JPH03293700A - サウンドシンセサイザー - Google Patents
サウンドシンセサイザーInfo
- Publication number
- JPH03293700A JPH03293700A JP2409368A JP40936890A JPH03293700A JP H03293700 A JPH03293700 A JP H03293700A JP 2409368 A JP2409368 A JP 2409368A JP 40936890 A JP40936890 A JP 40936890A JP H03293700 A JPH03293700 A JP H03293700A
- Authority
- JP
- Japan
- Prior art keywords
- block
- coefficients
- cluster
- signal
- representative
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001186 cumulative effect Effects 0.000 claims abstract description 28
- 230000007704 transition Effects 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 35
- 230000015572 biosynthetic process Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000003786 synthesis reaction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 239000002131 composite material Substances 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 4
- 230000002123 temporal effect Effects 0.000 claims 2
- 230000001052 transient effect Effects 0.000 abstract description 15
- 238000004458 analytical method Methods 0.000 description 13
- 238000013139 quantization Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005311 autocorrelation function Methods 0.000 description 5
- 238000013144 data compression Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100110009 Caenorhabditis elegans asd-2 gene Proteins 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 241000195955 Equisetum hyemale Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000036555 skin type Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3082—Vector coding
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H7/00—Instruments in which the tones are synthesised from a data store, e.g. computer organs
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K15/00—Acoustics not otherwise provided for
- G10K15/02—Synthesis of acoustic waves
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H2250/00—Aspects of algorithms or signal processing methods without intrinsic musical character, yet specifically adapted for or used in electrophonic musical processing
- G10H2250/005—Algorithms for electrophonic musical instruments or musical processing, e.g. for automatic composition or resource allocation
- G10H2250/015—Markov chains, e.g. hidden Markov models [HMM], for musical processing, e.g. musical analysis or musical composition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H2250/00—Aspects of algorithms or signal processing methods without intrinsic musical character, yet specifically adapted for or used in electrophonic musical processing
- G10H2250/131—Mathematical functions for musical analysis, processing, synthesis or composition
- G10H2250/211—Random number generators, pseudorandom generators, classes of functions therefor
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H2250/00—Aspects of algorithms or signal processing methods without intrinsic musical character, yet specifically adapted for or used in electrophonic musical processing
- G10H2250/541—Details of musical waveform synthesis, i.e. audio waveshape processing from individual wavetable samples, independently of their origin or of the sound they represent
- G10H2250/571—Waveform compression, adapted for music synthesisers, sound banks or wavetables
- G10H2250/601—Compressed representations of spectral envelopes, e.g. LPC [linear predictive coding], LAR [log area ratios], LSP [line spectral pairs], reflection coefficients
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Electrophonic Musical Instruments (AREA)
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。
め要約のデータは記録されません。
Description
［０００１］
本発明は、再帰的（リカーシブ）フィルターの係数の集
合である記憶されたデータからの信号の合成に関するも
のであり、各集合は固定期間そのフィルターに加えられ
、その期間は合成された信号の持続時間の合計である。 さらに詳細には、係数の集合はベクトル量子化線形予測
符合化（ＬＰＣ）のモデリング係数の集合上でのマルコ
フ遷移による過渡的音響（サウンド）の非反復的アンサ
ンプルの差熱的モデリングを包含する。 ［０００２］
合である記憶されたデータからの信号の合成に関するも
のであり、各集合は固定期間そのフィルターに加えられ
、その期間は合成された信号の持続時間の合計である。 さらに詳細には、係数の集合はベクトル量子化線形予測
符合化（ＬＰＣ）のモデリング係数の集合上でのマルコ
フ遷移による過渡的音響（サウンド）の非反復的アンサ
ンプルの差熱的モデリングを包含する。 ［０００２］
本出願と同じ譲受人に譲渡された米国特許出願番号３３
２，４１４において、シングル・アナログ・サウンド過
渡現象は等しい長さのタイムブロックに分割され、そし
て各ブロックに対して線形予測符合化（ＬＰＧ）回路の
係数の集合が得られた。回路は信号の良好なレプリカ（
複製）を提供した。そのレプリカからのＬＰＧモデリン
グ係数は、線形予測フィルターの入力に加えられたラン
ダムノイズソースにより発生された不規則性のために、
連続合成信号の小さな音響変化が生じた。 ［０００３］ 非定常音響記号（過渡信号と称する）のモデリングは検
出プロセッサの設計やソナートレーナ−そして試、験タ
ーゲットジェネレータ用の合成信号の正確な生成に非常
に重要なものである。接触の存在の認識や操作状態を扱
うソナー訓練は接触シンセサイザーにより忠実に発生さ
れなければならない過渡的接触放射の正確な翻訳（イン
タープリチージョン）を要求する。現在そのような音響
は磁気テーププレーヤーにより提供されており、それは
使用するのに扱いにくく、展開するシナリオに同期され
ず、そして記録された背景ノイズのため歪んだ結果を生
成する。別の方法で静寂接触を識別するための手段を提
供する過渡検出処理は高忠実度のものだけでなく、さら
に処理効率的である検出方法の基本を提供する過渡記号
モデルを要求する。 ［０００４］ 過渡現象として分類されたものは恐らく数時間のこれら
の記号であり、高速で尚統計的に規則的な、スペクトル
エネルギー変動のパターンを表す。モデル化される音響
の例はハツチの閉まり、小エビの跳ね上がり、氷解、船
体の札み、積み荷の移動、アクチュエータ操縦全散音を
包含する。 ［０００５］ ＬＰＧ分析分析７合績果として、オリジナルサウンドの
適正な複製が達成される。所望の合成は前記米国出願の
図２に示されるように再帰的フィルターにより達成され
る。合成を実施するために必要とされる算術的負担は相
当なものである。各出力サンプルは（Ｎ＋１）の掛は算
累積を必要とし、ここでＮはフィルター係数の数である
。もし出力データ速度が毎秒Ｆｓサンプルであるならば
、毎秒（Ｎ＋１）Ｆｓの掛は算累積が必要となる。実施
的見地からさらに重要な因子は記号を合成するために必
要とされるモデリングフィルター係数の合計数である。 これらの係数は制限された大きさのシンセサイザーメモ
リ内に記憶されねばならないので、重大な実施負担とな
る。例えば、８ミリ秒の時間の各ブロックは約１０の係
数と一つのゲイン値を必要とする。ＬＰＧ合成用の係数
メモリの結果のビット数は故に、Ｎｃ＝（１６） （
１２５） （１１）Ｔｓ＝２２０００Ｔｓのメモリの
ビットとなり、ここで１６ビツトワードが使用され、毎
秒１２５ブロツクが処理され、ブロック毎に１１ワード
が必要とされ、そしてＴｓは秒単位で記号合成の合計時
間となる。仮想の１６ＫＨｚサンプル速度における記憶
サンプルからの直接合成に対して、所望のビット数はＮ
ｄ＝（１６）（１，６Ｘ１０４）Ｔｓ＝２５６．０ＯＯ
Ｔｓビツトとなるので、１０：１のデータ圧縮が達成さ
れる。但し、−メガビットのＲＡＭメモリはＬＰＧ合成
サウンドを４５秒しか支持できないことが理解されよう
。数時間継続する非定常サウンドの合成の要求が存在す
るので、当然、追加的データ圧縮が望まれる。 ［０００６］
２，４１４において、シングル・アナログ・サウンド過
渡現象は等しい長さのタイムブロックに分割され、そし
て各ブロックに対して線形予測符合化（ＬＰＧ）回路の
係数の集合が得られた。回路は信号の良好なレプリカ（
複製）を提供した。そのレプリカからのＬＰＧモデリン
グ係数は、線形予測フィルターの入力に加えられたラン
ダムノイズソースにより発生された不規則性のために、
連続合成信号の小さな音響変化が生じた。 ［０００３］ 非定常音響記号（過渡信号と称する）のモデリングは検
出プロセッサの設計やソナートレーナ−そして試、験タ
ーゲットジェネレータ用の合成信号の正確な生成に非常
に重要なものである。接触の存在の認識や操作状態を扱
うソナー訓練は接触シンセサイザーにより忠実に発生さ
れなければならない過渡的接触放射の正確な翻訳（イン
タープリチージョン）を要求する。現在そのような音響
は磁気テーププレーヤーにより提供されており、それは
使用するのに扱いにくく、展開するシナリオに同期され
ず、そして記録された背景ノイズのため歪んだ結果を生
成する。別の方法で静寂接触を識別するための手段を提
供する過渡検出処理は高忠実度のものだけでなく、さら
に処理効率的である検出方法の基本を提供する過渡記号
モデルを要求する。 ［０００４］ 過渡現象として分類されたものは恐らく数時間のこれら
の記号であり、高速で尚統計的に規則的な、スペクトル
エネルギー変動のパターンを表す。モデル化される音響
の例はハツチの閉まり、小エビの跳ね上がり、氷解、船
体の札み、積み荷の移動、アクチュエータ操縦全散音を
包含する。 ［０００５］ ＬＰＧ分析分析７合績果として、オリジナルサウンドの
適正な複製が達成される。所望の合成は前記米国出願の
図２に示されるように再帰的フィルターにより達成され
る。合成を実施するために必要とされる算術的負担は相
当なものである。各出力サンプルは（Ｎ＋１）の掛は算
累積を必要とし、ここでＮはフィルター係数の数である
。もし出力データ速度が毎秒Ｆｓサンプルであるならば
、毎秒（Ｎ＋１）Ｆｓの掛は算累積が必要となる。実施
的見地からさらに重要な因子は記号を合成するために必
要とされるモデリングフィルター係数の合計数である。 これらの係数は制限された大きさのシンセサイザーメモ
リ内に記憶されねばならないので、重大な実施負担とな
る。例えば、８ミリ秒の時間の各ブロックは約１０の係
数と一つのゲイン値を必要とする。ＬＰＧ合成用の係数
メモリの結果のビット数は故に、Ｎｃ＝（１６） （
１２５） （１１）Ｔｓ＝２２０００Ｔｓのメモリの
ビットとなり、ここで１６ビツトワードが使用され、毎
秒１２５ブロツクが処理され、ブロック毎に１１ワード
が必要とされ、そしてＴｓは秒単位で記号合成の合計時
間となる。仮想の１６ＫＨｚサンプル速度における記憶
サンプルからの直接合成に対して、所望のビット数はＮ
ｄ＝（１６）（１，６Ｘ１０４）Ｔｓ＝２５６．０ＯＯ
Ｔｓビツトとなるので、１０：１のデータ圧縮が達成さ
れる。但し、−メガビットのＲＡＭメモリはＬＰＧ合成
サウンドを４５秒しか支持できないことが理解されよう
。数時間継続する非定常サウンドの合成の要求が存在す
るので、当然、追加的データ圧縮が望まれる。 ［０００６］
故に、顕著なサウンド特性を分離し、そしてそれらを差
熱的モデルを介してパラメーターで表すことが本発明の
モデリング法の目的である。 ［０００７］ 本来非反復的である疑似ランダム記号を合成する方法を
提供することが本発明の目的である。従来技術のシンセ
サイザーは発生毎にほとんど同一である発生記号を生成
する。この反復は自在的では無い。それゆえに、サウン
ドのクラス内に存在する変化の基本パターンを収集する
ことは重要であり、本発明により提供される。 ［０００８］ 直接ＬＰＧ技術は許容できる記号に導くが、利用された
係数集合はさらなるモデリング分離で容易に調べられな
い大容量データベースとなる。故に、データ低減のさら
なるステップがこのデータベースを、その中でモデリン
グ係数集合の全てがマツプ可能となるモデリング係数の
小さな集合にするために必要とされる。 このマツピングは、ゆう度比歪み測度により評価される
微々たるものであるが、合成された信号のさらなる歪み
を誘導する。採用されるマツピングプロセスはシングル
ベクトル量子化であり、それにより許容合成記号は「ク
ラスター」係数集合と呼ばれる限定された数の代表係数
集合を利用することにより生成されることが可能である
。「クラスター観察シーケンス」と呼ばれるクラスター
割り当ての時系列は、各ブロックのＬＰＧ係数のマッス
ングをクラスター表示で表すこととなる。 ［０００９］ 前述の米国出願の合成方法は過渡サウンドにより生成さ
れたクラスター観察シーケンスの非反復的アンサンプル
から得られるマルコフ遷移の作用による差熱的モデルを
包含するところまで拡張されている。そのように特徴付
けられるサウンドは二つの特性的励起状態、つまりバッ
クグラウンド発生と見なされている。各特性状態におい
て、クラスター観察シーケンスの連続的展開は時変マル
コフ遷移マトリックスにより制御されるマルコフ連鎖と
して見られる″。サウンド記号の二つの異なるクラス、
周期的及びポアソン励起がモデル化される。キャビテー
ションなどの周期的プロセスの場合、過渡的状態は連続
的に現われ、そして遷移マトリックスの周期的シーケン
スは反復的にそのサウンドの特性を表す。長期間の過渡
現象の場合、過渡発生状態はポアソン事象プロセスによ
り開始される。過渡状態間で、明瞭な遷移マトリックス
により特徴付けられるバックグラウンドが開始される。 マルコフ遷移マトリックスと共にクラスター表示モデリ
ングフィルター係数の結果の集合が長期過渡記号合成の
効果的方法を提供するために本発明に採用される。 ［００１０］
熱的モデルを介してパラメーターで表すことが本発明の
モデリング法の目的である。 ［０００７］ 本来非反復的である疑似ランダム記号を合成する方法を
提供することが本発明の目的である。従来技術のシンセ
サイザーは発生毎にほとんど同一である発生記号を生成
する。この反復は自在的では無い。それゆえに、サウン
ドのクラス内に存在する変化の基本パターンを収集する
ことは重要であり、本発明により提供される。 ［０００８］ 直接ＬＰＧ技術は許容できる記号に導くが、利用された
係数集合はさらなるモデリング分離で容易に調べられな
い大容量データベースとなる。故に、データ低減のさら
なるステップがこのデータベースを、その中でモデリン
グ係数集合の全てがマツプ可能となるモデリング係数の
小さな集合にするために必要とされる。 このマツピングは、ゆう度比歪み測度により評価される
微々たるものであるが、合成された信号のさらなる歪み
を誘導する。採用されるマツピングプロセスはシングル
ベクトル量子化であり、それにより許容合成記号は「ク
ラスター」係数集合と呼ばれる限定された数の代表係数
集合を利用することにより生成されることが可能である
。「クラスター観察シーケンス」と呼ばれるクラスター
割り当ての時系列は、各ブロックのＬＰＧ係数のマッス
ングをクラスター表示で表すこととなる。 ［０００９］ 前述の米国出願の合成方法は過渡サウンドにより生成さ
れたクラスター観察シーケンスの非反復的アンサンプル
から得られるマルコフ遷移の作用による差熱的モデルを
包含するところまで拡張されている。そのように特徴付
けられるサウンドは二つの特性的励起状態、つまりバッ
クグラウンド発生と見なされている。各特性状態におい
て、クラスター観察シーケンスの連続的展開は時変マル
コフ遷移マトリックスにより制御されるマルコフ連鎖と
して見られる″。サウンド記号の二つの異なるクラス、
周期的及びポアソン励起がモデル化される。キャビテー
ションなどの周期的プロセスの場合、過渡的状態は連続
的に現われ、そして遷移マトリックスの周期的シーケン
スは反復的にそのサウンドの特性を表す。長期間の過渡
現象の場合、過渡発生状態はポアソン事象プロセスによ
り開始される。過渡状態間で、明瞭な遷移マトリックス
により特徴付けられるバックグラウンドが開始される。 マルコフ遷移マトリックスと共にクラスター表示モデリ
ングフィルター係数の結果の集合が長期過渡記号合成の
効果的方法を提供するために本発明に採用される。 ［００１０］
追加的データ圧縮のこのゴールに到達するためのステッ
プがベクトル量子化を利用することにより行なわれる。 ベクトル量子化において、もしＬＰＧ係数集合が僅かに
変形されているならば、ある付加的歪みが生じるが、も
し変形が小さなものであるならば、その結果の歪みは重
要でないことは認識されている。本発明に利用される歪
みの測度は主観的認識に関連しており、そしてゆう度比
歪み測度である。この測度は最適フィルターの使用によ
り受ける最小エラーに対して非最適フィルターの使用に
より受ける付加的モデリングエラーの比を取ることによ
り計算される。どのＬＰＧ集合に対しても、この残留モ
デリングエラーは次の式で計算される。 ［００１１］
プがベクトル量子化を利用することにより行なわれる。 ベクトル量子化において、もしＬＰＧ係数集合が僅かに
変形されているならば、ある付加的歪みが生じるが、も
し変形が小さなものであるならば、その結果の歪みは重
要でないことは認識されている。本発明に利用される歪
みの測度は主観的認識に関連しており、そしてゆう度比
歪み測度である。この測度は最適フィルターの使用によ
り受ける最小エラーに対して非最適フィルターの使用に
より受ける付加的モデリングエラーの比を取ることによ
り計算される。どのＬＰＧ集合に対しても、この残留モ
デリングエラーは次の式で計算される。 ［００１１］
【式１】
はフィルター係数ａ （ｋ）
の自己相関であり、
来、ここでＰはモデリングフィルター係数の数である。
ｒＸ（ｋ）はまたデータ自己相関関数；のブロック内の
サンプル数である。例えば、レビンソン帰納により決定
される係数の最適集合に対しては、残留モデリングエラ
ーはＥｐである。１；は係数の最適集合からの残留エラ
ーである。 よう度比歪み測度はＤ （Ａ、Ａ）＝ （Ｅ、−Ｅ、）
／Ｅｐとして計算される。Ａはブロックに対する係数の
最適集合であり、そしてＡはそれぞれの前のブロックに
対して選択された係数の集合（クラスター）の一つであ
る。Ｄ （Ａ、人）の典型的値は０．５から２の範囲内
に有り、その値は合成信号を生成し、合成サウンドがオ
リジナルサウンドの有用な複製とするのに十分低い歪み
となり、そこからデータが合成工程のために得られた。 ［００１２］ ＬＰＧブロックを基本とする分析において、数多くの係
数集合が発生される。 データの全ブロックを表すためにこれらの集合の部分集
合を選択することによりいくらかの付加的歪みを犠牲に
して、低減された数の係数が合成のために記憶されても
良い。より小数の標本（代表）係数集合が分離プロセス
中に調査されねばならなく、それにより確率的記号モデ
ルが達成される。本発明においては、それゆえに、各記
号データブロックをクラスター標本（代表）に割り当て
るためにクラスター分析プロセスが採用されるので、歪
みは所定スレッショルドよりも小さくなる。以前に決定
されたクラスター標本の何れかのＬＰＧ係数によりデー
タブロックの表示がスレッショルド以下の歪みを生成で
きないならば、調査されているデータブロックに基づい
た新クラスターが確立される。もしスレッショルドが超
過しないならば、最小表示歪みを生成するクラスター標
本が利用される。このベクトル量子化プロセスの結果は
クラスターの集合である、つまり、分析表示のためにク
ラスター標本Ｃｉに割り当てられたデータブロックのグ
ループでありのに番目係数である。ベクトル量子化を通
じて利用できるデータ圧縮の一例として、キャビテーシ
ョン記号が５１２ブロツクのデータを表すために１８係
数集合を使用して何とかベクトル量子化された。これは
直通ＬＰＧ分析のものを超えるほとんど３０：１の圧縮
比である。その比は、必要とされるクラスター数はレコ
ード長と共に線形的に増加しないので、分析されている
記号レコード長により制限される。これらの１８のクラ
スター標本は集合を形成し、その上で、さらにマルコフ
プロセスによるモデリング分離が達成される。特定的に
、クラスターへのデータブロックのマツピングはクラス
ター観察シーケンスで表示可能である。マルコフ記号分
析の目的はクラスター割り当てに渡って記号プロセスの
時間展開を正確に説明する差熱的モデルを生成すること
である。 ［００１３］ 図１において、ハツチカバーを閉めることにより生成さ
れたものなどの過渡サウンド信号の波形１．２．３１０
０． Ｎが示されており、各信号波形は閉動作毎に生成
されている。他の例として、各波形はプロペラの回転に
より生成されたキャビテーションノイズの一周期である
。各波形の全体の特徴は時間軸に沿って方向付けられて
いるので、それらは大体適時応答する。例えば、ハツチ
カバーを閉じることにより生成された信号波形の場合に
は、ハツチを連続的に閉じたときのそれぞれに対するサ
ウンド波形の開始は同時、１＝０に応答すべきである。 プロペラの回転により生成されるキャビテーション信号
の場合には、波形周期の開始はそれほど容易に決定する
ことは出来ない。但し、その波形は異なるサイクル開始
時間を使用する連続ＬＰＧ分析による本発明に従って最
小の合計クラスター集合数となる開始ポイントをその周
期の開始として選択することにより周期の開始を確立す
るためにＬＰＧ分析されても良い。ハツチカバーの各閉
鎖あるいはプロペラの周期により生成されるアナログ信
号の波形は一般に異なるが、全ての波形のＬＰＧ分析か
ら得られる係数の異なる集合の合計数（クラスター）は
本発明の方法に従い低減されよう。 ［００１４］ 図１に示された波形は対応時間で周期の開始に適切に近
接していると仮定される。米国特許出願番号３３２，４
１４で説明されているように各波形のＬＰＧ分析はブロ
ック１から１２８で実行され、そこではもし各ブロック
が８ミリ秒の期間で、分析されるべき波形の合計期間が
１秒、そして波形数Ｎが１０であると仮定されるならば
、１２８０の係数集合が必要とされる。分析されている
波形が、例えば、−分間など、長期間のものである場合
は、係数の集合数はかなり大きく（この例では６０倍）
なり、そして十分なメモリが米国出願と同様に各集合の
それぞれの係数をデジタル的に記憶するために利用され
なければならない。 ［００１５］ 係数の集合数の低減するために、集合はベクトル量子化
されるので、１０の波形に対する１２８０のＬＰＧ係数
の集合に関する直前の実例はより小数の係数集合（又は
クラスター）により表される。−クラスターに属する係
数の集合は歪みの許容限度により決定され、そこでその
スレッショルド値が前述の等式により決定されたように
、よう度比歪み測度により評価される。このように、実
例としてそして容認できる歪みのレベルにより、１２８
０の係数の集合は十分に低減されよう。 しかしながら、ベクトル量子化だけを使用して発生され
た記号は反復的であり、実記号の複数サンプルはランダ
ム変動を示すだろう。 ［００１６］ 図１の波形１．２１１０． Ｎのそれぞれは１．２．３
１．、、 １２８と付けられた８ミリ秒ブロックに分
割されて示されている。ＬＰＧ分析を受けるとき各波形
の各ブロックは、ベクトル量子化後、各波形１１１１．
Ｎに対して可能な１２８の係数の集合よりも数の少な
いＬＰＧ係数のクラスターを提供する係数の集合を生成
する。波形１に対して、ブロック１と２に対する係数の
集合は係数Ｃ１の一集合にクラスター化されると仮定さ
れ、ここでＣ１はブロック１に対して計算される係数で
あり、係数の計算はＬＰＧ分析により実行される。波形
１のブロック２に対して得られたＬＰＣ係数の集合は係
数０１の集合と比較すると、前述の量よりも小さいエラ
ーとなると仮定され、ここでクラスターＣ１の係数はブ
ロック２に対して計算された係数と置き換えられる。波
形１のブロック３の計算されたＬＰＧ係数は、クラスタ
ー０１が使用されている時には前述の許容エラー外に属
すると仮定される。故に、ブロック３に対する計算ＬＰ
Ｇ係数はクラスターＣ２として指定される。このプロセ
スは全波形１．２．３１００． Ｎの全ブロックに対し
て続けられ、その計算ＬＰＧ係数は追加クラスターＬＰ
Ｃ係数が確立される必要があるかどうかを決定するため
に全ての以前のクラスターＬＰＧ係数（この例ではＣ１
、Ｃ２）に関して評価される。全波形の最初の４波形は
クラスター値Ｃ１１６，Ｃ４を有すると仮定される。図
２Ａ−Ｄは各波形１〜３そしてＮに対する各ブロック１
〜４のクラスターＣ１〜Ｃ４の分布をそれぞれ示す。実
例として、図２Ａ−Ｄは、全波形のブロック１はクラス
ターＣ１又はＣ２における係数により置き換えられても
良い計算ＬＰＧ係数を有することを示しここでブロック
２はクラスター１．２、又は３の係数により置き換えら
れても良い計算ＬＰＣ係数を有する。 ［００１７］ 本発明の好適形態において使用されているアルゴリズム
は先行技術のこれらのものと異なり、そして図１１のブ
ロー図に示されるクラスター化アルゴリズムである。プ
ログラムは入力として、クラスター構成歪みスレッショ
ルドと同じように歪み分析を開始するために使用される
べき初期ブロックのインデックス、分析されるべきブロ
ック数、ブロック時間、そしてＬＰＧ係数の数を必要と
する。これらの入力で、分析がデータ内のブロックの連
続的シーケンスに制限される。アルゴリズムはメモリ内
の第一ブロックＬＰＧ係数自己相関関数（ＡＣＦ）デー
タを記憶することにより開始する。サンプルデータの次
のブロックはメモリがら検索され、そしてこのブロック
に対するＬＰＧ係数ＡＣＦはサンプルデータのＡＣＦと
同様に計算される。この情報を利用して、レビンソン帰
納により得られる最適集合の代わりにＬＰＧ係数の第一
集合を使用することにより受ける表示歪みが計算される
。もしこの歪みがクラスター確立スレッショルドを超え
ると、新クラスターが確立され、新データブロックのＬ
ＰＧ係数により表される。さらに、新クラスターに対す
るＬＰＧ係数Ａはメモリ内に記憶される。もし歪みがそ
の限度を超えないならば、データブロックは第一クラス
ターに割り当てられる。反復的に、このプロセスは繰り
返される。各サンプルデータブロックはメモリから読み
取られ、そして以前に確立されたクラスター標本の各集
合を利用することにより受ける歪みを計算するプロセス
が計算される。もしクラスター確立スレッショルドがそ
れぞれの現存するクラスター標本により超えられるなら
ば、新クラスターが確立され、そして係数データが再び
メモリ内に読み込まれる。もしそうでなければ、データ
ブロックは最小表示歪みを受けるクラスターに割り当て
られる。各データブロックに対して、またＬＰＧゲイン
値、ブロックインデックス、そしてクラスター割り当て
がメモリに読み込まれるので、ベクトル量子化記号の合
成が達成される。そのプロセスは、全データフ宅ツクが
調査される迄継続される。最後に、各クラスターに対す
るＬＰＧ係数がまた合成に使用するためにメモリにイン
デックス方式で読み込まれる。このアルゴリズムにより
確立されたクラスター数は主として選択されたクラスタ
ー確立スレッショルドの関数であることに留意すべきで
ある。もし許容されるクラスターの最大数が、全データ
が調査される前に超過するならば、アルゴリズムは停止
し、そしてより高いクラスター確立スレッショルドでの
再試行が命令される。実際には、連続的低確立スレッシ
ョルドでの連続パスが、所望のクラスター数が得られる
進行なわれる。 ［００１８］ このアルゴリズムは非常に効果的であることを証明する
。例えば、それは、それぞれが１２９サンプルを包含す
る８ミリ秒時間の５１２データブロツクのシングルパス
を実行するために４分しか要さなかった。実サウンドの
８秒を表す５１２データブロツクの全ては調査された長
期非定常信号の全てに対して２ダース以下の係数集合で
表されることが解かっている。 ［００１９］ 遷移マトリックスは要素Ｐｋ （ｉ、ｊ）のマトリック
スであり、ここでＰｋ （ｉ、ｊ）はブロックｋにおけ
るクラスターｉがらブロックに＋１におけるクラスター
ｊへの遷移の確率である。初期状態占有ベクトル（それ
ぞれの状態はクラスターに関連付けられている）はＰ
（ｉ、ｊ）である。これらの確率密度は複数過渡記号
リアリゼーションの観察アンサンプルから予測され、そ
のそれぞれは記録され、そしてデジタル化される。各ブ
ロック遷移に対して異なる遷移マトリックスと各過渡記
号タイプに対して遷移マトリックスの異なる順序の集合
が存在する。 ［００２０１ 図３Ａ−Ｄにおいて、現在ブロックから次連続ブロック
の波形を合成することが望まれる時、一つのクラスター
値と同値あるいは異なるクラスター値開の遷移に対する
遷移確率マトリックスが示されている。例えば、図２Ａ
−Ｄにおいて、ブロック１でのクラスター値からブロッ
ク２でのクラスター値への遷移に対して波形１からＮに
対してはクラスター値は波形１のクラスターＣＩへの遷
移とクラスターＣ１から波形２のクラスターＣ２への遷
移とで波形１と２に対してＣ１であることが解かる。波
形３とＮが波形３のブロック２に対するクラスター値Ｃ
２と波形Ｎのブロック２に対するクラスター値Ｃ３とで
ブロック１でクラスター値Ｃ２を有することが解かる。 これらのクラスター値をブロック１からブロック２への
遷移に対して図３Ｂに示された遷移確率マトリックスに
適用すると、クラスターＣ１からクラスターＣ２への遷
移が１／２で発生し、そしてクラスター０２への遷移も
１／２で発生することが解かる。同様に、クラスターＣ
２からクラスターＣ２への遷移は１／２で発生し、そし
てクラスターＣ２からクラスターＣ３への遷移は１／２
で発生する。考慮されている波形の限定数に対して、ブ
ロック１のクラスターＣ３、Ｃ４からブロック２のクラ
スターＣ４への遷移は無い。 故に、これらの対応する行と列はゼロ確率を有する。 ［００２１］
サンプル数である。例えば、レビンソン帰納により決定
される係数の最適集合に対しては、残留モデリングエラ
ーはＥｐである。１；は係数の最適集合からの残留エラ
ーである。 よう度比歪み測度はＤ （Ａ、Ａ）＝ （Ｅ、−Ｅ、）
／Ｅｐとして計算される。Ａはブロックに対する係数の
最適集合であり、そしてＡはそれぞれの前のブロックに
対して選択された係数の集合（クラスター）の一つであ
る。Ｄ （Ａ、人）の典型的値は０．５から２の範囲内
に有り、その値は合成信号を生成し、合成サウンドがオ
リジナルサウンドの有用な複製とするのに十分低い歪み
となり、そこからデータが合成工程のために得られた。 ［００１２］ ＬＰＧブロックを基本とする分析において、数多くの係
数集合が発生される。 データの全ブロックを表すためにこれらの集合の部分集
合を選択することによりいくらかの付加的歪みを犠牲に
して、低減された数の係数が合成のために記憶されても
良い。より小数の標本（代表）係数集合が分離プロセス
中に調査されねばならなく、それにより確率的記号モデ
ルが達成される。本発明においては、それゆえに、各記
号データブロックをクラスター標本（代表）に割り当て
るためにクラスター分析プロセスが採用されるので、歪
みは所定スレッショルドよりも小さくなる。以前に決定
されたクラスター標本の何れかのＬＰＧ係数によりデー
タブロックの表示がスレッショルド以下の歪みを生成で
きないならば、調査されているデータブロックに基づい
た新クラスターが確立される。もしスレッショルドが超
過しないならば、最小表示歪みを生成するクラスター標
本が利用される。このベクトル量子化プロセスの結果は
クラスターの集合である、つまり、分析表示のためにク
ラスター標本Ｃｉに割り当てられたデータブロックのグ
ループでありのに番目係数である。ベクトル量子化を通
じて利用できるデータ圧縮の一例として、キャビテーシ
ョン記号が５１２ブロツクのデータを表すために１８係
数集合を使用して何とかベクトル量子化された。これは
直通ＬＰＧ分析のものを超えるほとんど３０：１の圧縮
比である。その比は、必要とされるクラスター数はレコ
ード長と共に線形的に増加しないので、分析されている
記号レコード長により制限される。これらの１８のクラ
スター標本は集合を形成し、その上で、さらにマルコフ
プロセスによるモデリング分離が達成される。特定的に
、クラスターへのデータブロックのマツピングはクラス
ター観察シーケンスで表示可能である。マルコフ記号分
析の目的はクラスター割り当てに渡って記号プロセスの
時間展開を正確に説明する差熱的モデルを生成すること
である。 ［００１３］ 図１において、ハツチカバーを閉めることにより生成さ
れたものなどの過渡サウンド信号の波形１．２．３１０
０． Ｎが示されており、各信号波形は閉動作毎に生成
されている。他の例として、各波形はプロペラの回転に
より生成されたキャビテーションノイズの一周期である
。各波形の全体の特徴は時間軸に沿って方向付けられて
いるので、それらは大体適時応答する。例えば、ハツチ
カバーを閉じることにより生成された信号波形の場合に
は、ハツチを連続的に閉じたときのそれぞれに対するサ
ウンド波形の開始は同時、１＝０に応答すべきである。 プロペラの回転により生成されるキャビテーション信号
の場合には、波形周期の開始はそれほど容易に決定する
ことは出来ない。但し、その波形は異なるサイクル開始
時間を使用する連続ＬＰＧ分析による本発明に従って最
小の合計クラスター集合数となる開始ポイントをその周
期の開始として選択することにより周期の開始を確立す
るためにＬＰＧ分析されても良い。ハツチカバーの各閉
鎖あるいはプロペラの周期により生成されるアナログ信
号の波形は一般に異なるが、全ての波形のＬＰＧ分析か
ら得られる係数の異なる集合の合計数（クラスター）は
本発明の方法に従い低減されよう。 ［００１４］ 図１に示された波形は対応時間で周期の開始に適切に近
接していると仮定される。米国特許出願番号３３２，４
１４で説明されているように各波形のＬＰＧ分析はブロ
ック１から１２８で実行され、そこではもし各ブロック
が８ミリ秒の期間で、分析されるべき波形の合計期間が
１秒、そして波形数Ｎが１０であると仮定されるならば
、１２８０の係数集合が必要とされる。分析されている
波形が、例えば、−分間など、長期間のものである場合
は、係数の集合数はかなり大きく（この例では６０倍）
なり、そして十分なメモリが米国出願と同様に各集合の
それぞれの係数をデジタル的に記憶するために利用され
なければならない。 ［００１５］ 係数の集合数の低減するために、集合はベクトル量子化
されるので、１０の波形に対する１２８０のＬＰＧ係数
の集合に関する直前の実例はより小数の係数集合（又は
クラスター）により表される。−クラスターに属する係
数の集合は歪みの許容限度により決定され、そこでその
スレッショルド値が前述の等式により決定されたように
、よう度比歪み測度により評価される。このように、実
例としてそして容認できる歪みのレベルにより、１２８
０の係数の集合は十分に低減されよう。 しかしながら、ベクトル量子化だけを使用して発生され
た記号は反復的であり、実記号の複数サンプルはランダ
ム変動を示すだろう。 ［００１６］ 図１の波形１．２１１０． Ｎのそれぞれは１．２．３
１．、、 １２８と付けられた８ミリ秒ブロックに分
割されて示されている。ＬＰＧ分析を受けるとき各波形
の各ブロックは、ベクトル量子化後、各波形１１１１．
Ｎに対して可能な１２８の係数の集合よりも数の少な
いＬＰＧ係数のクラスターを提供する係数の集合を生成
する。波形１に対して、ブロック１と２に対する係数の
集合は係数Ｃ１の一集合にクラスター化されると仮定さ
れ、ここでＣ１はブロック１に対して計算される係数で
あり、係数の計算はＬＰＧ分析により実行される。波形
１のブロック２に対して得られたＬＰＣ係数の集合は係
数０１の集合と比較すると、前述の量よりも小さいエラ
ーとなると仮定され、ここでクラスターＣ１の係数はブ
ロック２に対して計算された係数と置き換えられる。波
形１のブロック３の計算されたＬＰＧ係数は、クラスタ
ー０１が使用されている時には前述の許容エラー外に属
すると仮定される。故に、ブロック３に対する計算ＬＰ
Ｇ係数はクラスターＣ２として指定される。このプロセ
スは全波形１．２．３１００． Ｎの全ブロックに対し
て続けられ、その計算ＬＰＧ係数は追加クラスターＬＰ
Ｃ係数が確立される必要があるかどうかを決定するため
に全ての以前のクラスターＬＰＧ係数（この例ではＣ１
、Ｃ２）に関して評価される。全波形の最初の４波形は
クラスター値Ｃ１１６，Ｃ４を有すると仮定される。図
２Ａ−Ｄは各波形１〜３そしてＮに対する各ブロック１
〜４のクラスターＣ１〜Ｃ４の分布をそれぞれ示す。実
例として、図２Ａ−Ｄは、全波形のブロック１はクラス
ターＣ１又はＣ２における係数により置き換えられても
良い計算ＬＰＧ係数を有することを示しここでブロック
２はクラスター１．２、又は３の係数により置き換えら
れても良い計算ＬＰＣ係数を有する。 ［００１７］ 本発明の好適形態において使用されているアルゴリズム
は先行技術のこれらのものと異なり、そして図１１のブ
ロー図に示されるクラスター化アルゴリズムである。プ
ログラムは入力として、クラスター構成歪みスレッショ
ルドと同じように歪み分析を開始するために使用される
べき初期ブロックのインデックス、分析されるべきブロ
ック数、ブロック時間、そしてＬＰＧ係数の数を必要と
する。これらの入力で、分析がデータ内のブロックの連
続的シーケンスに制限される。アルゴリズムはメモリ内
の第一ブロックＬＰＧ係数自己相関関数（ＡＣＦ）デー
タを記憶することにより開始する。サンプルデータの次
のブロックはメモリがら検索され、そしてこのブロック
に対するＬＰＧ係数ＡＣＦはサンプルデータのＡＣＦと
同様に計算される。この情報を利用して、レビンソン帰
納により得られる最適集合の代わりにＬＰＧ係数の第一
集合を使用することにより受ける表示歪みが計算される
。もしこの歪みがクラスター確立スレッショルドを超え
ると、新クラスターが確立され、新データブロックのＬ
ＰＧ係数により表される。さらに、新クラスターに対す
るＬＰＧ係数Ａはメモリ内に記憶される。もし歪みがそ
の限度を超えないならば、データブロックは第一クラス
ターに割り当てられる。反復的に、このプロセスは繰り
返される。各サンプルデータブロックはメモリから読み
取られ、そして以前に確立されたクラスター標本の各集
合を利用することにより受ける歪みを計算するプロセス
が計算される。もしクラスター確立スレッショルドがそ
れぞれの現存するクラスター標本により超えられるなら
ば、新クラスターが確立され、そして係数データが再び
メモリ内に読み込まれる。もしそうでなければ、データ
ブロックは最小表示歪みを受けるクラスターに割り当て
られる。各データブロックに対して、またＬＰＧゲイン
値、ブロックインデックス、そしてクラスター割り当て
がメモリに読み込まれるので、ベクトル量子化記号の合
成が達成される。そのプロセスは、全データフ宅ツクが
調査される迄継続される。最後に、各クラスターに対す
るＬＰＧ係数がまた合成に使用するためにメモリにイン
デックス方式で読み込まれる。このアルゴリズムにより
確立されたクラスター数は主として選択されたクラスタ
ー確立スレッショルドの関数であることに留意すべきで
ある。もし許容されるクラスターの最大数が、全データ
が調査される前に超過するならば、アルゴリズムは停止
し、そしてより高いクラスター確立スレッショルドでの
再試行が命令される。実際には、連続的低確立スレッシ
ョルドでの連続パスが、所望のクラスター数が得られる
進行なわれる。 ［００１８］ このアルゴリズムは非常に効果的であることを証明する
。例えば、それは、それぞれが１２９サンプルを包含す
る８ミリ秒時間の５１２データブロツクのシングルパス
を実行するために４分しか要さなかった。実サウンドの
８秒を表す５１２データブロツクの全ては調査された長
期非定常信号の全てに対して２ダース以下の係数集合で
表されることが解かっている。 ［００１９］ 遷移マトリックスは要素Ｐｋ （ｉ、ｊ）のマトリック
スであり、ここでＰｋ （ｉ、ｊ）はブロックｋにおけ
るクラスターｉがらブロックに＋１におけるクラスター
ｊへの遷移の確率である。初期状態占有ベクトル（それ
ぞれの状態はクラスターに関連付けられている）はＰ
（ｉ、ｊ）である。これらの確率密度は複数過渡記号
リアリゼーションの観察アンサンプルから予測され、そ
のそれぞれは記録され、そしてデジタル化される。各ブ
ロック遷移に対して異なる遷移マトリックスと各過渡記
号タイプに対して遷移マトリックスの異なる順序の集合
が存在する。 ［００２０１ 図３Ａ−Ｄにおいて、現在ブロックから次連続ブロック
の波形を合成することが望まれる時、一つのクラスター
値と同値あるいは異なるクラスター値開の遷移に対する
遷移確率マトリックスが示されている。例えば、図２Ａ
−Ｄにおいて、ブロック１でのクラスター値からブロッ
ク２でのクラスター値への遷移に対して波形１からＮに
対してはクラスター値は波形１のクラスターＣＩへの遷
移とクラスターＣ１から波形２のクラスターＣ２への遷
移とで波形１と２に対してＣ１であることが解かる。波
形３とＮが波形３のブロック２に対するクラスター値Ｃ
２と波形Ｎのブロック２に対するクラスター値Ｃ３とで
ブロック１でクラスター値Ｃ２を有することが解かる。 これらのクラスター値をブロック１からブロック２への
遷移に対して図３Ｂに示された遷移確率マトリックスに
適用すると、クラスターＣ１からクラスターＣ２への遷
移が１／２で発生し、そしてクラスター０２への遷移も
１／２で発生することが解かる。同様に、クラスターＣ
２からクラスターＣ２への遷移は１／２で発生し、そし
てクラスターＣ２からクラスターＣ３への遷移は１／２
で発生する。考慮されている波形の限定数に対して、ブ
ロック１のクラスターＣ３、Ｃ４からブロック２のクラ
スターＣ４への遷移は無い。 故に、これらの対応する行と列はゼロ確率を有する。 ［００２１］
【式２】
［００２２］
図４Ａ−Ｄに示された累積確率マトリックスは図３Ａ−
Ｄの遷移確率マトリックスのそれぞれから直接的に得る
ことが可能である。図３の遷移確率マトリックスの行の
各列は図４に示されるように確率密度を逐次に累積する
。図４は本発明の合成工程において利用される。ランダ
ム数を提供するためにＯから１を含む値を有するランダ
ム数ジェネレータを利用することによって、−ブロック
から−ブロック内で特別クラスター値を与えられた次ブ
ロックへのクラスター遷移が確率マトリックスに従って
決定される。例えば、図４Ｂにおいて、ブロック１は合
成工程でクラスター０２を利用したと仮定される。ブロ
ック２は合成工程でクラスター０２を利用するか又はＣ
３を利用するかどうかが次に議論されるべきランダム数
ジェネレータにより決定される。もしランダム数ジェネ
レータがブロック２へ割り当てられる期間にＯと０．５
を含む間にある数を生成するならば、図４Ｂによるブロ
ック２はブロック２に対応する期間中ＬＰＧフィルター
に適用される係数としてクラスターグループＣ２を利用
するだろう。但し、もしランダム数ジェネレータが０．
５よりも大きく、且つ１に等しいか、それ以下の数を生
成していたならば、クラスター集合Ｃ３が合成信号を発
生するためにブロック２に割り当てられる時間中利用さ
れていたであろう。クラスターの発生の相対周波数と同
様に図３Ａ−Ｄ及び図４Ａ〜Ｄと関連付けられた確率は
−ブロックから次連続ブロックへの遷移において可能で
あるクラスター数に依存することが当業者には明白であ
ろう。 ［００２３］ しかしながら、もし代わりに、図２Ａ−Ｄのブロック１
は波形３とＮについてはクラスター値Ｃ２を有した、そ
してブロック２は４つの波形に対してそれぞれクラスタ
ー値Ｃ１、Ｃ２、Ｃ３、Ｃ４を有することが仮定される
ならば、図３Ｂは、遷移確率マトリックスがブロック１
のクラスターＣ２からブロック２の各クラスターＣ１−
Ｃ４への遷移の等確率を示す図、５Ａに示されるように
なるように変形されるだろう。図５Ｂは図５Ａの遷移確
率マトリックスに対応する累積確率マトリックスを示し
、それはランダム数ジェネレータとの関連で利用される
時どのクラスターＣ１〜Ｃ４がブロック２での信号を合
成するのに利用されるかを等確率で選択する。 ［００２４］ 図６は二つの連続ブロック、図４と図５において示され
たものよりももつと一般的なブロックにとブロック（ｋ
＋１）に対する累積確率マトリックスを表す。 図６はまた各ブロックｋ、（ｋ＋１）に対してそれぞれ
クラスターデータを記憶し、そして提供するメモリセク
ター６８．６９が如何に統制されるかの表示である。ポ
インター６１はブロックｋに割り当てられたメモリのセ
クター６８の行１を選択すると仮定される。行１の選択
はブロックにのＬＰＧ合成で使用するクラスター５を提
供する。ＬＰＧ係数は図７において示されたメモリ７０
内に包含され、そこでクラスタ一番号はＬＰＧ係数ａ
１．、ａ ５を包含するメモリ０ °
ｎ ７０内の行５を示す。図７のＬＰＧ係数メモリ７０はＲ
ＯＭメモリで構成可能である。行１に適用されたポイン
ター６１はまた疑似ランダムジェネレータ６３からの他
の入力を有するコンパレータ６２に提供される累積確率
Ｐ１．．Ｐ１１ 。 １、を提供する。もてジェネレータ６３により提供され
るランダム数が累積確率値Ｐ１゜とＰＩ３を包含する間
にあると仮定すると、コンパレータはポインター６４と
して提供される列３に対応する出力をブロック（ｋ＋１
）に対応するメモリセグメントの行３に提供する。ポイ
ンター６４は、対応する時間において、ブロック（ｋ＋
１）に対してクラスター２５を提供し、そして全累積確
率値Ｐ３１′Ｐ３６′ をブロック（ｋ＋１）に対応す
る時間に対して一クラスター値の選択のためのコンパレ
ータ６５にもまた提供する。可能クラスター値の異なる
数に対応する列の異なる数がブロックにとブロック（ｋ
＋１）メモリセクター６８と６９のそれぞれに現れるこ
とに留意すべきである。ブロックにの累積遷移確率と関
連して疑似ランダム数ジェネレータ６３はブロック（ｋ
＋１） そして続いて全ブロックに対する行（そして
クラスター）の選択を提供するように見られることが解
かる。 ［００２５］ 本発明のマルコフシンセサイザー８０のブロック図が図
８に示されている。タイミングパルスジェネレータ８１
はブロック時間に対応するＴミリ秒毎にパルスを生成し
、ここでＴはこの出願では８ミリ秒となるように選択さ
れている。パルスは疑似ランダム数ジェネレータ６３と
逐次ブロック数ジェネレータ８２に提供される。逐次ブ
ロック数ジェネレータ８２は逐次的にブロックアドレス
を選択しどのブロックメモリセクター（図６のセクター
６８．６９など）がブロックメモリ８３内で選択される
かを決定する。図６に関して以前に説明されたように、
ブロックｋに対応するメモリ８３のセクター内に包含さ
れたクラスター数は逐次ブロック数ジェネレータ８２に
より選択され、そしてブロックｋに対するポインターは
メモリ８３から読みだされ、図７のクラスター係数メモ
リ７０内に読み込まれる。同セクターにより提供された
累積確率はコンパレータ６２に提供されてその他の入力
はランダム数ジェネレータ６３により提供され、クラス
ター数とブロック（ｋ＋１）の累積確率などを提供する
。メモリ７０内に包含されているブロックにのＬＰＧ係
数はメモリ８３からのクラスター数、ブロックｋにより
選択され、そして所望過渡合成記号をその出力に提供す
る参考特許出願で詳細に説明されたＬＰＣ再帰シンセサ
イザーフィルター８４に提供される。 ［００２６］ 要約すれば、直接マルコフ技術を使用して疑似ランダム
記号を合成するためには、疑似ランダム観察シーケンス
が背景技術のセクションで議論されたマルコフモデルか
ら発生されなければならない。このモデルは、図９に示
されるように状態の集合、初期確率ベクトル、そして遷
移マトリックスの集合からなる本質的に時変マルコフ連
鎖である。各マトリックスは遷移確率の行と列から構成
され、例えば、ｋ番目のマトリックス内のＰｉｊはジェ
ネレータがブロックにのブロックｉ内にあるという前提
でブロックに＋１の行ｊを入力する確率を示す。故に、
そのエントリーは離散的確率密度である。さらに各行は
クラスター集合ポインターのためのエントリーを包含す
る。もしその行が選択されるならば、このエントリーは
ＬＰＧ係数の集合がブロックにのための信号を合成する
ために使用されることを指示する。 ［００２７］ 図１０と図１２は前述したプロセスステップを異なる形
で提示する本発明の合成と合成プロセスのそれぞれのフ
ロー図である。 それぞれの線形予測符合化係数クラスターと結合的に量
子化されるのは量子化ゲイン因子ｒＡｌであり、ここで
Ａは参照される米国特許出願番号３３２．４１４で議論
されている。ゲイン因子Ａの量子化はゲイン因子ＡとＡ
の許容値の指示された集合との間の最小差により決定さ
れる。このように、クラスター係数と共に量子化ゲイン
値は標本クラスター係数の集合から構成される。本発明
の好適形態を説明することにより、その概念を取り入れ
る他の形態が使用されるかも知れないことは当業者には
明白であろう。故に、本発明は開示された形態に制限さ
れるべきものでなく、むしろ添付の請求の範囲の精神に
よってのみ限定されるべきものである。
Ｄの遷移確率マトリックスのそれぞれから直接的に得る
ことが可能である。図３の遷移確率マトリックスの行の
各列は図４に示されるように確率密度を逐次に累積する
。図４は本発明の合成工程において利用される。ランダ
ム数を提供するためにＯから１を含む値を有するランダ
ム数ジェネレータを利用することによって、−ブロック
から−ブロック内で特別クラスター値を与えられた次ブ
ロックへのクラスター遷移が確率マトリックスに従って
決定される。例えば、図４Ｂにおいて、ブロック１は合
成工程でクラスター０２を利用したと仮定される。ブロ
ック２は合成工程でクラスター０２を利用するか又はＣ
３を利用するかどうかが次に議論されるべきランダム数
ジェネレータにより決定される。もしランダム数ジェネ
レータがブロック２へ割り当てられる期間にＯと０．５
を含む間にある数を生成するならば、図４Ｂによるブロ
ック２はブロック２に対応する期間中ＬＰＧフィルター
に適用される係数としてクラスターグループＣ２を利用
するだろう。但し、もしランダム数ジェネレータが０．
５よりも大きく、且つ１に等しいか、それ以下の数を生
成していたならば、クラスター集合Ｃ３が合成信号を発
生するためにブロック２に割り当てられる時間中利用さ
れていたであろう。クラスターの発生の相対周波数と同
様に図３Ａ−Ｄ及び図４Ａ〜Ｄと関連付けられた確率は
−ブロックから次連続ブロックへの遷移において可能で
あるクラスター数に依存することが当業者には明白であ
ろう。 ［００２３］ しかしながら、もし代わりに、図２Ａ−Ｄのブロック１
は波形３とＮについてはクラスター値Ｃ２を有した、そ
してブロック２は４つの波形に対してそれぞれクラスタ
ー値Ｃ１、Ｃ２、Ｃ３、Ｃ４を有することが仮定される
ならば、図３Ｂは、遷移確率マトリックスがブロック１
のクラスターＣ２からブロック２の各クラスターＣ１−
Ｃ４への遷移の等確率を示す図、５Ａに示されるように
なるように変形されるだろう。図５Ｂは図５Ａの遷移確
率マトリックスに対応する累積確率マトリックスを示し
、それはランダム数ジェネレータとの関連で利用される
時どのクラスターＣ１〜Ｃ４がブロック２での信号を合
成するのに利用されるかを等確率で選択する。 ［００２４］ 図６は二つの連続ブロック、図４と図５において示され
たものよりももつと一般的なブロックにとブロック（ｋ
＋１）に対する累積確率マトリックスを表す。 図６はまた各ブロックｋ、（ｋ＋１）に対してそれぞれ
クラスターデータを記憶し、そして提供するメモリセク
ター６８．６９が如何に統制されるかの表示である。ポ
インター６１はブロックｋに割り当てられたメモリのセ
クター６８の行１を選択すると仮定される。行１の選択
はブロックにのＬＰＧ合成で使用するクラスター５を提
供する。ＬＰＧ係数は図７において示されたメモリ７０
内に包含され、そこでクラスタ一番号はＬＰＧ係数ａ
１．、ａ ５を包含するメモリ０ °
ｎ ７０内の行５を示す。図７のＬＰＧ係数メモリ７０はＲ
ＯＭメモリで構成可能である。行１に適用されたポイン
ター６１はまた疑似ランダムジェネレータ６３からの他
の入力を有するコンパレータ６２に提供される累積確率
Ｐ１．．Ｐ１１ 。 １、を提供する。もてジェネレータ６３により提供され
るランダム数が累積確率値Ｐ１゜とＰＩ３を包含する間
にあると仮定すると、コンパレータはポインター６４と
して提供される列３に対応する出力をブロック（ｋ＋１
）に対応するメモリセグメントの行３に提供する。ポイ
ンター６４は、対応する時間において、ブロック（ｋ＋
１）に対してクラスター２５を提供し、そして全累積確
率値Ｐ３１′Ｐ３６′ をブロック（ｋ＋１）に対応す
る時間に対して一クラスター値の選択のためのコンパレ
ータ６５にもまた提供する。可能クラスター値の異なる
数に対応する列の異なる数がブロックにとブロック（ｋ
＋１）メモリセクター６８と６９のそれぞれに現れるこ
とに留意すべきである。ブロックにの累積遷移確率と関
連して疑似ランダム数ジェネレータ６３はブロック（ｋ
＋１） そして続いて全ブロックに対する行（そして
クラスター）の選択を提供するように見られることが解
かる。 ［００２５］ 本発明のマルコフシンセサイザー８０のブロック図が図
８に示されている。タイミングパルスジェネレータ８１
はブロック時間に対応するＴミリ秒毎にパルスを生成し
、ここでＴはこの出願では８ミリ秒となるように選択さ
れている。パルスは疑似ランダム数ジェネレータ６３と
逐次ブロック数ジェネレータ８２に提供される。逐次ブ
ロック数ジェネレータ８２は逐次的にブロックアドレス
を選択しどのブロックメモリセクター（図６のセクター
６８．６９など）がブロックメモリ８３内で選択される
かを決定する。図６に関して以前に説明されたように、
ブロックｋに対応するメモリ８３のセクター内に包含さ
れたクラスター数は逐次ブロック数ジェネレータ８２に
より選択され、そしてブロックｋに対するポインターは
メモリ８３から読みだされ、図７のクラスター係数メモ
リ７０内に読み込まれる。同セクターにより提供された
累積確率はコンパレータ６２に提供されてその他の入力
はランダム数ジェネレータ６３により提供され、クラス
ター数とブロック（ｋ＋１）の累積確率などを提供する
。メモリ７０内に包含されているブロックにのＬＰＧ係
数はメモリ８３からのクラスター数、ブロックｋにより
選択され、そして所望過渡合成記号をその出力に提供す
る参考特許出願で詳細に説明されたＬＰＣ再帰シンセサ
イザーフィルター８４に提供される。 ［００２６］ 要約すれば、直接マルコフ技術を使用して疑似ランダム
記号を合成するためには、疑似ランダム観察シーケンス
が背景技術のセクションで議論されたマルコフモデルか
ら発生されなければならない。このモデルは、図９に示
されるように状態の集合、初期確率ベクトル、そして遷
移マトリックスの集合からなる本質的に時変マルコフ連
鎖である。各マトリックスは遷移確率の行と列から構成
され、例えば、ｋ番目のマトリックス内のＰｉｊはジェ
ネレータがブロックにのブロックｉ内にあるという前提
でブロックに＋１の行ｊを入力する確率を示す。故に、
そのエントリーは離散的確率密度である。さらに各行は
クラスター集合ポインターのためのエントリーを包含す
る。もしその行が選択されるならば、このエントリーは
ＬＰＧ係数の集合がブロックにのための信号を合成する
ために使用されることを指示する。 ［００２７］ 図１０と図１２は前述したプロセスステップを異なる形
で提示する本発明の合成と合成プロセスのそれぞれのフ
ロー図である。 それぞれの線形予測符合化係数クラスターと結合的に量
子化されるのは量子化ゲイン因子ｒＡｌであり、ここで
Ａは参照される米国特許出願番号３３２．４１４で議論
されている。ゲイン因子Ａの量子化はゲイン因子ＡとＡ
の許容値の指示された集合との間の最小差により決定さ
れる。このように、クラスター係数と共に量子化ゲイン
値は標本クラスター係数の集合から構成される。本発明
の好適形態を説明することにより、その概念を取り入れ
る他の形態が使用されるかも知れないことは当業者には
明白であろう。故に、本発明は開示された形態に制限さ
れるべきものでなく、むしろ添付の請求の範囲の精神に
よってのみ限定されるべきものである。
本発明自体と同じように、本発明の前述の特徴は図面の
次の詳細な説明により完全に理解されよう。
次の詳細な説明により完全に理解されよう。
【図１】
再帰的フィルターのブロックのクラスター化線形予測係
数を得るために分析前に使用される過渡信号の図形表示
である。
数を得るために分析前に使用される過渡信号の図形表示
である。
【図２】
図１の４波形のクラスター化係数の分布を図形的に示す
。
。
【図３】
一つのブロック内の一つのクラスターから次連続ブロッ
クの可能クラスターの一つへの遷移の確率を示す。
クの可能クラスターの一つへの遷移の確率を示す。
【図４】
一つのブロック内の一つのクラスターから次連続ブロッ
クの可能クラスターの一つへの遷移の累積確率を示す。
クの可能クラスターの一つへの遷移の累積確率を示す。
【図５】
図３Ａ〜Ｄと図４Ａ−Ｄのそれぞれに対して仮定された
以外の異なる確率分布に対するクラスター遷移確率と累
積遷移確率のそれぞれを示す。
以外の異なる確率分布に対するクラスター遷移確率と累
積遷移確率のそれぞれを示す。
【図６】
累積確率値から連続ブロックまでのクラスターを選択す
るための装置をブロック図で示す。
るための装置をブロック図で示す。
【図７】
係数メモリ内のクラスター化された係数を示す。
【図８】
本発明のシンセサイザーのブロック図である。
【図９】
メモリセクターの遷移マトリックスを示す。
【図１０】
本発明に記録する信号を合成するのに使用されるステッ
プのフロー図である。
プのフロー図である。
【図１１１
本発明において利用されるクラスター化された係数を得
るためのステップを示すフロー図である。 【符号の説明】 ６１ ポインター ６２ コンパレータ ６３ 疑似ランダム数ジェネレータ ６４ ポインター ６５ コンパレータ ６８ メモリ（ブロックｋ） ６９ メモリ（ブロック（ｋ＋１）） ７０ クラスター係数メモリ ８１ タイミングパルスジェネレータ ８２ 逐次ブロック数ジェネレータ ８３ ブロックメモリ
るためのステップを示すフロー図である。 【符号の説明】 ６１ ポインター ６２ コンパレータ ６３ 疑似ランダム数ジェネレータ ６４ ポインター ６５ コンパレータ ６８ メモリ（ブロックｋ） ６９ メモリ（ブロック（ｋ＋１）） ７０ クラスター係数メモリ ８１ タイミングパルスジェネレータ ８２ 逐次ブロック数ジェネレータ ８３ ブロックメモリ
図面
【図１】
【図２】
７℃ツクシ皮形１
フ′口・ラフ５史形３
フ］ゴツクシ良Ｊｓｚ
７°゛シツク４え形４
ρ
【図３】
フ１１７ｆｔ６７″ｒＪツ７２へ
【図４】
Ｃ１
クラスターへ
Ｃ２ｃ／３
ククス７−へ
Ｃ２Ｃ３
７”′口・７７２つ゛らフ゛°ロッ７３へｔ
Ｚ″７７スタ
ー２ Ｃ３
７ノスターヘ
２ Ｃ３
クラスターへ
０２ Ｃ３
７゛ロツク３つ゛らフ”口・７７４へ
Ｉ
クツベタ−へ
Ｃ２Ｃ３
【図６】
【図７】
ＬＰＧ
係数
【図８】
【図９】
【図１０１
【図１１】
Claims (8)
- 【請求項１】非反復的疑似ランダム信号合成を提供する
方法において、ソースからの複数の信号を分析し、各信
号は順次ブロックに分割される、ステップ、 各信号ブロックをサンプリングし、そして前記各信号の
各ブロックの再帰的フィルターの線形予測符合化係数集
合を決定するためにサンプルの前記各ブロックを分析す
るステップ、 前記各ブロックのクラスター化代表係数集合を得るため
に前記ブロックの全ての前記係数の各集合をベクトル量
子化し、各クラスター化代表係数集合はベクトル量子化
線形予測符合化係数集合の全クラスターを表すステップ
、一ブロックの位置クラスター代表から前記各信号の全
ブロックに対する後続ブロックの次クラスター代表への
遷移の確率を決定するステップ、各信号の対応ブロック
の各遷移に対して累積確率値を提供するステップ、前記
累積遷移確率値と前記クラスター代表係数を記憶するス
テップ、合成されるべき信号の各逐次ブロックに対して
確率値を逐次発生するステップ、 後続ブロックの累積確率値の対応集合に関しメモリから
読みだすためにブロックのクラスター代表を提供するス
テップ、 前記後続ブロックに対する選択クラスター代表を決定す
るために前記の後続ブロックに対して記憶された前記累
積確率値で前記の後続ブロックに対する前記の逐次的に
発生された確率値を比較するステップ、前記選択クラス
ター代表に対応する前記クラスター代表係数を包含する
メモリから読み取るクラスター代表係数の集合を提供す
るステップ、前記ブロックに対応する時間ノイズ励起再
帰的フィルターへ前記選択クラスター係数を提供するス
テップ、そして 前記合成信号を提供するために逐次ブロックに対して上
記プロセスを繰り返すステップから構成される方法。 - 【請求項２】再帰的フィルターの線形予測符合化に対し
て疑似ランダムクラスター化係数集合を提供する方法に
おいて、ソースからの複数の信号を分析し、各信号は逐
次ブロックに分割される、ステップ、 各信号ブロックをサンプリングし、そして前記各信号の
各ブロックの再帰的フィルターの線形予測符合化係数集
合を決定するために各ブロックサンプルを分析するステ
ップ、 前記各ブロックのクラスター化代表係数集合を得るため
に前記ブロックの全ての前記係数の各集合をベクトル量
子化し、少なくとも一つのブロックと関連付けられた各
クラスター係数集合はクラスター代表と呼ぶステップ、
一ブロックの一クラスター代表から前記各信号の全ブロ
ックに対する後続ブロックの第二クラスター代表への遷
移の確率を決定するステップ、各信号の対応ブロックの
各遷移に対して累積確率値を提供するステップ、前記累
積遷移確率値と前記クラスター代表係数を記憶するステ
ップから構成される方法。 - 【請求項３】非反復的疑似ランダム信号合成を提供する
方法において、合成されるべき信号の各逐次ブロックに
対して確率値を逐次発生するステップ後続ブロックの累
積確率値の対応集合をメモリから読みだすためにブロッ
クのクラスター代表を提供するステップ、 前記の後続ブロックに対する選択クラスター代表を決定
するために前記の後続ブロックに対して記憶された前記
累積確率値で前記の後続ブロックに対する逐次的に発生
された確率値を比較するステップ、前記選択クラスター
代表に対応する前記クラスター代表係数を包含するメモ
リから読み取るクラスター代表係数の集合を提供するス
テップ、前記ブロックに対応する時間再帰的フィルター
へ前記選択クラスター係数を提供するステップ、そして 前記合成信号を提供するために逐次ブロックに対して上
記プロセスを繰り返すステップから構成される方法。 - 【請求項４】再帰的フィルターのクラスター化線形予測
符合化係数を提供する装置において、 複数の信号を提供する手段、 前記各信号の各時間ブロックの線形予測符合化係数の集
合を得る手段、集合数を低減し、それにより係数の代表
クラスター化集合を提供するために前記集合をベクトル
量子化する手段、 ブロックの前記代表クラスター化集合の各一つから後続
ブロックの係数の前記代表クラスター化集合の各一つへ
の遷移累積確率を決定する手段、そして遷移の前記累積
確率と前記クラスター代表係数の前記集合と各逐次ブロ
ックの逐次クラスター係数の前記集合を記憶するメモリ
手段から構成される装置。 - 【請求項５】指示された時間ブロックで線形予測符合化
係数を再帰的フィルターに適用することにより疑似ラン
ダム信号を合成する装置において、クラスター化ＬＰＣ
係数の集合を記憶する第一メモリ手段、ブロックのクラ
スター化係数の選択集合の関数として後続ブロックのク
ラスター化係数の集合の累積確率を前記の各ブロックに
対して記憶するレコードメモリ手段、 後続ブロックで使用されるべきクラスター化係数の集合
に対する前記累積確率の一つを選択する手段、 各連続ブロックに対するクラスター化係数の集合の選択
を反復する手段、そして 前記合成信号を提供するためにブロックに続いて前記再
帰的フィルターにクラスター化係数の前記選択集合を提
供する手段から構成される装置。 - 【請求項６】クラスター化線形予測符合化係数を提供す
るための方法において、 複数の信号のそれぞれに初期と最終ブロックインデック
ス番号を確立し、各信号はブロック、クラスター確立ス
レッショルド、線形予測符合化係数の数、そして所望の
クラスター数に分割されるステップ、前記信号の一つの
初期ブロックをサンプリングするステップ、前記信号の
一つの初期ブロックの自己相関データから係数のクラス
ターを提供するために初期ブロックの線形予測符合化係
数を演算するステップ、前記信号の一つの次ブロックを
読み取るステップ、各クラスターの表示歪みを演算する
ステップ、前記次ブロックの自己相関から最小表示歪み
を確立するステップ、歪みが所定スレッショルド値より
も小さいかどうかを決定するステップ、もしそれが小さ
いならば、各クラスターとゲインをブロックレコードデ
ータベース内に入力し、そしてクラスター統計を更新し
、もしそうでなければ、新クラスターを確立し、そして
係数自己相関データをファイル内にロードし、 クラスターの最大数が超過しないかどうかを決定するス
テップ、もし超過しなければ、全データブロックが分析
されているかどうかを決定し、もし超過するならば、ク
ラスター代表データをデータベースにロードし、そして
クラスター統計を出力し、そして もしデータブロックが完了しないならば、次ブロックを
読み取るこのステップに戻り、そして全ての連続ステッ
プを反復するステップから構成される方法。 - 【請求項７】再帰的フィルターのブロックのクラスター
化線形予測符合化係数からの信号を合成するための方法
において、第一ブロックの遷移マトリックスからの初期
状態分布ベクトルを使用して初期クラスターを選択する
ステップ、 ランダム数と比較することによりアドレス指定されたベ
クトル量子化係数集合を決定するステップ、 メモリから係数集合を読み取るステップ、 ブロック更新速度に対応する時間で前記係数集合を前記
再帰的フィルターに提供するステップ、 現在選択行への次状態遷移マトリックスを選択し、そし
て行累積確率ベクトルを構成するステップ、 ランダム数を発生するステップ、そして 前記ランダム数と前記行累積確率ベクトルを比較するこ
とによりベクトル量子化係数集合を決定することで始ま
る上記ステップを繰り返すステップから構成される方法
。 - 【請求項８】再帰的フィルターの確率重み付けクラスタ
ー化線形予測符合化係数を提供するための方法において
、 複数の信号の各時間ブロックの複数のサンプルを提供す
るステップ、各前記時間ブロックの前記の複数の前記サ
ンプルからの再帰的フィルターの線形予測符合化係数集
合を決定するステップ、クラスター化集合として参照さ
れる低減された集合数を提供するために許容歪み限度を
超過せずに以前に決定された集合で前記の各集合を置き
換えるステップ、 前記の複数の信号のそれぞれの各対応ブロックに対して
一ブロックの一クラスター化集合から後続ブロックの前
記クラスター化集合の一つへの遷移の確率を決定するス
テップ、 前記クラスター化集合のそれぞれ一つから前記クラスタ
ー化集合のそれぞれ一つの遷移の各ブロックに対する累
積確率を提供するステップ、そして各ブロックに対して
前記累積確率を異なるメモリセクター内に記憶するステ
ップから構成される方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US45942090A | 1990-01-02 | 1990-01-02 | |
| US459420 | 1990-01-02 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH03293700A true JPH03293700A (ja) | 1991-12-25 |
Family
ID=23824698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2409368A Pending JPH03293700A (ja) | 1990-01-02 | 1990-12-28 | サウンドシンセサイザー |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP0436397B1 (ja) |
| JP (1) | JPH03293700A (ja) |
| CA (1) | CA2031965A1 (ja) |
| DE (1) | DE69029030T2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002123299A (ja) * | 2000-08-09 | 2002-04-26 | Sony Corp | 音声処理装置および音声処理方法、学習装置および学習方法、並びにプログラムおよび記録媒体 |
| US7912711B2 (en) | 2000-08-09 | 2011-03-22 | Sony Corporation | Method and apparatus for speech data |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6471420B1 (en) | 1994-05-13 | 2002-10-29 | Matsushita Electric Industrial Co., Ltd. | Voice selection apparatus voice response apparatus, and game apparatus using word tables from which selected words are output as voice selections |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2510288B1 (fr) * | 1981-07-24 | 1986-10-31 | Labo Cent Telecommunicat | Procede et dispositif de generation de bruits sous-marins, en particulier pour la simulation de bruits sonar |
| AU588334B2 (en) * | 1985-07-18 | 1989-09-14 | Raytheon Company | Digital sound synthesizer and method |
-
1990
- 1990-12-11 CA CA002031965A patent/CA2031965A1/en not_active Abandoned
- 1990-12-28 EP EP90314403A patent/EP0436397B1/en not_active Expired - Lifetime
- 1990-12-28 JP JP2409368A patent/JPH03293700A/ja active Pending
- 1990-12-28 DE DE69029030T patent/DE69029030T2/de not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002123299A (ja) * | 2000-08-09 | 2002-04-26 | Sony Corp | 音声処理装置および音声処理方法、学習装置および学習方法、並びにプログラムおよび記録媒体 |
| US7912711B2 (en) | 2000-08-09 | 2011-03-22 | Sony Corporation | Method and apparatus for speech data |
| JP4736266B2 (ja) * | 2000-08-09 | 2011-07-27 | ソニー株式会社 | 音声処理装置および音声処理方法、学習装置および学習方法、並びにプログラムおよび記録媒体 |
Also Published As
| Publication number | Publication date |
|---|---|
| DE69029030T2 (de) | 1997-06-05 |
| EP0436397B1 (en) | 1996-10-30 |
| CA2031965A1 (en) | 1991-07-03 |
| EP0436397A3 (en) | 1992-09-02 |
| EP0436397A2 (en) | 1991-07-10 |
| DE69029030D1 (de) | 1996-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ross et al. | Average magnitude difference function pitch extractor | |
| US4709390A (en) | Speech message code modifying arrangement | |
| US4813074A (en) | Method of and device for segmenting an electric signal derived from an acoustic signal | |
| US5740320A (en) | Text-to-speech synthesis by concatenation using or modifying clustered phoneme waveforms on basis of cluster parameter centroids | |
| EP0555545A1 (en) | Speech recognition apparatus which predicts word classes from context and words from word classes | |
| US20020035469A1 (en) | Method and configuration for determining a descriptive feature of a speech signal | |
| Ljolje et al. | Synthesis of natural sounding pitch contours in isolated utterances using hidden Markov models | |
| CN101276583A (zh) | 语音合成系统和语音合成方法 | |
| US5119425A (en) | Sound synthesizer | |
| EP0453649A2 (en) | Method and apparatus for modeling words with composite Markov models | |
| CA2241549C (en) | Waveform synthesis | |
| CN117672176A (zh) | 基于语音自监督学习表征的重读可控语音合成方法及装置 | |
| US5005204A (en) | Digital sound synthesizer and method | |
| US4388491A (en) | Speech pitch period extraction apparatus | |
| CN111667805B (zh) | 一种伴奏音乐的提取方法、装置、设备和介质 | |
| US5822724A (en) | Optimized pulse location in codebook searching techniques for speech processing | |
| JPH03293700A (ja) | サウンドシンセサイザー | |
| US5822721A (en) | Method and apparatus for fractal-excited linear predictive coding of digital signals | |
| US6009384A (en) | Method for coding human speech by joining source frames and an apparatus for reproducing human speech so coded | |
| Donovan | Segment pre-selection in decision-tree based speech synthesis systems | |
| WO2006127968A1 (en) | Restoring audio signals corrupted by impulsive noise | |
| JP3282693B2 (ja) | 声質変換方法 | |
| O'Leary et al. | A two level montage approach to sound texture synthesis with treatment of unique events. | |
| CN112767968A (zh) | 基于区分性互补信息的语音客观评价最优特征组筛选方法 | |
| JP3471889B2 (ja) | 音声符号化方法及び装置 |