波
数スペクトルの対数変換値の極小値の差に基づいて決定
されるハーモニクス振幅が所定の閾値以上であるハーモ
ニクスの数であることを特徴とする前記請求項１記載の
音声符号化パラメータの取得方法。
【請求項４】前記有声強度は、そのセグメントの周波
数スペクトルパワー、その周波数バンドの周波数スペク
トルパワー、その周波数バンドに含まれるハーモニクス
数およびハーモニク振幅のそれぞれに対して閾値判定す
ることにより得られる２値の情報であることを特徴とす
る前記請求項１記載の音声符号化パラメータの取得方
法。
【請求項５】前記有声強度は、そのセグメントの周波
数スペクトルパワー、その周波数バンドの周波数スペク
トルパワー、その周波数バンドに含まれるハーモニクス
数およびハーモニクス振幅のそれぞれに対して重み付け
判定をした結果の和に基づいて決定されることを特徴と
する前記請求項１記載の音声符号化パラメータの取得方
法。
【請求項６】デジタル化された音声信号を所定時間長
のセグメントに分割する手段、前記セグメントの周波数スペクトルを取得する手段、前記セグメントの周波数スペクトル帯域を複数の周波数
バンドに分割する手段、および、前記セグメントの周波数スペクトルパワー、前記各周波
数バンドの周波数スペクトルパワー、前記各周波数バン
ドに含まれるハーモニクス数およびハーモニクス振幅に
基づいて、前記各周波数バンドの有声強度を決定する手
段を有することを特徴とする音声符号化パラメータの取
得装置。