JPH05265488A

JPH05265488A - ピッチ抽出方法

Info

Publication number: JPH05265488A
Application number: JP9226092A
Authority: JP
Inventors: Atsushi Matsumoto; 淳松本; Masayuki Nishiguchi; 正之西口
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 1992-03-18
Filing date: 1992-03-18
Publication date: 1993-10-15
Anticipated expiration: 2016-10-29
Also published as: JP3223564B2

Abstract

(57)【要約】【構成】ブロック取り出し処理部１０で取り出された
入力音声信号はサブブロック分割処理部１５により複数
のサブブロックに分割される。ピークレベル検出部１６
は、上記入力音声信号の複数のサブブロックよりサブブ
ロック毎のピークレベルを抽出する。最大ピークレベル
検出部１７は、上記サブブロック毎のピークレベルから
サブブロック毎の最大ピークレベルを検出する。比較部
１８は、サブブロック毎の最大ピークレベルを比較し、
比較結果をクリッピングレベル制御部１９に送る。クリ
ッピングレベル制御部１９は、センタクリップ処理部１
２のクリッピングレベルをブロック内で段階的あるいは
連続的に変化させる。【効果】音声の立ち上がり、立ち下がり等のピークレ
ベルの変動が急激であっても確実なピッチ抽出が可能と
なる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、入力される音声信号波
形からピッチを抽出するピッチ抽出方法に関する。

【０００２】

【従来の技術】音声は、音の性質として、有声音と無声
音に区別される。有声音は声帯振動を伴う音声で周期的
な振動として観測される。無声音は声帯振動に伴わない
音声で非周期的な雑音として観測される。通常の音声で
は大部分が有声音であり、無声音は無声子音と呼ばれる
特殊な子音のみである。有声音の周期は声帯振動の周期
で決まり、これをピッチ周期、その逆数をピッチ周波数
という。これらピッチ周期及びピッチ周波数は声の高低
やイントネーションを決める重要な要因となる。したが
って、原音声波形から正確にピッチ周期を抽出（以下、
ピッチ抽出という）することは、音声を分析し合成する
音声合成の過程のなかでも重要となる。

【０００３】上記ピッチ抽出の方法（以下、ピッチ抽出
方法という）は、波形の上で周期的ピークを検出する波
形処理法、相関処理が波形の位相歪みに強いことを利用
した相関処理法、スペクトルの周期的周波数構造を利用
したスペクトル処理法とに分類される。

【０００４】上記相関処理法の一方法である自己相関法
について図１１を用いて以下に説明する。図１１のＡは
300 サンプル分の入力音声波形ｘ(n) であり、図１１の
ＢはＡで示したｘ(n) の自己相関関数を求めた波形であ
る。また、図１１のＣはＡに示されたクリッピングレベ
ルＣ_Lでセンタクリップした波形Ｃ[ ｘ( n)] であり、
図４のＤはＣで示したＣ[ ｘ( n)] の自己相関を求めた
波形Ｒ_c(k) である。

【０００５】上述したように図１１のＡに示す300 サン
プル分の入力音声波形ｘ(n) の自己相関関数を求める
と、図１１のＢに示す波形Ｒ_x(k) となる。この図１１
のＢに示す自己相関関数の波形Ｒ_x(k) では、ピッチ周
期のところに強いピークが見られる。しかし、声道の減
衰振動による余分なピークも多数見られる。この余分な
ピークを減少させるために、図１１のＡに示したクリッ
ピングレベル±Ｃ_Lより絶対値として小さい波形を潰し
た図１１のＣに示すセンタクリップ波形Ｃ[ ｘ(n)]から
自己相関関数を出すことが考えられる。この場合、図１
１のＣに示すセンタクリップされた波形Ｃ[ ｘ(n)]に
は、もとのピッチ間隔でいくつかのパルスが残っている
だけになっており、そこから求めた自己相関関数Ｒ
_c(k) の波形には、余分なピークが少なくなっている。

【０００６】上記ピッチ抽出により得られたピッチは、
上述したように声の高低やイントネーションを決める重
要な要因となり、原音声波形からの正確なピッチ抽出
は、例えば、音声波形の高能率符号化に適用される。

【０００７】

【発明が解決しようとうする課題】ところで、従来、入
力音声波形の自己相関のピークからピッチを求める場
合、センタクリップにより求めるべきピークが鋭く出る
ようにクリッピングレベルを設定していた。具体的に
は、微小なレベルの信号がクリッピングによって欠落し
てしまわないようにクリッピングレベルを低く設定して
いた。

【０００８】したがって、クリッピングレベルが低い時
に、音声の立ち上がり時等入力レベルの変動が同一フレ
ーム内で急激であった場合には、入力レベルが大きくな
った時点で、余分なピークが発生することになり、殆ん
どクリッピングの効果が得られず、ピッチ抽出は不安定
になる虞れがある。

【０００９】そこで、本発明に係るピッチ抽出方法は、
上記実情に鑑みてなされたものであり、同一フレームで
入力音声波形のレベルが急激に変化した場合であって
も、確実なピッチ抽出が可能となるピッチ抽出方法に関
する。

【００１０】

【課題を解決するための手段】本発明に係るピッチ抽出
方法は、入力される音声信号波形をブロック単位で取り
出し、センタクリップされた出力信号に基づいてピッチ
を抽出するピッチ抽出方法において、該ブロック内を複
数のサブブロックに分割して各サブブロック毎にクリッ
プ用レベルを求め、入力信号をセンタクリップする際に
上記各サブブロック毎に求められたクリップ用レベルに
基づいて上記ブロック内でクリッピングレベルを変化さ
せることを特徴として上記課題を解決する。

【００１１】また、本発明に係るピッチ抽出方法は、上
記ブロック内の複数のサブブロックの内で隣接するサブ
ブロック間のピークレベルの変動が大きいときにセンタ
クリップの際のクリッピングレベルをブロック内で変化
させることを特徴として上記課題を解決する。

【００１２】ここで、センタクリップの際のクリッピン
グレベルは、ブロック内で段階的に変化させてもよく、
または連続的に変化させてもよい。

【００１３】

【作用】本発明に係るピッチ抽出方法は、ブロック単位
で取り出した入力音声信号波形を複数のサブブロックに
分割し、該各サブブロック毎に求めたクリップ用レベル
に基づいて上記ブロック内でクリッピングレベルを変化
させることにより確実なピッチ抽出ができる。

【００１４】また、本発明に係るピッチ抽出方法は、上
記複数のサブブロックの内で隣接するサブブロック間の
ピークレベルの変動が大きいとき上記ブロック内でクリ
ッピングレベルを変化させることにより確実なピッチ抽
出ができる。

【００１５】

【実施例】以下、本発明に係るピッチ抽出方法の実施例
を図面を参照しながら説明する。図１は本発明に係るピ
ッチ抽出方法の実施例の機能を説明するための機能ブロ
ック図である。この図１において、本実施例は、入力端
子１から供給される入力音声信号をブロック単位で取り
出すブロック取り出し処理部１０と、このブロック取り
出し処理部１０で取り出された入力音声信号の１ブロッ
クからクリッピングレベルを設定するクリッピングレベ
ル設定部１１と、このクリッピングレベル設定部１１に
より設定されたクリッピングレベルで入力音声信号の１
ブロックをセンタクリップ処理するセンタクリップ処理
部１２と、このセンタクリップ処理部１２からのセンタ
クリップ波形から自己相関を計算する自己相関計算部１
３と、この自己相関計算部１３からの自己相関波形から
ピッチを算出するピッチ算出部１４とを有する。

【００１６】ここで、上記クリッピングレベル設定部１
０は、上記ブロック取り出し処理部１０から供給される
入力音声信号の１ブロックを複数のサブブロックに分割
する（本実施例では前半部及び後半部の二つのサブブロ
ックに分割している）サブブロック分割処理部１５と、
このサブブロック分割処理部１５で分割された入力音声
信号の前半部及び後半部からそれぞれのサブブロックで
のピークレベルを抽出するピークレベル抽出部１６と、
このピークレベル抽出部１６で抽出されたピークレベル
から該前半部内及び後半部内における最大のピークレベ
ル（以下、最大ピークレベルという）を検出する最大ピ
ークレベル検出部１７と、この最大ピークレベル検出部
１７からの前半部内最大ピークレベルと後半部内最大ピ
ークレベルとをある条件の基に比較する比較部１８と、
この比較部１８からの比較結果と上記最大ピーク検出部
１７からの二つの最大ピークとからクリッピングレベル
を設定し、上記センタクリップ処理部１２を制御するク
リッピングレベル制御部１９とを有する。

【００１７】上記ピークレベル抽出部１６は、サブブロ
ックピークレベル抽出部１６ａ、１６ｂとからなる。該
サブブロックピークレベル抽出部１６ａは、上記サブブ
ロック分割処理部１５で分割された前半部からピークレ
ベルを抽出する。また、該サブブロックピークレベル抽
出部１６ｂは、上記サブブロック分割処理部１５で分割
された後半部からピークレベルを抽出する。

【００１８】また、上記最大ピーク検出部１７は、サブ
ブロック最大ピークレベル検出部１７ａ、１７ｂとから
なる。該サブブロック最大ピークレベル検出部１７ａ
は、上記サブブロックピークレベル抽出部１６ａで抽出
された前半部のピークレベルから前半部の最大ピークレ
ベルを検出する。また、該サブブロック最大ピークレベ
ル検出部１７ｂは、上記サブブロックピークレベル抽出
部１６ｂで抽出された後半部のピークレベルから後半部
の最大ピークレベルを検出する。

【００１９】次に、図１で示した機能部ブロックからな
る本実施例の動作を図２に示すフローチャートと図３に
示す波形図を用いて説明する。

【００２０】先ず、図２のフローチャートが開始される
と、ステップＳ１で入力音声信号波形をブロック単位で
取り出す。具体的には、入力音声信号に窓関数を乗じ、
一部重複（オーバーラップ）させ、入力音声信号波形の
切り出しを行い、図３のＡに示される１フレーム（２５
６サンプル）の入力音声信号波形を得、そして、ステッ
プＳ２に進む。

【００２１】ステップＳ２では、上記ステップＳ１で取
り出された入力音声信号の１ブロックをさらに複数のサ
ブブロックに分割する。例えば、図３のＡに示す１ブロ
ックの入力音声信号波形では、ｎ＝０、１、・・・、１
２７を前半部、ｎ＝１２８、１２９、・・・、２５５を
後半部としている。そして、ステップＳ３に進む。

【００２２】ステップＳ３では、上記ステップＳ２で分
割された前半部内及び後半部内の入力音声信号波形のピ
ークレベルを抽出する。これが図１のピークレベル抽出
部１６の動作である。

【００２３】ステップＳ４では、上記ステップＳ３で抽
出した前半部内及び後半部内のピークレベルからそれぞ
れのサブブロック内における最大のピークレベルＰ₁及
びＰ₂を検出する。これが図１の最大ピークレベル検出
部１７の動作である。

【００２４】ステップＳ５では、上記ステップＳ４で検
出された前半部内及び後半部内の最大ピークレベルＰ₁
及びＰ₂をある条件の基に比較し、入力音声信号波形の
レベルの変動が１フレーム内で激しいか否かを判別す
る。ここでいうある条件とは、前半部の最大ピークレベ
ルＰ₁が後半部の最大ピークレベルＰ₂に係数ｋ（０＜
ｋ＜１）を乗じた値よりも小さい、もしくは、前半部の
最大ピークレベルＰ₁に係数ｋ（０＜ｋ＜１）を乗じた
値より後半部の最大ピークレベルＰ₂が小さい、という
ものである。したがって、このステップＳ５では、Ｐ₁
＜ｋ・Ｐ₂もしくは、ｋ・Ｐ₁＞Ｐ₂という条件の基に
前半部と後半部の最大ピークレベルＰ₁及びＰ₂を比較
している。これが図１の比較部１８の動作である。この
ステップＳ５で上記条件の基に前半部と後半部の最大ピ
ークレベルＰ₁及びＰ₂を比較した結果、入力音声信号
のレベルの変動が１フレーム内で激しいと判別される
（ＹＥＳ）とステップＳ６に進み、入力音声信号のレベ
ルの変動が１フレーム内で激しくない（ＮＯ）と判別さ
れるとステップＳ７に進む。

【００２５】ステップＳ６では、最大レベルの変動が激
しいという上記ステップＳ５での判別結果を受け、クリ
ッピングレベルを異ならせて算出する。例えば、図３の
Ｂにおいて、前半部（０≦ｎ≦１２７）でのクリップレ
ベルをｋ・Ｐ₁、後半部（１２８≦ｎ≦２５５）でのク
リップレベルをｋ・Ｐ₂と設定している。

【００２６】一方、ステップＳ７では、入力音声信号の
レベルの変動が１ブロック内で激しくないという上記ス
テップＳ５での判別結果を受け、クリッピングレベルを
統一して算出する。例えば、最大ピークレベルＰ₁と、
最大ピークレベルＰ₂のいずれか小さい方にｋを乗じた
レベル（例えばｋ・Ｐ₁あるいはｋ・Ｐ₂）をクリッピ
ングして設定する。

【００２７】このステップＳ６とステップＳ７が図１の
クリッピングレベル制御部１９の動作である。

【００２８】そして、ステップＳ８では、上記ステップ
Ｓ６もしくはステップＳ７で設定されたクリッピングレ
ベルで入力音声波形の１ブロックのセンタクリップ処理
を行う。これが図１のセンタクリップ処理部１１の動作
である。そして、ステップＳ９に進む。

【００２９】ステップＳ９では、上記ステップＳ８で行
われたセンタクリップ処理により得た、センタクリップ
波形から自己相関関数を計算する。これが図１の自己相
関計算部１２の動作である。そして、ステップＳ１０に
進む。

【００３０】ステップＳ１０では、上記ステップＳ９で
求められた自己相関関数からピッチを抽出する。これが
図１のピッチ抽出手段１４の動作である。

【００３１】上記図３のＡは、Ｎ＝０、１、・・・、２
５５の２５６サンプルを１ブロックとした入力音声波形
を示した図であり、Ｎ＝０、１、・・・１２７までを前
半部、Ｎ＝１２８、１２９・・・、２５５までを後半部
とし、波形の絶対値の最大ピークレベルを、前半部では
Ｎ＝０、１、・・９９までの１００サンプル、後半部で
はＮ＝１５６、１５７・・２５５までの１００サンプル
内で求め、それぞれＰ₁、Ｐ₂としている。ここで、例
えば図３のＡに示すようにＰ₁＝１、Ｐ₂＝３のとき、
上記ｋの値を0.6 とすると、Ｐ₁（＝１）＜ｋ・Ｐ
₂（＝1.8 ）となる。このときには、入力音声信号波形
のレベル変動が激しいとして、上記前半部のクリップレ
ベルをｋ・Ｐ₁＝0.6 とし、後半部のクリップレベルを
ｋ・Ｐ₂＝1.8 とする。このクリッピングレベルを示し
たのが図３のＢである。この図３のＢで示したクリッピ
ングレベルでセンタクリップ処理した波形が図３のＣに
表される波形である。この図３のＣで示したセンタクリ
ッパ処理された波形の自己相関関数をとると図３のＤに
示すようになる。そして、この図３のＤからピッチが算
出できる。

【００３２】ここで上記センタクリップ処理部１２での
クリッピングレベルは、上述したようにブロック内で段
階的変化させるだけでなく、図３のＢに破線で示すよう
に連続的に変化させるようにしてもよい。

【００３３】次に、本発明に係るピッチ抽出方法を適用
できる音声信号の合成分析符号化装置（いわゆるボコー
ダ）の一種のＭＢＥ（Multiband Excitation: マルチバ
ンド励起）ボコーダについて、図面を参照しながら説明
する。このＭＢＥボコーダは、D. W. Griffin and J.
S. Lim,"Multiband Excitation Vocoder," IEEE Trans.
Acoustics,Speech,and Signal Processing, vol.36, N
o.8, pp.1223-1235, Aug.1988 に開示されているもので
あり、従来のＰＡＲＣＯＲ（PARtial auto-CORrelatio
n: 偏自己相関）ボコーダ等では、音声のモデル化の際
に有声音区間と無声音区間とをブロックあるいはフレー
ム毎に切り換えていたのに対し、ＭＢＥボコーダでは、
同時刻（同じブロックあるいはフレーム内）の周波数軸
領域に有声音（Voiced）区間と無声音（Unvoiced）区間
とが存在するという仮定でモデル化している。

【００３４】図４は、上記ＭＢＥボコーダに本発明を適
用した実施例の全体の概略構成を示すブロック図であ
る。この図４において、入力端子１０１には音声信号が
供給されるようになっており、この入力音声信号は、Ｈ
ＰＦ（ハイパスフィルタ）等のフィルタ１０２に送られ
て、いわゆるＤＣ（直流）オフセット分の除去や帯域制
限（例えば２００〜３４００Hzに制限）のための少なく
とも低域成分（２００Hz以下）の除去が行われる。この
フィルタ１０２を介して得られた信号は、ピッチ抽出部
１０３及び窓かけ処理部１０４にそれぞれ送られる。ピ
ッチ抽出部１０３では、入力音声信号データが所定サン
プル数Ｎ（例えばＮ＝２５６）単位でブロック分割され
（あるいは方形窓による切り出しが行われ）、このブロ
ック内の音声信号についてのピッチ抽出が行われる。こ
のような切り出しブロック（２５６サンプル）を、例え
ば図５のＡに示すようにＬサンプル（例えばＬ＝１６
０）のフレーム間隔で時間軸方向に移動させており、各
ブロック間のオーバラップはＮ−Ｌサンプル（例えば９
６サンプル）となっている。また、窓かけ処理部１０４
では、１ブロックＮサンプルに対して所定の窓関数、例
えばハミング窓をかけ、この窓かけブロックを１フレー
ムＬサンプルの間隔で時間軸方向に順次移動させてい
る。

【００３５】このような窓かけ処理を数式で表すと、ｘ_w(k,q) ＝ｘ(q) ｗ(kL-q) ・・・（１）となる。この（１）式において、ｋはブロック番号を、
ｑはデータの時間インデックス（サンプル番号）を表
し、処理前の入力信号のｑ番目のデータｘ(q) に対して
第ｋブロックの窓（ウィンドウ）関数ｗ(kL-q)により窓
かけ処理されることによりデータｘ_w(k,q) が得られる
ことを示している。ピッチ抽出部１０３内での図５のＡ
に示すような方形窓の場合の窓関数ｗ_r(r) は、ｗ_r(r) ＝１０≦ｒ＜Ｎ・・・（２）＝０ｒ＜０，Ｎ≦ｒまた、窓かけ処理部１０４での図５のＢに示すようなハ
ミング窓の場合の窓関数ｗ_h(r) は、ｗ_h(r) ＝ 0.54 − 0.46 cos(２πr/(N-1)) ０≦ｒ＜Ｎ・・・（３）＝０ｒ＜０，Ｎ≦ｒである。このような窓関数ｗ_r(r) あるいはｗ_h(r) を
用いるときの上記（１）式の窓関数ｗ(r) （＝ｗ(kL-
q)）の否零区間は、０≦ｋＬ−ｑ＜Ｎこれを変形して、ｋＬ−Ｎ＜ｑ≦ｋＬ従って、例えば上記方形窓の場合に窓関数ｗ_r(kL-q)＝
１となるのは、図６に示すように、ｋＬ−Ｎ＜ｑ≦ｋＬ
のときとなる。また、上記（１）〜（３）式は、長さＮ
（＝２５６）サンプルの窓が、Ｌ（＝１６０）サンプル
ずつ前進してゆくことを示している。以下、上記（２）
式、（３）式の各窓関数で切り出された各Ｎ点（０≦ｒ
＜Ｎ）の否零サンプル列を、それぞれｘ_wr(k,r) 、ｘ_wh
(k,r) と表すことにする。

【００３６】窓かけ処理部１０４では、図７に示すよう
に、上記（３）式のハミング窓がかけられた１ブロック
２５６サンプルのサンプル列ｘ_wh(k,r) に対して１７９
２サンプル分の０データが付加されて（いわゆる０詰め
されて）２０４８サンプルとされ、この２０４８サンプ
ルの時間軸データ列に対して、直交変換部１０５により
例えばＦＦＴ（高速フーリエ変換）等の直交変換処理が
施される。

【００３７】ピッチ抽出部１０３では、上記ｘ_wr(k,r)
のサンプル列（１ブロックＮサンプル）に基づいてピッ
チ抽出が行われる。このピッチ抽出法には、上述したよ
うに時間波形の周期性や、スペクトルの周期的周波数構
造や、自己相関関数を用いるもの等が知られているが、
本装置では、上述したようにセンタクリップ波形の自己
相関法を採用している。このときのブロック内でのセン
タクリップレベルについては、１ブロックにつき１つの
クリップレベルを設定してもよいが、本装置では上述し
たようにブロックを細分割した各部（各サブブロック）
の信号のピークレベル等を検出し、これらの各サブブロ
ックのピークレベル等の差が大きいときに、ブロック内
でクリップレベルを段階的にあるいは連続的に変化させ
るようにしている。

【００３８】このセンタクリップ波形の自己相関データ
のピーク位置に基づいてピーク周期を決めている。この
とき、現在フレームに属する自己相関データ（自己相関
は１ブロックＮサンプルのデータを対象として求められ
る）から複数のピークを求めておき、これらの複数のピ
ークの内の最大ピークが所定の閾値以上のときには該最
大ピーク位置をピッチ周期とし、それ以外のときには、
現在フレーム以外のフレーム、例えば前後のフレームで
求められたピッチに対して所定の関係を満たすピッチ範
囲内、例えば前フレームのピッチを中心として±２０％
の範囲内にあるピークを求め、このピーク位置に基づい
て現在フレームのピッチを決定するようにしている。こ
のピッチ抽出部１０３ではオープンループによる比較的
ラフなピッチのサーチが行われ、抽出されたピッチデー
タは高精度（ファイン）ピッチサーチ部１０６に送られ
て、クローズドループによる高精度のピッチサーチ（ピ
ッチのファインサーチ）が行われる。

【００３９】高精度（ファイン）ピッチサーチ部１０６
には、ピッチ抽出部１０３で抽出された整数（インテジ
ャー）値の粗（ラフ）ピッチデータと、直交変換部１０
５により例えばＦＦＴされた周波数軸上のデータとが供
給されている。この高精度ピッチサーチ部１０６では、
上記粗ピッチデータ値を中心に、0.２〜0.５きざみで±
数サンプルずつ振って、最適な小数点付き（フローティ
ング）のファインピッチデータの値へ追い込む。このと
きのファインサーチの手法として、いわゆる合成による
分析 (Analysis by Synthesis)法を用い、合成されたパ
ワースペクトルが原音のパワースペクトルに最も近くな
るようにピッチを選んでいる。

【００４０】このピッチのファインサーチについて説明
する。先ず、上記ＭＢＥボコーダにおいては、上記ＦＦ
Ｔ等により直交変換された周波数軸上のスペクトルデー
タとしてのＳ(j) をＳ(j) ＝Ｈ(j) ｜Ｅ(j) ｜０＜ｊ＜Ｊ・・・（４）と表現するようなモデルを想定している。ここで、Ｊは
πω_s＝ｆ_s／２に対応し、サンプリング周波数ｆ_s＝
２πω_sが例えば８ｋHzのときには４ｋHzに対応する。
上記（４）式中において、周波数軸上のスペクトルデー
タＳ(j) が図８のＡに示すような波形のとき、Ｈ(j)
は、図８のＢに示すような元のスペクトルデータＳ(j)
のスペクトル包絡線（エンベロープ）を示し、Ｅ(j)
は、図８のＣに示すような等レベルで周期的な励起信号
（エキサイテイション）のスペクトルを示している。す
なわち、ＦＦＴスペクトルＳ(j) は、スペクトルエンベ
ロープＨ(j) と励起信号のパワースペクトル｜Ｅ(j) ｜
との積としてモデル化される。

【００４１】上記励起信号のパワースペクトル｜Ｅ(j)
｜は、上記ピッチに応じて決定される周波数軸上の波形
の周期性（ピッチ構造）を考慮して、１つの帯域（バン
ド）の波形に相当するスペクトル波形を周波数軸上の各
バンド毎に繰り返すように配列することにより形成され
る。この１バンド分の波形は、例えば上記図７に示すよ
うな２５６サンプルのハミング窓関数に１７９２サンプ
ル分の０データを付加（０詰め）した波形を時間軸信号
と見なしてＦＦＴし、得られた周波数軸上のある帯域幅
を持つインパルス波形を上記ピッチに応じて切り出すこ
とにより形成することができる。

【００４２】次に、上記ピッチに応じて分割された各バ
ンド毎に、上記Ｈ(j) を代表させるような（各バンド毎
のエラーを最小化するような）値（一種の振幅）｜Ａ_m
｜を求める。ここで、例えば第ｍバンド（第ｍ高調波の
帯域）の下限、上限の点をそれぞれａ_m、ｂ_mとすると
き、この第ｍバンドのエラーε_mは、

【００４３】

【数１】で表せる。このエラーε_mを最小化するような｜Ａ_m｜
は、

【００４４】

【数２】となり、この（６）式の｜Ａ_m｜のとき、エラーε_mを
最小化する。このような振幅｜Ａ_m｜を各バンド毎に求
め、得られた各振幅｜Ａ_m｜を用いて上記（５）式で定
義された各バンド毎のエラーε_mを求める。次に、この
ような各バンド毎のエラーε_mの全バンドの総和値Σε
_mを求める。さらに、このような全バンドのエラー総和
値Σε_mを、いくつかの微小に異なるピッチについて求
め、エラー総和値Σε_mが最小となるようなピッチを求
める。

【００４５】すなわち、上記ピッチ抽出部１０３で求め
られたラフピッチを中心として、例えば 0.25 きざみで
上下に数種類ずつ用意する。これらの複数種類の微小に
異なるピッチの各ピッチに対してそれぞれ上記エラー総
和値Σε_mを求める。この場合、ピッチが定まるとバン
ド幅が決まり、上記（６）式より、周波数軸上データの
パワースペクトル｜Ｓ(j) ｜と励起信号スペクトル｜Ｅ
(j) ｜とを用いて上記（５）式のエラーε_mを求め、そ
の全バンドの総和値Σε_mを求めることができる。この
エラー総和値Σε_mを各ピッチ毎に求め、最小となるエ
ラー総和値に対応するピッチを最適のピッチとして決定
するわけである。以上のようにして高精度ピッチサーチ
部１０６で最適のファイン（例えば 0.25 きざみ）ピッ
チが求められ、この最適ピッチに対応する振幅｜Ａ_m｜
が決定される。

【００４６】以上ピッチのファインサーチの説明におい
ては、説明を簡略化するために、全バンドが有声音（Vo
iced）の場合を想定しているが、上述したようにＭＢＥ
ボコーダにおいては、同時刻の周波数軸上に無声音（Un
voiced）領域が存在するというモデルを採用しているこ
とから、上記各バンド毎に有声音／無声音の判別を行う
ことが必要とされる。

【００４７】上記高精度ピッチサーチ部１０６からの最
適ピッチ及び振幅｜Ａ_m｜のデータは、有声音／無声音
判別部１０７に送られ、上記各バンド毎に有声音／無声
音の判別が行われる。この判別のために、ＮＳＲ（ノイ
ズｔｏシグナル比）を利用する。すなわち、第ｍバンド
のＮＳＲは、

【００４８】

【数３】と表せ、このＮＳＲ値が所定の閾値（例えば0.３）より
大のとき（エラーが大きい）ときには、そのバンドでの
｜Ａ_m｜｜Ｅ(j) ｜による｜Ｓ(j) ｜の近似が良くない
（上記励起信号｜Ｅ(j) ｜が基底として不適当である）
と判断でき、当該バンドをＵＶ（Unvoiced、無声音）と
判別する。これ以外のときは、近似がある程度良好に行
われていると判断でき、そのバンドをＶ（Voiced、有声
音）と判別する。

【００４９】次に、振幅再評価部１０８には、直交変換
部１０５からの周波数軸上データ、高精度ピッチサーチ
部１０６からのファインピッチと評価された振幅｜Ａ_m
｜との各データ、及び上記有声音／無声音判別部１０７
からのＶ／ＵＶ（有声音／無声音）判別データが供給さ
れている。この振幅再評価部１０８では、有声音／無声
音判別部１０７において無声音（ＵＶ）と判別されたバ
ンドに関して、再度振幅を求めている。このＵＶのバン
ドについての振幅｜Ａ_m｜_UVは、

【００５０】

【数４】にて求められる。

【００５１】この振幅再評価部１０８からのデータは、
データ数変換（一種のサンプリングレート変換）部１０
９に送られる。このデータ数変換部１０９は、上記ピッ
チに応じて周波数軸上での分割帯域数が異なり、データ
数（特に振幅データの数）が異なることを考慮して、一
定の個数にするためのものである。すなわち、例えば有
効帯域を３４００ｋHzまでとすると、この有効帯域が上
記ピッチに応じて、８バンド〜６３バンドに分割される
ことになり、これらの各バンド毎に得られる上記振幅｜
Ａ_m｜（ＵＶバンドの振幅｜Ａ_m｜_UVも含む）データの
個数ｍ_MX+1も８〜６３と変化することになる。このため
データ数変換部１０９では、この可変個数ｍ_MX+1の振幅
データを一定個数Ｎ_C（例えば４４個）のデータに変換
している。

【００５２】ここで本装置においては、周波数軸上の有
効帯域１ブロック分の振幅データに対して、ブロック内
の最後のデータからブロック内の最初のデータまでの値
を補間するようなダミーデータを付加してデータ個数を
Ｎ_F個に拡大した後、帯域制限型のＫ_OS倍（例えば８
倍）のオーバーサンプリングを施すことによりＫ_OS倍の
個数の振幅データを求め、このＫ_OS倍の個数（(
ｍ_MX+1) ×Ｋ_OS個）の振幅データを直線補間してさらに
多くのＮ_M個（例えば２０４８個）に拡張し、このＮ_M
個のデータを間引いて上記一定個数Ｎ_C（例えば４４
個）のデータに変換する。

【００５３】このデータ数変換部１０９からのデータ
（上記一定個数Ｎ_Cの振幅データ）がベクトル量子化部
１１０に送られて、所定個数のデータ毎にまとめられて
ベクトルとされ、ベクトル量子化が施される。ベクトル
量子化部１１０からの量子化出力データは、出力端子１
１１を介して取り出される。また、上記高精度のピッチ
サーチ部１０６からの高精度（ファイン）ピッチデータ
は、ピッチ符号化部１１５で符号化され、出力端子１１
２を介して取り出される。さらに、上記有声音／無声音
判別部１０７からの有声音／無声音（Ｖ／ＵＶ）判別デ
ータは、出力端子１１３を介して取り出される。これら
の各出力端子１１１〜１１３からのデータは、所定の伝
送フォーマットの信号とされて伝送される。

【００５４】なお、これらの各データは、上記Ｎサンプ
ル（例えば２５６サンプル）のブロック内のデータに対
して処理を施すことにより得られるものであるが、ブロ
ックは時間軸上を上記Ｌサンプルのフレームを単位とし
て前進することから、伝送するデータは上記フレーム単
位で得られる。すなわち、上記フレーム周期でピッチデ
ータ、Ｖ／ＵＶ判別データ、振幅データが更新されるこ
とになる。

【００５５】次に、伝送されて得られた上記各データに
基づき音声信号を合成するための合成側（デコード側）
の概略構成について、図９を参照しながら説明する。こ
の図９において、入力端子１２１には上記ベクトル量子
化された振幅データが、入力端子１２２には上記符号化
されたピッチデータが、また入力端子１２３には上記Ｖ
／ＵＶ判別データがそれぞれ供給される。入力端子１２
１からの量子化振幅データは、逆ベクトル量子化部１２
４に送られて逆量子化され、データ数逆変換部１２５に
送られて逆変換され、得られた振幅データが有声音合成
部１２６及び無声音合成部１２７に送られる。入力端子
１２２からの符号化ピッチデータは、ピッチ復号化部１
２８で復号化され、データ数逆変換部１２５、有声音合
成部１２６及び無声音合成部１２７に送られる。また入
力端子１２３からのＶ／ＵＶ判別データは、有声音合成
部１２６及び無声音合成部１２７に送られる。

【００５６】有声音合成部１２６では例えば余弦(cosin
e)波合成により時間軸上の有声音波形を合成し、無声音
合成部１２７では例えばホワイトノイズをバンドパスフ
ィルタでフィルタリングして時間軸上の無声音波形を合
成し、これらの各有声音合成波形と無声音合成波形とを
加算部１２９で加算合成して、出力端子１３０より取り
出すようにしている。この場合、上記振幅データ、ピッ
チデータ及びＶ／ＵＶ判別データは、上記分析時の１フ
レーム（Ｌサンプル、例えば１６０サンプル）毎に更新
されて与えられるが、フレーム間の連続性を高める（円
滑化する）ために、上記振幅データやピッチデータの各
値を１フレーム中の例えば中心位置における各データ値
とし、次のフレームの中心位置までの間（合成時の１フ
レーム）の各データ値を補間により求める。すなわち、
合成時の１フレーム（例えば上記分析フレームの中心か
ら次の分析フレームの中心まで）において、先端サンプ
ル点での各データ値と終端（次の合成フレームの先端）
サンプル点での各データ値とが与えられ、これらのサン
プル点間の各データ値を補間により求めるようにしてい
る。

【００５７】以下、有声音合成部１２６における合成処
理を詳細に説明する。上記Ｖ（有声音）と判別された第
ｍバンド（第ｍ高調波の帯域）における時間軸上の上記
１合成フレーム（Ｌサンプル、例えば１６０サンプル）
分の有声音をＶ_m(n) とするとき、この合成フレーム内
の時間インデックス（サンプル番号）ｎを用いて、Ｖ_m(n) ＝Ａ_m(n) cos(θ_m(n)) ０≦ｎ＜Ｌ・・・（９）と表すことができる。全バンドの内のＶ（有声音）と判
別された全てのバンドの有声音を加算（ΣＶ_m(n) ）し
て最終的な有声音Ｖ(n) を合成する。

【００５８】この（９）式中のＡ_m(n) は、上記合成フ
レームの先端から終端までの間で補間された第ｍ高調波
の振幅である。最も簡単には、フレーム単位で更新され
る振幅データの第ｍ高調波の値を直線補間すればよい。
すなわち、上記合成フレームの先端（ｎ＝０）での第ｍ
高調波の振幅値をＡ_0m、該合成フレームの終端（ｎ＝
Ｌ：次の合成フレームの先端）での第ｍ高調波の振幅値
をＡ_Lmとするとき、Ａ_m(n) ＝ (L-n)Ａ_0m／Ｌ＋ｎＡ_Lm／Ｌ・・・（10）の式によりＡ_m(n) を計算すればよい。

【００５９】次に、上記（９）式中の位相θ_m(n) は、 θ_m(0) ＝ｍω_O1ｎ＋ｎ²ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋Δωｎ・・・（11）により求めることができる。この（11）式中で、φ_0mは
上記合成フレームの先端（ｎ＝０）での第ｍ高調波の位
相（フレーム初期位相）を示し、ω₀₁は合成フレーム先
端（ｎ＝０）での基本角周波数、ω_L1は該合成フレーム
の終端（ｎ＝Ｌ：次の合成フレーム先端）での基本角周
波数をそれぞれ示している。上記（11）式中のΔωは、
ｎ＝Ｌにおける位相φ_Lmがθ_m(L) に等しくなるような
最小のΔωを設定する。

【００６０】以下、任意の第ｍバンドにおいて、それぞ
れｎ＝０、ｎ＝ＬのときのＶ／ＵＶ判別結果に応じた上
記振幅Ａ_m(n) 、位相θ_m(n) の求め方を説明する。第
ｍバンドが、ｎ＝０、ｎ＝ＬのいずれもＶ（有声音）と
される場合に、振幅Ａ_m(n) は、上述した（10）式によ
り、伝送された振幅値Ａ_0m、Ａ_Lmを直線補間して振幅Ａ
_m(n) を算出すればよい。位相θ_m(n) は、ｎ＝０でθ
_m(0) ＝φ_0mからｎ＝Ｌでθ_m(L) がφ_Lmとなるように
Δωを設定する。

【００６１】次に、ｎ＝０のときＶ（有声音）で、ｎ＝
ＬのときＵＶ（無声音）とされる場合に、振幅Ａ_m(n)
は、Ａ_m(0) の伝送振幅値Ａ_0mからＡ_m(L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値Ａ_Lmは無声
音の振幅値であり、後述する無声音合成の際に用いられ
る。位相θ_m(n) は、θ_m(0) ＝φ_0mとし、かつΔω＝
０とする。

【００６２】さらに、ｎ＝０のときＵＶ（無声音）で、
ｎ＝ＬのときＶ（有声音）とされる場合には、振幅Ａ_m
(n) は、ｎ＝０での振幅Ａ_m(0) を０とし、ｎ＝Ｌで伝
送された振幅値Ａ_Lmとなるように直線補間する。位相θ
_m(n) については、ｎ＝０での位相θ_m(0) として、フ
レーム終端での位相値φ_Lmを用いて、 θ_m(0) ＝φ_Lm−ｍ（ω_O1＋ω_L1）Ｌ／２・・・（12）とし、かつΔω＝０とする。

【００６３】上記ｎ＝０、ｎ＝ＬのいずれもＶ（有声
音）とされる場合に、θ_m(L) がφ_LmとなるようにΔω
を設定する手法について説明する。上記（11）式で、ｎ
＝Ｌと置くことにより、 θ_m(L) ＝ｍω_O1Ｌ＋Ｌ²ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋ΔωＬ＝ｍ（ω_O1＋ω_L1）Ｌ／２＋φ_0m＋ΔωＬ＝φ_Lm となり、これを整理すると、Δωは、 Δω＝（mod2π((φ_Lm−φ_0m) − mL(ω_O1＋ω_L1)/2)／Ｌ・・・（13）となる。この（13）式でmod2π(x) とは、ｘの主値を−
π〜＋πの間の値で返す関数である。例えば、ｘ＝１.3
πのときmod2π(x) ＝−０.7π、ｘ＝２.3πのときmod2
π(x) ＝０.3π、ｘ＝−１.3πのときmod2π(x) ＝０.7
π、等である。

【００６４】ここで、図１０のＡは、音声信号のスペク
トルの一例を示しており、バンド番号（ハーモニクスナ
ンバ）ｍが８、９、１０の各バンドがＵＶ（無声音）と
され、他のバンドはＶ（有声音）とされている。このＶ
（有声音）のバンドの時間軸信号が上記有声音合成部１
２６により合成され、ＵＶ（無声音）のバンドの時間軸
信号が無声音合成部１２７で合成されるわけである。

【００６５】以下、無声音合成部１２７における無声音
合成処理を説明する。ホワイトノイズ発生部１３１から
の時間軸上のホワイトノイズ信号波形を、所定の長さ
（例えば２５６サンプル）で適当な窓関数（例えばハミ
ング窓）により窓かけをし、ＳＴＦＴ処理部１３２によ
りＳＴＦＴ（ショートタームフーリエ変換）処理を施す
ことにより、図１０のＢに示すようなホワイトノイズの
周波数軸上のパワースペクトルを得る。このＳＴＦＴ処
理部１３２からのパワースペクトルをバンド振幅処理部
１３３に送り、図１０のＣに示すように、上記ＵＶ（無
声音）とされたバンド（例えばｍ＝８、９、１０）につ
いて上記振幅｜Ａ_m｜_UVを乗算し、他のＶ（有声音）と
されたバンドの振幅を０にする。このバンド振幅処理部
１３３には上記振幅データ、ピッチデータ、Ｖ／ＵＶ判
別データが供給されている。バンド振幅処理部１３３か
らの出力は、ＩＳＴＦＴ処理部１３４に送られ、位相は
元のホワイトノイズの位相を用いて逆ＳＴＦＴ処理を施
すことにより時間軸上の信号に変換する。ＩＳＴＦＴ処
理部１３４からの出力は、オーバーラップ加算部１３５
に送られ、時間軸上で適当な（元の連続的なノイズ波形
を復元できるように）重み付けをしながらオーバーラッ
プ及び加算を繰り返し、連続的な時間軸波形を合成す
る。オーバーラップ加算部１３５からの出力信号が上記
加算部１２９に送られる。

【００６６】このように、各合成部１２６、１２７にお
いて合成されて時間軸上に戻された有声音部及び無声音
部の各信号は、加算部１２９により適当な固定の混合比
で加算して、出力端子１３０より再生された音声信号を
取り出す。

【００６７】上記図４の音声分析側（エンコード側）の
構成や図９の音声合成側（デコード側）の構成について
は、各部をハードウェア的に記載しているが、いわゆる
ＤＳＰ（ディジタル信号プロセッサ）等を用いてソフト
ウェアプログラムにより実現することも可能である。

【００６８】以上より、本発明に係るピッチ抽出方法が
適用されるＭＢＥは、ピッチ抽出部１０３でのピッチ抽
出をブロックを細分割した各部（各サブブロック）の信
号のピークレベル等を検出し、これらの各サブブロック
のピークレベル等の差が大きいときに、ブロック内でク
リップレベルを段階的にあるいは連続的に変化させるよ
うにしているため、ピークレベルの変動が急激であって
も確実にピッチを抽出できる。

【００６９】なお、本発明に係るピッチ抽出方法は、上
記実施例にのみ限定されるものでなく、適用される高能
率符号化方法としても上記ＭＢＥに限定されるものでは
ない。

【００７０】

【発明の効果】本発明に係るピッチ抽出方法は、入力音
声信号をブロック単位で取り出し、該ブロックを複数の
サブブロックに分割し、各サブブロック毎のピークレベ
ルに応じ、センタクリップされる信号のクリッピングレ
ベルをブロック毎に変化させることで確実なピッチ抽出
が可能となる。

【００７１】また、本発明に係るピッチ抽出方法は、入
力音声信号をブロック単位で取り出し、該ブロックを複
数のサブブロックに分割した内の隣接するサブブロック
のピークレベルの変動の激しいときにブロック毎のクリ
ップレベルを変化させることで音声の立ち上がり、立ち
下がり等、ピークレベルの変動が急激であっても確実な
ピッチを抽出が可能となる。

【図面の簡単な説明】

【図１】本発明に係るピッチ抽出方法の機能ブロック図
である。

【図２】本発明に係るピッチ抽出方法の動作を説明する
ためのフローチャートである。

【図３】本発明に係るピッチ抽出方法を説明するための
波形図である。

【図４】本発明に係るピッチ抽出方法が適用される装置
の具体例としての音声信号の合成分析符号化装置の分析
側（エンコード側）の概略構成を示す機能ブロック図で
ある。

【図５】窓かけ処理を説明するための図である。

【図６】窓かけ処理と窓関数との関係を説明するための
図である。

【図７】直交変換（ＦＦＴ）処理対象としての時間軸デ
ータを示す図である。

【図８】周波数軸上のスペクトルデータ、スペクトル包
絡線（エンベロープ）及び励起信号のパワースペクトル
を示す図である。

【図９】本発明に係るピッチ抽出方法が適用される装置
の具体例としての音声信号の合成分析符号化装置の合成
側（デコード側）の概略構成を示す機能ブロック図であ
る。

【図１０】音声信号を合成する際の無声音合成を説明す
るための図である。

【図１１】従来のピッチ抽出方法を説明するための波形
図である。

【符号の説明】

１０・・・・・ブロック取り出し処理部１１・・・・・クリッピングレベル設定部１２・・・・・センタクリップ処理部１３・・・・・自己相関計算部１４・・・・・ピッチ算出部１５・・・・・サブブロック分割処理部１６・・・・・ピークレベル抽出部１７・・・・・最大ピークレベル抽出部１８・・・・・比較部１９・・・・・クリッピングレベル制御部

─────────────────────────────────────────────────────

【手続補正書】

【提出日】平成５年４月１日

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】全文

【補正方法】変更

【補正内容】

【書類名】明細書

【発明の名称】ピッチ抽出方法

【特許請求の範囲】

【発明の詳細な説明】

【０００１】

【０００２】

【０００７】

【０００９】そこで、本発明に係るピッチ抽出方法は、
上記実情に鑑みてなされたものであり、同一フレームで
入力音声波形のレベルが急激に変化した場合であって
も、確実なピッチ抽出を可能とするピッチ抽出方法の提
供を目的とする。

【００１０】

【００１３】

【００１５】

【００１６】ここで、上記クリッピングレベル設定部１
１は、上記ブロック取り出し処理部１０から供給される
入力音声信号の１ブロックを複数のサブブロックに分割
する（本実施例では前半部及び後半部の二つのサブブロ
ックに分割している）サブブロック分割処理部１５と、
このサブブロック分割処理部１５で分割された入力音声
信号の前半部及び後半部からそれぞれのサブブロックで
のピークレベルを抽出するピークレベル抽出部１６と、
このピークレベル抽出部１６で抽出されたピークレベル
から該前半部内及び後半部内における最大のピークレベ
ル（以下、最大ピークレベルという）を検出する最大ピ
ークレベル検出部１７と、この最大ピークレベル検出部
１７からの前半部内最大ピークレベルと後半部内最大ピ
ークレベルとをある条件の基に比較する比較部１８と、
この比較部１８からの比較結果と上記最大ピーク検出部
１７からの二つの最大ピークからクリッピングレベルを
設定し、上記センタクリップ処理部１２を制御するクリ
ッピングレベル制御部１９とを有する。

【００２３】ステップＳ４では、上記ステップＳ３で抽
出した前半部内及び後半部内のピークレベルからそれぞ
れのサブブロック内における最大のピークレベルＰ₁及
びＰ ₂を検出する。これが図１の最大ピークレベル検出
部１７の動作である。

【００２４】ステップＳ５では、上記ステップＳ４で検
出された前半部内及び後半部内の最大ピークレベルＰ1
及びＰ2 をある条件の基に比較し、入力音声信号波形の
レベルの変動が１フレーム内で激しいか否かを判別す
る。ここでいうある条件とは、前半部の最大ピークレベ
ルＰ₁が後半部の最大ピークレベルＰ₂に係数ｋ（０＜
ｋ＜１）を乗じた値よりも小さい、もしくは、前半部の
最大ピークレベルＰ₁に係数ｋ（０＜ｋ＜１）を乗じた
値より後半部の最大ピークレベルＰ₂が小さい、という
ものである。したがって、このステップＳ５では、Ｐ₁
＜ｋ・Ｐ₂もしくは、ｋ・Ｐ₁＞Ｐ₂という条件の基に
前半部と後半部の最大ピークレベルＰ₁及びＰ2 を比較
している。これが図１の比較部１８の動作である。この
ステップＳ５で上記条件の基に前半部と後半部の最大ピ
ークレベルＰ₁及びＰ₂を比較した結果、入力音声信号
のレベルの変動が１フレーム内で激しいと判別される
（ＹＥＳ）とステップＳ６に進み、入力音声信号のレベ
ルの変動が１フレーム内で激しくない（ＮＯ）と判別さ
れるとステップＳ７に進む。

【００２８】そして、ステップＳ８では、上記ステップ
Ｓ６もしくはステップＳ７で設定されたクリッピングレ
ベルで入力音声波形の１ブロックのセンタクリップ処理
を行う。これが図１のセンタクリップ処理部１２の動作
である。そして、ステップＳ９に進む。

【００２９】ステップＳ９では、上記ステップＳ８で行
われたセンタクリップ処理により得た、センタクリップ
波形から自己相関関数を計算する。これが図１の自己相
関計算部１３の動作である。そして、ステップＳ１０に
進む。

【００３０】ステップＳ１０では、上記ステップＳ９で
求められた自己相関関数からピッチを抽出する。これが
図１のピッチ算出部１４の動作である。

【００３１】上記図３のＡは、Ｎ＝０、１、・・・、２
５５の２５６サンプルを１ブロックとした入力音声波形
を示した図であり、Ｎ＝０、１、・・・１２７までを前
半部、Ｎ＝１２８、１２９・・・、２５５までを後半部
とし、波形の絶対値の最大ピークレベルを、前半部では
Ｎ＝０、１、・・９９までの１００サンプル、後半部で
はＮ＝１５６、１５７・・２５５までの１００サンプル
内で求め、それぞれＰ ₁、Ｐ₂としている。ここで、例
えば図３のＡに示すようにＰ₁＝１、Ｐ₂＝３のとき、
上記ｋの値を0.6 とすると、Ｐ₁（＝１）＜ｋ・Ｐ
₂（＝1.8 ）となる。このときには、入力音声信号波形
のレベル変動が激しいとして、上記前半部のクリップレ
ベルをｋ・Ｐ₁＝0.6 とし、後半部のクリップレベルを
ｋ・Ｐ₂＝1.8 とする。このクリッピングレベルを示し
たのが図３のＢである。この図３のＢで示したクリッピ
ングレベルでセンタクリップ処理した波形が図３のＣに
表される波形である。この図３のＣで示したセンタクリ
ッパ処理された波形の自己相関関数をとると図３のＤに
示すようになる。そして、この図３のＤからピッチが算
出できる。

【００３８】このセンタクリップ波形の自己相関データ
のピーク位置に基づいてピッチ周期を決めている。この
とき、現在フレームに属する自己相関データ（自己相関
は１ブロックＮサンプルのデータを対象として求められ
る）から複数のピークを求めておき、これらの複数のピ
ークの内の最大ピークが所定の閾値以上のときには該最
大ピーク位置をピッチ周期とし、それ以外のときには、
現在フレーム以外のフレーム、例えば前後のフレームで
求められたピッチに対して所定の関係を満たすピッチ範
囲内、例えば前フレームのピッチを中心として±２０％
の範囲内にあるピークを求め、このピーク位置に基づい
て現在フレームのピッチを決定するようにしている。こ
のピッチ抽出部１０３ではオープンループによる比較的
ラフなピッチのサーチが行われ、抽出されたピッチデー
タは高精度（ファイン）ピッチサーチ部１０６に送られ
て、クローズドループによる高精度のピッチサーチ（ピ
ッチのファインサーチ）が行われる。

【００４０】このピッチのファインサーチについて説明
する。先ず、上記ＭＢＥボコーダにおいては、上記ＦＦ
Ｔ等により直交変換された周波数軸上のスペクトルデー
タとしてのＳ(j) をＳ(j) ＝Ｈ(j) ｜Ｅ(j) ｜０＜ｊ＜Ｊ・・・（４）と表現するようなモデルを想定している。ここで、Ｊは
ω_s／４π＝ｆs ／２に対応し、サンプリング周波数ｆ
_s＝ω_s／２πが例えば８ｋHzのときには４ｋHzに対応
する。上記（４）式中において、周波数軸上のスペクト
ルデータＳ(j) が図８のＡに示すような波形のとき、Ｈ
(j) は、図８のＢに示すような元のスペクトルデータＳ
(j) のスペクトル包絡線（エンベロープ）を示し、Ｅ
(j) は、図８のＣに示すような等レベルで周期的な励起
信号（エキサイテイション）のスペクトルを示してい
る。すなわち、ＦＦＴスペクトルＳ(j) は、スペクトル
エンベロープＨ(j) と励起信号のパワースペクトル｜Ｅ
(j) ｜との積としてモデル化される。

【００４３】

【数１】

【００４４】で表せる。このエラーε_mを最小化するよ
うな｜Ａ_m｜は、

【００４５】

【数２】

【００４６】となり、この（６）式の｜Ａ_m｜のとき、
エラーε_mを最小化する。このような振幅｜Ａ_m｜を各
バンド毎に求め、得られた各振幅｜Ａ_m｜を用いて上記
（５）式で定義された各バンド毎のエラーε_mを求め
る。次に、このような各バンド毎のエラーε_mの全バン
ドの総和値Σε_mを求める。さらに、このような全バン
ドのエラー総和値Σε_mを、いくつかの微小に異なるピ
ッチについて求め、エラー総和値Σε_mが最小となるよ
うなピッチを求める。

【００４７】すなわち、上記ピッチ抽出部１０３で求め
られたラフピッチを中心として、例えば 0.25 きざみで
上下に数種類ずつ用意する。これらの複数種類の微小に
異なるピッチの各ピッチに対してそれぞれ上記エラー総
和値Σε_mを求める。この場合、ピッチが定まるとバン
ド幅が決まり、上記（６）式より、周波数軸上データの
パワースペクトル｜Ｓ(j) ｜と励起信号スペクトル｜Ｅ
(j) ｜とを用いて上記（５）式のエラーε_mを求め、そ
の全バンドの総和値Σε_mを求めることができる。この
エラー総和値Σε_mを各ピッチ毎に求め、最小となるエ
ラー総和値に対応するピッチを最適のピッチとして決定
するわけである。以上のようにして高精度ピッチサーチ
部１０６で最適のファイン（例えば 0.25 きざみ）ピッ
チが求められ、この最適ピッチに対応する振幅｜Ａ_m｜
が決定される。

【００４８】以上ピッチのファインサーチの説明におい
ては、説明を簡略化するために、全バンドが有声音（Vo
iced）の場合を想定しているが、上述したようにＭＢＥ
ボコーダにおいては、同時刻の周波数軸上に無声音（Un
voiced）領域が存在するというモデルを採用しているこ
とから、上記各バンド毎に有声音／無声音の判別を行う
ことが必要とされる。

【００４９】上記高精度ピッチサーチ部１０６からの最
適ピッチ及び振幅｜Ａ_m｜のデータは、有声音／無声音
判別部１０７に送られ、上記各バンド毎に有声音／無声
音の判別が行われる。この判別のために、ＮＳＲ（ノイ
ズｔｏシグナル比）を利用する。すなわち、第ｍバンド
のＮＳＲは、

【００５０】

【数３】

【００５１】と表せ、このＮＳＲ値が所定の閾値（例え
ば0.３）より大のとき（エラーが大きい）ときには、そ
のバンドでの｜Ａ_m｜｜Ｅ(j) ｜による｜Ｓ(j) ｜の近
似が良くない（上記励起信号｜Ｅ(j) ｜が基底として不
適当である）と判断でき、当該バンドをＵＶ（Unvoice
d、無声音）と判別する。これ以外のときは、近似があ
る程度良好に行われていると判断でき、そのバンドをＶ
（Voiced、有声音）と判別する。

【００５２】次に、振幅再評価部１０８には、直交変換
部１０５からの周波数軸上データ、高精度ピッチサーチ
部１０６からのファインピッチと評価された振幅｜Ａ_m
｜との各データ、及び上記有声音／無声音判別部１０７
からのＶ／ＵＶ（有声音／無声音）判別データが供給さ
れている。この振幅再評価部１０８では、有声音／無声
音判別部１０７において無声音（ＵＶ）と判別されたバ
ンドに関して、再度振幅を求めている。このＵＶのバン
ドについての振幅｜Ａ_m｜_UVは、

【００５３】

【数４】

【００５４】にて求められる。

【００５５】この振幅再評価部１０８からのデータは、
データ数変換（一種のサンプリングレート変換）部１０
９に送られる。このデータ数変換部１０９は、上記ピッ
チに応じて周波数軸上での分割帯域数が異なり、データ
数（特に振幅データの数）が異なることを考慮して、一
定の個数にするためのものである。すなわち、例えば有
効帯域を３４００Hzまでとすると、この有効帯域が上記
ピッチに応じて、８バンド〜６３バンドに分割されるこ
とになり、これらの各バンド毎に得られる上記振幅｜Ａ
_m｜（ＵＶバンドの振幅｜Ａ_m｜_UVも含む）データの個
数ｍ_MX＋１も８〜６３と変化することになる。このため
データ数変換部１０９では、この可変個数ｍ_MX＋１の振
幅データを一定個数Ｎ_C（例えば４４個）のデータに変
換している。

【００５６】ここで本装置においては、周波数軸上の有
効帯域１ブロック分の振幅データに対して、ブロック内
の最後のデータからブロック内の最初のデータまでの値
を補間するようなダミーデータを付加してデータ個数を
Ｎ_F個に拡大した後、帯域制限型のＫ_OS倍（例えば８
倍）のオーバーサンプリングを施すことによりＫ_OS倍の
個数の振幅データを求め、このＫ_OS倍の個数（( ｍ_MX＋
１) ×Ｋ_OS個）の振幅データを直線補間してさらに多く
のＮ_M個（例えば２０４８個）に拡張し、このＮ _M個の
データを間引いて上記一定個数Ｎ_C（例えば４４個）の
データに変換する。

【００５７】このデータ数変換部１０９からのデータ
（上記一定個数Ｎ_Cの振幅データ）がベクトル量子化部
１１０に送られて、所定個数のデータ毎にまとめられて
ベクトルとされ、ベクトル量子化が施される。ベクトル
量子化部１１０からの量子化出力データは、出力端子１
１１を介して取り出される。また、上記高精度のピッチ
サーチ部１０６からの高精度（ファイン）ピッチデータ
は、ピッチ符号化部１１５で符号化され、出力端子１１
２を介して取り出される。さらに、上記有声音／無声音
判別部１０７からの有声音／無声音（Ｖ／ＵＶ）判別デ
ータは、出力端子１１３を介して取り出される。これら
の各出力端子１１１〜１１３からのデータは、所定の伝
送フォーマットの信号とされて伝送される。

【００５８】なお、これらの各データは、上記Ｎサンプ
ル（例えば２５６サンプル）のブロック内のデータに対
して処理を施すことにより得られるものであるが、ブロ
ックは時間軸上を上記Ｌサンプルのフレームを単位とし
て前進することから、伝送するデータは上記フレーム単
位で得られる。すなわち、上記フレーム周期でピッチデ
ータ、Ｖ／ＵＶ判別データ、振幅データが更新されるこ
とになる。

【００５９】次に、伝送されて得られた上記各データに
基づき音声信号を合成するための合成側（デコード側）
の概略構成について、図９を参照しながら説明する。こ
の図９において、入力端子１２１には上記ベクトル量子
化された振幅データが、入力端子１２２には上記符号化
されたピッチデータが、また入力端子１２３には上記Ｖ
／ＵＶ判別データがそれぞれ供給される。入力端子１２
１からの量子化振幅データは、逆ベクトル量子化部１２
４に送られて逆量子化され、データ数逆変換部１２５に
送られて逆変換され、得られた振幅データが有声音合成
部１２６及び無声音合成部１２７に送られる。入力端子
１２２からの符号化ピッチデータは、ピッチ復号化部１
２８で復号化され、データ数逆変換部１２５、有声音合
成部１２６及び無声音合成部１２７に送られる。また入
力端子１２３からのＶ／ＵＶ判別データは、有声音合成
部１２６及び無声音合成部１２７に送られる。

【００６０】有声音合成部１２６では例えば余弦(cosin
e)波合成により時間軸上の有声音波形を合成し、無声音
合成部１２７では例えばホワイトノイズをバンドパスフ
ィルタでフィルタリングして時間軸上の無声音波形を合
成し、これらの各有声音合成波形と無声音合成波形とを
加算部１２９で加算合成して、出力端子１３０より取り
出すようにしている。この場合、上記振幅データ、ピッ
チデータ及びＶ／ＵＶ判別データは、上記分析時の１フ
レーム（Ｌサンプル、例えば１６０サンプル）毎に更新
されて与えられるが、フレーム間の連続性を高める（円
滑化する）ために、上記振幅データやピッチデータの各
値を１フレーム中の例えば中心位置における各データ値
とし、次のフレームの中心位置までの間（合成時の１フ
レーム）の各データ値を補間により求める。すなわち、
合成時の１フレーム（例えば上記分析フレームの中心か
ら次の分析フレームの中心まで）において、先端サンプ
ル点での各データ値と終端（次の合成フレームの先端）
サンプル点での各データ値とが与えられ、これらのサン
プル点間の各データ値を補間により求めるようにしてい
る。

【００６１】以下、有声音合成部１２６における合成処
理を詳細に説明する。上記Ｖ（有声音）と判別された第
ｍバンド（第ｍ高調波の帯域）における時間軸上の上記
１合成フレーム（Ｌサンプル、例えば１６０サンプル）
分の有声音をＶ_m(n) とするとき、この合成フレーム内
の時間インデックス（サンプル番号）ｎを用いて、Ｖm (n) ＝Ａm (n) cos(θm (n)) ０≦ｎ＜Ｌ・・・（９）と表すことができる。全バンドの内のＶ（有声音）と判
別された全てのバンドの有声音を加算（ΣＶ_m(n) ）し
て最終的な有声音Ｖ(n) を合成する。

【００６２】この（９）式中のＡ_m(n) は、上記合成フ
レームの先端から終端までの間で補間された第ｍ高調波
の振幅である。最も簡単には、フレーム単位で更新され
る振幅データの第ｍ高調波の値を直線補間すればよい。
すなわち、上記合成フレームの先端（ｎ＝０）での第ｍ
高調波の振幅値をＡ_0m、該合成フレームの終端（ｎ＝
Ｌ：次の合成フレームの先端）での第ｍ高調波の振幅値
をＡ_Lmとするとき、Ａ_m(n) ＝ (L-n)Ａ_0m／Ｌ＋ｎＡ_Lm／Ｌ・・・（10）の式によりＡ_m(n) を計算すればよい。

【００６３】次に、上記（９）式中の位相θ_m(n) は、 θ_m(m) ＝ｍω_O1ｎ＋ｎ²ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋Δωｎ・・・（11）により求めることができる。この（11）式中で、φ_0mは
上記合成フレームの先端（ｎ＝０）での第ｍ高調波の位
相（フレーム初期位相）を示し、ω01は合成フレーム先
端（ｎ＝０）での基本角周波数、ω_L1は該合成フレーム
の終端（ｎ＝Ｌ：次の合成フレーム先端）での基本角周
波数をそれぞれ示している。上記（11）式中のΔωは、
ｎ＝Ｌにおける位相φ_Lmがθ_m(L) に等しくなるような
最小のΔωを設定する。

【００６４】以下、任意の第ｍバンドにおいて、それぞ
れｎ＝０、ｎ＝ＬのときのＶ／ＵＶ判別結果に応じた上
記振幅Ａ_m(n) 、位相θ_m(n) の求め方を説明する。第
ｍバンドが、ｎ＝０、ｎ＝ＬのいずれもＶ（有声音）と
される場合に、振幅Ａm (n) は、上述した（10）式によ
り、伝送された振幅値Ａ0m、ＡLmを直線補間して振幅Ａ
_m(n) を算出すればよい。位相θ_m(n) は、ｎ＝０でθ
_m(0) ＝φ_0mからｎ＝Ｌでθ_m(L) がφ_Lmとなるように
Δωを設定する。

【００６５】次に、ｎ＝０のときＶ（有声音）で、ｎ＝
ＬのときＵＶ（無声音）とされる場合に、振幅Ａ_m(n)
は、Ａ_m(0) の伝送振幅値Ａ_0mからＡ_m(L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値Ａ_Lmは無声
音の振幅値であり、後述する無声音合成の際に用いられ
る。位相θ_m(n) は、θ_m(0) ＝φ_0mとし、かつΔω＝
０とする。

【００６６】さらに、ｎ＝０のときＵＶ（無声音）で、
ｎ＝ＬのときＶ（有声音）とされる場合には、振幅Ａ_m
(n) は、ｎ＝０での振幅Ａ_m(0) を０とし、ｎ＝Ｌで伝
送された振幅値Ａ_Lmとなるように直線補間する。位相θ
_m(n) については、ｎ＝０での位相θ_m(0) として、フ
レーム終端での位相値φ_Lmを用いて、 θ_m(0) ＝φ_Lm−ｍ（ω_O1＋ω_L1）Ｌ／２・・・（12）とし、かつΔω＝０とする。

【００６７】上記ｎ＝０、ｎ＝ＬのいずれもＶ（有声
音）とされる場合に、θ_m(L) がφ_LmとなるようにΔω
を設定する手法について説明する。上記（11）式で、ｎ
＝Ｌと置くことにより、 θ_m(L) ＝ｍω_O1Ｌ＋Ｌ²ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋ΔωＬ＝ｍ（ω_O1＋ω_L1）Ｌ／２＋φ_0m＋ΔωＬ＝φ_Lm となり、これを整理すると、Δωは、 Δω＝（mod2π((φ_Lm−φ_0m) − mL(ω_O1＋ω_L1)/2)／Ｌ・・・（13）となる。この（13）式でmod2π(x) とは、ｘの主値を−
π〜＋πの間の値で返す関数である。例えば、ｘ＝１.3
πのときmod2π(x) ＝−０.7π、ｘ＝２.3πのときmod2
π(x) ＝０.3π、ｘ＝−１.3πのときmod2π(x) ＝０.7
π、等である。

【００６８】ここで、図１０のＡは、音声信号のスペク
トルの一例を示しており、バンド番号（ハーモニクスナ
ンバ）ｍが８、９、１０の各バンドがＵＶ（無声音）と
され、他のバンドはＶ（有声音）とされている。このＶ
（有声音）のバンドの時間軸信号が上記有声音合成部１
２６により合成され、ＵＶ（無声音）のバンドの時間軸
信号が無声音合成部１２７で合成されるわけである。

【００６９】以下、無声音合成部１２７における無声音
合成処理を説明する。ホワイトノイズ発生部１３１から
の時間軸上のホワイトノイズ信号波形を、所定の長さ
（例えば２５６サンプル）で適当な窓関数（例えばハミ
ング窓）により窓かけをし、ＳＴＦＴ処理部１３２によ
りＳＴＦＴ（ショートタームフーリエ変換）処理を施す
ことにより、図１０のＢに示すようなホワイトノイズの
周波数軸上のパワースペクトルを得る。このＳＴＦＴ処
理部１３２からのパワースペクトルをバンド振幅処理部
１３３に送り、図１０のＣに示すように、上記ＵＶ（無
声音）とされたバンド（例えばｍ＝８、９、１０）につ
いて上記振幅｜Ａ_m｜_UVを乗算し、他のＶ（有声音）と
されたバンドの振幅を０にする。このバンド振幅処理部
１３３には上記振幅データ、ピッチデータ、Ｖ／ＵＶ判
別データが供給されている。バンド振幅処理部１３３か
らの出力は、ＩＳＴＦＴ処理部１３４に送られ、位相は
元のホワイトノイズの位相を用いて逆ＳＴＦＴ処理を施
すことにより時間軸上の信号に変換する。ＩＳＴＦＴ処
理部１３４からの出力は、オーバーラップ加算部１３５
に送られ、時間軸上で適当な（元の連続的なノイズ波形
を復元できるように）重み付けをしながらオーバーラッ
プ及び加算を繰り返し、連続的な時間軸波形を合成す
る。オーバーラップ加算部１３５からの出力信号が上記
加算部１２９に送られる。

【００７０】このように、各合成部１２６、１２７にお
いて合成されて時間軸上に戻された有声音部及び無声音
部の各信号は、加算部１２９により適当な固定の混合比
で加算して、出力端子１３０より再生された音声信号を
取り出す。

【００７１】上記図４の音声分析側（エンコード側）の
構成や図９の音声合成側（デコード側）の構成について
は、各部をハードウェア的に記載しているが、いわゆる
ＤＳＰ（ディジタル信号プロセッサ）等を用いてソフト
ウェアプログラムにより実現することも可能である。

【００７２】以上より、本発明に係るピッチ抽出方法が
適用されるＭＢＥは、ピッチ抽出部１０３でのピッチ抽
出をブロックを細分割した各部（各サブブロック）の信
号のピークレベル等を検出し、これらの各サブブロック
のピークレベル等の差が大きいときに、ブロック内でク
リップレベルを段階的にあるいは連続的に変化させるよ
うにしているため、ピークレベルの変動が急激であって
も確実にピッチを抽出できる。

【００７３】なお、本発明に係るピッチ抽出方法は、上
記実施例にのみ限定されるものでなく、適用される高能
率符号化方法としても上記ＭＢＥに限定されるものでは
ない。

【００７４】

【００７５】また、本発明に係るピッチ抽出方法は、入
力音声信号をブロック単位で取り出し、該ブロックを複
数のサブブロックに分割した内の隣接するサブブロック
のピークレベルの変動の激しいときにブロック毎のクリ
ップレベルを変化させることで音声の立ち上がり、立ち
下がり等、ピークレベルの変動が急激であっても確実な
ピッチを抽出が可能となる。

【図面の簡単な説明】

【図５】窓かけ処理を説明するための図である。

【符号の説明】１０・・・・・ブロック取り出し処理部１１・・・・・クリッピングレベル設定部１２・・・・・センタクリップ処理部１３・・・・・自己相関計算部１４・・・・・ピッチ算出部１５・・・・・サブブロック分割処理部１６・・・・・ピークレベル抽出部１７・・・・・最大ピークレベル抽出部１８・・・・・比較部１９・・・・・クリッピングレベル制御部

Claims

【特許請求の範囲】

【請求項１】入力される音声信号波形をブロック単位
で取り出し、センタクリップされた出力信号に基づいて
ピッチを抽出するピッチ抽出方法において、該ブロック内を複数のサブブロックに分割して各サブブ
ロック毎にクリップ用レベルを求め、入力信号をセンタ
クリップする際に上記各サブブロック毎に求められたク
リップ用レベルに基づいて上記ブロック内でクリッピン
グレベルを変化させることを特徴とするピッチ抽出方
法。
【請求項２】上記ブロック内の複数のサブブロックの
内で隣接するサブブロック間のピークレベルの変動が大
きいときにセンタクリップの際のクリッピングレベルを
ブロック内で変化させることを特徴とする請求項１記載
のピッチ抽出方法。