JP6321334B2 - 信号処理装置及びプログラム - Google Patents

Description

本発明は、入力音声の話速（話す速さ）を変換する技術に関し、特に、放送の番組の音声等のように、音声に音楽、効果音または雑音等の背景音が混在する場合に、音質良く話速を変換する信号処理装置及びプログラムに関する。

入力した音声の話速を音質良く変換するためには、入力音声の声帯の振動周期である基本周期をできるだけ正確に抽出し、それに基づいた信号処理を行う必要がある。例えば、入力音声の話速を変換する信号処理装置は、入力した音声信号の波形を基本周期を単位としたブロック毎に分割し、そのブロック単位の波形を繰り返すことで伸長を行い、または、そのブロック単位の波形を間引くことで短縮を行うことにより、声の高さを変えることなく話速を変換する（特許文献１を参照）。

このような信号処理において、入力音声に対し基本周期を単位としたブロック毎の分割を施すための基本周期の抽出手法としては、様々なものが提案されている。

しかし、男性の低い声から、女性または子供の高い声までの任意の声を扱う場合には、正しい周期の半分の長さを抽出してしまう半周期エラー、または２倍の周期の長さを抽出してしまう倍周期エラーを生じることが少なくない。特に、音声に背景音（音楽、効果音、雑音等）が混在する場合には、基本周期の抽出精度が低下して正確な話速変換が行われなくなり、これらの抽出エラーが生じ易くなる。

このような問題を解決するため、入力音声に対して複数の分析窓幅による自己相関関数を求め、自己相関関数の最大値等に基づいて、複数の基本周期の候補から最適な候補を選択し、音声の基本周期を抽出する手法が提案されている（特許文献２を参照）。これにより、音声に背景音が混在する場合であっても、ある程度の精度を有する基本周期を抽出することができ、音質良く話速変換を行うことができる。

一方、音声を自動認識すること等を目的として、音声に混在している背景音を抑圧する手法が提案されている（特許文献３，４を参照）。この手法によれば、音声に背景音が混在している場合、背景音を抑圧した後に、話速変換のための音声の基本周期を求めることで、精度の高い基本周期を得ることができる。

特許第２９５５２４７号公報 特許第３２１９８６８号公報 特許第３６９３０２２号公報 特開２０１１−２５７６４３号公報

しかしながら、前述の特許文献２の手法では、背景音も音声の基本周期を用いて速度変換されることになる。このため、音声は音質良く話速変換されても、背景音は自身の音響特徴量（例えば周期性等）とは異なる基準によって伸縮等されるため、必ずしも音質良く速度変換されないという問題があった。

また、前述の特許文献３，４の手法を用いて背景音を抑圧し、その後に音声の基本周期を抽出する手法では、背景音が抑圧された状態になるから、音声と背景音とを合わせて同時に速度変換するという一般的な話速変換の目的を達成することができない。そこで、背景音を抑圧し、その後に抽出した音声の基本周期を用いて、背景音抑圧前の入力音声を話速変換する手法が考えられる。

この手法を用いることにより、音声は音質良く話速変換される。しかしながら、前述の特許文献２の手法と同様に、背景音は自身の音響特徴量とは異なる基準によって伸縮等されるため、必ずしも音質良く速度変換されないという問題があった。

そこで、本発明は前記課題を解決するためになされたものであり、その目的は、入力音声に背景音が混在している場合であっても、音声及び背景音の両方を高品質に速度変換可能な信号処理装置及びプログラムを提供することにある。

上記課題を解決するために、請求項１の信号処理装置は、音声に背景音が混在した入力信号を、所定速度に速度変換して出力する信号処理装置において、前記入力信号から音声と背景音とを分離する音声／背景音分離部と、前記音声／背景音分離部により分離された音声の音響特徴量として、音声の基本周期を抽出する第１の音響特徴量抽出部と、前記音声／背景音分離部により分離された背景音の音響特徴量として、背景音の基本周期を抽出する第２の音響特徴量抽出部と、前記音声／背景音分離部により分離された音声の波形を、前記第１の音響特徴量抽出部により抽出された音声の基本周期を単位としたブロック毎に分割し、前記ブロック単位の波形を繰り返すことで前記音声の伸長を行い、または、前記ブロック単位の波形を間引くことで前記音声の短縮を行い、前記音声を前記所定速度に話速変換する話速変換部と、前記音声／背景音分離部により分離された背景音の波形を、前記第２の音響特徴量抽出部により抽出された背景音の基本周期を単位としたブロック毎に分割し、前記ブロック単位の波形を繰り返すことで前記背景音の伸長を行い、または、前記ブロック単位の波形を間引くことで前記背景音の短縮を行い、前記背景音を前記所定速度に速度変換する速度変換部と、前記話速変換部により話速変換された音声と、前記速度変換部により速度変換された背景音とを混合して出力する混合部と、を備え、前記第２の音響特徴量抽出部が、周期性判定部、基本周期抽出部及び第１のスペクトル包絡ピーク検出部を備え、前記周期性判定部が、前記音声／背景音分離部により分離された背景音から、所定時間幅のハミング窓を用いて波形を切り出し、前記切り出した波形から自己相関関数を求め、自己相関関数の最大値を用いて前記背景音の周期性の強さを求め、前記周期性の強さと閾値とを比較して周期性の強弱を判定し、前記基本周期抽出部が、前記周期性判定部により背景音の周期性が強いと判定された場合、前記音声／背景音分離部により分離された背景音の基本周期を抽出し、前記第１のスペクトル包絡ピーク検出部が、前記周期性判定部により背景音の周期性が弱いと判定された場合、前記音声／背景音分離部により分離された背景音における周波数のスペクトル包絡を求め、前記スペクトル包絡のピークを検出し、前記検出したピークにおける周波数の逆数を前記背景音の擬似基本周期として前記背景音の基本周期に代えて求め、前記速度変換部が、前記基本周期抽出部により抽出された背景音の基本周期、または前記第１のスペクトル包絡ピーク検出部により求めた背景音の擬似基本周期に基づいて、前記音声／背景音分離部により分離された背景音を前記所定速度に速度変換する、ことを特徴とする。

請求項１の信号処理装置によれば、音声と背景音とを別々に独立して処理することで、音声に対して最適な条件の話速変換を施すことができると共に、背景音に対しても最適な条件の速度変換を施すことができる。また、音声に対し、声の高さを変えることなく高品質に話速変換を施すことができ、背景音に対し、音の高さを変えることなく高品質に速度変換を施すことができる。さらに、例えば、単一の弦または管楽器で演奏されている音楽の場合、または基本周波数がはっきりしているエンジンの回転音等の場合には、背景音の周期性は強いと判定される。この場合、基本周期抽出部において、背景音の基本周期が抽出され、速度変換部において、背景音が、基本周期抽出部により抽出された基本周期に基づいて、音の高さは変わることなく品質良く所定速度に変換される。また、例えば、多くの楽器で演奏されている音楽、雨音、町の雑踏等の場合には、その基本周波数が明確でないことが多く、背景音の周期性は弱いと判定される。この場合、第１のスペクトル包絡ピーク検出部において、背景音の擬似基本周期が求められ、速度変換部において、背景音が、第１のスペクトル包絡ピーク検出部により求めた擬似基本周期に基づいて、音の高さは変わることなく品質良く所定速度に変換される。

また、請求項２の信号処理装置は、音声に背景音が混在した入力信号を、所定速度に速度変換して出力する信号処理装置において、前記入力信号から音声と背景音とを分離する音声／背景音分離部と、前記音声／背景音分離部により分離された音声の音響特徴量として、音声の基本周期を抽出する第１の音響特徴量抽出部と、前記音声／背景音分離部により分離された背景音の音響特徴量として、背景音の基本周期を抽出する第２の音響特徴量抽出部と、前記音声／背景音分離部により分離された音声の波形を、前記第１の音響特徴量抽出部により抽出された音声の基本周期を単位としたブロック毎に分割し、前記ブロック単位の波形を繰り返すことで前記音声の伸長を行い、または、前記ブロック単位の波形を間引くことで前記音声の短縮を行い、前記音声を前記所定速度に話速変換する話速変換部と、前記音声／背景音分離部により分離された背景音の波形を、前記第２の音響特徴量抽出部により抽出された背景音の基本周期を単位としたブロック毎に分割し、前記ブロック単位の波形を繰り返すことで前記背景音の伸長を行い、または、前記ブロック単位の波形を間引くことで前記背景音の短縮を行い、前記背景音を前記所定速度に速度変換する速度変換部と、前記話速変換部により話速変換された音声と、前記速度変換部により速度変換された背景音とを混合して出力する混合部と、を備え、さらに、加算部を備え、前記第２の音響特徴量抽出部が、周波数帯域分割フィルタバンク及び第２のスペクトル包絡ピーク検出部を備え、前記周波数帯域分割フィルタバンクが、前記音声／背景音分離部により分離された背景音を、フィルタバンクを用いて所定数の周波数帯域に分割し、前記第２のスペクトル包絡ピーク検出部が、前記周波数帯域分割フィルタバンクにより分割された周波数帯域毎に、前記音声／背景音分離部により分離された背景音における周波数のスペクトル包絡を求め、前記スペクトル包絡のピークを検出し、前記検出したピークにおける周波数の逆数を前記背景音の擬似基本周期として前記背景音の基本周期に代えて求め、前記速度変換部が、前記周波数帯域分割フィルタバンクにより分割された周波数帯域毎に、前記第２のスペクトル包絡ピーク検出部により求めた背景音の擬似基本周期に基づいて、前記音声／背景音分離部により分離された背景音を前記所定速度に速度変換し、前記加算部が、前記速度変換部により速度変換された、前記周波数帯域分割フィルタバンクにより分割された周波数帯域毎の背景音を加算し、前記混合部が、前記話速変換部により話速変換された音声と、前記加算部により加算された背景音とを混合して出力する、ことを特徴とする。

請求項２の信号処理装置によれば、請求項１の信号処理装置と同様に、速度変換部において、背景音が、第２のスペクトル包絡ピーク検出部により求めた擬似基本周期に基づいて、音の高さは変わることなく品質良く所定速度に変換される。

また、請求項３の信号処理プログラムは、コンピュータを、請求項１または２に記載の信号処理装置として機能させることを特徴とする。

以上のように、本発明によれば、入力音声に背景音が混在している場合であっても、音声及び背景音の両方を高品質に速度変換することが可能となる。

実施例１による信号処理装置の構成を示すブロック図である。 実施例１において、話速変換された音声に混合する背景音の生成処理を示すフローチャートである。 実施例２による信号処理装置の構成を示すブロック図である。 実施例２において、話速変換された音声に混合する背景音の生成処理を示すフローチャートである。

以下、本発明を実施するための形態について図面を用いて詳細に説明する。以下に説明する第１の実施形態（実施例１）及び第２の実施形態（実施例２）は、入力信号から音声と背景音とを分離し、音声と背景音とを独立した手法にて、音声の話速変換を行うと共に背景音の速度変換を行い、話速変換した音声と速度変換した背景音とを同期させて混合することを特徴とする。これにより、音声だけでなく背景音も、高品質に速度変換することが可能となる。実施例１と実施例２とは、入力信号から分離した背景音に対する処理が異なる。実施例１は、背景音の周期性の強弱を判定し、その強弱に応じた手法で周期を求め、背景音の速度変換を行う。実施例２は、背景音を所定数の周波数帯域に分割し、周波数帯域毎に背景音の周期を求めて速度変換し、周波数帯域毎の速度変換後の背景音を加算する。

〔実施例１〕
まず、実施例１について説明する。前述のとおり、実施例１は、入力信号から音声と背景音とを分離し、音声と背景音とを独立した手法にて、音声の話速変換を行うと共に背景音の速度変換を行い、両音を同期させて混合する場合に、分離した背景音に対し周期性の強弱を判定し、その強弱に応じた手法で周期を求め、背景音の速度変換を行う。

図１は、実施例１による信号処理装置の構成を示すブロック図である。この信号処理装置１は、音声／背景音分離部１１、基本周期抽出部１２、話速変換部１３、周期性判定部１４、基本周期抽出部１５、スペクトル包絡ピーク検出部１６、速度変換部１７、混合部１８及びスイッチ１９を備えている。信号処理装置１の入力信号は、ステレオの音声信号に背景音が混在した信号であり、サンプリング周波数が４８ｋＨｚのＰＣＭ（Pulse Code Modulation）データとする。

音声／背景音分離部１１は、入力信号からモノラル信号の音声及びステレオ信号の背景音を分離する。具体的には、音声／背景音分離部１１は、例えば適応フィルタを用いて、左右のチャンネルの音声信号から同相成分を抽出し、抽出した同相成分をモノラル信号の音声として基本周期抽出部１２及話速変換部１３に出力する。左右のチャンネルの音声信号から同相成分を抽出できるのは、一般に音声は左右のチャンネルの中央に定位するからである。

また、音声／背景音分離部１１は、入力信号（左右のチャンネルの入力信号）から同相成分である音声を減算して背景音を抽出し、ステレオ信号の背景音を周期性判定部１４、速度変換部１７及びスイッチ１９に出力する。

尚、音声／背景音分離部１１において入力信号から音声及び背景音を分離する処理は既知であり、詳細については、例えば特開２００９−２５５００号公報及び特開２０１３−５０６０４号公報を参照されたい。

基本周期抽出部１２は、音声／背景音分離部１１からモノラル信号の音声を入力し、音声の基本周期Ｔ_p［ｍｓ］を抽出する。具体的には、基本周期抽出部１２は、有声音区間全体の各部分毎に複数のピッチ候補を求め、最も適しているピッチ候補を判定し、判定したピッチ候補を音声の基本周期として抽出する。そして、基本周期抽出部１２は、抽出した音声の基本周期を話速変換部１３に出力する。

尚、基本周期抽出部１２において音声の基本周期を抽出する処理は既知であり、詳細については特許文献２を参照されたい。

話速変換部１３は、音声／背景音分離部１１からモノラル信号の音声を入力すると共に、基本周期抽出部１２から音声の基本周期Ｔ_pを入力し、音声を伸長または短縮することで話速を変換する。具体的には、話速変換部１３は、入力した音声の波形を、基本周期Ｔ_pを単位としたブロック毎に分割し、そのブロック単位の波形を繰り返すことで伸長を行い、または、そのブロック単位の波形を間引くことで短縮を行い、声の高さを変えずに所定速度に話速を変換する。そして、話速変換部１３は、話速変換後の音声を混合部１８に出力する。

また、話速変換部１３は、話速変換後の音声における入力信号上の時間位置（信号処理装置１が音声信号の入力を開始してから一意に決まる経過時間）を、繰り返し／間引き時刻情報（同期情報）として速度変換部１７に出力する。

この繰り返し／間引き時刻情報は、速度変換部１７において背景音を速度変換する際に、背景音を音声に同期させるために用いられ、例えば、波形の繰り返しまたは間引きを行う開始時点の時刻、及び波形の繰り返し時間長または間引きの時間長により構成される。

音声／背景音分離部１１による分離処理のように、音声と背景音とを分離する一般的な処理では、両者を完全に分離することは困難なことが多い。音声／背景音分離部１１により分離された背景音には、少なからず音声が残存しており、分離された音声には、少なからず背景音が残存している。そして、例えば、入力信号をゆっくりした速度に変換する場合、話速変換部１３にて引き伸ばした音声と、後述する速度変換部１７にて引き伸ばした背景音との間で、音声及び背景音のそれぞれにおけるブロック単位の波形（単位信号）の時間区間（例えば、１０ｍｓ程度の基本周期に相当する短い時間区間）において、単位信号の時刻位置が相対的に前後にずれる現象が発生し得る。

この場合、後述する混合部１８にて混合される出力信号は、音量に差はあるものの、同じ時間位置であるべき単位信号が時間的に僅かにずれて重なり合うことになり、エコー感を引き起こす可能性がある。特に、例えば特許第３２２００４３号公報に記載された手法のように、音声のある区間の伸長量は多くし、ある区間の伸長量は少なくし、ポーズ区間は短縮するという適応的な話速変換を行う場合、背景音側の時間伸縮も、音声側の伸縮の時刻情報に正確に同期して行わないと、時刻のズレが生じ易くなる。そこで、音声と背景音とを同期させるために、繰り返しの時刻及び繰り返しの時間長、または間引きの時刻及び間引きの時間長の情報が用いられる。

尚、話速変換部１３において、基本周期Ｔ_pを単位として音声の伸長または短縮を行うことで話速を変換する処理は既知であり、詳細については特許文献１を参照されたい。

周期性判定部１４は、音声／背景音分離部１１からステレオ信号の背景音を入力し、左右のチャンネルの背景音を混合（ミキシング）し、自己相関分析等を用いて、混合した背景音の波形について周期性の強さを求め、閾値を用いて「周期性が強い」または「周期性が弱い」を判定する。自己相関分析は、ｎを入力信号の冒頭から例えば１０ｍｓ経過する毎に１増えるフレーム番号とした場合に、左のチャンネルの背景音のｎフレーム目の時系列をＳ_L（ｎ）＝ｘ_Ln（ｉ），ｘ_Ln（ｉ＋１），・・・,ｘ_Ln（ｉ＋ｋ）、右のチャンネルの背景音のｎフレーム目の時系列をＳ_R（ｎ）＝ｘ_Rn（ｉ），ｘ_Rn（ｉ＋１），・・・,ｘ_Rn（ｉ＋ｋ）としたとき、混合した信号Ｓ_L+R（ｎ）＝（Ｓ_L（ｎ）＋Ｓ_R（ｎ））／２＝（ｘ_Ln（ｉ）＋ｘ_Rn（ｉ））／２，（ｘ_Ln（ｉ＋１）＋ｘ_Rn（ｉ＋１））／２，・・・,（ｘ_Ln（ｉ＋ｋ）＋ｘ_Rn（ｉ＋ｋ））／２＝ｘ_n（ｉ），ｘ_n（ｉ＋１），・・・,ｘ_n（ｉ＋ｋ）に対して行われる。

例えば、周期性判定部１４は、４０ｍｓに相当するＬ_n点の幅をもつハミング窓を用いて、混合信号Ｓ_L+R（ｎ）から波形ｘ_n（０）〜ｘ_n（Ｌ_n−１）を切り出し、以下の式（１）に示す自己相関関数Ｒ_n（ｋ）を求める。

そして、周期性判定部１４は、ｋ＞０の条件において、自己相関関数Ｒ_n（ｋ）の最大値Ｒ_nMAX（ｋ）を求め、ｎフレーム目の周期性の強さＵ_n＝Ｒ_nMAX（ｋ）／Ｒ_ｎ（０）を求める。周期性判定部１４は、ｎフレーム目の周期性の強さＵ_nと、予め設定された閾値（例えば０．５）とを比較する。

周期性判定部１４は、周期性の強さＵ_nが閾値以上である場合、「周期性が強い」と判定し、それを示す制御信号をスイッチ１９に出力する。一方、周期性判定部１４は、周期性の強さＵ_nが閾値よりも小さい場合、「周期性が弱い」と判定し、それを示す制御信号をスイッチ１９に出力する。

本実施例では、音声／背景音分離部１１が入力信号から左右の同相成分を減算することにより背景音を求めているので、背景音としては、左右の異相成分が求まり易くなっている。したがって、周期性判定部１４により、ほとんどのフレームで「周期性が弱い」と判定される。尚、音声／背景音分離部１１において、特許文献４に記載されたスペクトルサブトラクション法を用いることで、左右のチャンネルの背景音には同相成分も含まれるようになるので、周期性判定部１４により「周期性が強い」と判定されるフレームも出てくる。

尚、周期性判定部１４は、例えばフレームを移動する単位である１０ｍｓ毎に、自己相関関数Ｒ_n（ｋ）を求めて周期性の強さＵ_nを求め、閾値判定により「周期性が強い」または「周期性が弱い」を示す制御信号をスイッチ１９に出力するようにした。これに対し、周期性判定部１４は、「周期性が強い」または「周期性が弱い」を示す同じ制御信号を、所定期間（例えば数フレームから十数フレームの期間）継続して出力するようにしてもよい。これにより、周期性判定部１４から１０ｍｓ毎に異なる制御信号が出力されないから、後述する基本周期抽出部１５により抽出される背景音の基本周期または後述するスペクトル包絡ピーク検出部１６により求められる背景音の擬似基本周期は大きく変化することがなく、後述する速度変換部１７において、人間の感性に合った安定した背景音の速度変換を実現することができる。

スイッチ１９は、音声／背景音分離部１１からステレオ信号の背景音を入力すると共に、周期性判定部１４から制御信号を入力し、制御信号が「周期性が強い」を示している場合、入力したステレオ信号の背景音を基本周期抽出部１５に出力する。一方、スイッチ１９は、制御信号が「周期性が弱い」を示している場合、入力したステレオ信号の背景音をスペクトル包絡ピーク検出部１６に出力する。

基本周期抽出部１５は、背景音の「周期性が強い」場合に、音声／背景音分離部１１からスイッチ１９を介してステレオ信号の背景音を入力し、左右のチャンネルの背景音を混合（ミキシング）し、基本周期抽出部１２と同様の手法にて、背景音の基本周期Ｔ_q［ｍｓ］を抽出する。そして、基本周期抽出部１５は、背景音の基本周期を速度変換部１７に出力する。

スペクトル包絡ピーク検出部１６は、背景音の「周期性が弱い」場合に、音声／背景音分離部１１からスイッチ１９を介してステレオ信号の背景音を入力し、周波数のスペクトル包絡を求め、スペクトル包絡のピークを検出する。そして、スペクトル包絡ピーク検出部１６は、そのピーク位置の周波数の逆数（背景音の擬似基本周期Ｔ_r）を求めて速度変換部１７に出力する。

例えば、スペクトル包絡ピーク検出部１６は、ステレオ信号の背景音を入力し、周期性判定部１４と同様に左右のチャンネルの背景音を混合（ミキシング）し、例えば３０ｍｓに相当するハミング窓を用いて、背景音の混合信号から波形を切り出す。そして、スペクトル包絡ピーク検出部１６は、切り出した波形に対し、線形予測分析を行っていわゆるＬＰＣ（Linear Predictive Coding：線形予測符号）包絡を求める。または、ＦＦＴ（Fast Fourier Transform：高速フーリエ変換）を行ってＦＦＴケプストラム包絡を求める。

そして、スペクトル包絡ピーク検出部１６は、ＬＰＣ包絡またはＦＦＴケプストラム包絡がピークとなる周波数ｆ_p［Ｈｚ］を求め、その逆数Ｔ_r＝１０００／ｆ_p［ｍｓ］を速度変換部１７にて用いる擬似基本周期とする。

尚、スペクトル包絡ピーク検出部１６は、これらのスペクトル包絡が単調減少または単調増加するため、そのピークを求めることができない場合、所定の擬似基本周期（例えばＴ_r＝１０ｍｓ）を設定する。これは、一般に音声の基本周期が１０ｍｓ前後であることから、背景音の擬似基本周期を１０ｍｓとすることで、背景音を音声に同期させて速度変換する後述する速度変換部１７における処理を容易にし、速度変換後の音声と背景音との間のずれが生じ難くなるようにするためである。

速度変換部１７は、音声／背景音分離部１１からステレオ信号の背景音を入力すると共に、基本周期抽出部１５から背景音の基本周期Ｔ_qまたはスペクトル包絡ピーク検出部１６からピーク周波数の逆数（背景音の擬似基本周期Ｔ_r）を入力し、さらに、話速変換部１３から、話速変換後の音声における入力信号上の時間位置（信号処理装置１が音声信号の入力を開始してから一意に決まる経過時間）で定義される繰り返し／間引き時刻情報を入力する。そして、速度変換部１７は、繰り返し／間引き時刻情報を用いて、ステレオ信号の背景音が音声に同期するように、背景音の左右の信号をそれぞれ伸長または短縮することで、背景音の速度を所定速度に変換する。

具体的には、速度変換部１７は、話速変換部１３と同様に、入力した背景音の波形を、基本周期Ｔ_qまたは擬似基本周期Ｔ_rを単位としたブロック毎に分割し、そのブロック単位の波形を繰り返すことで伸長を行い、または、そのブロック単位の波形を間引くことで短縮を行い、音の高さを変えないで速度変換する。

この場合、速度変換部１７は、ブロック単位の波形を繰り返したり間引いたりする操作を、ステレオ信号の左右に対して独立に行うが、話速変換部１３から入力した繰り返し／間引き時刻情報に合わせて、それぞれの波形の時間位置が音声と同じ位置になるように速度変換を行う。例えば、音声が時刻Ａの時間位置から繰り返しまたは間引き処理が行われた場合、背景音もステレオ信号の左右に対して同じ時刻Ａの時間位置または時刻Ａに近い時間位置から繰り返しまたは間引き処理が行われるように、繰り返し／間引き時刻情報が用いられる。そして、速度変換部１７は、速度変換後の背景音を混合部１８に出力する。

混合部１８は、話速変換部１３から話速変換されたモノラル信号の音声を入力すると共に、速度変換部１７から速度変換されたステレオ信号の背景音を入力し、モノラル信号の音声を、ステレオ信号である背景音の左右の信号にそれぞれ加える混合（ミキシング）を行い、混合したステレオ信号を出力信号として出力する。すなわち、混合部１８は、当該信号処理装置１の入力信号における音声及び背景音のミキシングバランスと同じになるように、話速変換部１３からのモノラル信号の音声と、速度変換部１７からのステレオ信号の背景音の各レベルの比率を適宜調整して混合する。例えば、話速変換部１３からのモノラル信号の音声レベルに０．５を掛けて左右の各背景音と混合する。但し、音声／背景音分離部１１の方式の違いにより、最適な混合比率は異なる。

尚、基本周期抽出部１２により、音声の音響特徴量を抽出する第１の音響特徴量抽出部が構成され、周期性判定部１４、基本周期抽出部１５及びスペクトル包絡ピーク検出部１６により、背景音の音響特徴量を抽出する第２の音響特徴量抽出部が構成される。この場合、第１の音響特徴量抽出部は、音声の基本周波数を抽出する方法として、音声のフーリエ変換解析等のような、発話の音響的な特徴を表現した特徴量を抽出するようにしてもよい。第２の音響特徴量抽出部も同様に、背景音の基本周波数等を抽出する方法として、背景音の音響的な特徴を表現した特徴量を抽出するようにしてもよい。この場合、話速変換部１３及び速度変換部１７は、音響特徴量に基づいて速度変換を行う。後述する実施例２についても同様である。

（背景音の処理）
次に、話速変換された音声に混合する背景音の生成処理について説明する。図２は、背景音の生成処理を示すフローチャートである。図２に示す処理は、図１に示した周期性判定部１４、スイッチ１９、基本周期抽出部１５、スペクトル包絡ピーク検出部１６及び速度変換部１７により行われる処理である。

信号処理装置１は、入力信号から分離したステレオ信号の背景音の左右を混合し、モノラルとなった背景音信号から所定時間幅の波形を切り出し（ステップＳ２０１）、切り出した波形から自己相関関数Ｒ_n（ｋ）を算出する（ステップＳ２０２）。そして、信号処理装置１は、自己相関関数Ｒ_n（ｋ）の最大値を求め、所定時間幅のフレーム毎に、周期性の強さＵ_nを算出する（ステップＳ２０３）。これにより、フレーム毎に、背景音における周期性の強弱の指標となる周期性の強さＵ_nが求められる。

信号処理装置１は、周期性の強さＵ_nと予め設定された閾値とを比較し（ステップＳ２０４）、周期性の強さＵ_nが閾値以上であると判定した場合（ステップＳ２０４：Ｙ）、「周期性が強い」と判定する（ステップＳ２０５）。一方、信号処理装置１は、周期性の強さＵ_nが閾値よりも小さいと判定した場合（ステップＳ２０４：Ｎ）、「周期性が弱い」と判定する（ステップＳ２０７）。これにより、フレーム毎に、背景音について周期性の強弱が判定される。

前述のステップＳ２０１〜ステップＳ２０５及びステップＳ２０７の処理は、周期性判定部１４により行われる。

信号処理装置１は、背景音の「周期性が強い」と判定した場合、入力信号から分離したステレオ信号の背景音の左右を混合し、音声の基本周期を抽出する手法と同じ手法にて、背景音の基本周期Ｔ_q［ｍｓ］を抽出する（ステップＳ２０６）。これにより、背景音の「周期性が強い」場合の基本周期が抽出される。ステップＳ２０６の処理は、スイッチ１９及び基本周期抽出部１５により行われる。

信号処理装置１は、背景音の「周期性が弱い」と判定した場合、入力信号から分離したステレオ信号の背景音の左右を混合し、周波数のスペクトル包絡を求め（ステップＳ２０８）、そのピーク位置の周波数の逆数（擬似基本周期Ｔ_r）を求める（ステップＳ２０９）。尚、スペクトル包絡が単調減少または単調増加するため、ピーク位置が不明の場合には、所定の擬似基本周期（例えばＴ_r＝１０ｍｓ）を設定する。これにより、背景音の「周期性が弱い」場合の擬似基本周期が求められる。ステップＳ２０８及びステップＳ２０９の処理は、スイッチ１９及びスペクトル包絡ピーク検出部１６により行われる。

信号処理装置１は、入力信号から分離したステレオ信号の背景音を、ステップＳ２０６にて抽出した背景音の基本周期Ｔ_qまたはステップＳ２０９にて求めた背景音の擬似基本周期Ｔ_rを単位としたブロック毎に左右共に同じ時刻（信号処理装置１が音声信号の入力を開始してから一意に決まる経過時間）を区切りとして分割し、話速変換時の繰り返し／間引き情報を用いて、そのブロック単位の波形を繰り返すことで伸長を行い、または、そのブロック単位の波形を間引くことで短縮を行い、背景音の速度を変換する（ステップＳ２１０）。ステップＳ２１０の処理は、速度変換部１７により行われる。

これにより、音声に同期した速度変換後の背景音が生成され、速度変換後のステレオ信号の背景音は、話速変換された音声と混合される。

以上のように、実施例１の信号処理装置１によれば、周期性判定部１４は、入力信号から分離された背景音から、所定時間幅の波形を切り出して自己相関関数Ｒ_n（ｋ）を算出し、所定時間幅のフレーム毎に、自己相関関数Ｒ_n（ｋ）の最大値を用いて周期性の強さＵ_nを算出し、閾値を用いて「周期性が強い」または「周期性が弱い」を判定するようにした。そして、基本周期抽出部１５は、背景音の「周期性が強い」場合に、音声の基本周期を抽出する既存の手法と同じ手法にて、入力信号から分離された背景音の基本周期Ｔ_qを抽出し、スペクトル包絡ピーク検出部１６は、背景音の「周期性が弱い」場合に、背景音から周波数のスペクトル包絡を求め、そのピーク位置の周波数の逆数（擬似基本周期Ｔ_r）を求めるようにした。そして、速度変換部１７は、入力信号から分離した背景音の波形を、基本周期抽出部１５により抽出された背景音の基本周期Ｔ_qまたはスペクトル包絡ピーク検出部１６により求めた背景音の擬似基本周期Ｔ_rを単位としたブロック毎に分割し、話速変換後の音声における入力信号上の時間位置（信号処理装置１が音声信号の入力を開始してから一意に決まる経過時間）を示す繰り返し／間引き情報を用いて、左右で同じ時刻の区切り位置をもつブロック単位の波形を繰り返すことで伸長を行い、または、そのブロック単位の波形を間引くことで短縮を行い、背景音の速度を変換するようにした。このようにして速度変換された背景音は、話速変換された音声に同期することとなり、話速変換された音声と混合される。

従来は、背景音も音声の基本周期を用いて速度変換することがあり、音声は高品質に話速変換されても、背景音は必ずしも高品質に速度変換されないことが多かった。実施例１では、音声と背景音とを分離し、音声と背景音とを独立した手法にて話速変換及び速度変換し、話速変換した音声と速度変換した背景音とを同期させて混合する。これにより、入力音声に背景音が混在している場合であっても、音声及び背景音の両方を自然かつ高品質に話速変換及び速度変換することが可能となる。

〔実施例２〕
次に、実施例２について説明する。前述のとおり、実施例２は、入力信号から音声と背景音とを分離し、音声と背景音とを独立した手法にて、音声の話速変換を行うと共に背景音の速度変換を行い、両音を同期させて混合する場合に、分離した背景音を所定数の周波数帯域に分割し、周波数帯域毎に背景音の周期を求めて速度変換し、周波数帯域毎の速度変換後の背景音を加算する。

図３は、実施例２による信号処理装置の構成を示すブロック図である。この信号処理装置２は、音声／背景音分離部２１、基本周期抽出部２２、話速変換部２３、周波数帯域分割フィルタバンク２４、スペクトル包絡ピーク検出部２５−１〜２５−１０、速度変換部２６−１〜２６−１０、加算部２７及び混合部２８を備えている。信号処理装置２の入力信号は、信号処理装置１と同様に、ステレオの音声信号に背景音が混在した信号であり、サンプリング周波数が４８ｋＨｚのＰＣＭデータとする。

ここで、基本周期抽出部２２により、音声の音響特徴量を抽出する第１の音響特徴量抽出部が構成され、周波数帯域分割フィルタバンク２４及びスペクトル包絡ピーク検出部２５−１〜２５−１０により、背景音の音響特徴量を抽出する第２の音響特徴量抽出部が構成される。

音声／背景音分離部２１、基本周期抽出部２２、話速変換部２３及び混合部２８は、図１に示した音声／背景音分離部１１、基本周期抽出部１２、話速変換部１３及び混合部１８にそれぞれ相当し同じ処理を行うから、ここでは説明を省略する。

話速変換部２３は、話速変換後の音声における入力信号上の時間位置（信号処理装置２が音声信号の入力を開始してから一意に決まる経過時間）である繰り返し／間引き時刻情報を、速度変換部２６−１〜２６−１０にそれぞれ出力する。

周波数帯域分割フィルタバンク２４は、音声／背景音分離部２１からステレオ信号の背景音を入力し、１オクターブ程度の周波数帯域幅をもつフィルタバンクを用いて、入力した背景音を、所定数の周波数帯域に分割する。例えば、（１）２５Ｈｚ〜５０Ｈｚ、（２）５０Ｈｚ〜１００Ｈｚ、（３）１００Ｈｚ〜２００Ｈｚ、（４）２００Ｈｚ〜４００Ｈｚ、（５）４００Ｈｚ〜８００Ｈｚ、（６）８００Ｈｚ〜１．６ｋＨｚ、（７）１．６ｋＨｚ〜３．２ｋＨｚ、（８）３．２ｋＨｚ〜６．４ｋＨｚ、（９）６．４ｋＨｚ〜１２．８ｋＨｚ、（１０）１２．８ｋＨｚ〜２４ｋＨｚのように、１０の周波数帯域に分割する。そして、周波数帯域分割フィルタバンク２４は、分割した（１）〜（１０）の周波数帯域における背景音の信号である帯域制限ステレオ信号を、順番にスペクトル包絡ピーク検出部２５−１〜２５−１０及び速度変換部２６−１〜２６−１０にそれぞれ出力する。

スペクトル包絡ピーク検出部２５−１〜２５−１０（以下、総称してスペクトル包絡ピーク検出部２５という。）は、周波数帯域分割フィルタバンク２４から対応する（１）〜（１０）の周波数帯域における背景音の信号を入力する。そして、スペクトル包絡ピーク検出部２５は、入力した対応する（１）〜（１０）の周波数帯域内において、図１に示したスペクトル包絡ピーク検出部１６と同様の処理を行う。

具体的には、スペクトル包絡ピーク検出部２５は、左右のチャンネルの背景音を混合（ミキシング）し、例えば３０ｍｓに相当するハミング窓を用いて、背景音の混合信号から波形を切り出す。そして、スペクトル包絡ピーク検出部２５は、切り出した波形に対し、線形予測分析を行っていわゆるＬＰＣ包絡、またはＦＦＴを行ってＦＦＴケプストラム包絡を求める。そして、スペクトル包絡ピーク検出部２５は、ＬＰＣ包絡またはＦＦＴケプストラム包絡がピークとなる周波数ｆ_p（１）〜ｆ_p（１０）［Ｈｚ］をそれぞれ求め、その逆数Ｔ_r（１）〜Ｔ_r（１０）＝１０００／ｆ_p（１）〜１０００／ｆ_p（１０）［ｍｓ］を速度変換のための擬似基本周期とする。スペクトル包絡ピーク検出部２５は、求めた擬似基本周期Ｔ_r（１）〜Ｔ_r（１０）を、対応する速度変換部２６−１〜２６−１０にそれぞれ出力する。

尚、スペクトル包絡ピーク検出部２５は、スペクトル包絡が単調減少または単調増加するため、ピークを求めることができない場合、その周波数帯域の対数的な中心周波数の逆数を擬似基本周期として設定する。例えば、前記（３）の周波数帯域１００Ｈｚ〜２００Ｈｚでは、対数的な中心周波数１４１．４Ｈｚの逆数７．０７１ｍｓを擬似基本周期Ｔ_r（３）として設定する。これは、例えば音楽のような背景音の場合、周波数成分のエネルギーは周波数が高いほど小さくなり、エネルギーの中心となる中心周波数は、その周波数帯域の中央よりも低い側に位置するから、対数的な中心周波数を用いることで、すなわち周波数帯域の下限値及び上限値の相乗平均を用いることで、エネルギーの中心となる中心周波数に対応した周期を適切に設定できるからである。

速度変換部２６−１〜２６−１０（以下、総称して速度変換部２６という。）は、周波数帯域分割フィルタバンク２４から対応するステレオ信号の背景音（（１）〜（１０）の周波数帯域毎に分割されたステレオ信号の背景音）を入力すると共に、スペクトル包絡ピーク検出部２５から対応するピーク周波数の逆数（背景音の擬似基本周期Ｔ_r（１）〜Ｔ_r（１０））を入力し、さらに、話速変換部２３から、話速変換後の音声における入力信号上の時間位置（信号処理装置２が音声信号の入力を開始してから一意に決まる経過時間）である繰り返し／間引き時刻情報を入力する。そして、速度変換部２６は、繰り返し／間引き時刻情報を用いて、ステレオ信号の背景音が音声に同期するように、背景音のステレオ信号の左右に対して同じ時刻の信号をそれぞれ伸長または短縮することで、背景音の速度を変換する。

具体的には、速度変換部２６は、話速変換部２３と同様に、対応する背景音の波形を、対応する背景音の擬似基本周期Ｔ_r（１）〜Ｔ_r（１０）を単位としたブロック毎に分割し、そのブロック単位の波形を繰り返すことで伸長を行い、または、そのブロック単位の波形を間引くことで短縮を行い、音の高さを変えることなく所定速度に変換する。

この場合、速度変換部２６は、ブロック単位の波形を繰り返したり間引いたりする操作を、ステレオ信号の左右に対して独立に行うが、話速変換部２３から入力した繰り返し／間引き時刻情報に合わせて、それぞれの波形の時間位置が音声と同じ位置になるように速度変換を行う。そして、速度変換部２６は、速度変換後の周波数帯域毎の背景音を加算部２７に出力する。

加算部２７は、速度変換部２６から速度変換後の周波数帯域毎の背景音を入力し、これらの背景音を加算し、速度変換した背景音として混合部２８に出力する。

混合部２８は、話速変換部２３から話速変換されたモノラル信号の音声を入力すると共に、加算部２７から速度変換され加算されたステレオ信号の背景音を入力し、モノラル信号の音声を、ステレオ信号である背景音の左右の信号にそれぞれ加える混合（ミキシング）を行い、混合したステレオ信号を出力信号として出力する。すなわち、混合部２８は、当該信号処理装置２の入力信号における音声及び背景音のミキシングバランスと同じになるように、話速変換部２３からのモノラル信号の音声と、加算部２７からのステレオ信号の背景音の各レベルの比率を適宜調整して混合する。例えば、話速変換部２３からのモノラル信号の音声レベルに０．５を掛けて左右の各背景音と混合する。但し、音声／背景音分離部２１の方式の違いにより、最適な混合比率は異なる。

（背景音の処理）
次に、話速変換された音声に混合する背景音の生成処理について説明する。図４は、背景音の生成処理を示すフローチャートである。図４に示す処理は、図３に示した周波数帯域分割フィルタバンク２４、スペクトル包絡ピーク検出部２５、速度変換部２６及び加算部２７により行われる処理である。

信号処理装置２は、入力信号から分離したステレオ信号の背景音を、フィルタバンクを用いて所定数の周波数帯域に分割する（ステップＳ４０１）。これにより、周波数帯域毎のステレオ信号の背景音が生成される。ステップＳ４０１の処理は、周波数帯域分割フィルタバンク２４により行われる。

信号処理装置２は、周波数帯域毎に、左右のチャンネルの背景音を混合して周波数のスペクトル包絡を求め（ステップＳ４０２）、そのピーク位置の周波数の逆数（擬似基本周期Ｔ_r）を求める（ステップＳ４０３）。尚、ピーク位置が不明の場合には、分割した周波数帯域毎に所定の擬似基本周期を設定する。これにより、周波数帯域毎の背景音について、その擬似基本周期が求められる。ステップＳ４０２及びステップＳ４０３の処理は、スペクトル包絡ピーク検出部２５により行われる。

信号処理装置２は、周波数帯域毎のステレオ信号の背景音を、ステップ４０３にて求めた背景音の擬似基本周期Ｔ_rを単位として左右の信号に対して同じ時刻のブロック毎に分割し、話速変換時の繰り返し／間引き情報を用いて、そのブロック単位の波形を繰り返すことで伸長を行い、または、そのブロック単位の波形を間引くことで短縮を行い、周波数帯域毎に、背景音の速度を変換する（ステップＳ４０４）。ステップＳ４０４の処理は、速度変換部２６により行われる。

信号処理装置２は、ステップＳ４０４にて速度変換した周波数帯域毎の背景音を加算し、速度変換した背景音として混合部２８に出力する（ステップＳ４０５）。ステップＳ４０５の処理は、加算部２７により行われる。

これにより、音声に同期した速度変換後の背景音が生成され、速度変換後のステレオ信号の背景音は、話速変換された音声と混合される。

以上のように、実施例２の信号処理装置２によれば、周波数帯域分割フィルタバンク２４は、入力信号から分離された背景音を、フィルタバンクを用いて所定数の周波数帯域に分割し、スペクトル包絡ピーク検出部２５は、周波数帯域毎に、背景音における周波数のスペクトル包絡を求め、そのピーク位置の周波数の逆数（擬似基本周期Ｔ_r）を求めるようにした。そして、速度変換部２６は、周波数帯域毎の背景音を、スペクトル包絡ピーク検出部２５により求めた背景音の擬似基本周期Ｔ_rを単位としたブロック毎に分割し、話速変換後の音声の繰り返し／間引き情報を用いて、そのブロック単位の波形を繰り返すことで伸長を行い、または、そのブロック単位の波形を間引くことで短縮を行い、背景音の速度を変換するようにした。そして、加算部２７は、速度変換部２６により速度変換された周波数帯域毎の背景音を加算するようにした。このようにして速度変換され加算された背景音は、話速変換された音声に同期することとなり、話速変換された音声と混合される。

これにより、音声と背景音とを独立した手法にて話速変換及び速度変換し、話速変換した音声と速度変換した背景音とを同期させて混合するから、入力音声に背景音が混在している場合であっても、音声及び背景音の両方を自然かつ高品質に話速変換及び速度変換することが可能となる。

以上、実施例１，２について説明したが、音声側から背景音側へ繰り返し／間引き情報を出力するのではなく、背景音側から音声側へ繰り返し／間引き情報を出力する変形例もある。この第１の変形例では、背景音側の速度変換部１７，２６が、速度変換後の背景音における入力信号上の時間位置（信号処理装置１，２が音声信号の入力を開始してから一意に決まる経過時間）を、繰り返し／間引き時刻情報（同期情報）として音声側の話速変換部１３，２３に出力する。これにより、話速変換部１３，２３が音声を話速変換する際に、背景音を基準にして、音声を背景音に同期させることができる。

また、実施例２の構成に、実施例１の周期性判定部１４、基本周期抽出部１５及びスペクトル包絡ピーク検出部１６を加えた変形例もある。この第２の変形例では、図３に示した信号処理装置２において、スペクトル包絡ピーク検出部２５の代わりに、図１に示した実施例１における周期性判定部１４、基本周期抽出部１５及びスペクトル包絡ピーク検出部１６を備える。第２の変形例による信号処理装置２は、周波数帯域分割フィルタバンク２４により周波数帯域毎に分割された背景音に対し、周期性判定部１４、基本周期抽出部１５及びスペクトル包絡ピーク検出部１６の処理をそれぞれ行い、速度変換部２６において、基本周期抽出部１５により周波数帯域毎に抽出された背景音の基本周期Ｔ_q、またはスペクトル包絡ピーク検出部１６により周波数帯域毎に求めた背景音の擬似基本周期Ｔ_rに基づいて、その周波数帯域毎に背景音の速度変換を行う。

尚、実施例１，２の信号処理装置１，２のハードウェア構成としては、通常のコンピュータを使用することができる。信号処理装置１，２は、ＣＰＵ、ＲＡＭ等の揮発性の記憶媒体、ＲＯＭ等の不揮発性の記憶媒体、及びインターフェース等を備えたコンピュータによって構成される。信号処理装置１に備えた音声／背景音分離部１１、基本周期抽出部１２、話速変換部１３、周期性判定部１４、基本周期抽出部１５、スペクトル包絡ピーク検出部１６、速度変換部１７、混合部１８及びスイッチ１９の各機能は、これらの機能を記述したプログラムをＣＰＵに実行させることによりそれぞれ実現される。また、信号処理装置２に備えた音声／背景音分離部２１、基本周期抽出部２２、話速変換部２３、周波数帯域分割フィルタバンク２４、スペクトル包絡ピーク検出部２５、速度変換部２６、加算部２７及び混合部２８の各機能も、これらの機能を記述したプログラムをＣＰＵに実行させることによりそれぞれ実現される。第１及び第２の変形例についても同様である。これらのプログラムは、磁気ディスク（フロッピー（登録商標）ディスク、ハードディスク等）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤ等）、半導体メモリ等の記憶媒体に格納して頒布することもでき、ネットワークを介して送受信することもできる。

以上、実施例１，２を挙げて本発明を説明したが、本発明は前記実施例１，２に限定されるものではなく、その技術思想を逸脱しない範囲で種々変形可能である。例えば、前記実施例２では、周波数帯域の数を１０として説明したが、本発明はこの数に限定されるものではない。

また、本発明は、例えば、テレビまたはラジオの音声をリアルタイムでゆっくり聞いたり、ハードディスクレコーダー等に音声を一度記録した後に、ハードディスクレコーダー等に記録した音声をゆっくりまたは速く視聴する場合に適用がある。また、視覚障害者から音声を効率的に聴取したいという要望を受けて、視覚障害者用の録音図書等を高速に再生して聞く場合にも適用がある。また、ＩＣレコーダー等に記録した会議の議事録等を書き起こす際に、好みの速さで再生する場合にも適用がある。さらに、語学学習または発声訓練システムにおいても、その教材の作成時に利用したり、学習時に学習者の上達度に合わせて音声の話速を変換して学習者に聞かせたりする場合にも適用がある。

１，２ 信号処理装置
１１，２１ 音声／背景音分離部
１２，１５，２２ 基本周期抽出部
１３，２３ 話速変換部
１４ 周期性判定部
１６，２５ スペクトル包絡ピーク検出部
１７，２６ 速度変換部
１８，２８ 混合部
１９ スイッチ
２４ 周波数帯域分割フィルタバンク
２７ 加算部

Claims (3)

1. 音声に背景音が混在した入力信号を、所定速度に速度変換して出力する信号処理装置において、
   前記入力信号から音声と背景音とを分離する音声／背景音分離部と、
   前記音声／背景音分離部により分離された音声の音響特徴量として、音声の基本周期を抽出する第１の音響特徴量抽出部と、
   前記音声／背景音分離部により分離された背景音の音響特徴量として、背景音の基本周期を抽出する第２の音響特徴量抽出部と、
   前記音声／背景音分離部により分離された音声の波形を、前記第１の音響特徴量抽出部により抽出された音声の基本周期を単位としたブロック毎に分割し、前記ブロック単位の波形を繰り返すことで前記音声の伸長を行い、または、前記ブロック単位の波形を間引くことで前記音声の短縮を行い、前記音声を前記所定速度に話速変換する話速変換部と、
   前記音声／背景音分離部により分離された背景音の波形を、前記第２の音響特徴量抽出部により抽出された背景音の基本周期を単位としたブロック毎に分割し、前記ブロック単位の波形を繰り返すことで前記背景音の伸長を行い、または、前記ブロック単位の波形を間引くことで前記背景音の短縮を行い、前記背景音を前記所定速度に速度変換する速度変換部と、
   前記話速変換部により話速変換された音声と、前記速度変換部により速度変換された背景音とを混合して出力する混合部と、を備え、
   前記第２の音響特徴量抽出部は、周期性判定部、基本周期抽出部及び第１のスペクトル包絡ピーク検出部を備え、
   前記周期性判定部は、
   前記音声／背景音分離部により分離された背景音から、所定時間幅のハミング窓を用いて波形を切り出し、前記切り出した波形から自己相関関数を求め、自己相関関数の最大値を用いて前記背景音の周期性の強さを求め、前記周期性の強さと閾値とを比較して周期性の強弱を判定し、
   前記基本周期抽出部は、
   前記周期性判定部により背景音の周期性が強いと判定された場合、前記音声／背景音分離部により分離された背景音の基本周期を抽出し、
   前記第１のスペクトル包絡ピーク検出部は、
   前記周期性判定部により背景音の周期性が弱いと判定された場合、前記音声／背景音分離部により分離された背景音における周波数のスペクトル包絡を求め、前記スペクトル包絡のピークを検出し、前記検出したピークにおける周波数の逆数を前記背景音の擬似基本周期として前記背景音の基本周期に代えて求め、
   前記速度変換部は、
   前記基本周期抽出部により抽出された背景音の基本周期、または前記第１のスペクトル包絡ピーク検出部により求めた背景音の擬似基本周期に基づいて、前記音声／背景音分離部により分離された背景音を前記所定速度に速度変換する、ことを特徴とする信号処理装置。
2. 音声に背景音が混在した入力信号を、所定速度に速度変換して出力する信号処理装置において、
   前記入力信号から音声と背景音とを分離する音声／背景音分離部と、
   前記音声／背景音分離部により分離された音声の音響特徴量として、音声の基本周期を抽出する第１の音響特徴量抽出部と、
   前記音声／背景音分離部により分離された背景音の音響特徴量として、背景音の基本周期を抽出する第２の音響特徴量抽出部と、
   前記音声／背景音分離部により分離された音声の波形を、前記第１の音響特徴量抽出部により抽出された音声の基本周期を単位としたブロック毎に分割し、前記ブロック単位の波形を繰り返すことで前記音声の伸長を行い、または、前記ブロック単位の波形を間引くことで前記音声の短縮を行い、前記音声を前記所定速度に話速変換する話速変換部と、
   前記音声／背景音分離部により分離された背景音の波形を、前記第２の音響特徴量抽出部により抽出された背景音の基本周期を単位としたブロック毎に分割し、前記ブロック単位の波形を繰り返すことで前記背景音の伸長を行い、または、前記ブロック単位の波形を間引くことで前記背景音の短縮を行い、前記背景音を前記所定速度に速度変換する速度変換部と、
   前記話速変換部により話速変換された音声と、前記速度変換部により速度変換された背景音とを混合して出力する混合部と、を備え、
   さらに、加算部を備え、
   前記第２の音響特徴量抽出部は、周波数帯域分割フィルタバンク及び第２のスペクトル包絡ピーク検出部を備え、
   前記周波数帯域分割フィルタバンクは、
   前記音声／背景音分離部により分離された背景音を、フィルタバンクを用いて所定数の周波数帯域に分割し、
   前記第２のスペクトル包絡ピーク検出部は、
   前記周波数帯域分割フィルタバンクにより分割された周波数帯域毎に、前記音声／背景音分離部により分離された背景音における周波数のスペクトル包絡を求め、前記スペクトル包絡のピークを検出し、前記検出したピークにおける周波数の逆数を前記背景音の擬似基本周期として前記背景音の基本周期に代えて求め、
   前記速度変換部は、
   前記周波数帯域分割フィルタバンクにより分割された周波数帯域毎に、前記第２のスペクトル包絡ピーク検出部により求めた背景音の擬似基本周期に基づいて、前記音声／背景音分離部により分離された背景音を前記所定速度に速度変換し、
   前記加算部は、
   前記速度変換部により速度変換された、前記周波数帯域分割フィルタバンクにより分割された周波数帯域毎の背景音を加算し、
   前記混合部は、
   前記話速変換部により話速変換された音声と、前記加算部により加算された背景音とを混合して出力する、ことを特徴とする信号処理装置。
3. コンピュータを、請求項１または２に記載の信号処理装置として機能させるための信号処理プログラム。

Images