JP3358139B2 - 音声ピッチマーク設定方法 - Google Patents
音声ピッチマーク設定方法Info
- Publication number
- JP3358139B2 JP3358139B2 JP33385295A JP33385295A JP3358139B2 JP 3358139 B2 JP3358139 B2 JP 3358139B2 JP 33385295 A JP33385295 A JP 33385295A JP 33385295 A JP33385295 A JP 33385295A JP 3358139 B2 JP3358139 B2 JP 3358139B2
- Authority
- JP
- Japan
- Prior art keywords
- pitch
- voice
- waveform
- pitch mark
- maximum value
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
【０００１】
【発明の属する技術分野】本発明は、入力音声の波形に
対してピッチマークを設定する音声ピッチマーク設定方
法に関する。
対してピッチマークを設定する音声ピッチマーク設定方
法に関する。
【０００２】
【従来の技術】従来、テキスト文章を音声として出力す
ることができるテキスト音声変換装置は、入力されるテ
キスト文章を解析するテキスト解析部と、韻律制御部
と、音声合成部とから構成されている。
ることができるテキスト音声変換装置は、入力されるテ
キスト文章を解析するテキスト解析部と、韻律制御部
と、音声合成部とから構成されている。
【０００３】このテキスト解析部では、キーボード等に
より入力された漢字かな混じりのテキスト文章を形態素
解析し、読み、アクセント、イントネーションを決定し
て中間言語（発音記号列）として出力している。
より入力された漢字かな混じりのテキスト文章を形態素
解析し、読み、アクセント、イントネーションを決定し
て中間言語（発音記号列）として出力している。
【０００４】また、韻律制御部では、ピッチ周波数パタ
ーンや音韻継続時間等の設定を行っている。さらに、音
声合成部では、線形予測法や波形を使用する方法等を適
用し中間言語、ピッチ周波数パターンおよび音韻継続時
間等に基づく音声合成を行って出力している。
ーンや音韻継続時間等の設定を行っている。さらに、音
声合成部では、線形予測法や波形を使用する方法等を適
用し中間言語、ピッチ周波数パターンおよび音韻継続時
間等に基づく音声合成を行って出力している。
【０００５】線形予測法は、声道情報と音源情報とを分
離して扱うことが可能であり、制御が容易であることか
ら盛んに適用されている。しかし、音声の声道情報と音
源情報との間には本来相互関係がある。線形予測法で
は、音源情報をインパルスと白色雑音とでモデル化して
いるため、合成音の劣化の要因となっている。
離して扱うことが可能であり、制御が容易であることか
ら盛んに適用されている。しかし、音声の声道情報と音
源情報との間には本来相互関係がある。線形予測法で
は、音源情報をインパルスと白色雑音とでモデル化して
いるため、合成音の劣化の要因となっている。
【０００６】近年では、音源情報として残差等を用いて
改善することが考えられているが、声道情報と音源情報
との間の相互関係によって残差とスペクトルとの不整合
が生じ、これも合成音の劣化の要因となっている。
改善することが考えられているが、声道情報と音源情報
との間の相互関係によって残差とスペクトルとの不整合
が生じ、これも合成音の劣化の要因となっている。
【０００７】そこで、声道情報と音源情報とを分離せ
ず、さらに合成時に原音声波形をそのまま利用して合成
音声が劣化しないようにする方法が考えられている。図
４は原音声波形を利用する従来の音声合成方法を説明す
るフローチャートである。
ず、さらに合成時に原音声波形をそのまま利用して合成
音声が劣化しないようにする方法が考えられている。図
４は原音声波形を利用する従来の音声合成方法を説明す
るフローチャートである。
【０００８】すなわち、ステップＳ４０１において原音
声の入力を行い、次いでステップＳ４０２でそのＡ／Ｄ
変換を行った後、ステップＳ４０３において原音声波形
の極大値位置にピッチマークを目視または自動で設定し
ておく。そして、ステップＳ４０４でこのピッチマーク
の付された原音声を音素片波形としてファイルに格納し
ておく。
声の入力を行い、次いでステップＳ４０２でそのＡ／Ｄ
変換を行った後、ステップＳ４０３において原音声波形
の極大値位置にピッチマークを目視または自動で設定し
ておく。そして、ステップＳ４０４でこのピッチマーク
の付された原音声を音素片波形としてファイルに格納し
ておく。
【０００９】次に、音声合成を行う場合、目標となるピ
ッチ周波数パターンを入力し、ステップＳ４０５におい
て波形素片ファイルに格納されている音素片波形に時間
窓掛けを施し、ステップＳ４０６で窓掛けして成る波形
との重畳を行う。重畳は、合成目標のピッチ周期に合う
ような時間窓関数を用い、音素片波形のピッチマーク位
置が時間窓の中心となるようにして乗ずることによって
波形を切り出し、目標ピッチ周波数パターンに合わせて
波形を重畳していくことにより行う。
ッチ周波数パターンを入力し、ステップＳ４０５におい
て波形素片ファイルに格納されている音素片波形に時間
窓掛けを施し、ステップＳ４０６で窓掛けして成る波形
との重畳を行う。重畳は、合成目標のピッチ周期に合う
ような時間窓関数を用い、音素片波形のピッチマーク位
置が時間窓の中心となるようにして乗ずることによって
波形を切り出し、目標ピッチ周波数パターンに合わせて
波形を重畳していくことにより行う。
【００１０】その後、ステップＳ４０７において重畳後
の合成波形に対するＤ／Ａ変換を行い、アナログ信号と
してステップＳ４０８で合成音声を出力する。
の合成波形に対するＤ／Ａ変換を行い、アナログ信号と
してステップＳ４０８で合成音声を出力する。
【００１１】このステップＳ４０３で行った原音声波形
の極大値を設定するにあたり、自動で設定する技術とし
ては、特開平５−２１７３３７号公報に記載される音声
合成方法および装置がある。この技術では、基本周波数
以上すなわち２５６Ｈｚ程度のカットオフ周波数を有す
る低域通過フィルタに原音声波形を通し、通過後の波形
の極大値をピッチマークとして設定するようにしてい
る。
の極大値を設定するにあたり、自動で設定する技術とし
ては、特開平５−２１７３３７号公報に記載される音声
合成方法および装置がある。この技術では、基本周波数
以上すなわち２５６Ｈｚ程度のカットオフ周波数を有す
る低域通過フィルタに原音声波形を通し、通過後の波形
の極大値をピッチマークとして設定するようにしてい
る。
【００１２】
【発明が解決しようとする課題】しかしながら、原音声
波形の極大値を抽出してピッチマークを設定するにあた
り、目視で行う場合には数量的に多大な労力を必要とす
るとともに、一定の基準を保ってピッチマークを設定す
るのが非常に困難である。つまり、ピッチ周期は女性音
で３〜４ｍｓｅｃ、男性音で６〜１０ｍｓｅｃ程度であ
るため、その周期毎に極大値を正確に抽出してピッチマ
ークを設定するのは非常に困難である。
波形の極大値を抽出してピッチマークを設定するにあた
り、目視で行う場合には数量的に多大な労力を必要とす
るとともに、一定の基準を保ってピッチマークを設定す
るのが非常に困難である。つまり、ピッチ周期は女性音
で３〜４ｍｓｅｃ、男性音で６〜１０ｍｓｅｃ程度であ
るため、その周期毎に極大値を正確に抽出してピッチマ
ークを設定するのは非常に困難である。
【００１３】また、特開平５−２１７３３７号公報に記
載される技術においてピッチマークを自動設定する場合
には、低域通過フィルタを通した後の波形の極大値が必
ずしも原音声波形の極大値とは一致せず、この不一致に
基づく合成音のごろつきやノイズが生じ、合成音の劣化
の原因となっている。
載される技術においてピッチマークを自動設定する場合
には、低域通過フィルタを通した後の波形の極大値が必
ずしも原音声波形の極大値とは一致せず、この不一致に
基づく合成音のごろつきやノイズが生じ、合成音の劣化
の原因となっている。
【００１４】
【課題を解決するための手段】本発明は、このような課
題を解決するために成された音声ピッチマーク設定方法
である。すなわち、本発明の音声ピッチマーク設定方法
では、先ず、入力音声の有声音波形のフレーム毎にピッ
チ周期を検出し、次いで、検出したピッチ周期の逆数を
所定の定数倍した値をカットオフ周波数とする低域通過
フィルタに有声音波形を通過させ、基本波成分を抽出す
る。次に、この基本波成分の極大値に対応する時間値を
算出するとともに、その時間値に対して低帯域通過フィ
ルタの群遅延分補正を行い、ピッチマーク候補点を算出
する。そして、このピッチマーク候補点の近傍にある有
声音波形の極大値を算出し、この極大値に対応する時間
値をピッチマークとして設定している。
題を解決するために成された音声ピッチマーク設定方法
である。すなわち、本発明の音声ピッチマーク設定方法
では、先ず、入力音声の有声音波形のフレーム毎にピッ
チ周期を検出し、次いで、検出したピッチ周期の逆数を
所定の定数倍した値をカットオフ周波数とする低域通過
フィルタに有声音波形を通過させ、基本波成分を抽出す
る。次に、この基本波成分の極大値に対応する時間値を
算出するとともに、その時間値に対して低帯域通過フィ
ルタの群遅延分補正を行い、ピッチマーク候補点を算出
する。そして、このピッチマーク候補点の近傍にある有
声音波形の極大値を算出し、この極大値に対応する時間
値をピッチマークとして設定している。
【００１５】このような音声ピッチマーク設定方法で
は、入力音声における基本波成分を抽出するための低域
通過フィルタのカットオフ周波数を、有声音波形のフレ
ーム毎に変化させていることから、ピッチ周波数の変化
に追随して安定に基本波成分を抽出できるようになる。
また、低域通過フィルタの群遅延分補正を行うととも
に、基本波成分の極大値と入力音声の有声音波形におけ
る極大値との双方を考慮していることから、基本波成分
に基づく有声音波形の正確な極大値をピッチマークとし
て設定できるようになる。
は、入力音声における基本波成分を抽出するための低域
通過フィルタのカットオフ周波数を、有声音波形のフレ
ーム毎に変化させていることから、ピッチ周波数の変化
に追随して安定に基本波成分を抽出できるようになる。
また、低域通過フィルタの群遅延分補正を行うととも
に、基本波成分の極大値と入力音声の有声音波形におけ
る極大値との双方を考慮していることから、基本波成分
に基づく有声音波形の正確な極大値をピッチマークとし
て設定できるようになる。
【００１６】
【発明の実施の形態】以下に、本発明の音声ピッチマー
ク設定方法における実施の形態を図に基づいて説明す
る。図１は本発明の音声ピッチマーク設定方法における
第１実施形態を説明するフローチャートである。第１実
施形態は、主として音声合成等の音声出力で使用される
音素片波形をファイルに格納するにあたり、原音声波形
の最大値位置にピッチマークを設定する際に適用され
る。第１実施形態では、入力する原音声の有声音波形部
分にのみピッチマークを設定する場合に適用される。
ク設定方法における実施の形態を図に基づいて説明す
る。図１は本発明の音声ピッチマーク設定方法における
第１実施形態を説明するフローチャートである。第１実
施形態は、主として音声合成等の音声出力で使用される
音素片波形をファイルに格納するにあたり、原音声波形
の最大値位置にピッチマークを設定する際に適用され
る。第１実施形態では、入力する原音声の有声音波形部
分にのみピッチマークを設定する場合に適用される。
【００１７】先ず、ステップＳ１０１に示す原音声の入
力を行った後、ステップＳ１０２に示すように、入力し
た原音声の有声音波形のフレーム毎にピッチ周期を抽出
する処理を行う。ピッチ周期の抽出は、図２に示すケプ
ストラム法を用いる。
力を行った後、ステップＳ１０２に示すように、入力し
た原音声の有声音波形のフレーム毎にピッチ周期を抽出
する処理を行う。ピッチ周期の抽出は、図２に示すケプ
ストラム法を用いる。
【００１８】ケプストラム法は、先ず図２のステップＳ
２０１に示すように、時間波形を入力し、ステップＳ２
０２に示す窓掛けを行う。次いで窓掛けを行った時間波
形に対してステップＳ２０３に示す離散フーリエ変換
（ＤＦＴ）を施し、ステップＳ２０４においてその実部
と虚部との自乗和の平方根を対数変換する。その後、ス
テップＳ２０５に示す逆離散フーリエ変換（ＩＤＦＴ）
を施すことでステップＳ２０６に示すケプストラム成分
を出力できることになる。
２０１に示すように、時間波形を入力し、ステップＳ２
０２に示す窓掛けを行う。次いで窓掛けを行った時間波
形に対してステップＳ２０３に示す離散フーリエ変換
（ＤＦＴ）を施し、ステップＳ２０４においてその実部
と虚部との自乗和の平方根を対数変換する。その後、ス
テップＳ２０５に示す逆離散フーリエ変換（ＩＤＦＴ）
を施すことでステップＳ２０６に示すケプストラム成分
を出力できることになる。
【００１９】すなわち、ケプストラム法は、畳み込み演
算を加法的な演算に変換するものである。入力音声の波
形が有声音波形の場合、ピッチ周期をＴ0 とすれば、音
源成分はＴ0 の近傍の成分として現れ、また声道成分は
短時間領域の成分として現れることになる。
算を加法的な演算に変換するものである。入力音声の波
形が有声音波形の場合、ピッチ周期をＴ0 とすれば、音
源成分はＴ0 の近傍の成分として現れ、また声道成分は
短時間領域の成分として現れることになる。
【００２０】本実施形態では、予め、男性音の場合には
５．０〜１１．６７ｍｓｅｃ、女性音の場合には２．５
〜５．８３ｍｓｅｃのピッチ周期の範囲を設定してお
き、この区間にあるケプストラム成分のピーク値におけ
る時間値を抽出し、この時間値をピッチ周期Ｔ0 として
いる。
５．０〜１１．６７ｍｓｅｃ、女性音の場合には２．５
〜５．８３ｍｓｅｃのピッチ周期の範囲を設定してお
き、この区間にあるケプストラム成分のピーク値におけ
る時間値を抽出し、この時間値をピッチ周期Ｔ0 として
いる。
【００２１】このピッチ周期Ｔ0 を抽出する場合には、
ケプストラム成分のピーク値と、その両脇の点の合わせ
て３点で２次曲線近似を行ってから求めるようにする。
なお、この近似を行う場合には３点より多くの点を用い
てもよい。
ケプストラム成分のピーク値と、その両脇の点の合わせ
て３点で２次曲線近似を行ってから求めるようにする。
なお、この近似を行う場合には３点より多くの点を用い
てもよい。
【００２２】次に、図１のステップＳ１０３に示すよう
に、フレーム毎にピッチ周期Ｔ0 の逆数を所定の定数
（ｃ）倍し、カットオフ周波数ｆc ＝ｃ／Ｔ0 となる低
域通過フィルタを設定し、この低域通過フィルタに有声
音波形を通して基本波成分を抽出する。なお、この際の
定数ｃとしては、１以上２未満の値で設定するが、１．
１程度が望ましい。また、低域通過フィルタとしては、
波形の時間変形のない直線位相が可能なＦＩＲフィルタ
を用いるのがよい。
に、フレーム毎にピッチ周期Ｔ0 の逆数を所定の定数
（ｃ）倍し、カットオフ周波数ｆc ＝ｃ／Ｔ0 となる低
域通過フィルタを設定し、この低域通過フィルタに有声
音波形を通して基本波成分を抽出する。なお、この際の
定数ｃとしては、１以上２未満の値で設定するが、１．
１程度が望ましい。また、低域通過フィルタとしては、
波形の時間変形のない直線位相が可能なＦＩＲフィルタ
を用いるのがよい。
【００２３】次に、ステップＳ１０４に示すローカルピ
ーク時点抽出として、低域通過フィルタを通過した後の
基本波成分の中から極大値を求め、対応する時間値を算
出する。次いで、ステップＳ１０５に示すように、ステ
ップＳ１０４で求めた基本波成分の極大値に対して、低
域通過フィルタの群遅延分補正を施し、補正後の時間値
をピッチマーク候補点とする処理を行う。
ーク時点抽出として、低域通過フィルタを通過した後の
基本波成分の中から極大値を求め、対応する時間値を算
出する。次いで、ステップＳ１０５に示すように、ステ
ップＳ１０４で求めた基本波成分の極大値に対して、低
域通過フィルタの群遅延分補正を施し、補正後の時間値
をピッチマーク候補点とする処理を行う。
【００２４】このピッチマーク候補点は、そのままでは
揺れがあるため必ずしも原音声波形の極大値と対応して
いない場合もある。そこで、ステップＳ１０６におい
て、このピッチマーク候補点を表す時間値の近傍にある
有声音波形（原音声波形）の極大値を抽出し、ステップ
Ｓ１０７に示すようにこの極大値を最終的なピッチマー
クとして決定する。これにより、ピッチマーク候補点の
揺れを解消でき、有声音波形の正確なピッチマークの設
定を行うことができるようになる。
揺れがあるため必ずしも原音声波形の極大値と対応して
いない場合もある。そこで、ステップＳ１０６におい
て、このピッチマーク候補点を表す時間値の近傍にある
有声音波形（原音声波形）の極大値を抽出し、ステップ
Ｓ１０７に示すようにこの極大値を最終的なピッチマー
クとして決定する。これにより、ピッチマーク候補点の
揺れを解消でき、有声音波形の正確なピッチマークの設
定を行うことができるようになる。
【００２５】次に、本発明の音声ピッチマーク設定方法
における第２実施形態を説明する。図３は第２実施形態
を説明するフローチャートである。第２実施形態は、主
として音声合成等の音声出力で使用される音素片波形を
ファイルに格納するにあたり、原音声波形の最大値位置
にピッチマークを設定する際に適用される点で第１実施
形態と同様であるが、入力する原音声の中から有声音波
形と無声音波形とを判別して処理を行う点で相違する。
における第２実施形態を説明する。図３は第２実施形態
を説明するフローチャートである。第２実施形態は、主
として音声合成等の音声出力で使用される音素片波形を
ファイルに格納するにあたり、原音声波形の最大値位置
にピッチマークを設定する際に適用される点で第１実施
形態と同様であるが、入力する原音声の中から有声音波
形と無声音波形とを判別して処理を行う点で相違する。
【００２６】特に第２実施形態では、ピッチ周期を抽出
する際に算出されるケプストラム成分において、無声音
成分の音源のランダム性からピッチに対応する鋭いピー
クがそのケプストラム成分に現れないという性質を利用
して有声音成分と無声音成分との判別を行う点に特徴が
ある。
する際に算出されるケプストラム成分において、無声音
成分の音源のランダム性からピッチに対応する鋭いピー
クがそのケプストラム成分に現れないという性質を利用
して有声音成分と無声音成分との判別を行う点に特徴が
ある。
【００２７】先ず、ステップＳ３０１に示す原音声の入
力を行った後、ステップＳ３０２に示すように、入力し
た原音声のフレーム毎にピッチ周期を抽出する処理を行
う。このピッチ周期の抽出は第１実施形態と同様に図２
に示すようなケプストラム法を用いる。
力を行った後、ステップＳ３０２に示すように、入力し
た原音声のフレーム毎にピッチ周期を抽出する処理を行
う。このピッチ周期の抽出は第１実施形態と同様に図２
に示すようなケプストラム法を用いる。
【００２８】次に、ステップＳ３０３に示すように、ケ
プストラム成分を用いて原音声が有声音成分であるか否
かの判別を行う。例えば、ケプストラム成分のピークが
ある閾値以上となっている場合にはそのフレームは有声
音成分であると判定し、ピークがある閾値未満となって
いる場合にはそのフレームは無声音成分であると判定す
る。
プストラム成分を用いて原音声が有声音成分であるか否
かの判別を行う。例えば、ケプストラム成分のピークが
ある閾値以上となっている場合にはそのフレームは有声
音成分であると判定し、ピークがある閾値未満となって
いる場合にはそのフレームは無声音成分であると判定す
る。
【００２９】つまり、無声音成分ではその音源のランダ
ム性によってケプストラム成分のピッチに対応する鋭い
ピークが現れず、有声音成分では鋭いピークが現れるこ
とを利用し、ピークに対する所定の閾値判定を行うこと
で対象となるフレームが有声音成分であるか無声音成分
であるかを判断する。
ム性によってケプストラム成分のピッチに対応する鋭い
ピークが現れず、有声音成分では鋭いピークが現れるこ
とを利用し、ピークに対する所定の閾値判定を行うこと
で対象となるフレームが有声音成分であるか無声音成分
であるかを判断する。
【００３０】フレームが無声音成分であると判断された
場合にはステップＳ３０３の判断でＮｏとなりステップ
Ｓ３０１へ戻る。一方、フレームが有声音成分であると
判断された場合にはステップＳ３０３の判断でＹｅｓと
なりステップＳ３０４へ進む。ステップＳ３０４以降の
処理は第１実施形態と同様である。
場合にはステップＳ３０３の判断でＮｏとなりステップ
Ｓ３０１へ戻る。一方、フレームが有声音成分であると
判断された場合にはステップＳ３０３の判断でＹｅｓと
なりステップＳ３０４へ進む。ステップＳ３０４以降の
処理は第１実施形態と同様である。
【００３１】すなわち、ステップＳ３０４では、フレー
ム毎にピッチ周期Ｔ0 の逆数を所定の定数（ｃ）倍し、
カットオフ周波数ｆc ＝ｃ／Ｔ0 となる低域通過フィル
タを設定し、この低域通過フィルタに有声音波形を通し
て基本波成分を抽出する。なお、この際の定数ｃとして
は、１以上２未満の値で設定するが、１．１程度が望ま
しい。また、低域通過フィルタとしては、波形の時間変
形のない直線位相が可能なＦＩＲフィルタを用いるのが
よい。
ム毎にピッチ周期Ｔ0 の逆数を所定の定数（ｃ）倍し、
カットオフ周波数ｆc ＝ｃ／Ｔ0 となる低域通過フィル
タを設定し、この低域通過フィルタに有声音波形を通し
て基本波成分を抽出する。なお、この際の定数ｃとして
は、１以上２未満の値で設定するが、１．１程度が望ま
しい。また、低域通過フィルタとしては、波形の時間変
形のない直線位相が可能なＦＩＲフィルタを用いるのが
よい。
【００３２】また、ステップＳ３０５に示すローカルピ
ーク時点抽出として、低域通過フィルタを通過した後の
基本波成分の中から極大値を求め、対応する時間値を算
出し、ステップＳ３０６ではステップＳ３０５で求めた
基本波成分の極大値に対して、低域通過フィルタの群遅
延分補正を施し、補正後の時間値をピッチマーク候補点
とする処理を行う。
ーク時点抽出として、低域通過フィルタを通過した後の
基本波成分の中から極大値を求め、対応する時間値を算
出し、ステップＳ３０６ではステップＳ３０５で求めた
基本波成分の極大値に対して、低域通過フィルタの群遅
延分補正を施し、補正後の時間値をピッチマーク候補点
とする処理を行う。
【００３３】さらに、ステップＳ３０７において、この
ピッチマーク候補点を表す時間値の近傍にある有声音波
形（原音声波形）の極大値を抽出してピッチマーク候補
点の揺れを解消し、ステップＳ３０８に示すようにこの
極大値を最終的なピッチマークとして決定する。
ピッチマーク候補点を表す時間値の近傍にある有声音波
形（原音声波形）の極大値を抽出してピッチマーク候補
点の揺れを解消し、ステップＳ３０８に示すようにこの
極大値を最終的なピッチマークとして決定する。
【００３４】このような第２実施形態では、原音声入力
において予め有声音成分と無声音成分とを分けておく必
要がないため、音素片波形ファイルの作成処理を効率よ
く行うことが可能となる。
において予め有声音成分と無声音成分とを分けておく必
要がないため、音素片波形ファイルの作成処理を効率よ
く行うことが可能となる。
【００３５】なお、いずれの実施形態における音声ピッ
チマーク設定方法は、テキスト音声変換装置の音声合成
部で行われるピッチマークの設定方法として適用できる
他、原音声のピッチを変化させる音声ピッチ変換装置で
のピッチマーク設定等の種々の音声出力装置での処理に
適用することが可能である。
チマーク設定方法は、テキスト音声変換装置の音声合成
部で行われるピッチマークの設定方法として適用できる
他、原音声のピッチを変化させる音声ピッチ変換装置で
のピッチマーク設定等の種々の音声出力装置での処理に
適用することが可能である。
【００３６】
【発明の効果】以上説明したように、本発明の音声ピッ
チマーク設定方法によれば次のような効果がある。すな
わち、基本波抽出にあたり低域通過フィルタのカットオ
フ周波数をフレーム毎に変化させているため、ピッチ周
波数の変化に追随して安定した基本波成分を抽出でき、
正確に極大値を検出できるようになる。また、基本波成
分の極大値と原音声波形の極大値との双方を考慮して有
声音波形の正確な極大値を検出していることから、自動
的に正確なピッチマークを設定できるようになる。これ
により、波形レベルで高品質な合成音声を出力すること
が可能となる。
チマーク設定方法によれば次のような効果がある。すな
わち、基本波抽出にあたり低域通過フィルタのカットオ
フ周波数をフレーム毎に変化させているため、ピッチ周
波数の変化に追随して安定した基本波成分を抽出でき、
正確に極大値を検出できるようになる。また、基本波成
分の極大値と原音声波形の極大値との双方を考慮して有
声音波形の正確な極大値を検出していることから、自動
的に正確なピッチマークを設定できるようになる。これ
により、波形レベルで高品質な合成音声を出力すること
が可能となる。
【図１】本発明の第１実施形態を説明するフローチャー
トである。
トである。
【図２】ケプストラム法を説明するフローチャートであ
る。
る。
【図３】本発明の第２実施形態を説明するフローチャー
トである。
トである。
【図４】従来例を説明するフローチャートである。
フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G10L 11/04 G10L 13/06
Claims (4)
- 【請求項１】 入力音声の有声音波形のフレーム毎にピ
ッチ周期を検出する工程と、 検出した前記ピッチ周期の逆数を所定の定数倍した値を
カットオフ周波数とする低域通過フィルタに前記有声音
波形を通過させ、基本波成分を抽出する工程と、 前記基本波成分の極大値に対応する時間値を算出すると
ともに、該時間値に対して前記低帯域通過フィルタの群
遅延分補正を行い、ピッチマーク候補点を算出する工程
と、 前記ピッチマーク候補点の近傍にある前記有声音波形の
極大値を算出し、該極大値に対応する時間値をピッチマ
ークとして設定する工程とから成ることを特徴とする音
声ピッチマーク設定方法。 - 【請求項２】 入力音声のフレーム毎にピッチ周期を検
出するとともに、該ピッチ周期の検出の際に該入力音声
の有声音波形と無声音波形とを判別する工程と、 有声音波形として判別した場合、検出した前記ピッチ周
期の逆数を所定の定数倍した値をカットオフ周波数とす
る低域通過フィルタに該有声音波形を通過させ、基本波
成分を抽出する工程と、 前記基本波成分の極大値に対応する時間値を算出すると
ともに、該時間値に対して前記低帯域通過フィルタの群
遅延分補正を行い、ピッチマーク候補点を算出する工程
と、 前記ピッチマーク候補点の近傍にある前記有声音波形の
極大値を算出し、該極大値に対応する時間値をピッチマ
ークとして設定する工程とから成ることを特徴とする音
声ピッチマーク設定方法。 - 【請求項３】 前記入力音声の有声音波形と無声音波形
との判別を、該入力音声の波形におけるケプストラム成
分と、所定の閾値との比較に基づいて行うことを特徴と
する請求項２記載の音声ピッチマーク設定方法。 - 【請求項４】 前記フレーム毎のピッチ周期を検出する
にあたり、前記入力音声の波形におけるケプストラム成
分のピーク値と、該ピーク値の周囲の値とによる補間を
用いることを特徴とする請求項１から３のうちいずれか
１項に記載の音声ピッチマーク設定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33385295A JP3358139B2 (ja) | 1995-12-22 | 1995-12-22 | 音声ピッチマーク設定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33385295A JP3358139B2 (ja) | 1995-12-22 | 1995-12-22 | 音声ピッチマーク設定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09179586A JPH09179586A (ja) | 1997-07-11 |
| JP3358139B2 true JP3358139B2 (ja) | 2002-12-16 |
Family
ID=18270670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP33385295A Expired - Fee Related JP3358139B2 (ja) | 1995-12-22 | 1995-12-22 | 音声ピッチマーク設定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3358139B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100554165B1 (ko) * | 2003-07-15 | 2006-02-22 | 한국전자통신연구원 | 피치 지연값의 배수에 의한 영향 제거가 가능한 ｃｅｌｐ기반 음성부호화기 및 피치 지연값의 배수에 의한 영향제거 방법 |
| JP4869898B2 (ja) * | 2006-12-08 | 2012-02-08 | 三菱電機株式会社 | 音声合成装置及び音声合成方法 |
| EP2881947B1 (en) * | 2012-08-01 | 2018-06-27 | National Institute Of Advanced Industrial Science | Spectral envelope and group delay inference system and voice signal synthesis system for voice analysis/synthesis |
-
1995
- 1995-12-22 JP JP33385295A patent/JP3358139B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH09179586A (ja) | 1997-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Morise et al. | WORLD: a vocoder-based high-quality speech synthesis system for real-time applications | |
| Rao et al. | Prosody modification using instants of significant excitation | |
| US9368103B2 (en) | Estimation system of spectral envelopes and group delays for sound analysis and synthesis, and audio signal synthesis system | |
| Bonada et al. | Expressive singing synthesis based on unit selection for the singing synthesis challenge 2016 | |
| CN107851444A (zh) | 用于将声学信号分解为声音对象的方法和系统、声音对象及其使用 | |
| Hosom et al. | Intelligibility of modifications to dysarthric speech | |
| KR20180078252A (ko) | 성문 펄스 모델 기반 매개 변수식 음성 합성 시스템의 여기 신호 형성 방법 | |
| Huber et al. | On glottal source shape parameter transformation using a novel deterministic and stochastic speech analysis and synthesis system | |
| Adiga et al. | Significance of epoch identification accuracy for prosody modification | |
| JP3358139B2 (ja) | 音声ピッチマーク設定方法 | |
| Babacan et al. | Parametric representation for singing voice synthesis: A comparative evaluation | |
| Kafentzis et al. | Pitch modifications of speech based on an adaptive harmonic model | |
| JP2904279B2 (ja) | 音声合成方法および装置 | |
| JP2940835B2 (ja) | ピッチ周波数差分特徴量抽出法 | |
| JP2010060846A (ja) | 合成音声評価システム及び合成音声評価方法 | |
| Arroabarren et al. | Glottal spectrum based inverse filtering. | |
| US20050131679A1 (en) | Method for synthesizing speech | |
| JP4223416B2 (ja) | Ｆ０輪郭を合成する方法及びコンピュータプログラム | |
| JP6213217B2 (ja) | 音声合成装置及び音声合成用コンピュータプログラム | |
| JP3532064B2 (ja) | 音声合成方法及び音声合成装置 | |
| Kasi | Yet another algorithm for pitch tracking:(yaapt) | |
| JP3294192B2 (ja) | 音声変換装置及び音声変換方法 | |
| Alcaraz Meseguer | Speech analysis for automatic speech recognition | |
| JPH0358100A (ja) | 規則型音声合成装置 | |
| JP3030869B2 (ja) | 音声合成装置の音源データ生成方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081011 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |