JP5164970B2

JP5164970B2 - 音声復号装置および音声復号方法

Info

Publication number: JP5164970B2
Application number: JP2009502460A
Authority: JP
Inventors: 宏幸江原
Original assignee: Panasonic Corp; Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Corp; Panasonic Holdings Corp
Priority date: 2007-03-02
Filing date: 2008-02-29
Publication date: 2013-03-21
Anticipated expiration: 2028-02-29
Also published as: WO2008108082A1; CN101617362A; US8554548B2; US20100100373A1; EP2116997A1; CN101617362B; EP2116997A4; JPWO2008108082A1

Description

本発明は、ＣＥＬＰ（Code-Excited Linear Prediction）方式の音声復号装置および音声復号方法に関し、特に量子化雑音を人間の聴覚特性に合わせて補正し、復号される音声信号の主観品質を高める音声復号装置および音声復号方法に関する。

ＣＥＬＰ型音声コーデックでは、復号音声の主観的品質を改善するため、ポストフィルタを用いることが多い（例えば、非特許文献１参照）。非特許文献１のポストフィルタは、ホルマント強調ポストフィルタ、ピッチ強調ポストフィルタ、およびスペクトル傾斜補正（または高域強調）フィルタの３種類のフィルタを直列接続したものに基づいている。ホルマント強調フィルタは音声信号のスペクトルの谷を深くすることにより、スペクトルの谷の部分に存在する量子化雑音を聞こえにくくする効果がある。ピッチ強調ポストフィルタは、音声信号のスペクトルのハーモニクスの谷を深くすることにより、ハーモニクスの谷の部分に存在する量子化雑音を聞こえにくくする効果がある。スペクトル傾斜補正フィルタは、主としてホルマント強調フィルタによって生じるスペクトル傾斜を元に戻す働きをする。例えばホルマント強調フィルタによって高域が減衰する場合、スペクトル傾斜補正フィルタは高域強調を行う。

一方、ＣＥＬＰ型音声コーデックの復号信号は、周波数が高い成分ほど減衰しやすくなる傾向がある。これは、高い周波数の信号波形の方が低い周波数の信号波形に比べて波形のマッチングが難しいためである。このような復号信号の高域成分のエネルギー減衰は、聞き手に復号信号の帯域が狭まった印象を与え、これは、復号信号の主観品質の劣化要因となる。

上記のような問題を解決するために、復号音源信号に対する後処理として、復号音源信号の傾斜補正を行う技術が提案されている（例えば、特許文献１参照）。この技術では、復号音源信号のスペクトル傾斜に応じて、復号音源信号のスペクトルがフラットになるように復号音源信号の傾斜を補正する。

一方、復号音源信号に対する後処理として、復号音源信号の傾斜補正を行う際、高域強調をしすぎると、高域に存在する量子化雑音が聞こえるようになり、これは、主観品質を劣化させる方向に働く場合がある。この量子化雑音が主観品質の劣化として感じられるかどうかは復号信号、または入力信号の特徴に依存する。例えば、復号信号が、背景に雑音のないクリーンな音声信号である場合、つまり入力信号がそのような音声信号である場合には、高域強調によって増幅される高域の量子化雑音は比較的聞こえやすい。逆に、復号信号が、背景に高いレベルの雑音がある音声信号である場合、つまり入力信号がそのような音声信号である場合には、高域強調によって増幅される高域の量子化雑音は背景雑音にマスクされるため比較的聞こえにくい。このため、背景雑音のレベルが高い場合には、高域強調が弱すぎると、帯域が狭まった印象を与えることが主観品質を下げる要因となりやすいため、高域強調を十分行う必要がある。
J-H. Chen and A. Gersho, "Adaptive Postfiltering for Quality Enhancement of Coded Speech," IEEE Trans. on Speech and Audio Process. vol.3, no.1, January 1995 米国特許第６，３８５，５７３号公報

しかしながら、特許文献１に記載の高域強調という復号音源信号の傾斜補正処理においては、復号された音源信号のスペクトルの傾斜に応じて傾斜補正の度合いを決定しているものの、背景雑音レベルの大きさによって許容される傾斜補正の強さが変化するという事実を考慮していない。

本発明の目的は、復号音源信号に対する後処理として、復号音源信号の傾斜補正を行う際、背景雑音レベルの大きさに応じて高域強調の度合いを調整することができる音声復号装置および音声復号方法を提供することである。

本発明の音声復号装置は、音声信号を符号化して得られた符号化データを復号して復号音声信号を得る音声復号手段と、前記復号音声信号のモードが定常雑音区間であるか否かを一定時間毎に判定するモード判定手段と、前記復号音声信号のパワーを算出するパワー算出手段と、前記モード判定手段におけるモード判定結果と、前記復号音声信号のパワーとを用いて復号音声信号のＳＮＲ（Signal to Noise Ratio）を算出するＳＮＲ算出手段と、前記ＳＮＲを用いて音源信号の高域強調処理を含むポストフィルタリング処理を行うポストフィルタリング手段と、を具備する構成を採る。

本発明の音声復号方法は、音声信号を符号化して得られた符号化データを復号して復号音声信号を得るステップと、前記復号音声信号のモードが定常雑音区間であるか否かを一定時間毎に判定するステップと、前記復号音声信号のパワーを算出するステップと、前記モード判定手段におけるモード判定結果と、前記復号音声信号のパワーとを用いて復号音声信号のＳＮＲを算出するステップと、前記ＳＮＲを用いて音源信号の高域強調処理を含むポストフィルタリング処理を行うステップと、を有するようにした。

本発明によれば、復号音源信号に対する後処理として、復号音源信号の傾斜補正を行う際、復号音声信号のＳＮＲに基づき、重み付き線形予測残差信号の高域強調処理用の係数を算出し、背景雑音レベルの大きさに応じて高域強調の度合いを調整することができるため、出力される音声信号の主観品質を高めることができる。

以下、本発明の実施の形態について、添付図面を参照して詳細に説明する。

図１は、本発明の実施の形態に係る音声符号化装置１００の主要な構成を示すブロック図である。

図１において、音声符号化装置１００は、ＬＰＣ抽出／符号化部１０１、音源信号探索
／符号化部１０２、および多重化部１０３を備える。

ＬＰＣ抽出／符号化部１０１は、入力される音声信号に対し線形予測分析を行って線形予測係数（ＬＰＣ：Linear Prediction Coefficient）を抽出し、得られたＬＰＣを音源信号探索／符号化部１０２に出力する。さらにＬＰＣ抽出／符号化部１０１は、前記ＬＰＣを量子化および符号化し、得られる量子化ＬＰＣを音源信号探索／符号化部１０２に、ＬＰＣ符号化データを多重化部１０３に、それぞれ出力する。

音源信号探索／符号化部１０２は、ＬＰＣ抽出／符号化部１０１から入力されるＬＰＣに重み係数を乗じて得られる係数をフィルタ係数とする聴覚重み付けフィルタを用いて、入力音声信号に対しフィルタリング処理を行って聴覚重み付け入力音声信号を得る。また、音源信号探索／符号化部１０２は、量子化ＬＰＣをフィルタ係数とするＬＰＣ合成フィルタを用いて、別途生成した音源信号に対しフィルタリング処理を行って復号信号を得、復号信号に対してさらに聴覚重み付けフィルタをかけることにより聴覚重み付け合成信号を得る。ここで、音源信号探索／符号化部１０２は、得られる聴覚重み付け合成信号と、聴覚重み付け入力音声信号との残差信号を最小とする音源信号を探索し、探索により特定された音源信号を示す情報を音源符号化データとして多重化部１０３に出力する。

多重化部１０３は、ＬＰＣ抽出／符号化部１０１から入力されるＬＰＣ符号化データと、音源信号探索／符号化部１０２から入力される音源符号化データとを多重化し、得られる音声符号化データに対してさらにチャネル符号化などの処理を行い伝送路に送出する。

図２は、本実施の形態に係る音声復号装置２００の主要な構成を示すブロック図である。

図２において、音声復号装置２００は、分離部２０１、重み係数決定部２０２、ＬＰＣ復号部２０３、音源信号復号部２０４、ＬＰＣ合成フィルタ２０５、パワー算出部２０６、モード判定部２０７、ＳＮＲ算出部２０８、およびポストフィルタ２０９を備える。

分離部２０１は、音声符号化装置１００から送信される音声符号化データから、符号化ビットレートに関する情報（ビットレート情報）、ＬＰＣ符号化データ、および、音源符号化データを分離し、重み係数決定部２０２、ＬＰＣ復号部２０３、および音源信号復号部２０４それぞれに出力する。

重み係数決定部２０２は、分離部２０１から入力されるビットレート情報に応じて、ポストフィルタリング処理用の第１重み係数γ１および第２重み係数γ２を算出または選択し、ポストフィルタ２０９に出力する。なお、第１重み係数γ１および第２重み係数γ２の詳細については後述する。

ＬＰＣ復号部２０３は、分離部２０１から入力されるＬＰＣ符号化データを用いて復号処理を行い、得られるＬＰＣをＬＰＣ合成フィルタ２０５およびポストフィルタ２０９に出力する。ここで、音声符号化装置１００におけるＬＰＣの量子化および符号化は、ＬＰＣと１対１の対応関係を有する線スペクトル対（ＬＳＰ：Line Spectrum Pair または Line Spectral Pair。線スペクトル周波数（ＬＳＦ：Line Spectrum Frequency または Line Spectral Frequency）と呼ばれることもある）を量子化および符号化することで行われるものとする。かかる場合、ＬＰＣ復号部２０３は、復号処理においてまず量子化ＬＳＰを得、これをＬＰＣに変換して量子化ＬＰＣを得る。ＬＰＣ復号部２０３は、復号された量子化ＬＳＰ（以下、「復号ＬＳＰ」と称す）をモード判定部２０７に出力する。

音源信号復号部２０４は、分離部２０１から入力される音源符号化データを用いて復号
処理を行い、得られる復号音源信号をＬＰＣ合成フィルタ２０５に出力し、復号音源信号の復号過程で得られる復号ピッチラグおよび復号ピッチゲインをモード判定部２０７に出力する。

ＬＰＣ合成フィルタ２０５は、ＬＰＣ復号部２０３から入力される復号ＬＰＣをフィルタ係数とする線形予測フィルタであり、音源信号復号部２０４から入力される音源信号に対しフィルタリング処理を行い、得られる復号音声信号をパワー算出部２０６およびポストフィルタ２０９に出力する。

パワー算出部２０６は、ＬＰＣ合成フィルタ２０５から入力される復号音声信号のパワーを算出し、モード判定部２０７およびＳＮＲ算出部２０８に出力する。ここで、復号音声信号のパワーは、復号音声信号の２乗和のサンプルあたりの平均値を、デシベル（dＢ）で表した値である。すなわち、「Ｘ」を用いて、復号音声信号の２乗和のサンプルあたりの平均値を示す場合、デシベルで表される復号音声信号のパワーは１０ｌｏｇ_１０Ｘとなる。

モード判定部２０７は、ＬＰＣ復号部２０３から入力される復号ＬＳＰ、音源信号復号部２０４から入力される復号ピッチラグ、復号ピッチゲイン、およびパワー算出部２０６から入力される復号音声信号パワーを用いて、下記の（ａ）〜（ｆ）までの基準に従い、復号音声信号が定常雑音区間であるか否かを判定し、判定結果をＳＮＲ算出部２０８に出力する。すなわち、モード判定部２０７は、（ａ）所定時間における復号ＬＳＰの変動幅が所定レベル以上である場合には、定常雑音区間でないと判定し、（ｂ）過去に定常雑音区間と判定された区間における復号ＬＳＰの平均値と、ＬＰＣ復号部２０３から入力される復号ＬＳＰとの距離が大きい場合には、定常雑音区間でないと判定し、（ｃ）音源信号復号部２０４から入力される復号ピッチゲイン、またはこのピッチゲインを時間的に平滑化した値が所定の閾値以上である場合には、定常雑音区間ではないと判定し、（ｄ）過去所定の時間内に音源信号復号部２０４から入力された複数個の復号ピッチラグ間の類似度合いが所定レベル以上である場合には、定常雑音区間ではないと判定し、（ｅ）パワー算出部２０６から入力された復号音源信号パワーが過去に比べて所定の閾値以上の上昇率で上昇した場合には、定常雑音区間でないと判定し、（ｆ）ＬＰＣ復号部２０３から入力される隣接する復号ＬＳＰ間の間隔が所定の閾値よりも狭く、急峻なスペクトルピークが存在する場合には、定常雑音区間ではないと判定する。これらの判定基準を用いて、復号音声信号の定常的な区間を検出し（例えば前記（ａ）の基準を用いる）、検出された定常的な区間から、音声信号の有声定常部など雑音区間ではない区間を除外し（例えば前記（ｃ）（ｄ）の基準を用いる）、さらに定常雑音区間でない区間を除外して（例えば前記（ｂ）（ｅ）（ｆ）の基準を用いる）、定常雑音区間を得る。

ＳＮＲ（Signal to Noise Ratio）算出部２０８は、パワー算出部２０６から入力される復号音源信号のパワー、およびモード判定部２０７から入力されるモード判定結果を用いて復号音源信号のＳＮＲを算出し、ポストフィルタ２０９に出力する。なお、ＳＮＲ算出部２０８の詳細な構成および動作については後述する。

ポストフィルタ２０９は、重み係数決定部２０２から入力される第１重み係数γ１、第２重み係数γ２、ＬＰＣ復号部２０３から入力されるＬＰＣ、ＬＰＣ合成フィルタ２０５から入力される復号音声信号、およびＳＮＲ算出部２０８から入力されるＳＮＲを用いて、ポストフィルタリング処理を行い、得られる音声信号を出力する。なお、ポストフィルタ２０９におけるポストフィルタリング処理については後述する。

図３は、ＳＮＲ算出部２０８の内部の構成を示すブロック図である。

図３において、ＳＮＲ算出部２０８は、雑音レベル短期平均部２８１、ＳＮＲ算出部２８２、および雑音レベル長期平均部２８３を備える。

雑音レベル短期平均部２８１は、パワー算出部２０６から入力される現フレームの復号音声信号パワーが、雑音レベル長期平均部２８２から入力される雑音レベルより低い場合に、現フレームの復号音声信号パワーと、雑音レベルとを用いて下記の式（１）に従って雑音レベルを更新する。そして、雑音レベル短期平均部２８１は、更新された雑音レベルを雑音レベル長期平均部２８３およびＳＮＲ算出部２８２に出力する。また、雑音レベル短期平均部２８１は、現フレームの復号音声信号のパワーが雑音レベル以上である場合には、入力した雑音レベルを更新せずに雑音レベル長期平均部２８３およびＳＮＲ算出部２８２に出力する。ここで、雑音レベル短期平均部２８１の意図することは、雑音レベルより入力された復号音声信号パワーの方が低い場合はその雑音レベルの信頼性が低いと考え、入力された復号音声信号のパワーが雑音レベルにより反映されるように、復号音声信号の短時間平均によって雑音レベルを更新することにある。したがって、式（１）の係数０．５はこれに限定されず、後述される雑音レベル長期平均部２８３で用いられる（２）式の係数０．９３７５より小さい値であればよい。これにより、雑音レベル長期平均部２８３で算出される長時間平均の雑音レベルよりもより現在の復号音声信号のパワーが反映されやすくなり、雑音レベルが速やかに現在の復号音声信号のパワーに近づくようになる。
（雑音レベル）＝０．５×（雑音レベル）＋０．５×（現フレームの復号音声信号パワー） …（１）

ＳＮＲ算出部２８２は、パワー算出部２０６から入力される復号音声信号パワーと、雑音レベル短期平均部２８１から入力される雑音レベルとの差を算出し、復号音声信号のＳＮＲとしてポストフィルタ２０９に出力する。ここで、復号音声信号パワーおよび雑音レベルは、両方ともデシベルで表される値であるため、両者の差を算出することにより、ＳＮＲが得られる。

雑音レベル長期平均部２８３は、モード判定部２０７から入力されるモード判定結果が定常雑音区間を示すか、または現フレームの復号音声信号パワーが所定の閾値未満である場合に、現フレームの復号音声信号パワーと、雑音レベル短期平均部２８１から入力される雑音レベルとを用いて下記の式（２）に従い雑音レベルを更新する。そして、雑音レベル長期平均部２８３は、更新された雑音レベルを次フレームの処理における雑音レベルとして、雑音レベル短期平均部２８１に出力する。また、雑音レベル長期平均部２８３は、モード判定結果が定常雑音区間を示さず、かつパワー算出部２０６から入力される現フレームの復号音声信号のパワーが所定の閾値以上である場合には、入力された雑音レベルを更新せず、そのまま次フレームの処理において用いる雑音レベルとして、雑音レベル短期平均部２８１に出力する。ここで、雑音レベル長期平均部２８３の意図することは、雑音区間または無音区間における復号音声信号パワーの長時間平均を求めることにある。したがって、式（２）の係数０．９３７５は、この値に限定されるものではないが、０．９以上の１．０に近い値に設定される。なお、０．９３７５は１５／１６であり、固定小数点演算化による誤差が発生しない値となっている。
（雑音レベル）＝０．９３７５×（雑音レベル）＋（１−０．９３７５）×（現フレームの復号音声信号パワー） …（２）

図４は、ＳＮＲ算出部２０８において復号音声信号のＳＮＲを算出する手順を示すフロー図である。

まず、ステップ（以下、「ＳＴ」と記す）１０１０において、雑音レベル短期平均部２８１は、雑音レベル長期平均部２８３から入力される雑音レベルよりも、パワー算出部２０６から入力される復号音声信号のパワーが小さいか否かを判定する。

ＳＴ１０１０において復号音声信号のパワーが雑音レベルより小さいと判定された場合（ＳＴ１０１０：「ＹＥＳ」）には、雑音レベル短期平均部２８１は、ＳＴ１０２０において、復号音声信号のパワーと雑音レベルとを用い、式（１）に従って雑音レベルを更新する。

一方、ＳＴ１０１０において復号音声信号のパワーが雑音レベル以上であると判定された場合（ＳＴ１０１０：「ＮＯ」）には、雑音レベル短期平均部２８１は、ＳＴ１０３０において、雑音レベルを更新せずにそのまま出力する。

次いで、ＳＴ１０４０において、ＳＮＲ算出部２８２は、パワー算出部２０６から入力される復号音声信号パワーと、雑音レベル短期平均部２８１から入力される雑音レベルとの差をＳＮＲとして算出する。

次いで、ＳＴ１０５０において、雑音レベル長期平均部２８３は、モード判定部２０７から入力されるモード判定結果が定常雑音区間を示すか否かを判定する。

ＳＴ１０５０においてモード判定結果が定常雑音区間を示さないと判定された場合（ＳＴ１０５０：「ＮＯ」）には、雑音レベル長期平均部２８３は、次いでＳＴ１０６０において、復号音声信号のパワーが所定の閾値未満であるか否かを判定する。

ＳＴ１０６０において復号音声信号のパワーが所定の閾値以上であると判定された場合（ＳＴ１０６０：「ＮＯ」）には、雑音レベル長期平均部２８３は、雑音レベルの更新を行わない。

一方、ＳＴ１０５０においてモード判定結果が定常雑音区間を示すと判定された場合（ＳＴ１０５０：「ＹＥＳ」）、またはＳＴ１０６０において復号音声信号のパワーが所定の閾値未満であると判定された場合（ＳＴ１０６０：「ＹＥＳ」）には、ＳＴ１０７０において、雑音レベル長期平均部２８３は、復号音声信号のパワーと、雑音レベルとを用いて式（２）に従い、雑音レベルを更新する。

図５は、ポストフィルタ２０９の内部の構成を示すブロック図である。

図５において、ポストフィルタ２０９は、第１乗算係数算出部２９１、第１重み付きＬＰＣ算出部２９２、ＬＰＣ逆フィルタ２９３、ＬＰＦ（Low Pass Filter）２９４、ＨＰＦ（High Pass Filter）２９５、第１エネルギー算出部２９６、第２エネルギー算出部２９７、第３エネルギー算出部２９８、相互相関算出部２９９、エネルギー比算出部３００、高域強調係数算出部３０１、低域増幅係数算出部３０２、高域増幅係数算出部３０３、乗算器３０４、乗算器３０５、加算器３０６、第２乗算係数算出部３０７、第２重み付きＬＰＣ算出部３０８、ＬＰＣ合成フィルタ３０９を備える。

第１乗算係数算出部２９１は、重み係数決定部２０２から入力される第１重み係数γ_１を用い、ｊ次の線形予測係数に乗じる係数γ_１ ^ｊを第１乗算係数として算出して第１重み付きＬＰＣ算出部２９２に出力する。ここで、γ_１ ^ｊは、γ_１のｊ乗を求めることにより算出される。なお、０≦γ_１≦１である。

第１重み付きＬＰＣ算出部２９２は、ＬＰＣ復号部２０３から入力されるｊ次のＬＰＣに、第１乗算係数算出部２９１から入力される第１乗算係数γ_１ ^ｊを乗じて、乗算結果を第１重み付きＬＰＣとしてＬＰＣ逆フィルタ２９３に出力する。

ＬＰＣ逆フィルタ２９３は、伝達関数がＨｉ（ｚ）＝１＋Σ^M _j=1ａ_ｊ１×ｚ^−ｊであらわされる線形予測逆フィルタであり、ＬＰＣ合成フィルタ２０５から入力される復号音声信号に対しフィルタリング処理を行い、得られる重み付き線形予測残差信号をＬＰＦ２９４、ＨＰＦ２９５、および第３エネルギー算出部２９８に出力する。ここで、ａ_ｊ１は、第１重み付きＬＰＣ算出部２９２から入力されるｊ次の第１重み付きＬＰＣを示す。

ＬＰＦ２９４は、直線位相の低域通過フィルタであり、ＬＰＣ逆フィルタ２９３から入力される重み付き線形予測残差信号の低域成分を抽出して第１エネルギー算出部２９６、相互相関算出部２９９、および乗算器３０４に出力する。ＨＰＦ２９５は、直線位相の高域通過フィルタであり、ＬＰＣ逆フィルタ２９３から入力される重み付き線形予測残差信号の高域成分を抽出して第２エネルギー算出部２９７、相互相関算出部２９９、および乗算器３０５に出力する。ここで、ＬＰＦ２９４の出力信号とＨＰＦ２９５の出力信号とを加算して得られる信号と、ＬＰＣ逆フィルタ２９３の出力信号とは一致するという関係にある。なお、ＬＰＦ２９４とＨＰＦ２９５とは両方とも遮断特性がゆるやかなフィルタであり、例えばＨＰＦ２９５の出力信号には、ある程度の低域成分が残るように設計されている。

第１エネルギー算出部２９６は、ＬＰＦ２９４から入力される重み付き線形予測残差信号の低域成分のエネルギーを算出し、エネルギー比算出部３００、低域増幅係数算出部３０２、および高域増幅係数算出部３０３に出力する。

第２エネルギー算出部２９７は、ＨＰＦ２９５から入力される重み付き線形予測残差信号の高域成分のエネルギーを算出し、エネルギー比算出部３００、低域増幅係数算出部３０２、および高域増幅係数算出部３０３に出力する。

第３エネルギー算出部２９８は、ＬＰＣ逆フィルタ２９３から入力される重み付き線形予測残差信号のエネルギーを算出し、低域増幅係数算出部３０２、および高域増幅係数算出部３０３に出力する。

相互相関算出部２９９は、ＬＰＦ２９４から入力される重み付き線形予測残差信号の低域成分と、ＨＰＦ２９５から入力される重み付き線形予測残差信号の高域成分との相互相関を算出し、低域増幅係数算出部３０２および高域増幅係数算出部３０３に出力する。

エネルギー比算出部３００は、第１エネルギー算出部２９６から入力される重み付き線形予測残差信号の低域成分のエネルギーと、第２エネルギー算出部２９７から入力される重み付き線形予測残差信号の高域成分のエネルギーとの比を算出し、エネルギー比ＥＲとして高域強調係数算出部３０１に出力する。エネルギー比ＥＲは、ＥＲ＝１０（ｌｏｇ_１０ＥＬ−ｌｏｇ_１０ＥＨ）という式により算出され、デシベル単位で表される。ここで、ＥＬは低域成分のエネルギーを示し、ＥＨは高域成分のエネルギーを示す。

高域強調係数算出部３０１は、エネルギー比算出部３００から入力されるエネルギー比ＥＲ、およびＳＮＲ算出部２０８から入力されるＳＮＲを用いて、高域強調係数Ｒを算出し低域増幅係数算出部３０２および高域増幅係数算出部３０３に出力する。ここで、高域強調係数Ｒは、高域強調処理後の線形予測残差信号の低域成分と高域成分とのエネルギー比として定義される係数である。つまり、高域強調をすることによって低域成分と高域成分のエネルギー比をどのくらいにしたいのかを示す数である。

低域増幅係数算出部３０２は、高域強調係数算出部３０１から入力される高域強調係数Ｒ、第１エネルギー算出部２９６から入力される重み付き線形予測残差信号の低域成分のエネルギー、第２エネルギー算出部２９７から入力される重み付き線形予測残差信号の高
域成分のエネルギー、第３エネルギー算出部２９８から入力される重み付き線形予測残差信号のエネルギー、および相互相関算出部２９９から入力される重み付き線形予測残差信号の高域成分と低域成分との相互相関を用いて、下記の式（３）に従い低域増幅係数βを算出して乗算器３０４に出力する。

式（３）において、ｉはサンプル番号、ｅｘ［ｉ］は高域強調処理前の音源信号（重み付き線形予測残差信号）、ｅｈ［ｉ］はｅｘ［ｉ］の高域成分、ｅｌ［ｉ］はｅｘ［ｉ］の低域成分それぞれを示す（以下同様）。

高域増幅係数算出部３０３は、高域強調係数算出部３０１から入力される高域強調係数Ｒ、第１エネルギー算出部２９６から入力される重み付き線形予測残差信号の低域成分のエネルギー、第２エネルギー算出部２９７から入力される重み付き線形予測残差信号の高域成分のエネルギー、第３エネルギー算出部２９８から入力される重み付き線形予測残差信号のエネルギー、および相互相関算出部２９９から入力される重み付き線形予測残差信号の高域成分と低域成分との相互相関を用いて、下記の式（４）に従い高域増幅係数αを算出して乗算器３０５に出力する。式（４）の詳細については後述する。

乗算器３０４は、ＬＰＦ２９４から入力される重み付き線形予測残差信号の低域成分に、低域増幅係数算出部３０２から入力される低域増幅係数βを乗じて、乗算結果を加算器３０６に出力する。この乗算結果はすなわち、重み付き線形予測残差信号の低域成分を増幅した結果である。

乗算器３０５は、ＨＰＦ２９５から入力される重み付き線形予測残差信号の高域成分に、高域増幅係数算出部３０３から入力される高域増幅係数αを乗じて、乗算結果を加算器３０６に出力する。この乗算結果はすなわち、重み付き線形予測残差信号の高域成分を増幅した結果である。

加算器３０６は、乗算器３０４の乗算結果と乗算器３０５の乗算結果とを加算し、加算結果をＬＰＣ合成フィルタ３０９に出力する。この加算結果すなわち、低域増幅係数βで増幅された低域成分と、高域増幅係数αで増幅された高域成分とを加算した結果であり、重み付き線形予測残差信号に対し高域強調処理を行った結果となる。

第２乗算係数算出部３０７は、重み係数決定部２０２から入力される第２重み係数γ_２を用い、ｊ次の線形予測係数に乗じる係数γ_２ ^ｊを第２乗算係数として算出して第２重み付きＬＰＣ算出部３０８に出力する。ここで、γ_２ ^ｊは、γ_２のｊ乗を求めることにより算出される。

第２重み付きＬＰＣ算出部３０８は、ＬＰＣ復号部２０３から入力されるｊ次のＬＰＣ
に、第２乗算係数算出部３０７から入力される第２乗算係数γ_２ ^ｊを乗じて、乗算結果を第２重み付きＬＰＣとしてＬＰＣ合成フィルタ３０９に出力する。

ＬＰＣ合成フィルタ３０９は、伝達関数がＨｓ（ｚ）＝１／（１＋ａ_ｊ２×ｚ^−ｊ）で表される線形予測フィルタで、加算器３０６から入力される高域強調処理後の重み付け線形予測残差信号に対してフィルタリング処理を行い、ポストフィルタリング後の音声信号を出力する。ここで、ａ_ｊ２は、第２重み付きＬＰＣ算出部３０８から入力されるｊ次の第２重み付きＬＰＣを示す。

図６は、高域強調係数算出部３０１、低域増幅係数算出部３０２、および高域増幅係数算出部３０３において、高域強調係数Ｒ、低域増幅係数β、および高域増幅係数αを算出する手順を示すフロー図である。

まず、高域強調係数算出部３０１は、ＳＮＲ算出部２８２で算出されたＳＮＲが閾値ＡＡ１より大きいか否かを判定し（ＳＴ２０１０）、ＳＮＲが閾値ＡＡ１より大きいと判定された場合（ＳＴ２０１０：「ＹＥＳ」）には、変数Ｋの値を定数ＢＢ１に設定するとともに、変数Ａｔｔの値を定数ＣＣ１に設定する（ＳＴ２０２０）。一方、ＳＮＲが閾値ＡＡ１以下であると判定された場合（ＳＴ２０１０：「ＮＯ」）には、高域強調係数算出部３０１は、ＳＮＲが閾値ＡＡ２より小さいか否かを判定する（ＳＴ２０３０）。ＳＮＲが閾値ＡＡ２より小さいと判定された場合（ＳＴ２０３０：「ＹＥＳ」）には、高域強調係数算出部３０１は、変数Ｋの値を定数ＢＢ２に設定するとともに、変数Ａｔｔの値を定数ＣＣ２設定する（ＳＴ２０４０）。一方、ＳＮＲが閾値ＡＡ２以上であると判定された場合（ＳＴ２０３０：「ＮＯ」）には、高域強調係数算出部３０１は、下記の式（５）および式（６）それぞれに従って変数Ｋおよび変数Ａｔｔの値を設定する（ＳＴ２０５０）。ＡＡ１，ＡＡ２，ＢＢ１，ＢＢ２，ＣＣ１，ＣＣ２の値としては、例えば、ＡＡ１＝７，ＡＡ２＝５，ＢＢ１＝３．０，ＢＢ２＝１．０、ＣＣ１＝０．６２５または０．７、ＣＣ２＝０．１２５または０．２、などが好適である。
Ｋ＝（ＳＮＲ−ＡＡ２）×（ＢＢ１−ＢＢ２）／（ＡＡ１−ＡＡ２）＋ＢＢ２
…（５）Ａｔｔ＝（ＳＮＲ−ＡＡ２）×（ＣＣ１−ＣＣ２）／（ＡＡ１−ＡＡ２）＋ＣＣ２
…（６）

次いで、高域強調係数算出部３０１は、エネルギー比算出部３００で算出されたエネルギー比ＥＲが変数Ｋの値以下であるか否かを判定する（ＳＴ２０６０）。ＳＴ２０６０において、エネルギー比ＥＲが変数Ｋの値以下であると判定された場合（ＳＴ２０６０：「ＹＥＳ」）には、低域増幅係数算出部３０２は、低域増幅係数βを「１」とし、高域増幅係数算出部３０３は、高域増幅係数αを「１」とする（ＳＴ２０７０）。ここで、低域増幅係数βおよび高域増幅係数αを「１」にするということは、ＬＰＦ２９４およびＨＰＦ２９５それぞれで抽出された、重み付き線形予測残差信号の低域成分および高域成分の両方とも増幅しないということである。

一方、ＳＴ２０６０において、エネルギー比ＥＲが変数Ｋの値より大きいと判定された場合（ＳＴ２０６０：「ＮＯ」）には、高域強調係数算出部３０１は、下記の式（７）に従って高域強調係数Ｒを算出する（ＳＴ２０８０）。式（７）の意味するところは、高域強調処理後の音源信号の低域成分と高域成分のレベル比は最低Ｋであり、かつ、高域強調処理前のレベル比に応じて高域強調処理後のレベル比が大きくなるということである。また、高域強調係数算出部３０１の処理から、ＳＮＲが高いほどＡｔｔもＫも大きく、ＳＮＲが低いほどＡｔｔもＫも小さくなる。したがって、ＳＮＲが高い場合はレベル比の最低値Ｋは高くなり、ＳＮＲが低い場合はレベル比の最低値Ｋは低くなる。また、ＳＮＲが高いとＡｔｔが大きくなるので、高域強調処理後のレベル比Ｒも大きくなり、ＳＮＲが低い
とＡｔｔが小さくなるので、高域強調処理後のレベル比Ｒも小さくなる。レベル比が低いほどスペクトルはフラットに近づき、高域が持ち上げられる（すなわち強調される）ことになる。したがって、ＡｔｔもＫも、ＳＮＲが高くなると高域強調の強さが弱くなり、ＳＮＲが低くなると高域強調の強さが強くなるように、高域強調係数を制御するパラメータとして機能する。
Ｒ＝（ＥＲ−Ｋ）×Ａｔｔ＋Ｋ …（７）

次いで、低域増幅係数算出部３０２および高域増幅係数算出部３０３は、それぞれ式（３）および式（４）に従って、低域増幅係数βおよび高域増幅係数αそれぞれを算出する（ＳＴ２０９０）。ここで、式（３）および式（４）は、下記の式（８）および式（９）に示す２つの拘束条件から導かれる式である。これら２つの式が意味するのは、高域強調処理の前後で音源信号のエネルギーが変わらないこと、高域強調処理の後の低域成分と高域成分のエネルギー比がＲになること、の２つである。

式（８）および式（９）において、高域強調処理前の音源信号ｅｘ［ｉ］、高域強調処理後の音源信号ｅｘ’［ｉ］、ｅｘ［ｉ］の高域成分ｅｈ［ｉ］、ｅｘ［ｉ］の低域成分ｅｌ［ｉ］は、下記の式（１０）および式（１１）に示すような関係にある。
ｅｘ［ｉ］＝ｅｈ［ｉ］＋ｅｌ［ｉ］ …（１０）
ｅｘ’［ｉ］＝α×ｅｈ［ｉ］＋β×ｅｌ［ｉ］ …（１１）

従って、式（８）および式（９）は、下記の式（１２）および式（１３）と等価となり、これらの式から式（３）および式（４）が得られる。

図７は、ポストフィルタ２０９におけるポストフィルタリング処理の主な手順を示すフロー図である。

ＳＴ３０１０において、ＬＰＣ逆フィルタ２９３は、ＬＰＣ合成フィルタ２０５から入力される復号音声信号に対しＬＰＣ合成フィルタリング処理を行って重み付き線形予測残差信号を得る。

ＳＴ３０２０において、ＬＰＦ２９４は、重み付け線形予測残差信号の低域成分を抽出する。

ＳＴ３０３０において、ＨＰＦ２９５は、重み付け線形予測残差信号の高域成分を抽出する。

ＳＴ３０４０において、第１エネルギー算出部２９６、第２エネルギー算出部２９７、第３エネルギー算出部２９８、および相互相関算出部２９９それぞれは、重み付き線形予測残差信号の低域成分のエネルギー、重み付き線形予測残差信号の高域成分のエネルギー、重み付き線形予測残差信号のエネルギー、および重み付き線形予測残差信号の低域成分と高域成分との相互相関をそれぞれ算出する。

ＳＴ３０５０において、エネルギー比算出部３００は、重み付き線形予測残差信号の低域成分と高域成分とのエネルギー比ＥＲを算出する。

ＳＴ３０６０において、高域強調係数算出部３０１は、ＳＮＲ算出部２０８で算出されたＳＮＲ、およびエネルギー比算出部３００で算出されたエネルギー比ＥＲを用いて、高域強調係数Ｒを算出する。

ＳＴ３０７０において、加算器３０６は、乗算器３０４で増幅された低域成分と、乗算器３０５で増幅された高域成分とを加算して、高域強調された重み付き線形予測残差信号を得る。

ＳＴ３０８０において、ＬＰＣ合成フィルタ３０９は、高域強調された重み付き線形予測残差信号に対しＬＰＣ合成フィルタリング処理を行って、ポストフィルタリング後の音声信号を得る。

なお、図７に示すポストフィルタリング処理の手順において、例えばＳＴ３０２０およびＳＴ３０３０のように、処理の順序が入れ替え可能であったり、並行して処理可能であったりするような場合には、そのようにポストフィルタリング処理の手順を変更することも可能である。

このように、本実施の形態によれば、音声復号装置は、復号音声信号のＳＮＲに基づき、重み付き線形予測残差信号の高域強調処理用の係数を算出してポストフィルタリング処理を行うため、背景雑音レベルの大きさに応じて高域強調の度合いを調整することができる。

なお、本実施の形態では、重み係数決定部２０２は、ビットレート情報に応じて、ポストフィルタリング処理用の第１重み係数γ１および第２重み係数γ２を算出する場合を例にとって説明した。しかし、、本発明はこれに限定されず、例えば、スケーラブル符号化では、音声符号化装置から送信される符号化データにいくつのレイヤまでの符号化データが含まれているかを示すレイヤ情報など、ビットレート情報に類する情報をビットレート情報の代わりに用いてもよい。また、ビットレート情報やこれに類する情報は、分離部２０１に入力される符号化データに多重化されていても良く、または分離部２０１に別途入力されても良く、または分離部２０１の内部で決定および生成されてもよい。さらには、ビットレート情報やこれに類する情報が分離部２０１から出力されず、重み係数決定部２０２が存在しない構成も可能である。この場合、重み係数は予め定められた固定値となる。

また、本実施の形態では、パワー算出部２０６は、復号音声信号のパワーを算出する場合を例にとって説明した。しかし、本発明はこれに限定されず、パワー算出部２０６は、復号音声信号のエネルギーを算出してもよい。エネルギーとするには、サンプルあたりの平均値をとらなければよい。また、パワーは１０ｌｏｇ_１０Ｘで算出したが、ｌｏｇ_１０
Ｘとして閾値等を設計しなおしてもよいし、対数をとらない線形領域で設計することも可能である。

また、本実施の形態では、モード判定部２０７が復号音声信号のモードを判定する場合を例にとって説明した。しかし、音声符号化装置が入力音声信号の特徴を分析してモード情報を符号化し、音声復号装置に伝送してもよい。

また、本実施の形態において、本実施の形態に係る音声復号装置は、本実施の形態に係る音声符号化装置が送信した音声符号化データを受信して処理を行う場合を例にとって説明した。しかし、本発明はこれに限定されず、本実施の形態に係る音声復号装置が受信して処理する音声符号化データは、この音声復号装置が処理可能である音声符号化データを生成可能な音声符号化装置が送信したものであればよい。

以上、本発明の実施の形態について説明した。

本発明に係る音声復号装置は、移動体通信システムにおける通信端末装置および基地局装置に搭載することが可能であり、これにより上記と同様の作用効果を有する通信端末装置、基地局装置、および移動体通信システムを提供することができる。

なお、ここでは、本発明をハードウェアで構成する場合を例にとって説明したが、本発明をソフトウェアで実現することも可能である。例えば、本発明に係る音声復号方法のアルゴリズムをプログラミング言語によって記述し、このプログラムをメモリに記憶しておいて情報処理手段によって実行させることにより、本発明に係る音声復号装置と同様の機能を実現することができる。

また、上記各実施の形態の説明に用いた各機能ブロックは、典型的には集積回路であるＬＳＩとして実現される。これらは個別に１チップ化されてもよいし、一部または全てを含むように１チップ化されてもよい。

また、ここではＬＳＩとしたが、集積度の違いによって、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩ等と呼称されることもある。

また、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラム化することが可能なＦＰＧＡ（Field Programmable Gate Array）や、ＬＳＩ内部の回路セルの接続もしくは設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。

さらに、半導体技術の進歩または派生する別技術により、ＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適用等が可能性としてあり得る。

２００７年３月２日出願の特願２００７−０５３５３１の日本出願に含まれる明細書、図面および要約書の開示内容は、すべて本願に援用される。

本発明に係る音声復号装置および音声復号方法は、音声コーデックにおける量子化雑音をシェイピングする等の用途に適用することができる。

本発明の一実施の形態に係る音声符号化装置の主要な構成を示すブロック図本発明の一実施の形態に係る音声復号装置の主要な構成を示すブロック図本発明の一実施の形態に係るＳＮＲ算出部の内部の構成を示すブロック図本発明の一実施の形態に係るＳＮＲ算出部において復号音声信号のＳＮＲを算出する手順を示すフロー図本発明の一実施の形態に係るポストフィルタの内部の構成を示すブロック図本発明の一実施の形態に係る高域強調係数、低域増幅係数、および高域増幅係数を算出する手順を示すフロー図本発明の一実施の形態に係るポストフィルタにおけるポストフィルタリング処理の主な手順を示すフロー図

Claims

音声信号を符号化して得られた符号化データを復号して復号音声信号を得る音声復号手段と、
前記復号音声信号のモードが定常雑音区間であるか否かを一定時間毎に判定するモード判定手段と、
前記復号音声信号のパワーを算出するパワー算出手段と、
前記モード判定手段におけるモード判定結果と、前記復号音声信号のパワーとを用いて復号音声信号のＳＮＲ（Signal to Noise Ratio）を算出するＳＮＲ算出手段と、
前記ＳＮＲを用いて音源信号の高域強調処理を含むポストフィルタリング処理を行うポストフィルタリング手段と、
を具備し、
前記ポストフィルタリング手段は、
前記復号音声信号に対しＬＰＣ逆フィルタリング処理を行い線形予測残差信号を得るＬＰＣ逆フィルタリング手段と、
前記ＳＮＲを用いて高域強調係数を算出する高域強調係数算出手段と、
前記高域強調係数を用いて低域増幅係数と、高域増幅係数とを算出する増幅係数算出手段と、
前記低域増幅係数を用いて線形予測残差信号の低域成分を増幅して得られる低域増幅信号と、前記高域増幅係数を用いて線形予測残差信号の高域成分を増幅して得られる高域増幅信号とを加算し、高域強調後の線形予測残差信号を得る高域強調処理手段と、
前記高域強調後の線形予測残差信号に対しＬＰＣ合成フィルタリング処理を行うＬＰＣ合成フィルタリング手段と、を具備する、
音声復号装置。
音声信号を符号化して得られた符号化データを復号して復号音声信号を得るステップと、
前記復号音声信号のモードが定常雑音区間であるか否かを一定時間毎に判定するステップと、
前記復号音声信号のパワーを算出するステップと、
前記モードを判定するステップにおけるモード判定結果と、前記復号音声信号のパワーとを用いて復号音声信号のＳＮＲを算出するステップと、
前記ＳＮＲを用いて音源信号の高域強調処理を含むポストフィルタリング処理を行うステップと、
を具備し、
前記ポストフィルタリング処理を行うステップは、
前記復号音声信号に対しＬＰＣ逆フィルタリング処理を行い線形予測残差信号を得るステップと、
前記ＳＮＲを用いて高域強調係数を算出するステップと、
前記高域強調係数を用いて低域増幅係数と、高域増幅係数とを算出するステップと、
前記低域増幅係数を用いて線形予測残差信号の低域成分を増幅して得られる低域増幅信号と、前記高域増幅係数を用いて線形予測残差信号の高域成分を増幅して得られる高域増幅信号とを加算し、高域強調後の線形予測残差信号を得るステップと、
前記高域強調後の線形予測残差信号に対しＬＰＣ合成フィルタリング処理を行うステップと、を具備する、
音声復号方法。