JP3218680B2 - 有声音合成方法 - Google Patents
有声音合成方法Info
- Publication number
- JP3218680B2 JP3218680B2 JP12146392A JP12146392A JP3218680B2 JP 3218680 B2 JP3218680 B2 JP 3218680B2 JP 12146392 A JP12146392 A JP 12146392A JP 12146392 A JP12146392 A JP 12146392A JP 3218680 B2 JP3218680 B2 JP 3218680B2
- Authority
- JP
- Japan
- Prior art keywords
- pitch
- data
- frame
- phase
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Description
【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、初期位相が固定された
信号を用いて有声音を合成する有声音合成方法に関す
る。
信号を用いて有声音を合成する有声音合成方法に関す
る。
【０００２】
【従来の技術】音声信号の時間領域や周波数領域におけ
る統計的性質と人間の聴感上の特性を利用して信号圧縮
を行うような符号化方法が種々知られている。この符号
化方法としては、大別して時間領域での符号化、周波数
領域での符号化、分析合成符号化等が挙げられる。
る統計的性質と人間の聴感上の特性を利用して信号圧縮
を行うような符号化方法が種々知られている。この符号
化方法としては、大別して時間領域での符号化、周波数
領域での符号化、分析合成符号化等が挙げられる。
【０００３】音声信号等の高能率符号化の例として、Ｍ
ＢＥ（Multiband Excitation: マルチバンド励起）符号
化、ＳＢＥ（Singleband Excitation:シングルバンド励
起）符号化、ハーモニクス（Harmonic) 符号化、ＳＢＣ
（Sub-band Coding:帯域分割符号化) 、ＬＰＣ(Linear
Predictive Coding:線形予測符号化）、あるいはＤＣＴ
（離散コサイン変換）、ＭＤＣＴ（モデファイドＤＣ
Ｔ）、ＦＦＴ（高速フーリエ変換）等がある。
ＢＥ（Multiband Excitation: マルチバンド励起）符号
化、ＳＢＥ（Singleband Excitation:シングルバンド励
起）符号化、ハーモニクス（Harmonic) 符号化、ＳＢＣ
（Sub-band Coding:帯域分割符号化) 、ＬＰＣ(Linear
Predictive Coding:線形予測符号化）、あるいはＤＣＴ
（離散コサイン変換）、ＭＤＣＴ（モデファイドＤＣ
Ｔ）、ＦＦＴ（高速フーリエ変換）等がある。
【０００４】上記ＭＢＥ符号化等においては、１ブロッ
ク（フレーム）内の音声に対して帯域（バンド）を複数
に分割し、各バンド毎に有声音／無声音の判断を行って
おり、音質の向上が認められる。
ク（フレーム）内の音声に対して帯域（バンド）を複数
に分割し、各バンド毎に有声音／無声音の判断を行って
おり、音質の向上が認められる。
【０００５】
【発明が解決しようとする課題】ところで、上記ＭＢＥ
符号化等においては、音声スペクトルの振幅の位相情報
を別途伝送するか又は伝送情報量を減らすため伝送せず
に合成側（復号化側）でピッチ及び過去の位相から位相
情報を予測している。この合成側での位相情報の予測
（以下、位相予測という）には、フレームの初期位相を
０或いはπ／２に固定し、分析側から伝送されてきたピ
ッチに応じてコサイン波を合成する固定位相加算が行わ
れてきた。しかし、この固定位相加算による合成では、
男声等のピッチの低い音声での強い母音で不自然な合成
音となっていた。そこで、符号化側での有声音／無声音
判別で判明した無声音帯域の含有率に応じて、合成側で
は位相に分散の大きな乱数を加算して自然感を出すよう
にしている。しかし、ピッチが低くない女声の位相に分
散の大きな乱数を加算すると、雑音のような感じにな
り、明瞭度が失われてしまうという欠点がある。
符号化等においては、音声スペクトルの振幅の位相情報
を別途伝送するか又は伝送情報量を減らすため伝送せず
に合成側（復号化側）でピッチ及び過去の位相から位相
情報を予測している。この合成側での位相情報の予測
（以下、位相予測という）には、フレームの初期位相を
０或いはπ／２に固定し、分析側から伝送されてきたピ
ッチに応じてコサイン波を合成する固定位相加算が行わ
れてきた。しかし、この固定位相加算による合成では、
男声等のピッチの低い音声での強い母音で不自然な合成
音となっていた。そこで、符号化側での有声音／無声音
判別で判明した無声音帯域の含有率に応じて、合成側で
は位相に分散の大きな乱数を加算して自然感を出すよう
にしている。しかし、ピッチが低くない女声の位相に分
散の大きな乱数を加算すると、雑音のような感じにな
り、明瞭度が失われてしまうという欠点がある。
【０００６】本発明は、このような実情に鑑みてなされ
たものであり、不自然感がなく明瞭度が失われることの
ない高品質の合成音を得られるような有声音合成方法の
提供を目的とする。
たものであり、不自然感がなく明瞭度が失われることの
ない高品質の合成音を得られるような有声音合成方法の
提供を目的とする。
【０００７】
【課題を解決するための手段】本発明に係る有声音合成
方法は、入力された音声信号をフレーム単位で区分し、
区分されたフレーム毎にピッチを求め、求められたピッ
チの基本波及びその高調波であって初期位相が固定され
た信号群を用いて有声音を合成する有声音合成方法にお
いて、各フレーム毎にフレーム終端部における上記基本
波及び高調波の位相を予測すると共に各フレーム毎の上
記予測されたフレーム終端部の位相又は上記基本波及び
高調波の少なくとも１つの周波数を上記ピッチに応じて
修正することを特徴として上記課題を解決する。
方法は、入力された音声信号をフレーム単位で区分し、
区分されたフレーム毎にピッチを求め、求められたピッ
チの基本波及びその高調波であって初期位相が固定され
た信号群を用いて有声音を合成する有声音合成方法にお
いて、各フレーム毎にフレーム終端部における上記基本
波及び高調波の位相を予測すると共に各フレーム毎の上
記予測されたフレーム終端部の位相又は上記基本波及び
高調波の少なくとも１つの周波数を上記ピッチに応じて
修正することを特徴として上記課題を解決する。
【０００８】ここで、ピッチに応じた修正の量は、ピッ
チ周波数が低くなる程、言い換えるとピッチ周期が長く
なる程、予測位相に加える修正値を大きくするというこ
とである。
チ周波数が低くなる程、言い換えるとピッチ周期が長く
なる程、予測位相に加える修正値を大きくするというこ
とである。
【０００９】また、上記基本波及び高調波の少なくとも
１の周波数をピッチに応じて修正するのは、初期フレー
ムのフレーム終端部における位相のみの修正だけでな
く、他フレームにおいても相対的に上記基本波及び高調
波の重ねの位置を調整するために行われる。
１の周波数をピッチに応じて修正するのは、初期フレー
ムのフレーム終端部における位相のみの修正だけでな
く、他フレームにおいても相対的に上記基本波及び高調
波の重ねの位置を調整するために行われる。
【００１０】
【作用】ピッチ周波数が低くなる程、言い換えるとピッ
チ周期が長くなる程、合成側で予測するフレーム終端部
における基本波及び高調波の位相又はそれらの内の少な
くとも１つの周波数の修正の度合いを増すことにより、
不必要なノイズを発生することなく自然な再生音を得ら
れる。
チ周期が長くなる程、合成側で予測するフレーム終端部
における基本波及び高調波の位相又はそれらの内の少な
くとも１つの周波数の修正の度合いを増すことにより、
不必要なノイズを発生することなく自然な再生音を得ら
れる。
【００１１】
【実施例】以下、本発明に係る有声音合成方法を、音声
信号の合成分析符号化装置（いわゆるボコーダ）の一種
であるＭＢＥ（Multiband Excitation: マルチバンド励
起）ボコーダに適用した具体例について、図面を参照し
ながら説明する。
信号の合成分析符号化装置（いわゆるボコーダ）の一種
であるＭＢＥ（Multiband Excitation: マルチバンド励
起）ボコーダに適用した具体例について、図面を参照し
ながら説明する。
【００１２】このＭＢＥボコーダは、D. W. Griffin an
d J.S. Lim,"Multiband ExcitationVocoder," IEEE Tra
ns.Acoustics,Speech,and Signal Processing, vol.36,
No.8, pp.1223-1235, Aug.1988 に開示されているも
のであり、従来のＰＡＲＣＯＲ（PARtial auto-CORrela
tion: 偏自己相関）ボコーダ等では、音声のモデル化の
際に有声音区間と無声音区間とをブロックあるいはフレ
ーム毎に切り換えていたのに対し、ＭＢＥボコーダで
は、同時刻（同じブロックあるいはフレーム内）の周波
数軸領域に有声音（Voiced）区間と無声音（Unvoiced）
区間とが存在するという仮定でモデル化している。
d J.S. Lim,"Multiband ExcitationVocoder," IEEE Tra
ns.Acoustics,Speech,and Signal Processing, vol.36,
No.8, pp.1223-1235, Aug.1988 に開示されているも
のであり、従来のＰＡＲＣＯＲ（PARtial auto-CORrela
tion: 偏自己相関）ボコーダ等では、音声のモデル化の
際に有声音区間と無声音区間とをブロックあるいはフレ
ーム毎に切り換えていたのに対し、ＭＢＥボコーダで
は、同時刻（同じブロックあるいはフレーム内）の周波
数軸領域に有声音（Voiced）区間と無声音（Unvoiced）
区間とが存在するという仮定でモデル化している。
【００１３】図１は、上記ＭＢＥボコーダの合成側（デ
コード側）に本発明を適用した実施例の概略構成を示す
ブロック図である。
コード側）に本発明を適用した実施例の概略構成を示す
ブロック図である。
【００１４】この図１において、入力端子１１、１２及
び１３には後述するＭＢＥボコーダの分析側（エンコー
ド側）から伝送されてくるベクトル量子化された振幅デ
ータ、符号化されたピッチデータ及び有声音（Ｖ）／
（無声音）ＵＶ判別データが供給される。入力端子１１
からの量子化振幅データは、逆ベクトル量子化部１４に
送られて逆量子化され、データ数逆変換部１５に送られ
て逆変換され、得られた振幅データが有声音合成部１６
及び無声音合成部１７に送られる。入力端子１２からの
符号化ピッチデータは、ピッチ復号化部１８で復号化さ
れ、データ数逆変換部１５、有声音合成部１６、無声音
合成部１７、スケールファクタ調整部１９及び位相予測
＆修正部２０に送られる。また入力端子１３からのＶ／
ＵＶ判別データは、有声音合成部１６及び無声音合成部
１７に送られる。
び１３には後述するＭＢＥボコーダの分析側（エンコー
ド側）から伝送されてくるベクトル量子化された振幅デ
ータ、符号化されたピッチデータ及び有声音（Ｖ）／
（無声音）ＵＶ判別データが供給される。入力端子１１
からの量子化振幅データは、逆ベクトル量子化部１４に
送られて逆量子化され、データ数逆変換部１５に送られ
て逆変換され、得られた振幅データが有声音合成部１６
及び無声音合成部１７に送られる。入力端子１２からの
符号化ピッチデータは、ピッチ復号化部１８で復号化さ
れ、データ数逆変換部１５、有声音合成部１６、無声音
合成部１７、スケールファクタ調整部１９及び位相予測
＆修正部２０に送られる。また入力端子１３からのＶ／
ＵＶ判別データは、有声音合成部１６及び無声音合成部
１７に送られる。
【００１５】有声音合成部１６では例えば余弦(cosine)
波合成により時間軸上の有声音波形を合成し、無声音合
成部１７では例えばホワイトノイズをバンドパスフィル
タでフィルタリングして時間軸上の無声音波形を合成
し、これらの各有声音合成波形と無声音合成波形とを加
算部２１で加算合成して、出力端子２２より取り出すよ
うにしている。
波合成により時間軸上の有声音波形を合成し、無声音合
成部１７では例えばホワイトノイズをバンドパスフィル
タでフィルタリングして時間軸上の無声音波形を合成
し、これらの各有声音合成波形と無声音合成波形とを加
算部２１で加算合成して、出力端子２２より取り出すよ
うにしている。
【００１６】ここで、上記位相予測＆修正部２０では、
上記ピッチ復号化部１８からの復号化ピッチデータに基
づいて、位相予測を行う。この位相予測＆修正部２０
は、時刻０（フレームの先頭）に於ける第ｍ高調波の位
相（フレーム初期位相）をψ0mとすると、フレームの最
後での位相ψLmを、 ψLm＝mod2π（ψ0m＋ｍ（ω01＋ωL1) Ｌ／２） ・・・（１） と予測する。この（１）式でmod2π（ｘ）とは、ｘの主
値を−π〜＋πの間で返す関数である。例えば、ｘ＝1.
3 πのときmod2π（ｘ）＝−0.7 π、ｘ＝2.3 πのとき
mod2π（ｘ）＝0.3 π、ｘ＝−1.3 πのときmod2π
（ｘ）＝0.7 π、等である。また、Ｌはフレームインタ
ーバル、ω01は、合成フレームの先端（ｎ＝０）での基
本角周波数、ωL1は該合成フレームの終端（ｎ＝Ｌ：次
の合成フレーム先端）での基本角周波数である。また、
上記位相予測＆修正部２０は、上記予測したフレームの
最後での位相ψLmに対し、上記ピッチ復号化部１８から
の復号化ピッチデータを基に上記スケールファクタ調整
部１９が調整したスケールファクタを加算し、修正を施
す。すなわち、時刻０（フレームの先頭）に於ける第ｍ
高調波の位相（フレーム初期位相）φ0mを１フレーム前
のφLm（φ(-1)Lm）とすると、この修正の施された予測
位相φLmは、 φLm＝ψLm＋Ｓc Ｒdp ・・・（２） と示される。ここで、Ｓc はスケール値を示し、Ｒdpは
２πｆ（ｍ、Ｍ）×（ガウシアン乱数）で示される位相
のランダム値である。また、ｆ（ｍ、Ｍ）は周波数に応
じて標準偏差σを変えるための関数である。上記Ｒdpが
±πの範囲を越える時は、±πをクリッピングレベルに
して、Ｒdpをクリップする。
上記ピッチ復号化部１８からの復号化ピッチデータに基
づいて、位相予測を行う。この位相予測＆修正部２０
は、時刻０（フレームの先頭）に於ける第ｍ高調波の位
相（フレーム初期位相）をψ0mとすると、フレームの最
後での位相ψLmを、 ψLm＝mod2π（ψ0m＋ｍ（ω01＋ωL1) Ｌ／２） ・・・（１） と予測する。この（１）式でmod2π（ｘ）とは、ｘの主
値を−π〜＋πの間で返す関数である。例えば、ｘ＝1.
3 πのときmod2π（ｘ）＝−0.7 π、ｘ＝2.3 πのとき
mod2π（ｘ）＝0.3 π、ｘ＝−1.3 πのときmod2π
（ｘ）＝0.7 π、等である。また、Ｌはフレームインタ
ーバル、ω01は、合成フレームの先端（ｎ＝０）での基
本角周波数、ωL1は該合成フレームの終端（ｎ＝Ｌ：次
の合成フレーム先端）での基本角周波数である。また、
上記位相予測＆修正部２０は、上記予測したフレームの
最後での位相ψLmに対し、上記ピッチ復号化部１８から
の復号化ピッチデータを基に上記スケールファクタ調整
部１９が調整したスケールファクタを加算し、修正を施
す。すなわち、時刻０（フレームの先頭）に於ける第ｍ
高調波の位相（フレーム初期位相）φ0mを１フレーム前
のφLm（φ(-1)Lm）とすると、この修正の施された予測
位相φLmは、 φLm＝ψLm＋Ｓc Ｒdp ・・・（２） と示される。ここで、Ｓc はスケール値を示し、Ｒdpは
２πｆ（ｍ、Ｍ）×（ガウシアン乱数）で示される位相
のランダム値である。また、ｆ（ｍ、Ｍ）は周波数に応
じて標準偏差σを変えるための関数である。上記Ｒdpが
±πの範囲を越える時は、±πをクリッピングレベルに
して、Ｒdpをクリップする。
【００１７】具体的には、上記（２）式のスケール値Ｓ
c をサンプル数で記述されたピッチのインターバル（周
期）であるピッチラグＰr の関数とする。例えば、ピッ
チラグＰr が75より小さいときにはスケール値を0.1 、
ピッチラグＰr が75以上で85より小さいときにはスケー
ル値を0.2 、ピッチラグＰr が85以上で90より小さいと
きにはスケール値を0.3 、ピッチラグＰr が90以上で10
0 より小さいときにはスケール値を0.6 、ピッチラグＰ
r が100 以上のときにはスケール値を0.8 とする。つま
り、ピッチラグＰr が大きいとき程、ランダマイズのス
ケールファクタのスケール値を大きな値とする。
c をサンプル数で記述されたピッチのインターバル（周
期）であるピッチラグＰr の関数とする。例えば、ピッ
チラグＰr が75より小さいときにはスケール値を0.1 、
ピッチラグＰr が75以上で85より小さいときにはスケー
ル値を0.2 、ピッチラグＰr が85以上で90より小さいと
きにはスケール値を0.3 、ピッチラグＰr が90以上で10
0 より小さいときにはスケール値を0.6 、ピッチラグＰ
r が100 以上のときにはスケール値を0.8 とする。つま
り、ピッチラグＰr が大きいとき程、ランダマイズのス
ケールファクタのスケール値を大きな値とする。
【００１８】ここで、上述したようにピッチラグＰr が
大きいとき程、ランダマイズのスケールファクタのスケ
ール値を大きな値とする理由を述べる。ピッチラグＰr
が大きいというのは、ピッチ周期が長いことであり、ピ
ッチ内で加算されるハーモニクスの数が多いことを意味
する。これに対し、ピッチラグＰr が小さいときという
のは、ピッチ周期が短いことであり、ピッチ内で加算さ
れるハーモニクスの数が少ないことを意味する。つま
り、ピッチ周期の長い時程、長時間分のエネルギーが一
箇所に集中し、図２のＡに示すような波形となる。これ
に対し、ピッチ周期が短い時程、エネルギーは一箇所に
集中することはなく図２のＢに示すような波形となる。
この図２のＡに示すような鋭角的な波形とその繰り返し
は、不自然な再生音を引き起こすので、より大きな位相
をランダムに振ってやる必要がある。これに対し、図２
のＢに示すような波形とその繰り返しは、不自然な再生
音を引き起こさず、大きな位相をランダムに振ってやる
必要がない。したがって、ピッチラグＰr が大きくなる
程、ランダマイズのスケールファクタのスケール値を大
きくし、ピッチラグＰr が小さいときに用いる該スケー
ル値とは異ならせている。
大きいとき程、ランダマイズのスケールファクタのスケ
ール値を大きな値とする理由を述べる。ピッチラグＰr
が大きいというのは、ピッチ周期が長いことであり、ピ
ッチ内で加算されるハーモニクスの数が多いことを意味
する。これに対し、ピッチラグＰr が小さいときという
のは、ピッチ周期が短いことであり、ピッチ内で加算さ
れるハーモニクスの数が少ないことを意味する。つま
り、ピッチ周期の長い時程、長時間分のエネルギーが一
箇所に集中し、図２のＡに示すような波形となる。これ
に対し、ピッチ周期が短い時程、エネルギーは一箇所に
集中することはなく図２のＢに示すような波形となる。
この図２のＡに示すような鋭角的な波形とその繰り返し
は、不自然な再生音を引き起こすので、より大きな位相
をランダムに振ってやる必要がある。これに対し、図２
のＢに示すような波形とその繰り返しは、不自然な再生
音を引き起こさず、大きな位相をランダムに振ってやる
必要がない。したがって、ピッチラグＰr が大きくなる
程、ランダマイズのスケールファクタのスケール値を大
きくし、ピッチラグＰr が小さいときに用いる該スケー
ル値とは異ならせている。
【００１９】上記位相予測＆修正部２０からの修正の施
された予測位相φLmは、上記有声音合成部１６に供給さ
れる。この有声音合成部１６には、上記修正の施された
予測位相φLmの他にも、上述したように、データ数逆変
換部１５からの振幅データ、ピッチ復号化部１８からの
ピッチ復号データ及び入力端子１３からのＶ／ＵＶ判別
データが供給されている。
された予測位相φLmは、上記有声音合成部１６に供給さ
れる。この有声音合成部１６には、上記修正の施された
予測位相φLmの他にも、上述したように、データ数逆変
換部１５からの振幅データ、ピッチ復号化部１８からの
ピッチ復号データ及び入力端子１３からのＶ／ＵＶ判別
データが供給されている。
【００２０】ここで、上記有声音合成部１６における有
声音の合成処理を説明する前に入力端子１１、１２及び
１３にベクトル量子化された振幅データ、符号化された
ピッチデータ及び有声音（Ｖ）／（無声音）ＵＶ判別デ
ータを供給するＭＢＥボコーダの分析側（エンコード
側）について説明する。
声音の合成処理を説明する前に入力端子１１、１２及び
１３にベクトル量子化された振幅データ、符号化された
ピッチデータ及び有声音（Ｖ）／（無声音）ＵＶ判別デ
ータを供給するＭＢＥボコーダの分析側（エンコード
側）について説明する。
【００２１】図３は、上記ＭＢＥボコーダの分析側（エ
ンコード側）の概略構成を示すブロック図である。この
図３において、入力端子１０１には音声信号が供給され
るようになっており、この入力音声信号は、ＨＰＦ（ハ
イパスフィルタ）等のフィルタ１０２に送られて、いわ
ゆるＤＣ（直流）オフセット分の除去や帯域制限（例え
ば２００〜３４００Hzに制限）のための少なくとも低域
成分（２００Hz以下）の除去が行われる。このフィルタ
１０２を介して得られた信号は、ピッチ抽出部１０３及
び窓かけ処理部１０４にそれぞれ送られる。ピッチ抽出
部１０３では、入力音声信号データが所定サンプル数Ｎ
（例えばＮ＝２５６）単位でブロック分割され（あるい
は方形窓による切り出しが行われ）、このブロック内の
音声信号についてのピッチ抽出が行われる。このような
切り出しブロック（２５６サンプル）を、例えば図４の
Ａに示すようにＬサンプル（例えばＬ＝１６０）のフレ
ーム間隔で時間軸方向に移動させており、各ブロック間
のオーバラップはＮ−Ｌサンプル（例えば９６サンプ
ル）となっている。また、窓かけ処理部１０４では、１
ブロックＮサンプルに対して所定の窓関数、例えばハミ
ング窓をかけ、この窓かけブロックを１フレームＬサン
プルの間隔で時間軸方向に順次移動させている。
ンコード側）の概略構成を示すブロック図である。この
図３において、入力端子１０１には音声信号が供給され
るようになっており、この入力音声信号は、ＨＰＦ（ハ
イパスフィルタ）等のフィルタ１０２に送られて、いわ
ゆるＤＣ（直流）オフセット分の除去や帯域制限（例え
ば２００〜３４００Hzに制限）のための少なくとも低域
成分（２００Hz以下）の除去が行われる。このフィルタ
１０２を介して得られた信号は、ピッチ抽出部１０３及
び窓かけ処理部１０４にそれぞれ送られる。ピッチ抽出
部１０３では、入力音声信号データが所定サンプル数Ｎ
（例えばＮ＝２５６）単位でブロック分割され（あるい
は方形窓による切り出しが行われ）、このブロック内の
音声信号についてのピッチ抽出が行われる。このような
切り出しブロック（２５６サンプル）を、例えば図４の
Ａに示すようにＬサンプル（例えばＬ＝１６０）のフレ
ーム間隔で時間軸方向に移動させており、各ブロック間
のオーバラップはＮ−Ｌサンプル（例えば９６サンプ
ル）となっている。また、窓かけ処理部１０４では、１
ブロックＮサンプルに対して所定の窓関数、例えばハミ
ング窓をかけ、この窓かけブロックを１フレームＬサン
プルの間隔で時間軸方向に順次移動させている。
【００２２】このような窓かけ処理を数式で表すと、 ｘw (k,q) ＝ｘ(q) ｗ(kL-q) ・・・（３） となる。この（３）式において、ｋはブロック番号を、
ｑはデータの時間インデックス（サンプル番号）を表
し、処理前の入力信号のｑ番目のデータｘ(q) に対して
第ｋブロックの窓（ウィンドウ）関数ｗ(kL-q)により窓
かけ処理されることによりデータｘw (k,q) が得られる
ことを示している。ピッチ抽出部１０３内での図４のＡ
に示すような方形窓の場合の窓関数ｗr (r) は、 ｗr (r) ＝１ ０≦ｒ＜Ｎ ・・・（４） ＝０ ｒ＜０，Ｎ≦ｒ また、窓かけ処理部１０４での図４のＢに示すようなハ
ミング窓の場合の窓関数ｗh (r) は、 ｗh (r) ＝ 0.54 − 0.46 cos(２πr/(N-1)) ０≦ｒ＜Ｎ ・・・（５） ＝０ ｒ＜０，Ｎ≦ｒ である。このような窓関数ｗr (r) あるいはｗh (r) を
用いるときの上記（３）式の窓関数ｗ(r) （＝ｗ(kL-
q)）の否零区間は、 ０≦ｋＬ−ｑ＜Ｎ これを変形して、 ｋＬ−Ｎ＜ｑ≦ｋＬ 従って、例えば上記方形窓の場合に窓関数ｗr (kL-q)＝
１となるのは、図５に示すように、ｋＬ−Ｎ＜ｑ≦ｋＬ
のときとなる。また、上記（３）〜（５）式は、長さＮ
（＝２５６）サンプルの窓が、Ｌ（＝１６０）サンプル
ずつ前進してゆくことを示している。以下、上記（４）
式、（５）式の各窓関数で切り出された各Ｎ点（０≦ｒ
＜Ｎ）の否零サンプル列を、それぞれｘwr(k,r) 、ｘwh
(k,r) と表すことにする。
ｑはデータの時間インデックス（サンプル番号）を表
し、処理前の入力信号のｑ番目のデータｘ(q) に対して
第ｋブロックの窓（ウィンドウ）関数ｗ(kL-q)により窓
かけ処理されることによりデータｘw (k,q) が得られる
ことを示している。ピッチ抽出部１０３内での図４のＡ
に示すような方形窓の場合の窓関数ｗr (r) は、 ｗr (r) ＝１ ０≦ｒ＜Ｎ ・・・（４） ＝０ ｒ＜０，Ｎ≦ｒ また、窓かけ処理部１０４での図４のＢに示すようなハ
ミング窓の場合の窓関数ｗh (r) は、 ｗh (r) ＝ 0.54 − 0.46 cos(２πr/(N-1)) ０≦ｒ＜Ｎ ・・・（５） ＝０ ｒ＜０，Ｎ≦ｒ である。このような窓関数ｗr (r) あるいはｗh (r) を
用いるときの上記（３）式の窓関数ｗ(r) （＝ｗ(kL-
q)）の否零区間は、 ０≦ｋＬ−ｑ＜Ｎ これを変形して、 ｋＬ−Ｎ＜ｑ≦ｋＬ 従って、例えば上記方形窓の場合に窓関数ｗr (kL-q)＝
１となるのは、図５に示すように、ｋＬ−Ｎ＜ｑ≦ｋＬ
のときとなる。また、上記（３）〜（５）式は、長さＮ
（＝２５６）サンプルの窓が、Ｌ（＝１６０）サンプル
ずつ前進してゆくことを示している。以下、上記（４）
式、（５）式の各窓関数で切り出された各Ｎ点（０≦ｒ
＜Ｎ）の否零サンプル列を、それぞれｘwr(k,r) 、ｘwh
(k,r) と表すことにする。
【００２３】窓かけ処理部１０４では、図６に示すよう
に、上記（５）式のハミング窓がかけられた１ブロック
２５６サンプルのサンプル列ｘwh(k,r) に対して１７９
２サンプル分の０データが付加されて（いわゆる０詰め
されて）２０４８サンプルとされ、この２０４８サンプ
ルの時間軸データ列に対して、直交変換部１０５により
例えばＦＦＴ（高速フーリエ変換）等の直交変換処理が
施される。
に、上記（５）式のハミング窓がかけられた１ブロック
２５６サンプルのサンプル列ｘwh(k,r) に対して１７９
２サンプル分の０データが付加されて（いわゆる０詰め
されて）２０４８サンプルとされ、この２０４８サンプ
ルの時間軸データ列に対して、直交変換部１０５により
例えばＦＦＴ（高速フーリエ変換）等の直交変換処理が
施される。
【００２４】ピッチ抽出部１０３では、上記ｘwr(k,r)
のサンプル列（１ブロックＮサンプル）に基づいてピッ
チ抽出が行われる。このピッチ抽出法には、時間波形の
周期性や、スペクトルの周期的周波数構造や、自己相関
関数を用いるもの等が知られているが、本実施例では、
センタクリップ波形の自己相関法を採用している。この
ときのブロック内でのセンタクリップレベルについて
は、１ブロックにつき１つのクリップレベルを設定して
もよいが、ブロックを細分割した各部（各サブブロッ
ク）の信号のピークレベル等を検出し、これらの各サブ
ブロックのピークレベル等の差が大きいときに、ブロッ
ク内でクリップレベルを段階的にあるいは連続的に変化
させるようにしている。このセンタクリップ波形の自己
相関データのピーク位置に基づいてピッチ周期を決めて
いる。このとき、現在フレームに属する自己相関データ
（自己相関は１ブロックＮサンプルのデータを対象とし
て求められる）から複数のピークを求めておき、これら
の複数のピークの内の最大ピークが所定の閾値以上のと
きには該最大ピーク位置をピッチ周期とし、それ以外の
ときには、現在フレーム以外のフレーム、例えば前後の
フレームで求められたピッチに対して所定の関係を満た
すピッチ範囲内、例えば前フレームのピッチを中心とし
て±２０％の範囲内にあるピークを求め、このピーク位
置に基づいて現在フレームのピッチを決定するようにし
ている。このピッチ抽出部１０３ではオープンループに
よる比較的ラフなピッチのサーチが行われ、抽出された
ピッチデータは高精度（ファイン）ピッチサーチ部１０
６に送られて、クローズドループによる高精度のピッチ
サーチ（ピッチのファインサーチ）が行われる。
のサンプル列（１ブロックＮサンプル）に基づいてピッ
チ抽出が行われる。このピッチ抽出法には、時間波形の
周期性や、スペクトルの周期的周波数構造や、自己相関
関数を用いるもの等が知られているが、本実施例では、
センタクリップ波形の自己相関法を採用している。この
ときのブロック内でのセンタクリップレベルについて
は、１ブロックにつき１つのクリップレベルを設定して
もよいが、ブロックを細分割した各部（各サブブロッ
ク）の信号のピークレベル等を検出し、これらの各サブ
ブロックのピークレベル等の差が大きいときに、ブロッ
ク内でクリップレベルを段階的にあるいは連続的に変化
させるようにしている。このセンタクリップ波形の自己
相関データのピーク位置に基づいてピッチ周期を決めて
いる。このとき、現在フレームに属する自己相関データ
（自己相関は１ブロックＮサンプルのデータを対象とし
て求められる）から複数のピークを求めておき、これら
の複数のピークの内の最大ピークが所定の閾値以上のと
きには該最大ピーク位置をピッチ周期とし、それ以外の
ときには、現在フレーム以外のフレーム、例えば前後の
フレームで求められたピッチに対して所定の関係を満た
すピッチ範囲内、例えば前フレームのピッチを中心とし
て±２０％の範囲内にあるピークを求め、このピーク位
置に基づいて現在フレームのピッチを決定するようにし
ている。このピッチ抽出部１０３ではオープンループに
よる比較的ラフなピッチのサーチが行われ、抽出された
ピッチデータは高精度（ファイン）ピッチサーチ部１０
６に送られて、クローズドループによる高精度のピッチ
サーチ（ピッチのファインサーチ）が行われる。
【００２５】高精度（ファイン）ピッチサーチ部１０６
には、ピッチ抽出部１０３で抽出された整数（インテジ
ャー）値の粗（ラフ）ピッチデータと、直交変換部１０
５により例えばＦＦＴされた周波数軸上のデータとが供
給されている。この高精度ピッチサーチ部１０６では、
上記粗ピッチデータ値を中心に、0.２〜0.５きざみで±
数サンプルずつ振って、最適な小数点付き（フローティ
ング）のファインピッチデータの値へ追い込む。このと
きのファインサーチの手法として、いわゆる合成による
分析 (Analysis by Synthesis)法を用い、合成されたパ
ワースペクトルが原音のパワースペクトルに最も近くな
るようにピッチを選んでいる。
には、ピッチ抽出部１０３で抽出された整数（インテジ
ャー）値の粗（ラフ）ピッチデータと、直交変換部１０
５により例えばＦＦＴされた周波数軸上のデータとが供
給されている。この高精度ピッチサーチ部１０６では、
上記粗ピッチデータ値を中心に、0.２〜0.５きざみで±
数サンプルずつ振って、最適な小数点付き（フローティ
ング）のファインピッチデータの値へ追い込む。このと
きのファインサーチの手法として、いわゆる合成による
分析 (Analysis by Synthesis)法を用い、合成されたパ
ワースペクトルが原音のパワースペクトルに最も近くな
るようにピッチを選んでいる。
【００２６】このピッチのファインサーチについて説明
する。先ず、上記ＭＢＥボコーダにおいては、上記ＦＦ
Ｔ等により直交変換された周波数軸上のスペクトルデー
タとしてのＳ(j) を Ｓ(j) ＝Ｈ(j) ｜Ｅ(j) ｜ ０＜ｊ＜Ｊ ・・・（６） と表現するようなモデルを想定している。ここで、Ｊは
ω s ／４π＝ｆs ／２に対応し、サンプリング周波数ｆ
s ＝ω s ／２πが例えば８ｋHzのときには４ｋHzに対応
する。上記（６）式中において、周波数軸上のスペクト
ルデータＳ(j) が図７のＡに示すような波形のとき、Ｈ
(j) は、図７のＢに示すような元のスペクトルデータＳ
(j) のスペクトル包絡線（エンベロープ）を示し、Ｅ
(j) は、図７のＣに示すような等レベルで周期的な励起
信号（エキサイテイション）のスペクトルを示してい
る。すなわち、ＦＦＴスペクトルＳ(j) は、スペクトル
エンベロープＨ(j) と励起信号のパワースペクトル｜Ｅ
(j) ｜との積としてモデル化される。
する。先ず、上記ＭＢＥボコーダにおいては、上記ＦＦ
Ｔ等により直交変換された周波数軸上のスペクトルデー
タとしてのＳ(j) を Ｓ(j) ＝Ｈ(j) ｜Ｅ(j) ｜ ０＜ｊ＜Ｊ ・・・（６） と表現するようなモデルを想定している。ここで、Ｊは
ω s ／４π＝ｆs ／２に対応し、サンプリング周波数ｆ
s ＝ω s ／２πが例えば８ｋHzのときには４ｋHzに対応
する。上記（６）式中において、周波数軸上のスペクト
ルデータＳ(j) が図７のＡに示すような波形のとき、Ｈ
(j) は、図７のＢに示すような元のスペクトルデータＳ
(j) のスペクトル包絡線（エンベロープ）を示し、Ｅ
(j) は、図７のＣに示すような等レベルで周期的な励起
信号（エキサイテイション）のスペクトルを示してい
る。すなわち、ＦＦＴスペクトルＳ(j) は、スペクトル
エンベロープＨ(j) と励起信号のパワースペクトル｜Ｅ
(j) ｜との積としてモデル化される。
【００２７】上記励起信号のパワースペクトル｜Ｅ(j)
｜は、上記ピッチに応じて決定される周波数軸上の波形
の周期性（ピッチ構造）を考慮して、１つの帯域（バン
ド）の波形に相当するスペクトル波形を周波数軸上の各
バンド毎に繰り返すように配列することにより形成され
る。この１バンド分の波形は、例えば上記図６に示すよ
うな２５６サンプルのハミング窓関数に１７９２サンプ
ル分の０データを付加（０詰め）した波形を時間軸信号
と見なしてＦＦＴし、得られた周波数軸上のある帯域幅
を持つインパルス波形を上記ピッチに応じて切り出すこ
とにより形成することができる。
｜は、上記ピッチに応じて決定される周波数軸上の波形
の周期性（ピッチ構造）を考慮して、１つの帯域（バン
ド）の波形に相当するスペクトル波形を周波数軸上の各
バンド毎に繰り返すように配列することにより形成され
る。この１バンド分の波形は、例えば上記図６に示すよ
うな２５６サンプルのハミング窓関数に１７９２サンプ
ル分の０データを付加（０詰め）した波形を時間軸信号
と見なしてＦＦＴし、得られた周波数軸上のある帯域幅
を持つインパルス波形を上記ピッチに応じて切り出すこ
とにより形成することができる。
【００２８】次に、上記ピッチに応じて分割された各バ
ンド毎に、上記Ｈ(j) を代表させるような（各バンド毎
のエラーを最小化するような）値（一種の振幅）｜Ａm
｜を求める。ここで、例えば第ｍバンド（第ｍ高調波の
帯域）の下限、上限の点をそれぞれａm 、ｂm とすると
き、この第ｍバンドのエラーεm は、
ンド毎に、上記Ｈ(j) を代表させるような（各バンド毎
のエラーを最小化するような）値（一種の振幅）｜Ａm
｜を求める。ここで、例えば第ｍバンド（第ｍ高調波の
帯域）の下限、上限の点をそれぞれａm 、ｂm とすると
き、この第ｍバンドのエラーεm は、
【００２９】
【数１】
【００３０】で表せる。このエラーεm を最小化するよ
うな｜Ａm ｜は、
うな｜Ａm ｜は、
【００３１】
【数２】
【００３２】となり、この（８）式の｜Ａm ｜のとき、
エラーεm を最小化する。このような振幅｜Ａm ｜を各
バンド毎に求め、得られた各振幅｜Ａm ｜を用いて上記
（７）式で定義された各バンド毎のエラーεm を求め
る。次に、このような各バンド毎のエラーεm の全バン
ドの総和値Σεm を求める。さらに、このような全バン
ドのエラー総和値Σεm を、いくつかの微小に異なるピ
ッチについて求め、エラー総和値Σεm が最小となるよ
うなピッチを求める。
エラーεm を最小化する。このような振幅｜Ａm ｜を各
バンド毎に求め、得られた各振幅｜Ａm ｜を用いて上記
（７）式で定義された各バンド毎のエラーεm を求め
る。次に、このような各バンド毎のエラーεm の全バン
ドの総和値Σεm を求める。さらに、このような全バン
ドのエラー総和値Σεm を、いくつかの微小に異なるピ
ッチについて求め、エラー総和値Σεm が最小となるよ
うなピッチを求める。
【００３３】すなわち、上記ピッチ抽出部１０３で求め
られたラフピッチを中心として、例えば 0.25 きざみで
上下に数種類ずつ用意する。これらの複数種類の微小に
異なるピッチの各ピッチに対してそれぞれ上記エラー総
和値Σεm を求める。この場合、ピッチが定まるとバン
ド幅が決まり、上記（８）式より、周波数軸上データの
パワースペクトル｜Ｓ(j) ｜と励起信号スペクトル｜Ｅ
(j) ｜とを用いて上記（７）式のエラーεm を求め、そ
の全バンドの総和値Σεm を求めることができる。この
エラー総和値Σεm を各ピッチ毎に求め、最小となるエ
ラー総和値に対応するピッチを最適のピッチとして決定
するわけである。以上のようにして高精度ピッチサーチ
部１０６で最適のファイン（例えば 0.25 きざみ）ピッ
チが求められ、この最適ピッチに対応する振幅｜Ａm ｜
が決定される。
られたラフピッチを中心として、例えば 0.25 きざみで
上下に数種類ずつ用意する。これらの複数種類の微小に
異なるピッチの各ピッチに対してそれぞれ上記エラー総
和値Σεm を求める。この場合、ピッチが定まるとバン
ド幅が決まり、上記（８）式より、周波数軸上データの
パワースペクトル｜Ｓ(j) ｜と励起信号スペクトル｜Ｅ
(j) ｜とを用いて上記（７）式のエラーεm を求め、そ
の全バンドの総和値Σεm を求めることができる。この
エラー総和値Σεm を各ピッチ毎に求め、最小となるエ
ラー総和値に対応するピッチを最適のピッチとして決定
するわけである。以上のようにして高精度ピッチサーチ
部１０６で最適のファイン（例えば 0.25 きざみ）ピッ
チが求められ、この最適ピッチに対応する振幅｜Ａm ｜
が決定される。
【００３４】以上ピッチのファインサーチの説明におい
ては、説明を簡略化するために、全バンドが有声音（Vo
iced）の場合を想定しているが、上述したようにＭＢＥ
ボコーダにおいては、同時刻の周波数軸上に無声音（Un
voiced）領域が存在するというモデルを採用しているこ
とから、上記各バンド毎に有声音／無声音の判別を行う
ことが必要とされる。
ては、説明を簡略化するために、全バンドが有声音（Vo
iced）の場合を想定しているが、上述したようにＭＢＥ
ボコーダにおいては、同時刻の周波数軸上に無声音（Un
voiced）領域が存在するというモデルを採用しているこ
とから、上記各バンド毎に有声音／無声音の判別を行う
ことが必要とされる。
【００３５】上記高精度ピッチサーチ部１０６からの最
適ピッチ及び振幅｜Ａm ｜のデータは、有声音／無声音
判別部１０７に送られ、上記各バンド毎に有声音／無声
音の判別が行われる。この判別のために、ＮＳＲ（ノイ
ズｔｏシグナル比）を利用する。すなわち、第ｍバンド
のＮＳＲは、
適ピッチ及び振幅｜Ａm ｜のデータは、有声音／無声音
判別部１０７に送られ、上記各バンド毎に有声音／無声
音の判別が行われる。この判別のために、ＮＳＲ（ノイ
ズｔｏシグナル比）を利用する。すなわち、第ｍバンド
のＮＳＲは、
【００３６】
【数３】
【００３７】と表せ、このＮＳＲ値が所定の閾値（例え
ば0.３）より大のとき（エラーが大きい）ときには、そ
のバンドでの｜Ａm ｜｜Ｅ(j) ｜による｜Ｓ(j) ｜の近
似が良くない（上記励起信号｜Ｅ(j) ｜が基底として不
適当である）と判断でき、当該バンドをＵＶ（Unvoice
d、無声音）と判別する。これ以外のときは、近似があ
る程度良好に行われていると判断でき、そのバンドをＶ
（Voiced、有声音）と判別する。
ば0.３）より大のとき（エラーが大きい）ときには、そ
のバンドでの｜Ａm ｜｜Ｅ(j) ｜による｜Ｓ(j) ｜の近
似が良くない（上記励起信号｜Ｅ(j) ｜が基底として不
適当である）と判断でき、当該バンドをＵＶ（Unvoice
d、無声音）と判別する。これ以外のときは、近似があ
る程度良好に行われていると判断でき、そのバンドをＶ
（Voiced、有声音）と判別する。
【００３８】次に、振幅再評価部１０８には、直交変換
部１０５からの周波数軸上データ、高精度ピッチサーチ
部１０６からのファインピッチと評価された振幅｜Ａm
｜との各データ、及び上記有声音／無声音判別部１０７
からのＶ／ＵＶ（有声音／無声音）判別データが供給さ
れている。この振幅再評価部１０８では、有声音／無声
音判別部１０７において無声音（ＵＶ）と判別されたバ
ンドに関して、再度振幅を求めている。このＵＶのバン
ドについての振幅｜Ａm ｜UVは、
部１０５からの周波数軸上データ、高精度ピッチサーチ
部１０６からのファインピッチと評価された振幅｜Ａm
｜との各データ、及び上記有声音／無声音判別部１０７
からのＶ／ＵＶ（有声音／無声音）判別データが供給さ
れている。この振幅再評価部１０８では、有声音／無声
音判別部１０７において無声音（ＵＶ）と判別されたバ
ンドに関して、再度振幅を求めている。このＵＶのバン
ドについての振幅｜Ａm ｜UVは、
【００３９】
【数４】
【００４０】にて求められる。
【００４１】この振幅再評価部１０８からのデータは、
データ数変換（一種のサンプリングレート変換）部１０
９に送られる。このデータ数変換部１０９は、上記ピッ
チに応じて周波数軸上での分割帯域数が異なり、データ
数（特に振幅データの数）が異なることを考慮して、一
定の個数にするためのものである。すなわち、例えば有
効帯域を３４００Hzまでとすると、この有効帯域が上記
ピッチに応じて、８バンド〜６３バンドに分割されるこ
とになり、これらの各バンド毎に得られる上記振幅｜Ａ
m ｜（ＵＶバンドの振幅｜Ａm ｜UVも含む）データの個
数ｍMX＋１も８〜６３と変化することになう。このため
データ数変換部１０９では、この可変個数ｍMX＋１の振
幅データを一定個数Ｎc （例えば４４個）のデータに変
換している。
データ数変換（一種のサンプリングレート変換）部１０
９に送られる。このデータ数変換部１０９は、上記ピッ
チに応じて周波数軸上での分割帯域数が異なり、データ
数（特に振幅データの数）が異なることを考慮して、一
定の個数にするためのものである。すなわち、例えば有
効帯域を３４００Hzまでとすると、この有効帯域が上記
ピッチに応じて、８バンド〜６３バンドに分割されるこ
とになり、これらの各バンド毎に得られる上記振幅｜Ａ
m ｜（ＵＶバンドの振幅｜Ａm ｜UVも含む）データの個
数ｍMX＋１も８〜６３と変化することになう。このため
データ数変換部１０９では、この可変個数ｍMX＋１の振
幅データを一定個数Ｎc （例えば４４個）のデータに変
換している。
【００４２】ここで周波数軸上の有効帯域１ブロック分
の振幅データに対して、ブロック内の最後のデータから
ブロック内の最初のデータまでの値を補間するようなダ
ミーデータを付加してデータ個数をＮF 個に拡大した
後、帯域制限型のＫOS倍（例えば８倍）のオーバーサン
プリングを施すことによりＫOS倍の個数の振幅データを
求め、このＫOS倍の個数((ｍMX＋１) ×ＫOS個）の振幅
データを直線補間してさらに多くのＮM 個（例えば２０
４８個）に拡張し、このＮM 個のデータを間引いて上記
一定個数ＮC （例えば４４個）のデータに変換する。
の振幅データに対して、ブロック内の最後のデータから
ブロック内の最初のデータまでの値を補間するようなダ
ミーデータを付加してデータ個数をＮF 個に拡大した
後、帯域制限型のＫOS倍（例えば８倍）のオーバーサン
プリングを施すことによりＫOS倍の個数の振幅データを
求め、このＫOS倍の個数((ｍMX＋１) ×ＫOS個）の振幅
データを直線補間してさらに多くのＮM 個（例えば２０
４８個）に拡張し、このＮM 個のデータを間引いて上記
一定個数ＮC （例えば４４個）のデータに変換する。
【００４３】このデータ数変換部１０９からのデータ
（上記一定個数ＮC の振幅データ）がベクトル量子化部
１１０に送られて、所定個数のデータ毎にまとめられて
ベクトルとされ、ベクトル量子化が施される。ベクトル
量子化部１１０からの量子化出力データは、出力端子１
１１を介して取り出される。また、上記高精度のピッチ
サーチ部１０６からの高精度（ファイン）ピッチデータ
は、ピッチ符号化部１１５で符号化され、出力端子１１
２を介して取り出される。さらに、上記有声音／無声音
判別部１０７からの有声音／無声音（Ｖ／ＵＶ）判別デ
ータは、出力端子１１３を介して取り出される。
（上記一定個数ＮC の振幅データ）がベクトル量子化部
１１０に送られて、所定個数のデータ毎にまとめられて
ベクトルとされ、ベクトル量子化が施される。ベクトル
量子化部１１０からの量子化出力データは、出力端子１
１１を介して取り出される。また、上記高精度のピッチ
サーチ部１０６からの高精度（ファイン）ピッチデータ
は、ピッチ符号化部１１５で符号化され、出力端子１１
２を介して取り出される。さらに、上記有声音／無声音
判別部１０７からの有声音／無声音（Ｖ／ＵＶ）判別デ
ータは、出力端子１１３を介して取り出される。
【００４４】そして、出力端子１１１、１１２及び１１
３から取り出されたベクトル量子化された振幅データ、
符号化されたピッチデータ及び有声音（Ｖ）／（無声
音）ＵＶ判別データが図１に示した合成側の入力端子１
１、１２及び１３に供給される。
３から取り出されたベクトル量子化された振幅データ、
符号化されたピッチデータ及び有声音（Ｖ）／（無声
音）ＵＶ判別データが図１に示した合成側の入力端子１
１、１２及び１３に供給される。
【００４５】次に、図１に示した有声音合成部１６にお
ける合成処理を詳細に説明する。上記Ｖ（有声音）と判
別された第ｍバンド（第ｍ高調波の帯域）における時間
軸上の上記１合成フレーム（Ｌサンプル、例えば１６０
サンプル）分の有声音をＶm (n) とするとき、この合成
フレーム内の時間インデックス（サンプル番号）ｎを用
いて、 Ｖm (n) ＝Ａm (n) cos(θ(n)) ０≦ｎ＜Ｌ ・・・（11） と表すことができる。全バンドの内のＶ（有声音）と判
別された全てのバンドの有声音を加算（ΣＶm (n) ）し
て最終的な有声音Ｖ(n) を合成する。
ける合成処理を詳細に説明する。上記Ｖ（有声音）と判
別された第ｍバンド（第ｍ高調波の帯域）における時間
軸上の上記１合成フレーム（Ｌサンプル、例えば１６０
サンプル）分の有声音をＶm (n) とするとき、この合成
フレーム内の時間インデックス（サンプル番号）ｎを用
いて、 Ｖm (n) ＝Ａm (n) cos(θ(n)) ０≦ｎ＜Ｌ ・・・（11） と表すことができる。全バンドの内のＶ（有声音）と判
別された全てのバンドの有声音を加算（ΣＶm (n) ）し
て最終的な有声音Ｖ(n) を合成する。
【００４６】この（11）式中のＡm (n) は、上記合成フ
レームの先端から終端までの間で補間された第ｍ高調波
の振幅である。最も簡単には、フレーム単位で更新され
る振幅データの第ｍ高調波の値を直線補間すればよい。
すなわち、上記合成フレームの先端（ｎ＝０）での第ｍ
高調波の振幅値をＡ0m、該合成フレームの終端（ｎ＝
Ｌ：次の合成フレームの先端）での第ｍ高調波の振幅値
をＡLmとするとき、 Ａm (n) ＝ (L-n)Ａ0m／Ｌ＋ｎＡLm／Ｌ ・・・（12） の式によりＡm (n) を計算すればよい。
レームの先端から終端までの間で補間された第ｍ高調波
の振幅である。最も簡単には、フレーム単位で更新され
る振幅データの第ｍ高調波の値を直線補間すればよい。
すなわち、上記合成フレームの先端（ｎ＝０）での第ｍ
高調波の振幅値をＡ0m、該合成フレームの終端（ｎ＝
Ｌ：次の合成フレームの先端）での第ｍ高調波の振幅値
をＡLmとするとき、 Ａm (n) ＝ (L-n)Ａ0m／Ｌ＋ｎＡLm／Ｌ ・・・（12） の式によりＡm (n) を計算すればよい。
【００４７】このように、上記有声音合成部１６は、上
記データ数変換部１５からのデータ数変換データ、ピッ
チ復号化部１８からのピッチ復号データ、入力端子１３
からのＶ／ＵＶ判別情報及び上記位相予測＆修正部２０
からの修正を施された予測位相を元に有声音を合成す
る。
記データ数変換部１５からのデータ数変換データ、ピッ
チ復号化部１８からのピッチ復号データ、入力端子１３
からのＶ／ＵＶ判別情報及び上記位相予測＆修正部２０
からの修正を施された予測位相を元に有声音を合成す
る。
【００４８】ここで、図８のＡは、音声信号のスペクト
ルの一例を示しており、バンド番号（ハーモニクスナン
バ）ｍが８、９、１０の各バンドがＵＶ（無声音）とさ
れ、他のバンドはＶ（有声音）とされている。このＶ
（有声音）のバンドの時間軸信号が上記有声音合成部１
６により合成され、ＵＶ（無声音）のバンドの時間軸信
号が無声音合成部１７で合成されるわけである。
ルの一例を示しており、バンド番号（ハーモニクスナン
バ）ｍが８、９、１０の各バンドがＵＶ（無声音）とさ
れ、他のバンドはＶ（有声音）とされている。このＶ
（有声音）のバンドの時間軸信号が上記有声音合成部１
６により合成され、ＵＶ（無声音）のバンドの時間軸信
号が無声音合成部１７で合成されるわけである。
【００４９】以下、無声音合成部１７における無声音合
成処理を説明する。ホワイトノイズ発生部３１からの時
間軸上のホワイトノイズ信号波形を、所定の長さ（例え
ば２５６サンプル）で適当な窓関数（例えばハミング
窓）により窓かけをし、ＳＴＦＴ処理部３２によりＳＴ
ＦＴ（ショートタームフーリエ変換）処理を施すことに
より、図８のＢに示すようなホワイトノイズの周波数軸
上のパワースペクトルを得る。このＳＴＦＴ処理部３２
からのパワースペクトルをバンド振幅処理部３３に送
り、図８のＣに示すように、上記ＵＶ（無声音）とされ
たバンド（例えばｍ＝８、９、１０）について上記振幅
｜Ａm ｜UVを乗算し、他のＶ（有声音）とされたバンド
の振幅を０にする。このバンド振幅処理部３３には上記
振幅データ、ピッチデータ、Ｖ／ＵＶ判別データが供給
されている。バンド振幅処理部３３からの出力は、ＩＳ
ＴＦＴ処理部３４に送られ、位相は元のホワイトノイズ
の位相を用いて逆ＳＴＦＴ処理を施すことにより時間軸
上の信号に変換する。ＩＳＴＦＴ処理部３４からの出力
は、オーバーラップ加算部３５に送られ、時間軸上で適
当な（元の連続的なノイズ波形を復元できるように）重
み付けをしながらオーバーラップ及び加算を繰り返し、
連続的な時間軸波形を合成する。オーバーラップ加算部
３５からの出力信号が上記加算部２１に送られる。
成処理を説明する。ホワイトノイズ発生部３１からの時
間軸上のホワイトノイズ信号波形を、所定の長さ（例え
ば２５６サンプル）で適当な窓関数（例えばハミング
窓）により窓かけをし、ＳＴＦＴ処理部３２によりＳＴ
ＦＴ（ショートタームフーリエ変換）処理を施すことに
より、図８のＢに示すようなホワイトノイズの周波数軸
上のパワースペクトルを得る。このＳＴＦＴ処理部３２
からのパワースペクトルをバンド振幅処理部３３に送
り、図８のＣに示すように、上記ＵＶ（無声音）とされ
たバンド（例えばｍ＝８、９、１０）について上記振幅
｜Ａm ｜UVを乗算し、他のＶ（有声音）とされたバンド
の振幅を０にする。このバンド振幅処理部３３には上記
振幅データ、ピッチデータ、Ｖ／ＵＶ判別データが供給
されている。バンド振幅処理部３３からの出力は、ＩＳ
ＴＦＴ処理部３４に送られ、位相は元のホワイトノイズ
の位相を用いて逆ＳＴＦＴ処理を施すことにより時間軸
上の信号に変換する。ＩＳＴＦＴ処理部３４からの出力
は、オーバーラップ加算部３５に送られ、時間軸上で適
当な（元の連続的なノイズ波形を復元できるように）重
み付けをしながらオーバーラップ及び加算を繰り返し、
連続的な時間軸波形を合成する。オーバーラップ加算部
３５からの出力信号が上記加算部２１に送られる。
【００５０】このように、各合成部１６、１７において
合成されて時間軸上に戻された有声音部及び無声音部の
各信号は、加算部２１により適当な固定の混合比で加算
され、出力端子２２より再生された音声信号として取り
出される。
合成されて時間軸上に戻された有声音部及び無声音部の
各信号は、加算部２１により適当な固定の混合比で加算
され、出力端子２２より再生された音声信号として取り
出される。
【００５１】したがって、本発明に係る有声音合成方法
の実施例は、例えば、ピッチの長い男声とピッチの短い
女声の予測位相への修正値をピッチに応じて変化させる
ことにより、不必要にノイズ感を増すことなくより自然
な生成音を得られる。
の実施例は、例えば、ピッチの長い男声とピッチの短い
女声の予測位相への修正値をピッチに応じて変化させる
ことにより、不必要にノイズ感を増すことなくより自然
な生成音を得られる。
【００５２】なお、上記図３の音声分析側（エンコード
側）の構成や図１の音声合成側（デコード側）の構成に
ついては、各部をハードウェア的に記載しているが、い
わゆるＤＳＰ（ディジタル信号プロセッサ）等を用いて
ソフトウェアプログラムにより実現することも可能であ
る。
側）の構成や図１の音声合成側（デコード側）の構成に
ついては、各部をハードウェア的に記載しているが、い
わゆるＤＳＰ（ディジタル信号プロセッサ）等を用いて
ソフトウェアプログラムにより実現することも可能であ
る。
【００５３】また、本発明に係る有声音合成方法は、位
相予測の際の初期位相を０としてコサイン波を加算する
ようにしていたが、初期位相をπ／２にすると例えばＤ
ＳＰ（ディジタルシグナルプロセッサ）で演算を行う場
合、ダイナミックレンジが減少するという点で有利であ
る。初期位相を０にするかπ／２にするかの違いは、合
成された波形が偶関数になるか奇関数になるかの違いで
ある。すなわち、合成はコサイン波で行われるので初期
位相０のときは、合成波形もコサイン波であり、偶関数
となり、初期位相π／２のときは、コサイン波をπ／２
だけずらすことになり、合成波形は、サイン波となり、
奇関数になる。ここで、サイン波を合成することによっ
て得られる合成波形のピーク値は、偶関数を用いたとき
の合成波形のピーク値よりも小さくなる。演算のスケー
リングは、ピーク値で決まるので、例えばＤＳＰ（ディ
ジタルシグナルプロセッサ）で演算を行う場合、ダイナ
ミックレンジが減少するという点で初期位相をπ／２と
すると有利である。
相予測の際の初期位相を０としてコサイン波を加算する
ようにしていたが、初期位相をπ／２にすると例えばＤ
ＳＰ（ディジタルシグナルプロセッサ）で演算を行う場
合、ダイナミックレンジが減少するという点で有利であ
る。初期位相を０にするかπ／２にするかの違いは、合
成された波形が偶関数になるか奇関数になるかの違いで
ある。すなわち、合成はコサイン波で行われるので初期
位相０のときは、合成波形もコサイン波であり、偶関数
となり、初期位相π／２のときは、コサイン波をπ／２
だけずらすことになり、合成波形は、サイン波となり、
奇関数になる。ここで、サイン波を合成することによっ
て得られる合成波形のピーク値は、偶関数を用いたとき
の合成波形のピーク値よりも小さくなる。演算のスケー
リングは、ピーク値で決まるので、例えばＤＳＰ（ディ
ジタルシグナルプロセッサ）で演算を行う場合、ダイナ
ミックレンジが減少するという点で初期位相をπ／２と
すると有利である。
【００５４】
【発明の効果】本発明に係る有声音合成方法は、各フレ
ーム毎にフレーム終端部における上記基本波及び高調波
の位相を予測すると共に各フレーム毎の上記予測された
フレーム終端部の位相又は上記基本波及び高調波の少な
くとも１つの周波数を上記ピッチに応じて修正すること
により、不必要なノイズを発生することなく自然な再生
音を得ることができる。
ーム毎にフレーム終端部における上記基本波及び高調波
の位相を予測すると共に各フレーム毎の上記予測された
フレーム終端部の位相又は上記基本波及び高調波の少な
くとも１つの周波数を上記ピッチに応じて修正すること
により、不必要なノイズを発生することなく自然な再生
音を得ることができる。
【図１】本発明に係る有声音合成方法が適用される装置
の具体例としての音声信号の合成分析符号化装置の合成
側（デコード側）の概略構成を示す機能ブロック図であ
る。
の具体例としての音声信号の合成分析符号化装置の合成
側（デコード側）の概略構成を示す機能ブロック図であ
る。
【図２】ピッチ周期の長短による再生音の違いを説明す
るための波形図である。
るための波形図である。
【図３】本発明に係る有声音合成方法が適用される装置
の具体例としての音声信号の合成分析符号化装置の分析
側（エンコード側）の概略構成を示す機能ブロック図で
ある。
の具体例としての音声信号の合成分析符号化装置の分析
側（エンコード側）の概略構成を示す機能ブロック図で
ある。
【図４】窓かけ処理を説明するための図である。
【図５】窓かけ処理と窓関数との関係を説明するための
図である。
図である。
【図６】直交変換（ＦＦＴ）処理対象としての時間軸デ
ータを示す図である。
ータを示す図である。
【図７】周波数軸上のスペクトルデータ、スペクトル包
絡線（エンベロープ）及び励起信号のパワースペクトル
を示す図である。
絡線（エンベロープ）及び励起信号のパワースペクトル
を示す図である。
【図８】音声信号を合成する際の無声音合成を説明する
ための図である。
ための図である。
【符号の説明】 １４・・・・・逆ベクトル量子化部 １５・・・・・データ数逆変換部 １６・・・・・有声音合成部 １７・・・・・無声音合成部 １８・・・・・ピッチ復号化部 １９・・・・・スケールファクター調整部 ２０・・・・・位相予測＆修正部 ２１・・・・・加算部
フロントページの続き (56)参考文献 特開 平２−282800（ＪＰ，Ａ) 特開 平３−53300（ＪＰ，Ａ) 特開 平２−58100（ＪＰ，Ａ) 特開 平２−84700（ＪＰ，Ａ) 特開 平３−43800（ＪＰ，Ａ) 特開 平５−265486（ＪＰ，Ａ) 特開 昭63−273898（ＪＰ，Ａ) 特開 平３−144700（ＪＰ，Ａ) 特公 昭59−36278（ＪＰ，Ｂ２) (58)調査した分野(Int.Cl.7，ＤＢ名) G10L 19/00
Claims (2)
- 【請求項１】 入力された音声信号をフレーム単位で区
分し、区分されたフレーム毎にピッチを求め、求められ
たピッチの基本波及びその高調波であって初期位相が固
定された信号群を用いて有声音を合成する有声音合成方
法において、 各フレーム毎にフレーム終端部における上記基本波及び
高調波の位相を予測すると共に各フレーム毎の上記予測
されたフレーム終端部の位相又は上記基本波及び高調波
の少なくとも１つの周波数を上記ピッチに応じて修正す
ることを特徴とする有声音合成方法。 - 【請求項２】上記ピッチに応じた修正の量は、ピッチ周
波数が低い程大きくされることを特徴とする請求項１記
載の有声音合成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12146392A JP3218680B2 (ja) | 1992-04-15 | 1992-04-15 | 有声音合成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12146392A JP3218680B2 (ja) | 1992-04-15 | 1992-04-15 | 有声音合成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05297892A JPH05297892A (ja) | 1993-11-12 |
| JP3218680B2 true JP3218680B2 (ja) | 2001-10-15 |
Family
ID=14811765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12146392A Expired - Fee Related JP3218680B2 (ja) | 1992-04-15 | 1992-04-15 | 有声音合成方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3218680B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI463806B (zh) * | 2003-12-19 | 2014-12-01 | Creative Tech Ltd | 處理數位影像之方法及系統 |
-
1992
- 1992-04-15 JP JP12146392A patent/JP3218680B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH05297892A (ja) | 1993-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3475446B2 (ja) | 符号化方法 | |
| JP4843124B2 (ja) | 音声信号を符号化及び復号化するためのコーデック及び方法 | |
| KR100427753B1 (ko) | 음성신호재생방법및장치,음성복호화방법및장치,음성합성방법및장치와휴대용무선단말장치 | |
| JP3321971B2 (ja) | 音声信号処理方法 | |
| JPH0869299A (ja) | 音声符号化方法、音声復号化方法及び音声符号化復号化方法 | |
| JP3680374B2 (ja) | 音声合成方法 | |
| JPH11510274A (ja) | 線スペクトル平方根を発生し符号化するための方法と装置 | |
| JP3297749B2 (ja) | 符号化方法 | |
| JP3218679B2 (ja) | 高能率符号化方法 | |
| JP3297751B2 (ja) | データ数変換方法、符号化装置及び復号化装置 | |
| JP3237178B2 (ja) | 符号化方法及び復号化方法 | |
| JP3218680B2 (ja) | 有声音合成方法 | |
| JP3362471B2 (ja) | 音声信号の符号化方法及び復号化方法 | |
| JP3731575B2 (ja) | 符号化装置及び復号装置 | |
| JP3297750B2 (ja) | 符号化方法 | |
| JP3321933B2 (ja) | ピッチ検出方法 | |
| JP3218681B2 (ja) | 背景雑音検出方法及び高能率符号化方法 | |
| JPH0651800A (ja) | データ数変換方法 | |
| JP3398968B2 (ja) | 音声分析合成方法 | |
| JP3271193B2 (ja) | 音声符号化方法 | |
| JP3440500B2 (ja) | デコーダ | |
| JPH06202695A (ja) | 音声信号処理装置 | |
| JP3223564B2 (ja) | ピッチ抽出方法 | |
| JP3221050B2 (ja) | 有声音判別方法 | |
| JPH09127994A (ja) | 信号符号化方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20010710 |
|
| LAPS | Cancellation because of no payment of annual fees |