JP3440500B2 - デコーダ - Google Patents
デコーダInfo
- Publication number
- JP3440500B2 JP3440500B2 JP18532593A JP18532593A JP3440500B2 JP 3440500 B2 JP3440500 B2 JP 3440500B2 JP 18532593 A JP18532593 A JP 18532593A JP 18532593 A JP18532593 A JP 18532593A JP 3440500 B2 JP3440500 B2 JP 3440500B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- sound
- block
- pitch
- unvoiced
- 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
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Description
【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、入力音声信号がブロッ
ク単位で区分され、区分されたブロックを単位として符
号化処理が施された信号を復号するためのデコーダに関
する。 【０００２】 【従来の技術】オーディオ信号（音声信号や音響信号を
含む）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、ハーモニック（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ＤＣ
Ｔ（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）等において、スペク
トル振幅やそのパラメータ（ＬＳＰパラメータ、αパラ
メータ、ｋパラメータ等）のような各種情報データを量
子化する場合に、従来においてはスカラ量子化を行うこ
とが多い。 【０００４】上記ＰＡＲＣＯＲ法等の音声分析・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。 【０００５】これに対して、上記ＭＢＥ符号化において
は、１ブロック（フレーム）内の音声に対して、周波数
スペクトルの各ハーモニクス（高調波）や２〜３ハーモ
ニクスをひとまとめにした各バンド（帯域）毎に、又は
固定の帯域幅（例えば３００〜４００Hz）で分割された
各バンド毎に、そのバンド中のスペクトル形状に基づい
て有声音／無声音判別（Ｖ／ＵＶ判別）を行っているた
め、音質の向上が認められる。この各バンド毎のＶ／Ｕ
Ｖ判別は、主としてバンド内のスペクトルがいかに強く
ハーモニクス構造を有しているかを見て行っている。 【０００６】 【発明が解決しようとする課題】ところで、上記ＭＢＥ
符号化において、当該ブロック（フレーム）全体が無声
音（ＵＶ）と判別された場合には、例えばホワイトノイ
ズをバンドパスフィルタでカラーリング（色付け）した
ものを、時間軸でオーバーラップ加算し、音声を合成し
ている。 【０００７】このとき、時間軸上の窓の形状としては、
ハミング又はハニング等の固定の窓形状のものを使用し
ている。このため、無声部はもとより、無声から有声
へ、あるいは有声から無声への変化部（トランジェント
部）での時間分解能が不足することになる。例えば、８
ｋHzサンプリングで１ブロック２５６サンプルでは、１
ブロック３２msecのノイズパターンがいつもほぼ同じ形
状（平均レベルが違うだけ）となってしまい、特に、子
音のｓ、ｔ、ｐ、ｋ等の音が不明瞭となってしまう。さ
らに、残響感が強かったり、又は複数の話者が喋ってい
るように聞こえたりすることが頻繁に起こり、合成音質
低下のような悪影響を与えることになる。 【０００８】本発明は、このような実情に鑑みてなされ
たものであり、無声音入力時の再生音（合成音）の不明
瞭感や残響感を有効に抑え得るようなデコーダを提供す
ることを目的とする。 【０００９】 【課題を解決するための手段】本発明に係るデコーダ
は、音声信号を時間軸上でブロック単位で区分し、各ブ
ロックごとに有声音か無声音かを判別し、無声音と判別
されたブロック内の音声信号の時間波形を示す特徴量を
抽出し、上記有声音か無声音かの判別結果と上記特徴量
を含むデータ信号を受け取って、音声を合成するデコー
ダにおいて、無声音と判別された部分はノイズ信号の周
波数成分を変形処理すると共に上記特徴量に応じて時間
波形に変形を加えることにより無声音合成を行うことに
より、上述の課題を解決する。 【００１０】ここで、上記有声音／無声音の判別工程に
て得られた判別結果及び上記特徴量を合成側に伝送し、
有声音と判別された部分は正弦波合成により有声音合成
を行い、無声音と判別された部分はノイズ信号の周波数
成分を変形処理すると共に上記特徴量に応じて時間波形
に変形を加えるようにすればよい。このような本発明が
適用される高能率符号化方法としては、マルチバンドエ
クサイテイションを用いた音声分析／合成方法が挙げら
れる。 【００１１】上記特徴量としては、上記１ブロック内の
入力信号の時間波形のエンベロープ情報を用いることが
考えられる。 【００１２】 【課題を解決するための手段】本発明に係るデコーダ
は、音声信号を時間軸上でブロック単位で区分し、各ブ
ロック毎に有声音か無声音かを判別し、無声音と判別さ
れたブロック内の音声信号の時間波形のエンベロープ情
報を示す、上記１ブロック内を複数の小ブロックに分割
した各小ブロックの１サンプル当たりの平均レベルと、
１ブロック内の全サンプルでの１サンプル当たりの平均
レベルとの比率を特徴量として抽出し、上記有声音か無
声音かの判別結果と上記特徴量を含むベクトル量子化し
て得られたデータ信号を受け取って、音声を合成するデ
コーダにおいて、無声音と判別された部分はノイズ信号
の周波数成分を変形処理すると共に上記特徴量に応じて
時間波形に変形を加えることにより無声音合成を行うこ
とにより、上述の課題を解決する。 【００１３】 【作用】ブロック化された入力信号の内の無声音（Ｕ
Ｖ）と判別されたブロックの時間波形の特徴量を抽出し
て伝送しているため、ブロックの時間間隔よりも短い時
間での波形変化を合成側で知ることができ、子音等の不
明瞭感や残響感の発生を未然に防止することができる。
また、無声音（ＵＶ）と判別されたブロックでは、ピッ
チ情報を送る必要がないことから、このピッチ情報を送
るためのスロットに上記無声音の時間波形の特徴量抽出
情報を入れ込んで送ることにより、データ伝送量を増や
すことなく、再生音（合成音）の質を高めることができ
る。 【００１４】 【実施例】以下、本発明に係るデコーダの好ましい実施
例の説明に先立ち、該デコーダに対応する符号化側に用
いられる高能率符号化方法について、図面を参照しなが
ら説明する。この高能率符号化方法には、後述するＭＢ
Ｅ（Multiband Excitation：マルチバンド励起）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ＵＶ（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。 【００１５】すなわち、本発明が適用される一般的な高
能率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）／Ｕ
Ｖ（無声音）の判別を行っている。このＶ／ＵＶ判別情
報をスペクトルの振幅データと共に符号化して伝送する
わけである。 【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、入力される時間軸上の音声信
号に対するサンプリング周波数ｆs は、通常８ｋHzで、
全帯域幅は３．４ｋHz（ただし有効帯域は２００〜３４
００Hz）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、２
０〜１４７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
３．４ｋHzまでの間に約８〜６３本のピッチパルス（ハ
ーモニックス）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】さらに、本発明の実施例においては、ブロ
ック（フレーム）の全バンドが無声音（ＵＶ）と判別さ
れたときに、当該無声音ブロックの時間波形からその特
徴量（短時間ＲＭＳのシーケンスやエンベロープ）を抽
出し、この特徴量を符号化して伝送し、再生側（デコー
ダ）にて、類似の特徴量を有する波形をノイズ源より生
成して無音声部分の信号を合成するようにしている。 【００１９】具体的には、ＵＶ（無音声）とされたブロ
ック（例えば２５６サンプル）を複数の（例えば８個
の）小ブロック（サブブロック、例えば３２サンプル）
に分割して各サブブロック毎の１サンプル当りの平均パ
ワー（又は短時間ＲＭＳ値）を求め、元のブロック内の
全サンプルについての１サンプル当りの平均パワー（又
は短時間ＲＭＳ値）との比率（レシオ）を上記特徴量と
して抽出する。これを、Ｖ（有声音）を含むブロックの
データの伝送時にのみ用いられるデータ項目、例えばピ
ッチ情報を伝送するためのスロットに配置して、デコー
ダに送るようにする。 【００２０】次に、上述したような高能率符号化方法が
適用可能な、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（Multiband Excitation: 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。 【００２１】以下に説明するＭＢＥボコーダは、D.W. G
riffin and J.S. Lim, ∧MultibandExcitation Vocode
r," IEEE Trans.Acoustics,Speech,and Signal Process
ing,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 au
to-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。 【００２２】図１は、上記ＭＢＥボコーダに本発明を適
用した実施例の全体の概略構成を示すブロック図であ
る。この図１において、入力端子１１には音声信号が供
給されており、この入力音声信号は、ＨＰＦ（ハイパス
フィルタ）を含むフィルタ１２に送られて、いわゆるＤ
Ｃ（直流）オフセット分の除去や帯域制限（例えば２０
０〜３４００Hz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１２
を介して得られた信号は、ピッチ抽出部１３、窓かけ処
理部１４、及び後述するサブブロックパワー計算部２６
にそれぞれ送られる。 【００２３】ピッチ抽出部１３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２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１４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。さらに、サブブロックパワー計算部２６で
は、ブロック内の全バンドが無声音（ＵＶ）と判別され
たときに、該ブロックの無声音信号の時間波形を示す特
徴量を抽出する処理が行われる。 【００２４】ここで、上記窓かけ処理部１４での窓かけ
処理を数式で表すと、 ｘw (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ｘw (k,q) が得られる
ことを示している。ピッチ抽出部１３での図２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 ・・・（２） ＝０ ｒ＜０，Ｎ≦ｒ また、上記窓かけ処理部１４での図２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 ・・・（３） ＝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（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ｗr (kL-q)＝１
となるのは、図３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ｘwr(k,r) 、ｘwh
(k,r) と表すことにする。 【００２５】窓かけ処理部１４では、図４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１５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。 【００２６】あるいは０詰めなしで２５６点のままでＦ
ＦＴを施して処理量を減らす方法もある。 【００２７】ピッチ抽出部１３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±２
０％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１３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１６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】なお、センタクリップ波形ではなく入力波
形をＬＰＣ分析して得た残差波形、すなわちＬＰＣ残差
の自己相関からピッチを求めてもよい。 【００２９】高精度（ファイン）ピッチサーチ部１６に
は、ピッチ抽出部１３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１５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１６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。 【００３０】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
ωs ／４π＝ｆs ／２に対応し、サンプリング周波数ｆ
s ＝ωs ／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５のＡに示すような波形のとき、Ｈ
(j) は、図５のＢに示すように、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５のＣに示すような等レベルで周期的な励起
信号（エクサイテイション）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。 【００３１】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４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。 【００３２】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、 【００３３】 【数１】 で表せる。このエラーεm を最小化するような｜Ａm ｜
は、 【００３４】 【数２】 となり、この（６）式の｜Ａm ｜のとき、エラーεm を
最小化する。 【００３５】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（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εm 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。 【００３６】すなわち、上記ピッチ抽出部１３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（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。このときの振幅値の計算は、有声音の振幅評価
部１８Ｖにおいて行われる。 【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１６からの最適
ピッチ及び振幅評価部（有声音）１８Ｖからの振幅｜Ａ
m ｜のデータは、有声音／無声音判別部１７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であるＮＳＲ
mは、 【００３９】 【数３】 と表せ、このＮＳＲm が所定の閾値Th1 （例えば0.２、
あるいは0.３）より大のとき（すなわちエラーが大きい
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（Unvoiced、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。 【００４０】ところで、上述したように基本ピッチ周波
数で分割されたバンドの数（ハーモニックスの数）は、
声の高低（ピッチの大小）によって約８〜６３程度の範
囲で変動するため、各バンド毎のＶ／ＵＶフラグの個数
も同様に変動してしまう。そこで、本実施例において
は、固定的な周波数帯域で分割した一定個数のバンド毎
にＶ／ＵＶ判別結果をまとめる（あるいは縮退させる）
ようにしている。具体的には、音声帯域を含む所定帯域
（例えば０〜４０００Hz）をＮB 個（例えば１２個）の
バンドに分割し、各バンド内の上記ＮＳＲ値に従って、
例えば重み付き平均値を所定の閾値Th2 で弁別して、当
該バンドのＶ／ＵＶを判断している。 【００４１】次に、無声音の振幅評価部１８Ｕには、直
交変換部１５からの周波数軸上データ、ピッチサーチ部
１６からのファインピッチデータ、有声音振幅評価部１
８Ｖからの振幅｜Ａm ｜のデータ、及び上記有声音／無
声音判別部１７からのＶ／ＵＶ（有声音／無声音）判別
データが供給されている。この振幅評価部（無声音）１
８Ｕでは、有声音／無声音判別部１７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（振幅再評価を行って）いる。このＵＶのバンドにつ
いての振幅｜Ａm ｜UVは、 【００４２】 【数４】 にて求められる。 【００４３】この振幅評価部（無声音）１８Ｕ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１９に送られる。このデータ数変換部１９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３４００ｋHz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｜Ａm ｜（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る。
このためデータ数変換部１９では、この可変個数ｍMX＋
１の振幅データを一定個数Ｍ（例えば４４個）のデータ
に変換している。 【００４４】ここで、本実施例においては、例えば、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ＯS 倍の個数の振幅データを求め、このＯS 倍の個
数（（ｍMX＋１）×ＯS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２０４８個）に拡張し、
このＮM 個のデータを間引いて上記一定個数Ｍ（例えば
４４個）のデータに変換している。 【００４５】このデータ数変換部１９からのデータ（上
記一定個数Ｍ個の振幅データ）がベクトル量子化部２０
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２０からの量子化出力データ（の主要部）は、上記高
精度のピッチサーチ部１６からの高精度（ファイン）ピ
ッチデータ及び上記有声音／無声音判別部１７からの有
声音／無声音（Ｖ／ＵＶ）判別データと共に、符号化部
２１に送られて符号化される。 【００４６】ただし、高精度のピッチサーチ部１６から
のピッチデータについては、切換スイッチ２８の被選択
端子ａを介して符号化部２１に送っている。これは、後
述するように、ブロック内の全バンドがＵＶ（無声音）
となってピッチ情報が不要となる場合に、無声音信号の
時間波形を示す特徴量の情報をピッチ情報と切り換えて
送っているものである。 【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。また、上記有声音／無声音判別部１７からの
Ｖ／ＵＶ判別データについては、上述したように、必要
に応じて１２バンド程度に低減（縮退）したデータを用
いてもよく、全バンド中で１箇所以下の有声音（Ｖ）領
域と無声音（ＵＶ）領域との区分位置を表すデータを用
いるようにしてもよい。 【００４８】上記符号化部２１においては、例えばＣＲ
Ｃ付加及びレート１／２畳み込み符号付加処理が施され
る。すなわち、上記ピッチデータ（あるいは後述する無
声音信号の時間波形の特徴抽出データ）、上記有声音／
無声音（Ｖ／ＵＶ）判別データ、及び上記量子化出力デ
ータの内の重要なデータについてはＣＲＣ誤り訂正符号
化が施された後、畳み込み符号化が施される。符号化部
２１からの符号化出力データは、フレームインターリー
ブ部２２に送られ、ベクトル量子化部２０からの一部
（例えば重要度の低い）データと共にインターリーブ処
理されて、出力端子２３から取り出され、合成側（デコ
ード側）に伝送（あるいは記録再生）される。 【００４９】ここで、ブロック全体がＵＶ（無声音）と
判別された場合には、ブロック内の時間波形を表す特徴
量を抽出するために、１ブロック（例えば２５６サンプ
ル）を、複数個（８個）の小ブロック（サブブロック、
例えば３２サンプル）に分割して、サブブロックパワー
計算部２６に送っている。このブロックとサブブロック
との関係の一例を、図６のＡに示している。 【００５０】サブブロックパワー計算部２６において
は、各サブブロック毎の１サンプル当りの平均パワー、
あるいはいわゆる平均ＲＭＳ（Root Mean Square）値に
ついての、ブロック内全サンプル（例えば２５６サンプ
ル）の平均パワーあるいは平均ＲＭＳ値に対する割合
（比率、レシオ）を算出している。すなわち、入力音声
信号をフィルタ１２により適切にハイパス処理し、不要
な低域成分（例えば２００Hz以下）をカットした音声信
号の１サンプルをｘ(n) として、 【００５１】 【数５】 を求める。この（９）式において、UVL は上記サブブロ
ック（小ブロック）内のサンプル数で例えば UVL＝３
２、UVNUM は１ブロック内のサブブロックの個数で例え
ば UVNUM＝８である。また、０≦ｋ＜UVNUM である。こ
の（９）式のｐ(k)は、ｋ番目のサブブロックの平均パ
ワーを表している。 【００５２】次に、１ブロック全体の平均パワーPOW を
求める。 【００５３】 【数６】 【００５４】この（10）式においてＮは１ブロック内の
サンプル数（ブロック長）を示し、Ｎ＝ UVL×UVNUM で
あり、例えばＮ＝２５６である。この（10）式により、
Ｎサンプルにわたる平均パワーPOW が求められる。 【００５５】次に、この１ブロックの平均パワーPOW と
上記ｋ番目のサブブロックの平均パワーｐ(k) との比の
平方根、すなわち、 【００５６】 【数７】 ただし、０≦ｋ＜UVNUM を定義する。 【００５７】このUV_w(k) が各サブブロックの平均ＲＭ
Ｓの相対値（ブロックの平均ＲＭＳで正規化されてい
る）となる。このUV_w(k) の一例を図６のＢに示す。 【００５８】なお、微小ノイズによる誤動作を防止する
ために、 POW1/2 ＜ＴｈP のときには強制的に UV_w(k)
＝１．０とすることが好ましい。このときの閾値ＴｈP
としては例えばＴｈP ＝３００とすればよい。また、UV
_w(k) の値にリミッタをかけて、極端にパルシブなノイ
ズの発生を防止してもよい。具体的なリミッタの例とし
ては、 UV_w(k)＞1.5 のとき、 UV_w(k)＝1.5 又は、 UV_w(k)＞1.0 のとき、 UV_w(k)＝1.0 ＋ (UV_w(k)-1.
0)×0.7 といったものが考えられる。これらの式でｋは、０≦ｋ
＜UVNUM である。 【００５９】このような処理を施した UV_w(k)を、UVNU
M 次元ベクトルとみなし、次のベクトル量子化部２７に
おいてベクトル量子化を行う。 【００６０】このベクトル量子化部２７では、例えば、
８次元８ビット（コードブックサイズ＝２５６）のスト
レートベクトル量子化を行う。このベクトル量子化の出
力インデクス（代表ベクトルのコード）UV_Eを、切換ス
イッチ２８の被選択端子ｂに送っている。この切換スイ
ッチ２８の被選択端子ａには、上記高精度ピッチサーチ
部１６からのピッチデータが送られており、切換スイッ
チ２８からの出力は、符号化部２１に送られている。こ
の切換スイッチ２８は、有声音／無声音判別部１７から
の判別出力信号により切換制御されるようになってお
り、通常の有声音伝送時、すなわち上記ブロック内の全
バンドの内の１つでもＶ（有声音）と判別されたときに
は被選択端子ａに、ブロック内の全バンドがＵＶ（無声
音）と判別されたときには被選択端子ｂに、それぞれ切
換接続される。 【００６１】従って、上記サブブロック毎の正規化され
た平均ＲＭＳ値のベクトル量子化出力UV_Eは、本来はピ
ッチ情報を伝送していたスロットに入れ込んで伝送され
ることになる。すなわち、ブロック内の全バンドがＵＶ
（無声音）と判別されたときにはピッチ情報は不要であ
り、上記有声音／無声音判別部１７からのＶ／ＵＶ判別
フラグを見て、全てＵＶのときに限って、ベクトル量子
化出力インデクスUV_Eをピッチ情報の代わりに伝送する
ようにしている。 【００６２】次に、上述したような符号化側から伝送さ
れて（あるいは記録再生されて）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）における、本発明の実施例となるデコーダの概略構
成について、図７を参照しながら説明する。 【００６３】この図７において、入力端子３１には、上
記図１に示すエンコーダ側の出力端子２３から取り出さ
れたデータ信号に略々等しい（伝送や記録再生による信
号劣化を無視して）データ信号が供給される。この入力
端子３１からのデータは、フレームデインターリーブ部
３２に送られて、上記図１のインターリーブ処理の逆処
理となるデインターリーブ処理が施され、主要部（エン
コーダ側でＣＲＣ及び畳み込み符号化された部分で、一
般に重要度の高いデータ部分）は複合化部３３で複合化
処理されてバッドフレームマスク処理部３４に、残部
（符号化処理の施されていない重要度の低いもの）はそ
のままバッドフレームマスク処理部３４に、それぞれ送
られる。複合化部３３においては、例えばいわゆるビタ
ビ複合化処理やＣＲＣチェックコードを用いたエラー検
出処理が施される。バッドフレームマスク処理部３４
は、エラーの多いフレームのパラメータを補間で求める
ような処理を行うと共に、上記ピッチデータ、有声音／
無声音（Ｖ／ＵＶ）データ、及びベクトル量子化された
振幅データを分離して取り出す。 【００６４】バッドフレームマスク処理部３４からの上
記ベクトル量子化された振幅データは、逆ベクトル量子
化部３５に送られて逆量子化され、データ数逆変換部３
６に送られて逆変換される。このデータ数逆変換部３６
では、上述した図１のデータ数変換部１９と対照的な逆
変換が行われ、得られた振幅データが有声音合成部３７
及び無声音合成部３８に送られる。マスク処理部３４か
らの上記ピッチデータは、有声音合成部３７及び無声音
合成部３８に送られる。またマスク処理部３４からの上
記Ｖ／ＵＶ判別データも、有声音合成部３７及び無声音
合成部３８に送られる。 【００６５】ここで上記ピッチデータ（ピッチ情報伝送
スロット内のデータ）については、ブロック内の全バン
ドがＵＶ（無声音）とされたときには、上述した無声音
信号波形の特徴量抽出情報がピッチ情報の代わりに送ら
れていることより、切換スイッチ５１に送られており、
この切換スイッチ５１は、被選択端子ａからの出力が有
声音合成部３７に、被選択端子ｂからの出力が逆ベクト
ル量子化部５２に送られるようになっている。逆ベクト
ル量子化部５２以降の構成及び動作については後述す
る。 【００６６】有声音合成部３７では例えば余弦(cosine)
波合成あるいは正弦(sine)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３８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４１で加算合成して、出力
端子４２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。 【００６７】また、Ｖ／ＵＶ判別データとして上記Ｖ／
ＵＶコードが伝送された場合には、このＶ／ＵＶコード
に応じて全バンドを１箇所の区分位置で有声音（Ｖ）領
域と無声音（ＵＶ）領域とに区分することができ、この
区分に応じて、各バンド毎のＶ／ＵＶ判別データを得る
ことができる。ここで、分析側（エンコーダ側）で一定
数（例えば１２程度）のバンドに低減（縮退）されてい
る場合には、これを解いて（復元して）、元のピッチに
応じた間隔で可変個数のバンドとすることは勿論であ
る。 【００６８】以下、有声音合成部３７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(θm (n)) ０≦ｎ＜Ｌ ・・・（12） 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。 【００６９】この（12）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 ・・・（13） の式によりＡm (n) を計算すればよい。 【００７０】次に、上記（12）式中の位相θm (n) は、 θm (n) ＝ｍωO1ｎ＋ｎ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋Δωｎ ・・・（14） により求めることができる。この（14）式中で、φ0m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、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φLmがθm (L) に等しくなるような
最小のΔωを設定する。 【００７１】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Ａm (n) 、位相θm (n) の求め方を説明する。 【００７２】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Ａm (n) は、上述し
た（13）式により、伝送された振幅値Ａ0m、ＡLmを直線
補間して振幅Ａm (n) を算出すればよい。位相θm (n)
は、ｎ＝０でθm (0) ＝φ0mからｎ＝Ｌでθm (L) がφ
LmとなるようにΔωを設定する。 【００７３】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Ａm (n)
は、Ａm (0) の伝送振幅値Ａ0mからＡm (L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値ＡLm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θm (n) は、θm (0) ＝φ0mとし、かつΔω＝
０とする。 【００７４】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Ａm
(n) は、ｎ＝０での振幅Ａm (0) を０とし、ｎ＝Ｌで伝
送された振幅値ＡLm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θm (0) として、フ
レーム終端での位相値φLmを用いて、 θm (0) ＝φLm−ｍ（ωO1＋ωL1）Ｌ／２ ・・・（15） とし、かつΔω＝０とする。 【００７５】上記ｎ＝０、ｎ＝ＬのいずれもＶ（有声
音）とされる場合に、θm (L) がφLmとなるようにΔω
を設定する手法について説明する。上記（14）式で、ｎ
＝Ｌと置くことにより、 θm (L) ＝ｍωO1Ｌ＋Ｌ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋ΔωＬ ＝ｍ（ωO1＋ωL1）Ｌ／２＋φ0m＋ΔωＬ ＝φLm となり、これを整理すると、Δωは、 Δω＝（mod2π((φLm−φ0m) − mL(ωO1＋ωL1)/2)／Ｌ ・・・（16） となる。この（16）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。 【００７６】以下、無声音合成部３８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４３からの時
間軸上のホワイトノイズ信号波形を窓かけ処理部４４に
送って、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、ＳＴＦ
Ｔ処理部４５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、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４
５からのパワースペクトルをバンド振幅処理部４６に送
り、上記ＵＶ（無声音）とされたバンドについて上記振
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４６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。 【００７７】バンド振幅処理部４６からの出力は、ＩＳ
ＴＦＴ処理部４７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４７からの出力
は、パワー分布整形部５６を介し、乗算部５７を介し
て、オーバーラップ加算部４８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。このオーバーラップ加
算部４８からの出力信号が上記加算部４１に送られる。 【００７８】このように、各合成部３７、３８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４１により適当な固定の混合比で加算
して、出力端子４２より再生された音声信号を取り出
す。 【００７９】ブロック内のバンドの少なくとも１つがＶ
（有声音）の場合には、上述したような処理が各合成部
３７、３８にて行われるわけであるが、ブロック内の全
バンドがＵＶ（無音声）と判別されたときには、切換ス
イッチ５１が被選択端子ｂ側に切換接続され、ピッチ情
報の代わりに無声音信号の時間波形に関する情報が逆ベ
クトル量子化部５２に送られる。 【００８０】すなわち、逆ベクトル量子化部５２には、
上記図１のベクトル量子化部２０からの上記出力インデ
ックスUV_Eに相当するデータが供給される。これを逆ベ
クトル量子化することにより、上記UV_w(k) に相当する
データ、あるいは各サブブロック毎のＲＭＳ値に相当す
るデータが取り出される。 【００８１】ここで、ＩＳＴＦＴ処理部４７からの出力
は、伝送されてきたスペクトルエンベロープ、Ｖ／Ｕ
Ｖ、及びピッチに基づき、周波数軸上で色付けをされた
バンドパスノイズであるが、このバンドパスノイズは、
１ブロック（２５６サンプル）内の時間軸上でのエネル
ギ分布を見ると、厳密にはハミング窓の分布とは一致し
ない。これは、今回のような時間軸上でのエネルギ分布
を原音の分布に近付けることを行わない場合には問題と
ならないが、今回のように、オーバーラップ加算部４８
での処理後の分布を元の信号の時間軸上のエネルギ分布
に近付けるため、上記オーバーラップ加算での重み付け
で前提とされているハミング窓のエネルギ分布に対し
て、ＩＳＴＦＴ処理出力信号の時間軸上のエネルギ分布
が似通っていることが好ましい。この点を考慮して、パ
ワー分布整形部５６により、時間軸方向のエネルギ分布
の整形処理を行っている。このパワー分布整形部５６に
おける処理内容を以下に説明する。 【００８２】ここで、ＩＳＴＦＴ処理部４７からの出力
波形をｙ(n) とする。ただし、０≦ｎ＜Ｎであり、例え
ばＮ＝２５６とする。この出力ｙ(n) のブロック全体Ｎ
サンプルにわたるエネルギＥ、すなわち、 【００８３】 【数８】 を求める。次に、各サブブロック毎のエネルギｅ(k) を
求める。 【００８４】 【数９】 【００８５】これらのＥ、ｅ(k) に基づいて、スケーリ
ングファクタｓ(k) を求める。 【００８６】 【数１０】 【００８７】ここで、ｋは、０≦ｋ＜UVNUM であり、例
えば UVNUM＝８である。上記（19）式中で、ｈｒ(k)
は、予め定めたハミング窓の標準エネルギ分布を示す配
列である。すなわち、ハミング窓ham(n)を、 【００８８】 【数１１】 によって予め算出しておく。 【００８９】これは、ハミング窓のサブブロック単位の
エネルギの割合を示す。この標準的な分布からのずれを
補正するためのスケーリングファクタがｓ(k) である。
よって、 【００９０】 【数１２】 によってｙ(n) を補正してｙ'(n)を得ることができる。 【００９１】以上が時間軸上のパワー分布整形部５６に
おける処理であるが、これは厳密にはあった方がよい
が、省略してもかまわない。 【００９２】次に、逆ベクトル量子化部５２からの出力
は、スムージング部（スムージング処理部）５３を介し
て、無声音合成部３８内の乗算部５７に送られている。
このスムージング部５３での処理について説明する。 【００９３】逆ベクトル量子化部５２からの出力波形と
上記パワー分布整形部５６からの出力波形ｙ'(n)とを直
接乗算してもよいが、上記スムージング処理を施すこと
で、耳障りな急激なゲイン変化を抑えることができる。 【００９４】すなわち、逆ベクトル量子化部５２からの
出力波形の UVNUM次元（例えば８次元）ベクトルを上記
１ブロックのＮ（例えば２５６）サンプルの配列に拡張
したものをＷ(n) （ただし、０≦ｎ＜Ｎ）とする。逆ベ
クトル量子化によって得られた出力のＲＭＳ波形をUV_
w'(k)とすると、上記Ｗ(n) は、 【００９５】 【数１３】 として求められる。 【００９６】次に、このＷ(n) をスムージング処理する
わけであるが、例えば、移動平均フィルタを用いて平滑
化すればよい。すなわち、フィルタ処理後のＷ(n) をWS
(n)として、LFを奇数長のフィルタ長とするとき、WS(n)
は、 【００９７】 【数１４】 となる。 【００９８】このようにして平滑化したWS(n) と上記
ｙ'(n)とを乗算部５７で乗じて得られる出力波形ｘ'(n)
は、 ｘ'(n)＝ WS(n)・ｙ'(n) ・・・ （25） となる。この乗算出力を、オーバーラップ加算部４８に
送る。このオーバーラップ加算部４８では、重み付きの
重畳加算を行っており、所定の窓関数Ｗin(n) を用いて
重み付けを行ってオーバーラップ加算を行っている。 【００９９】すなわち、重み付きのオーバーラップ加算
部４８においては、現フレーム（現ブロック）の上記
（25）のｘ'(n)をxc'(n)とし、前フレーム（前ブロッ
ク）の同じくｘ'(n)をxp'(n)とする。重み付き重畳加算
した出力波形をＳuv(i) は、 【０１００】 【数１５】 【０１０１】となる。ここで、０≦ｎ＜Ｎとし、その外
の区間においては、xp'(n)＝xc'(n)＝０とする。 【０１０２】ただしｉは０≦ｉ＜Ｌ、Ｌは１フレーム長
（例えば１６０サンプル）である。また、ｉの区間は、
前フレームの中心から現フレームの中心までとする。 【０１０３】以上のようにして合成された無声音信号が
無声音合成部３８から取り出され、上記加算部４１に送
られて、有声音合成部３７からの信号と加算され、出力
端子４２より最終的な音声信号が取り出される。 【０１０４】なお、上記図１の音声分析側（エンコード
側）の構成や図７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。 【０１０５】なお、本発明は上記実施例のみに限定され
るものではなく、例えば、上記図１の音声分析側（エン
コード側）の構成や図７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。また、本発明が適用される高能率符号化方法
は、上記マルチバンド励起を用いた音声分析／合成方法
に限定されるものではなく、有声音部分に正弦波合成を
用いたり、無声音部分をノイズ信号に基づいて合成する
ような種々の音声分析／合成方法に適用でき、用途とし
ても、伝送や記録再生に限定されず、ピッチ変換やスピ
ード変換、あるいは雑音抑圧のような種々の用途に応用
できることは勿論である。 【０１０６】以上の説明から明らかなように、本発明に
係るデコーダによれば、音声信号を時間軸上でブロック
単位で区分し、各ブロックごとに有声音か無声音かを判
別し、無声音と判別されたブロック内の音声信号の時間
波形を示す特徴量を抽出し、上記有声音か無声音かの判
別結果と上記特徴量を含むデータ信号を受け取って、音
声を合成するデコーダにおいて、無声音と判別された部
分はノイズ信号の周波数成分を変形処理すると共に上記
特徴量に応じて時間波形に変形を加えることにより無声
音合成を行っているため、ブロックの時間間隔よりも短
い時間での波形変化を知ることができ、子音などの不明
瞭感や残響感の発生を未然に防止することができる。 【０１０７】また、無声音（ＵＶ）と判別されたブロッ
クでは、ピッチ情報を送る必要がないことから、このピ
ッチ情報を送るためのスロットに上記無声音の時間波形
の特徴量抽出情報を入れ込んで送っているため、伝送デ
ータ量を増やすことなく、高い品質の、例えば子音が明
瞭な再生音（合成音）を得ることができる。
ク単位で区分され、区分されたブロックを単位として符
号化処理が施された信号を復号するためのデコーダに関
する。 【０００２】 【従来の技術】オーディオ信号（音声信号や音響信号を
含む）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、ハーモニック（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ＤＣ
Ｔ（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）等において、スペク
トル振幅やそのパラメータ（ＬＳＰパラメータ、αパラ
メータ、ｋパラメータ等）のような各種情報データを量
子化する場合に、従来においてはスカラ量子化を行うこ
とが多い。 【０００４】上記ＰＡＲＣＯＲ法等の音声分析・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。 【０００５】これに対して、上記ＭＢＥ符号化において
は、１ブロック（フレーム）内の音声に対して、周波数
スペクトルの各ハーモニクス（高調波）や２〜３ハーモ
ニクスをひとまとめにした各バンド（帯域）毎に、又は
固定の帯域幅（例えば３００〜４００Hz）で分割された
各バンド毎に、そのバンド中のスペクトル形状に基づい
て有声音／無声音判別（Ｖ／ＵＶ判別）を行っているた
め、音質の向上が認められる。この各バンド毎のＶ／Ｕ
Ｖ判別は、主としてバンド内のスペクトルがいかに強く
ハーモニクス構造を有しているかを見て行っている。 【０００６】 【発明が解決しようとする課題】ところで、上記ＭＢＥ
符号化において、当該ブロック（フレーム）全体が無声
音（ＵＶ）と判別された場合には、例えばホワイトノイ
ズをバンドパスフィルタでカラーリング（色付け）した
ものを、時間軸でオーバーラップ加算し、音声を合成し
ている。 【０００７】このとき、時間軸上の窓の形状としては、
ハミング又はハニング等の固定の窓形状のものを使用し
ている。このため、無声部はもとより、無声から有声
へ、あるいは有声から無声への変化部（トランジェント
部）での時間分解能が不足することになる。例えば、８
ｋHzサンプリングで１ブロック２５６サンプルでは、１
ブロック３２msecのノイズパターンがいつもほぼ同じ形
状（平均レベルが違うだけ）となってしまい、特に、子
音のｓ、ｔ、ｐ、ｋ等の音が不明瞭となってしまう。さ
らに、残響感が強かったり、又は複数の話者が喋ってい
るように聞こえたりすることが頻繁に起こり、合成音質
低下のような悪影響を与えることになる。 【０００８】本発明は、このような実情に鑑みてなされ
たものであり、無声音入力時の再生音（合成音）の不明
瞭感や残響感を有効に抑え得るようなデコーダを提供す
ることを目的とする。 【０００９】 【課題を解決するための手段】本発明に係るデコーダ
は、音声信号を時間軸上でブロック単位で区分し、各ブ
ロックごとに有声音か無声音かを判別し、無声音と判別
されたブロック内の音声信号の時間波形を示す特徴量を
抽出し、上記有声音か無声音かの判別結果と上記特徴量
を含むデータ信号を受け取って、音声を合成するデコー
ダにおいて、無声音と判別された部分はノイズ信号の周
波数成分を変形処理すると共に上記特徴量に応じて時間
波形に変形を加えることにより無声音合成を行うことに
より、上述の課題を解決する。 【００１０】ここで、上記有声音／無声音の判別工程に
て得られた判別結果及び上記特徴量を合成側に伝送し、
有声音と判別された部分は正弦波合成により有声音合成
を行い、無声音と判別された部分はノイズ信号の周波数
成分を変形処理すると共に上記特徴量に応じて時間波形
に変形を加えるようにすればよい。このような本発明が
適用される高能率符号化方法としては、マルチバンドエ
クサイテイションを用いた音声分析／合成方法が挙げら
れる。 【００１１】上記特徴量としては、上記１ブロック内の
入力信号の時間波形のエンベロープ情報を用いることが
考えられる。 【００１２】 【課題を解決するための手段】本発明に係るデコーダ
は、音声信号を時間軸上でブロック単位で区分し、各ブ
ロック毎に有声音か無声音かを判別し、無声音と判別さ
れたブロック内の音声信号の時間波形のエンベロープ情
報を示す、上記１ブロック内を複数の小ブロックに分割
した各小ブロックの１サンプル当たりの平均レベルと、
１ブロック内の全サンプルでの１サンプル当たりの平均
レベルとの比率を特徴量として抽出し、上記有声音か無
声音かの判別結果と上記特徴量を含むベクトル量子化し
て得られたデータ信号を受け取って、音声を合成するデ
コーダにおいて、無声音と判別された部分はノイズ信号
の周波数成分を変形処理すると共に上記特徴量に応じて
時間波形に変形を加えることにより無声音合成を行うこ
とにより、上述の課題を解決する。 【００１３】 【作用】ブロック化された入力信号の内の無声音（Ｕ
Ｖ）と判別されたブロックの時間波形の特徴量を抽出し
て伝送しているため、ブロックの時間間隔よりも短い時
間での波形変化を合成側で知ることができ、子音等の不
明瞭感や残響感の発生を未然に防止することができる。
また、無声音（ＵＶ）と判別されたブロックでは、ピッ
チ情報を送る必要がないことから、このピッチ情報を送
るためのスロットに上記無声音の時間波形の特徴量抽出
情報を入れ込んで送ることにより、データ伝送量を増や
すことなく、再生音（合成音）の質を高めることができ
る。 【００１４】 【実施例】以下、本発明に係るデコーダの好ましい実施
例の説明に先立ち、該デコーダに対応する符号化側に用
いられる高能率符号化方法について、図面を参照しなが
ら説明する。この高能率符号化方法には、後述するＭＢ
Ｅ（Multiband Excitation：マルチバンド励起）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ＵＶ（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。 【００１５】すなわち、本発明が適用される一般的な高
能率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）／Ｕ
Ｖ（無声音）の判別を行っている。このＶ／ＵＶ判別情
報をスペクトルの振幅データと共に符号化して伝送する
わけである。 【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、入力される時間軸上の音声信
号に対するサンプリング周波数ｆs は、通常８ｋHzで、
全帯域幅は３．４ｋHz（ただし有効帯域は２００〜３４
００Hz）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、２
０〜１４７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
３．４ｋHzまでの間に約８〜６３本のピッチパルス（ハ
ーモニックス）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】さらに、本発明の実施例においては、ブロ
ック（フレーム）の全バンドが無声音（ＵＶ）と判別さ
れたときに、当該無声音ブロックの時間波形からその特
徴量（短時間ＲＭＳのシーケンスやエンベロープ）を抽
出し、この特徴量を符号化して伝送し、再生側（デコー
ダ）にて、類似の特徴量を有する波形をノイズ源より生
成して無音声部分の信号を合成するようにしている。 【００１９】具体的には、ＵＶ（無音声）とされたブロ
ック（例えば２５６サンプル）を複数の（例えば８個
の）小ブロック（サブブロック、例えば３２サンプル）
に分割して各サブブロック毎の１サンプル当りの平均パ
ワー（又は短時間ＲＭＳ値）を求め、元のブロック内の
全サンプルについての１サンプル当りの平均パワー（又
は短時間ＲＭＳ値）との比率（レシオ）を上記特徴量と
して抽出する。これを、Ｖ（有声音）を含むブロックの
データの伝送時にのみ用いられるデータ項目、例えばピ
ッチ情報を伝送するためのスロットに配置して、デコー
ダに送るようにする。 【００２０】次に、上述したような高能率符号化方法が
適用可能な、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（Multiband Excitation: 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。 【００２１】以下に説明するＭＢＥボコーダは、D.W. G
riffin and J.S. Lim, ∧MultibandExcitation Vocode
r," IEEE Trans.Acoustics,Speech,and Signal Process
ing,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 au
to-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。 【００２２】図１は、上記ＭＢＥボコーダに本発明を適
用した実施例の全体の概略構成を示すブロック図であ
る。この図１において、入力端子１１には音声信号が供
給されており、この入力音声信号は、ＨＰＦ（ハイパス
フィルタ）を含むフィルタ１２に送られて、いわゆるＤ
Ｃ（直流）オフセット分の除去や帯域制限（例えば２０
０〜３４００Hz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１２
を介して得られた信号は、ピッチ抽出部１３、窓かけ処
理部１４、及び後述するサブブロックパワー計算部２６
にそれぞれ送られる。 【００２３】ピッチ抽出部１３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２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１４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。さらに、サブブロックパワー計算部２６で
は、ブロック内の全バンドが無声音（ＵＶ）と判別され
たときに、該ブロックの無声音信号の時間波形を示す特
徴量を抽出する処理が行われる。 【００２４】ここで、上記窓かけ処理部１４での窓かけ
処理を数式で表すと、 ｘw (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ｘw (k,q) が得られる
ことを示している。ピッチ抽出部１３での図２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 ・・・（２） ＝０ ｒ＜０，Ｎ≦ｒ また、上記窓かけ処理部１４での図２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 ・・・（３） ＝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（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ｗr (kL-q)＝１
となるのは、図３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ｘwr(k,r) 、ｘwh
(k,r) と表すことにする。 【００２５】窓かけ処理部１４では、図４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１５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。 【００２６】あるいは０詰めなしで２５６点のままでＦ
ＦＴを施して処理量を減らす方法もある。 【００２７】ピッチ抽出部１３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±２
０％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１３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１６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】なお、センタクリップ波形ではなく入力波
形をＬＰＣ分析して得た残差波形、すなわちＬＰＣ残差
の自己相関からピッチを求めてもよい。 【００２９】高精度（ファイン）ピッチサーチ部１６に
は、ピッチ抽出部１３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１５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１６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。 【００３０】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
ωs ／４π＝ｆs ／２に対応し、サンプリング周波数ｆ
s ＝ωs ／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５のＡに示すような波形のとき、Ｈ
(j) は、図５のＢに示すように、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５のＣに示すような等レベルで周期的な励起
信号（エクサイテイション）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。 【００３１】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４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。 【００３２】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、 【００３３】 【数１】 で表せる。このエラーεm を最小化するような｜Ａm ｜
は、 【００３４】 【数２】 となり、この（６）式の｜Ａm ｜のとき、エラーεm を
最小化する。 【００３５】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（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εm 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。 【００３６】すなわち、上記ピッチ抽出部１３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（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。このときの振幅値の計算は、有声音の振幅評価
部１８Ｖにおいて行われる。 【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１６からの最適
ピッチ及び振幅評価部（有声音）１８Ｖからの振幅｜Ａ
m ｜のデータは、有声音／無声音判別部１７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であるＮＳＲ
mは、 【００３９】 【数３】 と表せ、このＮＳＲm が所定の閾値Th1 （例えば0.２、
あるいは0.３）より大のとき（すなわちエラーが大きい
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（Unvoiced、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。 【００４０】ところで、上述したように基本ピッチ周波
数で分割されたバンドの数（ハーモニックスの数）は、
声の高低（ピッチの大小）によって約８〜６３程度の範
囲で変動するため、各バンド毎のＶ／ＵＶフラグの個数
も同様に変動してしまう。そこで、本実施例において
は、固定的な周波数帯域で分割した一定個数のバンド毎
にＶ／ＵＶ判別結果をまとめる（あるいは縮退させる）
ようにしている。具体的には、音声帯域を含む所定帯域
（例えば０〜４０００Hz）をＮB 個（例えば１２個）の
バンドに分割し、各バンド内の上記ＮＳＲ値に従って、
例えば重み付き平均値を所定の閾値Th2 で弁別して、当
該バンドのＶ／ＵＶを判断している。 【００４１】次に、無声音の振幅評価部１８Ｕには、直
交変換部１５からの周波数軸上データ、ピッチサーチ部
１６からのファインピッチデータ、有声音振幅評価部１
８Ｖからの振幅｜Ａm ｜のデータ、及び上記有声音／無
声音判別部１７からのＶ／ＵＶ（有声音／無声音）判別
データが供給されている。この振幅評価部（無声音）１
８Ｕでは、有声音／無声音判別部１７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（振幅再評価を行って）いる。このＵＶのバンドにつ
いての振幅｜Ａm ｜UVは、 【００４２】 【数４】 にて求められる。 【００４３】この振幅評価部（無声音）１８Ｕ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１９に送られる。このデータ数変換部１９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３４００ｋHz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｜Ａm ｜（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る。
このためデータ数変換部１９では、この可変個数ｍMX＋
１の振幅データを一定個数Ｍ（例えば４４個）のデータ
に変換している。 【００４４】ここで、本実施例においては、例えば、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ＯS 倍の個数の振幅データを求め、このＯS 倍の個
数（（ｍMX＋１）×ＯS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２０４８個）に拡張し、
このＮM 個のデータを間引いて上記一定個数Ｍ（例えば
４４個）のデータに変換している。 【００４５】このデータ数変換部１９からのデータ（上
記一定個数Ｍ個の振幅データ）がベクトル量子化部２０
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２０からの量子化出力データ（の主要部）は、上記高
精度のピッチサーチ部１６からの高精度（ファイン）ピ
ッチデータ及び上記有声音／無声音判別部１７からの有
声音／無声音（Ｖ／ＵＶ）判別データと共に、符号化部
２１に送られて符号化される。 【００４６】ただし、高精度のピッチサーチ部１６から
のピッチデータについては、切換スイッチ２８の被選択
端子ａを介して符号化部２１に送っている。これは、後
述するように、ブロック内の全バンドがＵＶ（無声音）
となってピッチ情報が不要となる場合に、無声音信号の
時間波形を示す特徴量の情報をピッチ情報と切り換えて
送っているものである。 【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。また、上記有声音／無声音判別部１７からの
Ｖ／ＵＶ判別データについては、上述したように、必要
に応じて１２バンド程度に低減（縮退）したデータを用
いてもよく、全バンド中で１箇所以下の有声音（Ｖ）領
域と無声音（ＵＶ）領域との区分位置を表すデータを用
いるようにしてもよい。 【００４８】上記符号化部２１においては、例えばＣＲ
Ｃ付加及びレート１／２畳み込み符号付加処理が施され
る。すなわち、上記ピッチデータ（あるいは後述する無
声音信号の時間波形の特徴抽出データ）、上記有声音／
無声音（Ｖ／ＵＶ）判別データ、及び上記量子化出力デ
ータの内の重要なデータについてはＣＲＣ誤り訂正符号
化が施された後、畳み込み符号化が施される。符号化部
２１からの符号化出力データは、フレームインターリー
ブ部２２に送られ、ベクトル量子化部２０からの一部
（例えば重要度の低い）データと共にインターリーブ処
理されて、出力端子２３から取り出され、合成側（デコ
ード側）に伝送（あるいは記録再生）される。 【００４９】ここで、ブロック全体がＵＶ（無声音）と
判別された場合には、ブロック内の時間波形を表す特徴
量を抽出するために、１ブロック（例えば２５６サンプ
ル）を、複数個（８個）の小ブロック（サブブロック、
例えば３２サンプル）に分割して、サブブロックパワー
計算部２６に送っている。このブロックとサブブロック
との関係の一例を、図６のＡに示している。 【００５０】サブブロックパワー計算部２６において
は、各サブブロック毎の１サンプル当りの平均パワー、
あるいはいわゆる平均ＲＭＳ（Root Mean Square）値に
ついての、ブロック内全サンプル（例えば２５６サンプ
ル）の平均パワーあるいは平均ＲＭＳ値に対する割合
（比率、レシオ）を算出している。すなわち、入力音声
信号をフィルタ１２により適切にハイパス処理し、不要
な低域成分（例えば２００Hz以下）をカットした音声信
号の１サンプルをｘ(n) として、 【００５１】 【数５】 を求める。この（９）式において、UVL は上記サブブロ
ック（小ブロック）内のサンプル数で例えば UVL＝３
２、UVNUM は１ブロック内のサブブロックの個数で例え
ば UVNUM＝８である。また、０≦ｋ＜UVNUM である。こ
の（９）式のｐ(k)は、ｋ番目のサブブロックの平均パ
ワーを表している。 【００５２】次に、１ブロック全体の平均パワーPOW を
求める。 【００５３】 【数６】 【００５４】この（10）式においてＮは１ブロック内の
サンプル数（ブロック長）を示し、Ｎ＝ UVL×UVNUM で
あり、例えばＮ＝２５６である。この（10）式により、
Ｎサンプルにわたる平均パワーPOW が求められる。 【００５５】次に、この１ブロックの平均パワーPOW と
上記ｋ番目のサブブロックの平均パワーｐ(k) との比の
平方根、すなわち、 【００５６】 【数７】 ただし、０≦ｋ＜UVNUM を定義する。 【００５７】このUV_w(k) が各サブブロックの平均ＲＭ
Ｓの相対値（ブロックの平均ＲＭＳで正規化されてい
る）となる。このUV_w(k) の一例を図６のＢに示す。 【００５８】なお、微小ノイズによる誤動作を防止する
ために、 POW1/2 ＜ＴｈP のときには強制的に UV_w(k)
＝１．０とすることが好ましい。このときの閾値ＴｈP
としては例えばＴｈP ＝３００とすればよい。また、UV
_w(k) の値にリミッタをかけて、極端にパルシブなノイ
ズの発生を防止してもよい。具体的なリミッタの例とし
ては、 UV_w(k)＞1.5 のとき、 UV_w(k)＝1.5 又は、 UV_w(k)＞1.0 のとき、 UV_w(k)＝1.0 ＋ (UV_w(k)-1.
0)×0.7 といったものが考えられる。これらの式でｋは、０≦ｋ
＜UVNUM である。 【００５９】このような処理を施した UV_w(k)を、UVNU
M 次元ベクトルとみなし、次のベクトル量子化部２７に
おいてベクトル量子化を行う。 【００６０】このベクトル量子化部２７では、例えば、
８次元８ビット（コードブックサイズ＝２５６）のスト
レートベクトル量子化を行う。このベクトル量子化の出
力インデクス（代表ベクトルのコード）UV_Eを、切換ス
イッチ２８の被選択端子ｂに送っている。この切換スイ
ッチ２８の被選択端子ａには、上記高精度ピッチサーチ
部１６からのピッチデータが送られており、切換スイッ
チ２８からの出力は、符号化部２１に送られている。こ
の切換スイッチ２８は、有声音／無声音判別部１７から
の判別出力信号により切換制御されるようになってお
り、通常の有声音伝送時、すなわち上記ブロック内の全
バンドの内の１つでもＶ（有声音）と判別されたときに
は被選択端子ａに、ブロック内の全バンドがＵＶ（無声
音）と判別されたときには被選択端子ｂに、それぞれ切
換接続される。 【００６１】従って、上記サブブロック毎の正規化され
た平均ＲＭＳ値のベクトル量子化出力UV_Eは、本来はピ
ッチ情報を伝送していたスロットに入れ込んで伝送され
ることになる。すなわち、ブロック内の全バンドがＵＶ
（無声音）と判別されたときにはピッチ情報は不要であ
り、上記有声音／無声音判別部１７からのＶ／ＵＶ判別
フラグを見て、全てＵＶのときに限って、ベクトル量子
化出力インデクスUV_Eをピッチ情報の代わりに伝送する
ようにしている。 【００６２】次に、上述したような符号化側から伝送さ
れて（あるいは記録再生されて）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）における、本発明の実施例となるデコーダの概略構
成について、図７を参照しながら説明する。 【００６３】この図７において、入力端子３１には、上
記図１に示すエンコーダ側の出力端子２３から取り出さ
れたデータ信号に略々等しい（伝送や記録再生による信
号劣化を無視して）データ信号が供給される。この入力
端子３１からのデータは、フレームデインターリーブ部
３２に送られて、上記図１のインターリーブ処理の逆処
理となるデインターリーブ処理が施され、主要部（エン
コーダ側でＣＲＣ及び畳み込み符号化された部分で、一
般に重要度の高いデータ部分）は複合化部３３で複合化
処理されてバッドフレームマスク処理部３４に、残部
（符号化処理の施されていない重要度の低いもの）はそ
のままバッドフレームマスク処理部３４に、それぞれ送
られる。複合化部３３においては、例えばいわゆるビタ
ビ複合化処理やＣＲＣチェックコードを用いたエラー検
出処理が施される。バッドフレームマスク処理部３４
は、エラーの多いフレームのパラメータを補間で求める
ような処理を行うと共に、上記ピッチデータ、有声音／
無声音（Ｖ／ＵＶ）データ、及びベクトル量子化された
振幅データを分離して取り出す。 【００６４】バッドフレームマスク処理部３４からの上
記ベクトル量子化された振幅データは、逆ベクトル量子
化部３５に送られて逆量子化され、データ数逆変換部３
６に送られて逆変換される。このデータ数逆変換部３６
では、上述した図１のデータ数変換部１９と対照的な逆
変換が行われ、得られた振幅データが有声音合成部３７
及び無声音合成部３８に送られる。マスク処理部３４か
らの上記ピッチデータは、有声音合成部３７及び無声音
合成部３８に送られる。またマスク処理部３４からの上
記Ｖ／ＵＶ判別データも、有声音合成部３７及び無声音
合成部３８に送られる。 【００６５】ここで上記ピッチデータ（ピッチ情報伝送
スロット内のデータ）については、ブロック内の全バン
ドがＵＶ（無声音）とされたときには、上述した無声音
信号波形の特徴量抽出情報がピッチ情報の代わりに送ら
れていることより、切換スイッチ５１に送られており、
この切換スイッチ５１は、被選択端子ａからの出力が有
声音合成部３７に、被選択端子ｂからの出力が逆ベクト
ル量子化部５２に送られるようになっている。逆ベクト
ル量子化部５２以降の構成及び動作については後述す
る。 【００６６】有声音合成部３７では例えば余弦(cosine)
波合成あるいは正弦(sine)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３８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４１で加算合成して、出力
端子４２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。 【００６７】また、Ｖ／ＵＶ判別データとして上記Ｖ／
ＵＶコードが伝送された場合には、このＶ／ＵＶコード
に応じて全バンドを１箇所の区分位置で有声音（Ｖ）領
域と無声音（ＵＶ）領域とに区分することができ、この
区分に応じて、各バンド毎のＶ／ＵＶ判別データを得る
ことができる。ここで、分析側（エンコーダ側）で一定
数（例えば１２程度）のバンドに低減（縮退）されてい
る場合には、これを解いて（復元して）、元のピッチに
応じた間隔で可変個数のバンドとすることは勿論であ
る。 【００６８】以下、有声音合成部３７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(θm (n)) ０≦ｎ＜Ｌ ・・・（12） 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。 【００６９】この（12）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 ・・・（13） の式によりＡm (n) を計算すればよい。 【００７０】次に、上記（12）式中の位相θm (n) は、 θm (n) ＝ｍωO1ｎ＋ｎ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋Δωｎ ・・・（14） により求めることができる。この（14）式中で、φ0m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、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φLmがθm (L) に等しくなるような
最小のΔωを設定する。 【００７１】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Ａm (n) 、位相θm (n) の求め方を説明する。 【００７２】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Ａm (n) は、上述し
た（13）式により、伝送された振幅値Ａ0m、ＡLmを直線
補間して振幅Ａm (n) を算出すればよい。位相θm (n)
は、ｎ＝０でθm (0) ＝φ0mからｎ＝Ｌでθm (L) がφ
LmとなるようにΔωを設定する。 【００７３】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Ａm (n)
は、Ａm (0) の伝送振幅値Ａ0mからＡm (L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値ＡLm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θm (n) は、θm (0) ＝φ0mとし、かつΔω＝
０とする。 【００７４】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Ａm
(n) は、ｎ＝０での振幅Ａm (0) を０とし、ｎ＝Ｌで伝
送された振幅値ＡLm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θm (0) として、フ
レーム終端での位相値φLmを用いて、 θm (0) ＝φLm−ｍ（ωO1＋ωL1）Ｌ／２ ・・・（15） とし、かつΔω＝０とする。 【００７５】上記ｎ＝０、ｎ＝ＬのいずれもＶ（有声
音）とされる場合に、θm (L) がφLmとなるようにΔω
を設定する手法について説明する。上記（14）式で、ｎ
＝Ｌと置くことにより、 θm (L) ＝ｍωO1Ｌ＋Ｌ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋ΔωＬ ＝ｍ（ωO1＋ωL1）Ｌ／２＋φ0m＋ΔωＬ ＝φLm となり、これを整理すると、Δωは、 Δω＝（mod2π((φLm−φ0m) − mL(ωO1＋ωL1)/2)／Ｌ ・・・（16） となる。この（16）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。 【００７６】以下、無声音合成部３８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４３からの時
間軸上のホワイトノイズ信号波形を窓かけ処理部４４に
送って、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、ＳＴＦ
Ｔ処理部４５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、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４
５からのパワースペクトルをバンド振幅処理部４６に送
り、上記ＵＶ（無声音）とされたバンドについて上記振
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４６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。 【００７７】バンド振幅処理部４６からの出力は、ＩＳ
ＴＦＴ処理部４７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４７からの出力
は、パワー分布整形部５６を介し、乗算部５７を介し
て、オーバーラップ加算部４８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。このオーバーラップ加
算部４８からの出力信号が上記加算部４１に送られる。 【００７８】このように、各合成部３７、３８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４１により適当な固定の混合比で加算
して、出力端子４２より再生された音声信号を取り出
す。 【００７９】ブロック内のバンドの少なくとも１つがＶ
（有声音）の場合には、上述したような処理が各合成部
３７、３８にて行われるわけであるが、ブロック内の全
バンドがＵＶ（無音声）と判別されたときには、切換ス
イッチ５１が被選択端子ｂ側に切換接続され、ピッチ情
報の代わりに無声音信号の時間波形に関する情報が逆ベ
クトル量子化部５２に送られる。 【００８０】すなわち、逆ベクトル量子化部５２には、
上記図１のベクトル量子化部２０からの上記出力インデ
ックスUV_Eに相当するデータが供給される。これを逆ベ
クトル量子化することにより、上記UV_w(k) に相当する
データ、あるいは各サブブロック毎のＲＭＳ値に相当す
るデータが取り出される。 【００８１】ここで、ＩＳＴＦＴ処理部４７からの出力
は、伝送されてきたスペクトルエンベロープ、Ｖ／Ｕ
Ｖ、及びピッチに基づき、周波数軸上で色付けをされた
バンドパスノイズであるが、このバンドパスノイズは、
１ブロック（２５６サンプル）内の時間軸上でのエネル
ギ分布を見ると、厳密にはハミング窓の分布とは一致し
ない。これは、今回のような時間軸上でのエネルギ分布
を原音の分布に近付けることを行わない場合には問題と
ならないが、今回のように、オーバーラップ加算部４８
での処理後の分布を元の信号の時間軸上のエネルギ分布
に近付けるため、上記オーバーラップ加算での重み付け
で前提とされているハミング窓のエネルギ分布に対し
て、ＩＳＴＦＴ処理出力信号の時間軸上のエネルギ分布
が似通っていることが好ましい。この点を考慮して、パ
ワー分布整形部５６により、時間軸方向のエネルギ分布
の整形処理を行っている。このパワー分布整形部５６に
おける処理内容を以下に説明する。 【００８２】ここで、ＩＳＴＦＴ処理部４７からの出力
波形をｙ(n) とする。ただし、０≦ｎ＜Ｎであり、例え
ばＮ＝２５６とする。この出力ｙ(n) のブロック全体Ｎ
サンプルにわたるエネルギＥ、すなわち、 【００８３】 【数８】 を求める。次に、各サブブロック毎のエネルギｅ(k) を
求める。 【００８４】 【数９】 【００８５】これらのＥ、ｅ(k) に基づいて、スケーリ
ングファクタｓ(k) を求める。 【００８６】 【数１０】 【００８７】ここで、ｋは、０≦ｋ＜UVNUM であり、例
えば UVNUM＝８である。上記（19）式中で、ｈｒ(k)
は、予め定めたハミング窓の標準エネルギ分布を示す配
列である。すなわち、ハミング窓ham(n)を、 【００８８】 【数１１】 によって予め算出しておく。 【００８９】これは、ハミング窓のサブブロック単位の
エネルギの割合を示す。この標準的な分布からのずれを
補正するためのスケーリングファクタがｓ(k) である。
よって、 【００９０】 【数１２】 によってｙ(n) を補正してｙ'(n)を得ることができる。 【００９１】以上が時間軸上のパワー分布整形部５６に
おける処理であるが、これは厳密にはあった方がよい
が、省略してもかまわない。 【００９２】次に、逆ベクトル量子化部５２からの出力
は、スムージング部（スムージング処理部）５３を介し
て、無声音合成部３８内の乗算部５７に送られている。
このスムージング部５３での処理について説明する。 【００９３】逆ベクトル量子化部５２からの出力波形と
上記パワー分布整形部５６からの出力波形ｙ'(n)とを直
接乗算してもよいが、上記スムージング処理を施すこと
で、耳障りな急激なゲイン変化を抑えることができる。 【００９４】すなわち、逆ベクトル量子化部５２からの
出力波形の UVNUM次元（例えば８次元）ベクトルを上記
１ブロックのＮ（例えば２５６）サンプルの配列に拡張
したものをＷ(n) （ただし、０≦ｎ＜Ｎ）とする。逆ベ
クトル量子化によって得られた出力のＲＭＳ波形をUV_
w'(k)とすると、上記Ｗ(n) は、 【００９５】 【数１３】 として求められる。 【００９６】次に、このＷ(n) をスムージング処理する
わけであるが、例えば、移動平均フィルタを用いて平滑
化すればよい。すなわち、フィルタ処理後のＷ(n) をWS
(n)として、LFを奇数長のフィルタ長とするとき、WS(n)
は、 【００９７】 【数１４】 となる。 【００９８】このようにして平滑化したWS(n) と上記
ｙ'(n)とを乗算部５７で乗じて得られる出力波形ｘ'(n)
は、 ｘ'(n)＝ WS(n)・ｙ'(n) ・・・ （25） となる。この乗算出力を、オーバーラップ加算部４８に
送る。このオーバーラップ加算部４８では、重み付きの
重畳加算を行っており、所定の窓関数Ｗin(n) を用いて
重み付けを行ってオーバーラップ加算を行っている。 【００９９】すなわち、重み付きのオーバーラップ加算
部４８においては、現フレーム（現ブロック）の上記
（25）のｘ'(n)をxc'(n)とし、前フレーム（前ブロッ
ク）の同じくｘ'(n)をxp'(n)とする。重み付き重畳加算
した出力波形をＳuv(i) は、 【０１００】 【数１５】 【０１０１】となる。ここで、０≦ｎ＜Ｎとし、その外
の区間においては、xp'(n)＝xc'(n)＝０とする。 【０１０２】ただしｉは０≦ｉ＜Ｌ、Ｌは１フレーム長
（例えば１６０サンプル）である。また、ｉの区間は、
前フレームの中心から現フレームの中心までとする。 【０１０３】以上のようにして合成された無声音信号が
無声音合成部３８から取り出され、上記加算部４１に送
られて、有声音合成部３７からの信号と加算され、出力
端子４２より最終的な音声信号が取り出される。 【０１０４】なお、上記図１の音声分析側（エンコード
側）の構成や図７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。 【０１０５】なお、本発明は上記実施例のみに限定され
るものではなく、例えば、上記図１の音声分析側（エン
コード側）の構成や図７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。また、本発明が適用される高能率符号化方法
は、上記マルチバンド励起を用いた音声分析／合成方法
に限定されるものではなく、有声音部分に正弦波合成を
用いたり、無声音部分をノイズ信号に基づいて合成する
ような種々の音声分析／合成方法に適用でき、用途とし
ても、伝送や記録再生に限定されず、ピッチ変換やスピ
ード変換、あるいは雑音抑圧のような種々の用途に応用
できることは勿論である。 【０１０６】以上の説明から明らかなように、本発明に
係るデコーダによれば、音声信号を時間軸上でブロック
単位で区分し、各ブロックごとに有声音か無声音かを判
別し、無声音と判別されたブロック内の音声信号の時間
波形を示す特徴量を抽出し、上記有声音か無声音かの判
別結果と上記特徴量を含むデータ信号を受け取って、音
声を合成するデコーダにおいて、無声音と判別された部
分はノイズ信号の周波数成分を変形処理すると共に上記
特徴量に応じて時間波形に変形を加えることにより無声
音合成を行っているため、ブロックの時間間隔よりも短
い時間での波形変化を知ることができ、子音などの不明
瞭感や残響感の発生を未然に防止することができる。 【０１０７】また、無声音（ＵＶ）と判別されたブロッ
クでは、ピッチ情報を送る必要がないことから、このピ
ッチ情報を送るためのスロットに上記無声音の時間波形
の特徴量抽出情報を入れ込んで送っているため、伝送デ
ータ量を増やすことなく、高い品質の、例えば子音が明
瞭な再生音（合成音）を得ることができる。
【図面の簡単な説明】
【図１】本発明に係るデコーダの一実施例に対応する符
号化側に用いられる高能率符号化装置の概略的な構成を
示す機能ブロック図である。 【図２】窓かけ処理を説明するための図である。 【図３】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４】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５】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６】入力信号を時間軸方向に分割して得られたブロ
ックをさらに小ブロック（サブブロック）で分割するこ
とを説明するための波形図である。 【図７】本発明に係るデコーダの一実施例の概略的な構
成を示す機能ブロック図である。 【符号の説明】 １３ ピッチ抽出部 １４ 窓かけ処理部 １５ 直交変換（ＦＦＴ）部 １６ 高精度（ファイン）ピッチサーチ部 １７ 有声音／無声音（Ｖ／ＵＶ）判別部 １８Ｖ 有声音の振幅評価部 １８Ｕ 無声音の振幅評価部 １９ データ数変換（データレートコンバート）部 ２０、２７ ベクトル量子化部 ２７ サブブロックパワー計算部 ２８、５１ 切換スイッチ ３５、５２ 逆ベクトル量子化部 ３７ 有声音合成部 ３８ 無声音合成部 ４１ 加算部 ４３ ホワイトノイズ発生部 ４４ 窓かけ処理部 ４６ バンド振幅処理部 ５３ スムージング（処理）部 ５６ （時間軸）パワー分布整形部 ５７ 乗算部 ４８ オーバーラップ加算部
号化側に用いられる高能率符号化装置の概略的な構成を
示す機能ブロック図である。 【図２】窓かけ処理を説明するための図である。 【図３】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４】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５】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６】入力信号を時間軸方向に分割して得られたブロ
ックをさらに小ブロック（サブブロック）で分割するこ
とを説明するための波形図である。 【図７】本発明に係るデコーダの一実施例の概略的な構
成を示す機能ブロック図である。 【符号の説明】 １３ ピッチ抽出部 １４ 窓かけ処理部 １５ 直交変換（ＦＦＴ）部 １６ 高精度（ファイン）ピッチサーチ部 １７ 有声音／無声音（Ｖ／ＵＶ）判別部 １８Ｖ 有声音の振幅評価部 １８Ｕ 無声音の振幅評価部 １９ データ数変換（データレートコンバート）部 ２０、２７ ベクトル量子化部 ２７ サブブロックパワー計算部 ２８、５１ 切換スイッチ ３５、５２ 逆ベクトル量子化部 ３７ 有声音合成部 ３８ 無声音合成部 ４１ 加算部 ４３ ホワイトノイズ発生部 ４４ 窓かけ処理部 ４６ バンド振幅処理部 ５３ スムージング（処理）部 ５６ （時間軸）パワー分布整形部 ５７ 乗算部 ４８ オーバーラップ加算部
─────────────────────────────────────────────────────
フロントページの続き
(56)参考文献 特開 平２−146100（ＪＰ，Ａ)
特開 平４−346502（ＪＰ，Ａ)
特開 昭56−81900（ＪＰ，Ａ)
特開 昭57−139799（ＪＰ，Ａ)
特開 昭58−111999（ＪＰ，Ａ)
特開 昭62−139598（ＪＰ，Ａ)
Ｍａｓａｙｕｋｉ Ｎｉｓｈｉｇｕｃ
ｈｉ，Ｊｕｎ Ｍａｔｓｕｍｏｔｏ，Ｒ
ｙｏｊｉ Ｗａｋａｔｓｕｋｉ，Ｓｈｉ
ｎｏｂｕ Ｏｎｏ，Ｖｅｃｔｏｒ Ｑｕ
ａｎｔｉｚｅｄ ＭＢＥ ｗｉｔｈ Ｓ
ｉｍｐｌｉｆｉｅｄ Ｖ／ＵＶ Ｄｉｖ
ｉｓｉｏｎ ａｔ ３．０Ｋｂｐｓ，Ｉ
ＥＥＥ ＩＣＡＳＳＰ，米国，ＩＥＥ
Ｅ，Ｖｏｌ．1993 Ｎｏ．Ｖｏ12 ，Ｉ
Ｉ−151−ＩＩ−154
(58)調査した分野(Int.Cl.7，ＤＢ名)
G10L 19/02
Claims (1)
- (57)【特許請求の範囲】 【請求項１】 音声信号を時間軸上でブロック単位で区
分し、各ブロック毎に有声音か無声音かを判別し、無声
音と判別されたブロック内の音声信号の時間波形のエン
ベロープ情報を示す、上記１ブロック内を複数の小ブロ
ックに分割した各小ブロックの１サンプル当たりの平均
レベルと、１ブロック内の全サンプルでの１サンプル当
たりの平均レベルとの比率を特徴量として抽出し、上記
有声音か無声音かの判別結果と上記特徴量を含むベクト
ル量子化して得られたデータ信号を受け取って、音声を
合成するデコーダにおいて、 無声音と判別された部分はノイズ信号の周波数成分を変
形処理すると共に上記特徴量に応じて時間波形に変形を
加えることにより無声音合成を行うことを特徴とするデ
コーダ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18532593A JP3440500B2 (ja) | 1993-07-27 | 1993-07-27 | デコーダ |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18532593A JP3440500B2 (ja) | 1993-07-27 | 1993-07-27 | デコーダ |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0744194A JPH0744194A (ja) | 1995-02-14 |
| JP3440500B2 true JP3440500B2 (ja) | 2003-08-25 |
Family
ID=16168858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18532593A Expired - Fee Related JP3440500B2 (ja) | 1993-07-27 | 1993-07-27 | デコーダ |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3440500B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999059138A2 (en) * | 1998-05-11 | 1999-11-18 | Koninklijke Philips Electronics N.V. | Refinement of pitch detection |
-
1993
- 1993-07-27 JP JP18532593A patent/JP3440500B2/ja not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| Ｍａｓａｙｕｋｉ Ｎｉｓｈｉｇｕｃｈｉ，Ｊｕｎ Ｍａｔｓｕｍｏｔｏ，Ｒｙｏｊｉ Ｗａｋａｔｓｕｋｉ，Ｓｈｉｎｏｂｕ Ｏｎｏ，Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚｅｄ ＭＢＥ ｗｉｔｈ Ｓｉｍｐｌｉｆｉｅｄ Ｖ／ＵＶ Ｄｉｖｉｓｉｏｎ ａｔ ３．０Ｋｂｐｓ，ＩＥＥＥ ＩＣＡＳＳＰ，米国，ＩＥＥＥ，Ｖｏｌ．１９９３ Ｎｏ．Ｖｏ１２ ，ＩＩ−１５１−ＩＩ−１５４ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0744194A (ja) | 1995-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0640952B1 (en) | Voiced-unvoiced discrimination method | |
| US5809455A (en) | Method and device for discriminating voiced and unvoiced sounds | |
| JP3707116B2 (ja) | 音声復号化方法及び装置 | |
| US5787387A (en) | Harmonic adaptive speech coding method and system | |
| KR100427753B1 (ko) | 음성신호재생방법및장치,음성복호화방법및장치,음성합성방법및장치와휴대용무선단말장치 | |
| US5749065A (en) | Speech encoding method, speech decoding method and speech encoding/decoding method | |
| JP3680380B2 (ja) | 音声符号化方法及び装置 | |
| US20150302859A1 (en) | Scalable And Embedded Codec For Speech And Audio Signals | |
| US6023671A (en) | Voiced/unvoiced decision using a plurality of sigmoid-transformed parameters for speech coding | |
| JP3680374B2 (ja) | 音声合成方法 | |
| JPH10214100A (ja) | 音声合成方法 | |
| JP3297749B2 (ja) | 符号化方法 | |
| JP3237178B2 (ja) | 符号化方法及び復号化方法 | |
| JP3297751B2 (ja) | データ数変換方法、符号化装置及び復号化装置 | |
| JP3218679B2 (ja) | 高能率符号化方法 | |
| JP3440500B2 (ja) | デコーダ | |
| JP3362471B2 (ja) | 音声信号の符号化方法及び復号化方法 | |
| JP3321933B2 (ja) | ピッチ検出方法 | |
| JP3731575B2 (ja) | 符号化装置及び復号装置 | |
| JPH0651800A (ja) | データ数変換方法 | |
| JP3218680B2 (ja) | 有声音合成方法 | |
| JP3398968B2 (ja) | 音声分析合成方法 | |
| JP3218681B2 (ja) | 背景雑音検出方法及び高能率符号化方法 | |
| JP4826580B2 (ja) | 音声信号の再生方法及び装置 | |
| JP3297750B2 (ja) | 符号化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20030204 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20030520 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080620 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090620 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100620 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100620 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110620 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120620 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120620 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130620 Year of fee payment: 10 |
|
| LAPS | Cancellation because of no payment of annual fees |