JP4957496B2 - ピッチ変換装置およびプログラム - Google Patents

Description

本発明は、音声のピッチ（音高）を変換する技術に関する。

入力音声波形のピッチを変更する技術が従来から提案されている。例えば、窓関数の乗算によって入力音声波形を区分した各波形（以下「単位波形」という）を所望のピッチに応じた間隔で配列することで当該ピッチの出力音声波形を生成する技術がある。特許文献１には、窓関数の関数値が最大となる位置と単位波形のうち振幅（強度）が最大となる位置（以下「最大振幅位置」という）とが合致するように入力音声波形を複数の単位波形に区分する技術が開示されている。
特許第３１２４３４９号公報

しかし、特許文献１の技術においては、高周波成分に起因して入力音声波形の振幅が突発的に増大した位置を最大振幅位置として誤検出する可能性がある。そして、以上のように誤検出された最大振幅位置にて関数値が最大となるように設定された窓関数を入力音声波形に乗算すると、単位波形は、入力音声波形の特徴的な部分を抑圧した波形となる。したがって、入力音声波形の本来的な特徴から乖離した低音質の出力音声波形が生成される可能性がある。以上の事情に鑑みて、本発明は、入力音声波形の特徴を充分に維持しながら入力音声波形のピッチを変更することを目的としている。

以上の課題を解決するために、本発明に係るピッチ変換装置は、入力音声波形を記憶する記憶手段（例えば図１の記憶部１４）と、入力音声波形に対するローパスフィルタ処理で処理用波形を生成するフィルタ処理手段と、入力音声波形のピッチ周期を特定する第１周期特定手段（例えば図１の周期特定部１２）と、処理用波形におけるピッチ周期毎の最大振幅位置を順次に検出する位置検出手段と、ローパスフィルタ処理による位相の変動が補償されるように各最大振幅位置を補正して基準位置を決定する位置補正手段と、基準位置にて関数値が最大となる窓関数に基づいて入力音声波形から単位波形を順次に抽出する波形抽出手段と、出力ピッチに応じた間隔で各単位波形を配列して出力音声波形を生成する波形合成手段とを具備する。なお、第１周期特定手段は、入力音声波形からピッチ周期を特定する手段、および処理用波形からピッチ周期を特定する手段の何れであってもよい。また、入力音声波形は、人間の肉声や楽器の演奏音など各種の音響の時間軸上の波形である。

以上の構成においては、入力音声波形の高周波成分を減衰させた処理用波形から基準位置が特定されるから、高周波成分に起因して偶発的に入力音声波形の振幅が増大した位置を基準位置として誤検出する可能性が低減される。そして、基準位置にて関数値が最大となるように窓関数が設定されるから、入力音声波形の特徴を充分に反映した単位波形が抽出される。したがって、入力音声波形の特徴を充分に維持した出力音声波形を生成することが可能である。

本発明の好適な態様において、位置検出手段は、直前に検出した最大振幅位置にピッチ周期を加算した時点を含む検出範囲内から最大振幅位置を検出する。以上の態様によれば、ピッチ周期から大幅に外れた位置が基準位置として誤検出される可能性が低減される。さらに好適な態様において、位置検出手段は、ピッチ周期が長いほど検出範囲を広く設定する。ピッチ周期が長い（入力音声信号のピッチが低い）ほど、入力音声信号の振幅が最大となる位置は前後に移動し易い。検出範囲がピッチ周期に応じて設定される以上の態様によれば、入力音声信号のピッチの高低に拘わらず、基準位置の検出の漏れが有効に防止される範囲内で最大振幅位置の検出の処理量（最大振幅位置の検出の候補となるサンプルの総数）を抑制することが可能である。

本発明の好適な態様において、位置補正手段は、ピッチ周期に応じて補正値を決定する補正値決定手段と、補正値に基づいて各最大振幅位置を補正する補正演算手段とを具備する。以上の態様においては、最大振幅位置の補正に使用される補正値がピッチ周期に応じて決定されるから、ピッチ周期に応じた入力音声波形と処理用波形との位相差を高精度に補償することが可能である。

別の態様に係るピッチ変換装置は、相前後する最大振幅位置の間隔からピッチ周期を特定する第２周期特定手段（例えば図５の周期特定部３６）を具備し、位置補正手段は、第２周期特定手段が特定したピッチ周期に応じて補正値を決定する補正値決定手段と、補正値に基づいて各最大振幅位置を補正する補正演算手段とを含む。以上の態様によれば、相前後する最大振幅位置の間隔が、補正値を決定するためのピッチ周期として特定されるから、入力音声波形から特定されたピッチ周期に基づいて補正値を決定する構成と比較して、入力音声波形と処理用波形との位相差が高精度に補償されるように補正値を決定することが可能である。

さらに他の態様に係るピッチ変換装置は、相前後する最大振幅位置の間隔または相前後する基準位置の間隔からピッチ周期を特定する第２周期特定手段を具備し、波形抽出手段は、第２周期特定手段が特定したピッチ周期に応じて窓関数の窓幅を設定する。以上の態様においては、相前後する最大振幅位置の間隔または相前後する基準位置の間隔が、窓関数の窓幅を設定するためのピッチ周期として特定されるから、入力音声波形から特定されたピッチ周期に基づいて窓幅を設定する構成と比較して、入力音声波形の特性にとって適切な窓幅を高精度に設定できるという利点がある。

本発明に係るピッチ変換装置は、音声波形の処理に専用されるＤＳＰ（Digital Signal Processor）などのハードウェア（電子回路）によって実現されるほか、ＣＰＵ（Central Processing Unit）などの汎用の演算処理装置とプログラムとの協働によっても実現される。本発明に係るプログラムは、 入力音声波形の高周波成分を抑制した処理用波形を生成するローパスフィルタ処理と、入力音声波形のピッチ周期を特定する第１周期特定処理と、処理用波形におけるピッチ周期毎の最大振幅位置を順次に検出する位置検出処理と、ローパスフィルタ処理による位相の変動が補償されるように各最大振幅位置を補正して基準位置を決定する位置補正処理と、基準位置にて関数値が最大となる窓関数に基づいて入力音声波形から単位波形を順次に抽出する波形抽出処理と、出力ピッチに応じた間隔で各単位波形を配列して出力音声波形を生成する波形合成処理とをコンピュータに実行させる。以上のプログラムによっても、本発明に係るピッチ変換装置と同様の作用および効果が奏される。なお、本発明のプログラムは、コンピュータが読取可能な記録媒体に格納された形態で利用者に提供されてコンピュータにインストールされるほか、通信網を介した配信の形態で提供されてコンピュータにインストールされる。

＜Ａ：第１実施形態＞
図１は、本発明の第１実施形態に係るピッチ変換装置の構成を示すブロック図である。ピッチ変換装置１００は、入力音声波形ＷINのピッチを変換して出力音声波形ＷOUTを生成する装置である。ピッチ変換装置１００は、例えば演算処理装置（ＣＰＵ）によるプログラムの実行によって実現される。

ピッチ変換装置１００には、入力音声波形ＷINを表すデータ列（サンプルの時系列）を入力する音声入力部５２と、出力音声波形ＷOUTを表すデータ列が出力される音声出力部５４とが接続される。音声入力部５２は、例えば、周囲の音声を収音して音声信号を生成する収音機器と、音声信号を順次にサンプリングして入力音声波形ＷINのデータ列を生成するＡ/Ｄ変換器とで構成される。音声出力部５４は、例えば、出力音声波形ＷOUTのデータ列から音声信号を生成するＤ/Ａ変換器と、音声信号を増幅する増幅器と、増幅後の音声信号に基づいて音波を放射する放音機器（例えばヘッドホンやスピーカ）とで構成される。

音声入力部５２から入力された入力音声波形ＷINのデータ列は、周期特定部１２と記憶部１４とフィルタ処理部１６とに供給される。周期特定部１２は、入力音声波形ＷINのピッチ周期Ｔaを順次に特定する。ピッチ周期Ｔaは、入力音声波形ＷINの基本周波数（ピッチ）に対応した基本周期である。ピッチ周期Ｔaの特定には公知の技術が任意に採用される。例えば、入力音声波形ＷINのパワースペクトルの最低次のピークに相当する基本周波数からピッチ周期Ｔaを算定する方法や、入力音声波形ＷINの自己相関関数の関数値が極大となる区間をピッチ周期Ｔaとする方法が好適である。

記憶部１４は、入力音声波形ＷINのデータ列を順次に記憶する。記憶部１４は、リングバッファとして使用され、入力音声波形ＷINについて予想されるピッチ周期Ｔaの最大値の２倍に相当する時間分のデータ列を格納できる。

変換処理部２０は、記憶部１４に格納された入力音声波形ＷINから出力音声波形ＷOUTを生成する。変換処理部２０は、波形抽出部２２と波形合成部２４とで構成される。波形抽出部２２は、記憶部１４に格納された入力音声波形ＷINから単位波形Ｕ（Ｕ[1]，Ｕ[2]，……）を順次に抽出する。

波形合成部２４には出力ピッチＰOUTが指示される。出力ピッチＰOUTは、例えば利用者による入力装置（図示略）の操作に応じて可変に設定される。波形合成部２４は、出力ピッチＰOUTに応じた間隔（以下「出力ピッチ周期Ｔc」という）で各単位波形Ｕ（Ｕ[1]，Ｕ[2]，……）を配列および加算することで出力音声波形ＷOUTを生成する。

図２は、変換処理部２０の動作を説明するための概念図である。図２の部分(A)には入力音声波形ＷINが例示されている。図２の部分(A)に示す基準位置Ｑ（Ｑ[1]，Ｑ[2]，……）は、図１の基準位置設定部３０が入力音声波形ＷINのピッチ周期Ｔa毎に決定する時点である。基準位置設定部３０が基準位置Ｑを決定する具体的な方法は後述するが、基準位置Ｑは、入力音声波形ＷINの振幅（強度）がピッチ周期Ｔa毎に最大となる時点に略一致することになる。基準位置Ｑ[i]から次の基準位置Ｑ[i+1]までの時間長がピッチ周期Ｔa[i]である（ｉ＝１，２，３，……）。

図２の部分(B)には、波形抽出部２２の抽出した単位波形Ｕ（Ｕ[1]，Ｕ[2]，……）が模式的に図示されている。波形抽出部２２は、窓関数Ｆ（Ｆ[1]，Ｆ[2]，……）に基づいて入力音声波形ＷINから単位波形Ｕ（Ｕ[1]，Ｕ[2]，……）を順次に抽出する。図２の部分(A)には、各窓関数Ｆの形状（関数値）が入力音声波形ＷINとともに図示されている。波形抽出部２２は、入力音声波形ＷINに窓関数Ｆ[i]を乗算することで入力音声波形ＷINから単位波形Ｕ[i]を切出す。波形抽出部２２による単位波形Ｕ[i]の抽出は、記憶部１４に対する入力音声波形ＷINのデータ列の供給に並行して実時間的に実行される。

窓関数Ｆ[i]の窓幅ｗ[i]（すなわち窓関数Ｆ[i]の関数値がゼロを上回る区間）はピッチ周期Ｔa[i]に応じて設定される。本形態の窓幅ｗ[i]は、ピッチ周期Ｔa[i]の1.5倍に相当する時間長である。窓関数Ｆ[i]の関数値は、窓幅ｗ[i]の中央にて最大値となり、窓幅ｗ[i]の各端部に向けて直線的に減少するとともに各端部にてゼロとなる。

図２の部分(A)に示すように、波形抽出部２２は、基準位置Ｑ[i]が窓関数Ｆ[i]の窓幅ｗ[i]の中央寄りとなる（すなわち、基準位置Ｑ[i]が窓幅ｗ[i]の各端部に合致しない）ように窓関数Ｆ[i]を設定して入力音声波形ＷINに乗算することで単位波形Ｕ[i]を抽出する。さらに詳述すると、窓関数Ｆ[i]は、入力音声波形ＷINの基準位置Ｑ[i]にて関数値が最大となる（すなわち、窓幅ｗ[i]の中点が基準位置Ｑ[i]に合致する）ように設定される。

波形合成部２４は、波形抽出部２２が抽出した各単位波形Ｕ（Ｕ[1]，Ｕ[2]，……）を出力ピッチ周期Ｔb（Ｔb[1]，Ｔb[2]，……）毎に時間軸上に配列して相互に加算することで出力音声波形ＷOUTを生成する。図２の部分(C)には、単位波形Ｕの配列の様子が図示されている。波形抽出部２２による単位波形Ｕの抽出と波形合成部２４による出力音声波形ＷOUTの生成とは実時間上で並行して順次に実行される。図２の部分(C)に示すように、波形合成部２４は、各出力ピッチ周期Ｔb[j]（ｊ＝１，２，３，……）の始点と、当該始点の時点で波形抽出部２２が既に抽出している最新の単位波形Ｕ[i]の先頭とが合致するように各単位波形Ｕ（Ｕ[1]，Ｕ[2]，……）を配置する。なお、各単位波形Ｕを単純に出力ピッチＴb毎に配列した場合には、入力音声波形ＷINと出力音声波形ＷOUTとの時間軸上のズレが経時的に拡大する。入力音声波形ＷINと出力音声波形ＷOUTとのズレを防止するために、入力音声波形ＷINのピッチ周期Ｔaと出力ピッチ周期Ｔbとの相違に応じてひとつの単位波形Ｕを複数回にわたって重複して配置する構成が好適に採用される。図２の部分(C)には、共通の単位波形Ｕ[1]をピッチ周期Ｔb[1]およびピッチ周期Ｔb[2]に重複して配置した場合が例示されている。

以上が変換処理部２０の具体的な動作である。なお、図２の部分(C)においては、入力音声波形ＷINのピッチよりも高い出力ピッチＰOUTを指定した場合が例示されているが、入力音声波形ＷINのピッチよりも低い出力ピッチＰOUTが指定された場合は、出力ピッチ周期Ｔbがピッチ周期Ｔaよりも長い期間に設定されたうえで同様の処理が実行される。また、以上においては入力音声波形ＷINの供給に対して実時間的に出力音声波形ＷOUTを生成したが、入力音声波形ＷINの全区間について単位波形Ｕを抽出してから、各単位波形Ｕを配列することで出力音声波形ＷOUTを生成する構成も好適に採用される。

図１のフィルタ処理部１６は、所定の遮断周波数を上回る高周波成分を抑制（除去）するローパスフィルタ処理を入力音声波形ＷINに対して実施することで処理用波形ＷLを生成する。例えばＩＩＲ（Infinite Impulse Response）フィルタがフィルタ処理部１６として好適に採用される。遮断周波数は、入力音声波形ＷINについて想定される基本周波数の最小値を上回る周波数に設定される。

図３は、入力音声波形ＷINと処理用波形ＷLとの関係を示す模式図である。同図に示すように、処理用波形ＷLには、ローパスフィルタ処理に起因して、入力音声波形ＷINに対する位相の変動（典型的には遅延）が発生する。入力音声波形ＷINに対する処理用波形ＷLの位相の変動量は、入力音声波形ＷIN（または処理用波形ＷL）のピッチ周期Ｔa（Ｔa[1]，Ｔa[2]，……）に応じて変化する。

図１に示すように、処理用波形ＷLを表すデータ列は順次に記憶部１８に格納される。記憶部１８は、リングバッファとして使用され、記憶部１４と同様に、処理用波形ＷL（入力音声波形ＷIN）について予想されるピッチ周期（Ｔa）の最大値の２倍に相当する時間分のデータ列を格納できる。なお、記憶部１４と記憶部１８とは、別個の記憶装置に画定された記憶領域であってもよいし、単一の記憶装置に画定された別個の記憶領域であってもよい。

図１の基準位置設定部３０は、図２の部分(A)に図示した基準位置Ｑ（Ｑ[1]，Ｑ[2]，・・・）を処理用波形ＷLに基づいて決定する。基準位置設定部３０は、位置検出部３２と位置補正部３４とで構成される。位置検出部３２は、処理用波形ＷLにおけるピッチ周期Ｔa毎の最大振幅位置Ｒ（Ｒ[1]，Ｒ[2]，……）を順次に検出する。最大振幅位置Ｒは、図３に示すように、ピッチ周期Ｔa内で処理用波形ＷLの振幅（強度）が最大となる時間軸上の位置（時点）である。

さらに詳述すると、位置検出部３２は、ピッチ周期Ｔa[1]内で処理用波形ＷLの振幅が最大となる位置を最大振幅位置Ｒ[1]として検出する。そして、位置検出部３２は、図３に示すように、第２番目以降の最大振幅位置Ｒ[i]として、直前に検出した最大振幅位置Ｒ[i-1]にピッチ周期Ｔa[i-1]を加算した時点ｔを含む検出範囲Ｓ内で処理用波形ＷLの振幅が最大となる位置を検出する。

検出範囲Ｓは、時点ｔを中心とする幅２ｓの区間（すなわち、始点(t-s)から終点(t+s)までの区間）である。変数ｓは、係数ａとピッチ周期Ｔa[i-1]との乗算値に設定される。位置検出部３２は、ピッチ周期Ｔa[i-1]が増加するほど係数ａが増加するように係数ａを可変に制御する。したがって、ピッチ周期Ｔa[i-1]が増加する（入力音声波形ＷINのピッチが低い）ほど検出範囲Ｓは拡大する。

入力音声波形ＷINのピッチが低いほど最大振幅位置Ｒは時間軸上で前後に変動し易いという傾向がある。本形態においては、入力音声波形ＷINのピッチが低いほど検出範囲Ｓが拡大するから、検出範囲Ｓが固定された構成と比較すると、入力音声波形ＷINのピッチが低い場合であっても最大振幅位置Ｒの検出の漏れが防止される。一方、入力音声波形ＷINのピッチが高い場合には検出範囲Ｓが縮小されるから、処理用波形ＷLのうち最大振幅位置Ｒの候補となるサンプルの個数が削減される。すなわち、入力音声波形ＷINのピッチに拘わらず、最大振幅位置Ｒの検出のための処理量を抑制しながら最大振幅位置Ｒの検出の漏れを防止することが可能である。

図３を参照して前述したように、処理用波形ＷLには、フィルタ処理部１６によるローパスフィルタ処理に起因して、入力音声波形ＷINとの位相のズレが生じている。したがって、処理用波形ＷLから検出された最大振幅位置Ｒ[i]は、処理用波形ＷLと入力音声波形ＷINとの位相差分だけ基準位置Ｑ[i]から変動した位置となる。そこで、図１の位置補正部３４は、フィルタ処理部１６によるローパスフィルタ処理に起因した位相の変動が補償されるように各最大振幅位置Ｒ[i]を補正することで基準位置Ｑ[i]を決定する

図４は、位置補正部３４の具体的な構成を示すブロック図である。図４に示すように、位置補正部３４は、補正値決定部３４２と補正演算部３４４とで構成される。補正値決定部３４２は補正値Ａ（Ａ[1]，Ａ[2]，……）を決定する。補正演算部３４４は、補正値Ａ[i]に基づいて最大振幅位置Ｒ[i]を補正することで基準位置Ｑ[i]を決定する。例えば、最大振幅位置Ｒ[i]と補正値Ａ[i]との差分値や加算値を基準位置Ｑ[i]として算定する減算器や加算器が補正演算部３４４として好適に採用される。

入力音声波形ＷINと処理用波形ＷLとの位相差は入力音声波形ＷIN（または処理用波形ＷL）のピッチ周期Ｔaに応じて変化する。そこで、補正値決定部３４２は、周期特定部１２が特定したピッチ周期Ｔa[i]に応じて補正値Ａ[i]を可変に設定する。例えば、入力音声波形ＷINのピッチ周期Ｔaが小さい（入力音声波形ＷINのピッチが高い）ほど入力音声波形ＷINと処理用波形ＷLとの位相差が増加するようにフィルタ処理部１６によるローパスフィルタ処理が実行される場合、補正値決定部３４２は、ピッチ周期Ｔa[i]が小さいほど補正値Ａ[i]の絶対値が増加するように補正値Ａ[i]を設定する。例えば、補正値決定部３４２は、ピッチ周期Ｔaの各数値と補正値Ａの各数値とを対応させるテーブルを保持し、ピッチ周期Ｔa[i]に対応する補正値Ａ[i]をテーブルから検索して補正演算部３４４に出力する。したがって、補正演算部３４４が決定する基準位置Ｑは、入力音声波形ＷINにおいてピッチ周期Ｔa毎に振幅が最大となる位置に合致する。

以上に説明したように、本形態においては、入力音声波形ＷINの高周波成分を減衰させた処理用波形ＷLから基準位置Ｑが特定されるから、入力音声波形ＷINにおいて高周波成分に起因して偶発的に振幅が増大した位置を基準位置Ｑとして誤検出する可能性は低減される。例えば、図３の部分Ｈのように入力音声波形ＷINにて突発的に振幅が増大した場合であっても、処理用波形ＷLでは部分Ｈの振幅が抑制される。したがって、入力音声波形ＷINの部分Ｈが基準位置Ｑとして誤検出されることはなく、入力音声波形ＷINの本来的な特徴が現れる位置を基準位置Ｑとして検出することが可能である。そして、窓関数Ｆ[i]は基準位置Ｑ[i]にて関数値が最大となるように設定されるから、単位波形Ｕ[i]には入力音声波形ＷINの特徴が充分に反映される。したがって、入力音声波形ＷINの特徴を充分に維持した出力音声波形ＷOUTを生成することが可能である。

また、処理用波形ＷLから検出された最大振幅位置Ｒを補正することで基準位置Ｑが決定されるから、フィルタ処理部１６のローパスフィルタ処理に起因した入力音声波形ＷINと処理用波形ＷLとの位相差が補償される。したがって、入力音声波形ＷINにおいてピッチ周期Ｔa毎に振幅が最大となる位置を高精度に基準位置Ｑとして特定することが可能である。しかも、最大振幅位置Ｒの補正に使用される補正値Ａはピッチ周期Ｔaに応じて設定されるから、補正値Ａが固定値である構成と比較して高い精度で基準位置Ｑを決定することができる。

＜Ｂ：第２実施形態＞
次に、本発明の第２実施形態を説明する。なお、本形態において作用や機能が第１実施形態と同等である要素については、以上と同じ符号を付して各々の詳細な説明を適宜に省略する。

図５は、ピッチ変換装置１００の機能的な構成を示すブロック図である。同図に示すように、本形態のピッチ変換装置１００は、図１の基準位置設定部３０に周期特定部３６を追加した構成である。周期特定部３６は、位置検出部３２が順次に検出する最大振幅位置Ｒに基づいてピッチ周期Ｔc（Ｔc[1]，Ｔc[2]，……）を特定する。さらに詳述すると、周期特定部３６は、位置検出部３２が検出した最大振幅位置Ｒ[i]と次の最大振幅位置Ｒ[i+1]との間隔（すなわち相前後する最大振幅位置Ｒの間隔）をピッチ周期Ｔc[i]として特定する。

位置補正部３４の補正値決定部３４２は、周期特定部３６が特定したピッチ周期Ｔc[i]に応じて補正値Ａ[i]を可変に設定する。例えば、ピッチ周期Ｔc[i]が小さいほど補正値Ａ[i]の絶対値が増加するように補正値Ａ[i]を決定する。補正値Ａ[i]の設定には、第１実施形態と同様に、ピッチ周期Ｔcの各数値と補正値Ａの各数値とを対応づけるテーブルが好適に使用される。

波形抽出部２２は、周期特定部３６が特定したピッチ周期Ｔc[i]に応じて窓関数Ｆ[i]の窓幅ｗ[i]を可変に設定する。例えば、波形抽出部２２は、窓関数Ｆ[i]の窓幅ｗ[i]をピッチ周期Ｔc[i]の1.5倍に設定する。

入力音声波形ＷINから特定されるピッチ周期Ｔaには、入力音声波形ＷINの高周波成分に起因して誤差が発生する場合がある。一方、本形態におけるピッチ周期Ｔcは、処理用波形ＷLの最大振幅位置Ｒに基づいて特定されるから、ピッチ周期Ｔaと比較して誤差が少ない。したがって、本形態によれば、補正値決定部３４２による補正値Ａの決定や波形抽出部２２による窓幅ｗの設定の誤差を低減することが可能である。

＜Ｃ：変形例＞
以上の各形態には以下に例示するような様々な変形を加えることができる。なお、以下の例示から２以上の態様を任意に選択して組合わせてもよい。

（１）変形例１
以上の各形態においては、周期特定部１２が入力音声波形ＷINからピッチ周期Ｔaを特定したが、周期特定部１２が処理用波形ＷLからピッチ周期Ｔaを特定する構成も好適である。処理用波形ＷLからピッチ周期Ｔaを特定する方法には公知の各種の技術が任意に採用される。

また、第２実施形態においては、位置検出部３２が検出した各最大振幅位置Ｒの間隔をピッチ周期Ｔcとして特定したが、位置補正部３４による補正後の各基準位置Ｑの間隔を周期特定部３６がピッチ周期Ｔcとして特定する構成も好適である。以上の構成によれば、ローパスフィルタ処理に起因した処理用波形ＷLの位相のズレを補償したピッチ周期Ｔcが特定されるから、第２実施形態と比較して、窓関数Ｆの窓幅ｗを高精度に設定することが可能である。

（２）変形例２
入力音声波形ＷINのピッチを基準として出力ピッチＰOUTが指定される構成も好適に採用される。例えば、出力ピッチＰOUTは、例えば「入力音声波形ＷINの〜セント上」や「入力音声波形ＷINの〜セント下」といった具合に、出力音声波形ＷOUTと入力音声波形ＷINとのピッチの差分を指定する情報であってもよい。

（３）変形例３
窓関数Ｆ[i]の内容は適宜に変更される。例えば、窓幅ｗ[i]の中央から各端部に向けて曲線的に関数値が減少する窓関数Ｆ[i]を使用してもよい。また、窓関数Ｆ[i]の関数値が最大となる位置が窓幅ｗ[i]の中央である必要は必ずしもない。例えば、窓幅ｗ[i]の中央からみて一方の端部寄りの位置で関数値が最大となる窓関数Ｆも採用される。

（４）変形例４
以上の各形態においては周期特定部１２とフィルタ処理部１６とを別個の要素として例示したが、入力音声波形ＷINの高周波成分を減衰させるローパスフィルタをピッチ周期Ｔaの特定のために周期特定部１２が含む構成においては、記憶部１８に格納される処理用波形ＷLを生成するフィルタ処理部１６として周期特定部１２のローパスフィルタが兼用される構成も好適である。すなわち、フィルタ処理部１６が周期特定部１２から独立した要素である必要は必ずしもない。

本発明の第１実施形態に係るピッチ変換装置の構成を示すブロック図である。 変換処理部の動作を説明するための概念図である。 入力音声波形と処理用波形との関係を示す概念図である。 位置補正部の具体的な構成を示すブロック図である。 本発明の第２実施形態に係るピッチ変換装置の構成を示すブロック図である。

符号の説明

１００……ピッチ変換装置、１２……周期特定部、１４……記憶部、１６……フィルタ処理部、１８……記憶部、２０……変換処理部、２２……波形抽出部、２４……波形合成部、３０……基準位置設定部、３２……位置検出部、３４……位置補正部、３６……周期特定部、５２……音声入力部、５４……音声出力部、ＷIN……入力音声波形、ＷOUT……出力音声波形、ＷL……処理用波形、Ｕ（Ｕ[1]，Ｕ[2]，……）……単位波形、Ｔa（Ｔa[1]，Ｔa[2]，……），ＰOUT……出力ピッチ、Ｔc……ピッチ周期、Ｔb（Ｔb[1]，Ｔb[2]，……）……出力ピッチ周期、Ｒ（Ｒ[1]，Ｒ[2]，……）……最大振幅位置、Ｑ（Ｑ[1]，Ｑ[2]，……）……基準位置、Ｆ（Ｆ[1]，Ｆ[2]，……）……窓関数。

Claims (7)

1. 入力音声波形を記憶する記憶手段と、
   前記入力音声波形に対するローパスフィルタ処理で処理用波形を生成するフィルタ処理手段と、
   前記入力音声波形のピッチ周期を特定する第１周期特定手段と、
   前記処理用波形における前記ピッチ周期毎の最大振幅位置を順次に検出する位置検出手段と、
   前記ローパスフィルタ処理による位相の変動が補償されるように前記各最大振幅位置を補正して基準位置を決定する位置補正手段と、
   前記基準位置にて関数値が最大となる窓関数に基づいて前記入力音声波形から単位波形を順次に抽出する波形抽出手段と、
   出力ピッチに応じた間隔で前記各単位波形を配列して出力音声波形を生成する波形合成手段と
   を具備するピッチ変換装置。
2. 前記位置検出手段は、直前に検出した最大振幅位置に前記ピッチ周期を加算した時点を含む検出範囲内から最大振幅位置を検出する
   請求項１のピッチ変換装置。
3. 前記位置検出手段は、前記ピッチ周期が長いほど前記検出範囲を広く設定する
   請求項２のピッチ変換装置。
4. 前記位置補正手段は、
   前記ピッチ周期に応じて補正値を決定する補正値決定手段と、
   前記補正値に基づいて前記各最大振幅位置を補正する補正演算手段と
   を含む請求項１から請求項３の何れかのピッチ変換装置。
5. 相前後する前記最大振幅位置の間隔からピッチ周期を特定する第２周期特定手段を具備し、
   前記位置補正手段は、
   前記第２周期特定手段が特定したピッチ周期に応じて補正値を決定する補正値決定手段と、
   前記補正値に基づいて前記各最大振幅位置を補正する補正演算手段と
   を含む請求項１から請求項３の何れかのピッチ変換装置。
6. 相前後する前記最大振幅位置の間隔または相前後する前記基準位置の間隔からピッチ周期を特定する第２周期特定手段を具備し、
   前記波形抽出手段は、前記第２周期特定手段が特定したピッチ周期に応じて前記窓関数の窓幅を設定する
   請求項１から請求項４の何れかのピッチ変換装置。
7. 入力音声波形の高周波成分を抑制した処理用波形を生成するローパスフィルタ処理と、
   前記入力音声波形のピッチ周期を特定する第１周期特定処理と、
   前記処理用波形における前記ピッチ周期毎の最大振幅位置を順次に検出する位置検出処理と、
   前記ローパスフィルタ処理による位相の変動が補償されるように前記各最大振幅位置を補正して基準位置を決定する位置補正処理と、
   前記基準位置にて関数値が最大となる窓関数に基づいて前記入力音声波形から単位波形を順次に抽出する波形抽出処理と、
   出力ピッチに応じた間隔で前記各単位波形を配列して出力音声波形を生成する波形合成処理と
   をコンピュータに実行させるプログラム。
   

Images