JPH05346797A - 有声音判別方法 - Google Patents
有声音判別方法Info
- Publication number
- JPH05346797A JPH05346797A JP5000828A JP82893A JPH05346797A JP H05346797 A JPH05346797 A JP H05346797A JP 5000828 A JP5000828 A JP 5000828A JP 82893 A JP82893 A JP 82893A JP H05346797 A JPH05346797 A JP H05346797A
- Authority
- JP
- Japan
- Prior art keywords
- signal
- block
- voiced sound
- sub
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000012850 discrimination method Methods 0.000 claims description 37
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 47
- 230000015572 biosynthetic process Effects 0.000 abstract description 33
- 238000003786 synthesis reaction Methods 0.000 abstract description 33
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 239000011295 pitch Substances 0.000 description 83
- 238000004364 calculation method Methods 0.000 description 38
- 238000001228 spectrum Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 230000005284 excitation Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 230000005236 sound signal Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 239000002131 composite material Substances 0.000 description 6
- 238000013139 quantization Methods 0.000 description 5
- 230000002194 synthesizing effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000011867 re-evaluation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 210000001260 vocal cord Anatomy 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/93—Discriminating between voiced and unvoiced parts of speech signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L2025/783—Detection of presence or absence of voice signals based on threshold decision
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/93—Discriminating between voiced and unvoiced parts of speech signals
- G10L2025/932—Decision in previous or following frames
Abstract
(57)【要約】
【構成】 入力信号の１ブロック（１フレーム）をサブ
ブロック分割部１３でさらに分割し、統計的性質検出部
１４でサブブロック毎に標準偏差又は実効値の情報とピ
ーク値情報とを検出する。偏在検出部１７では標準偏差
又は実効値の時間軸上での偏在を検出し、偏在検出部１
９ではピーク値の偏在を検出して、これらの偏在検出情
報に基づいて判断部１８が各ブロック毎に有声音か無声
音かを判別する。 【効果】 有声音か無声音（又はノイズ）かの判別が確
実に行える。
ブロック分割部１３でさらに分割し、統計的性質検出部
１４でサブブロック毎に標準偏差又は実効値の情報とピ
ーク値情報とを検出する。偏在検出部１７では標準偏差
又は実効値の時間軸上での偏在を検出し、偏在検出部１
９ではピーク値の偏在を検出して、これらの偏在検出情
報に基づいて判断部１８が各ブロック毎に有声音か無声
音かを判別する。 【効果】 有声音か無声音（又はノイズ）かの判別が確
実に行える。
Description
【０００１】
【産業上の利用分野】本発明は、音声信号から有声音を
雑音又は無声音と区別して判別する有声音判別方法に関
する。
雑音又は無声音と区別して判別する有声音判別方法に関
する。
【０００２】
【従来の技術】音声は音の性質として有声音と無声音に
区別される。有声音は声帯振動を伴う音声で周期的な振
動として観測される。無声音は声帯振動を伴わない音声
で非周期的な音として観測される。通常の音声では大部
分が有声音であり、無声音は無声子音と呼ばれる特殊な
子音のみである。有声音の周期は声帯振動の周期で決ま
り、これをピッチ周期、その逆数をピッチ周波数とい
う。これらピッチ周期及びピッチ周波数（以下、ピッチ
とした場合はピッチ周期を指す）は声の高低やイントネ
ーションを決める重要な要因である。したがって、上記
ピッチをどれだけ正確に捉えるかが音声の音質を左右す
る。しかし、上記ピッチを捉える場合には、上記音声の
周囲にある雑音いわゆる背景雑音や量子化の際の量子化
雑音を考慮しなければならない。これらの雑音又は無声
音と有声音を区別することが音声信号を符号化する場合
に重要となる。
区別される。有声音は声帯振動を伴う音声で周期的な振
動として観測される。無声音は声帯振動を伴わない音声
で非周期的な音として観測される。通常の音声では大部
分が有声音であり、無声音は無声子音と呼ばれる特殊な
子音のみである。有声音の周期は声帯振動の周期で決ま
り、これをピッチ周期、その逆数をピッチ周波数とい
う。これらピッチ周期及びピッチ周波数（以下、ピッチ
とした場合はピッチ周期を指す）は声の高低やイントネ
ーションを決める重要な要因である。したがって、上記
ピッチをどれだけ正確に捉えるかが音声の音質を左右す
る。しかし、上記ピッチを捉える場合には、上記音声の
周囲にある雑音いわゆる背景雑音や量子化の際の量子化
雑音を考慮しなければならない。これらの雑音又は無声
音と有声音を区別することが音声信号を符号化する場合
に重要となる。
【０００３】上記音声信号の符号化の具体的な例として
は、ＭＢＥ（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、ハーモニック（Harmonic) 符号
化、ＳＢＣ（Sub-band Coding:帯域分割符号化) 、ＬＰ
Ｃ（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ＤＣＴ）、ＦＦＴ（高速フーリエ変換）等があ
る。
は、ＭＢＥ（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、ハーモニック（Harmonic) 符号
化、ＳＢＣ（Sub-band Coding:帯域分割符号化) 、ＬＰ
Ｃ（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ＤＣＴ）、ＦＦＴ（高速フーリエ変換）等があ
る。
【０００４】例えば、上記ＭＢＥ符号化においては、入
力音声信号波形からピッチを抽出する場合、明確なピッ
チが表れない場合でもピッチの軌跡を捉えやすくしてい
た。そして、復号化側（合成側）は、上記ピッチを基に
余弦波（cosin)波合成により時間軸上の有声音波形を合
成し、別途合成される時間軸上の無声音波形と加算合成
し出力する。
力音声信号波形からピッチを抽出する場合、明確なピッ
チが表れない場合でもピッチの軌跡を捉えやすくしてい
た。そして、復号化側（合成側）は、上記ピッチを基に
余弦波（cosin)波合成により時間軸上の有声音波形を合
成し、別途合成される時間軸上の無声音波形と加算合成
し出力する。
【０００５】
【発明が解決しようとする課題】ところで、ピッチを捉
えやすくすると上記背景雑音等の部分で本来のピッチで
ない間違ったピッチを捉えてしまう場合がある。もし、
上記ＭＢＥ符号化で間違ったピッチを捉えてしまうと、
合成側では、その間違ったピッチの所で各cosin波のピ
ークが重なるようにcosin 波合成を行ってしまう。すな
わち、誤って捉えたピッチ周期毎に有声音の合成で行っ
ているような固定位相（０位相又はπ／２位相）の加算
で各cosin 波を合成し、ピッチが得られない筈の背景雑
音等を周期性を持つインパルス波形として合成する。つ
まり、本来、時間軸上で散らばっているべき背景雑音等
の振幅の強度があるフレームの１部分に周期性を持ちな
がら集中してしまい、非常に耳障りな異音を再生してし
まうことになる。
えやすくすると上記背景雑音等の部分で本来のピッチで
ない間違ったピッチを捉えてしまう場合がある。もし、
上記ＭＢＥ符号化で間違ったピッチを捉えてしまうと、
合成側では、その間違ったピッチの所で各cosin波のピ
ークが重なるようにcosin 波合成を行ってしまう。すな
わち、誤って捉えたピッチ周期毎に有声音の合成で行っ
ているような固定位相（０位相又はπ／２位相）の加算
で各cosin 波を合成し、ピッチが得られない筈の背景雑
音等を周期性を持つインパルス波形として合成する。つ
まり、本来、時間軸上で散らばっているべき背景雑音等
の振幅の強度があるフレームの１部分に周期性を持ちな
がら集中してしまい、非常に耳障りな異音を再生してし
まうことになる。
【０００６】本発明は、上記実情に鑑みてなされたもの
であり、有声音を雑音又は無声音と区別し確実に判別で
き、合成側に対しては異音の発生を抑えさせることがで
きる有声音判別方法の提供を目的とする。
であり、有声音を雑音又は無声音と区別し確実に判別で
き、合成側に対しては異音の発生を抑えさせることがで
きる有声音判別方法の提供を目的とする。
【０００７】
【課題を解決するための手段】本発明に係る有声音判別
方法は、入力された音声信号をブロック単位で分割して
各ブロック毎に有声音か否かの判別を行う有声音判別方
法において、１ブロックの信号を複数のサブブロックに
分割する工程と、上記複数のサブブロック毎に信号の統
計的な性質を求める工程と、上記統計的な性質の時間軸
上での偏りに応じて有声音か否かを判別する工程とを有
することを特徴として上記課題を解決することができ
る。
方法は、入力された音声信号をブロック単位で分割して
各ブロック毎に有声音か否かの判別を行う有声音判別方
法において、１ブロックの信号を複数のサブブロックに
分割する工程と、上記複数のサブブロック毎に信号の統
計的な性質を求める工程と、上記統計的な性質の時間軸
上での偏りに応じて有声音か否かを判別する工程とを有
することを特徴として上記課題を解決することができ
る。
【０００８】ここで、上記信号の統計的な性質には、各
サブブロック毎の信号のピーク値、実効値又は標準偏差
を用いることができる。
サブブロック毎の信号のピーク値、実効値又は標準偏差
を用いることができる。
【０００９】他の発明に係る有声音判別方法として、入
力された音声信号をブロック単位で分割して各ブロック
毎に有声音か否かの判別を行う有声音判別方法におい
て、１ブロックの信号の周波数軸上のエネルギー分布を
求める工程と、上記１ブロックの信号のレベルを求める
工程と、上記１ブロックの信号の周波数軸上のエネルギ
ー分布と信号レベルとに応じて有声音か否かを判別する
工程とを有することを特徴として上記課題を解決するこ
とができる。
力された音声信号をブロック単位で分割して各ブロック
毎に有声音か否かの判別を行う有声音判別方法におい
て、１ブロックの信号の周波数軸上のエネルギー分布を
求める工程と、上記１ブロックの信号のレベルを求める
工程と、上記１ブロックの信号の周波数軸上のエネルギ
ー分布と信号レベルとに応じて有声音か否かを判別する
工程とを有することを特徴として上記課題を解決するこ
とができる。
【００１０】ここで、上記各サブブロック毎の信号のピ
ーク値、実効値又は標準偏差という統計的な性質と上記
１ブロックの信号の周波数軸上のエネルギー分布とに応
じて又は上記各サブブロック毎の信号のピーク値、実効
値又は標準偏差という統計的な性質と上記１ブロックの
信号のレベルとに応じて有声音か否かを判別してもよ
い。
ーク値、実効値又は標準偏差という統計的な性質と上記
１ブロックの信号の周波数軸上のエネルギー分布とに応
じて又は上記各サブブロック毎の信号のピーク値、実効
値又は標準偏差という統計的な性質と上記１ブロックの
信号のレベルとに応じて有声音か否かを判別してもよ
い。
【００１１】さらに他の発明に係る有声音判別方法とし
て、入力された音声信号をブロック単位で分割して各ブ
ロック毎に有声音か否かの判別を行う有声音判別方法に
おいて、１ブロックの信号を複数のサブブロックに分割
する工程と、上記複数のサブブロック毎に時間軸上で信
号のピーク値、実効値又は標準偏差を求める工程と、上
記１ブロックの信号の周波数軸上のエネルギー分布を求
める工程と、上記１ブロックの信号のレベルを求める工
程と、上記複数のサブブロック毎の信号のピーク値、実
効値又は標準偏差と上記１ブロックの信号の周波数軸上
のエネルギー分布と上記１ブロックの信号のレベルとに
応じて有声音か否かを判別する工程とを有することを特
徴として上記課題を解決することができる。
て、入力された音声信号をブロック単位で分割して各ブ
ロック毎に有声音か否かの判別を行う有声音判別方法に
おいて、１ブロックの信号を複数のサブブロックに分割
する工程と、上記複数のサブブロック毎に時間軸上で信
号のピーク値、実効値又は標準偏差を求める工程と、上
記１ブロックの信号の周波数軸上のエネルギー分布を求
める工程と、上記１ブロックの信号のレベルを求める工
程と、上記複数のサブブロック毎の信号のピーク値、実
効値又は標準偏差と上記１ブロックの信号の周波数軸上
のエネルギー分布と上記１ブロックの信号のレベルとに
応じて有声音か否かを判別する工程とを有することを特
徴として上記課題を解決することができる。
【００１２】またさらに他の発明に係る有声音判別方法
として、入力された音声信号をブロック単位で分割して
各ブロック毎に有声音か否かの判別を行う有声音判別方
法において、１ブロックの信号を複数のサブブロックに
分割する工程と、上記複数のサブブロック毎に時間軸上
で信号の実効値を求め、この実効値の標準偏差と平均値
とに基づいてサブブロック毎の実効値の分布を求める工
程と、上記１ブロックの信号の周波数軸上のエネルギー
分布を求める工程と、上記１ブロックの信号のレベルを
求める工程と、上記複数のサブブロック毎の実効値の分
布と上記１ブロックの信号の周波数軸上のエネルギー分
布と上記１ブロックの信号のレベルとの少なくとも２つ
に応じて有声音か否かを判別する工程とを有することを
特徴としている。
として、入力された音声信号をブロック単位で分割して
各ブロック毎に有声音か否かの判別を行う有声音判別方
法において、１ブロックの信号を複数のサブブロックに
分割する工程と、上記複数のサブブロック毎に時間軸上
で信号の実効値を求め、この実効値の標準偏差と平均値
とに基づいてサブブロック毎の実効値の分布を求める工
程と、上記１ブロックの信号の周波数軸上のエネルギー
分布を求める工程と、上記１ブロックの信号のレベルを
求める工程と、上記複数のサブブロック毎の実効値の分
布と上記１ブロックの信号の周波数軸上のエネルギー分
布と上記１ブロックの信号のレベルとの少なくとも２つ
に応じて有声音か否かを判別する工程とを有することを
特徴としている。
【００１３】ここでいう有声音か否かの判別とは、有声
音か雑音又は無声音かを判別することであり、有声音を
確実に判別すると共に雑音又は無声音も確実に判別でき
る。つまり、入力音声信号から雑音（背景雑音）又は無
声音を判別することもできる。このようなときには、例
えば、強制的に入力音声信号の全帯域を無声音とする
と、合成側での異音の発生を抑えることができる。
音か雑音又は無声音かを判別することであり、有声音を
確実に判別すると共に雑音又は無声音も確実に判別でき
る。つまり、入力音声信号から雑音（背景雑音）又は無
声音を判別することもできる。このようなときには、例
えば、強制的に入力音声信号の全帯域を無声音とする
と、合成側での異音の発生を抑えることができる。
【００１４】
【作用】有声音と雑音又は無声音の統計的な性質の時間
軸上で偏りが異なるため、入力音声信号が有声音か雑音
又は無声音であるかを判別することができる。
軸上で偏りが異なるため、入力音声信号が有声音か雑音
又は無声音であるかを判別することができる。
【００１５】
【実施例】以下、本発明に係る有声音判別方法の実施例
について、図面を参照しながら説明する。図１は、本発
明の第１の実施例となる有声音判別方法を説明するため
の有声音判別装置の概略構成を示している。この第１の
実施例は、音声の１ブロックの信号をさらに分割したサ
ブブロック毎の信号の統計的な性質の時間軸上での偏り
に応じて有声音か否かを判別する。
について、図面を参照しながら説明する。図１は、本発
明の第１の実施例となる有声音判別方法を説明するため
の有声音判別装置の概略構成を示している。この第１の
実施例は、音声の１ブロックの信号をさらに分割したサ
ブブロック毎の信号の統計的な性質の時間軸上での偏り
に応じて有声音か否かを判別する。
【００１６】図１において、入力端子１１には、図示し
ないＨＰＦ（ハイパスフィルタ）等のフィルタによりい
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）の除去が行われた音声の信号が
供給される。この信号は、窓かけ処理部１２に送られ
る。この窓かけ処理部１２では１ブロックＮサンプル
（例えばＮ＝２５６）に対して方形窓をかけ、この１ブ
ロックを１フレームＬサンプル（例えばＬ＝１６０）の
間隔で時間軸方向に順次移動させており、各ブロック間
のオーバーラップはＮ−Ｌサンプル（９６サンプル）と
なっている。上記窓かけ処理部１２からのＮサンプルの
ブロックの信号は、サブブロック分割部１３に供給され
る。このサブブロック分割部１３は、上記窓かけ処理部
１２で分割された１ブロックの信号をさらに細分割す
る。そして、得られたサブブロック毎の信号は、統計的
性質検出部１４に供給される。この統計的性質検出部１
４は、本第１の実施例の場合、標準偏差又は実効値情報
検出部１５及びピーク値情報検出部１６からなる。上記
標準偏差又は実効値情報検出部１５で得られた標準偏差
又は実効値情報は、標準偏差又は実効値偏在検出部１７
に供給される。この標準偏差又は実効値偏在検出部１７
は、標準偏差又は実効値情報から時間軸上での偏りを検
出する。そして、この時間軸上での標準偏差又は実効値
の偏在情報は、判断部１８に供給される。この判断部１
８は、時間軸上での標準偏差又は実効値の偏在情報を例
えば所定の閾値と比較することよりサブブロック毎の信
号が有声音であるか否かを判断し、その情報を出力端子
２０から導出する。一方、上記ピーク値情報検出部１６
で得られたピーク値情報は、ピーク値偏在検出部１９に
供給される。このピーク値偏在検出部１９は、上記ピー
ク値情報から時間軸上での信号のピーク値の偏りを検出
する。そして、この時間軸上での信号のピーク値の偏在
情報は、判断部１８に供給される。この判断部１８は、
上記時間軸上での信号のピーク値の偏在情報を例えば所
定の閾値と比較することによりサブブロック毎の信号が
有声音であるか否かを判断し、その判断情報を出力端子
２０から導出する。
ないＨＰＦ（ハイパスフィルタ）等のフィルタによりい
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）の除去が行われた音声の信号が
供給される。この信号は、窓かけ処理部１２に送られ
る。この窓かけ処理部１２では１ブロックＮサンプル
（例えばＮ＝２５６）に対して方形窓をかけ、この１ブ
ロックを１フレームＬサンプル（例えばＬ＝１６０）の
間隔で時間軸方向に順次移動させており、各ブロック間
のオーバーラップはＮ−Ｌサンプル（９６サンプル）と
なっている。上記窓かけ処理部１２からのＮサンプルの
ブロックの信号は、サブブロック分割部１３に供給され
る。このサブブロック分割部１３は、上記窓かけ処理部
１２で分割された１ブロックの信号をさらに細分割す
る。そして、得られたサブブロック毎の信号は、統計的
性質検出部１４に供給される。この統計的性質検出部１
４は、本第１の実施例の場合、標準偏差又は実効値情報
検出部１５及びピーク値情報検出部１６からなる。上記
標準偏差又は実効値情報検出部１５で得られた標準偏差
又は実効値情報は、標準偏差又は実効値偏在検出部１７
に供給される。この標準偏差又は実効値偏在検出部１７
は、標準偏差又は実効値情報から時間軸上での偏りを検
出する。そして、この時間軸上での標準偏差又は実効値
の偏在情報は、判断部１８に供給される。この判断部１
８は、時間軸上での標準偏差又は実効値の偏在情報を例
えば所定の閾値と比較することよりサブブロック毎の信
号が有声音であるか否かを判断し、その情報を出力端子
２０から導出する。一方、上記ピーク値情報検出部１６
で得られたピーク値情報は、ピーク値偏在検出部１９に
供給される。このピーク値偏在検出部１９は、上記ピー
ク値情報から時間軸上での信号のピーク値の偏りを検出
する。そして、この時間軸上での信号のピーク値の偏在
情報は、判断部１８に供給される。この判断部１８は、
上記時間軸上での信号のピーク値の偏在情報を例えば所
定の閾値と比較することによりサブブロック毎の信号が
有声音であるか否かを判断し、その判断情報を出力端子
２０から導出する。
【００１７】次に、本第１の実施例で統計的性質として
用いられる各サブブロック毎の信号のピーク値情報、標
準偏差又は実効値情報の検出とそれらの時間軸上での偏
在の検出について説明する。
用いられる各サブブロック毎の信号のピーク値情報、標
準偏差又は実効値情報の検出とそれらの時間軸上での偏
在の検出について説明する。
【００１８】ここで、上記各サブブロック毎の信号のピ
ーク値、標準偏差又は実効値を本第１の実施例で用いる
のは、有声音と雑音又は無声音の信号のピーク値、標準
偏差又は実効値が時間軸上で著しく異なるためである。
例えば、図２のＡに示すような音声の母音（有声音）と
図２のＣに示すような雑音又は子音（無声音）を比較す
る。母音の振幅のピークの並びは、図２のＡのように時
間軸上で偏りながらも規則的であるのに対し、雑音又は
子音の振幅のピークの並びは時間軸上で一様（フラッ
ト）であるが不規則である。また、母音の標準偏差又は
実効値も、図２のＢに示すように時間軸上で偏っている
のに対し、雑音又は子音の標準偏差又は実効値は、図２
のＤに示すように時間軸上でフラットである。
ーク値、標準偏差又は実効値を本第１の実施例で用いる
のは、有声音と雑音又は無声音の信号のピーク値、標準
偏差又は実効値が時間軸上で著しく異なるためである。
例えば、図２のＡに示すような音声の母音（有声音）と
図２のＣに示すような雑音又は子音（無声音）を比較す
る。母音の振幅のピークの並びは、図２のＡのように時
間軸上で偏りながらも規則的であるのに対し、雑音又は
子音の振幅のピークの並びは時間軸上で一様（フラッ
ト）であるが不規則である。また、母音の標準偏差又は
実効値も、図２のＢに示すように時間軸上で偏っている
のに対し、雑音又は子音の標準偏差又は実効値は、図２
のＤに示すように時間軸上でフラットである。
【００１９】先ず、信号の上記各サブブロック毎の標準
偏差又は実効値情報を検出する標準偏差又は実効値情報
検出部１５と該標準偏差又は実効値情報の時間軸上での
偏在の検出について説明する。この標準偏差又は実効値
情報検出部１５は、図３に示すように入力端子２１から
のサブブロック毎の信号から標準偏差又は実効値を算出
する標準偏差又は実効値算出部２２と、該標準偏差又は
実効値から相加平均を算出する相加平均算出部２３と、
上記標準偏差又は実効値から相乗平均値を算出する相乗
平均算出部２４とからなる。そして、上記相加平均値と
相乗平均値より時間軸上での偏在情報を標準偏差又は実
効値偏在検出部１７が検出し、判断部１８が該偏在情報
からサブブロック毎の音声信号が有声音か否かを判断
し、その判断情報が出力端子２０から導出される。
偏差又は実効値情報を検出する標準偏差又は実効値情報
検出部１５と該標準偏差又は実効値情報の時間軸上での
偏在の検出について説明する。この標準偏差又は実効値
情報検出部１５は、図３に示すように入力端子２１から
のサブブロック毎の信号から標準偏差又は実効値を算出
する標準偏差又は実効値算出部２２と、該標準偏差又は
実効値から相加平均を算出する相加平均算出部２３と、
上記標準偏差又は実効値から相乗平均値を算出する相乗
平均算出部２４とからなる。そして、上記相加平均値と
相乗平均値より時間軸上での偏在情報を標準偏差又は実
効値偏在検出部１７が検出し、判断部１８が該偏在情報
からサブブロック毎の音声信号が有声音か否かを判断
し、その判断情報が出力端子２０から導出される。
【００２０】上記エネルギーの分散から有声音か否かを
判断する原理を図１と図３を用いて説明する。上記窓か
け処理部１２で方形窓をかけることにより切り出される
１ブロックのサンプル数Ｎを２５６サンプルとし、入力
サンプル列をｘ(n) とする。この１ブロック（２５６サ
ンプル）を上記サブブロック分割部１３により８サンプ
ル毎に分割する。するとサブブロック長Ｂl ＝８のサブ
ブロックがＮ／Ｂl （２５６／８＝３２）個上記１ブロ
ックの中に存在することになる。この３２個のサブブロ
ック毎の時間軸上データは、上記標準偏差又は実効値情
報検出部１５の例えば標準偏差又は実効値算出部２２に
供給される。
判断する原理を図１と図３を用いて説明する。上記窓か
け処理部１２で方形窓をかけることにより切り出される
１ブロックのサンプル数Ｎを２５６サンプルとし、入力
サンプル列をｘ(n) とする。この１ブロック（２５６サ
ンプル）を上記サブブロック分割部１３により８サンプ
ル毎に分割する。するとサブブロック長Ｂl ＝８のサブ
ブロックがＮ／Ｂl （２５６／８＝３２）個上記１ブロ
ックの中に存在することになる。この３２個のサブブロ
ック毎の時間軸上データは、上記標準偏差又は実効値情
報検出部１５の例えば標準偏差又は実効値算出部２２に
供給される。
【００２１】この標準偏差又は実効値算出部２２は、上
記３２個のサブブロック毎に時間軸上データの例えば標
準偏差σa (i) として、
記３２個のサブブロック毎に時間軸上データの例えば標
準偏差σa (i) として、
【００２２】
【数１】
【００２３】で示される（１）式により算出した値を出
力する。ここでｉはサブブロックのインデックスであ
り、ｋはサンプル数である。また、ｘは１ブロック当た
りの入力サンプルの平均値である。この平均値ｘは、１
ブロックの全サンプル（Ｎ個）の平均であり、各サブブ
ロック毎の平均ではないことに注意すべきである。
力する。ここでｉはサブブロックのインデックスであ
り、ｋはサンプル数である。また、ｘは１ブロック当た
りの入力サンプルの平均値である。この平均値ｘは、１
ブロックの全サンプル（Ｎ個）の平均であり、各サブブ
ロック毎の平均ではないことに注意すべきである。
【００２４】また、上記サブブロック毎の実効値は、上
記（１）式中の（ｘ（ｎ）−ｘ）2の代わりに、各サン
プルｘについて上記１ブロック内のサンプルの平均値ｘ
との差をとらない（ｘ（ｎ））2 を用いたものであり、
いわゆるｒｍｓ（root meansquare、自乗平均の平方
根）とも称されるものである。
記（１）式中の（ｘ（ｎ）−ｘ）2の代わりに、各サン
プルｘについて上記１ブロック内のサンプルの平均値ｘ
との差をとらない（ｘ（ｎ））2 を用いたものであり、
いわゆるｒｍｓ（root meansquare、自乗平均の平方
根）とも称されるものである。
【００２５】上記標準偏差σa (i) は、時間軸上での分
散を調べるために上記相加平均算出部２３及び相乗平均
算出部２４に供給される。上記相加平均算出部２３及び
相乗平均算出部２４は、相加平均値ａv:add 及び相乗平
均値ａv:mpy を、
散を調べるために上記相加平均算出部２３及び相乗平均
算出部２４に供給される。上記相加平均算出部２３及び
相乗平均算出部２４は、相加平均値ａv:add 及び相乗平
均値ａv:mpy を、
【００２６】
【数２】
【００２７】で示される（２）及び（３）式により算出
する。これらの（１）式〜（３）式では標準偏差につい
てのみ例示しているが、実効値の場合も同様であること
は勿論である。
する。これらの（１）式〜（３）式では標準偏差につい
てのみ例示しているが、実効値の場合も同様であること
は勿論である。
【００２８】上記（２）及び（３）式により算出された
相加平均値ａv:add 及び相乗平均値ａv:mpy は、上記標
準偏差又は実効値偏在検出部１７に供給される。この標
準偏差又は実効値偏在検出部１７は、上記相加平均値ａ
v:add と相乗平均値ａv:mpyとから比率ｐf を、 ｐf ＝ａv:add ／ａv:mpy ・・・（４） で求める。この比率ｐf は、時間軸上の標準偏差の偏在
を表す偏在情報である。この偏在情報（比率）ｐf は、
判断部１８に供給され、該判断部１８では、例えば、上
記偏在情報ｐf を閾値ｐthf と比較し有声音か否かの判
断を行う。例えば、上記閾値ｐthf を1.1 に設定してお
き、上記偏在情報ｐf が該閾値ｐthf より大きいと標準
偏差又は実効値の偏りが大きいと判断し有声音とする。
一方、上記分散情報ｐf が該閾値ｐthf より小さいと標
準偏差又は実効値の偏りが小さい（フラットである）と
判断し有声音でない（雑音又は無声音である）とする。
相加平均値ａv:add 及び相乗平均値ａv:mpy は、上記標
準偏差又は実効値偏在検出部１７に供給される。この標
準偏差又は実効値偏在検出部１７は、上記相加平均値ａ
v:add と相乗平均値ａv:mpyとから比率ｐf を、 ｐf ＝ａv:add ／ａv:mpy ・・・（４） で求める。この比率ｐf は、時間軸上の標準偏差の偏在
を表す偏在情報である。この偏在情報（比率）ｐf は、
判断部１８に供給され、該判断部１８では、例えば、上
記偏在情報ｐf を閾値ｐthf と比較し有声音か否かの判
断を行う。例えば、上記閾値ｐthf を1.1 に設定してお
き、上記偏在情報ｐf が該閾値ｐthf より大きいと標準
偏差又は実効値の偏りが大きいと判断し有声音とする。
一方、上記分散情報ｐf が該閾値ｐthf より小さいと標
準偏差又は実効値の偏りが小さい（フラットである）と
判断し有声音でない（雑音又は無声音である）とする。
【００２９】次に、ピーク値情報を検出するピーク値情
報検出部１６と該ピーク値の時間軸上での偏在の検出に
ついて説明する。このピーク値情報検出部１６は、図４
に示すように入力端子２１からのサブブロック毎の信号
からピーク値を検出するピーク値検出部２６と、このピ
ーク値検出部２６からのピーク値の平均値を算出する平
均ピーク値算出部２７と、入力端子２５を介して供給さ
れるブロック毎の信号から標準偏差値を算出する標準偏
差算出部２８とからなる。そして、上記ピーク値偏在検
出部１９が上記平均ピーク値算出部２７からの平均ピー
ク値を上記標準偏差算出部２８からのブロック毎の標準
偏差値で除算し、時間軸上での平均ピーク値の偏在を検
出する。この平均ピーク値偏在情報は、判断部１８に供
給される。この判断部１８が該平均ピーク値偏在情報を
基にサブブロック毎の音声信号が有声音か否かを判断
し、該判断情報が出力端子２０から導出される。
報検出部１６と該ピーク値の時間軸上での偏在の検出に
ついて説明する。このピーク値情報検出部１６は、図４
に示すように入力端子２１からのサブブロック毎の信号
からピーク値を検出するピーク値検出部２６と、このピ
ーク値検出部２６からのピーク値の平均値を算出する平
均ピーク値算出部２７と、入力端子２５を介して供給さ
れるブロック毎の信号から標準偏差値を算出する標準偏
差算出部２８とからなる。そして、上記ピーク値偏在検
出部１９が上記平均ピーク値算出部２７からの平均ピー
ク値を上記標準偏差算出部２８からのブロック毎の標準
偏差値で除算し、時間軸上での平均ピーク値の偏在を検
出する。この平均ピーク値偏在情報は、判断部１８に供
給される。この判断部１８が該平均ピーク値偏在情報を
基にサブブロック毎の音声信号が有声音か否かを判断
し、該判断情報が出力端子２０から導出される。
【００３０】上記ピーク値情報から有声音か否かを判断
する原理を図１と図４を用いて説明する。上記ピーク値
検出部２６には、上記窓かけ処理部１２、サブブロック
分割部１３及び入力端子２１を介してサブブロック長Ｂ
l ( 例えば８）のサブブロック分の信号がＮ／Ｂl （２
５６／８＝３２）個供給される。このピーク値検出部２
６は、例えば３２個分のサブブロック毎のピーク値Ｐ
(i) を、
する原理を図１と図４を用いて説明する。上記ピーク値
検出部２６には、上記窓かけ処理部１２、サブブロック
分割部１３及び入力端子２１を介してサブブロック長Ｂ
l ( 例えば８）のサブブロック分の信号がＮ／Ｂl （２
５６／８＝３２）個供給される。このピーク値検出部２
６は、例えば３２個分のサブブロック毎のピーク値Ｐ
(i) を、
【００３１】
【数３】
【００３２】で示される（５）式の条件で検出する。こ
こでｉはサブブロックのインデックスであり、ｋはサン
プル数である。また、ＭＡＸは最大値を求める関数であ
る。
こでｉはサブブロックのインデックスであり、ｋはサン
プル数である。また、ＭＡＸは最大値を求める関数であ
る。
【００３３】そして、上記平均ピーク値算出部２７が上
記ピーク値Ｐ(i) から平均ピーク値Ｐを、
記ピーク値Ｐ(i) から平均ピーク値Ｐを、
【００３４】
【数４】
【００３５】で示される（６）式により算出する。
【００３６】また、上記標準偏差算出部２８は、ブロッ
ク毎の標準偏差値σb (i) を、
ク毎の標準偏差値σb (i) を、
【００３７】
【数５】
【００３８】で求める。そして、上記ピーク値偏在検出
部１９は、ピーク値偏在情報Ｐn を上記平均ピーク値Ｐ
と上記標準偏差値σb (i) とから、 Ｐn ＝Ｐ／σb (i) ・・・（８） のように算出する。なお、上記標準偏差算出部２８の代
わりに、実効値（ｒｍｓ値）を算出する実効値算出部を
用いてもよい。
部１９は、ピーク値偏在情報Ｐn を上記平均ピーク値Ｐ
と上記標準偏差値σb (i) とから、 Ｐn ＝Ｐ／σb (i) ・・・（８） のように算出する。なお、上記標準偏差算出部２８の代
わりに、実効値（ｒｍｓ値）を算出する実効値算出部を
用いてもよい。
【００３９】上記（８）式により算出されたピーク値偏
在情報Ｐn は、時間軸上でのピーク値の偏在の度合いを
示すもので、上記判断部１８に供給される。そして、上
記判断部１８は、例えば、上記ピーク値偏在情報Ｐn を
閾値Ｐthn と比較し有声音か否かの判断を行う。例え
ば、上記、ピーク値偏在情報Ｐn が該閾値Ｐthn より大
きいとピーク値の時間軸上での偏りが大きいと判断し有
声音とする。一方、上記ピーク値偏在情報Ｐn が閾値Ｐ
thn より小さいとピーク値の偏りが小さいと判断し有声
音でない（雑音又は無声音である）とする。
在情報Ｐn は、時間軸上でのピーク値の偏在の度合いを
示すもので、上記判断部１８に供給される。そして、上
記判断部１８は、例えば、上記ピーク値偏在情報Ｐn を
閾値Ｐthn と比較し有声音か否かの判断を行う。例え
ば、上記、ピーク値偏在情報Ｐn が該閾値Ｐthn より大
きいとピーク値の時間軸上での偏りが大きいと判断し有
声音とする。一方、上記ピーク値偏在情報Ｐn が閾値Ｐ
thn より小さいとピーク値の偏りが小さいと判断し有声
音でない（雑音又は無声音である）とする。
【００４０】以上により、本発明に係る有声音判別方法
の第１の実施例は、各サブブロック毎の信号のピーク
値、実効値又は標準偏差のような統計的性質の時間軸上
での偏りに応じて有声音か否かを判別することができ
る。
の第１の実施例は、各サブブロック毎の信号のピーク
値、実効値又は標準偏差のような統計的性質の時間軸上
での偏りに応じて有声音か否かを判別することができ
る。
【００４１】次に図５は、本発明の第２の実施例として
の有声音判別方法を説明するための有声音判別装置の概
略構成を示す図である。この第２の実施例は、音声の１
ブロックの信号の周波数軸上のエネルギーの分布とレベ
ルとから有声音か否かを判別する。
の有声音判別方法を説明するための有声音判別装置の概
略構成を示す図である。この第２の実施例は、音声の１
ブロックの信号の周波数軸上のエネルギーの分布とレベ
ルとから有声音か否かを判別する。
【００４２】この第２の実施例は、有声音のエネルギー
分布が周波数軸上の低域側に集中し、雑音又は無声音の
エネルギー分布が周波数軸上の高域側に集中する傾向を
用いている。
分布が周波数軸上の低域側に集中し、雑音又は無声音の
エネルギー分布が周波数軸上の高域側に集中する傾向を
用いている。
【００４３】この図５において、入力端子３１には、図
示しないＨＰＦ（ハイパスフィルタ）等のフィルタによ
りいわゆる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）の除去が行われた音声の信
号が供給される。この信号は、窓かけ処理部３２に送ら
れる。この窓かけ処理部３２では１ブロックＮサンプル
（例えばＮ＝２５６）に対して例えばハミング窓をか
け、この１ブロックを１フレームＬサンプル（例えばＬ
＝１６０）の間隔で時間軸方向に順次移動させており、
各ブロック間のオーバーラップはＮ−Ｌ（９６サンプ
ル）となっている。この窓かけ処理部３２でＮサンプル
のブロックとされた信号は、直交変換部３３に供給され
る。この直交変換部３３は、例えば１ブロック２５６サ
ンプルのサンプル列に対して１７９２サンプル分の０デ
ータを付加して（いわゆる０詰めして）２０４８サンプ
ルとし、この２０４８サンプルの時間軸データ列に対し
て、ＦＦＴ（高速フーリエ変換）等の直交変換処理を施
し、周波数軸データ列に変換する。この直交変換部３３
からの周波数軸上のデータは、エネルギー検出部３４に
供給される。このエネルギー検出部３４は、供給された
周波数軸上データを低域側と高域側に分け、それぞれ低
域側エネルギー検出部３４ａと高域側エネルギー検出部
３４ｂによりエネルギーを検出する。この低域側エネル
ギー検出部３４ａ及び高域側エネルギー検出部３４ｂに
より検出された低域側エネルギー検出値及び高域側エネ
ルギー検出値は、エネルギー分布算出部３５に供給さ
れ、比率（エネルギー分布情報）が求められる。このエ
ネルギー分布算出部３５により求められたエネルギー分
布情報は、判断部３７に供給される。また、上記低域側
エネルギー検出値と高域側エネルギー検出値は、信号レ
ベル算出部３６に供給され、１サンプル当たりの信号の
レベルが計算される。この信号レベル算出部３６によっ
て算出された信号レベル情報は、上記判断部３７に供給
される。上記判断部３７は、上記エネルギー分布情報及
び信号レベル情報を基に入力音声信号が有声音であるか
否かを判断し、判断情報を出力端子３８から導出する。
示しないＨＰＦ（ハイパスフィルタ）等のフィルタによ
りいわゆる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）の除去が行われた音声の信
号が供給される。この信号は、窓かけ処理部３２に送ら
れる。この窓かけ処理部３２では１ブロックＮサンプル
（例えばＮ＝２５６）に対して例えばハミング窓をか
け、この１ブロックを１フレームＬサンプル（例えばＬ
＝１６０）の間隔で時間軸方向に順次移動させており、
各ブロック間のオーバーラップはＮ−Ｌ（９６サンプ
ル）となっている。この窓かけ処理部３２でＮサンプル
のブロックとされた信号は、直交変換部３３に供給され
る。この直交変換部３３は、例えば１ブロック２５６サ
ンプルのサンプル列に対して１７９２サンプル分の０デ
ータを付加して（いわゆる０詰めして）２０４８サンプ
ルとし、この２０４８サンプルの時間軸データ列に対し
て、ＦＦＴ（高速フーリエ変換）等の直交変換処理を施
し、周波数軸データ列に変換する。この直交変換部３３
からの周波数軸上のデータは、エネルギー検出部３４に
供給される。このエネルギー検出部３４は、供給された
周波数軸上データを低域側と高域側に分け、それぞれ低
域側エネルギー検出部３４ａと高域側エネルギー検出部
３４ｂによりエネルギーを検出する。この低域側エネル
ギー検出部３４ａ及び高域側エネルギー検出部３４ｂに
より検出された低域側エネルギー検出値及び高域側エネ
ルギー検出値は、エネルギー分布算出部３５に供給さ
れ、比率（エネルギー分布情報）が求められる。このエ
ネルギー分布算出部３５により求められたエネルギー分
布情報は、判断部３７に供給される。また、上記低域側
エネルギー検出値と高域側エネルギー検出値は、信号レ
ベル算出部３６に供給され、１サンプル当たりの信号の
レベルが計算される。この信号レベル算出部３６によっ
て算出された信号レベル情報は、上記判断部３７に供給
される。上記判断部３７は、上記エネルギー分布情報及
び信号レベル情報を基に入力音声信号が有声音であるか
否かを判断し、判断情報を出力端子３８から導出する。
【００４４】以下に、この第２の実施例の動作を説明す
る。上記窓かけ処理部３２でハミング窓をかけることに
より切り出される１ブロックのサンプル数Ｎを２５６サ
ンプルとし、入力サンプル列をx(n)とする。この１ブロ
ック（２５６サンプル）の時間軸上のデータは、上記直
交変換部３３により１ブロックの周波数軸上のデータに
変換される。この１ブロックの周波数軸上のデータは、
上記エネルギー検出部３４に供給され、振幅ａm (j)
が、
る。上記窓かけ処理部３２でハミング窓をかけることに
より切り出される１ブロックのサンプル数Ｎを２５６サ
ンプルとし、入力サンプル列をx(n)とする。この１ブロ
ック（２５６サンプル）の時間軸上のデータは、上記直
交変換部３３により１ブロックの周波数軸上のデータに
変換される。この１ブロックの周波数軸上のデータは、
上記エネルギー検出部３４に供給され、振幅ａm (j)
が、
【００４５】
【数６】
【００４６】により求められる。この（９）式でＲ
e (j) は実数部を表し、Ｉm (j) は虚数部を表す。ま
た、j はサンプル数で０以上Ｎ／２（＝１２８サンプ
ル）未満の範囲にある。
e (j) は実数部を表し、Ｉm (j) は虚数部を表す。ま
た、j はサンプル数で０以上Ｎ／２（＝１２８サンプ
ル）未満の範囲にある。
【００４７】上記エネルギー検出部３４の低域側エネル
ギー検出部３４ａ及び高域側エネルギー検出部３４ｂで
は、上記（９）式に示された振幅ａm (j) から、低域側
エネルギーＳL 及び高域側エネルギーＳH 及びを、
ギー検出部３４ａ及び高域側エネルギー検出部３４ｂで
は、上記（９）式に示された振幅ａm (j) から、低域側
エネルギーＳL 及び高域側エネルギーＳH 及びを、
【００４８】
【数７】
【００４９】で示される（10) 式及び(11)式により求め
る。ここでいう低域側は０〜２KHz 、高域側は２〜3.4
KHz の周波数帯である。上記(10)、(11)式により算出さ
れた低域側エネルギーＳL 及び高域側エネルギーＳH は
上記分布算出部３５に供給され、その比率ＳL ／ＳH に
より周波数軸上でのエネルギーの分布のバランス情報
（エネルギー分布情報）ｆb が求められる。すなわち、 ｆb ＝ＳL ／ＳH ・・（12） となる。
る。ここでいう低域側は０〜２KHz 、高域側は２〜3.4
KHz の周波数帯である。上記(10)、(11)式により算出さ
れた低域側エネルギーＳL 及び高域側エネルギーＳH は
上記分布算出部３５に供給され、その比率ＳL ／ＳH に
より周波数軸上でのエネルギーの分布のバランス情報
（エネルギー分布情報）ｆb が求められる。すなわち、 ｆb ＝ＳL ／ＳH ・・（12） となる。
【００５０】この周波数軸上でのエネルギー分布情報ｆ
b は、判断部３７に供給される。この判断部３７は、上
記エネルギー分布情報ｆb を例えば閾値ｆthb と比較し
有声音か否かの判断を行う。例えば上記閾値ｆthb を１
５に設定しておき上記エネルギー分布情報ｆb が該閾値
ｆthb より小さいときは高域側にエネルギーが集中して
いて有声音でない（雑音又は無声音である）確率が高い
と判断することになる。
b は、判断部３７に供給される。この判断部３７は、上
記エネルギー分布情報ｆb を例えば閾値ｆthb と比較し
有声音か否かの判断を行う。例えば上記閾値ｆthb を１
５に設定しておき上記エネルギー分布情報ｆb が該閾値
ｆthb より小さいときは高域側にエネルギーが集中して
いて有声音でない（雑音又は無声音である）確率が高い
と判断することになる。
【００５１】また、上記低域側エネルギーＳL 及び高域
側エネルギーＳH は、上記信号レベル算出部３６に供給
される。この信号レベル算出部３６は、上記低域側エネ
ルギーＳL 及び高域側エネルギーＳH とを用いて、信号
の平均レベルｌa 情報を、
側エネルギーＳH は、上記信号レベル算出部３６に供給
される。この信号レベル算出部３６は、上記低域側エネ
ルギーＳL 及び高域側エネルギーＳH とを用いて、信号
の平均レベルｌa 情報を、
【００５２】
【数８】
【００５３】で示される（13）式から求める。この平均
レベル情報ｌa も判断部３７に供給される。この判断部
３７は、上記平均レベル情報ｌa を例えば閾値ｌtha と
比較し有声音か否かの判断を行う。例えば上記閾値ｌ
tha を550 に設定しておき上記平均レベル情報ｌa が該
閾値ｌtha より小さいときは有声音でない（雑音又は無
声音である）確率が高いと判断することになる。
レベル情報ｌa も判断部３７に供給される。この判断部
３７は、上記平均レベル情報ｌa を例えば閾値ｌtha と
比較し有声音か否かの判断を行う。例えば上記閾値ｌ
tha を550 に設定しておき上記平均レベル情報ｌa が該
閾値ｌtha より小さいときは有声音でない（雑音又は無
声音である）確率が高いと判断することになる。
【００５４】上記判断部３７は、上記エネルギー分布情
報ｆb と平均レベル情報ｌa の内のどちらか一つの情報
からでも上述したように有声音か否かの判断が可能であ
るが、両方の情報を用いれば判断の信頼度は高くなる。
すなわち、 ｆb ＜ｆthb かつ ｌa ＜ｌtha のとき有声音でないという信頼度の高い判断ができる。
そして、出力端子３８から該判断情報を導出する。
報ｆb と平均レベル情報ｌa の内のどちらか一つの情報
からでも上述したように有声音か否かの判断が可能であ
るが、両方の情報を用いれば判断の信頼度は高くなる。
すなわち、 ｆb ＜ｆthb かつ ｌa ＜ｌtha のとき有声音でないという信頼度の高い判断ができる。
そして、出力端子３８から該判断情報を導出する。
【００５５】ここで、この第２の実施例での上記エネル
ギー分布情報ｆb と平均レベル情報ｌa を別々に、上述
した第１の実施例での時間軸上の標準偏差又は実効値の
偏在情報ある比率（偏在情報）ｐf と組み合わせて有声
音か否かの判断を行うこともできる。すなわち、 ｐf ＜ｐthf かつ ｆb ＜ｆthb 又はｐf ＜ｐthf か
つ ｌa ＜ｌtha のとき有声音でないという信頼度の高い判断を行うこと
ができる。
ギー分布情報ｆb と平均レベル情報ｌa を別々に、上述
した第１の実施例での時間軸上の標準偏差又は実効値の
偏在情報ある比率（偏在情報）ｐf と組み合わせて有声
音か否かの判断を行うこともできる。すなわち、 ｐf ＜ｐthf かつ ｆb ＜ｆthb 又はｐf ＜ｐthf か
つ ｌa ＜ｌtha のとき有声音でないという信頼度の高い判断を行うこと
ができる。
【００５６】以上により、この第２の実施例は、有声音
のエネルギー分布が周波数軸上の低域側に集中し、雑音
又は無声音のエネルギー分布が周波数軸上の高域側に集
中する傾向を用いて有声音か否かを判別することができ
る。
のエネルギー分布が周波数軸上の低域側に集中し、雑音
又は無声音のエネルギー分布が周波数軸上の高域側に集
中する傾向を用いて有声音か否かを判別することができ
る。
【００５７】次に図６は、本発明の第３の実施例として
の有声音判別方法を説明するための有声音判別装置の概
略構成を示す図である。
の有声音判別方法を説明するための有声音判別装置の概
略構成を示す図である。
【００５８】この図６において、入力端子４１には、少
なくとも低域成分（２００Hz以下）が除去され、方形窓
により１ブロックＮサンプル（例えばＮ＝２５６）で窓
かけ処理されて時間軸方向に移動され、さらに１ブロッ
クが細分割されたサブブロック毎の信号が供給される。
このサブブロック毎の信号から上記統計的性質検出部１
４が統計的性質を検出する。そして上記第１の実施例で
説明したような偏在検出部１７又は１９が上記統計的性
質から統計的性質の時間軸上での偏りを検出する。この
偏在検出部１７又は１９からの偏在情報は、判断部３９
に供給される。また、入力端子４２には、少なくとも低
域成分（２００Hz以下）が除去され、ハミング窓により
１ブロックＮサンプル（例えばＮ＝２５６）で窓かけ処
理されて時間軸方向に移動され、さらに直交変換により
周波数軸上に変換されたデータが供給される。この周波
数軸上に変換されたデータは、上記エネルギー検出部３
４に供給される。このエネルギー検出部３４により検出
された高域側エネルギー検出値と低域側エネルギー検出
値は、エネルギー分布算出部３５に供給される。このエ
ネルギー分布計算部３５により求められたエネルギー分
布情報は、判断部３９に供給される。さらに、上記高域
側エネルギー検出値と低域側エネルギー検出値は、信号
レベル算出部３６に供給され、１サンプル当たりの信号
のレベルが計算される。この信号レベル計算部３６によ
って計算された信号レベル情報は、上記判断部３９に供
給される。上記判断部３９には、上記偏在情報、エネル
ギー分布情報及び信号レベル情報が供給される。これら
の情報により判断部３９は、入力音声信号が有声音であ
るか否かを判断する。そして、出力端子４３から該判断
情報を導出する。
なくとも低域成分（２００Hz以下）が除去され、方形窓
により１ブロックＮサンプル（例えばＮ＝２５６）で窓
かけ処理されて時間軸方向に移動され、さらに１ブロッ
クが細分割されたサブブロック毎の信号が供給される。
このサブブロック毎の信号から上記統計的性質検出部１
４が統計的性質を検出する。そして上記第１の実施例で
説明したような偏在検出部１７又は１９が上記統計的性
質から統計的性質の時間軸上での偏りを検出する。この
偏在検出部１７又は１９からの偏在情報は、判断部３９
に供給される。また、入力端子４２には、少なくとも低
域成分（２００Hz以下）が除去され、ハミング窓により
１ブロックＮサンプル（例えばＮ＝２５６）で窓かけ処
理されて時間軸方向に移動され、さらに直交変換により
周波数軸上に変換されたデータが供給される。この周波
数軸上に変換されたデータは、上記エネルギー検出部３
４に供給される。このエネルギー検出部３４により検出
された高域側エネルギー検出値と低域側エネルギー検出
値は、エネルギー分布算出部３５に供給される。このエ
ネルギー分布計算部３５により求められたエネルギー分
布情報は、判断部３９に供給される。さらに、上記高域
側エネルギー検出値と低域側エネルギー検出値は、信号
レベル算出部３６に供給され、１サンプル当たりの信号
のレベルが計算される。この信号レベル計算部３６によ
って計算された信号レベル情報は、上記判断部３９に供
給される。上記判断部３９には、上記偏在情報、エネル
ギー分布情報及び信号レベル情報が供給される。これら
の情報により判断部３９は、入力音声信号が有声音であ
るか否かを判断する。そして、出力端子４３から該判断
情報を導出する。
【００５９】以下に、この第３の実施例の動作を説明す
る。この第３の実施例は、上記偏在検出部１７、１９か
らの各サブフレーム毎の信号の偏向情報ｐf 、上記分布
算出部３５からのエネルギー分布情報ｆb 及び上記信号
レベル算出部３６からの平均レベル情報ｌa を用いて上
記判断部３９で有声音か否かの判断を行うものである。
例えば、 ｐf ＜ｐthf かつ ｆb ＜ｆthb かつ ｌa ＜ｌ
tha のとき有声音でないという信頼度の高い判断を行う。
る。この第３の実施例は、上記偏在検出部１７、１９か
らの各サブフレーム毎の信号の偏向情報ｐf 、上記分布
算出部３５からのエネルギー分布情報ｆb 及び上記信号
レベル算出部３６からの平均レベル情報ｌa を用いて上
記判断部３９で有声音か否かの判断を行うものである。
例えば、 ｐf ＜ｐthf かつ ｆb ＜ｆthb かつ ｌa ＜ｌ
tha のとき有声音でないという信頼度の高い判断を行う。
【００６０】以上により、この第３の実施例は、統計的
性質の時間軸上での偏在情報、エネルギー分布情報及び
平均レベル情報とに応じて有声音か否かを判断する。
性質の時間軸上での偏在情報、エネルギー分布情報及び
平均レベル情報とに応じて有声音か否かを判断する。
【００６１】なお、本発明の上記実施例に係る有声音判
別方法は、上記具体例にのみ限定されるものでないこと
はいうまでもない。例えば、各サブフレーム毎の信号の
偏在情報ｐf を用いて有声音を判別する場合には、その
時間変化を追い例えば５フレーム連続して ｐf ＜ｐthf （ｐthf ＝1.1) のときに限りフラットとみなしフラグＰfsを１とする。
一方、５フレームの内１フレームでも、 ｐf ≧ｐthf となったら、上記フラグＰfsを０とする。そして、 ｆb ＜ｆbt かつ Ｐfs＝１ かつ ｌa ＜ｌtha のときに有声音でないという信頼度の非常に高い判断を
行うことができる。
別方法は、上記具体例にのみ限定されるものでないこと
はいうまでもない。例えば、各サブフレーム毎の信号の
偏在情報ｐf を用いて有声音を判別する場合には、その
時間変化を追い例えば５フレーム連続して ｐf ＜ｐthf （ｐthf ＝1.1) のときに限りフラットとみなしフラグＰfsを１とする。
一方、５フレームの内１フレームでも、 ｐf ≧ｐthf となったら、上記フラグＰfsを０とする。そして、 ｆb ＜ｆbt かつ Ｐfs＝１ かつ ｌa ＜ｌtha のときに有声音でないという信頼度の非常に高い判断を
行うことができる。
【００６２】そして、本発明に係る有声音判別方法によ
り、有声音でない、すなわち、背景雑音又は子音と判断
されたときには、入力音声信号の１ブロックを全て強制
的に無声音とすることにより、ＭＢＥ等のボコーダの合
成側での異音の発生を防ぐことができる。
り、有声音でない、すなわち、背景雑音又は子音と判断
されたときには、入力音声信号の１ブロックを全て強制
的に無声音とすることにより、ＭＢＥ等のボコーダの合
成側での異音の発生を防ぐことができる。
【００６３】次に、本発明に係る有声音判別方法の第４
の実施例について、図７及び図８を参照しながら説明す
る。上述した第１の実施例においては、信号の上記サブ
ブロック毎の標準偏差や実効値（ｒｍｓ値）のデータの
分布を調べるために、標準偏差や実効値の各データの相
加平均と相乗平均との比率を求めているが、上記相乗平
均をとるためには、上記１フレーム内のサブブロックの
個数（例えば３２個）のデータの乗算と３２乗根の演算
とが必要とされる。この場合、先に３２個のデータを乗
算するとオーバーフロー（桁あふれ）が生ずるため、先
に各データのそれぞれ３２乗根をとった後に乗算を行う
ような工夫が必要とされる。このとき、３２個の各デー
タ毎に３２回の３２乗根演算が必要となり、多くの演算
量が要求されることになる。
の実施例について、図７及び図８を参照しながら説明す
る。上述した第１の実施例においては、信号の上記サブ
ブロック毎の標準偏差や実効値（ｒｍｓ値）のデータの
分布を調べるために、標準偏差や実効値の各データの相
加平均と相乗平均との比率を求めているが、上記相乗平
均をとるためには、上記１フレーム内のサブブロックの
個数（例えば３２個）のデータの乗算と３２乗根の演算
とが必要とされる。この場合、先に３２個のデータを乗
算するとオーバーフロー（桁あふれ）が生ずるため、先
に各データのそれぞれ３２乗根をとった後に乗算を行う
ような工夫が必要とされる。このとき、３２個の各デー
タ毎に３２回の３２乗根演算が必要となり、多くの演算
量が要求されることになる。
【００６４】そこで、この第４の実施例においては、上
記３２個の各サブブロック毎の実効値（ｒｍｓ値）のフ
レーム内での標準偏差σrms と平均値ｒｍｓとを求め、
これらの値に応じて（例えばこれらの値の比率に応じ
て）実効値ｒｍｓの分布を検出している。すなわち、上
記各サブブロック毎の実効値ｒｍｓ、このｒｍｓのフレ
ーム内の標準偏差σrms 及び平均値ｒｍｓは、
記３２個の各サブブロック毎の実効値（ｒｍｓ値）のフ
レーム内での標準偏差σrms と平均値ｒｍｓとを求め、
これらの値に応じて（例えばこれらの値の比率に応じ
て）実効値ｒｍｓの分布を検出している。すなわち、上
記各サブブロック毎の実効値ｒｍｓ、このｒｍｓのフレ
ーム内の標準偏差σrms 及び平均値ｒｍｓは、
【００６５】
【数９】
【００６６】と表せる。これらの式中で、ｉは上記サブ
ブロックのインデックス（例えばｉ＝０〜３１）、ＢL
はサブブロック内のサンプル数（サブブロック長、例え
ばＢL＝８）、ＢN は１フレーム内のサブブロックの個
数（例えばＢN ＝３２）をそれぞれ示し、１フレーム内
のサンプル数Ｎを例えば２５６としている。
ブロックのインデックス（例えばｉ＝０〜３１）、ＢL
はサブブロック内のサンプル数（サブブロック長、例え
ばＢL＝８）、ＢN は１フレーム内のサブブロックの個
数（例えばＢN ＝３２）をそれぞれ示し、１フレーム内
のサンプル数Ｎを例えば２５６としている。
【００６７】上記（16）式の標準偏差σrms は、信号レ
ベルが大きくなるとそれだけで大きくなってしまうの
で、上記（15）式の平均値ｒｍｓで割り込んで正規化
（ノーマライズ）する。この正規化（ノーマライズ）し
た標準偏差をσm とするとき、 σm ＝σrms ／ｒｍｓ ・・・ （17） となる。このσm は、有声部では大きな値となり、無声
部又は背景雑音部分では小さな値となる。このσm が閾
値σthより大きいときは有声とみなし、閾値σthより小
さいときは無声又は背景雑音の可能性ありとして、他の
条件（信号レベルやスペクトルの傾き）のチェックを行
う。なお、上記閾値σthの具体的な値としては、σth＝
０．４が挙げられる。
ベルが大きくなるとそれだけで大きくなってしまうの
で、上記（15）式の平均値ｒｍｓで割り込んで正規化
（ノーマライズ）する。この正規化（ノーマライズ）し
た標準偏差をσm とするとき、 σm ＝σrms ／ｒｍｓ ・・・ （17） となる。このσm は、有声部では大きな値となり、無声
部又は背景雑音部分では小さな値となる。このσm が閾
値σthより大きいときは有声とみなし、閾値σthより小
さいときは無声又は背景雑音の可能性ありとして、他の
条件（信号レベルやスペクトルの傾き）のチェックを行
う。なお、上記閾値σthの具体的な値としては、σth＝
０．４が挙げられる。
【００６８】以上のような時間軸上のエネルギー分布の
分析処理は、図８のＡに示すような音声の母音部と図８
のＢに示すようなノイズ又は音声の子音部とで、上記サ
ブフレーム毎の短時間実効値（ｒｍｓ値）の分布に違い
が見られることに着目したものである。すなわち、図８
のＡの母音部での上記短時間ｒｍｓ値の分布（曲線ｂ参
照）には大きな偏りがあるのに対して、図８のＢのノイ
ズ又は子音部での短時間ｒｍｓ値の分布（曲線ｂ）はほ
ぼフラットである。なお、図８のＡ、Ｂの各曲線ａは信
号波形（サンプル値）を示している。このような短時間
ｒｍｓ値の分布を調べるために、本実施例では、短時間
ｒｍｓ値のフレーム内の標準偏差σrmsと平均値ｒｍｓ
との比率、すなわち上記正規化（ノーマライズ）された
標準偏差をσm を用いているわけである。
分析処理は、図８のＡに示すような音声の母音部と図８
のＢに示すようなノイズ又は音声の子音部とで、上記サ
ブフレーム毎の短時間実効値（ｒｍｓ値）の分布に違い
が見られることに着目したものである。すなわち、図８
のＡの母音部での上記短時間ｒｍｓ値の分布（曲線ｂ参
照）には大きな偏りがあるのに対して、図８のＢのノイ
ズ又は子音部での短時間ｒｍｓ値の分布（曲線ｂ）はほ
ぼフラットである。なお、図８のＡ、Ｂの各曲線ａは信
号波形（サンプル値）を示している。このような短時間
ｒｍｓ値の分布を調べるために、本実施例では、短時間
ｒｍｓ値のフレーム内の標準偏差σrmsと平均値ｒｍｓ
との比率、すなわち上記正規化（ノーマライズ）された
標準偏差をσm を用いているわけである。
【００６９】この時間軸上のエネルギー分布の分析処理
のための構成については、図７の入力端子５１からの入
力データを、実効値算出部６１に送って上記サブブロッ
ク毎の実効値ｒｍｓ(i) を求め、平均値及び標準偏差算
出部６２に送って上記平均値ｒｍｓ及び標準偏差σrms
を求めた後、正規化標準偏差算出部６３に送って上記正
規化した標準偏差σm を求めている。この正規化標準偏
差σm は、ノイズ又は無声区間判別部６４に送ってい
る。
のための構成については、図７の入力端子５１からの入
力データを、実効値算出部６１に送って上記サブブロッ
ク毎の実効値ｒｍｓ(i) を求め、平均値及び標準偏差算
出部６２に送って上記平均値ｒｍｓ及び標準偏差σrms
を求めた後、正規化標準偏差算出部６３に送って上記正
規化した標準偏差σm を求めている。この正規化標準偏
差σm は、ノイズ又は無声区間判別部６４に送ってい
る。
【００７０】次に、スペクトルの傾きのチェックについ
て説明する。通常、有声音部分では、周波数軸上で低域
にエネルギーが集中する。これに対して無声部又は背景
雑音部では高域側にエネルギーが集中しやすい。そこ
で、高域側と低域側のエネルギーの比をとって、その値
を雑音部か否かの評価尺度の１つとして使用する。すな
わち、図７の入力端子５１からの１ブロック（１フレー
ム）内のｘ(n) （０≦ｎ＜Ｎ、Ｎ＝２５６）に対して、
窓かけ処理部５２にて適当な窓（例えばハミング窓）を
かけ、ＦＦＴ（高速フーリエ変換）部５３でＦＦＴ処理
を行って得た結果を、 Ｒe(j) （０≦ｊ＜Ｎ／２） Ｉm(j) （０≦ｊ＜Ｎ／２） とする。ただし、Ｒe(j)はＦＦＴ係数の実部、Ｉm(j)は
同虚部である。また、Ｎ／２は規格化周波数のπに相当
し、実周波数の４ｋＨｚ（ｘ(n) は８ｋＨｚサンプリン
グのデータなので）に当たる。
て説明する。通常、有声音部分では、周波数軸上で低域
にエネルギーが集中する。これに対して無声部又は背景
雑音部では高域側にエネルギーが集中しやすい。そこ
で、高域側と低域側のエネルギーの比をとって、その値
を雑音部か否かの評価尺度の１つとして使用する。すな
わち、図７の入力端子５１からの１ブロック（１フレー
ム）内のｘ(n) （０≦ｎ＜Ｎ、Ｎ＝２５６）に対して、
窓かけ処理部５２にて適当な窓（例えばハミング窓）を
かけ、ＦＦＴ（高速フーリエ変換）部５３でＦＦＴ処理
を行って得た結果を、 Ｒe(j) （０≦ｊ＜Ｎ／２） Ｉm(j) （０≦ｊ＜Ｎ／２） とする。ただし、Ｒe(j)はＦＦＴ係数の実部、Ｉm(j)は
同虚部である。また、Ｎ／２は規格化周波数のπに相当
し、実周波数の４ｋＨｚ（ｘ(n) は８ｋＨｚサンプリン
グのデータなので）に当たる。
【００７１】上記ＦＦＴ処理結果は、振幅算出部５４に
送って振幅ａm (j) を求めている。この振幅算出部５４
は、上記第２の実施例のエネルギー検出部３４と同様な
処理を行う部分であり、上記（９）式の演算が行われ
る。次に、この演算結果である振幅ａm (j) がＳL 、Ｓ
H 、ｆb 算出部５５に送られ、この算出部５５におい
て、上記エネルギー検出部３４内の低域側、高域側の各
エネルギー検出部３４ａ、３４ｂでの演算、すなわち上
記（10）式による低域側エネルギーＳL の演算、及び上
記（11）式による高域側エネルギーＳH の演算が行わ
れ、さらにこれらの比率であるエネルギーバランスを示
すパラメータｆb （＝ＳL ／ＳH 、上記（12）式参照）
を求めている。この値が小さいときは高域側にエネルギ
ーが片寄っていてノイズ又は子音である可能性が高い。
このパラメータｆb を上記ノイズ又は無声区間判別部６
４に送っている。
送って振幅ａm (j) を求めている。この振幅算出部５４
は、上記第２の実施例のエネルギー検出部３４と同様な
処理を行う部分であり、上記（９）式の演算が行われ
る。次に、この演算結果である振幅ａm (j) がＳL 、Ｓ
H 、ｆb 算出部５５に送られ、この算出部５５におい
て、上記エネルギー検出部３４内の低域側、高域側の各
エネルギー検出部３４ａ、３４ｂでの演算、すなわち上
記（10）式による低域側エネルギーＳL の演算、及び上
記（11）式による高域側エネルギーＳH の演算が行わ
れ、さらにこれらの比率であるエネルギーバランスを示
すパラメータｆb （＝ＳL ／ＳH 、上記（12）式参照）
を求めている。この値が小さいときは高域側にエネルギ
ーが片寄っていてノイズ又は子音である可能性が高い。
このパラメータｆb を上記ノイズ又は無声区間判別部６
４に送っている。
【００７２】次に、上記第２の実施例の信号レベル算出
部３６に相当する信号パワー算出部５６において、上記
（13）式に示す信号の平均レベルあるいはパワーｌa を
算出している。この信号レベルあるいは信号パワーｌa
も上記ノイズ又は無声区間判別部６４に送っている。
部３６に相当する信号パワー算出部５６において、上記
（13）式に示す信号の平均レベルあるいはパワーｌa を
算出している。この信号レベルあるいは信号パワーｌa
も上記ノイズ又は無声区間判別部６４に送っている。
【００７３】ノイズ又は無声区間判別部６４において
は、上記各算出された値σm 、ｆb 、ｌa に基づいてノ
イズ又は無声区間を判別する。この判別ための処理をＦ
（・）と定義するとき、Ｆ（σm 、ｆb 、ｌa ）の関数
の具体例として次のようなものが挙げられる。
は、上記各算出された値σm 、ｆb 、ｌa に基づいてノ
イズ又は無声区間を判別する。この判別ための処理をＦ
（・）と定義するとき、Ｆ（σm 、ｆb 、ｌa ）の関数
の具体例として次のようなものが挙げられる。
【００７４】先ず、第１の具体例として、 ｆb ＜ｆbth かつ σm ＜σmth かつ ｌa ＜ｌath ただし、ｆbth 、σmth 、ｌath はいずれも閾値 の条件とすることが考えられ、この条件が満足されると
き、ノイズと判断し、全バンドＵＶ（無声音）とする。
ここで、各閾値の具体的な値としては、ｆbth ＝１５、
σmth ＝０．４、ｌath ＝５５０が挙げられる。
き、ノイズと判断し、全バンドＵＶ（無声音）とする。
ここで、各閾値の具体的な値としては、ｆbth ＝１５、
σmth ＝０．４、ｌath ＝５５０が挙げられる。
【００７５】次に、第２の例として、上記正規化標準偏
差σm の信頼度を向上するために、もう少し長時間のσ
m を観測することも考えられる。具体的には、Ｍフレー
ム連続してσm ＜σmth のときに限り、時間軸上のエネ
ルギー分布がフラットであると見なし、σm 状態フラグ
σstate をセット（σstate ＝１）する。１フレームで
もσm ≦σmth が出現したときには、上記σm 状態フラ
グσstate をリセット（σstate ＝０）する。そして、
上記関数Ｆ（・）としては、 ｆb ＜ｆbth かつ σstate ＝１ かつ ｌa ＜ｌath のときにノイズあるいは無声と判断し、Ｖ／ＵＶフラグ
をオールＵＶとする。
差σm の信頼度を向上するために、もう少し長時間のσ
m を観測することも考えられる。具体的には、Ｍフレー
ム連続してσm ＜σmth のときに限り、時間軸上のエネ
ルギー分布がフラットであると見なし、σm 状態フラグ
σstate をセット（σstate ＝１）する。１フレームで
もσm ≦σmth が出現したときには、上記σm 状態フラ
グσstate をリセット（σstate ＝０）する。そして、
上記関数Ｆ（・）としては、 ｆb ＜ｆbth かつ σstate ＝１ かつ ｌa ＜ｌath のときにノイズあるいは無声と判断し、Ｖ／ＵＶフラグ
をオールＵＶとする。
【００７６】上記第２の例のように正規化標準偏差σm
の信頼度を高めた状態においては、信号レベル（信号パ
ワー）ｌa のチェックを不要としてもよい。この場合の
関数Ｆ（・）としては、 ｆb ＜ｆbth かつ σstate ＝１ のときに、無声又はノイズと判断すればよい。
の信頼度を高めた状態においては、信号レベル（信号パ
ワー）ｌa のチェックを不要としてもよい。この場合の
関数Ｆ（・）としては、 ｆb ＜ｆbth かつ σstate ＝１ のときに、無声又はノイズと判断すればよい。
【００７７】以上説明したような第４の実施例によれ
ば、ＤＳＰへのインプリメントが可能な程度の少ない演
算量で、正確にノイズ（背景雑音）区間や無声区間を検
出することが可能となり、背景雑音と判定された部分
（フレーム）は強制的に全バンドをＵＶとすることで、
背景雑音をエンコード／デコードすることによるうなり
音のような異音の発生を抑えることが可能になる。
ば、ＤＳＰへのインプリメントが可能な程度の少ない演
算量で、正確にノイズ（背景雑音）区間や無声区間を検
出することが可能となり、背景雑音と判定された部分
（フレーム）は強制的に全バンドをＵＶとすることで、
背景雑音をエンコード／デコードすることによるうなり
音のような異音の発生を抑えることが可能になる。
【００７８】以下、本発明に係る有声音判別方法が適用
可能な音声信号の合成分析符号化装置（いわゆるボコー
ダ）の一種のＭＢＥ（Multiband Excitation: マルチバ
ンド励起）ボコーダの具体例について、図面を参照しな
がら説明する。このＭＢＥボコーダは、D. W. Griffin
and J. S. Lim,^Multiband Excitation Vocoder," IEEE
Trans.Acoustics,Speech,and Signal Processing, vo
l.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 ( PARtialauto-CO
Rrelation: 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（Unvoic
ed）区間とが存在するという仮定でモデル化している。
可能な音声信号の合成分析符号化装置（いわゆるボコー
ダ）の一種のＭＢＥ（Multiband Excitation: マルチバ
ンド励起）ボコーダの具体例について、図面を参照しな
がら説明する。このＭＢＥボコーダは、D. W. Griffin
and J. S. Lim,^Multiband Excitation Vocoder," IEEE
Trans.Acoustics,Speech,and Signal Processing, vo
l.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 ( PARtialauto-CO
Rrelation: 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（Unvoic
ed）区間とが存在するという仮定でモデル化している。
【００７９】図９は、上記ＭＢＥボコーダの実施例の全
体の概略構成を示すブロック図である。この図９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（２
００Hz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１０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。
体の概略構成を示すブロック図である。この図９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（２
００Hz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１０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。
【００８０】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) ・・・（18） となる。この（18）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１０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 ・・・（19） ＝０ ｒ＜０，Ｎ≦ｒ また、窓かけ処理部１０４での図１０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 ・・・（20） ＝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（18）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１１に示すように、ｋＬ−Ｎ＜ｑ≦ｋ
Ｌのときとなる。また、上記（18）〜（20）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（1
9）式、（20）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。
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１０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 ・・・（19） ＝０ ｒ＜０，Ｎ≦ｒ また、窓かけ処理部１０４での図１０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 ・・・（20） ＝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（18）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１１に示すように、ｋＬ−Ｎ＜ｑ≦ｋ
Ｌのときとなる。また、上記（18）〜（20）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（1
9）式、（20）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。
【００８１】窓かけ処理部１０４では、図１２に示すよ
うに、上記（20）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１７
９２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。
うに、上記（20）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１７
９２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。
【００８２】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。
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。
【００８３】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。
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。
【００８４】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 ・・・（21） 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（21）式中において、周波数軸上のスペクトルデー
タＳ(j) が図１３のＡに示すような波形のとき、Ｈ(j)
は、図１３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１３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。
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 ・・・（21） 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（21）式中において、周波数軸上のスペクトルデー
タＳ(j) が図１３のＡに示すような波形のとき、Ｈ(j)
は、図１３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１３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。
【００８５】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１２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。
｜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１２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。
【００８６】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、
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、
【００８７】
【数１０】
【００８８】で表せる。このエラーεm を最小化するよ
うな｜Ａm ｜は、
うな｜Ａm ｜は、
【００８９】
【数１１】
【００９０】となり、この（23）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
（22）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。
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
（22）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。
【００９１】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（23）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（22）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。
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（23）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（22）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。
【００９２】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。
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。
【００９３】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、
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、
【００９４】
【数１２】
【００９５】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。
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。
【００９６】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、
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、
【００９７】
【数１３】
【００９８】にて求められる。
【００９９】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る。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。
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る。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。
【０１００】ここで本実施例においては、周波数軸上の
有効帯域１ブロック分の振幅データに対して、ブロック
内の最後のデータからブロック内の最初のデータまでの
値を補間するようなダミーデータを付加してデータ個数
を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２０４８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。
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２０４８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。
【０１０１】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。これら
の各出力端子１１１〜１１３からのデータは、所定の伝
送フォーマットの信号とされて伝送される。
（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。これら
の各出力端子１１１〜１１３からのデータは、所定の伝
送フォーマットの信号とされて伝送される。
【０１０２】なお、これらの各データは、上記Ｎサンプ
ル（例えば２５６サンプル）のブロック内のデータに対
して処理を施すことにより得られるものであるが、ブロ
ックは時間軸上を上記Ｌサンプルのフレームを単位とし
て前進することから、伝送するデータは上記フレーム単
位で得られる。すなわち、上記フレーム周期でピッチデ
ータ、Ｖ／ＵＶ判別データ、振幅データが更新されるこ
とになる。
ル（例えば２５６サンプル）のブロック内のデータに対
して処理を施すことにより得られるものであるが、ブロ
ックは時間軸上を上記Ｌサンプルのフレームを単位とし
て前進することから、伝送するデータは上記フレーム単
位で得られる。すなわち、上記フレーム周期でピッチデ
ータ、Ｖ／ＵＶ判別データ、振幅データが更新されるこ
とになる。
【０１０３】次に、伝送されて得られた上記各データに
基づき音声信号を合成するための合成側（デコード側）
の概略構成について、図１４を参照しながら説明する。
この図１４において、入力端子１２１には上記ベクトル
量子化された振幅データが、入力端子１２２には上記符
号化されたピッチデータが、また入力端子１２３には上
記Ｖ／ＵＶ判別データがそれぞれ供給される。入力端子
１２１からの量子化振幅データは、逆ベクトル量子化部
１２４に送られて逆量子化され、データ数逆変換部１２
５に送られて逆変換され、得られた振幅データが有声音
合成部１２６及び無声音合成部１２７に送られる。入力
端子１２２からの符号化ピッチデータは、ピッチ復号化
部１２８で復号化され、データ数逆変換部１２５、有声
音合成部１２６及び無声音合成部１２７に送られる。ま
た入力端子１２３からのＶ／ＵＶ判別データは、有声音
合成部１２６及び無声音合成部１２７に送られる。
基づき音声信号を合成するための合成側（デコード側）
の概略構成について、図１４を参照しながら説明する。
この図１４において、入力端子１２１には上記ベクトル
量子化された振幅データが、入力端子１２２には上記符
号化されたピッチデータが、また入力端子１２３には上
記Ｖ／ＵＶ判別データがそれぞれ供給される。入力端子
１２１からの量子化振幅データは、逆ベクトル量子化部
１２４に送られて逆量子化され、データ数逆変換部１２
５に送られて逆変換され、得られた振幅データが有声音
合成部１２６及び無声音合成部１２７に送られる。入力
端子１２２からの符号化ピッチデータは、ピッチ復号化
部１２８で復号化され、データ数逆変換部１２５、有声
音合成部１２６及び無声音合成部１２７に送られる。ま
た入力端子１２３からのＶ／ＵＶ判別データは、有声音
合成部１２６及び無声音合成部１２７に送られる。
【０１０４】有声音合成部１２６では例えば余弦(cosin
e)波合成により時間軸上の有声音波形を合成し、無声音
合成部１２７では例えばホワイトノイズをバンドパスフ
ィルタでフィルタリングして時間軸上の無声音波形を合
成し、これらの各有声音合成波形と無声音合成波形とを
加算部１２９で加算合成して、出力端子１３０より取り
出すようにしている。この場合、上記振幅データ、ピッ
チデータ及びＶ／ＵＶ判別データは、上記分析時の１フ
レーム（Ｌサンプル、例えば１６０サンプル）毎に更新
されて与えられるが、フレーム間の連続性を高める（円
滑化する）ために、上記振幅データやピッチデータの各
値を１フレーム中の例えば中心位置における各データ値
とし、次のフレームの中心位置までの間（合成時の１フ
レーム）の各データ値を補間により求める。すなわち、
合成時の１フレーム（例えば上記分析フレームの中心か
ら次の分析フレームの中心まで）において、先端サンプ
ル点での各データ値と終端（次の合成フレームの先端）
サンプル点での各データ値とが与えられ、これらのサン
プル点間の各データ値を補間により求めるようにしてい
る。
e)波合成により時間軸上の有声音波形を合成し、無声音
合成部１２７では例えばホワイトノイズをバンドパスフ
ィルタでフィルタリングして時間軸上の無声音波形を合
成し、これらの各有声音合成波形と無声音合成波形とを
加算部１２９で加算合成して、出力端子１３０より取り
出すようにしている。この場合、上記振幅データ、ピッ
チデータ及びＶ／ＵＶ判別データは、上記分析時の１フ
レーム（Ｌサンプル、例えば１６０サンプル）毎に更新
されて与えられるが、フレーム間の連続性を高める（円
滑化する）ために、上記振幅データやピッチデータの各
値を１フレーム中の例えば中心位置における各データ値
とし、次のフレームの中心位置までの間（合成時の１フ
レーム）の各データ値を補間により求める。すなわち、
合成時の１フレーム（例えば上記分析フレームの中心か
ら次の分析フレームの中心まで）において、先端サンプ
ル点での各データ値と終端（次の合成フレームの先端）
サンプル点での各データ値とが与えられ、これらのサン
プル点間の各データ値を補間により求めるようにしてい
る。
【０１０５】以下、有声音合成部１２６における合成処
理を詳細に説明する。上記Ｖ（有声音）と判別された第
ｍバンド（第ｍ高調波の帯域）における時間軸上の上記
１合成フレーム（Ｌサンプル、例えば１６０サンプル）
分の有声音を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(θm (n)) ０≦ｎ＜Ｌ ・・・（26） 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。
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(θm (n)) ０≦ｎ＜Ｌ ・・・（26） 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。
【０１０６】この（26）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 ・・・（27） の式によりＡm (n) を計算すればよい。
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 ・・・（27） の式によりＡm (n) を計算すればよい。
【０１０７】次に、上記（26）式中の位相θm (n) は、 θm (0) ＝ｍωO1ｎ＋ｎ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋Δωｎ ・・・（28） により求めることができる。この（28）式中で、φ0mは
上記合成フレームの先端（ｎ＝０）での第ｍ高調波の位
相（フレーム初期位相）を示し、ω01は合成フレーム先
端（ｎ＝０）での基本角周波数、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
波数をそれぞれ示している。上記（28）式中のΔωは、
ｎ＝Ｌにおける位相φLmがθm (L) に等しくなるような
最小のΔωを設定する。
上記合成フレームの先端（ｎ＝０）での第ｍ高調波の位
相（フレーム初期位相）を示し、ω01は合成フレーム先
端（ｎ＝０）での基本角周波数、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
波数をそれぞれ示している。上記（28）式中のΔωは、
ｎ＝Ｌにおける位相φLmがθm (L) に等しくなるような
最小のΔωを設定する。
【０１０８】以下、任意の第ｍバンドにおいて、それぞ
れｎ＝０、ｎ＝ＬのときのＶ／ＵＶ判別結果に応じた上
記振幅Ａm (n) 、位相θm (n) の求め方を説明する。第
ｍバンドが、ｎ＝０、ｎ＝ＬのいずれもＶ（有声音）と
される場合に、振幅Ａm (n) は、上述した（27）式によ
り、伝送された振幅値Ａ0m、ＡLmを直線補間して振幅Ａ
m (n) を算出すればよい。位相θm (n) は、ｎ＝０でθ
m (0) ＝φ0mからｎ＝Ｌでθm (L) がφLmとなるように
Δωを設定する。
れｎ＝０、ｎ＝ＬのときのＶ／ＵＶ判別結果に応じた上
記振幅Ａm (n) 、位相θm (n) の求め方を説明する。第
ｍバンドが、ｎ＝０、ｎ＝ＬのいずれもＶ（有声音）と
される場合に、振幅Ａm (n) は、上述した（27）式によ
り、伝送された振幅値Ａ0m、ＡLmを直線補間して振幅Ａ
m (n) を算出すればよい。位相θm (n) は、ｎ＝０でθ
m (0) ＝φ0mからｎ＝Ｌでθm (L) がφLmとなるように
Δωを設定する。
【０１０９】次に、ｎ＝０のときＶ（有声音）で、ｎ＝
ＬのときＵＶ（無声音）とされる場合に、振幅Ａm (n)
は、Ａm (0) の伝送振幅値Ａ0mからＡm (L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値ＡLmは無声
音の振幅値であり、後述する無声音合成の際に用いられ
る。位相θm (n) は、θm (0) ＝φ0mとし、かつΔω＝
０とする。
ＬのときＵＶ（無声音）とされる場合に、振幅Ａm (n)
は、Ａm (0) の伝送振幅値Ａ0mからＡm (L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値ＡLmは無声
音の振幅値であり、後述する無声音合成の際に用いられ
る。位相θm (n) は、θm (0) ＝φ0mとし、かつΔω＝
０とする。
【０１１０】さらに、ｎ＝０のときＵＶ（無声音）で、
ｎ＝ＬのときＶ（有声音）とされる場合には、振幅Ａm
(n) は、ｎ＝０での振幅Ａm (0) を０とし、ｎ＝Ｌで伝
送された振幅値ＡLmとなるように直線補間する。位相θ
m (n) については、ｎ＝０での位相θm (0) として、フ
レーム終端での位相値φLmを用いて、 θm (0) ＝φLm−ｍ（ωO1＋ωL1）Ｌ／２ ・・・（29） とし、かつΔω＝０とする。
ｎ＝ＬのときＶ（有声音）とされる場合には、振幅Ａm
(n) は、ｎ＝０での振幅Ａm (0) を０とし、ｎ＝Ｌで伝
送された振幅値ＡLmとなるように直線補間する。位相θ
m (n) については、ｎ＝０での位相θm (0) として、フ
レーム終端での位相値φLmを用いて、 θm (0) ＝φLm−ｍ（ωO1＋ωL1）Ｌ／２ ・・・（29） とし、かつΔω＝０とする。
【０１１１】上記ｎ＝０、ｎ＝ＬのいずれもＶ（有声
音）とされる場合に、θm (L) がφLmとなるようにΔω
を設定する手法について説明する。上記（24）式で、ｎ
＝Ｌと置くことにより、 θm (L) ＝ｍωO1Ｌ＋Ｌ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋ΔωＬ ＝ｍ（ωO1＋ωL1）Ｌ／２＋φ0m＋ΔωＬ ＝φLm となり、これを整理すると、Δωは、 Δω＝（mod2π((φLm−φ0m) − mL(ωO1＋ωL1)/2)／Ｌ ・・・（30） となる。この（30）式でmod2π(x) とは、ｘの主値を−
π〜＋πの間の値で返す関数である。例えば、ｘ＝１.3
πのときmod2π(x) ＝−０.7π、ｘ＝２.3πのときmod2
π(x) ＝０.3π、ｘ＝−１.3πのときmod2π(x) ＝０.7
π、等である。
音）とされる場合に、θm (L) がφLmとなるようにΔω
を設定する手法について説明する。上記（24）式で、ｎ
＝Ｌと置くことにより、 θm (L) ＝ｍωO1Ｌ＋Ｌ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋ΔωＬ ＝ｍ（ωO1＋ωL1）Ｌ／２＋φ0m＋ΔωＬ ＝φLm となり、これを整理すると、Δωは、 Δω＝（mod2π((φLm−φ0m) − mL(ωO1＋ωL1)/2)／Ｌ ・・・（30） となる。この（30）式でmod2π(x) とは、ｘの主値を−
π〜＋πの間の値で返す関数である。例えば、ｘ＝１.3
πのときmod2π(x) ＝−０.7π、ｘ＝２.3πのときmod2
π(x) ＝０.3π、ｘ＝−１.3πのときmod2π(x) ＝０.7
π、等である。
【０１１２】ここで、図１５のＡは、音声信号のスペク
トルの一例を示しており、バンド番号（ハーモニクスナ
ンバ）ｍが８、９、１０の各バンドがＵＶ（無声音）と
され、他のバンドはＶ（有声音）とされている。このＶ
（有声音）のバンドの時間軸信号が上記有声音合成部１
２６により合成され、ＵＶ（無声音）のバンドの時間軸
信号が無声音合成部１２７で合成されるわけである。
トルの一例を示しており、バンド番号（ハーモニクスナ
ンバ）ｍが８、９、１０の各バンドがＵＶ（無声音）と
され、他のバンドはＶ（有声音）とされている。このＶ
（有声音）のバンドの時間軸信号が上記有声音合成部１
２６により合成され、ＵＶ（無声音）のバンドの時間軸
信号が無声音合成部１２７で合成されるわけである。
【０１１３】以下、無声音合成部１２７における無声音
合成処理を説明する。ホワイトノイズ発生部１３１から
の時間軸上のホワイトノイズ信号波形を、所定の長さ
（例えば２５６サンプル）で適当な窓関数（例えばハミ
ング窓）により窓かけをし、ＳＴＦＴ処理部１３２によ
りＳＴＦＴ（ショートタームフーリエ変換）処理を施す
ことにより、図１５のＢに示すようなホワイトノイズの
周波数軸上のパワースペクトルを得る。このＳＴＦＴ処
理部１３２からのパワースペクトルをバンド振幅処理部
１３３に送り、図１５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
１３３には上記振幅データ、ピッチデータ、Ｖ／ＵＶ判
別データが供給されている。バンド振幅処理部１３３か
らの出力は、ＩＳＴＦＴ処理部１３４に送られ、位相は
元のホワイトノイズの位相を用いて逆ＳＴＦＴ処理を施
すことにより時間軸上の信号に変換する。ＩＳＴＦＴ処
理部１３４からの出力は、オーバーラップ加算部１３５
に送られ、時間軸上で適当な（元の連続的なノイズ波形
を復元できるように）重み付けをしながらオーバーラッ
プ及び加算を繰り返し、連続的な時間軸波形を合成す
る。オーバーラップ加算部１３５からの出力信号が上記
加算部１２９に送られる。
合成処理を説明する。ホワイトノイズ発生部１３１から
の時間軸上のホワイトノイズ信号波形を、所定の長さ
（例えば２５６サンプル）で適当な窓関数（例えばハミ
ング窓）により窓かけをし、ＳＴＦＴ処理部１３２によ
りＳＴＦＴ（ショートタームフーリエ変換）処理を施す
ことにより、図１５のＢに示すようなホワイトノイズの
周波数軸上のパワースペクトルを得る。このＳＴＦＴ処
理部１３２からのパワースペクトルをバンド振幅処理部
１３３に送り、図１５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
１３３には上記振幅データ、ピッチデータ、Ｖ／ＵＶ判
別データが供給されている。バンド振幅処理部１３３か
らの出力は、ＩＳＴＦＴ処理部１３４に送られ、位相は
元のホワイトノイズの位相を用いて逆ＳＴＦＴ処理を施
すことにより時間軸上の信号に変換する。ＩＳＴＦＴ処
理部１３４からの出力は、オーバーラップ加算部１３５
に送られ、時間軸上で適当な（元の連続的なノイズ波形
を復元できるように）重み付けをしながらオーバーラッ
プ及び加算を繰り返し、連続的な時間軸波形を合成す
る。オーバーラップ加算部１３５からの出力信号が上記
加算部１２９に送られる。
【０１１４】このように、各合成部１２６、１２７にお
いて合成されて時間軸上に戻された有声音部及び無声音
部の各信号は、加算部１２９により適当な固定の混合比
で加算して、出力端子１３０より再生された音声信号を
取り出す。
いて合成されて時間軸上に戻された有声音部及び無声音
部の各信号は、加算部１２９により適当な固定の混合比
で加算して、出力端子１３０より再生された音声信号を
取り出す。
【０１１５】なお、上記図５の音声分析側（エンコード
側）の構成や図１４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。
側）の構成や図１４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。
【０１１６】また、本発明に係る有声音判別方法は、例
えば、自動車電話の送信側で環境雑音（背景雑音等）を
落としたいというようなとき、背景雑音を検出する手段
としても用いられる。すなわち、雑音に乱された低品質
の音声を処理し、雑音の影響を取り除き、聞きやすい音
にするようないわゆるスピーチエンハンスメントでの雑
音検出にも適用される。
えば、自動車電話の送信側で環境雑音（背景雑音等）を
落としたいというようなとき、背景雑音を検出する手段
としても用いられる。すなわち、雑音に乱された低品質
の音声を処理し、雑音の影響を取り除き、聞きやすい音
にするようないわゆるスピーチエンハンスメントでの雑
音検出にも適用される。
【０１１７】
【発明の効果】本発明に係る有声音判別方法は、信号の
１ブロックをさらに分割した複数のサブブロック毎に求
めた信号の統計的な性質の時間軸上での偏りに応じて有
声音を雑音又は無声音かと区別することにより、確実に
判別できる。そして、ＭＢＥ等のボコーダに適用する場
合には、音声のサブブロックに有声音入力がないとき、
すなわち雑音又は無声音の入力があるとき、強制的に入
力音声信号の全帯域を無声音として、間違ったピッチを
検出することがないようにし、合成側での異音の発生を
抑えることができる。
１ブロックをさらに分割した複数のサブブロック毎に求
めた信号の統計的な性質の時間軸上での偏りに応じて有
声音を雑音又は無声音かと区別することにより、確実に
判別できる。そして、ＭＢＥ等のボコーダに適用する場
合には、音声のサブブロックに有声音入力がないとき、
すなわち雑音又は無声音の入力があるとき、強制的に入
力音声信号の全帯域を無声音として、間違ったピッチを
検出することがないようにし、合成側での異音の発生を
抑えることができる。
【０１１８】また、サブブロック毎の実効値（短時間ｒ
ｍｓ値）の標準偏差及び平均値に基づいて短時間ｒｍｓ
値の分布を調べることにより、少ない演算量で正確な有
声音区間判別が行える。
ｍｓ値）の標準偏差及び平均値に基づいて短時間ｒｍｓ
値の分布を調べることにより、少ない演算量で正確な有
声音区間判別が行える。
【図１】本発明に係る有声音判別方法の第１の実施例を
説明するための有声音判別装置の概略構成を示す機能ブ
ロック図である。
説明するための有声音判別装置の概略構成を示す機能ブ
ロック図である。
【図２】信号の統計的性質を説明するための波形図であ
る。
る。
【図３】第１の実施例を説明するための有声音判別装置
の要部の構成を示す機能ブロック図である。
の要部の構成を示す機能ブロック図である。
【図４】第１の実施例を説明するための有声音判別装置
の要部の構成を示す機能ブロック図である。
の要部の構成を示す機能ブロック図である。
【図５】本発明に係る有声音判別方法の第２の実施例を
説明するための有声音判別装置の概略構成を示す機能ブ
ロック図である。
説明するための有声音判別装置の概略構成を示す機能ブ
ロック図である。
【図６】本発明に係る有声音判別方法の第３の実施例を
説明するための有声音判別装置の要部の概略構成を示す
機能ブロック図である。
説明するための有声音判別装置の要部の概略構成を示す
機能ブロック図である。
【図７】本発明に係る有声音判別方法の第４の実施例を
説明するための有声音判別装置の概略構成を示す機能ブ
ロック図である。
説明するための有声音判別装置の概略構成を示す機能ブ
ロック図である。
【図８】信号の統計的性質としての短時間ｒｍｓ値の分
布を説明するための波形図である。
布を説明するための波形図である。
【図９】本発明に係る有声音判別方法が適用可能な装置
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。
の具体例としての音声信号の合成分析符号化装置の分析
側（エンコード側）の概略構成を示す機能ブロック図で
ある。
【図１０】窓かけ処理を説明するための図である。
【図１１】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。
の図である。
【図１２】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。
データを示す図である。
【図１３】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。
包絡線（エンベロープ）及び励起信号のパワースペクト
ルを示す図である。
【図１４】本発明に係る有声音判別方法が適用可能な装
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。
置の具体例としての音声信号の合成分析符号化装置の合
成側（デコード側）の概略構成を示す機能ブロック図で
ある。
【図１５】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。
るための図である。
１２・・・・・窓かけ処理部 １３・・・・・サブブロック分割部 １４・・・・・統計的性質検出部 １５・・・・・標準偏差又は実効値情報検出部 １６・・・・・ピーク値情報検出部 １７・・・・・標準偏差又は実効値偏在検出部 １８・・・・・判断部 １９・・・・・ピーク値偏在検出部 ６１・・・・・サブブロック毎の実効値算出部 ６２・・・・・実効値の平均と標準偏差算出部 ６３・・・・・正規化された標準偏差算出部
Claims (8)
- 【請求項１】 入力された音声信号をブロック単位で分
割して各ブロック毎に有声音か否かの判別を行う有声音
判別方法において、 １ブロックの信号を複数のサブブロックに分割する工程
と、 上記複数のサブブロック毎に信号の統計的な性質を求め
る工程と、 上記統計的な性質の時間軸上での偏りに応じて有声音か
否かを判別する工程とを有することを特徴とする有声音
判別方法。 - 【請求項２】 上記信号の統計的な性質とは各サブブロ
ック毎の信号のピーク値、実効値又は標準偏差であるこ
とを特徴とする請求項１記載の有声音判別方法。 - 【請求項３】 入力された音声信号をブロック単位で分
割して各ブロック毎に有声音か否かの判別を行う有声音
判別方法において、 １ブロックの信号の周波数軸上のエネルギー分布を求め
る工程と、 上記１ブロックの信号のレベルを求める工程と、 上記１ブロックの信号の周波数軸上のエネルギー分布と
信号レベルとに応じて有声音か否かを判別する工程とを
有することを特徴とする有声音判別方法。 - 【請求項４】 入力された音声信号をブロック単位で分
割して各ブロック毎に有声音か否かの判別を行う有声音
判別方法において、 １ブロックの信号を複数のサブブロックに分割する工程
と、 上記複数のサブブロック毎の信号のピーク値、実効値又
は標準偏差の時間軸上での偏りを求める工程と、 １ブロックの信号の周波数軸上のエネルギー分布を求め
る工程と、 上記１ブロックの信号のレベルを求める工程と、 上記複数のサブブロック毎の信号のピーク値、実効値又
は標準偏差の時間軸上での偏りと上記１ブロックの信号
の周波数軸上のエネルギー分布又は上記１ブロックの信
号のレベルとに応じて有声音か否かを判別する工程とを
有することを特徴とする有声音判別方法。 - 【請求項５】 入力された音声信号をブロック単位で分
割して各ブロック毎に有声音か否かの判別を行う有声音
判別方法において、 １ブロックの信号を複数のサブブロックに分割する工程
と、 上記複数のサブブロック毎に時間軸上で信号のピーク
値、実効値又は標準偏差を求める工程と、 上記１ブロックの信号の周波数軸上のエネルギー分布を
求める工程と、 上記１ブロックの信号のレベルを求める工程と、 上記複数のサブブロック毎の信号のピーク値、実効値又
は標準偏差と上記１ブロックの信号の周波数軸上のエネ
ルギー分布と上記１ブロックの信号のレベルとに応じて
有声音か否かを判別する工程とを有することを特徴とす
る有声音判別方法。 - 【請求項６】 入力された音声信号をブロック単位で分
割して各ブロック毎に有声音か否かの判別を行う有声音
判別方法において、 １ブロックの信号を複数のサブブロックに分割する工程
と、 上記複数のサブブロック毎に時間軸上で信号の実効値を
求め、この実効値の標準偏差と平均値とに基づいてサブ
ブロック毎の実効値の分布を求める工程と、 上記１ブロックの信号の周波数軸上のエネルギー分布を
求める工程と、 上記１ブロックの信号のレベルを求める工程と、 上記複数のサブブロック毎の実効値の分布と上記１ブロ
ックの信号の周波数軸上のエネルギー分布と上記１ブロ
ックの信号のレベルとの少なくとも２つに応じて有声音
か否かを判別する工程とを有することを特徴とする有声
音判別方法。 - 【請求項７】 上記複数のサブブロック毎の実効値の分
布と上記１ブロックの信号の周波数軸上のエネルギー分
布と上記１ブロックの信号のレベルとの少なくとも１つ
の時間的な変化をトラッキングし、その結果に基づいて
有声音か否かを判別することを特徴とする請求項６記載
の有声音判別方法。 - 【請求項８】 上記１ブロックの信号について複数の周
波数バンド毎に有声音／無声音の識別フラグを設定する
際に、上記有声音判別工程において否と判別されたブロ
ックは、全てのバンドを無声音フラグとすることを特徴
とする請求項６記載の有声音判別方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP00082893A JP3277398B2 (ja) | 1992-04-15 | 1993-01-06 | 有声音判別方法 |
| US08/048,034 US5664052A (en) | 1992-04-15 | 1993-04-14 | Method and device for discriminating voiced and unvoiced sounds |
| EP93106171A EP0566131B1 (en) | 1992-04-15 | 1993-04-15 | Method and device for discriminating voiced and unvoiced sounds |
| DE69329511T DE69329511T2 (de) | 1992-04-15 | 1993-04-15 | Verfahren und Einrichtung zum Unterscheiden zwischen stimmhaften und stimmlosen Lauten |
| US08/753,347 US5809455A (en) | 1992-04-15 | 1996-11-25 | Method and device for discriminating voiced and unvoiced sounds |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12146092 | 1992-04-15 | ||
| JP4-121460 | 1992-04-15 | ||
| JP00082893A JP3277398B2 (ja) | 1992-04-15 | 1993-01-06 | 有声音判別方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05346797A true JPH05346797A (ja) | 1993-12-27 |
| JP3277398B2 JP3277398B2 (ja) | 2002-04-22 |
Family
ID=26333922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP00082893A Expired - Lifetime JP3277398B2 (ja) | 1992-04-15 | 1993-01-06 | 有声音判別方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (2) | US5664052A (ja) |
| EP (1) | EP0566131B1 (ja) |
| JP (1) | JP3277398B2 (ja) |
| DE (1) | DE69329511T2 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7634399B2 (en) | 2003-01-30 | 2009-12-15 | Digital Voice Systems, Inc. | Voice transcoder |
| US7970606B2 (en) | 2002-11-13 | 2011-06-28 | Digital Voice Systems, Inc. | Interoperable vocoder |
| US8036886B2 (en) | 2006-12-22 | 2011-10-11 | Digital Voice Systems, Inc. | Estimation of pulsed speech model parameters |
| JP2012177913A (ja) * | 2011-02-02 | 2012-09-13 | Jvc Kenwood Corp | 子音区間検出装置および子音区間検出方法 |
| US8595002B2 (en) | 2003-04-01 | 2013-11-26 | Digital Voice Systems, Inc. | Half-rate vocoder |
| US11270714B2 (en) | 2020-01-08 | 2022-03-08 | Digital Voice Systems, Inc. | Speech coding using time-varying interpolation |
Families Citing this family (61)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5765127A (en) * | 1992-03-18 | 1998-06-09 | Sony Corp | High efficiency encoding method |
| SE501981C2 (sv) * | 1993-11-02 | 1995-07-03 | Ericsson Telefon Ab L M | Förfarande och anordning för diskriminering mellan stationära och icke stationära signaler |
| SE513892C2 (sv) * | 1995-06-21 | 2000-11-20 | Ericsson Telefon Ab L M | Spektral effekttäthetsestimering av talsignal Metod och anordning med LPC-analys |
| JP3680374B2 (ja) * | 1995-09-28 | 2005-08-10 | ソニー株式会社 | 音声合成方法 |
| KR970017456A (ko) * | 1995-09-30 | 1997-04-30 | 김광호 | 음성신호의 무음 및 무성음 판별방법 및 그 장치 |
| FR2741743B1 (fr) * | 1995-11-23 | 1998-01-02 | Thomson Csf | Procede et dispositif pour l'amelioration de l'intelligibilite de la parole dans les vocodeurs a bas debit |
| JPH09152894A (ja) * | 1995-11-30 | 1997-06-10 | Denso Corp | 有音無音判別器 |
| JP3552837B2 (ja) * | 1996-03-14 | 2004-08-11 | パイオニア株式会社 | 周波数分析方法及び装置並びにこれを用いた複数ピッチ周波数検出方法及び装置 |
| US5937381A (en) * | 1996-04-10 | 1999-08-10 | Itt Defense, Inc. | System for voice verification of telephone transactions |
| JP3439307B2 (ja) * | 1996-09-17 | 2003-08-25 | Ｎｅｃエレクトロニクス株式会社 | 発声速度変換装置 |
| JP4121578B2 (ja) * | 1996-10-18 | 2008-07-23 | ソニー株式会社 | 音声分析方法、音声符号化方法および装置 |
| DE69816610T2 (de) * | 1997-04-16 | 2004-06-09 | Dspfactory Ltd., Waterloo | Verfahren und vorrichtung zur rauschverminderung, insbesondere bei hörhilfegeräten |
| US6188979B1 (en) * | 1998-05-28 | 2001-02-13 | Motorola, Inc. | Method and apparatus for estimating the fundamental frequency of a signal |
| US6377914B1 (en) | 1999-03-12 | 2002-04-23 | Comsat Corporation | Efficient quantization of speech spectral amplitudes based on optimal interpolation technique |
| US6487531B1 (en) | 1999-07-06 | 2002-11-26 | Carol A. Tosaya | Signal injection coupling into the human vocal tract for robust audible and inaudible voice recognition |
| JP2001094433A (ja) * | 1999-09-17 | 2001-04-06 | Matsushita Electric Ind Co Ltd | サブバンド符号化・復号方法 |
| US6980950B1 (en) * | 1999-10-22 | 2005-12-27 | Texas Instruments Incorporated | Automatic utterance detector with high noise immunity |
| US6901362B1 (en) * | 2000-04-19 | 2005-05-31 | Microsoft Corporation | Audio segmentation and classification |
| US7508944B1 (en) * | 2000-06-02 | 2009-03-24 | Digimarc Corporation | Using classification techniques in digital watermarking |
| US8019091B2 (en) | 2000-07-19 | 2011-09-13 | Aliphcom, Inc. | Voice activity detector (VAD) -based multiple-microphone acoustic noise suppression |
| US7246058B2 (en) * | 2001-05-30 | 2007-07-17 | Aliph, Inc. | Detecting voiced and unvoiced speech using both acoustic and nonacoustic sensors |
| US20070233479A1 (en) * | 2002-05-30 | 2007-10-04 | Burnett Gregory C | Detecting voiced and unvoiced speech using both acoustic and nonacoustic sensors |
| US8280072B2 (en) | 2003-03-27 | 2012-10-02 | Aliphcom, Inc. | Microphone array with rear venting |
| US6640208B1 (en) * | 2000-09-12 | 2003-10-28 | Motorola, Inc. | Voiced/unvoiced speech classifier |
| KR100367700B1 (ko) * | 2000-11-22 | 2003-01-10 | 엘지전자 주식회사 | 음성부호화기의 유/무성음정보 추정방법 |
| US7472059B2 (en) * | 2000-12-08 | 2008-12-30 | Qualcomm Incorporated | Method and apparatus for robust speech classification |
| US6965904B2 (en) * | 2001-03-02 | 2005-11-15 | Zantaz, Inc. | Query Service for electronic documents archived in a multi-dimensional storage space |
| US7289626B2 (en) * | 2001-05-07 | 2007-10-30 | Siemens Communications, Inc. | Enhancement of sound quality for computer telephony systems |
| TW589618B (en) * | 2001-12-14 | 2004-06-01 | Ind Tech Res Inst | Method for determining the pitch mark of speech |
| JP3867627B2 (ja) * | 2002-06-26 | 2007-01-10 | ソニー株式会社 | 観客状況推定装置と観客状況推定方法および観客状況推定プログラム |
| US6915224B2 (en) * | 2002-10-25 | 2005-07-05 | Jung-Ching Wu | Method for optimum spectrum analysis |
| US9066186B2 (en) | 2003-01-30 | 2015-06-23 | Aliphcom | Light-based detection for acoustic applications |
| WO2004084467A2 (en) * | 2003-03-15 | 2004-09-30 | Mindspeed Technologies, Inc. | Recovering an erased voice frame with time warping |
| US9099094B2 (en) | 2003-03-27 | 2015-08-04 | Aliphcom | Microphone array with rear venting |
| WO2005023614A2 (en) * | 2003-09-03 | 2005-03-17 | Nsk Ltd. | Stability control apparatus and load mesuring instrument for wheel supporting rolling bearing unit |
| US7983909B2 (en) | 2003-09-15 | 2011-07-19 | Intel Corporation | Method and apparatus for encoding audio data |
| US20050091066A1 (en) * | 2003-10-28 | 2005-04-28 | Manoj Singhal | Classification of speech and music using zero crossing |
| KR100571831B1 (ko) * | 2004-02-10 | 2006-04-17 | 삼성전자주식회사 | 음성 식별 장치 및 방법 |
| KR101008022B1 (ko) * | 2004-02-10 | 2011-01-14 | 삼성전자주식회사 | 유성음 및 무성음 검출방법 및 장치 |
| EP1569200A1 (en) * | 2004-02-26 | 2005-08-31 | Sony International (Europe) GmbH | Identification of the presence of speech in digital audio data |
| US7457747B2 (en) * | 2004-08-23 | 2008-11-25 | Nokia Corporation | Noise detection for audio encoding by mean and variance energy ratio |
| KR100744352B1 (ko) * | 2005-08-01 | 2007-07-30 | 삼성전자주식회사 | 음성 신호의 하모닉 성분을 이용한 유/무성음 분리 정보를추출하는 방법 및 그 장치 |
| US20070033042A1 (en) * | 2005-08-03 | 2007-02-08 | International Business Machines Corporation | Speech detection fusing multi-class acoustic-phonetic, and energy features |
| US7962340B2 (en) * | 2005-08-22 | 2011-06-14 | Nuance Communications, Inc. | Methods and apparatus for buffering data for use in accordance with a speech recognition system |
| JP5092748B2 (ja) | 2005-09-02 | 2012-12-05 | 日本電気株式会社 | 雑音抑圧の方法及び装置並びにコンピュータプログラム |
| US8175868B2 (en) * | 2005-10-20 | 2012-05-08 | Nec Corporation | Voice judging system, voice judging method and program for voice judgment |
| US8126706B2 (en) * | 2005-12-09 | 2012-02-28 | Acoustic Technologies, Inc. | Music detector for echo cancellation and noise reduction |
| KR100653643B1 (ko) * | 2006-01-26 | 2006-12-05 | 삼성전자주식회사 | 하모닉과 비하모닉의 비율을 이용한 피치 검출 방법 및피치 검출 장치 |
| US8239190B2 (en) * | 2006-08-22 | 2012-08-07 | Qualcomm Incorporated | Time-warping frames of wideband vocoder |
| US7873114B2 (en) * | 2007-03-29 | 2011-01-18 | Motorola Mobility, Inc. | Method and apparatus for quickly detecting a presence of abrupt noise and updating a noise estimate |
| CN101779476B (zh) | 2007-06-13 | 2015-02-25 | 爱利富卡姆公司 | 全向性双麦克风阵列 |
| JP5446874B2 (ja) * | 2007-11-27 | 2014-03-19 | 日本電気株式会社 | 音声検出システム、音声検出方法および音声検出プログラム |
| DE102008039329A1 (de) * | 2008-01-25 | 2009-07-30 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zur Berechnung von Steuerinformationen für ein Echounterdrückungsfilter und Vorrichtung und Verfahren zur Berechnung eines Verzögerungswerts |
| US8990094B2 (en) * | 2010-09-13 | 2015-03-24 | Qualcomm Incorporated | Coding and decoding a transient frame |
| US8996389B2 (en) * | 2011-06-14 | 2015-03-31 | Polycom, Inc. | Artifact reduction in time compression |
| US20130282372A1 (en) * | 2012-04-23 | 2013-10-24 | Qualcomm Incorporated | Systems and methods for audio signal processing |
| KR101475894B1 (ko) * | 2013-06-21 | 2014-12-23 | 서울대학교산학협력단 | 장애 음성 개선 방법 및 장치 |
| US9454976B2 (en) | 2013-10-14 | 2016-09-27 | Zanavox | Efficient discrimination of voiced and unvoiced sounds |
| US10917611B2 (en) | 2015-06-09 | 2021-02-09 | Avaya Inc. | Video adaptation in conferencing using power or view indications |
| US9685170B2 (en) * | 2015-10-21 | 2017-06-20 | International Business Machines Corporation | Pitch marking in speech processing |
| US11295751B2 (en) * | 2019-09-20 | 2022-04-05 | Tencent America LLC | Multi-band synchronized neural vocoder |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4158751A (en) * | 1978-02-06 | 1979-06-19 | Bode Harald E W | Analog speech encoder and decoder |
| EP0092612B1 (en) * | 1982-04-27 | 1987-07-08 | Koninklijke Philips Electronics N.V. | Speech analysis system |
| DE3276731D1 (en) | 1982-04-27 | 1987-08-13 | Philips Nv | Speech analysis system |
| US4817155A (en) * | 1983-05-05 | 1989-03-28 | Briar Herman P | Method and apparatus for speech analysis |
| US4764966A (en) * | 1985-10-11 | 1988-08-16 | International Business Machines Corporation | Method and apparatus for voice detection having adaptive sensitivity |
| US4696031A (en) * | 1985-12-31 | 1987-09-22 | Wang Laboratories, Inc. | Signal detection and discrimination using waveform peak factor |
| US4771465A (en) * | 1986-09-11 | 1988-09-13 | American Telephone And Telegraph Company, At&T Bell Laboratories | Digital speech sinusoidal vocoder with transmission of only subset of harmonics |
| US5007093A (en) * | 1987-04-03 | 1991-04-09 | At&T Bell Laboratories | Adaptive threshold voiced detector |
| JPH01502779A (ja) * | 1987-04-03 | 1989-09-21 | アメリカン テレフォン アンド テレグラフ カムパニー | 適応多変数推定装置 |
| US5046100A (en) * | 1987-04-03 | 1991-09-03 | At&T Bell Laboratories | Adaptive multivariate estimating apparatus |
| US5341457A (en) * | 1988-12-30 | 1994-08-23 | At&T Bell Laboratories | Perceptual coding of audio signals |
| US5210820A (en) * | 1990-05-02 | 1993-05-11 | Broadcast Data Systems Limited Partnership | Signal recognition system and method |
| US5216747A (en) * | 1990-09-20 | 1993-06-01 | Digital Voice Systems, Inc. | Voiced/unvoiced estimation of an acoustic signal |
| US5323337A (en) * | 1992-08-04 | 1994-06-21 | Loral Aerospace Corp. | Signal detector employing mean energy and variance of energy content comparison for noise detection |
| JP3343965B2 (ja) * | 1992-10-31 | 2002-11-11 | ソニー株式会社 | 音声符号化方法及び復号化方法 |
| JP3475446B2 (ja) * | 1993-07-27 | 2003-12-08 | ソニー株式会社 | 符号化方法 |
-
1993
- 1993-01-06 JP JP00082893A patent/JP3277398B2/ja not_active Expired - Lifetime
- 1993-04-14 US US08/048,034 patent/US5664052A/en not_active Expired - Lifetime
- 1993-04-15 DE DE69329511T patent/DE69329511T2/de not_active Expired - Lifetime
- 1993-04-15 EP EP93106171A patent/EP0566131B1/en not_active Expired - Lifetime
-
1996
- 1996-11-25 US US08/753,347 patent/US5809455A/en not_active Expired - Lifetime
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7970606B2 (en) | 2002-11-13 | 2011-06-28 | Digital Voice Systems, Inc. | Interoperable vocoder |
| US8315860B2 (en) | 2002-11-13 | 2012-11-20 | Digital Voice Systems, Inc. | Interoperable vocoder |
| US7634399B2 (en) | 2003-01-30 | 2009-12-15 | Digital Voice Systems, Inc. | Voice transcoder |
| US7957963B2 (en) | 2003-01-30 | 2011-06-07 | Digital Voice Systems, Inc. | Voice transcoder |
| US8595002B2 (en) | 2003-04-01 | 2013-11-26 | Digital Voice Systems, Inc. | Half-rate vocoder |
| US8036886B2 (en) | 2006-12-22 | 2011-10-11 | Digital Voice Systems, Inc. | Estimation of pulsed speech model parameters |
| US8433562B2 (en) | 2006-12-22 | 2013-04-30 | Digital Voice Systems, Inc. | Speech coder that determines pulsed parameters |
| JP2012177913A (ja) * | 2011-02-02 | 2012-09-13 | Jvc Kenwood Corp | 子音区間検出装置および子音区間検出方法 |
| US11270714B2 (en) | 2020-01-08 | 2022-03-08 | Digital Voice Systems, Inc. | Speech coding using time-varying interpolation |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3277398B2 (ja) | 2002-04-22 |
| EP0566131B1 (en) | 2000-10-04 |
| US5664052A (en) | 1997-09-02 |
| DE69329511D1 (de) | 2000-11-09 |
| EP0566131A2 (en) | 1993-10-20 |
| US5809455A (en) | 1998-09-15 |
| EP0566131A3 (ja) | 1994-03-30 |
| DE69329511T2 (de) | 2001-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3277398B2 (ja) | 有声音判別方法 | |
| JP3840684B2 (ja) | ピッチ抽出装置及びピッチ抽出方法 | |
| EP0981816B9 (en) | Audio coding systems and methods | |
| US7092881B1 (en) | Parametric speech codec for representing synthetic speech in the presence of background noise | |
| US5781880A (en) | Pitch lag estimation using frequency-domain lowpass filtering of the linear predictive coding (LPC) residual | |
| EP0640952B1 (en) | Voiced-unvoiced discrimination method | |
| JP3687181B2 (ja) | 有声音／無声音判定方法及び装置、並びに音声符号化方法 | |
| US6456965B1 (en) | Multi-stage pitch and mixed voicing estimation for harmonic speech coders | |
| JPH10105194A (ja) | ピッチ検出方法、音声信号符号化方法および装置 | |
| JPH10105195A (ja) | ピッチ検出方法、音声信号符号化方法および装置 | |
| JP3325248B2 (ja) | 音声符号化パラメータの取得方法および装置 | |
| JPH05281996A (ja) | ピッチ抽出装置 | |
| JPH07199997A (ja) | 音声信号の処理システムにおける音声信号の処理方法およびその処理における処理時間の短縮方法 | |
| JP3218679B2 (ja) | 高能率符号化方法 | |
| JP2001249698A (ja) | 音声符号化パラメータ取得方法、音声復号方法及び装置 | |
| US6438517B1 (en) | Multi-stage pitch and mixed voicing estimation for harmonic speech coders | |
| US6662153B2 (en) | Speech coding system and method using time-separated coding algorithm | |
| JP3362471B2 (ja) | 音声信号の符号化方法及び復号化方法 | |
| JP3271193B2 (ja) | 音声符号化方法 | |
| JP3398968B2 (ja) | 音声分析合成方法 | |
| JP3218681B2 (ja) | 背景雑音検出方法及び高能率符号化方法 | |
| JP3321933B2 (ja) | ピッチ検出方法 | |
| JP3223564B2 (ja) | ピッチ抽出方法 | |
| CN112233686B (zh) | Nvocplus高速宽带声码器的语音数据处理方法 | |
| JP3221050B2 (ja) | 有声音判別方法 |
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: 20020108 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080215 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090215 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100215 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100215 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110215 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120215 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130215 Year of fee payment: 11 |
|
| EXPY | Cancellation because of completion of term |