JPH03119398A - 音声分析合成方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 「産業上の利用分野」 この発明は音声スペクトル包絡特性を表す線形フィルタ
を音源信号で駆動して音声信号を合成する音声分析合成
方法に関する。

「従来の技術」 この発明に関連する従来技術として、線形予測ボコーダ
とマルチパルス予測符号化がある。線形予測ボコーダは
、４．８　ｋｂ／ｓ以下の低ビツトレート領域における
音声符号化方法としてこれまで広く用いられ、パーコー
ル方式や線スペクトル対（ＬＳＰ）方式などの方式があ
る。これらの方式の詳細は、例えば奇勝、中田著“音声
情報処理の基礎”　（オーム社出版）に記載されている
。線形予測ボコーダは、音声のスペクトル包絡特性を表
す全極形のフィルタとそれを駆動する音源信号の生成部
とによって構成される。その駆動音源信号には、有声音
に対してはピッチ周期パルス列、無声音に対しては白色
雑音が用いられる。音源パラメータは、有声・無声の区
別、ピッチ周期および音源信号の振幅であり、これらの
パラメータは３０ミリ秒程度の分析区間における音声信
号の平均的な特徴として抽出される。線形予測ボコーダ
では、このように一定の分析区間毎に抽出した音声の特
徴パラメータを時間的に補間して音声を合成するため、
音声のピッチ周期、振幅、およびスペクトル特性が急速
に変化する場合には、音声波形の特徴が十分な精度では
再現することができない。さらに、周期パルス列と白色
雑音からなる駆動音源信号は多様な音声波形の特徴を再
現するには不十分なため、自然性の高い合成音声を得る
ことは困難であった。このように、線形予測ボコーダに
おいて合成音声の品質を高めるには、より音声波形の特
徴を再現できる駆動音源が必要とされてきた。

一方、マルチパルス予測符号化は従来のボコーダにくら
べて再現能力の高い駆動音源を用いる方法である（特許
１２３４５６７）。この方法では、複数個のパルスによ
り駆動音源信号を表現し、音声の近接相関とピッチ相関
特性を表す２つの全極形フィルタを駆動することにより
音声を合成する。パルスの時間的位置と振幅は、入力音
声波形と合成音声波形との誤差を最小にするように決定
される。

その詳細は、文献（Ｂ、Ｓ、Ａｔａｌ、　”Ａ　Ｎｅｗ
　ｍｏｄｅｌ　ｏｆＬＰＣｅｘｃｉｔａｔｉｏｎ　ｆｏ
ｒ　ｐｒｏｄｕｃｉｎｇ　ｎａｔｕｒａｌ−ｓｏｕｎｄ
ｉｎｇｓｐｅｅｃｈ　ａｔ　ｌｏｗ　ｂｉｔ　ｒａｔｅ
ｓ　　、　ＩＥＥＥ　ｒｎｔ、　Ｃｏｎｆ。

ｏｎ　ＡＳＳＰ、　ｐｐ６１４−６１７．１９８２）に
示されている。マルチパルス予測符号化では、パルスの
個数を増やすことによって音声品質を高めることができ
るが、逆にビットレートが低くなるとパルスの個数が制
限されるため音声波形の再現精度が劣化し、その結果十
分な音声品質が得られなくなる。良好な音声品質を得る
には８　ｋｂ／ｓ程度の情報量が必要とされた。

マルチパルス予測符号化では、入力音声波形そのものを
再現するように駆動音源が決定されるのに対して、特願
昭５９−５３７５７　　’音声信号処理方法”の実施例
に見られるように、音声波形の位相成分を一定の位相に
等化した後の位相等化音声信号をマルチパルス予測符号
化する方法が提案されている。この方法では、聴覚的に
鈍感な音声の位相成分を音声波形から取り除くことによ
り、駆動音源信号がより少ない個数のパルスで再現され
るため、低ビツトレートでの音声品質が改善できる。し
かし、この方法でもビットレートが４．８　ｋ−ｂ／ｓ
程度に低くなると、パルスの個数が不足して音声波形の
特徴が十分には再現できず、品質の高い音声を得ること
はできなかった。

この発明の目的は、線形予測ボコーダと波形符号化の境
界領域（２，４−４，８ｋｂ／ｓ　）において、品質の
高い音声分析合成方法を提供することにある。

「課題を解決するための手段」 この発明は、音声分析合成に用いられる有声音に対する
駆動音源信号を、ピッチ周期のゆらぎの−大きさを制限
した準周期パルス列と位相等化された音声の予測残差を
特徴づける写影のフィルタとで表現し、この駆動音源信
号により合成された音声波形と位相等化された入力音声
波形との誤差が最小になるように、音源信号を構成する
パラメータ、すなわちパルスの時間的位置、振幅、およ
び写影フィルタの係数を決定することを特徴とする。

従来のボコーダでは一定分析区間毎に求めたピッチ周期
と振幅から生成される周期パルス列を駆動音源信号とし
て用いているのに対して、この発明ではピッチ周期毎に
パルスの位置と振幅が決定され、さらに写影フィルタを
新たに導入することにより音声波形の再現性の向上が図
られている。また、従来のマルチパルス予測符号化では
複数個のパルスによって１ピッチ周期の駆動音源信号を
表しているのに対して、この発明ではピッチ当たり１個
のパルスと一定分析区間毎に設定される写影フィルタで
駆動音源信号を表しており、駆動音源信号の情報量の低
減が図られている。さらに、音源パラメータを決定する
評価基準として、従来方式では入力音声波形との誤差が
用いられているのに対して、この発明では位相等化音声
波形との誤差が用いられている。位相等化音声波形に対
する誤差評価尺度を用いることで、この発明で用いられ
る駆動音源信号から合成される音声波形と人力音声波形
との整合度が向上することが可能となる。

位相等化音声波形と合成音声波形と互いに近いため、こ
れらを比較して音源パラメータを決定することにより音
源パラメータの数を少くすることができる。最後に、従
来の位相等化とマルチパルス予測符号化とを組み合わせ
た方法との相違は、使用する駆動音源信号および音源パ
ラメータの決定方法の違いである。

「実施例」 第１図は、この発明による音声分析合成法の構成を示し
たものである。入力端子１からは標本化されたデジタル
の音声信号５（ｔ）が人力される。

線形予測分析部２では、Ｎ個の音声信号のサンプルを−
Ｈデータバッファに蓄えた後、これらのサンプルに対し
て線形予測分析を行って予測係数ａ、（ｉ−１，２，・
・・、ｐ）を算出し、その予測係数ａ！を量子化器３で
量子化する。また、その予測係数をフィルタ係数とする
逆フィルタを用いて予測残差信号を求め、その予測残差
信号の自己相関係数の最大値に対するレベル判定にもと
づいて音声の有声・無声ＶＵを判定する。これらの処理
方法の詳細は、前述の斎藤等による著書に記載されてい
る。

位相等化分析部４では、音声の位相特性を零位相化する
位相等化フィルタの係数と位相等化の基準時点を算出す
る。第２図は位相等化分析部４の細部の構成を示したも
のである。音声信号ｓＤ）を逆フィルタ３１に人力して
予測残差ｅ（ｔ）が求まる。その予測残差は最大振幅位
置検出部３２と位相等化フィルタ３７に供給される。ス
イッチ３３は通常振幅比較部３８の出力側に設定されて
おり、当該分析フレームが有声で一つ前の分析フレーム
が無声の場合のみ最大振幅位置検出部３２の出力側に設
定される。この場合は、最大振幅位置検出部３２におい
て予測残差の振幅が最大になる時点Ｌ′。が検出され、
これがフィルタ係数算出部３４に入力されて位相等化フ
ィルタの係数が次式により求められる。

ｍ−−１，，，，Ｍ その後スイッチ３３は振幅比較部３８の出力側に切り替
わり、振幅比較部３８の出力がフィルタ係数算出部３４
に入力される。

フィルタ係数算出部３４では、当該フレームが有声の場
合は基準時点も、に対して、上式と同様に次式で計算さ
れる。

ｍ−−Ｈ、、、、Ｍ また、当該フレームが無声の場合は、次のように設定さ
れる。

フィルタ係数算出部３４の出力は平滑部３５へ供給され
、例えば次式のような１次のフィルタを用いて位相等化
フィルタの係数ｈ”（ｍ）が時間的に平滑化される。

ｈｔ　　（ｍ）　　＝ｂｈｔ−＋（ｍ）＋　（１−ｂ）
ｈ”　　（ｍ）　　　ｔｉ−、＜　　ｔ　　（ｔｉここ
で、係数すは、９７程度の値に設定される。フィルタ係
数保持部３６では、平滑化されたフィルタ係数ｈｔ（ｍ
）を各基準時点での値ｈｔｔ（ｍ）を保持し、位相等化
フィルタ３７を制御する。位相等化フィルタ３７へは予
測残差ｅ　（ｔ）が入力され、次式により位相等化予測
残差ｅｐ（ｔ）を出力する。

ｅｐ＜ｔ＞　　−Σ　ｈｔ＋（ｍ）ｅ（Ｌ−ｍ）　　　
　ｔ＞ｔ４振幅比較部３８では、位相等化予測残差ｅｐ
（ｔ）の振幅レベルがしきい値と比較され、しきい値を
越える場合はその時点を次の基準時点ｔ＋、として検出
する。

第１図に示すように、位相等化分析部４で求められたフ
ィルタ係数ｈｔ（＋＋）は位相等化フィルタ５を制御す
る。この位相等化フィルタ５に音声信号５（ｔ）を入力
することにより位相等化音声信号５ｐ（ｔ）がその出力
として求められる。

ス位置はその位置間隔が準周期的になるように制限され
る。すなわち、第３図におけるパルス位置間隔Ｔ、＝ｔ
、−ｔｔ−＋は、連続するパルス位置間隔の差が一定値
以下で、かつその差の分析フレーム内での総和が一定値
以下になるように次式によって制限される。

条件１　ΔＴ、＝　ｌ　Ｔ、−Ｔ、、ｌ≦Ｊ次に、音源
パラメータ分析部３０について説明する。この分析合成
法では有声音と無声音とで別々の駆動音源を使用し、有
声・無声パラメータＶＵによってスッチ１７が切り替え
られる。有声音の駆動音源はパルス系列生成部７と写影
フィルタ１０から構成される。

パルス系列生成部７では第３図に示すような準周期パル
ス列を生成する。準周期パルス列は、各パルスの時間的
な位置（パルス位ｆ）ｔｔ　と振幅ｍ、をパラメータと
して表される。パルス位置はパルス位置生成部６により
制御され、パルス振幅はパルス振幅算出部８によって制
御される。パル条件２　ΣΔＴ、≦Ｊ　５ｕｓ ｉ＝１ ここで、ｎｅは分析フレーム内でのパルスの個数、Ｊと
Ｊ　ｓｕｍは定数である。パルス位置生成部６では、位
相等化分析部４で求められる基準時点ｔ＋。

を基に、上記の制限を満足するパルス位置の系列を生成
する。第４図は基準時点からパルス位置系列を生成する
処理手順を示したものである。この処理では、まず基準
時点から求まる位置間隔の差に関して条件１に関する判
定を行い、条件１を満たさない場合は第４図の手順にし
たがってパルス位置の挿入、除去、修正を行う。その結
果、全ての基準時点が条件１を満たす場合は条件２の判
定を行い、条件２を満たす場合はその基準時点をパルス
位置とする０条件２を満たさない場合、基準時点の近傍
で条件２を満たす全てのパルス位置を候補として生成す
る。また、条件１を満たさない場合は、基準時点の個数
をその最大取り得る個数Ｎ、と比較し、最大パルス数よ
り少ない時は基準時点をそのままパルス位置として用い
る。基準時点の個数が最大パルス数より多い時は、基準
時点の中から個数が最大パルス数となるパルス位置の全
部の組み合わせを生成する。生成されるパルス位置の候
補が複数個ある場合は、各パルス位置に対して合成され
る音声波形と位相等化後の入力音声波形との誤差を波形
歪み算出部１９で求め、歪み判定部２０において誤差が
最小になるパルス位置を選択する。

パルス振幅算出部８では、各パルスの振幅を合成音声波
形と位相等化後の入力音声波形との周波数重み付は平均
二乗誤差が最小になるように決定する。第５図は、パル
ス振幅算出部８の内部の構成を示したものである０位相
等化信号の入力音声波形Ｓ、（ｔ）は周波数重み付はフ
ィルタ３９へ供給され、このフィルタ３９は音声スペク
トルの強い周波数成分を抑圧する働きを持ち、その伝達
特性は次のように表される。

Ａ（γ２） ただし、 Ａ（ｚ）＝ １＋ａ＋ｚ−’＋　　　９０　＋ａ、ｚ−’ここで、ａ
、は線形予測係数であり、ｚ　−１は標本化遅延を表す
。γは抑圧の程度を制御するパラメータであり、０くγ
Ｓ１の範囲の値をとり、小さい値になるほど抑圧の程度
が大きくなる。通常は０、７−０．９の値が用いられる
。周波数重み付きフィルタ３９は、位相等化音声信号を
周波数重み付きフィルタに通した出力信号から、１つ前
の分析フレームの合成音声を初期値としてフィルタ１／
Ａ　（ｒ　ｚ）を零入力で駆動した時の初期値応答を差
し引くことにより信号ｓ、（ｔ）を得る。一方、線形予
測係数ａムはインパルス応答算出部４０へ供給され、１
／Ａ（γＺ）の伝達特性をもつフィルタのインパルス応
答ｆ（ｔ）が算出される。相関器４１では、各パルス位
置も、に対してインパルス応答ｆ（ｔ−ｔｉ）と周波数
信号ｓ、（ｔ）との相互共分散ψ（ｉ）を次式で算出す
る。

ｔ＝。

また、相関器４２では、各パルス位置１．，１．の組に
関してインパルス応答の自己供分散φ（ｉ、　ｊ）を次
式で算出する。

φ（ｉ、ｊ）＝　Σ　ｆ　（ｔ−ｔｉ）　ｆ　（ｔ−ｔ
ｊ）ｔ＝。

パルス振幅算出部４３では、ψ（１）とφ（ｉ、　Ｄと
からパルス振幅を次の連立方程式を解くことによって求
める。

第１図中のパルス振幅は量子化器９において、例えばベ
クトル量子化の手法を用いて量子化される。

ベクトル量子化を用いる場合、パルス振幅を要素とする
ベクトル（振幅パタン）を複数個のパルス振幅標準パタ
ンと比較し、パタン間の距離が最小となる標準パタンに
量子化される。振幅パタンの距離尺度としては、パルス
振幅標準パタンから写影フィルムを用いず合成された音
声波形と位相等化後の入力音声波形との平均二乗誤差が
用いられる。振幅パタンベクトルをｍ＝　（ｍ、・ｍ！
＋・・１ｍａｐ）Ｄは行列の転値を表す）、標準パタン
ヘクトルをｍｃｔ（＋＝１＋　２．、、、、　　Ｎｃ）
とすると、平均二乗誤差は次式で表される。

ｄ（ｍ、　ｍｃ）＝　（ｍ　　ｍｃ、）’Φ（ｍ　　ｍ
ｅｉ）ここで、Φはインパルス応答の自己共分散φ（ｉ
　、　Ｄを要素とする行列である。この時、振幅パタン
の量子化値ｍは、平均二乗誤差を最小にする標準パタン
として次式で求められる。

ｍ＝ａｒｇ　ｗｉｎ　ｄ（ｍ、　　ｍｅｔ）ＣＩ 写影フィルタ１０は位相等化後の予測残差波形を特徴づ
けるフィルタであり、フィルタの係数は写影フィルタ係
数算出部１１によって制御される。

第６図は、位相等化後の予測残差波形の例とそれに対す
る写影フィルタＩＯのインパルス応答波形を示したもの
である。位相等化後の予測残差は、スペクトル包絡特性
が平坦で位相が零位相に近いことからインパルス的にな
り、各パルス位置で大きな振幅を示して、それ以外の区
間では比較的小さな振幅となる。また、パルス位置およ
び隣り合うパルス位置の中間時点を中心に対称に近い波
形となる。パルス位置の中間時点での振幅は、第６図に
も見られるように他の区間にくらべて比較的大きな振幅
をもつことが多く、特にピッチ周期が長い音声に対して
、この傾向が強くなる。写影フィルタ１０は、第６図に
示すようにそのインパルス応答がパルス位置を中心に左
右に各ｑ個の時点とパルス位置の中間時点を中心に左右
にｒ個の時点で値をとるように設定される。この時、写
影フィルタ１０の伝達特性は次のように表される。

写影フィルタ係数算出部１１では、与えられたピッチ位
置とパルス振幅に対してフィルタ係数Ｖうを合成音声波
形と位相等化後の入力音声波形との周波数重み付き平均
二乗誤差が最小になるように算出する。第７図は、フィ
ルタ係数算出部１１の構成を示したものである。周波数
重み付きフィルタ４４とインパルス応答算出部４５はそ
れぞれ第５図の周波数重み付きフィルタ３９とインパル
ス応答算出部４０と同じ構成をもつ。加算器４６は次式
にしたがってインパルス応答ｆ（ｔ）を加算する。

１＝ｑ＋ｒ＋１ 相関器４７は、信号ｓ、（ｔ）とｕｉ（ｔ）との相互共
分散ψ（ｉ）を計算し、相関器４８は、信号ｕｉ（ｔ）
とｕｊ（ｔ）との自己共分散φ（ｉ　、　Ｊ）を計算す
る。

フィルタ係数算出部４９では、ψ（ｉ）とφ（ｉ　、　
Ｊ）とから次の連立方程式を解くことにより写影フィル
タ１０の係数ｖ８を算出する。

フィルタ係数Ｖｉは第１図中の量子化器１２において、
例えばベクトル量子化の手法を用いて量子化される。ベ
クトル量子化を用いる場合、フィルタ係数を要素とする
ベクトル（振幅パタン）を複数個のパルス振幅標準パタ
ンと比較し、パタン間の距離が最小となる標準パタンに
量子化される。

パルス振幅のベクトル量子化と同様にして、合成音声波
形と位相等化後の入力音声波形との平均二乗誤差を距離
尺度とすると、フィルタ係数の量子化値Ｖは、次式で求
められる。

ｖ　＝ａｒｇ　　ｍｉｎ　ｄ（ｖ＋ｖｃｔ）Ｖｃｉ ｄ（Ｖ＋Ｖｃ　　）　　＝（Ｖ−ｖｃｔ）’　　Φ（Ｖ
−Ｖｃｉ）ただし、■はフィルタ係数を要素とするベク
トル、Ｖ　（ｉはその標準パタンベクトルである。また
、Φはインパルス応答ｕｔ（ｔ）の自己共分散φ（ｉ、
ｊ）を要素とする行列である。

以上まとめると、有声音区間においては、パルス位置の
振幅によって決まる準周期パルス列を写影フィルタ１０
に通した後の信号を駆動音源信号として、音声スペクト
ル包絡特性を特徴づける全極形フィルタ１８を駆動する
ことにより音声を合成する。音源パラメータは、パルス
振幅と写影フィルタの係数については、合成音声波形と
位相等化後の入力音声波形との誤差を最小とする最適値
がパルス位置に対して決定される。パルス位置の候補が
複数存在する場合は、各候補に対して上記の誤差を求め
、誤差が最小となる最適なパルス位置を全探索によって
決定する。

次に、無声音区間における駆動音源について説明する。

無声音区間ではコード励振型予測符号化（文献５ｃｈｒ
ｏｅｄｅｒ　　他、”　Ｃｏｄｅ　ｅｘｃｉｔｅｄ　１
ｉｎｅａｒｐｒｅｄｉｃｔｉｏｎ（ＣＥＬＰ）　”　、
ＩＥｔ！Ｅ　Ｉｎｔ、　Ｃｏｎｆ、　ｏｎ　ＡＳＳＰ。

ｐｐ９３７−９４０．１９８５）と同じく、駆動音源信
号として乱数パタンを使用する。第１図の乱数パタン生
成部１３には、平均０、分散１の正規乱数を複数サンプ
ルまとめたパタンか複数個蓄えられている。

乱数振幅算出部１５では各乱数パタン毎に、乱数パタン
について合成音声波形と位相等化後の入力音声波形との
誤差が最小となるゲインの最適値を算出し、量子化器１
６で量子化されたゲインを用いてゲイン増幅器１４を制
御する。次に、各乱数パタンに対して合成音声と位相等
化音声との誤差を求め、それが最小となる最適な乱数パ
タンを全探索によって求め、この乱数パタンの系列をゲ
イン増幅器１４を通じて駆動音源信号として全極形フィ
ルタ１８へ供給する。

以上の手順により、音声信号は線形予測係数ａ１、を声
・無声バラメーク■Ｕ、有声音ではパルス位置ｔ８、パ
ルス振幅ｍｉ、写影フィルタ係数ｖ８、無声音では乱数
コードパタン（番号）Ｃｉとゲインｇ１によって表され
る。これらの音声パラメータは符号化部２１で符号化さ
れた後、伝送あるいは蓄積される。音声合成部では、音
声パラメータを復号化部２２で復号化した後、有声音の
場合はパルス系列生成部２３でパルス位置１．とパルス
振幅ｍ８とにより生成されたパルス列を写影フィルタ２
４に通して駆動音源信号を生成し、無声音の場合は乱数
コードパタン（信号）Ｃｔで乱数パタン生成部２５より
乱数パタンを選択生成し、これをゲインｇｉにより制御
される増幅器２６に通して振幅制御して駆動音源信号を
生成し、有声・無声によって切り替わるスイッチ２７で
両駆動音源信号の一方が選択され、全極形フィルタ２８
を駆動することによりその出力端２９に合成音声が出力
される。写影フィルタ２４のフィルタ係数はＶ。

で制御され、全極形フィルタ２８のフィルタ係数はａ、
で制御される。

変皿開 有声と無声によって駆動音源を区別せず、いずれの場合
もパルス駆動音源を用いる。この場合、摩擦子音に対し
て品質が若干劣化するが、処理構成が簡単で処理量が低
減でき、ハード規模が小さくて済む、また、有声・無声
パラメータを伝送する必要がないため、毎秒６０ビット
分ビットレートが低減される。

パルス駆動音源において塔形フィルタを含めない構成。

この方法では、特にピッチ周波数が低い男声音声に対し
て合成音声の自然性が若干劣化するが、塔形フィルタを
除くことによりハード規模が低減され、またフィルタ係
数の符号化に要する毎秒６００ビット分、ビットレート
が低減される。

パルス振幅算出部８とベクトル量子化部９の処理を統合
してパルス振幅の量子化値を算出する構成。この方法に
よる構成を第８図に示す。周波数重み付きフィルタ５０
、インパルス応答算出部５１相関器５２、相関器５３ば
実施例１の第５図の対応するものと同じ構成である。パ
ルス振幅量子化部５４では、パタンコード帳５５に蓄え
られている各パルス振幅標準パタンｍ　ｃｔ　（ｉ・１
，２．・・・、Ｎ、）について、その振幅標準パタンを
用いて合成した時の音声波形と位相等化後の入力音声波
形の平均二乗誤差を算出し、誤差が最も小さくなるパル
ス振幅標準パタンか求められる。距離計算は次式にした
がって行われる。

ｄ＝ｍｃ、Φｍ　ｃｉ　　２　ｍ　ｃｉψここで、Φは
インパルス応答ｆ（ｔ）の自己共分散φ（ｉ、ｊ）を要
素とする行列、ψはインパルス応答と周波数重み付きフ
ィルタの出力ｓｗ（ｔ）との相互共分散ψ（＋）　（＋
＝１．２．・・・、ｎ、）を要素とする列ベクトルであ
る。

この第８図と第５図とでは、最適なパルス振幅を求める
のに必要な処理量はほぼ同じであるが、第８図では第５
図の処理に含まれる連立方程式の解法が不要となり、処
理構成が簡単になる。ただし、第５図ではパルス振幅の
最適値を求めた後に、これをスカラー量子化することが
可能であるのに対して、第８図では量子化法としてベク
トル量子化を使用することが前提となる。

第８図と同様な方法で、塔形フィルタの係数の算出とベ
クトル量子化を統合して、係数の量子化値を算出するこ
ともできる。

「発明の効果」 この発明による音声分析合成法の効果を調べるために、
以下の条件で分析合成音声実験をおこなった。Ｏ−４ｋ
）ｌｚ帯域の音声を標本化周波数８　ｋＨｚで標本化し
た後、音声信号に分析窓長３０ｍ５のハミング窓を乗じ
、分析次数を１２次として自己相関法による線形予測分
析を行い、１２個の予測係数と有声・無声パラメータを
求める。符号化の分析フレーム長は１５ｍ５（１２０音
声サンプル）とする、予測係数は差分多段ベクトル量子
化法を用いて量子化する。ベクトル量子化における距離
尺度としては、周波数重み付きケプストラム距離を用い
た。ビットレートが４．８　ｋｂ／ｓの場合、フレーム
当たりのビット数は７２ビツトであり、その内訳は次の
様になる。

パルス音源におけるパルス周期のゆらぎの許容範囲を表
す定数ＪとＪＳｕｌｍ、及び許容範囲に入らない場合の
最大パルス数Ｎ、は、パルス位置の符号化に割り当てら
れるビット数によって定まる。

パルス位置を２９ビツト／フレームで符号化する場合、
隣り合うパルス周期の差ΔＴは５サンプル以下、そのフ
レーム内での総和は１４サンプル以下となる。また、許
容範囲に入らない場合のパルスの最大個数は５となる。

写影フィルタは７次（ｑ＝ｒ＝１）のフィルタを用いた
。乱数パタンベクトルは４０サンプル（５ｍｓ）からな
り、５１２種１１Ｒ（９ｂｔｔ）のパタンから選択され
る。また、乱数振幅は正負の符号を含めて６ビツトで量
子化される。

上記の条件で符号化された音声は、従来のボコーダにく
らべてはるかに高い自然性をもち、その品質は原音に近
いものになっている。また、従来のボコーダにくらべて
話者に対する音声品質の依存性は小さい。また、従来の
マルチパルス予測符号化やコード励振形予測符号化とく
らべても、符号化音声に品質が明らかに高いことが確認
された。

４、８ｋｂ／ｓで符号化された音声のスペクトル包絡歪
みは約１ｄＢである。符号化で生じる時間遅延は４５ｍ
５であり、低ビツトレート領域における従来の方法と同
程度以下である。

この発明の効果は、有声音に対する駆動音源信号を準周
期パルス列として表現することにより、従来のボコーダ
より音声の波形情報の再現性が高く、また従来のマルチ
パルス予測符号化より少ない情報量で駆動音源信号を表
現できることにある。

また、この駆動音源信号のパラメータを入力音声から推
定する方法として、位相等化後の音声波形に対する誤差
を評価尺度として用いているために、入力音声そのもの
に対する誤差を用いる従来方法に比べて、合成音声波形
と入力音声波形との整合度が同上し、より精度良く音源
パラメータの推定が行える効果がある。また、写影フィ
ルタは音声スペクトルの微細な特徴を再現する効果があ
り、これにより合成音声の自然性が向上する。

【図面の簡単な説明】

第１図はこの発明による分析合成法の一例を示す構成図
、第２図は位相等化分析部４の構成例を示すブロック図
、第３図は準周期パルス駆動音源信号の説明図、第４図
はパルス位置を生成する処理の流れ図、第５図はパルス
振幅算出部８の構成例を示すブロック図、第６図は写影
フィルタの説明図、第７図は写影フィルタ係数算出部１
１の構成例を示すブロック図、第８図はパルス振幅算出
部８の他の構成例を示すブロック図である。

Claims (3)

【特許請求の範囲】
1. （１）音声スペクトル包絡特性を表す線形フィルタと、
   それを駆動する音源信号の生成部とから構成される音声
   分析合成系において、 上記音源信号をピッチ周期のゆらぎの大きさを制限した
   準周期パルス列により表現し、 その音源信号を構成するパラメータを入力音声の位相を
   ピッチ同期的に零位相化した後の位相等化音声波形と合
   成音声波形との誤差を最小にするように決定し、 上記音源信号で上記音声スペクトル包絡特性を表す線形
   フィルタを駆動することにより音声信号を合成すること
   を特徴とする音声分析合成方法。
2. （２）上記音源信号は有声音に対して用い、無声音に対
   しては複数個の乱数パタンから選択した乱数系列にその
   平均電力を設定したものを音源信号として使用し、かつ
   この無声音に対する音源信号を構成するパラメータを上
   記位相等化音声波形と合成音声波形との誤差を最小にす
   るように決定することに特徴とする請求項１記載の音声
   分析合成方法。
3. （３）上記ピッチ周期のゆらぎの大きさを制限した準周
   期パルス列により表現された音源信号を、音声スペクト
   ルの微細構造を特徴づける零形フィルタに通して上記線
   形フィルタへ供給し、その零形フィルタの係数を上記位
   相等化音声波形と合成音声波形との誤差を最小にするよ
   うに決定することを特徴とする請求項１又は２記載の音
   声分析合成方法。