JP6371531B2 - 音声信号処理装置及びプログラム - Google Patents

Description

本発明は、音声を一時的に記憶し、その音声のピッチ周期を変化させて、再び音声として出力する技術に関し、特に、音声の抑揚（イントネーション）を変換する音声信号処理装置及びプログラムに関する。

従来、音声の有声音部分について、そのピッチ周波数を抽出し、音声の抑揚を変換する手法には様々なものが提案されている。

例えば、比較的高品質に抑揚を変換する手法として、特許文献１に記載のものがある。特許文献１の音声信号処理装置は、入力音声から有声音区間を抽出し、有声音区間からピッチ周期を抽出し、抽出したピッチ周期に対応したそれぞれのピッチ区間において線形予測係数を求め、線形予測係数を用いてスペクトル包絡を算出する。

そして、音声信号処理装置は、それぞれのピッチ区間の波形を、線形予測係数を援用することによって伸縮し、入力音声の発話時間長に変化がないように、それぞれのピッチ区間の波形を間引くかまたは繰り返すことによって、伸縮した音声波形を接続し、接続した波形に対して線形予測係数を求め、線形予測係数を用いてスペクトル包絡を算出する。

そして、音声信号処理装置は、波形の伸縮前に算出したスペクトル包絡と伸縮後に算出したスペクトル包絡との差を歪み成分として求め、接続波形をフーリエ変換によって周波数領域に変換し、周波数領域のそれぞれの周波数成分から歪み成分を修正した後、逆フーリエ変換によって接続波形を時間領域に戻し、接続波形の平均ピッチ周期に対応した櫛形ろ波を接続波形に施した後、前後の無声音区間または無音区間と接続する。これにより、入力音声が新たなピッチ周期の音声に変換される。

この音声信号処理装置は、ピッチ区間の波形を伸縮する際に、一連のピッチ周期の各々に所望の変更を加え、新たなピッチ周期列を算出し、これに基づいて波形の伸縮を行う。

具体的には、ある有声音区間内において、初めのピッチからｎ番目のピッチの周期をＰ_ｎ、ピッチ周波数をＦ_ｎ＝１／Ｐ_ｎ、全ピッチ数をＬとして、以下の式により、平均ピッチ周波数Ｆ_AVEが算出される。

この式は、人間の音声における高低の知覚機構を考慮したものであり、全ピッチ周波数の相乗平均にて定義される。

原音声の平均ピッチ周波数Ｆ_AVEを中心として抑揚を強調または抑圧する場合、ピッチ周波数Ｆ_ｎは、ピッチ周期毎に倍率Ｒ_ｎ倍される。

ここで、Ｃは、音声の抑揚を強調または抑圧する度合いを示すパラメータ（ピッチ周波数Ｆ_nを変化させる度合いを示すパラメータ）であり、Ｃ＞１の場合、音声の抑揚が強調され、０≦Ｃ＜１の場合、音声の抑揚が抑圧される。

つまり、音声の抑揚が強調または抑圧された新たなピッチ周波数Ｆ’_nは、以下の式にて算出される。

このようにして、ピッチ区間の波形の伸縮に先立って、音声の抑揚が強調または抑圧された新たなピッチ周期列が算出される。

特許第２６１２８６７号公報

前述した特許文献１の音声信号処理装置では、音声の抑揚を強調または抑圧する場合、前記式（１）に示したように、平均ピッチ周波数Ｆ_AVEを算出するために全ピッチ周波数の相乗平均を求める必要がある。しかし、全ピッチ周波数の相乗平均を求める処理では、遅延時間が長くなってしまう。このため、この音声信号処理装置は、オフラインにて音声を変換する用途に利用することはできるが、オンラインのリアルタイムで音声を変換する用途には利用することができ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、音声の抑揚を強調または抑圧するピッチ周波数の算出処理の負荷を低減し、リアルタイムに音声を変換可能な音声信号処理装置及びプログラムを提供することにある。

前記目的を達成するために、本発明による音声信号処理装置は、入力音声の有音区間及び無音区間を判別する有音／無音判別部と、前記有音区間における音声波形の有声音区間及び無声音区間を判別する有声／無声判別部と、前記有声音区間における音声波形のピッチ区間を抽出するピッチ区間抽出部と、前記ピッチ区間の音声波形におけるピッチ周期列に対し所望の変更を加えてピッチ周波数を制御し、新たなピッチ周期列を生成するピッチ周波数制御部と、前記新たなピッチ周期列に応じて、前記抽出されたピッチ区間の音声波形におけるピッチ周波数を変換するピッチ周波数変換部と、前記ピッチ周波数が変換された有声音区間の音声波形、前記無音区間の音声波形及び前記無声音区間の音声波形を接続し、新たな音声波形を出力する区間接続部と、を備えた音声信号処理装置において、前記ピッチ周波数制御部が、前記ピッチ周期列における時間軸上のサンプルのピッチ周波数に対応して、新たなピッチ周波数を算出する際に、一のサンプルより過去の所定サンプル数のピッチ周波数を平均して平均ピッチ周波数を算出し、前記一のサンプルのピッチ周波数、前記平均ピッチ周波数、及び前記一のサンプルのピッチ周波数を変化させる度合いを示すパラメータに基づいて、新たなピッチ周波数を算出し、各サンプルに対して算出した前記新たなピッチ周波数のそれぞれに基づいて、新たなピッチ周期列を生成する、ことを特徴とする。

また、本発明による音声信号処理装置は、前記所定サンプル数を１／２倍したサンプル数を１／２倍サンプル数として、前記ピッチ周波数制御部が、前記ピッチ周期列における時間軸上のサンプルのピッチ周波数に対応して、新たなピッチ周波数を算出する際に、一のサンプルより過去の前記１／２倍サンプル数のピッチ周波数と、当該一のサンプルに対して先読みした前記１／２倍サンプル数のピッチ周波数とを平均して平均ピッチ周波数を算出し、前記一のサンプルのピッチ周波数、前記平均ピッチ周波数、及び前記一のサンプルのピッチ周波数を変化させる度合いを示すパラメータに基づいて、新たなピッチ周波数を算出し、各サンプルに対して算出した前記新たなピッチ周波数のそれぞれに基づいて、新たなピッチ周期列を生成する、ことを特徴とする。

また、本発明による音声信号処理装置は、前記所定サンプル数を、前記新たなピッチ周波数が算出される各サンプルについて固定数とする、ことを特徴とする。

さらに、本発明によるプログラムは、コンピュータを、前記音声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、音声の抑揚を強調または抑圧するピッチ周波数の算出処理の負荷を低減することができ、リアルタイムに音声を変換することが可能となる。

本発明の実施形態による音声信号処理装置の構成を示すブロック図である。 ピッチ周波数制御部の処理を示すフローチャートである。 平均ピッチ周波数の算出処理を説明する図である。 （１）入力音声の周波数の例を模式的に示す図である。（２）抑揚が強調された音声の周波数の例を模式的に示す図である。（３）抑揚が抑圧された音声の周波数の例を模式的に示す図である。 （１）抑揚が強調された音声の周波数の例を示す図である。（２）入力音声の周波数の例を示す図である。（３）抑揚が抑圧された音声の周波数の例を示す図である。

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。
〔音声信号処理装置〕
まず、本発明の実施形態による音声信号処理装置について説明する。図１は、その音声信号処理装置の構成を示すブロック図である。この音声信号処理装置１は、有音／無音判別部１０、有声／無声判別部１１、ピッチ区間抽出部１２、ピッチ周波数制御部１３、ピッチ周波数変換部１４及び区間接続部１５を備えている。

有音／無音判別部１０は、図示しないＡ／Ｄ変換部によりＡ／Ｄ変換されて標本化された音声波形を入力し、入力した音声波形について、音声パワーの有無に基づいて、有音区間と無音区間とに判別する。有音／無音判別部１０により判別された有音区間の音声波形は、有声／無声判別部１１に出力され、無音区間の音声波形は、区間接続部１５に出力される。

有声／無声判別部１１は、有音／無音判別部１０から有音区間の音声波形を入力し、入力した有音区間の音声波形について、ＰＡＲＣＯＲ分析及び零交さ分析を行い、有声音区間と無声音区間とに判別する。有声／無声判別部１１により判別された有声音区間の音声波形は、ピッチ区間抽出部１２に出力され、無声音区間の音声波形は、区間接続部１５に出力される。

ピッチ区間抽出部１２は、有声／無声判別部１１から有声音区間の音声波形を入力し、入力した有声音区間の音声波形の相関、ピークの間隔及びレベルに基づいて、ピッチ区間を抽出する。ピッチ区間抽出部１２により抽出されたピッチ区間の音声波形（ピッチ区間波形）におけるピッチ周期列は、ピッチ周波数制御部１３に出力される。尚、有音／無音判別部１０及び有声／無声判別部１１における判別手法、並びにピッチ区間抽出部１２における抽出手法は例示であり、他の手法を用いることができる。

ピッチ周波数制御部１３は、ピッチ区間抽出部１２からピッチ周期列を入力し、入力したピッチ周期列に対し、所望の変更を加えてピッチ周波数を制御し、抑揚を強調または抑圧した新たなピッチ周期列を生成する。ピッチ周波数制御部１３により生成された新たなピッチ周期列は、ピッチ周波数変換部１４に出力される。

ピッチ周波数変換部１４は、ピッチ周波数制御部１３から新たなピッチ周期列を入力し、入力した新たなピッチ周期列に応じて、ピッチ区間抽出部１２により抽出されたピッチ区間の音声波形であるピッチ区間波形のピッチ周波数を変換する。これにより、入力音声のピッチ区間波形が、新たなピッチ周期列のピッチ区間波形に伸縮される。ピッチ周波数変換部１４により新たなピッチ周期列のピッチ周波数に変換された音声波形は、有声音区間の音声波形として区間接続部１５に出力される。

区間接続部１５は、ピッチ周波数変換部１４から有声音区間の音声波形を入力すると共に、有音／無音判別部１０から無音区間の音声波形を、有声／無声判別部１１から無声音区間の音声波形を入力する。そして、区間接続部１５は、入力した各区間の音声波形を接続して合成し、合成後の音声波形を出力する。区間接続部１５により出力された音声波形は、図示しないＤ／Ａ変換部によりＤ／Ａ変換され、出力音声として出力される。

〔ピッチ周波数制御部〕
次に、図１に示したピッチ周波数制御部１３の処理について説明する。前述のとおり、ピッチ周波数制御部１３は、入力音声のピッチ周期列に対し、所望の変更を加えてピッチ周波数を制御し、抑揚を強調または抑圧した新たなピッチ周期列を生成する。

図２は、ピッチ周波数制御部１３の処理を示すフローチャートであり、図３は、平均ピッチ周波数の算出処理を説明する図である。また、図４（１）は、入力音声の周波数の例を模式的に示す図であり、図４（２）は、抑揚が強調された音声の周波数の例を模式的に示す図であり、図４（３）は、抑揚が抑圧された音声の周波数の例を模式的に示す図である。これらの図は、ピッチ周波数の時間変化を示すものであり、横軸は時間（サンプル番号）であり、縦軸は周波数である。

ピッチ周波数制御部１３は、ピッチ区間抽出部１２から入力音声のピッチ周期列を入力し（ステップＳ２０１）、入力したピッチ周期列について、過去のサンプル数ｎ個の平均ピッチ周波数

を算出する（ステップＳ２０２）。

具体的には、ピッチ周波数制御部１３は、入力音声のピッチ周期列におけるｊ番目のピッチ（サンプル）のピッチ周波数をｆ_jとして、以下の式により相乗平均の演算を行い、図３に示すように、ｊ番目のピッチを含む過去のサンプル数ｎ個のピッチ周波数ｆ_j-n+1，・・・，ｆ_jからその平均値（平均ピッチ周波数）を算出する。

ここで、サンプル数ｎは、当該ピッチのインデックスｊが、予め設定された固定長Ｎより小さい場合はｊとし、固定長Ｎより大きいか等しい場合はＮとする。尚、前記式（４）の平均ピッチ周波数は、実用上、発話者の変更に伴って改めて算出することが望ましい。

図２に戻って、ピッチ周波数制御部１３は、抑揚を強調または抑圧した音声のピッチ周波数ｆ’_jを算出する（ステップＳ２０３）。

具体的には、ピッチ周波数制御部１３は、入力したピッチ周期列のｊ番目のピッチのピッチ周波数ｆ_j、当該ｊ番目のピッチを基準とした過去のサンプル数ｎ個の平均ピッチ周波数

、及び、予め設定された抑揚の強調または抑圧度合いを示すパラメータ（ピッチ周波数ｆ_jを変化させる度合いを示すパラメータ）ｒ_intから、以下の式により、抑揚を強調または抑圧した音声のピッチ周波数ｆ’_jを算出する。

ここで、ｒ_int＞１の場合、図４（２）に示すように、音声の抑揚が強調される。また、０≦ｒ_int＜１の場合、図４（３）に示すように、音声の抑揚が抑圧される。

図４（２）から、抑揚が強調された音声のピッチ周波数ｆ1’_j（実線）と入力音声のピッチ周波数ｆ_j（点線）とを比較すると、実線に示すピッチ周波数ｆ1’_jの音声は、入力音声に対して抑揚が強調されていることがわかる。また、図４（３）から、抑揚が抑圧された音声のピッチ周波数ｆ2’_j（実線）と入力音声のピッチ周波数ｆ_j（点線）とを比較すると、実線に示すピッチ周波数ｆ2’_jの音声は、入力音声に対して抑揚が抑圧されていることがわかる。

図２に戻って、ピッチ周波数制御部１３は、ステップＳ２０３にて算出したピッチ周波数ｆ’_jに基づいて、当該ｊ番目のピッチのピッチ周期ｋ’_j＝ｆs／ｆ’_jを算出し、新たなピッチ周期列を生成する（ステップＳ２０４）。ここで、ｆsは、標本化周波数である。

ピッチ周波数制御部１３は、ステップＳ２０４にて生成した新たなピッチ周期列を出力する（ステップＳ２０５）。これにより、予め設定された強調または抑圧度合いを示すパラメータ（倍率）ｒ_intに従って、ピッチ周波数制御部１３から、入力音声に対して抑揚が強調または抑圧された音声のピッチ周期列が出力される。

図５は、抑揚が強調または抑圧された音声の周波数の例を示す図である。（１）は抑揚が強調された音声の周波数の例を示し、（２）は入力音声の周波数の例を示し、（３）は抑揚が抑圧された音声の周波数の例を示す。図５は、図３及び図４と同様に、ピッチ周波数の時間変化を示すものであり、横軸は時間（サンプル）であり、縦軸は周波数である。

図５（１）に示す抑揚が強調された音声のピッチ周波数は、図５（２）に示す入力音声のピッチ周波数に対して、抑揚の概形を保持したまま、入力音声に対応したリアルタイムにて抑揚が強調されていることがわかる。同様に、図５（３）に示す抑揚が抑圧された音声のピッチ周波数は、図５（２）に示す入力音声のピッチ周波数に対して、抑揚の概形を保持したまま、入力音声に対応したリアルタイムにて抑揚が抑圧されていることがわかる。したがって、入力音声である原音声の音韻性及び自然性を良好に保ったまま、リアルタイムに抑揚変換を行うことができる。

以上のように、本発明の実施形態の音声信号処理装置１によれば、ピッチ周波数制御部１３は、入力音声における過去のサンプル数ｎ個のピッチ周波数ｆ_j-n+1，・・・，ｆ_jからその平均値（平均ピッチ周波数）を算出し、入力音声のｊ番目のピッチのピッチ周波数ｆ_j、算出した平均値（平均ピッチ周波数）、及び予め設定されたパラメータ（倍率）ｒ_intから、抑揚を強調または抑圧した音声のピッチ周波数ｆ’_jを算出し、新たなピッチ周期列を生成するようにした。

これにより、抑揚を強調または抑圧した音声のピッチ周波数ｆ’_jを算出する際に、入力音声の全ピッチ周波数を用いる必要がないから、簡易な処理で済む。したがって、遅延時間を短くすることができ、リアルタイムに抑揚変換した高品質な音声を得ることができる。

尚、本発明の実施形態による音声信号処理装置１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。音声信号処理装置１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。音声信号処理装置１に備えた有音／無音判別部１０、有声／無声判別部１１、ピッチ区間抽出部１２、ピッチ周波数制御部１３、ピッチ周波数変換部１４及び区間接続部１５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、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、実施形態を挙げて本発明を説明したが、本発明は前記実施形態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。前記実施形態では、音声信号処理装置１のピッチ周波数制御部１３は、ｊ番目のピッチの平均ピッチ周波数を算出する際に、当該ピッチのピッチ周波数ｆ_jを含む過去のサンプル数ｎ個のピッチ周波数ｆ_j-n+1，・・・，ｆ_jを用いて、相乗平均の演算を行うようにした。

これに対し、ピッチ周波数制御部１３は、相乗平均の演算の代わりに相加平均の演算を行うようにしてもよい。また、ピッチ周波数制御部１３は、過去のサンプル数ｎ個（サンプルの範囲）を、ｊの番号に関わらず固定長にするのではなく、ｊの番号に応じて可変長とするようにしてもよい。また、過去のサンプル数ｎ個のピッチ周波数には、当該ピッチのピッチ周波数ｆ_jを含まないようにしてもよい。

また、過去のサンプル数ｎ個のピッチ周波数の代わりに、過去のｎ／２個のピッチ周波数及び先読みした未来のｎ／２個のピッチ周波数を用いるようにしてもよい。この場合、ピッチ周波数制御部１３は、ｊ番目のピッチの平均ピッチ周波数を算出する際に、リアルタイムの入力音声のピッチ周期列（先読みしたピッチ周波数を含む各ピッチのピッチ周波数）が格納されたメモリから、当該ピッチのピッチ周波数ｆ_jを基準にして、過去のｎ／２個のピッチ周波数ｆ_j-n/2+1，・・・，ｆ_j及び先読みした未来のｎ／２個のピッチ周波数ｆ_j+1，・・・，ｆ_j+n/2をメモリから読み出し、これらのピッチ周波数を用いて相乗平均等の演算を行う。

１ 音声信号処理装置
１０ 有音／無音判別部
１１ 有声／無声判別部
１２ ピッチ区間抽出部
１３ ピッチ周波数制御部
１４ ピッチ周波数変換部
１５ 区間接続部

Claims (4)

1. 入力音声の有音区間及び無音区間を判別する有音／無音判別部と、前記有音区間における音声波形の有声音区間及び無声音区間を判別する有声／無声判別部と、前記有声音区間における音声波形のピッチ区間を抽出するピッチ区間抽出部と、前記ピッチ区間の音声波形におけるピッチ周期列に対し所望の変更を加えてピッチ周波数を制御し、新たなピッチ周期列を生成するピッチ周波数制御部と、前記新たなピッチ周期列に応じて、前記抽出されたピッチ区間の音声波形におけるピッチ周波数を変換するピッチ周波数変換部と、前記ピッチ周波数が変換された有声音区間の音声波形、前記無音区間の音声波形及び前記無声音区間の音声波形を接続し、新たな音声波形を出力する区間接続部と、を備えた音声信号処理装置において、
   前記ピッチ周波数制御部は、
   前記ピッチ周期列における時間軸上のサンプルのピッチ周波数に対応して、新たなピッチ周波数を算出する際に、
   一のサンプルより過去の所定サンプル数のピッチ周波数を平均して平均ピッチ周波数を算出し、前記一のサンプルのピッチ周波数、前記平均ピッチ周波数、及び前記一のサンプルのピッチ周波数を変化させる度合いを示すパラメータに基づいて、新たなピッチ周波数を算出し、各サンプルに対して算出した前記新たなピッチ周波数のそれぞれに基づいて、新たなピッチ周期列を生成する、ことを特徴とする音声信号処理装置。
2. 請求項１に記載の音声信号処理装置において、
   前記所定サンプル数を１／２倍したサンプル数を１／２倍サンプル数として、
   前記ピッチ周波数制御部は、
   前記ピッチ周期列における時間軸上のサンプルのピッチ周波数に対応して、新たなピッチ周波数を算出する際に、
   一のサンプルより過去の前記１／２倍サンプル数のピッチ周波数と、当該一のサンプルに対して先読みした前記１／２倍サンプル数のピッチ周波数とを平均して平均ピッチ周波数を算出し、前記一のサンプルのピッチ周波数、前記平均ピッチ周波数、及び前記一のサンプルのピッチ周波数を変化させる度合いを示すパラメータに基づいて、新たなピッチ周波数を算出し、各サンプルに対して算出した前記新たなピッチ周波数のそれぞれに基づいて、新たなピッチ周期列を生成する、ことを特徴とする音声信号処理装置。
3. 請求項１または２に記載の音声信号処理装置において、
   前記所定サンプル数を、前記新たなピッチ周波数が算出される各サンプルについて固定数とする、ことを特徴とする音声信号処理装置。
4. コンピュータを、請求項１から３までのいずれか一項に記載の音声信号処理装置として機能させるためのプログラム。

Images