JP5010197B2

JP5010197B2 - 音声符号化装置

Info

Publication number: JP5010197B2
Application number: JP2006203417A
Authority: JP
Inventors: 将高長田
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2006-07-26
Filing date: 2006-07-26
Publication date: 2012-08-29
Anticipated expiration: 2026-07-26
Also published as: JP2008032823A

Description

本発明は、音声符号化装置に係り、特に、セクショニング処理に関する。

ＡＡＣ（Advanced Audio Coding）方式などによって圧縮された音声信号をハフマン符号化する際、音声信号を周波数変換、例えば、ＭＤＣＴ変換（Modified Discrete Cosine Transform、修正離散コサイン変換）して得られた周波数スペクトルであるＭＤＣＴ係数を量子化して、得られた量子化スペクトルを符号化する。この符号化の際、スケールファクターバンド（以後、ｓｆｂと称する。）と称される周波数帯域毎に発生符号量が少ないハフマンテーブルを選択し、選択されたテーブルを参照して符号化する。

そして、符号化された量子化スペクトルに加えて、選択されたテーブルを示す情報を符号化された音声信号であるビットストリームに含ませる。なお、ハフマンテーブルは、量子化スペクトルの最大値に応じて複数個用意されており、量子化スペクトルの最大値がより小さければ、より小さいテーブルを選択することで、効率的な符号化を行う。

また、セクションと呼ばれる隣り合う複数のｓｆｂで同一のハフマンテーブルを選択する、セクショニング処理が知られている。セクショニング処理によると、選択されたテーブルを示す情報を隣り合うｓｆｂで共通化することができ、上記ビットストリームに含まれるテーブルを示す情報の削減が可能である。この情報の削減により、量子化スペクトルにより多くのビットを割り当てることができ、符号化された音声の音質の向上を図ることができる。

セクショニングは、スペクトルの量子化の前で行うことも、量子化の後で行うことも知られている。量子化の前で行うには、例えば、ｓｆｂ毎に周波数変換して得られたスペクトルの最大値を求め、求められた最大値が大きいｓｆｂを所定個選択し、それらの選択されたｓｆｂ毎に適切なハフマンテーブルを選択する。そして、選択されたｓｆｂの近隣のｓｆｂは、選択されたｓｆｂと同一のセクションとする処理が知られている（例えば、特許文献１参照。）。

セクショニングをスペクトルの量子化の後に行うには、例えば、ｓｆｂ毎に所定のテーブルを参照してハフマンテーブルを選択し、その選択の後、隣り合うｓｆｂが同一のハフマンテーブルを用いることによって上記ビットストリームに含まれるテーブルを示す情報の削減が可能であれば、それらの隣り合うｓｆｂを同一のセクションとする処理が知られている（例えば、特許文献２参照。）。
特開２００２−９１４９８号公報（第１頁、図１、図３）特開２００３−２３３３９７号公報（第１頁、図２）

しかしながら、上述した特許文献１に開示されている方法では、セクションの数が音声信号に依存せずに決定されるため、その音声信号に適したセクショニングが困難である問題点があった。音声信号のスペクトルが近い周波数帯域のｓｆｂに集中して分布する場合、この問題点は顕著である。

また、上述した特許文献２に開示されている方法では、所定のテーブルを参照してハフマンテーブルを選択するため、音声信号に適したハフマンテーブルが選択されない可能性がある問題点があった。また、符号化された音声信号であるビットストリームを作成し、そのビット長が所定の値でない場合、スペクトルの量子化の段階に戻って処理を繰り返す必要がある。そこで、処理量が過大になる可能性がある問題点があった。

本発明は上記問題点を解決するためになされたもので、音声信号に適したセクショニングを少ない処理量で行う音声符号化装置を提供することを目的とする。

上記目的を達成するために、本発明の音声符号化装置は、音声信号を所定のスケールファクターバンドに分類された周波数スペクトルに変換し、前記スケールファクターバンド毎にそのスケールファクターバンドに分類された周波数スペクトルの代表値に依存して複数のハフマンテーブルの中のいずれかのハフマンテーブルを選択し、前記スケールファクターバンドに分類された周波数スペクトルを前記選択されたハフマンテーブルを参照して符号化し、その符号化された周波数スペクトルと、前記参照されたハフマンテーブルを識別する符号とを含む符号化された音声信号を作成する符号化手段を有し、前記符号化手段は、隣り合う前記スケールファクターバンドに分類された周波数スペクトルの代表値の比率が第１の値より大きく第２の値より小さい範囲内（ただし、０＜第１の値＜１、かつ１＜第２の値）である場合、それらのスケールファクターバンドに同一の前記ハフマンテーブルを選択することを特徴とする。

また、本発明の音声符号化装置は、音声信号を所定のスケールファクターバンドに分類された周波数スペクトルに変換し、前記スケールファクターバンド毎にそのスケールファクターバンドに分類された周波数スペクトルの代表値に依存して複数のハフマンテーブルの中のいずれかのハフマンテーブルを選択し、前記スケールファクターバンドに分類された周波数スペクトルを前記選択されたハフマンテーブルを参照して符号化し、その符号化された周波数スペクトルと、前記参照されたハフマンテーブルを識別する符号とを含む符号化された音声信号を作成する符号化手段を有し、前記符号化手段は、第１の前記スケールファクターバンドに分類された周波数スペクトルの代表値が小さく、その第１のスケールファクターバンドの低周波数側に隣り合う第２の前記スケールファクターバンドに分類された周波数スペクトルの代表値と、その第１のスケールファクターバンドの高周波数側に隣り合う第３の前記スケールファクターバンドに分類された周波数スペクトルの代表値とが前記第１のスケールファクターバンドの代表値より大きい場合、前記第１、前記第２及び前記第３のスケールファクターバンドに同一の前記ハフマンテーブルを選択することを特徴とする。

本発明によれば、音声信号に適したセクショニングを少ない処理量で行う音声符号化装置を提供することができる。

以下に、本発明による音声符号化装置の実施の形態を、図面を参照して説明する。

（第１の実施形態）
図１は、本発明の第１の実施形態に係る音声符号化装置の構成を示すブロック図である。この音声符号化装置は、装置全体の制御をする制御部１１と、音声信号記憶部２１と、時間／周波数変換部３１と、心理聴覚解析部３２と、スケールファクター乗算部３３と、セクショニング部３４と、量子化ループ処理部４１と、フォーマッタ部５１と、符号化音声信号記憶部５２とからなる。

量子化ループ処理部４１は、量子化部４２と、ハフマン符号化部４３と、発生符号量カウント部４４とからなる。

上記のように構成された、本発明の第１の実施形態に係る音声符号化装置の各部の動作を図１を参照して説明する。

音声信号記憶部２１には、ＰＣＭ（Pulse Code Modulation）方式でデジタル信号に変換された音声信号が記憶される。

時間／周波数変換部３１は、音声信号記憶部２１に記憶された音声信号を読み込んで、時間／周波数変換し、周波数スペクトルを作成して送信する。時間／周波数変換として、ＭＤＣＴ方式が用いられる。そして、周波数スペクトルとして、ＭＤＣＴ係数が作成される。なお、時間／周波数変換は、ＭＤＣＴ方式に限られるものではない。

心理聴覚解析部３２には、マスキング効果特性を含む心理聴覚モデルが記憶される。そして、心理聴覚解析部３２は、時間／周波数変換部３１によって作成されたＭＤＣＴ係数を受信し、記憶された心理聴覚モデルによってマスキング効果を適用した許容量子化歪み量を、受信されたＭＤＣＴ係数のｓｆｂ毎に算出して送信する。また、レート制御情報を算出して送信する。

なお、心理聴覚解析部３２は、これらの算出に際し、音声信号記憶部２１に記憶された音声信号を読み込んで、時間／周波数変換部３１とは異なる方式の時間／周波数変換、例えば、ＦＦＴ（Fast Fourier Transform）方式の変換を行い、その変換によって得られた周波数スペクトルを用いても良い。この異なる変換を用いる方法によれば、時間／周波数変換部３１及び心理聴覚解析部３２によって２つの時間／周波数変換がされることによる処理量の増加が発生するが、これらの処理部にとって適切な変換を独立して選択することができる。

スケールファクター乗算部３３は、心理聴覚解析部３２によって算出されたｓｆｂ毎の許容量子化歪み量を受信し、その歪み量からｓｆｂ毎にスケールファクターを算出する。そして、時間／周波数変換部３１によって作成されたＭＤＣＴ係数を受信し、そのＭＤＣＴ係数にｓｆｂ毎に算出されたスケールファクターを乗算して、積のＭＤＣＴ係数を送信する。

セクショニング部３４は、スケールファクター乗算部３３によって作成されたＭＤＣＴ係数を受信し、セクションニング、即ち、２以上の隣り合うｓｆｂを、同じセクションとする。そして、受信されたＭＤＣＴ係数と、決定されたセクショニングを示す情報とを送信する。なお、あるｓｆｂが無音である、即ち、そのｓｆｂにＭＤＣＴ係数が存在しない場合、セクショニング部３４は、その旨を送信する。そして、そのｓｆｂをセクショニングの対象としない。なぜなら、そのｓｆｂは、ハフマンテーブルによる符号化の対象ではないからである。

量子化ループ処理部４１は、量子化部４２の動作と、ハフマン符号化部４３の動作と、発生符号量カウント部４４の動作とを繰り返す。そして、ハフマン符号化部４３によって選択されたハフマンテーブルの情報と、そのハフマンテーブルを用いて符号化された符号と、心理聴覚解析部３２から送信されたレート制御情報とを記憶する。

量子化部４２は、セクショニング部３４によって送信されたＭＤＣＴ係数をｓｆｂ単位で非均一に量子化して、量子化されたＭＤＣＴ係数を送信する。即ち、ＭＤＣＴ係数を除する際の除数である量子化ステップは、ｓｆｂに依存する。なお、あるｓｆｂが無音である場合、量子化部４２は、そのｓｆｂを量子化の対象としない。

ハフマン符号化部４３には、ハフマンテーブルが記憶される。そして、ハフマン符号化部４３は、量子化部４２によって送信された量子化されたＭＤＣＴ係数を受信し、セクショニング部３４によって作られたセクション毎、またはｓｆｂ毎に、適切なハフマンテーブルを選択して用いて符号化し、符号を量子化ループ処理部４１内に記憶させ、また、送信する。また、無音であるｓｆｂに関しては、ハフマンテーブルを使用しない符号化を行う。また、ハフマン符号化部４３は、用いられたハフマンテーブルを量子化ループ処理部４１内に記憶させる。

発生符号量カウント部４４は、ハフマン符号化部４３によって符号化された符号の符号量、即ちビット数を計測し、各ｓｆｂ毎のビット数を累積しつつ、量子化ループ処理部４１内に記憶させる。この際、ハフマン符号化部４３によって量子化ループ処理部４１内に記憶されたハフマン符号化部４３によって選択されたハフマンテーブルを識別する符号のビット数を併せて計測し、記憶させる。

更に、発生符号量カウント部４４は、心理聴覚解析部３２から送信されたレート制御情報を量子化ループ処理部４１内に記憶させ、その情報によって識別される各ｓｆｂ毎に用いられたスケールファクターを示す符号のビット数を併せて計測し、記憶させる。これらを識別するビットは、符号化された音声信号であるビットストリームに含まれるからである。

フォーマッタ部５１は、量子化ループ処理部４１内に記憶された、ハフマン符号化部４３によって選択されたハフマンテーブルを識別する情報と、そのハフマンテーブルを用いて符号化された符号と、心理聴覚解析部３２から送信されたレート制御情報を識別する情報とを読み込んで、符号化された音声信号であるビットストリームを所定の形式で作成し、符号化音声信号記憶部５２に記憶させる。

以下、本実施形態に係る音声符号化装置のセクショニング部３４によって行われるセクショニングの動作の詳細を説明する。

セクショニング部３４は、スケールファクター乗算部３３によって送信されたＭＤＣＴ係数を受信する。ここで、受信されたＭＤＣＴ係数の一例を図２に示す。ここで、横軸は周波数であり、縦軸は、そのＭＤＣＴ係数の振幅値、即ち大きさである。図２は、ＭＤＣＴ係数が、ｓｆｂに分割されていることを併せて示す。また、各ｓｆｂ毎に最大の振幅であるＭＤＣＴ係数の振幅を太線で示す。なお、図２には、各ｓｆｂの周波数帯域の幅は一定であり、各ｓｆｂ毎に一定数のＭＤＣＴ係数が含まれるように記載されているが、これらは、一例であって、本実施形態に何ら限定を加えるものではない。

セクショニング部３４は、第１の方法及び第２の方法によってセクショニングを行う。まず、第１の方法を説明する。セクショニング部３４は、各ｓｆｂに含まれるＭＤＣＴ係数の中から最大値である係数を抽出する。図３は、各ｓｆｂから最大値であるＭＤＣＴ係数が抽出された状態を示す。ここで、横軸はｓｆｂであり、縦軸は、そのｓｆｂ毎のＭＤＣＴ係数の最大の振幅値である。

ここで、各ｓｆｂで抽出されたＭＤＣＴ係数の最大値をｍａｘ＿ｑｕａｎｔ［ｓｆｂ］とする。そして、隣り合うｓｆｂのＭＤＣＴ係数の最大値の比が所定の範囲内である場合、セクショニング部３４は、それらのｓｆｂを同一セクションであると決定する。

最大値の比が所定の範囲内であるか否かの判断は、例えば、以下の不等式１が成り立つか否かによる。

SEC_TH1<(max_quant[sfb+1]/ max_quant[sfb])< SEC_TH2 （不等式１）
なお、0<SEC_TH1<1 かつ 1< SEC_TH2 である。

ここで、ＳＥＣ＿ＴＨ１と、ＳＥＣ＿ＴＨ２とを乗算した積は１としても良い。例えば、ＳＥＣ＿ＴＨ１は１／２、ＳＥＣ＿ＴＨ２は２である。これらの値により、上記隣り合うｓｆｂのＭＤＣＴ係数の最大値の比が２倍以内であるか否かを判断することができる。

このように、互いに隣り合うｓｆｂのＭＤＣＴ係数の最大値の比が所定の範囲内であるか否かによってセクショニングを行うことにより、セクショニング部３４は、図４に例示するように、ｓｆｂ０〜ｓｆｂ２が１つのセクションであり、ｓｆｂ３とｓｆｂ４とが１つのセクションであり、そして、ｓｆｂ５〜ｓｆｂ７が１つのセクションであると決定する。

また、上記不等式１は、ＳＥＣ＿ＴＨ１を大きく、また、ＳＥＣ＿ＴＨ２を小さくする程、隣り合うｓｆｂのＭＤＣＴ係数の最大値が同じであっても成り立ち難くなる。即ち、同一のセクションと決定し難くなる、言い換えると、それらのｓｆｂ毎に独立してハフマンテーブルを選択するとの判断を行い易くなる。

なお、装置が作成する符号化された音声信号であるビットストリームのビット数が多いことが許容される場合、ｓｆｂ毎に略独立してハフマンテーブルを選択することによって、いずれのｓｆｂにおいても適切なハフマンテーブルを選択しても良い。そして、その選択のために、上述のように、不等式１を成り立ち難くすることが有効である。

なお、上記不等式１が成り立つ場合、同一のセクションとする処理によると、セクションの数は、音声信号記憶部２１に記憶された音声信号に依存して変化し、一定ではない。即ち、不等式１が成り立つか否かの容易な判断によって、音声信号に依存した優れたセクショニングが行われる。

第２の方法による場合、セクショニング部３４は、ＭＤＣＴ係数の最大値が比較的小さいｓｆｂを、そのｓｆｂに隣り合うＭＤＣＴ係数の最大値が比較的大きいｓｆｂと同一セクションとする。即ち、ＭＤＣＴ係数の最大値が比較的小さいｓｆｂを、ＭＤＣＴ係数の最大値が比較的大きいｓｆｂに適した比較的大きいハフマンテーブルを用いるセクションに加える。

即ち、図５は、あるｓｆｂ（図５では、ｓｆｂ１。）のＭＤＣＴ係数の最大値が比較的小さいために、比較的小さいハフマンテーブルが選択され、そのｓｆｂの両隣のｓｆｂ（図５では、ｓｆｂ０及びｓｆｂ２。）のＭＤＣＴ係数の最大値が比較的大きいために、比較的大きいハフマンテーブルが選択されている状況の一例を示す。ここで、ｓｆｂ２〜ｓｆｂ４は、セクショニング部３４によって上記第１の方法に従い１つのセクションとされている。

この状況で、セクショニング部３４は、上記比較的大きい最大値が所定の閾値以上の場合、図６に示すように、上記ｓｆｂ及びそのｓｆｂの両隣のｓｆｂ（図６では、ｓｆｂ０〜ｓｆｂ４。）を１つのセクションにする。そして、このセクションには、上記両隣のｓｆｂに適したハフマンテーブルが選択される。

このようにすることで、上記ｓｆｂ（図６では、ｓｆｂ１。）に含まれるＭＤＣＴ係数は、それらの係数の最大値と対比すると過大なハフマンテーブルによって符号化されることになる。しかし、セクションの数を２つ減少させた、即ち、符号化された音声信号であるビットストリームから、ハフマンテーブルを識別する情報を２セット削減することができ、上記ビットストリームのビット長の削減が可能となる。

ここで、上記両隣のｓｆｂのＭＤＣＴ係数の最大値の比率が略等しく、それらのｓｆｂのために選択されていたハフマンテーブルが同一であると予想される場合、特に、上記効果は顕著である。しかし、それらのために選択されていたハフマンテーブルが同一であると予想される場合に限ることはない。それらのハフマンテーブルが異なる場合、セクショニング部３４は、新たに選択されたハフマンテーブルによって発生する符号化された符号量の増加量と、ハフマンテーブルを識別する情報を２セット削減したことによる符号量の削減量とから、または、これらの量の予想値によって、セクショニングを行うか否かを決定する。

第１の方法及び／または第２の方法は、１回のみ行われると限るものではない。即ち、セクショニングを１回行うことによって、セクションの数を充分に減らすことができない場合、セクショニング部３４は、セクショニングの動作を繰り返して行うことにより、セクションの数を減らすことができる。この繰り返しは、任意の回数に渡って行って良いことは言うまでもない。

ここで、セクショニング部３４は、第１の方法にあっては、ＳＥＣ＿ＴＨ１にｉ回目に用いた値より小さい値を設定し、また、ＳＥＣ＿ＴＨ２によりｉ回目に用いた値より大きい値を設定して、ｉ＋１回目以降のセクショニングを行う。また、第２の方法にあっては、上記閾値をｉ回目に用いた値より小さい値を設定して、ｉ＋１回目以降のセクショニングを行う。ここで、ｉは、１以上の整数である。

なお、上記の説明では、セクショニング部３４は、各ｓｆｂに含まれるＭＤＣＴ係数の中から最大値である係数を抽出するとしたが、これに限るものではない。ＭＤＣＴ係数を代表する値であれば良く、例えば、各ｓｆｂに含まれるＭＤＣＴ係数の平均値を算出し、上記最大値に代えて、算出された平均値を用いても良い。

平均値を用いると、ｓｆｂに多くのＭＤＣＴ係数が含まれ、それらの係数の値に大きな差がない場合、わずかの差によって最大とされた値に強く依存せずにハフマンテーブルを選択することになる。この選択により、音質が優れた符号化された音声信号が作成され、また、符号化された音声信号ビットストリームのビット長の削減が可能となる。

次に、制御部１１による音声信号符号化の制御動作を説明する。図７は、制御部１１による音声信号符号化の制御動作を示すフローチャートである。

制御部１１は、音声信号符号化の制御動作を開始し（ステップＳ１１ａ）、音声信号記憶部２１に記憶された所定量の音声信号を読み込み、音声符号化装置の各部を制御して、以下の動作を行わせる。

即ち、制御部１１は、時間／周波数変換部３１を制御して、上記フレームからＭＤＣＴ係数を算出させる（ステップＳ１１ｂ）。そして、心理聴覚解析部３２を制御して、上記ＭＤＣＴ係数から許容量子化歪み量と、レート制御情報とを算出させ、スケールファクター乗算部３３を制御して、上記許容量子化歪み量からスケールファクターを算出させ、上記ＭＤＣＴ係数と、乗算させる（ステップＳ１１ｃ）。そして、セクショニング部３４を制御して、乗算されたＭＤＣＴ係数からセクショニングを行わせる（ステップＳ１１ｄ）。

次に、制御部１１は、量子化ループ処理部４１を制御して、量子化のループをさせる。即ち、量子化部４２を制御して、スケールファクターが乗算されたＭＤＣＴ係数を量子化させる（ステップＳ１１ｅ）。そして、ハフマン符号化部４３を制御して、セクショニング結果に従ってハフマンテーブルを選択させて、量子化されたＭＤＣＴ係数をハフマン符号化させる。そして、符号と、符号量と、選択されたハフマンテーブルを記憶させる（ステップＳ１１ｆ）。

そして、制御部１１は、発生符号量カウント部４４を制御して、発生した全ての符号量を計測させ、その符号量が所定のビット長以内であるか否かを判断させる（ステップＳ１１ｇ）。そして、所定のビット長以内であった場合、フォーマッタ部５１を制御して、符号化された音声信号を所定のビットストリーム形式に整えさせ、符号化音声信号記憶部５２に記憶させ、（ステップＳ１１ｈ）、動作を終了する（ステップＳ１１ｉ）。

一方、所定のビット長以内でなかった場合、制御部１１は、ステップＳ１１ｅの量子化部４２を制御して量子化を行うステップに戻って、動作させる。この際、より大きい量子化ステップによって量子化をさせる。

（第２の実施形態）
図８は、本発明の第２の実施形態に係る音声符号化装置の構成を示すブロック図である。この第２の実施形態に係る音声符号化装置で、第１の実施形態に係る音声符号化装置と同じ部分には、同じ符号を付して説明を省略する。この第２の実施形態に係る音声符号化装置は、装置全体の制御をする制御部１１と、音声信号記憶部２１と、時間／周波数変換部３１と、心理聴覚解析部３２と、スケールファクター乗算部３３と、量子化ループ処理部４１と、フォーマッタ部５１と、符号化音声信号記憶部５２とからなる。

量子化ループ処理部４１は、量子化部４２と、セクショニング部３４と、ハフマン符号化部４３と、発生符号量カウント部４４とからなる。

そして、第２の実施形態に係る音声符号化装置と、第１の実施形態に係る音声符号化装置との相違点は、以下の点である。即ち、セクショニング部３４は、第１の実施形態では、スケールファクター乗算部３３によって作成されたＭＤＣＴ係数に基づいて、セクションニングを行ったのに対し、第２の実施形態では、量子化ループ処理部４１内に置かれ、量子化部４２によって量子化されたＭＤＣＴ係数に基づいて、セクションニングを行うことである。

これに伴い、第２の実施形態では、スケールファクター乗算部３３によって作成されたＭＤＣＴ係数は、量子化部４２に送られ、セクショニング部３４によって送信されたＭＤＣＴ係数と、セクショニングを示す情報とは、ハフマン符号化部４３が受信する。また、スケールファクター乗算部３３は、あるｓｆｂが無音である場合、その旨をセクショニング部３４に送信する。

次に、第２の実施形態に係る音声符号化装置の制御部１１による音声信号符号化の制御動作を説明する。図９は、制御部１１による音声信号符号化の制御動作を示すフローチャートである。この第２の実施形態に係る制御動作で、第１の実施形態に係る制御動作と同じ動作ステップには、同じ符号を付して説明を省略する。

この第２の実施形態に係る制御動作と、第１の実施形態に係る制御動作との相違点は、以下の点である。即ち、第１の実施形態においては、ステップＳ１１ｄのセクショニング部３４を制御してセクショニングを行わせる制御動作は、ステップＳ１１ｃのスケールファクターの決定、その乗算の動作と、ステップＳ１１ｅの量子化の動作の間に置かれたのに対し、第２の実施形態においては、ステップＳ１１ｅの量子化の動作と、ステップＳ１１ｆのハフマン符号化、発生符号記憶の動作との間に置かれることである。

これによって、ステップＳ１１ｄのセクショニングを行わせる動作は、ステップＳ１１ｇの発生された全ての符号量が所定のビット長以内であるか否かを判断させる動作によって、所定のビット長以内でないと判断された場合、繰り返し行われることになる。そこで、繰り返し行われる際に、制御部１１は、量子化部４２を制御して、より大きい量子化ステップによって量子化をさせることに加えて、または、代えて、上述したように、セクショニング部３４を制御して、一層セクションの数を減らさせても良い。

（その他の実施形態）
上記の実施形態では、入力される音声信号は、音声信号記憶部２１に記憶されるとした。これは、符号化される全ての音声信号が記憶されるとしても良い。また、例えば、マイクロフォン（図示せず）によって入力されたアナログ信号がＰＣＭ方式でデジタル信号に変換され、音声信号記憶部２１に記憶される動作と、符号化の動作が並行して行われても良い。

また、符号化された音声信号は、符号化音声信号記憶部５２に記憶されるとした。これは、符号化された全ての音声信号が記憶されるとしても良い。また、符号化の動作と、例えば、符号化された信号が通信回線を介して送信される動作とが並行して行われても良い。この動作が並行して行われる場合、符号化された音声信号であるビットストリームの許容される大きさは、上記送信のビットレートの速さに対応することは、言うまでもない。

本発明の実施形態に係る音声符号化装置は、プログラムを利用して動作するコンピュータであっても良い。また、本発明は、音声信号を符号化するあらゆる装置に適用することが当然に可能である。また、上記の実施形態で説明した要素を適宜組み合わせても良い。本発明は以上の構成に限定されるものではなく、種々の変形が可能である。

本発明の第１の実施形態に係る音声符号化装置の構成を示すブロック図。本発明の実施形態に係るスケールファクターを乗算したＭＤＣＴ係数の一例を示す図。本発明の実施形態に係るｓｆｂ毎のスケールファクターを乗算したＭＤＣＴ係数の最大値の一例を示す図。本発明の実施形態に係るセクショニング結果の一例を示す図（その１）。本発明の実施形態に係るセクショニング結果の一例を示す図（その２）。本発明の実施形態に係るセクショニング結果の一例を示す図（その３）。本発明の第１の実施形態に係る制御部の音声符号化を制御する動作を示すフローチャート。本発明の第２の実施形態に係る音声符号化装置の構成を示すブロック図。本発明の第２の実施形態に係る制御部の音声符号化を制御する動作を示すフローチャート。

符号の説明

１１制御部
３１時間／周波数変換部
３２心理聴覚解析部
３３スケールファクター乗算部
３４セクショニング部
４１量子化ループ処理部
４２量子化部
４３ハフマン符号化部
４４発生符号量カウント部
５１フォーマッタ部

Claims

音声信号を所定のスケールファクターバンドに分類された周波数スペクトルに変換し、前記スケールファクターバンド毎にそのスケールファクターバンドに分類された周波数スペクトルの代表値に依存して複数のハフマンテーブルの中のいずれかのハフマンテーブルを選択し、前記スケールファクターバンドに分類された周波数スペクトルを前記選択されたハフマンテーブルを参照して符号化し、その符号化された周波数スペクトルと、前記参照されたハフマンテーブルを識別する符号とを含む符号化された音声信号を作成する符号化手段を有し、
前記符号化手段は、隣り合う前記スケールファクターバンドに分類された周波数スペクトルの代表値の比率が第１の値より大きく第２の値より小さい範囲内（ただし、０＜第１の値＜１、かつ１＜第２の値）である場合、それらのスケールファクターバンドに同一の前記ハフマンテーブルを選択する
ことを特徴とする音声符号化装置。
音声信号を所定のスケールファクターバンドに分類された周波数スペクトルに変換し、前記スケールファクターバンド毎にそのスケールファクターバンドに分類された周波数スペクトルの代表値に依存して複数のハフマンテーブルの中のいずれかのハフマンテーブルを選択し、前記スケールファクターバンドに分類された周波数スペクトルを前記選択されたハフマンテーブルを参照して符号化し、その符号化された周波数スペクトルと、前記参照されたハフマンテーブルを識別する符号とを含む符号化された音声信号を作成する符号化手段を有し、
前記符号化手段は、第１の前記スケールファクターバンドに分類された周波数スペクトルの代表値が小さく、その第１のスケールファクターバンドの低周波数側に隣り合う第２の前記スケールファクターバンドに分類された周波数スペクトルの代表値と、その第１のスケールファクターバンドの高周波数側に隣り合う第３の前記スケールファクターバンドに分類された周波数スペクトルの代表値とが前記第１のスケールファクターバンドの代表値より大きい場合、前記第１、前記第２及び前記第３のスケールファクターバンドに同一の前記ハフマンテーブルを選択する
ことを特徴とする音声符号化装置。
前記符号化手段は、前記音声信号を前記所定のスケールファクターバンドに分類された周波数スペクトルに変換する際、そのスケールファクターバンドに依存する量子化ステップによって量子化された周波数スペクトルに変換する
ことを特徴とする請求項１または請求項２に記載の音声符号化装置。
前記符号化手段は、前記音声信号を前記所定のスケールファクターバンドに分類された周波数スペクトルに変換する際、そのスケールファクターバンドに依存したスケールファクターが乗算された周波数スペクトルに変換する
ことを特徴とする請求項１または請求項２に記載の音声符号化装置。
前記スケールファクターバンドに分類された周波数スペクトルの代表値は、前記スケールファクターバンドに分類された周波数スペクトルの最大値または平均値である
ことを特徴とする請求項１または請求項２に記載の音声符号化装置。