JP3017715B2 - 音声再生装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声速度を所望の
値に変換して聴取する事が可能な音声再生装置に関す
る。

【０００２】

【従来の技術】音声を高能率に符号化して、記憶媒体へ
蓄積、あるいは通信網を利用して伝送する技術が近年実
用化され広く利用されている。

【０００３】このような技術に関し、国際標準規格のMP
EG方式を用いて、音声（オーディオ）を再生する装置と
して、例えば特開平９−７３２９９号公報に開示されて
いるものがある。このMPEGオーディオ再生装置のブロッ
ク図を図１９に示す。以下、図１９を参照しながら、従
来の音声再生装置について説明する。

【０００４】図１９に示すように、MPEGオーディオ再生
装置１は、再生速度検出回路２、MPEGオーディオデコー
ダ３、話速変換処理回路４、Ｄ／Ａコンバータ５、オー
ディオアンプ６から構成されている。さらに話速変換処
理回路４は、フレームメモリ３４、話速変換部３５、リ
ングメモリ３２、アップダウンカウンタ３３、読み出し
クロック生成回路３６で構成されている。

【０００５】MPEGオーディオ再生装置１には、MPEGオー
ディオ方式にて符号化されたMPEGオーディオストリーム
が入力される。MPEGオーディオデコーダ３では、上記MP
EGオーディオストリームがディジタル信号のオーディオ
出力に復号される。MPEGオーディオの方式およびフォー
マットの内容に関しては、現在では種々の文献等に記述
されており、例えば「ISO/IEC IS 11172 Part3 : Audi
o」に記載されている。

【０００６】一方、例えば２倍速、０．５倍速などの速
度情報が再生速度検出回路２に入力され、この再生速度
検出回路にて速度情報（再生速度）を検出してデコード
クロックを生成する。このデコードクロックは話速変換
処理回路４およびMPEGオーディオデコーダ３へ供給され
る。当該MPEGオーディオデコーダ３にてデコードされた
オーディオ信号は、話速変換処理回路４に入力され、与
えられた上記速度情報に基づき、さらに時間軸圧縮／伸
長あるいは無音削除／挿入を施されて、所定の話速変換
が行われ、この話速変換された出力がスピーカ２３から
再生されることとなる。

【０００７】

【発明が解決しようとする課題】しかしながら、上記の
ような、所定時間長のフレーム単位でのデコードを行う
MPEGオーディオのような符号化方式において、複数フレ
ーム間にまたがるデータ処理を実施する際には、多数の
バッファメモリなどが必要かつ処理が複雑となり、ハー
ドウェア構成が大規模となる問題を生じることになる。

【０００８】さらに、同様に、国際標準規格のMPEG方式
を用いて、音声（オーディオ）を再生する装置として、
特開平９−８１１８９号公報に開示されているものがあ
る。このMPEGオーディオ再生装置のブロック図を、図２
０に示す。以下、図２０を参照しながら、従来の音声再
生装置について説明する。

【０００９】図２０に示すように、１７０１は、入力さ
れる帯域信号１をＴｆサンプル長の１フレーム分、分割
し保持する第１のフレーム分割装置、１７０２は、入力
される帯域信号２をＴｆサンプル長の１フレーム分、分
割し保持する第２のフレーム分割装置、１７０３は、入
力される帯域信号３をＴｆサンプル長の１フレーム分、
分割し保持する第３のフレーム分割装置、１７０４は、
入力される帯域信号４をＴｆサンプル長の１フレーム
分、分割し保持する第４のフレーム分割装置である。

【００１０】上記において、入力される帯域信号１〜４
は、通常の時間軸信号を４帯域に帯域分割するとともに
４分の１にダウンサンプリングするようなフィルタバン
クによって帯域分割された、それぞれの帯域信号であ
り、帯域信号１は、最も低域の帯域信号、帯域信号４、
は最も高域の帯域信号であるとする。

【００１１】１７１０は、音声のピッチ成分が含まれる
帯域の帯域信号の前半の信号と、後半の信号とを、ｎサ
ンプルだけオーバーラップさせた時の該オーバーラップ
範囲における両信号間の相関値S(n)を求め、該相関値S
(n)が最大値となるn をTcとして検出する相関関数算出
装置、１７１１は、聴取者からの再生速度F の指定を検
出する再生速度検出装置、１７１２は、相関関数検出範
囲に制限を設けるための相関関数検出範囲制御装置、１
７０５は、第１のフレーム分割装置１７０１によって分
割され保持された帯域信号の前半の信号と、後半の信号
とを、Ｔｃサンプル分オーバーラップさせてクロスフェ
ード処理する第１のクロスフェード処理装置、１７０６
は、第２のフレーム分割装置１７０２によって分割され
保持された帯域信号の前半の信号と、後半の信号とを、
Tcサンプル分オーバーラップさせてクロスフェード処理
する第２のクロスフェード処理装置、１７０７は、第３
のフレーム分割装置１７０３によって分割され保持され
た帯域信号の前半の信号と、後半の信号とを、Tcサンプ
ル分オーバーラップさせてクロスフェード処理する第３
のクロスフェード処理装置、１７０８は、第４のフレー
ム分割装置１７０８によって分割され保持された帯域信
号の前半の信号と、後半の信号とを、Tcサンプル分オー
バーラップさせてクロスフェード処理する第４のクロス
フェード処理装置、１７０９は、上記クロスフェード処
理された４帯域の帯域信号を帯域合成する帯域合成フィ
ルタである。

【００１２】図２１は、音声信号の主要ピッチ成分が含
まれる周波数帯域について、その１フレーム分の時間軸
波形を表した図である。図２２は、図２１に示した１フ
レームの信号を、その前半の信号部分と、後半の信号部
分との２セグメントに分割して上下に並べた図である。
図２３は、図２２における２セグメント間の相関関数を
求めた値を示したグラフである。図２４は、相関関数が
最大となる時刻に後半の信号成分であるセグメントをず
らせた様子を定性的に示した図である。図２５は、２セ
グメント間をTc時間オーバーラップさせてクロスフェー
ド処理する様子を示した図である。

【００１３】以上のように構成された再生装置につい
て、以下その動作について、図２１から図２５を用いて
説明する。まず入力される帯域信号１の１フレーム分
（Ｔｆサンプル長）のデータは、図２１に示すように、
音声信号の主要ピッチ成分を含んでいるものとする。そ
して、この１フレーム分のデータは、第１のフレーム分
割装置１７０１によって、図２２に示すような同じデー
タ数の２セグメントに分割して保持され、第２のフレー
ム分割装置１７０２、第３のフレーム分割装置１７０
３、第４のフレーム分割装置１７０４も同様に各々の帯
域信号２，３，４を２セグメントに分割して保持する。

【００１４】そして、再生速度検出装置で得られる目標
速度比F から、２セグメントをオーバラップするデータ
長である目標オーバラップ値Tbを、次式のように求め
る。

【００１５】Tb = Tf ・(1 - 1/F) ここで、後述する位相調整を行う影響による目標速度比
F からのずれを補正するための補正パラメータB （初期
値は0 ）を考慮して、相関関数算出装置１７１０で、上
記第１のフレーム分割装置１７０１の２セグメント間の
オーバラップ区間データ長が（Tb + B）の前後ｍサンプ
ルの範囲で相関関数を演算し、該相関関数が最大となる
場合のオーバラップ区間長Tcを求める。その結果、Tcが
Tbからずれることによる目標速度比からの誤差の補正を
行うため、先に述べた補正パラメータB の値を以下のよ
うに更新する。

【００１６】B ← B + Tb - Tc 図２２は、目標速度比F が2.0 の場合の, 目標オーバラ
ップ値Tb ( = Tf/2)の位置関係で、２セグメントを上下
に配置した図であり、この場合に2 セグメント間の相関
関数を求めた結果が、図２３のようになる。この例では
相関が最大値となるような時刻は、４であることがわか
る。図２４は、この相関関数の結果をもとに、２セグメ
ント間のオーバラップ長をTcとして表した説明図であ
る。つまり、相関関数によって、前半のセグメントに後
半のセグメントの類似度合を求め、その結果、相関の高
い位置までずらせると、双方のセグメントの位相が一致
することになる。そのときの２セグメント間のオーバー
ラップ区間長が、Tcということになる。

【００１７】次に、第１のクロスフェード処理装置１７
０５で、第１のフレーム分割装置１７０１によって分割
され保持された２セグメントの帯域信号を、 Tc 分オー
バーラップさせてクロスフェード処理を行なう。同様
に、第２のクロスフェード処理装置１７０６、第３のク
ロスフェード処理装置１７０７、第４のクロスフェード
処理装置１７０８でも、それぞれ、第２のフレーム分割
装置１７０２、第３のフレーム分割装置１７０３、第４
のフレーム分割装置１７０４によって分割され保持され
た２セグメントの帯域信号を、Tc分オーバーラップさせ
てクロスフェード処理を行なう。図２５は、このような
クロスフェード処理の一例を示したものである。２セグ
メントのオーバラップ部分に対して、互いに相補的な重
みを付けた加算を行う。（ａ）は、前半のセグメントに
フェードアウト処理した信号、（ｂ）は、後半のセグメ
ントにフェードイン処理した信号である。このフェード
アウト処理した信号（ａ）と、フェードイン処理した信
号（ｂ）とを加算することにより、同図（ｃ）のような
波形となる。その後に、帯域合成フィルタ１００９によ
って、上記のようにしてクロスフェード処理された各帯
域信号が帯域合成され、通常の時間軸信号が生成され
る。

【００１８】以上の処理を、逐次、Ｔｆサンプルずつの
全てのフレームに関して、各帯域の信号に行うことによ
って、1 フレーム内のデータだけで完結する高速再生が
行えることとなる。

【００１９】しかしながら、上記のような構成による再
生装置では、次のような課題が存在する。ここでは、標
準的なMPEG1 オーディオの符号化方式を例に取り、分割
帯域数を32、各帯域１フレームのデータ数を36、補正パ
ラメータ値Ｂの初期値を０、基準とする相関探索幅ｍを
４として、実際に取り得るオーバラップ値と、相関探索
する点数などを、以上に述べた従来例の方法で求め、そ
の結果を以下の表１に示す。ここで、計算式の小数点は
切り捨てて表示している。

【００２０】

【表１】

【００２１】まず、速度比が1.0 に近い側に関して検討
する。目標オーバラップ値が小さいこともあり、オーバ
ラップ値の取り得る値は、かなり小さい値の範囲に留ま
っている。この場合の問題点として考えられるのは、ク
ロスフェード長が短すぎることである。相関の高い位置
を求めてクロスフェード処理を実施するが、クロスフェ
ード区間を挟んだ２セグメント間の遷移期間の長さが短
すぎると、セグメント中に含まれる低周波数信号は、ク
ロスフェードによる振幅の連続性改善の効果も少なく、
波形の急激な変化をもたらしてしまい、結果として不連
続感の強い再生音として聴取される。このクロスフェー
ド区間長および相関探索幅と、音質に関する評価実験
は、例えば、「鈴木、三崎：電子情報通信学会音声研究
会 SP90-34，1990.8」などにPCM 音声に対する最適な値
を求めている。

【００２２】一方、速度比が2.0 に近い側に関して検討
すると、目標オーバラップ値が上限値である18に近い値
であり、オーバラップ値の上限が１セグメント長を超え
ることができず、相関探索点数は十分な数になっている
ことがわかる。また、速度比2.0 の場合、オーバラップ
値を目標値である18より小さい値にとると、次回以降に
これを修正する可能性は全く無いため、目標速度を達成
するには、相関による探索は行わずに固定のオーバラッ
プ値を取らざるを得ない。また、相関探索する点数を増
加させるために、探索幅ｍを大きな値にすると、目標オ
ーバラップ値から小さい側にずれた場合の補正パラメー
タ値B は正の値であり、次回の相関探索の中心とするオ
ーバラップ値（Tb + B）の値が１セグメント長を超える
( (Tb +B) > Tf/2)，という不合理が生じ、速度比を修
正することが困難な状況となる。そのため、探索幅ｍを
小さな値で使用せざるを得なく、相関探索する点数が少
ないため、位相の整合性が十分に改善し得ない位置での
クロスフェードを行うことになり、結果として、位相の
不整合によりしわがれた声として聴取される。

【００２３】このように、このアルゴリズムでは、相関
関数を用いた位相の調整を行うには、不十分な状況で動
作させざるを得ないため、十分な性能を出し得ていな
い。さらに、以上の中間である速度比1.5 近傍の比較的
良好と思われる速度の範囲においても、与えられたすべ
てのフレームに対してクロスフェード処理を実施するこ
とになるため、処理による信号劣化が全フレームすべて
に生じ、その結果、劣化の度合が大きく感じられること
になる。このように、相関関数による位相の整合性を改
善する手法は、この例では十分に機能せず、かえって、
目標の速度比に収束し難い，という方式上の欠点を有し
ている。また、この例では、高速再生に対する処理を実
施するのみで、低速再生に関する機能を何ら提供し得な
いものである。

【００２４】本発明は、上記課題に鑑み、フレーム内デ
ータで完結する，一定速度比の時間軸圧縮処理または時
間軸伸長処理を基本とした簡素な構成によって速度変換
処理を行うことができ、高品質な高速または低速の速度
変換音声を実現することのできる，音声再生装置を提供
することを目的とするものである。

【００２５】

【課題を解決するための手段】この目的を達成するため
に、請求項１にかかる音声再生装置は、音声復号化手
段、選択手段、フレームシーケンステーブル、フレーム
カウント手段、データ伸縮制御手段、データ伸縮手段を
備える音声再生装置であって、音声復号化手段は、入力
される音声信号をフレーム単位で復号し、選択手段は、
与えられる速度比に対応したフレームシーケンスをフレ
ームシーケンステーブルへ出力すると共に、該フレーム
シーケンスのフレームサイクル数をフレームカウント手
段へ出力し、 フレームシーケンステーブルは、選択手
段からのフレームシーケンスを記憶し、 フレームカウ
ント手段は、フレームサイクル数に基づいて音声復号化
手段で処理する符号化音声信号のフレーム数をカウント
し、データ伸縮制御手段は、フレームカウント手段のカ
ウント値に対応したフレームシーケンステーブルのフレ
ームシーケンスを参照して、音声復号化手段から出力さ
れるフレームを時間軸圧縮もしくは時間軸伸長、または
時間軸変換なしのどちらで処理するかをデータ伸縮手段
に指定し、データ伸縮手段は、データ伸縮制御手段の指
定に基づいて音声復号化手段から出力されるフレームに
対して時間軸変換処理を行うことを特徴とする音声再生
装置としたものである。

【００２６】また、請求項２にかかる音声再生装置は、
請求項１に記載の音声再生装置において、音声復号化手
段は、ＭＰＥＧ１オーディオレイヤ２符号化方式にて符
号化された音声信号を復号することを特徴とする音声再
生装置としたものである。

【００２７】また、請求項３にかかる音声再生装置は、
請求項１に記載の音声再生装置において、フレームシー
ケンスは、連続する時間軸圧縮フレームのフレーム数
と、連続する時間軸処理無しフレームのフレーム数がい
ずれも最小となるよう配置されたことを特徴とする音声
再生装置としたものである。

【００２８】また、請求項４にかかる音声再生装置は、
請求項１に記載の音声再生装置において、フレームシー
ケンスは、連続する時間軸伸長フレームのフレーム数
と、連続する時間軸処理無しフレームのフレーム数がい
ずれも最小となるよう配置されたことを特徴とする音声
再生装置としたものである。

【００２９】また、請求項５にかかる音声再生装置は、
音声復号化手段、伸縮頻度制御手段、フレームカウント
手段、エネルギー演算手段、フレーム選択手段、データ
伸縮制御手段、データ伸縮手段を備える音声再生装置で
あって、音声復号化手段は、ＭＰＥＧ１オーディオレイ
ヤ２符号化方式にて符号化された符号化音声信号を復号
し、伸縮頻度制御手段は、与えられる速度比に応じた、
フレームサイクル数Ｎｆ、時間軸圧縮または時間軸伸長
するフレーム数Ｎｓを設定し、フレームカウント手段
は、フレームサイクル数Ｎｆに基づいて音声復号化手段
で処理する符号化音声信号のフレーム数をカウントし、
エネルギー演算手段は、符号化音声信号のスケールファ
クタインデックスをもとにフレームサイクル数Ｎｆ分の
符号化音声信号のエネルギーを推定し、フレーム選択手
段は、フレームサイクル数Ｎｆのフレーム内でエネルギ
ーの小さいフレームからＮｓ個のフレームを時間軸圧縮
または時間軸伸長するフレームとして決定し、データ伸
縮制御手段は、フレームカウント手段のカウント値とフ
レーム選択手段の決定に基づき、音声復号化手段から出
力されるフレームを時間軸圧縮もしくは時間軸伸長、ま
たは時間軸変換なしのどちらで処理するかをデータ伸縮
手段に指定し、データ伸縮手段は、データ伸縮制御手段
の指定に基づいて音声復号化手段から出力されるフレー
ムに対して時間軸変換処理を行うことを特徴とする音声
再生装置としたものである。

【００３０】また、請求項６にかかる音声再生装置は、
音声復号化手段、伸縮頻度制御手段、フレームカウント
手段、定常性演算手段、フレーム選択手段、データ伸縮
制御手段、データ伸縮手段を備える音声再生装置であっ
て、音声復号化手段は、ＭＰＥＧ１オーディオレイヤ２
符号化方式にて符号化された音声信号を復号し、伸縮頻
度制御手段は、与えられる速度比に応じた、フレームサ
イクル数Ｎｆ、時間軸圧縮または時間軸伸長するフレー
ム数Ｎｓを設定し、フレームカウント手段は、フレーム
サイクル数Ｎｆに基づいて音声復号化手段で処理する符
号化音声信号のフレーム数をカウントし、定常性演算手
段は、符号化音声信号のスケールファクタ選択情報をも
とにフレームサイクル数Ｎｆ分の符号化音声信号の定常
性を推定し、 フレーム選択手段は、フレームサイクル
数Ｎｆのフレーム内での定常性の高いフレームからＮｓ
個のフレームを時間軸圧縮または時間軸伸長するフレー
ムとして決定し、データ伸縮制御手段は、フレームカウ
ント手段のカウント値とフレーム選択手段の決定に基づ
き、音声復号化手段から出力されるフレームを時間軸圧
縮もしくは時間軸伸長、または時間軸変換なしのどちら
で処理するかをデータ伸縮手段に指定し、データ伸縮手
段は、データ伸縮制御手段の指定に基づいて音声復号化
手段から出力されるフレームに対して時間軸変換処理を
行うことを特徴とする音声再生装置としたものである。

【００３１】また、請求項７にかかる音声再生装置は、
音声復号化手段、伸縮頻度制御手段、フレームカウント
手段、エネルギー変化度合演算手段、フレーム選択手
段、データ伸縮制御手段、データ伸縮手段を備える音声
再生装置であって、音声復号化手段は、ＭＰＥＧ１オー
ディオレイヤ２符号化方式にて符号化された音声信号を
復号し、伸縮頻度制御手段は、与えられる速度比に応じ
た、フレームサイクル数Ｎｆ、時間軸圧縮または時間軸
伸長するフレーム数Ｎｓを設定し、フレームカウント手
段は、フレームサイクル数Ｎｆに基づいて音声復号化手
段で処理する符号化音声信号のフレーム数をカウント
し、エネルギー変化度合演算手段は、符号化音声信号の
スケールファクタインデックスをもとにフレームサイク
ル数Ｎｆ分の符号化音声信号のエネルギー変化度合を推
定し、フレーム選択手段は、フレームサイクル数Ｎｆの
フレーム内でエネルギー変化度合に基づき継時マスキン
グ効果による処理劣化が少ないフレームからＮｓ個のフ
レームを時間軸圧縮または時間軸伸長するフレームとし
て決定し、データ伸縮制御手段は、フレームカウント手
段のカウント値とフレーム選択手段の決定に基づき、音
声復号化手段から出力されるフレームを時間軸圧縮もし
くは時間軸伸長、または時間軸変換なしのどちらで処理
するかをデータ伸縮手段に指定し、データ伸縮手段は、
データ伸縮制御手段の指定に基づいて音声復号化手段か
ら出力されるフレームに対して時間軸変換処理を行うこ
とを特徴とする音声再生装置としたものである。

【００３２】また、請求項８にかかる音声再生装置は、
音声復号化手段、伸縮頻度制御手段、フレームカウント
手段、演算手段、フレーム選択手段、データ伸縮制御手
段、データ伸縮手段を備える音声再生装置であって、音
声復号化手段は、ＭＰＥＧ１オーディオレイヤ２符号化
方式にて符号化された符号化音声信号を復号し、伸縮頻
度制御手段は、与えられる速度比に応じた、フレームサ
イクル数Ｎｆ、時間軸圧縮または時間軸伸長するフレー
ム数Ｎｓを設定し、フレームカウント手段は、フレーム
サイクル数Ｎｆに基づいて音声復号化手段で処理する符
号化音声信号のフレーム数をカウントし、演算手段は、
エネルギー演算手段、定常性演算手段、エネルギー変化
度合演算手段のいずれか２つ以上を備え、エネルギー演
算手段は、符号化音声信号のスケールファクタインデッ
クスをもとにフレームサイクル数Ｎｆ分の符号化音声信
号のエネルギーを推定し、定常性演算手段は、符号化音
声信号のスケールファクタ選択情報をもとにフレームサ
イクル数Ｎｆ分の符号化音声信号の定常性を推定し、エ
ネルギー変化度合演算手段は、符号化音声信号のスケー
ルファクタインデックスをもとにフレームサイクル数Ｎ
ｆ分の符号化音声信号のエネルギー変化度合を推定し、
フレーム選択手段は、演算手段の出力をもとにＮｓ個の
フレームを時間軸圧縮または時間軸伸長するフレームと
して決定し、データ伸縮制御手段は、フレームカウント
手段のカウント値とフレーム選択手段の決定に基づき、
音声復号化手段から出力されるフレームを時間軸圧縮も
しくは時間軸伸長、または時間軸変換なしのどちらで処
理するかをデータ伸縮手段に指定し、データ伸縮手段
は、データ伸縮制御手段の指定に基づいて音声復号化手
段から出力されるフレームに対して時間軸変換処理を行
うことを特徴とする音声再生装置としたものである。

【００３３】また、請求項９にかかる音声再生装置は、
請求項１〜８のいずれかに記載の音声再生装置におい
て、データ伸縮手段は、クロスフェード手段を備え、ク
ロスフェード手段は、時間軸圧縮または時間軸伸長の
際、音声復号化手段から出力されるフレームを構成する
セグメントを重み付け加算することを特徴とする音声再
生装置としたものである。

【００３４】また、請求項１０にかかる音声再生装置
は、請求項１〜８のいずれかに記載の音声再生装置にお
いて、データ伸縮手段は、相関演算手段、クロスフェー
ド手段を備え、相関演算手段は、音声復号化手段から出
力されるフレームを構成するセグメントの先頭位置を前
回決定したシフト量に基づき補正し、セグメント間の相
関値を演算し、相関値が高くなる位置で重み付け加算す
るためのシフト量を決定し、クロスフェード手段は、時
間軸圧縮または時間軸伸長の際、音声復号化手段から出
力されるフレームを構成するセグメントを、相関演算手
段で決定した位置で重み付け加算することを特徴とする
音声再生装置としたものである。

【００３５】また、請求項１１にかかる音声再生装置
は、請求項１〜８のいずれかに記載の音声再生装置にお
いて、音声復号化手段は、符号化音声信号を帯域毎に復
号し、データ伸縮手段は、相関演算手段、帯域毎のクロ
スフェード手段を備え、相関演算手段は、音声復号化手
段から出力されるフレームを構成するセグメントの先頭
位置を前回決定したシフト量に基づき補正し、ピッチ周
波数を包含する帯域においてセグメント間の相関値を演
算し、相関値が高くなる位置で重み付け加算するための
シフト量を決定し、各クロスフェード手段は、時間軸圧
縮または時間軸伸長の際、音声復号化手段から出力され
るフレームを構成するセグメントを、相関演算手段で決
定した位置で重み付け加算することを特徴とする音声再
生装置としたものである。

【００３６】また、請求項１２にかかる音声再生装置
は、請求項１〜８のいずれかに記載の音声再生装置にお
いて、音声復号化手段は、符号化音声信号を帯域毎に復
号し、データ伸縮手段は、相関演算手段、帯域毎のクロ
スフェード手段を備え、相関演算手段は、音声復号化手
段から出力されるフレームを構成するセグメントの先頭
位置を前回決定したシフト量に基づき補正し、平均エネ
ルギーが最大となる帯域においてセグメント間の相関値
を演算し、相関値が高くなる位置で重み付け加算するた
めのシフト量を決定し、各クロスフェード手段は、時間
軸圧縮または時間軸伸長の際、音声復号化手段から出力
されるフレームを構成するセグメントを、相関演算手段
で決定した位置で重み付け加算することを特徴とする音
声再生装置としたものである。

【００３７】また、請求項１３にかかる音声再生装置
は、請求項１〜８のいずれかに記載の音声再生装置にお
いて、音声復号化手段は、符号化音声信号を帯域毎に復
号し、データ伸縮手段は、相関演算手段、帯域毎のクロ
スフェード手段を備え、相関演算手段は、音声復号化手
段から出力されるフレームを構成するセグメントの先頭
位置を前回決定したシフト量に基づき補正し、各帯域に
おいてセグメント間の相関値を演算し、相関値が最大の
帯域において相関値が高くなる位置で重み付け加算する
ためのシフト量を決定し、各クロスフェード手段は、時
間軸圧縮または時間軸伸長の際、音声復号化手段から出
力されるフレームを構成するセグメントを、相関演算手
段で決定した位置で重み付け加算することを特徴とする
音声再生装置としたものである。

【００３８】

【００３９】

【００４０】

【００４１】

【００４２】

【００４３】

【００４４】

【００４５】

【発明の実施の形態】（実施の形態１）以下、本発明の
第１の実施の形態について、図面を参照しながら説明す
る。図１は本発明の第１の実施の形態における音声再生
装置のブロック図を示すものである。図１において、１
０１はフレーム逆パッキング手段、１０２は逆量子化手
段、１０３はデータ伸縮手段、１０４はサブバンド合成
フィルタ手段、１０５は選択手段、１０６はフレームカ
ウント手段、１０７はデータ伸縮制御手段、１０８はフ
レームシーケンステーブルである。以下に、その動作に
ついて説明する。

【００４６】本実施の形態は、MPEG１オーディオのビッ
トストリームをデコードする際の中間データに対して速
度変換処理を施す音声再生装置の例を示すものである。
MPEG１オーディオのビットストリームは、ヘッダ，ビッ
ト割当て情報，スケールファクタに関する情報，サンプ
ルデータ情報などから成り立っている。

【００４７】図１において、入力されたMPEG１オーディ
オのビットストリームは、フレーム逆パッキング手段１
０１によって、当該ビットストリームからヘッダ，ビッ
ト割当て情報，スケールファクタに関する情報，サンプ
ルデータ情報などの個々の情報に分離される。逆量子化
手段１０２では、当該逆パッキングにて得られた、各帯
域（MPEG１オーディオでは３２のサブバンド（帯域））
毎のビット割当て情報や、スケールファクタに関連する
情報をもとにして、各帯域毎に逆量子化したデータを得
る。

【００４８】データ伸縮手段１０３は、後述するデータ
伸縮制御手段１０７からの制御によって、時間軸圧縮／
伸長を施すフレームに該当する時は、逆量子化手段１０
２の出力を一定比率で時間軸圧縮／伸長し、圧縮／伸長
することなくスルーで出力するフレームに該当する場合
には、逆量子化手段１０２の出力をそのままサブバンド
合成フィルタ出力手段１０４へ出力する。サブバンド合
成フィルタ手段１０４では、入力された各サブバンド
（MPEG１オーディオでは３２帯域）のデータが帯域合成
され、当該合成により得られたオーディオ信号を出力す
る。

【００４９】図２に、データ伸縮手段１０３の内部構成
図を示す。同図において、２００１は最も低いサブバン
ドに対応する逆量子化手段１０２の出力Q0に対して処理
を施すデータ伸縮ユニット０であり、以降、２００２，
・・・，２０３２の各々は、各サブバンドの低い帯域側
からの逆量子化手段１０２の出力Q1, ・・・,Q31に対し
て処理を施す、データ伸縮ユニット１、・・・、データ
伸縮ユニット３１である。データ伸縮ユニットの内部の
構成は、図２に示すように、バッファメモリ２０１，ク
ロスフェード手段２０２，データ選択手段２０３で構成
される。図では、データ伸縮ユニット１〜データ伸縮ユ
ニット３１については内部構成が記載されていないが、
データ伸縮ユニット０と同一であるので、図では省略し
て記載している。

【００５０】以下では、最も低い周波数帯域に相当する
逆量子化手段１０２の出力データQ0に対して処理を施す
データ伸縮ユニット０の動作を示す。逆量子化手段１０
２の出力Q0は、一旦バッファメモリ２０１に１フレーム
分（所定時間長分）のデータだけ蓄積される。ここで、
各サブバンドにおける１フレームのデータ数を、Nsとす
る。データ伸縮制御手段１０７からの制御信号により、
スルーで出力するフレームに該当する場合には、データ
選択手段２０３は、バッファメモリ２０１へ書き込まれ
ているNs個のデータを、そのままサブバンド合成フィル
タ手段１０４へ出力する。一方、データ伸縮制御手段１
０７からの制御信号により、時間軸圧縮／伸長を施すフ
レームに該当する時は、クロスフェード手段２０２に
て、バッファメモリ２０１内のNs個のデータを用いて、
所定の圧伸比Srで時間軸圧縮／伸長を行なう。

【００５１】クロスフェード手段によるクロスフェード
処理、すなわち時間軸圧縮／伸長の方法を、図３を用い
て説明する。図３は、時間軸圧縮／伸長を実施すること
で、フレームのデータ長が変化する様子を示した模式図
の一例である。図３（ａ）は通常のフレームを示すもの
であり、ここでは、１フレームのデータ数Nsを、同数の
データ数（同一時間長）のセグメントであるＳＥＧ１，
ＳＥＧ２の２つに分割した例である。これらのセグメン
トを基にして、図３に示すような重み付け加算、すなわ
ち、クロスフェード処理を行うことによって、前後の不
連続無く、データ数を減少／増加させることができる。
例えば、圧縮する場合は図３（ｂ）のように行い、伸長
する場合は同図（ｃ）のようにクロスフェード処理を行
う。また、クロスフェード処理を施すことなくデータ伸
縮手段１０３にてスルーで出力するフレームである場合
には、図３（ａ）に示すフレーム信号がそのままの状態
でサブバンド合成フィルタ手段１０４へ出力される。な
お同図において、（ｂ）は圧伸比（＝１／速度比）１／
２で時間軸圧縮されたフレームの例、（ｃ）は圧伸比３
／２で時間軸伸長されたフレームの例である。なお、圧
伸比は、圧伸比＝１／速度比＝クロスフェード手段から
の出力データ数／クロスフェード手段への入力データ数
で定義するものとする。

【００５２】図３（ｂ）のような圧縮処理を全フレーム
に対して行うことにより、一定の速度比２．０の再生音
を得ることができる。また、同図（ｃ）のような伸長処
理を全フレームに対して行うことにより、一定の速度比
２／３の再生音を得ることができる。このような速度変
換処理を行う場合には、データ伸縮制御手段１０７から
データ伸縮手段１０３へ、圧縮／伸長／スルーを示す制
御信号を送り、この制御信号を基に、各データ伸縮ユニ
ットを制御することにより、該速度変換処理を実現でき
る。例えば、上述したような速度比２．０を実現するに
は、入力された速度比情報（＝２．０）を基に、「速度
比＝２．０の圧縮」を示す制御信号をデータ伸縮手段１
０３へ出力する。クロスフェード手段２０２は、当該制
御信号を受けとって、全フレームに対して図３（ｂ）に
示すクロスフェード処理を行い、データ選択手段２０３
は、クロスフェード手段２０２の出力を選択して、サブ
バンド合成フィルタ手段１０４へ出力する。また、速度
比２／３（＝０．６６）を実現するには、入力される速
度比情報（＝２／３）を基に、「速度比＝２／３の伸
長」を示す制御信号を、データ伸縮手段１０３へ出力す
る。クロスフェード手段２０２は、当該制御信号を受け
とって、全フレームに対して図３（ｃ）に示すクロスフ
ェード処理を行い、データ選択手段２０３は、クロスフ
ェード手段２０２の出力を選択して、サブバンド合成フ
ィルタ手段１０４へ出力する。

【００５３】上述した以外の速度比の音声を実現するた
めには、全フレームではなく特定のフレームに対しての
み、図３（ｂ）（ｃ）のような時間軸圧縮／伸長を行う
シーケンスで処理を繰り返せば、最終的には個々のフレ
ームの速度比とは異なった,所望の再生速度を得ること
が可能となる。図４を用いてこの例を説明する。

【００５４】図４は、その一例として、速度比が1.5 ,
1.2 , 1.1 , 0.9 , 0.8 , 0.7 の場合の時間軸圧縮／伸
長処理を説明するための処理シーケンス図である。同図
において、（ａ）はスルー（時間軸圧縮／伸長処理な
し）で出力するフレーム、（ｂ）は時間軸圧縮処理を施
すフレーム、（ｃ）は時間軸伸長処理を施すフレームを
示している。また（表２）に、図４の処理速度例におけ
る、入力セグメント数，出力セグメント数，圧縮／伸長
するセグメント数，繰り返しを行うフレームサイクルを
示す。図４における各フレームは、図３（ａ）にて説明
したように、同一データ数（同一時間長）の２つのセグ
メントから構成されており、よって、各速度比における
入力・出力セグメント数，圧縮／伸長セグメント数は、
（表２）の通りとなる。例えば、速度比1.5 の場合を例
にとると、入力セグメント数は、図４（イ）の通り第１
フレーム〜第３フレームが入力されるので、３フレーム
×２セグメント＝６セグメントである。このとき、第２
フレーム、第３フレームについては、時間軸圧縮処理が
施されて各フレームのセグメント数が２→１になるの
で、圧縮セグメント数は２となり、この結果、出力セグ
メント数は、６セグメント−２セグメント＝４セグメン
トとなる。速度比は（入力セグメント数／出力セグメン
ト数）で与えられる。また（表３）に、図４に対応す
る、フレームシーケンステーブル１０８に与えるべきデ
ータ例を示す。この例においては、テーブルには、速度
比と、フレームカウント手段１０６でカウントするフレ
ームサイクルと、フレームに対する圧縮／伸長／スルー
の処理状態のシーケンス（フレームシーケンス）とが、
記録されている。

【００５５】なお、（表３）において、「ａ」はスル
ー、「ｂ」は圧縮、「ｃ」は伸長、を施すシーケンスを
意味している。

【００５６】

【表２】

【００５７】

【表３】

【００５８】まず、所望の速度比情報が選択手段１０５
へ入力される。本例の場合においては、速度比＝1.1 ，
速度比＝0.7 などの情報である。この速度比情報が入力
されると、選択手段１０５は、フレームカウント手段１
０６へフレームサイクルを、フレームシーケンステーブ
ル１０８へはフレームシーケンスを送出する。この際に
送出されるフレームサイクル，フレームシーケンスは、
（表３）に示されるような値である。

【００５９】以下、再生時間を短くする（速度比＞1.0
；時間軸圧縮処理）例を、速度比1.1 の場合を例にと
って説明する。

【００６０】速度比情報1.1 が選択手段１０５へ入力さ
れると、選択手段１０５はフレームカウント手段１０６
へフレームサイクル「１１」を、またフレームシーケン
ステーブル１０８へフレームシーケンス「ａ，ａ，ｂ，
ａ，ａ，ａ，ａ，ａ，ｂ，ａ，ａ」を送出する。このフ
レームシーケンスは、フレームシーケンステーブル１０
８に書き込まれる。フレームカウント手段１０６は、選
択手段１０５からフレームサイクル「１１」を受け取っ
たタイミング以降に、フレーム逆パッキング手段１０１
から出力されフレームカウント手段１０６へ入力された
フレームをカウントし、フレームカウント値を出力す
る。この際、フレームカウント手段１０６のカウント値
は、１→２→・・・→１０→１１→１→・・・と、１１
サイクルでカウントされるものとする。

【００６１】データ伸縮制御手段１０７は、当該カウン
ト値をもとに、まず、カウント値「１」が入力されたと
きはフレームシーケンステーブル１０８からフレームシ
ーケンス１番目のシーケンス「ａ」を読み込み、データ
伸縮手段１０３へ「スルー」を指示する制御信号を出力
する。データ伸縮手段１０３において、当該手段内部の
各データ選択手段は、この「スルー」を意味する制御信
号を基に、逆量子化手段１０２から出力されたQ0, Q1,
・・・, Q31 なるデータを、スルー（クロスフェード処
理なし）で出力する（C0, C1, ・・・, C31 ）。サブバ
ンド合成フィルタ手段１０４では、当該３２帯域のC0,
C1, ・・・, C31 を基にして帯域合成し、当該フレーム
のオーディオ出力として出力される。

【００６２】次に、フレームカウント手段１０６からカ
ウント値「２」が出力されると、データ伸縮制御手段１
０７は、フレームシーケンステーブル１０８からフレー
ムシーケンス２番目のシーケンス「ａ」を読み込み、デ
ータ伸縮手段１０３へ「スルー」を指示する制御信号を
出力する。これ以降の処理は、上述したカウント値
「１」の場合と同じである。なお、図４、（表２）から
も明らかなように、カウント値「４」「５」「６」
「７」「８」「１０」「１１」の場合にフレームシーケ
ンステーブル１０８から読み込まれるシーケンスは
「ａ」であり、この際の処理は上述したカウント値
「１」の場合と同一なので、説明を省略する。

【００６３】図４および（表３）より、フレームカウン
ト値が「３」，「９」の場合には、フレームシーケンス
テーブル１０８からは、フレームシーケンスとして
「ｂ」が読み込まれ、時間軸圧縮処理が施される。これ
について、以下に説明する。

【００６４】フレームカウント手段１０６からカウント
値「３」，「９」が出力された場合には、データ伸縮制
御手段１０７は、フレームシーケンステーブル１０８か
らフレームシーケンス「ｂ」を読み込み、これによりデ
ータ伸縮手段１０３へ「圧縮」を指示する制御信号を出
力する。データ伸縮手段１０３において、当該手段内部
の各データ選択手段は、この「圧縮」を意味する制御信
号を基に、データ伸縮ユニット０〜データ伸縮ユニット
３１内の各クロスフェード手段にて、図３（ｂ）を用い
て上記説明した時間軸圧縮処理を行い、この圧縮処理が
施された信号がデータ選択手段２０３にて選択されて、
出力される（C0, C1, ・・・, C31 ）。サブバンド合成
フィルタ手段１０４では、当該３２帯域のC0, C1, ・・
・, C31を基にして帯域合成し、当該フレームのオーデ
ィオ出力として出力される。

【００６５】上述のような処理にて各フレームに対し
て、スルー、時間軸伸長の処理が成され、フレームシー
ケンス「１１」で１サイクルの処理が行われる。この１
サイクル処理が終わると、その後入力されてくる各フレ
ームに対して、上述したシーケンスと同一のシーケンス
で処理が継続される。

【００６６】次に、再生速度を遅くする（速度比＜1.0;
時間軸伸長処理）例を、速度比0.7の場合を例にとって
説明する。速度比情報0.7 が選択手段１０５へ入力され
ると、選択手段１０５はフレームカウント手段１０６へ
フレームサイクル「７」を、またフレームシーケンステ
ーブル１０８へフレームシーケンス「ａ，ｃ，ｃ，ｃ，
ｃ，ｃ，ｃ」を送出する。このフレームシーケンスは、
フレームシーケンステーブル１０８に書き込まれる。フ
レームカウント手段１０６は、選択手段１０６からフレ
ームサイクル「７」を受け取ったタイミング以降に、フ
レーム逆パッキング手段１０１から出力されフレームカ
ウント手段１０６へ入力されたフレームをカウントし、
フレームカウント値を出力する。この際、フレームカウ
ント手段１０６のカウント値は、１→２→・・・→６→
７→１→・・・と、７サイクルでカウントされるものと
する。

【００６７】データ伸縮制御手段１０７は、当該カウン
ト値をもとに、まず、カウント値「１」が入力されたと
きは、フレームシーケンステーブル１０８からフレーム
シーケンス１番目のシーケンス「ａ」を読み込み、デー
タ伸縮手段１０３へ「スルー」を指示する制御信号を出
力する。データ伸縮手段１０３において、当該手段内部
の各データ選択手段は、この「スルー」を意味する制御
信号を基に、逆量子化手段１０２から出力されたQ0, Q
1, ・・・, Q31 なるデータを、スルー（クロスフェー
ド処理なし）で出力する（C0, C1, ・・・, C31 ）。サ
ブバンド合成フィルタ手段１０４では、当該３２帯域の
C0, C1, ・・・, C31 を基にして帯域合成し、当該フレ
ームのオーディオ出力として出力される。

【００６８】次に、フレームカウント手段１０６からカ
ウント値「２」が出力されると、データ伸縮制御手段１
０７は、フレームシーケンステーブル１０８からフレー
ムシーケンスとして「ｃ」が読み込まれ、時間軸伸長処
理が施される。これについて、以下に説明する。

【００６９】フレームカウント手段１０６からカウント
値「２」が出力された場合には、データ伸縮制御手段１
０７は、フレームシーケンステーブル１０８からフレー
ムシーケンス「ｃ」を読み込み、これによりデータ伸縮
手段１０３へ「伸長」を指示する制御信号を出力する。
データ伸縮手段１０３において、当該手段内部の各デー
タ選択手段は、この「伸長」を意味する制御信号を基
に、データ伸縮ユニット０〜データ伸縮ユニット３１内
の各クロスフェード手段にて、図３（ｃ）を用いて上記
説明した時間軸伸長処理を行い、この伸長処理が施され
た信号がデータ選択手段２０３にて選択されて、出力さ
れる（C0, C1, ・・・, C31 ）。サブバンド合成フィル
タ手段１０４では、当該３２帯域のC0, C1, ・・・, C3
1 を基にして帯域合成し、当該フレームのオーディオ出
力として出力される。

【００７０】次に、フレームカウント手段１０６からカ
ウント値「３」が出力されるが、図４および（表３）か
らも明らかなように、カウント値「３」「４」「５」
「６」「７」の場合にフレームシーケンステーブル１０
８から読み込まれるシーケンスは、第２フレームと同様
に「ｃ」であり、この際の処理は上述したカウント値
「２」の場合と同一なので、説明を省略する。

【００７１】上述のような処理にて、各フレームに対し
て、スルー、時間軸伸長の処理が成され、フレームシー
ケンス「７」で１サイクルの処理が行われる。この１サ
イクル処理が終わると、その後入力されてくる各フレー
ムに対して、上述したシーケンスと同一のシーケンスで
処理が継続される。

【００７２】以上の説明より明らかなように、フレーム
サイクルで所望の速度比のデータ数（セグメント数）に
なるように、時間軸圧縮／伸長するフレームを偏りがあ
まりないように挿入することにより、特定のフレームサ
イクル内で所望の速度比を得ることが可能となる。また
図４，（表２）（表３）の例とは異なる速度比の場合で
も、速度比に合うように、時間軸圧縮／伸長するフレー
ムを偏りがあまりないように挿入するシーケンステーブ
ルを用いてフレームサイクルを繰り返すことにより、所
望の速度比の音声を得ることが可能である。また、図
４，（表２）（表３）の例とは異なる順番であるシーケ
ンスパターンの場合でも、（表２）に示すような圧縮／
伸長セグメント数が守られておれば、所望の速度比が得
られる。

【００７３】このように、一定値（本実施形態では図３
のように圧縮比は１／２、伸長比は３／２）の時間軸圧
縮／伸長を行うフレームを所定の順番で実施するように
制御すれば、所望の速度比の音声を得ることが可能とな
る。

【００７４】なお、以上の説明においては、図３に示し
たように、基準とする時間軸圧縮比の値を１／２，時間
軸伸長比の値を３／２で実現した例で説明したが、その
他の時間軸圧縮比／伸長比をもとにシーケンステーブル
を構成することも、同様に実施可能である。

【００７５】（実施の形態２）以下、本発明の第２の実
施の形態について、図面を参照しながら説明する。第２
の実施の形態における音声再生装置の構成図は、上述し
た第１の実施の形態の構成図（図１）と基本的に同様の
構成であり、MPEG１オーディオストリームを入力する例
である。フレーム逆パッキング手段１０１、逆量子化手
段１０２、サブバンド合成フィルタ手段１０４、選択手
段１０５、フレームカウント手段１０６、フレームシー
ケンステーブル１０８、データ伸縮制御手段１０７、は
第１の実施の形態と同様の動作をするものである。本第
２の実施の形態が第１の実施の形態と異なっている点
は、データ伸縮手段１０３の内部の構成および動作にあ
る。

【００７６】本第２の実施の形態におけるデータ伸縮手
段の構成図を、図５に示す。

【００７７】同図において、２００１は最も低いサブバ
ンドに対応する逆量子化手段１０２の出力Q0に対して処
理を施すデータ伸縮ユニット０であり、以降、２００
２，・・・，２０３２の各々は、各サブバンドの低い帯
域側からの逆量子化手段１０２の出力Q1, ・・・,Q31に
対して処理を施す、データ伸縮ユニット１、・・・、デ
ータ伸縮ユニット３１である。各データ伸縮ユニットの
内部の構成は、図５に示すように、バッファメモリ２０
１，クロスフェード手段２０２，データ選択手段２０３
で構成される。図ではデータ伸縮ユニット１〜データ伸
縮ユニット３１については内部構成が記載されていない
が、データ伸縮ユニット０と同一であるので、図では省
略している。本実施形態の構成は、さらに、図５に示す
ように、相関演算手段３０１、位相制御記憶手段３０２
を付加した構成となっている。

【００７８】以下に、相関演算手段３０１と、位相制御
記憶手段３０２の動作を中心に説明を行う。第１の実施
形態においては、時間軸波形のクロスフェードは一意に
定位置で重み付け加算されている。この場合、波形の振
幅に関しては不連続無く接続されるが、位相に関しては
考慮されていない。そこで、本実施形態においては、位
相の整合性が高い位置を相関関数を用いて求め、その位
置にシフトしてから重み付け加算を行うようなクロスフ
ェード処理を行うようにする。図６に、このような重み
付け加算を行ったクロスフェード処理（圧縮）の例を示
す。図６（ａ）は、図３（ａ）に相当する、クロスフェ
ード処理を施す前の元のフレームを示しており、同一デ
ータ数のセグメント１と、セグメント２とから成ってい
る。図６（ｂ）は、セグメント１と、セグメント２が、
相関を考慮したシフトが成されることなく重み付け加算
されており、これを図３（ｂ）の圧縮フレームと同一の
基準形と考える。図６（ｃ）は、相関の高い位置が基本
形の場合に比べて右に存在した場合のクロスフェード処
理後のフレームであり、クロスフェード区間は、同図
（ｂ）の基準形に比べて短くなるとともに、データ量
は、同図（ｂ）に比べて増加する。逆に図６（ｄ）は、
相関の高い位置が左に存在した場合のクロスフェード処
理後のフレームであり、クロスフェード区間は、同図
（ｂ）の基準形に比べて短くなるとともに、データ量は
同図（ｂ）に比べて減少する。

【００７９】上述の如き、位相の整合性を改善する目的
のために、相関関数を用いたクロスフェード処理を行う
速度変換装置については、本願出願人により種々の提案
が成されており、例えば、本願出願人の先願たる特開平
４−１０４２００号公報（特許登録２５３２７３１号）
などに示される通りである。本実施形態では、このよう
な相関関数を用いたクロスフェード手法を用いるが、こ
の際図５において、最も低域のデータであるQ0には、音
声のピッチ周波数が存在する範囲が含まれると考えられ
るので、このピッチ周波数に相当する成分に関して位相
の整合性を改善するために、Q0に相当する帯域データの
みを用いて、相関演算手段３０１、位相制御記憶手段３
０２により相関演算を行う。相関演算を行うデータは、
バッファメモリ２０１に存在しているが、相関演算の範
囲は、上記した特開平４−１０４２００号公報などに示
されるように、与えられたフレームシーケンスの値が、
圧縮フレームか伸長フレームのいずれであるかと、前回
求めた相関シフト量とによって決定される。

【００８０】図６（ｃ）（ｄ）からもわかるように、相
関の高い位置にシフトした場合には、本来目標としてい
るデータ数（図６（ｂ））に比較して過不足を生じるこ
とになる。その過不足の値は、相関の高い位置にシフト
（相関シフト量をrkとする）したデータ量から求めるこ
とができ、これを次回生じる時間軸圧縮／伸長処理の際
に補うことにする。そのためには、データの過不足に相
当する相関シフト量rkを、一旦、位相制御記憶手段３０
２に記憶する必要がある。このシフト量rkは、次回のク
ロスフェード処理を行う際の、加算する先頭データの位
置（ポインタ）を調整することにより、補正できること
になる。

【００８１】このようなシフト量rkの補正を行う様子
を、図７に模式的に示す。以前の圧縮フレームにおい
て、基準形（図７（ａ））のようにシフトが生じなかっ
た場合、ポインタP2の位置のシフトは無く、図のような
位置関係で相関の高い位置を探索するので、今回の基準
形でも、セグメント１と、セグメント２は、シフト無く
クロスフェード処理される。以前の圧縮フレームにおい
て、正方向にシフト（rk＞0 ）した位置で重み付け加算
が行われた場合（図７（ｂ））、以前に余分にデータを
出力しているので、今回のポインタ位置はP2が正方向に
シフトした位置となり、今回の基準形では、セグメント
１内の後ろ部分と、セグメント２内の前部分とが使用さ
れないことになり、よってこの際の基準形は、図７
（ｂ）の如くになる。また、以前の圧縮フレームにおい
て、負方向にシフト（rk＜0 ）した位置で重み付け加算
が行われた場合（図７（ｃ））、以前にデータを不足さ
せているので、今回のポインタ位置は、P2が負方向にシ
フトした位置となり、今回の基準形では、セグメント１
内の後ろ部分は複数回（この場合２回）使用されること
になり、よってこの際の基準形は、図７（ｃ）の如くに
なる。いずれの場合でも、図７に示すような処理を施す
ことによって、今回の伸縮フレームにおける基準形の圧
縮が行われる時には、以前のフレームのデータ量の、目
標とするデータ量に対する誤差は吸収されていることに
なり、よって誤差の累積は無いことになる。上述の例で
は、圧縮フレームに関して説明を行ったが、伸長フレー
ムに関しても同様の考え方で実現できることは言うまで
もない。このように、以前の圧縮／伸長フレームのシフ
ト量を考慮して、ポインタ位置をシフトした位置を基準
として、相関関数で相関の高い位置を求めることにな
る。

【００８２】以上のように求められた相関シフト量rk
は、他のサブバンドにおいても同様に適用してクロスフ
ェード処理が行われ、Q0に対するクロスフェード処理と
同様の処理がQ1〜Q31 に対しても行われる。これによ
り、各サブバンドにて、同一のシフト量rkにてクロスフ
ェード処理が施されたのち、C0〜C31 の出力信号が合成
されることになる。

【００８３】以上のように、本実施の形態２の構成によ
れば、相関演算手段３０１によって位相の整合性の高い
位置で重み付け加算を行うクロスフェード処理を行うこ
とで、データ伸縮手段１０３の出力信号の振幅・位相の
両方が、前後のフレームに対して不連続無く接続される
ため、音質の向上を達成することができる。

【００８４】なお、上記実施の形態２では、最低域のサ
ブバンドの逆量子化出力データQ0に対して相関関数を求
めており、音声に対する基本周波数を元に、位相の整合
性を改善することに主眼をおいているが、MPEG符号化な
どの音声（スピーチ）信号以外の音源の場合には、必ず
しも、最低域のサブバンドについて相関関数を求めるこ
とが良い結果をもたらすとは限らない。そのため、各サ
ブバンドの逆量子化手段の出力データのすべて（第１、
第２の実施形態の例でいうなら、Q0〜Q31 ）に対して相
関の高い位置を求め、その各サブバンドの最大相関値の
中で最も大きいサブバンドの相関値を元に、重み付け加
算するシフト量を決定することにより、周期性の高い帯
域を中心とした位相の整合性を改善させることが可能と
なる。また、各サブバンドの平均エネルギーを求め、そ
の最も平均エネルギーの大きいサブバンドに対して相関
の高い位置を求めることによっても、同様の改善を達成
することができる。

【００８５】さらに、本実施の形態２の説明で述べたよ
うな１つの速度比に対して１つのフレームシーケンスを
用いる１対１対応でなく、例えば図８に示すように、１
つの速度比に対して伸縮フレームの発生位置が異なる複
数のフレームシーケンステーブルを用意しておき（図８
の例は速度比が1.1 の場合）、伸縮フレームにおける相
関値の平均を、各フレームシーケンステーブル毎に予め
求めて、最も相関値の平均が高いシーケンステーブルを
参照して伸縮処理を実施するようにして、伸縮フレーム
を発生させる位置を、より最適な位置のもので行うこと
により、位相の整合性の改善度を高めることが可能とな
る。さらに、先に述べた各帯域における相関値の中で最
大相関値を採用する方法と組み合わせれば、一層よい改
善を発揮することができる。

【００８６】（実施の形態３）以下、本発明の第３の実
施の形態について、図面を参照しながら説明する。図９
は本発明の第３の実施の形態による音声再生装置のブロ
ック図を示すものである。図９において、３００１はフ
レーム復号化手段、３００２はデータ伸縮手段、３００
３は伸縮頻度制御手段、３００４はエネルギー演算手
段、３００５はフレーム選択手段、３００６はデータ伸
縮制御手段である。以下に、その動作について説明す
る。

【００８７】本実施の形態３は、フレーム単位で復号化
処理を行う音声に対して速度変換処理を施す音声再生装
置の一例を示すものである。

【００８８】図９において、最初に、伸縮頻度制御手段
３００３は、与えられた速度比の情報をもとに、速度変
換処理の一連の処理の１周期に相当するフレームサイク
ル数Nfと、そのフレームサイクル数内で伸縮処理を行う
フレーム数Nsとを出力する。そして、エネルギー演算手
段３００４では、伸縮頻度制御手段で決定されたフレー
ムサイクル数分の音声のエネルギーを求める。次に、フ
レーム選択手段３００５は、先に求められたNf個のエネ
ルギーの値を参考に、音声が存在しない無音状態のフレ
ームはエネルギーが小さく、そのフレームを伸縮処理し
ても劣化は検知され難いと仮定し、速度変換処理のため
に伸縮すべきフレームとして、エネルギーの小さいフレ
ームから優先的に所定数Ns個の選択を行う。そして、デ
ータ伸縮制御手段３００６は、当該フレームが伸縮すべ
きフレームとして選択されたフレームかどうかを判断
し、データ伸縮手段３００２が、伸縮処理をすべきかど
うかを制御する。その結果、入力された符号化データ
は、フレーム復号化手段３００１で１フレーム単位で復
号化され、データ伸縮制御手段によって伸縮すべきと判
断されたフレームについて、波形の伸縮を行い、それ以
外のフレームについては、そのまま出力を行う。このよ
うに、あらかじめエネルギー演算手段で求めた音声のエ
ネルギーを用いて、フレーム選択手段で、フレームサイ
クル内で伸縮すべき最適なフレームを求めておくことに
より、速度変換処理音声として、波形の伸縮による処理
劣化が検知され難くするようにする，ことが可能とな
る。

【００８９】なお、本実施の形態３では、各エネルギー
の値を参考に、音声が存在しない無音状態のフレームは
エネルギーが小さいと仮定し、伸縮すべきフレームとし
て、エネルギーの小さいフレームから優先的に所定数の
フレームを選択するようにしているが、各フレームにお
ける平均振幅の値を用いる場合にも、有効であると考え
られる。

【００９０】（実施の形態４）以下、本発明の第４の実
施の形態について、図面を参照しながら説明する。図１
０は本発明の第４の実施の形態による音声再生装置のブ
ロック図を示すものである。図１０において、３００１
はフレーム復号化手段、３００２はデータ伸縮手段、３
００３は伸縮頻度制御手段、４００４は音声らしさ演算
手段、４００５はフレーム選択手段、３００６はデータ
伸縮制御手段である。以下に、その動作について説明す
る。

【００９１】本実施の形態４は、フレーム単位で復号化
処理を行う音声に対して速度変換処理を施す音声再生装
置の一例を示すものである。図１０において、フレーム
復号化手段３００１、データ伸縮手段３００２、伸縮頻
度制御手段３００３、データ伸縮制御手段３００６は、
実施の形態３と同様の動作を行うものである。本実施の
形態4 では、伸縮処理を行うべきフレームの選択を行う
フレーム選択手段の働きを、中心に説明を行う。

【００９２】ここでは音声らしさという尺度をもとに、
選択すべきフレームの判定を行う。ここで、音声らしさ
に関して説明を行う。実環境などにおける，通信や放送
などでの音声信号においては、全くの無音状態あるいは
それに近い状態という状況は、ほとんどありえない。必
ず背景騒音や目的としない音が混入し、目的とする音声
信号に重畳する形で含まれている。つまり、より厳密に
人間の音声を含むフレームを選択するには、エネルギー
の大小だけではなく、含まれるフレームの性質を別の観
点で分析する必要がある。そこで、該当するフレームに
どのくらいの確からしさで音声信号が含まれているかを
推定する尺度として、「音声らしさ」の定義を示す。中
藤らによる，「ファジー推論による音声／雑音判別手法
の検討」（1993年電子情報通信学会春季大会，A-223 ）
による手法で、母音・無声摩擦音の発生頻度をファジー
推論することにより、会話の音声らしさを求めて、これ
と予め求めてある閾値との比較によって、入力信号が、
音声／雑音のいずれであるかの2 者択一の判定を行って
いる。この音声らしさは、特定の時間内に音声が含まれ
る可能性を示す尺度として用いれば、雑音と音声の混入
している音声でも、最も音声が含まれないと予想される
フレームを推定することができる。また、音声らしさの
度合を数値化していることにより、複数フレームの音声
らしさの大小に基づく相対比較判定に利用することがで
きる。

【００９３】人間が自然に発声する音声を速度別に分析
すると、該人間が自然に発生する音声は、言語情報を担
う音声区間以外の発声器官が休止しているポーズ区間長
を伸縮させている度合が大きいことが判っている（参考
文献2 ）参照）。従って、自然な音声速度変換処理を実
施するためには、ポーズ区間であるところの非音声区間
を伸縮する方が好ましい。

【００９４】音声らしさ演算手段４００４では、伸縮頻
度制御手段で決定されたフレームサイクル数分の音声ら
しさを求める。次に、フレーム選択手段４００５は、先
に求められたNf個の音声らしさの値を参考に、音声らし
さが小さいフレームは音声情報が少なく、そのフレーム
を伸縮処理しても劣化は検知され難いと仮定し、速度変
換処理のために伸縮すべきフレームとして、音声らしさ
の小さいフレームから優先的に所定数Ns個の選択を行
う。そして、データ伸縮制御手段３００６は、伸縮すべ
きフレームとして選択されたフレームかどうかを判断
し、データ伸縮手段３００２が伸縮処理をすべきかどう
かを制御する。その結果、入力された符号化データはフ
レーム復号化手段３００１で１フレーム単位で復号化さ
れ、データ伸縮制御手段によって伸縮すべきと判断され
たフレームについて波形の伸縮を行い、それ以外のフレ
ームについては、そのまま出力を行う。このように、あ
らかじめ、音声らしさ演算手段で求めた音声のエネルギ
ーを用いて、フレーム選択手段でフレームサイクル内で
伸縮すべき最適なフレームを求めておくことにより、速
度変換処理音声として、波形の伸縮による処理劣化が検
知され難いものとすることが可能となる。

【００９５】（実施の形態５）以下、本発明の第５の実
施の形態について、図面を参照しながら説明する。図１
１は本発明の第５の実施の形態による音声再生装置のブ
ロック図を示すものである。図１１において、３００１
はフレーム復号化手段、３００２はデータ伸縮手段、３
００３は伸縮頻度制御手段、５００４は定常性演算手
段、５００５はフレーム選択手段、３００６はデータ伸
縮制御手段である。以下に、その動作について説明す
る。

【００９６】本実施の形態５は、フレーム単位で復号化
処理を行う音声に対して速度変換処理を施す音声再生装
置の一例を示すものである。図１１において、フレーム
復号化手段３００１、データ伸縮手段３００２、伸縮頻
度制御手段３００３、データ伸縮制御手段３００６は、
実施の形態３と同様の動作を行うものである。本実施の
形態５では、伸縮処理を行うべきフレームの選択を行う
フレーム選択手段の働きを中心に説明を行う。

【００９７】本実施の形態５では、音声波形の定常性に
着目する。ここでは、フレーム内における正規化自己相
関関数を求め、その値の大きいものほど定常性が高いと
考える。これは、時間伸縮処理は時間軸波形の類似区間
をもとに波形の挿入・間引き操作を行う場合、相関の高
いフレームでは波形の重み付け加算による伸縮処理を行
うため、処理劣化が検知され難い定常性の高いフレーム
を選択して、伸縮処理を行うことにする。逆に、音声の
子音の始端部分などの非定常な過渡的な部分では、重み
付け加算による劣化が顕著となる。

【００９８】定常性演算手段５００４では、伸縮頻度制
御手段３００３で決定されたフレームサイクル数分の定
常性を、予め求める。次に、フレーム選択手段５００５
は、先に求められたNf個の定常性の値を参考に、定常性
が大きいフレームは波形の周期性が高く波形の類似性が
高いため、そのフレームを伸縮処理しても劣化は検知さ
れ難いと仮定し、速度変換処理のために伸縮すべきフレ
ームとして、定常性の大きいフレームから優先的に所定
数Ns個の選択を行う。そして、データ伸縮制御手段３０
０６は、伸縮すべきフレームとして選択されたフレーム
かどうかを判断し、データ伸縮手段３００２が伸縮すべ
きかどうかを制御する。その結果、入力された符号化デ
ータは、フレーム復号化手段３００１で１フレーム単位
で復号化され、データ伸縮制御手段によって伸縮すべき
と判断されたフレームについて、波形の伸縮を行い、そ
れ以外のフレームについては、そのまま出力を行う。こ
のように、あらかじめ定常性演算手段で求めた音声の定
常性を用いて、フレーム選択手段でフレームサイクル内
で伸縮すべき最適なフレームを求めておくことにより、
速度変換処理音声として、波形の伸縮による処理劣化が
検知され難くいものとすることが可能となる。

【００９９】なお、本実施の形態５では、各フレームに
おける定常性を示す値として、正規化自己相関関数を利
用しているが、例えば、周波数スペクトルの変化度合な
どを用いることも有効であると考えられる。

【０１００】（実施の形態６）以下、本発明の第６の実
施の形態について、図面を参照しながら説明する。図１
２は本発明の第６の実施の形態における音声再生装置の
ブロック図を示すものである。図１２において、３００
１はフレーム復号化手段、３００２はデータ伸縮手段、
３００３は伸縮頻度制御手段、６００４はエネルギー変
化度合演算手段、６００５はフレーム選択手段、３００
６はデータ伸縮制御手段である。以下に、その動作につ
いて説明する。

【０１０１】本実施の形態６は、フレーム単位で復号化
処理を行う音声に対して速度変換処理を施す音声再生装
置の一例を示すものである。図１２において、フレーム
復号化手段３００１、データ伸縮手段３００２、伸縮頻
度制御手段３００３、データ伸縮制御手段３００６は、
実施の形態３と同様の動作を行うものである。本実施の
形態３では、伸縮処理を行うべきフレームの選択を行う
フレーム選択手段の働きを中心に説明を行う。

【０１０２】本実施の形態６では、音声波形のエネルギ
ー変化度合に着目する。ここでは、１フレーム内をさら
に複数の小区間に分割した各小区間でのエネルギー値を
求め、各小区間の前値との差分値を求めることにより、
エネルギーの変化度合を求める。そして、このエネルギ
ーの時間的な変化度合を継続的に監視することによっ
て、時間的に継続する区間に対するマスキング効果であ
る，継時マスキング（temporal masking）の影響を考慮
した処理フレームの選択を行う。このマスキングに関し
ては、参考文献１：Moore の本、に詳しく記述されてい
るが、マスカーの前後の双方の区間に対してマスキング
効果を生じ、この性質を利用すれば、時間伸縮処理によ
る劣化を検知され難くできる。すなわち、大きなエネル
ギーのフレームの直後の小さなエネルギーのフレーム
は、マスク(backward masking)され、時間軸伸縮の劣化
が検知され難い。あるいは、小さなエネルギーのフレー
ムに継続して直後に大きなエネルギーのフレームが到来
する場合、前の小さいエネルギーのフレームは、マスク
(forward masking) され、時間伸縮処理の劣化は、検知
されにくい。また、これらのマスキング量は、マスカー
とのレベル差、および時間差によって値が異なってい
る。ただし、高速再生時における時間軸圧縮処理により
新たに発生する継時マスキング効果によって、新たにエ
ネルギーの小さい部分の聴き取りが困難になる，という
ことがないように注意する必要がある。

【０１０３】エネルギー変化度合演算手段６００４で
は、伸縮頻度制御手段で決定されたフレームサイクル数
分のエネルギー変化度合を予め求める。次に、フレーム
選択手段６００５は、先に求められたNf個のエネルギー
変化度合の値を参考に、継時マスキング効果による処理
劣化が検知されにくいフレームから優先的に所定数Ns個
の選択を行う。その際、時間軸圧縮を行うことにより、
エネルギーの小さい区間の聴き取りが困難になる，とい
うことがないように注意しなければならない。すなわ
ち、エネルギーの大きいフレームに挟まれたエネルギー
の小さいフレームは、時間長が短くなることによる、前
方・後方マスキング効果の増大が予想されるため、ほか
のフレームを選択するようにする。そして、データ伸縮
制御手段３００６は、当該フレームが伸縮すべきフレー
ムとして選択されたフレームかどうかを判断し、データ
伸縮手段３００２が伸縮すべきかどうかを制御する。そ
の結果、入力された符号化データは、フレーム復号化手
段３００１で１フレーム単位で復号化され、データ伸縮
制御手段によって伸縮すべきと判断されたフレームにつ
いて、波形の伸縮を行い、それ以外のフレームについて
は、そのまま出力を行う。このように、あらかじめエネ
ルギー変化度合演算手段で求めたエネルギーの変化度合
を用いて、フレーム選択手段でフレームサイクル内で伸
縮すべき最適なフレームを求めておくことにより、速度
変換処理音声として、波形の伸縮による処理劣化が検知
され難くいものとすることが可能となる。

【０１０４】なお、本実施の形態６では、各フレームに
おけるエネルギー変化度合を示す値を指標として継時マ
スキング効果を利用しているが、例えば１フレーム内を
さらに複数の小区間に分割した各小区間ごとの平均振幅
値を求め、各小区間の前値との差分値を求めることによ
り、平均振幅の変化度合を代用して用いることも有効で
あると考えられる。

【０１０５】（実施の形態７）以下、本発明の第７の実
施の形態について、図面を参照しながら説明する。図１
３は本発明の第７の実施の形態による音声再生装置のブ
ロック図を示すものである。図１３において、３００１
はフレーム復号化手段、３００２はデータ伸縮手段、３
００３は伸縮頻度制御手段、４００４は音声らしさ演算
手段、５００４は定常性演算手段、６００４はエネルギ
ー変化度合演算手段、７００５はフレーム選択手段、３
００６はデータ伸縮制御手段である。以下に、その動作
について説明する。

【０１０６】本実施の形態７は、フレーム単位で復号化
処理を行う音声に対して速度変換処理を施す音声再生装
置の一例を示すものである。図１３において、フレーム
復号化手段３００１、データ伸縮手段３００２、伸縮頻
度制御手段３００３、データ伸縮制御手段３００６は、
実施の形態３と同様の動作を行うものである。また、音
声らしさ演算手段４００４は、実施の形態４と、定常性
演算手段５００４は、実施の形態5 と、エネルギー変化
度合演算手段６００４は、実施の形態6 と同様の動作を
行う。本実施の形態７では、伸縮処理を行うべきフレー
ムの選択を行うフレーム選択手段７００５の働きを中心
に説明を行う。

【０１０７】速度変換処理によって処理された音声から
得るべき情報は、音声言語情報であると仮定すると、対
象とする音声が処理により加工されたことによって、聴
取者の了解性が低下することは望ましくない。あるい
は、速度変換処理を適用することによって了解性を高め
ることができる可能性があることは、学会発表等より明
らかにされつつある（参考文献3 ）,4) ）。例えば、音
声聴取の際の時間処理能力が低下している高齢者におい
ては、速度を低下させることによって、了解性が高めら
れることが確認されている。本実施の形態７では、速度
変換処理によって了解性を向上させ、処理による劣化を
最小限に抑える、あるいは、速度変換処理によって自然
性が劣化せず効率的に音声情報を聴取しやすくする、の
２つの処理形態を提供するものである。フレーム選択手
段７００５は、音声らしさ演算手段の出力結果と、定常
性演算手段の出力結果と、エネルギー変換度合演算手段
によって得られるマスキング条件とをもとに、各フレー
ムに対する分析結果を数値化し、これをもとに、自然性
を重視した場合、了解性を重視した場合、の双方に関し
て、選択すべきフレームを決定するものである。

【０１０８】まず、自然性の劣化を少なく、効率的に聴
取する場合の処理を説明する。この場合は、音声らしさ
演算手段によって得られた非音声区間のフレームに対す
る優先度を大きくする。そして、残りの２つの分析結果
を考慮して、最終的なフレーム選択を決定する。

【０１０９】次に、了解性を高め、聴き取りやすい音声
を得る場合の処理を説明する。この場合は、エネルギー
の小さい子音語頭部が継時マスキングされないようにエ
ネルギー変化度合のパラメータの優先度を高くする。そ
して、残りの２つの分析結果を考慮して、最終的なフレ
ーム選択を決定する。

【０１１０】このように、あらかじめエネルギー変化度
合演算手段で求めたエネルギーの変化度合を用いて、(
あるいは、音声らしさ演算手段によって得られた非音声
区間のフレームに対する優先度を大きくして、) フレー
ム選択手段でフレームサイクル内で伸縮すべき最適なフ
レームを求めておくことにより、速度変換処理音声とし
て、自然性・了解性の優先度合いを考慮した波形の伸縮
を行うことができるものである。

【０１１１】なお、本実施の形態７では、請求項9 に対
応するうちの一例として、エネルギー演算手段、音声ら
しさ演算手段、定常性演算手段、エネルギー変化度合演
算手段の4 つの手段のうち、後者の３つを備えたものを
説明したが、エネルギー演算手段を判定条件に加えてど
のフレームに対して時間軸伸縮を加えるべきかを、より
厳密に推定することも可能である。本発明では、これは
4 つの演算手段のうち２つ以上を備えて総合的な推定を
行うことで、再生音の聴取条件などに関して複数の選択
肢を与えるものである。

【０１１２】（実施の形態８）以下、本発明の実施の形
態８について、図面を参照しながら説明する。まず、以
下の実施の形態８〜１１の説明に先立ち、MPEG1 オーデ
ィオレイヤ１/ ２符号化方式について説明する。MPEG1
オーディオレイヤ１/ ２符号化方式は、図２６に示すブ
ロック図で表される。１６ビット直線量子化された入力
信号は、サブバンド分析フィルタで３２帯域のサブバン
ド信号に分割される。フィルタは、５１２タップPFB
（Polyphase Filter Bank ）で実現される。各サブバン
ド信号に対してスケールファクタを計算し、ダイナミッ
クレンジを揃える。スケールファクタの計算は、レイヤ
１では各帯域１２サンプルごと、すなわち全体で３８４
サンプルごとに、レイヤ２ではその３倍の１１５２サン
プルを１ブロックとして３８４サンプルごとに行われ
る。このため、レイヤ２では解像度が増し、符号化品質
が向上する。しかし、このままではレイヤ２のスケール
ファクタの数はレイヤ１の３倍になり、圧縮率の低下を
招く。そこで、レイヤ２では３つのスケールファクタの
組み合わせに応じて１つの新たな値（スケールファクタ
選択情報）を割り当てて表現し、圧縮率低下を防ぐ。

【０１１３】図１４は本発明の実施の形態８における音
声再生装置のブロック図を示すものである。図１４にお
いて、１０１はフレーム逆パッキング手段、１０２は逆
量子化手段、１０３はデータ伸縮手段、１０４はサブバ
ンド合成フィルタ手段、１０６はフレームカウント手
段、12-1-1はエネルギー演算手段、12-1-2は伸縮頻度制
御手段、12-1-3はフレーム選択手段、１０７はデータ伸
縮制御手段である。

【０１１４】図１５は、本発明の実施の形態８におけ
る、エネルギー演算手段12-1-1がフレームのエネルギー
を推定する過程を示すフローチャートである。以下に、
その動作について説明する。

【０１１５】本実施の形態８は、ＭＰＥＧ１オーディオ
レイヤ２のビットストリームをデコードする際の中間デ
ータに対して速度変換処理を施す音声再生装置の例を示
すものである。ＭＰＥＧ１オーディオレイヤ２のビット
ストリームは、ヘッダ、ビット割当情報、スケールファ
クタインデックス、スケールファクタ選択情報、サンプ
ルデータ情報などから成り立っている。

【０１１６】図１４において、入力されたＭＰＥＧ１オ
ーディオレイヤ２のビットストリームは、フレーム逆パ
ッキング手段１０１によって、当該ビットストリームか
らヘッダ、ビット割当情報、スケールファクタインデッ
クス、スケールファクタ選択情報、サンプルデータ情報
などの個々の情報に分離される。

【０１１７】ここで、スケールファクタインデックス
は、再生時の波形倍率を示し、各チャンネル、各有効サ
ブバンド、各ブロックごとに存在する。スケールファク
タインデックスは０から６２までの値を取り、０が最も
エネルギーが大きく、６２が最もエネルギーが小さい。
ただしビット割当情報が０の場合はスケールファクタイ
ンデックスは存在しない。また、ビット割当情報は、エ
ンコード時に割当てるべきビット数に関連した値で、各
チャンネル、各有効サブバンドごとに存在する。

【０１１８】既に、述べたことでもあるが、ＭＰＥＧ１
オーディオレイヤ２におけるチャンネルは、右チャンネ
ルと左チャンネルの２チャンネル存在しうる。また、Ｍ
ＰＥＧ１オーディオレイヤ２におけるサブバンドは、全
帯域を３２等分割したものであり、周波数の低い順に、
第０サブバンド、第１サブバンド、第２サブバンドから
第３１サブバンドまで存在する。

【０１１９】ここで、サブバンドについては、サンプリ
ング周波数が３２ｋＨｚの場合、０〜１６０００Ｈｚの
帯域を３２等分割するため、一つのサブバンドは５００
Ｈｚの幅を持つ。ただし、３２個のサブバンドのうち有
効なサブバンド数が制限される。例えば１９２ｋｂｐｓ
ステレオの場合、０〜３１の３２個のサブバンドのう
ち、０〜２９までの３０個のサブバンドを有効サブバン
ドとするため、第３０、第３１サブバンドのビット割当
情報や、スケールファクタインデックスは存在しない。
この時、周波数帯域は０〜１５０００Ｈｚとなる（１６
０００÷３２×３０＝１５０００より）。

【０１２０】また、ＭＰＥＧ１オーディオレイヤ２にお
けるブロックとは、フレームを時間領域で３等分割した
領域であり、時間順に第０ブロック、第１ブロック、第
２ブロックまで存在する。サンプリング周波数が３２ｋ
Ｈｚの場合、１ブロック長＝１２ｍｓである。１フレー
ム長は、サンプリング周波数が３２ｋＨｚの場合３６ｍ
ｓである。

【０１２１】エネルギー演算手段12-1-1は、第０ブロッ
クの第０サブバンドの左チャンネルのスケールファクタ
インデックスｓｃｆ＿Ｌ０と、第０ブロックの第０サブ
バンドの右チャンネルのスケールファクタインデックス
ｓｃｆ＿Ｒ０とを用いて、フレームサイクル内の各フレ
ームナンバｆｒｍに対するエネルギー推定値ｅ［ｆｒ
ｍ］を求める。より詳しくは、スケールファクタインデ
ックスの小さいフレームほどエネルギーは大きいもの
で、上記ｓｃｆ＿Ｌ０とｓｃｆ＿Ｒ０のうちどちらか小
さい方の値を用いて、上記エネルギー推定値ｅ［ｆｒ
ｍ］を求める。

【０１２２】ｓｃｆ＿Ｌ０とｓｃｆ＿Ｒ０の一方が存在
しない時は、エネルギー演算手段12-1-1は、存在するも
う一方の値を用いて、エネルギー推定値ｅ［ｆｒｍ］を
求める。ｓｃｆ＿Ｌ０とｓｃｆ＿Ｒ０の両方が存在しな
い時は、エネルギー演算手段12-1-1は、速度変換フレー
ム選択候補の優先順位を最低にすることを意味する所定
値を、エネルギー推定値ｅ［ｆｒｍ］に代入する。

【０１２３】伸縮頻度制御手段12-1-2は、与えられた速
度比に応じて、フレームサイクル数と、そのフレームサ
イクル数内で伸縮処理を行うフレーム数とを設定する。
例えば０．９倍速の時、９フレームのうち２フレームを
速度変換を施すフレームとして選択する。つまりフレー
ムサイクル数は９であり、フレームナンバｆｒｍは０か
ら８を変動する。フレーム選択手段12-1-3は、エネルギ
ー演算手段12-1-1が出力するフレームサイクル中の全フ
レームに対するエネルギー推定値ｅ［ｆｒｍ］の小さい
フレームから順に、伸縮処理を行うフレームを選択す
る。ｅ［ｆｒｍ］の小さいフレームを優先的に選択すれ
ば、エネルギーの小さい音の部分が速度変換処理される
ことになる。

【０１２４】なお、第０ブロックの第０サブバンドの左
チャンネルのスケールファクタインデックスｓｃｆ＿Ｌ
０と、第１ブロックの第０サブバンドの左チャンネルの
スケールファクタインデックスｓｃｆ＿Ｌ１と、第２ブ
ロックの第０サブバンドの左チャンネルのスケールファ
クタインデックスｓｃｆ＿Ｌ２と、第０ブロックの第０
サブバンドの右チャンネルのスケールファクタインデッ
クスｓｃｆ＿Ｒ０と、第１ブロックの第０サブバンドの
右チャンネルのスケールファクタインデックスｓｃｆ＿
Ｒ１と、第２ブロックの第０サブバンドの右チャンネル
のスケールファクタインデックスｓｃｆ＿Ｒ２とのうち
の最小値を用いて、エネルギー推定値ｅ［ｆｒｍ］を求
めるようにしてもよい。

【０１２５】以上のように、本実施の形態８によれば、
エネルギー演算手段12-1-1は、再生時の波形倍率を示す
スケールファクタインデックスの値をもとに、音声信号
のエネルギーを推定するようにし、その結果に応じて速
度変換を施すフレームを選択するようにしたので、ＭＰ
ＥＧデコード後のＰＣＭデータのエネルギー演算が不要
となり、ＭＰＥＧ１オーディオレイヤ２のビットストリ
ームをデコードする際の中間データに対して、速度変換
フレーム選択、及び速度変換処理を施すことが可能とな
るため、少ない演算量で速度変換処理を実現することが
できるものである。

【０１２６】（実施の形態９）以下、本発明の実施の形
態９について、図面を参照しながら説明する。図１６
は、本発明の実施の形態９における音声再生装置のブロ
ック図を示すものである。図１６において、１０１はフ
レーム逆パッキング手段、１０２は逆量子化手段、１０
３はデータ伸縮手段、１０４はサブバンド合成フィルタ
手段、１０６はフレームカウント手段、13-1-1は定常性
演算手段、12-1-2は伸縮頻度制御手段、13-1-3はフレー
ム選択手段、１０７はデータ伸縮制御手段である。表４
は、本発明の実施の形態９において定常性演算手段13-1
-1が出力する、定常性検出による速度変換フレーム選択
優先順位である。以下に、その動作について説明する。

【０１２７】

【表４】

【０１２８】本実施の形態９は、ＭＰＥＧ１オーディオ
レイヤ２のビットストリームをデコードする際の中間デ
ータに対して速度変換処理を施す音声再生装置の例を示
すものである。ＭＰＥＧ１オーディオレイヤ２のビット
ストリームは、ヘッダ、ビット割当情報、スケールファ
クタインデックス、スケールファクタ選択情報、サンプ
ルデータ情報などから成り立っている。

【０１２９】図１６において、入力されたＭＰＥＧ１オ
ーディオレイヤ２のビットストリームは、フレーム逆パ
ッキング手段１０１によって、当該ビットストリームか
らヘッダ、ビット割当情報、スケールファクタインデッ
クス、スケールファクタ選択情報、サンプルデータ情報
などの個々の情報に分離される。スケールファクタ選択
情報は、波形定常性を示すものであり、各チャンネル、
各有効サブバンドごとに存在している。スケールファク
タ選択情報は、０、１、２、３の値を取りうる。スケー
ルファクタ選択情報が０のとき最も定常性が低く、２の
とき最も定常性が高いものと見なす。スケールファクタ
選択情報が１および３のとき定常性は同等であると見な
す。

【０１３０】定常性演算手段13-1-1は、第０サブバンド
の左チャンネルのスケールファクタ選択情報ｓｃｆｓｉ
＿Ｌ０と、第０サブバンドの右チャンネルのスケールフ
ァクタ選択情報ｓｃｆｓｉ＿Ｒ０とを用いて、フレーム
サイクル内の各フレームナンバｆｒｍに対する速度変換
フレーム選択優先順位ｏｒｄ［ｆｒｍ］を求める。定常
性演算手段13-1-1は、フレームサイクル内の全フレーム
のｏｒｄ［ｆｒｍ］を、表４に示す規則に従って求め
る。ｓｃｆｓｉ＿Ｌ０とｓｃｆｓｉ＿Ｒ０のどちらか一
つまたは両方が存在しないときは、定常性演算手段13-1
-1は、速度変換フレーム選択候補の優先順位を最低にす
ることを意味する所定値を、速度変換フレーム選択優先
順位ｏｒｄ［ｆｒｍ］に代入する。

【０１３１】伸縮頻度制御手段12-1-2は、与えられた速
度比に応じて、フレームサイクル数とそのフレームサイ
クル数内で伸縮処理を行うフレーム数とを設定する。フ
レーム選択手段13-1-3は、定常性演算手段13-1-1が出力
するフレームサイクル中の全フレームに対する速度変換
フレーム選択優先順位ｏｒｄ［ｆｒｍ］の高いフレーム
から順に、伸縮処理を行うフレームを選択する。

【０１３２】以上のように、本実施の形態９によれば、
定常性演算手段13-1-1は、波形定常性を示すスケールフ
ァクタ選択情報の値をもとに、音声信号の定常性を推定
することにより、ＭＰＥＧデコード後のＰＣＭデータの
定常性演算が不要となり、ＭＰＥＧ１オーディオレイヤ
２のビットストリームをデコードする際の中間データに
対して速度変換フレーム選択、及び速度変換処理を施す
ことが可能となるため、少ない演算量で速度変換処理実
現することができるものである。

【０１３３】このような、本実施の形態９では、速度変
換による音質劣化の少ない定常性の高いフレームを選択
して速度変換するというところに特徴があり、このよう
に、話速変換ができるので、語学学習に適しているもの
であり、また、定常性演算処理が不要となるため、演算
量を削減できる、という特徴をも有するものである。

【０１３４】（実施の形態１０）以下、本発明の実施の
形態１０について、図面を参照しながら説明する。図１
７は、本発明の実施の形態１０における音声再生装置の
ブロック図を示すものである。図１７において、１０１
はフレーム逆パッキング手段、１０２は逆量子化手段、
１０３はデータ伸縮手段、１０４はサブバンド合成フィ
ルタ手段、１０６はフレームカウント手段、14-1-1はエ
ネルギー変化度合演算手段、12-1-2は伸縮頻度制御手
段、14-1-3はフレーム選択手段、１０７はデータ伸縮制
御手段である。以下に、その動作について説明する。

【０１３５】本実施の形態１０は、ＭＰＥＧ１オーディ
オレイヤ２のビットストリームをデコードする際の中間
データに対して速度変換処理を施す音声再生装置の例を
示すものである。ＭＰＥＧ１オーディオレイヤ２のビッ
トストリームは、ヘッダ、ビット割当情報、スケールフ
ァクタインデックス、スケールファクタ選択情報、サン
プルデータ情報などから成り立っている。

【０１３６】図１７において、入力されたＭＰＥＧ１オ
ーディオレイヤ２のビットストリームは、フレーム逆パ
ッキング手段１０１によって、当該ビットストリームか
らヘッダ、ビット割当情報、スケールファクタインデッ
クス、スケールファクタ選択情報、サンプルデータ情報
などの個々の情報に分離される。

【０１３７】エネルギー変化度合演算手段14-1-1は、第
０ブロックの第０サブバンドの左チャンネルのスケール
ファクタインデックスｓｃｆ＿Ｌ０と、第１ブロックの
第０サブバンドの左チャンネルのスケールファクタイン
デックスｓｃｆ＿Ｌ１と、第２ブロックの第０サブバン
ドの左チャンネルのスケールファクタインデックスｓｃ
ｆ＿Ｌ２と、第０ブロックの第０サブバンドの右チャン
ネルのスケールファクタインデックスｓｃｆ＿Ｒ０と、
第１ブロックの第０サブバンドの右チャンネルのスケー
ルファクタインデックスｓｃｆ＿Ｒ１と、第２ブロック
の第０サブバンドの右チャンネルのスケールファクタイ
ンデックスｓｃｆ＿Ｒ２とを用いて、フレームサイクル
内と、フレームサイクルの前後１フレーム、の各フレー
ムナンバｆｒｍに対する各チャンネルの各ブロックのエ
ネルギー推定値ｅ［ｃｈ］［ｂｌｋ］［ｆｒｍ］を求め
る。フレームサイクル内とフレームサイクルの前後１フ
レームとは、例えばフレームサイクル数が９の場合、９
フレームの前後１フレームということで、１１フレーム
となる。

【０１３８】即ち、各ブロックの第０サブバンドの各チ
ャンネルのスケールファクタインデックスに対応する、
各フレームナンバの各チャンネルの各ブロックのエネル
ギー推定値ｅ［ｃｈ］［ｂｌｋ］［ｆｒｍ］を、フレー
ムサイクル内とフレームサイクルの前後１フレームにつ
いて求める。スケールファクタインデックスの小さいブ
ロックほどエネルギーは大きい。

【０１３９】また、スケールファクタインデックスが存
在しないとき、エネルギーは０である。即ち、ｓｃｆ＿
Ｌ０が存在しないフレームの場合、ｅ［０］［０］［ｆ
ｒｍ］＝０とする。ｓｃｆ＿Ｌ１が存在しないフレーム
の場合、ｅ［０］［１］［ｆｒｍ］＝０とする。ｓｃｆ
＿Ｌ２が存在しないフレームの場合、ｅ［０］［２］
［ｆｒｍ］＝０とする。ｓｃｆ＿Ｒ０が存在しないフレ
ームの場合、ｅ［１］［０］［ｆｒｍ］＝０とする。ｓ
ｃｆ＿Ｒ１が存在しないフレームの場合、ｅ［１］
［１］［ｆｒｍ］＝０とする。ｓｃｆ＿Ｒ２が存在しな
いフレームの場合、ｅ［１］［２］［ｆｒｍ］＝０とす
る。

【０１４０】次に、フレームサイクル内の各フレームナ
ンバｆｒｍに対するエネルギー推定値ｅ［ｃｈ］［ｂｌ
ｋ］［ｆｒｍ］のブロック内の最大値ｅｍａｘ［ｃｈ］
［ｆｒｍ］を、全フレームサイクルについて求める。フ
レームサイクルの前後１フレームのｅｍａｘ［ｃｈ］
［ｆｒｍ］は、求めなくてよい。

【０１４１】次に、フレームサイクル内の各フレームナ
ンバｆｒｍに対して、エネルギー推定値ｅ［０］［２］
［ｆｒｍ−１］ーｅｍａｘ［０］［ｆｒｍ］と、エネル
ギー推定値ｅ［１］［２］［ｆｒｍ−１］ーｅｍａｘ
［１］［ｆｒｍ］と、エネルギー推定値ｅ［０］［０］
［ｆｒｍ＋１］ーｅｍａｘ［０］［ｆｒｍ］と、エネル
ギー推定値ｅ［１］［０］［ｆｒｍ＋１］ーｅｍａｘ
［１］［ｆｒｍ］の４個の値を求め、４個の値のうちの
最大値を、速度変換フレーム選択優先度ｐ［ｆｒｍ］に
代入する。

【０１４２】伸縮頻度制御手段12-1-2は、与えられた速
度比に応じて、フレームサイクル数と、そのフレームサ
イクル数内で伸縮処理を行うフレーム数とを設定する。
フレーム選択手段14-1-3は、エネルギー変化度合演算手
段14-1-1が出力するフレームサイクル中の全フレームに
対する速度変換フレーム選択優先度ｐ［ｆｒｍ］の大き
いフレームから順に、伸縮処理を行うフレームを選択す
る。速度変換フレーム選択優先度ｐ［ｆｒｍ］の大きい
フレームほど、非同時マスキングでマスキングされやす
いので、速度変換による音質劣化が知覚されにくいこと
が特徴となる。非同時マスキングについては、Ｂ．Ｃ．
Ｊ．ムーア著、誠信書房発行、聴覚心理学概論に詳しく
記述されている。

【０１４３】以上のように、本実施の形態１０によれ
ば、エネルギー変化度合演算手段14-1-1は、再生時の波
形倍率を示すスケールファクタインデックスの値をもと
に、音声信号のエネルギー変化度合を推定し、速度変換
フレーム選択優先度ｐ［ｆｒｍ］の大きいフレームを優
先的に速度変換するようにしたので、ＭＰＥＧデコード
後のＰＣＭデータのエネルギー変化度合演算が不要とな
り、ＭＰＥＧ１オーディオレイヤ２のビットストリーム
をデコードする際の中間データに対して速度変換フレー
ム選択、及び速度変換処理を施すことが可能となるた
め、少ない演算量で実現できることが特徴である。ま
た、この方法は、話速変換ができるので、語学学習に適
した音声処理を行うことができる。

【０１４４】（実施の形態１１）以下、本発明の実施の
形態１１について、図面を参照しながら説明する。図１
８は、本発明の実施の形態１１における音声再生装置の
ブロック図を示すものである。図１８において、１０１
はフレーム逆パッキング手段、１０２は逆量子化手段、
１０３はデータ伸縮手段、１０４はサブバンド合成フィ
ルタ手段、１０６はフレームカウント手段、12-1-1はエ
ネルギー演算手段、13-1-1は定常性演算手段、14-1-1は
エネルギー変化度合演算手段、12-1-2は伸縮頻度制御手
段、15-1-3はフレーム選択手段、１０７はデータ伸縮制
御手段である。以下に、その動作について説明する。

【０１４５】本実施の形態１１は、ＭＰＥＧ１オーディ
オレイヤ２のビットストリームをデコードする際の中間
データに対して速度変換処理を施す音声再生装置の例を
示すものである。ＭＰＥＧ１オーディオレイヤ２のビッ
トストリームは、ヘッダ、ビット割当情報、スケールフ
ァクタインデックス、スケールファクタ選択情報、サン
プルデータ情報などから成り立っている。

【０１４６】図１８において、入力されたＭＰＥＧ１オ
ーディオレイヤ２のビットストリームは、フレーム逆パ
ッキング手段１０１によって、当該ビットストリームか
らヘッダ、ビット割当情報、スケールファクタインデッ
クス、スケールファクタ選択情報、サンプルデータ情報
などの個々の情報に分離される。

【０１４７】エネルギー演算手段12-1-1は、本発明の実
施の形態８に記述した方法で、フレームサイクル内の各
フレームナンバｆｒｍに対するエネルギー推定値ｅ［ｆ
ｒｍ］を求める。

【０１４８】定常性演算手段13-1-1は、本発明の実施の
形態９に記述した方法で、フレームサイクル内の各フレ
ームナンバｆｒｍに対する速度変換フレーム選択優先順
位ｏｒｄ［ｆｒｍ］を求める。

【０１４９】エネルギー変化度合演算手段14-1-1は、本
発明の実施の形態１０に記述した方法で、フレームサイ
クル内の各フレームナンバｆｒｍに対する速度変換フレ
ーム選択優先度ｐ［ｆｒｍ］を求める。

【０１５０】伸縮頻度制御手段12-1-2は、与えられた速
度比に応じて、フレームサイクル数と、そのフレームサ
イクル数内で伸縮処理を行うフレーム数とを設定する。
自然性の劣化を少なく、効率的に聴取したい場合、フレ
ーム選択手段15-1-3は、エネルギー演算手段12-1-1が出
力するフレームサイクル中の全フレームに対するエネル
ギー推定値ｅ［ｆｒｍ］の小さいフレームから順に、伸
縮処理を行うフレームを選択する。了解性を高め、聴き
取りやすい音声を得たい場合、フレーム選択手段15-1-3
は、定常性演算手段13-1-1が出力するフレームサイクル
中の全フレームに対する速度変換フレーム選択優先順位
ｏｒｄ［ｆｒｍ］の高いフレームから順に、伸縮処理を
行うフレームを選択する。このときフレームサイクル内
の速度変換フレーム選択優先順位ｏｒｄ［ｆｒｍ］の値
が同一で優先順位がつけられない場合は、エネルギー変
化度合演算手段14-1-1が出力する速度変換フレーム選択
優先度ｐ［ｆｒｍ］を用いて、そのｐ［ｆｒｍ］の大き
いフレームを優先的に選択するようにして速度変換フレ
ーム選択優先順位ｏｒｄ［ｆｒｍ］の値が同一なフレー
ムに対して細分化した優先順位をつける。

【０１５１】以上のように、本実施の形態１１によれ
ば、エネルギー演算手段12-1-1と、定常性演算手段13-1
-1と、エネルギー変化度合演算手段14-1-1は、再生時の
波形倍率を示すスケールファクタインデックスと、スケ
ールファクタ選択情報の値をもとに、音声信号のエネル
ギーと、定常性と、エネルギー変化度合を推定し、自然
性重視の場合、ｅ［ｆｒｍ］の小さいフレームを選択
し、了解性重視の場合、ｏｒｄ［ｆｒｍ］の小さいフレ
ームを選択し、ｏｒｄ［ｆｒｍ］が同一の値の場合、ｐ
［ｆｒｍ］の大きいフレームを優先的に選択するように
したので、ＭＰＥＧデコード後のＰＣＭデータのエネル
ギーと、定常性と、エネルギー変化度合の演算が不要と
なり、ＭＰＥＧ１オーディオレイヤ２のビットストリー
ムをデコードする際の中間データに対して速度変換フレ
ーム選択、及び速度変換処理を施すことが可能となるた
め、少ない演算量で所望の話速変換処理を行うことがで
きる効果が得られる。

【０１５２】なお、本発明の実施の形態４に記載されて
いる音声らしさ演算手段４００４が本実施の形態１１に
記載されていないのは、ＭＰＥＧ１オーディオレイヤ２
のビットストリームに音声らしさを示す情報が含まれて
いないためである。

【０１５３】［参考文献］ 1) 鈴木，三崎，“高品質速度変換方式のDSP による実
現" ，信学技報，SP90-34(1990) 2) 比企他，“連続音声中の音韻区分の持続時間の性
質" ，信学誌，第50巻5号，pp.849-856(1967) 3) 中山，三 ，“日本人学習者に対する英語の語頭強
調処理による受聴明瞭度の改善" ，音講論集，1-8-21
（1998.3） 4) 細井，目方他，“補聴効果評価のための67-S早口語
音聴力検査" ，Audiology Japan,vol.36.No.5, pp.299
-300(1993) 5) B.C.J.Moore 著（大串健吾監訳），“聴覚心理学概
論" 誠信書房 (非同期マスキングに関しても参照)

【０１５４】

【発明の効果】請求項１にかかる音声再生装置によれ
ば、音声復号化手段、選択手段、フレームシーケンステ
ーブル、フレームカウント手段、データ伸縮制御手段、
データ伸縮手段を備える音声再生装置であって、音声復
号化手段は、入力される音声信号をフレーム単位で復号
し、選択手段は、与えられる速度比に対応したフレーム
シーケンスをフレームシーケンステーブルへ出力すると
共に、該フレームシーケンスのフレームサイクル数をフ
レームカウント手段へ出力し、フレームシーケンステー
ブルは、選択手段からのフレームシーケンスを記憶し、
フレームカウント手段は、フレームサイクル数に基づい
て音声復号化手段で処理する符号化音声信号のフレーム
数をカウントし、データ伸縮制御手段は、フレームカウ
ント手段のカウント値に対応したフレームシーケンステ
ーブルのフレームシーケンスを参照して、音声復号化手
段から出力されるフレームを時間軸圧縮もしくは時間軸
伸長、または時間軸変換なしのどちらで処理するかをデ
ータ伸縮手段に指定し、データ伸縮手段は、データ伸縮
制御手段の指定に基づいて音声復号化手段から出力され
るフレームに対して時間軸変換処理を行うことを特徴と
するものとしたので、フレーム内データで完結する一定
速度比の時間軸圧縮処理または時間軸伸長処理を基本と
した簡素な構成によって、所望の速度比（再生速度）に
て高品質な速度変換処理を実現する音声再生装置を提供
することができる効果がある。

【０１５５】また、請求項２にかかる音声再生装置によ
れば、請求項１に記載の音声再生装置において、音声復
号化手段は、ＭＰＥＧ１オーディオレイヤ２符号化方式
にて符号化された音声信号を復号することを特徴とする
ものとしたので、ＭＰＥＧ１オーディオレイヤ２符号化
方式にて符号化されたデータに対して、処理劣化の少な
い速度変換処理を行うことができる音声再生装置を提供
できる効果がある。

【０１５６】また、請求項３にかかる音声再生装置によ
れば、請求項１に記載の音声再生装置において、フレー
ムシーケンスは、連続する時間軸圧縮フレームのフレー
ム数と、連続する時間軸処理無しフレームのフレーム数
がいずれも最小となるよう配置されたことを特徴とする
ものとしたので、フレーム内データで完結する一定速度
比の時間軸圧縮または時間軸伸長処理を基本とした簡素
な構成によって、所望の速度比（再生速度）にて高品質
な速度変換処理を実現する音声再生装置を提供すること
ができる効果がある。

【０１５７】また、請求項４にかかる音声再生装置によ
れば、請求項１に記載の音声再生装置において、フレー
ムシーケンスは、連続する時間軸伸長フレームのフレー
ム数と、連続する時間軸処理無しフレームのフレーム数
がいずれも最小となるよう配置されたことを特徴とする
ものとしたので、フレーム内データで完結する一定速度
比の時間軸圧縮または時間軸伸長処理を基本とした簡素
な構成によって、所望の速度比（再生速度）にて高品質
な速度変換処理を実現する音声再生装置を提供すること
ができる効果がある。

【０１５８】また、請求項５にかかる音声再生装置によ
れば、音声復号化手段、伸縮頻度制御手段、フレームカ
ウント手段、エネルギー演算手段、フレーム選択手段、
データ伸縮制御手段、データ伸縮手段を備える音声再生
装置であって、音声復号化手段は、ＭＰＥＧ１オーディ
オレイヤ２符号化方式にて符号化された符号化音声信号
を復号し、伸縮頻度制御手段は、与えられる速度比に応
じた、フレームサイクル数Ｎｆ、時間軸圧縮または時間
軸伸長するフレーム数Ｎｓを設定し、フレームカウント
手段は、フレームサイクル数Ｎｆに基づいて音声復号化
手段で処理する符号化音声信号のフレーム数をカウント
し、エネルギー演算手段は、符号化音声信号のスケール
ファクタインデックスをもとにフレームサイクル数Ｎｆ
分の符号化音声信号のエネルギーを推定し、フレーム選
択手段は、フレームサイクル数Ｎｆのフレーム内でエネ
ルギーの小さいフレームからＮｓ個のフレームを時間軸
圧縮または時間軸伸長するフレームとして決定し、デー
タ伸縮制御手段は、フレームカウント手段のカウント値
とフレーム選択手段の決定に基づき、音声復号化手段か
ら出力されるフレームを時間軸圧縮もしくは時間軸伸
長、または時間軸変換なしのどちらで処理するかをデー
タ伸縮手段に指定し、データ伸縮手段は、データ伸縮制
御手段の指定に基づいて音声復号化手段から出力される
フレームに対して時間軸変換処理を行うことを特徴とす
るものとしたので、エネルギーの小さいフレームでの時
間軸伸縮は処理劣化が検知され難いことを利用し、ＭＰ
ＥＧ１オーディオレイヤ２符号化方式にて符号化された
データに対し、エネルギーの小さいフレームを優先的に
選択することができ、高品質な速度変換処理音声を得る
ことができる音声再生装置を提供することができる効果
がある。

【０１５９】また、請求項６にかかる音声再生装置によ
れば、音声復号化手段、伸縮頻度制御手段、フレームカ
ウント手段、定常性演算手段、フレーム選択手段、デー
タ伸縮制御手段、データ伸縮手段を備える音声再生装置
であって、音声復号化手段は、ＭＰＥＧ１オーディオレ
イヤ２符号化方式にて符号化された音声信号を復号し、
伸縮頻度制御手段は、与えられる速度比に応じた、フレ
ームサイクル数Ｎｆ、時間軸圧縮または時間軸伸長する
フレーム数Ｎｓを設定し、フレームカウント手段は、フ
レームサイクル数Ｎｆに基づいて音声復号化手段で処理
する符号化音声信号のフレーム数をカウントし、定常性
演算手段は、符号化音声信号のスケールファクタ選択情
報をもとにフレームサイクル数Ｎｆ分の符号化音声信号
の定常性を推定し、フレーム選択手段は、フレームサイ
クル数Ｎｆのフレーム内での定常性の高いフレームから
Ｎｓ個のフレームを時間軸圧縮または時間軸伸長するフ
レームとして決定し、データ伸縮制御手段は、フレーム
カウント手段のカウント値とフレーム選択手段の決定に
基づき、音声復号化手段から出力されるフレームを時間
軸圧縮もしくは時間軸伸長、または時間軸変換なしのど
ちらで処理するかをデータ伸縮手段に指定し、データ伸
縮手段は、データ伸縮制御手段の指定に基づいて音声復
号化手段から出力されるフレームに対して時間軸変換処
理を行うことを特徴とする音声再生装置としたので、定
常性の高いフレームでは重み付け加算法による劣化が検
知され難いことを利用し、ＭＰＥＧ１オーディオレイヤ
２符号化方式にて符号化されたデータに対し、定常性の
高いフレームを優先的に選択することができ、高品質な
速度変換処理音声を得ることができる音声再生装置を提
供することができる効果がある。

【０１６０】また、請求項７にかかる音声再生装置によ
れば、音声復号化手段、伸縮頻度制御手段、フレームカ
ウント手段、エネルギー変化度合演算手段、フレーム選
択手段、データ伸縮制御手段、データ伸縮手段を備える
音声再生装置であって、音声復号化手段は、ＭＰＥＧ１
オーディオレイヤ２符号化方式にて符号化された音声信
号を復号し、伸縮頻度制御手段は、与えられる速度比に
応じた、フレームサイクル数Ｎｆ、時間軸圧縮または時
間軸伸長するフレーム数Ｎｓを設定し、フレームカウン
ト手段は、フレームサイクル数Ｎｆに基づいて音声復号
化手段で処理する符号化音声信号のフレーム数をカウン
トし、エネルギー変化度合演算手段は、符号化音声信号
のスケールファクタインデックスをもとにフレームサイ
クル数Ｎｆ分の符号化音声信号のエネルギー変化度合を
推定し、フレーム選択手段は、フレームサイクル数Ｎｆ
のフレーム内でエネルギー変化度合に基づき継時マスキ
ング効果による処理劣化が少ないフレームからＮｓ個の
フレームを時間軸圧縮または時間軸伸長するフレームと
して決定し、データ伸縮制御手段は、フレームカウント
手段のカウント値とフレーム選択手段の決定に基づき、
音声復号化手段から出力されるフレームを時間軸圧縮も
しくは時間軸伸長、または時間軸変換なしのどちらで処
理するかをデータ伸縮手段に指定し、データ伸縮手段
は、データ伸縮制御手段の指定に基づいて音声復号化手
段から出力されるフレームに対して時間軸変換処理を行
うことを特徴とするものとしたので、ＭＰＥＧ１オーデ
ィオレイヤ２符号化方式にて符号化されたデータに対
し、エネルギー変化度合に基づき処理劣化が継時マスキ
ング効果によって検知しにくいフレームを選択すること
となり、定常性の高いフレームを優先的に選択すること
ができ、高品質な速度変換処理音声を得ることができる
音声再生装置を提供することができる効果がある。

【０１６１】また、請求項８にかかる音声再生装置によ
れば、音声復号化手段、伸縮頻度制御手段、フレームカ
ウント手段、演算手段、フレーム選択手段、データ伸縮
制御手段、データ伸縮手段を備える音声再生装置であっ
て、音声復号化手段は、ＭＰＥＧ１オーディオレイヤ２
符号化方式にて符号化された符号化音声信号を復号し、
伸縮頻度制御手段は、与えられる速度比に応じた、フレ
ームサイクル数Ｎｆ、時間軸圧縮または時間軸伸長する
フレーム数Ｎｓを設定し、フレームカウント手段は、フ
レームサイクル数Ｎｆに基づいて音声復号化手段で処理
する符号化音声信号のフレーム数をカウントし、演算手
段は、エネルギー演算手段、定常性演算手段、エネルギ
ー変化度合演算手段のいずれか２つ以上を備え、エネル
ギー演算手段は、符号化音声信号のスケールファクタイ
ンデックスをもとにフレームサイクル数Ｎｆ分の符号化
音声信号のエネルギーを推定し、定常性演算手段は、符
号化音声信号のスケールファクタ選択情報をもとにフレ
ームサイクル数Ｎｆ分の符号化音声信号の定常性を推定
し、エネルギー変化度合演算手段は、符号化音声信号の
スケールファクタインデックスをもとにフレームサイク
ル数Ｎｆ分の符号化音声信号のエネルギー変化度合を推
定し、フレーム選択手段は、演算手段の出力をもとにＮ
ｓ個のフレームを時間軸圧縮または時間軸伸長するフレ
ームとして決定し、データ伸縮制御手段は、フレームカ
ウント手段のカウント値とフレーム選択手段の決定に基
づき、音声復号化手段から出力されるフレームを時間軸
圧縮もしくは時間軸伸長、または時間軸変換なしのどち
らで処理するかをデータ伸縮手段に指定し、データ伸縮
手段は、データ伸縮制御手段の指定に基づいて音声復号
化手段から出力されるフレームに対して時間軸変換処理
を行うことを特徴とするものとしたので、ＭＰＥＧ１オ
ーディオレイヤ２符号化方式にて符号化された符号化音
声信号に対し、上記複数の演算手段の出力を総合的に判
断して選択すべきフレームを決定でき、目的に応じてそ
れぞれ高品質な速度変換処理音声を得ることができる音
声再生装置を提供することができる効果がある。

【０１６２】また、請求項９にかかる音声再生装置によ
れば、請求項１〜８のいずれかに記載の音声再生装置に
おいて、データ伸縮手段は、クロスフェード手段を備
え、クロスフェード手段は、時間軸圧縮または時間軸伸
長の際、音声復号化手段から出力されるフレームを構成
するセグメントを重み付け加算することを特徴とするも
のとしたので、フレーム内データで完結する一定速度比
の時間軸圧縮または時間軸伸長処理を基本とした簡素な
構成によって、所望の速度比（再生速度）にて高品質な
速度変換処理を行なうことができる音声再生装置を提供
することができる効果がある。

【０１６３】また、請求項１０にかかる音声再生装置に
よれば、請求項１〜８のいずれかに記載の音声再生装置
において、データ伸縮手段は、相関演算手段、クロスフ
ェード手段を備え、相関演算手段は、音声復号化手段か
ら出力されるフレームを構成するセグメントの先頭位置
を前回決定したシフト量に基づき補正し、セグメント間
の相関値を演算し、相関値が高くなる位置で重み付け加
算するためのシフト量を決定し、クロスフェード手段
は、時間軸圧縮または時間軸伸長の際、音声復号化手段
から出力されるフレームを構成するセグメントを、相関
演算手段で決定した位置で重み付け加算することを特徴
とするものとしたので、フレームを構成するセグメント
間の相関が高くなる位置に波形データをシフトさせて相
関演算を行い、かつ各時間軸圧縮または時間軸伸長の処
理において上記シフト量を考慮した処理を行うことによ
って、重み付け加算するフレームの位相の整合性を高め
られるため、音声信号の処理劣化の少ない速度変換処理
を行うことができる音声再生装置を提供することができ
る効果がある。

【０１６４】また、請求項１１にかかる音声再生装置に
よれば、請求項１〜８のいずれかに記載の音声再生装置
において、音声復号化手段は、符号化音声信号を帯域毎
に復号し、データ伸縮手段は、相関演算手段、帯域毎の
クロスフェード手段を備え、相関演算手段は、音声復号
化手段から出力されるフレームを構成するセグメントの
先頭位置を前回決定したシフト量に基づき補正し、ピッ
チ周波数を包含する帯域においてセグメント間の相関値
を演算し、相関値が高くなる位置で重み付け加算するた
めのシフト量を決定し、各クロスフェード手段は、時間
軸圧縮または時間軸伸長の際、音声復号化手段から出力
されるフレームを構成するセグメントを、相関演算手段
で決定した位置で重み付け加算することを特徴とするも
のとしたので、フレームを構成するセグメント間の相関
が高くなる位置に波形データをシフトさせて相関演算を
行い、かつ各時間軸圧縮または時間軸伸長の処理におい
て上記シフト量を考慮した処理を行うことによって、音
声の基本周波数の周期性を保存するように、重み付け加
算するフレームの位相の整合性を高められるため、音声
信号の処理劣化の少ない速度変換処理を行うことができ
る音声再生装置を提供することができる効果がある。

【０１６５】また、請求項１２にかかる音声再生装置に
よれば、請求項１〜８のいずれかに記載の音声再生装置
において、音声復号化手段は、符号化音声信号を帯域毎
に復号し、データ伸縮手段は、相関演算手段、帯域毎の
クロスフェード手段を備え、相関演算手段は、音声復号
化手段から出力されるフレームを構成するセグメントの
先頭位置を前回決定したシフト量に基づき補正し、平均
エネルギーが最大となる帯域においてセグメント間の相
関値を演算し、相関値が高くなる位置で重み付け加算す
るためのシフト量を決定し、各クロスフェード手段は、
時間軸圧縮または時間軸伸長の際、音声復号化手段から
出力されるフレームを構成するセグメントを、相関演算
手段で決定した位置で重み付け加算することを特徴とす
るものとしたので、フレームを構成するセグメント間の
相関が高くなる位置に波形データをシフトさせて相関演
算を行い、かつ各時間軸圧縮または時間軸伸長の処理に
おいて上記シフト量を考慮した処理を行うことによっ
て、エネルギーが大きい主要な帯域での重み付け加算さ
れるフレームの位相の整合性を高められるため、音声信
号の処理劣化の少ない速度変換処理を行うことができる
音声再生装置を提供することができる効果がある。

【０１６６】また、請求項１３にかかる音声再生装置に
よれば、請求項１〜８のいずれかに記載の音声再生装置
において、音声復号化手段は、符号化音声信号を帯域毎
に復号し、データ伸縮手段は、相関演算手段、帯域毎の
クロスフェード手段を備え、相関演算手段は、音声復号
化手段から出力されるフレームを構成するセグメントの
先頭位置を前回決定したシフト量に基づき補正し、各帯
域においてセグメント間の相関値を演算し、相関値が最
大の帯域において相関値が高くなる位置で重み付け加算
するためのシフト量を決定し、各クロスフェード手段
は、時間軸圧縮または時間軸伸長の際、音声復号化手段
から出力されるフレームを構成するセグメントを、相関
演算手段で決定した位置で重み付け加算することを特徴
とするものとしたので、フレームを構成するセグメント
間の相関が高くなる位置に波形データをシフトさせて相
関演算を行い、かつ各時間軸圧縮または時間軸伸長の処
理において上記シフト量を考慮した処理を行うことによ
って、最も周期性が存在し易いと予想される帯域での重
み付け加算されるフレームの位相の整合性を高められる
ため、音声信号の処理劣化の少ない速度変換処理を行う
ことができる音声再生装置を提供することができる効果
がある。

【０１６７】

【０１６８】

【０１６９】

【０１７０】

【０１７１】

【０１７２】

【０１７３】

【図面の簡単な説明】

【図１】本発明の実施の形態１による音声再生装置の全
体ブロック図。

【図２】本発明の実施の形態１におけるデータ伸縮手段
の構成図。

【図３】本発明の実施の形態１におけるデータ伸縮手段
における一定値の時間軸圧縮／伸長の様子を示す 模式
図。

【図４】本発明の実施の形態１における伸縮シーケンス
の模式図。

【図５】本発明の実施の形態２におけるデータ伸縮手段
の構成図。

【図６】本発明の実施の形態２におけるデータ圧縮の模
式図。

【図７】本発明の実施の形態２におけるデータ圧縮の補
正を行う場合のの模式図。

【図８】本発明の実施の形態２における他の例の伸縮シ
ーケンスの模式図。

【図９】本発明の実施の形態３による音声再生装置の全
体ブロック図。

【図１０】本発明の実施の形態４による音声再生装置の
ブロック図。

【図１１】本発明の実施の形態５による音声再生装置の
ブロック図。

【図１２】本発明の実施の形態６による音声再生装置の
ブロック図。

【図１３】本発明の実施の形態７による音声再生装置の
ブロック図。

【図１４】本発明の実施の形態８による音声再生装置の
ブロック図。

【図１５】本発明の実施の形態８における，エネルギー
演算手段12-1-1がフレームのエネルギーを推定する過程
を示すフローチャートである。

【図１６】本発明の実施の形態９による音声再生装置の
ブロック図。

【図１７】本発明の実施の形態１０による音声再生装置
のブロック図。

【図１８】本発明の実施の形態１１による音声再生装置
のブロック図。

【図１９】従来の音声再生装置のブロック図。

【図２０】従来の他の例の音声装置のブロック図。

【図２１】音声信号の主要ピッチ成分が含まれる周波数
帯域について、その１フレーム分の時間軸波形を表した
図。

【図２２】図２１に示した１フレームの信号を、その前
半の信号部分と、後半の信号部分との２セグメントに分
割して上下に並べた図。

【図２３】図２２における２セグメント間の相関関数を
求めた値を示したグラフ。

【図２４】相関関数が最大となる時刻に後半の信号成分
であるセグメントをずらせた様子を定性的に示した図。

【図２５】２セグメント間をTc時間オーバーラップさせ
てクロスフェード処理する様子を示した図。

【図２６】MPEG１オーディオレイヤ２の構成を示すブロ
ック図。

【符号の説明】

１０１ フレーム逆パッキング手段 １０２ 逆量子化手段 １０３ データ伸縮手段 １０４ サブバンド合成フィルタ手段 １０５ 選択手段 １０６ フレームカウント手段 １０７ データ伸縮制御手段 １０８ フレームシーケンステーブル ２０１ バッファメモリ ２０２ クロスフェード手段 ２０３ データ選択手段 ３０１ 相関演算手段 ３０２ 位相制御記憶手段 ３００１ フレーム複号化手段 ３００２ データ伸縮手段 ３００３ 伸縮頻度制御手段 ３００４ エネルギー演算手段 ３００５ フレーム選択手段 ３００６ データ伸縮制御手段 ４００４ 音声らしさ演算手段 ４００５ フレーム選択手段 ５００４ 定常性演算手段 ５００５ フレーム選択手段 ６００４ エネルギー変化度合演算手段 ６００５ フレーム選択手段 ７００５ フレーム選択手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者 松本 美治男 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (56)参考文献 特開 平６−86164（ＪＰ，Ａ) 特開 平９−198088（ＪＰ，Ａ) 特開 平８−54895（ＪＰ，Ａ) 特開 平６−202692（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 21/04 G10L 19/02 G11B 20/02

Claims (13)

(57)【特許請求の範囲】
1. 【請求項１】 音声復号化手段、選択手段、フレームシ
   ーケンステーブル、フレームカウント手段、データ伸縮
   制御手段、データ伸縮手段を備える音声再生装置であっ
   て、 音声復号化手段は、入力される音声信号をフレーム単位
   で復号し、 選択手段は、与えられる速度比に対応したフレームシー
   ケンスをフレームシーケンステーブルへ出力すると共
   に、該フレームシーケンスのフレームサイクル数をフレ
   ームカウント手段へ出力し、 フレームシーケンステーブルは、選択手段からのフレー
   ムシーケンスを記憶し、 フレームカウント手段は、フレームサイクル数に基づい
   て音声復号化手段で処理する符号化音声信号のフレーム
   数をカウントし、 データ伸縮制御手段は、フレームカウント手段のカウン
   ト値に対応したフレームシーケンステーブルのフレーム
   シーケンスを参照して、音声復号化手段から出力される
   フレームを時間軸圧縮もしくは時間軸伸長、または時間
   軸変換なしのどちらで処理するかをデータ伸縮手段に指
   定し、 データ伸縮手段は、データ伸縮制御手段の指定に基づい
   て音声復号化手段から出力されるフレームに対して時間
   軸変換処理を行う音声再生装置。
2. 【請求項２】 音声復号化手段は、ＭＰＥＧ１オーディ
   オレイヤ２符号化方式にて符号化された音声信号を復号
   する請求項１に記載の音声再生装置。
3. 【請求項３】 フレームシーケンスは、連続する時間軸
   圧縮フレームのフレーム数と、連続する時間軸処理無し
   フレームのフレーム数がいずれも最小となるよう配置さ
   れた請求項１に記載の音声再生装置。
4. 【請求項４】 フレームシーケンスは、連続する時間軸
   伸長フレームのフレーム数と、連続する時間軸処理無し
   フレームのフレーム数がいずれも最小となるよう配置さ
   れた請求項１に記載の音声再生装置。
5. 【請求項５】 音声復号化手段、伸縮頻度制御手段、フ
   レームカウント手段、エネルギー演算手段、フレーム選
   択手段、データ伸縮制御手段、データ伸縮手段を備える
   音声再生装置であって、 音声復号化手段は、ＭＰＥＧ１オーディオレイヤ２符号
   化方式にて符号化された符号化音声信号を復号し、 伸縮頻度制御手段は、与えられる速度比に応じた、フレ
   ームサイクル数Ｎｆ、時間軸圧縮または時間軸伸長する
   フレーム数Ｎｓを設定し、フレームカウント手段は、フレームサイクル数Ｎｆに基
   づいて音声復号化手段で処理する符号化音声信号のフレ
   ーム数をカウントし、 エネルギー演算手段は、符号化音声信号のスケールファ
   クタインデックスをもとにフレームサイクル数Ｎｆ分の
   符号化音声信号のエネルギーを推定し、 フレーム選択手段は、フレームサイクル数Ｎｆのフレー
   ム内でエネルギーの小さいフレームからＮｓ個のフレー
   ムを時間軸圧縮または時間軸伸長するフレームとして決
   定し、 データ伸縮制御手段は、フレームカウント手段のカウン
   ト値とフレーム選択手段の決定に基づき、音声復号化手
   段から出力されるフレームを時間軸圧縮もしくは時間軸
   伸長、または時間軸変換なしのどちらで処理するかをデ
   ータ伸縮手段に指定し、 データ伸縮手段は、データ伸縮制御手段の指定に基づい
   て音声復号化手段から出力されるフレームに対して時間
   軸変換処理を行う音声再生装置。
6. 【請求項６】 音声復号化手段、伸縮頻度制御手段、フ
   レームカウント手段、定常性演算手段、フレーム選択手
   段、データ伸縮制御手段、データ伸縮手段を備える音声
   再生装置であって、 音声復号化手段は、ＭＰＥＧ１オーディオレイヤ２符号
   化方式にて符号化された音声信号を復号し、 伸縮頻度制御手段は、与えられる速度比に応じた、フレ
   ームサイクル数Ｎｆ、時間軸圧縮または時間軸伸長する
   フレーム数Ｎｓを設定し、フレームカウント手段は、フレームサイクル数Ｎｆに基
   づいて音声復号化手段で処理する符号化音声信号のフレ
   ーム数をカウントし、 定常性 演算手段は、符号化音声信号のスケールファクタ
   選択情報をもとにフレームサイクル数Ｎｆ分の符号化音
   声信号の定常性を推定し、 フレーム選択手段は、フレームサイクル数Ｎｆのフレー
   ム内での定常性の高いフレームからＮｓ個のフレームを
   時間軸圧縮または時間軸伸長するフレームとして決定
   し、 データ伸縮制御手段は、フレームカウント手段のカウン
   ト値とフレーム選択手段の決定に基づき、音声復号化手
   段から出力されるフレームを時間軸圧縮もしくは時間軸
   伸長、または時間軸変換なしのどちらで処理するかをデ
   ータ伸縮手段に指定し、 データ伸縮手段は、データ伸縮制御手段の指定に基づい
   て音声復号化手段から出力されるフレームに対して時間
   軸変換処理を行う音声再生装置。
7. 【請求項７】 音声復号化手段、伸縮頻度制御手段、フ
   レームカウント手段、エネルギー変化度合演算手段、フ
   レーム選択手段、データ伸縮制御手段、データ伸縮手段
   を備える音声再生装置であって、 音声復号化手段は、ＭＰＥＧ１オーディオレイヤ２符号
   化方式にて符号化された音声信号を復号し、 伸縮頻度制御手段は、与えられる速度比に応じた、フレ
   ームサイクル数Ｎｆ、時間軸圧縮または時間軸伸長する
   フレーム数Ｎｓを設定し、フレームカウント手段は、フレームサイクル数Ｎｆに基
   づいて音声復号化手段で処理する符号化音声信号のフレ
   ーム数をカウントし、 エネルギー変化度合 演算手段は、符号化音声信号のスケ
   ールファクタインデックスをもとにフレームサイクル数
   Ｎｆ分の符号化音声信号のエネルギー変化度合を推定
   し、 フレーム選択手段は、フレームサイクル数Ｎｆのフレー
   ム内でエネルギー変化度合に基づき継時マスキング効果
   による処理劣化が少ないフレームからＮｓ個のフレーム
   を時間軸圧縮または時間軸伸長するフレームとして決定
   し、 データ伸縮制御手段は、フレームカウント手段のカウン
   ト値とフレーム選択手段の決定に基づき、音声復号化手
   段から出力されるフレームを時間軸圧縮もしくは時間軸
   伸長、または時間軸変換なしのどちらで処理するかをデ
   ータ伸縮手段に指定し、 データ伸縮手段は、データ伸縮制御手段の指定に基づい
   て音声復号化手段から出力されるフレームに対して時間
   軸変換処理を行う音声再生装置。
8. 【請求項８】 音声復号化手段、伸縮頻度制御手段、フ
   レームカウント手段、演算手段、フレーム選択手段、デ
   ータ伸縮制御手段、データ伸縮手段を備える音声再生装
   置であって、 音声復号化手段は、ＭＰＥＧ１オーディオレイヤ２符号
   化方式にて符号化された音声信号を復号し、 伸縮頻度制御手段は、与えられる速度比に応じた、フレ
   ームサイクル数Ｎｆ、時間軸圧縮または時間軸伸長する
   フレーム数Ｎｓを設定し、フレームカウント手段は、フレームサイクル数Ｎｆに基
   づいて音声復号化手段で処理する符号化音声信号のフレ
   ーム数をカウントし、 演算手段は、エネルギー演算手段、定常性演算手段、エ
   ネルギー変化度合演算手段のいずれか２つ以上を備え、 エネルギー演算手段は、符号化音声信号のスケールファ
   クタインデックスをもとにフレームサイクル数Ｎｆ分の
   符号化音声信号のエネルギーを推定し、 定常性演算手段は、符号化音声信号のスケールファクタ
   選択情報をもとにフレームサイクル数Ｎｆ分の符号化音
   声信号の定常性を推定し、 エネルギー変化度合演算手段は、符号化音声信号のスケ
   ールファクタインデックスをもとにフレームサイクル数
   Ｎｆ分の符号化音声信号のエネルギー変化度合を推定
   し、 フレーム選択手段は、演算手段の出力をもとにＮｓ個の
   フレームを時間軸圧縮または時間軸伸長するフレームと
   して決定し、 データ伸縮制御手段は、フレームカウント手段のカウン
   ト値とフレーム選択手段の決定に基づき、音声復号化手
   段から出力されるフレームを時間軸圧縮もしく は時間軸
   伸長、または時間軸変換なしのどちらで処理するかをデ
   ータ伸縮手段に指定し、 データ伸縮手段は、データ伸縮制御手段の指定に基づい
   て音声復号化手段から出力されるフレームに対して時間
   軸変換処理を行う音声再生装置。
9. 【請求項９】 データ伸縮手段は、クロスフェード手段
   を備え、 クロスフェード手段は、時間軸圧縮または時間軸伸長の
   際、 音声復号化手段から出力されるフレームを構成する
   セグメントを重み付け加算する請求項１〜８のいずれか
   に記載の音声再生装置。
10. 【請求項１０】 データ伸縮手段は、相関演算手段、ク
    ロスフェード手段を備え、 相関演算手段は、音声復号化手段から出力されるフレー
    ムを構成するセグメントの先頭位置を前回決定したシフ
    ト量に基づき補正し、セグメント間の相関値を演算し、
    相関値が高くなる位置で重み付け加算するためのシフト
    量を決定し、クロスフェード手段は、時間軸圧縮または
    時間軸伸長の際、 音声復号化手段から出力されるフレー
    ムを構成するセグメントを、相関演算手段で決定した位
    置で重み付け加算する 請求項１〜８のいずれかに記載の
    音声再生装置。
11. 【請求項１１】 音声復号化手段は、符号化音声信号を
    帯域毎に復号し、 デ ータ伸縮手段は、相関演算手段、帯域毎のクロスフェ
    ード手段を備え、 相関演算手段は、音声復号化手段から出力されるフレー
    ムを構成するセグメントの先頭位置を前回決定したシフ
    ト量に基づき補正し、ピッチ周波数を包含する帯域にお
    いてセグメント間の相関値を演算し、相関値が高くなる
    位置で重み付け加算するためのシフト量を決定し、 各クロスフェード手段は、時間軸圧縮または時間軸伸長
    の際、音声復号化手段から出力されるフレームを構成す
    るセグメントを、相関演算手段で決定した位置で重み付
    け加算する請求項１〜８のいずれかに記載の 音声再生装
    置。
12. 【請求項１２】 音声復号化手段は、符号化音声信号を
    帯域毎に復号し、デ ータ伸縮手段は、相関演算手段、帯域毎のクロスフェ
    ード手段を備え、 相関演算手段は、 音声復号化手段から出力されるフレー
    ムを構成するセグメントの先頭位置を前回決定したシフ
    ト量に基づき補正し、平均エネルギーが最大となる帯域
    においてセグメント間の相関値を演算し、相関値が高く
    なる位置で重み付け加算するためのシフト量を決定し、 各クロスフェード手段は、時間軸圧縮または時間軸伸長
    の際、音声復号化手段から出力されるフレームを構成す
    るセグメントを、相関演算手段で決定した位置で重み付
    け加算する請求項１〜８のいずれかに記載の 音声再生装
    置。
13. 【請求項１３】 音声復号化手段は、符号化音声信号を
    帯域毎に復号し、デ ータ伸縮手段は、相関演算手段、帯域毎のクロスフェ
    ード手段を備え、 相関演算手段は、音声復号化手段から出力されるフレー
    ムを構成するセグメントの先頭位置を前回決定したシフ
    ト量に基づき補正し、各帯域においてセグメント間の相
    関値を演算し、相関値が最大の帯域において相関値が高
    くなる位置で重み付け加算するためのシフト量を決定
    し、 各クロスフェード手段は、時間軸圧縮または時間軸伸長
    の際、 音声復号化手段から出力されるフレームを構成す
    るセグメントを、相関演算手段で決定した位置で重み付
    け加算する請求項１〜８のいずれかに記載の音声再生装
    置。