JP2003140693A

JP2003140693A - 音声復号装置及び方法

Info

Publication number: JP2003140693A
Application number: JP2001338277A
Authority: JP
Inventors: Yasuhiro Tokuri; 康裕戸栗; Masayuki Nishiguchi; 正之西口
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 2001-11-02
Filing date: 2001-11-02
Publication date: 2003-05-16

Abstract

(57)【要約】【課題】符号化音声データの音声波形を出力するとと
もに、その音声波形に対応付けられた話者情報を出力す
る。【解決手段】音声復号装置１０において、入力された
符号化音声データは、ＬＳＰ逆量子化部２２、ピッチ逆
量子化部２３及びスペクトル逆量子化部２４等を経て、
音声波形に復元され、音声波形が出力制御部３１に供給
される。また、ＬＳＰ逆量子化部２２で得られたＬＰＣ
係数に基づいて、話者識別部２４において音声の話者が
識別され、その話者情報が出力制御部３１に供給され
る。出力制御部３１では、音声波形とその音声波形に対
応付けられた話者情報とが、同期されて出力される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声復号装置及び
その方法に関するものであり、特に、音声データ又は音
声画像データの話者識別機能を有する音声復号装置及び
その方法に関するものである。

【０００２】

【従来の技術】近年では、音声信号をディジタル化し、
そのディジタル音声信号を符号化して保存又は利用する
ことが多い。この音声の符号化方法は、大別して波形符
号化と分析合成符号化、そしてそれらを混在したハイブ
リッド符号化に分けることができる。

【０００３】ここで、波形符号化は、音声波形をできる
だけ忠実に再現できるように符号化するものであり、分
析合成符号化は、音声の生成モデルに基づいて信号をパ
ラメータで表現して符号化するものである。

【０００４】オーディオ信号或いは音声信号の波形符号
化の手法には種々あるが、例えば、時間軸上のオーディ
オ信号を複数の周波数帯域に分割して符号化する帯域分
割符号化（サブ・バンド符号化）や、時間軸上の信号を
所定時間単位でブロック化して、ブロック毎にスペクト
ル変換し、そのスペクトルを周波数帯域毎に符号化する
ブロック符号化若しくは変換符号化を挙げることができ
る。また、上述の帯域分割符号化と変換符号化とを組み
合わせた高能率符号化の手法も考えられており、この場
合には、例えば、上記帯域分割符号化で帯域分割を行っ
た後、各分割帯域毎の信号をスペクトル変換し、スペク
トル変換された信号に対して各周波数帯域毎の符号化が
施される。ここで、時間領域信号を周波数領域信号に変
換するスペクトル変換としては、離散フーリエ変換（Di
screte Fourier Transform:DFT）、離散コサイン変換
（Discrete Cosine Transform:DCT）、或いは修正離散
コサイン変換（Modified Discrete Cosine Transform:M
DCT）等の方式がある。

【０００５】分析合成符号化としては、線形予測（Line
ar Predictive Coding:LPC）分析を用いた分析合成系が
研究されている。例えば、ハーモニック符号化や、合成
による分析（A-b-S:Analysis-by-Synthesis）法を用い
たマルチパス駆動線形予測符号化（ＭＰＣ）や最適ベク
トルのクローズドループサーチによる符号励起線形予測
（ＣＥＬＰ）符号化等がある。

【０００６】一般的に、ＬＰＣ分析を用いた符号化方式
では、線形予測分析（ＬＰＣ分析）によりスペクトルの
包絡情報を抽出し、ＬＰＣ情報をＰＡＲＣＯＲ係数（偏
自己相関関数：PARtial auto-CORrelation coefficien
t）やＬＳＰ（Linear Spectrum Pair）係数等に変換し
て量子化及び符号化する。また、ブロック毎に有声音か
無声音かを判定して、有声音にはハーモニック符号化を
適用し、無声音にはＣＥＬＰ符号化を適用する方式や、
さらには、ＬＰＣ分析による分析合成符号化とそのＬＰ
Ｃ残差信号に波形符号化を用いて符号化するハイブリッ
ド方式も研究されている。

【０００７】図９に、ＬＰＣ分析を用いた一般的な音声
符号化装置の概略構成を示す。図９において、ＬＰＣ分
析部１０１は、入力部１００から入力された音声信号Ｄ
１００に対してＬＰＣ分析を施し、ＬＰＣ係数Ｄ１０１
を求める。ＬＰＣ分析部１０１は、求めたＬＰＣ係数Ｄ
１０１をＬＳＰ変換部１０２に供給する。

【０００８】ＬＳＰ変換部１０２は、ＬＰＣ係数Ｄ１０
１をＬＳＰパラメータＤ１０２に変換して、このＬＳＰ
パラメータＤ１０２をＬＳＰ量子化部１０３に供給し、
ＬＳＰ量子化部１０３は、ＬＳＰパラメータＤ１０２を
量子化する。ＬＳＰパラメータの方がＬＰＣ係数よりも
量子化された際の性能劣化が少ないことから、通常この
ようにＬＳＰパラメータに変換されてから量子化される
ことが多い。なお、ＬＳＰパラメータの量子化の手法と
しては、ベクトル量子化などがよく用いられる。

【０００９】ＬＰＣ逆フィルタ部１０４は、量子化ＬＳ
Ｐパラメータ１０３を逆量子化してさらにＬＰＣ係数に
逆変換して得られたＬＰＣ係数Ｄ１０４を用いて入力信
号Ｄ１００をフィルタリングし、入力信号Ｄ１００から
ＬＰＣ残差信号Ｄ１０５を抽出する。ＬＰＣ逆フィルタ
部１０４は、抽出したＬＰＣ残差信号Ｄ１０５をピッチ
分析部１０５及びピッチ逆フィルタ部１０７に供給す
る。

【００１０】ピッチ分析部１０５は、このようにして求
められたＬＰＣ残差信号Ｄ１０５に対してピッチ分析を
施し、分析されたピッチラグやピッチゲインといったピ
ッチ情報Ｄ１０６をピッチ量子化部１０６に供給する。
ピッチ量子化部１０６は、このピッチ情報Ｄ１０６を量
子化する。

【００１１】ピッチ逆フィルタ部１０７は、量子化ピッ
チ情報Ｄ１０７を逆量子化して得られたピッチ情報Ｄ１
０８を用いてＬＰＣ残差信号Ｄ１０５をフィルタリング
し、ＬＰＣ残差信号Ｄ１０５からピッチ成分を抜き出
す。ピッチ逆フィルタ部１０７は、このようにして平坦
化された残差信号Ｄ１０９をスペクトル変換部１０８に
供給する。

【００１２】スペクトル変換部１０８は、残差信号Ｄ１
０９をスペクトル係数Ｄ１１０に変換し、スペクトル量
子化部１０９は、スペクトル係数Ｄ１１０を量子化す
る。このスペクトル係数Ｄ１１０の量子化には、ベクト
ル量子化による手法や、聴覚心理モデルに基づいた量子
化とハフマン符号化等を組み合わせた手法がよく用いら
れる。

【００１３】このようにして求められた、量子化ＬＳＰ
パラメータＤ１０３、量子化ピッチ情報Ｄ１０７、量子
化スペクトルＤ１１１及びその他の付加情報等は、ビッ
ト合成部１１０に送られ、規定のデータフォーマットに
従って符号化ビットストリームＤ１１２が生成され、出
力部１１１に供給された後、出力される。

【００１４】図９のようなＬＰＣ分析を用いた音声符号
化装置よって生成された符号化音声データの記録形式の
一例を図１０に示す。図１０に示すように、量子化され
たＬＳＰパラメータが符号化データ中に保持されてい
る。この量子化ＬＳＰパラメータは、ＬＰＣ係数に容易
に変換可能であり、ＬＰＣ係数はスペクトルの包絡情報
を示すものであるため、量子化されたスペクトル包絡情
報が保持されていると考えることもできる。

【００１５】図１１に、図９に示した音声符号化装置に
対応する音声復号装置の概略構成を示す。図１１におい
て、ビット分解部１２１は、入力部１２０から所定のブ
ロック毎に入力された符号化データＤ１２０を幾つかの
部分要素に分解する。例えば、ビット分解部１２１は、
符号化データＤ１２０をブロック毎に量子化ＬＳＰ情報
Ｄ１２１、量子化ピッチ情報Ｄ１２２及び量子化残差ス
ペクトル情報Ｄ１２３等に分解する。ビット分解部１２
１は、これらの量子化ＬＳＰ情報Ｄ１２１、量子化ピッ
チ情報Ｄ１２２及び量子化残差スペクトル情報Ｄ１２３
を、それぞれ、ＬＳＰ逆量子化部１２２、ピッチ逆量子
化部１２３、スペクトル逆量子化部１２４に供給する。

【００１６】ＬＳＰ逆量子化部１２２は、量子化ＬＳＰ
情報Ｄ１２１を逆量子化してＬＳＰパラメータを生成
し、さらにＬＳＰパラメータをＬＰＣ係数Ｄ１２４に変
換する。ＬＳＰ逆量子化部１２２は、このＬＰＣ係数Ｄ
１２４を、ＬＰＣ合成部１２７に供給する。

【００１７】ピッチ逆量子化部１２３は、量子化ピッチ
情報Ｄ１２２を逆量子化して、ピッチ周期やピッチゲイ
ンといったピッチ情報Ｄ１２５を生成する。ピッチ逆量
子化部１２３は、このピッチ情報Ｄ１２５をピッチ合成
部１２６に供給する。

【００１８】スペクトル逆量子化部１２４は、量子化残
差スペクトル情報Ｄ１２３を逆量子化して、残差スペク
トルＤ１２６を生成し、スペクトル逆変換部１２５に供
給する。

【００１９】スペクトル逆変換部１２５は、残差スペク
トルＤ１２６に対してスペクトル逆変換を施し、残差波
形Ｄ１２７に変換する。スペクトル逆変換部１２５は、
この残差波形Ｄ１２７をピッチ合成部１２６に供給す
る。

【００２０】ピッチ合成部１２６は、ピッチ逆量子化部
１２３から供給されたピッチ情報Ｄ１２５を用いて残差
波形Ｄ１２７にフィルタリングを施し、ＬＰＣ残差波形
Ｄ１２８を合成する。ピッチ合成部１２６は、このＬＰ
Ｃ残差波形Ｄ１２８をＬＰＣ合成部１２７に供給する。

【００２１】ＬＰＣ合成部１２７は、ＬＳＰ逆量子化部
１２２から供給されたＬＰＣ係数Ｄ１２４を用いてＬＰ
Ｃ残差波形Ｄ１２８にフィルタリングを施し、音声波形
Ｄ１２９を合成する。ＬＰＣ合成部１２７は、この音声
波形Ｄ１２９を出力部１２８に供給する。

【００２２】一方、音声信号の話者を識別する技術も盛
んに研究がされている。以下、説明する。

【００２３】先ず、話者認識には、話者識別と話者照合
がある。話者識別とは、入力された音声が予め登録され
た話者うちのどの話者であるかを判定するものであり、
話者照合とは、入力された音声を予め登録された話者の
データと比較して本人であるか否かを判定するものであ
る。なお、予め登録されていない不特定話者が含まれる
ような場合には、上述した話者識別と話者照合とを組み
合わせた方法によって話者が判定される。また、話者認
識には、認識時に発声する言葉（キーワード）が予め決
められた発声内容依存型と、任意の言葉を発声して認識
をする発声内容独立型がある。

【００２４】一般的な音声認識技術としては、例えば次
のような技術がよく用いられる。先ず、ある話者の音声
信号の個人性を表す特徴量を抽出して、予め学習データ
として記録しておく。識別・照合の際には、入力された
話者音声を分析して、その個人性を表す特徴量を抽出し
て、学習データとの類似度を評価することで、話者の識
別・照合を行う。ここで、音声の個人性を表す特徴量と
しては、ケプストラム（Cepstrum）等がよく用いられ
る。ケプストラムは、対数スペクトルをフーリエ逆変換
したもので、その低次の項の係数によって音声スペクト
ルの包絡を表現できる。或いは、音声信号にＬＰＣ分析
を施してＬＰＣ係数を求め、そのＬＰＣ係数を変換する
ことで得られるＬＰＣケプストラム係数を用いることが
多い。これらのケプストラム若しくはＬＰＣケプストラ
ム係数の時系列の多項式展開係数をデルタケプストラム
と呼び、これも音声スペクトルの時間的変化を表現する
特徴量としてよく用いられる。この他、ピッチやデルタ
ピッチ（ピッチの多項式展開係数）等も用いられること
がある。

【００２５】このようにして抽出されたＬＰＣ（Linear
Predictive Coding）ケプストラム等の特徴量を標準パ
ターンとして学習データを作成するが、その方法として
は、ベクトル量子化歪みによる方法と隠れマルコフモデ
ル（HMM:Hidden Markov Model）による方法が代表的で
ある。

【００２６】ベクトル量子化歪みによる方法では、予め
話者ごとの特徴量をグループ化してその重心を符号帳
（コードブック）の要素（コードベクトル）として蓄え
ておく。そして、入力された音声の特徴量を各話者のコ
ードブックでベクトル量子化して、その入力音声全体に
対する各コードブックの平均量子化歪みを求める。

【００２７】そして話者識別の場合は、その平均量子化
歪みの最も小さいコードブックの話者を選択し、話者照
合の場合は、該当する話者のコードブックによる平均量
子化歪みを閾値と比較して本人かどうかを判定する。

【００２８】一方、ＨＭＭによる方法では、上記と同様
にして求めた話者の特徴量は、隠れマルコフモデル（Ｈ
ＭＭ）の状態間の遷移確率と、各状態での特徴量の出現
確率によって表現され、入力音声区間全体でモデルとの
平均尤度によって判定をする。また、予め登録されてい
ない不特定話者が含まれる話者データの識別の場合は、
先ず登録された話者セットから最も類似した話者を候補
として選び、その候補の量子化歪み若しくは尤度を閾値
と比較して、本人か否かを判定する。

【００２９】

【発明が解決しようとする課題】ところで、符号化され
たデータを復号し、且つその音声の話者を識別する場
合、従来の音声復号装置では、以下のように行われてい
た。すなわち、図１２にその概念構成を示す音声復号装
置２００において、音声波形復元手段２０１は、符号化
データを音声波形に復号する。そして、音声分析手段２
０２は、その復号された音声波形の特徴量を分析し、話
者識別手段２０３は、その特徴量に基づいて、音声デー
タの話者を識別する。

【００３０】このように、従来の音声復号装置２００で
は、符号化されたデータを復号し、且つその音声の話者
を識別する場合に、一旦符号化された音声データを音声
波形に復号し、復号された音声波形の特徴量を分析して
話者識別する必要があったため、多くの演算量及び処理
時間が必要とされた。特に、符号化音声データをリアル
タイムで復号及び再生する場合には、再生中の音声信号
を分析してから話者識別する必要があるため、識別処理
に時間がかかり、音声再生出力と同時にその話者の情報
をリアルタイムで出力することは困難であった。

【００３１】また、一旦復号された音声データを分析し
て識別処理を行うため、識別処理の性能が低下するとい
う問題もあった。

【００３２】本発明は、このような従来の実情に鑑みて
提案されたものであり、符号化された音声データを復号
する際に、復元された音声データを出力するとともに、
その音声に対応付けられた話者情報をリアルタイムで出
力することのできる音声復号装置及びその方法を提供す
ることを目的とする。

【００３３】

【課題を解決するための手段】上述した目的を達成する
ために、本発明に係る音声復号装置は、スペクトル分析
を用いた音声符号化方式によって符号化された符号化音
声データを時間軸上の音声波形に復号する音声復号装置
において、上記符号化音声データからスペクトル情報を
復元するスペクトル情報復元手段と、復元された上記ス
ペクトル情報に基づいて上記符号化音声データの話者を
識別する話者識別手段と、上記符号化音声データから時
間軸上の音声波形を復元する音声波形復号手段と、上記
音声波形復号手段によって復元された音声波形の信号と
ともに、その音声波形に対応する、上記話者識別手段に
よって識別された話者の情報を出力するように制御する
出力制御手段とを備えることを特徴としている。

【００３４】ここで、上記話者識別手段は、上記スペク
トル情報の類似性によって所定の区間毎に話者を識別
し、上記出力制御手段は、少なくとも上記音声波形の信
号の出力を遅延させる機能を有し、上記音声波形の信号
の出力中に上記話者の情報を出力する。上記出力制御手
段は、例えば上記所定の区間の開始点毎に、上記音声波
形の信号と当該音声波形の信号に対応付けられた上記話
者の情報とを同期して出力するように制御する。

【００３５】また、上記スペクトル分析がスペクトル包
絡の分析であり、上記スペクトル情報がスペクトル包絡
情報であってもよい。

【００３６】また、上記スペクトル包絡の分析がＬＰＣ
（線形予測）分析であり、上記スペクトル包絡情報がＬ
ＰＣ情報又はＬＰＣ情報に変換可能なＬＰＣ関連情報で
あってもよい。

【００３７】このような音声復号装置は、復号された音
声波形の信号の特徴量を再度分析することなく、音声波
形の信号を出力するとともに、その音声波形に対応する
話者の情報を出力する。

【００３８】また、上述した目的を達成するために、本
発明に係る音声復号方法は、スペクトル分析を用いた音
声符号化方式によって符号化された符号化音声データを
時間軸上の音声波形に復号する音声復号方法において、
上記符号化音声データからスペクトル情報を復元するス
ペクトル情報復元工程と、復元された上記スペクトル情
報に基づいて上記符号化音声データの話者を識別する話
者識別工程と、上記符号化音声データから時間軸上の音
声波形を復元する音声波形復号工程と、上記音声波形復
号工程にて復元された音声波形の信号とともに、その音
声波形に対応する、上記話者識別工程にて識別された話
者の情報を出力するように制御する出力制御工程とを有
することを特徴としている。

【００３９】ここで、上記話者識別工程では、上記スペ
クトル情報の類似性によって所定の区間毎に話者が識別
され、上記出力制御工程では、少なくとも上記音声波形
の信号の出力が遅延され、上記音声波形の信号の出力中
に上記話者の情報が出力される。上記出力制御工程で
は、例えば上記所定の区間の開始点毎に、上記音声波形
の信号と当該音声波形の信号に対応付けられた上記話者
の情報とが同期されて出力されるように制御される。

【００４０】また、上記スペクトル分析がスペクトル包
絡の分析であり、上記スペクトル情報がスペクトル包絡
情報であってもよい。

【００４１】また、上記スペクトル包絡の分析がＬＰＣ
（線形予測）分析であり、上記スペクトル包絡情報がＬ
ＰＣ情報又はＬＰＣ情報に変換可能なＬＰＣ関連情報で
あってもよい。

【００４２】このような音声復号方法では、復号された
音声波形の信号の特徴量を再度分析することなく、音声
波形の信号が出力されるとともに、その音声波形に対応
する話者の情報が出力される。

【００４３】

【発明の実施の形態】以下、本発明を適用した具体的な
実施の形態について、図面を参照しながら詳細に説明す
る。この実施の形態は、本発明を、スペクトル分析を用
いた音声符号化方式によって符号化された符号化音声デ
ータから音声波形を復元し、且つその音声波形に対応す
る話者の情報を所定の区間毎に同期して出力する機能を
有する音声復号装置に適用したものである。なお、以下
では、スペクトル分析の手法として、特にスペクトル包
絡情報を分析し、さらに、スペクトル包絡情報の分析手
法として、特にＬＰＣ（Linear Predictive Coding）分
析を用いた例について説明する。すなわち、本実施の形
態における音声復号装置は、詳しくは、ＬＰＣ分析を用
いて符号化された符号化音声データからＬＰＣ情報に変
換可能なＬＳＰ情報を復号し、このＬＳＰ情報を用いて
話者を識別して、話者情報を音声波形と同時に出力す
る。

【００４４】ところで、本件出願人らは、先に、特願２
００１−２２５０５１の明細書及び図面において、音声
符号化装置によって符号化された符号化音声データを対
象として、話者を検出及び検索する手法を提案してい
る。この特願２００１−２２５０５１の明細書及び図面
に記載された技術では、図１に示すように、スペクトル
情報復号手段３００によって、入力された符号化音声デ
ータから時間軸情報に復元する前のスペクトル情報を復
元し、このスペクトル情報に基づいて、話者識別手段３
０１によって話者を識別する。したがって、この技術に
よれば、符号化音声データを音声波形に復号することな
く、音声の話者を識別することができる。しかし、この
技術は、符号化音声データにおける話者の検索を目的と
したものであり、音声波形の復元手段をもたないため、
符号化音声データをリアルタイムで復号及び再生する場
合に、その音声の話者情報を同時にリアルタイムで出力
することは困難である。

【００４５】これに対して、本実施の形態における音声
復号装置によれば、上述したように、ＬＰＣ分析を用い
て符号化された符号化音声データからＬＰＣ情報に変換
可能なＬＳＰ情報を復号し、このＬＳＰ情報を用いて話
者を識別して、話者情報を音声波形と同時に出力するこ
とができる。以下、説明する。

【００４６】先ず、本実施の形態における音声復号装置
の概念構成図を図２に示す。図２に示すように、音声復
号装置においては、情報源となるＬＰＣ関連情報を有す
る符号化音声データがＬＰＣ情報復号手段１に入力さ
れ、ＬＰＣ情報が抽出されて復号される。なお、この符
号化音声データは、前述した図１０のような形式とされ
たものである。

【００４７】話者識別手段２は、ＬＰＣ復号手段１によ
って復号されたＬＰＣ情報を入力し、ＬＰＣ情報に基づ
いて音声データの話者を識別する。話者識別手段２は、
この識別結果を音声の話者情報として出力制御手段４に
供給する。

【００４８】一方、音声波形復号手段３は、ＬＰＣ復号
手段１によって復号されたＬＰＣ情報を入力し、ＬＰＣ
情報に基づいて音声波形を復元する。音声波形復号手段
３は、この復元された音声波形信号を出力制御手段４に
供給する。

【００４９】出力制御手段４は、音声の話者情報と音声
波形信号とを後述するように同期して出力する。

【００５０】次に、図２に示した音声復号装置の具体的
な構成例を図３に示す。この音声復号装置１０は、ＬＰ
Ｃ分析により得られたＬＰＣ情報をＬＳＰ（Linear Spe
ctrum Pair）情報に変換して量子化及び符号化された符
号化音声データを処理対象として、音声波形を復元する
と同時に音声の話者情報を同期して出力するものであ
る。また、音声復号装置１０は、話者を識別する際に、
特に符号化された音声データから抽出されたＬＰＣ情報
を変換して得られるＬＰＣケプストラムを識別の特徴量
として利用し、識別の手法としてベクトル量子化を利用
する。なお、ＬＰＣ情報に基づいた話者の識別手法が本
実施の形態における手法に限定されないのは、勿論であ
る。

【００５１】図３に示すように、音声復号装置１０は、
符号化音声データを入力する入力部２０と、符号化音声
データを幾つかの部分要素に分解するビット分解部２１
と、符号化音声データの量子化ＬＳＰ情報に逆量子化を
施してＬＰＣ情報を復号するＬＳＰ逆量子化部２２と、
符号化音声データの量子化ピッチ情報に逆量子化を施し
てピッチ情報を復号するピッチ逆量子化部２３と、符号
化音声データの量子化残差スペクトルに逆量子化を施し
て残差スペクトルを復号するスペクトル逆量子化部２４
と、残差スペクトルをスペクトル逆変換して時間軸上の
残差波形信号に変換するスペクトル逆変換部２５と、残
差波形信号とピッチ情報とからＬＰＣ残差波形を合成す
るピッチ合成部２６と、ピッチ成分を含む波形とＬＰＣ
情報とから音声波形を合成するＬＰＣ合成部２７と、Ｌ
ＰＣ情報を音声の特徴量であるＬＰＣケプストラム（Ce
pstrum）係数に変換するケプストラム変換部２８と、ケ
プストラム係数にベクトル量子化を施してベクトル量子
化歪を求めるベクトル量子化部２９と、ベクトル量子化
歪を所定のブロック毎に評価して話者を識別する話者識
別部３０と、復元された音声波形信号とその音声の話者
情報とを後述するように同期して出力する出力制御部３
１と、音声信号を出力する音声出力部３２と、話者情報
を出力する話者情報出力部３３とを備えている。

【００５２】ビット分解部２１は、入力部２０から所定
のブロック毎に入力された符号化データＤ２０を幾つか
の部分要素に分解する。例えば、ビット分解部２１は、
符号化データＤ２０をブロック毎に量子化ＬＳＰ情報Ｄ
２１、量子化ピッチ情報Ｄ２２及び量子化残差スペクト
ル情報Ｄ２３等に分解する。ここで、量子化の手法とし
てベクトル量子化を用いた場合には、コードブックのイ
ンデックスが得られ、或いはハフマン符号化を用いた量
子化の場合には、その符号のインデックスが得られる。
ビット分解部２１は、これらの量子化ＬＳＰ情報Ｄ２
１、量子化ピッチ情報Ｄ２２及び量子化残差スペクトル
情報Ｄ２３を、それぞれ、ＬＳＰ逆量子化部２２、ピッ
チ逆量子化部２３、スペクトル逆量子化部２４に供給す
る。

【００５３】ＬＳＰ逆量子化部２２は、量子化ＬＳＰ情
報Ｄ２１を逆量子化してＬＳＰパラメータを生成し、さ
らにＬＳＰパラメータをＬＰＣ係数Ｄ２４に変換する。
ＬＳＰ逆量子化部２２は、このＬＰＣ係数Ｄ２４を、Ｌ
ＰＣ合成部２７とケプストラム変換部２８とに供給す
る。

【００５４】ピッチ逆量子化部２３は、量子化ピッチ情
報Ｄ２２を逆量子化して、ピッチ周期やピッチゲインと
いったピッチ情報Ｄ２５を生成する。ピッチ逆量子化部
２３は、このピッチ情報Ｄ２５をピッチ合成部２６に供
給する。

【００５５】スペクトル逆量子化部２４は、量子化残差
スペクトル情報Ｄ２３を逆量子化して、残差スペクトル
Ｄ２６を生成し、スペクトル逆変換部２５に供給する。

【００５６】スペクトル逆変換部２５は、残差スペクト
ルＤ２６に対してスペクトル逆変換を施し、残差波形Ｄ
２７に変換する。スペクトル逆変換部２５は、この残差
波形Ｄ２７をピッチ合成部２６に供給する。

【００５７】ピッチ合成部２６は、ピッチ逆量子化部２
３から供給されたピッチ情報Ｄ２５を用いて残差波形Ｄ
２７にフィルタリングを施し、ＬＰＣ残差波形Ｄ２８を
合成する。ピッチ合成部２６は、このＬＰＣ残差波形Ｄ
２８をＬＰＣ合成部２７に供給する。

【００５８】ＬＰＣ合成部２７は、ＬＳＰ逆量子化部２
２から供給されたＬＰＣ情報Ｄ２４を用いてＬＰＣ残差
波形Ｄ２８にフィルタリングを施し、音声波形Ｄ２９を
合成する。ＬＰＣ合成部２７は、この音声波形Ｄ２９を
出力制御部３１に供給する。

【００５９】ケプストラム変換部２８は、ＬＳＰ逆量子
化部２２から供給されたＬＰＣ情報Ｄ２４をＬＰＣケプ
ストラム係数Ｄ３０に変換し、このＬＰＣケプストラム
係数Ｄ３０をベクトル量子化部２９に供給する。

【００６０】ベクトル量子化部２９は、ＬＰＣケプスト
ラムＤ３０に対して、登録された各話者のコードブック
を用いてそれぞれベクトル量子化を施し、各コードブッ
ク毎のベクトル量子化歪Ｄ３１を求める。ベクトル量子
化部２９は、この各コードブック毎のベクトル量子化歪
Ｄ３１を話者識別部３０に供給する。

【００６１】話者識別部３０は、過去幾つかのブロック
のベクトル量子化歪Ｄ３１を保存しておき、これらを評
価して音声の話者を識別する。この話者識別について
は、後で詳述する。話者識別部３０は、識別された話者
情報Ｄ３２を出力制御部３１に供給する。

【００６２】出力制御部３１は、ＬＰＣ合成部２７から
供給された音声波形Ｄ２９と話者識別部３０から供給さ
れた話者情報Ｄ３２とを例えばバッファに蓄えておき、
音声出力部３２及び話者情報出力部３３に同期して出力
する。すなわち、出力制御部３１は、同期が取られた音
声波形Ｄ３３を音声出力部３２に、また、同期が取られ
た話者情報Ｄ３４を話者情報出力部３３に、それぞれ同
時に出力する。この同期処理については、後で詳述す
る。

【００６３】音声復号装置１０は、以上のような構成に
より、符号化された音声データから音声波形を復元する
と同時に、その音声の話者を識別し、それらを同期して
出力することができる。

【００６４】次に、音声復号装置１０の一連の処理につ
いて説明するが、その前に、処理の単位であるブロック
について図４を用いて説明する。

【００６５】図４に示すＬＰＣブロックは、入力された
符号化音声データからブロック毎に読み込まれるブロッ
クデータであり、この単位で復号処理が施される。ＬＰ
Ｃブロックのブロック長は、通常３０ミリ秒〜６０ミリ
秒程度がよく用いられる。また、分析解像度を向上させ
るために隣接ブロックと２０ミリ秒〜３０ミリ秒程度ず
つオーバーラップさせることが多い。

【００６６】話者認識ブロックは、Ｎ個のＬＰＣブロッ
クからなり、話者を識別するための分析単位である。な
お、話者認識ブロックのブロック長が数秒程度になるよ
うに、上述したＮの数を決定するのがよい。また、話者
認識ブロックは、図４に示すように、Ｋ（Ｋ＜Ｎ）個の
ＬＰＣブロック毎にずらして設定される。すなわち、
（Ｎ−Ｋ）個だけ、隣接する話者認識ブロックとオーバ
ーラップしている。したがって、話者の識別情報は、Ｋ
個のＬＰＣブロック毎に求められる。なお、ＬＰＣブロ
ック毎に話者を識別したい場合には、Ｋ＝１としてもよ
いが、演算量が多くなるため、通常は、識別が１秒毎程
度になるようにＫを設定するのがよい。

【００６７】以下、本実施の形態における音声復号装置
１０の一連の処理について、上述した図３と、図５のフ
ローチャートとを用いて説明する。先ずステップＳ１０
において、ＬＰＣブロック毎に符号化音声データを読み
込むが、その読み込むＬＰＣブロックの番号Ｉを０にセ
ットする。

【００６８】次にステップＳ１１において、話者認識ブ
ロック内での処理済みのＬＰＣブロック数を数えるカウ
ンタｎを０に初期化する。

【００６９】続いてステップＳ１２では、カウンタｎが
話者認識ブロックに含まれるＬＰＣブロック数Ｎ未満で
あるか否かが判別される。ステップＳ１２において、カ
ウンタｎがＬＰＣブロック数Ｎ未満であれば、ステップ
Ｓ１３に進んで、Ｉ番目のＬＰＣブロックのデータを読
み込む。ステップＳ１２において、カウンタｎがＬＰＣ
ブロック数Ｎ未満でなければステップＳ２３に進む。

【００７０】ステップＳ１４では、符号化音声データの
末尾に到達しているか否かが判別され、データの末尾に
到達していれば処理を終了する。データの末尾に到達し
ていなければ、ステップＳ１５に進む。

【００７１】ステップＳ１５では、図３のビット分解部
２１において、読み込んだＬＰＣブロックのデータを幾
つかの部分要素に分解する。すなわち、上述したよう
に、データを量子化ＬＳＰ情報、量子化ピッチ情報及び
量子化残差スペクトル情報等に分解する。

【００７２】ステップＳ１６では、ＬＳＰ逆量子化部２
２において、量子化ＬＳＰ情報を逆量子化してＬＳＰパ
ラメータを生成し、さらにＬＳＰパラメータをＬＰＣ係
数に変換する。なお、本実施の形態では、符号化音声デ
ータを分解して得られるＬＰＣ関連情報（ＬＰＣ係数に
変換可能な情報）としてＬＳＰパラメータを用いている
が、これに限定されるものではなく、ＬＰＣ係数に変換
可能なものであれば、例えば、量子化されたＬＰＣ係数
を直接用いてもよく、また、ＰＡＲＣＯＲ係数（PARtia
l auto-CORrelation coefficient：偏自己相関関数）を
用いてもよい。

【００７３】続くステップＳ１７では、ピッチ逆量子化
部２３及びスペクトル逆量子化部２４において、それぞ
れ量子化ピッチ情報、量子化残差スペクトルの逆量子化
を行う。

【００７４】ステップＳ１８では、スペクトル逆変換部
２５において、残差スペクトルに対してスペクトル逆変
換を施し、残差波形に変換する。また、ピッチ合成部２
６において、ピッチ情報を用いてピッチ合成を行って、
ＬＰＣ残差波形を合成し、さらに、ＬＰＣ合成部２７に
おいて、ＬＰＣ情報を用いてＬＰＣ合成を行って、音声
波形を合成する。

【００７５】ステップＳ１９では、得られた音声波形
を、出力制御部３１の図示しない音声出力用バッファに
格納する。なお、バッファに格納された音声波形は、順
次取り出され、後述するように、対応する話者情報と同
期して出力される。

【００７６】ステップＳ２０では、ケプストラム変換部
２８において、ステップＳ１６で得られたＬＰＣ係数を
ＬＰＣケプストラム係数に変換する。

【００７７】続くステップＳ２１では、ベクトル量子化
部２９において、予め作成された複数のコードブックを
用いて、ステップＳ２０で得られたＬＰＣケプストラム
係数にベクトル量子化が施される。それぞれのコードブ
ックは、登録された話者に一対一に対応する。ここで、
コードブックＣＢ_ｋによるこのＬＰＣブロックのＬＰＣ
ケプストラム係数のベクトル量子化歪をｄ_ｋとする。な
お、ｋは、コードブックの番号である。このベクトル量
子化歪ｄ_ｋは、話者識別部３０において、過去Ｎブロッ
ク分保存される。

【００７８】ステップＳ２２では、ＬＰＣブロック番号
Ｉとカウンタｎとに１を加算して次のＬＰＣブロックに
移り、ステップＳ１２に戻る。以上のステップＳ１２か
らステップ２２までの処理は、話者認識ブロック内の全
てのＬＰＣブロックの処理が終了するか、符号化音声デ
ータの末尾に到達するまで繰り返される。なお、ステッ
プＳ１７からステップＳ１９までの処理は、音声波形の
復号処理であり、また、ステップＳ２０及びステップＳ
２１の処理は、話者識別のための処理であり、互いに独
立しているため、並行して処理を行うことも可能であ
る。

【００７９】ステップＳ２３では、ベクトル量子化部２
９において、過去Ｎブロックにおけるベクトル量子化歪
ｄ_ｋを用いて、コードブック毎の平均ベクトル量子化歪
みＤ _ｋを求める。

【００８０】続いてステップＳ２４では、平均量子化歪
みＤ_ｋを最小にする話者Ｓ_ｋ’に対応するコードブック
ＣＢ_ｋ’を選出し、この話者Ｓ_ｋ’を話者候補Ｓ_ｃとす
る。このようにして、コードブックが登録されている話
者のうち、最も入力データの音声が類似している話者
が、その話者認識ブロックにおける話者候補Ｓ_ｃとして
選出される。

【００８１】次に、ステップＳ２５において、話者候補
Ｓ_ｃの照合判定を行う。すなわち、ステップＳ２４で識
別された話者候補Ｓ_ｃは、単に最小のベクトル量子化歪
を与えるコードブックとして選択されたものであるの
で、未登録の話者データであっても何れかのコードブッ
クが選択されてしまう。そこで、ベクトル量子化歪を評
価して、選択された話者候補Ｓ_ｃが本人であるか否かの
照合判定を行う。なお、照合判定については、後で詳述
する。照合判定の結果、本人であると判定されれば話者
候補Ｓ_ｃを識別話者として確定し、棄却されれば未知話
者として確定する。

【００８２】ステップＳ２６では、得られた話者情報
を、出力制御部３１の図示しない話者情報出力用バッフ
ァに格納する。なお、バッファに格納されたデータは、
順次取り出され、後述するように、対応する音声波形デ
ータと同期して出力される。

【００８３】ステップＳ２７では、カウンタｎをオーバ
ーラップシフト分、すなわち、ｎ＝Ｎ−Ｋにセットし
て、次の話者認識ブロックの処理に移る。ここで、次の
話者認識ブロックにおける前半のＮ−Ｋ個のＬＰＣブロ
ックについては、既に前の話者認識ブロックにおいてベ
クトル量子化歪ｄ_ｋが求められている。そこで、カウン
タｎをｎ＝Ｎ−Ｋにセットし、後半のＫ個のＬＰＣブロ
ックについてのみベクトル量子化歪ｄ_ｋを求め、前半の
Ｎ−Ｋ個のＬＰＣブロックのベクトル量子化歪ｄ _ｋにつ
いては、前の話者認識ブロックにおいて得られたものを
用いることで、その話者認識ブロックにおける話者を識
別することができる。したがって、２番目以降の話者認
識ブロックでは、Ｋ個のＬＰＣブロック毎に話者が識別
されることになる。

【００８４】以上のようにして、符号化音声データの音
声波形を復元されると共に、話者識別ブロック毎の話者
が識別される。そして、その音声波形データと話者情報
とは、出力制御部３１において、後述するように同期し
て出力される。

【００８５】ここで、図５のステップＳ２５における話
者候補Ｓ_ｃの照合判定方法の詳細を図６に示す。先ずス
テップＳ３０において、話者候補Ｓ_ｃの平均量子化歪み
をＤ _０とする。次にステップＳ３１において、話者候補
Ｓ_ｃ以外の各コードブックによる平均量子化歪みを小さ
い順に並び替え、そのうち、小さいものから順にｎ個
を、Ｄ_１，Ｄ_２，・・・Ｄ_ｎ（Ｄ_０＜Ｄ_１＜Ｄ_２＜・・
・＜Ｄ_ｎ）とする。ｎの値は、任意に選択可能である。

【００８６】続いてステップＳ３２において、評価の尺
度として、話者候補Ｓ_ｃの量子化歪みＤ_０とそれ以外の
ｎ個の量子化歪みについて、以下の式（１）又は式
（２）を用いて歪差分量ΔＤを求める。

【００８７】

【数１】

【００８８】式（１）、式（２）において、例えばｎが
１の場合は、話者候補Ｓ_ｃに次いで量子化歪みが小さい
Ｄ_１とＤ_０との量子化歪みの差を求めることになる。

【００８９】続いてステップＳ３３において、図示しな
い記憶部から話者候補Ｓ_ｃに対応する閾値データを読み
こむ。

【００９０】この記憶部には、各登録話者ごとに、例え
ば図７のような形式で閾値データが記録されている。す
なわち、図７に示すように、各登録話者の話者識別名
と、閾値データである量子化歪の最大歪絶対値Ｄ_ｍａｘ
及び最小歪差分ΔＤ_ｍｉｎが予め記録されている。

【００９１】図６に戻り、ステップＳ３４では、読みこ
んだ閾値データＤ_ｍａｘ，ΔＤ_ｍｉ _ｎを、求めたＤ_０及
びΔＤと比較して判別する。すなわち、ステップＳ３４
において、量子化歪みの絶対値Ｄ_０が閾値データＤ
_ｍａｘよりも小さく、且つ、歪差分量ΔＤが閾値データ
ΔＤ_ｍｉｎより大きければ、ステップＳ３５に進み、本
人であると判定し、候補を確定する。そうでなければ、
ステップＳ３６に進み、未知話者と判定し、候補を棄却
する。このように、話者候補Ｓ_ｃの平均量子化歪Ｄ _０と
歪差分量ΔＤとをそれぞれ閾値と比較することで、登録
話者の音声データの識別誤りが減少し、また、登録話者
以外の音声データを未知話者として判定することが可能
となる。

【００９２】続いて、図３の出力制御部３１における同
期出力処理について、図８を用いて説明する。

【００９３】出力制御部３１は、上述したように、音声
波形とその音声波形に対応する話者情報とを同期して出
力する。これを実現する手法として、例えば、音声波形
と話者情報とをそれぞれ音声出力用バッファ、話者情報
出力用バッファに蓄えておき、音声波形をバッファから
順に取り出して出力する際に、その音声波形に対応する
話者情報をバッファから取り出して同時に出力する手法
等がある。図７は、このようなバッファを用いた制御手
法を説明する図である。

【００９４】音声出力用バッファには、復号された音声
波形がＬＰＣブロック毎に格納されていく。例えば図８
に示すように、入力された順に、Ａ_１，Ａ_２，…，
Ａ_ｋ，Ｂ _１，Ｂ_２，…，Ｂ_ｋのように格納される。

【００９５】また、話者情報出力用バッファには、識別
された話者情報、例えば話者名やその他の付加情報等
が、話者認識ブロック毎に格納される。例えば図８に示
すように、入力された順に、Ａ，Ｂ，…と格納される。
ここで、話者情報出力用バッファのブロックＡは、音声
出力用バッファにおけるＡ_１からＡ_ｋのＫ個の音声波形
に対応する情報である。また、上述したように、Ｋ個の
ＬＰＣブロック毎に話者が識別されるため、Ｋ個の音声
波形が音声出力用バッファに入力される毎に話者情報が
話者情報出力用バッファに入力される。

【００９６】したがって、音声出力用バッファからＫ個
の音声波形が読み出される毎に、１つの話者情報を話者
情報出力用バッファから読み出せば、出力される音声デ
ータに対応する話者情報を同期して出力することができ
る。例えば、図８において、音声波形Ａ_１を音声出力用
バッファから読み出して出力する際に、話者情報出力用
バッファから話者情報Ａを読み出して出力し、次に、音
声波形Ｂ_１を音声出力用バッファから読み出して出力す
る際に、話者情報出力用バッファから話者情報Ｂを読み
出して出力すればよい。この話者情報は、Ａ_１からＡ_ｋ
のＫ個の音声波形を再生している間、図示しない表示部
に表示しておくことができる。これにより、再生されて
いる音声の話者が誰であるのかをリアルタイムで知るこ
とができる。

【００９７】なお、同期のタイミングは、上述した例に
限定されるものではなく、例えばＡ _１からＡ_ｋのＫ個の
音声波形を再生している間の何れかの時点で、その音声
波形に対応する話者情報Ａが出力されればよい。また、
上述の例では、音声出力用バッファと話者情報出力用バ
ッファとを設けるものとして説明したが、出力される音
声波形に対応する話者情報を同期して出力するための方
法は、これに限定されるものではない。但し、話者情報
を出力するためには、話者認識ブロック中の全てのＬＰ
Ｃブロックについて分析が終了している必要があるた
め、音声波形を出力している間に対応する話者情報を出
力するには、少なくとも音声波形の出力を遅延させるた
めのバッファが必要である。

【００９８】以上のように、本実施の形態における音声
復号装置１０によれば、符号化された音声データを復号
してその音声の話者を識別する際に、復号された音声波
形の特徴量を再度分析する必要がないため、話者の識別
に必要な演算量と処理時間とを大幅に削減することがで
き、且つ、再分析によって生じる識別性能の劣化がなく
なる。

【００９９】したがって、音声波形を出力するととも
に、その音声波形に対応する話者の情報を出力すること
ができる。特に、符号化音声データをリアルタイムで復
号再生する場合に、再生中の音声波形の信号とともに、
その音声波形に対応する話者の情報を出力することがで
きる。

【０１００】なお、本発明は上述した実施の形態のみに
限定されるものではなく、本発明の要旨を逸脱しない範
囲において種々の変更が可能であることは勿論である。

【０１０１】例えば、上述の説明では、ＬＰＣ分析を用
いた音声符号化装置によって生成された符号化音声デー
タからＬＳＰ情報を復号し、ＬＳＰ情報からＬＰＣケプ
ストラムを求め、このＬＰＣケプストラムを特徴量とし
て、話者を識別する手法を例に挙げたが、話者の識別手
法が上述の例に限定されるものではない。すなわち、Ｌ
ＰＣケプストラム係数は、スペクトルの包絡情報を効果
的に表現するものであるが、スペクトルの包絡を表現す
る他の特徴量を用いてもよい。つまり、他のスペクトル
分析を用いた音声符号化装置によって生成された符号化
音声データからスペクトル情報を復号し、そのスペクト
ル情報を用いて話者を識別してもよい。

【０１０２】また、スペクトルの包絡情報を用いて識別
することも可能である。例えば、対数パワースペクトル
の逆スペクトル変換であるケプストラム分析によって得
られるケプストラム係数は、その低次の係数がスペクト
ルの包絡情報を表すものであるため、このケプストラム
係数をＬＰＣケプストラムの代わりに、特徴量ベクトル
として用いてもよい。また、周波数軸上のＮ個の点でス
ペクトルの包絡Ｓ１，Ｓ２，…，Ｓｎが与えられていた
とすれば、識別のための特徴量ベクトルｘをｘ＝［Ｓ
１，Ｓ２，…，Ｓｎ］として、この特徴量ベクトルをベ
クトル量子化し、そのベクトル量子化歪みを評価するこ
とで話者を識別することが可能である。

【０１０３】さらに、スペクトル情報そのものが与えら
れれば、ＬＰＣ分析やケプストラム分析等を用いてスペ
クトル包絡を抽出することは容易であるため、この場合
も同様に話者の識別を行うことが可能である。

【０１０４】また、スペクトル包絡情報以外を用いた話
者認識の手法として、音声のスペクトルを直接分析し、
そのスペクトル係数、基本周波数、ピッチ、平均パワ
ー、高域成分、長時間平均スペクトル等の情報を用いて
識別する手法もある。例えば、ピッチや平均パワー、或
いは幾つかのスペクトル係数等を特徴量ベクトルとして
用い、上述の例と同様にベクトル量子化を用いる手法等
により話者を識別することも可能である。

【０１０５】このように、本発明は、ＬＰＣ情報を有す
る符号化音声データのみならず、スペクトル包絡情報や
スペクトル情報そのものを有する符号化音声データを復
号する音声復号装置についても適用可能である。

【０１０６】

【発明の効果】以上詳細に説明したように本発明に係る
音声復号装置は、スペクトル分析を用いた音声符号化方
式によって符号化された符号化音声データを時間軸上の
音声波形に復号する音声復号装置において、上記符号化
音声データからスペクトル情報を復元するスペクトル情
報復元手段と、復元された上記スペクトル情報に基づい
て上記符号化音声データの話者を識別する話者識別手段
と、上記符号化音声データから時間軸上の音声波形を復
元する音声波形復号手段と、上記音声波形復号手段によ
って復元された音声波形の信号とともに、その音声波形
に対応する、上記話者識別手段によって識別された話者
の情報を出力するように制御する出力制御手段とを備え
ることを特徴としている。

【０１０７】ここで、上記話者識別手段は、上記スペク
トル情報の類似性によって所定の区間毎に話者を識別
し、上記出力制御手段は、少なくとも上記音声波形の信
号の出力を遅延させる機能を有し、上記音声波形の信号
の出力中に上記話者の情報を出力する。上記出力制御手
段は、例えば上記所定の区間の開始点毎に、上記音声波
形の信号と当該音声波形の信号に対応付けられた上記話
者の情報とを同期して出力するように制御する。

【０１０８】また、上記スペクトル分析がスペクトル包
絡の分析であり、上記スペクトル情報がスペクトル包絡
情報であってもよい。

【０１０９】また、上記スペクトル包絡の分析がＬＰＣ
（線形予測）分析であり、上記スペクトル包絡情報がＬ
ＰＣ情報又はＬＰＣ情報に変換可能なＬＰＣ関連情報で
あってもよい。

【０１１０】このような音声復号装置は、復号された音
声波形の信号の特徴量を再度分析することなく、音声波
形の信号を出力するとともに、その音声波形に対応する
話者の情報を出力する。

【０１１１】また、本発明に係る音声復号方法は、スペ
クトル分析を用いた音声符号化方式によって符号化され
た符号化音声データを時間軸上の音声波形に復号する音
声復号方法において、上記符号化音声データからスペク
トル情報を復元するスペクトル情報復元工程と、復元さ
れた上記スペクトル情報に基づいて上記符号化音声デー
タの話者を識別する話者識別工程と、上記符号化音声デ
ータから時間軸上の音声波形を復元する音声波形復号工
程と、上記音声波形復号工程にて復元された音声波形の
信号とともに、その音声波形に対応する、上記話者識別
工程にて識別された話者の情報を出力するように制御す
る出力制御工程とを有することを特徴としている。

【０１１２】ここで、上記話者識別工程では、上記スペ
クトル情報の類似性によって所定の区間毎に話者が識別
され、上記出力制御工程では、少なくとも上記音声波形
の信号の出力が遅延され、上記音声波形の信号の出力中
に上記話者の情報が出力される。上記出力制御工程で
は、例えば上記所定の区間の開始点毎に、上記音声波形
の信号と当該音声波形の信号に対応付けられた上記話者
の情報とが同期されて出力されるように制御される。

【０１１３】また、上記スペクトル分析がスペクトル包
絡の分析であり、上記スペクトル情報がスペクトル包絡
情報であってもよい。

【０１１４】また、上記スペクトル包絡の分析がＬＰＣ
（線形予測）分析であり、上記スペクトル包絡情報がＬ
ＰＣ情報又はＬＰＣ情報に変換可能なＬＰＣ関連情報で
あってもよい。

【０１１５】このような音声復号方法では、復号された
音声波形の信号の特徴量を再度分析することなく、音声
波形の信号が出力されるとともに、その音声波形に対応
する話者の情報が出力される。

【図面の簡単な説明】

【図１】従来における符号化音声データの話者を検出及
び検索する装置の概念構成を説明する図である。

【図２】本実施の形態における音声復号装置の概念構成
を説明する図である。

【図３】同音声復号装置の構成を説明する図である。

【図４】同音声復号装置における話者認識ブロック及び
ＬＰＣブロックの関係を説明する図である。

【図５】同音声復号装置の一連の処理を説明するフロー
チャートである。

【図６】同音声復号装置における話者の照合判定処理を
説明するフローチャートである。

【図７】同音声復号装置における話者の照合判定処理用
の閾値データの記録形式を説明する図である。

【図８】同音声復号装置における音声波形とその音声波
形に対応する話者情報とを同期して出力する処理を説明
する図である。

【図９】従来の音声符号化装置の構成の一例を説明する
図である。

【図１０】同音声符号化装置によって符号化された音声
データの形式を説明する図である。

【図１１】従来の音声復号装置の構成の一例を説明する
図である。

【図１２】符号化音声データを復号するとともに、その
話者を識別する従来の装置の概念構成を説明する図であ
る。

【符号の説明】

１ＬＰＣ復号手段、２話者識別手段、３音声波形
復号手段、４出力制御手段、１０音声復号装置、２
０入力部、２１ビット分解部、２２ＬＳＰ逆量子
化部、２３ピッチ逆量子化部、２４スペクトル逆量
子化部、２５スペクトル逆変換部、２６ピッチ合成
部、２７ＬＰＣ合成部、２８ケプストラム変換部、
２９ベクトル量子化部、３０話者識別部、３１出
力制御部、３２音声出力部、３３話者情報出力部

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩテーマコート゛(参考）Ｇ１０Ｌ 9/14 Ａ

Claims

【特許請求の範囲】

【請求項１】スペクトル分析を用いた音声符号化方式
によって符号化された符号化音声データを時間軸上の音
声波形に復号する音声復号装置において、上記符号化音声データからスペクトル情報を復元するス
ペクトル情報復元手段と、復元された上記スペクトル情報に基づいて上記符号化音
声データの話者を識別する話者識別手段と、上記符号化音声データから時間軸上の音声波形を復元す
る音声波形復号手段と、上記音声波形復号手段によって復元された音声波形の信
号とともに、その音声波形に対応する、上記話者識別手
段によって識別された話者の情報を出力するように制御
する出力制御手段とを備えることを特徴とする音声復号
装置。
【請求項２】上記話者識別手段は、時間軸上の音声波
形に復元する前のスペクトル情報に基づいて話者を識別
することを特徴とする請求項１記載の音声復号装置。
【請求項３】上記話者識別手段は、上記スペクトル情
報の類似性によって所定の区間毎に話者を識別し、上記出力制御手段は、少なくとも上記音声波形の信号の
出力を遅延させる機能を有し、上記音声波形の信号の出
力中に上記話者の情報を出力することを特徴とする請求
項１記載の音声復号装置。
【請求項４】上記出力制御手段は、上記所定の区間の
開始点毎に、上記音声波形の信号と当該音声波形の信号
に対応付けられた上記話者の情報とを同期して出力する
ように制御することを特徴とする請求項３記載の音声復
号装置。
【請求項５】上記スペクトル分析は、スペクトル包絡
の分析であり、上記スペクトル情報は、スペクトル包絡
情報であることを特徴とする請求項１記載の音声復号装
置。
【請求項６】上記スペクトル包絡の分析は、ＬＰＣ
（線形予測）分析であり、上記スペクトル包絡情報は、
ＬＰＣ情報又はＬＰＣ情報に変換可能なＬＰＣ関連情報
であることを特徴とする請求項４記載の音声復号装置。
【請求項７】上記ＬＰＣ関連情報は、ＬＳＰ（線スペ
クトル対）情報であることを特徴とする請求項６記載の
音声復号装置。
【請求項８】スペクトル分析を用いた音声符号化方式
によって符号化された符号化音声データを時間軸上の音
声波形に復号する音声復号方法において、上記符号化音声データからスペクトル情報を復元するス
ペクトル情報復元工程と、復元された上記スペクトル情報に基づいて上記符号化音
声データの話者を識別する話者識別工程と、上記符号化音声データから時間軸上の音声波形を復元す
る音声波形復号工程と、上記音声波形復号工程にて復元された音声波形の信号と
ともに、その音声波形に対応する、上記話者識別工程に
て識別された話者の情報を出力するように制御する出力
制御工程とを有することを特徴とする音声復号方法。
【請求項９】上記話者識別工程では、時間軸上の音声
波形に復元する前のスペクトル情報に基づいて話者が識
別されることを特徴とする請求項８記載の音声復号方
法。
【請求項１０】上記話者識別工程では、上記スペクト
ル情報の類似性によって所定の区間毎に話者が識別さ
れ、上記出力制御工程では、少なくとも上記音声波形の信号
の出力が遅延され、上記音声波形の信号の出力中に上記
話者の情報が出力されることを特徴とする請求項８記載
の音声復号方法。
【請求項１１】上記出力制御工程では、上記所定の区
間の開始点毎に、上記音声波形の信号と当該音声波形の
信号に対応付けられた上記話者の情報とが同期されて出
力されるように制御されることを特徴とする請求項１０
記載の音声復号方法。
【請求項１２】上記スペクトル分析は、スペクトル包
絡の分析であり、上記スペクトル情報は、スペクトル包
絡情報であることを特徴とする請求項８記載の音声復号
方法。
【請求項１３】上記スペクトル包絡の分析は、ＬＰＣ
（線形予測）分析であり、上記スペクトル包絡情報は、
ＬＰＣ情報又はＬＰＣ情報に変換可能なＬＰＣ関連情報
であることを特徴とする請求項１２記載の音声復号方
法。
【請求項１４】上記ＬＰＣ関連情報は、ＬＳＰ（線ス
ペクトル対）情報であることを特徴とする請求項１３記
載の音声復号方法。