JP2008197247A - 音声処理装置 - Google Patents

Abstract

【課題】ノイズなどが含まれる音声であっても、聴覚上、自然で聴きとりやすく高域成分を補完することができる音声処理装置を提供する。
【解決手段】音声信号１０は、パワー調整部１、母音処理部２、子音処理部３、および補完部５に入力される。パワー調整部１は、音声信号１０のカットされた帯域（例えば７ｋＨｚ）付近のパワーを求める。母音処理部２は、音声信号１０の音声情報（ピッチ）に基づいて、母音成分の倍音を生成する。子音処理部３は、音声信号１０の音声情報に基づいて、子音成分の倍音を生成する。補完成分生成部４は、母音成分の倍音、子音成分の倍音、音声信号１０のパワーに基づいて、音声信号１０の高域成分を生成する。補完部５は、音声信号１０に高域成分を加算し、高域成分が補完された補完音声信号５０を生成する。
【選択図】図１

Description

この発明は、音声の高域成分を補完する音声処理装置に関する。

従来、アナログ電話回線やＩＰ電話回線等では、音声の高域の成分（３．４ｋＨｚ、または７ｋＨｚ以上）を除去して送受信する。しかし、高域の成分を除去すると、音声の明りょう度が低下し、こもった音になる。

そこで、高域の成分を補完する手法として、オーディオ機器の分野では、中低域の周波数の音声をシフトすることにより、再生側で高域成分を生成することがおこなわれている（例えば特許文献１参照）。オーディオ機器の分野では、ノイズの極めて少ない音源から高域を生成するため、違和感のない高域成分補完を行うことができる。
特開２００５−１２８３８７号公報

しかし、ＩＰ電話等では、送受信される音声に暗騒音やノイズが含まれており、この音声から高域を生成すると、ノイズの高域成分も強調される結果となってしまう。

また、音声は低域から高域までの成分が平均的に含まれており、単に周波数シフトで高域の成分を生成すると、中低域と高域成分とのバランスが悪く、違和感のある音声となってしまうという問題も有った。

そこで、この発明は、ノイズなどが含まれる音声であっても、聴覚上、自然で聴きとりやすく高域成分を補完することができる音声処理装置を提供することを目的とする。

この発明の音声処理装置は、音声信号の母音成分のピッチから、所定周波数以上の高域の母音倍音成分を生成する母音成分生成部と、音声信号の子音成分のピッチから、前記所定周波数以上の高域の子音倍音成分を生成する子音成分生成部と、音声信号の前記所定周波数付近の帯域のパワーを測定するパワー測定部と、前記高域の母音倍音成分と子音倍音成分とを加算して前記音声信号の高域補完成分を生成し、前記パワー測定部が測定したパワーに基づいて生成した高域補完成分のレベルを調整する補完成分生成部と、前記高域補完成分と前記音声信号とを加算して補完音声信号を生成する補完部と、を備えたことを特徴とする。

この構成では、音声信号の母音成分、子音成分のそれぞれのピッチに基づいて、高域の倍音成分を生成する。これらの高域の母音倍音成分、子音倍音成分を加算することで、高域補完成分を生成する。このとき、音声信号の所定周波数帯域のパワーを測定し、このパワーに基づいて高域補完成分のレベルを調整し、調整後の高域補完成分を音声信号に加算することで、聴覚上、違和感のない補完をすることができる。

また、この発明は、さらに、前記高域補完成分の周波数成分のうち、高周波数ほどレベルを低下させる低域通過フィルタを備え、前記補完部は、前記低域通過フィルタでフィルタリングされた高域補完成分と前記音声信号とを加算して前記補完音声信号を生成することを特徴とする。

この構成では、高域補完成分の高周波数帯域を減衰させる低域通過フィルタを備える。この低域通過フィルタの特性は、高周波数帯域になるほどゲインが低下する特性である。この様な特性を有するフィルタで高域成分をフィルタリングすることにより、音声の高域成分のディケイを表現することができる。

また、この発明は、さらに、前記高域補完成分の低周波数帯域を低減する高域通過フィルタを備え、前記補完部は、前記高域通過フィルタでフィルタリングされた高域補完成分と前記音声信号とを加算して前記補完音声信号を生成することを特徴とする。

この構成では、高域補完成分の低周波数帯域を減衰させる高域通過フィルタを備える。これにより、レベル調整時に（増幅回路で）発生するバイアスを除去する。

また、この発明は、さらに、前記母音生成部は、前記音声信号の高周波数帯域を除去した低中音域信号のゼロクロスを検出することで、前記母音成分のピッチを検出することを特徴とする。

この構成では、音声信号の高周波数帯域を除去し、子音成分を排除した音声信号を抽出する。この子音成分を排除した音声信号のゼロクロスポイントを検出することでピッチを検出する。例えば、正の信号から負の信号に変化するゼロクロスポイント（１ピッチ）にあわせて倍音成分を生成する。

また、この発明は、さらに、前記母音成分生成部は、鋸歯状波を生成し、この鋸歯状波のレベルを前記音声信号のパワーに基づいて調整することで前記高域の母音倍音成分を生成することを特徴とする。

この構成では、鋸歯状波を生成し、この鋸歯状波のレベルを前記音声信号のパワーに基づいて調整する。調整した鋸歯状波が母音倍音成分となる。これにより、音声の母音成分の倍音を表現することができる。

また、この発明は、さらに、前記子音成分生成部は、パルス波を生成し、このパルス波を前記高域の子音成分として生成することを特徴とする。

この構成では、パルス波を生成し、このパルス波を子音倍音成分とする。これにより、音声の子音成分の倍音を表現する。

また、この発明は、さらに、前記パルス波のピークレベルを所定時間保持するピークホールド回路を備えたことを特徴とする。

この構成では、パルス波のピークを所定時間保持する。これにより、パルス波は、所定の時間幅を有した波形となり、パルス波のパワーが上昇し、また、所定時間ホールドされることにより、パルス波の高周波数成分のレベルが低下し、音声のフォルマントを擬似的に生成することができる。

この発明によれば、音声信号の母音成分、子音成分のそれぞれについてピッチに応じた倍音成分を生成し、ピッチやパワー等の音声情報に基づいて高域補完成分を生成するため、音声に相関の有る高域成分を生成することができ、聴覚上、自然で聴きとりやすい高域成分を補完することができる。また、音声情報に基づいて高域補完成分を生成するため、ノイズの混在するような音声信号であっても、ノイズを強調することなく、音声の高域成分だけを生成し、補完することができる。

図面を参照してこの発明の実施形態である音声処理装置について説明する。
図１は、同音声処理装置の機能ブロック図である。
この音声処理装置は、ＩＰ電話回線等を介して入力された音声の音声信号（以下、単に音声信号という）を入力して分析し、高域成分（主に７ｋＨｚ以上の成分）を生成、補完する。なお、同図に示す各機能処理部は、音声処理装置のＤＳＰやＣＰＵの処理により実現される。この音声処理装置は、単体の装置として使用されるほか、電話機や音声会議装置等に組み込まれて使用される。また、一般のコンピュータなどにインストールされて使用される。

図１において、音声処理装置は、パワー調整部１、母音処理部２、子音処理部３、補完成分生成部４、および補完部５の機能処理部からなる。
なお、図１において、長円で示したブロックは、処理（処理機能部）を示しており、長方形で示したブロックは、処理によって生成された音声信号を示している。

外部から入力された音声信号１０は、パワー調整部１のハイパスフィルタ（ＨＰＦ）１１、母音処理部２のローパスフィルタ（ＬＰＦ）２１、子音処理部３のゼロクロス抽出回路３１、および補完部５の増幅回路５３に入力される。

ＨＰＦ１１は、音声信号１０の高周波数帯域を抽出する。カットオフ周波数は音源の周波数に合わせる。例えばＩＰ電話（Ｇ．７２２）であれば、７ｋＨｚ以上の高周波数帯域がカットされているため、ＨＰＦ１１のカットオフ周波数を７ｋＨｚ付近に設定する。これにより、音声信号１０に含まれるカットオフ周波数付近（７ｋＨｚ付近）の信号を抽出する。

ＨＰＦ１１で高域成分を抽出された音声信号は、全波整流回路１２に入力される。全波整流回路１２は、音声信号を絶対値化する。例えば図２（Ａ）に示すような音声信号が入力された場合、同図（Ｂ）の実線に示すように負の信号を全て正の信号に変換する。絶対値化された音声信号は、ピークホールド回路１３に入力される。ピークホールド回路１３は、図３に示すような特性を有し、音声信号のピーク（前後の成分よりも大きくなっている成分）を所定時間ホールドし、その後減衰させるような特性である。すなわち、図２（Ｂ）の破線に示すように、絶対値化された音声信号の各ピークを時間軸方向に緩和した信号に変換される。ピークホールドされた音声信号は、ＬＰＦ１４で短い周期の成分がカットされ、図２（Ｃ）に示すような音声信号に変換される。これにより、音声信号の高域成分のパワーが抽出される。この抽出されたパワーに比例するゲインを増幅回路４３に設定する。すなわち、抽出された高域成分のパワーが増幅回路４３においてレベル調整基準として用いられる。

次に、母音処理部２のＬＰＦ２１は、音声信号１０の低域成分を抽出する。カットオフ周波数は、母音成分のピッチを抽出するために、子音成分を無視できる周波数、例えば５００Ｈｚ〜１ｋＨｚに設定される。

ＬＰＦ２１で低域成分を抽出された音声信号は、ゼロクロス抽出回路２２、および全波整流回路２４に入力される。全波整流回路２４は、音声信号を絶対値化する。絶対値化された音声信号は、ピークホールド回路２５に入力される。ピークホールド回路２５は、音声信号のピークを所定時間ホールドする。ピークホールドされた音声信号は、ＬＰＦ２６で短い周期の成分がカットされる。よって、図２に示した例と同様に、音声信号の低域成分のパワーが抽出される。この抽出されたパワーに比例するゲインを増幅回路２７に設定する。すなわち、抽出された低域成分のパワーが増幅回路２７においてレベル調整基準として用いられる。

ゼロクロス抽出回路２２は、入力された音声信号のゼロクロスポイントを抽出し、鋸歯状波２３を生成する。例えば、図４（Ａ）に示すような音声信号が入力された場合、ゼロクロスポイントｐ２，ｐ４，ｐ６において、同図（Ｂ）に示す様な鋸歯状波を立ち上げる。これにより母音の倍音成分を生成する。正から負にクロスするポイントでパルス波を立ち上げることにより、音声の基本ピッチにあわせた信号（倍音）が生成される。鋸歯状波２３は、増幅回路２７で音声信号１０の低域成分のパワーに応じてレベル調整される。

なお、ゼロクロス抽出回路２２が出力する信号は、鋸歯状波に限るものではない。上記例では、音声の母音成分の倍音を表現するために鋸歯状波としたが、他にも矩形波、方形波などであってもよい。音源の種類に応じて適宜変更すればよい。

一方、子音処理部３のゼロクロス抽出回路３１は、入力された音声信号１０のゼロクロスポイントを抽出し、パルス波３２を生成する。例えば、図５（Ａ）に示すような音声信号が入力された場合、ゼロクロスポイントｐ１１〜ｐ１６のうち、正から負にクロスするポイントｐ１２，ｐ１４，ｐ１６において、パルス波を立ち上げる。これにより子音の倍音成分を生成する。正から負にクロスするポイントでパルス波を立ち上げることにより、音声の基本ピッチにあわせた信号（倍音）が生成される。

また、図５（Ａ）に示した音声信号は、実際には非常に短い周期で入力されている。図５（Ａ）においては説明を容易にするために図４（Ａ）と同様の音声信号を示したが、図５（Ａ）に示した音声信号と図４（Ａ）の音声信号とは時間スケールが大きく異なる。

ゼロクロス抽出回路３１で生成されたパルス波３２は、ピークホールド回路３３に入力される。ピークホールド回路３３は、図３に示すような特性を有し、音声信号のピークを所定時間ホールドし、その後減衰させるような特性である。ただし、ピークホールド回路３３の特性は、ピークホールド回路１３およびピークホールド回路２５とは時間スケールが大きく異なるものとする。つまり、図５（Ｃ）の各パルス波を時間軸方向に拡大した波形が図３に示した特性を示している。これにより、パルス波３２は、図５（Ｃ）に示すように、所定の時間幅を有した波形となる。ピークホールド回路３３により、パルス波のパワーが上昇し、また、所定時間ホールドされることにより、パルス波の高周波数成分のレベルが低下し、音声のフォルマントを擬似的に生成することができる。なお、ピークホールド回路３３は必須ではない。実際には後述のＬＰＦ５２において高周波数成分のレベルを低下させるため、ＬＰＦ５２においても音声のフォルマントを表現することができる。

なお、ゼロクロス抽出回路３１が出力する信号は、パルス波に限るものではない。上記例では、音声の子音成分の倍音を表現するためにパルス波を出力したが、ランダムノイズを生成してもよい。子音成分はホワイトノイズに近い成分であるため、ランダムノイズにより子音成分を表現することもできる。

ピークホールド回路３３から出力されたパルス波は、増幅回路３４でレベル調整される。増幅回路３４のレベル調整量は、増幅回路２７のレベル調整量を基準として所定の割合に設定される。すなわち、母音に対する子音の音量割合を予め求めて設定しておく。母音成分のレベル調整量が変更された場合、この割合に応じて子音成分のレベル調整量も変更される。

増幅回路２７でレベル調整された鋸歯状波２３、および増幅回路３４でレベル調整されたパルス波３２は、補完成分生成部４の加算器４１において加算される。これにより、母音の倍音成分、子音の倍音成分が加算され、音声信号の補完成分が生成される。

加算器４１で生成された補完成分は、ＨＰＦ４２に入力される。ＨＰＦ４２は、補完成分の高域成分を抽出する。ＨＰＦ４２のカットオフ周波数はＨＰＦ１１と同様に音源の周波数に合わせる。例えばＩＰ電話（Ｇ．７２２）であれば、７ｋＨｚ以上の高周波数帯域がカットされているため、ＨＰＦ４２のカットオフ周波数を７ｋＨｚに設定する。これにより、高域の補完成分（高域補完成分）が生成される。

高域補完成分は、増幅回路４３でレベル調整される。増幅回路４３のレベル調整量は、パワー調整部１で求められた音声信号のカットオフ周波数付近（７ｋＨｚ付近）のパワーを基準とする。カットオフ周波数付近のパワーを基準にレベル調整されるため、音源のレベルに近い高域補完成分が生成される。

増幅回路４３でレベル調整された高域補完成分は、補完部５のＨＰＦ５１に入力される。ＨＰＦ５１のカットオフ周波数は、増幅回路４３で発生するバイアスを除去できる程度の周波数に設定される。

ＨＰＦ５１でバイアスを除去された高域補完成分は、ＬＰＦ５２に入力される。ＬＰＦ５２は、図６に示すような周波数特性（フィルタ特性）を有し、高周波数帯域になるほどゲインが低下する。この様な特性を有するフィルタで高域補完成分をフィルタリングすることにより、音声の高域成分のディケイを表現する。

ＬＰＦ５２でフィルタリングされた高域補完成分は、加算器５４に入力される。加算器５４は、増幅回路５３でレベル調整された音声信号１０と、上記高域補完成分を加算する。この結果、補完部５で音声信号１０に高域成分が補完された補完音声信号５０が生成される。

以上のように、本実施形態の音声処理装置は、音声信号の母音成分、子音成分のそれぞれについてピッチに応じた倍音成分を生成し、ピッチやパワー等の音声情報に基づいて高域補完成分を生成するため、音声に相関の有る高域成分を生成することができ、聴覚上、自然で聴きとりやすい高域成分を補完することができる。また、音声情報に基づいて高域補完成分を生成するため、ノイズの混在するような音声信号であっても、ノイズを強調することなく、音声の高域成分だけを生成し、補完することができる。

音声処理装置の構成を示すブロック図である。 パワー調整部１に入力される音声信号および調整された後の音声信号の一例を示した図である。 ピークホールド回路の特性を示す図である。 母音処理部２に入力される音声信号および生成される音声信号の一例を示した図である。 子音処理部３に入力される音声信号および生成される音声信号の一例を示した図である。 ＬＰＦ５２の特性を示す図である。

符号の説明

１−パワー調整部
２−母音処理部
３−子音処理部
４−補完成分生成部
５−補完部

Claims (7)

1. 音声信号の母音成分のピッチから、所定周波数以上の高域の母音倍音成分を生成する母音成分生成部と、
   音声信号の子音成分のピッチから、前記所定周波数以上の高域の子音倍音成分を生成する子音成分生成部と、
   音声信号の前記所定周波数付近の帯域のパワーを測定するパワー測定部と、
   前記高域の母音倍音成分と子音倍音成分とを加算して前記音声信号の高域補完成分を生成し、前記パワー測定部が測定したパワーに基づいて生成した高域補完成分のレベルを調整する補完成分生成部と、
   前記高域補完成分と前記音声信号とを加算して補完音声信号を生成する補完部と、
   を備えた音声処理装置。
2. 前記高域補完成分の周波数成分のうち、高周波数ほどレベルを低下させる低域通過フィルタを備え、
   前記補完部は、前記低域通過フィルタでフィルタリングされた高域補完成分と前記音声信号とを加算して前記補完音声信号を生成する請求項１に記載の音声処理装置。
3. 前記高域補完成分の低周波数帯域を低減する高域通過フィルタを備え、
   前記補完部は、前記高域通過フィルタでフィルタリングされた高域補完成分と前記音声信号とを加算して前記補完音声信号を生成する請求項１、または請求項２に記載の音声処理装置。
4. 前記母音生成部は、前記音声信号の高周波数帯域を除去した低中音域信号のゼロクロスを検出することで、前記母音成分のピッチを検出する請求項１、請求項２、または請求項３に記載の音声処理装置。
5. 前記母音成分生成部は、鋸歯状波を生成し、この鋸歯状波のレベルを前記音声信号のパワーに基づいて調整することで前記高域の母音倍音成分を生成する請求項１乃至請求項４のいずれかに記載の音声処理装置。
6. 前記子音成分生成部は、パルス波を生成し、このパルス波を前記高域の子音成分として生成する請求項１乃至請求項５のいずれかに記載の音声処理装置。
7. 前記パルス波のピークレベルを所定時間保持するピークホールド回路を備えた請求項６に記載の音声処理装置。

Images