JP2002516420A - 音声コーダ - Google Patents
音声コーダInfo
- Publication number
- JP2002516420A JP2002516420A JP2000550096A JP2000550096A JP2002516420A JP 2002516420 A JP2002516420 A JP 2002516420A JP 2000550096 A JP2000550096 A JP 2000550096A JP 2000550096 A JP2000550096 A JP 2000550096A JP 2002516420 A JP2002516420 A JP 2002516420A
- Authority
- JP
- Japan
- Prior art keywords
- pitch
- frame
- voiced
- value
- amplitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000003595 spectral effect Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 18
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 18
- 238000013139 quantization Methods 0.000 claims description 89
- 238000001228 spectrum Methods 0.000 claims description 83
- 239000013598 vector Substances 0.000 claims description 40
- 230000005236 sound signal Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 101100455532 Arabidopsis thaliana LSF2 gene Proteins 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000001755 vocal effect Effects 0.000 claims description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 claims 2
- 238000011156 evaluation Methods 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 claims 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 31
- 101100170937 Mus musculus Dnmt1 gene Proteins 0.000 description 21
- 101100261242 Mus musculus Trdmt1 gene Proteins 0.000 description 16
- 230000000694 effects Effects 0.000 description 16
- 238000003775 Density Functional Theory Methods 0.000 description 11
- 101100008044 Caenorhabditis elegans cut-1 gene Proteins 0.000 description 4
- 238000005314 correlation function Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 101100219325 Phaseolus vulgaris BA13 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000030279 gene silencing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/16—Vocoder architecture
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/93—Discriminating between voiced and unvoiced parts of speech signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/90—Pitch determination of speech signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/08—Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters
- G10L19/10—Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters the excitation function being a multipulse excitation
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Transmission Systems Not Characterized By The Medium Used For Transmission (AREA)
Abstract
(57)【要約】
音声コーダは、解析および合成手法を使用する符号器（図２から図６）を含む。この符号器は、周波数領域と時間領域との両方における解析を必要とするピッチ決定アルゴリズムと、有声音発声決定アルゴリズムと、スペクトル振幅を決定するためのアルゴリズムと、決定された値を量子化するための手段とを使用する。復号器もまた記述される。
Description
【０００１】 本発明は、音声コーダに関する。 本発明は、特に、専用にではないが、電気通信システムで使用される。 本発明の一態様では、予め決められた数のディジタルサンプルから各々が成る
複数フレームに分割されている入力音声信号を符号化するための符号器を含む音
声コーダであって、該符号器が、サンプルを解析して各フレームに関する少なく
とも１つの線形予測係数セットを生成するための線形予測符号化（ＬＰＣ）手段
と、各フレームに関する少なくとも１つのピッチ値を決定するためのピッチ決定
手段であって、周波数領域手法（周波数領域解析）を使用してサンプルを解析す
るための第１の推定手段と、時間領域手法（時間領域解析）を使用してサンプル
を解析するための第２の推定手段と、前記ピッチ値を得るために前記周波数領域
解析と前記時間領域解析との結果を使用するためのピッチ評価手段とを含むピッ
チ決定手段と、各フレーム内の有声信号と無声信号との尺度を決めるための有声
音発声手段と、各フレームに関する振幅情報を生成するための振幅決定手段と、
各フレームに関して量子化インデックスセットを生成するために、前記線形予測
係数セットと、前記ピッチ値と、前記有声信号および無声信号の尺度と、前記振
幅情報とを量子化するための量子化手段とを備え、前記第１の推定手段が、幾つ
かの候補ピッチ値の各々に関して第１のピッチ尺度を生成し、前記第２の推定手
段が、前記候補ピッチ値の各々に関してそれぞれの第２のピッチ尺度を生成し、
前記評価手段が、前記第１の尺度の少なくとも幾つかを、各々に対応する前記第
２の尺度と結合し、その結果得られる組み合わせを参照して前記候補ピッチ値の
１つを選択する音声コーダが提供される。
複数フレームに分割されている入力音声信号を符号化するための符号器を含む音
声コーダであって、該符号器が、サンプルを解析して各フレームに関する少なく
とも１つの線形予測係数セットを生成するための線形予測符号化（ＬＰＣ）手段
と、各フレームに関する少なくとも１つのピッチ値を決定するためのピッチ決定
手段であって、周波数領域手法（周波数領域解析）を使用してサンプルを解析す
るための第１の推定手段と、時間領域手法（時間領域解析）を使用してサンプル
を解析するための第２の推定手段と、前記ピッチ値を得るために前記周波数領域
解析と前記時間領域解析との結果を使用するためのピッチ評価手段とを含むピッ
チ決定手段と、各フレーム内の有声信号と無声信号との尺度を決めるための有声
音発声手段と、各フレームに関する振幅情報を生成するための振幅決定手段と、
各フレームに関して量子化インデックスセットを生成するために、前記線形予測
係数セットと、前記ピッチ値と、前記有声信号および無声信号の尺度と、前記振
幅情報とを量子化するための量子化手段とを備え、前記第１の推定手段が、幾つ
かの候補ピッチ値の各々に関して第１のピッチ尺度を生成し、前記第２の推定手
段が、前記候補ピッチ値の各々に関してそれぞれの第２のピッチ尺度を生成し、
前記評価手段が、前記第１の尺度の少なくとも幾つかを、各々に対応する前記第
２の尺度と結合し、その結果得られる組み合わせを参照して前記候補ピッチ値の
１つを選択する音声コーダが提供される。
【０００２】 本発明の別の態様では、入力音声信号を符号化するための符号器を含む音声コ
ーダが提供され、前記符号器が、ディジタルサンプルを生成するために前記入力
音声信号をサンプリングするための、および、予め決められた数のサンプルから
各々が成る複数フレームに前記サンプルを分割するための手段と、サンプルを解
析するための、および、各フレームに関して少なくとも１つの線形予測係数セッ
トを生成するための線形予測符号化（ＬＰＣ）手段と、各フレームに関して少な
くとも１つのピッチ値を決定するためのピッチ決定手段と、各フレーム内の有声
信号と無声信号との尺度を決めるための有声音発声手段と、各フレームに関する
振幅情報を生成するための振幅決定手段と、各フレームに関して量子化インデッ
クスセットを生成するために、前記線形予測係数セットと、前記ピッチ値と、前
記有声信号および無声信号の尺度と、前記振幅情報とを量子化するための量子化
手段とを備え、前記ピッチ決定手段が、ピッチ値の推定値を求めるためのピッチ
推定手段と、前記推定値からピッチ値を得るためのピッチリファインメント（ｐ
ｉｔｃｈ ｒｅｆｉｎｅｍｅｎｔ）手段とを含み、前記ピッチリファインメント
手段が、前記ピッチ推定手段によって決定された前記ピッチ値の推定値を中心に
分布した端数値（ｆｒａｃｔｉｏｎａｌ ｖａｌｕｅ）を含む候補ピッチ値セッ
トを規定し、前記フレームの周波数スペクトル内のピークを識別し、前記候補ピ
ッチ値の各々に関して、前記フレームの周波数スペクトルの様々な高調波周波数
（ｋω0 ）における振幅と前記ピークの相関をとり、ここでω0 ＝２Π／Ｐであ
り、Ｐが前記候補ピッチ値であり、かつ、ｋが整数であるが、かつ、最大の相関
を与える候補ピッチ値を前記ピッチ値として選択する。
ーダが提供され、前記符号器が、ディジタルサンプルを生成するために前記入力
音声信号をサンプリングするための、および、予め決められた数のサンプルから
各々が成る複数フレームに前記サンプルを分割するための手段と、サンプルを解
析するための、および、各フレームに関して少なくとも１つの線形予測係数セッ
トを生成するための線形予測符号化（ＬＰＣ）手段と、各フレームに関して少な
くとも１つのピッチ値を決定するためのピッチ決定手段と、各フレーム内の有声
信号と無声信号との尺度を決めるための有声音発声手段と、各フレームに関する
振幅情報を生成するための振幅決定手段と、各フレームに関して量子化インデッ
クスセットを生成するために、前記線形予測係数セットと、前記ピッチ値と、前
記有声信号および無声信号の尺度と、前記振幅情報とを量子化するための量子化
手段とを備え、前記ピッチ決定手段が、ピッチ値の推定値を求めるためのピッチ
推定手段と、前記推定値からピッチ値を得るためのピッチリファインメント（ｐ
ｉｔｃｈ ｒｅｆｉｎｅｍｅｎｔ）手段とを含み、前記ピッチリファインメント
手段が、前記ピッチ推定手段によって決定された前記ピッチ値の推定値を中心に
分布した端数値（ｆｒａｃｔｉｏｎａｌ ｖａｌｕｅ）を含む候補ピッチ値セッ
トを規定し、前記フレームの周波数スペクトル内のピークを識別し、前記候補ピ
ッチ値の各々に関して、前記フレームの周波数スペクトルの様々な高調波周波数
（ｋω0 ）における振幅と前記ピークの相関をとり、ここでω0 ＝２Π／Ｐであ
り、Ｐが前記候補ピッチ値であり、かつ、ｋが整数であるが、かつ、最大の相関
を与える候補ピッチ値を前記ピッチ値として選択する。
【０００３】 本発明のさらに別の態様では、入力音声信号を符号化するための符号器を含む
音声コーダが提供され、前記符号器が、ディジタルサンプルを生成するために前
記入力音声信号をサンプリングするための、および、予め決められた数のサンプ
ルから各々が成る複数フレームに前記サンプルを分割するための手段と、サンプ
ルを解析するための、および、各フレームに関して少なくとも１つの線形予測係
数セットを生成するための線形予測符号化（ＬＰＣ）手段と、各フレームに関し
て少なくとも１つのピッチ値を決定するためのピッチ決定手段と、個々の高調波
周波数帯域の有声／無声状態を評価することなしに有声部分と無声部分とに前記
フレームからの周波数スペクトルを分離するために有声音発声カットオフ周波数
を各フレーム毎に決定するための有声音発声手段と、各フレームに関する振幅情
報を生成するための振幅決定手段と、各フレームに関して量子化インデックスセ
ットを生成するために、前記係数セットと、前記ピッチ値と、前記有声音発声カ
ットオフ周波数と、前記振幅情報とを量子化するための量子化手段とを備える。
音声コーダが提供され、前記符号器が、ディジタルサンプルを生成するために前
記入力音声信号をサンプリングするための、および、予め決められた数のサンプ
ルから各々が成る複数フレームに前記サンプルを分割するための手段と、サンプ
ルを解析するための、および、各フレームに関して少なくとも１つの線形予測係
数セットを生成するための線形予測符号化（ＬＰＣ）手段と、各フレームに関し
て少なくとも１つのピッチ値を決定するためのピッチ決定手段と、個々の高調波
周波数帯域の有声／無声状態を評価することなしに有声部分と無声部分とに前記
フレームからの周波数スペクトルを分離するために有声音発声カットオフ周波数
を各フレーム毎に決定するための有声音発声手段と、各フレームに関する振幅情
報を生成するための振幅決定手段と、各フレームに関して量子化インデックスセ
ットを生成するために、前記係数セットと、前記ピッチ値と、前記有声音発声カ
ットオフ周波数と、前記振幅情報とを量子化するための量子化手段とを備える。
【０００４】 本発明のさらに別の態様では、入力音声信号を符号化するための符号器を含む
音声コーダが提供され、前記符号器が、ディジタルサンプルを生成するために前
記入力音声信号をサンプリングするための、および、予め決められた数のサンプ
ルから各々が成る複数フレームに前記サンプルを分割するための手段と、サンプ
ルを解析するための、および、各フレームに関して少なくとも１つの線形予測係
数セットを生成するための線形予測符号化（ＬＰＣ）手段と、各フレームに関し
て少なくとも１つのピッチ値を決定するためのピッチ決定手段と、各フレーム内
の有声信号と無声信号との尺度を規定するための有声音発声手段と、各フレーム
に関する振幅情報を生成するための振幅決定手段と、各フレームに関して量子化
インデックスセットを生成するために、前記予測係数セットと、前記ピッチ値と
、前記有声信号および無声信号の尺度と、前記振幅情報とを量子化するための量
子化手段とを備え、前記振幅決定手段が、前記ピッチ決定手段によって決定され
たピッチ値に高調波として関係付けられている周波数を中心とした周波数帯域に
関するスペクトル振幅セットを各フレーム毎に生成し、前記量子化手段が、振幅
量子化インデックスの第１の部分を生成するために、正規化されたスペクトル振
幅を量子化する。
音声コーダが提供され、前記符号器が、ディジタルサンプルを生成するために前
記入力音声信号をサンプリングするための、および、予め決められた数のサンプ
ルから各々が成る複数フレームに前記サンプルを分割するための手段と、サンプ
ルを解析するための、および、各フレームに関して少なくとも１つの線形予測係
数セットを生成するための線形予測符号化（ＬＰＣ）手段と、各フレームに関し
て少なくとも１つのピッチ値を決定するためのピッチ決定手段と、各フレーム内
の有声信号と無声信号との尺度を規定するための有声音発声手段と、各フレーム
に関する振幅情報を生成するための振幅決定手段と、各フレームに関して量子化
インデックスセットを生成するために、前記予測係数セットと、前記ピッチ値と
、前記有声信号および無声信号の尺度と、前記振幅情報とを量子化するための量
子化手段とを備え、前記振幅決定手段が、前記ピッチ決定手段によって決定され
たピッチ値に高調波として関係付けられている周波数を中心とした周波数帯域に
関するスペクトル振幅セットを各フレーム毎に生成し、前記量子化手段が、振幅
量子化インデックスの第１の部分を生成するために、正規化されたスペクトル振
幅を量子化する。
【０００５】 本発明のさらに別の態様では、入力音声信号を符号化するための符号器を含む
音声コーダが提供され、前記符号器が、ディジタルサンプルを生成するために前
記入力音声信号をサンプリングするための、および、予め決められた数のサンプ
ルから各々が成る複数フレームの形に前記サンプルを分割するための手段と、各
フレームの前端部分と後端部分の各々に関するそれぞれの線スペクトル周波数（
ＬＳＦ）セットを生成するようにサンプルを解析するための線形予測符号化（Ｌ
ＰＣ）手段と、各フレームに関して少なくとも１つのピッチ値を決定するための
ピッチ決定手段と、各フレーム内の有声信号と無声信号との尺度を規定するため
の有声音発声手段と、各フレームに関する振幅情報を生成するための振幅決定手
段と、量子化インデックスセットを生成するために、前記ＬＳＦ係数セットと、
前記ピッチ値と、前記有声信号および無声信号の尺度と、前記振幅情報とを量子
化するための量子化手段とを備え、前記量子化手段が、 次式
音声コーダが提供され、前記符号器が、ディジタルサンプルを生成するために前
記入力音声信号をサンプリングするための、および、予め決められた数のサンプ
ルから各々が成る複数フレームの形に前記サンプルを分割するための手段と、各
フレームの前端部分と後端部分の各々に関するそれぞれの線スペクトル周波数（
ＬＳＦ）セットを生成するようにサンプルを解析するための線形予測符号化（Ｌ
ＰＣ）手段と、各フレームに関して少なくとも１つのピッチ値を決定するための
ピッチ決定手段と、各フレーム内の有声信号と無声信号との尺度を規定するため
の有声音発声手段と、各フレームに関する振幅情報を生成するための振幅決定手
段と、量子化インデックスセットを生成するために、前記ＬＳＦ係数セットと、
前記ピッチ値と、前記有声信号および無声信号の尺度と、前記振幅情報とを量子
化するための量子化手段とを備え、前記量子化手段が、 次式
【０００６】
【数３】
【０００７】 によって現在のフレームの前端部分に関する量子化ＬＳＦ係数セット（ＬＳＦ
′２）を規定し、ここで式中のＬＳＦ′３とＬＳＦ′１とが各々に現在のフレー
ムの後端部分と現在のフレームの直前のフレームの後端部分とに関する量子化Ｌ
ＳＦ係数セットでありかつαが第１のベクトル量子化コードブック中のベクトル
であるが、また第２のベクトル量子化コードブックの個々のＬＳＦ量子化ベクト
ルＱ２、Ｑ３と個々の予測値Ｐ２、Ｐ３との組み合わせとして、現在のフレーム
の各々の前端部分と後端部分との各々に関する前記量子化ＬＳＦ係数セットＬＳ
Ｆ′２、ＬＳＦ′３の各々を規定し、ここで式中のＰ２＝λＱ１でＰ３＝λＱ２
であり、λが定数であり、かつ、Ｑ１が前記直前のフレームの後端部分に関する
前記ＬＳＦ量子化ベクトルであり、さらに現在のフレームに関する線形予測符号
化手段によって生成されるＬＳＦ係数（ＬＳＦ２、ＬＳＦ３）と対応量子化ＬＳ
Ｆ係数（ＬＳＦ′２、ＬＳＦ′３）との間の歪みの尺度を最小化するために、第
１と第２のベクトル量子化コードブックから前記ベクトルＱ３と前記ベクトルα
をそれぞれ選択する。
′２）を規定し、ここで式中のＬＳＦ′３とＬＳＦ′１とが各々に現在のフレー
ムの後端部分と現在のフレームの直前のフレームの後端部分とに関する量子化Ｌ
ＳＦ係数セットでありかつαが第１のベクトル量子化コードブック中のベクトル
であるが、また第２のベクトル量子化コードブックの個々のＬＳＦ量子化ベクト
ルＱ２、Ｑ３と個々の予測値Ｐ２、Ｐ３との組み合わせとして、現在のフレーム
の各々の前端部分と後端部分との各々に関する前記量子化ＬＳＦ係数セットＬＳ
Ｆ′２、ＬＳＦ′３の各々を規定し、ここで式中のＰ２＝λＱ１でＰ３＝λＱ２
であり、λが定数であり、かつ、Ｑ１が前記直前のフレームの後端部分に関する
前記ＬＳＦ量子化ベクトルであり、さらに現在のフレームに関する線形予測符号
化手段によって生成されるＬＳＦ係数（ＬＳＦ２、ＬＳＦ３）と対応量子化ＬＳ
Ｆ係数（ＬＳＦ′２、ＬＳＦ′３）との間の歪みの尺度を最小化するために、第
１と第２のベクトル量子化コードブックから前記ベクトルＱ３と前記ベクトルα
をそれぞれ選択する。
【０００８】 本発明のさらに別の態様では、ＬＰＣ係数、ピッチ値、有声信号および無声信
号の尺度及び振幅情報を表す量子化インデックスセットを復号化するための音声
コーダが提供され、前記音声コーダが、ピッチ値、有声信号および無声信号の尺
度及び振幅情報を表す前記インデックスから駆動信号を得るためのプロセッサ手
段と、前記ＬＳＦ係数に応答して前記駆動信号をフィルタリングするためのＬＰ
Ｃ合成フィルタと、前記ＬＰＣ合成フィルタの出力におけるピッチサイクルエネ
ルギーを前記駆動信号中の対応ピッチサイクルエネルギーと比較するための手段
と、その比較したピッチサイクルエネルギーの間の差異を小さくするために前記
駆動信号を変更するために手段と、その変更された駆動信号をフィルタリングす
るための更なるＬＰＣ合成フィルタとを含む。
号の尺度及び振幅情報を表す量子化インデックスセットを復号化するための音声
コーダが提供され、前記音声コーダが、ピッチ値、有声信号および無声信号の尺
度及び振幅情報を表す前記インデックスから駆動信号を得るためのプロセッサ手
段と、前記ＬＳＦ係数に応答して前記駆動信号をフィルタリングするためのＬＰ
Ｃ合成フィルタと、前記ＬＰＣ合成フィルタの出力におけるピッチサイクルエネ
ルギーを前記駆動信号中の対応ピッチサイクルエネルギーと比較するための手段
と、その比較したピッチサイクルエネルギーの間の差異を小さくするために前記
駆動信号を変更するために手段と、その変更された駆動信号をフィルタリングす
るための更なるＬＰＣ合成フィルタとを含む。
【０００９】 以下では、本発明による実施例を、次の添付図面を参照しながら単なる本発明
の例示の形で説明する。 添付図面を参照しながら以下で説明する符号器と復号器とが、指定された適切
な信号プロセッサ内で実行されるソフトウェア命令としてアルゴリズムの形で具
体化されることが理解されるだろう。各図面に示されているブロックは、音声コ
ーダ内の個々のハードウェア構成要素を表すというよりはむしろ、プロセッサに
よって実行される各処理ステップの機能の説明を容易にするためのものである。
あるいは、当然のことながら、符号器と復号器とがハードウェア構成要素を使用
して実現されることも可能である。
の例示の形で説明する。 添付図面を参照しながら以下で説明する符号器と復号器とが、指定された適切
な信号プロセッサ内で実行されるソフトウェア命令としてアルゴリズムの形で具
体化されることが理解されるだろう。各図面に示されているブロックは、音声コ
ーダ内の個々のハードウェア構成要素を表すというよりはむしろ、プロセッサに
よって実行される各処理ステップの機能の説明を容易にするためのものである。
あるいは、当然のことながら、符号器と復号器とがハードウェア構成要素を使用
して実現されることも可能である。
【００１０】 図１は、符号器１と復号器２とを備える音声コーダの一般図である。使用時に
は、アナログ入力音声信号Ｓi （ｔ）が符号器１で受け取られ、符号器１では、
代表的には８ｋＨｚのサンプリング周波数でその信号がサンプリングされる。そ
の次に、サンプリングされた音声信号が複数フレームに分割され、各フレームが
、入力音声信号の波形を表すが比較的少数のビットしか含まない量子化インデッ
クスセットを生成するように符号化される。連続フレームに関する量子化インデ
ックスが通信チャネル３を経由して復号器２に伝送され、元の入力音声信号に対
応するアナログ出力音声信号Ｓ0 （ｔ）を合成するように、復号器２が、受信し
た量子化インデックスを処理する。音声コーダを使用する電気通信リンクの場合
には、音声チャンネルは音声信号入力端に符号器を必要とし、かつ、音声信号出
力端に復号器を必要とする。従って、電気通信リンクの一方の端に接続されてい
る音声コーダは、双方向リンクの場合には別々のチャネルにあるいは単方向リン
クの場合には同一チャネルに接続されてもよい符号器と復号器の両方を必要とす
る。
は、アナログ入力音声信号Ｓi （ｔ）が符号器１で受け取られ、符号器１では、
代表的には８ｋＨｚのサンプリング周波数でその信号がサンプリングされる。そ
の次に、サンプリングされた音声信号が複数フレームに分割され、各フレームが
、入力音声信号の波形を表すが比較的少数のビットしか含まない量子化インデッ
クスセットを生成するように符号化される。連続フレームに関する量子化インデ
ックスが通信チャネル３を経由して復号器２に伝送され、元の入力音声信号に対
応するアナログ出力音声信号Ｓ0 （ｔ）を合成するように、復号器２が、受信し
た量子化インデックスを処理する。音声コーダを使用する電気通信リンクの場合
には、音声チャンネルは音声信号入力端に符号器を必要とし、かつ、音声信号出
力端に復号器を必要とする。従って、電気通信リンクの一方の端に接続されてい
る音声コーダは、双方向リンクの場合には別々のチャネルにあるいは単方向リン
クの場合には同一チャネルに接続されてもよい符号器と復号器の両方を必要とす
る。
【００１１】 図２は、以下では「スプリットバンド（ｓｐｌｉｔ−ｂａｎｄ）ＬＰＣ（ＳＢ
−ＬＰＣ）」音声コーダと呼ばれている本発明による音声コーダの１つの実施例
における符号器を示す。この音声コーダは「解析および合成」方式を使用する。 前記音声コーダは２．４ｋｂ／ｓのビットレートで動作するように設計されて
いる。しかし、使用される量子化のレベルと量子化インデックスが更新される速
度とに応じて、これよりも低いか高いビットレート（例えば、１．２ｋｂ／ｓか
ら６．８ｋｂ／ｓの範囲内のビットレート）が使用可能である。
−ＬＰＣ）」音声コーダと呼ばれている本発明による音声コーダの１つの実施例
における符号器を示す。この音声コーダは「解析および合成」方式を使用する。 前記音声コーダは２．４ｋｂ／ｓのビットレートで動作するように設計されて
いる。しかし、使用される量子化のレベルと量子化インデックスが更新される速
度とに応じて、これよりも低いか高いビットレート（例えば、１．２ｋｂ／ｓか
ら６．８ｋｂ／ｓの範囲内のビットレート）が使用可能である。
【００１２】 最初に、人間の音声帯域の外側の周波数を除去するために、アナログ入力音声
信号がローパスフィルタでフィルタリングされる。その次に、ローパスフィルタ
でフィルタリングされた信号が、８ｋＨｚのサンプリング周波数でサンプリング
される。それから、その結果得られたディジタル信号ｄi （ｔ）が、この特定の
具体例では次式の伝達関数Ｈ（ｚ）を有するハイパスフィルタ１０に信号を通す
ことによって予め条件付けされる。
信号がローパスフィルタでフィルタリングされる。その次に、ローパスフィルタ
でフィルタリングされた信号が、８ｋＨｚのサンプリング周波数でサンプリング
される。それから、その結果得られたディジタル信号ｄi （ｔ）が、この特定の
具体例では次式の伝達関数Ｈ（ｚ）を有するハイパスフィルタ１０に信号を通す
ことによって予め条件付けされる。
【００１３】
【数４】
【００１４】 このハイパスフィルタ１０の効果は、存在するかも知れないＤＣレベルを全て
除去することである。 それから、この予め条件付けされたディジタル信号が、信号を複数フレームに
分割する役割を果たすハミング窓１１に通される。この例では、各フレームがサ
ンプル１６０個のサンプルの長さであり、これは、２０ｍｓのフレーム更新時間
間隔に相当する。ハミング窓１１の係数ＷHamm（ｉ）が次のように規定される。
除去することである。 それから、この予め条件付けされたディジタル信号が、信号を複数フレームに
分割する役割を果たすハミング窓１１に通される。この例では、各フレームがサ
ンプル１６０個のサンプルの長さであり、これは、２０ｍｓのフレーム更新時間
間隔に相当する。ハミング窓１１の係数ＷHamm（ｉ）が次のように規定される。
【００１５】
【数５】
【００１６】 その次に、各フレームの周波数スペクトルが、線形時間変動（ｌｉｎｅａｒ
ｔｉｍｅ−ｖａｒｙｉｎｇ）フィルタの出力に基づいて、さらに具体的に述べる
と、公知の「レヴィンソン−ダービン」（Ｌｅｖｉｎｓｏｎ−Ｄｕｒｂｉｎ）の
アルゴリズムを使用して得られるＬＰＣ係数のプリセット数Ｌを有する全極線形
予測ＬＰＣフィルタ１２の出力に基づいて、モデル化される。ＬＰＣフィルタ１
２が、現在のフレーム内の各入力サンプルとＬ個の先行サンプルとの間の線形関
係を確立しようとする。従って、ｉ番目の入力サンプルがａi として表されかつ
ＬＰＣ係数がＬＰＣ（ｊ）として表される場合に、ＬＰＣ（ｊ）の値が次式を最
小化するように選択され、
ｔｉｍｅ−ｖａｒｙｉｎｇ）フィルタの出力に基づいて、さらに具体的に述べる
と、公知の「レヴィンソン−ダービン」（Ｌｅｖｉｎｓｏｎ−Ｄｕｒｂｉｎ）の
アルゴリズムを使用して得られるＬＰＣ係数のプリセット数Ｌを有する全極線形
予測ＬＰＣフィルタ１２の出力に基づいて、モデル化される。ＬＰＣフィルタ１
２が、現在のフレーム内の各入力サンプルとＬ個の先行サンプルとの間の線形関
係を確立しようとする。従って、ｉ番目の入力サンプルがａi として表されかつ
ＬＰＣ係数がＬＰＣ（ｊ）として表される場合に、ＬＰＣ（ｊ）の値が次式を最
小化するように選択され、
【００１７】
【数６】
【００１８】 ここで、この事例では、Ｎ＝１６０かつＬ＝１０である。 その次に、ＬＰＣ係数ＬＰＣ（０）、ＬＰＣ（１）、．．．、ＬＰＣ（９）が
、フレームに関する対応する「線スペクトル周波数」（ＬＳＦ）係数ＬＳＦ（０
）、ＬＳＦ（１）、．．．、ＬＳＦ（９）を生成するために変換される。これは
、公知のルート探索方法を使用してＬＰＣ−ＬＳＦ変換器１３で行われる。
、フレームに関する対応する「線スペクトル周波数」（ＬＳＦ）係数ＬＳＦ（０
）、ＬＳＦ（１）、．．．、ＬＳＦ（９）を生成するために変換される。これは
、公知のルート探索方法を使用してＬＰＣ−ＬＳＦ変換器１３で行われる。
【００１９】 その次に、ＬＳＦ係数がベクトル量子化器１４に送られ、このベクトル量子化
器１４では、符号器の第１の出力Ｏ1 に送られるフレームに関するＬＳＦ量子化
インデックスを生成するために、ＬＳＦ係数がベクトル量子化プロセスを受ける
。あるいは、スカラ量子化器を使用してＬＳＦ係数が量子化されることも可能で
ある。
器１４では、符号器の第１の出力Ｏ1 に送られるフレームに関するＬＳＦ量子化
インデックスを生成するために、ＬＳＦ係数がベクトル量子化プロセスを受ける
。あるいは、スカラ量子化器を使用してＬＳＦ係数が量子化されることも可能で
ある。
【００２０】 公知であるように、ＬＳＦ係数は常に単調であり、このことが、ＬＰＣ係数を
使用する場合に比べて量子化プロセスを容易にする。さらに、ＬＳＦ係数は、復
号器で必要とされるプロセスであるフレーム間の補間を容易にする。 周波数において互いに比較的近接しており、したがって入力音声信号の周波数
スペクトルにおける有意なピークを代表する係数に、より大きな重みを与えるよ
うに、ベクトル量子化プロセスがＬＳＦ係数の相対周波数を考慮に入れる。
使用する場合に比べて量子化プロセスを容易にする。さらに、ＬＳＦ係数は、復
号器で必要とされるプロセスであるフレーム間の補間を容易にする。 周波数において互いに比較的近接しており、したがって入力音声信号の周波数
スペクトルにおける有意なピークを代表する係数に、より大きな重みを与えるよ
うに、ベクトル量子化プロセスがＬＳＦ係数の相対周波数を考慮に入れる。
【００２１】 本発明のこの特定の具体例では、ＬＳＦ係数が合計２４ビットを使用して量子
化される。係数ＬＳＦ（０）、ＬＳＦ（１）、ＬＳＦ（２）が、８ビットを使用
して量子化される第１のグループＧ1 を形成し、係数ＬＳＦ（３）、ＬＳＦ（４
）、ＬＳＦ（５）が、８ビットを使用して量子化される第２のグループＧ2 を形
成し、係数ＬＳＦ（６）、ＬＳＦ（７）、ＬＳＦ（８）、ＬＳＦ（９）が、８ビ
ットを使用して量子化される第３のグループＧ3 を形成する。
化される。係数ＬＳＦ（０）、ＬＳＦ（１）、ＬＳＦ（２）が、８ビットを使用
して量子化される第１のグループＧ1 を形成し、係数ＬＳＦ（３）、ＬＳＦ（４
）、ＬＳＦ（５）が、８ビットを使用して量子化される第２のグループＧ2 を形
成し、係数ＬＳＦ（６）、ＬＳＦ（７）、ＬＳＦ（８）、ＬＳＦ（９）が、８ビ
ットを使用して量子化される第３のグループＧ3 を形成する。
【００２２】 ＬＳＦ係数の各グループが別々に量子化される。例示のために、量子化プロセ
スを、グループＧ1 に関して詳細に説明する。しかし、実質的に同一のプロセス
がグループＧ2 とＧ3 に対しても使用される。 ベクトル量子化プロセスが、１から２５６の番号が付与された２8 個の項目を
含むコードブックを使用して行われ、コードブック内のｒ番目の項目が、係数Ｌ
ＳＦ（０）、ＬＳＦ（１）、ＬＳＦ（２）にそれぞれ対応する３つの要素Ｖr （
０）、Ｖr （１）、Ｖr （２）のベクトルＶ r から成る。この量子化プロセスの
目的は、実際のＬＳＦ係数に最も適切に適合するベクトルＶ r を選択することで
ある。
スを、グループＧ1 に関して詳細に説明する。しかし、実質的に同一のプロセス
がグループＧ2 とＧ3 に対しても使用される。 ベクトル量子化プロセスが、１から２５６の番号が付与された２8 個の項目を
含むコードブックを使用して行われ、コードブック内のｒ番目の項目が、係数Ｌ
ＳＦ（０）、ＬＳＦ（１）、ＬＳＦ（２）にそれぞれ対応する３つの要素Ｖr （
０）、Ｖr （１）、Ｖr （２）のベクトルＶ r から成る。この量子化プロセスの
目的は、実際のＬＳＦ係数に最も適切に適合するベクトルＶ r を選択することで
ある。
【００２３】 前記コードブックの各項目に関して、ベクトル量子化器１４が、次式のように
合計を行い、
合計を行い、
【００２４】
【数７】
【００２５】 ここで、Ｗ（ｉ）が重み係数であり、最小の合計を与える項目が、グループＧ1 内のＬＳＦ係数に関する８ビット量子化インデックスを規定する。 前記重み係数の効果は、ＬＳＦ係数が比較的接近している、さらに有意なピー
クの前記合計の重要性を強調することである。 現在のフレームｎ内の１６０個のサンプルのＲＭＳエネルギーＥ0 が、バック
グラウンド信号推定ブロック１５で計算され、この値が、次の基準に従って、バ
ックグラウンドエネルギー推定値ＥBG n を更新するために使用される。
クの前記合計の重要性を強調することである。 現在のフレームｎ内の１６０個のサンプルのＲＭＳエネルギーＥ0 が、バック
グラウンド信号推定ブロック１５で計算され、この値が、次の基準に従って、バ
ックグラウンドエネルギー推定値ＥBG n を更新するために使用される。
【００２６】
【数８】
【００２７】 ここで、ＥBG n-1 は、直前のフレーム、ｎ−１に関するバックグラウンドエネル
ギー推定値である。 ＥBG n が１より小さい場合には、ＥBG n は１に設定される。 その次に、ＥBG n とＥ0 の値が、次の基準に従って、入力信号の音声およびバ
ックグラウンド成分のＲＭＳエネルギーの期待値をそれぞれ表すＮＲＧＳとＮＲ
ＧＢの値を更新するために使用される。
ギー推定値である。 ＥBG n が１より小さい場合には、ＥBG n は１に設定される。 その次に、ＥBG n とＥ0 の値が、次の基準に従って、入力信号の音声およびバ
ックグラウンド成分のＲＭＳエネルギーの期待値をそれぞれ表すＮＲＧＳとＮＲ
ＧＢの値を更新するために使用される。
【００２８】
【数９】
【００２９】 そしてＮＲＧＢn ＜０．０５である場合にはＮＲＧＢn が０．０５に設定され、
【００３０】
【数１０】
【００３１】 そして、ＮＲＧＳn ＜２．０である場合にはＮＲＧＳn が２．０に設定され、お
よび、ＮＲＧＢn ＜ＮＲＧＳn である場合に、ＮＲＧＳn がＮＲＧＢn に設定さ
れる。 例示のために、図３は、現在のフレームＦ0 の時間間隔（２０ｍｓ長）内に含
まれるアナログ入力音声信号Ｓi （ｔ）の波形を示している。この波形は、人間
の声の重要な特性である比較的大きい振幅ピッチパルスＰu を示す。このフレー
ムに関するピッチまたはピッチ周期Ｐが、フレーム中の連続ピッチパルスの相互
間の時間間隔として規定され、これが、その時間間隔内に含まれるサンプルの個
数で表される。ピッチ周期Ｐは、ω0 ＝２Π／Ｐである基本ピッチ周波数ω0 と
逆に関係付けられている。
よび、ＮＲＧＢn ＜ＮＲＧＳn である場合に、ＮＲＧＳn がＮＲＧＢn に設定さ
れる。 例示のために、図３は、現在のフレームＦ0 の時間間隔（２０ｍｓ長）内に含
まれるアナログ入力音声信号Ｓi （ｔ）の波形を示している。この波形は、人間
の声の重要な特性である比較的大きい振幅ピッチパルスＰu を示す。このフレー
ムに関するピッチまたはピッチ周期Ｐが、フレーム中の連続ピッチパルスの相互
間の時間間隔として規定され、これが、その時間間隔内に含まれるサンプルの個
数で表される。ピッチ周期Ｐは、ω0 ＝２Π／Ｐである基本ピッチ周波数ω0 と
逆に関係付けられている。
【００３２】 ８ｋＨｚでサンプリングされる音声に関しては、約５０Ｈｚから５３５Ｈｚの
範囲内の基本ピッチ周波数に対応する１５個から１５０個のサンプルのピッチ周
期を考慮に入れることが理にかなっている。当然のことながら、基本ピッチ周波
数ω0 は、幾つかの高調波周波数を伴っている。 すでに説明したように、ピッチ周期Ｐが音声信号の重要な特性であり、従って
、符号器の第２の出力Ｏ2 に送られる別の量子化インデックスＰの基礎を形成す
る。さらに、後で明らかになるように、ピッチ周期Ｐは、符号器によって生成さ
れる他の量子化インデックスの決定にとって最も重要である。従って、所要精度
でかつ可能なかぎり確実な方法でピッチ周期Ｐを評価するように、十分な注意が
払われなければならない。このために、ピッチ検出器１６が、次で図４を参照し
て詳細に説明されるピッチ検出アルゴリズムを使用して周波数領域と時間領域と
の両方において各フレームに対して解析を行う。
範囲内の基本ピッチ周波数に対応する１５個から１５０個のサンプルのピッチ周
期を考慮に入れることが理にかなっている。当然のことながら、基本ピッチ周波
数ω0 は、幾つかの高調波周波数を伴っている。 すでに説明したように、ピッチ周期Ｐが音声信号の重要な特性であり、従って
、符号器の第２の出力Ｏ2 に送られる別の量子化インデックスＰの基礎を形成す
る。さらに、後で明らかになるように、ピッチ周期Ｐは、符号器によって生成さ
れる他の量子化インデックスの決定にとって最も重要である。従って、所要精度
でかつ可能なかぎり確実な方法でピッチ周期Ｐを評価するように、十分な注意が
払われなければならない。このために、ピッチ検出器１６が、次で図４を参照し
て詳細に説明されるピッチ検出アルゴリズムを使用して周波数領域と時間領域と
の両方において各フレームに対して解析を行う。
【００３３】 周波数領域での解析を容易にするために、５１２ポイント高速フーリエ変換（
ＦＦＴ）アルゴリズムを使用してＤＦＴブロック１７で離散フーリエ変換が行わ
れる。現在のフレームの中央に置かれた２２１ポイントカイザー（Ｋａｉｓｅｒ
）窓１８を介してＤＦＴブロック１７にサンプルが供給され、その個数を５１２
個にするために、これらのサンプルにゼロが埋め込まれる。
ＦＦＴ）アルゴリズムを使用してＤＦＴブロック１７で離散フーリエ変換が行わ
れる。現在のフレームの中央に置かれた２２１ポイントカイザー（Ｋａｉｓｅｒ
）窓１８を介してＤＦＴブロック１７にサンプルが供給され、その個数を５１２
個にするために、これらのサンプルにゼロが埋め込まれる。
【００３４】 図４を参照すると、その結果としての周波数スペクトルの大きさＭ（ｉ）が、
前記変換の実数成分ＳＷＲ（ｉ）と虚数成分ＳＷＩ（ｉ）とを使用してブロック
４０１で計算され、複雑さを減少させるために、これが、予め決められたカット
オフ周波数（Ｃｕｔ）までの各周波数ｉで行われ、この場合にｉは、０から２５
５まで続くＦＦＴの出力サンプルによって表される。この実施例では、カットオ
フ周波数が、ｉ＝９０において、最大期待値の基本ピッチ周波数よりもはるかに
高い１．５ｋＨｚに相当する。
前記変換の実数成分ＳＷＲ（ｉ）と虚数成分ＳＷＩ（ｉ）とを使用してブロック
４０１で計算され、複雑さを減少させるために、これが、予め決められたカット
オフ周波数（Ｃｕｔ）までの各周波数ｉで行われ、この場合にｉは、０から２５
５まで続くＦＦＴの出力サンプルによって表される。この実施例では、カットオ
フ周波数が、ｉ＝９０において、最大期待値の基本ピッチ周波数よりもはるかに
高い１．５ｋＨｚに相当する。
【００３５】 前記大きさＭ（ｉ）が次の通りに計算される。
【００３６】
【数１１】
【００３７】 またＭ（ｉ）のＲＭＳ値であるＭmax が、ブロック４０２において、次のように
計算される。
計算される。
【００３８】
【数１２】
【００３９】 ピッチ推定アルゴリズムの性能を向上させるために、振幅Ｍ（ｉ）がブロック
４０４からブロック４０７で前処理される。 最初に、ブロック４０４において、周波数スペクトルの主要ピークをディエン
ファシスする（ｄｅ−ｅｍｐｈａｓｉｓｅ）ためにバイアス（ｂｉａｓ）が加え
られる。いずれかの振幅Ｍ（ｉ）がＭmax を上回る場合には、（Ｍ（ｉ）Ｍmax ）1/2 によって与えられる新たな振幅によってＭ（ｉ）が置き換えられる。その
次に、音声内容に関してより重要であるより低い周波数をエンファシスするため
に、さらに別のバイアスが加えられ、このために、各々の大きさが係数｛１−（
ｉ／Ｃｕｔ＋５）｝によって重み付けされる。
４０４からブロック４０７で前処理される。 最初に、ブロック４０４において、周波数スペクトルの主要ピークをディエン
ファシスする（ｄｅ−ｅｍｐｈａｓｉｓｅ）ためにバイアス（ｂｉａｓ）が加え
られる。いずれかの振幅Ｍ（ｉ）がＭmax を上回る場合には、（Ｍ（ｉ）Ｍmax ）1/2 によって与えられる新たな振幅によってＭ（ｉ）が置き換えられる。その
次に、音声内容に関してより重要であるより低い周波数をエンファシスするため
に、さらに別のバイアスが加えられ、このために、各々の大きさが係数｛１−（
ｉ／Ｃｕｔ＋５）｝によって重み付けされる。
【００４０】 ブロック４０５では、バックグラウンドノイズに対する性能を向上させるため
に、ノイズ除去アルゴリズムが、その重み付けられた振幅に適用される。このた
めに、各振幅Ｍ（ｉ）が、バックグラウンドノイズの推定値Ｍmem （ｉ）を得る
ように、非音声フレームの間追跡される。Ｅ0 ＜１．５ＥBG n である場合には、
次式によって与えられる新たな値Ｍ′mem （ｉ）を生成するために、Ｍmem （ｉ
）の値が更新される。
に、ノイズ除去アルゴリズムが、その重み付けられた振幅に適用される。このた
めに、各振幅Ｍ（ｉ）が、バックグラウンドノイズの推定値Ｍmem （ｉ）を得る
ように、非音声フレームの間追跡される。Ｅ0 ＜１．５ＥBG n である場合には、
次式によって与えられる新たな値Ｍ′mem （ｉ）を生成するために、Ｍmem （ｉ
）の値が更新される。
【００４１】
【数１３】
【００４２】 比率ＮＲＧＳn ／ＮＲＧＢn が閾値（代表的には５から２０の範囲内）よりも
小さく、かつ、音声に加えて著しいバックグラウンドノイズをそのフレームが含
むことを示す現在のフレームに関してＭmem の更新が行われていない場合には、
バックグラウンドノイズの効果を低減するために、値ｋＭ′mem （ｉ）（ｋは定
数であり、代表的には０．９である）が、周波数スペクトルの各周波数ｉに関し
てＭ（ｉ）から減算される。その差が負であるかゼロに近く、閾値よりも低く、
例えば０．０００１である場合には、Ｍ（ｉ）が前記閾値に設定される。
小さく、かつ、音声に加えて著しいバックグラウンドノイズをそのフレームが含
むことを示す現在のフレームに関してＭmem の更新が行われていない場合には、
バックグラウンドノイズの効果を低減するために、値ｋＭ′mem （ｉ）（ｋは定
数であり、代表的には０．９である）が、周波数スペクトルの各周波数ｉに関し
てＭ（ｉ）から減算される。その差が負であるかゼロに近く、閾値よりも低く、
例えば０．０００１である場合には、Ｍ（ｉ）が前記閾値に設定される。
【００４３】 その次に、ブロック４０６において、ピークを検出するために、結果として得
られた振幅Ｍ′（ｉ）が解析される。これは、各々の振幅Ｍ′（ｉ）（周波数範
囲の極値にある振幅は別として）をそのすぐ隣の振幅Ｍ′（ｉ−１）、Ｍ′（ｉ
＋１）と比較することによって行われ、それが両方よりも大きい場合に、ピーク
であると宣言される。こうして検出された各々のピークに関して、その振幅がａ
ｍｐpk（ｌ）として記憶され、その周波数がｆｒｅｑpk（ｌ）として記憶され、
この場合にｌがピークの番号である。
られた振幅Ｍ′（ｉ）が解析される。これは、各々の振幅Ｍ′（ｉ）（周波数範
囲の極値にある振幅は別として）をそのすぐ隣の振幅Ｍ′（ｉ−１）、Ｍ′（ｉ
＋１）と比較することによって行われ、それが両方よりも大きい場合に、ピーク
であると宣言される。こうして検出された各々のピークに関して、その振幅がａ
ｍｐpk（ｌ）として記憶され、その周波数がｆｒｅｑpk（ｌ）として記憶され、
この場合にｌがピークの番号である。
【００４４】 それから、ブロック４０７において、周波数スペクトルの比較的平滑な包絡線
を生成するために、平滑化アルゴリズムが振幅Ｍ′（ｉ）に適用される。この平
滑化アルゴリズムは２つの段階で行われる。第１の段階では、変数ｘがゼロで初
期化され、ゼロで開始しＣｕｔ−１で終了するｉの各々の値において振幅Ｍ′（
ｉ）と比較される。ｘがＭ′（ｉ）よりも小さい場合には、ｘがその値に設定さ
れる。そうでない場合には、Ｍ′（ｉ）の値がｘに設定され、ｘが、この例では
０．８５である包絡線減衰係数を掛け算される。その次に、反対の方向に、すな
わち、Ｃｕｔ−１で開始しゼロで終了するｉの各々の値において、同じ手順が再
び実行される。
を生成するために、平滑化アルゴリズムが振幅Ｍ′（ｉ）に適用される。この平
滑化アルゴリズムは２つの段階で行われる。第１の段階では、変数ｘがゼロで初
期化され、ゼロで開始しＣｕｔ−１で終了するｉの各々の値において振幅Ｍ′（
ｉ）と比較される。ｘがＭ′（ｉ）よりも小さい場合には、ｘがその値に設定さ
れる。そうでない場合には、Ｍ′（ｉ）の値がｘに設定され、ｘが、この例では
０．８５である包絡線減衰係数を掛け算される。その次に、反対の方向に、すな
わち、Ｃｕｔ−１で開始しゼロで終了するｉの各々の値において、同じ手順が再
び実行される。
【００４５】 このプロセスの効果は、周波数スペクトルの平滑化された指数関数的に減衰す
る包絡線を表す、０≦ｉ≦Ｃｕｔ−１で振幅ａ（ｉ）のセットを生成することで
ある。特に、このプロセスは、より大きいピークに隣接して存在する比較的小さ
なピークを除去する上で効果的である。 ブロック４０６で行われるピーク検出プロセスが、小さなピークでさえもあら
ゆるピークを識別することが明らかである。前記アルゴリズムの後続の段階にお
ける処理量を低減するために、ピークの振幅ａｍｐpkが同じ周波数における振幅
ａ（ｉ）の係数ｃ倍よりも小さい場合には、ブロック４０８によってピークが廃
棄される。この例では、ｃが０．５に設定されている。
る包絡線を表す、０≦ｉ≦Ｃｕｔ−１で振幅ａ（ｉ）のセットを生成することで
ある。特に、このプロセスは、より大きいピークに隣接して存在する比較的小さ
なピークを除去する上で効果的である。 ブロック４０６で行われるピーク検出プロセスが、小さなピークでさえもあら
ゆるピークを識別することが明らかである。前記アルゴリズムの後続の段階にお
ける処理量を低減するために、ピークの振幅ａｍｐpkが同じ周波数における振幅
ａ（ｉ）の係数ｃ倍よりも小さい場合には、ブロック４０８によってピークが廃
棄される。この例では、ｃが０．５に設定されている。
【００４６】 ブロック４０７で生成される振幅ａ（ｉ）と、ブロック４０６と４０８で生成
される残りの振幅値ａｍｐpkと周波数値ｆｒｅｑpkとが、そのピッチ周期の第１
の推定値を評価するためにブロック４０９で使用される。 このために、関数Ｍｅｔ１が、１５から１５０の範囲内の各々の候補ピッチ周
期Ｐに関して評価される。複雑さを減少させるために、これが、値７５までは０
．５のステップで、それ以降では１のステップで行われてよい。Ｍｅｔ１は次式
を使用して評価される。
される残りの振幅値ａｍｐpkと周波数値ｆｒｅｑpkとが、そのピッチ周期の第１
の推定値を評価するためにブロック４０９で使用される。 このために、関数Ｍｅｔ１が、１５から１５０の範囲内の各々の候補ピッチ周
期Ｐに関して評価される。複雑さを減少させるために、これが、値７５までは０
．５のステップで、それ以降では１のステップで行われてよい。Ｍｅｔ１は次式
を使用して評価される。
【００４７】
【数１４】
【００４８】 ここでｅ（ｋ，ω0 ）＝Ｍａｘ l（ａｍｐpk（ｌ）Ｄ（ｆｒｅｑpk（ｌ）−ｋω 0 )) ，ω0 ＝２Π／Ｐ，Ｋ（ω0 ）が、カットオフ周波数より低い高調波の数で
あり、Ｄ（ｆｒｅｑpk（ｌ）−ｋω0 ）＝ ｓｉｎｃ（ｆｒｅｑpk（ｌ）−ｋω 0 ）である。 実際には、この式は、ピッチ候補Ｐの高調波振幅ａ（ｋω0 ）によって規定さ
れる櫛形フィルタの周波数応答と、最適ピーク振幅ｅ（ｋω0 ）との間の相互相
関関数と見なされることが可能である。関数Ｄ（ｆｒｅｑpk（ｌ）−ｋω0 ）は
、周波数スペクトル中のｌ番目のピークと、ある特定の探索距離内のピッチ候補
Ｐのｋ番目の高調波周波数との間の周波数分離に関連した距離尺度である。ｅ（
ｋω0 ）が前記距離尺度とピーク振幅との両方に依存しているので、最適値ｅ（
ｋω0 ）が、高調波周波数ｋω0 とピークの周波数との間の最小分離に対応しな
い可能性がある。
あり、Ｄ（ｆｒｅｑpk（ｌ）−ｋω0 ）＝ ｓｉｎｃ（ｆｒｅｑpk（ｌ）−ｋω 0 ）である。 実際には、この式は、ピッチ候補Ｐの高調波振幅ａ（ｋω0 ）によって規定さ
れる櫛形フィルタの周波数応答と、最適ピーク振幅ｅ（ｋω0 ）との間の相互相
関関数と見なされることが可能である。関数Ｄ（ｆｒｅｑpk（ｌ）−ｋω0 ）は
、周波数スペクトル中のｌ番目のピークと、ある特定の探索距離内のピッチ候補
Ｐのｋ番目の高調波周波数との間の周波数分離に関連した距離尺度である。ｅ（
ｋω0 ）が前記距離尺度とピーク振幅との両方に依存しているので、最適値ｅ（
ｋω0 ）が、高調波周波数ｋω0 とピークの周波数との間の最小分離に対応しな
い可能性がある。
【００４９】 各ピッチ候補Ｐに関するＭｅｔ１（ω0 ）を評価し終わった後に、より小さな
ピッチ候補に有利になるようにその値に僅かにバイアスを加えるために、その得
られた値が重み係数ｂ１＝（１−０．１ｐ／１５０）を掛け算される。 Ｍｅｔ１（ω0 ）の値が大きければ大きいほど、対応するピッチ候補が実際の
ピッチ値である可能性より高くなる。さらに、ピッチ候補が実際のピッチ値の２
倍である（すなわち、ピッチ倍増）である場合には、Ｍｅｔ１（ω0 ）の値は小
さいだろう。後述するように、このことは、処理の後続段階において、こうした
不要なピッチ候補の除去を生じさせる。
ピッチ候補に有利になるようにその値に僅かにバイアスを加えるために、その得
られた値が重み係数ｂ１＝（１−０．１ｐ／１５０）を掛け算される。 Ｍｅｔ１（ω0 ）の値が大きければ大きいほど、対応するピッチ候補が実際の
ピッチ値である可能性より高くなる。さらに、ピッチ候補が実際のピッチ値の２
倍である（すなわち、ピッチ倍増）である場合には、Ｍｅｔ１（ω0 ）の値は小
さいだろう。後述するように、このことは、処理の後続段階において、こうした
不要なピッチ候補の除去を生じさせる。
【００５０】 最も有望なピッチ候補を識別するために、Ｍｅｔ１（ω0 ）のピーク値がブロ
ック４１０で検出される。これは、５つの連続したピッチ範囲、すなわち、１５
から２７．５、２８から４９．５、５０から９４．５、９５から１２４．５、１
２５から１５０のピッチ範囲の各範囲内の最大値と、被追跡ピッチｔｒＰ（後述
する）の範囲±５内の最大値とを検出するために、ブロック４０９で生成された
Ｍｅｔ１（ω0 ）の値を処理することによって行われる。これらの５つの連続す
るピッチ範囲が、各範囲内においてピッチを２倍または半分にすることを不可能
とするように、すなわち、ある１つの範囲内で検出されるピークが、同じ範囲内
の他のいずれかのピークのピッチの２倍または半分のピッチを有することが不可
能であるように、選択される。この手段によって、６つのピーク値Ｍｅｔ１（１
）、Ｍｅｔ１（２）、Ｍｅｔ１（３）、Ｍｅｔ１（４）、Ｍｅｔ１（５）、Ｍｅ
ｔ１（６）が、それぞれのピッチ値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 と共に
、さらに別の処理のために保持される。Ｍｅｔ１（ω0 ）を最大化するω0 の値
が、ピッチ値の妥当な推定を与えるけれども、エラーを生じやすい場合がある。
特に、実際のピッチ値の半分（すなわち、ピッチ半減）であるピッチ値を識別す
る場合もあるだろう。
ック４１０で検出される。これは、５つの連続したピッチ範囲、すなわち、１５
から２７．５、２８から４９．５、５０から９４．５、９５から１２４．５、１
２５から１５０のピッチ範囲の各範囲内の最大値と、被追跡ピッチｔｒＰ（後述
する）の範囲±５内の最大値とを検出するために、ブロック４０９で生成された
Ｍｅｔ１（ω0 ）の値を処理することによって行われる。これらの５つの連続す
るピッチ範囲が、各範囲内においてピッチを２倍または半分にすることを不可能
とするように、すなわち、ある１つの範囲内で検出されるピークが、同じ範囲内
の他のいずれかのピークのピッチの２倍または半分のピッチを有することが不可
能であるように、選択される。この手段によって、６つのピーク値Ｍｅｔ１（１
）、Ｍｅｔ１（２）、Ｍｅｔ１（３）、Ｍｅｔ１（４）、Ｍｅｔ１（５）、Ｍｅ
ｔ１（６）が、それぞれのピッチ値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 と共に
、さらに別の処理のために保持される。Ｍｅｔ１（ω0 ）を最大化するω0 の値
が、ピッチ値の妥当な推定を与えるけれども、エラーを生じやすい場合がある。
特に、実際のピッチ値の半分（すなわち、ピッチ半減）であるピッチ値を識別す
る場合もあるだろう。
【００５１】 この問題を軽減するために、ピッチの第２の推定値が、第１の推定値から導き
出される前記の６つの候補ピッチ値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 の各々
に関してブロック４１１で推定される。 第２の推定値は、単一のピッチ周期Ｐ全体にわたっての入力サンプルの絶対値
｜ｄ（ｉ）｜の様々な合計を形成することによって、時間領域解析手法を使用し
て評価される。このために、次の合計が、Ｎ−８０とＮ＋７９との間の各々のｋ
の値に関して形成される。
出される前記の６つの候補ピッチ値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 の各々
に関してブロック４１１で推定される。 第２の推定値は、単一のピッチ周期Ｐ全体にわたっての入力サンプルの絶対値
｜ｄ（ｉ）｜の様々な合計を形成することによって、時間領域解析手法を使用し
て評価される。このために、次の合計が、Ｎ−８０とＮ＋７９との間の各々のｋ
の値に関して形成される。
【００５２】
【数１５】
【００５３】 ここでＮは、現在のフレームの中央におけるサンプル番号である。従って、各々
の候補ピッチ値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 に関して、１６０個の合計
の各々のセットが生成され、このセットの各々の合計が前記フレーム内の異った
位置で開始する。 ピッチ候補が実際ピッチ値に近い場合には、対応するセットの合計の間のばら
つきは僅かしか無いか全く無いはずである。しかし、候補ピッチと実際ピッチと
が著しく異っている（例えば、候補ピッチ値が実際ピッチ値の半分である）場合
には、セットの合計の間に大きなばらつきがあるだろう。こうしたばらつきを検
出するために、各セットの合計がハイパスフィルタに通され、その結果得られる
ハイパスフィルタでフィルタリングされた値の２乗の合計が、第２の推定値Ｍｅ
ｔ２を評価するために使用される。音声が極めて周期的である場合には、小さな
オフセット値がピッチ多重誤りを低減させるために使用される。それぞれの第２
の推定値Ｍｅｔ２（１）、Ｍｅｔ２（２）、Ｍｅｔ２（３）、Ｍｅｔ２（４）、
Ｍｅｔ２（５）、Ｍｅｔ２（６）が、第１の推定値を使用して選択される候補ピ
ッチ値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 の各々に関して評価される。明らか
に、Ｍｅｔ２の値が小さければ小さいほど、対応する候補ピッチ値が実際ピッチ
値である可能性がより高くなる。ピッチ半減の場合には、Ｍｅｔ２の値が大きく
、このことが、この不要なピッチ候補の除去を容易にする。
の候補ピッチ値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 に関して、１６０個の合計
の各々のセットが生成され、このセットの各々の合計が前記フレーム内の異った
位置で開始する。 ピッチ候補が実際ピッチ値に近い場合には、対応するセットの合計の間のばら
つきは僅かしか無いか全く無いはずである。しかし、候補ピッチと実際ピッチと
が著しく異っている（例えば、候補ピッチ値が実際ピッチ値の半分である）場合
には、セットの合計の間に大きなばらつきがあるだろう。こうしたばらつきを検
出するために、各セットの合計がハイパスフィルタに通され、その結果得られる
ハイパスフィルタでフィルタリングされた値の２乗の合計が、第２の推定値Ｍｅ
ｔ２を評価するために使用される。音声が極めて周期的である場合には、小さな
オフセット値がピッチ多重誤りを低減させるために使用される。それぞれの第２
の推定値Ｍｅｔ２（１）、Ｍｅｔ２（２）、Ｍｅｔ２（３）、Ｍｅｔ２（４）、
Ｍｅｔ２（５）、Ｍｅｔ２（６）が、第１の推定値を使用して選択される候補ピ
ッチ値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 の各々に関して評価される。明らか
に、Ｍｅｔ２の値が小さければ小さいほど、対応する候補ピッチ値が実際ピッチ
値である可能性がより高くなる。ピッチ半減の場合には、Ｍｅｔ２の値が大きく
、このことが、この不要なピッチ候補の除去を容易にする。
【００５４】 随意に、ブロック４１２において、第１と第２の推定値Ｍｅｔ１、Ｍｅｔ２の
信頼性をさらに向上させるために、現在のフレームに関する入力サンプルが自己
相関させられてもよい。２つの最高値（Ｖ1 、Ｖ2 ）を見出すために正規化自己
相関が調べられ、これらの値の連続的な発生の間における対応する遅れＬ1 、Ｌ 2 （サンプルの個数として表される）も求められる。Ｖ１とＶ２との間の比率が
プリセット閾値（代表的には約１．１）を上回る場合には、値Ｌ1 Ｌ2 が適正な
ピッチ値に近いという信頼度が高い。そうである場合には、ピッチ値の最終推定
におけるこれらの値の選択の可能性を高めるために、Ｌ1 またはＬ2 に近くなる
候補ピッチ値に関するＭｅｔ１とＭｅｔ２の値に、それぞれ重み係数ｂ２とｂ３
が掛け算される。
信頼性をさらに向上させるために、現在のフレームに関する入力サンプルが自己
相関させられてもよい。２つの最高値（Ｖ1 、Ｖ2 ）を見出すために正規化自己
相関が調べられ、これらの値の連続的な発生の間における対応する遅れＬ1 、Ｌ 2 （サンプルの個数として表される）も求められる。Ｖ１とＶ２との間の比率が
プリセット閾値（代表的には約１．１）を上回る場合には、値Ｌ1 Ｌ2 が適正な
ピッチ値に近いという信頼度が高い。そうである場合には、ピッチ値の最終推定
におけるこれらの値の選択の可能性を高めるために、Ｌ1 またはＬ2 に近くなる
候補ピッチ値に関するＭｅｔ１とＭｅｔ２の値に、それぞれ重み係数ｂ２とｂ３
が掛け算される。
【００５５】 ブロック４１３において、被追跡ピッチ値ｔｒＰに従って、Ｍｅｔ１およびＭ
ｅｔ２の値がさらに重み付けされる。現在のフレームが音声を含む場合、すなわ
ち、Ｅ0 ＞１．５ＥBG n である場合には、ｔｒＰの値が、直前のフレームに関し
て推定されたピッチ値を使用して更新され、音声エネルギーの値が高ければ高い
ほど、この更新の程度がより大きくなる。この比率は次のように、各候補ピッチ
値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 に関して推定される。
ｅｔ２の値がさらに重み付けされる。現在のフレームが音声を含む場合、すなわ
ち、Ｅ0 ＞１．５ＥBG n である場合には、ｔｒＰの値が、直前のフレームに関し
て推定されたピッチ値を使用して更新され、音声エネルギーの値が高ければ高い
ほど、この更新の程度がより大きくなる。この比率は次のように、各候補ピッチ
値Ｐ1 、Ｐ2 、Ｐ3 、Ｐ4 、Ｐ5 、Ｐ6 に関して推定される。
【００５６】
【数１６】
【００５７】 この例では、γが０．５未満である場合に、すなわち、候補ピッチ値が、より
早期のフレームのピッチ値から推定される被追跡ピッチ値に近い場合に、Ｍｅｔ
１とＭｅｔ２の各々の値に、さらに別の重み係数ｂ4 、ｂ5 が掛け算される。ｂ 4 、ｂ5 の値は、フレーム中のバックグラウンドノイズのレベルに依存している
。これが比較的高いことが決定される場合、例えば、ＮＲＧＳ／ＮＲＧＢ＜１０
である場合には、ｂ4 が１．２５に設定され、かつ、ｂ5 が０．８５に設定され
る。しかし、γ＜０．３（すなわち、候補ピッチ値が被追跡値になお一層近い）
場合には、ｂ4 が１．５６に設定され、ｂ5 が０．７２に設定される。有意なバ
ックグラウンドノイズが存在しないと決定される場合、例えばＮＲＧＳ／ＮＲＧ
Ｂ＞１０である場合には、バイアスの度合いが減少させられ、γ＜０．５の場合
には、ｂ4 が１．１に設定され、かつ、ｂ5 が０．９に設定され、さらに、γ＜
０．３の場合には、ｂ4 が１．２１に設定され、かつ、ｂ5 が０．８に設定され
る。
早期のフレームのピッチ値から推定される被追跡ピッチ値に近い場合に、Ｍｅｔ
１とＭｅｔ２の各々の値に、さらに別の重み係数ｂ4 、ｂ5 が掛け算される。ｂ 4 、ｂ5 の値は、フレーム中のバックグラウンドノイズのレベルに依存している
。これが比較的高いことが決定される場合、例えば、ＮＲＧＳ／ＮＲＧＢ＜１０
である場合には、ｂ4 が１．２５に設定され、かつ、ｂ5 が０．８５に設定され
る。しかし、γ＜０．３（すなわち、候補ピッチ値が被追跡値になお一層近い）
場合には、ｂ4 が１．５６に設定され、ｂ5 が０．７２に設定される。有意なバ
ックグラウンドノイズが存在しないと決定される場合、例えばＮＲＧＳ／ＮＲＧ
Ｂ＞１０である場合には、バイアスの度合いが減少させられ、γ＜０．５の場合
には、ｂ4 が１．１に設定され、かつ、ｂ5 が０．９に設定され、さらに、γ＜
０．３の場合には、ｂ4 が１．２１に設定され、かつ、ｂ5 が０．８に設定され
る。
【００５８】 その次に、Ｍｅｔ２の重み付けされた値が、明らかに見込みのない候補ピッチ
値を全て廃棄するために使用される。このために、ブロック４１４において、最
小値を検出するために、Ｍｅｔ２の重み付けされた値が解析され、他の任意の値
が、この最小値をプリセット係数（例えば、２．０）プラス定数（例えば、０．
１）よりも大きな値だけ上回る場合には、この値が、対応するＭｅｔ１（ω0 ）
とＰの値と共に廃棄される。
値を全て廃棄するために使用される。このために、ブロック４１４において、最
小値を検出するために、Ｍｅｔ２の重み付けされた値が解析され、他の任意の値
が、この最小値をプリセット係数（例えば、２．０）プラス定数（例えば、０．
１）よりも大きな値だけ上回る場合には、この値が、対応するＭｅｔ１（ω0 ）
とＰの値と共に廃棄される。
【００５９】 前述したように、ピッチ候補が適正な値に近い場合には、Ｍｅｔ１が非常に大
きく、かつ、Ｍｅｔ２が非常に小さいだろう。従って、Ｍｅｔ１とＭｅｔ２とか
ら得られる比率が、ピッチ候補の正確さまたは不正確さの非常に感度の高い尺度
を与えることになる。 従って、ブロック４１５では、比率Ｒ＝Ｍｅｔ′１／Ｍｅｔ′２0.25が、ここ
でＭｅｔ′１とＭｅｔ′２はＭｅｔ１とＭｅｔ２の重み付けされた値であるが、
残りのピッチ候補の各々に関して評価され、最大比率Ｒに対応する候補ピッチが
、現在のフレームに関する推定ピッチ値Ｐ0 として選択される。その次に、推定
ピッチ値Ｐ0 が実際ピッチ値の約数でないことを確認するために、検査が行われ
る。このために、比率Ｓm ＝Ｐ0 ／Ｐn が残りの候補ピッチ値Ｐn の各々に関し
て計算され、この比率が１より大きい整数に近い（例えば、その整数の０．３以
内）場合に、ブロック４１６において、Ｐ0 がそのフレームに関する推定ピッチ
として確認される。
きく、かつ、Ｍｅｔ２が非常に小さいだろう。従って、Ｍｅｔ１とＭｅｔ２とか
ら得られる比率が、ピッチ候補の正確さまたは不正確さの非常に感度の高い尺度
を与えることになる。 従って、ブロック４１５では、比率Ｒ＝Ｍｅｔ′１／Ｍｅｔ′２0.25が、ここ
でＭｅｔ′１とＭｅｔ′２はＭｅｔ１とＭｅｔ２の重み付けされた値であるが、
残りのピッチ候補の各々に関して評価され、最大比率Ｒに対応する候補ピッチが
、現在のフレームに関する推定ピッチ値Ｐ0 として選択される。その次に、推定
ピッチ値Ｐ0 が実際ピッチ値の約数でないことを確認するために、検査が行われ
る。このために、比率Ｓm ＝Ｐ0 ／Ｐn が残りの候補ピッチ値Ｐn の各々に関し
て計算され、この比率が１より大きい整数に近い（例えば、その整数の０．３以
内）場合に、ブロック４１６において、Ｐ0 がそのフレームに関する推定ピッチ
として確認される。
【００６０】 図４を参照して詳細に説明するピッチアルゴリズムは極めてロバスト（ｒｏｂ
ｕｓｔ）であり、ピッチ倍増およびピッチ半減を除去するための周波数領域法お
よび時間領域法の両方の組み合わせを含む。 ピッチ値Ｐ0 が、候補値がその中に含まれる範囲に応じてサンプル０．５個分
またはサンプル１個分の範囲内の精度で推定されるが、この精度は、符号器の後
続段階で実行される必要がある処理にとって不十分である可能性があり、従って
、より高い精度が必要とされる。従って、ピッチリファインメントブロック１９
において、精度の上げられたピッチ値が推定される。
ｕｓｔ）であり、ピッチ倍増およびピッチ半減を除去するための周波数領域法お
よび時間領域法の両方の組み合わせを含む。 ピッチ値Ｐ0 が、候補値がその中に含まれる範囲に応じてサンプル０．５個分
またはサンプル１個分の範囲内の精度で推定されるが、この精度は、符号器の後
続段階で実行される必要がある処理にとって不十分である可能性があり、従って
、より高い精度が必要とされる。従って、ピッチリファインメントブロック１９
において、精度の上げられたピッチ値が推定される。
【００６１】 これを容易にするために、ＤＦＴブロック２０において、この場合にも５１２
ポイント高速フーリエ変換アルゴリズムを使用して、第２の離散フーリエ変換が
行われる。前述したように、サンプルが２２１ポイントカイザー窓１８を介して
ＤＦＴブロック１７に供給された。この窓は、この時点で必要とされている処理
方法にとっては広すぎるので、より狭い窓が必要とされる。しかし、この窓は依
然として少なくとも３つのピッチ周期分の幅であるべきである。従って、入力サ
ンプルが、ピッチ検出器１６内で検出されるピッチ値Ｐ0 の影響されやすい可変
長の窓２１を介してＤＦＴブロック２０に供給される。この事例では、範囲Ｐ0 ≧７０、７０＞Ｐ0 ≧５５、および、５５＞Ｐ0 の各々に対応する、３つの異っ
た窓サイズ２２１、１８１、１６１がそれぞれ使用される。この場合も同様に、
これらの窓が、現在のフレームの中央に置かれたカイザー窓である。
ポイント高速フーリエ変換アルゴリズムを使用して、第２の離散フーリエ変換が
行われる。前述したように、サンプルが２２１ポイントカイザー窓１８を介して
ＤＦＴブロック１７に供給された。この窓は、この時点で必要とされている処理
方法にとっては広すぎるので、より狭い窓が必要とされる。しかし、この窓は依
然として少なくとも３つのピッチ周期分の幅であるべきである。従って、入力サ
ンプルが、ピッチ検出器１６内で検出されるピッチ値Ｐ0 の影響されやすい可変
長の窓２１を介してＤＦＴブロック２０に供給される。この事例では、範囲Ｐ0 ≧７０、７０＞Ｐ0 ≧５５、および、５５＞Ｐ0 の各々に対応する、３つの異っ
た窓サイズ２２１、１８１、１６１がそれぞれ使用される。この場合も同様に、
これらの窓が、現在のフレームの中央に置かれたカイザー窓である。
【００６２】 ピッチリファインメントブロック１９が、推定ピッチ値Ｐ0 のいずれか片方の
側に分布した端数値を含む候補ピッチ値の新たなセットを生成する。この実施例
では、合計５０個のこうした候補ピッチ値（Ｐ0 を含む）が使用される。その次
に、Ｍｅｔ１の新たな値が、これらの候補ピッチ値の各々に関して計算され、Ｍ
ｅｔ１の最大値を与える候補ピッチ値が、全ての後続の処理がそれに基づくこと
になる精度の上げられたピッチ値Ｐref として選択される。
側に分布した端数値を含む候補ピッチ値の新たなセットを生成する。この実施例
では、合計５０個のこうした候補ピッチ値（Ｐ0 を含む）が使用される。その次
に、Ｍｅｔ１の新たな値が、これらの候補ピッチ値の各々に関して計算され、Ｍ
ｅｔ１の最大値を与える候補ピッチ値が、全ての後続の処理がそれに基づくこと
になる精度の上げられたピッチ値Ｐref として選択される。
【００６３】 ピッチリファインメントブロック１９では、図４を参照して前述したプロセス
と実質的に同じであるが幾つかの重要な変更を伴っているプロセスを使用して、
Ｍｅｔ１の新たな値が計算される。最初に、振幅Ｍ（ｉ）が、周波数スペクトル
の低周波数範囲に関してだけではなく、ＤＦＴブロック２０によって生成された
周波数スペクトル全体に関して計算される（すなわち、Ｃｕｔ−１までのｉの値
）。第２に、前記の式１で表される合計が、２つの部分、すなわち、１．５ｋＨ
ｚ（ｉ＝９０に対応する）までのｋω0 の値に関しては第１の部分（低周波数部
分）において行われ、残りのｋω0 の値に関しては第２の部分（高周波数部分）
において行われ、これらの合計の２つの部分がそれぞれ異った係数０．２５およ
び１．０によって重み付けされる。
と実質的に同じであるが幾つかの重要な変更を伴っているプロセスを使用して、
Ｍｅｔ１の新たな値が計算される。最初に、振幅Ｍ（ｉ）が、周波数スペクトル
の低周波数範囲に関してだけではなく、ＤＦＴブロック２０によって生成された
周波数スペクトル全体に関して計算される（すなわち、Ｃｕｔ−１までのｉの値
）。第２に、前記の式１で表される合計が、２つの部分、すなわち、１．５ｋＨ
ｚ（ｉ＝９０に対応する）までのｋω0 の値に関しては第１の部分（低周波数部
分）において行われ、残りのｋω0 の値に関しては第２の部分（高周波数部分）
において行われ、これらの合計の２つの部分がそれぞれ異った係数０．２５およ
び１．０によって重み付けされる。
【００６４】 前述のように、推定ピッチ値Ｐ0 は低周波数範囲の解析だけに基づいており、
従って、この推定値の不正確さは、この解析から除かれたより高い周波数の効果
に大きく依存している。この省略を修正するために、ブロック１９で行われる解
析に高い周波数が含まれ、これらの周波数の効果が、合計の個々の部分に適用さ
れる重み係数の相対的大きさによって増強される。さらに、ブロック４０４で振
幅値Ｍ（ｉ）にもともと適用され、かつ、より低い周波数を増強するという（こ
の時点では不要の）効果を持ったバイアスが、解析から除かれ、従って、値Ｍma s （もともとブロック４０２で評価される）も必要ではない。
従って、この推定値の不正確さは、この解析から除かれたより高い周波数の効果
に大きく依存している。この省略を修正するために、ブロック１９で行われる解
析に高い周波数が含まれ、これらの周波数の効果が、合計の個々の部分に適用さ
れる重み係数の相対的大きさによって増強される。さらに、ブロック４０４で振
幅値Ｍ（ｉ）にもともと適用され、かつ、より低い周波数を増強するという（こ
の時点では不要の）効果を持ったバイアスが、解析から除かれ、従って、値Ｍma s （もともとブロック４０２で評価される）も必要ではない。
【００６５】 ブロック１９で生成された、精度の上げられたピッチ値Ｐref が、ベクトル量
子化器２２に送られ、このベクトル量子化器では、ピッチ量子化インデックスＰ
を生成するために、そのピッチ値が量子化される。 この実施例では、ピッチ量子化インデックスＰが、７ビットで規定され（１２
８個のレベルに相当する）、ベクトル量子化器２２は、ピッチ値が大きければ大
きいほど人間の耳がピッチの不正確さに対して感度が低いという事実を考慮に入
れた指数関数的量子化器である。量子化されたピッチレベルＬp （ｉ）は、次の
ように規定される。
子化器２２に送られ、このベクトル量子化器では、ピッチ量子化インデックスＰ
を生成するために、そのピッチ値が量子化される。 この実施例では、ピッチ量子化インデックスＰが、７ビットで規定され（１２
８個のレベルに相当する）、ベクトル量子化器２２は、ピッチ値が大きければ大
きいほど人間の耳がピッチの不正確さに対して感度が低いという事実を考慮に入
れた指数関数的量子化器である。量子化されたピッチレベルＬp （ｉ）は、次の
ように規定される。
【００６６】
【数１７】
【００６７】 ８ｋＨｚのサンプリングレートでは、約８０までの高調波周波数が、ＤＦＴブ
ロック２０の４ｋＨｚ帯域内に含まれてよいということが理解されるだろう。当
然のことながら、これらの高調波の全てを個々に符号化するためには、非常に多
数のビットが必要とされるだろうが、このことは、比較的低いビットレートが必
要とされる音声符号器では実際的ではない。より経済的な符号化モデルが必要と
される。
ロック２０の４ｋＨｚ帯域内に含まれてよいということが理解されるだろう。当
然のことながら、これらの高調波の全てを個々に符号化するためには、非常に多
数のビットが必要とされるだろうが、このことは、比較的低いビットレートが必
要とされる音声符号器では実際的ではない。より経済的な符号化モデルが必要と
される。
【００６８】 図５を参照して次で説明するように、実際周波数スペクトルを２つの部分に分
割する、すなわち、音声の周期的成分である有声音発声カットオフ周波数Ｆc よ
り低い有声部分と、音声のランダム成分である無声成分とに実際周波数スペクト
ルを分割する、有声音発声カットオフ周波数Ｆc を設定するために、ＤＦＴブロ
ック２０から得られる実際周波数スペクトルが、有声音発声ブロック２３で解析
される。
割する、すなわち、音声の周期的成分である有声音発声カットオフ周波数Ｆc よ
り低い有声部分と、音声のランダム成分である無声成分とに実際周波数スペクト
ルを分割する、有声音発声カットオフ周波数Ｆc を設定するために、ＤＦＴブロ
ック２０から得られる実際周波数スペクトルが、有声音発声ブロック２３で解析
される。
【００６９】 前記スペクトルの有声部分と無声部分とがこうして分離された後に、これらの
部分が、個々の高調波帯域の有声／無声状態に関する情報を生成し伝送する必要
なしに、復号器内で個別に処理されることが可能である。 各々の高調波帯域が、２Π／Ｐref によって与えられる基本周波数ω0 のｋ倍
を中心としている。
部分が、個々の高調波帯域の有声／無声状態に関する情報を生成し伝送する必要
なしに、復号器内で個別に処理されることが可能である。 各々の高調波帯域が、２Π／Ｐref によって与えられる基本周波数ω0 のｋ倍
を中心としている。
【００７０】 最初に、各々の高調波帯域の形状が、選択された可変長窓２１のフーリエ変換
によって与えられる帯域（有声であると仮定される）に関する理想高調波形状と
相関がとられる。これは、各高調波帯域に関する相関関数Ｓ1 を生成することに
よって行われる。ｋ番目の高調波帯域に関しては次のようになる。
によって与えられる帯域（有声であると仮定される）に関する理想高調波形状と
相関がとられる。これは、各高調波帯域に関する相関関数Ｓ1 を生成することに
よって行われる。ｋ番目の高調波帯域に関しては次のようになる。
【００７１】
【数１８】
【００７２】 ここでＭ（ａ）は、ＦＦＴの位置ａにおけるスぺクトルの複素数値であり、 ａｋとｂｋはその帯域に関する合計の限界値であり、 Ｗ（ｍ）は、選択された窓から得られる、その帯域に関する理想的な高調波形状
の対応する振幅であり、ｍが、実際高調波帯域内の位置ａに対応する、理想高調
波形状における位置を規定する整数であり、このｍが次式によって与えられる。
の対応する振幅であり、ｍが、実際高調波帯域内の位置ａに対応する、理想高調
波形状における位置を規定する整数であり、このｍが次式によって与えられる。
【００７３】
【数１９】
【００７４】 ここで、ＳＦはＦＦＴのサイズであり、Ｓｂｔは、アップサンプリング比（ｕｐ
−ｓａｍｐｌｉｎｇ ｒａｔｉｏ）、すなわち、前記窓内のポイント数のＦＦＴ
中のポイントの数に対する比率である。 Ｓ1 に加えて、２つの正規化関数Ｓ2 、Ｓ3 が生成され、これらは次の通りで
ある。
−ｓａｍｐｌｉｎｇ ｒａｔｉｏ）、すなわち、前記窓内のポイント数のＦＦＴ
中のポイントの数に対する比率である。 Ｓ1 に加えて、２つの正規化関数Ｓ2 、Ｓ3 が生成され、これらは次の通りで
ある。
【００７５】
【数２０】
【００７６】 および
【００７７】
【数２１】
【００７８】 その次に、次式によって与えられる正規化された相関関数Ｖ（ｋ）を生成する
ために、これらの３つの関数Ｓ１（ｋ）、Ｓ２（ｋ）、Ｓ３（ｋ）が組み合わさ
れる。
ために、これらの３つの関数Ｓ１（ｋ）、Ｓ２（ｋ）、Ｓ３（ｋ）が組み合わさ
れる。
【００７９】
【数２２】
【００８０】 ここで、ｋは高調波帯域の数である。Ｖ（ｋ）を１＋｛３（ｋ−１０）／４０｝
の累乗に増大させることによって、Ｖ（ｋ）がさらにバイアスされる。 実際の高調波形状と理想高調波形状との間に正確な相関がある場合には、Ｖ（
ｋ）の値は１であるだろう。図５は、高調波帯域の合計数Ｋが２５（すなわち、
ｋ＝１から２５）である周波数スペクトルの場合の、代表的な正規化相関関数Ｖ
（ｋ）の形状を示す。この図に示されているように、前記スペクトルの低周波数
端における高調波帯域が１に比較的近く、従って、有声である可能性が高い。
の累乗に増大させることによって、Ｖ（ｋ）がさらにバイアスされる。 実際の高調波形状と理想高調波形状との間に正確な相関がある場合には、Ｖ（
ｋ）の値は１であるだろう。図５は、高調波帯域の合計数Ｋが２５（すなわち、
ｋ＝１から２５）である周波数スペクトルの場合の、代表的な正規化相関関数Ｖ
（ｋ）の形状を示す。この図に示されているように、前記スペクトルの低周波数
端における高調波帯域が１に比較的近く、従って、有声である可能性が高い。
【００８１】 Ｆc の値を設定するために、関数Ｖ（ｋ）が、ｋの各々の値において、対応す
る閾値関数ＴＨＲＥＳ（ｋ）と比較される。代表的な閾値関数ＴＨＲＥＳ（ｋ）
の形状も図５に示されている。 ＴＨＲＥＳ（ｋ）を計算するために、次の各値が使用される。 Ｅ−ｌｆ、Ｅ−ｈｆ、ｔｒ−Ｅ−ｌｆ、ｔｒ−Ｅ−ｈｆ、ＺＣ、Ｌ1 、Ｌ2 、Ｐ
ＫＹ１、ＰＫＹ２、Ｔ1 、Ｔ2 。これらの値が次のように規定される。
る閾値関数ＴＨＲＥＳ（ｋ）と比較される。代表的な閾値関数ＴＨＲＥＳ（ｋ）
の形状も図５に示されている。 ＴＨＲＥＳ（ｋ）を計算するために、次の各値が使用される。 Ｅ−ｌｆ、Ｅ−ｈｆ、ｔｒ−Ｅ−ｌｆ、ｔｒ−Ｅ−ｈｆ、ＺＣ、Ｌ1 、Ｌ2 、Ｐ
ＫＹ１、ＰＫＹ２、Ｔ1 、Ｔ2 。これらの値が次のように規定される。
【００８２】
【数２３】
【００８３】
【数２４】
【００８４】 （Ｅ0 n ＜２ＥBG n ）であり、かつ、フレームカウンタが２０未満である場合に
は、
は、
【００８５】
【数２５】
【００８６】 そうでなければ、（Ｅ0 n ＜１．５ＥBG n ）である場合には、
【００８７】
【数２６】
【００８８】 また、
【００８９】
【数２７】
【００９０】 および、
【００９１】
【数２８】
【００９２】 ＺＣがゼロに設定され、−Ｎ／２とＮ／２との間の各々のｉに関して、
【００９３】
【数２９】
【００９４】 ここでｉｐは、現在のフレームに関するスペクトルを得るために使用される窓の
中心に位置する入力サンプルにｉｐ［０］が対応するように、参照される入力音
声である。
中心に位置する入力サンプルにｉｐ［０］が対応するように、参照される入力音
声である。
【００９５】
【数３０】
【００９６】 ここで、残差（ｉ）は、ＬＰＣ逆フィルタ２８の出力で生成され、かつ、ｉｐ（
０）に残差（０）が一致するように参照されるＬＰＣ残差信号である。
０）に残差（０）が一致するように参照されるＬＰＣ残差信号である。
【００９７】
【数３１】
【００９８】 および、
【００９９】
【数３２】
【０１００】 ここで、Ｌ１′、Ｌ２′がＬ１、Ｌ２の場合と同様にそれぞれ計算されるが、対
応する形で減少させられた個数の項の全体にわたって平均化された最大残差値の
両側で予め決められた個数の値を除く。ＰＫＹ１とＰＫＹ２の両方とも、残差音
声の「ピーク性（ｐｅａｋｉｎｅｓｓ）」の表示であるが、ＰＫＹ２の方が、例
外的に大きいピークに対する感度が低い。
応する形で減少させられた個数の項の全体にわたって平均化された最大残差値の
両側で予め決められた個数の値を除く。ＰＫＹ１とＰＫＹ２の両方とも、残差音
声の「ピーク性（ｐｅａｋｉｎｅｓｓ）」の表示であるが、ＰＫＹ２の方が、例
外的に大きいピークに対する感度が低い。
【０１０１】
【数３３】
【０１０２】
【数３４】
【０１０３】 （ＮＲＧＳ＜３０ｘＮＲＧＢ）、すなわち、ノイズの多いバックグラウンド条
件が優勢である場合と、（Ｅ−ｌｆ＞ｔｒ−Ｅ−ｌｆ）かつ（Ｅ−ｈｆ＞ｔｒ−
Ｅ−ｈｆ）である場合には、低−高周波数エネルギー比率（ＬＨ−Ｒａｔｉｏ）
が次式によって与えられる。
件が優勢である場合と、（Ｅ−ｌｆ＞ｔｒ−Ｅ−ｌｆ）かつ（Ｅ−ｈｆ＞ｔｒ−
Ｅ−ｈｆ）である場合には、低−高周波数エネルギー比率（ＬＨ−Ｒａｔｉｏ）
が次式によって与えられる。
【０１０４】
【数３５】
【０１０５】 （Ｅ−ｌｆ＜ｔｒ−Ｅ−ｌｆ）である場合には、
【０１０６】
【数３６】
【０１０７】 および、Ｅ−ｈｆ＜ｔｒ−Ｅ−ｈｆである場合には、
【０１０８】
【数３７】
【０１０９】 そして、ＬＨ−Ｒａｔｉｏは０．０２と１．０の間に保持される。 こうしたノイズの多いバックグラウンド条件下では、２つの異った状況が存在
する。すなわち、直前のフレーム内の閾値ＴＨＲＥＳ（ｋ）がそのフレームのカ
ットオフ周波数Ｆc よりも下方に位置する事例１と、直前のフレーム内の閾値Ｔ
ＨＲＥＳ（ｋ）がそのフレームのカットオフ周波数Ｆc よりも上方に位置する事
例２とが存在する。
する。すなわち、直前のフレーム内の閾値ＴＨＲＥＳ（ｋ）がそのフレームのカ
ットオフ周波数Ｆc よりも下方に位置する事例１と、直前のフレーム内の閾値Ｔ
ＨＲＥＳ（ｋ）がそのフレームのカットオフ周波数Ｆc よりも上方に位置する事
例２とが存在する。
【０１１０】 （ＬＨ−Ｒａｔｉｏ＜０．２）の場合には、事例１に対して、
【０１１１】
【数３８】
【０１１２】 またこれらの値は次に以下のように修正される。 THRES(k)=1.0-(1.0-THRES(k))(LH-Ratio×5)1/2 （ＬＨ−Ｒａｔｉｏ＞０．２）の場合には、事例１に対して、
【０１１３】
【数３９】
【０１１４】 また（ＬＨ−Ｒａｔｉｏ≧１．０）の場合には、以下のように修正される。 THRES(k)=1-(1-THRES(k))1/2 エネルギー比率を次のように規定する。
【０１１５】
【数４０】
【０１１６】 ここで、Ｅ０は全周波数スペクトルのエネルギーであり、次式で与えられる。
【０１１７】
【数４１】
【０１１８】 そして、Ｅｍａｘは、最近のフレームで遭遇する最大エネルギーの推定値であり
（この場合に、ＥＲ＜０．１ならば、ＥＲが０．１に設定される）、 （ＥＲ＜０．４）ならば、前記閾値はさらに次のように変更される。
（この場合に、ＥＲ＜０．１ならば、ＥＲが０．１に設定される）、 （ＥＲ＜０．４）ならば、前記閾値はさらに次のように変更される。
【０１１９】
【数４２】
【０１２０】 また、（ＥＲ＞０．６）ならば、前記閾値がさらに次のように変更される。
【０１２１】
【数４３】
【０１２２】 さらに、（ＴＨＲＥＳ（ｋ）＞０．８５）ならば、これらの変更された値が、
次のようにさらに別の変更を受ける。
次のようにさらに別の変更を受ける。
【０１２３】
【数４４】
【０１２４】 最後に、（３／４）Ｋ≦ｋ≦Ｋならば、ＴＨＲＥＳ（ｋ）の値が次のようにさ
らに変更される。
らに変更される。
【０１２５】
【数４５】
【０１２６】 ノイズの少ないバックグラウンド条件では（すなわち、ＮＲＧＳ≧３０．０Ｎ
ＲＧＢ）、事例１に関して
ＲＧＢ）、事例１に関して
【０１２７】
【数４６】
【０１２８】 であり、および、事例２に関して、
【０１２９】
【数４７】
【０１３０】 である。 その次に、これらの値が次の条件に従って連続的な変更を受ける。
【０１３１】
【数４８】
【０１３２】 入力音声がローパスフィルタでフィルタリングされ、その次に、正規化相互相
関が、整数遅れ値Ｐref −３からＰref ＋３に関して計算され、かつ、相互相関
の最大値ＣＭが求められる。 ノイズの多いバックグラウンド条件と、ノイズの少ないバックグラウンド条件
とに関して前記で得られたＴＨＲＥＳ（ｋ）の値が、次の条件の階層において、
満たされるべき第１の条件に従ってさらに変更される。
関が、整数遅れ値Ｐref −３からＰref ＋３に関して計算され、かつ、相互相関
の最大値ＣＭが求められる。 ノイズの多いバックグラウンド条件と、ノイズの少ないバックグラウンド条件
とに関して前記で得られたＴＨＲＥＳ（ｋ）の値が、次の条件の階層において、
満たされるべき第１の条件に従ってさらに変更される。
【０１３３】
【数４９】
【０１３４】 最後に、（Ｅ−ＯＲ＞０．７）かつ（ＥＲ＜０．１１）であるならば、または
、（ＺＣ＞９０）であるならば、
、（ＺＣ＞９０）であるならば、
【０１３５】
【数５０】
【０１３６】 である。 その次に、合計Ｓv が次のように形成される。
【０１３７】
【数５１】
【０１３８】 ここで、Ｖ（ｋ）＞ＴＨＲＥＳ（ｋ）であればＢ（ｋ）＝５Ｓ3 であり、そうで
ない場合にはＢ（ｋ）＝Ｓ3 であり、ｔvoice （ｋ）は値「１」または値「０」
のどちらかをとる。 実際には、Ｆc よりも下方のｋの値全てにおいてｔvoice （ｋ）が「１」であ
りかつＦc よりも上方のｋの値全てにおいてｔvoice （ｋ）が「０」であるよう
に、値ｔvoice （ｋ）がトライアル（ｔｒｉａｌ）有声音発声カットオフ周波数
Ｆc を規定する。図５は、第１のトライアルカットオフ周波数Ｆ1 c を規定する
第１のセットの値ｔ1 voice （ｋ）と、第２のトライアルカットオフ周波数Ｆ2 c を規定する第２のセットの値ｔ2 voice （ｋ）を示す。この実施例では、異っ
たトライアルカットオフ周波数Ｆ1 c 、Ｆ2 c 、・・・Ｆ8 c を各々が規定する
８個の異った値セットｔ1 voice （ｋ）、ｔ2 voice （ｋ）、・・・ｔ8 voice （ｋ）の各々に関して、合計Ｓv が形成される。最大の合計Ｓv を与える値セッ
トが、フレームに関する有声音発声カットオフ周波数を決定するだろう。
ない場合にはＢ（ｋ）＝Ｓ3 であり、ｔvoice （ｋ）は値「１」または値「０」
のどちらかをとる。 実際には、Ｆc よりも下方のｋの値全てにおいてｔvoice （ｋ）が「１」であ
りかつＦc よりも上方のｋの値全てにおいてｔvoice （ｋ）が「０」であるよう
に、値ｔvoice （ｋ）がトライアル（ｔｒｉａｌ）有声音発声カットオフ周波数
Ｆc を規定する。図５は、第１のトライアルカットオフ周波数Ｆ1 c を規定する
第１のセットの値ｔ1 voice （ｋ）と、第２のトライアルカットオフ周波数Ｆ2 c を規定する第２のセットの値ｔ2 voice （ｋ）を示す。この実施例では、異っ
たトライアルカットオフ周波数Ｆ1 c 、Ｆ2 c 、・・・Ｆ8 c を各々が規定する
８個の異った値セットｔ1 voice （ｋ）、ｔ2 voice （ｋ）、・・・ｔ8 voice （ｋ）の各々に関して、合計Ｓv が形成される。最大の合計Ｓv を与える値セッ
トが、フレームに関する有声音発声カットオフ周波数を決定するだろう。
【０１３９】 前記合計における関数（２ｔvoice （ｋ）−１）の効果が、ｔvoice （ｋ）が
値「０」を有する時は何時でも、すなわち、前記カットオフ周波数よりも上方の
ｋの値において、差値（Ｖ（ｋ）− ＴＨＲＥＳ（ｋ））の符号を逆にすること
であるということが理解されるだろう。図５に示されている例では、関数（２ｔ voice （ｋ）−１）の効果は、有声音発声カットオフ周波数Ｆc が、相関関数Ｖ
（ｋ）の窪みＤを下回っている値Ｆ1 c に設定されるべきか、それとも、この窪
みを上回るより高い値Ｆ2 c に設定されるべきかを決定することである。図５に
Ｎで示されているｋの範囲内では、値Ｖ（ｋ）が値ＴＨＲＥＳ（ｋ）よりも小さ
く、従って、合計Ｓv における差値（Ｖ（ｋ）−ＴＨＲＥＳ（ｋ））は負である
。第１の値セットｔ1 voice （ｋ）が使用されるならば、これらの値の効果は、
範囲Ｎ内の（Ｖ（ｋ）−ＴＨＲＥＳ（ｋ））の符号を逆にし、その結果として、
総合計に対する正の寄与をもたらすことである。
値「０」を有する時は何時でも、すなわち、前記カットオフ周波数よりも上方の
ｋの値において、差値（Ｖ（ｋ）− ＴＨＲＥＳ（ｋ））の符号を逆にすること
であるということが理解されるだろう。図５に示されている例では、関数（２ｔ voice （ｋ）−１）の効果は、有声音発声カットオフ周波数Ｆc が、相関関数Ｖ
（ｋ）の窪みＤを下回っている値Ｆ1 c に設定されるべきか、それとも、この窪
みを上回るより高い値Ｆ2 c に設定されるべきかを決定することである。図５に
Ｎで示されているｋの範囲内では、値Ｖ（ｋ）が値ＴＨＲＥＳ（ｋ）よりも小さ
く、従って、合計Ｓv における差値（Ｖ（ｋ）−ＴＨＲＥＳ（ｋ））は負である
。第１の値セットｔ1 voice （ｋ）が使用されるならば、これらの値の効果は、
範囲Ｎ内の（Ｖ（ｋ）−ＴＨＲＥＳ（ｋ））の符号を逆にし、その結果として、
総合計に対する正の寄与をもたらすことである。
【０１４０】 これとは対照的に、第２の値セットｔ2 voice （ｋ）が使用されるならば、こ
れらの効果は、範囲Ｎ内の（Ｖ（ｋ）−ＴＨＲＥＳ（ｋ））の符号を不変のまま
維持し、その結果として、総合計に対する負の寄与をもたらすことである。図５
にＰで示されているｋの範囲内では、これとは反対のことが当てはまるだろう。
すなわち、第１の値セットｔ1 voice （ｋ）が、その範囲に関する合計に対して
負の寄与を結果的にもたらし、一方、第２の値セットｔ2 voice （ｋ）が前記合
計に対する正の寄与を結果的にもたらすだろう。しかし、図５の網かけ領域の各
々の相対的な面積から明らかであるように、範囲Ｎ内の差値（Ｖ（ｋ）−ＴＨＲ
ＥＳ（ｋ））の効果は範囲Ｐ内の場合よりも著しく大きく、従って、この例では
、第１の値セットｔ1 voice （ｋ）が最大の合計Ｓv を与えるだろうし、そのフ
レームに関する有声音発声カットオフ周波数（Ｆ1 c ）を決定するために使用さ
れるだろう。
れらの効果は、範囲Ｎ内の（Ｖ（ｋ）−ＴＨＲＥＳ（ｋ））の符号を不変のまま
維持し、その結果として、総合計に対する負の寄与をもたらすことである。図５
にＰで示されているｋの範囲内では、これとは反対のことが当てはまるだろう。
すなわち、第１の値セットｔ1 voice （ｋ）が、その範囲に関する合計に対して
負の寄与を結果的にもたらし、一方、第２の値セットｔ2 voice （ｋ）が前記合
計に対する正の寄与を結果的にもたらすだろう。しかし、図５の網かけ領域の各
々の相対的な面積から明らかであるように、範囲Ｎ内の差値（Ｖ（ｋ）−ＴＨＲ
ＥＳ（ｋ））の効果は範囲Ｐ内の場合よりも著しく大きく、従って、この例では
、第１の値セットｔ1 voice （ｋ）が最大の合計Ｓv を与えるだろうし、そのフ
レームに関する有声音発声カットオフ周波数（Ｆ1 c ）を決定するために使用さ
れるだろう。
【０１４１】 前記８個の使用可能な値の中から値Ｆc を選択し終わると、その次に、対応す
るインデックス（１から８）が、有声音発声量子化器２４を経由して符号器の第
３の出力Ｏ3 に送られる有声音発声量子化インデックスＶを与える。この量子化
インデックスＶが、前記８つの使用可能な周波数レベルに対応する３つのビット
によって規定される。
るインデックス（１から８）が、有声音発声量子化器２４を経由して符号器の第
３の出力Ｏ3 に送られる有声音発声量子化インデックスＶを与える。この量子化
インデックスＶが、前記８つの使用可能な周波数レベルに対応する３つのビット
によって規定される。
【０１４２】 現在のフレームに関するピッチ値Ｐref と有声音発声カットオフ周波数Ｆc の
値を確立した後に、各高調波帯域のスペクトル振幅が振幅決定ブロック２５で評
価される。このスペクトル振幅が、ＬＰＣ逆フィルタ２８の出力で生成される窓
関数を適用されたＬＰＣ残差信号に対してブロック２７おいて（高速フーリエ変
換として実現される）離散フーリエ変換を行うことによって生成された周波数ス
ペクトルから得られる。元の入力音声信号と、ＬＳＦ逆量子化器２９でＬＳＦ量
子化インデックスを逆量子化し、またＬＳＦ−ＬＰＣ変換器３０でその逆量子化
されたＬＳＦ値を変換することによって生成された再生ＬＰＣ係数セットとが、
フィルタ２８に供給される。
値を確立した後に、各高調波帯域のスペクトル振幅が振幅決定ブロック２５で評
価される。このスペクトル振幅が、ＬＰＣ逆フィルタ２８の出力で生成される窓
関数を適用されたＬＰＣ残差信号に対してブロック２７おいて（高速フーリエ変
換として実現される）離散フーリエ変換を行うことによって生成された周波数ス
ペクトルから得られる。元の入力音声信号と、ＬＳＦ逆量子化器２９でＬＳＦ量
子化インデックスを逆量子化し、またＬＳＦ−ＬＰＣ変換器３０でその逆量子化
されたＬＳＦ値を変換することによって生成された再生ＬＰＣ係数セットとが、
フィルタ２８に供給される。
【０１４３】 ある１つの高調波帯域（例えば、ｋ番目の帯域）が前記周波数スペクトルの無
声部分内にある場合、すなわち、有声音発声カットオフ周波数Ｆc より上方にあ
る場合には、その帯域のスペクトル振幅ａｍｐ（ｋ）がその帯域内のＲＭＳエネ
ルギーによって与えられ、これが次式によって表される。
声部分内にある場合、すなわち、有声音発声カットオフ周波数Ｆc より上方にあ
る場合には、その帯域のスペクトル振幅ａｍｐ（ｋ）がその帯域内のＲＭＳエネ
ルギーによって与えられ、これが次式によって表される。
【０１４４】
【数５２】
【０１４５】 ここで、Ｍr （ａ）は、前記ＦＦＴの実数部と虚数部とから前述のように計算さ
れるＬＰＣ残差信号から得られる周波数スペクトル内の位置ａにおける複素数値
であり、ａk とｂk はｋ番目の帯域に関する合計の限界値であり、βは前記窓関
数である正規化係数である。 一方、高調波帯域が周波数スペクトルの有声部分内にある場合には、すなわち
、有声音発声カットオフ周波数Ｆc より下方にある場合には、ｋ番目の帯域に関
するスペクトル振幅ａｍｐ（ｋ）が、次式によって与えられる。
れるＬＰＣ残差信号から得られる周波数スペクトル内の位置ａにおける複素数値
であり、ａk とｂk はｋ番目の帯域に関する合計の限界値であり、βは前記窓関
数である正規化係数である。 一方、高調波帯域が周波数スペクトルの有声部分内にある場合には、すなわち
、有声音発声カットオフ周波数Ｆc より下方にある場合には、ｋ番目の帯域に関
するスペクトル振幅ａｍｐ（ｋ）が、次式によって与えられる。
【０１４６】
【数５３】
【０１４７】 ここで、Ｗ（ｍ）は前記の式２と３を参照して規定された通りである。 こうして得られたスペクトル振幅が、平均１を有するように正規化される。 その次に、正規化されたスペクトル振幅が振幅量子化器２６で量子化される。
これが、使用可能なビットの個数に応じて様々な異った量子化方式を使用して行
われてもよいということが理解されるだろう。この特定の実施例では、ベクトル
量子化プロセスが使用され、フレームに関するＬＰＣ周波数スペクトルＰ（ω）
が参照される。ＬＰＣ周波数スペクトルＰ（ω）がＬＰＣフィルタ１２の周波数
応答を表し、次の形を有している。
これが、使用可能なビットの個数に応じて様々な異った量子化方式を使用して行
われてもよいということが理解されるだろう。この特定の実施例では、ベクトル
量子化プロセスが使用され、フレームに関するＬＰＣ周波数スペクトルＰ（ω）
が参照される。ＬＰＣ周波数スペクトルＰ（ω）がＬＰＣフィルタ１２の周波数
応答を表し、次の形を有している。
【０１４８】
【数５４】
【０１４９】 ここで、ＬＰＣ（１）はＬＰＣ係数である。この実施例では、１０個のＬＰＣ係
数が存在し、すなわち、Ｌ＝１０である。 ＬＰＣ周波数スペクトルＰ（ω）が図６ａに示されており、その対応するスペ
クトル振幅ａｍｐ（ｋ）が図６ｂに示されている。この例では、１０個の高調波
帯域（ｋ＝１から１０）だけが示されている。
数が存在し、すなわち、Ｌ＝１０である。 ＬＰＣ周波数スペクトルＰ（ω）が図６ａに示されており、その対応するスペ
クトル振幅ａｍｐ（ｋ）が図６ｂに示されている。この例では、１０個の高調波
帯域（ｋ＝１から１０）だけが示されている。
【０１５０】 最大の振幅を含む４つの高調波帯域を見つけるために、ＬＰＣ周波数スペクト
ルが調べられ、この例では、これらは、ｋ＝１、２、３及び５である高調波帯域
である。図６ｃに示されているように、対応するスペクトル振幅ａｍｐ（１）、
ａｍｐ（２）、ａｍｐ（３）、ａｍｐ（５）が、８つの要素ベクトルの最初の４
つの要素Ｖ（１）、Ｖ（２）、Ｖ（３）、Ｖ（４）を形成し、前記ベクトルの最
後の４つの要素（Ｖ（５）からＶ（８））が、適切な平均化によって６つの残り
のスペクトル振幅ａｍｐ（４）とａｍｐ（６）からａｍｐ（１０）までで形成さ
れる。このために、要素Ｖ（５）がａｍｐ（４）により形成され、要素Ｖ（６）
がａｍｐ（６）とａｍｐ（７）との平均により形成され、要素Ｖ（７）がａｍｐ
（８）により形成され、要素Ｖ（８）がａｍｐ（９）とａｍｐ（１０）との平均
により形成される。
ルが調べられ、この例では、これらは、ｋ＝１、２、３及び５である高調波帯域
である。図６ｃに示されているように、対応するスペクトル振幅ａｍｐ（１）、
ａｍｐ（２）、ａｍｐ（３）、ａｍｐ（５）が、８つの要素ベクトルの最初の４
つの要素Ｖ（１）、Ｖ（２）、Ｖ（３）、Ｖ（４）を形成し、前記ベクトルの最
後の４つの要素（Ｖ（５）からＶ（８））が、適切な平均化によって６つの残り
のスペクトル振幅ａｍｐ（４）とａｍｐ（６）からａｍｐ（１０）までで形成さ
れる。このために、要素Ｖ（５）がａｍｐ（４）により形成され、要素Ｖ（６）
がａｍｐ（６）とａｍｐ（７）との平均により形成され、要素Ｖ（７）がａｍｐ
（８）により形成され、要素Ｖ（８）がａｍｐ（９）とａｍｐ（１０）との平均
により形成される。
【０１５１】 このベクトル量子化プロセスが、コードブック内の項目を参照して実行され、
アセンブル（ａｓｓｅｍｂｌｅ）されたベクトル（ＬＰＣスペクトル形状によっ
て重み付けられた平均二乗誤差尺度を使用して）に最も良く一致する項目が、フ
レームに関する振幅量子化インデックスＳの第１の部分Ｓ１として選択される。 これに加えて、振幅量子化インデックスＳの第２の部分Ｓ２が、フレームの元
の音声入力のＲＳＭエネルギーＲm として計算される。
アセンブル（ａｓｓｅｍｂｌｅ）されたベクトル（ＬＰＣスペクトル形状によっ
て重み付けられた平均二乗誤差尺度を使用して）に最も良く一致する項目が、フ
レームに関する振幅量子化インデックスＳの第１の部分Ｓ１として選択される。 これに加えて、振幅量子化インデックスＳの第２の部分Ｓ２が、フレームの元
の音声入力のＲＳＭエネルギーＲm として計算される。
【０１５２】 振幅量子化インデックスの第１の部分Ｓ１は周波数スペクトルの「形状」を表
し、一方、振幅量子化インデックスの第２の部分Ｓ２は、音声信号の音量に関す
る換算係数を表す。この実施例では、前記インデックスの第１の部分Ｓ１が、６
ビットから成り（異ったスペクトル「形状」を各々が表す６４個の項目を含むコ
ードブックに相当する）、前記インデックスの第２の部分Ｓ２が５ビットから成
る。符号器の第４の出力Ｏ4 に転送される１１ビット振幅量子化インデックスＳ
を形成するために、２つの部分Ｓ１、Ｓ２が結合される。
し、一方、振幅量子化インデックスの第２の部分Ｓ２は、音声信号の音量に関す
る換算係数を表す。この実施例では、前記インデックスの第１の部分Ｓ１が、６
ビットから成り（異ったスペクトル「形状」を各々が表す６４個の項目を含むコ
ードブックに相当する）、前記インデックスの第２の部分Ｓ２が５ビットから成
る。符号器の第４の出力Ｏ4 に転送される１１ビット振幅量子化インデックスＳ
を形成するために、２つの部分Ｓ１、Ｓ２が結合される。
【０１５３】 使用可能なビット数に応じて、スペクトル振幅を量子化するために様々な異っ
た方式が使用されることが可能である。例えば、量子化コードブックが、より多
い数の項目、または、より少ない数の項目を含むことが可能であり、各々の項目
が、より多い数またはより少ない数の振幅値から成るベクトルを含んでもよい。 後述するように、復号器が、復号器のＬＰＣ合成フィルタに供給される駆動信
号を生成するように残差信号を合成するために、インデックスＳ、ＰおよびＶで
動作する。
た方式が使用されることが可能である。例えば、量子化コードブックが、より多
い数の項目、または、より少ない数の項目を含むことが可能であり、各々の項目
が、より多い数またはより少ない数の振幅値から成るベクトルを含んでもよい。 後述するように、復号器が、復号器のＬＰＣ合成フィルタに供給される駆動信
号を生成するように残差信号を合成するために、インデックスＳ、ＰおよびＶで
動作する。
【０１５４】 要約して述べると、符号器は、入力音声信号の各フレームに関して量子化イン
デックスＬＰＣ、Ｐ、Ｖ、Ｓ１およびＳ２のセットを生成する。 符号器ビットレートは、量子化インデックスを規定するために使用されるビッ
トの個数と、量子化インデックスの更新レートとに依存する。 前記の例では、各々の量子化インデックスに関する更新周期が２０ｍｓ（フレ
ーム更新周期と同じ）であり、かつ、ビットレートが２．４ｋｂ／ｓである。こ
の例における各々の量子化インデックスに使用されるビット数が、次の表１に示
される。
デックスＬＰＣ、Ｐ、Ｖ、Ｓ１およびＳ２のセットを生成する。 符号器ビットレートは、量子化インデックスを規定するために使用されるビッ
トの個数と、量子化インデックスの更新レートとに依存する。 前記の例では、各々の量子化インデックスに関する更新周期が２０ｍｓ（フレ
ーム更新周期と同じ）であり、かつ、ビットレートが２．４ｋｂ／ｓである。こ
の例における各々の量子化インデックスに使用されるビット数が、次の表１に示
される。
【０１５５】
【表１】
【０１５６】 表１はまた、別の５つの例の各々における量子化インデックスの中のビット分
布を要約し、これらの例では、音声符号器はそれぞれ１．２ｋｂ／ｓ、３．９ｋ
ｂ／ｓ、４．０ｋｂ／ｓ、５．２ｋｂ／ｓおよび６．８ｋｂ／ｓで動作する。 これらの例の幾つかでは、量子化インデックスの一部または全てが、１０ｍｓ
間隔で、すなわち、フレーム当り２回、更新される。こうした場合に、フレーム
の第１の１０ｍｓ更新周期中に得られるピッチ量子化インデックスＰが、第２の
１０ｍｓ更新周期中に得られるピッチ量子化インデックスＰよりも多い数のビッ
トによって規定されてもよいということに注意のこと。これは、第１の更新周期
中に得られるピッチ値が、第２の更新周期中に得られるピッチ値のための基準と
して使用され、従って、後者のピッチ値がより少ないビットを使用して規定され
ることが可能だからである。
布を要約し、これらの例では、音声符号器はそれぞれ１．２ｋｂ／ｓ、３．９ｋ
ｂ／ｓ、４．０ｋｂ／ｓ、５．２ｋｂ／ｓおよび６．８ｋｂ／ｓで動作する。 これらの例の幾つかでは、量子化インデックスの一部または全てが、１０ｍｓ
間隔で、すなわち、フレーム当り２回、更新される。こうした場合に、フレーム
の第１の１０ｍｓ更新周期中に得られるピッチ量子化インデックスＰが、第２の
１０ｍｓ更新周期中に得られるピッチ量子化インデックスＰよりも多い数のビッ
トによって規定されてもよいということに注意のこと。これは、第１の更新周期
中に得られるピッチ値が、第２の更新周期中に得られるピッチ値のための基準と
して使用され、従って、後者のピッチ値がより少ないビットを使用して規定され
ることが可能だからである。
【０１５７】 １．２ｋｂ／ｓのビットレートの場合には、フレーム長は４０ｍｓである。こ
の場合には、ピッチおよび有声量子化インデックスＰ、Ｖは、各フレームの半分
に関して決定され、各フレームの別の半分に関するインデックスが、隣接する半
フレームのそれぞれのパラメータから補間によって得られる。 現在の４０ｍｓフレームの前半部分と後半部分とに関するＬＳＦ係数（ＬＳＦ
２、ＬＳＦ３）が、互いに基づいて、かつ、直前のフレームの後半部分に関する
ＬＳＦ係数（ＬＳＦ１）とこれに対応するＬＳＦ量子化ベクトルに基づいて、量
子化される。
の場合には、ピッチおよび有声量子化インデックスＰ、Ｖは、各フレームの半分
に関して決定され、各フレームの別の半分に関するインデックスが、隣接する半
フレームのそれぞれのパラメータから補間によって得られる。 現在の４０ｍｓフレームの前半部分と後半部分とに関するＬＳＦ係数（ＬＳＦ
２、ＬＳＦ３）が、互いに基づいて、かつ、直前のフレームの後半部分に関する
ＬＳＦ係数（ＬＳＦ１）とこれに対応するＬＳＦ量子化ベクトルに基づいて、量
子化される。
【０１５８】 各々の半フレームに関する目標量子化ＬＳＦ係数（ＬＳＦ′１、ＬＳＦ′２、
ＬＳＦ′３）が、その半フレームに関する個別の予測値（Ｐ１、Ｐ２、Ｐ３）と
ベクトル量子化コードブックに含まれる個々のＬＳＦ量子化ベクトル（Ｑ１、Ｑ
２、Ｑ３）との合計によって次のように与えられる。
ＬＳＦ′３）が、その半フレームに関する個別の予測値（Ｐ１、Ｐ２、Ｐ３）と
ベクトル量子化コードブックに含まれる個々のＬＳＦ量子化ベクトル（Ｑ１、Ｑ
２、Ｑ３）との合計によって次のように与えられる。
【０１５９】
【数５５】
【０１６０】 予測値Ｐ２、Ｐ３の各々が、次のように、直前の半フレームに関する個々のＬ
ＳＦ量子化ベクトルＱ１、Ｑ２から得られる。
ＳＦ量子化ベクトルＱ１、Ｑ２から得られる。
【０１６１】
【数５６】
【０１６２】 ここで、λは、代表的には０．５から０．７の範囲内の定数予測係数である。 ビットレートを低減させるためには、目標量子化ＬＳＦ係数ＬＳＦ′２を（現
在のフレームの前半部分に関する）、隣接する半フレームに関する目標量子化Ｌ
ＳＦ係数（ＬＳＦ′１、ＬＳＦ′３）によって規定することが有益である。従っ
て、
在のフレームの前半部分に関する）、隣接する半フレームに関する目標量子化Ｌ
ＳＦ係数（ＬＳＦ′１、ＬＳＦ′３）によって規定することが有益である。従っ
て、
【０１６３】
【数５７】
【０１６４】 ここで、αは、４ビットのインデックスで表された１６項目コードブックの１０
個の要素のベクトルである。 前記式の置換によって、次のように示されることが可能である。
個の要素のベクトルである。 前記式の置換によって、次のように示されることが可能である。
【０１６５】
【数５８】
【０１６６】 前記の式４と式５における変数はベクトルαとＱ３だけであり、これらベクト
ルが、現在のフレームにおける実際ＬＳＦ係数と量子化ＬＳＦ係数との間の歪み
の尺度を表す次式によって与えられるエラー関数ε（知覚的に重み付けられても
よい）を、最小化するように変化させられる。
ルが、現在のフレームにおける実際ＬＳＦ係数と量子化ＬＳＦ係数との間の歪み
の尺度を表す次式によって与えられるエラー関数ε（知覚的に重み付けられても
よい）を、最小化するように変化させられる。
【０１６７】
【数５９】
【０１６８】 個々のコードブックが、最小のエラー関数εを与えるベクトルαとＱ３との組
合せを見つけるために探索され、コードブック内の選択された項目が、現在のフ
レームに関する２８ビットＬＳＦ量子化インデックスの４ビット成分と２４ビッ
ト成分をそれぞれ規定する。２．４ｋｂ／ｓ符号器に関して前述したと同様の方
法で、ベクトル量子化コードブックに含まれるＬＳＦ量子化ベクトルが、第１の
３つのＬＳＦ係数と、第２の３つのＬＳＦ係数と、最後の４つのＬＳＦ係数とに
対応する、１から２５６の番号が付けられた２８個の項目を各々に含む３つのグ
ループから成る。各グループの選択された項目が、８ビット量子化インデックス
を規定し、３つのグループに関して合計２４ビットを与える。
合せを見つけるために探索され、コードブック内の選択された項目が、現在のフ
レームに関する２８ビットＬＳＦ量子化インデックスの４ビット成分と２４ビッ
ト成分をそれぞれ規定する。２．４ｋｂ／ｓ符号器に関して前述したと同様の方
法で、ベクトル量子化コードブックに含まれるＬＳＦ量子化ベクトルが、第１の
３つのＬＳＦ係数と、第２の３つのＬＳＦ係数と、最後の４つのＬＳＦ係数とに
対応する、１から２５６の番号が付けられた２８個の項目を各々に含む３つのグ
ループから成る。各グループの選択された項目が、８ビット量子化インデックス
を規定し、３つのグループに関して合計２４ビットを与える。
【０１６９】 図３から図６に関して説明した音声コーダは、単一ビットレートで動作してよ
い。代りに、音声コーダが、２つ以上の異ったビットレートの中のどれか１つの
ビットレートで選択的に動作可能である適応マルチレート（ＡＭＲ）コーダであ
ってもよい。この特定の具体例では、ＡＭＲコーダは、前記ビットレートの中の
どれか１つのビットレートで選択的に動作することが可能であリ、この場合にも
、同様に、各レートに関する量子化インデックス中のビット分布が表１に要約さ
れている。
い。代りに、音声コーダが、２つ以上の異ったビットレートの中のどれか１つの
ビットレートで選択的に動作可能である適応マルチレート（ＡＭＲ）コーダであ
ってもよい。この特定の具体例では、ＡＭＲコーダは、前記ビットレートの中の
どれか１つのビットレートで選択的に動作することが可能であリ、この場合にも
、同様に、各レートに関する量子化インデックス中のビット分布が表１に要約さ
れている。
【０１７０】 音声コーダの出力Ｏ1 、Ｏ2 、Ｏ3 およびＯ4 で生成される量子化インデック
スが、図７に示されているように、通信チャネルを通して復号器に送られる。復
号器では、量子化インデックスが再生され、逆量子化器ブロック３０、３１、３
２および３３の入力Ｉ1 、Ｉ2 、Ｉ3 およびＩ4 にそれぞれ供給される。 逆量子化器ブロック３０が、フレームに関する逆量子化されたＬＳＦ係数セッ
トを出力し、これらは、ＬＰＣ合成フィルタ３４に供給される対応するＬＰＣ係
数セットを再生するために使用される。
スが、図７に示されているように、通信チャネルを通して復号器に送られる。復
号器では、量子化インデックスが再生され、逆量子化器ブロック３０、３１、３
２および３３の入力Ｉ1 、Ｉ2 、Ｉ3 およびＩ4 にそれぞれ供給される。 逆量子化器ブロック３０が、フレームに関する逆量子化されたＬＳＦ係数セッ
トを出力し、これらは、ＬＰＣ合成フィルタ３４に供給される対応するＬＰＣ係
数セットを再生するために使用される。
【０１７１】 逆量子化器ブロック３１、３２および３３が、ＲＭＳエネルギーＲm と共に、
逆量子化されたピッチ値（Ｐref ）と、有声音発声カットオフ周波数（Ｆc ）と
、スペクトル振幅（ａｍｐ（ｋ））とをそれぞれ出力し、これらの値は、ＬＰＣ
合成フィルタ３４のための駆動信号Ｅx を生成するために使用される。このため
に、値Ｐref 、Ｆc 、ａｍｐ（ｋ）およびＲm が、駆動信号の有声部分（すなわ
ち、Ｆc より低い周波数を含む部分）を合成する第１の駆動発生器３５と、駆動
信号の無声部分（すなわち、Ｆc より高い周波数を含む部分）を合成する第２の
駆動発生器３６とに供給される。
逆量子化されたピッチ値（Ｐref ）と、有声音発声カットオフ周波数（Ｆc ）と
、スペクトル振幅（ａｍｐ（ｋ））とをそれぞれ出力し、これらの値は、ＬＰＣ
合成フィルタ３４のための駆動信号Ｅx を生成するために使用される。このため
に、値Ｐref 、Ｆc 、ａｍｐ（ｋ）およびＲm が、駆動信号の有声部分（すなわ
ち、Ｆc より低い周波数を含む部分）を合成する第１の駆動発生器３５と、駆動
信号の無声部分（すなわち、Ｆc より高い周波数を含む部分）を合成する第２の
駆動発生器３６とに供給される。
【０１７２】 第１の駆動発生器３５は、各高調波帯域の周波数において、すなわち、有声音
発声カットオフ周波数Ｆc までの基本ピッチ周波数ω0 ＝（２Π／Ｐref ）の整
数倍において、それぞれの正弦波を生成する。このために、第１の駆動発生器３
５が、Ａk ｃｏｓ（ｋθ）の形の正弦波セットを生成し、ここでｋは整数である
。
発声カットオフ周波数Ｆc までの基本ピッチ周波数ω0 ＝（２Π／Ｐref ）の整
数倍において、それぞれの正弦波を生成する。このために、第１の駆動発生器３
５が、Ａk ｃｏｓ（ｋθ）の形の正弦波セットを生成し、ここでｋは整数である
。
【０１７３】 逆量子化されたピッチ値（Ｐｒｅｆ）を使用して、合成フレーム内の各ピッチ
サイクルの始点と終点とが求められ、各ピッチサイクルに関して、補間によって
新たなパラメータセットが得られる。 任意のサンプルｉにおける位相θ（ｉ）が次式によって与えられる。
サイクルの始点と終点とが求められ、各ピッチサイクルに関して、補間によって
新たなパラメータセットが得られる。 任意のサンプルｉにおける位相θ（ｉ）が次式によって与えられる。
【０１７４】
【数６０】
【０１７５】 ここで、ωlastは、直前のフレームに関して決定された基本ピッチ周波数であり
、ｘ＝ｋ／Ｆであり、この場合にＦはフレーム中のサンプルの合計数であり、ｋ
は現在のフレーム内で合成された現在のピッチサイクルの真中のサンプル位置で
ある。 前記の式の項ωlast（１−ｘ）＋ω0 ・ｘが、フレーム境界での円滑な位相変
移を確保するために、各ピッチサイクル毎に、漸進的な位相変移を生じさせる。
各正弦波の振幅Ａk が、現在のフレームに関する積ａｍｐ（ｋ）・Ｒm に関係付
けられている。しかし、各ピッチサイクル毎に行われる現在のフレームの振幅と
直前のフレームの振幅との間の補間は、次のように適用されてもよい。
、ｘ＝ｋ／Ｆであり、この場合にＦはフレーム中のサンプルの合計数であり、ｋ
は現在のフレーム内で合成された現在のピッチサイクルの真中のサンプル位置で
ある。 前記の式の項ωlast（１−ｘ）＋ω0 ・ｘが、フレーム境界での円滑な位相変
移を確保するために、各ピッチサイクル毎に、漸進的な位相変移を生じさせる。
各正弦波の振幅Ａk が、現在のフレームに関する積ａｍｐ（ｋ）・Ｒm に関係付
けられている。しかし、各ピッチサイクル毎に行われる現在のフレームの振幅と
直前のフレームの振幅との間の補間は、次のように適用されてもよい。
【０１７６】 （ｉ）高調波周波数帯域が現在のフレーム内の周波数スペクトルの無声部分内
にあるが、直前のフレーム内の周波数スペクトルの有声部分内にある場合には、
音声信号が次第に減衰していると仮定される。この場合には、正弦波が、現在の
フレームに関して駆動発生器３５によって依然として生成されるが、より以前の
フレームの振幅を使用して、現在のフレームの長さ全体にわたって適切な傾斜係
数（各ピッチサイクルの全体にわたって一定不変に保たれることが好ましい）に
よって縮小される。
にあるが、直前のフレーム内の周波数スペクトルの有声部分内にある場合には、
音声信号が次第に減衰していると仮定される。この場合には、正弦波が、現在の
フレームに関して駆動発生器３５によって依然として生成されるが、より以前の
フレームの振幅を使用して、現在のフレームの長さ全体にわたって適切な傾斜係
数（各ピッチサイクルの全体にわたって一定不変に保たれることが好ましい）に
よって縮小される。
【０１７７】 （ｉｉ）高調波周波数帯域が現在のフレーム内の周波数スペクトルの有声部分
内にあるが、直前のフレーム内の周波数スペクトルの無声部分内にある場合には
、音声信号の立上がりがあると仮定される。この場合には、現在のフレームの振
幅が使用されるが、現在のフレームの長さ全体にわたって適切な傾斜係数（同様
に各ピッチサイクルの全体にわたって一定不変に保たれることが好ましい）によ
って拡大される。
内にあるが、直前のフレーム内の周波数スペクトルの無声部分内にある場合には
、音声信号の立上がりがあると仮定される。この場合には、現在のフレームの振
幅が使用されるが、現在のフレームの長さ全体にわたって適切な傾斜係数（同様
に各ピッチサイクルの全体にわたって一定不変に保たれることが好ましい）によ
って拡大される。
【０１７８】 （ｉｉｉ）高調波周波数帯域が現在のフレームと直前のフレームの両方の周波
数スペクトルの有声部分内にある場合には、通常の音声であると仮定される。こ
の場合には、現在のフレームの長さ全体にわたって現在の振幅値と以前の振幅値
との間で振幅が補間される。 代りに、有声部分の合成が逆ＤＦＴ法によって実現されることが可能であり、
この場合に、ＤＦＴサイズは補間されたピッチ長さに等しい。各ピッチサイクル
において、ＤＦＴへの入力は、補間されたカットオフ周波数Ｆc のポイントまで
は、復号化され補間されたスペクトル振幅から成り、その後ではゼロである。
数スペクトルの有声部分内にある場合には、通常の音声であると仮定される。こ
の場合には、現在のフレームの長さ全体にわたって現在の振幅値と以前の振幅値
との間で振幅が補間される。 代りに、有声部分の合成が逆ＤＦＴ法によって実現されることが可能であり、
この場合に、ＤＦＴサイズは補間されたピッチ長さに等しい。各ピッチサイクル
において、ＤＦＴへの入力は、補間されたカットオフ周波数Ｆc のポイントまで
は、復号化され補間されたスペクトル振幅から成り、その後ではゼロである。
【０１７９】 駆動信号の無声部分を合成するために使用される第２の駆動発生器３６は、白
色雑音シーケンスを生成する不規則雑音発生器を含む。「オーバラップおよび加
算」手法が、現在の補間されたピッチサイクルに対応する一連のＰref サンプル
をこのシーケンスから抽出するために使用される。これは、２５６サンプルの全
幅を有しかつ１６０サンプルステップでフレーム毎に白色雑音シーケンスに沿っ
てスライドする台形窓を使用して行われる。窓関数処理されたサンプルが２５６
ポイント高速フーリエ変換を受け、その結果として得られた周波数スペクトルが
逆量子化されたスペクトル振幅によって整形される。Ｆc よりも高い周波数範囲
内では、周波数スペクトル中の各々の高調波帯域ｋが、帯域に関する逆量子化さ
れたおよび基準化されたスペクトル振幅Ｒm ａｍｐ（ｋ）によって整形され、Ｆ c よりも低い周波数範囲内（スペクトルの有声部分に相当する）では、各高調波
帯域の振幅がゼロに設定される。その次に、無声駆動信号を時間領域内で生成す
るために、逆フーリエ変換が整形された周波数スペクトルに適用される。その次
に、現在のピッチサイクルに対応するサンプルが、無声駆動信号を形成するため
に使用される。「オーバラップおよび加算」手法の使用が、復号化音声信号の滑
らかさを強化する。
色雑音シーケンスを生成する不規則雑音発生器を含む。「オーバラップおよび加
算」手法が、現在の補間されたピッチサイクルに対応する一連のＰref サンプル
をこのシーケンスから抽出するために使用される。これは、２５６サンプルの全
幅を有しかつ１６０サンプルステップでフレーム毎に白色雑音シーケンスに沿っ
てスライドする台形窓を使用して行われる。窓関数処理されたサンプルが２５６
ポイント高速フーリエ変換を受け、その結果として得られた周波数スペクトルが
逆量子化されたスペクトル振幅によって整形される。Ｆc よりも高い周波数範囲
内では、周波数スペクトル中の各々の高調波帯域ｋが、帯域に関する逆量子化さ
れたおよび基準化されたスペクトル振幅Ｒm ａｍｐ（ｋ）によって整形され、Ｆ c よりも低い周波数範囲内（スペクトルの有声部分に相当する）では、各高調波
帯域の振幅がゼロに設定される。その次に、無声駆動信号を時間領域内で生成す
るために、逆フーリエ変換が整形された周波数スペクトルに適用される。その次
に、現在のピッチサイクルに対応するサンプルが、無声駆動信号を形成するため
に使用される。「オーバラップおよび加算」手法の使用が、復号化音声信号の滑
らかさを強化する。
【０１８０】 第１の駆動発生器３５によって生成される有声駆動信号と、第２の駆動発生器
３６によって生成される無声駆動信号とが、加算器３７内で互いに加算され、そ
の結合駆動信号ＥｘがＬＰＣ合成フィルタ３４に出力される。ＬＰＣ合成フィル
タ３４が、復号化されたＬＳＦ係数から得られた補間されたＬＰＣ係数を受け取
って、さらに、前記結合駆動信号をフィルタリングして出力音声信号Ｓ0 （ｔ）
を合成するために、その補間されたＬＰＣ係数を使用する。
３６によって生成される無声駆動信号とが、加算器３７内で互いに加算され、そ
の結合駆動信号ＥｘがＬＰＣ合成フィルタ３４に出力される。ＬＰＣ合成フィル
タ３４が、復号化されたＬＳＦ係数から得られた補間されたＬＰＣ係数を受け取
って、さらに、前記結合駆動信号をフィルタリングして出力音声信号Ｓ0 （ｔ）
を合成するために、その補間されたＬＰＣ係数を使用する。
【０１８１】 滑らかな出力音声信号Ｓ0 （ｔ）を生成するために、ＬＰＣ係数の変化は全て
漸進的であるべきであり、従って、補間が望ましい。直接的にＬＰＣ係数間で補
間を行うことは不可能であるが、ＬＳＦ係数間で補間を行うことは可能である。 連続したフレームが音声で完全に埋められており、従って、フレーム内のＲＭ
Ｓエネルギーが実質的に同一である場合には、フレームに関する２つのＬＳＦ係
数セットがあまり異ってはおらず、従って、線形補間がこれらのセットの間に適
用されることが可能である。しかし、フレームが音声と沈黙とを含む場合には、
問題が生じるだろう。すなわち、そのフレームが音声の立上がりと音声の減衰と
を含む。この状況では、現在のフレームに関するＬＳＦ係数と直前のフレームに
関するＬＳＦ係数は著しく異っており、従って線形補間が、真の音声パターンを
歪ませてノイズを生じさせる傾向があるだろう。
漸進的であるべきであり、従って、補間が望ましい。直接的にＬＰＣ係数間で補
間を行うことは不可能であるが、ＬＳＦ係数間で補間を行うことは可能である。 連続したフレームが音声で完全に埋められており、従って、フレーム内のＲＭ
Ｓエネルギーが実質的に同一である場合には、フレームに関する２つのＬＳＦ係
数セットがあまり異ってはおらず、従って、線形補間がこれらのセットの間に適
用されることが可能である。しかし、フレームが音声と沈黙とを含む場合には、
問題が生じるだろう。すなわち、そのフレームが音声の立上がりと音声の減衰と
を含む。この状況では、現在のフレームに関するＬＳＦ係数と直前のフレームに
関するＬＳＦ係数は著しく異っており、従って線形補間が、真の音声パターンを
歪ませてノイズを生じさせる傾向があるだろう。
【０１８２】 音声の立上がりの場合には、現在のフレーム内のＲＭＳエネルギーＥc が、直
前のフレーム内のＲＭＳエネルギーＥp よりも大きく、一方、音声の減衰の場合
には、これとは逆の状態である。 この問題を軽減するために、エネルギー依存性補間が適用される。図８は、０
．１２５（音声の立上がり）から８．０（音声の減衰）までを範囲とする様々な
比率Ｅp ／Ｅc の場合の、フレーム全体にわたる補間係数の変化を示している。
エネルギー依存性補間係数の効果は、バックグラウンドノイズに対してより適切
なフィルタにフレームの有声部分が通過させられないように、より重要なＬＳＦ
係数セットに向かってバイアスすることであるということが、図８から理解でき
る。
前のフレーム内のＲＭＳエネルギーＥp よりも大きく、一方、音声の減衰の場合
には、これとは逆の状態である。 この問題を軽減するために、エネルギー依存性補間が適用される。図８は、０
．１２５（音声の立上がり）から８．０（音声の減衰）までを範囲とする様々な
比率Ｅp ／Ｅc の場合の、フレーム全体にわたる補間係数の変化を示している。
エネルギー依存性補間係数の効果は、バックグラウンドノイズに対してより適切
なフィルタにフレームの有声部分が通過させられないように、より重要なＬＳＦ
係数セットに向かってバイアスすることであるということが、図８から理解でき
る。
【０１８３】 補間手順が、ＬＳＦ補間器３８内でＬＳＦ係数に対して適用され、こうして得
られた補間された値がＬＳＦ−ＬＰＣ変換器３９に送られ、ここで対応するＬＰ
Ｃ係数が生成される。 従来においては、音声品質を向上させるために、ＬＰＣ周波数スペクトルの谷
間におけるノイズの効果を減少させるように合成出力音声信号に対して後処理を
行うことが一般的だったが、この場合には音声のＬＰＣモデルは比較的に低劣で
ある。これは、適切なフィルタを使用して達成されることが可能である。しかし
、こうしたフィルタリングは、最終的な出力信号を消し、従って、音声品質を低
下させるかなりのスペクトル傾斜を生じさせる。
られた補間された値がＬＳＦ−ＬＰＣ変換器３９に送られ、ここで対応するＬＰ
Ｃ係数が生成される。 従来においては、音声品質を向上させるために、ＬＰＣ周波数スペクトルの谷
間におけるノイズの効果を減少させるように合成出力音声信号に対して後処理を
行うことが一般的だったが、この場合には音声のＬＰＣモデルは比較的に低劣で
ある。これは、適切なフィルタを使用して達成されることが可能である。しかし
、こうしたフィルタリングは、最終的な出力信号を消し、従って、音声品質を低
下させるかなりのスペクトル傾斜を生じさせる。
【０１８４】 この実施例では、異った方法が使用される。さらに具体的に述べると、過去に
おいて行われてきたようにＬＰＣ合成フィルタ３４の出力を処理する代わりに、
この実施例で使用される方法は、復号器ブロック３３の出力で生成されるスペク
トル振幅を重み付けすることに依存している。ｋ番目のスペクトル振幅に適用さ
れる重み係数Ｑ（ｋω0 ）が、前述のＬＰＣスペクトルＰ（ω）から得られる。
ＬＰＣスペクトルＰ（ω）は、ピーク補間されたスペクトルＨ（ω）を生成する
ためにピーク補間され、重み関数Ｑ（ω）が、λ乗されたＰ（ω）とＨ（ω）の
比率によって次のように与えられる。
おいて行われてきたようにＬＰＣ合成フィルタ３４の出力を処理する代わりに、
この実施例で使用される方法は、復号器ブロック３３の出力で生成されるスペク
トル振幅を重み付けすることに依存している。ｋ番目のスペクトル振幅に適用さ
れる重み係数Ｑ（ｋω0 ）が、前述のＬＰＣスペクトルＰ（ω）から得られる。
ＬＰＣスペクトルＰ（ω）は、ピーク補間されたスペクトルＨ（ω）を生成する
ためにピーク補間され、重み関数Ｑ（ω）が、λ乗されたＰ（ω）とＨ（ω）の
比率によって次のように与えられる。
【０１８５】
【数６１】
【０１８６】 ここで、λは０．００から１．０の範囲内であり、好ましくは０．３５である。 関数Ｐ（ω）と関数Ｈ（ω）がＱ（ω）Ｐ（ω）によって与えられる知覚的に
強調されたＬＰＣスペクトルと共に、図９に示されている。 この図から明らかであるように、重み関数Ｑ（ω）の効果は、ピーク相互間の
谷間領域内のＬＰＣスペクトルの値を減少させることであリ、従って、これらの
領域内のノイズを減少させることである。知覚的重み付けブロック４０において
、適切な重みＱ（ｋω0 ）が逆量子化されたスペクトル振幅ａｍｐ（ｋ）に適用
される場合には、この重みの効果は、過去に使用されていた後処理方法に伴って
生じるスペクトル傾斜とその関連の消音とを引き起こすことなしに、あたかも後
処理を行ったかのように出力音声信号の品質を向上させることである。
強調されたＬＰＣスペクトルと共に、図９に示されている。 この図から明らかであるように、重み関数Ｑ（ω）の効果は、ピーク相互間の
谷間領域内のＬＰＣスペクトルの値を減少させることであリ、従って、これらの
領域内のノイズを減少させることである。知覚的重み付けブロック４０において
、適切な重みＱ（ｋω0 ）が逆量子化されたスペクトル振幅ａｍｐ（ｋ）に適用
される場合には、この重みの効果は、過去に使用されていた後処理方法に伴って
生じるスペクトル傾斜とその関連の消音とを引き起こすことなしに、あたかも後
処理を行ったかのように出力音声信号の品質を向上させることである。
【０１８７】 ＬＰＣ合成フィルタ３４の出力のエネルギーが変動するので、この出力が制御
されることが好ましい。これは、図７に破線の輪郭で示されている任意選択の回
路を使用して、２つの段階に分けて行われる。第１の段階では、実際のピッチサ
イクルエネルギーがブロック４１で計算され、このエネルギーが、比率値を生成
するために比率回路４２で所望の補間されたピッチサイクルエネルギーと比較さ
れる。その次に、比較されたエネルギーの間の差を減少させるために、駆動信号
Ｅx の対応するピッチサイクルに乗算器４３内で前記比率が掛け算され、それか
ら、このピッチサイクルが、平滑化された出力音声信号を合成する別のＬＰＣ合
成フィルタ４４に送られる。
されることが好ましい。これは、図７に破線の輪郭で示されている任意選択の回
路を使用して、２つの段階に分けて行われる。第１の段階では、実際のピッチサ
イクルエネルギーがブロック４１で計算され、このエネルギーが、比率値を生成
するために比率回路４２で所望の補間されたピッチサイクルエネルギーと比較さ
れる。その次に、比較されたエネルギーの間の差を減少させるために、駆動信号
Ｅx の対応するピッチサイクルに乗算器４３内で前記比率が掛け算され、それか
ら、このピッチサイクルが、平滑化された出力音声信号を合成する別のＬＰＣ合
成フィルタ４４に送られる。
【図１】 図１は、音声コーダの一般的な説明図である。
【図２】 図２は、本発明による音声コーダの符号器を示すブロック図である。
【図３】 図３は、アナログ入力音声信号の波形を示す。
【図４】 図４は、図２の符号器で使用されるピッチ検出アルゴリズムを示すブロック図
である。
である。
【図５】 図５は、有声音発声カットオフ周波数の決定を示す。
【図６】 図６（ａ）は、フレームのＬＰＣスペクトルを示す。 図６（ｂ）は、図６（ａ）のＬＰＣスペクトルから得られるスペクトル振幅を
示す。 図６（ｃ）は、図６（ｂ）のスペクトル振幅から得られる量子化ベクトルを示
す。
示す。 図６（ｃ）は、図６（ｂ）のスペクトル振幅から得られる量子化ベクトルを示
す。
【図７】 図７は、音声コーダの復号器を示す。
【図８】 図８は、ＬＳＦ係数に関するエネルギー依存性補間係数を示す。
【図９】 図９は、逆量子化されたスペクトル振幅を重み付けするために使用される、知
覚的に強調されたＬＰＣスペクトルを示す。
覚的に強調されたＬＰＣスペクトルを示す。
───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ， ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，Ｉ Ｔ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ， ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，Ｋ Ｅ，ＬＳ，ＭＷ，ＳＤ，ＳＬ，ＳＺ，ＵＧ，ＺＷ)，Ｅ Ａ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ ，ＴＭ)，ＡＥ，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＵ， ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，Ｇ Ｅ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ， ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，Ｍ Ｎ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ， ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＳ，ＵＺ，ＶＮ，ＹＵ，Ｚ Ａ，ＺＷ Ｆターム(参考） 5D045 CA01 CC02 5J064 AA01 BA01 BA13 BB03 BC01 BC11 BC14 BC16 BD02
Claims (45)
- 【請求項１】 予め決められた数のディジタルサンプルから各々が成る複数
フレームに分割されている入力音声信号を符号化するための符号器を含む音声コ
ーダであって、前記符号器が、 サンプルを解析して各フレームに関して少なくとも１つの線形予測係数セット
を生成するための線形予測符号化（ＬＰＣ）手段と、 各フレームに関して少なくとも１つのピッチ値を決定するためのピッチ決定手
段であって、周波数領域手法（周波数領域解析）を使用してサンプルを解析する
ための第１の推定手段と、時間領域手法（時間領域解析）を使用してサンプルを
解析するための第２の推定手段と、前記ピッチ値を得るために前記周波数領域解
析と前記時間領域解析とを使用するためのピッチ評価手段とを含むピッチ決定手
段と、 各フレーム内の有声信号と無声信号との尺度を規定するための有声音発声手段
と、 各フレームに関する振幅情報を生成するための振幅決定手段と、 各フレームに関して量子化インデックスセットを生成するために、前記線形予
測係数セットと、前記ピッチ値と、前記有声信号および無声信号の尺度と、前記
振幅情報を量子化するための量子化手段であって、 前記第１の推定手段が、幾つかの候補ピッチ値の各々に関して第１のピッチ尺
度を生成し、前記第２の推定手段が、前記候補ピッチ値の各々に関してそれぞれ
第２のピッチ尺度を生成し、前記評価手段が、前記第１の尺度の少なくとも幾つ
かを各々に対応する前記第２の尺度と結合し、その結果得られる組み合わせを参
照して前記候補ピッチ値の１つを選択する量子化手段 を含む音声コーダ。 - 【請求項２】 前記評価手段が、前記第１の尺度とその対応する第２の尺度
とから比率を形成することによって前記組合せを形成し、かつ、こうして形成さ
れた前記比率を参照して前記１つの候補ピッチ値を選択する請求項１に記載の音
声コーダ。 - 【請求項３】 前記評価手段が、１つ以上の以前のフレームから得られた被
追跡ピッチ値と前記候補ピッチ値の各々を比較し、前記尺度が結合される前に前
記比較に応じてそれぞれの量で、対応する前記第１の尺度と前記第２の尺度とを
重み付けする請求項１または２に記載の音声コーダ。 - 【請求項４】 前記重み付けの量が、現在のフレーム内のバックグラウンド
ノイズのレベルにも依存する請求項３に記載の音声コーダ。 - 【請求項５】 前記第１の推定手段が、各フレームに関する第１の周波数ス
ペクトルを生成し、前記第１の周波数スペクトル内のピークを識別し、平滑化さ
れた周波数スペクトルを生成するために前記第１の周波数スペクトルに平滑化処
理を施し、および、候補ピッチ値の各々に関して、ピッチ値のそれぞれの前記第
１の尺度を生成するために、前記平滑化された周波数スペクトル中の様々な高調
波周波数（ｋω0 ）における振幅と、ここでω０＝２Π／Ｐであり、Ｐが前記候
補ピッチ値であり、かつ、ｋが整数であるが、前記第１の周波数スペクトル内で
識別されたピークを相関させる請求項１から４のいずれか一項に記載の音声コー
ダ。 - 【請求項６】 前記ピークの識別の前に、前記第１の周波数スペクトルを形
成する振幅値が、前記スペクトルに関するＲＭＳ値と比較され、かつ、前記ＲＭ
Ｓ値よりも大きい振幅を有するピークをディエンファシスするように前記比較に
応じて重み付けられる請求項５に記載の音声コーダ。 - 【請求項７】 前記振幅値がさらに、低下する周波数の関数として増大する
係数によって重み付けられる請求項６に記載の音声コーダ。 - 【請求項８】 前記第１の周波数スペクトルの振幅が、現在のフレーム内の
バックグラウンドノイズを考慮に入れるために調節される請求項７に記載の音声
コーダ。 - 【請求項９】 相関の前に、前記第１の周波数スペクトルにおいて識別され
る各ピークの振幅が、前記平滑化された周波数スペクトルにおける対応する振幅
と比較され、この比較に応じて廃棄されるか保持される請求項５から８のいずれ
か一項に記載の音声コーダ。 - 【請求項１０】 前記第１の推定手段が、プリセットされた数の周波数帯域
の各々に関して単一の候補ピッチ値を選択し、かつ、前記第２の推定手段が、前
記第１の推定手段によって選択された前記候補ピッチ値の各々に関して前記第２
のピッチ尺度を生成する請求項１から９のいずれか一項に記載の音声コーダ。 - 【請求項１１】 前記選択された候補ピッチ値が前記ピッチ値の推定値を与
え、前記評価手段が、前記推定値からピッチ値を求めるためのピッチリファイン
メント手段を含む請求項１から１０のいずれか一項に記載の音声コーダ。 - 【請求項１２】 前記ピッチリファインメント手段が、前記推定値の周囲に
分布した端数値を含む別の候補ピッチ値のセットを規定し、フレームに関するさ
らに別の周波数スペクトルを生成し、前記さらに別の周波数スペクトル中のピー
クを識別し、さらに別の平滑化された周波数スペクトルを生成するために前記さ
らに別の周波数スペクトルに平滑化処理を施し、および、さらに別の候補ピッチ
値の各々に関して、前記平滑化された周波数スペクトル中の様々な高調波周波数
（ｋω0 ）における振幅と、ここでω０＝２Π／Ｐであり、Ｐが前記さらに別の
候補ピッチ値であり、かつ、ｋが整数であるが、前記さらに別の周波数スペクト
ル内で識別されたピークを相関させ、最大の相関を与える前記さらに別の候補ピ
ッチ値をフレームのピッチ値として選択する請求項１１に記載の音声コーダ。 - 【請求項１３】 前記ピッチ決定手段が、各フレームの前端部分に関する第
１のピッチ値と各フレームの後端部分に関する第２のピッチ値を決定し、および
、前記量子化手段が前記ピッチ値の両方を量子化する請求項１から１２のいずれ
か一項に記載の音声コーダ。 - 【請求項１４】 前記有声音発声手段が、フレームからの周波数スペクトル
を有声部分と無声部分とに分離するために、少なくとも１つの有声音発声カット
オフ周波数を各フレーム毎に求め、前記振幅決定手段が、前記有声音発声手段と
前記ピッチ決定手段とによってそれぞれ決定される前記有声音発声カットオフ周
波数と前記ピッチ値とに応答して、各フレーム毎にスペクトル振幅を生成する請
求項１から１３のいずれか一項に記載の音声コーダ。 - 【請求項１５】 前記有声音発声手段が、各フレーム毎に、 （ｉ）前記決定手段によって決定された前記ピッチ値に高調波として関係付け
られている各周波数帯域に関して有声音発声尺度を得る段階と、 （ｉｉ）正値または負値であってよい比較値を生成するために、各高調波周波
数帯域に関する前記有声音発声尺度を閾値と比較する段階と、 （ｉｉｉ）対応する高調波周波数帯域がトライアルカットオフ周波数よりも高
い場合に、前記比較値の符号を逆にする量だけ各々の比較値をバイアスする段階
と、 （ｉｖ）フレーム内の幾つかの高調波周波数帯域にわたって前記バイアスされ
た比較値を合計する段階と、 （ｖ）複数の異ったトライアルカットオフ周波数に関して前記段階（ｉ）から
（ｉｖ）を繰り返す段階と、 （ｖｉ）最大の合計を与える前記トライアルカットオフ周波数を前記フレーム
に関する有声音発声カットオフ周波数として選択する段階 を実行する請求項１４に記載の音声コーダ。 - 【請求項１６】 前記高調波周波数帯域の形状をその帯域に関する基準形状
と相関させることによって、前記有声音発声尺度が形成される請求項１５に記載
の音声コーダ。 - 【請求項１７】 前記入力音声信号に対して窓関数を適用するための、およ
び、前記窓関数が適用された入力音声信号から、前記高調波周波数帯域を含む前
記周波数スペクトルを得るための手段を含み、前記基準形状が前記窓関数から得
られる請求項１６に記載の音声コーダ。 - 【請求項１８】 前記有声音発声手段が、各フレームの前端部分に関する第
１の前記有声音発声カットオフ周波数と、各フレームの後端部分に関する第２の
前記有声音発声カットオフ周波数を決定する請求項１４から１７のいずれか一項
に記載の音声コーダ。 - 【請求項１９】 前記振幅決定手段が、各フレーム毎に、前記ピッチ決定手
段によって決定される前記ピッチ値に高調波として関係付けられている周波数を
中心とする異った周波数帯域に関するスペクトル振幅セットを生成し、かつ、前
記量子化手段が、振幅量子化インデックスの第１の部分を生成するために前記ス
ペクトル振幅を量子化する請求項１から１８のいずれか一項に記載の音声コーダ
。 - 【請求項２０】 入力音声信号を符号化するための符号器を含む音声コーダ
であって、前記符号器が、ディジタルサンプルを生成するために前記入力音声信
号をサンプリングするための、および、予め決められた数のサンプルから各々が
成る複数フレームに前記サンプルを分割するための手段と、 サンプルを解析するための、および、各フレームに関して少なくとも１つの線
形予測係数セットを生成するための線形予測符号化（ＬＰＣ）手段と、 各フレームに関して少なくとも１つのピッチ値を決定するためのピッチ決定手
段と、 各フレーム内の有声信号と無声信号との尺度を決定するための有声音発声手段
と、 各フレームに関する振幅情報を生成するための振幅決定手段と、 各フレームに関して量子化インデックスセットを生成するために、前記線形予
測係数セット、前記ピッチ値、前記有声信号および無声信号の尺度および前記振
幅情報を量子化するための量子化手段とを備え、 前記ピッチ決定手段が、前記ピッチ値の推定値を決定するためのピッチ推定手
段と、前記推定値からピッチ値を得るためのピッチリファインメント手段とを含
み、前記ピッチリファインメント手段が、前記ピッチ推定手段によって決定され
た前記ピッチ値推定値の周囲に分布した端数値を含む候補ピッチ値セットを規定
し、 前記フレームの周波数スペクトル内のピークを識別し、 前記候補ピッチ値の各々に関して、前記フレームの周波数スペクトルの様々な
高調波周波数（ｋω0 ）における振幅と、ここでω０＝２Π／Ｐであり、Ｐが前
記候補ピッチ値であり、かつ、ｋが整数であるが、前記ピークとを相関させ、最
大の相関を与える前記候補ピッチ値を前記フレームに関する前記ピッチ値として
選択する音声コーダ。 - 【請求項２１】 前記ピッチ推定手段が、周波数領域手法（周波数領域解析
）を使用してサンプルを解析するための第１の推定手段と、時間領域手法（時間
領域解析）を使用してサンプルを解析するための第２の推定手段と、前記時間領
域解析と前記周波数領域解析との結果から前記ピッチ値の前記推定値を得るため
の手段とを含む請求項２０に記載の音声コーダ。 - 【請求項２２】 前記ピッチリファインメント手段が、前記ピークの振幅を
、前記ピークがその中で識別された周波数スペクトルの指数関数的減衰包絡線の
高調波周波数（ｋω0 ）における振幅と相関させる請求項２０また２１に記載の
音声コーダ。 - 【請求項２３】 前記有声音発声手段が、前記フレームからの周波数スペク
トルを有声部分と無声部分とに分離するための少なくとも１つの有声音発声カッ
トオフ周波数を各フレーム毎に決定し、前記振幅決定手段が、前記有声音発声手
段と前記ピッチ決定手段とによってそれぞれ決定される前記有声音発声カットオ
フ周波数と前記ピッチ値とに応答してスペクトル振幅を生成する請求項２０から
２２のいずれか一項に記載の音声コーダ。 - 【請求項２４】 前記有声音発声手段が、各フレーム毎に、 （ｉ）前記ピッチ決定手段によって決定された前記ピッチ値に高調波として関
係付けられている各々の周波数帯域に関する有声音発声尺度を得る段階と、 （ｉｉ）正値または負値であってよい比較値を生成するために、各々の高調波
周波数帯域に関する前記有声音発声尺度を閾値と比較する段階と、 （ｉｉｉ）対応する高調波周波数帯域がトライアルカットオフ周波数よりも高
い場合に、前記比較値の符号を逆にする量だけ各々の比較値をバイアスする段階
と、 （ｉｖ）フレーム内の幾つかの高調波周波数帯域にわたって前記バイアスされ
た比較値を合計する段階と、 （ｖ）複数の異ったトライアルカットオフ周波数に関して前記段階（ｉ）から
（ｉｖ）を繰り返す段階と、 （ｖｉ）最大の合計を与える前記トライアルカットオフ周波数を、前記フレー
ムに関する有声音発声カットオフ周波数として選択する段階 とを実行する請求項２３に記載の音声コーダ。 - 【請求項２５】 前記有声音発声尺度が、前記高調波周波数帯域の形状を前
記帯域に関する基準形状と相関させることによって形成される請求項２４に記載
の音声コーダ。 - 【請求項２６】 前記入力音声信号に窓関数を適用し、前記窓関数が適用さ
れた入力音声信号から前記高調波周波数帯域を含む周波数スペクトルを得るため
の手段を含み、前記基準形状が前記窓関数から得られる請求項２５に記載の音声
コーダ。 - 【請求項２７】 前記振幅決定手段が、各フレーム毎に、前記ピッチ決定手
段によって決定されるピッチ値に高調波として関係付けられている周波数を中心
とした異った周波数帯域に関するスペクトル振幅セットを生成し、前記量子化手
段が、振幅量子化インデックスの第１の部分を生成するために前記スペクトル振
幅を量子化する請求項２０から２６のいずれか一項に記載の音声コーダ。 - 【請求項２８】 前記ピッチ決定手段が、各フレームの前端部分に関する第
１の値と、各フレームの後端部分に関する第２のピッチ値とを決定し、前記量子
化手段が前記ピッチ値の両方を量子化する請求項２０から２７のいずれか一項に
記載の音声コーダ。 - 【請求項２９】 前記有声音発声手段が、各フレームの前端部分に関する第
１の前記有声音発声カットオフ周波数と、各フレームの後端部分に関する第２の
前記有声カットオフ周波数とを生成する請求項２３から２６のいずれか一項に記
載の音声コーダ。 - 【請求項３０】 入力音声信号を符号化するための符号器を含む音声コーダ
であって、前記符号器が、 ディジタルサンプルを生成するために前記入力音声信号をサンプリングするた
めの、および、予め決められた数のサンプルから各々が成る複数フレームに前記
サンプルを分割するための手段と、 サンプルを解析するための、および、各フレーム毎に少なくとも１つの線形予
測係数セットを生成するための線形予測符号化（ＬＰＣ）手段と、 各フレームに関して少なくとも１つのピッチ値を決定するためのピッチ決定手
段と、 個々の高調波周波数帯域の有声／無声状態を評価することなしに、前記フレー
ムからの周波数スペクトルを有声部分と無声部分とに分離するための有声音発声
カットオフ周波数を各フレーム毎に決定するための有声音発声手段と、 各フレームに関する振幅情報を生成するための振幅決定手段と、 各フレームに関する量子化インデックスセットを生成するために、前記係数セ
ット、前記ピッチ値、前記有声音発声カットオフ周波数および前記振幅情報を量
子化するための量子化手段 とを備える音声コーダ。 - 【請求項３１】 前記有声音発声手段が、各フレーム毎に、 （ｉ）前記ピッチ決定手段によって決定された前記ピッチ値に高調波として関
係付けられている各々の周波数帯域に関する有声音発声尺度を得る段階と、 （ｉｉ）正値または負値であってよい比較値を生成するために、各々の高調波
周波数帯域に関する前記有声音発声尺度を閾値と比較する段階と、 （ｉｉｉ）対応する高調波周波数帯域がトライアルカットオフ周波数よりも高
い場合に、前記比較値の符号を逆にする量だけ各々の比較値をバイアスする段階
と、 （ｉｖ）フレーム内の幾つかの高調波周波数帯域にわたって前記バイアスされ
た比較値を合計する段階と、 （ｖ）複数の異ったトライアルカットオフ周波数に関して前記段階（ｉ）から
（ｉｖ）を繰り返す段階と、 （ｖｉ）最大の合計を与える前記トライアルカットオフ周波数をそのフレーム
に関する有声音発声カットオフ周波数として選択する段階 とを実行する請求項３０に記載の音声コーダ。 - 【請求項３２】 前記有声音発声尺度が、前記高調波周波数帯域の形状を前
記帯域に関する基準形状と相関させることによって形成される請求項３１に記載
の音声コーダ。 - 【請求項３３】 前記入力音声信号に窓関数を適用し、前記窓関数が適用さ
れた入力音声信号から前記高調波周波数帯域を含む周波数スペクトルを得るため
の手段を含み、前記基準形状が前記窓関数から得られる請求項３２に記載の音声
コーダ。 - 【請求項３４】 前記有声音発声手段が、各フレームの前端部分に関する第
１の前記有声音発声カットオフ周波数と、各フレームの後端部分に関する第２の
前記有声音発声カットオフ周波数とを規定し、前記量子化手段が、前記有声音発
声カットオフ周波数の値の両方を量子化する請求項３０から３３のいずれか一項
に記載の音声コーダ。 - 【請求項３５】 前記閾値が、前記入力音声信号中のバックグラウンド成分
のレベルに依存している請求項１５、２４および３１のいずれか一項に記載の音
声コーダ。 - 【請求項３６】 前記有声音発声手段が、前記バックグラウンド成分のレベ
ルに応じて前記閾値の推定値を評価し、前記規定の通りのＥ−ｌｆ／Ｅ−ｈｆ、
Ｔ２／Ｔ１、ＺＣ、またはＥＲの１つ以上の値に従って前記推定値を変更し、さ
らに、前記規定の通りのＰＫＹ１、ＰＫＹ２、ＣＭ、およびＥ−ＯＲの１つ以上
の値に従って前記推定値を変更する請求項３５に記載の音声コーダ。 - 【請求項３７】 入力音声信号を符号化するための符号器を含む音声コーダ
であって、前記符号器が、 ディジタルサンプルを生成するために前記入力音声信号をサンプリングするた
めの、および、予め決められた数のサンプルから各々が成る複数フレームに前記
サンプルを分割するための手段と、 サンプルを解析するための、および、各フレーム毎に少なくとも１つの線形予
測係数セットを生成するための線形予測符号化（ＬＰＣ）手段と、 各フレームに関して少なくとも１つのピッチ値を決定するためのピッチ決定手
段と、 各フレーム内の有声信号と無声信号との尺度を規定するための有声音発声手段
と、 各フレームに関する振幅情報を生成するための振幅決定手段と、 各フレームに関する量子化インデックスセットを生成するために、前記予測係
数セット、前記ピッチ値、前記有声信号および前記無声信号の尺度および前記振
幅情報とを量子化するための量子化手段とを備え、 前記振幅決定手段が、各フレーム毎に、前記ピッチ決定手段によって決定され
る前記ピッチ値に高調波として関係付けられている周波数を中心とした複数の周
波数帯域に関するスペクトル振幅セットを生成し、 前記量子化手段が、振幅量子化インデックスの第１の部分を生成するために前
記正規化スペクトル振幅を量子化する音声コーダ。 - 【請求項３８】 各フレームに関する前記スペクトル振幅が、前記フレーム
に関するＬＰＣ残差信号から得られる請求項３７に記載の音声コーダ。 - 【請求項３９】 各フレームに関する前記スペクトル振幅が、前記フレーム
に関する予測係数から得られるＬＰＣ周波数スペクトルを参照して量子化される
請求項３７に記載の音声コーダ。 - 【請求項４０】 入力音声信号を符号化するための符号器を含む音声コーダ
であって、前記符号器が、 ディジタルサンプルを生成するために前記入力音声信号をサンプリングするた
めの、および予め決められた数のサンプルから各々が成る複数フレームに前記サ
ンプルを分割するための手段と、 各フレームの前端部分と後端部分とに関してそれぞれの線スペクトル周波数（
ＬＳＦ）係数セットを生成するためにサンプルを解析するための線形予測符号化
手段と、 各フレームに関して少なくとも１つのピッチ値を決定するためのピッチ決定手
段と、 各フレーム内の有声信号と無声信号との尺度を規定するための有声音発声手段
と、 各フレームに関する振幅情報を生成するための振幅決定手段と、 量子化インデックスセットを生成するために、前記ＬＳＦ係数セット、前記ピ
ッチ値、前記有声信号および無声信号の尺度と、前記振幅情報を量子化するため
の量子化手段 とを備え、前記量子化手段が、 （ｉ）現在のフレームの前端部分に関する量子化ＬＳＦ係数セット（ＬＳＦ′
２）を次式により規定する。 【数１】 ここでＬＳＦ′３とＬＳＦ′１とが各々に現在のフレームの後端部分と現在のフ
レームの直前のフレームの後端部分とに関する量子化ＬＳＦ係数セットでありか
つαが第１のベクトル量子化コードブック中のベクトルであり、 （ｉｉ）第２のベクトル量子化コードブックの個々のＬＳＦ量子化ベクトルＱ
２、Ｑ３と個々の予測値Ｐ２、Ｐ３との組み合わせとして、現在のフレームの各
々の前端部分と後端部分との各々に関する前記量子化ＬＳＦ係数セットＬＳＦ′
２、ＬＳＦ′３を規定する。 ここでＰ２＝λＱ１でＰ３＝λＱ２であり、λが定数であり、かつ、Ｑ１が前記
直前のフレームの後端部分に関する前記ＬＳＦ量子化ベクトルであり、および （ｉｉｉ）現在のフレームに関する線形予測符号化手段によって生成される前
記ＬＳＦ係数（ＬＳＦ２、ＬＳＦ３）と、その対応する量子化ＬＳＦ係数（ＬＳ
Ｆ′２、ＬＳＦ′３）との間の歪みの尺度を最小化するために、前記第１と前記
第２のベクトル量子化コードブックとから前記ベクトルＱ３と前記ベクトルαと
を選択する音声コーダ。 - 【請求項４１】 前記第２のベクトル量子化コードブックが、セット中のＬ
ＳＦ係数のそれぞれのグループがそれらを参照して量子化される前記ベクトルの
少なくとも２つのグループを含む請求項４０に記載の音声コーダ。 - 【請求項４２】 前記歪みの尺度が、次式、 【数２】 によって与えられるエラー関数εであり、ここでＷ1 とＷ2 が知覚的重み付けで
ある請求項４０または４１に記載の音声コーダ。 - 【請求項４３】 前記符号器によって生成される前記量子化インデックスを
復号化するための手段と、前記入力音声信号を表すディジタル信号シーケンスを
生成するために前記復号化された量子化インデックスを処理するための手段とを
備える復号器をさらに含む請求項１から４２のいずれか一項に記載の音声コーダ
。 - 【請求項４４】 前記符号器によって生成される前記量子化インデックスを
復号化するための手段と、前記入力音声信号を表すディジタル信号シーケンスを
生成するために前記復号化された量子化インデックスを処理するための処理手段
とを備える復号器を含み、前記処理手段が、復号化された予測係数から得られる
ＬＰＣ周波数スペクトルとそれに対応するピーク補間ＬＰＣ周波数スペクトルと
の間の比率から得られる重み付け係数によって、前記振幅量子化インデックスの
前記第１の部分から得られる復号化スペクトル振幅を重み付けするための手段を
含む請求項３７から３９のいずれか一項に記載の音声コーダ。 - 【請求項４５】 ＬＳＦ係数、ピッチ値、有声信号と無声信号の尺度および
振幅情報を表す量子化インデックスセットを復号化するための音声コーダであっ
て、ピッチ値、有声信号と無声信号の尺度および振幅情報を表す前記インデック
スから駆動信号を得るためのプロセッサ手段と、前記ＬＳＦ係数に応答して前記
駆動信号をフィルタリングするためのＬＰＣ合成フィルタと、前記ＬＰＣ合成フ
ィルタ出力におけるピッチサイクルエネルギーを前記駆動信号の対応ピッチサイ
クルエネルギーと比較するための手段と、比較したピッチサイクルエネルギーの
相互間の差異を小さくするように前記駆動信号を変更するための手段と、その変
更された駆動信号をフィルタリングするためのさらに別のＬＰＣ合成フィルタと
を含む音声コーダ。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GBGB9811019.0A GB9811019D0 (en) | 1998-05-21 | 1998-05-21 | Speech coders |
| GB9811019.0 | 1998-05-21 | ||
| PCT/GB1999/001581 WO1999060561A2 (en) | 1998-05-21 | 1999-05-18 | Split band linear prediction vocoder |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002516420A true JP2002516420A (ja) | 2002-06-04 |
Family
ID=10832524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000550096A Pending JP2002516420A (ja) | 1998-05-21 | 1999-05-18 | 音声コーダ |
Country Status (11)
| Country | Link |
|---|---|
| US (1) | US6526376B1 (ja) |
| EP (1) | EP0996949A2 (ja) |
| JP (1) | JP2002516420A (ja) |
| KR (1) | KR20010022092A (ja) |
| CN (1) | CN1274456A (ja) |
| AU (1) | AU761131B2 (ja) |
| BR (1) | BR9906454A (ja) |
| CA (1) | CA2294308A1 (ja) |
| GB (1) | GB9811019D0 (ja) |
| IL (1) | IL134122A0 (ja) |
| WO (1) | WO1999060561A2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012133346A (ja) * | 2010-11-30 | 2012-07-12 | Jvc Kenwood Corp | 音声処理装置および音声処理方法 |
| WO2013176177A1 (ja) * | 2012-05-23 | 2013-11-28 | 日本電信電話株式会社 | 符号化方法、復号方法、符号化装置、復号装置、プログラム、および記録媒体 |
| US10636438B2 (en) | 2017-08-29 | 2020-04-28 | Fujitsu Limited | Method, information processing apparatus for processing speech, and non-transitory computer-readable storage medium |
Families Citing this family (57)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6377919B1 (en) * | 1996-02-06 | 2002-04-23 | The Regents Of The University Of California | System and method for characterizing voiced excitations of speech and acoustic signals, removing acoustic noise from speech, and synthesizing speech |
| US7092881B1 (en) * | 1999-07-26 | 2006-08-15 | Lucent Technologies Inc. | Parametric speech codec for representing synthetic speech in the presence of background noise |
| FR2804813B1 (fr) * | 2000-02-03 | 2002-09-06 | Cit Alcatel | Procede de codage facilitant la restitution sonore des signaux de parole numerises transmis a un terminal d'abonne lors d'une communication telephonique par transmission de paquets et equipement mettant en oeuvre ce procede |
| JP3558031B2 (ja) * | 2000-11-06 | 2004-08-25 | 日本電気株式会社 | 音声復号化装置 |
| US7016833B2 (en) * | 2000-11-21 | 2006-03-21 | The Regents Of The University Of California | Speaker verification system using acoustic data and non-acoustic data |
| DE60029147T2 (de) * | 2000-12-29 | 2007-05-31 | Nokia Corp. | Qualitätsverbesserung eines audiosignals in einem digitalen netzwerk |
| GB2375028B (en) * | 2001-04-24 | 2003-05-28 | Motorola Inc | Processing speech signals |
| FI119955B (fi) * | 2001-06-21 | 2009-05-15 | Nokia Corp | Menetelmä, kooderi ja laite puheenkoodaukseen synteesi-analyysi puhekoodereissa |
| KR100347188B1 (en) * | 2001-08-08 | 2002-08-03 | Amusetec | Method and apparatus for judging pitch according to frequency analysis |
| US20030048129A1 (en) * | 2001-09-07 | 2003-03-13 | Arthur Sheiman | Time varying filter with zero and/or pole migration |
| DE60307252T2 (de) * | 2002-04-11 | 2007-07-19 | Matsushita Electric Industrial Co., Ltd., Kadoma | Einrichtungen, verfahren und programme zur kodierung und dekodierung |
| US6915256B2 (en) * | 2003-02-07 | 2005-07-05 | Motorola, Inc. | Pitch quantization for distributed speech recognition |
| US6961696B2 (en) * | 2003-02-07 | 2005-11-01 | Motorola, Inc. | Class quantization for distributed speech recognition |
| US7233894B2 (en) * | 2003-02-24 | 2007-06-19 | International Business Machines Corporation | Low-frequency band noise detection |
| WO2004084182A1 (en) * | 2003-03-15 | 2004-09-30 | Mindspeed Technologies, Inc. | Decomposition of voiced speech for celp speech coding |
| GB2400003B (en) * | 2003-03-22 | 2005-03-09 | Motorola Inc | Pitch estimation within a speech signal |
| US6988064B2 (en) * | 2003-03-31 | 2006-01-17 | Motorola, Inc. | System and method for combined frequency-domain and time-domain pitch extraction for speech signals |
| US7117147B2 (en) * | 2004-07-28 | 2006-10-03 | Motorola, Inc. | Method and system for improving voice quality of a vocoder |
| CN1779779B (zh) * | 2004-11-24 | 2010-05-26 | 摩托罗拉公司 | 提供语音语料库的方法及其相关设备 |
| EP1872364B1 (en) * | 2005-03-30 | 2010-11-24 | Nokia Corporation | Source coding and/or decoding |
| KR100735343B1 (ko) * | 2006-04-11 | 2007-07-04 | 삼성전자주식회사 | 음성신호의 피치 정보 추출장치 및 방법 |
| KR100900438B1 (ko) * | 2006-04-25 | 2009-06-01 | 삼성전자주식회사 | 음성 패킷 복구 장치 및 방법 |
| JP4946293B2 (ja) * | 2006-09-13 | 2012-06-06 | 富士通株式会社 | 音声強調装置、音声強調プログラムおよび音声強調方法 |
| CN1971707B (zh) * | 2006-12-13 | 2010-09-29 | 北京中星微电子有限公司 | 一种进行基音周期估计和清浊判决的方法及装置 |
| US8036886B2 (en) | 2006-12-22 | 2011-10-11 | Digital Voice Systems, Inc. | Estimation of pulsed speech model parameters |
| EP3629328A1 (en) * | 2007-03-05 | 2020-04-01 | Telefonaktiebolaget LM Ericsson (publ) | Method and arrangement for smoothing of stationary background noise |
| JP5355387B2 (ja) * | 2007-03-30 | 2013-11-27 | パナソニック株式会社 | 符号化装置および符号化方法 |
| US8326617B2 (en) * | 2007-10-24 | 2012-12-04 | Qnx Software Systems Limited | Speech enhancement with minimum gating |
| US8260220B2 (en) * | 2009-09-28 | 2012-09-04 | Broadcom Corporation | Communication device with reduced noise speech coding |
| FR2961938B1 (fr) * | 2010-06-25 | 2013-03-01 | Inst Nat Rech Inf Automat | Synthetiseur numerique audio ameliore |
| US8862465B2 (en) | 2010-09-17 | 2014-10-14 | Qualcomm Incorporated | Determining pitch cycle energy and scaling an excitation signal |
| TR201815402T4 (tr) * | 2010-10-25 | 2018-11-21 | Voiceage Corp | Düşük bit hızları ve düşük gecikmede genel audio sinyallerinin kodlanması. |
| US20140365212A1 (en) * | 2010-11-20 | 2014-12-11 | Alon Konchitsky | Receiver Intelligibility Enhancement System |
| PL2676268T3 (pl) * | 2011-02-14 | 2015-05-29 | Fraunhofer Ges Forschung | Urządzenie i sposób przetwarzania zdekodowanego sygnału audio w domenie widmowej |
| BR112013020324B8 (pt) | 2011-02-14 | 2022-02-08 | Fraunhofer Ges Forschung | Aparelho e método para supressão de erro em fala unificada de baixo atraso e codificação de áudio |
| PT2676270T (pt) | 2011-02-14 | 2017-05-02 | Fraunhofer Ges Forschung | Codificação de uma parte de um sinal de áudio utilizando uma deteção de transiente e um resultado de qualidade |
| JP5969513B2 (ja) | 2011-02-14 | 2016-08-17 | フラウンホーファー−ゲゼルシャフト・ツール・フェルデルング・デル・アンゲヴァンテン・フォルシュング・アインゲトラーゲネル・フェライン | 不活性相の間のノイズ合成を用いるオーディオコーデック |
| MY160265A (en) | 2011-02-14 | 2017-02-28 | Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E V | Apparatus and Method for Encoding and Decoding an Audio Signal Using an Aligned Look-Ahead Portion |
| TWI488176B (zh) | 2011-02-14 | 2015-06-11 | Fraunhofer Ges Forschung | 音訊信號音軌脈衝位置之編碼與解碼技術 |
| KR101424372B1 (ko) | 2011-02-14 | 2014-08-01 | 프라운호퍼 게젤샤프트 쭈르 푀르데룽 데어 안겐반텐 포르슝 에. 베. | 랩핑 변환을 이용한 정보 신호 표현 |
| AR085794A1 (es) | 2011-02-14 | 2013-10-30 | Fraunhofer Ges Forschung | Prediccion lineal basada en esquema de codificacion utilizando conformacion de ruido de dominio espectral |
| PT3239978T (pt) | 2011-02-14 | 2019-04-02 | Fraunhofer Ges Forschung | Codificação e descodificação de posições de pulso de faixas de um sinal de áudio |
| US9142220B2 (en) | 2011-03-25 | 2015-09-22 | The Intellisis Corporation | Systems and methods for reconstructing an audio signal from transformed audio information |
| US8548803B2 (en) | 2011-08-08 | 2013-10-01 | The Intellisis Corporation | System and method of processing a sound signal including transforming the sound signal into a frequency-chirp domain |
| US8620646B2 (en) * | 2011-08-08 | 2013-12-31 | The Intellisis Corporation | System and method for tracking sound pitch across an audio signal using harmonic envelope |
| US9183850B2 (en) | 2011-08-08 | 2015-11-10 | The Intellisis Corporation | System and method for tracking sound pitch across an audio signal |
| JP6010539B2 (ja) * | 2011-09-09 | 2016-10-19 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 符号化装置、復号装置、符号化方法および復号方法 |
| RU2612589C2 (ru) | 2013-01-29 | 2017-03-09 | Фраунхофер-Гезелльшафт Цур Фердерунг Дер Ангевандтен Форшунг Е.Ф. | Низкочастотное акцентирование для основанного на lpc кодирования в частотной области |
| US9208775B2 (en) * | 2013-02-21 | 2015-12-08 | Qualcomm Incorporated | Systems and methods for determining pitch pulse period signal boundaries |
| US9959886B2 (en) * | 2013-12-06 | 2018-05-01 | Malaspina Labs (Barbados), Inc. | Spectral comb voice activity detection |
| US9922668B2 (en) | 2015-02-06 | 2018-03-20 | Knuedge Incorporated | Estimating fractional chirp rate with multiple frequency representations |
| US9842611B2 (en) | 2015-02-06 | 2017-12-12 | Knuedge Incorporated | Estimating pitch using peak-to-peak distances |
| EP3306609A1 (en) * | 2016-10-04 | 2018-04-11 | Fraunhofer Gesellschaft zur Förderung der Angewand | Apparatus and method for determining a pitch information |
| CN108281150B (zh) * | 2018-01-29 | 2020-11-17 | 上海泰亿格康复医疗科技股份有限公司 | 一种基于微分声门波模型的语音变调变嗓音方法 |
| TWI684912B (zh) * | 2019-01-08 | 2020-02-11 | 瑞昱半導體股份有限公司 | 語音喚醒裝置及方法 |
| US11270714B2 (en) | 2020-01-08 | 2022-03-08 | Digital Voice Systems, Inc. | Speech coding using time-varying interpolation |
| US11990144B2 (en) | 2021-07-28 | 2024-05-21 | Digital Voice Systems, Inc. | Reducing perceived effects of non-voice data in digital speech |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4731846A (en) * | 1983-04-13 | 1988-03-15 | Texas Instruments Incorporated | Voice messaging system with pitch tracking based on adaptively filtered LPC residual signal |
| NL8400552A (nl) * | 1984-02-22 | 1985-09-16 | Philips Nv | Systeem voor het analyseren van menselijke spraak. |
| US5081681B1 (en) | 1989-11-30 | 1995-08-15 | Digital Voice Systems Inc | Method and apparatus for phase synthesis for speech processing |
| US5226108A (en) | 1990-09-20 | 1993-07-06 | Digital Voice Systems, Inc. | Processing a speech signal with estimated pitch |
| US5216747A (en) | 1990-09-20 | 1993-06-01 | Digital Voice Systems, Inc. | Voiced/unvoiced estimation of an acoustic signal |
| JP3840684B2 (ja) * | 1996-02-01 | 2006-11-01 | ソニー株式会社 | ピッチ抽出装置及びピッチ抽出方法 |
-
1998
- 1998-05-21 GB GBGB9811019.0A patent/GB9811019D0/en not_active Ceased
-
1999
- 1999-05-18 EP EP99922353A patent/EP0996949A2/en not_active Withdrawn
- 1999-05-18 WO PCT/GB1999/001581 patent/WO1999060561A2/en not_active Application Discontinuation
- 1999-05-18 CN CN99801185A patent/CN1274456A/zh active Pending
- 1999-05-18 AU AU39454/99A patent/AU761131B2/en not_active Ceased
- 1999-05-18 CA CA002294308A patent/CA2294308A1/en not_active Abandoned
- 1999-05-18 KR KR1020007000661A patent/KR20010022092A/ko not_active Application Discontinuation
- 1999-05-18 US US09/446,646 patent/US6526376B1/en not_active Expired - Fee Related
- 1999-05-18 BR BR9906454-5A patent/BR9906454A/pt not_active IP Right Cessation
- 1999-05-18 IL IL13412299A patent/IL134122A0/xx unknown
- 1999-05-18 JP JP2000550096A patent/JP2002516420A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012133346A (ja) * | 2010-11-30 | 2012-07-12 | Jvc Kenwood Corp | 音声処理装置および音声処理方法 |
| WO2013176177A1 (ja) * | 2012-05-23 | 2013-11-28 | 日本電信電話株式会社 | 符号化方法、復号方法、符号化装置、復号装置、プログラム、および記録媒体 |
| JPWO2013176177A1 (ja) * | 2012-05-23 | 2016-01-14 | 日本電信電話株式会社 | 符号化方法、復号方法、符号化装置、復号装置、プログラム、および記録媒体 |
| US10636438B2 (en) | 2017-08-29 | 2020-04-28 | Fujitsu Limited | Method, information processing apparatus for processing speech, and non-transitory computer-readable storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| AU3945499A (en) | 1999-12-06 |
| EP0996949A2 (en) | 2000-05-03 |
| CA2294308A1 (en) | 1999-11-25 |
| WO1999060561A2 (en) | 1999-11-25 |
| BR9906454A (pt) | 2000-09-19 |
| IL134122A0 (en) | 2001-04-30 |
| WO1999060561A3 (en) | 2000-03-09 |
| AU761131B2 (en) | 2003-05-29 |
| GB9811019D0 (en) | 1998-07-22 |
| US6526376B1 (en) | 2003-02-25 |
| KR20010022092A (ko) | 2001-03-15 |
| CN1274456A (zh) | 2000-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2002516420A (ja) | 音声コーダ | |
| US5890108A (en) | Low bit-rate speech coding system and method using voicing probability determination | |
| US5574823A (en) | Frequency selective harmonic coding | |
| KR100388387B1 (ko) | 여기파라미터의결정을위한디지탈화된음성신호의분석방법및시스템 | |
| JP3481390B2 (ja) | 短期知覚重み付けフィルタを使用する合成分析音声コーダに雑音マスキングレベルを適応する方法 | |
| US7257535B2 (en) | Parametric speech codec for representing synthetic speech in the presence of background noise | |
| CA2140329C (en) | Decomposition in noise and periodic signal waveforms in waveform interpolation | |
| US5787387A (en) | Harmonic adaptive speech coding method and system | |
| US5781880A (en) | Pitch lag estimation using frequency-domain lowpass filtering of the linear predictive coding (LPC) residual | |
| US6931373B1 (en) | Prototype waveform phase modeling for a frequency domain interpolative speech codec system | |
| US7013269B1 (en) | Voicing measure for a speech CODEC system | |
| US6078880A (en) | Speech coding system and method including voicing cut off frequency analyzer | |
| US5752222A (en) | Speech decoding method and apparatus | |
| US6996523B1 (en) | Prototype waveform magnitude quantization for a frequency domain interpolative speech codec system | |
| US6098036A (en) | Speech coding system and method including spectral formant enhancer | |
| US6081776A (en) | Speech coding system and method including adaptive finite impulse response filter | |
| US5749065A (en) | Speech encoding method, speech decoding method and speech encoding/decoding method | |
| US6119082A (en) | Speech coding system and method including harmonic generator having an adaptive phase off-setter | |
| US6138092A (en) | CELP speech synthesizer with epoch-adaptive harmonic generator for pitch harmonics below voicing cutoff frequency | |
| US6094629A (en) | Speech coding system and method including spectral quantizer | |
| EP1313091B1 (en) | Methods and computer system for analysis, synthesis and quantization of speech | |
| JPH05346797A (ja) | 有声音判別方法 | |
| US6047253A (en) | Method and apparatus for encoding/decoding voiced speech based on pitch intensity of input speech signal | |
| US5884251A (en) | Voice coding and decoding method and device therefor | |
| JP3218679B2 (ja) | 高能率符号化方法 |