JP5211437B2 - 音声処理装置およびプログラム - Google Patents

Description

本発明は、音声の特性を変化させる技術に関する。

音声に種々の特性を付与する技術が従来から提案されている。例えば特許文献１には、気息性（ブレスネス）が付与された音声を生成する技術が開示されている。同文献の構成においては、ＳＭＳ（Spectral Modeling Synthesis）技術によって音声を調和成分と非調和成分とに区分し、非調和成分の強度を増加したうえで調和成分と合成することで、気息性が付与された音声を生成する。
特開２００５−１８０９７号公報

しかしながら、調和成分と非調和成分とを適切に合成して自然な音声を生成することは困難であり、非調和成分と調和成分とが聴覚上で別個の音声と知覚される不自然な音声となる場合が実際には多い。また、調和成分と非調和成分とが厳密に区分されず非調和成分に調和成分が混在する場合がある。気息性の付与のために非調和成分を増加するとこれに混在する調和成分も増加するから（すなわち非調和成分の増減が気息性の大小に対応しない）、気息性を所期の特性に調整することは困難である。以上の事情に鑑みて、本発明は、所期の気息性が付与された自然な音声を生成するという課題の解決を目的としている。

以上の課題を解決するために、本発明に係る音声処理装置は、音声の周波数スペクトルを特定する周波数分析手段と、周波数分析手段が特定した周波数スペクトルのうち基本周波数または倍音周波数に対応した複数の局所的ピークのスペクトル強度（振幅）と局所的ピーク以外の帯域のスペクトル強度との差異が減少するように各局所的ピークのスペクトル強度を低下させる調整処理を実行するスペクトル処理手段と、前記スペクトル処理手段による調整処理後の音量を増加させる音量調整手段と、周波数分析手段が特定した周波数スペクトルの局所的ピークごとにスペクトル強度の低下量が相違するように各周波数におけるスペクトル強度の低下量を指定する第１係数列を生成する第１設定手段とを具備し、スペクトル処理手段は、第１設定手段が生成した第１係数列に応じた調整処理を実行し、第１設定手段は、音声の包絡線のスペクトル強度が高い周波数ほどスペクトル強度の低下量が大きくなるように第１係数列を生成する。

以上の構成においては、音声の周波数スペクトルのうち局所的ピークにおけるスペクトル強度を抑制することで音声に気息性が付加されるから、音声を調和成分と非調和成分とに区別する必要はない。したがって、気息音と元来の音声とが適切に混合した自然な音声を生成することが可能である。また、スペクトル処理手段による調整処理で周波数スペクトルの全体的なスペクトル強度（音量）は低下するが、以上のように音量調整手段を具備する構成によれば、調整処理後の音量を充分に確保することが可能である。また、気息音の比率が周波数に応じて相違するという人間の発声の特性を忠実に再現した自然な音声を生成できるという利点もある。特に、音声が共振する声道（口腔）内の周端数特性を忠実に反映した気息音を付加することが可能である。

本発明の好適な態様において、周波数分析手段が特定した周波数スペクトルのうち各局所的ピークに近い周波数ほどスペクトル強度の低下量が大きくなるように各周波数におけるスペクトル強度の低下量を指定する基準係数列（例えば図１の基準係数列Ｇ0）を生成する基準設定手段を具備し、スペクトル処理手段は、基準設定手段が生成した基準係数列に応じた調整処理を実行する。この態様によれば、基準係数列の各係数を選定することで気息性の程度を適宜に調整することができる。

さらに好適な態様において、基準設定手段は、所定の周波数帯域内の各周波数におけるスペクトル強度の低下量を指定する単位係数列（例えば図５の単位係数列Ｕ）を、周波数分析手段が特定した周波数スペクトルを局所的ピークごとに区分した複数のスペクトル分布領域の各々の基準係数列として共通に適用する。この態様によれば、周波数帯域の全体にわたって基準係数列が個別に設定される構成（例えば周波数帯域の全体にわたる基準係数列が記憶装置に予め格納された構成）と比較して、基準係数列の設定に要する記憶容量や回路規模が低減されるという利点がある。

他の態様において、第１設定手段は、複数の周波数帯域の各々においてスペクトル強度の低下量が相違するように第１係数列を生成する。例えば、第１周波数帯域とこれよりも高周波数側の第２周波数帯域とを含む複数の周波数帯域に周波数領域を区分した場合を想定すると、第１設定手段は、第１周波数帯域内のスペクトル強度の低下量が第２周波数帯域内のスペクトル強度の低下量よりも大きくなるように第１係数列を生成する。さらに好適には、第１周波数帯域および第２周波数帯域の各々においても、低周波数側ほどスペクトル強度の低下量が大きくなるように第１係数列が生成される。

本発明の好適な態様において、周波数分析手段が特定した周波数スペクトルのスペクトル強度の低下量を指定する第２係数（例えば図１の係数ｋ2）を生成するとともに当該第２係数を時間の経過とともに変化させる第２設定手段（例えば図１の係数設定部３４２）を具備し、スペクトル処理手段は、第２設定手段が生成した第２係数に応じた調整処理を実行する。この態様によれば、周波数スペクトルのスペクトル強度の低下量が変化するから、気息性の程度が経時的に変化する多様な音声を生成することができる。例えば、発音の開始から時間が経過するほどスペクトル強度の低下量が増加するように第２係数を変化させた場合には、気息性が次第に増加する音声が生成される。

さらに好適な態様に係る音声処理装置は、調整処理によるスペクトル強度の低下量について所定の周波数帯域にわたる平均値を算定する平均算定手段を具備し、音量調整手段は、平均算定手段が算定した平均値に応じて音量を増加させる。この態様によれば、調整処理後の音量を元来の音声と同等の音量に調整することが可能となる。なお、音量調整手段が平均値に応じて音量を増加させる方法は任意であるが、例えば平均算定手段が算定した平均値を調整処理後の周波数スペクトルのスペクトル強度に加算する構成を採用することができる。

本発明に係る音声処理装置は、音声処理に専用される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、音声の周波数スペクトルを特定する周波数分析処理と、周波数分析処理で特定した周波数スペクトルのうち基本周波数または倍音周波数に対応した複数の局所的ピークのスペクトル強度と局所的ピーク以外の帯域のスペクトル強度との差異が減少するように各局所的ピークのスペクトル強度を低下させる調整処理と、調整処理後の音量を増加させる音量調整処理と、周波数分析処理で特定した周波数スペクトルの局所的ピークごとにスペクトル強度の低下量が相違するように各周波数におけるスペクトル強度の低下量を指定する第１係数列を生成する第１設定処理とをコンピュータに実行させるプログラムであって、調整処理は、第１設定処理で生成した第１係数列に応じた処理であり、第１設定処理では、音声の包絡線のスペクトル強度が高い周波数ほどスペクトル強度の低下量が大きくなるように第１係数列を生成する。このプログラムによっても、本発明に係る音声処理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、ＣＤ−ＲＯＭなど可搬型の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、ネットワークを介した配信の形態でサーバ装置から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を参照して、本発明の第１実施形態に係る音声処理装置の構成および動作を説明する。同図に示される音声処理装置Ｄの各部は、例えばＣＰＵなどの演算処理装置がプログラムを実行することで実現されてもよいし、音声処理に専用されるＤＳＰなどのハードウェアによって実現されてもよい。

図１に示すように、音声処理装置Ｄには音声信号Ｓinが供給される。音声信号Ｓinは、音声処理装置Ｄによる処理の対象となる音声の時間軸上における波形を示す電気信号である。本実施形態の音声信号Ｓinは音声合成技術で生成された音声（例えば歌唱音）に対応したデジタル信号である。例えば、特定の音声の周波数スペクトルを所定の周波数帯域ごとに区分して保持し、各周波数帯域の周波数スペクトルを所望のピッチに応じて周波数軸上で移動させたうえで時間領域の信号に変換することで音声信号Ｓinが生成される。以上の音声合成技術は例えば特開2003-255998号公報に詳述されている。

図１のフレーム分割部１０は、音声信号Ｓinを所定の時間長（例えば５ms〜10ms）の複数のフレームに分割する。これらのフレームは時間軸上で相互に重なり合うように設定される。各フレームは簡易的には固定の時間長とされるが、例えば音声信号Ｓinのピッチに応じて各フレームの時間長を変化させる構成も採用される。

図１に示すように、音声処理装置Ｄは複数の処理ユニット２０を具備する。音声信号Ｓinはフレームごとに別個の処理ユニット２０に供給されて各処理ユニット２０で並列に処理される。ひとつの処理ユニット２０は、周波数分析部２２とスペクトル処理部２４と音量調整部２６とを含む。周波数分析部２２は、フレーム分割部１０から供給されるひとつのフレームの音声信号Ｓinに対してＦＦＴ（Fast Fourier Transform）処理を含む周波数分析を実行して音声の周波数スペクトル（振幅スペクトル）ＳＰ0を特定する。図２の部分(a)に示すように、周波数スペクトルＳＰ0には、基音に対応した周波数（以下「基本周波数」という）Ｆ0と各倍音に対応した周波数（以下「倍音周波数」という）Ｆ1，Ｆ2，……の各々とにおいてスペクトル強度の局所的なピーク（以下では単に「局所的ピーク」という）Ｐが現れる。

図１のスペクトル処理部２４は、周波数スペクトルＳＰ0が示す音声の気息性を増加させるための処理（以下「調整処理」という）を実行する手段である。図２の部分(b)には、スペクトル処理部２４による調整処理後の周波数スペクトルＳＰ1が図示されている。同図に示すように、調整処理は、周波数スペクトルＳＰ0の各局所的ピークＰのスペクトル強度と局所的ピークＰ以外の周波数帯域のスペクトル強度との差異が減少するように各局所的ピークＰのスペクトル強度を低下させる処理である。各局所的ピークＰのスペクトル強度を低下させると、音声のうち局所的ピークＰ以外の成分の割合が相対的に増加する。気息音の成分は基本的に局所的ピークＰ以外の周波数帯域に含まれるから、調整処理後の音声（周波数スペクトルＳＰ1）は、基音や各倍音と比較して気息音の成分を相対的に豊富に含む音声（気息性の音声）となる。

周波数スペクトルＳＰ0の各周波数におけるスペクトル強度の低下量は係数列Ｇによって指定される。図１の設定部３０は係数列Ｇを生成する手段である。係数列Ｇは、各々が別個の周波数に対応した多数の係数ｋを含む。周波数ｆに対応した係数ｋ（以下では特にｋ[f]と表記する場合がある）は、周波数スペクトルＳＰ0のうち周波数ｆにおけるスペクトル強度の低下量を指定する０以上かつ１以下の数値である。本実施形態のスペクトル処理部２４は、周波数スペクトルＳＰ0と係数列Ｇの各係数ｋとの乗算によって周波数スペクトルＳＰ1を生成する。すなわち、図３に示すように、周波数スペクトルＳＰ1は、周波数スペクトルＳＰ0の周波数ｆにおけるスペクトル強度Ｉ0と係数列Ｇのうち周波数ｆに対応した係数ｋ[f]との乗算値が周波数ｆでのスペクトル強度Ｉ1（＝Ｉ0×ｋ[f]）とされたスペクトルである。なお、設定部３０の構成や係数列Ｇの設定の方法については後述する。

図１の音量調整部２６は、スペクトル処理部２４による調整処理後の音声の音量を増加させる手段である。図２の部分(c)には、音量調整部２６による処理後の周波数スペクトルＳＰ2が図示されている。同図に示すように、音量調整部２６は、スペクトル処理部２４が生成した周波数スペクトルＳＰ1のスペクトル強度（音量）を周波数帯域の全体にわたって変化量Ａだけ増加させることで周波数スペクトルＳＰ2を生成する。

図１の平均算定部４０は、設定部３０が生成した係数列Ｇに基づいて変化量Ａを設定する手段である。本実施形態の平均算定部４０は、係数列Ｇに含まれる複数の係数ｋの平均値（すなわち周波数スペクトルＳＰ0のスペクトル強度の低下量の平均値）を変化量Ａとして算定する。したがって、周波数スペクトルＳＰ0のスペクトル強度が調整処理で抑制されるほど変化量Ａは増加する。各局所的ピークＰを抑制する調整処理で周波数スペクトルＳＰ1の音量は減少するが、音量調整部２６による変化量Ａの加算によって周波数スペクトルＳＰ2の音声は元来の音声（音声信号Ｓin）と同等の音量に調整される。

図１のフレーム合成部５０は、複数の処理ユニット２０の各々がフレームごとに生成した周波数スペクトルＳＰ2を合成して時間領域の音声信号Ｓoutを生成する手段である。さらに詳述すると、フレーム合成部５０は、各処理ユニット２０の音量調整部２６が出力した各フレームの周波数スペクトルＳＰ2を逆ＦＦＴ処理によって時間領域の信号に変換したうえで各々に時間窓関数を乗算し、相前後するフレームの信号を補間処理によって滑らかに接続することで音声信号Ｓoutを生成する。フレーム合成部５０から出力された音声信号Ｓoutは放音機器（例えばスピーカやヘッドホン）に供給されて音波として出力される。

次に、設定部３０の具体的な構成および動作を説明する。
図１に示すように、設定部３０は、基準設定部３２と係数設定部３４１および３４２と乗算器３６１および３６２とを含む。基準設定部３２は基準係数列Ｇ0を生成する。基準係数列Ｇ0は、各々が別個の周波数ｆに対応した多数の係数ｋ0の集合である。係数ｋ0は、周波数スペクトルＳＰ0のうち当該係数ｋ0に対応した周波数ｆにおけるスペクトル強度の低下量を指定する数値である。

図４は、基準係数列Ｇ0と周波数スペクトルＳＰ0との関係を示す模式図である。基準係数列Ｇ0に属する各係数ｋ0（図４では一部のみが図示されている）は、最小値0.1から最大値1.0までの範囲内で、局所的ピークＰの中心周波数Ｆ（基本周波数Ｆ0および倍音周波数Ｆ1，Ｆ2，……）に近い周波数ほど小さい数値となる。係数ｋ0が小さいほど周波数スペクトルＳＰ0のスペクトル強度の低下量は増加する（より抑制される）。すなわち、基準係数列Ｇ0の各係数ｋ0は、周波数スペクトルＳＰ0のうち局所的ピークＰの中心周波数Ｆに近い周波数ほどスペクトル強度の低下量が大きくなるように選定される。したがって、基準係数列Ｇ0が係数列Ｇとして各スペクトル処理部２４に出力されて調整処理に適用されると仮定すれば、図４に示すように各局所的ピークＰのスペクトル強度が他の帯域のスペクトル強度と比較して抑制された周波数スペクトルＳＰ1が生成される。

本実施形態においては、図４に示すように、周波数スペクトルＳＰ0を区分した複数の帯域（以下「スペクトル分布領域」という）Ｒについて同じ係数列（以下「単位係数列」という）Ｕが基準係数列Ｇ0として共通に適用される。スペクトル分布領域Ｒは、周波数スペクトルＳＰ0のうちひとつの局所的ピークＰとその前後の帯域とを含む領域である。例えば、周波数軸上で相隣接する２個の局所的ピークＰの中点を境界として各スペクトル分布領域Ｒが画定される。

図５は、単位係数列Ｕと周波数との関係を示す模式図である。同図に示すように、単位係数列Ｕに属する各係数は、特定の周波数Ｆcにて最小値0.1となり、周波数Ｆcから離間した帯域で最大値1.0となるように周波数軸に沿って段階的または連続的に変化する。設定部３０は、図５の単位係数列Ｕを記憶するメモリ（図示略）を具備する。基準設定部３２は、周波数スペクトルＳＰ0を構成する複数のスペクトル分布領域Ｒの各々に共通の単位係数列Ｕを繰返し対応させ、図４に示したように、単位係数列Ｕの周波数Ｆcと各スペクトル分布領域Ｒに属する局所的ピークＰの中心周波数Ｆ（Ｆ1，Ｆ2，……）とが合致したときの単位係数列Ｕの各係数を基準係数列Ｇ0として出力する。このように共通の単位係数列Ｕが複数のスペクトル分布領域Ｒの係数ｋ0として流用される構成によれば、周波数帯域の全体にわたって係数ｋ0が個別に適用される構成と比較して、基準係数列Ｇ0の設定に必要な回路規模（特に記憶容量）や処理能力が低減されるという利点がある。

以上の手順で設定された基準係数列Ｇ0の各係数ｋ0は、図４に示すように各局所的ピークＰの中心周波数Ｆで同値となる。しかしながら、実際に人間が発声した気息性の音声において各局所的ピークＰのスペクトル強度が抑制される程度は周波数に応じて相違する。そこで、図１の係数設定部３４１は、周波数スペクトルＳＰ0の局所的ピークＰごとにスペクトル強度の低下量が相違するように各周波数におけるスペクトル強度の低下量を指定する係数列Ｇ1を生成する。係数列Ｇ1は、基準係数列Ｇ0と同様に、各々が別個の周波数ｆに対応した複数の係数ｋ1を含む。図６は、係数列Ｇ1に属する各係数ｋ1と周波数との関係を示す模式図である。同図に示すように、基本周波数Ｆ0を含む周波数帯域Ｂ1と倍音周波数Ｆ2・Ｆ3を含む周波数帯域Ｂ2と倍音周波数Ｆ4〜Ｆ6を含む周波数帯域Ｂ3とで係数ｋ1は個別に設定されて相互に異なる数値となる。

ところで、音声のスペクトル強度は低周波数側の局所的ピークＰほど高いから、充分に気息性に富んだ音声を生成するためには、低周波数側の局所的ピークＰのスペクトル強度ほど充分に抑制する必要がある。そこで、本実施形態においては、低周波数側の局所的ピークＰほどスペクトル強度の低下量が大きくなるように係数列Ｇ1の各係数ｋ1が生成される。すなわち、図６に示すように、係数列Ｇ1のうち周波数帯域Ｂ2に対応する各係数ｋ1は高周波数側の周波数帯域Ｂ3に対応する各係数ｋ1よりも小さい数値に設定され、周波数帯域Ｂ1に対応する各係数ｋ1は周波数帯域Ｂ2に対応する各係数ｋ1よりも小さい数値に設定される。さらに、周波数帯域Ｂ1〜Ｂ3の各々においても、低周波数側ほど小さい数値となるように各係数ｋ1が設定される。

次に、図１の係数設定部３４２は、周波数スペクトルＳＰ0のスペクトル強度の低下量を指定する係数ｋ2を時間の経過とともに変化させる手段である。係数設定部３４２にはＭＩＤＩ（Musical Instrument Digital Interface）規格に準拠した形式のデータ（以下「ＭＩＤＩデータ」という）が外部から供給される。図７に示すように、ＭＩＤＩデータは、係数ｋ2を指定するイベントデータと各イベントデータの時間的な間隔ΔＴを指定するタイミングデータとがシーケンシャルに配列されたデータ列である。係数ｋ2は、０以上かつ１以下の範囲内で変動する。係数設定部３４２は、イベントデータが示す係数ｋ2を、その直後のタイミングデータによって指定されるタイミングで乗算器３６２に出力する。

図１の乗算器３６１は、基準設定部３２が出力する各係数ｋ0（基準係数列Ｇ0）と係数設定部３４１が出力する各係数ｋ1（係数列Ｇ1）とを周波数ｆごとに乗算して出力する。乗算器３６２は、乗算器３６１による各乗算値と係数設定部３４２が出力する係数ｋ2とを乗算して係数列Ｇの各係数ｋを算定する。したがって、係数列Ｇのうち周波数ｆに対応した係数ｋ[f]（周波数スペクトルＳＰ0のうち周波数ｆにおけるスペクトル強度の低下量を指定する数値）は以下の式(1)で表現される。
ｋ[f]＝ｋ0[f]×ｋ1[f]×ｋ2 ……(1)
なお、「ｋ0[f]」は、基準係数列Ｇ0のうち周波数ｆに対応した係数ｋ0であり、「ｋ1[f]」は、係数列Ｇ1のうち周波数ｆに対応した係数ｋ1である。係数ｋ2は周波数帯域の全体にわたって共通の数値となる。

以上に説明したように、本実施形態によれば、音声信号Ｓinの音声に含まれる局所的ピークＰの抑制によって音声に気息性が付加されるから、音声信号Ｓinを調和成分と非調和成分とに区別する必要はない。したがって、特許文献１の構成と比較して、所期の特性の気息性が付与された自然な音声を生成することが可能である。

また、局所的ピークＰにおけるスペクトル強度の低下量が係数列Ｇ1に応じて周波数ごとに個別に設定されるから、人間の肉声の特性に近い自然な気息性が付与された音声を生成することができる。さらに、気息性の程度が係数ｋ2に応じて経時的に変動するから、人間の肉声に近い自然な気息性を付与できることはもちろん、ＭＩＤＩデータを適宜に生成することで多様な表現を実現することも可能である。例えば、経時的に係数ｋ2が増加するようにＭＩＤＩデータを作成すれば、発声の開始から時間が経過するほど気息性が増加する自然な音声が生成される。

＜Ｂ：第２実施形態＞
次に、本発明の第２実施形態について説明する。本実施形態の音声処理装置Ｄは係数列Ｇ1の選定の方法を除いて第１実施形態と共通するから、以下では係数列Ｇ1の選定を中心に説明して他の各部の構成や動作の説明は適宜に省略する。

人間の音声は声帯の振動と声道（口腔）での共振とによって発生し、音声の気息性の程度は声道における共振の特性に影響される。このような現象を再現するために、本実施形態の係数設定部３４１は、音声の共振の特性（すなわち特定の発声者の声道の特性）に応じて係数列Ｇ1の各係数ｋ1を設定する。

図８の部分(a)は、予め選定されたひとつの処理ユニット２０の周波数分析部２２が生成した周波数スペクトルＳＰ0の包絡線ENVである。包絡線ENVは、音声の共振成分の周波数特性を示すスペクトルに相当する。同図に示すように、音声の周波数スペクトルＳＰ0には声道での共振の特性に応じた複数のフォルマントＭが現れる。包絡線ENVのスペクトル強度は低周波数側のフォルマントＭほど高い。

図８の部分(b)は、係数設定部３４１が生成する係数列Ｇ1の各係数ｋ1と周波数との関係を示すグラフである。同図に示すように、係数設定部３４１は、ひとつの処理ユニット２０の周波数分析部２２が生成した周波数スペクトルＳＰ0においてフォルマントＭ（包絡線ENV）のスペクトル強度が高い周波数ほど係数ｋ1が小さくなるように係数列Ｇ1を生成する。すなわち、係数列Ｇ1の各係数ｋ1は、包絡線ENVのスペクトル強度がゼロとなる周波数にて最大値1.0となり、各フォルマントＭの中心周波数（フォルマント周波数）にて極小値となる。また、包絡線ENVのスペクトル強度は低周波数側ほど高いから、低周波数側のフォルマントＭに対応した係数ｋ1ほど小さい数値となる。

係数設定部３４１が生成した各係数ｋ1は第１実施形態と同様に乗算器３６１にて基準係数列Ｇ0の各係数ｋ0と乗算される。したがって、スペクトル処理部２４が生成する周波数スペクトルＳＰ1は、図８の部分(a)におけるフォルマントＭのスペクトル強度が高い周波数ほど周波数スペクトルＳＰ0のスペクトル強度を抑制した形状となる。したがって、本実施形態によれば、声道における共振の特性が気息性に影響するという現象を忠実に反映して自然な音声を生成することが可能である。

＜Ｃ：変形例＞
以上の各形態には様々な変形を加えることができる。具体的な変形の態様を例示すれば以下の通りである。なお、以下の各態様を適宜に組み合わせてもよい。

（１）変形例１
以上の各形態においては、周波数スペクトルＳＰ0のうち局所的ピークＰの中心周波数Ｆにおけるスペクトル強度がその両側の帯域よりも低下するように（すなわち局所的ピークＰの頂上部が窪んだ形状となるように）係数列Ｇが選定される場合を例示したが、調整処理後の局所的ピークＰの形状は適宜に変更される。例えば図９の部分(a)に示すように、局所的ピークＰの頂上部が平坦な形状となるように係数列Ｇが選定された構成や、図９の部分(b)に示すように、局所的ピークＰの頂上部のスペクトル強度がその両側の帯域よりも高くなるように係数列Ｇが選定された構成も採用される。

また、以上の各形態においては周波数スペクトルＳＰ0と各係数ｋとの乗算によって周波数スペクトルＳＰ1を生成する構成を例示したが、周波数スペクトルＳＰ1を生成するための演算の内容はこれに限定されない。例えば、周波数スペクトルＳＰ0のスペクトル強度から係数列Ｇの各係数ｋを減算することで周波数スペクトルＳＰ1を生成してもよい。以上のように、周波数スペクトルＳＰ0の局所的ピークＰのスペクトル強度と局所的ピークＰ以外の帯域のスペクトル強度との差異が減少するように各局所的ピークＰのスペクトル強度が低下すればよく、調整処理で実行される演算の具体的な内容は適宜に変更される。

（２）変形例２
以上の各形態においては、係数ｋ0〜ｋ2の乗算値が係数ｋとして各スペクトル処理部２４に供給される構成を例示したが、例えば図１０に示すように、係数ｋ0〜ｋ2の各々がスペクトル処理部２４に対して直接的に供給される構成も採用される。図１０のスペクトル処理部２４は、周波数スペクトルＳＰ0と係数ｋ0〜ｋ2の各々とを順次に乗算して周波数スペクトルＳＰ1を生成する。以上の構成によっても各形態と同様の効果が奏される。

（３）変形例３
第２実施形態においては、ひとつの周波数分析部２２が生成した周波数スペクトルＳＰ0に応じた係数列Ｇ1（係数ｋ1）を各スペクトル処理部２４における調整処理に適用する構成を例示したが、図１１に示すように、各周波数分析部２２の周波数スペクトルＳＰ0に基づいて処理ユニット２０ごとに個別の係数列Ｇ1を生成する構成も採用される。

図１１の構成においては、係数設定部３４１と乗算器３６２とが設定部３０から省略される。乗算器３６１は、基準係数列Ｇ0の各係数ｋ0と係数ｋ2との乗算値を含む係数列Ｇ'を出力する。各処理ユニット２０にはフォルマント特定部２８と係数設定部３４１と乗算器３６２とが配置される。フォルマント特定部２８は、同じ処理ユニット２０に属する周波数分析部２２が生成した周波数スペクトルＳＰ0から図８の部分(a)に例示したフォルマントＭ（周波数スペクトルＳＰ0の包絡線ENV）を検出する手段である。係数設定部３４１は、フォルマント特定部２８が特定したフォルマントＭに基づいて、図８の部分(b)を参照した手順で係数列Ｇ1の各係数ｋ1を決定する。乗算器３６２は、設定部３０から出力された係数列Ｇ'の各係数と係数設定部３４１が生成した係数列Ｇ1の各係数ｋ1とを周波数ｆごとに乗算してスペクトル処理部２４に出力する。スペクトル処理部２４による調整処理は以上の各形態と同様である。図１１の構成によれば、各フレームの音声信号ＳinのフォルマントＭに応じて当該フレームの周波数スペクトルＳＰ0のスペクトル強度が調整されるから、音声信号Ｓinの特性を忠実に反映した気息性を音声に付与することが可能となる。

（４）変形例４
音声処理装置Ｄに入力される音声信号Ｓinは音声合成技術で生成された電気信号に限定されない。例えば、マイクロホンなどの収音機器で取得した音声のデジタル信号を音声信号Ｓinとして音声処理装置Ｄに入力してもよい。さらに、ＣＤ−ＲＯＭなどの記憶媒体に記憶されたデータを音声信号Ｓinとして音声処理装置Ｄに入力する構成も採用される。

音声処理装置の構成を示すブロック図である。 音声処理装置による処理の流れを説明するための概念図である。 スペクトル処理部による調整処理を説明するための概念図である。 基準係数列Ｇと周波数スペクトルとの関係を示す概念図である。 単位係数列Ｕの内容を説明するための概念図である。 係数列Ｇ1に属する各係数ｋ1と周波数との関係を示すグラフである。 ＭＩＤＩデータの内容を示す概念図である。 第２実施形態に係る係数列Ｇ1の各係数ｋ1について説明するための概念図である。 調整処理の変形例を説明する概念図である。 変形例に係る処理ユニットの構成を示すブロック図である。 変形例に係る処理ユニットおよび設定部の構成を示すブロック図である。

符号の説明

Ｄ……音声処理装置、１０……フレーム分割部、２０……処理ユニット、２２……周波数分析部、２４……スペクトル処理部、２６……音量調整部、３０……設定部、３２……基準設定部、３４１，３４２……係数設定部、３６１，３６２……乗算器、４０……平均算定部、５０……フレーム合成部、Ｓin，Ｓout……音声信号、ＳＰ0，ＳＰ1，ＳＰ2……周波数スペクトル、Ｐ……局所的ピーク、Ｇ0……基準係数列、Ｇ，Ｇ1，Ｇ2……係数列、ｋ，ｋ0，ｋ1，ｋ2……係数。

Claims (4)

1. 音声の周波数スペクトルを特定する周波数分析手段と、
   前記周波数分析手段が特定した周波数スペクトルのうち基本周波数または倍音周波数に対応した複数の局所的ピークのスペクトル強度と局所的ピーク以外の帯域のスペクトル強度との差異が減少するように各局所的ピークのスペクトル強度を低下させる調整処理を実行するスペクトル処理手段と、
   前記スペクトル処理手段による調整処理後の音量を増加させる音量調整手段と、
   前記周波数分析手段が特定した周波数スペクトルの局所的ピークごとにスペクトル強度の低下量が相違するように各周波数におけるスペクトル強度の低下量を指定する第１係数列を生成する第１設定手段とを具備し、
   前記スペクトル処理手段は、前記第１設定手段が生成した第１係数列に応じた調整処理を実行し、
   前記第１設定手段は、音声の包絡線のスペクトル強度が高い周波数ほどスペクトル強度の低下量が大きくなるように第１係数列を生成する
   音声処理装置。
2. 前記調整処理によるスペクトル強度の低下量について所定の周波数帯域にわたる平均値を算定する平均算定手段を具備し、
   前記音量調整手段は、前記平均算定手段が算定した平均値に応じて音量を増加させる
   請求項１の音声処理装置。
3. スペクトル強度の低下量を示す第２係数を指定するイベントデータとイベントデータのタイミングを指定するタイミングデータとがシーケンシャルに配列されたデータ列を取得して、前記タイミングデータが指定するタイミングで当該タイミングデータに対応するイベントデータの第２係数を出力する第２設定手段を具備し、
   前記スペクトル処理手段は、前記第２設定手段が出力した第２係数に応じた調整処理を実行する
   請求項１または請求項２の音声処理装置。
4. 音声の周波数スペクトルを特定する周波数分析処理と、
   前記周波数分析処理で特定した周波数スペクトルのうち基本周波数または倍音周波数に対応した複数の局所的ピークのスペクトル強度と局所的ピーク以外の帯域のスペクトル強度との差異が減少するように各局所的ピークのスペクトル強度を低下させる調整処理と、
   前記調整処理後の音量を増加させる音量調整処理と、
   前記周波数分析処理で特定した周波数スペクトルの局所的ピークごとにスペクトル強度の低下量が相違するように各周波数におけるスペクトル強度の低下量を指定する第１係数列を生成する第１設定処理とをコンピュータに実行させるプログラムであって、
   前記調整処理は、前記第１設定処理で生成した第１係数列に応じた処理であり、
   前記第１設定処理では、音声の包絡線のスペクトル強度が高い周波数ほどスペクトル強度の低下量が大きくなるように第１係数列を生成する
   プログラム。

Images