JP3271193B2 - 音声符号化方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、入力音声信号を周波数
軸上に変換して得られた周波数軸上データを符号化する
ような音声符号化方法に関する。

【０００２】

【従来の技術】音声信号の時間軸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
が知られている。

【０００３】音声信号等の符号化の具体的な例として
は、ＭＢＥ（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、ハーモニック（Harmonic) 符号
化、ＳＢＣ（Sub-band Coding:帯域分割符号化) 、ＬＰ
Ｃ（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ＤＣＴ）、ＦＦＴ（高速フーリエ変換）等があ
る。

【０００４】例えば、上記ＭＢＥ符号化においては、入
力音声信号波形からピッチを抽出する場合、明確なピッ
チが表れない場合でもピッチの軌跡を追跡することによ
り、ピッチを捉えていた。

【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、１ブロック（フレーム）内の音声
信号のスペクトル包絡を該ブロックで抽出したピッチに
応じて帯域（バンド）分割し、各バンド毎に有声音／無
声音の判断を行っており、また、スペクトルの周期性を
考慮し、各高調波（ハーモニクス）位置での振幅を求め
て得たスペクトル包絡（エンベロープ）を量子化してい
るため、上記ピッチが不確実なときには、有声音／無声
音の判断及びスペクトルマッチングも不正確になり、結
果的に合成された音声の音質の劣化を招く虞れがあっ
た。

【０００６】つまり、ピッチが不明確な時に、図10の破
線で示すように無理にスペクトルのマッチングをとろう
とすると２番目以降のバンドでは、正確なスペクトルの
振幅を得ることができない。また、１番目のバンドのよ
うにたまたまマッチングがとれたとしても該１番目のバ
ンドは有声音として処理されてしまい、異音の原因とな
ってしまう。ここで図10は、横軸に周波数及びバンド、
縦軸にスペクトルの振幅を示している。また、実線の波
形は、入力音声波形のスペクトル包絡である。

【０００７】そこで、本発明は、上記実情に鑑みてなさ
れたものであり、入力音声信号から検出したピッチが不
確実なときには、スペクトル包絡のバンド幅を狭く設定
してスペクトル分析を行う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】本発明に係る音声符号化
方法は、入力音声信号のスペクトル包絡を求め、該スペ
クトル包絡を複数のバンドに分割し、各バンド毎のパワ
ーに応じて量子化を行う音声符号化方法において、上記
入力音声信号のピッチを検出し、上記ピッチが確実に検
出されたときには検出されたピッチに応じた帯域幅で上
記スペクトル包絡を分割し、上記ピッチが確実に検出さ
れないときには所定の狭い帯域幅で上記スペクトル包絡
を分割することを特徴として上記課題を解決する。

【０００９】ここで、上記ピッチが確実に検出されたと
きには、該ピッチに応じて分割された各バンド毎にＶ
（有声音）／ＵＶ（無声音）を判断し、上記ピッチが確
実に検出されなかったときには、上記所定の狭い帯域幅
の全帯域を無声音とする。

【００１０】

【作用】本発明に係る音声符号化方法は、上記入力音声
信号から検出されたピッチが確実であるときには検出さ
れたピッチに応じたバンド幅で上記スペクトル包絡を分
割し、上記ピッチが確実でないときには上記スペクトル
包絡のバンド幅を狭く設定することにより、それぞれの
場合に応じた符号化を行うことができる。

【００１１】

【実施例】以下に、本発明に係る音声符号化方法の実施
例について説明する。この音声符号化方法には、ＭＢＥ
符号化等のように、ブロック毎の信号を周波数軸上に変
換し、複数帯域に分割して各帯域毎にＶ（有声音）かＵ
Ｖ（無声音）かを判別するような符号化方法を用いるこ
とができる。

【００１２】すなわち、本発明が適用される一般的な符
号化方法としては、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、ＦＦＴ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検出し、このピッ
チが確実であるときにはこの確実な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
っている。また、検出されたピッチが確実でないときあ
るいは全くピッチが検出されないときには上記周波数軸
上のスペクトルを狭く帯域分割し、全ての帯域を無声音
とする。

【００１３】この本発明に係る音声符号化方法の符号化
の流れを図１に示すフローチャートを参照しながら以下
に説明する。図１において、最初のステップＳ１では、
入力音声信号のスペクトル包絡を求める。例えば、図２
に示す実線の波形（いわゆるオリジナルのスペクトル）
である。

【００１４】ステップＳ２では、上記ステップＳ１で求
められた入力音声信号のスペクトル包絡からピッチを検
出する。このピッチ検出では、確実にピッチを検出する
ために、例えばセンタクリップ波形の自己相関法を採用
する。このセンタクリップ波形の自己相関法は、クリッ
ピングレベルを越えたセンタクリップ波形を自己相関処
理し、ピッチを求める方法である。

【００１５】ステップＳ３では、上記ステップＳ２で検
出したピッチが確実なピッチであるか否かを判別する。
上記ステップＳ２では、確実にピッチを検出しようとし
ているが突発的にピッチの取りこぼし、整数倍または、
整数分の１等の誤ったピッチの検出もある。このような
不確実な検出ピッチをこのステップＳ３で、区別する。
ここで、ＹＥＳ（検出ピッチが確実である）を判別する
とステップＳ４に進み、ＮＯ（検出ピッチが確実でな
い）を判別するとステップＳ５に進む。

【００１６】ステップＳ４では、上記ステップＳ２で検
出されたピッチが確実であるという上記ステップＳ３で
の判別を受けて、確実なピッチに応じたバンド幅で上記
スペクトル包絡を分割する。言い換えると、ピッチに応
じた間隔で周波数軸上のスペクトル包絡をバンド分割す
る。

【００１７】ステップＳ５では、上記ステップＳ２で検
出されたピッチが不確実であるという上記ステップ３で
の判別を受けて、最も狭いバンド幅で上記スペクトル包
絡を分割する。

【００１８】ステップＳ６では、上記ステップＳ４でピ
ッチに応じた間隔で分割されたバンド毎にＶ（有声音）
／ＵＶ（無声音）を判別する。

【００１９】ステップＳ７では、上記ステップＳ５で最
も狭い幅で分割された全バンドを無声音とする。本実施
例では、図２に示すように０から147 までの148 バンド
に分割し、強制的にＵＶとしている。このように148 分
割という細かいバンドにすると、実線で示す元のスペク
トル包絡を忠実になぞることができる。

【００２０】ステップＳ８では、上記ステップＳ４及び
ステップＳ５で設定された各バンド毎のパワーに応じて
スペクトル包絡を量子化する。特に、上記ステップＳ５
で設定された最も狭いバンド幅による分割のときには、
上記量子化の精度を向上させることができ、さらに、全
バンドの励振源として、白色雑音を用いると合成音声
は、図２に破線で示すようなマッチングをとったスペク
トルによって色づけされた雑音となるため、耳につくよ
うな異音を生じない。

【００２１】このように、本発明に係る音声符号化方法
の実施例は、入力音声信号のピッチ検出で検出されたピ
ッチが確実であるか否かによって、スペクトル包絡の分
割帯域の幅を変えて設定している。例えば、上記ピッチ
が確実であれば、この確実なピッチに応じて分割帯域幅
を設定し、Ｖ／ＵＶの判定を行っている。また、上記ピ
ッチが不確実であれば、分割帯域幅を最も狭く（例えば
148 分割) 設定し、全帯域をＵＶとしている。

【００２２】したがって、特にピッチがはっきり現れな
いような不確実な場合には、特殊ケースとしてスペクト
ル分析を行っており、合成される音声の音質を劣化させ
ることがない。

【００２３】次に、本発明に係る音声符号化方法を適用
することができる音声信号の合成分析符号化装置（いわ
ゆるボコーダ）の一種であるＭＢＥ（Multiband Excita
tion: マルチバンド励起）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,"Multiband Excitation Vocoder," IEEETra
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-CORrelat
ion: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。

【００２４】図３は、上記ＭＢＥボコーダの全体の概略
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２００〜３４０
０Hz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１
０４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＝２５
６）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。

【００２５】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。

【００２６】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。

【００２７】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。

【００２８】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。

【００２９】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。

【００３０】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。

【００３１】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、

【００３２】

【数１】

【００３３】で表せる。このエラーε_m を最小化するよ
うな｜Ａ_m ｜は、

【００３４】

【数２】

【００３５】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ε_m 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Σεm が最小となるよ
うなピッチを求める。

【００３６】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。

【００３７】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。

【００３８】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、

【００３９】

【数３】

【００４０】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。

【００４１】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、

【００４２】

【数４】

【００４３】にて求められる。

【００４４】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。

【００４５】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ＮC （例えば４４個）の
データに変換する。

【００４６】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。

【００４７】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。

【００４８】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。

【００４９】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。

【００５０】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。

【００５１】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。

【００５２】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。

【００５３】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。

【００５４】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。

【００５５】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。

【００５６】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(ω₀₁＋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。

【００５７】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。

【００５８】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。

【００５９】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。

【００６０】以上のように上記ＭＢＥでは、高精度のピ
ッチ検出が必要とされるが、本発明に係る音声符号化方
法を適用し、ピッチがはっきりと現れないときには、ス
ペクトル包絡の分割を最も狭くし、全バンドを無声音と
すれば、元のスペクトル包絡を忠実になぞることがで
き、スペクトル量子化の精度を向上させることができ
る。

【００６１】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。

【００６２】

【発明の効果】本発明に係る音声符号化方法は、上記入
力音声信号から検出されたピッチが確実であるときには
検出されたピッチに応じた帯域幅で上記スペクトル包絡
を分割し、上記ピッチが確実でないときには上記スペク
トル包絡の帯域幅を狭く設定することにより、それぞれ
の場合に応じた符号化を行うことができる。特にピッチ
がはっきりと現れないような場合は、特殊ケースとして
全バンドを無声音として処理するため、スペクトル分析
の精度向上が可能となり、異音を発生することもなく、
音質の劣化を避けることができる。

【図面の簡単な説明】

【図１】本発明に係る音声符号化方法の実施例の符号化
の流れを説明するためのフローチャートである。

【図２】本発明に係る音声符号化方法の実施例の符号化
を説明するための波形図である。

【図３】本発明に係る音声符号化方法が適用可能な装置
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。

【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】本発明に係る音声符号化方法が適用可能な装置
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。

【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。

【図１０】従来の音声符号化を説明するための波形図で
ある。

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 昭58−211795（ＪＰ，Ａ) 特開 昭62−54300（ＪＰ，Ａ) 特開 昭62−271000（ＪＰ，Ａ) 特開 昭63−285032（ＪＰ，Ａ) 特開 平２−7100（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 11/04 - 11/06 G10L 19/00 - 19/02

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】 入力音声信号のスペクトル包絡を求め、
   該スペクトル包絡を複数の帯域に分割し、各帯域毎のパ
   ワーに応じて量子化を行う音声符号化方法において、 上記入力音声信号のピッチを検出し、上記ピッチが確実
   に検出されたときには検出されたピッチに応じた帯域幅
   で上記スペクトル包絡を分割し、上記ピッチが確実に検
   出されないときには所定の狭い帯域幅で上記スペクトル
   包絡を分割することを特徴とする音声符号化方法。
2. 【請求項２】 上記入力音声信号のピッチを検出する際
   に全くピッチが検出されないときには上記スペクトル包
   絡の全ての帯域を無声音とすることを特徴とする請求項
   １記載の音声符号化方法。