JPH05297892A - Voiced sound synthesizing method - Google Patents
Voiced sound synthesizing methodInfo
- Publication number
- JPH05297892A JPH05297892A JP4121463A JP12146392A JPH05297892A JP H05297892 A JPH05297892 A JP H05297892A JP 4121463 A JP4121463 A JP 4121463A JP 12146392 A JP12146392 A JP 12146392A JP H05297892 A JPH05297892 A JP H05297892A
- Authority
- JP
- Japan
- Prior art keywords
- pitch
- data
- phase
- unit
- frame
- 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.)
- Granted
Links
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、初期位相が固定された
信号を用いて有声音を合成する有声音合成方法に関す
る。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a voiced sound synthesizing method for synthesizing a voiced sound using a signal whose initial phase is fixed.
【０００２】[0002]
【従来の技術】音声信号の時間領域や周波数領域におけ
る統計的性質と人間の聴感上の特性を利用して信号圧縮
を行うような符号化方法が種々知られている。この符号
化方法としては、大別して時間領域での符号化、周波数
領域での符号化、分析合成符号化等が挙げられる。2. Description of the Related Art Various coding methods are known in which signal compression is performed by utilizing the statistical properties of a voice signal in the time domain and frequency domain and the human auditory characteristics. This coding method is roughly classified into a time domain coding, a frequency domain coding, an analysis-synthesis coding, and the like.
【０００３】音声信号等の高能率符号化の例として、Ｍ
ＢＥ（Multiband Excitation: マルチバンド励起）符号
化、ＳＢＥ（Singleband Excitation:シングルバンド励
起）符号化、ハーモニクス（Harmonic) 符号化、ＳＢＣ
（Sub-band Coding:帯域分割符号化) 、ＬＰＣ(Linear
Predictive Coding:線形予測符号化）、あるいはＤＣＴ
（離散コサイン変換）、ＭＤＣＴ（モデファイドＤＣ
Ｔ）、ＦＦＴ（高速フーリエ変換）等がある。As an example of high-efficiency coding of a voice signal or the like, M
BE (Multiband Excitation) coding, SBE (Singleband Excitation) coding, Harmonics (Harmonic) coding, SBC
(Sub-band Coding), LPC (Linear
Predictive Coding) or DCT
(Discrete cosine transform), MDCT (Modified DC)
T), FFT (Fast Fourier Transform), and the like.
【０００４】上記ＭＢＥ符号化等においては、１ブロッ
ク（フレーム）内の音声に対して帯域（バンド）を複数
に分割し、各バンド毎に有声音／無声音の判断を行って
おり、音質の向上が認められる。In the above MBE coding and the like, the voice within one block (frame) is divided into a plurality of bands, and a voiced / unvoiced sound is judged for each band, thereby improving the sound quality. Is recognized.
【０００５】[0005]
【発明が解決しようとする課題】ところで、上記ＭＢＥ
符号化等においては、音声スペクトルの振幅の位相情報
を別途伝送するか又は伝送情報量を減らすため伝送せず
に合成側（復号化側）でピッチ及び過去の位相から位相
情報を予測している。この合成側での位相情報の予測
（以下、位相予測という）には、フレームの初期位相を
０或いはπ／２に固定し、分析側から伝送されてきたピ
ッチに応じてコサイン波を合成する固定位相加算が行わ
れてきた。しかし、この固定位相加算による合成では、
男声等のピッチの低い音声での強い母音で不自然な合成
音となっていた。そこで、符号化側での有声音／無声音
判別で判明した無声音帯域の含有率に応じて、合成側で
は位相に分散の大きな乱数を加算して自然感を出すよう
にしている。しかし、ピッチが低くない女声の位相に分
散の大きな乱数を加算すると、雑音のような感じにな
り、明瞭度が失われてしまうという欠点がある。By the way, the above MBE
In encoding, the phase information of the amplitude of the voice spectrum is separately transmitted, or the phase information is predicted from the pitch and the past phase on the synthesis side (decoding side) without transmission in order to reduce the amount of transmission information. .. For the prediction of the phase information on the synthesis side (hereinafter referred to as phase prediction), the initial phase of the frame is fixed to 0 or π / 2, and the cosine wave is synthesized according to the pitch transmitted from the analysis side. Phase addition has been performed. However, in this synthesis by fixed phase addition,
It was an unnatural synthetic sound due to strong vowels in low pitched voices such as male voice. Therefore, the synthesis side adds random numbers with large variance to the phase according to the content rate of the unvoiced sound band found by the voiced / unvoiced sound discrimination on the encoding side to give a natural feeling. However, when a random number with a large variance is added to the phase of a female voice whose pitch is not low, there is a drawback that it becomes noise-like and loses clarity.
【０００６】本発明は、このような実情に鑑みてなされ
たものであり、不自然感がなく明瞭度が失われることの
ない高品質の合成音を得られるような有声音合成方法に
関する。The present invention has been made in view of the above circumstances, and relates to a voiced sound synthesizing method capable of obtaining a high quality synthesized sound without an unnatural feeling and without losing clarity.
【０００７】[0007]
【課題を解決するための手段】本発明に係る有声音合成
方法は、入力された音声信号をフレーム単位で区分し、
区分されたフレーム毎にピッチを求め、求められたピッ
チの基本波及びその高調波であって初期位相が固定され
た信号群を用いて有声音を合成する有声音合成方法にお
いて、各フレーム毎にフレーム終端部における上記基本
波及び高調波の位相を予測すると共に各フレーム毎の上
記予測されたフレーム終端部の位相又は上記基本波及び
高調波の少なくとも１つの周波数を上記ピッチに応じて
修正することを特徴として上記課題を解決する。A voiced sound synthesis method according to the present invention divides an input voice signal into frame units,
Obtain the pitch for each divided frame, in the voiced sound synthesis method that synthesizes a voiced sound using the fundamental wave of the obtained pitch and its harmonics and a signal group whose initial phase is fixed, in each frame Predicting the phases of the fundamental wave and the harmonic wave at the frame end portion and correcting the predicted phase of the frame end portion or at least one frequency of the fundamental wave and the harmonic wave for each frame according to the pitch. The above-mentioned problem is solved by the feature.
【０００８】ここで、ピッチに応じた修正の量は、ピッ
チ周波数が低くなる程、言い換えるとピッチ周期が長く
なる程、予測位相に加える修正値を大きくするというこ
とである。Here, the amount of correction according to the pitch is that the lower the pitch frequency is, that is, the longer the pitch period is, the larger the correction value added to the predicted phase is.
【０００９】また、上記基本波及び高調波の少なくとも
１の周波数をピッチに応じて修正するのは、初期フレー
ムのフレーム終端部における位相のみの修正だけでな
く、他フレームにおいても相対的に上記基本波及び高調
波の重ねの位置を調整するために行われる。The correction of at least one frequency of the fundamental wave and the higher harmonic wave according to the pitch is not limited to the correction of only the phase at the frame end portion of the initial frame, and the relative frequency of the fundamental wave is relatively changed in other frames. This is done to adjust the position of the superposition of waves and harmonics.
【００１０】[0010]
【作用】ピッチ周波数が低くなる程、言い換えるとピッ
チ周期が長くなる程、合成側で予測するフレーム終端部
における基本波及び高調波の位相又はそれらの内の少な
くとも１つの周波数の修正の度合いを増すことにより、
不必要なノイズを発生することなく自然な再生音を得ら
れる。As the pitch frequency becomes lower, in other words, the pitch period becomes longer, the degree of modification of the phase of the fundamental wave and the harmonic wave or at least one of those frequencies at the frame end portion predicted on the synthesis side increases. By
A natural reproduced sound can be obtained without generating unnecessary noise.
【００１１】[0011]
【実施例】以下、本発明に係る有声音合成方法を、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
であるＭＢＥ（Multiband Excitation: マルチバンド励
起）ボコーダに適用した具体例について、図面を参照し
ながら説明する。DESCRIPTION OF THE PREFERRED EMBODIMENTS The following is a specific example in which the voiced sound synthesis method according to the present invention is applied to an MBE (Multiband Excitation) vocoder, which is a kind of speech signal synthesis analysis coding apparatus (so-called vocoder). Will be described with reference to.
【００１２】このＭＢＥボコーダは、D. W. Griffin an
d J.S. Lim,"Multiband ExcitationVocoder," IEEE Tra
ns.Acoustics,Speech,and Signal Processing, vol.36,
No.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-CORrela
tion: 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。This MBE vocoder is a DW Griffin an
d JS Lim, "Multiband Excitation Vocoder," IEEE Tra
ns.Acoustics, Speech, and Signal Processing, vol.36,
No. 8, pp.1223-1235, Aug.1988, the conventional PARCOR (PARtial auto-CORrela
tion: Partial autocorrelation) In vocoders etc., voiced sections and unvoiced sections were switched for each block or frame when modeling speech, whereas for MBE vocoder, at the same time (in the same block or frame) Voiced (Voiced) section and unvoiced (Unvoiced) in the frequency domain of
It is modeled on the assumption that the interval and exist.
【００１３】図１は、上記ＭＢＥボコーダの合成側（デ
コード側）に本発明を適用した実施例の概略構成を示す
ブロック図である。FIG. 1 is a block diagram showing the schematic arrangement of an embodiment in which the present invention is applied to the combining side (decoding side) of the MBE vocoder.
【００１４】この図１において、入力端子１１、１２及
び１３には後述するＭＢＥボコーダの分析側（エンコー
ド側）から伝送されてくるベクトル量子化された振幅デ
ータ、符号化されたピッチデータ及び有声音（Ｖ）／
（無声音）ＵＶ判別データが供給される。入力端子１１
からの量子化振幅データは、逆ベクトル量子化部１４に
送られて逆量子化され、データ数逆変換部１５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１６
及び無声音合成部１７に送られる。入力端子１２からの
符号化ピッチデータは、ピッチ復号化部１８で復号化さ
れ、データ数逆変換部１５、有声音合成部１６、無声音
合成部１７、スケールファクタ調整部１９及び位相予測
＆修正部２０に送られる。また入力端子１３からのＶ／
ＵＶ判別データは、有声音合成部１６及び無声音合成部
１７に送られる。In FIG. 1, vector-quantized amplitude data, encoded pitch data and voiced sound transmitted from an analysis side (encoding side) of an MBE vocoder, which will be described later, are applied to input terminals 11, 12 and 13. (V) /
(Unvoiced) UV discrimination data is supplied. Input terminal 11
The quantized amplitude data from is sent to the inverse vector quantization unit 14 for inverse quantization, and is sent to the data number inverse conversion unit 15 for inverse conversion, and the obtained amplitude data is used for the voiced sound synthesis unit 16
And the unvoiced sound synthesizing unit 17. The encoded pitch data from the input terminal 12 is decoded by the pitch decoding unit 18, and the data number inverse conversion unit 15, the voiced sound synthesis unit 16, the unvoiced sound synthesis unit 17, the scale factor adjustment unit 19, and the phase prediction & correction unit. Sent to 20. V / from input terminal 13
The UV discrimination data is sent to the voiced sound synthesis unit 16 and the unvoiced sound synthesis unit 17.
【００１５】有声音合成部１６では例えば余弦(cosine)
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１７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２１で加算合成して、出力端子２２より取り出すよ
うにしている。In the voiced sound synthesizer 16, for example, cosine
The voiced sound waveform on the time axis is synthesized by wave synthesis, and the unvoiced sound synthesis unit 17 filters white noise with a bandpass filter, for example, to synthesize the unvoiced sound waveform on the time axis, and synthesizes each of these voiced sound synthesized waveforms and unvoiced sound. The waveform and the waveform are added and combined by the adder 21 and taken out from the output terminal 22.
【００１６】ここで、上記位相予測＆修正部２０では、
上記ピッチ復号化部１８からの復号化ピッチデータに基
づいて、位相予測を行う。この位相予測＆修正部２０
は、時刻０（フレームの先頭）に於ける第ｍ高調波の位
相（フレーム初期位相）をψ0mとすると、フレームの最
後での位相ψLmを、 ψLm＝mod2π（ψ0m＋ｍ（ω01＋ωL1) Ｌ／２） ・・・（１） と予測する。この（１）式でmod2π（ｘ）とは、ｘの主
値を−π〜＋πの間で返す関数である。例えば、ｘ＝1.
3 πのときmod2π（ｘ）＝−0.7 π、ｘ＝2.3 πのとき
mod2π（ｘ）＝0.3 π、ｘ＝−1.3 πのときmod2π
（ｘ）＝0.7 π、等である。また、Ｌはフレームインタ
ーバル、ω01は、合成フレームの先端（ｎ＝０）での基
本角周波数、ωL1は該合成フレームの終端（ｎ＝Ｌ：次
の合成フレーム先端）での基本角周波数である。また、
上記位相予測＆修正部２０は、上記予測したフレームの
最後での位相ψLmに対し、上記ピッチ復号化部１８から
の復号化ピッチデータを基に上記スケールファクタ調整
部１９が調整したスケールファクタを加算し、修正を施
す。すなわち、時刻０（フレームの先頭）に於ける第ｍ
高調波の位相（フレーム初期位相）φ0mを１フレーム前
のφLm（φ(-1)Lm）とすると、この修正の施された予測
位相φLmは、 φLm＝ψLm＋Ｓc Ｒdp ・・・（２） と示される。ここで、Ｓc はスケール値を示し、Ｒdpは
２πｆ（ｍ、Ｍ）×（ガウシアン乱数）で示される位相
のランダム値である。また、ｆ（ｍ、Ｍ）は周波数に応
じて分散σを変えるための関数である。上記Ｒdpが±π
の範囲を越える時は、±πをクリッピングレベルにし
て、Ｒdpをクリップする。Here, in the phase predicting & correcting section 20,
Phase prediction is performed based on the decoded pitch data from the pitch decoding unit 18. This phase prediction & correction unit 20
Is the phase of the m-th harmonic (frame initial phase) at time 0 (the beginning of the frame) is ψ 0m , the phase ψ Lm at the end of the frame is ψ Lm = mod2π (ψ 0m + m (ω 01 + Ω L1 ) L / 2) ・ ・ ・ (1) is predicted. In this equation (1), mod2π (x) is a function that returns the main value of x between −π and + π. For example, x = 1.
When 3π, mod2π (x) = − 0.7π, x = 2.3π
mod2π (x) = 0.3π, x = −1.3π mod2π
(X) = 0.7π, and so on. Further, L is a frame interval, ω 01 is a basic angular frequency at the end of the composite frame (n = 0), and ω L1 is a basic angular frequency at the end of the composite frame (n = L: end of the next composite frame). Is. Also,
The phase prediction / correction unit 20 uses the scale factor adjusted by the scale factor adjustment unit 19 based on the decoded pitch data from the pitch decoding unit 18 with respect to the predicted phase ψ Lm at the end of the frame. Add and correct. That is, the mth time at time 0 (the beginning of the frame)
Assuming that the phase of the harmonics (frame initial phase) φ 0m is φ Lm (φ (-1) Lm ) one frame before, the corrected predicted phase φ Lm is φ Lm = φ Lm + S c R dp ... (2). Here, S c represents a scale value, and R dp is a random value of the phase represented by 2πf (m, M) × (Gaussian random number). Further, f (m, M) is a function for changing the variance σ according to the frequency. The above R dp is ± π
When the range exceeds, the clipping level is set to ± π and R dp is clipped.
【００１７】具体的には、上記（２）式のスケール値Ｓ
c をサンプル数で記述されたピッチのインターバル（周
期）であるピッチラグＰr の関数とする。例えば、ピッ
チラグＰr が75より小さいときにはスケール値を0.1 、
ピッチラグＰr が75以上で85より小さいときにはスケー
ル値を0.2 、ピッチラグＰr が85以上で90より小さいと
きにはスケール値を0.3 、ピッチラグＰr が90以上で10
0 より小さいときにはスケール値を0.6 、ピッチラグＰ
r が100 以上のときにはスケール値を0.8 とする。つま
り、ピッチラグＰr が大きいとき程、ランダマイズのス
ケールファクタのスケール値を大きな値とする。Specifically, the scale value S in the above equation (2)
Let c be a function of the pitch lag P r , which is the pitch interval (cycle) described by the number of samples. For example, when the pitch lag P r is less than 75, the scale value is 0.1,
When the pitch lag P r is 75 or more and less than 85, the scale value is 0.2. When the pitch lag P r is 85 or more and less than 90, the scale value is 0.3 and the pitch lag P r is 90 or more and 10
When it is less than 0, the scale value is 0.6 and the pitch lag P is
When r is 100 or more, the scale value is 0.8. That is, the larger the pitch lag P r , the larger the scale value of the randomizing scale factor.
【００１８】ここで、上述したようにピッチラグＰr が
大きいとき程、ランダマイズのスケールファクタのスケ
ール値を大きな値とする理由を述べる。ピッチラグＰr
が大きいというのは、ピッチ周期が長いことであり、ピ
ッチ内で加算されるハーモニクスの数が多いことを意味
する。これに対し、ピッチラグＰr が小さいときという
のは、ピッチ周期が短いことであり、ピッチ内で加算さ
れるハーモニクスの数が少ないことを意味する。つま
り、ピッチ周期の長い時程、長時間分のエネルギーが一
箇所に集中し、図２のＡに示すような波形となる。これ
に対し、ピッチ周期が短い時程、エネルギーは一箇所に
集中することはなく図２のＢに示すような波形となる。
この図２のＡに示すような鋭角的な波形とその繰り返し
は、不自然な再生音を引き起こすので、より大きな位相
をランダムに振ってやる必要がある。これに対し、図２
のＢに示すような波形とその繰り返しは、不自然な再生
音を引き起こさず、大きな位相をランダムに振ってやる
必要がない。したがって、ピッチラグＰr が大きくなる
程、ランダマイズのスケールファクタのスケール値を大
きくし、ピッチラグＰr が小さいときに用いる該スケー
ル値とは異ならせている。Here, the reason why the scale value of the randomizing scale factor is made larger as the pitch lag P r is larger as described above will be described. Pitch lag P r
A large value means that the pitch period is long, and that a large number of harmonics are added within the pitch. On the other hand, when the pitch lag P r is small, it means that the pitch period is short, and the number of harmonics added in the pitch is small. That is, as the pitch period is longer, the energy for a longer time is concentrated in one place, and the waveform becomes as shown in A of FIG. On the other hand, when the pitch period is shorter, the energy is not concentrated in one place and has a waveform as shown in B of FIG.
The acute-angled waveform and its repetition as shown in A of FIG. 2 cause an unnatural reproduced sound, so that it is necessary to randomly shift a larger phase. In contrast, Figure 2
The waveform and the repetition thereof as shown by B do not cause an unnatural reproduced sound, and it is not necessary to randomly shake a large phase. Therefore, the larger the pitch lag P r , the larger the scale value of the randomizing scale factor, which is different from the scale value used when the pitch lag P r is small.
【００１９】上記位相予測＆修正部２０からの修正の施
された予測位相φLmは、上記有声音合成部１６に供給さ
れる。この有声音合成部１６には、上記修正の施された
予測位相φLmの他にも、上述したように、データ数逆変
換部１５からの振幅データ、ピッチ復号化部１８からの
ピッチ復号データ及び入力端子１３からのＶ／ＵＶ判別
データが供給されている。The corrected predicted phase φ Lm from the phase predicting & correcting section 20 is supplied to the voiced sound synthesizing section 16. In addition to the corrected predicted phase φ Lm , the voiced sound synthesis unit 16 also includes, as described above, the amplitude data from the data number inverse conversion unit 15 and the pitch decoded data from the pitch decoding unit 18. Also, V / UV discrimination data is supplied from the input terminal 13.
【００２０】ここで、上記有声音合成部１６における有
声音の合成処理を説明する前に入力端子１１、１２及び
１３にベクトル量子化された振幅データ、符号化された
ピッチデータ及び有声音（Ｖ）／（無声音）ＵＶ判別デ
ータを供給するＭＢＥボコーダの分析側（エンコード
側）について説明する。Before explaining the voiced sound synthesizing process in the voiced sound synthesizing section 16, vector-quantized amplitude data, coded pitch data and voiced sound (V) are input to the input terminals 11, 12 and 13. ) / (Unvoiced sound) The analysis side (encoding side) of the MBE vocoder that supplies UV discrimination data will be described.
【００２１】図３は、上記ＭＢＥボコーダの分析側（エ
ンコード側）の概略構成を示すブロック図である。この
図３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、ＨＰＦ（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４の
Ａに示すようにＬサンプル（例えばＬ＝１６０）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９６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。FIG. 3 is a block diagram showing a schematic structure of the analysis side (encoding side) of the MBE vocoder. In FIG. 3, an audio signal is supplied to an input terminal 101, and this input audio signal is sent to a filter 102 such as an HPF (high-pass filter) to obtain a so-called DC (direct current) offset component. At least the low-frequency component (200 Hz or less) is removed for removal or band limitation (for example, 200 to 3400 Hz). The signal obtained through the filter 102 is sent to the pitch extraction unit 103 and the windowing processing unit 104, respectively. In the pitch extraction unit 103, when the input voice signal data is a predetermined sample number N
The block is divided into units (for example, N = 256) (or cut out by a rectangular window), and pitch extraction is performed on the audio signal in this block. Such a cut block (256 samples) is moved in the time axis direction at a frame interval of L samples (for example, L = 160) as shown in FIG. 4A, and the overlap between blocks is N−. There are L samples (for example, 96 samples). Further, in the windowing processing unit 104, 1
A predetermined window function, for example, a Hamming window is applied to the block N samples, and the windowed block is sequentially moved in the time axis direction at intervals of 1 frame L samples.
【００２２】このような窓かけ処理を数式で表すと、 ｘw (k,q) ＝ｘ(q) ｗ(kL-q) ・・・（３） となる。この（３）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ｘw (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４のＡ
に示すような方形窓の場合の窓関数ｗr (r) は、 ｗr (r) ＝１ ０≦ｒ＜Ｎ ・・・（４） ＝０ ｒ＜０，Ｎ≦ｒ また、窓かけ処理部１０４での図４のＢに示すようなハ
ミング窓の場合の窓関数ｗh (r) は、 ｗh (r) ＝ 0.54 − 0.46 cos(２πr/(N-1)) ０≦ｒ＜Ｎ ・・・（５） ＝０ ｒ＜０，Ｎ≦ｒ である。このような窓関数ｗr (r) あるいはｗh (r) を
用いるときの上記（３）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ｗr (kL-q)＝
１となるのは、図５に示すように、ｋＬ−Ｎ＜ｑ≦ｋＬ
のときとなる。また、上記（３）〜（５）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（４）
式、（５）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ｘwr(k,r) 、ｘwh
(k,r) と表すことにする。When this windowing process is expressed by a mathematical expression, x w (k, q) = x (q) w (kL-q) (3) In this equation (3), k is a block number,
q represents the time index (sample number) of the data, and the q-th data x (q) of the unprocessed input signal is windowed by the window function (w (kL-q)) of the kth block. It is shown that the data x w (k, q) can be obtained by doing so. FIG. 4A in the pitch extraction unit 103
The window function w r (r) in the case of the rectangular window is as follows: w r (r) = 1 0 ≦ r <N (4) = 0 r <0, N ≦ r window function w h (r) in the case of Hamming window as shown in B of FIG. 4 is a section 104, w h (r) = 0.54 - 0.46 cos (2πr / (N-1)) 0 ≦ r <N (5) = 0 r <0, N ≦ r. Such a window function w r (r) or (3) when using the w h (r) formula of the window function w (r) (= w (KL-
q)), the zero-zero interval is 0 ≦ kL−q <N, which is transformed into kL−N <q ≦ kL. Therefore, for example, in the case of the above rectangular window, the window function w r (kL−q) =
As shown in FIG. 5, 1 becomes kL-N <q ≦ kL.
It will be when. In addition, the above equations (3) to (5) have a length N
The window of (= 256) samples is shown to advance by L (= 160) samples. Below, above (4)
Each N point (0 ≦ r cut out by each window function of equations (5))
The non-zero sample sequence of <N) is represented by x wr (k, r) and x wh
Let us denote it as (k, r).
【００２３】窓かけ処理部１０４では、図６に示すよう
に、上記（５）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ｘwh(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。In the windowing processing unit 104, as shown in FIG. 6, 179 is applied to the sample sequence x wh (k, r) of 256 blocks in one block on which the Hamming window of the above equation (5) is applied.
Two samples of 0 data are added (so-called zero padding) to make 2048 samples, and the orthogonal transformation unit 105 performs orthogonal transformation such as FFT (Fast Fourier Transform) on the time-axis data sequence of 2048 samples. Processing is performed.
【００２４】ピッチ抽出部１０３では、上記ｘwr(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、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、本実施例では、
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、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。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１０
６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。In the pitch extraction unit 103, the above x wr (k, r)
Pitch extraction is performed based on the sample sequence (1 block N samples). The pitch extraction method is known to include periodicity of time waveform, periodic frequency structure of spectrum, and autocorrelation function.
The center correlation waveform autocorrelation method is used. Regarding the center clip level in the block at this time, one clip level may be set for one block, but the peak level of the signal of each part (each sub-block) obtained by subdividing the block is detected and When there is a large difference in the peak level of each sub-block, the clip level is changed stepwise or continuously within the block. The peak period is determined based on the peak position of the autocorrelation data of the center clip waveform. At this time, a plurality of peaks are obtained from the autocorrelation data belonging to the current frame (the autocorrelation is obtained for the data of N samples of one block), and the maximum peak among the plurality of peaks is equal to or larger than a predetermined threshold. In the case of, the maximum peak position is set as the pitch period, and in other cases, the pitch is within a pitch range that satisfies a predetermined relationship with the pitch other than the current frame, for example, the pitch of the previous frame and the pitch of the previous frame. As a result, a peak in the range of ± 20% is obtained, and the pitch of the current frame is determined based on this peak position. In this pitch extraction unit 103, a relatively rough pitch search is performed by an open loop, and the extracted pitch data has a high precision (fine) pitch search unit 10.
Then, the high precision pitch search (pitch fine search) is performed by the closed loop.
【００２５】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。High precision (fine) pitch search section 106
Includes rough pitch data of integer (integer) values extracted by the pitch extraction unit 103 and the orthogonal transformation unit 10.
5, the data on the frequency axis subjected to FFT, for example, is supplied. In this high precision pitch search unit 106,
Centering on the above coarse pitch data value, it is ± 0.2 in increments of ±
Shake several samples at a time to drive to the optimum fine pitch data value with a decimal point (floating). As a fine search method at this time, a so-called analysis by synthesis method is used, and the pitch is selected so that the synthesized power spectrum is closest to the power spectrum of the original sound.
【００２６】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 ・・・（６） と表現するようなモデルを想定している。ここで、Ｊは
πωs ＝ｆs ／２に対応し、サンプリング周波数ｆs ＝
２πωs が例えば８ｋHzのときには４ｋHzに対応する。
上記（６）式中において、周波数軸上のスペクトルデー
タＳ(j) が図７のＡに示すような波形のとき、Ｈ(j)
は、図７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７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。The fine search of the pitch will be described. First, in the MBE vocoder, the FF
S (j) as spectrum data on the frequency axis orthogonally transformed by T etc. is expressed as S (j) = H (j) | E (j) | 0 <j <J (6) It is assumed that the model. Here, J corresponds to πω s = f s / 2, and the sampling frequency f s =
When 2πω s is, for example, 8 kHz, it corresponds to 4 kHz.
In the equation (6), when the spectrum data S (j) on the frequency axis has a waveform as shown in A of FIG. 7, H (j)
Is the original spectrum data S (j) as shown in B of FIG.
Shows the spectral envelope of E (j)
Shows a spectrum of an excitation signal (excitation) that is periodic at an equal level as shown in FIG. 7C. That is, the FFT spectrum S (j) is the spectrum envelope H (j) and the power spectrum of the excitation signal | E (j) |
It is modeled as the product of and.
【００２７】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６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。Power spectrum of the excitation signal | E (j)
Is a spectral waveform corresponding to the waveform of one band (band) for each band on the frequency axis in consideration of the periodicity (pitch structure) of the waveform on the frequency axis determined according to the pitch. It is formed by arranging it repeatedly. The waveform for one band is obtained by performing FFT by regarding the waveform obtained by adding (filling with 0) 1792 samples of 0 data to the Hamming window function of 256 samples as shown in FIG. 6 as a time axis signal. It can be formed by cutting out an impulse waveform having a certain bandwidth on the frequency axis according to the pitch.
【００２８】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）｜Ａm
｜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ａm 、ｂm とすると
き、この第ｍバンドのエラーεm は、Next, for each band divided according to the above pitch, a value (a kind of amplitude) | A that represents the above H (j) (minimizes the error for each band) | A m
Ask for |. Here, for example, when the lower and upper points of the m-th band (band of the m-th harmonic) are a m and b m , respectively, the error ε m of the m-th band is
【００２９】[0029]
【数１】 で表せる。このエラーεm を最小化するような｜Ａm ｜
は、[Equation 1] Can be expressed as | A m | that minimizes this error ε m
Is
【００３０】[0030]
【数２】 となり、この（８）式の｜Ａm ｜のとき、エラーεm を
最小化する。このような振幅｜Ａm ｜を各バンド毎に求
め、得られた各振幅｜Ａm ｜を用いて上記（７）式で定
義された各バンド毎のエラーεm を求める。次に、この
ような各バンド毎のエラーεm 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Σεm 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Σεm が最小となるようなピッチを求
める。[Equation 2] Therefore, when | A m | in the equation (8), the error ε m is minimized. Such an amplitude | A m | is obtained for each band, and the obtained amplitude | A m | is used to obtain the error ε m for each band defined by the above equation (7). Next, the sum Σε of all the bands of such error ε m for each band
Find m . Further, such an error sum value Σε m of all bands is obtained for some slightly different pitches, and a pitch that minimizes the error sum value Σε m is obtained.
【００３１】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Σεm 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（８）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（７）式のエラーεm を求め、そ
の全バンドの総和値Σεm を求めることができる。この
エラー総和値Σεm 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｜Ａm ｜
が決定される。That is, several types are prepared up and down, for example, in steps of 0.25 around the rough pitch obtained by the pitch extraction unit 103. The error sum value Σε m is obtained for each of these plural kinds of slightly different pitches. In this case, when the pitch is determined, the bandwidth is determined, and from the above formula (8), the power spectrum | S (j) |
(j) | can be used to find the error ε m in the above equation (7), and the total sum Σε m of all bands can be found. This error sum value Σε m is obtained for each pitch, and the pitch corresponding to the minimum error sum value is determined as the optimum pitch. As described above, the high-precision pitch search unit 106 obtains the optimum fine (eg, 0.25 step) pitch, and the amplitude | A m | corresponding to this optimum pitch.
Is determined.
【００３２】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。In the above description of the fine pitch search, in order to simplify the description, all bands are voiced (Vo
Assuming the case of iced), as described above, MBE
In the vocoder, unvoiced sound (Un
Since a model in which a voiced) area exists is used, it is necessary to distinguish voiced sound / unvoiced sound for each band.
【００３３】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｜Ａm ｜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、The optimum pitch and amplitude | A m | data from the high precision pitch search unit 106 is sent to the voiced sound / unvoiced sound determination unit 107, and the voiced sound / unvoiced sound is discriminated for each band. NSR (noise to signal ratio) is used for this determination. That is, the NSR of the m-th band is
【００３４】[0034]
【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
｜Ａm ｜｜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。[Equation 3] When this NSR value is larger than a predetermined threshold value (for example, 0.3) (error is large), | S (j) | is approximated by | A m || E (j) | in that band. Is not good (the above excitation signal | E (j) | is unsuitable as a basis)
Therefore, the band is determined to be UV (Unvoiced, unvoiced sound). In other cases, it can be determined that the approximation is performed to some extent, and the band is determined to be V (Voiced, voiced sound).
【００３５】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｜Ａm
｜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｜Ａm ｜UVは、Next, the amplitude re-evaluation section 108 has the amplitude | A m evaluated as the data on the frequency axis from the orthogonal transformation section 105 and the fine pitch evaluated from the high precision pitch search section 106.
| And each voiced sound / unvoiced sound discrimination unit 107
V / UV (voiced sound / unvoiced sound) discrimination data from The amplitude re-evaluation unit 108 re-calculates the amplitude of the band determined to be unvoiced sound (UV) by the voiced sound / unvoiced sound determination unit 107. The amplitude | A m | UV for this UV band is
【００３６】[0036]
【数４】 にて求められる。[Equation 4] Required at.
【００３７】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｜Ａm ｜UVも含む）データの個
数ｍMX＋１も８〜６３と変化することになう。このため
データ数変換部１０９では、この可変個数ｍMX＋１の振
幅データを一定個数１Ｎc （例えば４４個）のデータに
変換している。The data from the amplitude re-evaluation unit 108 is
Data number conversion (a kind of sampling rate conversion) unit 10
Sent to 9. This data number conversion unit 109 is for making the number constant, considering that the number of divided bands on the frequency axis differs according to the pitch and the number of data (especially the number of amplitude data) differs. is there. That is, for example, if the effective band is up to 3400 Hz, the effective band is divided into 8 bands to 63 bands according to the pitch, and the amplitude | A obtained for each of these bands | A
The number of m m (including UV band amplitude | A m | UV ) data m MX +1 also changes from 8 to 63. Therefore, the data number conversion unit 109 converts the variable number m MX +1 of amplitude data into a fixed number 1 N c (for example, 44) of data.
【００３８】ここで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ＮF 個に拡大した
後、帯域制限型のＫOS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ＫOS倍の個数の振幅データを
求め、このＫOS倍の個数((ｍMX＋１) ×ＫOS個）の振幅
データを直線補間してさらに多くのＮM 個（例えば２０
４８個）に拡張し、このＮM 個のデータを間引いて上記
一定個数ＮC （例えば４４個）のデータに変換する。Here, dummy data for interpolating values from the last data in the block to the first data in the block is added to the amplitude data for one block of the effective band on the frequency axis, and the number of data is added. After being expanded to N F , the band-limited type K OS times (for example, 8 times) oversampling is performed to obtain K OS times the number of amplitude data, and this K OS times the number ((m MX +1 ) × K OS pieces of amplitude data are linearly interpolated to obtain a larger number of N M pieces (for example, 20 pieces).
Forty-eight (48) data items are thinned out, and the N M data items are thinned out to be converted into the above-mentioned fixed number N C (for example, 44 data items).
【００３９】このデータ数変換部１０９からのデータ
（上記一定個数ＮC 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。The data from the data number conversion unit 109 (a fixed number N C of the amplitude data) is sent to the vector quantization unit 110, and a predetermined number of data is put together into a vector, and vector quantization is performed. Is given. The quantized output data from the vector quantizer 110 is output to the output terminal 1
It is taken out via 11. The high-precision (fine) pitch data from the high-precision pitch search unit 106 is coded by the pitch coding unit 115, and the output terminal 11
It is taken out via 2. Further, the voiced sound / unvoiced sound (V / UV) discrimination data from the voiced sound / unvoiced sound discrimination unit 107 is taken out through the output terminal 113.
【００４０】そして、出力端子１１１、１１２及び１１
３から取り出されたベクトル量子化された振幅データ、
符号化されたピッチデータ及び有声音（Ｖ）／（無声
音）ＵＶ判別データが図１に示した合成側の入力端子１
１、１２及び１３に供給される。The output terminals 111, 112 and 11
Vector quantized amplitude data extracted from 3,
The encoded pitch data and voiced sound (V) / (unvoiced sound) UV discrimination data shown in FIG.
1, 12 and 13 are supplied.
【００４１】次に、図１に示した有声音合成部１６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Ｖm (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(θ(n)) ０≦ｎ＜Ｌ ・・・（11） 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（ΣＶm (n) ）し
て最終的な有声音Ｖ(n) を合成する。Next, the synthesis processing in the voiced sound synthesis unit 16 shown in FIG. 1 will be described in detail. The one combined frame (L sample, for example, 160) on the time axis in the m-th band (band of the m-th harmonic) determined to be V (voiced sound).
Samples) content of voiced and V m (when the n), using a time index (sample number) n in the synthetic frame, V m (n) = A m (n) cos (θ (n)) It can be expressed as 0 ≦ n <L (11). The final voiced sound V (n) is synthesized by adding (ΣV m (n)) the voiced sounds of all the bands which are determined to be V (voiced sound) of all the bands.
【００４２】この（11）式中のＡm (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Ａ0m、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ＡLmとするとき、 Ａm (n) ＝ (L-n)Ａ0m／Ｌ＋ｎＡLm／Ｌ ・・・（12） の式によりＡm (n) を計算すればよい。A m (n) in the equation (11) is the amplitude of the m-th harmonic wave interpolated from the front end to the end of the composite frame. The simplest way is to linearly interpolate the value of the m-th harmonic of the amplitude data updated in frame units.
That is, the m-th frame at the tip (n = 0) of the composite frame
The amplitude value of the harmonic is A 0m , the end of the composite frame (n =
L: the amplitude value of the m-th harmonic at the next synthetic frame) is A Lm, and the following equation is obtained: A m (n) = (Ln) A 0m / L + nA Lm / L (12) It suffices to calculate A m (n).
【００４３】このように、上記有声音合成部１６は、上
記データ数変換部１５からのデータ数変換データ、ピッ
チ復号化部１８からのピッチ復号データ、入力端子１３
からのＶ／ＵＶ判別情報及び上記位相予測＆修正部２０
からの修正を施された予測位相を元に有声音を合成す
る。As described above, the voiced sound synthesizing section 16 converts the data number from the data number converting section 15, the pitch decoded data from the pitch decoding section 18, and the input terminal 13.
V / UV discrimination information from the above and the phase prediction & correction unit 20
The voiced sound is synthesized on the basis of the predicted phase corrected by.
【００４４】ここで、図８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
６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１７で合成されるわけである。Here, A of FIG. 8 shows an example of the spectrum of the voice signal, and the bands with the band numbers (harmonics number) m of 8, 9, 10 are UV (unvoiced sound), and the other bands. Is V (voiced sound). This V
The time axis signal of the (voiced sound) band is the voiced sound synthesis unit 1 described above.
6, the time axis signals of the UV (unvoiced sound) band are synthesized by the unvoiced sound synthesis unit 17.
【００４５】以下、無声音合成部１７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３１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３２によりＳＴ
ＦＴ（ショートタームフーリエ変換）処理を施すことに
より、図８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３２
からのパワースペクトルをバンド振幅処理部３３に送
り、図８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
｜Ａm ｜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３３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３３からの出力は、ＩＳ
ＴＦＴ処理部３４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３４からの出力
は、オーバーラップ加算部３５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
３５からの出力信号が上記加算部２１に送られる。The unvoiced sound synthesizing process in the unvoiced sound synthesizing section 17 will be described below. The white noise signal waveform on the time axis from the white noise generation unit 31 is windowed by a suitable window function (for example, Hamming window) with a predetermined length (for example, 256 samples), and the STFT processing unit 32 performs ST processing.
By performing FT (Short Term Fourier Transform) processing, a power spectrum on the frequency axis of white noise as shown in B of FIG. 8 is obtained. This STFT processing unit 32
Is transmitted to the band amplitude processing unit 33, and as shown in FIG. 8C, the amplitude | A m | UV is calculated for the band (for example, m = 8, 9, 10) which is the UV (unvoiced sound). Multiplication is performed to set the amplitude of other V (voiced sound) band to 0. The band amplitude processing unit 33 is supplied with the amplitude data, the pitch data, and the V / UV discrimination data. The output from the band amplitude processing unit 33 is IS
The phase is sent to the TFT processing unit 34, and the phase is converted into a signal on the time axis by performing inverse STFT processing using the phase of the original white noise. The output from the ISTFT processing unit 34 is sent to the overlap adding unit 35, and the overlap and addition are repeated while appropriate weighting (so that the original continuous noise waveform can be restored) on the time axis,
Synthesize continuous time axis waveforms. The output signal from the overlap adder 35 is sent to the adder 21.
【００４６】このように、各合成部１６、１７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２１により適当な固定の混合比で加算
して、出力端子２２より再生された音声信号を取り出
す。As described above, the signals of the voiced sound portion and the unvoiced sound portion which are synthesized in the respective synthesis units 16 and 17 and returned on the time axis are added by the addition unit 21 at an appropriate fixed mixing ratio, The reproduced audio signal is taken out from the output terminal 22.
【００４７】したがって、本発明に係る有声音合成方法
の実施例は、例えば、ピッチの長い男声とピッチの短い
女声の予測位相への修正値をピッチに応じて変化させる
ことにより、不必要にノイズ感を増すことなくより自然
な生成音を得られる。Therefore, in the embodiment of the voiced sound synthesis method according to the present invention, noise is unnecessarily changed by changing the correction value for the predicted phase of the male voice having a long pitch and the female voice having a short pitch according to the pitch. A more natural generated sound can be obtained without increasing the feeling.
【００４８】なお、上記図３の音声分析側（エンコード
側）の構成や図１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。Regarding the configuration on the speech analysis side (encoding side) in FIG. 3 and the configuration on the speech synthesis side (decoding side) in FIG. 1, although each unit is described in hardware, a so-called DSP (digital) is used. It is also possible to realize it by a software program using a signal processor or the like.
【００４９】また、本発明に係る有声音合成方法は、位
相予測の際の初期位相を０としてコサイン波を加算する
ようにしていたが、初期位相をπ／２にすると例えばＤ
ＳＰ（ディジタルシグナルプロセッサ）で演算を行う場
合、ダイナミックレンジが減少するという点で有利であ
る。初期位相を０にするかπ／２にするかの違いは、合
成された波形が偶関数になるか奇関数になるかの違いで
ある。すなわち、合成はコサイン波で行われるので初期
位相０のときは、合成波形もコサイン波であり、偶関数
となり、初期位相π／２のときは、コサイン波をπ／２
だけずらすことになり、合成波形は、サイン波となり、
奇関数になる。ここで、サイン波を合成することによっ
て得られる合成波形のピーク値は、偶関数を用いたとき
の合成波形のピーク値よりも小さくなる。演算のスケー
リングは、ピーク値で決まるので、例えばＤＳＰ（ディ
ジタルシグナルプロセッサ）で演算を行う場合、ダイナ
ミックレンジが減少するという点で初期位相をπ／２と
すると有利である。In the voiced sound synthesis method according to the present invention, the initial phase at the time of phase prediction is set to 0 and the cosine wave is added. However, when the initial phase is set to π / 2, for example, D
When the calculation is performed by an SP (digital signal processor), it is advantageous in that the dynamic range is reduced. The difference between setting the initial phase to 0 and π / 2 is whether the combined waveform becomes an even function or an odd function. That is, since the synthesis is performed with the cosine wave, when the initial phase is 0, the synthesized waveform is also a cosine wave and becomes an even function, and when the initial phase is π / 2, the cosine wave is π / 2.
It will be shifted only, the composite waveform becomes a sine wave,
It becomes an odd function. Here, the peak value of the combined waveform obtained by combining the sine waves is smaller than the peak value of the combined waveform when the even function is used. Since the scaling of the operation is determined by the peak value, it is advantageous to set the initial phase to π / 2 in that the dynamic range is reduced when the operation is performed by a DSP (digital signal processor), for example.
【００５０】[0050]
【発明の効果】本発明に係る有声音合成方法は、各フレ
ーム毎にフレーム終端部における上記基本波及び高調波
の位相を予測すると共に各フレーム毎の上記予測された
フレーム終端部の位相又は上記基本波及び高調波の少な
くとも１つの周波数を上記ピッチに応じて修正すること
により、不必要なノイズを発生することなく自然な再生
音を得ることができる。The voiced sound synthesis method according to the present invention predicts the phases of the fundamental wave and the harmonics at the frame end portion for each frame, and the predicted phase of the frame end portion for each frame or By correcting at least one frequency of the fundamental wave and the harmonic wave according to the pitch, a natural reproduced sound can be obtained without generating unnecessary noise.
【図面の簡単な説明】[Brief description of drawings]
【図１】本発明に係る有声音合成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。FIG. 1 is a functional block diagram showing a schematic configuration on a synthesis side (decoding side) of a speech signal synthesis analysis coding apparatus as a specific example of an apparatus to which a voiced sound synthesis method according to the present invention is applied.
【図２】ピッチ周期の長短による再生音の違いを説明す
るための波形図である。FIG. 2 is a waveform diagram for explaining a difference in reproduced sound depending on the length of a pitch cycle.
【図３】本発明に係る有声音合成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。FIG. 3 is a functional block diagram showing a schematic configuration of an analysis side (encoding side) of a speech signal synthesis analysis coding apparatus as a specific example of an apparatus to which a voiced sound synthesis method according to the present invention is applied.
【図４】窓かけ処理を説明するための図である。FIG. 4 is a diagram for explaining a windowing process.
【図５】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。FIG. 5 is a diagram for explaining a relationship between windowing processing and a window function.
【図６】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。FIG. 6 is a diagram showing time axis data as an object of orthogonal transform (FFT) processing.
【図７】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。FIG. 7 is a diagram showing spectrum data on a frequency axis, a spectrum envelope (envelope), and a power spectrum of an excitation signal.
【図８】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。FIG. 8 is a diagram for explaining unvoiced sound synthesis when synthesizing a voice signal.
１４・・・・・逆ベクトル量子化部 １５・・・・・データ数逆変換部 １６・・・・・有声音合成部 １７・・・・・無声音合成部 １８・・・・・ピッチ復号化部 １９・・・・・スケールファクター調整部 ２０・・・・・位相予測＆修正部 ２１・・・・・加算部 14: Inverse vector quantization unit 15: Data number inverse conversion unit 16: Voiced sound synthesis unit 17: Unvoiced sound synthesis unit 18: Pitch decoding 19: Scale factor adjuster 20: Phase prediction & correction 21: Adder
【手続補正書】[Procedure amendment]
【提出日】平成５年５月１７日[Submission date] May 17, 1993
【手続補正１】[Procedure Amendment 1]
【補正対象書類名】明細書[Document name to be amended] Statement
【補正対象項目名】全文[Name of item to be corrected] Full text
【補正方法】変更[Correction method] Change
【補正内容】[Correction content]
【書類名】 明細書[Document name] Statement
【発明の名称】 有声音合成方法Title: Voiced sound synthesis method
【特許請求の範囲】[Claims]
【発明の詳細な説明】Detailed Description of the Invention
【０００１】[0001]
【産業上の利用分野】本発明は、初期位相が固定された
信号を用いて有声音を合成する有声音合成方法に関す
る。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a voiced sound synthesizing method for synthesizing a voiced sound using a signal whose initial phase is fixed.
【０００２】[0002]
【従来の技術】音声信号の時間領域や周波数領域におけ
る統計的性質と人間の聴感上の特性を利用して信号圧縮
を行うような符号化方法が種々知られている。この符号
化方法としては、大別して時間領域での符号化、周波数
領域での符号化、分析合成符号化等が挙げられる。2. Description of the Related Art Various coding methods are known in which signal compression is performed by utilizing the statistical properties of a voice signal in the time domain and frequency domain and the human auditory characteristics. This coding method is roughly classified into a time domain coding, a frequency domain coding, an analysis-synthesis coding, and the like.
【０００３】音声信号等の高能率符号化の例として、Ｍ
ＢＥ（Multiband Excitation: マルチバンド励起）符号
化、ＳＢＥ（Singleband Excitation:シングルバンド励
起）符号化、ハーモニクス（Harmonic) 符号化、ＳＢＣ
（Sub-band Coding:帯域分割符号化) 、ＬＰＣ(Linear
Predictive Coding:線形予測符号化）、あるいはＤＣＴ
（離散コサイン変換）、ＭＤＣＴ（モデファイドＤＣ
Ｔ）、ＦＦＴ（高速フーリエ変換）等がある。As an example of high-efficiency coding of a voice signal or the like, M
BE (Multiband Excitation) coding, SBE (Singleband Excitation) coding, Harmonics (Harmonic) coding, SBC
(Sub-band Coding), LPC (Linear
Predictive Coding) or DCT
(Discrete cosine transform), MDCT (Modified DC)
T), FFT (Fast Fourier Transform), and the like.
【０００４】上記ＭＢＥ符号化等においては、１ブロッ
ク（フレーム）内の音声に対して帯域（バンド）を複数
に分割し、各バンド毎に有声音／無声音の判断を行って
おり、音質の向上が認められる。In the above MBE coding and the like, the voice within one block (frame) is divided into a plurality of bands, and a voiced / unvoiced sound is judged for each band, thereby improving the sound quality. Is recognized.
【０００５】[0005]
【発明が解決しようとする課題】ところで、上記ＭＢＥ
符号化等においては、音声スペクトルの振幅の位相情報
を別途伝送するか又は伝送情報量を減らすため伝送せず
に合成側（復号化側）でピッチ及び過去の位相から位相
情報を予測している。この合成側での位相情報の予測
（以下、位相予測という）には、フレームの初期位相を
０或いはπ／２に固定し、分析側から伝送されてきたピ
ッチに応じてコサイン波を合成する固定位相加算が行わ
れてきた。しかし、この固定位相加算による合成では、
男声等のピッチの低い音声での強い母音で不自然な合成
音となっていた。そこで、符号化側での有声音／無声音
判別で判明した無声音帯域の含有率に応じて、合成側で
は位相に分散の大きな乱数を加算して自然感を出すよう
にしている。しかし、ピッチが低くない女声の位相に分
散の大きな乱数を加算すると、雑音のような感じにな
り、明瞭度が失われてしまうという欠点がある。By the way, the above MBE
In encoding, the phase information of the amplitude of the voice spectrum is separately transmitted, or the phase information is predicted from the pitch and the past phase on the synthesis side (decoding side) without transmission in order to reduce the amount of transmission information. .. For the prediction of the phase information on the synthesis side (hereinafter referred to as phase prediction), the initial phase of the frame is fixed to 0 or π / 2, and the cosine wave is synthesized according to the pitch transmitted from the analysis side. Phase addition has been performed. However, in this synthesis by fixed phase addition,
It was an unnatural synthetic sound due to strong vowels in low pitched voices such as male voice. Therefore, the synthesis side adds random numbers with large variance to the phase according to the content rate of the unvoiced sound band found by the voiced / unvoiced sound discrimination on the encoding side to give a natural feeling. However, when a random number with a large variance is added to the phase of a female voice whose pitch is not low, there is a drawback that it becomes noise-like and loses clarity.
【０００６】本発明は、このような実情に鑑みてなされ
たものであり、不自然感がなく明瞭度が失われることの
ない高品質の合成音を得られるような有声音合成方法の
提供を目的とする。 The present invention has been made in view of such circumstances, and provides a voiced sound synthesizing method capable of obtaining a high-quality synthesized sound with no unnatural feeling and without loss of clarity .
For the purpose of provision.
【０００７】[0007]
【課題を解決するための手段】本発明に係る有声音合成
方法は、入力された音声信号をフレーム単位で区分し、
区分されたフレーム毎にピッチを求め、求められたピッ
チの基本波及びその高調波であって初期位相が固定され
た信号群を用いて有声音を合成する有声音合成方法にお
いて、各フレーム毎にフレーム終端部における上記基本
波及び高調波の位相を予測すると共に各フレーム毎の上
記予測されたフレーム終端部の位相又は上記基本波及び
高調波の少なくとも１つの周波数を上記ピッチに応じて
修正することを特徴として上記課題を解決する。A voiced sound synthesis method according to the present invention divides an input voice signal into frame units,
Obtain the pitch for each divided frame, in the voiced sound synthesis method that synthesizes a voiced sound using the fundamental wave of the obtained pitch and its harmonics and a signal group whose initial phase is fixed, in each frame Predicting the phases of the fundamental wave and the harmonic wave at the frame end portion and correcting the predicted phase of the frame end portion or at least one frequency of the fundamental wave and the harmonic wave for each frame according to the pitch. The above-mentioned problem is solved by the feature.
【０００８】ここで、ピッチに応じた修正の量は、ピッ
チ周波数が低くなる程、言い換えるとピッチ周期が長く
なる程、予測位相に加える修正値を大きくするというこ
とである。Here, the amount of correction according to the pitch is that the lower the pitch frequency is, that is, the longer the pitch period is, the larger the correction value added to the predicted phase is.
【０００９】また、上記基本波及び高調波の少なくとも
１の周波数をピッチに応じて修正するのは、初期フレー
ムのフレーム終端部における位相のみの修正だけでな
く、他フレームにおいても相対的に上記基本波及び高調
波の重ねの位置を調整するために行われる。The correction of at least one frequency of the fundamental wave and the higher harmonic wave according to the pitch is not limited to the correction of only the phase at the frame end portion of the initial frame, and the relative frequency of the fundamental wave is relatively changed in other frames. This is done to adjust the position of the superposition of waves and harmonics.
【００１０】[0010]
【作用】ピッチ周波数が低くなる程、言い換えるとピッ
チ周期が長くなる程、合成側で予測するフレーム終端部
における基本波及び高調波の位相又はそれらの内の少な
くとも１つの周波数の修正の度合いを増すことにより、
不必要なノイズを発生することなく自然な再生音を得ら
れる。As the pitch frequency becomes lower, in other words, the pitch period becomes longer, the degree of modification of the phase of the fundamental wave and the harmonic wave or at least one of those frequencies at the frame end portion predicted on the synthesis side increases. By
A natural reproduced sound can be obtained without generating unnecessary noise.
【００１１】[0011]
【実施例】以下、本発明に係る有声音合成方法を、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
であるＭＢＥ（Multiband Excitation: マルチバンド励
起）ボコーダに適用した具体例について、図面を参照し
ながら説明する。DESCRIPTION OF THE PREFERRED EMBODIMENTS The following is a specific example in which the voiced sound synthesis method according to the present invention is applied to an MBE (Multiband Excitation) vocoder, which is a kind of speech signal synthesis analysis coding apparatus (so-called vocoder). Will be described with reference to.
【００１２】このＭＢＥボコーダは、D. W. Griffin an
d J.S. Lim,"Multiband ExcitationVocoder," IEEE Tra
ns.Acoustics,Speech,and Signal Processing, vol.36,
No.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-CORrela
tion: 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。This MBE vocoder is a DW Griffin an
d JS Lim, "Multiband Excitation Vocoder," IEEE Tra
ns.Acoustics, Speech, and Signal Processing, vol.36,
No. 8, pp.1223-1235, Aug.1988, the conventional PARCOR (PARtial auto-CORrela
tion: Partial autocorrelation) In vocoders etc., voiced sections and unvoiced sections were switched for each block or frame when modeling speech, whereas for MBE vocoder, at the same time (in the same block or frame) Voiced (Voiced) section and unvoiced (Unvoiced) in the frequency domain of
It is modeled on the assumption that the interval and exist.
【００１３】図１は、上記ＭＢＥボコーダの合成側（デ
コード側）に本発明を適用した実施例の概略構成を示す
ブロック図である。FIG. 1 is a block diagram showing the schematic arrangement of an embodiment in which the present invention is applied to the combining side (decoding side) of the MBE vocoder.
【００１４】この図１において、入力端子１１、１２及
び１３には後述するＭＢＥボコーダの分析側（エンコー
ド側）から伝送されてくるベクトル量子化された振幅デ
ータ、符号化されたピッチデータ及び有声音（Ｖ）／
（無声音）ＵＶ判別データが供給される。入力端子１１
からの量子化振幅データは、逆ベクトル量子化部１４に
送られて逆量子化され、データ数逆変換部１５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１６
及び無声音合成部１７に送られる。入力端子１２からの
符号化ピッチデータは、ピッチ復号化部１８で復号化さ
れ、データ数逆変換部１５、有声音合成部１６、無声音
合成部１７、スケールファクタ調整部１９及び位相予測
＆修正部２０に送られる。また入力端子１３からのＶ／
ＵＶ判別データは、有声音合成部１６及び無声音合成部
１７に送られる。In FIG. 1, vector-quantized amplitude data, encoded pitch data and voiced sound transmitted from an analysis side (encoding side) of an MBE vocoder, which will be described later, are applied to input terminals 11, 12 and 13. (V) /
(Unvoiced) UV discrimination data is supplied. Input terminal 11
The quantized amplitude data from is sent to the inverse vector quantization unit 14 for inverse quantization, and is sent to the data number inverse conversion unit 15 for inverse conversion, and the obtained amplitude data is used for the voiced sound synthesis unit 16
And the unvoiced sound synthesizing unit 17. The encoded pitch data from the input terminal 12 is decoded by the pitch decoding unit 18, and the data number inverse conversion unit 15, the voiced sound synthesis unit 16, the unvoiced sound synthesis unit 17, the scale factor adjustment unit 19, and the phase prediction & correction unit. Sent to 20. V / from input terminal 13
The UV discrimination data is sent to the voiced sound synthesis unit 16 and the unvoiced sound synthesis unit 17.
【００１５】有声音合成部１６では例えば余弦(cosine)
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１７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２１で加算合成して、出力端子２２より取り出すよ
うにしている。In the voiced sound synthesizer 16, for example, cosine
The voiced sound waveform on the time axis is synthesized by wave synthesis, and the unvoiced sound synthesis unit 17 filters white noise with a bandpass filter, for example, to synthesize the unvoiced sound waveform on the time axis, and synthesizes each of these voiced sound synthesized waveforms and unvoiced sound. The waveform and the waveform are added and combined by the adder 21 and taken out from the output terminal 22.
【００１６】ここで、上記位相予測＆修正部２０では、
上記ピッチ復号化部１８からの復号化ピッチデータに基
づいて、位相予測を行う。この位相予測＆修正部２０
は、時刻０（フレームの先頭）に於ける第ｍ高調波の位
相（フレーム初期位相）をψ0mとすると、フレームの最
後での位相ψLmを、 ψLm＝mod2π（ψ0m＋ｍ（ω01＋ωL1) Ｌ／２） ・・・（１） と予測する。この（１）式でmod2π（ｘ）とは、ｘの主
値を−π〜＋πの間で返す関数である。例えば、ｘ＝1.
3 πのときmod2π（ｘ）＝−0.7 π、ｘ＝2.3 πのとき
mod2π（ｘ）＝0.3 π、ｘ＝−1.3 πのときmod2π
（ｘ）＝0.7 π、等である。また、Ｌはフレームインタ
ーバル、ω01は、合成フレームの先端（ｎ＝０）での基
本角周波数、ωL1は該合成フレームの終端（ｎ＝Ｌ：次
の合成フレーム先端）での基本角周波数である。また、
上記位相予測＆修正部２０は、上記予測したフレームの
最後での位相ψLmに対し、上記ピッチ復号化部１８から
の復号化ピッチデータを基に上記スケールファクタ調整
部１９が調整したスケールファクタを加算し、修正を施
す。すなわち、時刻０（フレームの先頭）に於ける第ｍ
高調波の位相（フレーム初期位相）φ0mを１フレーム前
のφLm（φ(-1)Lm）とすると、この修正の施された予測
位相φLmは、 φLm＝ψLm＋Ｓc Ｒdp ・・・（２） と示される。ここで、Ｓc はスケール値を示し、Ｒdpは
２πｆ（ｍ、Ｍ）×（ガウシアン乱数）で示される位相
のランダム値である。また、ｆ（ｍ、Ｍ）は周波数に応
じて標準偏差σを変えるための関数である。上記Ｒdpが
±πの範囲を越える時は、±πをクリッピングレベルに
して、Ｒdpをクリップする。Here, in the phase predicting & correcting section 20,
Phase prediction is performed based on the decoded pitch data from the pitch decoding unit 18. This phase prediction & correction unit 20
Is the phase of the m-th harmonic (frame initial phase) at time 0 (the beginning of the frame) is ψ 0m , the phase ψ Lm at the end of the frame is ψ Lm = mod2π (ψ 0m + m (ω 01 + Ω L1 ) L / 2) ・ ・ ・ (1) is predicted. In this equation (1), mod2π (x) is a function that returns the main value of x between −π and + π. For example, x = 1.
When 3π, mod2π (x) = − 0.7π, x = 2.3π
mod2π (x) = 0.3π, x = −1.3π mod2π
(X) = 0.7π, and so on. Further, L is a frame interval, ω 01 is a basic angular frequency at the end of the composite frame (n = 0), and ω L1 is a basic angular frequency at the end of the composite frame (n = L: end of the next composite frame). Is. Also,
The phase prediction / correction unit 20 uses the scale factor adjusted by the scale factor adjustment unit 19 based on the decoded pitch data from the pitch decoding unit 18 with respect to the predicted phase ψ Lm at the end of the frame. Add and correct. That is, the mth time at time 0 (the beginning of the frame)
Assuming that the phase of the harmonics (frame initial phase) φ 0m is φ Lm (φ (-1) Lm ) one frame before, the corrected predicted phase φ Lm is φ Lm = φ Lm + S c R dp ... (2). Here, S c represents a scale value, and R dp is a random value of the phase represented by 2πf (m, M) × (Gaussian random number). Further, f (m, M) is a function for changing the standard deviation σ according to the frequency. When the above R dp exceeds the range of ± π, ± π is set as a clipping level and R dp is clipped.
【００１７】具体的には、上記（２）式のスケール値Ｓ
c をサンプル数で記述されたピッチのインターバル（周
期）であるピッチラグＰr の関数とする。例えば、ピッ
チラグＰr が75より小さいときにはスケール値を0.1 、
ピッチラグＰr が75以上で85より小さいときにはスケー
ル値を0.2 、ピッチラグＰr が85以上で90より小さいと
きにはスケール値を0.3 、ピッチラグＰr が90以上で10
0 より小さいときにはスケール値を0.6 、ピッチラグＰ
r が100 以上のときにはスケール値を0.8 とする。つま
り、ピッチラグＰr が大きいとき程、ランダマイズのス
ケールファクタのスケール値を大きな値とする。Specifically, the scale value S in the above equation (2)
Let c be a function of the pitch lag P r , which is the pitch interval (cycle) described by the number of samples. For example, when the pitch lag P r is less than 75, the scale value is 0.1,
When the pitch lag P r is 75 or more and less than 85, the scale value is 0.2. When the pitch lag P r is 85 or more and less than 90, the scale value is 0.3 and the pitch lag P r is 90 or more and 10
When it is less than 0, the scale value is 0.6 and the pitch lag P is
When r is 100 or more, the scale value is 0.8. That is, the larger the pitch lag P r , the larger the scale value of the randomizing scale factor.
【００１８】ここで、上述したようにピッチラグＰr が
大きいとき程、ランダマイズのスケールファクタのスケ
ール値を大きな値とする理由を述べる。ピッチラグＰr
が大きいというのは、ピッチ周期が長いことであり、ピ
ッチ内で加算されるハーモニクスの数が多いことを意味
する。これに対し、ピッチラグＰr が小さいときという
のは、ピッチ周期が短いことであり、ピッチ内で加算さ
れるハーモニクスの数が少ないことを意味する。つま
り、ピッチ周期の長い時程、長時間分のエネルギーが一
箇所に集中し、図２のＡに示すような波形となる。これ
に対し、ピッチ周期が短い時程、エネルギーは一箇所に
集中することはなく図２のＢに示すような波形となる。
この図２のＡに示すような鋭角的な波形とその繰り返し
は、不自然な再生音を引き起こすので、より大きな位相
をランダムに振ってやる必要がある。これに対し、図２
のＢに示すような波形とその繰り返しは、不自然な再生
音を引き起こさず、大きな位相をランダムに振ってやる
必要がない。したがって、ピッチラグＰr が大きくなる
程、ランダマイズのスケールファクタのスケール値を大
きくし、ピッチラグＰr が小さいときに用いる該スケー
ル値とは異ならせている。Here, the reason why the scale value of the randomizing scale factor is made larger as the pitch lag P r is larger as described above will be described. Pitch lag P r
A large value means that the pitch period is long, and that a large number of harmonics are added within the pitch. On the other hand, when the pitch lag P r is small, it means that the pitch period is short, and the number of harmonics added in the pitch is small. That is, as the pitch period is longer, the energy for a longer time is concentrated in one place, and the waveform becomes as shown in A of FIG. On the other hand, when the pitch period is shorter, the energy is not concentrated in one place and has a waveform as shown in B of FIG.
The acute-angled waveform and its repetition as shown in A of FIG. 2 cause an unnatural reproduced sound, so that it is necessary to randomly shift a larger phase. In contrast, Figure 2
The waveform and the repetition thereof as shown by B do not cause an unnatural reproduced sound, and it is not necessary to randomly shake a large phase. Therefore, the larger the pitch lag P r , the larger the scale value of the randomizing scale factor, which is different from the scale value used when the pitch lag P r is small.
【００１９】上記位相予測＆修正部２０からの修正の施
された予測位相φLmは、上記有声音合成部１６に供給さ
れる。この有声音合成部１６には、上記修正の施された
予測位相φLmの他にも、上述したように、データ数逆変
換部１５からの振幅データ、ピッチ復号化部１８からの
ピッチ復号データ及び入力端子１３からのＶ／ＵＶ判別
データが供給されている。The corrected predicted phase φ Lm from the phase predicting & correcting section 20 is supplied to the voiced sound synthesizing section 16. In addition to the corrected predicted phase φ Lm , the voiced sound synthesis unit 16 also includes, as described above, the amplitude data from the data number inverse conversion unit 15 and the pitch decoded data from the pitch decoding unit 18. Also, V / UV discrimination data is supplied from the input terminal 13.
【００２０】ここで、上記有声音合成部１６における有
声音の合成処理を説明する前に入力端子１１、１２及び
１３にベクトル量子化された振幅データ、符号化された
ピッチデータ及び有声音（Ｖ）／（無声音）ＵＶ判別デ
ータを供給するＭＢＥボコーダの分析側（エンコード
側）について説明する。Before explaining the voiced sound synthesizing process in the voiced sound synthesizing section 16, vector-quantized amplitude data, coded pitch data and voiced sound (V) are input to the input terminals 11, 12 and 13. ) / (Unvoiced sound) The analysis side (encoding side) of the MBE vocoder that supplies UV discrimination data will be described.
【００２１】図３は、上記ＭＢＥボコーダの分析側（エ
ンコード側）の概略構成を示すブロック図である。この
図３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、ＨＰＦ（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４の
Ａに示すようにＬサンプル（例えばＬ＝１６０）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９６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。FIG. 3 is a block diagram showing a schematic structure of the analysis side (encoding side) of the MBE vocoder. In FIG. 3, an audio signal is supplied to an input terminal 101, and this input audio signal is sent to a filter 102 such as an HPF (high-pass filter) to obtain a so-called DC (direct current) offset component. At least the low-frequency component (200 Hz or less) is removed for removal or band limitation (for example, 200 to 3400 Hz). The signal obtained through the filter 102 is sent to the pitch extraction unit 103 and the windowing processing unit 104, respectively. In the pitch extraction unit 103, when the input voice signal data is a predetermined sample number N
The block is divided into units (for example, N = 256) (or cut out by a rectangular window), and pitch extraction is performed on the audio signal in this block. Such a cut block (256 samples) is moved in the time axis direction at a frame interval of L samples (for example, L = 160) as shown in FIG. 4A, and the overlap between blocks is N−. There are L samples (for example, 96 samples). Further, in the windowing processing unit 104, 1
A predetermined window function, for example, a Hamming window is applied to the block N samples, and the windowed block is sequentially moved in the time axis direction at intervals of 1 frame L samples.
【００２２】このような窓かけ処理を数式で表すと、 ｘw (k,q) ＝ｘ(q) ｗ(kL-q) ・・・（３） となる。この（３）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ｘw (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４のＡ
に示すような方形窓の場合の窓関数ｗr (r) は、 ｗr (r) ＝１ ０≦ｒ＜Ｎ ・・・（４） ＝０ ｒ＜０，Ｎ≦ｒ また、窓かけ処理部１０４での図４のＢに示すようなハ
ミング窓の場合の窓関数ｗh (r) は、 ｗh (r) ＝ 0.54 − 0.46 cos(２πr/(N-1)) ０≦ｒ＜Ｎ ・・・（５） ＝０ ｒ＜０，Ｎ≦ｒ である。このような窓関数ｗr (r) あるいはｗh (r) を
用いるときの上記（３）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ｗr (kL-q)＝
１となるのは、図５に示すように、ｋＬ−Ｎ＜ｑ≦ｋＬ
のときとなる。また、上記（３）〜（５）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（４）
式、（５）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ｘwr(k,r) 、ｘwh
(k,r) と表すことにする。When this windowing process is expressed by a mathematical expression, x w (k, q) = x (q) w (kL-q) (3) In this equation (3), k is a block number,
q represents the time index (sample number) of the data, and the q-th data x (q) of the unprocessed input signal is windowed by the window function (w (kL-q)) of the kth block. It is shown that the data x w (k, q) can be obtained by doing so. FIG. 4A in the pitch extraction unit 103
The window function w r (r) in the case of the rectangular window is as follows: w r (r) = 1 0 ≦ r <N (4) = 0 r <0, N ≦ r window function w h (r) in the case of Hamming window as shown in B of FIG. 4 is a section 104, w h (r) = 0.54 - 0.46 cos (2πr / (N-1)) 0 ≦ r <N (5) = 0 r <0, N ≦ r. Such a window function w r (r) or (3) when using the w h (r) formula of the window function w (r) (= w (KL-
q)), the zero-zero interval is 0 ≦ kL−q <N, which is transformed into kL−N <q ≦ kL. Therefore, for example, in the case of the above rectangular window, the window function w r (kL−q) =
As shown in FIG. 5, 1 becomes kL-N <q ≦ kL.
It will be when. In addition, the above equations (3) to (5) have a length N
The window of (= 256) samples is shown to advance by L (= 160) samples. Below, above (4)
Each N point (0 ≦ r cut out by each window function of equations (5))
The non-zero sample sequence of <N) is represented by x wr (k, r) and x wh
Let us denote it as (k, r).
【００２３】窓かけ処理部１０４では、図６に示すよう
に、上記（５）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ｘwh(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。In the windowing processing unit 104, as shown in FIG. 6, 179 is applied to the sample sequence x wh (k, r) of 256 blocks in one block on which the Hamming window of the above equation (5) is applied.
Two samples of 0 data are added (so-called zero padding) to make 2048 samples, and the orthogonal transformation unit 105 performs orthogonal transformation such as FFT (Fast Fourier Transform) on the time-axis data sequence of 2048 samples. Processing is performed.
【００２４】ピッチ抽出部１０３では、上記ｘwr(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、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、本実施例では、
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、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。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１０
６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。In the pitch extraction unit 103, the above x wr (k, r)
Pitch extraction is performed based on the sample sequence (1 block N samples). The pitch extraction method is known to include periodicity of time waveform, periodic frequency structure of spectrum, and autocorrelation function.
The center correlation waveform autocorrelation method is used. Regarding the center clip level in the block at this time, one clip level may be set for one block, but the peak level of the signal of each part (each sub-block) obtained by subdividing the block is detected and When there is a large difference in the peak level of each sub-block, the clip level is changed stepwise or continuously within the block. The pitch period is determined based on the peak position of the autocorrelation data of this center clip waveform. At this time, a plurality of peaks are obtained from the autocorrelation data belonging to the current frame (the autocorrelation is obtained for the data of N samples of one block), and the maximum peak among the plurality of peaks is equal to or larger than a predetermined threshold. In the case of, the maximum peak position is set as the pitch period, and in other cases, the pitch is within a pitch range that satisfies a predetermined relationship with the pitch other than the current frame, for example, the pitch of the previous frame and the pitch of the previous frame. As a result, a peak in the range of ± 20% is obtained, and the pitch of the current frame is determined based on this peak position. In this pitch extraction unit 103, a relatively rough pitch search is performed by an open loop, and the extracted pitch data has a high precision (fine) pitch search unit 10.
Then, the high precision pitch search (pitch fine search) is performed by the closed loop.
【００２５】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。High precision (fine) pitch search section 106
Includes rough pitch data of integer (integer) values extracted by the pitch extraction unit 103 and the orthogonal transformation unit 10.
5, the data on the frequency axis subjected to FFT, for example, is supplied. In this high precision pitch search unit 106,
Centering on the above coarse pitch data value, it is ± 0.2 in increments of ±
Shake several samples at a time to drive to the optimum fine pitch data value with a decimal point (floating). As a fine search method at this time, a so-called analysis by synthesis method is used, and the pitch is selected so that the synthesized power spectrum is closest to the power spectrum of the original sound.
【００２６】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 ・・・（６） と表現するようなモデルを想定している。ここで、Ｊは
ωs ／４π＝ｆs ／２に対応し、サンプリング周波数ｆ
s ＝ωs ／２πが例えば８ｋHzのときには４ｋHzに対応
する。上記（６）式中において、周波数軸上のスペクト
ルデータＳ(j) が図７のＡに示すような波形のとき、Ｈ
(j) は、図７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７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。The fine search of the pitch will be described. First, in the MBE vocoder, the FF
S (j) as spectrum data on the frequency axis orthogonally transformed by T etc. is expressed as S (j) = H (j) | E (j) | 0 <j <J (6) It is assumed that the model. Where J is
corresponding to ω s / 4π = f s / 2, and the sampling frequency f
When s = ω s / 2π is 8 kHz, for example, it corresponds to 4 kHz. In the above formula (6), when the spectrum data S (j) on the frequency axis has a waveform as shown in FIG.
(j) is the original spectrum data S as shown in B of FIG.
The spectral envelope of (j) is shown as E
(j) shows the spectrum of the excitation signal (excitation) which is cyclic at the same level as shown in C of FIG. That is, the FFT spectrum S (j) is the spectrum envelope H (j) and the power spectrum | E of the excitation signal.
(j) | is modeled as the product.
【００２７】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６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。Power spectrum of the excitation signal | E (j)
Is a spectral waveform corresponding to the waveform of one band (band) for each band on the frequency axis in consideration of the periodicity (pitch structure) of the waveform on the frequency axis determined according to the pitch. It is formed by arranging it repeatedly. The waveform for one band is obtained by performing FFT by regarding the waveform obtained by adding (filling with 0) 1792 samples of 0 data to the Hamming window function of 256 samples as shown in FIG. 6 as a time axis signal. It can be formed by cutting out an impulse waveform having a certain bandwidth on the frequency axis according to the pitch.
【００２８】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）｜Ａm
｜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ａm 、ｂm とすると
き、この第ｍバンドのエラーεm は、Next, for each band divided according to the above pitch, a value (a kind of amplitude) | A that represents the above H (j) (minimizes the error for each band) | A m
Ask for |. Here, for example, when the lower and upper points of the m-th band (band of the m-th harmonic) are a m and b m , respectively, the error ε m of the m-th band is
【００２９】[0029]
【数１】 [Equation 1]
【００３０】で表せる。このエラーεm を最小化するよ
うな｜Ａm ｜は、It can be represented by | A m | that minimizes this error ε m is
【００３１】[0031]
【数２】 [Equation 2]
【００３２】となり、この（８）式の｜Ａm ｜のとき、
エラーεm を最小化する。このような振幅｜Ａm ｜を各
バンド毎に求め、得られた各振幅｜Ａm ｜を用いて上記
（７）式で定義された各バンド毎のエラーεm を求め
る。次に、このような各バンド毎のエラーεm の全バン
ドの総和値Σεm を求める。さらに、このような全バン
ドのエラー総和値Σεm 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Σεm が最小となるよ
うなピッチを求める。Thus, when | A m | in this equation (8),
Minimize the error ε m . Such an amplitude | A m | is obtained for each band, and the obtained amplitude | A m | is used to obtain the error ε m for each band defined by the above equation (7). Next, the sum total value Σε m of all the bands of such error ε m for each band is obtained. Further, such an error sum value Σε m of all bands is obtained for some slightly different pitches, and a pitch that minimizes the error sum value Σε m is obtained.
【００３３】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Σεm 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（８）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（７）式のエラーεm を求め、そ
の全バンドの総和値Σεm を求めることができる。この
エラー総和値Σεm 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｜Ａm ｜
が決定される。That is, several kinds of vertical pitches are prepared, for example, in 0.25 steps with the rough pitch obtained by the pitch extraction section 103 as the center. The error sum value Σε m is obtained for each of these plural kinds of slightly different pitches. In this case, when the pitch is determined, the bandwidth is determined, and from the above formula (8), the power spectrum | S (j) |
(j) | can be used to find the error ε m in the above equation (7), and the total sum Σε m of all bands can be found. This error sum value Σε m is obtained for each pitch, and the pitch corresponding to the minimum error sum value is determined as the optimum pitch. As described above, the high-precision pitch search unit 106 obtains the optimum fine (eg, 0.25 step) pitch, and the amplitude | A m | corresponding to this optimum pitch.
Is determined.
【００３４】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。In the above description of the fine pitch search, in order to simplify the description, all bands are voiced (Vo
Assuming the case of iced), as described above, MBE
In the vocoder, unvoiced sound (Un
Since a model in which a voiced) area exists is used, it is necessary to distinguish voiced sound / unvoiced sound for each band.
【００３５】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｜Ａm ｜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、The optimum pitch and amplitude | A m | data from the high precision pitch search unit 106 is sent to the voiced sound / unvoiced sound determination unit 107, and the voiced sound / unvoiced sound is discriminated for each band. NSR (noise to signal ratio) is used for this determination. That is, the NSR of the m-th band is
【００３６】[0036]
【数３】 [Equation 3]
【００３７】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｜Ａm ｜｜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。If this NSR value is larger than a predetermined threshold value (eg, 0.3) (the error is large), | A m || E (j) | in the band | S (j) It can be judged that the approximation of | is not good (the above excitation signal | E (j) | is unsuitable as a basis), and the band is UV (Unvoice).
d, unvoiced sound). In other cases, it can be judged that the approximation has been performed to some extent, and the band is set to V
(Voiced, voiced sound).
【００３８】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｜Ａm
｜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｜Ａm ｜UVは、Next, the amplitude re-evaluation unit 108 has frequency-axis data from the orthogonal transformation unit 105 and the amplitude | A m evaluated as the fine pitch from the high precision pitch search unit 106.
| And each voiced sound / unvoiced sound discrimination unit 107
V / UV (voiced sound / unvoiced sound) discrimination data from The amplitude re-evaluation unit 108 re-calculates the amplitude of the band determined to be unvoiced sound (UV) by the voiced sound / unvoiced sound determination unit 107. The amplitude | A m | UV for this UV band is
【００３９】[0039]
【数４】 [Equation 4]
【００４０】にて求められる。It is calculated by
【００４１】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｜Ａm ｜UVも含む）データの個
数ｍMX＋１も８〜６３と変化することになう。このため
データ数変換部１０９では、この可変個数ｍMX＋１の振
幅データを一定個数Ｎc （例えば４４個）のデータに変
換している。The data from the amplitude re-evaluation unit 108 is
Data number conversion (a kind of sampling rate conversion) unit 10
Sent to 9. This data number conversion unit 109 is for making the number constant, considering that the number of divided bands on the frequency axis differs according to the pitch and the number of data (especially the number of amplitude data) differs. is there. That is, for example, if the effective band is up to 3400 Hz, the effective band is divided into 8 bands to 63 bands according to the pitch, and the amplitude | A obtained for each of these bands | A
The number of m m (including UV band amplitude | A m | UV ) data m MX +1 also changes from 8 to 63. Therefore, the data number conversion unit 109 converts the variable number m MX +1 of amplitude data into a fixed number N c (for example, 44) of data.
【００４２】ここで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ＮF 個に拡大した
後、帯域制限型のＫOS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ＫOS倍の個数の振幅データを
求め、このＫOS倍の個数((ｍMX＋１) ×ＫOS個）の振幅
データを直線補間してさらに多くのＮM 個（例えば２０
４８個）に拡張し、このＮM 個のデータを間引いて上記
一定個数ＮC （例えば４４個）のデータに変換する。Here, dummy data for interpolating values from the last data in the block to the first data in the block is added to the amplitude data of one block of the effective band on the frequency axis, and the number of data is added. After being expanded to N F , the band-limited type K OS times (for example, 8 times) oversampling is performed to obtain K OS times the number of amplitude data, and this K OS times the number ((m MX +1 ) × K OS pieces of amplitude data are linearly interpolated to obtain a larger number of N M pieces (for example, 20 pieces).
Forty-eight (48) data items are thinned out, and the N M data items are thinned out to be converted into the above-mentioned fixed number N C (for example, 44 data items).
【００４３】このデータ数変換部１０９からのデータ
（上記一定個数ＮC 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。The data from the data number conversion unit 109 (the above-mentioned fixed number N C of amplitude data) is sent to the vector quantization unit 110, and a predetermined number of data are collected into a vector, and vector quantization is performed. Is given. The quantized output data from the vector quantizer 110 is output to the output terminal 1
It is taken out via 11. The high-precision (fine) pitch data from the high-precision pitch search unit 106 is coded by the pitch coding unit 115, and the output terminal 11
It is taken out via 2. Further, the voiced sound / unvoiced sound (V / UV) discrimination data from the voiced sound / unvoiced sound discrimination unit 107 is taken out through the output terminal 113.
【００４４】そして、出力端子１１１、１１２及び１１
３から取り出されたベクトル量子化された振幅データ、
符号化されたピッチデータ及び有声音（Ｖ）／（無声
音）ＵＶ判別データが図１に示した合成側の入力端子１
１、１２及び１３に供給される。The output terminals 111, 112 and 11
Vector quantized amplitude data extracted from 3,
The encoded pitch data and voiced sound (V) / (unvoiced sound) UV discrimination data shown in FIG.
1, 12 and 13 are supplied.
【００４５】次に、図１に示した有声音合成部１６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Ｖm (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(θ(n)) ０≦ｎ＜Ｌ ・・・（11） 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（ΣＶm (n) ）し
て最終的な有声音Ｖ(n) を合成する。Next, the synthesis processing in the voiced sound synthesis section 16 shown in FIG. 1 will be described in detail. The one combined frame (L sample, for example, 160) on the time axis in the m-th band (band of the m-th harmonic) determined to be V (voiced sound).
Samples) content of voiced and V m (when the n), using a time index (sample number) n in the synthetic frame, V m (n) = A m (n) cos (θ (n)) It can be expressed as 0 ≦ n <L (11). The final voiced sound V (n) is synthesized by adding (ΣV m (n)) the voiced sounds of all the bands which are determined to be V (voiced sound) of all the bands.
【００４６】この（11）式中のＡm (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Ａ0m、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ＡLmとするとき、 Ａm (n) ＝ (L-n)Ａ0m／Ｌ＋ｎＡLm／Ｌ ・・・（12） の式によりＡm (n) を計算すればよい。A m (n) in the equation (11) is the amplitude of the m-th harmonic interpolated from the leading end to the trailing end of the composite frame. The simplest way is to linearly interpolate the value of the m-th harmonic of the amplitude data updated in frame units.
That is, the m-th frame at the tip (n = 0) of the composite frame
The amplitude value of the harmonic is A 0m , the end of the composite frame (n =
L: the amplitude value of the m-th harmonic at the end of the next composite frame) is A Lm , A m (n) = (Ln) A 0 m / L + nA Lm / L ... (12) It is sufficient to calculate A m (n).
【００４７】このように、上記有声音合成部１６は、上
記データ数変換部１５からのデータ数変換データ、ピッ
チ復号化部１８からのピッチ復号データ、入力端子１３
からのＶ／ＵＶ判別情報及び上記位相予測＆修正部２０
からの修正を施された予測位相を元に有声音を合成す
る。As described above, the voiced sound synthesizing section 16 converts the data number from the data number converting section 15, the pitch decoded data from the pitch decoding section 18, and the input terminal 13.
V / UV discrimination information from the above and the phase prediction & correction unit 20
The voiced sound is synthesized on the basis of the predicted phase corrected by.
【００４８】ここで、図８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
６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１７で合成されるわけである。Here, A of FIG. 8 shows an example of the spectrum of the audio signal, and the bands of the band numbers (harmonics number) m of 8, 9 and 10 are UV (unvoiced sound) and the other bands. Is V (voiced sound). This V
The time axis signal of the (voiced sound) band is the voiced sound synthesis unit 1 described above.
6, the time axis signals of the UV (unvoiced sound) band are synthesized by the unvoiced sound synthesis unit 17.
【００４９】以下、無声音合成部１７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３１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３２によりＳＴ
ＦＴ（ショートタームフーリエ変換）処理を施すことに
より、図８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３２
からのパワースペクトルをバンド振幅処理部３３に送
り、図８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
｜Ａm ｜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３３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３３からの出力は、ＩＳ
ＴＦＴ処理部３４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３４からの出力
は、オーバーラップ加算部３５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
３５からの出力信号が上記加算部２１に送られる。The unvoiced sound synthesizing process in the unvoiced sound synthesizing section 17 will be described below. The white noise signal waveform on the time axis from the white noise generation unit 31 is windowed by a suitable window function (for example, Hamming window) with a predetermined length (for example, 256 samples), and the STFT processing unit 32 performs ST processing.
By performing FT (Short Term Fourier Transform) processing, a power spectrum on the frequency axis of white noise as shown in B of FIG. 8 is obtained. This STFT processing unit 32
Is transmitted to the band amplitude processing unit 33, and as shown in FIG. 8C, the amplitude | A m | UV is calculated for the band (for example, m = 8, 9, 10) which is the UV (unvoiced sound). Multiplication is performed to set the amplitude of other V (voiced sound) band to 0. The band amplitude processing unit 33 is supplied with the amplitude data, the pitch data, and the V / UV discrimination data. The output from the band amplitude processing unit 33 is IS
The phase is sent to the TFT processing unit 34, and the phase is converted into a signal on the time axis by performing inverse STFT processing using the phase of the original white noise. The output from the ISTFT processing unit 34 is sent to the overlap adding unit 35, and the overlap and addition are repeated while appropriate weighting (so that the original continuous noise waveform can be restored) on the time axis,
Synthesize continuous time axis waveforms. The output signal from the overlap adder 35 is sent to the adder 21.
【００５０】このように、各合成部１６、１７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２１により適当な固定の混合比で加算
され、出力端子２２より再生された音声信号として取り
出される。 As described above, the signals of the voiced sound portion and the unvoiced sound portion which are synthesized in the respective synthesis units 16 and 17 and returned on the time axis are added by the addition unit 21 at an appropriate fixed mixing ratio.
Is taken as an audio signal reproduced from the output terminal 22
Will be issued.
【００５１】したがって、本発明に係る有声音合成方法
の実施例は、例えば、ピッチの長い男声とピッチの短い
女声の予測位相への修正値をピッチに応じて変化させる
ことにより、不必要にノイズ感を増すことなくより自然
な生成音を得られる。Therefore, the embodiment of the voiced sound synthesizing method according to the present invention unnecessarily reduces noise by changing the correction value for the predicted phase of the male voice having a long pitch and the female voice having a short pitch according to the pitch. A more natural generated sound can be obtained without increasing the feeling.
【００５２】なお、上記図３の音声分析側（エンコード
側）の構成や図１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。Regarding the configuration on the speech analysis side (encoding side) in FIG. 3 and the configuration on the speech synthesis side (decoding side) in FIG. 1, each unit is described in hardware, but a so-called DSP (digital It is also possible to realize it by a software program using a signal processor or the like.
【００５３】また、本発明に係る有声音合成方法は、位
相予測の際の初期位相を０としてコサイン波を加算する
ようにしていたが、初期位相をπ／２にすると例えばＤ
ＳＰ（ディジタルシグナルプロセッサ）で演算を行う場
合、ダイナミックレンジが減少するという点で有利であ
る。初期位相を０にするかπ／２にするかの違いは、合
成された波形が偶関数になるか奇関数になるかの違いで
ある。すなわち、合成はコサイン波で行われるので初期
位相０のときは、合成波形もコサイン波であり、偶関数
となり、初期位相π／２のときは、コサイン波をπ／２
だけずらすことになり、合成波形は、サイン波となり、
奇関数になる。ここで、サイン波を合成することによっ
て得られる合成波形のピーク値は、偶関数を用いたとき
の合成波形のピーク値よりも小さくなる。演算のスケー
リングは、ピーク値で決まるので、例えばＤＳＰ（ディ
ジタルシグナルプロセッサ）で演算を行う場合、ダイナ
ミックレンジが減少するという点で初期位相をπ／２と
すると有利である。Further, in the voiced sound synthesis method according to the present invention, the initial phase at the time of phase prediction is set to 0 and the cosine wave is added. However, when the initial phase is set to π / 2, for example, D
When the calculation is performed by an SP (digital signal processor), it is advantageous in that the dynamic range is reduced. The difference between setting the initial phase to 0 and π / 2 is whether the combined waveform becomes an even function or an odd function. That is, since the synthesis is performed with the cosine wave, when the initial phase is 0, the synthesized waveform is also a cosine wave and becomes an even function, and when the initial phase is π / 2, the cosine wave is π / 2.
It will be shifted only, the composite waveform becomes a sine wave,
It becomes an odd function. Here, the peak value of the combined waveform obtained by combining the sine waves is smaller than the peak value of the combined waveform when the even function is used. Since the scaling of the operation is determined by the peak value, it is advantageous to set the initial phase to π / 2 in that the dynamic range is reduced when the operation is performed by a DSP (digital signal processor), for example.
【００５４】[0054]
【発明の効果】本発明に係る有声音合成方法は、各フレ
ーム毎にフレーム終端部における上記基本波及び高調波
の位相を予測すると共に各フレーム毎の上記予測された
フレーム終端部の位相又は上記基本波及び高調波の少な
くとも１つの周波数を上記ピッチに応じて修正すること
により、不必要なノイズを発生することなく自然な再生
音を得ることができる。The voiced sound synthesis method according to the present invention predicts the phases of the fundamental wave and the harmonics at the frame end portion for each frame, and the predicted phase of the frame end portion for each frame or By correcting at least one frequency of the fundamental wave and the harmonic wave according to the pitch, a natural reproduced sound can be obtained without generating unnecessary noise.
【図面の簡単な説明】[Brief description of drawings]
【図１】本発明に係る有声音合成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。FIG. 1 is a functional block diagram showing a schematic configuration on a synthesis side (decoding side) of a speech signal synthesis analysis coding apparatus as a specific example of an apparatus to which a voiced sound synthesis method according to the present invention is applied.
【図２】ピッチ周期の長短による再生音の違いを説明す
るための波形図である。FIG. 2 is a waveform diagram for explaining a difference in reproduced sound depending on the length of a pitch cycle.
【図３】本発明に係る有声音合成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。FIG. 3 is a functional block diagram showing a schematic configuration of an analysis side (encoding side) of a speech signal synthesis analysis coding apparatus as a specific example of an apparatus to which a voiced sound synthesis method according to the present invention is applied.
【図４】窓かけ処理を説明するための図である。FIG. 4 is a diagram for explaining a windowing process.
【図５】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。FIG. 5 is a diagram for explaining a relationship between windowing processing and a window function.
【図６】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。FIG. 6 is a diagram showing time axis data as an object of orthogonal transform (FFT) processing.
【図７】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。FIG. 7 is a diagram showing spectrum data on a frequency axis, a spectrum envelope (envelope), and a power spectrum of an excitation signal.
【図８】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。FIG. 8 is a diagram for explaining unvoiced sound synthesis when synthesizing a voice signal.
【符号の説明】 １４・・・・・逆ベクトル量子化部 １５・・・・・データ数逆変換部 １６・・・・・有声音合成部 １７・・・・・無声音合成部 １８・・・・・ピッチ復号化部 １９・・・・・スケールファクター調整部 ２０・・・・・位相予測＆修正部 ２１・・・・・加算部[Explanation of Codes] 14 ... Inverse Vector Quantization Section 15 ... Data Number Inverse Transformation Section 16 ... Voiced Sound Synthesis Section 17 ... Unvoiced Sound Synthesis Section 18 ... ..Pitch decoding unit 19 ... Scale factor adjustment unit 20 ... Phase prediction & correction unit 21 ... Adding unit
Claims (2)
分し、区分されたフレーム毎にピッチを求め、求められ
たピッチの基本波及びその高調波であって初期位相が固
定された信号群を用いて有声音を合成する有声音合成方
法において、 各フレーム毎にフレーム終端部における上記基本波及び
高調波の位相を予測すると共に各フレーム毎の上記予測
されたフレーム終端部の位相又は上記基本波及び高調波
の少なくとも１つの周波数を上記ピッチに応じて修正す
ることを特徴とする有声音合成方法。1. An input voice signal is divided in units of frames, a pitch is obtained for each divided frame, and a fundamental wave of the obtained pitch and a harmonic thereof and a signal group whose initial phase is fixed are defined. In a voiced sound synthesizing method for synthesizing a voiced sound using the above, the phases of the fundamental wave and the harmonics at the frame end portion are predicted for each frame, and the predicted phase of the frame end portion or the fundamental wave is calculated for each frame. And a method for synthesizing a voiced sound, characterized in that at least one frequency of a harmonic is corrected according to the pitch.
波数が低い程大きくされることを特徴とする請求項１記
載の有声音合成方法。2. The method for synthesizing a voiced sound according to claim 1, wherein the correction amount according to the pitch is increased as the pitch frequency is lower.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12146392A JP3218680B2 (en) | 1992-04-15 | 1992-04-15 | Voiced sound synthesis method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12146392A JP3218680B2 (en) | 1992-04-15 | 1992-04-15 | Voiced sound synthesis method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05297892A true JPH05297892A (en) | 1993-11-12 |
| JP3218680B2 JP3218680B2 (en) | 2001-10-15 |
Family
ID=14811765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12146392A Expired - Fee Related JP3218680B2 (en) | 1992-04-15 | 1992-04-15 | Voiced sound synthesis method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3218680B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007515126A (en) * | 2003-12-19 | 2007-06-07 | クリエイティブ テクノロジー リミテッド | Method and system for processing digital images |
-
1992
- 1992-04-15 JP JP12146392A patent/JP3218680B2/en not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007515126A (en) * | 2003-12-19 | 2007-06-07 | クリエイティブ テクノロジー リミテッド | Method and system for processing digital images |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3218680B2 (en) | 2001-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0640952B1 (en) | Voiced-unvoiced discrimination method | |
| KR100427753B1 (en) | Method and apparatus for reproducing voice signal, method and apparatus for voice decoding, method and apparatus for voice synthesis and portable wireless terminal apparatus | |
| KR100348899B1 (en) | The Harmonic-Noise Speech Coding Algorhthm Using Cepstrum Analysis Method | |
| JPH0990968A (en) | Voice synthesis method | |
| JP3297751B2 (en) | Data number conversion method, encoding device and decoding device | |
| JP3297749B2 (en) | Encoding method | |
| JP3218679B2 (en) | High efficiency coding method | |
| JP3237178B2 (en) | Encoding method and decoding method | |
| JP3362471B2 (en) | Audio signal encoding method and decoding method | |
| JPH11219198A (en) | Phase detection device and method and speech encoding device and method | |
| JP3218680B2 (en) | Voiced sound synthesis method | |
| JP3731575B2 (en) | Encoding device and decoding device | |
| JPH0651800A (en) | Data quantity converting method | |
| JP3321933B2 (en) | Pitch detection method | |
| JP3297750B2 (en) | Encoding method | |
| JP3398968B2 (en) | Speech analysis and synthesis method | |
| JP3218681B2 (en) | Background noise detection method and high efficiency coding method | |
| JP3223564B2 (en) | Pitch extraction method | |
| JP3271193B2 (en) | Audio coding method | |
| JPH06202695A (en) | Speech signal processor | |
| JP3440500B2 (en) | decoder | |
| JP3221050B2 (en) | Voiced sound discrimination method | |
| JPH07104777A (en) | Pitch detecting method and speech analyzing and synthesizing method | |
| JPH05265489A (en) | Pitch extracting method | |
| JPH07104793A (en) | Encoding device and decoding device for voice |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20010710 |
|
| LAPS | Cancellation because of no payment of annual fees |