JP4512574B2 - 音声活動に基づくゲイン制限による音声強化についての方法、記録媒体、及び装置 - Google Patents

Description

本出願は、米国暫定出願第６０／１１９，２７９号（１９９９年２月９日出願）の出願日の優先権を主張し、ここで言及して援用する。

（技術分野）
本発明は、ＭＥＬＰ等の低ビットレート音声符号化システムを含む、音声符号化（音声圧縮）システムのための強化（enhancement）処理に関する。

（背景技術）
パラメータ音声符号化装置（コーダ）等の低ビットレート音声コーダは、昨今、非常に改善された。しかし、低ビットレートコーダはまだ、粗悪な音響環境(harsh acoustic environment)での強健性に欠ける問題がある。例えば、中／低度の信号雑音比（ＳＮＲ）の状態で低ビットレートパラメータコーダによって混入された人工産物（artifact）は、符号化された音声の分かり易さに影響する可能性がある。

実験によると、低ビットレート音声コーダを音声強化プリプロセッサと合わせると、符号化された音声に有意な改善がみられた。このような強化プリプロセッサは通常３個の主要な構成要素を有する。スペクトル解析／合成システム（通常は窓を使用した(windowed)高速フーリエ変換／逆高速フーリエ変換（ＦＦＴ／ＩＦＦＴ）によって実現される）と、雑音推定処理と、スペクトルゲイン計算である。雑音推定処理は通常、ある主の音声活動検出またはスペクトル最小追跡技術を含む。算出されたスペクトルゲインを、音声信号の各データフレーム（セグメント）のフーリエ係数の大きさ（Fourier magnitude）のみに適用する。音声強化プリプロセッサの例は、Y.Ephraim等による「Speech Enhancement Using a Minimum Mean-Square Error Log-Spectral Amplitude Estimator」（IEEE Trans. Acoustics, Speech and Signal Processing, Vol.33, p443-445,１９８５年４月）に紹介されている。この文献はここで言及して援用する。従来どおり、スペクトルゲインは、ＦＦＴ処理によって出力される個々のサブバンドに適用する個々のゲイン値を有する。

音声信号は、明瞭に発音された音声(articulated speech)（「音声活動」の期間）と音声の間(pause)の期間とを示すと考えても良い。音声活動の期間、音声信号は、明瞭に発音された音声と背景雑音の双方を表し、明瞭に発音された音声中で間をおくと、その間の音声信号は背景雑音のみを表す。強化プリプロセッサは、音声の間の間には（雑音を減衰することが望ましいため）比較的低いゲインを適用し、音声が発せられている期間には（発音された音声の減衰を軽減するため）より高いゲインを適用するように機能する。しかし、例えば、間の後で音声活動の開始を示すために低ゲイン値から高ゲイン値へ切り替えることは、あるいはこの逆の状況で、構造的な（structured)「音楽的(musical)」（または「音色的(tonal)」）雑音を作りだすことになり得る。これは聞き手にとって耳障りである。さらに、強化プリプロセッサと共に用いた場合に音声コーダが音声の聞き易さを損ねるように、強化プリプロセッサ自身もこれを損ねる可能性がある。

構造的な音楽的雑音の問題に対処するために、ある強化プリプロセッサは、音声信号の全てのデータフレームに適用されるゲイン値を一様に制限する。通常、これは、ゲインの計算に入力される関数である先験的（a priori）信号雑音比を制限して行う。このようにゲインを制限することで、（「間」に相当するデータフレーム等の）あるデータフレームに適用されるゲインが過度に低くなって、データフレーム間でゲインが大きく変化すること（つまり、構造的な音楽的雑音）に寄与することを防止する。しかし、このようなゲインの制限では、強化プリプロセッサまたは音声コーダによる分かり易さの問題を適切に改善できない。

本発明は、従来例の問題を解決し、構造的な音楽的雑音を制限し、音声の分かり易さを増す。強化プリプロセッサの場合、本発明のある実施形態では、処理対象の音声信号が、明瞭に発音された音声（発音音声）を示すか、音声の「間」を示すかを検出し、この音声信号に適用する独自のゲインを形成する。このゲインが想定する最低値（つまり、低い側の極限）は、音声信号が発音音声を示すか否かに基づいて決定されるので、この状態のこのゲインは独自のものである。この実施形態によると、「間」の間の音声の低い側の極限は、音声活動中のゲインの低い側の極限よりも高くなる。

この実施形態では、音声信号のデータフレームに適用されるゲインは、制限された先験的ＳＮＲ値に基づいて適応的に制限される。これらの先験的ＳＮＲ値は、（ａ）フレーム内に発音音声が検出されたか、および（ｂ）音声を示すフレームの長期ＳＮＲに基づいて制限される。音声活動検出装置を用いて、発音音声を含むフレームと、音声の「間」を含むフレームとを区別する。したがって、先験的ＳＮＲ値の低い側の極値を算出して、発音音声を示すフレームの第１の値および、「間」を示すフレームの、第１の値より大きい第２の値としても良い。一次帰納的システムを用いて先験的ＳＮＲ値の低い側の極限をスムーズにして、信号の音声活動セグメントと、間セグメントとの間の移行をスムーズにする。

本発明の実施形態は、音声コーダと共に用いた場合に強化プリプロセッサによって生じ得る、符号化された音声データの遅延を軽減する。強化プリプロセッサおよびコーダの遅延は、コーダを、少なくとも部分的に、不完全なデータサンプルに対して作用させて、少なくとも幾つかの符号化パラメータを抽出することで軽減できる。プリプロセッサおよびコーダによる全体の遅延は通常、コーダの遅延と、強化プリプロセッサ内のフレームの重複部分の長さとの合計に等しい。しかし、本発明は、いくつかのコーダは、「先見(look-ahead)」データサンプルを入力バッファ内に保管しており、これらのサンプルを使って符号化パラメータを抽出することを利用する。先見サンプルは通常、入力バッファ内の他のサンプル程、符号化された音声の質に影響しない。したがって、コーダは、プリプロセッサから十分に処理された（完全な）データが出力されるのを待つ必要はなく、入力バッファ内の不完全なデータサンプルから符号化パラメータを抽出できる場合がある。不完全なデータサンプルに作用することで、強化プリプロセッサおよびコーダの遅延は、符号化されたデータの質に大きく影響することなく、軽減できる。

例えば、音声プリプロセッサおよび音声コーダをあわせた遅延は、解析ウィンドウを入力フレームに乗じ（multiply）、強化プリプロセッサ内のフレームを強化することで、軽減できる。フレームの強化後、合成ウィンドウをフレームの左半分に乗じ、逆解析（inverse analysis）ウィンドウを右半分に乗じる。合成ウィンドウは解析ウィンドウと異なるウィンドウでもよいが、同じであることが好適である。次にフレームを音声符号化入力バッファに加え、このフレームを使って符号化パラメータを抽出する。符号化パラメータの抽出後、音声符号化入力バッファ内のフレームの右半分を、分析および合成ウィンドウによって乗算し、次のフレームが入力される前にこのフレームを入力バッファ内で移動する。符号化入力バッファ内のフレームを処理するために使用する解析ウィンドウおよび合成ウィンドウは、強化プリプロセッサ内の分析および合成ウィンドウと同じでもよく、または、プリプロセッサ内で使用される解析ウィンドウの平方根等、僅かに異なってもよい。したがって、プリプロセッサによる遅延は、例えば、１〜２ミリ秒程度の非常に小さいレベルに軽減できる。

本発明の上記およびこれ以外の態様は、後述の説明により明らかになるであろう。

Ａ．発明を実施するための最良の形態について
音声コーディング技術における通例に従って、本発明の実施形態を個々の機能ブロック（すなわち「モジュール」）の集まりとして示す。このような機能ブロックが表わす機能は、ソフトウェアを実行可能なハードウェアを含む（これに限定されない）共用ハードウェアまたは専用ハードウェアのいずれかを使用して提供される。例えば、図１に示すブロック１〜５の機能は単一の共用プロセッサを使って提供される（「プロセッサ」という用語は、ソフトウェアを実行可能なハードウェアのみを指すと解釈すべきでない）。

各実施形態は、任意のメーカのデジタル信号プロセッサ（ＤＳＰ）または汎用パーソナルコンピュータ（ＰＣ）ハードウェア、後述する演算を実行するソフトウェアを格納する読み取り専用メモリ（ＲＯＭ）、ＤＳＰ／ＰＣの結果を格納するランダムアクセスメモリ（ＲＡＭ）で実現可能である。超大規模集積回路（ＶＬＳＩ）ハードウェアや、汎用ＤＳＰ／ＰＣ回路と組み合わせたカスタムＶＬＳＩ回路構成の実施形態も可能である。

図１に示す機能を実行するコードを本発明に添付する「ソフトウエア集」に示す。

Ｂ．発明を実施するための最良の形態
図１は、本発明のある実施形態の略ブロック図である。図１に示すように、この実施形態は、音声情報を表す各種信号を処理する。これらの信号には、音声信号（純粋な音声成分ｓ（ｋ）と背景雑音成分ｎ（ｋ）を含む）、音声信号のデータフレーム、スペクトルの大きさ、スペクトル位相、コーディングされた音声などを含む。この例では、音声信号は音声強化プリプロセッサ８によって強化されてから、コーダ７によってコーディングされる。この実施形態のコーダ７は、本願に引用して援用する、ＩＥＥＥ国際会議紀要、音響、音声、信号処理（ＩＣＡＳＳＰ）（１９９６年、A. McCree他）２００〜２０３ページに掲載の「新規合衆国連邦基準のための２．４ＫＢＩＴ／Ｓ ＭＥＬＰコーダ候補：A 2.4 KBIT/S MELP Coder Candidate for the New U.S. Federal Standard」に記載されているような２４００ｂｐｓのＭＩＬ標準ＭＥＬＰコーダである。図２，３，４，及び５は、図１に示すモジュールによって実施されるプロセスのフローチャートである。

１．セグメント化モジュール
音声信号s(k)+n(k)をセグメント化モジュール１に入力する。セグメント化モジュール１は、音声信号を２５６サンプルの音声および雑音データから成るフレームにセグメント化し（図２のステップ１００を参照）、フレームを周波数ドメインに変換する前にフレームに解析ウィンドウを適用する（図２のステップ２００を参照）。データフレームのサイズは、この実施形態の２５６サンプルのように、任意の所要のサイズにできる。既知のように、フレームに解析ウィンドウを適用すると、音声信号のスペクトル表現に影響が出る。

解析ウィンドウには両端にテーパを付け、フレーム内のサブバンド間のクロストークを削減する。解析ウィンドウのテーパを長くすると、クローストークは大幅に削減するが、プリプロセッサおよびコーダの組み合わせ１０の遅延が増大することがある。前処理およびコーディング操作に固有の遅延は、音声強化プリプロセッサ８のフレーム進行（すなわちフレームの集まり（multiple））とコーダ７のフレーム進行が一致するときに最小になる。ただし、音声強化プリプロセッサ８で後に合成されるフレーム間のシフトが典型的なハーフオーバラップ（例えば、１２８サンプル）からコーダ７の典型的なフレームシフト（例えば、１８０サンプル）に増大するとともに、強化音声信号ｓ（ｋ）の隣接フレーム間の遷移が滑らかでなくなる。このような不連続が生じるのは、解析ウィンドウが入力信号を各フレームの端部で最も減衰させ、各フレーム内の推定エラーがフレーム全体に均等に広がる傾向があるためである。このため、フレーム境界で相対エラーが増大し、その結果不連続がＳＮＲ条件が低い場合に顕著となって、例えば、ピッチ推定エラーが発生することがある。

音声強化プリプロセッサ８で解析ウィンドウと合成ウィンドウの両方を使用すると、不連続を大幅に減少できる。例えば、テューキー（Tukey）ウィンドウの平方根

は、このウィンドウを解析ウィンドウと合成ウィンドウの両方として使用したときに優れた性能を発揮する。ここで、Ｍはサンプル内のフレームサイズ、Ｍ₀は隣接する合成フレームのオーバーラップする部分の長さである。

次に、ウィンドウが使用された音声データのフレームを強化する。この強化ステップは普通は図２のステップ３００に対応するが、詳しくは図３〜５の一連のステップを参照されたい。

２．変換モジュール
ウィンドウが使用された音声信号のフレームを変換モジュール２に出力する。変換モジュールは、従来の高速フーリエ変換（ＦＦＴ）をフレームに適用する（図３のステップ３１０）。変換モジュール２によって出力されるスペクトルの大きさは、雑音推定モジュール３でフレーム内の雑音レベルを推定するのに使用される。

３．雑音推定モジュール
雑音推定モジュール３は、変換モジュール２によって出力されるスペクトルの大きさを入力として受け取り、雑音推定を生成してゲイン関数モジュール４に出力する（図３のステップ３２０を参照）。雑音推定には、従来の方法で計算された先験的ＳＮＲと経験的ＳＮＲが含まれる。雑音推定モジュール３は任意の従来の雑音推定手法で実現可能であり、例えば、前に引用した米国暫定特許出願第６０／１１９，２７９号（１９９９年２月９日）に示される雑音推定手法に従って実現できる。

４．ゲイン関数モジュール
音楽的（musical）ひずみを防止し、音声の全体的なスペクトル形状にひずみが生じないようにするため（かつ、スペクトルパラメータの推定が妨害されないようにするため）、ゲインＧの下限値は、背景雑音のみを表わすフレーム（音声の間）の場合には最初の値に、アクティブ音声を表わすフレームの場合は次に小さい値に設定しなければならない。このような下限値とゲインは次のようにして決定する。

４．１ 先験的ＳＮＲの制限
モジュール４によって決定されるゲイン関数Ｇは、先験的ＳＮＲ値ξ_kと経験的ＳＮＲ値γ_k（前述）の関数である。先験的ＳＮＲ値ξ_kは、現在のフレームに音声と雑音が含まれているか、雑音のみが含まれているかと、音声データの推定長期ＳＮＲに基づいて、ゲイン関数モジュール４によって適応的に制限される。現在のフレームに雑音のみが含まれる場合には（図４のステップ３３１を参照）、先験的ＳＮＲ値ξ_kに対して暫定下限値ξ_min1(λ) = 0.12を設定するのが好適である（図４のステップ３３２を参照）。現在のフレームに音声と雑音が含まれる場合（アクティブ音声）には、暫定下限値ξ_min1(λ)を次のように設定する。

ここで、SNR_LTは音声データの長期ＳＮＲ、λは現在のフレームのフレームインデックスである（図４のステップ３３３を参照）。ただし、ξ_min1は０．２５以下に制限される（図４のステップ３３４および３３５を参照）。長期SNR_LTは、音声信号の平均電力と複数のフレームでの雑音の平均電力の比を算出し、その値から１を減算することによって決定する。音声信号と雑音は、１〜２秒の信号を表わす多数のフレームについて平均をとることが好適である。SNR_LTが０未満の場合は、SNR_LTは０に等しく設定する。

先験的ＳＮＲの実際の下限値は、１次再帰フィルタ（first order recursive filter）によって決定する。

このフィルタによって、音声フレームと雑音のみのフレームの暫定値の間で滑らかな遷移が行われる（図４のステップ３３６を参照）。このとき、滑らかに遷移した下限値ξ_min(λ)は、後述するゲイン計算の中で先験的ＳＮＲ値ξ_k(λ)の下限値として使用される。

４．２ 制限された先験的ＳＮＲによるゲインの決定
既知のように、音声強化プリプロセッサで使用されるゲインＧは、先験的信号と雑音比ξおよび経験的ＳＮＲ値γとの関数である。すなわち、G_k(λ) = f(ξ_k(λ),γ_k(λ))である。ここで、λはフレームインデックス、ｋはサブバンドインデックスである。本発明の実施形態に従って、先験的ＳＮＲの下限値ξ_min(λ)は、次のように先験的ＳＮＲ（雑音推定モジュール３によって決定される）に適用される。

（図５のステップ５１０および５２０を参照。）

雑音推定モジュール３によって生成される経験的ＳＮＲ推定値と前述の制限された先験的ＳＮＲ値に基づいて、ゲイン関数モジュール４がゲイン関数Ｇを決定する（図５のステップ５３０を参照）。この実施形態を実現するのに適したゲイン関数は、本願に引用して援用するＩＥＥＥ会報、音響、音声、信号処理第３３巻（１９８５年４月、Y. Ephraim他）４４３〜４４５ページに掲載の「ＭＭＳＥ ＬＳＡエスティメータを使用した音声強化：Speech Enhancement Using a Minimum Mean-Square Error Log-Spectral Amplitude Estimator」に記載されているような従来のＭｉｎｉｍｕｍ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ Ｌｏｇ Ｓｐｅｃｔｒａｌ Ａｍｐｌｉｔｕｄｅエスティメータ（ＭＭＳＥ ＬＳＡ）である。ＩＣＡＳＳＰ国際会議紀要（１９９９年、D. Malah他）に掲載の「非定常雑音環境での音声強化の改良のための音声存在の不確実性の追跡：Tracking Speech Presence Uncertainty to Improve Speech Enhancement in Non-Stationary Noise Environments」に記載されているような大幅に改良されたＭＭＳＥ ＬＳＡエスティメータを使用して、音声が存在するかどうかの確率を考慮すれば、さらに改良が可能である。この参考資料は本願に引用して援用する。

５．ゲイン関数の適用
ゲインＧを、変換モジュール２によって出力されるデータフレームの雑音のあるスペクトルの大きさに適用する。これは、図１に示すように、雑音のあるスペクトルの大きさにゲインを乗算する従来の方式で実行される（図３のステップ３４０を参照）。

６．逆変換モジュール
従来の逆ＦＦＴを逆変換モジュール５によって強化スペクトルの振幅に適用する。逆変換モジュールは強化された音声のフレームをオーバーラップ／加算モジュール６に出力する（図３のステップ３５０を参照）。

７．オーバーラップ加算モジュール：遅延低減
オーバーラップ／加算モジュール６は、逆変換モジュール５の出力を合成して、強化音声信号ｓ（ｋ）をコーダ７に出力する。オーバーラップ／加算モジュール６は、フレームの左半分（例えば、古い方の１８０サンプル）を合成ウィンドウで、フレームの右半分（例えば、新しい方の７６サンプル）を逆解析ウィンドウで乗算することによって、音声強化プリプロセッサ８によって生じる遅延を削減するのが好適である（図２のステップ４００を参照）。合成ウィンドウは解析ウィンドウと異なってもよいが、解析ウィンドウと同一であることが好適である（さらに、この合成ウィンドウと解析ウィンドウは図２のステップ２００に示す解析ウィンドウと同一であることが好適である）。フレームの左半分と右半分のサンプルサイズは、後述するコーダ７の入力バッファで発生するデータシフトの量に基づいて変化する（後述のステップ８００に関する記述を参照）。この場合、コーダ７の入力バッファのデータは１８０サンプルだけシフトするので、フレームの左半分に１８０サンプルが含まれるようになる。合成／解析ウィンドウはフレームの端部で減衰が大きくなるので、フレームに逆解析フィルタを乗算すると、フレーム境界で推定エラーが大幅に増幅される。したがって、逆解析フィルタにフレームの最後の１６〜２４サンプルが乗算されないように、２〜３ｍｓの小さい遅延にするのが好適である。

フレームは、合成ウィンドウと逆解析ウィンドウによって調整（adjust）されると、コーダ７の入力バッファ（図示せず）に送られる（図２のステップ５００を参照）。現在のフレームの左半分は、すでに入力バッファに読み込まれている前のフレームの右半分でオーバーラップされる。ただし、現在のフレームの右半分は入力バッファにあるフレームまたはフレームの一部でオーバーラップされない。このとき、コーダ７は、新たに入力されたフレームや不完全な右半分のデータを含めて、入力バッファ内のデータを使用して、コーディングパラメータを抽出する（図２のステップ６００を参照）。例えば、従来のＭＥＬＰコーダは、入力バッファ内のデータから１０の線形予測係数、２つのゲイン係数、１つのピッチ値、５つの帯域音声強度値、１０のフーリエ係数の大きさ（Fourier magnitude）、１つの非周期的フラグを抽出する。もっとも、フレームからは任意の所要の情報を抽出可能である。ＭＥＬＰコーダ７は線形予測係数（ＬＰＣ）解析や最初のゲイン係数の計算に入力バッファ内の最新の６０サンプルを使用しないので、これらのサンプル内に強化エラーがあってもコーダ７の全体的な性能への影響は小さい。

コーダ７がコーディングパラメータを抽出した後、最後の入力フレームの右半分（例えば、最新の７６サンプル）を解析および合成ウィンドウで乗算する（図２のステップ７００を参照）。これらの合成および解析ウィンドウはステップ２００で引用したものと同一であることが好適である（ただし、ステップ２００の解析ウィンドウの平方根のように、異なっていてもよい）。

次に、次のフレームの入力に備えて入力バッファのデータを、例えば１８０サンプルだけシフトする（図２のステップ８００を参照）。前述したように、合成および解析ウィンドウは音声強化プリプロセッサ８で使用した解析ウィンドウと同じでもよいし、例えば、解析ウィンドウの平方根のように、音声強化プリプロセッサ８で使用した解析ウィンドウと異なっていてもよい。オーバーラップ／加算演算の最終部分をコーダ７の入力バッファにシフトすることによって、音声強化プリプロセッサ８のスペクトル解像度やクロストーク削減を犠牲にすることなく、音声強化プリプロセッサ８／コーダ７の組み合わせの遅延を２〜３ミリ秒まで削減できる。

Ｃ．議論
本発明について特定の実施形態と関連付けて説明したが、当業者が多数の代替実施形態、変形、変化を容易に導けることは明らかである。よって、ここで説明した本発明の最良の実施形態は、本発明を制限するものではなく、本発明を例証する意図で記載されており、本発明の概念および範囲を外れることなく、様々な変更が可能である。

例えば、本発明の実施形態は、従来のＭＥＬＰ音声コーダと関連して動作すると説明されているが、本発明と関連して他の音声コーダも使用可能である。

本発明の実施形態はＦＦＴおよびＩＦＦＴを採用しているが、離散フーリエ変換（ＤＦＴ）や逆ＤＦＴなどの他の変換を使用しても本発明を実現できる。

引用した暫定特許出願の雑音推定手法は雑音推定モジュール３に適しているが、本願に引用して援用する、ＩＥＥＥ国際会議紀要、音響、音声、信号処理（ＩＣＡＳＳＰ）（１９９９年、D. Malah他）に記載の「非定常雑音環境での音声強化の改良のための音声存在の不確実性の追跡：Tracking Speech Presence Uncertainty to Improve Speech Enhancement in Non-Stationary Noise Environments」や欧州信号処理会議紀要第１巻（１９９４年、R. Martin）に記載の「最小統計に基づくスペクトル減算：Spectral Subtraction Based on Minimum Statistics」に記載されているような音声活動検出またはスペクトル最小追跡アプローチに基づいた他のアルゴリズムも使用できる。

フレームが音声の間（背景雑音のみ）を表わすときには、先験的ＳＮＲ値ξ_kに暫定下限値ξ_min1(λ) = 0.12を設定するのが好適であるが、この暫定下限値ξ_min1は他の値に設定してもよい。

先験的ＳＮＲを制限するプロセスは、雑音のあるスペクトルの大きさに適用されるゲイン値を制限するために可能なメカニズムの１つに過ぎず、他の方法でゲイン値を制限することもできる。音声活動を表わすフレームのゲインの下限値は、背景雑音のみを表わすフレームのゲインの下限値より小さくすると便利である。ただし、例えば、（先験的ＳＮＲのように、ゲインの前提関数（functional antecedent）を制限するのではなく）ゲイン値を直接に制限するなどの他の方法も可能である。

音声強化プリプロセッサ８の逆変換モジュール５から出力されるフレームは、音声強化プリプロセッサ８によって引き起こされる遅延を削減するように前述のように処理するのが好適であるが、この遅延削減処理は音声強化のためには必要ない。したがって、音声強化プリプロセッサ８は、前述したように、（例えば、先験的ＳＮＲ値ξ_kを適切に制限して）ゲイン制限によって音声信号を強化するように動作させることもできる。同様に、前述した遅延低減ではゲイン制限プロセスを使用する必要がない。

他のタイプのデータ処理演算の遅延は、データフレームの最初の部分、すなわちデータの任意のグループに最初のプロセスを適用し、データフレームの２番目の部分に２番目のプロセスを適用すれば削減できる。最初のプロセスと２番目のプロセスは音声強化処理も含めた任意の所要の処理で実行できる。次に、フレームの最初の部分が他のデータに結合されるようにフレームを他のデータと結合する。コーディングパラメータなどの情報は、結合されたデータを含むフレームから抽出される。情報の抽出後、別のフレームのデータとの結合に備えて、フレームの２番目の部分に３番目のプロセスを適用する。

（添付書類）

なお、本分割願の元となった出願の出願当初における特許請求の範囲は、次の［旧請求項１］〜［旧請求項４］を含んでおり、本分割出願にも、これらの技術思想が包含されている。

［旧請求項１］ 音声符号化に使用するために、背景雑音と発音音声の期間とを表し、複数のデータフレームに分割される音声信号、を強化する方法であって、
前記データフレームの音声信号を変換して、複数のサブバンド音声信号を生成するステップと、
前記データフレームに対応する前記音声信号が、発音音声を表すか否かを検出するステップと、
個々のゲイン値を個々のサブバンド音声信号に適用するステップであって、発音音声を表すことが検出されたフレームに対する許容最低ゲイン値は、背景雑音のみを表すことが検出されたフレームに対する許容最低ゲイン値よりも低くしたステップと、
前記複数のサブバンド音声信号を逆変換するステップと
を有することを特徴とする、音声信号を強化する方法。

［旧請求項２］ 旧請求項１の方法において、個々のゲイン値を決定するステップを更に有し、
前記許容最低ゲイン値は、許容最低の先験的信号雑音比の関数であることを特徴とする、旧請求項１の方法。

［旧請求項３］ 音声符号化に使用するために、データフレームに分割され、背景雑音情報と発音音声の期間情報とを表す音声信号、を強化する方法であって、
データフレームの信号が、発音音声情報を表すか否かを検出するステップと、
ゲイン値を前記信号に適用するステップと、
を有し、
発音音声を表すことが検出されたフレームに対する許容最低ゲイン値は、背景雑音のみを表すことが検出されたフレームに対する許容最低ゲイン値よりも低いことを特徴とする、音声信号を強化する方法。

［旧請求項４］ 旧請求項３の方法において、ゲイン値を決定するステップを更に有し、
前記許容最低ゲイン値は、許容最低の先験的信号雑音比の関数であることを特徴とする、旧請求項３の方法。

本発明の実施形態を示す概略ブロック図である。 図１の実施形態における音声信号およびその他の信号の処理方法のステップを示すフローチャートである。 図１の実施形態における音声信号の強化方法のステップを示すフローチャートである。 図１の実施形態における先験的ＳＮＲ値を適応的に調整する方法のステップを示すフローチャートである。 ゲイン計算に使用するために、先験的信号雑音比に制限を適用する方法のステップを示すフローチャートである。

符号の説明

１ セグメント化モジュール、２ 変換モジュール、３ 雑音推定モジュール、４ ゲイン関数モジュール、５ 逆変換モジュール、６ オーバーラップ／加算モジュール、７ コーディングモジュール、８ 音声強化プリプロセッサ。

Claims (7)

1. 音声符号化に使用するために、背景雑音と発音音声の期間とを表し、複数のデータフレームに分割される音声信号、を強化する方法であって、
   現在のデータフレームの前部（less current portion of data frame）に対して合成ウィンドウを乗じて、乗算されたデータフレーム前部を作成し、
   現在のデータフレームの後部（more current portion of data frame）に対して逆解析ウィンドウを乗じて、乗算されたデータフレーム後部を作成し、
   前記乗算されたデータフレーム前部と、前のデータフレームの乗算されたデータフレーム後部とを加算して、音声符号化に使用されるデータフレームを生成し、
   生成されたデータフレームを用いて音声符号化パラメータを決定することを特徴とする方法。
2. 請求項１に記載の方法であって、前記合成ウィンドウと、前記逆解析ウインドウが基づく解析ウィンドウとは、同一であることを特徴とする方法。
3. 請求項１に記載の方法であって、音声符号化は、入力バッファを用い、現在のデータフレームの前部及び後部の大きさは、当該音声コーダの入力バッファのデータシフト量に基づいて決定されることを特徴とする方法。
4. 請求項１に記載の方法であって、音声符号化は、ＭＥＬＰコーダであることを特徴とする方法。
5. 第１処理と第２処理とを含み、前記第１処理は、第２処理で用いられるデータフレームを生成するシステムにおける遅延を低減する方法であって、
   現在のデータフレームの前部に対して合成ウィンドウを乗じて、乗算されたデータフレーム前部を作成し、
   現在のデータフレームの後部に対して逆解析ウィンドウを乗じて、乗算されたデータフレーム後部を作成し、
   前記乗算されたデータフレーム前部を、前のデータフレームの乗算されたデータフレーム後部に加算して、前記第２処理で用いられるデータバッファを生成し、
   第２処理でのパラメータを、当該データバッファを用いて決定することを特徴とする方法。
6. コンピュータに、音声符号化に使用するために、背景雑音と発音音声の期間とを表し、複数のデータフレームに分割される音声信号、を強化する処理を実行させるためのプログラムを記録した記録媒体であって、
   前記処理は、
   現在のデータフレームの前部（less current portion of data frame）に対して合成ウィンドウを乗じて、乗算されたデータフレーム前部を作成するステップと、
   現在のデータフレームの後部（more current portion of data frame）に対して逆解析ウィンドウを乗じて、乗算されたデータフレーム後部を作成するステップと、
   前記乗算されたデータフレーム前部と、前のデータフレームの乗算されたデータフレーム後部とを加算して、音声符号化に使用されるデータフレームを生成するステップと、
   生成されたデータフレームを用いて音声符号化パラメータを決定するステップと、
   を含むことを特徴とする記録媒体。
7. 音声符号化に使用するために、背景雑音と発音音声の期間とを表し、複数のデータフレームに分割される音声信号、を強化する装置であって、
   現在のデータフレームの前部（less current portion of data frame）に対して合成ウィンドウを乗じて、乗算されたデータフレーム前部を作成する手段と、
   現在のデータフレームの後部（more current portion of data frame）に対して逆解析ウィンドウを乗じて、乗算されたデータフレーム後部を作成する手段と、
   前記乗算されたデータフレーム前部と、前のデータフレームの乗算されたデータフレーム後部とを加算して、音声符号化に使用されるデータフレームを生成する手段と、
   生成されたデータフレームを用いて音声符号化パラメータを決定する手段と、
   を含むことを特徴とする装置。
   

Images