JP3218681B2 - 背景雑音検出方法及び高能率符号化方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、入力音声信号をブロッ
ク単位で区分して周波数軸に変換して得られた周波数軸
上データから背景雑音を検出する背景雑音検出方法及び
該周波数軸上データを符号化する高能率符号化方法に関
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。

【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。

【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。

【０００５】

【発明が解決しようとする課題】ところで、上記ＰＡＲ
ＣＯＲ方等の音声分析・合成系では、励振源を切り換え
るタイミングは時間軸上のブロック（フレーム）毎であ
るため、同一フレーム内では有声音と無声音とを混在さ
せることができず、結果として高品質な音声は得られな
かった。

【０００６】しかしながら、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
音の判断を行っているため、音質の向上が見られた。こ
こで、上記ＭＢＥ等の符号化方法等のスペクトルマッチ
ングによる音声符号化は、比較的背景雑音に対して耐性
が強いものであるが、背景雑音の検出及び背景雑音を抑
圧するための処理は何も施していなかった。そのため、
合成側（復号化側）で得られる音声は、聞き取りにくか
ったり、異音を発することが生じていた。

【０００７】本発明は、このような実情に鑑みてなされ
たものであり、雑音環境化において、背景雑音を確実に
検出する背景雑音検出方法及び背景雑音を抑えた状態で
明瞭度を失うことなく音声の符号化が可能となる高能率
符号化方法の提供を目的とする。

【０００８】

【課題を解決するための手段】本発明に係る背景雑音検
出方法は、入力された音声信号をブロック単位で区分し
て周波数軸に変換して周波数軸上データを求める工程
と、このブロック単位の周波数軸上データを複数の帯域
に分割する工程と、上記分割されたブロック内の各帯域
毎に有声音か無声音かを判別する工程と、上記ブロック
内で無声音と判別された帯域の個数を求める工程と、上
記ブロック内の信号パワーを求める工程と、上記ブロッ
ク内の無声音の帯域個数が所定値以上でかつ上記ブロッ
ク内の信号パワーが所定値以上のとき上記ブロックに区
分された入力音声信号に背景雑音が有ると判断する工程
とを有することを特徴として上記課題を解決する。

【０００９】ここで、上記ブロックに区分された入力音
声信号に背景雑音があると判断するのは、ブロック内の
各帯域毎に有声音と判別された各帯域毎の対数領域での
信号対雑音特性（具体的にはＳ／Ｎ値）が所定値以下の
ときとしてもよい。また、複数に分割された帯域の数
（バンド数）は、予め低減（縮退）して一定個数として
おいてもよい。

【００１０】また、本発明に係る高能率符号化方法は、
入力された音声信号をブロック単位で区分して周波数軸
に変換して求められた周波数軸上データを符号化する高
能率符号化方法において、上記ブロック内の背景雑音の
有無を判断する工程と、上記工程で背景雑音有りと判断
されたときに有声音の帯域の個数を増やす工程とを有す
ることを特徴として上記課題を解決する。

【００１１】さらに、上記ブロック内で背景雑音有りと
判断されたときに無声音の帯域の信号レベルを減少させ
てもよい。

【００１２】

【作用】ブロック内の無声音の帯域の個数が所定値以上
でかつブロック内の信号パワーが所定値以上のとき、ブ
ロック内の入力音声信号に背景雑音が有るとすることで
確実に背景雑音を検出でき、さらにブロック内で背景雑
音を検出したときには、有声音の帯域の個数を増やし、
無声音の帯域の信号レベルを減少することで雑音レベル
を抑えた状態での音声符号化が可能となる。

【００１３】

【実施例】以下、本発明に係る背景雑音検出方法及び高
能率符号化方法について説明する。ここで、本発明に係
る背景雑音検出方法の実施例は、音声信号を一定サンプ
ル数（例えば２５６サンプル）毎にブロック化して、Ｆ
ＦＴ等の直交変換により周波数軸上のスペクトルデータ
に変換すると共に、該ブロック内の音声のピッチを抽出
し、このピッチに応じた間隔で周波数軸上のスペクトル
を帯域分割し、分割された各帯域についてＶ（有声音）
／ＵＶ（無声音）の判別を行い、ＵＶと判別された帯域
の個数と上記ブロック内の全帯域の信号パワーを求め、
このＵＶ帯域の個数とブロック内の全帯域の信号パワー
とに応じて背景雑音を検出する。

【００１４】また、本発明に係る高能率符号化方法の実
施例は、上記背景雑音検出方法の実施例で検出された背
景雑音に応じて音声信号を符号化する。

【００１５】ここでは、背景雑音検出方法と高能率符号
化方法をまとめた実施例で本発明を説明する。つまり、
ブロックに区分した入力音声信号内の背景雑音を本発明
に係る背景雑音検出方法で検出し、そこで、ブロック内
に背景雑音があるとされた時に、本発明の高能率符号化
方法を用いるような実施例で本発明を説明する。

【００１６】ここで、例えばＭＢＥボコーダ等の音声合
成分析系を想定する場合、入力された時間軸上の音声信
号に対するサンプリング周波数ｆ_s は、通常８kHz で、
全帯域幅は3.4 kHz(ただし有効帯域は２００〜３４００
Hz) であり、女声の高い方から男声の低い方までのピッ
チラグ( ピッチ周期に相当するサンプル数) は、２０〜
１４７程度である。従って、ピッチ周波数は、8000/147
≒５４(Hz)から8000/20 ＝４００(Hz)程度までの間で変
動することになる。従って、周波数軸上で上記3.4 kHz
までの間に約８〜６３本のピッチパルス（ハーモニク
ス）が立つことになる。

【００１７】このように、ピッチに応じた間隔で帯域分
割すると、ブロック（フレーム）毎に分割帯域数（バン
ド数）が約８〜６３個の間で変化することになることを
考慮して、分割バンド数を一定の個数（例えば１２個程
度）に低減あるいは縮退させておくことが好ましい。

【００１８】本発明の実施例においては、このように縮
退させられた、あるいはピッチに応じて分割された複数
のバンド（帯域）毎になされたＶ／ＵＶの判別情報に基
づいて、全バンド中のＵＶ（無声音）バンドの数を求
め、その数が所定値以上でかつ全バンドの信号パワーが
所定値以上のとき等に入力された音声信号に背景雑音が
含まれていることを判断し、この背景雑音を含むブロッ
ク内の有声音を増やしたり、無声音の帯域の信号レベル
を減少させる等の背景雑音抑圧処理を施す。

【００１９】この実施例について、図１に示すフローチ
ャートと、図２に示すスペクトル波形を参照しながら説
明する。以下の説明では、分割バンド（帯域）数が上述
したように縮退されて例えば１２バンドとされているも
のを想定しているが、元のピッチに応じて分割された可
変のバンド数の場合にも同様に背景雑音の検出が行える
ものである。

【００２０】図１において、最初のステップＳ１におい
ては、全てのバンドのＶ／ＵＶ判別データを入力する。
例えば図２のＡに示すように、第０バンドから第１１バ
ンドまでの１２バンドに縮退されている場合には、これ
ら全１２バンドの各Ｖ／ＵＶ判別データを取り込む。

【００２１】次のステップＳ２では、ＵＶバンドの個数
Ｎ_UVが所定値Ｎ_th以上か否かを判別する。図２のＡの例
では、第３、４、５、６、７、８、９、１０、１１バン
ドの９バンドがＵＶとなっているから、Ｎ_UV＝９であ
る。ここで所定値（閾値）Ｎ_thを例えば８とすると、Ｙ
ＥＳを判別することになり、ステップＳ３に進む。

【００２２】ステップＳ３では、ブロック内の信号のパ
ワーＰ_w が所定値Ｐ_th以上か否かを判別する。ここで、
ＹＥＳを判別するとステップＳ４に進む。

【００２３】ステップＳ４では、上記ステップＳ３の判
別結果を受けて、当該ブロックが背景雑音であると判断
し、この背景雑音であるブロックをカウントしていく。
そして、ステップＳ５に進む。

【００２４】ステップＳ５では、上記ステップＳ４での
背景雑音であるブロックのカウント値Ａ_DUが所定値Ａ
_thu 以上か否かを判別する。ここで、ＹＥＳ（Ａ_thu ≦
Ａ_DU)を判別するとステップＳ６に進む。

【００２５】ステップＳ６では、上記ステップＳ５の判
別結果より、入力音声信号に背景雑音が含まれていると
判断する。

【００２６】上記ステップＳ４、Ｓ５を通してからステ
ップＳ６の判断を導くようにしたのは、上記ステップＳ
３の判別結果、すなわち、当該１ブロックが背景雑音で
あるから入力音声信号に背景雑音が含まれているとする
判断での誤りを防ぐためである。例えば、会話が途絶え
て背景雑音であるブロックが何ブロックか続いた場合、
すなわち、ある一定時間背景雑音が続いた場合に入力音
声信号である会話の中に背景雑音が含まれているとする
誤りのない判断をするためである。

【００２７】ステップＳ７では、上記ステップＳ６の入
力音声信号には、背景雑音が含まれているという判断を
受けて、例えば、背景雑音と有声音が混じったような例
えば会話の雑音抑圧処理を開始する。

【００２８】ここで、上記ステップＳ２でＮＯ（Ｎ_UV＜
Ｎ_th）が判別されるとステップＳ８に進み、当該ブロッ
クは、背景雑音でないと判断し、次のブロックへ進む。
（新たなブロックの背景雑音の検出に進む。）

【００２９】また、上記ステップＳ３でＮＯ（Ｐ_w ＜Ｐ
_th）が判別されるとステップＳ９に進み、当該ブロック
は、背景雑音でないとして、この背景雑音でないブロッ
クをカウントしていく。そして、ステップＳ１０に進
む。

【００３０】ステップＳ１０では、背景雑音でないとさ
れたブロックのカウントによる合計Ａ_DVが所定値Ａ_thV
以上か否かを判別する。ここで、ＹＥＳ（Ａ_thV ≦
Ａ_DV）を判別するとステップＳ１１に進む。

【００３１】ステップＳ１１では、上記ステップＳ１０
の判別結果（Ａ_thV ≦Ａ_DV）より、入力音声信号に背景
雑音が含まれていないと判断する。そして新たなブロッ
クの背景雑音の検出に進む。あるいは、雑音抑圧処理を
停止させる。

【００３２】上記ステップＳ５でＮＯを判別（Ａ_DU＜Ａ
_thU ）すると次のブロックへ進む。（新たなブロックの
背景雑音の検出に進む。）また、上記ステップＳ１０で
ＮＯを判別（Ａ_DV＜Ａ_thV ) すると次のブロックへ進
む。（新たなブロックの背景雑音の検出に進む。）

【００３３】上記ステップＳ７で行われる雑音抑圧処理
について説明する。この雑音抑圧処理は、上記ステップ
Ｓ６で入力音声信号に背景雑音が含まれているとされた
ときに行われる。例えば、ステップＳ１に図２のＡに示
すスペクトル波形のＶ／ＵＶ判別データが入力されたと
し、ステップＳ２、Ｓ３、Ｓ４及びＳ５を通じてステッ
プＳ６で背景雑音が含まれているとされたとする。する
とこのステップＳ７では、図２のＡの第０バンドから第
２バンドまでの例えば３バンドのＶ領域ｖ_old を図２の
Ｂに示すように第０バンドから第６バンドまでの例えば
７バンドに渡る領域ｋ・ｖ_old （ｋ＞１）に拡張する。
すなわち、Ｖのバンドである聴きやすい帯域を広くとる
という雑音抑圧処理が行われるのである。また、図２の
Ａの第３、４、５、６、７、８、９、１０、１１バンド
に渡るＵＶ領域の信号レベルＡ_miを減少させ、Ｐ・Ａ_mi
（Ｐ＜１）とすることによっても雑音抑圧をすることが
できる。図２のＢに示した例は、先ず、Ｖバンドの領域
を拡張した後、１２−ｋ・ｖ_old となったＵＶの領域の
信号レベルを減少させたものである。

【００３４】ここで、上記ステップＳ２及びＳ３を用い
た方法と異なる方法で背景雑音を検出する方法を説明す
る。この方法は、入力音声信号に雑音が加わったことに
よるスペクトルの乱れを強調するような尺度でスペクト
ルを解析し、背景雑音を検出するものであり、対数領域
での信号対雑音特性（Ｓ／Ｎ値）に応じて背景雑音を検
出する。

【００３５】例えば、通常のリニアデータによる信号対
雑音特性では、はっきりと出なかった差でも、 Ｓ／Ｎ＝Σ｛log ｓ(n) ｝² ／Σ｛log ｓ(n) −log e (n) ｝² で示すような対数領域での信号対雑音特性（Ｓ／Ｎ）に
よれば、スペクトルの乱れを強調するような尺度でその
差を表す。ここで、ｎはバンド内のサンプル数であり、
ｅは励起信号を表す。

【００３６】したがって、本発明に係る背景雑音検出方
法及び高能率符号化方法の実施例は、背景雑音を確実に
検出でき、明瞭度を失わずかつ雑音レベルを抑えた状態
での音声符号化が可能となる。

【００３７】この本発明に係る背景雑音検出方法によ
り、背景雑音が検出されたときには、この本発明に係る
高能率符号化方法により、ＭＢＥ等のボコーダの分析側
で明瞭度を失わず、かつ雑音レベルを抑えた状態での音
声符号化が可能となる。

【００３８】以下本発明に係る背景雑音検出方法及び高
能率符号化方法が適用可能となる音声信号の合成分析符
号化装置（いわゆるボコーダ）の一種のＭＢＥ（Multib
andExcitation: マルチバンド励起）ボコーダの具体例
について、図面を参照しながら説明する。このＭＢＥボ
コーダは、D. W. Griffin and J. S. Lim,"MultibandEx
citation Vocoder," IEEE Trans.Acoustics,Speech,and
Signal Processing,vol.36, No.8, pp.1223-1235, Au
g.1988 に開示されているものであり、従来のＰＡＲＣ
ＯＲ（PARtial auto-CORrelation: 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。

【００３９】図３は、上記ＭＢＥボコーダの具体例の全
体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（２
００Hz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。

【００４０】このような窓かけ処理を数式で表すと、 ｘ_w (k,q) ＝ｘ(q) ｗ(kL-q) ・・・（１） となる。この（１）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ｘ_w (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ｗ_r (r) は、 ｗ_r (r) ＝１ ０≦ｒ＜Ｎ ・・・（２） ＝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ｗ_h (r) は、 ｗ_h (r) ＝ 0.54 − 0.46 cos(２πr/(N-1)) ０≦ｒ＜Ｎ ・・・（３） ＝０ ｒ＜０，Ｎ≦ｒ である。このような窓関数ｗ_r (r) あるいはｗ_h (r) を
用いるときの上記（１）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ｗ_r (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（１）〜（３）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（２）
式、（３）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ｘ_wr(k,r) 、ｘ_wh
(k,r) と表すことにする。

【００４１】窓かけ処理部１０４では、図６に示すよう
に、上記（３）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ｘ_wh(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。

【００４２】ピッチ抽出部１０３では、上記ｘ_wr(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。

【００４３】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。

【００４４】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 ・・・（４） 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＝ｆ_s ／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（４）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。

【００４５】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。

【００４６】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）｜Ａ_m
｜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ａ_m 、ｂ_m とすると
き、この第ｍバンドのエラーε_m は、

【００４７】

【数１】

【００４８】で表せる。このエラーε_m を最小化するよ
うな｜Ａ_m ｜は、

【００４９】

【数２】

【００５０】となり、この（６）式の｜Ａ_m ｜のとき、
エラーε_m を最小化する。このような振幅｜Ａ_m ｜を各
バンド毎に求め、得られた各振幅｜Ａ_m ｜を用いて上記
（５）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ε_m の全バン
ドの総和値Σε_m を求める。さらに、このような全バン
ドのエラー総和値Σε_m 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Σε_m が最小となるよ
うなピッチを求める。

【００５１】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Σε_m 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（６）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（５）式のエラーε_m を求め、そ
の全バンドの総和値Σε_m を求めることができる。この
エラー総和値Σε_m 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｜Ａ_m ｜
が決定される。

【００５２】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。

【００５３】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｜Ａ_m ｜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、

【００５４】

【数３】

【００５５】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｜Ａ_m ｜｜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。

【００５６】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｜Ａ_m
｜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｜Ａ_m ｜_UVは、

【００５７】

【数４】

【００５８】にて求められる。

【００５９】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｜Ａ_m ｜_UVも含む）データの個
数ｍ_MX＋１も８〜６３と変化することになる。このため
データ数変換部１０９では、この可変個数ｍ_MX＋１の振
幅データを一定個数Ｎ_C （例えば４４個）のデータに変
換している。

【００６０】ここで本実施例においては、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Ｎ_F 個に拡大した後、帯域制限型のＫ_OS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Ｋ_OS倍の
個数の振幅データを求め、このＫ_OS倍の個数（( ｍ_MX＋
１) ×Ｋ_OS個）の振幅データを直線補間してさらに多く
のＮ_M 個（例えば２０４８個）に拡張し、このＮ_M 個の
データを間引いて上記一定個数Ｎ_C （例えば４４個）の
データに変換する。

【００６１】このデータ数変換部１０９からのデータ
（上記一定個数Ｎ_C 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。これら
の各出力端子１１１〜１１３からのデータは、所定の伝
送フォーマットの信号とされて伝送される。

【００６２】なお、これらの各データは、上記Ｎサンプ
ル（例えば２５６サンプル）のブロック内のデータに対
して処理を施すことにより得られるものであるが、ブロ
ックは時間軸上を上記Ｌサンプルのフレームを単位とし
て前進することから、伝送するデータは上記フレーム単
位で得られる。すなわち、上記フレーム周期でピッチデ
ータ、Ｖ／ＵＶ判別データ、振幅データが更新されるこ
とになる。

【００６３】次に、伝送されて得られた上記各データに
基づき音声信号を合成するための合成側（デコード側）
の概略構成について、図８を参照しながら説明する。こ
の図８において、入力端子１２１には上記ベクトル量子
化された振幅データが、入力端子１２２には上記符号化
されたピッチデータが、また入力端子１２３には上記Ｖ
／ＵＶ判別データがそれぞれ供給される。入力端子１２
１からの量子化振幅データは、逆ベクトル量子化部１２
４に送られて逆量子化され、データ数逆変換部１２５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１２６及び無声音合成部１２７に送られる。入力端子
１２２からの符号化ピッチデータは、ピッチ復号化部１
２８で復号化され、データ数逆変換部１２５、有声音合
成部１２６及び無声音合成部１２７に送られる。また入
力端子１２３からのＶ／ＵＶ判別データは、有声音合成
部１２６及び無声音合成部１２７に送られる。

【００６４】有声音合成部１２６では例えば余弦(cosin
e)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１２７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１２９で加算合成して、出力端子１３０より取り
出すようにしている。この場合、上記振幅データ、ピッ
チデータ及びＶ／ＵＶ判別データは、上記分析時の１フ
レーム（Ｌサンプル、例えば１６０サンプル）毎に更新
されて与えられるが、フレーム間の連続性を高める（円
滑化する）ために、上記振幅データやピッチデータの各
値を１フレーム中の例えば中心位置における各データ値
とし、次のフレームの中心位置までの間（合成時の１フ
レーム）の各データ値を補間により求める。すなわち、
合成時の１フレーム（例えば上記分析フレームの中心か
ら次の分析フレームの中心まで）において、先端サンプ
ル点での各データ値と終端（次の合成フレームの先端）
サンプル点での各データ値とが与えられ、これらのサン
プル点間の各データ値を補間により求めるようにしてい
る。

【００６５】以下、有声音合成部１２６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Ｖ_m (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、 Ｖ_m (n) ＝Ａ_m (n) cos(θ_m (n)) ０≦ｎ＜Ｌ ・・・（９） 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（ΣＶ_m (n) ）し
て最終的な有声音Ｖ(n) を合成する。

【００６６】この（９）式中のＡ_m (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Ａ_0m、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Ａ_Lmとするとき、 Ａ_m (n) ＝ (L-n)Ａ_0m／Ｌ＋ｎＡ_Lm／Ｌ ・・・（10） の式によりＡ_m (n) を計算すればよい。

【００６７】次に、上記（９）式中の位相θ_m (n) は、 θ _m (n) ＝ｍω_O1ｎ＋ｎ² ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋Δωｎ ・・・（11） により求めることができる。この（11）式中で、φ_0mは
上記合成フレームの先端（ｎ＝０）での第ｍ高調波の位
相（フレーム初期位相）を示し、ω₀₁は合成フレーム先
端（ｎ＝０）での基本角周波数、ω_L1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
波数をそれぞれ示している。上記（11）式中のΔωは、
ｎ＝Ｌにおける位相φ_Lmがθ_m (L) に等しくなるような
最小のΔωを設定する。

【００６８】以下、任意の第ｍバンドにおいて、それぞ
れｎ＝０、ｎ＝ＬのときのＶ／ＵＶ判別結果に応じた上
記振幅Ａ_m (n) 、位相θ_m (n) の求め方を説明する。第
ｍバンドが、ｎ＝０、ｎ＝ＬのいずれもＶ（有声音）と
される場合に、振幅Ａ_m (n) は、上述した（10）式によ
り、伝送された振幅値Ａ_0m、Ａ_Lmを直線補間して振幅Ａ
_m (n) を算出すればよい。位相θ_m (n) は、ｎ＝０でθ
_m (0) ＝φ_0mからｎ＝Ｌでθ_m (L) がφ_Lmとなるように
Δωを設定する。

【００６９】次に、ｎ＝０のときＶ（有声音）で、ｎ＝
ＬのときＵＶ（無声音）とされる場合に、振幅Ａ_m (n)
は、Ａ_m (0) の伝送振幅値Ａ_0mからＡ_m (L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値Ａ_Lmは無声
音の振幅値であり、後述する無声音合成の際に用いられ
る。位相θ_m (n) は、θ_m (0) ＝φ_0mとし、かつΔω＝
０とする。

【００７０】さらに、ｎ＝０のときＵＶ（無声音）で、
ｎ＝ＬのときＶ（有声音）とされる場合には、振幅Ａ_m
(n) は、ｎ＝０での振幅Ａ_m (0) を０とし、ｎ＝Ｌで伝
送された振幅値Ａ_Lmとなるように直線補間する。位相θ
_m (n) については、ｎ＝０での位相θ_m (0) として、フ
レーム終端での位相値φ_Lmを用いて、 θ_m (0) ＝φ_Lm−ｍ（ω_O1＋ω_L1）Ｌ／２ ・・・（12） とし、かつΔω＝０とする。

【００７１】上記ｎ＝０、ｎ＝ＬのいずれもＶ（有声
音）とされる場合に、θ_m (L) がφ_LmとなるようにΔω
を設定する手法について説明する。上記（11）式で、ｎ
＝Ｌと置くことにより、 θ_m (L) ＝ｍω_O1Ｌ＋Ｌ² ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋ΔωＬ ＝ｍ（ω_O1＋ω_L1）Ｌ／２＋φ_0m＋ΔωＬ ＝φ_Lm となり、これを整理すると、Δωは、 Δω＝（mod2π((φ_Lm−φ_0m) − mL(ω_O1＋ω_L1)/2)／Ｌ ・・・（13） となる。この（13）式でmod2π(x) とは、ｘの主値を−
π〜＋πの間の値で返す関数である。例えば、ｘ＝１.3
πのときmod2π(x) ＝−０.7π、ｘ＝２.3πのときmod2
π(x) ＝０.3π、ｘ＝−１.3πのときmod2π(x) ＝０.7
π、等である。

【００７２】ここで、図９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
２６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１２７で合成されるわけである。

【００７３】以下、無声音合成部１２７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１３１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１３２によ
りＳＴＦＴ（ショートタームフーリエ変換）処理を施す
ことにより、図９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１３２からのパワースペクトルをバンド振幅処理部１
３３に送り、図９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｜Ａ_m ｜_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１
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１３３から
の出力は、ＩＳＴＦＴ処理部１３４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１３４からの出力は、オーバーラップ加算部１３５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１３５からの出力信号が上記加算
部１２９に送られる。

【００７４】このように、各合成部１２６、１２７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１２９により適当な固定の混合比
で加算して、出力端子１３０より再生された音声信号を
取り出す。

【００７５】なお、上記図３の音声分析側（エンコード
側）の構成や図８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。

【００７６】また、本発明に係る背景雑音検出方法は、
上記高能率符号化方法に利用されるだけでなく、例え
ば、自動車電話の送信側で環境雑音を落としたいような
とき、背景雑音を検出する手段としても用いられる。す
なわち、雑音に乱された低品質の音声を処理し、雑音の
影響を取り除き、聴きやすい音にするようなときの雑音
検出にも利用される。

【００７７】

【発明の効果】本発明に係る背景雑音検出方法及び高能
率符号化方法は、入力音声信号をブロック単位で区分し
て周波数軸に変換してデータを複数の帯域に分割し、分
割された各帯域毎に有声音か無声音かを判別し、ブロッ
ク内の無声音の帯域の個数が所定値以上でかつブロック
内の信号パワーが所定値以上のとき、ブロック内の入力
音声信号に背景雑音が有るとすることで確実に背景雑音
を検出でき、さらにブロック内で背景雑音を検出したと
きには、有声音の帯域の個数を増やし、無声音の帯域の
信号レベルを減少することで雑音環境下においても、明
瞭度を失わずかつ、雑音レベルを抑えた状態での音声符
号化が可能となる。また、本発明をＭＢＥボコーダに適
用することで、従来のＭＢＥが背景雑音等のピッチの無
い入力をいかにもピッチがある出力としてしまうような
聴感上の雑音の出力を防ぐことができる。

【図面の簡単な説明】

【図１】本発明に係る背景雑音検出方法及び高能率符号
化方法の実施例を説明するためのフローチャート図であ
る。

【図２】高能率符号化方法の背景雑音抑圧処理を説明す
るための波形図である。

【図３】本発明に係る背景雑音検出方法及び高能率符号
化方法が適用される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。

【図７】周波数軸上のスペクトルデータ、スペクトル包
絡線（エンペロープ）及び励起信号のパワースペクトル
を示す図である。

【図８】本発明に係る背景雑音検出方法及び高能率符号
化方法が適用される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９】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。

【符号の説明】

１０３・・・・・ピッチ抽出部 １０４・・・・・窓かけ処理部 １０５・・・・・直交変換（ＦＦＴ）部 １０６・・・・・高精度（ファイン）ピッチサーチ部 １０７・・・・・有声音／無声音判別部 １０８・・・・・振幅再評価部 １０９・・・・・データ数変換部 １１０・・・・・ベクトル量子化部

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平４−116700（ＪＰ，Ａ) 特開 平４−24693（ＪＰ，Ａ) 特開 平３−266899（ＪＰ，Ａ) 特開 平３−247100（ＪＰ，Ａ) 特開 昭56−46300（ＪＰ，Ａ) 特開 平５−158500（ＪＰ，Ａ) 特開 平４−227338（ＪＰ，Ａ) 特開 平３−247011（ＪＰ，Ａ) 特開 昭63−142399（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 19/02 G10L 19/00

Claims (4)

(57)【特許請求の範囲】
1. 【請求項１】 入力された音声信号をブロック単位で区
   分して周波数軸に変換して周波数軸上データを求める工
   程と、 このブロック単位の周波数軸上データを複数の帯域に分
   割する工程と、 上記分割されたブロック内の各帯域毎に有声音か無声音
   かを判別する工程と、 上記ブロック内で無声音と判別された帯域の個数を求め
   る工程と、 上記ブロック内の信号パワーを求める工程と、 上記ブロック内の無声音の帯域個数が所定値以上でかつ
   上記ブロック内の信号パワーが所定値以上のとき上記ブ
   ロックに区分された入力音声信号に背景雑音が有ると判
   断する工程とを有することを特徴とする背景雑音検出方
   法。
2. 【請求項２】 入力された音声信号をブロック単位で区
   分して周波数軸に変換して周波数軸上データを求める工
   程と、 このブロック単位の周波数軸上データを複数の帯域に分
   割する工程と、 上記分割されたブロック内の各帯域毎に有声音か否かを
   判別する工程と、 上記ブロック内で有声音と判別された帯域の対数領域で
   の信号対雑音特性を求める工程と、 上記信号対雑音特性が所定値以下のとき上記ブロックに
   区分された入力音声信号に背景雑音が有ると判断する工
   程とを有することを特徴とする背景雑音検出方法。
3. 【請求項３】 入力された音声信号をブロック単位で区
   分して周波数軸に変換して求められた周波数軸上データ
   を符号化する高能率符号化方法において、 上記ブロック内の背景雑音の有無を判断する工程と、 上記工程で背景雑音有りと判断されたときに有声音の帯
   域の個数を増やす工程とを有することを特徴とする高能
   率符号化方法。
4. 【請求項４】 入力された音声信号をブロック単位で区
   分して周波数軸に変換して求められた周波数軸上データ
   を符号化する高能率符号化方法において、 上記ブロック内の背景雑音の有無を判断する工程と、 上記工程で背景雑音有りと判断されたときに無声音の帯
   域の信号レベルを減少する工程とを有することを特徴と
   する高能率符号化方法。