JPH0667654A

JPH0667654A - 自動採譜装置

Info

Publication number: JPH0667654A
Application number: JP4220360A
Authority: JP
Inventors: Chiyuuki Kiyuu; 中奇邱
Original assignee: Brother Industries Ltd
Current assignee: Brother Industries Ltd
Priority date: 1992-08-19
Filing date: 1992-08-19
Publication date: 1994-03-11

Abstract

(57)【要約】【目的】計算機による打楽器の打撃時刻の抽出及びそ
の種類の識別を自動的に行い、なおかつ、実時間的処理
を実現することのできる自動採譜装置を提供することを
目的としている。【構成】デジタル音楽信号の直流成分を除去する信号
をＡＲモデルによってモデリングし、ＲＬＳアルゴリズ
ムによるＡＲモデル係数を逐次的に推定する。また、上
記のＡＲモデル係数列を入力とし打楽器信号の時間−周
波数スペクトルを計算し、この時間−周波数スペクトル
に対する最大パワーを持つピッチの時刻を検出する。さ
らに、上記の最大パワーを持つピッチの時刻におけるＡ
Ｒモデル係数を取り込み、ニュートン法によるＡＲモデ
ルの極を計算し、その極によって算出したピッチの周波
数、帯域幅及びパワーに基づいて打楽器の候補を抽出す
る。最後に、上記の打楽器候補と打楽器の標準パターン
との照合によって打楽器の種類の識別を行なう。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、自動採譜装置に関する
ものである。

【０００２】

【従来の技術】従来、打楽器の識別に対しては、音楽専
門家が長年訓練を積んだ知識に基づき繰り返し作業によ
って行なわれている。

【０００３】近年、デジタル信号処理技術の進歩に伴
い、計算機による自動採譜の試みが行なわれるようにな
ってきたが、現在では単一楽音かつ有音程楽器（例えば
バイオリン、ピアノ等）に対しては、相当な実用的なレ
ベルまで成果が得られている。上記の有音程楽器の自動
採譜を行なうための分析手法としては、一般的に高速フ
ーリエ変換法が用いられている。しかし、打楽器の音は
一般に、他の音程を持つ楽器音に比べて、立ち上がり時
の振幅変化が急激であり、また、明確な倍音構造を持た
ず連続スペクトルを多く含むような特徴を持っている。
また、打楽器の音色は、打楽器自体の状態と演奏の状態
という二つの要素によって決定されるものと考えられる
ことができる。打楽器自体の状態とは、打楽器の材質、
構造、膜のある打楽器では、膜の張り方等を指し、これ
らは音に対してピッチや、生じるスペクトル成分の種類
等に強く影響を与えると考えられる。また、演奏の状態
とは、叩くものの材質、叩く強さ、叩き方等を指し、ス
ペクトルの時間変化、スペクトル成分の分布、振幅の時
間変化等に強く影響を与えると考えられる。それで、こ
のような特徴より、打楽器音の分析に一般的に用いられ
ている高速フーリエ法は、時間領域、周波数領域と共に
高い分解能が必要となり、打楽器の分析には適した方法
とは言えない。

【０００４】また、特願平3ー305031号の出願において
は、適応ラテイスフィルタを用いた打楽器の打撃時刻を
自動的に抽出する手法を提案した。これは、音楽信号を
適応ラテイスフィルタの入力とし、その出力を打楽器打
撃時刻候補とし、さらに、打撃時刻候補を幾つかの部分
区間に分けて、しきい値処理によって打撃時刻決定候補
を選択し、さらに、各局所的な区間における最も大きな
値を持つ打撃時刻決定候補を打楽器の打撃時刻として抽
出するものである。しかし、特願平3ー305031号の出願で
は、打楽器の打撃時刻を自動的に抽出する手法に限って
おり、打楽器の種類の識別については言及していない。

【０００５】

【発明が解決しようとする課題】しかしながら、人手作
業による打楽器の識別では、音楽専門家が豊富な知識を
持っていても、繰り返し聞き取りの作業に、長い時間が
かかったり、音響の小さい打楽器を聞き取りにくい時も
ある。そこで、計算機による打楽器を自動的に識別する
システム、あるいは専門家でなくても識別作業を行なう
ことのできる支援システムの開発が求められている。

【０００６】本発明は、上述した問題点を解決するため
になされたものであり、立ち上がりが急激で連続スペク
トルを多く持つ打楽器の分析及び識別に、適応信号処理
手法を利用するものである。これは適応信号処理の手法
により、人手による聞き取りの作業をなくし、また、従
来の手法（高速フーリエ法など）によって処理しにくい
打楽器の時変特性を抽出することができ、計算機による
打楽器の打撃時刻の抽出及びその種類の識別を自動的に
行い、なおかつ、実時間的処理を実現することのできる
自動採譜装置を提供することを目的としている。

【０００７】

【課題を解決するための手段】この目的を達成するため
に本発明の自動採譜装置は、デジタル音楽信号を微分フ
ィルタを通過させることにより直流成分を除去する前処
理部と、上記の微分フィルタの出力をＡＲモデルによっ
てモデリングしＲＬＳアルゴリズムによるＡＲモデル係
数を逐次的に推定するＡＲモデル係数列推定部と、上記
のＡＲモデル係数列を入力とし打楽器信号の３次元スペ
クトルを計算する時間−周波数スペクトル計算部と、上
記の時間−周波数スペクトルに対する最大パワーを持つ
ピッチの時刻を抽出する検出部と、上記の最大パワーを
持つピッチの時刻におけるＡＲモデル係数を取り込み、
ニュートン法によるＡＲモデルの極を計算し、その極に
よって算出したピッチの周波数、帯域幅及びパワーに基
づいて打楽器かどうか判別する打楽器候補抽出部と、上
記の打楽器候補と打楽器の標準パターンとの照合によっ
て打楽器の種類を識別する打楽器種類判定部と、上記の
打楽器の標準パターンを決定するため、既知の打楽器に
対しその特性を分析し最も一般性をもつ特徴を抽出する
標準パターン決定部と、打楽器の標準パターンを蓄積す
る標準パターン格納部とを備えている。

【０００８】

【作用】上記の構成を有する本発明の自動採譜装置で
は、デジタル音楽信号が微分フィルタを通過させて直流
成分を除去する信号をＡＲモデルによってモデリング
し、ＲＬＳアルゴリズムによるＡＲモデル係数を逐次的
に推定する。また、上記のＡＲモデル係数列を入力とし
打楽器信号の時間−周波数スペクトルを計算し、この時
間−周波数スペクトルに対する最大パワーを持つピッチ
の時刻を検出する。さらに、上記の最大パワーを持つピ
ッチの時刻におけるＡＲモデル係数を取り込み、ニュー
トン法によるＡＲモデルの極を計算し、その極によって
算出したピッチの周波数、帯域幅及びパワーに基づいて
打楽器かどうか判別し、打楽器の候補を抽出する。最後
に、上記の打楽器候補と打楽器の標準パターン（これ
は、既知の打楽器に対しその特性を分析し最も一般性を
もつ特徴である）との照合によって打楽器の種類の識別
を行なう。

【０００９】

【実施例】以下、本発明を具体化した一実施例を図面を
参照して説明する。

【００１０】図１には、音楽源から打楽器ＭＩＤＩ（音
楽用標準インタフュース）データの作成及びシンセサイ
ザーの合成までの全体の構成を示したブロック図を示
す。図１において、音楽源１０２に接続されたＡ／Ｄコ
ンバータ１０４は、前処理部１０６においては、微分フ
ィルタによって直流成分を除去したデジタル音楽信号x
(n)１０８を生成する。生成されたデジタル音楽信号x
(n)１０８は打楽器打撃時刻の抽出部１１０と打楽器の
識別部１１２にそれぞれ入力され、打楽器の打撃時刻の
抽出と打楽器種類の識別を行う。さらに、抽出した打楽
器の打撃時刻と識別した打楽器の種類は、打楽器のＭＩ
ＤＩ作成部１１４に入力され、打楽器のＭＩＤＩデータ
が作成される。最後に、作成したＭＩＤＩをシンセサイ
ザー１１６に入力し、音楽源に含まれる打楽器音を合成
する。

【００１１】図２は図１における打楽器識別部１１２の
構成を示したブロック図であり、それは本発明を具体化
したものである。図２において、図１の打楽器打撃時刻
抽出部１１０の出力及び前処理部１０６によって処理し
たデジタル音楽信号x(n)をＡＲモデル係数列推定部２０
２に入力し、打撃時刻を起点とする打楽器信号をＡＲモ
デルによってモデリングしそのＡＲモデル係数列を求め
て、蓄積メモリ２０８に保存する。時間−周波数スペク
トル計算部２０４では、上記のＡＲモデル係数列を取り
込み、時間−周波数パワースペクトルを計算して、蓄積
メモリ２０８に保存する。

【００１２】最大パワーを持つピッチ時刻検出部２０６
では、蓄積メモリ２０８より時間−周波数行列を読み込
み、これに対し時間軸と周波数軸からなる平面上の最大
値をもつパワーを抽出し、この最大パワーに対応する時
刻の検出を行なう。打楽器候補抽出部２１０では、上記
の最大パワーを持つピッチの時刻におけるＡＲモデル係
数を蓄積メモリ２０８より取り込み、ニュートン法によ
るＡＲモデルの極を計算し、その極によって算出したピ
ッチの周波数、帯域幅及びパワーに基づいて打楽器かど
うか判別する。標準パターン決定部２１６では、標準打
楽器（例えば、ドラムマシンのデータ）に対し、それぞ
れの時間−周波数パワースペクトルを求めて、その最大
値をもつピッチの周波数、帯域幅およびパワーを抽出
し、標準パターン格納部２１４に蓄積する。

【００１３】打楽器種類判定部２１２では、打楽器候補
抽出部２１０の出力となる打楽器候補と標準パターンと
の照合によって打楽器の種類を識別し、図１における打
楽器の打撃時刻抽出部１１０の出力と共に打楽器ＭＩＤ
Ｉの作成部１１４の入力とする。

【００１４】図３は実際のデジタル音楽信号x(n)に対
し、ＡＲモデルによってモデリングし、ＡＲモデル係数
をＲＬＳ適応アルゴリズムによって逐次的に推定する原
理図である。図３のx(n)は実際のデジタル音楽信号であ
り、信号x(n-1)とy(n)は適応フィルタとも呼ばれる３０
４の入力と出力信号であり、信号e(n)はx(n)とy(n)の差
で定義される予測誤差である。記号ｚ^ー1３０２は遅れ要
素を表わし、すなわち、入力信号x(n)を１サンプル遅延
させて、信号x(n-1)を生じるものである。図３の加算器
３０６は、予測値y(n)が入力信号x(n)から差し引かれ、
予測誤差e(n)を生成するものである。全体の動作は、音
楽信号x(n)を望みの応答として、予測誤差e(n)＝x(n)−
y(n)をある意味で最小とするように、ＲＬＳ適応アルゴ
リズムによりＡＲモデルの係数を調整することである。
適応フィルタ３０４の入力と出力関係は、適応フィルタ
の次数をｍとするとき、次式で与えられるものとする。

【００１５】ｙ(n)＝w_1nx(n-1)＋w_2nx(n-2)＋・・・・・・・ w_mnx(n-m) (1) ここに、w_in(1≦i≦m)は時刻ｎにおけるＡＲモデルの係
数を表わす。

【００１６】式(1)のベクトル表現は次式で与えられ
る。

【００１７】ｙ(n)＝ｗ^T(n)ｘ(n) (2) ここに、“^T”は行列及びベクトルの転置を表わし、列
ベクトルｘ(n)およびｗ(n)は次式で与えられる。

【００１８】ｘ(n)＝［x(n-1) x(n-2)・・・ x(n-m)］^T ｗ(n)＝［w_n1 w_n2 ・・・・ w_nm ］^T 図３より、予測誤差ｅ(n)は次式で与えられる。

【００１９】ｅ(n)＝ｘ(n)−ｙ(n) ＝ｘ(n)−ｘ^T(n)ｗ(nー1) (3) ＲＬＳ適応アルゴリズムでは、以下の手続きによりＡＲ
モデルの係数が更新される。

【００２０】ＲＬＳ適応アルゴリズム次の初期条件：指定整数ｃ単位行列Ｉ相関行列 Φ(0)＝ｃＩ相関行列の逆行列Ｐ＝ｃ^-1Ｉ係数ベクトルｗ(0)＝0 ＡＲモデルの次数ｍ忘却係数０＜λ≦１打楽器の打撃時刻ＤＳ推定区間Ｌで出発し、以下のように進む。

【００２１】(1) ｎ＝ＤＳとする。

【００２２】(2) ゲインベクトルを計算する。

【００２３】

【数１】

【００２４】(3) 予測誤差を計算する。

【００２５】ｅ(n)＝ｘ(n)−ｙ(n) ＝ｘ(n)−ｘ^T(n)ｗ(nー1) (4) 係数ベクトルの推定値を計算する。

【００２６】ｗ(n)＝ｗ(nー1)＋ｋ(n)ｅ(n) (5) 相関行列を更新する。

【００２７】Ｐ(n)＝λ^ー1（Ｐ(n-1)−ｋ(n)ｘ^T(n)Ｐ(n-1)） (6) ｎがＤＳ＋Ｌより小さい時、ｎ＝ｎ＋１としてス
テップ２に戻り、手続きを繰り返す。ｎがＤＳ＋Ｌより
大きい場合、推定を終了させる。

【００２８】上記のＲＬＳ適応アルゴリズムにおけるパ
ラメータλは通常、忘却係数と呼ばれており、0＜λ≦1
の性質を持つ。忘却係数λを用いるのは、適応アルゴリ
ズムが非定常な入力信号データに対して予測動作を行な
う時、入ってくるデータの統計的変動に追従する可能性
を得るために、遠い過去のデータを”忘れる”ためであ
る。ここで忘却係数λは１以下の正のスカラー量であ
る。おおよそ(1ーλ)の逆数が適応アルゴリズムの記憶測
度になっている。つまり、忘却係数λ＝１の場合には適
応アルゴリズムにおけるｋ(n)とＰ(n)を計算する際、す
べての過去のデータに等しく重みが付けられる。一方、
忘却係数λ＜１の場合、過去のデータは指数的に減衰
し、更新計算をするうえで現在のデータが過去のデータ
よりも大きな影響を持つという結果になる。

【００２９】また、上述したように、打楽器の音は一般
に、他の音程を持つ楽器音に比べて、立ち上がり時の振
幅変化が急激であり、また、明確な倍音構造を持たず連
続スペクトルを多く含むような特徴を持っている。それ
で、このような特徴より、打楽器音の分析に一般的に用
いられている高速フーリエ法は、時間領域、周波数領域
と共に高い分解能が必要となり、打楽器の分析には適し
た方法とは言えない。これに対して、ＲＬＳ適応アルゴ
リズムは、忘却係数λを用いるため、時間と共に変化す
るパラメータの追従に有効である。また、以下に述べる
ように、ＡＲモデルから直接にパワースペクトルを求め
ることができることで、周波数領域においても打楽器の
時変特性を抽出することが可能である。

【００３０】図２の時間−周波数スペクトル計算部２０
４では、ＡＲモデル係数列推定部２０２の出力となるＡ
Ｒモデル係数列を取り込み、以下のように時間−周波数
パワースペクトルを計算することができる。

【００３１】すなわち、時変係数を持つＡＲモデルの伝
達関数は次式で与えられる。

【００３２】

【数２】

【００３３】また、入力信号が平均値零、分散σ²の白
色雑音であるとすると、出力信号x(n)の時間−周波数パ
ワースペクトルは

【００３４】

【数３】

【００３５】で与えられる。すなわち、出力信号のパワ
ースペクトルを、周波数伝達関数の振幅特性と白色雑音
入力の分散で表わすことができる。以上のことから、σ
²および時間的に変化するＡＲモデル係数a_1n，a_2n，・・・
・・・，a_mnを決めることができれば、音楽信号x(n)の時間
−周波数パワースペクトルを推定することができる。

【００３６】分散σ²については、以下に述べる理由に
より正規化する必要がある。すなわち、打楽器の音色
は、打楽器自体の状態と演奏の状態という二つの要素に
よって決定されるものと考えられることができる。打楽
器自体の状態によっては、音に対してピッチや、生じる
スペクトル成分の種類等に強く影響を与え、また、演奏
の状態によっては、スペクトルの時間変化、スペクトル
成分の分布、振幅の時間変化等に強く影響を与えると考
えられる。特に、演奏の状態という叩き強度により同じ
打楽器であっても、その信号の振幅が違うため、求める
分散もそれぞれ異なっている。従って、このような演奏
の状態による影響を避けるために、分散σ²をある定数
に固定した方が良いと考えられる。

【００３７】時間的に変化するＡＲモデル係数a_1n,a_2n,
・・・・・・,a_mnについては、図３の説明に述べたように、Ｒ
ＬＳ適応アルゴリズムにより推定したＡＲモデル係数列
w_n1w_n2 ・・・・ w_nm （ＤＳ≦ｎ＜ＤＳ＋Ｌ）は、時間的に
変化するＡＲモデル係数a_1n，a_2n,・・・・・・,a_mnの推定値
となっており、従って、推定値列w_n1 w_n2 ・・・・ w_nm（Ｄ
Ｓ≦ｎ＜ＤＳ＋Ｌ）を順次に式(5)に代入すれば、音楽
信号の時間−周波数パワースペクトルを求めることがで
きる。

【００３８】図４は図２の最大パワーを持つピッチ時刻
検出部２０６についての詳細を示したフローチャートで
ある。図中のステップＳ１では、時間−周波数パワース
ペクトル行列Ｐ(f,n)を入力し、抽出しようとする最大
値ｇ_maxを初期化する。ステップＳ２は時間軸カウンタ
ｎを初期化するものであり、ステップ３は、カウンタｎ
が指定範囲Ｎを越えたかどうか判断するものである。指
定範囲Ｎの外にある場合には、ループを終了させる。指
定範囲Ｎの内にある場合には、ステップ５で周波数軸の
カウンタｆを初期化し、ステップ６に入る。ステップ６
では、周波数軸のカウンタｆが指定範囲Ｆを越えたかど
うか判断し、範囲Ｆの外の場合には、時間軸ｎ＝ｎ＋１
にし、ステップ３に戻る。指定範囲Ｆの内の場合には、
ｇ_maxとＰ(f,n)との比較を行う。ｇ_maxが大きい場合に
は、周波数カウンタｆをｆ＋１にし、ステップ６に戻
る。そうではない場合には、ｇ_max＝Ｐ(f,n), ｎ_max＝
ｎにし、周波数カウンタｆをｆ＋１に加算し、ステップ
６に戻る。最終の結果は、最大パワーｇ_maxとその時刻
ｎ_maxとなっており、図２の打楽器候補抽出部２１０の
入力とする。

【００３９】図５は図２の打楽器候補抽出部２１０につ
いての詳細を示したフローチャートである。ステップ１
０では、最大パワーを持つピッチ時刻検出部２０６の結
果を受け取ると同時に、図２に示す蓄積メモリ２０８か
ら最大パワーを持つ時刻ｎ_ma _xにおけるＡＲモデル係数
ベクトルを読み込む。ステップ１１では、ニュートン法
によるＡＲモデルの極を求める。ＡＲモデルの極とは、
式(4)の分母をゼロにする多項方程式の解と呼ばれ、次
式で与えられる。

【００４０】１＋a_1nz^-1＋a_2nz^-2＋・・・・＋a_mnz^-m＝０ (6) ステップ１２では、極によるピッチの周波数、帯域幅お
よびパワーを算出する。ここでは、極を次式により表わ
されるとすると、ｚ_i＝ｒ_iｅ(jλ_i) (7) それに対応する周波数及び帯域幅がそれぞれ次式で与え
られる。

【００４１】周波数ｆ_i＝｜λ_i｜／2πT (8) 帯域幅ｂ_i＝log(ｒ_i)／πT (9) また、周波数ｆ_iに対応するパワーは、周波数ｆ_iを式
(5)に代入すれば求めることができる。

【００４２】ステップ１３では、帯域幅が指定値より小
さいかどうか判断する。大きい場合には、識別しようと
する打楽器のピッチではないと考え、次のピッチへステ
ップ１２に戻る。指定値より小さい場合には、ステップ
１４においてそのパワーが指定した値より大きいかどう
か判断する。小さい場合には、ステップ１５の次のピッ
チへステップ１２に戻るが、大きい場合には、打楽器の
候補として図２の打楽器種類判定部２１２の入力とす
る。

【００４３】図６は図２の打楽器打楽器種類判定部２１
２についての詳細を示したフローチャートである。ステ
ップ１６では、図２の打楽器候補抽出部２１０より識別
しようとする打楽器の周波数ｆ_maxと図２の標準パター
ン格納部２１４から打楽器の標準ベクトルｆ^p(i)を取り
込む。ステップ１７は、打楽器の標準種類のカウンタｉ
を初期化するものであり、ステップ１８は、カウンタｉ
が打楽器種類数Ｎを越えたかどうか判断するものであ
る。カウンタｉがＮより小さい場合には、ステップ１９
において次式によって標準周波数との幾何距離を求め
る。すなわち、Ｄ(i)＝｜ｆ_max−ｆ^p(i)｜＝（ｆ² _max−(ｆ^p(i))²）^1/2 (10) ステップ２１では、ステップ１９で計算した結果Ｄ(i)
を蓄積する。同時にステップ２１では、カウンタｉ＝ｉ
＋１にし、ステップ１８に戻る。

【００４４】カウンタｉがＮより大きい場合には、ステ
ップ２２では、蓄積メモリから距離系列Ｄ(i)（０≦ｉ
＜Ｎ）を読み込み、それらに対して最小値Ｄ_minを抽出
する。抽出した最小値Ｄ_minに対応するｉ番打楽器は識
別した結果になり、その結果を図１における打楽器ＭＩ
ＤＩ作成部１１４に入力し、打楽器音の合成を行なう。

【００４５】図２の標準パターン決定部２１６では、上
述したように、打楽器の標準パターンを決定するため、
既知の打楽器に対しその特性を分析し最も一般性をもつ
特徴の抽出を行なう。手順としては、図１において、標
準打楽器音楽源１０２に接続されたＡ／Ｄコンバータ１
０４は、前処理における微分フィルタ１０６によって直
流成分を除去したデジタル音楽信号x(n)１０８を生成す
る。生成されたデジタル音楽信号x(n)１０８は打楽器打
撃時刻の抽出部１１０と打楽器の識別部１１２にそれぞ
れ入力され、打楽器の打撃時刻の抽出と打楽器種類の識
別を行う。また、図２においては、打楽器打撃時刻抽出
部１１０の出力及び微分フィルタ１０６によって処理し
たデジタル音楽信号x(n)をＡＲモデル係数列推定部２０
２に入力し、打撃時刻を起点とする打楽器信号のＡＲモ
デル係数列を求めて、蓄積メモリ２０８に保存する。時
間−周波数パワースペクトル計算部２０４では、上記の
ＡＲモデル係数列を取り込み、時間−周波数スペクトル
を計算して、蓄積メモリ２０８に保存する。最大パワー
を持つピッチ時刻検出部２０６では、上記の時間−周波
数行列に対し、時間軸と周波数軸からなる平面上の最大
値パワーを抽出し、それに対応する時刻の検出を行な
う。打楽器候補抽出部２１０では、上記の最大パワーを
持つピッチの時刻におけるＡＲモデル係数を蓄積メモリ
２０８より取り込み、ニュートン法によるＡＲモデルの
極を計算し、最大パワーを持つピッチに対応する極によ
ってそのピッチの周波数、帯域幅及びパワーを算出し、
打楽器の事前知識として決定し、図２の標準パターン格
納部２１４に蓄積する。

【００４６】図７、図８および図９は、上記の打楽器の
事前知識を如何に決定するかを説明するために実際の打
楽器の時間−周波数パワースペクトルを図示した例であ
る。

【００４７】図７は打楽器CLAVESの音響信号を周波数１
２ｋＨｚでサンプリングし、上記の手順によって求めた
時間−周波数特性である。また、矢印ｔの方向は時間を
表わし、矢印Ｓの方向は周波数を表わす。この時間−周
波数パワースペクトルから判るように、打楽器CLAVES
は、打楽器の打撃時刻（スペクトルが急に上がるとこ
ろ）より全周波数領域において殆ど一つの大きなピッチ
によって表わされ、その周波数は2kHzのあたりにあり、
また、打撃時刻においては最も大きなパワーを持つこと
である。

【００４８】図８は打楽器TAMBOURINEの音響信号を同じ
周波数でサンプリングし、上記の手順によって求めた時
間−周波数特性である。打楽器TAMBOURINEは打楽器の打
撃時刻より、打楽器CLAVESに比べてピッチがそんなに鋭
くないが、全周波数領域において殆ど一つの大きなピッ
チによって表わされ、その周波数は5.2kHzのあたりにあ
ることが判る。

【００４９】図９は同じ打楽器信号に対し、図３のＲＬ
Ｓアルゴリズムにおける忘却係数に関する考察である。
図９の(a)では忘却係数を1、図９の(b)では忘却係数を
0.99にした。図９の(a)の時間−周波数パワースペクト
ルは全体の波形が平滑で、余計のピッチが少ないが、打
楽器の特徴を表わすピッチはその周波数、帯域幅および
パワーが時間と共に殆ど変化しないことが判る。

【００５０】一方、図９の(b)時間−周波数パワースペ
クトルは全体の波形がそれほど平滑でないが、打楽器の
特徴を表わすピッチはその周波数、帯域幅、特にパワー
が時間と共に変化することが判る。

【００５１】打楽器の特徴は、すでに述べたようにその
振動周波数と振幅パワーが時間と共に減衰することであ
る。図９の(a)の忘却係数w＝１の場合には、ＲＬＳ適応
アルゴリズムにおけるｋ(n)とＰ(n)を計算する際、すべ
ての過去のデータに等しく重みが付けられるので、打楽
器の特徴の変化を追従することができなくなり、一方、
忘却係数w＜１の場合、過去のデータは指数的に減衰
し、更新計算をするうえで現在のデータが過去のデータ
よりも大きな影響を持つという結果になるので、打楽器
の特徴変化が追従できると考えられる。

【００５２】一方、実際の打楽器の演奏には、打楽器と
打楽器との時間間隔が極めて短い場合がある。すなわ
ち、前者の打楽器の音響はまだ消えていないうちに、後
者の打楽器の音響がすでに始まることになっている。こ
のような打楽器の音響に対し、後者の打楽器を分析し識
別しようとする場合には、上記のＲＬＳ適応アルゴリズ
ムにおける忘却係数を１にすると、前者の打楽器の音響
も一緒に処理されるため、正確な打楽器の特徴を抽出す
ることは困難であると考えられる。しかし、ＲＬＳ適応
アルゴリズムにおける忘却係数を１より小さくする場合
には、適応アルゴリズムが処理しながら、前者の打楽器
の影響を“忘却”する効果を持ち、前者の打楽器からの
影響を最小限にする役割を果たすため、正確な打楽器の
特徴を抽出することは可能であると考えられる。

【００５３】従って、本発明では、図３におけるＲＬＳ
適応アルゴリズムの忘却係数を１より小さい値にした。

【００５４】なお、上記の説明において、適応処理手法
により立ち上がりが急激で連続スペクトルを多く持つ打
楽器の分析及び識別を考慮したが、それに限られるもの
ではなく、その特性が時間と共に変化し、一般的な手法
により処理することが困難な楽器の識別にも適用するこ
とが可能である。

【００５５】

【発明の効果】従来では、人手作業による打楽器の識別
が音楽専門家の豊富な知識によって行なわれていた。こ
れには、専門家の繰り返し聞き取りの作業に、長い時間
がかかったり、音響の小さい打楽器を聞き取りにくい問
題点がある。そこで、計算機による打楽器を自動的に識
別するシステム、あるいは専門家でなくても識別作業を
行なうことのできる支援システムの開発が求められてい
る。また、打楽器の特徴より、打楽器音の分析に一般的
に用いられている高速フーリエ法は、時間領域、周波数
領域と共に高い分解能が必要となり、打楽器の分析には
適した方法とは言えない。

【００５６】本発明は、上述した問題点を解決するため
になされたものであり、立ち上がりが急激で連続スペク
トルを多く持つ打楽器の分析及び識別に、適応信号処理
手法を利用するものである。これは適応信号処理の手法
により、人手による聞き取りの作業をなくし、また、従
来の手法（高速フーリエ法など）によって処理しにくい
打楽器の時変特性を抽出することができ、計算機による
打楽器の打撃時刻の抽出及びその種類の識別を自動的に
行い、なおかつ、実時間的処理を実現することが可能で
ある。

【図面の簡単な説明】

【図１】図１は打楽器ＭＩＤＩデータを作成する全体の
構成を示したブロック図である。

【図２】図２は打楽器を識別するための識別部の全体の
構成を示したブロック図である。

【図３】図３はＲＬＳ適応アルゴリズムによるパラメー
タ推定の原理図である。

【図４】図４は最大ピッチ検出についての詳細を示すフ
ローチャート図である。

【図５】図５は打楽器候補抽出部についての詳細を示す
フローチャート図である。

【図６】図６は打楽器種類判定部についての詳細を示す
フローチャート図である。

【図７】図７は打楽器CLAVESの信号に対する３次元スペ
クトルを示す図である。

【図８】図８は打楽器TAMBOURINEの信号に対する３次元
スペクトルを示す図である。

【図９】図９は異なる忘却係数による打楽器CLAVES信号
の３次元スペクトルを示す図である。

【符号の説明】

１０２音楽源１０４Ａ／Ｄコンバータ１０６前処理部１０８デジタル音楽信号１１０打楽器打撃時刻抽出部１１２打楽器識別部１１４打楽器ＭＩＤＩの作成部１１６シンセサイザー２０２ＡＲモデル係数列推定部２０４時間−周波数スペクトル計算部２０６最大パワーを持つピッチ時刻検出部２０８蓄積メモリ２１０打楽器候補抽出部２１２打楽器種類判定部２１４標準パターン格納部２１６標準パターン決定部３０２遅延要素３０４適応アルゴリズムによるＡＲモデル係数推定３０６加算器

Claims

【特許請求の範囲】

【請求項１】音楽信号に対し、その打楽器を自動的に
識別する自動採譜装置において、デジタル音楽信号の直流成分を除去する前処理部と、上記の微分フィルタの出力をＡＲモデルによってモデリ
ングしＲＬＳアルゴリズムによるＡＲモデル係数を逐次
的に推定するＡＲモデル係数列推定部と、上記のＡＲモデル係数列を入力とし打楽器信号の３次元
スペクトルを計算する時間−周波数スペクトル計算部
と、上記の時間−周波数スペクトルに対する最大パワーを持
つピッチの時刻を抽出する検出部と、上記の最大パワーを持つピッチの時刻におけるＡＲモデ
ル係数を取り込み、ＡＲモデルの極を計算し、その極に
よって算出したピッチの周波数、帯域幅及びパワーに基
づいて打楽器かどうか判別する打楽器候補抽出部と、上記の打楽器候補と打楽器の標準パターンとの照合によ
って打楽器の種類を識別する打楽器種類判定部と、上記の打楽器の標準パターンを決定するため、既知の打
楽器に対しその特性を分析し最も一般性をもつ特徴を抽
出する標準パターン決定部と、上記の打楽器の標準パターンを蓄積する標準パターン格
納部とを備えていることを特徴とする自動採譜装置。