JP2003510644A

JP2003510644A - スーパーフレーム構造のｌｐｃハーモニックボコーダ

Info

Publication number: JP2003510644A
Application number: JP2001525687A
Authority: JP
Inventors: ゲルショウアレン; カパマンウラジミール; ワンティアン; コイシダカズヒト
Original assignee: Microsoft Corp
Current assignee: Microsoft Corp
Priority date: 1999-09-22
Filing date: 2000-09-20
Publication date: 2003-03-18
Anticipated expiration: 2020-09-20
Also published as: US20050075869A1; AU7830300A; EP1222659A1; US7286982B2; WO2001022403A1; JP4731775B2; ATE310304T1; JP2011150357A; EP1222659B1; DK1222659T3; US7315815B1; ES2250197T3; DE60024123T2; DE60024123D1; JP5343098B2

Abstract

(57)【要約】ＭＥＬＰなど基礎をなすフレームベースのボコーダからのいくつかのフレームをスーパーフレーム構造にグループ化する、向上した低ビットレートのパラメトリック音声コーダ。基礎となるフレームのグループからパラメータを抽出し、スーパーフレームに量子化する。これにより、ひずみを増大させずに、基礎をなす符号化のビットレートを低減することができる。次いで、スーパーフレーム構造で符号化した音声データは、直接に音声に合成することもでき、あるいは基礎をなすフレームベースのボコーダが合成を行えるようなフォーマットにトランスコードしてもよい。スーパーフレーム構造は、ビットエラーの通信によって生じるひずみを減少させるために追加のエラー検出訂正データも含む。

Description

【発明の詳細な説明】

【０００１】（背景をなす特許および刊行物）背景をなす以下の特許および刊行物を、角括弧内の番号（例えば［１］）を使
用して時々参照する。

【０００２】 [1] Gersho, A., “ADVANCES IN SPEECH AND AUDIO COMPRESSION”, Proceedi
ngs of the IEEE, Vol. 82, No. 6, pp. 900-918, June 1994. [2] McCree et al., “A 2.4 KBIT/S MELP CODER CANDIDATE FOR THE NEW U.
S. FEDERAL STANDARD”, 1996 IEEE International Conference on Acoustics,
Speech, and Signal Processing Conference Proceedings, Atlanta, GA (Cat.
No. 96CH35903), Vol. 1., pp. 200-203, 7-10 May 1996. [3] Supplee, L. M. et al., “MELP: THE NEW FEDERAL STANDARD AT 2400 BP
S”, 1997 IEEE International Conference on Acoustics, Speech, and Signal Processing proceedings (Cat. No. 97CB36052), Munich, Germany, Vol. 2, p
p. 21-24, April 1997. [4] McCree, A. V. et al., “A MIXED EXCITATION LPC VOCODER MODEL FOR L
OW BIT RATE SPEECH CODING”, IEEE Transactions on Speech and Audio Proce
ssing, Vol. 3, No. 4, pp. 242-250, July 1995. [5] Specifications for the Analog to Digital Conversion of Voice by 2,
400 Bit/Second Mixed Excitation Linear Prediction FIPS, Draft document
of proposed federal standard, dated May 28, 1998. [6] U. S. Patent No. 5,699, 477. [7] Gersho, A. et al., “VECTOR QUANTIZATION AND SIGNAL COMPRESSION”,
Dordrecht, Netherlands: Kluwer Academic Publishers, 1992, xxii+732 pp.
[8] W. P. LeBlanc, et al., “EFFICIENT SEARCH AND DESIGN PROCEDURES FO
R ROBUST MULTI-STAGE VQ OF LPC PARAMETERS FOR 4 KB/S SPEECH CODING” in
IEEE Trans. Speech & Audio Processing, Vol. 1, pp. 272-285, Oct. 1993. [9] Mouy, B. M.; de la Noue, P. E., “VOICE TRANSMISSION AT A VERY LOW
BIT RATE ON A NOISY CHANNEL: 800 BPS VOCODER WITH ERROR PROTECTION TO 1
200 BPS”, ICASSP-92: 1992 IEEE International Conference Acoustics, Spee
ch and Signal, San Francisco, CA, USA, 23-26 March 1992, New York, NY, U
SA: IEEE, 1992, Vol. 2, pp. 149-152. [10] Mouy, B.; De La Noue, P.; Goudezeune, G.“NATO STANAG 4479: A STA
NDARD FOR AN 800 BPS VOCODER AND CHANNEL CODING IN HF-ECCM SYSTEM”, 199
5 International Conference on Acoustics, Speech, and Signal Processing.
Conference Proceedings, Detroit, MI, USA, 9-12 May 1995; New York, NY, U
SA: IEEE, 1995, Vol. 1, pp. 480-483. [11] Kemp, D. P.; Collura, J. S.; Tremain, T. E.“MULTI-FRAME CODING O
F LPC PARAMETERS 600-800 BPS”, ICASSP 91, 1991 International Conference
on Acoustics, Speech and Signal Processing, Toronto, Ont., Canada, 14-1
7 May 1991; New York, NY, USA: IEEE, 1991, Vol. 1, pp. 609-612. [12] U. S. Patent No. 5,255, 339. [13] U. S. Patent. 4,815, 134. [14] Hardwick, J. C.; Lim, J. S., “A 4.8 KBPS MULTI-BAND EXCITATION S
PEECH CODER”, ICASSP 1988 International Conference on Acoustics, Speech
, and Signal, New York, NY, USA, 11-14 April 1988, New York, NY, USA: IE
EE, 1988. Vol. 1, pp. 374-377. [15] Nishiguchi, L.; Iijima, K.; Matsumoto, J, “HARMONIC VECTOR EXCIT
ATION CODING OF SPEECH AT 2.0 KBPS”, 1997 IEEE Workshop on Speech Codin
g for Telecommunications Proceedings, Pocono Manor, PA, USA, 7-10 Sept.
1997, New York, NY, USA: IEEE, 1997, pp. 39-40. [16] Nomura, T., Iwadare, M., Serizawa, M., Ozawa, K., “A BITRATE AND
BANDWIDTH SCALABLE CELP CODER”, ICASSP 1998 International Conference o
n Acoustics, Speech, and Signal, Seattle, WA, USA, 12-15 May 1998, IEEE,
1998, Vol. 1, pp. 341-344.

【０００３】（発明の背景）（１．発明の分野）本発明は一般にディジタル通信に関し、より詳細には、パラメトリック音声符
号化および復号の方法および装置に関する。

【０００４】（２．背景技術の説明）定義として、ディジタル化された波形サンプルではなく音声パラメータを送信
する音声符号化方法を記述するために用語「ボコーダ」を頻繁に使用することに
留意されたい。ディジタル化波形サンプルを生成する際は、入来する波形を周期
的にサンプリングしてディジタル化波形データのストリームにディジタル化する
が、このストリームは、変換して元の波形とほぼ同一のアナログ波形に戻すこと
ができる。音声パラメータを使用する音声符号化は、符号化された音声にかなり
類似する音声を続いて合成できるほど十分な精度をもたらす。音声パラメータ符
号化を用いると、ディジタル化波形の場合のように音声波形を正確に再生するの
に十分な情報が提供されることはないことに留意されたい。しかし、波形サンプ
ルで必要とされるレートよりも低いレートで音声を符号化することができる。

【０００５】音声符号化の世界では、音声符号化および復号のシステムを指すのに用語「コ
ーダ」がしばしば使用されるが、この用語はそれ自体でエンコーダも指すことが
多い。本明細書で使用するときは、用語エンコーダは一般に、音声信号を圧縮デ
ータ信号（ビットストリーム）にマッピングする符号化操作について言い、用語
デコーダは一般に、データ信号を再構築されたまたは合成された音声信号にマッ
ピングする復号操作について言う。

【０００６】音声のディジタル圧縮（音声圧縮とも呼ばれる）は、現代の通信システムにお
いてますます重要になっている。高周波（ＨＦ）およびその他の無線チャネルを
介した効率的かつ安全な音声通信、衛星音声ページングシステム、マルチプレー
ヤインターネットゲーム、ならびに多数の追加用途には、５００ｂｐｓ（ビット
／秒）から２ｋｂｐｓ（キロビット／秒）までの範囲の、低い音声送信ビットレ
ートの必要性が望まれている。２．４ｋｂｐｓ以下の場合、ほとんどの圧縮方法
（「符号化方法」とも呼ばれる）は、パラメトリックボコーダに基づく。現代の
当該ボコーダの大部分は、旧来の線形予測符号化（ＬＰＣ）ボコーダの変形およ
びこの技法の改良形に基づくか、あるいはハーモニックコーダや多帯域励起コー
ダ（ｍｕｌｔｉｂａｎｄｅｘｃｉｔａｔｉｏｎｃｏｄｅｒ）などの正弦波符
号化方法に基づく［１］。最近、ＭＥＬＰ（ＭｉｘｅｄＥｘｃｉｔａｔｉｏｎ
ＬｉｎｅａｒＰｒｅｄｉｃｔｉｏｎ）と呼ばれる、ＬＰＣボコーダの向上バ
ージョンが開発された［２、５、６］。本発明は、前述の従来の符号化方法で必
要とされるよりも低いビットレートで、同様の音声品質レベルを提供することが
できる。

【０００７】ＭＥＬＰ符号化は他のフレームベースの符号化方法に勝る利点を有するので、
本発明は一般に、ＭＥＬＰと共に使用する場合に関して述べる。ただし本発明は
、ハーモニックコーダ［１５］や多帯域励起（ＭＢＥ）タイプのコーダ［１４］
など、様々なコーダに適用することができる。

【０００８】ＭＥＬＰエンコーダは、入力音声を観測し、デコーダに送信するためのデータ
を２２．５ミリ秒フレームごとに生成する。このデータは、線スペクトル周波数
（ＬＳＦ）（線形予測パラメータの一形式）、フーリエ絶対値（Ｆｏｕｒｉｅｒ
ｍａｇｎｉｔｕｄｅ、「スペクトル絶対値」と呼ばれることもある）、利得（
１フレームにつき２つ）、ピッチ、およびボイシングを表すビットからなり、追
加で非周期性フラグビット（ａｐｅｒｉｏｄｉｃｆｌａｇｂｉｔ）、エラー
保護ビット、および同期（ｓｙｎｃ）ビットも含む。図１に、従来の２．４ｋｂ
ｐｓＭＥＬＰエンコーダで用いられるバッファ構造を示す。その他のハーモニッ
クまたはＭＢＥ符号化方法で採用されるエンコーダは、同一または類似のパラメ
ータの多くを表すデータを生成する（通常これらはＬＳＦ、スペクトル絶対値、
利得、ピッチ、およびボイシングである）。ＭＥＬＰデコーダは、これらのパラ
メータをフレームごとに受け取り、元のフレームに近い対応する音声フレームを
合成する。

【０００９】異なる通信システムには、異なるビットレートの音声コーダが必要である。例
えば、安全な音声電話通信システムには２．４ｋｂｐｓのビットレートが必要で
あることが多いのに対して、高周波（ＨＦ）無線チャネルは、容量が厳しく制限
され、拡張エラー訂正が必要な場合があり、音声パラメータを表すには１．２ｋ
ｂｐｓのビットレートが最適である場合がある。用途によっては、あるシステム
用にあるビットレートで元々符号化された音声信号が別のシステム用に他のビッ
トレートで符号化された音声信号に後で変換されるように、異なる通信システム
を相互接続する必要がある。この変換は「トランスコーディング」と呼ばれ、通
常２つの通信システム間のゲートウェイに位置する「トランスコーダ」によって
行うことができる。

【００１０】（発明の簡単な概要）一般的に言えば、本発明は、ＭＥＬＰなど既存のボコーダ技法を採用して、ほ
ぼ同じ再生音声品質を維持しながら、ビットレートを通常２分の１に大きく低減
する。本発明の中では既存のボコーダ技法を利用し、したがってこれらを「ベー
スライン」符号化、または別法として「従来型」パラメトリック音声符号化と呼
ぶ。

【００１１】限定ではなく例として、本発明は、２．４ｋｂｐｓＭＥＬＰコーダと同様の分
析モジュールを有する１．２ｋｂｐｓボコーダを含み、これに追加のスーパーフ
レームボコーダがオーバーレイされる。本発明の１．２ｋｂｐｓボコーダの場合
、スーパーフレームボコーダ内では、連続する３つのフレームを含むブロック、
すなわち「スーパーフレーム」構造を採用して、送信すべきパラメータをより効
率的に量子化する。記述を簡単にするために、スーパーフレームは３つのフレー
ムを符号化するように選択される。というのは、この割合がよく機能することが
わかっているからである。ただし、この発明的な方法は、どんな離散的なフレー
ム数を含むスーパーフレームにも適用することができることに留意されたい。ス
ーパーフレーム構造については、前の特許および刊行物［９］、［１０］、［１
１］、［１３］の中で言及されている。ＭＥＬＰ符号化標準の中では、１つのフ
レームが分析されるたびに（例えば２２．５ミリ秒ごとに）、そのパラメータが
符号化されて送信される。しかし本発明では、スーパーフレームの各フレームが
バッファ中で同時に利用可能であり、各フレームは分析されて、スーパーフレー
ム内の３つのフレームすべてのパラメータが同時に量子化に利用可能である。こ
のことは追加の符号化遅延を導入するものの、３つのフレームを別々にではなく
一緒に量子化することにより、これらのフレームのパラメータ間に存在する時間
相関を効率的に活用することができる。

【００１２】本発明の１．２ｋｂｐｓコーダのフレームサイズは、ＭＥＬＰ標準のコーダと
同じ毎秒８０００サンプルのサンプリングレートで２２．５ミリ秒（すなわち１
８０音声サンプル）であることが好ましい。ただし、大きなピッチエラーを回避
するために、本発明ではルックアヘッドの長さを１２９サンプル増加させる。こ
れに関し、用語「ルックアヘッド」は、現在のフレームを符号化するのに必要な
処理のためにバッファ中で利用可能であるはずの、現在のフレームの境界を越え
た「未来の」音声セグメントの継続時間を指すことに留意されたい。本発明の１
．２ｋｂｐｓコーダ中ではピッチスムーザも使用し、１．２ｋｂｐｓコーダの場
合のアルゴリズム遅延は１０３．７５ミリ秒である。１．２ｋｂｐｓコーダの場
合に送信されるパラメータは、２．４ｋｂｐｓＭＥＬＰコーダの場合と同じであ
る。

【００１３】ＭＥＬＰ符号化標準の中では、各フレームにつき、低帯域ボイシング決定また
は無声／有声決定（Ｕ／Ｖ決定）が見出される。低帯域ボイシングの値が「１」
のときは、フレームは「有声」であると言い、「０」のときは「無声」であると
言う。このボイシング条件が、異なる２つのビット割振りのどちらをフレームに
使用するかを決定する。しかし、本発明の１．２ｋｂｐｓコーダでは、各スーパ
ーフレームがいくつかの符号化状態のうちの１つに分類され、各状態につきビッ
ト割振りが異なる。状態選択は、スーパーフレームのＵ／Ｖ（無声または有声）
パターンに従って行われる。チャネルビットエラーのせいでデコーダが誤った状
態識別を行った場合、このスーパーフレームに対して合成音声の深刻な劣化が生
じる。したがって本発明の一態様は、チャネルエラーによるエンコーダとデコー
ダとの状態不一致の影響を低減する技法を含み、この技法は、開発されてデコー
ダに統合された。

【００１４】本発明では、３つの音声フレームがメモリバッファ中で同時に利用可能であり
、各フレームは、従来型のＭＥＬＰ分析モジュールによって別々に分析され、３
つのフレームそれぞれにつき（量子化前の）パラメータ値が生成される。これら
のパラメータは、まとめて後続の処理および量子化に利用可能である。ピッチス
ムーザは、３つのフレームに関するピッチおよびＵ／Ｖ決定を観測し、バッファ
リングされた音声データに対する追加の分析も行って、ピッチ平滑化操作で使用
する２つのタイプ（オンセットまたはオフセット）の一方に各フレームを分類す
るのに必要なパラメータを抽出する。次いでスムーザは、ピッチ決定の修正（平
滑化）バージョンを出力し、次いで、スーパーフレームに対するこれらのピッチ
値が量子化される。バンドパスボイシングスムーザは、３つのフレームに関する
バンドパスボイシング強度を観測し、かつ、バッファリングされた音声から直接
抽出されたエネルギー値を検査し、次いで、３つのフレームそれぞれに関するカ
ットオフ周波数を決定する。バンドパスボイシング強度は、音声スペクトルの５
つの周波数帯それぞれにおけるボイシングの程度を記述するための、ＭＥＬＰエ
ンコーダによって生成されるパラメータである。カットオフ周波数は、後で定義
するが、音声スペクトルの有声部分の帯域幅の時間進展を記述する。スーパーフ
レーム中の各有声フレームに関するカットオフ周波数は２ビットで符号化される
。スーパーフレームに関するＬＳＦパラメータ、ジッタパラメータ、およびフー
リエ絶対値パラメータがそれぞれ量子化される。カンタイザ（ｑｕａｎｔｉｚｅ
ｒ）から、送信用の２進データが得られる。簡単にするために、エラー訂正ビッ
ト、同期ビット、パリティビット、および送信に向けてビットをシリアルデータ
ストリームに多重化することについては記述しない。これらはすべて当業者に周
知である。受信側では、様々なパラメータに対するデータビットが抽出され、復
号され、逆カンタイザに加えられる。逆カンタイザは、圧縮データから、量子化
されたパラメータ値を再生する。受信側は通常、スーパーフレームの開始点を識
別する同期モジュールと、エラー訂正復号および多重分離の手段とを備える。各
フレームに関する復元済みパラメータは、シンセサイザに加えることができる。
復号後、合成された音声フレームは、連結されて音声出力信号を形成する。シン
セサイザは、ＭＥＬＰなど従来型のフレームベースのシンセサイザとすることも
でき、本明細書に開示する代替方法によって提供することもできる。

【００１５】本発明の目的は、フレームをスーパーフレームにグループ化して新規な量子化
技法をスーパーフレームパラメータに対して実施することにより、より大きな符
号化効率を導き、ある音声フレームから別の音声フレームへの相関を開発するこ
とである。

【００１６】本発明の別の目的は、ベースラインエンコーダおよびデコーダの既存の音声処
理機能を維持できるようにして、向上したコーダがベースラインコーダの動作で
見出されるパラメータに作用するようにし、それにより、すでにベースラインエ
ンコーダおよびデコーダによって得られている実験結果および設計結果の財産を
保持し、しかもなおビットレートの大幅な低減ももたらすことである。

【００１７】本発明の別の目的は、向上したエンコーダから得られたビットストリームを、
ベースラインデコーダによって認識されるビットストリームに変換（トランスコ
ード）する、トランスコーディングのための機構を提供し、同様に、ベースライ
ンエンコーダからきたビットストリームを、向上したデコーダによって認識でき
るビットストリームに変換する方式を提供することである。このトランスコーデ
ィング機能は、ベースラインコーダ／デコーダを実装した端末装置が、向上した
コーダ／デコーダを実装した端末装置と通信しなければならない適用例で重要で
ある。

【００１８】本発明の別の目的は、ＭＥＬＰエンコーダの性能を改善する方法を提供するこ
とであり、新しい方法はピッチおよびボイシングパラメータを生成する。

【００１９】本発明の別の目的は、ＭＥＬＰ復号プロシージャに代わる新しい復号プロシー
ジャを提供し、合成音声品質を維持しながらも複雑さを大きく低減することであ
る。

【００２０】本発明の別の目的は、２．４ｋｂｐｓで動作するＭＥＬＰ標準のコーダとほぼ
等しい品質をもたらす１．２ｋｂｐｓ符号化方式を提供することである。

【００２１】本発明の他の目的および利点は本明細書の後続の部分で明らかにするが、この
中では、本発明を限定することなくその好ましい実施形態を完全に開示する目的
で詳細な説明を提供する。

【００２２】本発明は、後続の図面を参照することによってより完全に理解されるであろう
が、これらの図面は例示のためのものにすぎない。

【００２３】（発明の詳細な説明）例示の目的で、本発明は、図２から図６までを参照しながら述べる。本明細書
に開示する基本概念を逸脱することなく、装置の構成および各部の詳細は様々で
ある場合があり、方法の具体的なステップおよびシーケンスは様々である場合が
あることを理解されたい。

【００２４】（１．ボコーダの概観）本発明の１．２ｋｂｐｓエンコーダは、従来の２．４ｋｂｐｓＭＥＬＰコーダ
中で使用されるものと同様の分析モジュールを採用するが、ブロック、すなわち
「スーパーフレーム」エンコーダを追加しており、これは、連続する３つのフレ
ームを符号化し、送信されるパラメータをより効率的に量子化して、１．２ｋｂ
ｐｓボコーディングを実現する。本発明は１スーパーフレームにつき３フレーム
を使用する場合に関して述べるが、本発明の方法はその他の整数のフレームを含
むスーパーフレームにも適用できることを、当業者なら理解するであろう。さら
に、本発明はベースラインコーダとしてＭＥＬＰを使用する場合に関して述べる
が、本発明の方法はその他のハーモニックボコーダにも適用できることを、当業
者なら理解するであろう。このようなボコーダは、音声フレームの分析から抽出
されるパラメータのセットが類似はするが同一ではない場合があり、フレームサ
イズおよびビットレートが本明細書に提示する記述で用いるものとは異なる場合
がある。

【００２５】ＭＥＬＰエンコーダ内でフレームが分析されるとき（例えば２２．５ミリ秒ご
と）は、音声パラメータがフレームごとに符号化され、次いで送信されることを
理解されたい。しかし本発明では、スーパーフレームを形成するフレームのグル
ープからのデータが、スーパーフレーム中の３つのフレームすべてのパラメータ
で収集および処理され、これらのパラメータは同時に量子化に利用可能である。
このことは追加の符号化遅延を導入するものの、３つのフレームを別々にではな
く一緒に量子化することにより、これらのフレームのパラメータ間に存在する時
間相関を効率的に活用することができる。

【００２６】本発明によって採用されるフレームサイズは、元々のＭＥＬＰコーダ中で使い
られるサンプルレートと同じ毎秒８０００サンプルのサンプリングレートで２２
．５ミリ秒（すなわち１８０音声サンプル）であることが好ましい。図１に、従
来の２．４ｋｂｐｓＭＥＬＰのバッファ構造を示す。大きなピッチエラーの発生
を回避するために、好ましい実施形態ではルックアヘッドバッファの長さを１２
９サンプル増加させているが、本発明は様々なルックアヘッドレベルで実施する
ことができる。加えて、ピッチスムーザを導入してピッチエラーをさらに減少さ
せている。述べる１．２ｋｂｐｓコーダの場合のアルゴリズム遅延は１０３．７
５ミリ秒である。１．２ｋｂｐｓコーダの場合に送信されるパラメータは、２．
４ｋｂｐｓＭＥＬＰコーダの場合と同じである。図２に、本発明のバッファ構造
を見ることができる。

【００２７】（１．１ビット割振り）ＭＥＬＰ符号化を用いるときは、低帯域ボイシング決定またはＵ／Ｖ決定が各
フレームごとに見出され、ボイシング値が１のときは「有声」フレーム、０のと
きは無声フレームである。しかし本発明の１．２ｋｂｐｓコーダでは、各スーパ
ーフレームが、異なる量子化方式を採用するいくつかの符号化状態のうちの１つ
に分類される。状態選択は、スーパーフレームのＵ／Ｖパターンに従って行われ
る。チャネルビットエラーのせいでデコーダが誤った状態識別を行った場合、こ
のスーパーフレームに対して合成音声の深刻な劣化が生じる。したがって、チャ
ネルエラーによるエンコーダとデコーダとの状態不一致の影響を低減する技法を
開発し、デコーダに統合した。比較のために、２．４ｋｂｐｓＭＥＬＰコーダと
１．２ｋｂｐｓコーダの両方に対するビット割振り方式を表１に示す。

【００２８】図３Ａは、本発明による１．２ｋｂｐｓ符号化方式１０の一般的なブロック図
である。入力音声１２がスーパーフレームバッファ１４と呼ばれるメモリバッフ
ァを満たすが、スーパーフレームバッファ１４は、スーパーフレームを含み、さ
らに、３つのフレームのうちで最も古いフレームの開始に先行した履歴サンプル
と、３つのフレームのうちで一番最近のフレームに続くルックアヘッドサンプル
とを記憶する。好ましい実施形態でこのバッファに記憶されるサンプルの実際の
範囲は、図２に示すとおりである。スーパーフレームバッファ１４内のフレーム
は、従来型のＭＥＬＰ分析モジュール１６、１８、２０によって別々に分析され
るが、これらの分析モジュールは、スーパーフレームバッファ１４内の各フレー
ムにつき、量子化前のパラメータ値のセット２２を生成する。具体的には、ＭＥ
ＬＰ分析モジュール１６は、スーパーフレームバッファに記憶された最初の（最
も古い）フレームに作用し、別のＭＥＬＰ分析モジュール１８は、バッファに記
憶された２番目のフレームに作用し、別のＭＥＬＰ分析モジュール２０は、バッ
ファに記憶された３番目の（最も新しい）フレームに作用する。各ＭＥＬＰ分析
ブロックは、１つのフレームと、このフレームに関連する前のサンプルおよび未
来のサンプルにアクセスすることができる。ＭＥＬＰ分析モジュールによって生
成されたパラメータは、収集されて、量子化前のパラメータのセットを形成し、
メモリユニット２２に記憶される。このセットは後続の処理および量子化に利用
可能である。ピッチスムーザ２４は、平滑化分析ブロック２６によって計算され
るパラメータのセットと共に、スーパーフレームバッファ１４内のフレームに関
するピッチ値を観測し、ピッチ値の修正バージョンを出力する。ここで出力は量
子化される（２８）。バンドパスボイシングスムーザ３０は、エネルギー分析モ
ジュール３２によって計算される平均エネルギー値を観測し、スーパーフレーム
バッファ１４内のフレームに関するバンドパスボイシング強度も観測し、これら
をバンドパスボイシングカンタイザ３２によって後で量子化されるように適切に
修正する。ＬＳＰカンタイザ３４、ジッタカンタイザ３６、およびフーリエ絶対
値カンタイザ３８がそれぞれ、符号化済みデータを出力する。各カンタイザから
、送信用の符号化済み２進データが得られる。簡単にするために、エラー訂正デ
ータビットおよび同期ビットの生成、ならびに送信に向けてビットをシリアルデ
ータストリームに多重化することは図示していないが、これらをどのように実施
するかは、当業者なら容易に理解するであろう。

【００２９】図３Ｂに示すデコーダ５０では、様々なパラメータについてのデータビットが
チャネルデータ５２に含まれており、チャネルデータ５２は復号逆カンタイザ５
４に入る。復号逆カンタイザ５４は、抽出、復号を行い、逆カンタイザを適用し
て、圧縮データから量子化済みパラメータ値を再生する。同期モジュール（スー
パーフレームの開始点を識別する）およびエラー訂正復号および多重分離は図示
していないが、これらをどのように実装するかは、当業者なら容易に理解するで
あろう。次いで、各フレームに関する復元済みパラメータは、従来型のＭＥＬＰ
シンセサイザ５６、５８、６０に加えられる。本発明は、従来技術のＭＥＬＰシ
ンセサイザとは全く異なる、フレームごとに音声を合成する代替方法も含むこと
に留意されたい。復号後、合成された音声フレーム６２、６４、６６が連結され
て、音声出力信号６８を形成する。

【００３０】（２．音声分析）（２．１概観）エンコーダの基本構造は、スーパーフレーム構造を利用するために新しいピッ
チスムーザおよびバンドパスボイシングスムーザが追加されたことを除いては、
２．４ｋｂｐｓＭＥＬＰコーダ中で使用されるのと同じ分析モジュールに基づく
。コーダは、２．４ｋｂｐｓＭＥＬＰコーダ中で使用されるのと同じ、各フレー
ムに作用するＭＥＬＰ分析アルゴリズムを使用して、スーパーフレーム中の連続
する３つのフレームから特徴パラメータを抽出する。ピッチおよびバンドパスボ
イシングパラメータは、平滑化によって向上する。この向上は、隣接する３つの
フレームおよびルックアヘッドが同時に利用可能であることから可能である。こ
のようにしてスーパーフレームに作用することにより、３つのフレームすべてに
関するパラメータが量子化モジュールへの入力データとして利用可能であり、し
たがって、各フレームを別々に独立して量子化するときに可能となるよりも効率
的な量子化ができる。

【００３１】（２．２ピッチスムーザ）ピッチスムーザは、ＭＥＬＰ分析モジュールからスーパーフレーム中の各フレ
ームに関するピッチ推定値をとり、図３Ａの平滑化分析モジュール２６からパラ
メータのセットをとる。平滑化分析モジュール２６は、半フレーム（１１．２５
ミリ秒）ごとに、スーパーフレームバッファに記憶された音声サンプルを直接観
測することから新しいパラメータを計算する。図４に、現在のスーパーフレーム
中の９つの計算位置を示す。各計算位置は、パラメータが計算されるウィンドウ
の中心にある。次いで、計算されたパラメータは、追加情報としてピッチスムー
ザに加えられる。

【００３２】１．２ｋｂｐｓエンコーダでは、ピッチ平滑化プロセスを導くために、各フレ
ームは２つの範疇に分類され、オンセットフレームまたはオフセットフレームの
いずれかを構成する。平滑化分析モジュール２６によって計算されてからオンセ
ット／オフセット分類のためにピッチスムーザモジュール２４によって使用され
る新しい波形特徴パラメータは、以下のとおりである。

【００３３】記述省略形ｄＢで表したエネルギー subEnergy 零交差レート zeroCrosRate ピーク度測定値 peakiness 入力音声の最大相関係数 corx ５００Ｈｚローパスフィルタにかけた音声の最大相関係数 lowBandCorx ローパスフィルタにかけた音声のエネルギー lowBandEn ハイパスフィルタにかけた音声のエネルギー highBandEn

【００３４】入力音声は、ｘ（ｎ）、ｎ＝．．．，０，１，．．．．として示され、ｘ（０
）は、現在の計算位置から左に４５サンプルの音声サンプルに対応し、ｎはフレ
ームサイズの半分の９０サンプルである。パラメータは以下のように計算される
。

【００３５】（１）エネルギー：

【００３６】

【数１】

【００３７】（２）零交差レート：

【００３８】

【数２】

【００３９】上式で、角括弧中の式は、積ｘ（ｉ）＊ｘ（ｉ＋１）が負のとき（すなわち零交
差が起こるとき）は値１を有し、そうでないときは値０を有する。

【００４０】（３）音声領域中のピーク度測定値：

【００４１】

【数３】

【００４２】ピーク度測定値は、ＭＥＬＰコーダにおける場合のように定義されるが［５］、
この測定値は、ＭＥＬＰでは音声信号から導出される予測残差信号から計算され
るのに対し、この場合は、音声信号自体から計算される。

【００４３】（４）ピッチ探索範囲における最大相関係数：最初に、入力音声信号は８００Ｈｚのカットオフ周波数でローパスフィルタに
通され、以下のとおりとなる。

【００４４】Ｈ（ｚ）＝０．３０６９／（１−２．４５５２ｚ^-1＋２．４５５２ｚ^-2−１．
１５２ｚ^-3＋０．２０９９ｚ^-4）

【００４５】ローパスフィルタにかけられた信号は、２番目のＬＰＣ逆フィルタに通される。
逆フィルタにかけられた信号をｓ_lv（ｎ）として示す。ｓ_lv（ｎ）からＤＣ成分
が除去されて、

【００４６】

【数４】

【００４７】が得られる。次いで、以下の式によって自己相関関数が計算される。

【００４８】

【数５】

【００４９】上式で、Ｍ＝７０である。サンプルは、現在の計算位置が自己相関ウィンドウの
中心に整合するように選択されるスライディングウィンドウを使用して選択され
る。最大相関係数パラメータｃｏｒｘは、関数ｒ_kの最大値である。対応するピ
ッチはｌである。

【００５０】

【数６】

【００５１】（５）ローパスフィルタにかけた音声の最大相関係数：標準的なＭＥＬＰでは、バンドパスボイシング分析において５つのフィルタが
使用される。第１のフィルタは、実際は０〜５００Ｈｚの通過帯域のローパスフ
ィルタである。同じフィルタを入力音声に対して使用して、ローパスフィルタに
かけた信号ｓ_l（ｎ）が生成される。次いで、（４）で定義した相関関数がｓ_l（
ｎ）について計算される。指数の範囲は、［ｍａｘ（２０，ｌ−５），ｍｉｎ（
１５０，ｌ＋５）］に限定される。相関関数の最大値はｌｏｗＢａｎｄＣｏｒｘ
として示す。

【００５２】（６）低帯域エネルギーおよび高帯域エネルギー：ＬＰＣ分析モジュール中では、最初の１７個の自己相関係数ｒ（ｎ）、ｎ＝０
，．．．，１６が計算される。自己相関係数をフィルタリングすることにより、
低帯域エネルギーおよび高帯域エネルギーが得られる。

【００５３】

【数７】

【００５４】

【数８】

【００５５】Ｃ_l（ｎ）およびＣ_h（ｎ）は、ローパスフィルタおよびハイパスフィルタの係
数である。２ｋＨｚのカットオフ周波数の場合、各フィルタにつき１６個のフィ
ルタ係数が選択され、これらは標準的なＦＩＲフィルタ設計技法によって得られ
る。

【００５６】以上に挙げたパラメータを使用して、半フレームごとに大まかなＵ／Ｖ決定が
行われる。以下に示す、ボイシング決定を行うための分類ロジックが、ピッチス
ムーザモジュール２４中で実施される。ｖｏｉｃｅｄＥｎおよびｓｉｌｅｎｃｅ
Ｅｎは、有声フレームおよびサイレンスフレームの移動平均エネルギーである。

【００５７】 structure { subEnergy; /* energy in dB */ zeroCorsRate; /* zero crossing rate */ peakiness; /* peakiness measurement */ corx; /* maximum correlation coefficient of input speech */ lowBandCorx; /* maximum correlation coefficient of 500Hz low pass filtered speech */ lowBandEn; /* Energy of low pass filtered speech */ highBandEn; /* Energy of high pass filtered speech */ } classStat[9]; if (classStat -> subEnergy < 30){ classy = SILENCE; } else if (classStat -> subEnergy < 0.35*voicedEn + 0.65*silenceEn){ if ( (classStat->zeroCrosRate > 0.6) && ((classStat->corx < 0.4) || (classStat -> lowBandCorx < 0.5))) classy = UNVOICED; else if ( (classStat->lowBandCorx > 0.7) || ((classStat->lowBandCorx > 0.4) && (classStat->corx > 0.7))) classy = VOICED; else if ( (classStat->zeroCrosRate-classStat[-1].zeroCrosRate > 0.3)
|| (classStat->subEnergy-classStat [-1]. subEnergy > 20 || (classStat->peakiness > 1.6)) classy = TRANSITION; else if ((classStat->zeroCrosRate > 0.55 || ((classStat->highBandEn > classStat -> lowBandEn-5) && (classStat->zeroCrosRate > 0.4))) classy = UNVOICED; else classy = SILENCE; }else{ if ( (classStat->zeroCrosRate-classStat[-1].zeroCrosRate > 0.2) || (classStat->subEnergy-classStat [-1]. subEnergy > 20) || (classStat->peakiness > 1.6)){ if ( (classStat->lowBandCorx > 0.7) || (classStat->corx > 0.8)) classy = VOICED; else classy = TRANSITION; } else if (classStat -> zeroCrosRate < 0.2){ if ( (classStat->lowBandCorx > 0.5 || ( (classStat->lowBandCorx > 0.3) && (classStat->corx > 0.6)) classy = VOICED; else if (classStat->subEnergy > 0.7*voicedEn+0.3*silenceEn) { if (classStat->peakiness > 1.5) classy = TRANSITION; else { classy = VOICED; } }else{ classy = SILENCE; } }else if (ctassStat -> zeroCrosRate < 0.5){ if ( (classStat->lowBandCorx > 0.55 || ( (ctassStat->lowBandCorx > 0.3) && (classStat->corx > 0.65))) classy = VOICED; else if ( (classStat->subEnergy < 0.4*voicedEn+0.6*silenceEn) & & (classStat->highBandEn < classStat-> lowBandEn-10)) classy = SILENCE; else if (classStat->peakiness > 1.4) classy = TRANSITION; else classy = UNVOICED; } else if (classStat -> zeroCrosRate < 0.7){ if ( ((classStat->lowBandCorx > 0.6) && (classStat-> corx > 0.3))
|| ((classStat->lowBandCorx > 0.4) && (classStat->corx > 0.7))) classy = VOICED; else if (classStat->peakiness > 1.5) classy = TRANSITION; else classy = UNVOICED; } else { if ( ((classStat->lowBandCorx > 0.65) && (classStat->corx > 0.3))
|| ( (classStat->lowBandCorx > 0.45) && (classStat->corx > 0.7))) classy = VOICED; else if (classStat->peakiness > 2.0) classy = TRANSITION; else classy = UNVOICED; } }

【００５８】次いで、各サブフレームに関するＵ／Ｖ決定を用いて、フレームをオンセット
またはオフセットに分類する。この分類はエンコーダ内部のものであり、送信さ
れるものではない。現在のフレームごとに、まずオフセットの可能性をチェック
する。現在の有声フレームに一連の無声フレームが続いている場合、あるいはエ
ネルギーが少なくとも１フレーム内で８ｄＢ、または１と半フレーム内で１２ｄ
Ｂに減少する場合は、オフセットフレームが選択される。オフセットフレームの
ピッチは平滑化されない。

【００５９】現在のフレームが第１の有声フレームである場合、あるいはエネルギーが少な
くとも１フレーム内で８ｄＢ、または１と半フレーム内で１２ｄＢに増加する場
合は、現在のフレームはオンセットフレームとして分類される。オンセットフレ
ームの場合は、ルックアヘッド領域で評価される自己相関関数の極大のうちの１
つからルックアヘッドピッチ候補が推定される。まず、上に挙げた自己相関関数
の、最も大きい８つの極大が選択される。これらの極大は、現在の計算位置に対
してＲ⁽⁰⁾（ｉ）、ｉ＝０，．．．，７として示される。次の２つの計算位置に
対する極大は、Ｒ⁽¹⁾（ｉ）、Ｒ⁽²⁾（ｉ）である。各計算位置に対して費用関数
が計算され、現在の計算位置に対する費用関数を用いて予測ピッチが推定される
。まず、Ｒ⁽²⁾（ｉ）に対する費用関数が以下のように計算される。

【００６０】Ｃ⁽²⁾（ｉ）＝Ｗ［１−Ｒ⁽²⁾（ｉ）］

【００６１】上式で、Ｗは定数１００である。極大Ｒ⁽¹⁾（ｉ）それぞれにつき、対応するピ
ッチはｐ⁽¹⁾（ｉ）として示される。費用関数Ｃ⁽¹⁾（ｉ）は、以下のように計算
される。

【００６２】 C⁽¹⁾(i)=W[1-R⁽¹⁾(i)]+|p⁽¹⁾(i)-p⁽²⁾(k_i)|+C⁽²⁾(k_i)

【００６３】指数ｋ_iは、以下のように選択される。

【００６４】

【数９】

【００６５】上式で、ｌの範囲が空集合である場合は、範囲ｌ∈［０，７］が用いられる。費
用関数Ｃ⁽⁰⁾（ｉ）は、Ｃ⁽¹⁾（ｉ）と同様にして計算される。予測ピッチは、以
下のように選択される。

【００６６】

【数１０】

【００６７】元のピッチ推定値とルックアヘッドピッチとの差が１５％よりも大きい場合、ル
ックアヘッドピッチ候補は現在のピッチとして選択される。

【００６８】現在のフレームがオフセットでもオンセットでもない場合は、ピッチ変動がチ
ェックされる。ピッチジャンプが検出される場合、これはピッチが減少してから
増加すること、または増加してから減少することを意味し、前のフレームのピッ
チと次のフレームのピッチとの間の補間を用いて現在のフレームのピッチが平滑
化される。スーパーフレーム中の最後のフレームの場合は、次のフレームのピッ
チが利用可能ではなく、したがって次のフレームのピッチ値の代わりに予測ピッ
チ値を用いる。以上のピッチスムーザは、通常なら発生するであろう大きなピッ
チエラーの多くを検出し、正式な主観的品質テストにおいて著しい品質改善をも
たらした。

【００６９】（２．３バンドパスボイシングスムーザ）ＭＥＬＰ符号化では、入力音声は５つのサブバンドにフィルタリングされる。
これらの各サブバンドについてバンドパスボイシング強度が計算され、各ボイシ
ング強度は０と１の間の値に正規化される。続いてこれらの強度が０または１に
量子化されて、バンドパスボイシング決定が得られる。量子化された低帯域（０
から５００Ｈｚ）ボイシング強度は、フレームの無声または有声（Ｕ／Ｖ）特性
を決定する。残りの４つの帯域の２進ボイシング情報は、フレームのスペクトル
のハーモニックまたはノンハーモニック特性を部分的に記述し、４ビットのコー
ドワードで表すことができる。本発明では、バンドパスボイシングスムーザを使
用して、スーパーフレーム中の各フレームに関するこの情報をよりコンパクトに
記述し、この情報の時間進展をフレーム全体にわたって平滑化する。最初に、各
フレームに関する残りの４つの帯域に対する４ビットのコードワード（有声の場
合は１、無声の場合は０）を、許容される４つの値のうちの１つによって単一の
カットオフ周波数にマッピングする。このカットオフ周波数は、有声（またはハ
ーモニック）特性を有するより低いスペクトル領域と無声特性を有するより高い
領域との間の境界をおおむね識別する。次いでスムーザは、スーパーフレーム中
の３つのカットオフ周波数を修正して、フレームのスペクトル特性に関するより
自然な時間進展を生成する。各フレーム決定に対する４ビットの２進ボイシング
コードワードは、表２に示す２ビットのコードブックを使用して４つのコードワ
ードにマッピングされる。このコードブックのエントリは、４つのカットオフ周
波数、すなわち５００Ｈｚ、１０００Ｈｚ、２０００Ｈｚ、４０００Ｈｚに相当
し、これらはそれぞれ、表２に示すマッピングテーブル中の００００、１０００
、１１００、１１１１の符号が付いた欄に対応する。例えば、有声フレームに関
するバンドパスボイシングパターンが１００１のとき、このインデックスは１０
００にマッピングされ、これは１０００Ｈｚのカットオフ周波数に対応する。

【００７０】現在のスーパーフレームの最初の２フレームの場合は、前のフレームと次のフ
レームのバンドパスボイシング情報に従ってカットオフ周波数が平滑化される。
３番目のフレームにおけるカットオフ周波数は、変更されないままである。有声
フレームの平均エネルギーをＶＥとして示す。ＶＥの値は、先行する２つのフレ
ームが有声である各有声フレームにおいて更新される。更新規則は以下のとおり
である。

【００７１】

【数１１】

【００７２】フレームｉの場合、現在のフレームのエネルギーをｅｎ_iとして示す。５つの
帯域に対するボイシング強度を、ｂｐ［ｋ］_i、ｋ＝１，．．．，５として示す
。カットオフ周波数ｆ_iを平滑化するために、以下の３つの条件が考慮される。

【００７３】（１）前のフレームと次のフレームのカットオフ周波数が共に２０００Ｈｚよ
りも上の場合は、以下のプロシージャを実行する。

【００７４】 (f_i<2000and((en_i>VE-5dB)or(bp[2]_i-1>0.5andbp[3]_i-1>0.5)))の場合ｆ_i＝２０００Ｈｚ

【００７５】（ｆ_i＜１０００）の場合ｆ_i＝１０００Ｈｚ

【００７６】（２）前のフレームと次のフレームのカットオフ周波数が共に１０００Ｈｚよ
りも上の場合は、以下のプロシージャを実行する。 (f_i<1000and((en_i>VE-10dB)or(bp[2]_i-1>0.4)))の場合ｆ_i＝１０００Ｈｚ

【００７７】（３）前のフレームと次のフレームのカットオフ周波数が共に１０００Ｈｚよ
りも下の場合は、以下のプロシージャを実行する。 (f_i>2000and((en_i<VE-5dB and bp[3]_i-1<0.7)))の場合ｆ_i＝２０００Ｈｚ

【００７８】（３．量子化）（３．１概観）１．２ｋｂｐｓコーダの送信パラメータは、２．４ｋｂｐｓＭＥＬＰコーダの
送信パラメータと同じだが、例外として１．２ｋｂｐｓコーダでは、パラメータ
はフレームごとに送信されるのではなく、各スーパーフレームにつき１度送信さ
れる。表１にビット割振りを示す。補間およびベクトル量子化（ＶＱ）を用いる
ことにより、長いブロックサイズ（スーパーフレーム）を活かした新しい量子化
方式が設計された。有声および無声の音声の統計的な特性を考慮する。メモリを
節約し、トランスコーディングを容易にするために、２．４ｋｂｐｓＭＥＬＰコ
ーダと同じフーリエ絶対値コードブックを１．２ｋｂｐｓコーダでも使用する。

【００７９】（３．２ピッチ量子化）ピッチパラメータは、有声フレームだけに適用可能である。３つのフレームに
わたり、異なるＵ／Ｖの組合せには異なる量子化方式を用いる。本明細書では、
スーパーフレームのピッチ値を量子化する方法の詳細を特定のボイシングパター
ンの場合について述べる。この章で述べる量子化方法は、ボイシングパターンの
合同量子化で用いることができ、ピッチについては後続の章で述べる。表３に、
ピッチ量子化方式を要約してある。ボイシングパターンが有声フレームを２つま
たは３つ含んでいるスーパーフレーム内では、ピッチパラメータはベクトル量子
化される。有声フレームを１つしか含まないボイシングパターンの場合は、ＭＥ
ＬＰ標準で指定されているスカラ量子化を有声フレームのピッチに適用する。各
フレームが無声であるＵＵＵボイシングパターンの場合は、ピッチ情報のための
ビットは必要ない。Ｕは「Ｕｎｖｏｉｃｅｄ（無声）」を示し、Ｖは「Ｖｏｉｃ
ｅｄ（有声）」を示すことに留意されたい。

【００８０】２．４ｋｂｐｓ標準のピッチ分析から得られる各ピッチ値Ｐは、量子化前に対
数値ｐ＝ｌｏｇＰに変換される。各スーパーフレームにつき、各有声フレームに
関する対数ピッチ値に等しい成分と、各無声フレームに関する０の値に等しい成
分とで、ピッチベクトルが構築される。２つまたは３つの有声フレームを有する
ボイシングパターンの場合、ピッチベクトルは、ＶＱ（ＶｅｃｔｏｒＱｕａｎ
ｔｉｚａｔｉｏｎ、ベクトル量子化）アルゴリズムを用いて、ピッチの進展を考
慮した新しいひずみ測定値で量子化される。このアルゴリズムは、コードブック
探索にピッチ差分を組み込むが、これにより、ピッチの時間進展を考慮すること
が可能になる。標準的なＶＱコードブック設計が使用される［７］。ＶＱ符号化
アルゴリズムは、コードブック探索にピッチ差分を組み込むが、これにより、Ｖ
Ｑコードブックエントリを選択する際にピッチの時間進展を考慮することが可能
になる。この機能は、ピッチ軌跡をうまく追跡することの重要性の認知が動因と
なる。このアルゴリズムは、最良のインデックスを得るための３つのステップを
有する。

【００８１】ステップ１：重み付き平方ユークリッド距離の測定を用いてＭ個の最良候補を
選択する

【００８２】

【数１２】

【数１３】

【００８３】また、ｐ_iは量子化されていない対数ピッチであり、

【００８４】

【数１４】

【００８５】は量子化された対数ピッチ値である。上式は、コードブック探索において有声フ
レームだけが考慮されることを示している。

【００８６】ステップ２：以下の式を使用して、量子化されていない対数ピッチ値の差分を
計算する

【００８７】

【数１５】

【００８８】ｉ＝１，２，３の場合、ｐ₀は、前のスーパーフレームの最後の対数ピッチ値で
ある。ステップ１で選択された候補対数ピッチ値に対して、式（２）のΔｐ_iお
よびｐ_iを

【００８９】

【数１６】

【００９０】でそれぞれ置き換えることによって候補の差分を計算する。

【００９１】

【数１７】

【００９２】はｐ₀の量子化バージョンである。

【００９３】ステップ３：Ｍ個の最良候補から、以下の式を最小にするインデックスを選択
する

【００９４】

【数１８】

【００９５】上式で、δはピッチ差分の寄与を制御するパラメータであり、１に設定される。

【００９６】有声フレームを１つしか含まないスーパーフレームの場合、ピッチのスカラ量
子化が行われる。ピッチ値は、２０から１６０までのサンプル範囲の９９レベル
均一カンタイザによって対数目盛り上で量子化される。このカンタイザは、２．
４ｋｂｐｓＭＥＬＰ標準におけるものと同じであり、９９個のレベルは７ビット
のピッチコードワードにマッピングされ、ハミング重み１または２を有する２８
個の未使用コードワードがエラー保護のために使用される。

【００９７】（３．３ピッチおよびＵ／Ｖ決定の合同量子化）各スーパーフレームに関するＵ／Ｖ決定およびピッチパラメータは、１２ビッ
トを使用して合同で量子化される。表４に合同量子化方式を要約してある。言い
換えれば、スーパーフレームに対するボイシングパターンまたはモード（可能な
８つのパターンのうちの１つ）、および３つのピッチ値のセットが、合同量子化
方式への入力を形成し、その出力は１２ビットワードである。続いてデコーダが
、テーブルルックアップによって、この１２ビットワードを特定のボイシングパ
ターンおよび量子化された３つのピッチ値のセットにマッピングする。

【００９８】この方式では、１２ビットの割振りは、３モードビット（スーパーフレーム中
の３つのフレームに関するＵ／Ｖ決定の、可能な８つの組合せを表す）と、ピッ
チ値のための残りの９ビットとで構成される。この方式は、別々の６つのピッチ
コードブックを採用し、表４に示すように５つは９ビットを有し（すなわちそれ
ぞれ５１２エントリ）、１つはスカラカンタイザである。具体的なコードブック
は、量子化されたボイシングパターンを表す３ビットコードワードのビットパタ
ーンに従って決定される。したがって、まずＵ／Ｖボイシングパターンが表４に
示すように３ビットコードワードに符号化され、次いでこれを用いて、示す６つ
のコードブックのうちの１つが選択される。次いで、選択されたコードブックに
よって３つのピッチ値の順序集合がベクトル量子化され、３つのピッチ値の量子
化済みセットを識別する９ビットコードワードが生成される。ＶＶＶ（有声−有
声−有声）モードのスーパーフレームには４つのコードブックが割り当てられる
ことに留意されたい。これは、ＶＶＶタイプのスーパーフレームにおけるピッチ
ベクトルがそれぞれ２０４８個のコードワードのうちの１つによって量子化され
ることを意味する。スーパーフレーム中の有声フレームの数が２以上でない場合
は、３ビットコードワードは０００にセットされ、９ビットコードブック内で異
なるモード間の区別が決定される。後者のケースは、４つのモードすなわちＵＵ
Ｕ、ＶＵＵ、ＵＶＵ、ＵＵＶからなることに留意されたい（Ｕは無声フレームを
示し、Ｖは有声フレームを示し、３つの記号はスーパーフレーム中の３つのフレ
ームの順序集合のボイシング状況を示す）。この場合、１２８個のピッチ値を有
する３つのモードとピッチ値を有しない１つのモードがあるので、９ビットが利
用可能であることは、モード情報ならびにピッチ値を表すのに十分すぎるほどで
ある。

【００９９】（３．４パリティビット）送信エラーに対するロバスト性を向上させるために、先に３．３章で定義した
スーパーフレーム中の３つのモードビット（ボイシングパターンを表す）につい
てパリティチェックビットが計算され、送信される。

【０１００】（３．５ＬＳＦ量子化）表５に、線スペクトル周波数（ＬＳＦ）を量子化するためのビット割振りを示
すが、３つのフレームに対する元のＬＳＦベクトルをｌ₁、ｌ₂、ｌ₃で示してあ
る。ＵＵＵ、ＵＵＶ、ＵＶＵ、ＶＵＵのモードでは、無声フレームのＬＳＦベク
トルは９ビットコードブックを使用して量子化され、有声フレームのＬＳＦベク
トルは、［８］に記述されている手法に基づいて２４ビット多段ＶＱ（ＭＳＶＱ
）カンタイザで量子化される。

【０１０１】その他のＵ／Ｖパターンの場合のＬＳＦベクトルは、以下の前方−後方補間方
式を用いて符号化される。この方式は次のように機能する。前のフレームの量子
化済みＬＳＦベクトルを

【０１０２】

【数１９】

【０１０３】で示す。まず、現在のスーパーフレーム中の最後のフレームｌ₃を、無声フレー
ムの場合は９ビットコードブックを使用して、あるいは有声フレームの場合は２
４ビットＭＳＶＱを使用して直接に

【０１０４】

【数２０】

【０１０５】に量子化する。次いで、以下の式を使用して

【０１０６】

【数２１】

【０１０７】を補間することにより、ｌ₁およびｌ₂の予測値を得る。

【０１０８】

【数２２】

【０１０９】上式で、ａ₁（ｊ）およびａ₂（ｊ）は補間係数である。

【０１１０】ＭＳＶＱ（多段ベクトル量子化）コードブックの設計は、［８］に説明されて
いるプロシージャに従う。

【０１１１】係数はコードブックに記憶され、以下のひずみ測定値を最小化することによっ
て最良の係数が選択される。

【０１１２】

【数２３】

【０１１３】上式で、係数ｗ_i（ｊ）は、２．４ｋｂｐｓＭＥＬＰ標準におけるものと同じで
ある。最良の補間係数を得た後、フレーム１および２に対する残差ＬＳＦベクト
ルを以下の式によって計算する。

【０１１４】

【数２４】

【０１１５】次いで、重み付き多段ベクトル量子化を用いて、２０次元の残差ベクトルＲ＝［
ｒ₁（１），ｒ₁（２），．．．，ｒ₁（１０），ｒ₂（１），ｒ₂（２），．．．
，ｒ₂（１０）］を量子化する。

【０１１６】（３．６補間コードブックの設計方法）補間係数は次のようにして得られた。各スーパーフレームに対する最適な補間
係数は、ｌ₁，ｌ₂とｌ_i1，ｌ_i2の間の重み付き平均二乗誤差を最小にすることに
よって計算された。この結果を以下のように示すことができる。

【０１１７】

【数２５】

【０１１８】コードブック設計のための訓練データベースの各エントリは、４０次元ベクトル

【０１１９】

【数２６】

【０１２０】および以下に述べる訓練プロシージャを採用する。

【０１２１】このデータベースは、

【０１２２】

【数２７】

【０１２３】として示され、

【０１２４】

【数２８】

【０１２５】は４０次元ベクトルである。出力コードブックはＣ＝｛（ａ_1,m，ａ_2,m），ｍ＝
０，．．．Ｍ−１｝であり、（ａ_1,m，ａ_2,m）＝［ａ_1,m（１），．．．，ａ_1,m （１０），ａ_2,m（１），．．．，ａ_2,m（１０）］は２０次元ベクトルである。

【０１２６】３．６．１次に、コードブック訓練の２つの主要プロシージャについて述べ
る。コードブックＣ＝｛（ａ_1,m，ａ_2,m）、ｍ＝０，．．．Ｍ’−１｝とした場
合、各データベースエントリ

【０１２７】

【数２９】

【０１２８】が特定の重心に関連付けられる。以下の式を使用して、エントリ（入力ベクトル
）とコードブック中の各重心との間の誤差関数を計算する。エントリＬ_nは、最
小誤差をもたらす重心に関連付けられる。このステップは、入力ベクトルに対す
る区分を規定する。

【０１２９】

【数３０】

【０１３０】３．６．２特定の区分がある場合、コードブックは更新される。Ｎ’個のデ
ータベースエントリが重心Ａ_m＝（ａ_1,m，ａ_2,m）に関連付けられると仮定する
と、重心は、以下の式を使用して更新される。

【０１３１】

【数３１】

【０１３２】補間係数コードブックは、いくつかのコードブックサイズについて訓練およびテ
ストされた。１６個のエントリを有するコードブックが非常に効率的であること
がわかった。以上のプロシージャは、ベクトル量子化および［７］に記述されて
いるコードブック設計の一般概念に精通している技術者には容易に理解される。

【０１３３】（３．７利得量子化）１．２ｋｂｐｓコーダでは、１フレームにつき２つの利得パラメータが計算さ
れ、１スーパーフレームにつき６つの利得となる。６つの利得パラメータは、１
０ビットベクトルカンタイザを使用して、対数領域中で定義されるＭＳＥ基準で
ベクトル量子化される。

【０１３４】（３．８バンドパスボイシング量子化）Ｕ／Ｖ決定から、合計５つの帯域のうちで最も低い帯域に対するボイシング情
報が決定される。残りの４つの帯域のボイシング決定は、有声フレームだけに対
して採用される。４つの帯域の２進数ボイシング決定（有声の場合は１、無声の
場合は０）は、表２に示す２ビットコードブックを使用して量子化される。この
プロシージャにより、各有声フレームに使用される２ビットが得られる。表６に
、種々の符号化モードでバンドパスボイシング量子化に必要なビット割振りを示
す。

【０１３５】（３．９フーリエ絶対値の量子化）フーリエ絶対値ベクトルは、有声フレームだけに対して計算される。表７に、
フーリエ絶対値に対する量子化プロシージャを要約してある。スーパーフレーム
中の３つのフレームに関する量子化前のフーリエ絶対値ベクトルをｆ_i、ｉ＝１
，２，３として示す。ｆ₀で示してあるのは、前のスーパーフレーム中の最後の
フレームのフーリエ絶対値ベクトルであり、

【０１３６】

【数３２】

【０１３７】は量子化されたベクトルｆ_iを示し、Ｑ（．）は、ＭＥＬＰ標準の中で使用され
るのと同じ８ビットコードブックを使用したときのフーリエ絶対値ベクトルに対
するカンタイザ関数を示す。表７に示すように、スーパーフレーム中の３つのフ
レームに関する量子化されたフーリエ絶対値ベクトルが得られる。

【０１３８】（３．１０非周期性フラグ量子化）１．２ｋｂｐｓコーダは、非周期性フラグの量子化のために１スーパーフレー
ムにつき１ビットを使用する。２．４ｋｂｐｓＭＥＬＰ標準では、非周期性フラ
グは１フレームに付き１ビットを必要とし、１スーパーフレームでは３ビットで
ある。表８に示す量子化プロシージャを用いて、１スーパーフレームにつき１ビ
ットに圧縮することが達成される。この表では、「Ｊ」および「−」は、それぞ
れ非周期性フラグがセットされている状態およびセットされていない状態を示す
。

【０１３９】（３．１１エラー保護）（３．１１．１モード保護）パリティビットの他にも、ＶＶＶモードのスーパーフレームを除いたすべての
スーパーフレーム中で利用可能な予備ビットを採用することによって、追加のモ
ードエラー保護技法がスーパーフレームに適用される。１．２ｋｂｐｓコーダは
、各有声フレームに対するバンドパスボイシングの量子化のために２ビットを使
用する。したがって、有声フレームを１つ有するスーパーフレームでは、２つの
バンドパスボイシングビットが予備であり、これをモード保護に使用することが
できる。無声フレームを２つ有するスーパーフレームでは、モード保護に４ビッ
トを使用することができる。さらに、ＵＵＵおよびＶＶＵモードでは、ＬＳＦ量
子化の４ビットがモード保護に使用される。表９に、これらのモード保護ビット
がどのように使用されるかを示す。モード保護は、１．１章で述べた符号化状態
の保護を意味する。

【０１４０】（３．１１．２ＵＵＵスーパーフレームに対する前方エラー訂正）ＵＵＵモードでは、利得インデックスの最初の８つのＭＳＢが２つの４ビット
グループに分割され、各グループがハミング（８，４）符号で保護される。利得
インデックスの残りの２ビットは、ハミング（７，４）符号で保護される。ハミ
ング（７，４）符号はシングルビットエラーを訂正し、（８，４）符号はシング
ルビットエラーを訂正して、さらにダブルビットエラーも検出することに留意さ
れたい。ＵＵＵスーパーフレーム中の各フレームに対するＬＳＦビットは、巡回
冗長検査（ＣＲＣ）により、シングルビットエラーおよびダブルビットエラーを
検出するＣＲＣ（１３，９）符号を使用して保護される。

【０１４１】（４．デコーダ）（４．１ビットのアンパックおよびエラー訂正）デコーダ内では、受信されたビットがチャネルからアンパックされ、パラメー
タコードワードに組み立てられる。ほとんどのパラメータに対する復号プロシー
ジャはモード（Ｕ／Ｖパターン）によって決まるので、ピッチおよびＵ／Ｖ決定
に割振られた１２ビットが最初に復号される。３ビットコードブック中のビット
パターンが０００の場合、９ビットコードワードは、ＵＵＵ、ＵＵＶ、ＵＶＵ、
ＶＵＵのモードを指定する。９ビットコードブックの符号がすべて０の場合、ま
たは１つのビットがセットされている場合は、ＵＵＵモードが使用される。符号
の２つのビットがセットされている場合、またはピッチのために使用されないイ
ンデックスを指定する場合は、フレーム消去が指示される。

【０１４２】Ｕ／Ｖパターンが復号された後、得られたモード情報は、パリティビットおよ
びモード保護ビットを使用してチェックされる。エラーが検出された場合はモー
ド訂正アルゴリズムが実施される。このアルゴリズムは、パリティビットおよび
モード保護ビットを使用してモードエラーの訂正を試みる。訂正不可能エラーが
検出された場合は、モードエラーパターンに従って、各パラメータに異なる復号
方法が適用される。さらに、パリティエラーが見つかった場合は、パラメータ平
滑化フラグがセットされる。表１０に訂正プロシージャを記述する。

【０１４３】ＵＵＵモードでは、モード情報中にエラーがなかったと仮定すると、利得パラ
メータを表す２つの（８，４）ハミング符号が復号されて、シングルビットエラ
ーが訂正され、ダブルエラーが検出される。訂正不可能エラーが検出された場合
は、フレーム消去が指示される。そうでない場合は、利得のための（７，４）ハ
ミング符号およびＬＳＦのための（１３，９）ＣＲＣ（巡回冗長検査）符号が復
号されて、それぞれ、シングルエラーが訂正され、シングルエラーおよびダブル
エラーが検出される。ＣＲＣ（１３，９）符号中にエラーが見つかった場合は、
前のＬＳＦを繰り返すか近傍の正しいＬＳＦ間を補間することにより、正しくな
いＬＳＦが置き換えられる。

【０１４４】ハミングデコーダによって現在のスーパーフレーム中でフレーム消去が検出さ
れた場合、またはチャネルから直接に消去が信号送信された場合は、フレーム反
復機構が実施される。現在のスーパーフレームのパラメータすべてが、前のスー
パーフレームの最後のフレームからのパラメータで置き換わる。

【０１４５】消去が検出されなかったスーパーフレームの場合、残りのパラメータが復号さ
れる。平滑化が必要な場合は、以下の式によって事後平滑化パラメータが得られ
る。

【０１４６】

【数３３】

【０１４７】上式で、

【０１４８】

【数３４】

【０１４９】は、それぞれ現在のフレームの復号済みパラメータ、および前のフレームの対応
パラメータを表す。

【０１５０】（４．２ピッチ復号）表４に示すように、ピッチ復号が行われる。無声フレームの場合、ピッチ値は
５０サンプルに設定される。

【０１５１】（４．３ＬＳＦ復号）４．４章および表５に記述するように、ＬＳＦが復号される。ＬＳＦは、昇順
で、かつ最低限の分離でチェックされる。

【０１５２】（４．４利得復号）利得インデックスを使用して、６つの利得パラメータを含むコードワードが１
０ビットＶＱ利得コードブックから取り出される。

【０１５３】（４．５バンドパスボイシングの復号）無声フレームでは、バンドパスボイシング強度はすべて０にセットされる。有
声フレームでは、Ｖｂｐ₁は１にセットされ、残りのボイシングパターンは表２
に示すように復号される。

【０１５４】（４．６フーリエ絶対値の復号）無声フレームのフーリエ絶対値は、１に等しくセットされる。現在のスーパー
フレームの最後の有声フレームの場合は、フーリエ絶対値は直接復号される。他
の有声フレームのフーリエ絶対値は、表７に示すように線形補間の反復によって
生成される。

【０１５５】（４．７非周期性フラグ復号）表８に示すように、新しいフラグから非周期性フラグが得られる。非周期性フ
ラグが１の場合はジッタが２５％に設定され、そうでない場合はジッタが０％に
設定される。

【０１５６】（４．８ＭＥＬＰ合成）デコーダの基本構造は、ＭＥＬＰ標準におけるものと同じだが、例外として、
各ピッチ周期ごとに励起信号を生成するための新しいハーモニック合成方法が導
入される。元々の２．４ｋｂｐｓＭＥＬＰアルゴリズムでは、フィルタリングさ
れたパルス励起およびノイズ励起の合計として混合励起が生成される。パルス励
起は、１ピッチ周期の長さの逆離散フーリエ変換（ＩＤＦＴ）を用いて計算され
、ノイズ励起は時間領域で生成される。新しいハーモニック合成アルゴリズムで
は、混合励起は完全に周波数領域で生成され、次いでこれは、逆離散フーリエ変
換操作を実施して時間領域に変換される。これにより、パルスおよびノイズ励起
のバンドパスフィルタリングの必要性が回避され、したがってデコーダの複雑さ
が低減される。

【０１５７】新しいハーモニック合成プロシージャでは、周波数領域における励起は、カッ
トオフ周波数およびフーリエ絶対値ベクトルＡ_l、ｌ＝１，２，．．．，Ｌに基
づいて各ピッチ周期ごとに生成される。カットオフ周波数は、前述のようにバン
ドパスボイシングパラメータから得られ、次いで、各ピッチ周期ごとに補間され
る。フーリエ絶対値は、ＭＥＬＰ標準における場合と同様にして補間される。

【０１５８】ピッチ長をＮとして示すと、対応する基本周波数はｆ₀＝２π／Ｎで記述され
る。この場合、フーリエ絶対値ベクトルの長さはＬ＝Ｎ／２によって得られる。
経験的に導出されたアルゴリズムを採用して、以下のようにカットオフ周波数Ｆ
から２つの遷移周波数Ｆ_HおよびＦ_Lが決定される。

【０１５９】

【数３５】

【０１６０】これらの遷移周波数は、２つの周波数成分インデックスＶ_HおよびＶ_Lに相当する
。Ｖ_Lよりも下のすべての周波数サンプルには有声モデルが使用され、Ｖ_LとＶ_H
の間の周波数サンプルには混合モデルが使用され、Ｖ_Hよりも上の周波数サンプ
ルには無声モデルが使用される。混合モデルを定義するために、カットオフ周波
数に応じた値で利得係数ｇが選択される（カットオフ周波数Ｆが高いほど利得係
数は小さくなる）。

【０１６１】

【数３６】

【０１６２】励起の周波数成分の絶対値および位相は、以下のように決定される。

【０１６３】

【数３７】

【０１６４】上式で、ｌは、ＩＤＦＴ周波数範囲の特定の周波数成分を識別するインデックス
であり、φ₀は、ピッチパルスがピッチ周期境界に来るのを避けるために選択さ
れる定数である。位相φ_RND（ｌ）は、ｌの各値ごとに独立して生成される、−
２πと２πの間で一様に分布する乱数である。

【０１６５】言い換えれば、各ピッチ期間中の混合励起信号のスペクトルは、カットオフ周
波数によって決定されるスペクトルの３つの領域を考慮することによってモデリ
ングされ、これはＦ_LからＦ_Hまでの遷移間隔を決定する。０からＦ_Lまでの低い
領域では、フーリエ絶対値は直接にスペクトルを決定する。Ｆ_Hよりも上の高い
領域では、フーリエ絶対値は利得係数ｇに応じて縮小する。Ｆ_LからＦ_Hまでの遷
移領域では、フーリエ絶対値は、遷移領域にわたって１からｇまで下降する直線
的な減少の重み係数に応じて縮小する。低い領域には線形に増加する位相が使用
され、高い領域にはランダムな位相が使用される。遷移領域では、位相は、線形
位相と重み付きランダム位相の合計であり、重みは遷移領域にわたって０から１
まで線形に増加する。次いで、混合励起の周波数サンプルが、逆離散フーリエ変
換を用いて時間領域に変換される。

【０１６６】（５．トランスコーダ）（５．１概念）アプリケーションによっては、異なる２つの音声符号化方式の間で相互運用で
きるようにすることが重要である。特に、２４００ｂｐｓＭＥＬＰコーダと１２
００ｂｐｓのスーパーフレームコーダとの間の相互運用性を可能にすることが有
用である。図５Ａおよび５Ｂのブロック図に、トランスコーダの一般的な動作を
示す。図５Ａのアップコンバート用トランスコーダ７０中では、音声が１２００
ｂｐｓボコーダ７４に入力され（７２）、ボコーダ７４の出力は１２００ｂｐｓ
の符号化済みビットストリームであり（７６）、このビットストリームは「アッ
プトランスコーダ」７８によって、２４００ｂｐｓＭＥＬＰデコーダ８２で復号
できる形の２４００ｂｐｓビットストリーム８０に変換され、ＭＥＬＰデコーダ
８２は合成音声８４を出力する。反対に、図３Ｂのダウンコンバート用トランス
コーダ９０中では、音声が２４００ｂｐｓＭＥＬＰエンコーダ９４に入力され（
９２）、ＭＥＬＰエンコーダ９４は２４００ｂｐｓビットストリーム９６を「ダ
ウントランスコーダ」９８に出力し、ダウントランスコーダ９８は、パラメトリ
ックデータストリームを、１２００ｂｐｓデコーダ１０２で復号できる１２００
ｂｐｓビットストリーム１００に変換し、デコーダ１０２は合成音声１０４を出
力する。全二重（両方向）音声通信では、相互運用性を提供するためにアップト
ランスコーダとダウントランスコーダの両方が必要である。

【０１６７】アップトランスコーダを実現する簡単な方式は、１２００ｂｐｓビットストリ
ームを１２００ｂｐｓデコーダで復号して、回復された音声信号の生ディジタル
表現を入手し、次いでこれを２４００ｂｐｓエンコーダで再符号化するものであ
る。同様に、ダウントランスコーダを実現する簡単な方法は、２４００ｂｐｓビ
ットストリームを２４００ｂｐｓデコーダで復号して、回復された音声信号の生
ディジタル表現を入手し、次いでこれを１２ｂｐｓエンコーダに再符号化するも
のである。アップトランスコーダおよびダウントランスコーダを実現するこの手
法は、いわゆる「タンデム」符号化に対応し、音声品質がかなり劣化すること、
およびトランスコーダの複雑さが必要以上に高くなることの欠点を有する。トラ
ンスコーダの効率は、タンデム符号化に関連する品質劣化の多くを回避しながら
複雑さを低減する以下のトランスコーディング方法によって改善される。

【０１６８】（５．２ダウントランスコーダ）ダウントランスコーダでは、同期化およびチャネルエラー訂正復号が行われた
後、各パラメータを表すビットが、連続する３つのフレーム（スーパーフレーム
を構成する）それぞれに対するビットストリームから別々に抽出され、パラメー
タ情報のセットがパラメータバッファに記憶される。各パラメータセットは、連
続する３つのフレームに関する所与のパラメータの値からなる。より低いレート
のビットストリームに再符号化するために、スーパーフレームパラメータを量子
化するのに用いた方法と同じ方法を、ここでも各パラメータセットに適用する。
例えば、スーパーフレーム中の３つのフレームそれぞれに関するピッチおよびＵ
／Ｖ決定が、３．２章で述べたピッチおよびＵ／Ｖ量子化方式にかけられる。こ
の場合、パラメータセットは、それぞれ７ビットで表される３つのピッチ値と、
それぞれ１ビットによってもたらされる３つのＵ／Ｖ決定とで構成され、合計２
４ビットとなる。これが２４００ｂｐｓビットストリームから抽出され、再符号
化操作によって１２ビットに変換されて、スーパーフレームに関するピッチおよ
びボイシングを表す。このようにすれば、ダウントランスコーダはＭＥＬＰ分析
機能を実施する必要はなく、スーパーフレームに必要な量子化操作を行うだけで
ある。ダウントランスコーディング操作の一部として、パリティチェックビット
、同期ビット、およびエラー訂正ビットを再生成しなければならないことに留意
されたい。

【０１６９】（５．３アップトランスコーダ）アップトランスコーダの場合、１２００ｂｐｓの入力ビットストリームが、各
スーパーフレームに関する量子化済みパラメータを含む。同期化およびエラー訂
正復号を実施した後、アップトランスコーダは、スーパーフレームに関する各パ
ラメータを表すビットを抽出し、これを、現在のスーパーフレーム中の３つのフ
レームそれぞれに関するこのパラメータの対応する値を別々に指定する、より多
数のビットにマッピング（再符号化）する。このマッピングを行うこの方法はパ
ラメータに依存するが、この方法について以下に述べる。スーパーフレームのフ
レームのパラメータがすべて決定されると、３つの音声フレームを表すビットの
シーケンスが生成される。同期ビットおよびパリティビットの挿入ならびにエラ
ー訂正符号化の後、このデータシーケンスから２４００ｂｐｓビットストリーム
が生成される。

【０１７０】以下は、スーパーフレームに対するパラメータビットを３つのフレームのそれ
ぞれに対する別々のパラメータビットにマッピング（復号）する一般的な手法に
ついての記述である。１２００ｂｐデコーダ中で、前述のように各パラメータに
対して量子化テーブルおよびコードブックが使用される。復号動作では、１つま
たは複数のパラメータを表す２進ワードを取り入れて、各パラメータに対する値
、例えばコードブックに記憶されている特定のＬＳＦ値やピッチ値を出力する。
これらのパラメータ値は量子化される。すなわち、２４００ｂｐｓＭＥＬＰコー
ダの量子化テーブルを採用する新しい量子化動作への入力として加えられる。こ
の再量子化により、２４００ｂｐｓＭＥＬＰデコーダで復号するのに適した形で
パラメータ値を表す新しい２進ワードがもたらされる。

【０１７１】量子化の使用を示す例として、特定のスーパーフレームに関するピッチおよび
ボイシング情報を含むビットが１２００ｂｐｓビットストリームから抽出され、
スーパーフレーム中の３つのフレームに対する３つのボイシング（Ｕ／Ｖ）決定
および３つのピッチ値に復号される。３つのボイシング決定は２進数であり、２
４００ｂｐｓＭＥＬＰビットストリームのためのボイシングビットとして直接使
用可能である（３つのフレームのそれぞれにつき１ビット）。３つのピッチ値は
、それぞれをＭＥＬＰピッチスカラカンタイザにかけることによって再量子化さ
れ、各ピッチ値につき７ビットワードが得られる。述べたこの発明的方法に従っ
たピッチ再量子化は、当業者なら多くの代替実装形態を設計することができる。

【０１７２】具体的な代替形態の一つは、スーパーフレームの単一のフレームだけが有声で
あるときにピッチ再量子化をとばすことによって生み出すことができる。という
のはこの場合、有声フレームに関するピッチ値はすでに、ＭＥＬＰボコーダのフ
ォーマットと一致する量子化済みの形で指定されているからである。同様に、フ
ーリエ絶対値についても、スーパーフレームの最後のフレームはすでにＭＥＬＰ
フォーマットでスカラ量子化されているので、このフレームに再量子化は必要な
い。ただし、スーパーフレームの他の２つのフレームに関する補間済みフーリエ
絶対値は、ＭＥＬＰ量子化方式で再量子化する必要がある。ジッタまたは非周期
性フラグは、表８の最後の２つの欄を用いたテーブルルックアップによって単純
に得られる。

【０１７３】（６．ディジタルボコーダ端末ハードウェア）図６に、本発明の音声符号化方法に従って動作するエンコーダおよびデコーダ
を備えたディジタルボコーダ端末を示す。マイクロホンＭＩＣ１１２は、アナロ
グ出力信号１１４を提供する入力音声トランスデューサであり、アナログ出力信
号１１４は、アナログディジタルコンバータ（Ａ／Ｄ）１１６によってサンプリ
ングされディジタル化される。得られたサンプリング済みおよびディジタル化済
みの音声１１８は、ＤＳＰコントローラチップ１２０内で、音声符号化操作を符
号化ブロック１２２中で行うことによってディジタル処理され圧縮される。符号
化ブロック１２２は、本発明によりＤＳＰ／コントローラ内のソフトウェア中に
実装される。

【０１７４】ディジタル信号プロセッサ（ＤＳＰ）１２０は、ＴｅｘａｓＩｎｓｔｒｕｍ
ｅｎｔｓＴＭＣ３２０Ｃ５４１６集積回路を例とし、音声データおよび中間デ
ータおよびパラメータを記憶するのに十分なバッファ空間を備えるランダムアク
セスメモリ（ＲＡＭ）を含む。ＤＳＰ回路はまた、前述のように、ボコーダ動作
を実施するプログラム命令を収録するための読出し専用メモリ（ＲＯＭ）も含む
。ＤＳＰは、本発明で述べたボコーダ動作を行うのによく適している。符号化動
作から得られるビットストリーム１２４は、低レートのビットストリーム、Ｔｘ
データストリームである。Ｔｘデータ１２４は、チャネルインタフェースユニッ
ト１２６に入り、チャネル１２８を介して送信される。

【０１７５】受信側では、チャネル１２８からのデータがチャネルインタフェースユニット
１２６に入り、チャネルインタフェースユニット１２６はＲｘビットストリーム
１３０を出力する。Ｒｘデータ１３０は、復号ブロック内の音声復号動作のセッ
トに加えられる。これらの動作については前に述べた。得られたサンプリング済
みおよびディジタル化済み音声１３４は、ディジタルアナログコンバータ（Ｄ／
Ａ）１３６に加えられる。Ｄ／Ａは、再構築したアナログ音声１３８を出力する
。再構築済みアナログ音声１３８は、スピーカ１４０に加えられるか、再構築済
みの音を再生するその他のオーディオトランスデューサに加えられる。

【０１７６】図６は、この発明原理を実施することのできるハードウェアの一構成を表した
ものである。この発明原理は、音声データの符号化および復号化に関して本明細
書に述べた処理機能をサポートできる様々な形のボコーダ実装形態で実施するこ
とができる。具体的には、この発明的な実装形態の範囲に含まれる多くの変形の
うちの少数でしかないが、次のようなものがある。（ａ）伝送パスが従来の電話回線であるときに使用するために、音声帯域デ
ータモデムを含むチャネルインタフェースユニットを使用する。（ｂ）適した暗号化デバイスを介して暗号化したディジタル信号を送信に使用
し、受信のために記述され、安全な伝送を実現する。この場合、暗号化ユニット
もまたチャネルインタフェースユニットに含まれることになる。（ｃ）伝送チャネルがワイヤレス無線リンクである場合に電波で無線信号を伝
送するために、無線周波モジュレータおよびデモジュレータを含むチャネルイン
タフェースユニットを使用する。（ｄ）複数の音声および／またはデータチャネルで無線信号を伝送するために
、多重化および多重分離の装置を含むチャネルインタフェースユニットを使用す
る。この場合、複数のＴｘおよびＲｘ信号がチャネルインタフェースユニットに
接続されることになる。（ｅ）離散的コンポーネント、または離散的要素と処理要素が混合したものを
採用して、ＤＳＰ／コントローラの命令処理動作を置き換える。採用できる例に
は、プログラマブルゲートアレイ（ＰＧＡ）が含まれる。本発明は、処理要素を
必要とせず完全にハードウェア中で実施するようにすることもできることに留意
されたい。

【０１７７】この発明原理をサポートするためのハードウェアは、述べたデータ操作をサポ
ートするだけでよい。しかし、ＤＳＰ／プロセッサチップを使用するのが、現在
の最新技術で音声コーダまたはボコーダを実装するのに使用される最も一般的な
回路である。

【０１７８】以上の記述は多くの限定を含むが、これらは本発明の範囲を限定するものと見
なすべきではなく、現時点で好ましい本発明の実施形態のいくつかの例示を提供
するにすぎないと見なすべきである。したがって、本発明の範囲は、添付の特許
請求の範囲およびこれらの法的均等物によって決定すべきである。

【表１】

【表２】

【表３】

【表４】

【表５】

【表６】

【表７】

【表８】

【表９】

【表１０】

【図面の簡単な説明】

【図１】従来の２．４ｋｂｐｓＭＥＬＰコーダの入力音声バッファ構造内で用いられる
データ位置の図であり、図示の各単位が音声のサンプルを示す図である。

【図２】本発明の１．２ｋｂｐｓコーダの入力スーパーフレーム音声バッファ構造内で
用いられるデータ位置の図であり、図示の各単位が音声のサンプルを示す図であ
る。

【図３Ａ】本発明の１．２ｋｂｐｓエンコーダの機能ブロック図である。

【図３Ｂ】本発明の１．２ｋｂｐｓデコーダの機能ブロック図である。

【図４】本発明の１．２ｋｂｐｓエンコーダ内のデータ位置の図であって、本発明内で
ピッチスムーザパラメータを計算するための計算位置を示し、図示の各単位が音
声のサンプルを示す図である。

【図５Ａ】トランスコーダによって２４００ｂｐｓストリームにアップコンバートされる
１２００ｂｐｓストリームの機能ブロック図である。

【図５Ｂ】トランスコーダによって１２００ｂｐｓストリームにダウンコンバートされる
２４００ｂｐｓストリームの機能ブロック図である。

【図６】本発明による発明原理を採用したディジタルボコーダ端末内のハードウェアの
機能ブロック図である。

───────────────────────────────────────────────────── 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，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，ＫＥ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＧ，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＢＺ，ＣＡ，ＣＨ，ＣＮ，ＣＲ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＤＭ，ＤＺ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，ＧＥ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＡ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＭＺ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＴＺ，ＵＡ，ＵＧ，ＵＺ，ＶＮ，ＹＵ，ＺＡ，ＺＷ (72)発明者ティアンワンアメリカ合衆国 93117 カリフォルニア州ゴレタナンバー69 ホワイトマンストリート 460 (72)発明者カズヒトコイシダアメリカ合衆国 93117 カリフォルニア州ゴレタナンバー203 エンシナロード 5739 Ｆターム(参考） 5D045 CC01 DA20

Claims

【特許請求の範囲】

【請求項１】ボコーダ装置であって、（ａ）音声データの複数のフレームを受け取るスーパーフレームバッファと、（ｂ）前記スーパーフレームバッファ内の各フレームからパラメトリック音声
データを抽出する、フレームベースの音声エンコーダ分析モジュールと、（ｃ）前記スーパーフレームバッファ内の一連のフレームに関するパラメトリ
ック音声データを前記分析モジュールから受け取るスーパーフレームエンコーダ
であって、前記分析モジュールから受け取ったパラメトリック音声データを選択
的に量子化して音声データを生成し、該音声データを送信用の送出ディジタルビ
ットストリームに符号化するスーパーフレームエンコーダと、（ｄ）スーパーフレーム音声データで符号化されたディジタルビットストリー
ムを受け取ってフレームベースの量子化済みパラメータに復号するスーパーフレ
ームデコーダと、（ｅ）各フレームに関する前記量子化済みパラメータを受け取り、該量子化済
みパラメータを合成音声出力に復号する、フレームベースのデコーダシンセサイ
ザとを備えることを特徴とするボコーダ装置。
【請求項２】音声圧縮装置であって、（ａ）音声データの複数のフレームを受け取るスーパーフレームバッファと、（ｂ）前記スーパーフレーム中に含まれるフレーム内の音声データの特性を分
析して、関連する音声データパラメータのセットを生成する、フレームベースの
エンコーダ分析モジュールと、（ｃ）前記スーパーフレームバッファ内に含まれるフレームのグループに関し
て前記分析モジュールから音声データパラメータを受け取り、前記フレームのグ
ループに関するデータを分析によって削減し、前記データを量子化および符号化
し、送信用の送出ディジタルビットストリームにするスーパーフレームエンコー
ダとを備えることを特徴とする音声圧縮装置。
【請求項３】請求項２に記載の音声圧縮装置であって、前記分析モジュー
ルが、音声データパラメータを受け取ることができ、線形予測コーダ、混合励起
線形予測コーダ、ハーモニックコーダ、および多帯域励起コーダからなる音声エ
ンコーダのグループから選択されることを特徴とする音声圧縮装置。
【請求項４】請求項２に記載の音声圧縮装置であって、前記スーパーフレ
ームエンコーダが、ピッチスムーザ、バンドパスボイシングスムーザ、線形予測
カンタイザ、ジッタカンタイザ、およびフーリエ絶対値カンタイザからなるパラ
メトリック処理モジュールのグループから選択される少なくとも２つのパラメト
リック処理モジュールを備えることを特徴とする音声圧縮装置。
【請求項５】請求項２に記載の音声圧縮装置であって、前記スーパーフレ
ームエンコーダがベクトルカンタイザを備え、スーパーフレーム内のピッチ値が
ピッチエラーに応答したひずみ測定値でベクトル量子化されることを特徴とする
音声圧縮装置。
【請求項６】請求項２に記載の音声圧縮装置であって、前記スーパーフレ
ームエンコーダがベクトルカンタイザを備え、スーパーフレーム内のピッチ値が
ピッチ差分およびピッチエラーに応答したひずみ測定値でベクトル量子化される
ことを特徴とする音声圧縮装置。
【請求項７】請求項２に記載の音声圧縮装置であって、前記スーパーフレ
ームエンコーダが線形予測パラメータのカンタイザを備え、各線形予測パラメー
タにつき異なる補間係数を採用した線形予測パラメータのコードブックベースの
補間によって量子化が行われ、前記カンタイザが閉ループモードで動作していく
つかのフレームにわたるエラー全体を最小限に抑えることを特徴とする音声圧縮
装置。
【請求項８】請求項７に記載の音声圧縮装置であって、前記カンタイザが
、前記コードブックベースの補間を用いて線スペクトル周波数（ＬＳＦ）量子化
を行うことができることを特徴とする音声圧縮装置。
【請求項９】請求項８に記載の音声圧縮装置であって、前記コードブック
が、重心ベースの訓練プロシージャによる作用を受ける訓練データベースにより
生成されることを特徴とする音声圧縮装置。
【請求項１０】請求項２に記載の音声圧縮装置であって、前記スーパーフ
レームエンコーダがピッチスムーザを備え、オンセット／オフセットクラシファ
イアに基づいて計算が行われることを特徴とする音声圧縮装置。
【請求項１１】請求項２に記載の音声圧縮装置であって、前記スーパーフ
レームエンコーダがピッチスムーザを備え、複数のボイシング決定を用いてピッ
チ軌跡が計算されることを特徴とする音声圧縮装置。
【請求項１２】請求項１１に記載の音声圧縮装置であって、前記ピッチス
ムーザが、エネルギー、零交差レート、ピーク度、入力音声の最大相関係数、５
００Ｈｚローパスフィルタにかけた音声の最大相関係数、ローパスフィルタにか
けた音声のエネルギー、およびハイパスフィルタにかけた音声のエネルギーから
なる波形特徴パラメータのグループから選択される少なくとも４つの波形特徴パ
ラメータに基づいて、フレームをオンセットフレームとオフセットフレームに分
類することを特徴とする音声圧縮装置。
【請求項１３】請求項２に記載の音声圧縮装置であって、前記スーパーフ
レームエンコーダが、各フレームに関する多帯域ボイシング決定をそのフレーム
に対する単一のカットオフ周波数にマッピングするバンドパスボイシングスムー
ザを備え、前記カットオフ周波数が、許容される値の所定リストからの値の１つ
をとることを特徴とする音声圧縮装置。
【請求項１４】請求項１３に記載の音声圧縮装置であって、前記バンドパ
スボイシングスムーザが、フレームのカットオフ周波数を近隣フレームのカット
オフ周波数および平均フレームエネルギーの関数として修正することによって平
滑化を行うことを特徴とする音声圧縮装置。
【請求項１５】請求項２に記載の音声圧縮装置であって、スーパーフレー
ム内の各フレームに対する非周期性フラグビットをスーパーフレームごとの単一
ビットに圧縮する手段をさらに備え、前記ビットが前記スーパーフレーム内にお
ける有声フレームおよび無声フレームの配置に基づいて生成されることを特徴と
する音声圧縮装置。
【請求項１６】請求項２に記載の音声圧縮装置であって、前記スーパーフ
レームエンコーダが、パラメトリックデータをビットのセットに符号化する複数
のカンタイザを備え、前記カンタイザの少なくとも１つが、補間係数を表すため
にベクトル量子化を採用することを特徴とする音声圧縮装置。
【請求項１７】請求項２に記載の音声圧縮装置であって、スーパーフレー
ムが、前記スーパーフレーム内における有声フレームと無声フレームの組合せに
基づいて複数の符号化状態の１つに分類され、前記符号化状態の各々が、前記ス
ーパーフレームで用いられる異なるビット割振りに関連することを特徴とする音
声圧縮装置。
【請求項１８】音声圧縮装置であって、（ａ）音声データの複数のフレームを受け取るスーパーフレームバッファと、（ｂ）前記音声データに関する音声データパラメータのセットを決定する、フ
レームベースの分析モジュールと、（ｃ）スーパーフレーム内のフレームのグループに関する量子化前の音声デー
タパラメータを受け取るスーパーフレームエンコーダとを備え、前記スーパーフ
レームエンコーダが、（ｉ）スーパーフレームの各フレームに関するピッチおよびＵ／Ｖ決定を決
定し、フレームをオンセットフレームとオフセットフレームに分類するのに必要
なパラメータを抽出するピッチスムーザと、（ｉｉ）前記スーパーフレーム内のフレームに関するバンドパスボイシング
強度を決定し、各フレームに関するカットオフ周波数を決定するバンドパスボイ
シングスムーザと、（ｉｉｉ）前記分析モジュール、前記ピッチスムーザ、および前記バンドパ
スボイシングスムーザから受け取ったボイシングパラメータをビットのセットに
量子化し、前記ビットを送信用の送出ディジタルビットストリームに符号化する
パラメータカンタイザエンコーダとを備えることを特徴とする音声圧縮装置。
【請求項１９】音声デコーダ装置であって、（ａ）入来したディジタルビットストリームを一連のスーパーフレームとして
受け取り、前記スーパーフレームを復号および逆量子化して、フレームベースの
量子化済み音声パラメータにするスーパーフレームデコーダと、（ｂ）前記フレームベースの量子化済み音声パラメータを受け取り、前記フレ
ームベースの量子化済み音声パラメータを結合して合成音声出力信号にする、フ
レームベースのデコーダとを備えることを特徴とする音声デコーダ装置。
【請求項２０】符号化済みパラメトリック音声データストリームをオーデ
ィオ音声信号に復号する方法であって、（ａ）受け取った、複数のピッチ期間を有するパラメトリック音声データスト
リームをバッファリングし、前記バッファリングしたフレームデータをバッファ
にロードするステップと、（ｂ）周波数スペクトルをカットオフ周波数に基づく領域に分割することによ
って各ピッチ期間内の励起の推定スペクトルを構築するステップであって、（ｉ）各領域につきフーリエ絶対値を計算し、次いで、前記領域の少なくと
も１つについて得られた計算済みフーリエ絶対値を、その領域について計算され
た利得係数によって増減するステップと、（ｉｉ）各領域内の位相を計算するステップであって、前記領域の少なくと
も１つについて得られた位相が重み付きランダム位相を用いて修正されているス
テップと、（ｉｉｉ）各領域内の前記フーリエ絶対値および前記位相を、逆離散フーリ
エ変換を計算することによって時間領域表現に変換するステップとを含むステッ
プと、（ｃ）前記時間領域表現からアナログ音声信号を生成するステップとを備えることを特徴とする方法。
【請求項２１】請求項２０に記載の方法であって、前記周波数スペクトル
の分割に用いられる前記領域が、（ａ）フーリエ絶対値が前記スペクトルを直接決定する、低い方の領域と、（ｂ）現在のフレームのカットオフ周波数に応じて１から０でない正の値まで
下降する直線的な減少する重み係数でフーリエ絶対値が縮小される遷移領域と、（ｃ）現在のフレームのカットオフ周波数に応じた重み係数でフーリエ絶対値
が縮小される、高い方の領域とを備えることを特徴とする方法。
【請求項２２】スーパーフレームで符号化された音声データストリームを
受け取り、それをフレームベースで符号化された音声データストリームに変換す
るアップトランスコーダ装置であって、（ａ）スーパーフレームデータを収集し、スーパーフレームパラメータを表す
ビットを抽出するスーパーフレームバッファと、（ｂ）スーパーフレームパラメータの各セットに対するビットを、前記スーパ
ーフレームの各フレームに関する量子化済みパラメータ値に逆量子化するデコー
ダと、（ｃ）基礎をなす各フレームに関する音声パラメータを量子化し、前記量子化
した音声パラメータをフレームベースのデータにマッピングし、フレームベース
の音声データストリームを生成する、フレームベースのエンコーダとを備えることを特徴とするアップトランスコーダ装置。
【請求項２３】フレームベースで符号化された音声データストリームを受
け取り、それをスーパーフレームベースで符号化された音声データストリームに
変換するダウントランスコーダ装置であって、（ａ）パラメトリック音声データのいくつかのフレームを収集し、フレームベ
ースの音声パラメータを表すビットを抽出するスーパーフレームバッファと、（ｂ）パラメータのフレームごとのビットを、各フレームに関する量子化済み
パラメータ値に逆量子化するデコーダと、（ｃ）前記スーパーフレーム内のフレームのグループに関する前記フレームベ
ースの量子化済みパラメータを収集し、パラメトリック音声データのセットを生
成し、前記パラメトリック音声データを量子化および符号化して、送出ディジタ
ルビットストリームにするスーパーフレームエンコーダとを備えることを特徴とするダウントランスコーダ装置。
【請求項２４】ディジタル化済み音声をパラメトリック音声データに符号
化するボコーダ方法であって、（ａ）ディジタル化済み音声の複数のフレームをスーパーフレームバッファに
ロードするステップと、（ｂ）スーパーフレームバッファの各フレーム内のディジタル化済み音声をパ
ラメトリック分析によって符号化して、フレームベースのパラメトリック音声デ
ータを生成するステップと、（ｃ）スーパーフレームの各フレーム内のピッチおよびＵ／Ｖパラメータを計
算することにより、フレームをオンセットフレームとオフセットフレームに分類
するステップと、（ｄ）スーパーフレームバッファ内のフレームに関するバンドパスボイシング
強度パラメータを計算することにより、スーパーフレーム内の各フレームに関す
るカットオフ周波数を決定するステップと、（ｅ）スーパーフレーム内のフレームのグループに対するパラメトリック分析
、フレーム分類、およびカットオフ周波数決定のステップから、スーパーフレー
ムパラメータのセットを収集するステップと、（ｆ）スーパーフレームパラメータを量子化して、量子化済みスーパーフレー
ムパラメータデータを形成する削減されたデータビットのセットによって表され
る離散的な値にするステップと、（ｇ）量子化したスーパーフレームパラメータデータを、スーパーフレームベ
ースのパラメトリック音声データのデータストリームに符号化するステップであ
って、該データストリームは、フレームベースのパラメトリック音声データとほ
ぼ同等の音声情報を含み、しかもなお符号化済み音声の秒あたりのビットレート
がより低いステップとを備えることを特徴とする方法。
【請求項２５】スーパーフレームベースのパラメトリック音声データから
ディジタル化済み音声を生成するボコーダ方法であって、（ａ）スーパーフレームバッファ中でスーパーフレームベースのパラメトリッ
ク音声データを受け取るステップと、（ｂ）前記スーパーフレームバッファ内の前記音声データを復号および逆量子
化して、フレームベースの音声パラメータ値のセットを再生するステップと、（ｃ）前記フレームベースの音声パラメータを復号するフレームベースの音声
シンセサイザによって、前記フレームベースの音声パラメータを復号するステッ
プとを備えることを特徴とする方法。