JP2013511743A - 低域オーディオ信号の帯域拡張 - Google Patents

Abstract

低域オーディオ信号の高域拡張の推定が、低域オーディオ信号の特徴の１組を抽出するステップ（Ｓ１）と、抽出された特徴を一般化加法モデルによって少なくとも１つの高域パラメータへとマッピングするステップ（Ｓ２）と、低域オーディオ信号のコピーを高域へと周波数シフトさせるステップ（Ｓ３）と、周波数シフト後の低域オーディオ信号のコピーの包絡線を少なくとも１つの高域パラメータによって制御するステップ（Ｓ４）とを含む。

Description

本発明は、オーディオコーディングに関し、とくには低域オーディオ信号の帯域拡張に関する。

本発明は、オーディオ信号の帯域拡張（ＢＷＥ）に関する。ＢＷＥの仕組みは、スピーチおよびオーディオのコーディング／デコーディングにおいて、所与のビットレートで知覚品質を改善するために、ますます使用されるようになってきている。ＢＷＥの根底にある主な考え方は、オーディオ信号の一部が伝送されないが、デコーダにおいて受信された信号成分から再現される（推定される）ことにある。

このように、ＢＷＥの仕組みにおいては、信号スペクトルの一部が、デコーダにおいて再現される。再現は、伝統的なコーディング法を使用して実際に伝送された信号スペクトルの特定の特徴を使用して実施される。典型的には、信号の高域（ＨＢ）が、特定の低域（ＬＢ）オーディオ信号の特徴から再現される。

ＬＢの特徴とＨＢ信号の特性との間の依存関係が、多くの場合に、例えば［１］および［２］など、混合ガウス分布モデル（ＧＭＭ）または隠れマルコフモデル（ＨＭＭ）によってモデル化される。最も頻繁に予測されるＨＢの特性は、スペクトル包絡線および／または時間包絡線に関係する。

ＢＷＥについて、２種類の主要な手法が存在する。

第１の手法においては、ＨＢ信号の特性が、特定のＬＢの特徴からすべて予測される。このようなＢＷＥのやり方では、再現されるＨＢにアーチファクトが持ち込まれ、場合によっては、結果として、帯域制限信号と比べて品質が低くなることがある。高度なマッピング（例えば、ＧＭＭまたはＨＭＭにもとづく）は、未知のデータを有する劣化につながりやすい。一般的な経験として、マッピングが複雑である（学習パラメータの数が多い）ほど、学習セットに存在しない種類のデータを有するアーチファクトが生じがちになる。全体としての予測精度と外れ値（学習セットのデータから著しく外れるデータ、すなわち上手くモデル化することができない成分）の少なさとの間の最適なバランスをもたらす複雑さを有するマッピングを見つけることは、簡単ではない。

第２の手法（一実施例が［３］に示されている）は、ＨＢ信号を、ＬＢの特徴と伝送される少量のＨＢ情報との組み合わせから再現することである。ＨＢ情報の伝送を含むＢＷＥの仕組みは、（ビットの増加という代価において）性能を向上させる傾向にあるが、伝送されるパラメータと予測されるパラメータとを組み合わせる一般的な仕組みを提供していない。典型的には、１組のＨＢパラメータが伝送され、もう１組のＨＢパラメータが予測され、したがって伝送される情報で予測されるパラメータの不具合を補償することができないことを意味する。

本発明の目的は、改善されたＢＷＥの仕組みを実現することにある。

この目的は、添付の特許請求の範囲に従って達成される。

第１の態様によれば、本発明は、低域オーディオ信号の高域拡張を推定する方法に関する。この方法は、以下の工程を含む。低域オーディオ信号の１組の特徴が抽出される。抽出された特徴が、一般化加法モデルによって少なくとも１つの高域パラメータへとマッピングされる。低域オーディオ信号のコピーが、高域へ周波数シフトされる。周波数シフト後の低域オーディオ信号のコピーの包絡線が、少なくとも１つの高域パラメータによって制御される。

第２の態様によれば、本発明は、低域オーディオ信号の高域拡張を推定するための装置に関する。特徴抽出ブロックが、低域オーディオ信号の１組の特徴を抽出するように構成される。マッピングブロックが、以下の構成要素を含み、すなわち、抽出された特徴を一般化加法モデルによって少なくとも１つの高域パラメータへとマッピングするように構成された一般化加法モデルマッピング部と、低域オーディオ信号のコピーを高域へと周波数シフトさせるように構成された周波数シフト部と、周波数シフト後のコピーの包絡線を少なくとも１つの高域パラメータによって制御するように構成された包絡線コントローラとを含む。

第３の態様によれば、本発明は、第２の態様による装置を含むスピーチデコーダに関する。

第４の態様によれば、本発明は、第３の態様によるスピーチデコーダを含むネットワークノードに関する。

提案されるＢＷＥの仕組みの利点は、複雑なマッピングの仕組み（平均性能が良好であるが、外れ値が多量である）とより制約の多いマッピングの仕組み（平均性能はより低いが、よりロバストである）との間の良好なバランスを提供する点にある。

本発明ならびに本発明のさらなる目的および利点を、以下の説明を参照し、添付の図面と併せて検討することによって、最もよく理解することができる。
本発明の実施形態によるスピーチデコーダを含むコーディング／デコーディングの機構の実施形態を説明するブロック図である。 Ａ〜Ｃは一般化加法モデルの原理を説明する図である。 ＨＢ拡張を生成するための本発明による装置の実施形態を説明するブロック図である。 本発明の実施形態に従って一般化加法モデルによって得られる高域パラメータの実施例を説明する図である。 本発明の別の実施形態における抽出に適した特徴の定義を説明する図である。 図５に示した特徴にもとづいてＨＢ拡張を生成するために適した本発明による装置の実施形態を説明するブロック図である。 図５に示した特徴にもとづいて本発明の実施形態による一般化加法モデルによって得られる高域パラメータの実施例を説明する図である。 本発明の別の実施形態によるスピーチデコーダを含むコーディング／デコーディングの機構の別の実施形態を説明するブロック図である。 本発明のさらなる実施形態によるスピーチデコーダを含むコーディング／デコーディングの機構のさらなる実施形態を説明するブロック図である。 ＨＢ拡張を生成するための本発明による装置の別の実施形態を説明するブロック図である。 ＨＢ拡張を生成するための本発明による装置のさらなる実施形態を説明するブロック図である。 本発明によるスピーチデコーダの実施形態を含むネットワークノードの実施形態を説明するブロック図である。 本発明によるスピーチデコーダの実施形態を説明するブロック図である。 本発明による方法の実施形態を説明するフロー図である。

図面において、同じまたは類似の機能を有する構成要素には、同じ参照符号が添えられている。

以下では、一組のＬＢの特徴、およびにそれらを使用してマッピングによって信号のＨＢ部分を推定することを説明する。さらに、伝送されるＨＢ情報をどのようにマッピングの制御に使用できるのかも説明する。

図１は、本発明の実施形態によるスピーチデコーダを含むコーディング／デコーディングの機構の実施形態を説明するブロック図である。スピーチエンコーダ１が、ソースオーディオ信号ｓ（典型的には、ソースオーディオ信号のフレーム）を受信し、このソースオーディオ信号が、オーディオ信号を低域部分ｓ_ＬＢおよび高域部分ｓ_ＨＢへと分割する分析フィルタバンク１０へと転送される。この実施形態においては、ＨＢ部分は廃棄される（すなわち、分析フィルタバンクが、単に低域通過フィルタを備えることができることを意味する）。オーディオ信号のＬＢ部分ｓ_ＬＢが、ＬＢエンコーダ１２（典型的には符号励振線形予測（ＣＥＬＰ）エンコーダ、例えば代数符号励振線形予測（ＡＣＥＬＰ）エンコーダ）においてエンコードされ、コードがスピーチデコーダ２へと送信される。ＡＣＥＬＰコーディング／デコーディングの実施例を、［４］に見ることができる。スピーチデコーダ２によって受信されたコードは、ＬＢデコーダ１４（典型的にはＣＥＬＰデコーダ、例えばＡＣＥＬＰデコーダ）においてデコードされ、ｓ_ＬＢに対応する低域オーディオ信号

がもたらされる。この低域オーディオ信号

が、

信号の１組の特徴Ｆ_ＬＢ（後述）を抽出する特徴抽出ブロック１６へと送られる。抽出された特徴Ｆ_ＬＢが、それらを一般化加法モデル（後述）によって少なくとも１つの高域パラメータ（後述）へとマッピングするマッピングブロック１８へと送られる。ＨＢパラメータが、高域へと周波数シフトされたＬＢオーディオ信号

のコピーの包絡線を制御するために使用され、廃棄されたＨＢ部分ｓ_ＨＢの予測または推定

がもたらされる。信号

および

が、元のソースオーディオ信号の推定

を再現する合成フィルタバンク２０へと送られる。特徴抽出ブロック１６およびマッピングブロック１８が協働し、ＨＢ拡張を生成するための装置３０（さらには後述）を形成する。

以下に提示される例示的なＬＢオーディオ信号の特徴（ローカル特徴と称される）が、特定のＨＢ信号の特性を予測するために使用される。すべての特徴または例示される特徴の部分集合を、使用することが可能である。これらのローカル特徴はすべて、フレームごとのやり方で計算され、ローカル特徴の動態は先のフレームからの情報も含む。以下では、ｎがフレームの指数であり、ｌがサンプルの指数であり、ｓ（ｎ，ｌ）がスピーチサンプルである。

最初の２つの例示的な特徴は、スペクトルの傾斜および傾斜の動態に関する。これらは、エネルギーの周波数分布の指標である。

次の２つの例示的な特徴は、ピッチ（スピーチ基本周波数）およびピッチの動態の指標である。最適な遅延のために、調査はτ_ＭＩＮおよびτ_ＭＡＸによって意味のあるピッチ範囲（例えば、５０〜４００Ｈｚ）に限定される。

第５および第６の例示的な特徴は、信号中の音調成分と雑音状成分との間のバランスを反映する。ここで、σ_ＡＣＢ ^２およびσ_ＦＣＢ ^２は、ＣＥＬＰコーデック（例えば、ＡＣＥＬＰコーデック）における適応コードブックおよび固定コードブックのエネルギーであり、σ_ｅ ^２は、励振信号のエネルギーである。

この例示的な組の最後のローカル特徴は、エネルギーの動態をフレームごとのやり方で取り込む。ここで、σ_ｓ ^２が、スピーチフレームのエネルギーである。

マッピングにおいて使用されるこれらのローカル特徴はすべて、マッピングに先立って、以下のようにスケーリングされ、

Ψ_ＭＩＮおよびΨ_ＭＡＸは、あらかじめ定められた定数であり、所与の特徴の最小値および最大値に相当する。これにより、特徴の組

が抽出される。

本発明によれば、ローカル特徴からのＨＢ拡張の推定が、一般化加法モデルにもとづく。この理由で、この考え方を、図２Ａ〜Ｃを参照して簡単に説明する。一般化加法モデルについてのさらなる詳細を、例えば［５］に見つけることができる。

統計学においては、パラメータの挙動を推定するために、回帰モデルが使用されることが多い。単純なモデルは、線形モデル

であり、ここで

は、（ランダム）変数Ｘ_１，・・・，Ｘ_Ｍに依存する変数Ｙの推定値である。これが、Ｍ＝２について、図２Ａに示されている。この場合には、

は平面になる。

線形モデルの特徴は、合計におけるそれぞれの項が、ただ１つの変数に線形に従属する点にある。この特徴の一般化は、そのような線形関数（のうちの少なくとも１つ）を非線形関数（それぞれは、依然としてただ１つの変数に従属する）へと変更することである。これにより、加法モデル

が導かれる。

この加法モデルが、Ｍ＝２について、図２Ｂに示されている。この場合、

を表わす表面が、湾曲する。関数ｆ_ｍ（Ｘ_ｍ）が、典型的には、図２Ｂに示されるようなシグモイド関数（おおむね「Ｓ」字形の関数）である。シグモイド関数の実施例は、ロジスティック関数、コンペルツ曲線、オジー曲線、および双曲正接関数である。シグモイド関数を規定するパラメータを変えることによって、シグモイド形状を、最小値および最大値の間の近似の線形な形状から、同じ最小値および最大値の間の近似の階段関数へと、連続的に変化させることができる。

さらなる一般化が、一般化加法モデル

によって得られ、ここでｇ（・）はリンク関数と呼ばれる。これが、図２Ｃに示されており、表面

がさらに変更されている（

が、式（１１）の両側の逆関数ｇ^−１（・）（典型的には、やはりシグモイドである）をとることによって得られている）。リンク関数ｇ（・）が恒等関数である特別な場合においては、式（１１）が式（１０）へと還元される。どちらの場合も興味深いため、本発明の目的において、「一般化加法モデル」は恒等リンク関数の場合も含む。しかしながら、上述のように、関数ｆ_ｍ（Ｘ_ｍ）のうちの少なくとも１つが非線形であることで、モデルが非線形になる（表面

が湾曲する）。

本発明の実施形態においては、式（１）〜（８）に従って得られた７つの（正規化された）特徴

が、圧縮された（知覚的に動機付けられた）ドメインにおけるＨＢおよびＬＢのエネルギーの間の比Ｙ（ｎ）を推定するために使用される。この比は、さらに後述されるように、時間包絡線またはスペクトル包絡線の特定の部分あるいは全体としてのゲインに相当することができる。一実施例は、

であり、ここでβを、例えばβ＝０．２として選択することができる。別の実施例は、

である。

式（１２）および（１３）においては、パラメータβおよびｌｏｇ_１０関数が、エネルギーの比を圧縮された「知覚的に動機付けられた」ドメインへと変換するために使用される。この変換は、人間の耳のほぼ対数状の感度特性を考慮するために実施される。

デコーダにおいてエネルギーＥ_ＨＢ（ｎ）を入手することができないため、比Ｙ（ｎ）が予測または推定される。これは、抽出されたＬＢの特徴および一般化加法モデルにもとづいてｙ（ｎ）の推定値

をモデル化することによって行なわれる。一実施例が、

によって与えられ、ここでＭは、上述のように抽出されたローカル特徴により、Ｍ＝７である（より少数の特徴でも実現可能である）。式（１１）との比較から、

が、変数Ｘ_１，・・・，Ｘ_ｐに対応し、関数ｆ_ｋが、合計の各項（モデルパラメータ

および恒等リンク関数によって定められるシグモイド関数である）に対応することが、明らかである。一般化加法モデルのパラメータω_０およびωは、デコーダに保存され、スピーチフレームのデータベースを学習することによって得られている。学習の手順は、スピーチデータベースについて式（１４）によって推定される比

と式（１２）（または（１３））によって与えられる実際の比Ｙ（ｎ）との間の誤差を最小にすることによって、適切なパラメータω_０およびωを発見する。適切な方法（とくにシグモイドパラメータについて）は、例えば［６］に記載のＬｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ法である。

図３は、ＨＢ拡張を生成するための本発明による装置３０の実施形態を説明するブロック図である。装置３０は、低域オーディオ信号の１組の特徴

を抽出するように構成された特徴抽出ブロック１６を含んでいる。特徴抽出ブロック１６へと接続されたマッピングブロック１８が、抽出された特徴を一般化加法モデルによって高域パラメータ

へとマッピングするように構成された一般化加法モデルマッピング部３２を含んでいる。図示の実施形態においては、低域オーディオ信号

のコピーについて高域への周波数シフトを行なうように構成された周波数シフト部３４が、マッピングブロック１８に含まれている。図示の実施形態においては、マッピングブロック１８が、周波数シフト後のコピーの包絡線を高域パラメータ

によって制御するように構成された包絡線コントローラ３６をさらに含んでいる。

図４は、本発明の実施形態に従って一般化加法モデルによって得られる高域パラメータの実施例を説明する図である。図４は、推定された比（ゲイン）

が、どのように周波数シフト後のＬＢ信号のコピーの包絡線を制御するために使用されるのか（この場合には、周波数ドメインにおいて）を示している。破線が、ＬＢ信号の元のままのゲイン（１．０）を示している。このように、この実施形態においては、ＨＢ拡張が、信号の単一の推定されたゲイン

を周波数シフト後のＬＢ信号のコピーへと適用することによって得られる。

図５は、本発明の別の実施形態における抽出に適した特徴の定義を説明する図である。この実施形態は、ＬＢ信号の２つの特徴Ｆ_１、Ｆ_２だけを抽出する。

図５に示した実施形態においては、特徴Ｆ_１が、

によって定義され、ここで
Ｅ_{１０．０−１１．６}は、１０．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値であり、
Ｅ_{８．０−１１．６}は、８．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値である。

さらに、図５に示した実施形態においては、特徴Ｆ_２が、

によって定義され、ここで
Ｅ_{８．０−１１．６}は、８．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値であり、
Ｅ_{０．０−１１．６}は、０．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値である。

特徴Ｆ_１、Ｆ_２は、スペクトルの傾斜を表わし、上述の特徴

に類似しているが、時間ドメインにおいてではなく、周波数ドメインにおいて決定される。さらに、ＬＢ信号の他の周波数区間について特徴Ｆ_１、Ｆ_２を決定することも、実現可能である。しかしながら、本発明のこの実施形態においては、Ｆ_１、Ｆ_２が、低域オーディオ信号のスペクトルの異なる部分の間のエネルギーの比を表わすことが不可欠である。

抽出された特徴Ｆ_１、Ｆ_２を使用して、今やマッピング部３２が、特徴Ｆ_１、Ｆ_２のＨＢパラメータ

へのマッピングを、一般化加法モデル

を使用して行うことができ、ここで

ｋ＝１，・・・，Ｋは、周波数シフト後の低域オーディオ信号のコピーのＫ個のあらかじめ定められた周波数帯について包絡線を制御するゲインを規定する高域パラメータであり、
｛ｗ_０ｋ，ｗ_１ｍｋ，ｗ_２ｍｋ，ｗ_３ｍｋ｝は、それぞれの高域パラメータ

についてのシグモイド関数を定義するマッピング係数の組であり、
Ｆ_ｍ（ｍ＝１，２）は、低域オーディオ信号のスペクトルの異なる部分の間のエネルギーの比を表わす低域オーディオ信号の特徴である。

図６は、図５に示した特徴にもとづいてＨＢ拡張を生成するために適した本発明による装置の実施形態を説明するブロック図である。この実施形態は、図３の実施形態と同様の構成要素を含んでいるが、この場合には、それらの構成要素が、特徴Ｆ_１、Ｆ_２を単一のゲイン

にではなく、Ｋ個のゲイン

へとマッピングするように構成されている。

図７は、図５に示した特徴にもとづいて本発明の実施形態による一般化加法モデルによって得られる高域パラメータの実施例を説明する図である。この実施例においては、周波数シフト後の低域オーディオ信号のコピーの４つのあらかじめ定められた周波数帯についての包絡線を制御する、Ｋ＝４である４つのゲイン

が存在している。すなわち、この実施例では、ＨＢの包絡線が、図４の実施例の単一のパラメータ

によってではなく、４つのパラメータ

によって制御される。より少数およびより多数のパラメータも、実現可能である。

図８は、本発明の別の実施形態によるデコーダを含むコーディング／デコーディングの機構の別の実施形態を説明するブロック図である。この実施形態は、ＨＢ信号ｓ_ＨＢを廃棄しない点で、図１の実施形態から相違する。代わりに、ＨＢ信号が、ＨＢ信号を分類してＮビットの分類インデックスをスピーチデコーダ２へと送信するＨＢ情報ブロック２２へと送られる。図８に示されるように、ＨＢ情報の伝送が可能である場合、マッピングが伝送によってもたらされるクラスタによって区分的になり、ここで分類の数は利用可能なビット数に依存する。分類インデックスは、後述のようにマッピングブロック１８によって使用される。

図９は、本発明のさらなる実施形態によるデコーダを含むコーディング／デコーディングの機構のさらなる実施形態を説明するブロック図である。この実施形態は、図８の実施形態によく似ているが、分類インデックスを、ＨＢ信号ｓ_ＨＢならびにＬＢ信号ｓ_ＬＢの両方を使用して形成する。この実施例では、Ｎ＝１ビットであるが、より多くのビットを備えることによって３つ以上の分類を持つことも可能である。

図１０は、ＨＢ拡張を生成するための本発明による装置の別の実施形態を説明するブロック図である。この実施形態は、受信される信号分類インデックスＣに応じてマッピング係数の組ω^Ｃ＝｛ｗ^Ｃ _０ｋ，ｗ^Ｃ _１ｍｋ，ｗ^Ｃ _２ｍｋ，ｗ^Ｃ _３ｍｋ｝を選択するように構成されたマッピング係数選択部３８を含む点で、図３の実施形態から相違する。この実施形態においては、高域パラメータ

が、１組の低域特徴

およびあらかじめ保存されたマッピング係数ω^Ｃから予測される。分類インデックスＣが、マッピング係数の組を選択するが、マッピング係数の組は、データをクラスタにフィットさせるオフラインでの学習手順によって決定される。それを、ＨＢが完全に予測される（分類がない）状態からＨＢが完全に量子化される（分類がある）状態への滑らかな移行として見ることができる。後者は、クラスタの数が増すにつれて、マッピングがクラスタの平均を予測する傾向にあるということの結果である。

図１１は、ＨＢ拡張を生成するための本発明による装置のさらなる実施形態を説明するブロック図である。この実施形態は、図１０の実施形態によく似ているが、図５に関して説明した特徴Ｆ_１、Ｆ_２にもとづいている。さらに、この実施形態においては、信号の分類Ｃが

によって与えられ（図５の上部も参照）、ここで
Ｅ^Ｓ _{８．０−１１．６}は、８．０〜１１．６ｋＨｚの周波数帯におけるソースオーディオ信号のエネルギーの推定値であり、
Ｅ^Ｓ _{１１．６−１６．０}は、１１．６〜１６．０ｋＨｚの周波数帯におけるソースオーディオ信号のエネルギーの推定値である。

この実施例では、Ｃが、（大まかに言うと、この例示的な部類の意味についての心象を与えるために）サウンドを「音声」（分類１）および「非音声」（分類２）へと分類する。

この分類にもとづき、マッピングブロック１８を、（一般化加法モデル３２）

に従うマッピングを実施するように構成でき、
ここで

（ｋ＝１，・・・，Ｋ）は、低域オーディオ信号（

）によって表わされるソースオーディオ信号を分類する信号分類Ｃに関するゲインを定義するとともに、周波数シフト後の低域オーディオ信号のコピーのＫ個のあらかじめ定められた周波数帯についての包絡線を制御する高域パラメータであり、
｛ｗ^Ｃ _０ｋ，ｗ^Ｃ _１ｍｋ，ｗ^Ｃ _２ｍｋ，ｗ^Ｃ _３ｍｋ｝は、信号分類Ｃにおけるそれぞれの高域パラメータ

についてのシグモイド関数を定義するマッピング係数の組であり、
Ｆ_ｍ（ｍ＝１，２）は、低域オーディオ信号のスペクトルの異なる部分の間のエネルギーの比を表わす低域オーディオ信号の特徴である。

一実施例として、Ｋ＝４であって、Ｆ_１、Ｆ_２を式（１５）および（１６）によって定義することができる。

図８〜図１１の実施形態の利点は、抽出された特徴のマッピングをエンコードされるサウンドの種類に合わせて「細かく調節」できる点にある。

図１２は、本発明によるスピーチデコーダ２の実施形態を含むネットワークノードの実施形態を説明するブロック図である。この実施形態は、無線端末を示しているが、他のネットワークノードも実現可能である。例えば、ネットワークにおいてボイスオーバＩＰ（インターネットプロトコル）が使用される場合、ノードはコンピュータを備えることができる。

図１２のネットワークノードにおいて、アンテナが、コード化されたスピーチ信号を受信する。復調器およびチャネルデコーダ５０が、この信号を低域スピーチパラメータ（および随意による信号分類Ｃ）に変換し、上述の種々の実施形態に関して説明したようにスピーチ信号

を生成するスピーチデコーダ２へと送る（信号分類Ｃについては、「（分類Ｃ）」および破線の信号線によって示されているとおり）。

本明細書に記載の工程、機能、手順、および／またはブロックを、汎用の電子回路および特定用途向けの回路の両方を含むディスクリート回路または集積回路技術など、任意の従来からの技術を使用して、ハードウェアにて実現することができる。

あるいは、本明細書に記載の工程、機能、手順、および／またはブロックの少なくとも一部を、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ）、および／または任意の適切なプログラマブルな論理デバイス（フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）デバイスなど）などの適切な処理装置によって実行されるソフトウェアにて実現してもよい。

さらに、ネットワークノードの汎用の処理能力を再使用することも可能であることを、理解されたい。これは、例えば既存のソフトウェアをプログラムし直すことによって行なうことができ、または新たなソフトウェア構成要素を追加することによって行なうことができる。

実現の実施例として、図１３が本発明によるスピーチデコーダ２の例示的な実施形態を説明するブロック図である。この実施形態は、低域スピーチ信号

を推定するためのソフトウェア構成要素１１０、高域スピーチ信号

を推定するためのソフトウェア構成要素１２０、ならびに

および

からスピーチ信号

を生成するためのソフトウェア構成要素１３０を実行するプロセッサ１００（例えば、マイクロプロセッサ）にもとづいている。このソフトウェアは、メモリ１５０に保存される。プロセッサ１００が、システムバスを介してメモリと通信する。低域スピーチパラメータ（および、随意による信号分類Ｃ）が、Ｉ／Ｏバスを制御する入力／出力（Ｉ／Ｏ）コントローラ１６０によって受信され、Ｉ／Ｏバスにはプロセッサ１００およびメモリ１５０が接続されている。この実施形態においては、Ｉ／Ｏコントローラ１５０によって受信されたパラメータが、メモリ１５０に保存され、ソフトウェア構成要素によって処理される。ソフトウェア構成要素１１０が、上述の実施形態のブロック１４の機能を実現することができる。ソフトウェア構成要素１２０が、上述の実施形態のブロック３０の機能を実現することができる。ソフトウェア構成要素１３０が、上述の実施形態のブロック２０の機能を実現することができる。ソフトウェア構成要素１３０から得られるスピーチ信号が、メモリ１５０からＩ／Ｏバスを介してＩ／Ｏコントローラ１６０によって出力される。

図１３の実施形態においては、スピーチパラメータがＩ／Ｏコントローラ１６０によって受信され、無線端末における復調およびチャネルデコーディングなどの他のタスクは、受信ネットワークノードの他のどこかで処理されるものと仮定されている。しかしながら、代案は、受信信号からのスピーチパラメータの抽出のためのデジタル信号処理のすべてまたは一部をメモリ１５０のさらなるソフトウェア構成要素に処理させることである。そのような実施形態においては、スピーチパラメータを、メモリ１５０から直接取り出すことができる。

受信ネットワークノードが、ボイスオーバＩＰのパケットを受信するコンピュータである場合、ＩＰパケットが、典型的にはＩ／Ｏコントローラ１６０へと送られ、スピーチパラメータが、メモリ１５０のさらなるソフトウェア構成要素によって抽出される。

上述のソフトウェア構成要素の一部またはすべてを、例えばＣＤ、ＤＶＤ、またはハードディスクなどといったコンピュータにとって読み取り可能な媒体上に保持することができ、プロセッサによる実行のためにメモリへとロードすることができる。

図１４は、本発明による方法の実施形態を説明するフロー図である。ステップＳ１が、低域オーディオ信号の１組の特徴（

）を抽出する。ステップＳ２が、抽出された特徴を一般化加法モデルによって少なくとも１つの高域パラメータ（

）へとマッピングする。ステップＳ３が、低域オーディオ信号

のコピーを高域へと周波数シフトさせる。ステップＳ４が、周波数シフト後の低域オーディオ信号のコピーの包絡線を高域パラメータによって制御する。

添付の特許請求の範囲によって定められる本発明の範囲から逸脱することなく、本発明について、さまざまな修正実施形態および変更実施形態が可能であることを、当業者であれば理解できるであろう。

ＡＣＥＬＰ 代数符号励振線形予測
ＢＷＥ 帯域拡張
ＣＥＬＰ 符号励振線形予測
ＤＳＰ デジタル信号プロセッサ
ＦＰＧＡ フィールド・プログラマブル・ゲート・アレイ
ＧＭＭ 混合ガウス分布モデル
ＨＢ 高域
ＨＭＭ 隠れマルコフモデル
ＩＰ インターネットプロトコル
ＬＢ 低域

Claims (19)

1. 低域オーディオ信号（
   

   

   
   ）の高域拡張（
   

   

   
   ）を推定する方法であって、
   低域オーディオ信号の特徴の一組（
   

   

   
   ）を抽出するステップ（Ｓ１）と、
   一般化加法モデルによって少なくとも１つの高域パラメータ（
   

   

   
   ）へ、抽出された特徴をマッピングするステップ（Ｓ２）と、
   低域オーディオ信号（
   

   

   
   ）のコピーを高域へと周波数シフトさせるステップ（Ｓ３）と、
   周波数シフト後の低域オーディオ信号のコピーの包絡線を前記少なくとも１つの高域パラメータによって制御するステップ（Ｓ４）と
   を含む方法。
2. マッピングが、抽出された特徴（
   

   

   
   ）のシグモイド関数の合計にもとづく請求項１に記載の方法。
3. マッピングが、
   

   

   
   によって与えられ、
   

   

   
   ｋ＝１，・・・，Ｋが、周波数シフト後の低域オーディオ信号のコピーであってＫ個のあらかじめ定められた周波数帯について包絡線を制御するゲインを定義する高域パラメータであり、
   ｛ｗ_０ｋ，ｗ_１ｍｋ，ｗ_２ｍｋ，ｗ_３ｍｋ｝が、それぞれの高域パラメータ
   

   

   
   についてのシグモイド関数を定義するマッピング係数の組であり、
   Ｆ_ｍ（ｍ＝１，２）が、低域オーディオ信号のスペクトルの異なる部分の間のエネルギーの比を表わす低域オーディオ信号の特徴である請求項２に記載の方法。
4. マッピングが、
   

   

   
   によって与えられ、
   

   

   
   ｋ＝１，・・・，Ｋが、低域オーディオ信号（
   

   

   
   ）によって表わされるソースオーディオ信号を分類する信号分類Ｃに関するゲインを定義し、周波数シフト後の低域オーディオ信号のコピーであってＫ個のあらかじめ定められた周波数帯について包絡線を制御する高域パラメータであり、
   ｛ｗ^Ｃ _０ｋ，ｗ^Ｃ _１ｍｋ，ｗ^Ｃ _２ｍｋ，ｗ^Ｃ _３ｍｋ｝が、信号分類Ｃにおけるそれぞれの高域パラメータ
   

   

   
   についてのシグモイド関数を定義するマッピング係数の組であり、
   Ｆ_ｍ（ｍ＝１，２）が、低域オーディオ信号のスペクトルの異なる部分の間のエネルギーの比を表わす低域オーディオ信号の特徴である請求項２に記載の方法。
5. 特徴Ｆ_１が、
   

   

   
   によって与えられ、
   Ｅ_{１０．０−１１．６}が、１０．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値であり、
   Ｅ_{８．０−１１．６}が、８．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値である請求項３または４に記載の方法。
6. 特徴Ｆ_２が、
   

   

   
   によって与えられ、
   Ｅ_{８．０−１１．６}が、８．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値であり、
   Ｅ_{０．０−１１．６}が、０．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値である請求項３〜５のいずれか１項に記載の方法。
7. Ｋ＝４である請求項３〜６のいずれか１項に記載の方法。
8. 信号の分類Ｃに対応するマッピング係数の組｛ｗ^Ｃ _０ｋ，ｗ^Ｃ _１ｍｋ，ｗ^Ｃ _２ｍｋ，ｗ^Ｃ _３ｍｋ｝を選択するステップを含み、Ｃが
   

   

   
   によって与えられ、
   Ｅ^Ｓ _{８．０−１１．６}が、８．０〜１１．６ｋＨｚの周波数帯におけるソースオーディオ信号のエネルギーの推定値であり、
   Ｅ^Ｓ _{１１．６−１６．０}が、１１．６〜１６．０ｋＨｚの周波数帯におけるソースオーディオ信号のエネルギーの推定値である請求項４〜７のいずれか１項に記載の方法。
9. 低域オーディオ信号（
   

   

   
   ）の高域拡張（
   

   

   
   ）を推定するための装置（３０）であって、
   低域オーディオ信号の特徴一組（
   

   

   
   ）を抽出する特徴抽出ブロック（１６）と、
   一般化加法モデルによって抽出された特徴を少なくとも１つの高域パラメータ（
   

   

   
   ）へマッピングする一般化加法モデルマッピング部（３２）と、
   低域オーディオ信号（
   

   

   
   ）のコピーを高域へ周波数シフトさせる周波数シフト部（３４）と、
   周波数シフト後のコピーの包絡線を前記少なくとも１つの高域パラメータによって制御する包絡線コントローラ（３６）とを含むマッピングブロック（１８）と
   を備える装置（３０）。
10. 一般化加法モデルマッピング部（３２）が、抽出された特徴（
    

    

    
    ）のシグモイド関数の合計にもとづいてマッピングを行う請求項９に記載の装置。
11. 一般化加法モデルマッピング部（３２）が、
    

    

    
    に従ってマッピングを実施し、
    

    

    
    ｋ＝１，・・・，Ｋが、周波数シフト後の低域オーディオ信号のコピーであって、Ｋ個のあらかじめ定められた周波数帯について包絡線を制御するゲインを定義する高域パラメータであり、
    ｛ｗ_０ｋ，ｗ_１ｍｋ，ｗ_２ｍｋ，ｗ_３ｍｋ｝が、それぞれの高域パラメータ
    

    

    
    についてのシグモイド関数を定義するマッピング係数の組であり、
    Ｆ_ｍ（ｍ＝１，２）が、低域オーディオ信号のスペクトルの異なる部分の間のエネルギーの比を表わす低域オーディオ信号の特徴である請求項１０に記載の装置。
12. 一般化加法モデルマッピング部（３２）が、
    

    

    
    に従ってマッピングを実施し、
    

    

    
    ｋ＝１，・・・，Ｋが、低域オーディオ信号（
    

    

    
    ）によって表わされるソースオーディオ信号を分類する信号分類Ｃに関するゲインを定義し、周波数シフト後の低域オーディオ信号のコピーであってＫ個のあらかじめ定められた周波数帯についての包絡線を制御する高域パラメータであり、
    ｛ｗ^Ｃ _０ｋ，ｗ^Ｃ _１ｍｋ，ｗ^Ｃ _２ｍｋ，ｗ^Ｃ _３ｍｋ｝が、信号分類Ｃにおけるそれぞれの高域パラメータ
    

    

    
    についてのシグモイド関数を定義するマッピング係数の組であり、
    Ｆ_ｍ（ｍ＝１，２）が、低域オーディオ信号のスペクトルの異なる部分の間のエネルギーの比を表わす低域オーディオ信号の特徴である請求項１０に記載の装置。
13. 特徴抽出ブロック（１６）が、
    

    

    
    によって与えられる特徴Ｆ_１を抽出し、
    Ｅ_{１０．０−１１．６}が、１０．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値であり、
    Ｅ_{８．０−１１．６}が、８．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値である請求項１１または１２に記載の装置。
14. 特徴抽出ブロック（１６）が、
    

    

    
    によって与えられる特徴Ｆ_２を抽出し、
    Ｅ_{８．０−１１．６}が、８．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値であり、
    Ｅ_{０．０−１１．６}が、０．０〜１１．６ｋＨｚの周波数帯における低域オーディオ信号のエネルギーの推定値である請求項１１〜１３のいずれか１項に記載の装置。
15. 一般化加法モデルマッピング部（３２）が、抽出された特徴をＫ＝４個の高域パラメータ（
    

    

    
    ）へマッピングする請求項１１〜１４のいずれか１項に記載の装置。
16. 信号の分類Ｃに対応するマッピング係数の組｛ｗ^Ｃ _０ｋ，ｗ^Ｃ _１ｍｋ，ｗ^Ｃ _２ｍｋ，ｗ^Ｃ _３ｍｋ｝を選択するマッピング係数の組選択部（３８）を含み、
    Ｃが
    

    

    
    によって与えられ、
    Ｅ^Ｓ _{８．０−１１．６}が、８．０〜１１．６ｋＨｚの周波数帯におけるソースオーディオ信号のエネルギーの推定値であり、
    Ｅ^Ｓ _{１１．６−１６．０}が、１１．６〜１６．０ｋＨｚの周波数帯におけるソースオーディオ信号のエネルギーの推定値である請求項１２〜１５のいずれか１項に記載の装置。
17. 請求項９〜１６のいずれか１項に記載の装置（３０）を含むスピーチデコーダ。
18. 請求項１７に記載のスピーチデコーダを含むネットワークノード。
19. 無線端末である請求項１８に記載のネットワークノード。

Images