JP2008203322A - 時間軸圧伸装置、時間軸圧伸方法およびプログラム - Google Patents

Abstract

【課題】出力音声の再生速度を迅速に変更する。
【解決手段】記憶回路１０は、入力音声の波形を示すサンプル列ＰINを記憶する。設定部５０は、出力音声の再生速度ｓを設定する。区間長決定部３４は、入力音声の基本周期ＬWと設定部５０が設定した再生速度ｓとに基づいて圧伸後の出力区間ＳOUTの区間長Ｌ（例えばＬ＝ＬW／(１−ｓ)）を決定する。出力部３６は、出力区間ＳOUT内の各サンプルを順次に出力回路４０に出力する。区間長更新部３８は、出力区間ＳOUT内の各サンプルの出力中に設定部５０が再生速度ｓを変更すると、出力区間ＳOUTのうち再生速度ｓの変更後の残余区間ＳRの区間長ｒ1を、変更前の再生速度ｓ1と変更後の再生速度ｓ2とに応じた区間長ｒ2に更新する。
【選択図】図１

Description

本発明は、音声が再生される速度を変化させる技術に関する。

入力音声のピッチやホルマントを維持しながら再生速度を変更する時間軸圧伸の技術が従来から提案されている（例えば非特許文献１）。図７は、出力音声の再生速度を入力音声のｓ倍に変更する手順を説明するための概念図である。第１に、図７の部分(a)に示すように、基本周期ＬWを区間長とする区間Ａ（Ａ1，Ａ2，……）および区間Ｂ（Ｂ1，Ｂ2，……）が入力音声のサンプル列ＰINから検出される。基本周期ＬWは、区間Ａと区間Ｂとで波形の類似性が最大となる区間長（サンプル数）である。第２に、圧伸区間ＳAと複製区間ＳBとから構成される出力区間ＳOUT内の各サンプルが出力音声のサンプル列ＰOUTとして順次に出力される。

再生速度ｓが「１」を下回る場合（すなわち出力音声を入力音声よりも低速で再生する場合）、図７の部分(b)に示すように、区間Ａの波形と区間Ｂの波形とを合成した区間長ＬWの波形を区間Ａと区間Ｂとの間隙に挿入することで圧伸区間ＳAが生成される。一方、再生速度ｓが「１」を上回る場合（すなわち出力音声を入力音声よりも高速で再生する場合）、図７の部分(c)に示すように、区間Ａおよび区間Ｂを、区間Ａの波形と区間Ｂの波形とを合成した区間Ｘの波形に置換することで圧伸区間ＳAが生成される。複製区間ＳBは、入力音声の各サンプルが複製される区間である。出力区間ＳOUTの区間長Ｌは、基本周期ＬWと再生速度ｓとに応じて設定される。以上の手順で出力区間ＳOUTを生成する処理を入力音声の区間ＳINごとに反復することで入力音声のｓ倍の再生速度の出力音声が生成される。
森田直孝・板倉文忠、「ポインター移動量制御による重複加算法（PICOLA）を用いた音声の時間軸での伸長圧縮とその評価」、日本音響学会講演論文集、昭和６１年１０月、1-4-14（p.149−p.150）

以上の技術においては、図７に示すように、出力区間ＳOUT内のサンプルを出力している途中の時点Ｔで再生速度ｓが変更されても、出力区間ＳOUTの終了まではサンプルの出力が継続される。すなわち、再生速度ｓの変更が出力音声に反映されるのは、再生速度ｓの変更前に設定された出力区間ＳOUTについてサンプルの出力が完了した後である。したがって、出力音声の再生速度の変更が出力区間ＳOUTの区間長Ｌに応じて遅延するという問題がある。再生速度ｓが「１」に近いほど出力区間ＳOUTの区間長Ｌは長くなるから、再生速度の変更が遅延するという問題は特に顕著となる。以上の事情を背景として、本発明は、音声の再生速度を迅速に変更するという課題の解決をひとつの目的としている。

以上の課題を解決するために、本発明に係る時間軸圧伸装置は、音声の波形を示すサンプル列を記憶する記憶手段と、音声の再生速度を定める速度指標値（再生速度ｓや圧伸率ａ）を設定する設定手段と、音声の基本周期と設定手段が設定した速度指標値とに基づいて圧伸後の出力区間の区間長（例えば図３や図４の区間長Ｌ）を決定する区間長決定手段と、出力区間内の各サンプルを順次に出力する出力手段と、出力区間内の各サンプルを出力手段が出力する期間内に設定手段が速度指標値を変更すると、出力区間のうち速度指標値の変更後の残余区間の区間長（例えば図３や図４の区間長ｒ1）を、変更前の速度指標値と変更後の速度指標値とに応じた区間長（例えば図３や図４の区間長ｒ2）に更新する区間長更新手段とを具備する。

以上の構成によれば、出力区間内のサンプルの出力中に速度指標値が変更されると、出力区間のうち速度指標値の変更後の残余区間の区間長が、変更前の速度指標値と変更後の速度指標値とに応じた区間長に更新される。したがって、速度指標値の変更前に設定された出力区間についてサンプルの出力が完了してから速度指標値の変更が反映される構成と比較して、速度指標値の変更を出力音声に対して迅速に反映させることが可能である。

本発明の好適な態様において、区間長決定手段は、音声の基本周期を単位として当該音声のサンプル列を圧伸した圧伸区間とサンプル列の各サンプルを配列した複製区間とで構成される出力区間の区間長を、音声の基本周期と設定手段が設定した速度指標値とに基づいて決定し、区間長更新手段は、複製区間内の各サンプルを出力手段が出力する期間内に設定手段が速度指標値を変更すると、複製区間のうち速度指標値の変更後の残余区間の区間長を、変更前の速度指標値と変更後の速度指標値とに応じた区間長に更新する。以上の態様によれば、複製区間内の各サンプルの出力中に速度指標値が変更されると、複製区間のうち速度指標値の変更後の残余区間の区間長が、変更前の速度指標値と変更後の速度指標値とに応じた区間長に更新される。したがって、複製区間が速度指標値に応じて長期間にわたる場合であっても、複製区間内における速度指標値の変更を出力音声に対して迅速に反映させることができる。

本発明の好適な態様において、区間長更新手段は、変更後の速度指標値に対応した再生速度（例えば再生速度ｓ2）に対する変更前の速度指標値に対応した再生速度（例えば再生速度ｓ1）が低いほど残余区間の区間長が短くなるように区間長を更新する。さらに具体的な態様において、区間長更新手段は、残余区間を、変更後の速度指標値に対応した再生速度に対する変更前の速度指標値に対応した再生速度の比と、当該更新前の残余区間の区間長との乗算値に応じた区間長に更新する。以上の態様によれば、再生速度の変更の方向に拘わらず共通の方法で更新後の区間長を特定することが可能である。

本発明に係る時間軸圧伸装置は、特定の信号処理に専用されるＤＳＰ（Digital Signal Processor）などのハードウェア（電子回路）によって実現されるほか、ＣＰＵ（Central Processing Unit）などの汎用の演算処理装置とプログラムとの協働によっても実現される。本発明に係るプログラムは、音声の再生速度を定める速度指標値を設定する設定処理と、音声の基本周期と設定処理で設定した速度指標値とに基づいて圧伸後の出力区間の区間長を決定する区間長決定処理と、出力区間内の各サンプルを記憶手段から取得して順次に出力する出力処理と、出力区間内の各サンプルを出力処理にて出力する期間内に速度指標値が変更されると、当該出力区間のうち速度指標値の変更後の残余区間の区間長を、変更前の速度指標値と変更後の速度指標値とに応じた区間長に更新する区間長更新処理とをコンピュータに実行させる内容である。以上のプログラムによっても本発明の時間軸圧伸装置と同様の作用および効果が奏される。なお、本発明のプログラムは、ＣＤ−ＲＯＭなど可搬型の記録媒体に格納された形態で利用者に提供されてコンピュータにインストールされるほか、ネットワークを介した配信の形態でサーバ装置から提供されてコンピュータにインストールされる。

また、本発明は、音声の時間軸の方向に圧伸する方法としても特定される。本発明に係る時間軸圧伸方法は、音声の再生速度を定める速度指標値を設定し、音声の基本周期と設定した速度指標値とに基づいて圧伸後の出力区間の区間長を決定し、出力区間内の各サンプルを記憶手段から取得して順次に出力する一方、出力区間内の各サンプルを出力する期間内に速度指標値が変更されると、出力区間のうち速度指標値の変更後の残余区間の区間長を、変更前の速度指標値と変更後の速度指標値とに応じた区間長に更新する。以上の時間軸圧伸方法によっても本発明の時間軸圧伸装置と同様の作用および効果が奏される。

＜Ａ：時間軸圧伸装置＞
図１は、本発明のひとつの形態に係る時間軸圧伸装置の構成を示すブロック図である。時間軸圧伸装置１００は、入力音声（音声信号）の波形を時間軸の方向に伸長または圧縮することで出力音声を生成する装置である。図１に示すように、時間軸圧伸装置１００は、記憶回路１０と制御回路２０と出力回路４０と設定部５０とを具備する。

記憶回路１０にはサンプル列ＰINが外部から順次に供給される。サンプル列ＰINは、入力音声から抽出された多数のサンプルを時系列に配列したデータ列である。記憶回路１０は、各サンプルを順次に記憶する入力バッファ回路として機能する。

制御回路２０は、プログラムを実行することで入力音声のサンプル列ＰINから出力音声のサンプル列ＰOUTを生成する演算処理装置（ＣＰＵ）である。さらに詳述すると、制御回路２０は、図２に示すように、入力音声のサンプル列ＰINを区分した各区間（以下「入力区間」という）ＳINのサンプルに基づいて、出力音声のサンプル列ＰOUTの特定の区間（以下「出力区間」という）ＳOUTのサンプルを生成する。

出力回路４０は、制御回路２０が生成したサンプル列ＰOUTの各サンプルを蓄積するとともに各サンプルを所定の周期で順次に出力する出力バッファ回路である。出力回路４０から出力されたサンプル列ＰOUTがアナログ信号に変換されたうえでスピーカやヘッドホンなどの出力機器に供給されることで出力音声が再生される。

設定部５０は、出力音声の再生速度ｓを設定する手段である。本形態の設定部５０は、上位装置から付与される指令に基づいて再生速度ｓを制御する。再生速度ｓは、出力音声の出力区間ＳOUT内のサンプル数ｓ_outに対する入力音声の入力区間ＳIN内のサンプル数ｓ_inの比（ｓ＝ｓ_in／ｓ_out）を定める数値として定義される（0.5≦ｓ≦2，ｓ≠１）。すなわち、入力区間ＳIN内のサンプル数ｓ_inに対する出力区間ＳOUT内のサンプル数ｓ_outは、再生速度ｓが増加するほど減少する。したがって、再生速度ｓが「１」を上回る場合には出力音声が入力音声と比較して高速に再生（以下「高速変換」という）され、再生速度ｓが「１」を下回る場合には出力音声が入力音声と比較して低速に再生（以下「低速変換」という）される。なお、入力装置（図示略）に対する利用者からの操作に応じて設定部５０が再生速度ｓを設定する構成も採用される。

図１に示すように、制御回路２０は、プログラムを実行することで複数の機能体（基本周期特定部３２，区間長決定部３４，出力部３６，区間長更新部３８）として動作する。なお、制御回路２０の各部の機能はＤＳＰなどのハードウェア回路によって実現されてもよい。

図３および図４は、制御回路２０の各部の動作を説明するための概念図である。図３は低速変換時（ｓ＜１）の動作を示し、図４は高速変換時（ｓ＞１）の動作を示す。図３の部分(a)や図４の部分(a)に示すように、基本周期特定部３２は、入力音声のうち相類似する波形が反復する区間の時間長である基本周期ＬWを特定する。例えば、基本周期特定部３２は、入力音声のうち同じ区間長で相隣接する区間Ａと区間Ｂとについて波形の類似度を算定する処理を、区間Ａおよび区間Ｂの区間長を変化させながら複数回にわたって反復し、類似度が最大となる区間長を基本周期ＬWとして特定する。

区間長決定部３４は、基本周期特定部３２が特定した基本周期ＬWと設定部５０が設定した再生速度ｓとに基づいて出力区間ＳOUTの区間長Ｌ（出力区間ＳOUTに属するサンプルの総数）を算定する手段である。再生速度ｓが「１」を下回る低速変換の場合（0.5≦ｓ＜１）、区間長決定部３４は以下の式(1)に基づいて区間長Ｌを決定する。
Ｌ＝ＬW／（１−ｓ） ……(1)
また、再生速度ｓが「１」を上回る高速変換の場合（１＜ｓ≦２）、区間長決定部３４は以下の式(2)に基づいて区間長Ｌを決定する。
Ｌ＝ＬW／（ｓ−１） ……(2)
すなわち、再生速度ｓが「１」に近いほど出力区間ＳOUTの区間長Ｌは長くなる。

出力部３６は、記憶回路１０に格納されたサンプル列ＰINの各サンプルからサンプル列ＰOUTの出力区間ＳOUTを生成して各サンプルを順次に出力する。図３の部分(b)および図４の部分(b)に示すように、各出力区間ＳOUTは、圧伸区間ＳAと複製区間ＳBとで構成される。

圧伸区間ＳAは、入力音声の基本周期ＬWを単位としてサンプル列ＰINを圧伸した区間である。図１に示すように、出力部３６は、圧伸区間ＳAを生成するための圧伸処理部３６１を含む。再生速度ｓが「１」を下回る数値に維持される場合、圧伸処理部３６１は、図３の部分(b)に示すように、区間Ａ（Ａ1，Ａ2，……）の波形と区間Ｂ（Ｂ1，Ｂ2，……）の波形とを合成した区間長ＬWの区間Ｘ（Ｘ1，Ｘ2，……）を区間Ａと区間Ｂとの間隙に介挿することで圧伸区間ＳAを生成する。したがって、低速変換時の圧伸区間ＳAの区間長は「３×Ｌw」である。一方、再生速度ｓが「１」を上回る数値に維持される場合、圧伸処理部３６１は、図４の部分(b)に示すように、区間Ａ（Ａ1，Ａ2，……）および区間Ｂ（Ｂ1，Ｂ2，……）を、区間Ａの波形と区間Ｂの波形とを合成した区間Ｘ（Ｘ1，Ｘ2，……）に置換することで圧伸区間ＳAを生成する。したがって、高速変換時の圧伸区間ＳAの区間長は「Ｌw」である。区間Ｘの波形は、例えば、区間Ａの波形と区間Ｂの波形とをクロスフェードすることで生成される。

出力部３６は、記憶回路１０から取得した区間Ａや区間Ｂの各サンプルや両区間のサンプルから合成した区間Ｘのサンプルとを圧伸区間ＳA内の各サンプルとして出力回路４０に順次に出力する。さらに、出力部３６は、サンプル列ＰINのうち区間Ｂに後続する各サンプルを複製区間ＳB内の各サンプルとして記憶回路１０から取得して出力回路４０に順次に出力する。複製区間ＳB内の各サンプルとして記憶回路１０から取得されるサンプルの個数は、出力区間ＳOUTが区間長Ｌとなるように調整される。例えば、低速変換時における圧伸区間ＳAの区間長は「３×ＬW」であるから、出力部３６は、図３の部分(b)に示すように、サンプル列ＰINのうち区間Ｂの直後から区間長「Ｌ−３×ＬW」にわたるサンプルを複製区間ＳBとして順次に出力する。また、高速変換時における圧伸区間ＳAの区間長は「ＬW」であるから、出力部３６は、図４の部分(b)に示すように、サンプル列ＰINのうち区間Ｂの直後から区間長「Ｌ−ＬW」にわたるサンプルを複製区間ＳBとして順次に出力する。

以上においては再生速度ｓが変更されない場合を想定したが、出力区間ＳOUT内の各サンプルを出力部３６が出力している期間内に、設定部５０の設定する再生速度ｓが変更される場合がある。図１の区間長更新部３８は、設定部５０が再生速度ｓを変更した場合に、出力区間ＳOUTの区間長Ｌを変更後の再生速度ｓに基づいて新たな区間長Ｌaに更新する手段である。図３の部分(c)および図４の部分(c)は、複製区間ＳB内の各サンプルを出力部３６が出力している途中の時点Ｔにて再生速度ｓ1が再生速度ｓ2に変更された場合が例示されている。

図３の部分(c)および図４の部分(c)に示すように、区間長更新部３８は、複製区間ＳBのうち再生速度ｓの変更が指示された時点Ｔにてサンプルの出力が完了していない区間（すなわち再生速度ｓが変更された時点Ｔから出力区間ＳOUTの終点までの区間である。以下「残余区間」という）ＳRの区間長ｒ1を、変更前の再生速度ｓ1と変更後の再生速度ｓ2とに応じた区間長ｒ2に更新する。さらに詳述すると、第１に、変更後の再生速度ｓ2に対する変更前の再生速度ｓ1が低いほど更新後の残余区間ＳRの区間長ｒ2が短くなるように、区間長更新部３８は区間長ｒ2を算定する。第２に、再生速度ｓの変更前における残余区間ＳRの区間長ｒ1が長いほど区間長ｒ2が長くなるように、区間長更新部３８は区間長ｒ2を算定する。例えば、以下の式(3)に示すように、変更後の再生速度ｓ2に対する変更前の再生速度ｓ1の比（ｓ1／ｓ2）と再生速度ｓの変更前の残余区間ＳRの区間長ｒ1との乗算値が区間長ｒ2として算定される。
ｒ2＝ｒ1×（ｓ1／ｓ2） ……(3)
出力部３６は、サンプル列ＰINのうち再生速度ｓが変更された時点Ｔにて未出力であった先頭のサンプルから区間長ｒ2にわたる各サンプルを残余区間ＳRとして記憶回路１０から順次に取得して出力回路４０に出力する。

次に、図５を参照して制御回路２０の各部による処理の流れを説明する。まず、基本周期特定部３２は、入力音声の基本周期ＬWを特定する（ステップＳ1）。次いで、区間長決定部３４は、ステップＳ1で特定された基本周期ＬWと設定部５０が設定した再生速度ｓとから式(1)または式(2)に基づいて出力区間ＳOUTの区間長Ｌを決定する（ステップＳ2）。そして、出力部３６は、圧伸処理部３６１が特定した圧伸区間ＳA内の各サンプルを順次に出力回路４０に出力する（ステップＳ3）。

圧伸区間ＳA内の全部のサンプルの出力が完了すると、出力部３６は、複製区間ＳB内のひとつのサンプルを出力回路４０に出力し（ステップＳ4）、出力区間ＳOUT内（複製区間ＳB内）の全部のサンプルの出力が完了したか否かを判定する（ステップＳ5）。ステップＳ5の結果が肯定である場合、基本周期特定部３２は、サンプル列ＰINのうち直前のステップＳ4にて出力したサンプルの直後のサンプルを入力区間ＳINの始点として新たな基本周期ＬWを特定する（ステップＳ1）。以上のようにステップＳ1からステップＳ4の処理が複数回にわたって反復されることで、入力音声のｓ倍の再生速度で再生される出力音声のサンプル列ＰOUTが順次に出力回路４０に蓄積される。

一方、ステップＳ5の結果が否定である場合、区間長更新部３８は、設定部５０が再生速度ｓを変更したか否かを判定する（ステップＳ6）。ステップＳ6の結果が否定である場合、ステップＳ4に処理が移行して複製区間ＳB内のサンプルの出力が継続される。これに対してステップＳ6の結果が肯定である場合（すなわち再生速度ｓが変更された場合）、区間長更新部３８は、現段階における残余区間ＳRの区間長ｒ1を、変更前の再生速度ｓ1と変更後の再生速度ｓ2との相対比に応じた区間長ｒ2に更新したうえで（ステップＳ7）、更新後の残余区間ＳRに属する各サンプルの出力をステップＳ4にて実行する。ステップＳ7の処理後には、区間長ｒ2内の全部のサンプルの出力が完了した段階でステップＳ5の結果が肯定される。すなわち、更新後の残余区間ＳR（区間長ｒ2）の直後のサンプルを入力区間ＳINの始点として新たな基本周期ＬWの特定（ステップＳ1）と出力区間ＳOUT内の各サンプルの出力（ステップＳ2からステップＳ4）とが実行される。

次に、更新後の残余区間ＳRの区間長ｒ2と変更の前後の再生速度ｓとの関係の具体例を列挙する。まず、残余区間ＳRの区間長ｒ1が「90」の時点で再生速度ｓを「0.8（ｓ1）」から「0.9（ｓ2）」に変更した場合（すなわち低速変換の範囲内で再生速度ｓを上昇させる場合）、更新後の残余区間ＳRの区間長ｒ2は「80」となる。また、区間長ｒ1が「400」の時点で再生速度ｓを「0.9（ｓ1）」から「0.8（ｓ2）」に変更した場合（低速変換の範囲内で再生速度ｓを低下させる場合）、区間長ｒ2は「450」となる。

区間長ｒ1が「80」の時点で再生速度ｓを「1.2（ｓ1）」から「1.6（ｓ2）」に変更した場合（すなわち高速変換の範囲内で再生速度ｓを上昇させる場合）、区間長ｒ2は「60」となる。また、区間長ｒ1が「100」の時点で再生速度ｓを「1.5（ｓ1）」から「1.2（ｓ2）」に変更した場合（すなわち高速変換の範囲内で再生速度ｓを低下させる場合）、区間長ｒ2は「125」となる。

さらに、区間長ｒ1が「240」の時点で再生速度ｓを「0.8（ｓ1）」から「1.2（ｓ2）」に変更した場合（すなわち低速変換から高速変換に変更した場合）、区間長ｒ2は「160」となる。また、区間長ｒ1が「200」の時点で再生速度ｓを「1.2（ｓ1）」から「0.8（ｓ2）」に変更した場合（すなわち高速変換から低速変換に変更した場合）、区間長ｒ2は「300」となる。

以上に例示したように、再生速度ｓの変更の方向や「１」を跨ぐ変更の有無に拘わらず、式(3)を共通に利用することで、再生速度ｓ2に対する再生速度ｓ1が低いほど短くなるように、さらには区間長ｒ1が長いほど長くなるように、区間長ｒ2が算定される。

以上に説明したように、再生速度ｓが増加すると複製区間ＳB（出力区間ＳOUT）は短縮される。すなわち、更新前の出力区間ＳOUTに属する全部のサンプルの出力を待たずに、変更後の再生速度ｓに応じたサンプルの出力（基本周期ＬWおよび区間長Ｌの算定）が開始される。したがって、当初の出力区間ＳOUTの完了後に再生速度ｓの変更が反映される従来の構成（以下「対比例１」という）と比較して、再生速度ｓの変更を出力音声に対して迅速に反映させることが可能となる。式(1)や式(2)から理解されるように、変更前の再生速度ｓが「１」に近い場合には複製区間ＳBの時間長が長くなるから、対比例１においては再生速度ｓの変更の遅延が顕著となる。以上の事情に照らすと、残余区間ＳRの更新によって再生速度ｓの変更が迅速に反映される本形態は、再生速度ｓを「１」に近い数値から増加させる場合に特に有効である。

また、再生速度ｓが増加すると残余区間ＳRが短縮され（ｒ2＜ｒ1）、再生速度ｓが減少すると残余区間ＳRが延長される（ｒ2＞ｒ1）。すなわち、残余区間ＳRの長短と再生速度ｓの変更の方向との関係は、再生速度ｓが高いほど出力区間ＳOUTの区間長Ｌが短くなるという関係に合致する。したがって、別の観点からすれば、残余区間ＳRが区間長ｒ2に更新された時点で、出力音声には再生速度ｓの変更が反映されていると捉えることができる。以上の観点からしても、再生速度ｓの変更を迅速に反映するという本形態の所期の効果は確かに奏される。

なお、従来の技術のもとで再生速度ｓの変更が遅延するという問題は、再生速度ｓが「１」付近に設定されることで出力区間ＳOUTの区間長Ｌが長期間に設定された場合に特に深刻となる。換言すると、再生速度ｓが「１」付近に設定されない構成（例えば再生速度ｓの変更幅を増加させた構成である。以下「対比例２」という）を採用すれば、再生速度ｓの変更の遅延を形式的には抑制することが可能である。しかし、対比例２においては、再生速度ｓの分解能が著しく低下することで利便性が損なわれるという問題がある。これに対して本形態においては、再生速度ｓが「１」付近に設定される場合（すなわち再生速度ｓの変化幅を充分に縮小した場合）であっても再生速度ｓの変更が迅速に反映されるという利点がある。

ところで、再生速度ｓの変更を迅速に反映するという観点のみからすれば、再生速度ｓの変更が指示された直後から、変更後の再生速度ｓに応じた出力区間ＳOUTを新たに開始するという構成（以下「対比例３」という）も採用され得る。すなわち、対比例３においては、図６に示すように、複製区間ＳBの途中の時点Ｔにて再生速度ｓの変更が指示されると、サンプル列ＰINのうち時点Ｔの直後のサンプルを入力区間ＳINの先頭として新たな出力区間ＳOUTが設定される（すなわち基本周期ＬWおよび区間長Ｌの特定や各サンプルの出力が開始される）。

しかし、対比例３においては、再生速度ｓの変更のたびに出力区間ＳOUTが短縮されるから、例えば短時間に再生速度ｓが頻繁に変更された場合に、出力音声の実質的な再生速度が実際の再生速度ｓから乖離する可能性がある。すなわち、出力区間ＳOUTが短縮されることで入力区間ＳINのサンプル数に対する出力区間ＳOUTのサンプル数（すなわち再生速度ｓ）が減少するから、出力音声は、設定部５０の設定した再生速度ｓと比較して実質的に低い再生速度となる。再生速度ｓが「１」付近である場合には、式(1)や式(2)から理解されるように出力区間ＳOUTの区間長Ｌが長いから、出力区間ＳOUTのうち再生速度ｓの変更に伴なって短縮される区間長（時点Ｔ以後の区間）も必然的に長くなる。したがって、出力音声の実質的な再生速度と設定部５０が設定する再生速度ｓとの乖離は特に顕著となる。

これに対して本形態においては、再生速度ｓの変更後に区間長ｒ2にわたるサンプルの出力が完了してから次の出力区間ＳOUTが開始される。しかも、区間長ｒ2は変更の前後の再生速度に応じて増減する。したがって、短時間に再生速度ｓが頻繁に変更された場合であっても、出力区間ＳOUTが新規に開始される頻度は対比例３よりも減少する。すなわち、本形態によれば、出力音声の実質的な再生速度と設定部５０が設定する再生速度ｓとの乖離（誤差）を対比例３と比較して抑制する（出力音声の再生速度を高い精度で制御する）ことが可能である。

＜Ｂ：変形例＞
以上の各形態には様々な変形を加えることができる。具体的な変形の態様を例示すれば以下の通りである。なお、以下の各態様を適宜に組み合わせてもよい。

（１）変形例１
以上の形態においては、出力音声の再生速度ｓを設定部５０が設定する形態を例示したが、設定部５０による設定の対象は再生速度ｓに限定されない。例えば、入力区間ＳIN内のサンプル数ｓ_inに対する出力区間ＳOUT内のサンプル数ｓ_outの比である圧伸率ａ（ａ＝ｓ_out／ｓ_in）が設定部５０によって設定される構成も採用される。圧伸率ａが設定される構成においては、以上の各形態における再生速度ｓを圧伸率ａの逆数に置換すればよい。以上のように、設定部５０が設定する数値は、音声の再生速度を定める指標値（速度指標値）であれば足り、再生速度ｓや圧伸率ａは速度指標値の例示に過ぎない。

（２）変形例２
出力区間ＳOUTの区間長Ｌや残余区間ＳRの区間長ｒ2を算定する方法（式(1)から式(3)）は適宜に変更される。また、以上の形態においては式(1)から式(3)の数式に基づく演算で区間長Ｌや区間長ｒ2が算定される構成を例示したが、予め作成されたテーブルに基づいて区間長Ｌや区間長ｒ2が特定される構成も採用される。例えば、再生速度ｓと基本周期ＬWとの各組合せに対して区間長Ｌが対応づけられたテーブルを作成しておき、設定部５０が設定した再生速度ｓと基本周期特定部３２が特定した基本周期ＬWとに対応する区間長Ｌを区間長決定部３４が検索する構成も採用される。同様に、変更前の再生速度ｓ1と変更後の再生速度ｓ2と残余区間ＳRの区間長ｒ1との各組合せに対して区間長ｒ2が対応付けられたテーブルを作成しておき、設定部５０による変更前の再生速度ｓ1と変更後の再生速度ｓ2と区間長ｒ1とに対応する区間長ｒ2を区間長更新部３８が検索する構成も採用される。

（３）変形例３
以上の形態においては、複製区間ＳB内のサンプルの出力中に再生速度ｓが変更された場合に当該複製区間ＳBの残余区間ＳRの区間長ｒ1を更新する構成を例示したが、圧伸区間ＳA内のサンプルの出力中に再生速度ｓが変更された場合に残余区間ＳRの区間長ｒ1を更新する構成も採用される。例えば、図３の部分(b)に示す区間Ｂ1内（圧伸区間ＳA内）のサンプルを出力部３６が出力している期間内に再生速度ｓが変更されると、区間長更新部３８は、区間Ｂ1のうち再生速度ｓの変更後の区間と直後の複製区間ＳBとを加算した残余区間ＳRの区間長ｒ1を、変更の前後の再生速度ｓに基づいて区間長ｒ2に更新する。以上のように、本発明のひとつの形態においては、出力区間ＳOUTのうち再生速度ｓの変更後の残余区間ＳRの区間長ｒ1が変更の前後の再生速度ｓに応じて更新される構成であれば足り、圧伸区間ＳAと複製区間ＳBとを残余区間ＳRの更新に関して区別する必要は必ずしもない。

（４）変形例４
以上の形態においては、区間Ａの波形と区間Ｂの波形とを合成した波形（区間Ｘ）を区間Ａと区間Ｂとの間隙に挿入することで低速変換を実現したが、低速変換の具体的な方法は適宜に変更される。例えば、区間Ａと区間Ｂとの間隙に区間Ａの波形が重複的に挿入される構成も採用される。また、以上の形態においては、区間Ａの波形と区間Ｂの波形とを合成した波形（区間Ｘ）を区間Ａおよび区間Ｂに置換することで高速変換を実現したが、高速変換の具体的な方法も任意である。例えば、区間Ａまたは区間Ｂの波形を削除する構成も採用される。以上のように、本発明が適用される範囲は、非特許文献１のPICOLA（Pointer Interval Controlled OverLap and Add）を採用した時間軸圧伸装置に限定されない。

本発明の実施形態に係る時間軸圧伸装置の構成を示すブロック図である。 入力区間と出力区間との関係を示す概念図である。 低速変換時の制御回路の動作を説明するための概念図である。 高速変換時の制御回路の動作を説明するための概念図である。 制御回路の動作を示すフローチャートである。 対比例の動作を説明するための概念図である。 時間軸圧伸の手順を説明する概念図である。

符号の説明

１００……時間軸圧伸装置、１０……記憶回路、２０……制御回路、３２……基本周期特定部、３４……区間長決定部、３６……出力部、３８……区間長更新部、４０……出力回路、５０……設定部、ＰIN……入力音声のサンプル列、ＰOUT……出力音声のサンプル列、ＳIN……入力区間、ＳOUT……出力区間、ＳR……残余区間、ｒ1……更新前の残余区間の区間長、ｒ2……更新後の残余区間の区間長。

Claims (6)

1. 音声の波形を示すサンプル列を記憶する記憶手段と、
   前記音声の再生速度を定める速度指標値を設定する設定手段と、
   前記音声の基本周期と前記設定手段が設定した速度指標値とに基づいて圧伸後の出力区間の区間長を決定する区間長決定手段と、
   前記出力区間内の各サンプルを順次に出力する出力手段と、
   前記出力区間内の各サンプルを前記出力手段が出力する期間内に前記設定手段が速度指標値を変更すると、前記出力区間のうち速度指標値の変更後の残余区間の区間長を、変更前の速度指標値と変更後の速度指標値とに応じた区間長に更新する区間長更新手段と
   を具備する時間軸圧伸装置。
2. 前記区間長決定手段は、前記音声の基本周期を単位として当該音声のサンプル列を圧伸した圧伸区間と前記サンプル列の各サンプルを配列した複製区間とで構成される前記出力区間の区間長を、前記音声の基本周期と前記設定手段が設定した速度指標値とに基づいて決定し、
   前記区間長更新手段は、前記複製区間内の各サンプルを前記出力手段が出力する期間内に前記設定手段が速度指標値を変更すると、前記複製区間のうち速度指標値の変更後の残余区間の区間長を、変更前の速度指標値と変更後の速度指標値とに応じた区間長に更新する
   請求項１に記載の時間軸圧伸装置。
3. 前記区間長更新手段は、前記変更後の速度指標値に対応した再生速度に対する前記変更前の速度指標値に対応した再生速度が低いほど前記残余区間の区間長が短くなるように区間長を更新する
   請求項１または請求項２に記載の時間軸圧伸装置。
4. 前記区間長更新手段は、前記残余区間を、変更後の速度指標値に対応した再生速度に対する変更前の速度指標値に対応した再生速度の比と、当該更新前の残余区間の区間長との乗算値に応じた区間長に更新する
   請求項３に記載の時間軸圧伸装置。
5. コンピュータに、
   前記音声の再生速度を定める速度指標値を設定する設定処理と、
   前記音声の基本周期と前記設定処理で設定した速度指標値とに基づいて圧伸後の出力区間の区間長を決定する区間長決定処理と、
   前記出力区間内の各サンプルを記憶手段から取得して順次に出力する出力処理と、
   前記出力区間内の各サンプルを前記出力処理にて出力する期間内に前記速度指標値が変更されると、当該出力区間のうち速度指標値の変更後の残余区間の区間長を、変更前の速度指標値と変更後の速度指標値とに応じた区間長に更新する区間長更新処理と
   を実行させるプログラム。
6. 前記音声の再生速度を定める速度指標値を設定し、
   前記音声の基本周期と前記設定した速度指標値とに基づいて圧伸後の出力区間の区間長を決定し、
   前記出力区間内の各サンプルを記憶手段から取得して順次に出力する一方、
   前記出力区間内の各サンプルを出力する期間内に前記速度指標値が変更されると、前記出力区間のうち速度指標値の変更後の残余区間の区間長を、変更前の速度指標値と変更後の速度指標値とに応じた区間長に更新する
   時間軸圧伸方法。

Images