JP4874464B2 - 遷移音声フレームのマルチパルス補間的符号化 - Google Patents

Description

【０００１】
【発明の属する技術分野】
本発明は、全般的には音声の処理に関し、より詳しくは遷移音声フレームのマルチパルス補間的な符号化に関する。
【０００２】
【従来の技術】
音声をディジタル技術により送信することが、特に、長距離及びディジタル無線電話用途において、広く行われている。したがって、このことにより、再構築された音声（speech）の認識される品質を維持しつつ、チャネル上で送信可能な情報の最少量を決定することに関心が向けられている。音声が単なるサンプル化及ディジタル化により送信される場合、一秒間当たり６４キロビット程度でのデータレートが要求され、これにより従来のアナログ電話の音声品質を実現する。しかしながら、音声分析、及びこれに続く適切な符号化、送信、受信器での再統合を介して、データレートを大きく低減することが可能となる。
【０００３】
人間が音声を生成するモデルと関連付けされているパラメータを抽出することにより音声を圧縮する技術を用いた機器は音声符号器と呼ばれる。音声符号器は、入力された音声信号を時間のブロック、又は分析フレームに分割する。音声符号器は、典型的には、符号器と復号器とを具備する。符号器は、入力された音声フレームを分析し、ある関連したパラメータを抽出する。次いで、このパラメータを、例えば１組のビットまたは２値データのパケット等の２値により代表されたものに量子化する。データパケットは、通信チャネル上で受信器又は復号器に送信される。復号器は、データパケットを処理し、それらを逆量子化して、パラメータを生成し、逆量子化されたパラメータを用いて音声のフレームを再合成する。
【０００４】
音声符号器の機能は、音声内において固有で自然な冗長部分を除去することによりディジタル化された音声信号を低ビットレートの信号へと圧縮する。このディジタル圧縮は、入力された音声フレームを、１組のパラメータにより表現すること、及び量子化によりパラメータを１組のビットによって表現することにより行われる。入力音声フレームがビット数Ｎ_ｉであって、音声符号器により生成されたデータパケットがビット数Ｎ_ｏである場合、この音声符号器によりなされる圧縮率は、Ｃ_ｒ＝Ｎ_ｉ／Ｎ_ｏとなる。目指すべきことは、目的の圧縮率を実現しつつ、復号された音声の品質を高く保つことである。音声符号器の性能は、（１）音声モデル、または上記した分析及び合成処理を組み合わせた動作がどれほど優れているか、（２）フレームごとに目標とするビットレートＮ_ｏビットにおいて、パラメータの量子化処理がどれほど優れているかに依存する。したがって、音声モデルの目標とするところは、各フレームに対し少ない組のパラメータを用いて、音声信号の本質、または目的の音声の質をつかむことである。
【０００５】
音声符号器は、時間領域符号器として実施することができる。この時間領域符号器は、高い時間分解能処理を用いて時間ごとに音声の小さな区分（典型的にはミリ秒（ｍｓ）のサブフレーム）を符号化することにより、時間領域音声波形を捕獲する。各サブフレームに対し、従来から知られている種々の検索アルゴリズムを用いて、コードブックのスペースからの高精度な代表となるものを見つける。または、音声符号器は、周波数領域符号器として実施することができる。この周波数領域符号器は、１組のパラメータ（分析）を用いて入力音声フレームの短期間の音声スペクトルを捕獲し、対応する合成処理を用いてこのスペクトルパラメータから音声の波形を再構築する。パラメータ量子化器は、公知の量子化技術にしたがって、符号ベクトルの保存された代表物によりパラメータを表すことにより、パラメータを保存する。この量子化技術は、A.Gersho & R.M. Gray, Vector Quantization and Signal Compression (1992)に記載されている。
【０００６】
周知の時間領域音声符号器は、L.B. Rabiner & R.W. Schafer, Digital Processing of Speech Signals 396-453 (1978) に記載されたCode Excited Linear Predictive (CELP) 符号器であって、この符号器は以下、参照することにより完全に包含される。ＣＥＬＰ符号器において、音声信号中の短期間の相関、または冗長さが、線形予測（ＬＰ）分析を用いて除去される。この線形予測分析は、短期間のフォルマントフィルタの係数を見つけることである。入力音声フレームに短期間予測フィルタを適用することにより、ＬＰ残余信号が生成される。このＬＰ残余信号は、さらにモデル化され、長期間予測フィルタパラメータ及び後続の推計学のコードブックを用いて量子化される。したがって、ＣＥＬＰ符号化により、時間領域音声波形を符号化する作業は、別個のＬＰ短期間フィルタの定数を符号化する作業とＬＰの残余を符号化する作業とに分割される。時間領域符号化は、固定されたレート（すなわち、各フレームに対し同じビット数、Ｎ０を用いて）、または可変レート（フレームの内容が異なるタイプに対し異なるビットレートが用いられる）により実行することができる。可変レート符号器は、コーデックパラメータを、目標とする品質を得るのに十分なレベルまで符号化するのに必要なビット数のみを用いるよう試みる。可変レートＣＥＬＰ符号器の例は、US. Patent NO. 5,414,796 に記載され、この出願は、本発明の譲受人に譲渡され、以下参照することにより完全に包含される。
【０００７】
ＣＥＬＰ符号器のような時間領域符号器は、典型的には、フレームごとに大きなビット数Ｎ０に依存することにより、時間領域音声波形の正確さを保つことができる。このような符号器は、典型的には、比較的大きなフレーム毎ビット数Ｎ_ｏ （例えば８ｋｂｐｓ以上）にて与えられた、非常に高い音声品質をもたらす。しかしながら、低ビットレート（４ｋｂｐｓ以下）においては、時間領域符号器は、高品質及びしっかりとした性能を保てない。これは、利用可能なビット数が少ないためである。低ビットレートにおいては、制限されたコードブックスペースは、従来の時間領域符号器の波形を合致させる機能を削除する。この合致機能は、より高いレートの商用形態において用いられ、成功を収めている。
【０００８】
現在、中または低ビットレート（すなわち、２．４〜４ｋｂｐｓ以下）にて動作する高品質な音声符号器を開発するための研究に対する関心及び商業的な需要が高い。この応用分野には、無線電話、衛星通信、インターネット電話、種々のマルチメディア及び音声ストリーム用途、音声メール、他の音声保存システムが含まれる。このような力は、パケットが失われる状況下でのしっかりした性能に対する要求または高容量に対する需要である。種々の近時の音声符号化の標準化の取り組みは、低レート音声アルゴリズムの研究開発を推進する他の力である。低レート音声符号器により、使用可能な帯域でより多くのチャネルまたは使用者が生みだされ、適当なチャネル符号器の付加層と接続された低レート音声符号器は、符号器の仕様の全体的なビット予算に合い、チャネル誤り条件下でのしっかりとした性能をもたらす。
【０００９】
低ビットレートにおいて音声を効率的に符号化する有効な技術の１つは、多モード符号化である。多モード符号化技術の例は、Amitava Das et al., Multimode and Variable-Rate Coding of Speech, in Speech Coding and Synthesis ch. 7 (W.B. Kleijn & K.K. Paliwal eds., 1995)に記載されている。従来の多モード符号器は、入力音声フレームの異なるタイプに対して異なるモード、又は符号化−復号アルゴリズムを適用する。各モード、又は符号化−復号処理は、例えば有声音声（voiced speech）、無声音声（unvoiced speech）、遷移音声（例えば有声音声と無声音声との間）、背景雑音（非音声（non-speech））等の音声区分のあるタイプを最適に表すように、最も効率的な方法でカスタマイズされている。外部、開ループモード決定メカニズムは、入力音声フレームを検査し、フレームにどのモードを適用すべきかの決定を行う。この開ループモード決定は、典型的には、入力フレームから適当数のパラメータを抽出し、ある時間及びスペクトル特性についてパラメータを評価し、この評価に基づいてモード決定の基礎を作成する。したがって、出力音声の正確な状態、すなわち、音声品質または他の性能の測定値の点で出力音声がどれほど入力音声と近いか、を予め知ること無しにモードの決定が行われる。
【００１０】
高い音声品質を保つために、遷移音声フレームを正確に表すことが重要である。このことは、フレームごとのビット数が制限された低ビットレート音声符号器に対して、難しいことが従来から証明されている。したがって、低ビットレートで符号化された遷移音声フレームを正確に表す音声符号器が要求される。
【００１１】
【課題を解決するための手段】
本発明は、低ビットレートにおいて、正確に遷移音声フレームを表す音声符号器にむけられたものである。したがって、本発明の第１の態様において、遷移音声フレームを符号化する方法は、適切に、遷移音声サンプルの第１フレームを前記第１フレームのサンプルの第１部分集合により表す工程と、遷移音声サンプルの第２の、先に受信したフレームから抽出したサンプルの第２部分集合と前記第１部分集合とを補間して、前記第１部分集合に含まれない第１フレームの他のサンプルを合成する工程と、を含む。
【００１２】
本発明の他の態様において、遷移音声フレームを符号化するための音声符号器は、適切に、遷移音声サンプルの第１フレームを前記第１フレームのサンプルの第１部分集合により表すための手段と、遷移音声サンプルの第２の、先に受信したフレームから抽出したサンプルの第２部分集合と前記第１部分集合とを補間して、前記第１部分集合に含まれない第１フレームの他のサンプルを合成するための手段と、を含む。
【００１３】
本発明の他の態様において、音声の遷移フレームを符号化するための音声符号器は、適切に、遷移音声サンプルの第１フレームを前記第１フレームのサンプルの第１部分集合により表すように構成された抽出器と、前記抽出器と接続され、遷移音声サンプルの第２の、先に受信したフレームから抽出したサンプルの第２部分集合と前記第１部分集合を補間して、前記第１部分集合に含まれない第１フレームの他のサンプルを合成する補間器と、を含む。
【００１４】
【発明の実施の形態】
図１において、第１符号器１０は、ディジタル化された音声サンプルｓ（ｎ）を受信し、送信媒体（メディア）１２または通信チャネル１２上で第１復号器１４に送信するためにサンプルｓ（ｎ）を符号化する。復号器１４は、符号化された音声のサンプルを復号し、出力音声信号ｓ_SYNTH（ｎ）を合成する。反対方向に送信するために、第２符号器１６は、ディジタル化された音声サンプルｓ（ｎ）を符号化する。この音声サンプルｓ（ｎ）は、通信チャネル１８上で送信される。第２符号器２０は、符号化された音声サンプルを受信、符号化し、合成された出力音声信号ｓ_SYNTH（ｎ）を生成する。
【００１５】
音声サンプルｓ（ｎ）は、ディジタル化及び量子化された音声信号を表す。このディジタル化及び量子化は、例えばパルス符号変調（ＰＣＭ）、圧伸μローまたはＡロー等を含む公知の種々の方法に沿って行われたものである。従来から知られているように、音声サンプルｓ（ｎ）は、入力データのフレームへと整理される。各フレームは、所定数のディジタル化された音声サンプルｓ（ｎ）から成る。実施形態例の１つでは、サンプルレート８ｋＨｚが用いられ、各２０ｍｓフレームは、１６０のサンプルからなる。上記した実施形態では、データ送信レートは、フレームごとに変えられ、適宜１３．２ｋｂｐｓ（完全レート）から６．２ｋｂｐｓ（半分レート）、２．６ｋｂｐｓ（４分の１レート）、１ｋｂｐｓ（８分の１レート）とすることができる。データ送信レートが可変であることは有利である。これは、比較的少ない音声情報を含むフレームに対してより低いビットレートを選択して適用できるからである。当業者により理解されるように、他のサンプルレート、フレームサイズ、データ送信レートを用いることもできる。
【００１６】
第１符号器１０と第２復号器２０とにより、第１音声符号器、または音声コーデックが構成される。同様に、第２符号器１６と第１復号器１４とにより第２音声符号器が構成される。ディジタル信号処理器（ＤＳＰ）、特定用途向け回路（ＡＳＩＣ）、ディスクリート型独立ゲートロジック、ファームウェア、または、従来からのあらゆるプログラム可能ソフトウェアモジュール及びマイクロプロセッサによって、音声符号器を実現できることは、当業者には理解される。ソフトウェアモジュールは、公知のＲＡＭメモリ、フラッシュメモリ、レジスタ、または他のいかなる形態の書き込み可能な保存メディア上に設けることができる。また、いかなる従来からのプロセッサ、コントローラ、及び状態機器をマイクロプセッサとして代用できる。音声符号器用に特別に設計されたＡＳＩＣの例は、U.S. Patent No. 5,727,123に記載され、この出願は本願の譲受人に譲渡され、ここに参照することにより完全に包含される。また、１９９４年２月１６日に出願されたVOCODER ASICと題するU.S. Application Serial No. 08/197,417に記載され、この出願は、本願の譲受人に譲渡され、ここに参照することにより完全に包含される。
【００１７】
図２において、音声符号器に使用できる符号器１００は、モード決定モジュール１０２、ピッチ推定モジュール１０４、ＬＰ分析モジュール１０６、ＬＰ分析フィルタ１０８、ＬＰ量子化モジュール１１０、及び残余量子化モジュール１１２を含む。入力音声フレームｓ（ｎ）はモード決定モジュール１０２、ピッチ推定モジュール１０４、ＬＰ分析モジュール１０６、及びＬＰ分析フィルタ１０８に供給される。モード決定モジュール１０２は、モードインデックスＩ_Ｍ、及び各入力音声フレームｓ（ｎ）の周期性に基づいてモードＭを生成する。周期性にしたがって音声フレームを分類する種々の方法は、METHOD AND APPARATUS FOR PERFORMING REDUCED RATE VARIABLE RATE VOCODINGと題して１９９７年３月１１日に出願されたU.S. Application Serial No. 08/815,354に記載される。この出願は、本願の譲受人に譲渡され、ここに参照することにより完全に包含される。このような方法は、電気通信工業会工業暫定基準（Telecommunication Industry association Industry Interim Standards）TIA/EIA IS-127 及び TIA/EIA IS-733に包含される。
【００１８】
【数１】

【数２】

図２の符号器１００及び図３の復号器２００の種々のモジュールの動作及び実施は公知であり、上述したU.S. Patent No. 5,414,796 及びL.B. Rabiner & R.W. Schafer, Digital Processing of Speech Signals 396-453 (1978) に記載されている。
【００１９】
図４のフローチャートに図示されるように、実施形態の１つに従った音声符号器は、送信のための音声サンプルの処理において一連のステップを踏む。ステップ３００において、音声符号器は、連続するフレーム内の音声信号のディジタルサンプルを受信する。あるフレームを受信すると、音声符号器はステップ３０２に移行する。ステップ３０２において、音声符号器は、フレームのエネルギーを検知する。このエネルギーは、フレームの音声活動の測定値である。音声の検出は、ディジタル化された音声サンプルの振幅を２乗したものを加算し、その結果としてのエネルギーを閾値と比較することにより行われる。実施形態の１つにおいては、閾値は背景雑音の変化レベルに基づいて適合している。可変閾値音声活動検知器は、上述したU.S. Patent No. 5,414,796に記載されている。無声音声の幾つかは、非常に低エネルギーのサンプルであるため、誤って背景雑音として符号化される恐れがある。これが発生することを防止するため、低エネルギーサンプルのスペクトルティルトを用いて、無声音声を背景雑音から区別しても良い。このような方法は、上述したU.S. Patent No. 5,414,796に記載されている。
【００２０】
フレームのエネルギーを検出した後、音声符号器はステップ３０４に移行する。ステップ３０４において、音声符号器は、検出されたフレームエネルギーが音声情報を含むフレームとして分類するのに十分か否かを決定する。検出されたフレームのエネルギーが所定の閾値レベル以下である場合、音声符号器はステップ３０６に移行する。ステップ３０６において、符号器はフレームを背景雑音（すなわち非音声、または無音）として符号化する。実施形態の１つにおいては、背景雑音フレームは１／８レート、または１ｋｂｐｓにて符号化される。ステップ３０４において、検出されたフレームのエネルギーが所定の閾レベルと同じかそれ以上である場合、そのフレームは音声として分類され、音声符号器はステップ３０８に移行する。
【００２１】
ステップ３０８において、音声符号器は、フレームが無声音声か否かを決定する。すなわち、音声符号器はフレームの周期性を調べる。周期性を決定する方法であって、種々の公知のものには、例えばゼロ交差を用いたり、正規化された自動相関機能（ＮＡＣＦ）が含まれる。特に、ゼロ交差及びＮＡＣＦを用いて周期性を検出することは、METHOD AND APPARATUS FOR PERFORMING REDUCED RATE VARIABLE RATE VOCODING と題して１９９７年３月１１日に出願されたU.S. Application Serial No. 08/815,354に記載されている。この出願は、本願の譲受人に譲渡され、ここに参照することにより完全に包含される。加えて、上記方法を用いて無声音声から有声音声を区別することは、電気通信工業会暫定基準TIA/EIA IS-127及びTIA/EIA IS-733に包含される。ステップ３０８において、フレームが非声音声であると決定された場合、音声符号器はステップ３１０に移行する。ステップ３１０において、音声符号器は、フレームを無声音声として符号化する。実施形態の１つでは、無声音声フレームは、４分の１レート又は２．６ｋｂｐｓで符号化される。ステップ３０８において、フレームが無声音声であると決定されなかった場合、音声符号器はステップ３１２に移行する。
【００２２】
ステップ３１２において、音声符号器は、周期性決定方法を用いてフレームが遷移音声であるかを決定する。この方法は、公知であり、上述したU.S. Application Serial No. 08/815/354に記載されている。フレームが遷移音声であると決定した場合、音声符号器はステップ３１４に移行する。ステップ３１４において、フレームは遷移音声（すなわち、無声音声から有声音声への遷移）として符号化される。実施形態の１つでは、遷移音声フレームは、図６を参照して後述するマルチパルス補間的符号化法に従って符号化される。
【００２３】
ステップ３１２において、音声符号器が、フレームが遷移音声ではないと決定した場合、音声符号器は、ステップ３１６に移行する。ステップ３１６において、音声符号器はフレームを有声音声として符号化する。実施形態では有声音声のフレームは最大のレート又は１３．２ｋｂｐｓで符号化される。
【００２４】
当業者によれば、図４に示すステップに続行することにより、音声信号または対応するＬＰ残余のいずれかを符号化できることは理解される。雑音、無声，遷移，有声音声の波形特性は、図５（Ａ）中の時間に関する関数としてみることができる。雑音、無声音声，遷移，及び有声ＬＰ残余は、図５（Ｂ）のグラフにおいて、時間に関する関数としてみることができる。
【００２５】
実施形態では、音声符号器は、マルチパルス補間的符号化アルゴリズムを用いて、図６のフローチャート中に示される方法ステップに従って遷移音声フレームを符号化する。ステップ４００において、音声符号器は現在のＫサンプルＬＰ音声残余フレームＳ［ｎ］及びフレームＳ［ｎ］の直接の将来の近傍のピッチ期間Ｍを推定する。ここで、ｎ＝１，２，……，Ｋである。実施形態の１つにおいては、ＬＰ音声残余フレームＳ［ｎ］は、１６０のサンプル（すなわち、Ｋ＝１６０）からなる。ピッチ周期Ｍは、フレーム内において繰り返される基本の周期である。次に、音声符号器はステップ４０２に移行する。ステップ４０２において、音声符号器は、現在の残余フレームの最後のＭサンプルを有するピッチ基本型Ｘを抽出する。ピッチ基本形Ｘは、適宜、フレームＳ［ｎ］の最後のピッチ周期（Ｍ個のサンプル）とすることができる。または、ピッチ基本形Ｘは、フレームＳ［ｎ］の任意のピッチ周期Ｍとしてもよい。音声符号器は、次いでステップ４０４に移行する。
【００２６】
ステップ４０４において、符号器は、Ｍサンプル、ピッチ基本形Ｘからの位置Ｐｉから振幅Ｑｉ及び符号Ｓｉを有するＮ個の重要サンプル又はパルスを選択する。ここで、ｉ＝１，２，……，Ｎである。したがって、Ｎ個の「最良」のサンプルがＭサンプルピッチ基本形Ｘから選択され、Ｍ−Ｎ個の選択されていないサンプルは、ピッチ基本形Ｘ内に残される。次に、音声符号器は、ステップ４０６に移行する。ステップ４０６において、音声符号器は、Ｂｐビットにより位置を符号化する。次に、音声符号器は、ステップ４０８に移行する。ステップ４０８において、音声符号器は、Ｂｓビットによりパルスの符号を符号化する。次に、音声符号器は、ステップ４１０に移行する。ステップ４１０において、音声符号器は、Ｂａビットによりパルスの振幅を符号化する。Ｎ個のパルスの振幅Ｑｉの量子化された値はＺｉにより参照される。ここでｉ＝１，２，……，Ｋである。次に、音声符号器は、ステップ４１２に移行する。
【００２７】
ステップ４１２において、音声符号器は、パルスを抽出する。実施形態の１つでは、パルスを抽出するステップは、Ｍ個のパルス全てを絶対（すなわち符号なし）振幅に従って並べ、最も高いＮ個のパルス（すなわち、最大の絶対振幅を有するＮ個のパルス）を選択することにより行われる。他の実施形態では、パルスを抽出するステップは、続く記載に従って、知覚的な重要さの見地からＮ個の最良のパルスを選択する。
【００２８】
図７に示すように、音声信号を、フィルタを通すことによってＬＰ残余領域から音声領域に変換する。逆に、音声信号を、逆のフィルタによって音声領域からＬＰ残余領域に変換してもよい。実施形態に従って、図７に示すように、ピッチ基本形Ｘは、Ｈ（ｚ）として参照される第１ＬＰ合成フィルタ５００に入力される。第１ＬＰ合成フィルタ５００は、Ｓ（ｎ）として参照されるピッチ基本形Ｘの知覚的に重みづけされた音声領域版を生成する。形状コードブック５０２は、形状ベクトル値を生成し、このベクトル値は乗算器５０４に供給される。利得コードブック５０６は、利得ベクトル値を生成し、このベクトルは乗算器５０４に供給される。乗算器５０４は、形状ベクトル値を利得ベクトル値により乗算し、形状−利得生成値を生成する。形状−利得生成値は、第１加算器５０８に供給される。数がＮ個のパルス（後述するように数Ｎはサンプル数であり、このサンプル数は、ピッチ基本形Ｘとモデル基本形ｅ＿ｍｏｄ［ｎ］との間の形状−利得誤りＥを最小とする）もまた第１加算器５０８に供給される。第１加算器５０８は、Ｎ個のパルスを形状−利得生成値に加算して、モデル基本形ｅ＿ｍｏｄ［ｎ］を生成する。ｅ＿ｍｏｄ［ｎ］は、Ｈ（ｚ）として参照される第２ＬＰ合成フィルタ５１０に供給される。この第２ＬＰ合成フィルタ５１０は、Ｓｅ（ｎ）として参照されるモデル基本形ｅ＿ｍｏｄ［ｎ］の知覚的に重みづけされた音声領域版を生成する。音声領域値Ｓ（ｎ）及びＳｅ（ｎ）は、第２加算器５１２に供給される。この第２加算器５１２は、Ｓｅ（ｎ）からＳ（ｎ）を減算して、２乗加算計算機５１４に差の値を供給する。この２乗加算計算機５１４は、差の値の２乗値を計算して、エネルギー又は誤り値Ｅを生成する。
【００２９】
図６を参照して上述した他の実施形態に従って、ＬＰ合成フィルタＨ（ｚ）（図示せぬ）、または知覚的に重みづけされたＬＰ合成フィルタＨ（ｚ／α）、現遷移音声フレームに対するインパルス応答は、Ｈ（ｎ）として参照される。ピッチ基本形Ｘのモデルはｅ＿ｍｏｄ［ｎ］として参照される。知覚的に重みづけされた音声領域誤りＥは、以下の式に従って定義される。
【００３０】
【数３】

ここで、
Ｓｅ（ｎ）＝Ｈ（ｎ）^＊ｅ＿ｍｏｄ［ｎ］
であり、また、
Ｓ（ｎ）＝Ｈ（ｎ）^＊Ｘ
であり、「^＊」は、公知の適切なフィルタ動作または畳み込み動作を意味し、Ｓｅ（ｎ），Ｓ（ｎ）は、それぞれピッチ基本形ｅ＿ｍｏｄ［ｎ］，Ｘの知覚的に重みづけされた音声領域版を示す。記載した他の実施形態では、後述するようにピッチ基本形ＸのＭ個のサンプルからＮ個の最良のサンプルが選択されて、ｅ＿ｍｏｄ［ｎ］を形成する。^ＭＣ_Ｎの可能な組合せのうちのｊ番目の組として示されるＮ個のサンプルが、適宜選択され、ｊ＝１，２，３，……，^ＭＣ_Ｎに属する全てのｊに対して誤りＥｊが最小となるようにｅ＿ｍｏｄ_ｊ（ｎ）が生成される。ここで、Ｅ_ｊは，以下の数式に従って定義される。
【００３１】
【数４】

また、
Ｓｅ_ｊ（ｎ）＝Ｈ（ｎ）^＊ｅ＿ｍｏｄ_ｊ［ｎ］
である。
【００３２】
パルスを抽出した後、音声符号器は、ステップ４１４に移行する。ステップ４１４において、ピッチ基本形Ｘの残りのＭ−Ｎのサンプルは、他の実施形態と関連した２つの可能な方法の１つに従って表現される。１つの実施形態においては、ピッチ基本形Ｘの残りのＭ−Ｎ個のサンプルは、Ｍ−Ｎ個のサンプルをゼロ値で置換することにより選択される。他の実施形態においては、ピッチ基本形Ｘの残りのＭ−Ｎ個のサンプルは、Ｍ−Ｎ個のサンプルをコードブックを用いたＲｓビットの形状ベクトル及びコードブックを用いたＲｇビットの利得、と置換することにより選択される。したがって、利得ｇと形状ベクトルＨは、Ｍ−Ｎ個のサンプルを表す。利得ｇ及び形状ベクトルＨは、歪Ｅ_ｊｋを最小化することによってコードブックから選択された構成値ｇ_ｊ及びＨ_ｋを有する。歪Ｅ_ｊｋは、以下の等式により与えられる。
【００３３】
【数５】

また、
Ｓｅ_ｊｋ（ｎ）＝Ｈ（ｎ）^＊ｅ＿ｍｏｄ_ｊｋ［ｎ］
である。ここで、モデル基本形ｅ＿ｍｏｄ_ｊｋ［ｎ］は、上記したＭ個のパルスと、ｊ番目の利得コードワードｇ_ｊ及びｋ番目の符号語Ｈ_ｋにより表されたＭ−Ｎ個のサンプルと、により形成される。この選択は、Ｅ_ｊｋの最小値をもたらす組合せ｛ｊ，ｋ｝を選択することによって、複合的に最適とされた方法により行われる。次いで、音声符号器は、ステップ４１６に移行する。
【００３４】
ステップ４１６において、符号化されたピッチ基本形Ｙが計算される。符号化されたピッチ基本形Ｙは、元のピッチ基本形Ｘをモデルとしている。すなわち、Ｎ個のパルスを位置Ｐｉに戻し、振幅ＱｉをＳｉ^＊Ｚｉにて置換し、残りのＭ−Ｎ個のサンプルをゼロ（１つの実施形態）または選択された、上記した（他の実施形態）利得−形状の代表ｇ^＊Ｈからのサンプルのいずれかにより置換する。符号化されたピッチ基本形Ｙは、再構築又は合成されたＮ個の「最良」のサンプルに、再構築又は合成された残りのＭ−Ｎ個のサンプルを加えたものに対応する。次に、音声符号器はステップ４１８に移行する。
【００３５】
ステップ４１８において、音声符号器は、過去の（すなわち、直前の）復号された残余フレームからＭ個サンプル「過去基本形」Ｗを抽出する。過去基本形Ｗは、復号された過去の残余フレームから最後のＭ個のサンプルを取り出すことによって抽出される。または、ピッチ基本形Ｘが現在フレームのＭ個のサンプルの対応する組から取り出されていた場合、過去基本形Ｗは、過去フレームのＭ個のサンプルの他の組から構築することができる。次に、音声符号器は、ステップ４２０に移行する。
【００３６】
ステップ４２０において、音声符号器は、残余Ｓ_SYNTH［ｎ］の復号された現在フレームのＫ個のサンプル全体を再構築する。この再構築は、従来の任意の補間方法により、適宜実現される。この方法は、最後のＭ個のサンプルは再構築されたピッチ基本形Ｙにより形成され、最初のＫ−Ｍ個のサンプルは、過去基本形Ｗ及び符号化された現在のピッチ基本形Ｙを補間することにより形成される。１つの実施形態では、以下のステップに従ってこの補間を実施することができる。
【００３７】
Ｗ及びＹが適宜並べられ、最適な相対位置及び補間に際し用いられる平均のピッチ期間が得られる。配置Ａ^＊は、現在のピッチ基本形Ｙの回転として得られる。このピッチ基本形Ｙは、回転されたＹをＷと最大に相互相関したものに対応する。可能な各配列Ａにおける相互相関Ｃ［Ａ］、−この配列Ａは０からＭ−１までの値又は範囲０からＭ−１までの部分集合であるが−、この相互相関Ｃ［Ａ］は、以下の等式に従って形成される。
【００３８】
【数６】

次に、以下の等式に従って平均ピッチ期間Ｌａｖが形成される。
【００３９】
Ｌａｖ＝（１６０−Ｍ）Ｍ／（ＭＮｐ−Ａ^＊）
ここで、
Ｎｐ＝ｒｏｕｎｄ｛Ａ^＊／Ｍ＋（１６０−Ｍ）／Ｍ｝
である。以下の等式に従って補間が行われ、最初のＫ−Ｍ個のサンプルが計算される。
【００４０】
Ｓ_SYNTH＝｛（１６０−ｎ−Ｍ）Ｗ［（ｎα）％Ｍ］＋
ｎＹ［（ｎα＋Ａ^＊）％Ｍ］｝／（１６０−Ｍ）
ここで、α＝Ｍ／Ｌａｖであり、インデックスｎ’（これはｎα又はｎα＋Ａ^＊に等しい）に対する非整数値のサンプルが、ｎ’の分数値において望まれる正確さに基づいた従来の補間方法を用いて計算される。上記等式における丸め動作及びモジューロ動作（シンボル％にて示される）は公知である。時間に関した元の遷移音声、符合化されていない残余、符号化／量子化された残余、及び復号／再構築された音声は、それぞれ図８（Ａ）〜（Ｄ）に示されている。
【００４１】
１つの実施形態において、符号化された遷移残余フレームを、閉ループ技術に従って計算して良い。従って、符号化された遷移残余フレームは、上記したように計算される。次に、フレーム全体に対して、知覚信号−雑音率（ＰＳＮＲ）が計算される。ＰＳＮＲが所定の閾値を越える場合、ＣＥＬＰ等の高レート、高精度の波形符号化方法が用いられてフレームが符号化される。このような技術は、CLOSED-LOOP MULTIMODE MIXED-DOMAIN LINEAR PREDICTION (MDLP) SPEECH CODERと題して１９９９年２月２６日に出願されたU.S. Application Serial No. 09/259,151に記載される。この出願は、本願の譲受人に譲渡されている。可能な場合に上記した低ビットレート音声の符号化方法を用いることにより、また低ビットレート音声の符号化方法により目標とする歪の計測値をもたらさない場合に高レートのＣＥＬＰ音声符号化方法を代用することにより、低平均符号化レートを用いつつ、遷移音声フレームを比較的高音質（使用された閾値又は歪計測値により決定される）で符号化できる。
【００４２】
このように、新規な、遷移音声フレーム用のマルチパルス補間的な符号器が開示された。当業者は、ここに開示された実施形態と関連して種々の示された論理ブロック及びアルゴリズムのステップを、ディジタルプロセッサ（ＤＳＰ）、特定用途向け回路（ＡＳＩＣ）、独立ゲートまたはトランジスタロジック、例えばレジスタ及びＦＩＦＯ等のディスクリート型ハードウェア部品、一連のファームウェア指示を実行するプロセッサ、または他のあらゆる従来からのプログラム可能ソフトウェアモジュール及びプロセッサ、を用いて実行、実施できることを理解するであろう。プロセッサは、適宜マイクロプロセッサとすることができ、しかし、代わりとして、プロセッサは従来からのあらゆるプロセッサ、コントローラ、マイクロコントローラ、又はステートマシンとすることができる。ソフトウェアモジュールは、ＲＡＭメモリ、フラッシュメモリ、レジスタ、又は公知の他のあらゆる形態の書き込み可能保存メディア上に設けることができる。当業者は、さらに、上記を通じて参照したデータ、指示、命令、情報、信号、ビット、シンボル及びチップは、適宜、電圧、電流、電磁波、磁場または磁気素粒子、光場または光粒子、またはこれらの組合せにより表されることを、理解するであろう。
【００４３】
本発明の好適な実施形態は、このように開示された。しかしながら、本発明の思想及び範疇から逸脱することなく多くの改良を開示された実施形態に適用できることは、当業者にとって明らかであろう。したがって、請求の範囲に従ったものを除いて、本発明は限定されない。
【図面の簡単な説明】
【図１】 音声符号器による各端部における通信チャネルのブロック図。
【図２】 符号器のブロック図。
【図３】 復号器のブロック図。
【図４】 音声符号化決定処理を示すフローチャート。
【図５】 音声信号振幅対時間、線形予測残余対時間のグラフ。
【図６】 遷移音声フレーム用のマルチパルス補間的符号化処理を示すフローチャート。
【図７】 ＬＰ残余領域信号を濾波して音声領域信号を生成するシステム、または音声領域信号を逆に濾波してＬＰ残余領域信号を生成するシステムを示すブロック図。
【図８】 振幅，元の遷移音声，符号化されていない残余，符号化／量子化された残余，復号／再構築された音声、対時間をそれぞれ示すグラフ。

Claims (21)

1. 遷移音声残余サンプルの第１フレームからピッチ基本形Ｘを抽出する工程と、
   前記サンプルのピッチ基本形Ｘを単純化する工程であって、符号化されたピッチ基本形Ｙを計算するための工程と、
   前記サンプルのピッチ基本形Ｙと、遷移音声残余サンプルの先に受信した第２フレームから抽出した過去基本形Ｗとを用いて補間する工程であって、前記第１フレームのうちの前記ピッチ基本形Ｘに含まれない他のサンプルを再構築するための工程と、
   を具備する遷移音声フレームを符号化する方法。
2. 前記単純化する工程は、
   前記サンプルのピッチ基本形Ｘから知覚的に重大なサンプルを選択する工程と、
   選択されていない全てのサンプルにゼロ値を割り当てる工程と、
   を具備する請求項１の方法。
3. 前記知覚的に重大なサンプルは、前記遷移音声残余サンプルの第１フレームと遷移音声残余サンプルの合成された第１フレームとの間の知覚的に重みづけされた音声領域誤りを最小とするよう選択されたサンプルである請求項２の方法。
4. 前記単純化する工程は、
   前記サンプルのピッチ基本形Ｘから絶対値の比較的高い振幅を有するサンプルを選択する工程と、
   選択されていない全てのサンプルにゼロ値を割り当てる工程と、
   をさらに具備する請求項１の方法。
5. 前記単純化する工程は、
   前記サンプルのピッチ基本形Ｘから知覚的に重大なサンプルを選択する工程と、
   選択されていない全てのサンプルの部分を量子化する工程と、
   を具備する請求項１の方法。
6. 前記知覚的に重大なサンプルは、前記遷移音声残余サンプルの第１フレームと遷移音声残余サンプルの合成された第１フレームとの間の利得及び形状誤りを最小とするよう選択されたサンプルである請求項５の方法。
7. 前記単純化する工程は、
   前記サンプルのピッチ基本形Ｘから絶対値の比較的高い振幅を有するサンプルを選択する工程と、
   選択されていない全てのサンプルの部分を量子化する工程と、
   を具備する請求項１の方法。
8. 遷移音声残余サンプルの第１フレームからピッチ基本形Ｘを抽出するための手段と、
   前記サンプルのピッチ基本形Ｘを単純化するための手段であって、符号化されたピッチ基本形Ｙを計算するための手段と、
   前記サンプルのピッチ基本形Ｙと、遷移音声残余サンプルの先に受信した第２フレームから抽出した過去基本形Ｗとを用いて補間するための手段であって、前記第１フレームのうちの前記ピッチ基本形Ｘに含まれない他のサンプルを再構築するための手段と、
   を具備する遷移音声フレームを符号化するための音声符号器。
9. 前記単純化するための手段は、
   前記サンプルのピッチ基本形Ｘから知覚的に重大なサンプルを選択するための手段と、
   選択されていない全てのサンプルにゼロ値を割り当てるための手段と、
   を具備する請求項８の音声符号器。
10. 前記知覚的に重大なサンプルは、前記遷移音声残余サンプルの第１フレームと遷移音声残余サンプルの合成された第１フレームとの間の知覚的に重みづけされた音声領域誤りを最小とするよう選択されたサンプルである請求項９の音声符号器。
11. 前記単純化するための手段は、
    前記サンプルのピッチ基本形Ｘから絶対値の比較的高い振幅を有するサンプルを選択するための手段と、
    選択されていない全てのサンプルにゼロ値を割り当てるための手段と、
    をさらに具備する請求項８の音声符号器。
12. 前記単純化するための手段は、
    前記サンプルのピッチ基本形Ｘから知覚的に重大なサンプルを選択するための手段と、
    選択されていない全てのサンプルの部分を量子化するための手段と、
    を具備する請求項８の音声符号器。
13. 前記知覚的に重大なサンプルは、前記遷移音声残余サンプルの第１フレームと遷移音声残余サンプルの合成された第１フレームとの間の利得及び形状誤りを最小とするよう選択されたサンプルである請求項１２の音声符号器。
14. 前記単純化するための手段は、
    前記サンプルのピッチ基本形Ｘから絶対値の比較的高い振幅を有するサンプルを選択するための手段と、
    選択されていない全てのサンプルの部分を量子化するための手段と、
    を具備する請求項８の音声符号器。
15. 遷移音声残余サンプルの第１フレームからピッチ基本形Ｘを抽出するように構成された抽出器と、
    前記サンプルのピッチ基本形Ｘを単純化して、符号化されたピッチ基本形Ｙを計算するように構成された計算器と、
    前記抽出器と接続され、前記サンプルのピッチ基本形Ｙと、遷移音声残余サンプルの先に受信した第２フレームから抽出した過去基本形Ｗとを用いて補間して、前記第１フレームのうちの前記ピッチ基本形Ｘに含まれない他のサンプルを再構築するように構成された補間器と、
    を具備する遷移音声フレームを符号化するための音声符号器。
16. 前記サンプルのピッチ基本形Ｘから知覚的に重大なサンプルを選択するように構成されたパルス選択器をさらに具備し、選択されていない全てのサンプルにゼロ値が割り当てられる請求項１５の音声符号器。
17. 前記知覚的に重大なサンプルは、前記遷移音声残余サンプルの第１フレームと遷移音声残余サンプルの合成された第１フレームとの間の知覚的に重みづけされた音声領域誤りを最小とするよう選択されたサンプルである請求項１６の音声符号器。
18. 前記サンプルのピッチ基本形Ｘから絶対値の比較的高い振幅を有するサンプルを選択するように構成されたパルス選択器をさらに具備し、選択されていない全てのサンプルの部分は量子化される請求項１５の音声符号器。
19. 前記サンプルのピッチ基本形Ｘから知覚的に重大なサンプルを選択するように構成されたパルス選択器をさらに具備し、選択されていない全てのサンプルの部分は量子化される請求項１５の音声符号器。
20. 前記知覚的に重大なサンプルは、前記遷移音声残余サンプルの第１フレームと遷移音声残余サンプルの合成された第１フレームとの間の利得及び形状誤りを最小とするよう選択されたサンプルである請求項１９の音声符号器。
21. 前記サンプルのピッチ基本形Ｘから絶対値の比較的高い振幅を有するサンプルを選択するように構成されたパルス選択器をさらに具備し、選択されていない全てのサンプルの部分は量子化される請求項１５の音声符号器。

Images