JP6616962B2 - 信号処理装置及びプログラム - Google Patents

Description

本発明は、入力された音声信号に対して声質変換処理を施す信号処理装置及びプログラムに関する。

従来、音声信号に対して所定処理を施すことによって声質を変換する方法として、様々な方法が提案されている。例えば、音声信号からスペクトル包絡を抽出して声質を変換する方法として、以下に示す特許文献１に記載されている方法が知られている。

かかる特許文献１に記載されている方法は、以下の手順によって行われる。第１に、入力された音声信号から有声音区間を抽出する。第２に、抽出された有声音区間において、線形予測係数を求めることによって、ホルマント周波数（共振周波数）及び帯域幅を算出すると共に、線形予測係数に基づいてスペクトル包絡（変更前スペクトル包絡）を算出する。第３に、有声音区間における音声信号に対してフーリエ変換を施して周波数領域の成分（周波数成分）に変換する。第４に、ホルマント周波数の各時間軌跡におけるホルマント周波数又は帯域幅に変更を加える。第５に、変更が加えられたホルマント周波数又は帯域幅に基づいてスペクトル包絡（変更後スペクトル包絡）を算出する。第６に、変更後スペクトル包絡を変更前スペクトル包絡で除した商（変更成分）を算出する。第７に、上述の周波数成分に対して、かかる変更成分を乗ずることにより、上述のホルマント周波数に対する変更を含むスペクトル変更を行った後、かかる周波数成分に対して逆フーリエ変換を施して時間領域の成分の音声信号を取得する。第８に、かかる音声信号を、無声音区間、無音区間又は前後の有声音区間に接続して、声質変更が施された音声信号を取得する。

特許第２６１２８６９号

ここで、上述の特許文献１に記載されている方法では、変換ビット数が１２ビットで標本化周波数が１５ｋＨでＡ/Ｄ変換された音声信号を対象とした実施例が挙げられており、かかる実施例では、男性の音声信号（男声）に対しては線形予測分析次数ｐを１４次程度とし、女性の音声信号（女性）に対しては線形予測分析次数ｐを１０次程度としている。

図１１に、特許文献１に記載されている方法で用いられているパラメータとほぼ同じパラメータとして標本化周波数を１６ｋＨｚとし線形予測分析次数を１６次とした場合のスペクトル包絡を示す。ここで、図１１では、横軸が周波数（Ｈｚ）を示し、縦軸が振幅（ｄＢ）を示し、実線がパワースペクトルを示し、点線がスペクトル包絡を示す。

ここで、線形予測分析によるスペクトル包絡が、パワースペクトルのピーク部分を捉えており、声質を変換する際に、個人性に寄与する主に４ｋＨｚまでの低い周波数から３個程度のピークを変化させることができる。

図１２に、標本化周波数を４８ｋＨｚとして線形予測分析次数を１６次とした場合のスペクトル包絡を示す。

かかる場合には、すなわち、線形予測分析次数として１６次を用いて標本化周波数４８ｋＨｚという広い帯域の音声信号に対して線形予測分析を行った場合には、細かい共振のピークを求めることができないため、標本化周波数が１５ｋＨｚとされているケースで想定しているような音声帯域のピーク部分を捉えることができない。

一方で、図１３に、標本化周波数を４８ｋＨｚとして線形予測分析次数を４８次とした場合のスペクトル包絡を示す。

かかる場合には、すなわち、線形予測分析次数を増やして適切な次数で標本化周波数が４８ｋＨｚといった広い帯域の音声信号に対して線形予測分析を行った場合には、標本化周波数が１５ｋＨｚとされているケースで想定しているようなホルマント周波数に相当する音声帯域も含めて、細かい共振のピークを求めることができる。

以上のように、上述の特許文献１に記載されている方法では、帯域幅が１５ｋＨｚ以上の広い帯域の音声信号（例えば、標本化周波数が４８ｋＨｚの音声信号）を対象として、標本化周波数が１５ｋＨｚとされているケースで想定しているようなホルマント周波数に相当する音声帯域のスペクトル包絡を変更した音声を得ることができないという問題点があった。

そこで、本発明は、上述した課題を解決するためになされたものであり、入力された音声信号に対して高品質な声質変換を行うことができる信号処理装置及びプログラムを提供することを目的とする。

本発明の第１の特徴は、入力された音声信号に対して所定処理を施すように構成されている信号処理装置であって、前記音声信号から周波数特性を算出するように構成されている周波数特性算出部と、前記音声信号から算出された線形予測係数に基づいて、前記音声信号のスペクトル包絡を算出するように構成されているスペクトル包絡算出部と、入力された周波数を一意に変換する周波数変換関数を用いて、前記スペクトル包絡を構成する周波数成分を変更するように構成されている変更部と、前記周波数成分が変更された前記スペクトル包絡に基づいて、前記周波数特性を補正するように構成されている補正部と、補正された前記周波数特性に基づいて、前記所定処理が施された音声信号を取得するように構成されている処理部とを具備することを要旨とする。

本発明の第２の特徴は、入力された音声信号に対して所定処理を施すように構成されている信号処理装置であって、前記音声信号から周波数特性を算出するように構成されている周波数特性算出部と、前記音声信号から算出された線形予測係数に基づいて、前記音声信号のスペクトル包絡を算出するように構成されているスペクトル包絡算出部と、ホルマントに所望の変更を加えることによって、前記スペクトル包絡に対して所望の変更を加えるように構成されている変更部と、前記所望の変更が加えられた前記スペクトル包絡に基づいて、前記周波数特性を補正するように構成されている補正部と、補正された前記周波数特性に基づいて、前記所定処理が施された音声信号を取得するように構成されている処理部とを具備し、前記スペクトル包絡算出部は、前記線形予測係数として、前記入力された音声信号をダウンサンプリングすることによって得られた音声帯域部分のみを対象とした線形予測係数を用いるように構成されていることを要旨とする。

本発明の第３の特徴は、コンピュータを、上述の信号処理装置として機能させるためのプログラムであることを要旨とする。

本発明によれば、入力された音声信号に対して高品質な声質変換を行うことができる信号処理装置及びプログラムを提供することができる。

図１は、第１の実施形態に係る信号処理装置１の機能ブロック図である。 図２は、第１の実施形態に係る信号処理装置１で用いられる周波数変換関数の一例を示す図である。 図３（ａ）は、第１の実施形態に係る信号処理装置１によって声質が変換された音声信号のスペクトル包絡を示し、図３（ｂ）は、第１の実施形態に係る信号処理装置１によって声質が変換された音声信号のパワースペクトルを示す（周波数変換倍率β＝０.５）。 図４（ａ）は、第１の実施形態に係る信号処理装置１によって声質が変換された音声信号のスペクトル包絡を示し、図４（ｂ）は、第１の実施形態に係る信号処理装置１によって声質が変換された音声信号のパワースペクトルを示す（周波数変換倍率β＝２.０）。 図５は、第２の実施形態に係る信号処理装置１の機能ブロック図である。 図６（ａ）は、第２の実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるスペクトル包絡を示し、図６（ｂ）は、第２の実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるパワースペクトルを示す（周波数変換倍率β＝０.５）。 図７（ａ）は、第２の実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるスペクトル包絡を示し、図７（ｂ）は、第２の実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるパワースペクトルを示す（周波数変換倍率β＝２.０）。 図８は、第３の実施形態に係る信号処理装置１の機能ブロック図である。 図９（ａ）は、第３の実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるスペクトル包絡を示し、図９（ｂ）は、第３の実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるパワースペクトルを示す（共振周波数に対するホルマント制御倍率γ＝０.５）。 図１０（ａ）は、第３の実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるスペクトル包絡を示し、図１０（ｂ）は、第３の実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるパワースペクトルを示す（共振周波数に対するホルマント制御倍率γ＝２.０）。 図１１は、従来技術について説明するための図である。 図１２は、従来技術について説明するための図である。 図１３は、従来技術について説明するための図である。

（第１の実施形態）
以下、図１〜図４を参照して、本発明の第１の実施形態に係る信号処理装置１について説明する。

図１に示すように、本実施形態に係る信号処理装置１は、フレーム切出部１１と、フーリエ変換部１２と、線形予測分析部１３と、スペクトル包絡算出部１４と、スペクトル包絡変更部１５と、周波数変換関数作成部１６と、スペクトル包絡減算部１７と、スペクトル包絡補正部１８と、スペクトル包絡減算傾き算出部１９と、スペクトル包絡傾き補正部２０と、逆フーリエ変換部２１と、フレーム合成部２２とを具備している。

フレーム切出部１１は、入力された音声信号から、適切な長さのフレーム単位でデータを切り出すように構成されている。

例えば、フレーム切出部１１は、標本化周波数ｆｓが４８ｋＨｚで且つ量子化ビット数が１６ビットでＡ/Ｄ変換されて標本化された音声信号（音声波形）を取得すると、適切な長さのフレーム単位でデータを切り出すように構成されている。

なお、第１の実施形態の例では、入力された音声信号をｘ_ｉ（ｎ）で表し、フレーム長Ｎを１０２４サンプル（約２０ｍｓ）とし、フレームシフト幅をフレーム長Ｎの半分の５１２サンプル（約１０ｍｓ）とし、ｍ番目のフレームでｎ番目のサンプルのデータをｘ_ｉ（ｍ，ｎ）で表す。

また、フレーム切出部１１は、音声信号における声道特性特有の高域の減衰を補正するため、切り出したフレーム内のデータに、「Ｐ（ｚ）＝１−αｚ^−１（α＝０.９７）」で表されるフィルタで、プリエンファシスを施すように構成されていてもよい。

また、フレーム切出部１１は、プリエンファシスを施したデータに対して、適切な窓関数（例えば、ハミング窓ｗ_ｈａｍｍ（ｎ）＝０.５４−０.４６ｃｏｓ（２πｎ/Ｎ））を乗じるように構成されていてもよい。

フーリエ変換部１２は、フレーム切出部１１から、入力された音声信号から切り出されてプリエンファシスを施されて窓関数を乗じられたデータを取得すると、離散フーリエ変換（ＦＦＴ）によって、周波数特性Ｘ（ｚ）を算出するように構成されている。なお、本実施形態の例では、ＦＦＴポイント数を２０４８ポイントとする。

また、線形予測分析部１３は、フレーム切出部１１から、入力された音声信号から切り出されたデータを取得すると、かかるデータに基づく線形予測分析により、全ての帯域を対象とした線形予測係数ａ_ｉ（ｉ＝１，…，ｐ）を算出するように構成されている。本実施形態の例では、線形予測係数の次数（線形予測分析次数）ｐを４８次とする。

スペクトル包絡算出部１４は、線形予測分析部１３から線形予測係数を取得すると、スペクトル包絡

を算出するように構成されている。本実施形態の例では、スペクトル包絡のデータ長は、周波数特性のＦＦＴサンプル数と同じ２０４８ポイントである。

周波数変換関数作成部１６は、入力された周波数変換パラメータに基づいて、周波数変換関数を作成するように構成されている。

ここで、図２に、参考文献１（「Ｔｈｅ ＨＴＫ Ｂｏｏｋ（ｆｏｒ ＨＴＫ Ｖｅｒｓｉｏｎ ３.４） Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ Ｄｅｐａｒｔｍｅｎｔ」）に示されている周波数変換関数の図に、説明を加えた例を示す。図２では、横軸がオリジナルの入力周波数ｆ_ｉｎを示し、縦軸が周波数変換された出力周波数ｆ_ｏｕｔを示す。なお、参考文献１では、周波数変換関数は、音声認識における声道の長さの影響を正規化するために利用されている。

本実施形態では、周波数変換関数作成部１６は、例えば、図２に示す周波数変換関数を用いるように構成されていてもよい。かかる周波数変換関数は、入力された周波数ｆ_ｉｎを一意に変換するための関数、すなわち、入力周波数ｆ_ｉｎを入力周波数ｆ_ｉｎに対応する出力周波数ｆ_ｏｕｔに変換する関数である。

また、かかる場合、周波数変換関数作成部１６に入力される周波数変換パラメータは、境界最低周波数ｆ_Ｌ、境界最高周波数ｆ_Ｕ、変換範囲指定最低周波数ｆ_ｍｉｎ、変換範囲指定最高周波数ｆ_ｍａｘ及び周波数変換倍率β＝１/α（αは声道長補正倍率、α_ｍｉｎ≦α≦α_ｍａｘ）が含まれる。

ここで、例えば、周波数変換関数作成部１６に対して入力される周波数変換パラメータとして、ｆ_Ｌ＝１００、ｆ_Ｕ＝５０００、ｆ_ｍｉｎ＝０、ｆ_ｍａｘ＝２４０００と設定し、０.５≦β≦２.０の範囲でβを設定する。なお、周波数制御倍率βについては、図２に示すように、βが１より小さい程（αが１より大きい程）入力周波数に対して出力周波数は小さくなり、βが１より大きい程（αが１より小さい程）入力周波数に対して出力周波数は大きくなる。

なお、周波数変換関数作成部１６に対して入力される周波数変換パラメータとして、ｆ_Ｌ＝１００、ｆ_Ｕ＝５０００、ｆ_ｍｉｎ＝０、ｆ_ｍａｘ＝６０００と設定することにより、６０００Ｈｚ以下の音声帯域部分のみを周波数変換し、６０００Ｈｚ以上の帯域部分については、原音の周波数特性を保つこともできる。

スペクトル包絡変更部１５は、スペクトル包絡算出部から取得したスペクトル包絡Ｈ（ｚ）及び周波数変換関数作成部１６から取得した周波数変換関数に基づいて、スペクトル包絡Ｈ（ｚ）を変更することによってスペクトル包絡Ｈ'（ｚ）を算出するように構成されている。

例えば、スペクトル包絡変更部１５は、図２に示す周波数関数を用いて、スペクトル包絡Ｈ'（ｚ）を算出するように構成されていてもよい。かかる場合、スペクトル包絡変更部１５は、スペクトル包絡Ｈ（ｚ）を構成する各周波数成分を入力周波数ｆ_ｉｎとして図２に示す周波数関数に入力し、図２に示す周波数関数によって得られた複数の出力周波数ｆ_ｏｕｔを周波数成分とするスペクトル包絡Ｈ'（ｚ）を算出するように構成されている。

ここで、スペクトル包絡変更部１５は、サンプル値の補完によって、スペクトル包絡Ｈ（ｚ）を変更するように構成されていてもよい。例えば、スペクトル包絡変更部１５は、スペクトル包絡Ｈ（ｚ）を構成する周波数成分を入力周波数ｆ_ｉｎとして、かかる入力周波数ｆ_ｉｎに対応する出力周波数ｆ_ｏｕｔ、及び、その前後の周波数に対応する３点のスペクトル包絡の値を用いて、２次の多項式で最小二乗近似することにより、スペクトル包絡Ｈ'（ｚ）を算出するように構成されていてもよい。

スペクトル包絡減算部１７は、スペクトル包絡算出部１４から取得したスペクトル包絡Ｈ（ｚ）及びスペクトル包絡変更部１５から取得した変更後のスペクトル包絡Ｈ'（ｚ）に基づいて、変更後のスペクトル包絡Ｈ'（ｚ）からスペクトル包絡Ｈ（ｚ）を減算した補正値Ｇ（ｚ）＝Ｈ'（ｚ）−Ｈ（ｚ）を算出するように構成されている。ここで、スペクトル包絡については対数が取られているので、上述の減算によって補正値Ｇ（ｚ）が求められる。

スペクトル包絡補正部１８は、フーリエ変換部１２から取得した周波数特性Ｘ（ｚ）及びスペクトル包絡減算部１７から取得した補正値Ｇ（ｚ）に基づいて、周波数特性Ｘ（ｚ）に対して補正値Ｇ（ｚ）の複素指数を取ったものを乗算することにより、補正された周波数特性Ｘ'（ｚ）＝Ｘ（ｚ）・ｅｘｐ（Ｇ（ｚ））を算出するように構成されている。

スペクトル包絡減算傾き算出部１９は、スペクトル包絡減算部１７から取得した補正値Ｇ（ｚ）に基づいて、補正値Ｇ（ｚ）の傾きＧ'（ｚ）を算出するように構成されている。

例えば、スペクトル包絡減算傾き算出部１９は、補正値Ｇ（ｚ）を５次の曲線で最小二乗近似することにより、上述の傾きＧ'（ｚ）を算出するように構成されていてもよい。

スペクトル包絡減算傾き補正部２０は、スペクトル包絡補正部１８から取得した補正後の周波数特性Ｘ'（ｚ）及びスペクトル包絡減算傾き算出部１９から取得した傾きＧ'（ｚ）に基づいて、補正後の周波数特性Ｘ'（ｚ）に対して傾きＧ'（ｚ）の複素指数を取ったものを乗算することにより、補正後の周波数特性の傾きＸ''（ｚ）＝Ｘ'（ｚ）・ｅｘｐ（Ｇ'（ｚ））を算出するように構成されている。

逆フーリエ変換部２１は、スペクトル包絡減算傾き補正部２０から取得された補正後の周波数特性の傾きＸ''（ｚ）に対して逆フーリエ変換(ＩＦＦＴ)を施すことによって、フレームごとに声質変換された音声信号の時間波形ｘ'（ｍ,ｎ）を算出するように構成されている。

フレーム合成部２２は、逆フーリエ変換部２１から取得した音声信号の時間波形ｘ'（ｍ,ｎ）をハミング窓ｗ_ｈａｍｍ（ｎ）で除して、プリエンファシスの逆フィルタでディエンファシスを施すように構成されている。

ここで、フレーム合成部２２は、ディエンファシスを施したデータに対して、適切な窓関数（例えば、ハニング窓ｗ_hann（ｎ）＝０.５−０.５ｃｏｓ（２πｎ/Ｎ））を乗じるように構成されている。

その後、フレーム合成部２２は、かかる窓関数を乗じたデータをフレームごとにシフト幅分ずらして重ね合わせることにより、声質変換がなされた音声信号ｘ_ｏ（ｎ）を算出するように構成されている。

ここで、図３（ａ）に、周波数変換倍率βを０.５とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号のスペクトル包絡を示し、図３（ｂ）に、周波数変換倍率βを０.５とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号のパワースペクトルを示す。

一方、図４（ａ）に、周波数変換倍率βを２.０とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号のスペクトル包絡を示し、図４（ｂ）に、周波数変換倍率βを２.０とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号のパワースペクトルを示す。

本実施形態の特徴は、入力された音声信号ｘ_ｉ（ｎ）に対して声質変換処理（所定処理）を施すように構成されている信号処理装置１であって、音声信号ｘ_ｉ（ｎ）から周波数特性Ｘ（ｚ）を算出するように構成されているフーリエ変換部（周波数特性算出部）１２と、音声信号ｘ_ｉ（ｎ）から算出された線形予測係数ａ_ｉに基づいて、音声信号ｘ_ｉ（ｎ）のスペクトル包絡Ｈ（ｚ）を算出するように構成されているスペクトル包絡算出部１４と、入力された周波数ｆ_ｉｎを一意に変換する周波数変換関数を用いて、スペクトル包絡Ｈ（ｚ）を構成する周波数成分を変更するように構成されているスペクトル包絡変更部（変更部）１５と、周波数成分が変更されたスペクトル包絡Ｈ'（ｚ）に基づいて、周波数特性Ｘ（ｚ）を補正するように構成されているスペクトル包絡補正部１８及びスペクトル包絡傾き補正部２０（補正部）と、補正された周波数特性Ｘ'（ｚ）に基づいて、声質変換処理が施された音声信号ｘ_ｏ（ｎ）を取得するように構成されている逆フーリエ変換部２１及びフレーム合成部２２（処理部）とを具備することを要旨とする。

ここで、かかる本実施形態の特徴において、スペクトル包絡算出部１４は、上述の線形予測係数ａ_ｉとして、入力された音声信号ｘ_ｉ（ｎ）の全ての帯域を対象とした線形予測係数ａ_ｉを用いるように構成されている。

本実施形態に係る信号処理装置１によれば、周波数変換関数を利用することにより、どのような波形の音声信号が入力された場合であっても、高品質に声質変換を行うことができる。

（第２の実施形態）
以下、図５〜図８を参照して、本発明の第２の実施形態に係る信号処理装置１について、上述の第１の実施形態に係る信号処理装置１との相違点に着目して説明する。

本実施形態に係る信号処理装置１は、入力された音声信号ｘ_ｉ（ｎ）に対する声質変換処理を行うに際して、上述の第１の実施形態に係る信号処理装置１とは異なり、入力された音声信号ｘ_ｉ（ｎ）をダウンサンプリングした後、ダウンサンプリングされた帯域部分（音声帯域部分）のみを対象とした線形予測係数ａ_ｉを用いるように構成されている。

図５に示すように、本実施形態に係る信号処理装置１は、フレーム切出部１１と、フーリエ変換部１２と、ダウンサンプリング部３１と、線形予測分析部１３と、スペクトル包絡算出部１４と、スペクトル包絡変更部１５と、周波数変換関数作成部１６と、スペクトル包絡減算部１７と、ダウンサンプリング帯域スペクトル包絡補正部３２と、スペクトル包絡減算傾き算出部１９と、ダウンサンプリング帯域スペクトル包絡傾き補正部３３と、逆フーリエ変換部２１と、フレーム合成部２２とを具備している。

ダウンサンプリング部３１は、フレーム切出部１１から、入力された音声信号ｘ_ｉ（ｎ）から切り出されたデータを取得すると、標本化周波数ｆｓ_ｄｓ＝ｆｓ/４（＝１２ｋＨｚ）にダウンサンプリングされたデータ（すなわち、データ長は２５６サンプル）を算出するように構成されている。

線形予測分析部１３は、ダウンサンプリング部３１から取得したダウンサンプリングされたデータに基づく線形予測分析により、ダウンサンプリングされた帯域部分（音声帯域部分）のみを対象とした線形予測係数ａ_ｉ（ｉ＝１，…，ｐ）を算出するように構成されている。本実施形態の例では、線形予測係数の次数（線形予測分析次数）ｐを１２次とする。

例えば、ダウンサンプリング部３１を通さず、直接、フレーム切出部１１から線形予測分析部１３にて線形予測係数を得る方法として、線形予測分析部１３は、参考文献２（コロナ社、「音声の線形予測」、Ｊ.Ｄ.マーケル、Ａ.Ｈ.グレイＪｒ.著、鈴木久喜訳）に記載されている「Ｓｅｌｅｃｔｉｖｅ Ｌｉｎｅａｒ Ｐｒｅｄｉｃｔｉｏｎ（選択線形予測）」方法を用いて、上述の線形予測係数を得るように構成されていてもよい。

スペクトル包絡算出部１４は、線形予測分析部１３から線形予測係数を取得すると、スペクトル包絡

を算出するように構成されている。本実施形態の例では、スペクトル包絡のデータ長は、周波数特性のＦＦＴサンプル数の１/４である５１２ポイントである。

ダウンサンプリング帯域スペクトル包絡補正部３２は、フーリエ変換部２１から周波数特性Ｘ（ｚ）を取得すると共に、スペクトル包絡減算部１７からダウンサンプリングされた帯域部分のスペクトル包絡同士を減算することによって得られた補正値Ｇ（ｚ）を取得すると、周波数特性Ｘ（ｚ）のダウンサンプリングされた帯域部分に対して補正値Ｇ（ｚ）の複素指数を取ったものを乗算することにより、補正後の周波数特性

を取得するように構成されている。

ダウンリングサンプリング帯域スペクトル包絡傾き補正部３３は、ダウンサンプリング帯域スペクトル包絡補正部３２から取得した補正後の周波数特性Ｘ'（ｚ）に対して、スペクトル包絡減算傾き算出部１９から取得した傾きＧ'（ｚ）の複素指数をとったものを乗算することにより、補正後の周波数特性の傾き

を算出するように構成されている。

逆フーリエ変換部２１は、ダウンサンプリング帯域スペクトル包絡減算傾き補正部３３から取得された補正後の周波数特性の傾きＸ''（ｚ）に対して逆フーリエ変換(ＩＦＦＴ)を施すことによって、フレームごとに声質変換された音声信号の時間波形ｘ'（ｍ,ｎ）を算出するように構成されている。

ここで、図６（ａ）に、周波数変換倍率βを０.５とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるスペクトル包絡を示し、図６（ｂ）に、周波数変換倍率βを０.５とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるパワースペクトルを示す。

一方、図７（ａ）に、周波数変換倍率βを２.０とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるスペクトル包絡を示し、図７（ｂ）に、周波数変換倍率βを２.０とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるパワースペクトルを示す。

本実施形態の特徴は、入力された音声信号ｘ_ｉ（ｎ）に対して声質変換処理（所定処理）を施すように構成されている信号処理装置１であって、音声信号ｘ_ｉ（ｎ）から周波数特性Ｘ（ｚ）を算出するように構成されているフーリエ変換部（周波数特性算出部）１２と、音声信号ｘ_ｉ（ｎ）から算出された線形予測係数ａ_ｉに基づいて、音声信号ｘ_ｉ（ｎ）のスペクトル包絡Ｈ（ｚ）を算出するように構成されているスペクトル包絡算出部１４と、入力された周波数ｆ_ｉｎを一意に変換する周波数変換関数を用いて、スペクトル包絡Ｈ（ｚ）を構成する周波数成分を変更するように構成されているスペクトル包絡変更部（変更部）１５と、周波数成分が変更されたスペクトル包絡Ｈ'（ｚ）に基づいて、周波数特性Ｘ（ｚ）を補正するように構成されているダウンサンプリング帯域スペクトル包絡補正部３２及びダウンサンプリング帯域スペクトル包絡傾き補正部３３（補正部）と、補正された周波数特性Ｘ''（ｚ）に基づいて、声質変換処理が施された音声信号ｘ_ｏ（ｎ）を取得するように構成されている逆フーリエ変換部２１及びフレーム合成部２２（処理部）とを具備することを要旨とする。

ここで、かかる本実施形態の特徴において、スペクトル包絡算出部１４は、上述の線形予測係数ａ_ｉとして、入力された音声信号ｘ_ｉ（ｎ）をダウンサンプリングすることによって得られた音声帯域部分のみを対象とした線形予測係数ａ_ｉを用いるように構成されている。

本実施形態に係る信号処理装置１によれば、ダウンサンプリングされた帯域部分において周波数変換関数を利用して声質変換を行うように構成されているため、どのような波形の音声信号が入力された場合であっても、少ない処理量で適切な声質変換を行うことができる。

（第３の実施形態）
以下、図８〜図１０を参照して、本発明の第３の実施形態に係る信号処理装置１について、上述の第２の実施形態に係る信号処理装置１との相違点に着目して説明する。

本実施形態に係る信号処理装置１は、入力された音声信号ｘ_ｉ（ｎ）に対する声質変換処理を行うに際して、上述の第２の実施形態に係る信号処理装置１とは異なり、周波数変換関数の代わりに、ホルマント変更を利用するように構成されている。

図８に示すように、本実施形態に係る信号処理装置１は、フレーム切出部１１と、フーリエ変換部１２と、ダウンサンプリング部３１と、線形予測分析部１３と、求根部４１と、ホルマント算出部４２と、ホルマント変更部４３と、多項式再構成部４４と、スペクトル包絡算出部１４と、スペクトル包絡算出部４５と、スペクトル包絡減算部１７と、ダウンサンプリング帯域スペクトル包絡補正部３２と、スペクトル包絡減算傾き算出部１９と、ダウンサンプリング帯域スペクトル包絡傾き補正部３３と、逆フーリエ変換部２１と、フレーム合成部２２とを具備している。

求根部４１は、線形予測分析部１３から取得した線形予測係数に基づいて、多項式

の求根により、複素根としてスペクトル包絡の極ｚ_ｉ（ｉ＝１,…,ｐ）を求めるように構成されている。

ホルマント算出部４２は、求根部４１から取得したスペクトル包絡の極ｚ_ｉに基づいて、共振周波数（位相）Ｆ_ｉ（＝ａｒｇｚ_ｉ・ｆｓ/２π）及び帯域幅（振幅）Ｂ_ｉ（＝ｌｏｇ｜ｚ_ｉ｜・ｆｓ/π）を算出するように構成されている。

ここで、本実施形態では、共振周波数Ｆ_ｉがホルマント周波数の存在範囲（おおよそピッチ周波数以上の２００〜５０００Ｈｚ）内にある共振周波数Ｆ_ｉ及び帯域幅Ｂ_ｉの組み合わせのうち、帯域幅Ｂ_ｉと共振周波数Ｆ_ｉとの比Ｂ_ｉ/Ｆ_ｉが小さいものを「ホルマントＦ_ｉ, Ｂ_ｉ」とみなす。

ホルマント変更部４３は、ホルマント算出部４２から取得したホルマントＦ_ｉ, Ｂ_ｉのうち、共振周波数Ｆ_ｉの低いものから３つまでに対して、ホルマント制御倍率を乗ずることによって、ホルマントＦ_ｉ, Ｂ_ｉを変更するように構成されている。

ここで、共振周波数に対するホルマント制御倍率γ及び帯域幅に対するホルマント制御倍率δは、それぞれ独立のものとする。

多項式再構成部４４は、ホルマント変更部４３から取得した変更前のホルマントＦ_ｉ, Ｂ_ｉ及び変更後のホルマントＦ'_ｉ, Ｂ'_ｉに基づいて、複素根ｚ'_ｉ（ｉ＝１,…,Ｐ）を算出し、

の関係から、変更後の線形予測係数ａ'_ｉ（ｉ＝１,…,Ｐ）を算出するように構成されている。

スペクトル包絡算出部４５は、多項式再構成部４４から取得した変更後の線形予測係数ａ'_ｉに基づいて、変更後のスペクトル包絡

を算出するように構成されている。

スペクトル包絡減算部１７は、スペクトル包絡算出部１４から取得したスペクトル包絡Ｈ（ｚ）及びスペクトル包絡変更部４５から取得した変更後のスペクトル包絡Ｈ'（ｚ）に基づいて、補正値Ｇ（ｚ）＝Ｈ'（ｚ）−Ｈ（ｚ）を算出するように構成されている。

ここで、図９（ａ）に、共振周波数に対するホルマント制御倍率γを０.５とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるスペクトル包絡を示し、図９（ｂ）に、共振周波数に対するホルマント制御倍率γを０.５とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるパワースペクトルを示す。

一方、図１０（ａ）に、共振周波数に対するホルマント制御倍率γを２.０とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるスペクトル包絡を示し、図１０（ｂ）に、共振周波数に対するホルマント制御倍率γを２.０とした場合に本実施形態に係る信号処理装置１によって声質が変換された音声信号の音声帯域部分におけるパワースペクトルを示す。

本実施形態の特徴は、入力された音声信号ｘ_ｉ（ｎ）に対して声質変換処理（所定処理）を施すように構成されている信号処理装置１であって、音声信号ｘ_ｉ（ｎ）から周波数特性Ｘ（ｚ）を算出するように構成されているフーリエ変換部（周波数特性算出部）１２と、音声信号ｘ_ｉ（ｎ）から算出された線形予測係数ａ_ｉに基づいて、音声信号ｘ_ｉ（ｎ）のスペクトル包絡Ｈ（ｚ）を算出するように構成されているスペクトル包絡算出部１４と、ホルマントＦ_ｉ, Ｂ_ｉに所望の変更を加えることによって（ホルマント制御倍率を乗ずることによって）、スペクトル包絡Ｈ（ｚ）に対して所望の変更を加えるように構成されているホルマント変更部４３及びスペクトル包絡変更部４５（変更部）と、所望の変更が加えられたスペクトル包絡Ｈ'（ｚ）に基づいて、周波数特性Ｘ（ｚ）を補正するように構成されているダウンサンプリング帯域スペクトル包絡補正部３２及びダウンサンプリング帯域スペクトル包絡傾き補正部３３（補正部）と、補正された周波数特性Ｘ''（ｚ）に基づいて、声質変換処理が施された音声信号ｘ_ｏ（ｎ）を取得するように構成されている逆フーリエ変換部２１及びフレーム合成部２２（処理部）とを具備することを要旨とする。

ここで、かかる本実施形態の特徴において、スペクトル包絡算出部１４は、上述の線形予測係数ａ_ｉとして、音声帯域部分（ダウンサンプリングされた帯域部分）のみを対象とした線形予測係数ａ_ｉを用いるように構成されている。

本実施形態に係る信号処理装置１によれば、ダウンサンプリングされた帯域部分においてホルマント変更を利用して声質変換を行うように構成されているため、ホルマント周波数に対応した細かい制御による高品質な声質変換を行うことができる。

（その他の実施形態）
上述のように、本発明について、上述した第１〜第３の実施形態によって説明したが、かかる実施形態における開示の一部をなす論述及び図面は、本発明を限定するものであると理解すべきではない。かかる開示から当業者には様々な代替実施形態、実施例及び運用技術が明らかとなろう。

また、上述の実施形態では特に触れていないが、上述の信号処理装置１によって行われる各処理をコンピュータに実行させるプログラムが提供されてもよい。また、かかるプログラムは、コンピュータ読取り可能媒体に記録されていてもよい。コンピュータ読取り可能媒体を用いれば、かかるプログラムをコンピュータにインストールすることが可能である。ここで、かかるプログラムが記録されたコンピュータ読取り可能媒体は、非一過性の記録媒体であってもよい。非一過性の記録媒体は、特に限定されるものではないが、例えば、ＣＤ-ＲＯＭやＤＶＤ-ＲＯＭ等の記録媒体であってもよい。

或いは、上述の信号処理装置１によって行われる各処理を実行するためのプログラムを記憶するメモリ及びメモリに記憶されたプログラムを実行するプロセッサによって構成されるチップが提供されてもよい。

１…信号処理装置
１１…フレーム切出部
１２…フーリエ変換部
１３…線形予測分析部
１４、４５…スペクトル包絡算出部
１５…スペクトル包絡変更部
１６…周波数変換関数作成部
１７…スペクトル包絡減算部
１８…スペクトル包絡補正部
１９…スペクトル包絡減算傾き算出部
２０…スペクトル包絡傾き補正部
２１…逆フーリエ変換部
２２…フレーム合成部
３１…ダウンサンプリング部
３２…ダウンサンプリング帯域スペクトル包絡補正部
３３…ダウンサンプリング帯域スペクトル包絡傾き補正部
４１…求根部
４２…ホルマント算出部
４３…ホルマント変更部
４４…多項式再構成部

Claims (2)

1. 入力された音声信号に対して声質変換処理を施すように構成されている信号処理装置であって、
   前記音声信号から周波数特性を算出する周波数特性算出部と、
   前記音声信号から算出された線形予測係数に基づいて、前記音声信号のスペクトル包絡を算出するスペクトル包絡算出部と、
   周波数変換を行う周波数範囲を指定する周波数変換パラメータに基づいて、前記周波数範囲内の入力周波数を周波数変換するための周波数変換関数を作成する周波数変換関数作成部と、
   前記周波数変換関数を用いて、前記スペクトル包絡を構成する各周波数成分を前記入力周波数として前記周波数変換をすることにより前記スペクトル包絡を変更する変更部と、
   前記周波数成分が変更された前記スペクトル包絡に基づいて、前記周波数特性を補正する補正部と、
   補正された前記周波数特性に基づいて、前記声質変換処理が施された音声信号を取得する処理部と
   を具備することを特徴とする信号処理装置。
2. 前記スペクトル包絡算出部は、前記線形予測係数として、前記入力された音声信号をダウンサンプリングすることによって得られた音声帯域部分のみを対象とした線形予測係数を用いることを特徴とする請求項１に記載の信号処理装置。

Images