JP5589767B2

JP5589767B2 - 音声処理装置

Info

Publication number: JP5589767B2
Application number: JP2010243215A
Authority: JP
Inventors: 亮大内
Original assignee: Yamaha Corp
Current assignee: Yamaha Corp
Priority date: 2010-10-29
Filing date: 2010-10-29
Publication date: 2014-09-17
Anticipated expiration: 2030-10-29
Also published as: JP2012098318A

Description

本発明は、歌唱音声のピッチを量子化する技術に関する。

従来より、歌唱音声のピッチをガイドメロディのピッチに補正するピッチ補正機能を備えたカラオケ装置が各種提供されている。例えば、特許文献１に開示のカラオケ装置によれば、歌唱者の歌唱音声のピッチを検出し、ガイドメロディの音を特定し、検出された歌唱音声のピッチが、特定された音のピッチと同一になるようにピッチ補正を行う。また、特許文献２に開示のカラオケ装置によれば、歌唱者の歌唱音声のピッチとガイドメロディのピッチの差分を示す誤差データを一旦記憶し、次に歌唱者が歌唱する際に、当該誤差データを用いて歌唱者の歌唱音声のピッチがガイドメロディのピッチと同一になるようにピッチ補正を行う。

特開２００３−１６７５８７号公報特開２００７−３１６４１６号公報

しかし、上記の文献に開示された技術を利用した場合、歌唱者の歌唱音声のピッチは一律にガイドメロディのピッチに補正されてしまうため、歌唱者にとっては、歌唱表現の幅が狭くなってしまう。また、歌唱自体、面白味のないものになってしまう。
本発明は、このような事情に鑑みてなされたものであり、歌唱表現の幅を狭めることなく、歌唱音声のピッチ変換を可能にすることを目的とする。

上記の課題を解決するため、本発明は、音階を構成する音のうち、当該音階において隣接しない関係にある第１の複数の音が割り当てられた第１の量子化手段であって、音声を収音して音声信号を出力する収音手段から出力された音声信号により表される音声のピッチを、前記第１の複数の音のピッチのうち最も近似するピッチに変換する第１の量子化手段と、前記音階を構成する音のうち、当該音階において隣接しない関係にあり、かつ、前記第１の複数の音とは異なる第２の複数の音が割り当てられた第２の量子化手段であって、前記収音手段から出力された前記音声信号により表されるピッチを、前記第２の複数の音のピッチのうち最も近似するピッチに変換する第２の量子化手段と、記憶手段から順次読み出される、前記第１の量子化手段と前記第２の量子化手段のうちいずれかを指定する指定データに基づいて、前記第１の量子化手段と前記第２の量子化手段のうちいずれか一方を選択する選択手段と、前記選択手段により選択された量子化手段によりピッチ変換された音声信号を出力する出力手段とを備えることを特徴とする音声処理装置を提供する。

上記の音声処理装置において、前記記憶手段に記憶される前記指定データは、楽曲の経過時間とメロディの音高との対応を表すデータであってもよく、また、前記選択手段は、前記指定データにより得られるメロディの現在時刻の音高に基づいて、前記第１の量子化手段と前記第２の量子化手段のうちいずれか一方を選択してもよい。

また、本発明は、音階を構成する音のうち、当該音階において隣接しない関係にある第１の複数の音が割り当てられた第１の量子化手段であって、音声を収音して音声信号を出力する収音手段から出力された音声信号により表される音声のピッチを、前記第１の複数の音のピッチのうち最も近似するピッチに変換する第１の量子化手段と、前記音階を構成する音のうち、当該音階において隣接しない関係にあり、かつ、前記第１の複数の音とは異なる第２の複数の音が割り当てられた第２の量子化手段であって、前記収音手段から出力された前記音声信号により表されるピッチを、前記第２の複数の音のピッチのうち最も近似するピッチに変換する第２の量子化手段と、前記音階を構成する音のうち、当該音階において隣接しない関係にあり、かつ、前記第１及び第２の複数の音とは異なる第３の複数の音が割り当てられた第３の量子化手段であって、前記収音手段から出力された前記音声信号により表されるピッチを、前記第３の複数の音のピッチのうち最も近似するピッチに変換する第３の量子化手段と、記憶手段から順次読み出される、前記第１の量子化手段と前記第２の量子化手段と前記第３の量子化手段のうちいずれかを指定する指定データに基づいて、前記第１の量子化手段と前記第２の量子化手段と前記第３の量子化手段のうちいずれか一を選択する選択手段と、前記選択手段により選択された量子化手段によりピッチ変換された音声信号を出力する出力手段とを備えることを特徴とする音声処理装置を提供する。

上記の音声処理装置において、前記記憶手段に記憶される前記指定データは、楽曲の経過時間とメロディの音高との対応を表すデータであってもよく、また、前記選択手段は、前記指定データにより得られるメロディの現在時刻の音高に基づいて、前記第１の量子化手段と前記第２の量子化手段と前記第３の量子化手段のうちいずれか一方を選択してもよい。

本発明によれば、歌唱表現の幅を狭めることなく、歌唱音声のピッチ変換を行うことができる。

本発明の一実施形態に係るカラオケシステムのハードウェア構成を示す図である。本発明の一実施形態に係る機能構成図である。本発明の一実施形態に係るピッチ量子化部１２１Ａに入力される音と出力される音の関係の一例を示す図である。本発明の一実施形態に係るピッチ量子化部１２１Ｂに入力される音と出力される音の関係の一例を示す図である。本発明の一実施形態に係るピッチ量子化部１２１Ａに入力される音と出力される音の関係の一例を示す図である。本発明の一変形例に係る機能構成図である。本発明の一変形例に係る機能構成図である。

＜実施形態＞
図１は、本発明の一実施形態に係るカラオケシステムのハードウェア構成を示す図である。同図においてカラオケ装置１は、マイク２と、スピーカ３と、ディスプレイ４に接続されている。マイク２は、歌唱者の歌唱音声を収音し、アナログ信号として後述するＡ／Ｄコンバータ１１に出力する。スピーカ３は、後述するミキサ１４からステレオ信号を取得し、当該信号に基づいて音声を出力する。ディスプレイ４は、液晶ディスプレイ等の表示デバイスであって、後述するＶＤＰ（Video Display Processor）１７の制御の下、イメージ画像や歌詞テロップを表示する。

カラオケ装置１は、図１に示されるように、Ａ／Ｄコンバータ１１、ＤＳＰ（Digital Signal Processor）１２、Ｄ／Ａコンバータ１３、ミキサ１４、制御部１５、記憶部１６、ＶＤＰ１７、操作部１８及び音源１９を有している。Ａ／Ｄコンバータ１１は、上述のマイク２から歌唱音声のアナログ信号を取得し、当該信号をデジタル信号に変換してＤＳＰ１２に出力する。ＤＳＰ１２は、Ａ／Ｄコンバータ１１から取得したデジタル信号に、後述するピッチ変換処理を施し、Ｄ／Ａコンバータ１３に出力する。Ｄ／Ａコンバータ１３は、ＤＳＰ１２からデジタル信号を取得し、当該信号をアナログ信号に変換してミキサ１４に出力する。ミキサ１４は、Ｄ／Ａコンバータ１３から取得したアナログ信号と、音源１９から取得する楽音信号とを混合、増幅し、ステレオ信号として上述のスピーカ３に出力する。

制御部１５は、ＣＰＵ、ＲＯＭ、ＲＡＭ等からなり、ＣＰＵがＲＯＭに記憶されているプログラムをＲＡＭにロードして実行することにより、カラオケ装置１の各部を制御する。記憶部１６は、ＨＤＤ（Hard Disk Drive）等の記憶装置であって、カラオケ曲の楽曲データを複数記憶する。各楽曲データは、例えばＭＩＤＩ形式のデータであり、ヘッダ、楽音トラック、ガイドメロディトラック、伴奏トラック、歌詞トラック、イメージ画像トラック等を有する。ヘッダには、楽曲の曲名、ジャンル、演奏時間等の楽曲の属性データが書き込まれる。各トラックには、それぞれ楽音データ、ガイドメロディデータ、伴奏データ、歌詞データ、イメージ画像データ等が書き込まれる。各データは、実行すべきイベントを示すイベントデータと、当該イベントを実行するタイミングを示すデルタタイムデータとからなり、楽曲の演奏開始後、デルタタイムデータによって示されるタイミングにおいて各イベントが実行される。ＶＤＰ１７は、制御部１５により記憶部１６から読み出された歌詞データ及びイメージ画像データを取得し、ディスプレイ４に歌詞テロップ及びイメージ画像を表示させる。操作部１８は、複数のボタンを有し、押下されたボタンに対応する操作信号を制御部１５に出力する。音源１９は、例えばＭＩＤＩ音源であり、制御部１５により記憶部１６から読み出された楽音データ等を取得し、当該データを楽音信号に変換してミキサ１４に出力する。

図２は、ＤＳＰ１２により実現される機能の構成図である。当該図面の機能群は、特にピッチ変換処理に関するものである。
ピッチ量子化部１２１Ａ及び１２１Ｂは、Ａ／Ｄコンバータ１１から出力される歌唱音声信号により表される歌唱音声のピッチを所定のピッチに変換する。具体的には、まず、ピッチ量子化部１２１Ａ及び１２１Ｂは、Ａ／Ｄコンバータ１１から出力される歌唱音声信号から所定時間長のフレーム単位でピッチを検出する。ピッチを検出する際は、例えば、歌唱音声信号を高速フーリエ変換により周波数スペクトルに変換し、当該スペクトルからピッチを検出する。次に、ピッチ量子化部１２１Ａ及び１２１Ｂは、検出したピッチを所定のピッチに変換する。具体的には、検出したピッチを１２音階のうちのいずれかの音のピッチに変換する。本実実施形態においては、ピッチ量子化部１２１Ａには、１２音階のうち「ド」、「レ」、「ミ」、「ファ♯」、「ソ♯」及び「ラ♯」の音が割り当てられ（すなわち、２００セント刻みで音が割り当てられ）、検出されたピッチを、当該音のピッチのうち最も近似するものに変換する。そして、ピッチ変換を施した歌唱音声信号を量子化パターン選択部１２３に出力する。図３は、ピッチ量子化部１２１Ａに入力される音と出力される音の関係の一例を示す図である。同図において縦軸は出力される音を表し、横軸は入力される音を表している。
一方、ピッチ量子化部１２１Ｂには、１２音階のうち「ド♯」、「レ♯」、「ファ」、「ソ」、「ラ」及び「シ」の音が割り当てられ（すなわち、ピッチ量子化部１２１Ａとは異なる音が２００セント刻みで割り当てられ）、検出されたピッチを、当該音のピッチのうち最も近似するものに変換する。そして、ピッチ変換を施した歌唱音声信号を、同じく量子化パターン選択部１２３に出力する。図４は、ピッチ量子化部１２１Ｂに入力される音と出力される音の関係の一例を示す図である。同図において縦軸は出力される音を表し、横軸は入力される音を表している。

量子化パターン判定部１２２は、記憶部１６から制御部１５によって読み出されたガイドメロディデータを取得し、当該データのノートナンバに基づいて、Ｄ／Ａコンバータ１３に出力されるべき信号を判定する。具体的には、量子化パターン判定部１２２は、ガイドメロディのノートナンバが偶数である場合、すなわち、１２音階のうちの「ド」、「レ」、「ミ」、「ファ♯」、「ソ♯」又は「ラ♯」のいずれかの音である場合には、ピッチ量子化部１２１Ａを指定するデータ（指定データ）を量子化パターン選択部１２３に出力する。一方、ガイドメロディのノートナンバが奇数である場合、すなわち、１２音階のうちの「ド♯」、「レ♯」、「ファ」、「ソ」、「ラ」又は「シ」のいずれかの音である場合には、ピッチ量子化部１２１Ｂを指定するデータ（指定データ）を量子化パターン選択部１２３に出力する。

量子化パターン選択部１２３は、量子化パターン判定部１２２から出力される指定データを取得し、当該データに基づいて、Ｄ／Ａコンバータ１３に出力すべき信号を選択する。具体的には、量子化パターン判定部１２２から出力された指定データが、ピッチ量子化部１２１Ａを示すデータであった場合には、ピッチ量子化部１２１Ａから出力された音声信号をＤ／Ａコンバータ１３に出力する。一方、当該指定データが、ピッチ量子化部１２１Ｂを示すデータであった場合には、ピッチ量子化部１２１Ｂから出力される歌唱音声信号をＤ／Ａコンバータ１３に出力する。なお、量子化パターン選択部１２３は、出力信号をピッチ量子化部１２１Ａのものからピッチ量子化部１２１Ｂのものに切り替える際には、クロスフェード処理を行う。逆の場合も同様である。

以上説明した実施形態によれば、例えば歌唱者が、歌い出しの「ミ」の音を、「ド」から「ミ」へとしゃくるように発声した場合、「ド」と「レ」と「ミ」の音が「ミ」の音符の区間に順次出力されることになる。これは、歌い出しの音が「ミ」である場合には、ピッチ量子化部１２１Ａの出力音声が選択され、「ド」と「レ」と「ミ」の音のみが選択的に出力されるからである。これを図５を参照して具体的に説明すると、まず歌唱者が「ド」の音に近い音を発声すると、当該音は「ド」の音に変換され、「ド」の音が出力される（点Ａ参照）。次に、歌唱者が自身の音声のピッチを連続的に上昇させて、「レ」の音に近い音を発声すると、当該音は「レ」の音に変換され、「レ」の音が出力される（点Ｂ参照）。この際、「ド」と「レ」の中間に位置する音は、「ド」か「レ」のいずれかの音に変換され、「ド」と「レ」の中間に位置する「ド♯」の音には変換されない（範囲Ｃ参照）。次に、歌唱者がさらに自身の音声のピッチを連続的に上昇させて、「ミ」の音に近い音を発声すると、当該音は「ミ」の音に変換され、「ミ」の音が出力される（点Ｄ参照）。この際、「レ」と「ミ」の中間に位置する音は、「レ」か「ミ」のいずれかの音に変換され、「レ」と「ミ」の中間に位置する「レ♯」の音には変換されない（範囲Ｅ参照）。

このように、歌唱者が歌い出しの「ミ」の音を、「ド」から「ミ」へとしゃくるように発声した場合には、「ド」と「レ」と「ミ」の音が「ミ」の音符の区間に順次出力されることになるため、「ミ」の音に装飾音を付したような効果が得られる。また、この装飾音は、上述のように「ド♯」と「レ♯」の音が出力されず、すなわち、量子化の幅が狭くなりすぎないため、面白味のある装飾音となる。このため、歌唱者は、自己の音声のピッチをコントロールすることにより、様々な歌唱表現を実現することができる。例えは、歌唱者は、発声開始時の音声のピッチを変化させたり、ピッチを変化させる時間間隔を変化させたり、ピッチを変化させるタイミングを変化させたりして、様々な歌唱表現を実現することができる。

＜変形例＞
（１）上記の実施形態において、ピッチ量子化部１２１の数を３つ以上にしてもよい。図６は、ピッチ量子化部１２１の数を３つにした場合の、ＤＳＰ１２により実現される機能の構成図である。本構成図では、図２の構成図と比較して、ピッチ量子化部１２１Ｃが追加されている。
上記の実施形態では各ピッチ量子化部１２１に２００セント刻みで音が割り当てられていたが、本変形例では各ピッチ量子化部１２１に３００セント刻みで音が割り当てられる。具体的には、ピッチ量子化部１２１Ａには、「ド」、「レ♯」、「ファ♯」及び「ラ」の音が割り当てられ、ピッチ量子化部１２１Ｂには、「ド♯」、「ミ」、「ソ」及び「ラ♯」の音が割り当てられ、ピッチ量子化部１２１Ｃには、「レ」、「ファ」、「ソ♯」及び「シ」の音が割り当てられる。量子化パターン判定部１２２は、ガイドメロディデータのノートナンバが、「ド」、「レ♯」、「ファ♯」及び「ラ」のいずれかの音高を表す場合には、ピッチ量子化部１２１Ａを指定するデータを量子化パターン選択部１２３に出力する。「ド♯」、「ミ」、「ソ」及び「ラ♯」のいずれかの音高を表す場合には、ピッチ量子化部１２１Ｂを指定するデータを量子化パターン選択部１２３に出力する。「レ」、「ファ」、「ソ♯」及び「シ」のいずれかの音高を表す場合には、ピッチ量子化部１２１Ｃを指定するデータを量子化パターン選択部１２３に出力する。量子化パターン選択部１２３は、量子化パターン判定部１２２により出力される指定データに基づいて、Ｄ／Ａコンバータ１３に出力すべき信号を選択する。
以上はピッチ量子化部の数を３つにした場合の説明であるが、４つ以上にする場合には、ピッチ量子化部に割り当てられる音の間隔がさらに１００セント単位で増加することになる。

（２）上記の実施形態において、各ピッチ量子化部１２１に割り当てられる音は、互いに重複する部分があってもよい。例えば、上記実施形態において、ピッチ量子化部１２１Ａに、「ド」、「レ」、「ミ」、「ファ♯」、「ソ♯」、「ラ♯」及び「シ」が割り当てられ、ピッチ量子化部１２１Ｂに、「ド♯」、「レ♯」、「ミ」「ファ」、「ソ」、「ラ」及び「シ」が割り当てられるようにしてもよい。この場合、上記の実施形態に係る量子化パターン判定部１２２は、重複する「シ」及び「ミ」の音について、上記の実施形態と同様に、ガイドメロディのピッチが「シ」のピッチである場合に、ピッチ量子化部１２１Ｂを指定するデータを出力し、ガイドメロディのピッチが「ミ」のピッチである場合に、ピッチ量子化部１２１Ａを指定するデータを出力する。
（３）上記の実施形態において、１２音階以外の音階の音を各ピッチ量子化部１２１に割り当ててもよい。例えば、琉球音階のように五音（「ド」、「ミ」、「ファ」、「ソ」及び「シ」）からなる音階の音のうち、「ド」、「ファ」及び「シ」をピッチ量子化部１２１Ａに割り当て、「ミ」及び「ソ」をピッチ量子化部１２１Ｂに割り当てるようにしてもよい。

（４）上記の実施形態では、ガイドメロディデータが記憶部１６から制御部１５によって読み出され、当該データから検出されるピッチに基づいて、Ｄ／Ａコンバータ１３に出力すべき信号が判定されている。しかし、Ｄ／Ａコンバータ１３に出力すべき信号を判定する際に参照するデータは、ガイドメロディデータでなくてもよい。例えば、ガイドメロディデータ以外のデータを別途記憶部１６に格納しておき、かかるデータに基づいて、Ｄ／Ａコンバータ１３に出力すべき信号を判定するようにしてもよい。かかるデータは、例えば、楽曲の演奏開始後の各タイミングにおいて、ピッチ量子化部１２１Ａ及び１２１Ｂのうちのいずれかを指定するようなデータである。一例としては、楽曲のコードデータが考えられる。コードデータが採用される場合には、コードごとにコードを構成する音が各ピッチ量子化部１２１に割り当てられる。例えば、「Ｃメジャー」に対応するピッチ量子化部１２１には、Ｃメジャースケールを構成する音が割り当てられる。当該コードデータは制御部１５を介して量子化パターン判定部１２２に取得され、当該データに基づいて、Ｄ／Ａコンバータ１３に出力すべき信号が判定されることになる。

（５）上記の変形例１において、ピッチ量子化部１２１を３つ使用する場合について説明したが、当該変形例に係る３つのピッチ量子化部１２１を、上記の実施形態に係る２つのピッチ量子化部１２１に追加して、所定のパラメータに応じて、ピッチ量子化部１２１を２つ使用する場合と、ピッチ量子化部１２１を３つ使用する場合とを選択可能な構成としてもよい。図７は、かかる構成を採用した場合の、ＤＳＰ１２により実現される機能の構成図である。本構成図では、上記の実施形態に係るピッチ量子化部１２１Ａ及び１２１Ｂに加えて、変形例１に係るピッチ量子化部１２１Ａ〜１２１Ｃが、ピッチ量子化部１２１Ｃ〜１２１Ｅとして示されている。上記実施形態に係るピッチ量子化部１２１Ａ及び１２１Ｂには、上記の通り、２００セント刻みで音が割り当てられ、変形例１に係るピッチ量子化部１２１Ｃ〜１２１Ｅには、上記の通り、３００セント刻みで音が割り当てられる。

本構成を採用した場合、量子化パターン判定部１２２は、記憶部１６から制御部１５によって読み出されたガイドメロディデータを取得することに加えて、制御部１５から所定のパラメータを取得する。例えば、楽曲データのヘッダに記述されるジャンルデータを取得する。このジャンルデータが、ピッチ量子化部を２つ使用する使用態様を示すデータと対応づけられている場合には、量子化パターン判定部１２２は、ピッチ量子化部１２１Ａと１２１Ｂのうちのいずれかのユニットを、ガイドメロディデータに基づいて選択し、選択したユニットを指定するデータを量子化パターン選択部１２３に出力する。一方、当該ジャンルデータが、ピッチ量子化部を３つ使用する使用態様を示すデータと対応づけられている場合には、量子化パターン判定部１２２は、ピッチ量子化部１２１Ａ〜１２１Ｃのうちのいずれかのユニットを、ガイドメロディデータに基づいて選択し、選択したユニットを指定するデータを量子化パターン選択部１２３に出力する。ピッチ量子化部１２１を選択する方法は、上記の実施形態又は変形例１で説明した通りである。
なお、ピッチ量子化部１２１を２つ使用するか３つ使用するかを決定するパラメータは、ジャンルデータ以外のデータでもよく、例えば、操作部１８を介して歌唱者によって設定されるデータでもよい。また、上記の説明では、ピッチ量子化部１２１を２つ使用する場合と３つ使用する場合とを選択可能な構成としたが、２つ使用する場合と４つ使用する場合とを選択可能な構成としてもよい。選択可能な使用態様は任意で選択可能である。

１…カラオケ装置、２…マイク、３…スピーカ、４…ディスプレイ、１１…Ａ／Ｄコンバータ、１２…ＤＳＰ、１３…Ｄ／Ａコンバータ、１４…ミキサ、１５…制御部、１６…記憶部、１７…ＶＤＰ、１８…操作部、１９…音源、１２１…ピッチ量子化部、１２２…量子化パターン判定部、１２３…量子化パターン選択部

Claims

音階を構成する音のうち、当該音階において隣接しない関係にある第１の複数の音が割り当てられた第１の量子化手段であって、音声を収音して音声信号を出力する収音手段から出力された音声信号により表される音声のピッチを、前記第１の複数の音のピッチのうち最も近似するピッチに変換する第１の量子化手段と、
前記音階を構成する音のうち、当該音階において隣接しない関係にあり、かつ、前記第１の複数の音とは異なる第２の複数の音が割り当てられた第２の量子化手段であって、前記収音手段から出力された前記音声信号により表されるピッチを、前記第２の複数の音のピッチのうち最も近似するピッチに変換する第２の量子化手段と、
記憶手段から順次読み出される、前記第１の量子化手段と前記第２の量子化手段のうちいずれかを指定する指定データに基づいて、前記第１の量子化手段と前記第２の量子化手段のうちいずれか一方を選択する選択手段と、
前記選択手段により選択された量子化手段によりピッチ変換された音声信号を出力する出力手段と
を備えることを特徴とする音声処理装置。
前記記憶手段に記憶される前記指定データは、楽曲の経過時間とメロディの音高との対応を表すデータであり、
前記選択手段は、前記指定データにより得られるメロディの現在時刻の音高に基づいて、前記第１の量子化手段と前記第２の量子化手段のうちいずれか一方を選択する
ことを特徴とする請求項１に記載の音声処理装置。
音階を構成する音のうち、当該音階において隣接しない関係にある第１の複数の音が割り当てられた第１の量子化手段であって、音声を収音して音声信号を出力する収音手段から出力された音声信号により表される音声のピッチを、前記第１の複数の音のピッチのうち最も近似するピッチに変換する第１の量子化手段と、
前記音階を構成する音のうち、当該音階において隣接しない関係にあり、かつ、前記第１の複数の音とは異なる第２の複数の音が割り当てられた第２の量子化手段であって、前記収音手段から出力された前記音声信号により表されるピッチを、前記第２の複数の音のピッチのうち最も近似するピッチに変換する第２の量子化手段と、
前記音階を構成する音のうち、当該音階において隣接しない関係にあり、かつ、前記第１及び第２の複数の音とは異なる第３の複数の音が割り当てられた第３の量子化手段であって、前記収音手段から出力された前記音声信号により表されるピッチを、前記第３の複数の音のピッチのうち最も近似するピッチに変換する第３の量子化手段と、
記憶手段から順次読み出される、前記第１の量子化手段と前記第２の量子化手段と前記第３の量子化手段のうちいずれかを指定する指定データに基づいて、前記第１の量子化手段と前記第２の量子化手段と前記第３の量子化手段のうちいずれか一を選択する選択手段と、
前記選択手段により選択された量子化手段によりピッチ変換された音声信号を出力する出力手段と
を備えることを特徴とする音声処理装置。
前記記憶手段に記憶される前記指定データは、楽曲の経過時間とメロディの音高との対応を表すデータであり、
前記選択手段は、前記指定データにより得られるメロディの現在時刻の音高に基づいて、前記第１の量子化手段と前記第２の量子化手段と前記第３の量子化手段のうちいずれか一方を選択する
ことを特徴とする請求項３に記載の音声処理装置。