JPH07114396A - ピッチ検出方法 - Google Patents
ピッチ検出方法Info
- Publication number
- JPH07114396A JPH07114396A JP26059693A JP26059693A JPH07114396A JP H07114396 A JPH07114396 A JP H07114396A JP 26059693 A JP26059693 A JP 26059693A JP 26059693 A JP26059693 A JP 26059693A JP H07114396 A JPH07114396 A JP H07114396A
- Authority
- JP
- Japan
- Prior art keywords
- pitch
- data
- band
- sound
- peak
- 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
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
(57)【要約】
【構成】 周波数分析を行う音声分析合成系でのピッチ
抽出において、自己相関等の時間軸上のピッチサーチ
（Ｓ１１）及び振幅評価（Ｓ１２）により得られたピッ
チを用いて得られる各バンドのＶ（有声音）／ＵＶ（無
声音）の判断（Ｓ１３）の結果が、全帯域ＵＶとされた
とき（Ｓ１４）、信号スペクトルの低域側のパワー偏在
及びピーク検出を行い（Ｓ２１，Ｓ２２）、このピーク
近傍での極大値を検出し（Ｓ２４）、これらのピーク及
び極大の周波数軸上での各位置に基づいてピッチＰを算
出し（Ｓ２５）、Ｖ／ＵＶを再度判断する（Ｓ２７）。 【効果】 かすれ声やしわがれ声等の特殊な音声につい
ても、全バンドがＵＶになることなく、自然な音声が合
成できる。
抽出において、自己相関等の時間軸上のピッチサーチ
（Ｓ１１）及び振幅評価（Ｓ１２）により得られたピッ
チを用いて得られる各バンドのＶ（有声音）／ＵＶ（無
声音）の判断（Ｓ１３）の結果が、全帯域ＵＶとされた
とき（Ｓ１４）、信号スペクトルの低域側のパワー偏在
及びピーク検出を行い（Ｓ２１，Ｓ２２）、このピーク
近傍での極大値を検出し（Ｓ２４）、これらのピーク及
び極大の周波数軸上での各位置に基づいてピッチＰを算
出し（Ｓ２５）、Ｖ／ＵＶを再度判断する（Ｓ２７）。 【効果】 かすれ声やしわがれ声等の特殊な音声につい
ても、全バンドがＵＶになることなく、自然な音声が合
成できる。
Description
【０００１】
【産業上の利用分野】本発明は、入力音声信号をブロッ
ク単位で区分して、区分されたブロックを単位として音
声分析処理を行う際の入力音声信号からピッチを検出す
るピッチ検出方法に関する。
ク単位で区分して、区分されたブロックを単位として音
声分析処理を行う際の入力音声信号からピッチを検出す
るピッチ検出方法に関する。
【０００２】
【従来の技術】オーディオ信号（音声信号や音響信号を
含む）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。
含む）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。
【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、ハーモニック（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ＤＣ
Ｔ（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）等において、スペク
トル振幅やそのパラメータ（ＬＳＰパラメータ、αパラ
メータ、ｋパラメータ等）のような各種情報データを量
子化する場合に、従来においてはスカラ量子化を行うこ
とが多い。
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、ハーモニック（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ＤＣ
Ｔ（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）等において、スペク
トル振幅やそのパラメータ（ＬＳＰパラメータ、αパラ
メータ、ｋパラメータ等）のような各種情報データを量
子化する場合に、従来においてはスカラ量子化を行うこ
とが多い。
【０００４】上記ＰＡＲＣＯＲ法等の音声分析・合成系
では、励振源を切り換えるタイミングは時間軸上のブロ
ック（フレーム）毎であるため、同一フレーム内では有
声音と無声音とを混在させることができず、結果として
高品質な音声は得られなかった。
では、励振源を切り換えるタイミングは時間軸上のブロ
ック（フレーム）毎であるため、同一フレーム内では有
声音と無声音とを混在させることができず、結果として
高品質な音声は得られなかった。
【０００５】これに対して、上記ＭＢＥ符号化において
は、１ブロック（フレーム）内の音声に対して、周波数
スペクトルの各ハーモニクス（高調波）や２〜３ハーモ
ニクスをひとまとめにした各バンド（帯域）毎に、又は
固定の帯域幅（例えば３００〜４００Hz）で分割された
各バンド毎に、そのバンド中のスペクトル形状に基づい
て有声音／無声音判別（Ｖ／ＵＶ判別）を行っているた
め、音質の向上が認められる。この各バンド毎のＶ／Ｕ
Ｖ判別は、主としてバンド内のスペクトルがいかに強く
ハーモニクス構造を有しているかを見て行っている。
は、１ブロック（フレーム）内の音声に対して、周波数
スペクトルの各ハーモニクス（高調波）や２〜３ハーモ
ニクスをひとまとめにした各バンド（帯域）毎に、又は
固定の帯域幅（例えば３００〜４００Hz）で分割された
各バンド毎に、そのバンド中のスペクトル形状に基づい
て有声音／無声音判別（Ｖ／ＵＶ判別）を行っているた
め、音質の向上が認められる。この各バンド毎のＶ／Ｕ
Ｖ判別は、主としてバンド内のスペクトルがいかに強く
ハーモニクス構造を有しているかを見て行っている。
【０００６】上記有声音の波形は一般に周期的構造を有
しており、この基本周期をピッチ周期、その逆数をピッ
チ周波数という。このピッチを入力音声信号から検出あ
るいは抽出することは、一般の音声符号化処理、特に音
声を分析し合成する音声分析合成において重要とされ
る。音声分析合成におけるピッチのデータとしては、ピ
ッチ周期をサンプル数で表したいわゆるピッチラグを用
いることが多い。
しており、この基本周期をピッチ周期、その逆数をピッ
チ周波数という。このピッチを入力音声信号から検出あ
るいは抽出することは、一般の音声符号化処理、特に音
声を分析し合成する音声分析合成において重要とされ
る。音声分析合成におけるピッチのデータとしては、ピ
ッチ周期をサンプル数で表したいわゆるピッチラグを用
いることが多い。
【０００７】
【発明が解決しようとする課題】ところで、一般的に音
声信号のピッチを抽出する場合、その自己相関もしくは
ＬＰＣ（線形予測符号化）残差信号の自己相関のピーク
を観測することで、かなり正確な推定が行えるが、いわ
ゆるかすれ声やしわがれ声等の特殊な音声においては、
調波構造が乱れており、時間軸上で求めたピッチを有声
音／無声音（Ｖ／ＵＶ）の判別に用いると、全バンド
（帯域）において無声音（ＵＶ）と判別されてしまうこ
とがある。特に上記ＭＢＥ符号化においては、その利点
としての、同一時刻に有声音／無声音（Ｖ／ＵＶ）が共
存する、という状態が再現できなくなってしまうことが
ある。
声信号のピッチを抽出する場合、その自己相関もしくは
ＬＰＣ（線形予測符号化）残差信号の自己相関のピーク
を観測することで、かなり正確な推定が行えるが、いわ
ゆるかすれ声やしわがれ声等の特殊な音声においては、
調波構造が乱れており、時間軸上で求めたピッチを有声
音／無声音（Ｖ／ＵＶ）の判別に用いると、全バンド
（帯域）において無声音（ＵＶ）と判別されてしまうこ
とがある。特に上記ＭＢＥ符号化においては、その利点
としての、同一時刻に有声音／無声音（Ｖ／ＵＶ）が共
存する、という状態が再現できなくなってしまうことが
ある。
【０００８】本発明は、このような実情に鑑みてなされ
たものであり、かすれ声やしわがれ声等の特殊な音声に
ついても全てのバンドにおいて無声音（ＵＶ）となるこ
とを防止し、自然な音声が合成し得るようなピッチ検出
方法の提供を目的とする。
たものであり、かすれ声やしわがれ声等の特殊な音声に
ついても全てのバンドにおいて無声音（ＵＶ）となるこ
とを防止し、自然な音声が合成し得るようなピッチ検出
方法の提供を目的とする。
【０００９】
【課題を解決するための手段】本発明に係るピッチ検出
方法は、入力音声信号を時間軸上でブロック単位で区分
し、この区分された各ブロックの信号毎に音声の基本周
期に相当するピッチを検出するピッチ検出方法におい
て、この区分されたブロック内の信号のスペクトルにつ
いての低域側のパワー偏在及びピークを検出する工程
と、この検出されたピーク近傍の極大値を検出する工程
と、上記検出されたピークの位置と上記極大値の位置と
に基づいてピッチを検出する工程とを有することによ
り、上述した課題を解決する。
方法は、入力音声信号を時間軸上でブロック単位で区分
し、この区分された各ブロックの信号毎に音声の基本周
期に相当するピッチを検出するピッチ検出方法におい
て、この区分されたブロック内の信号のスペクトルにつ
いての低域側のパワー偏在及びピークを検出する工程
と、この検出されたピーク近傍の極大値を検出する工程
と、上記検出されたピークの位置と上記極大値の位置と
に基づいてピッチを検出する工程とを有することによ
り、上述した課題を解決する。
【００１０】ここで、このようなピッチ検出は、自己相
関等の時間軸上での処理によりピッチが捉えきれないと
きのみ、すなわち、上記区分されたブロックを複数の帯
域に分割し、分割された各帯域毎に有声音か無声音かを
判別して、全帯域が無声音と判別されたときのみ、行う
ようにしてもよい。
関等の時間軸上での処理によりピッチが捉えきれないと
きのみ、すなわち、上記区分されたブロックを複数の帯
域に分割し、分割された各帯域毎に有声音か無声音かを
判別して、全帯域が無声音と判別されたときのみ、行う
ようにしてもよい。
【００１１】また、本発明に係るピッチ検出方法が適用
される音声高能率符号化方法としては、マルチバンドエ
クサイテイション（ＭＢＥ）を用いた音声分析／合成方
法が挙げられる。このマルチバンド励起符号化において
は、上記ブロック毎に複数の帯域に分割し、分割された
各帯域毎にＶ（有声音）／ＵＶ（無声音）を判別し、こ
れらの帯域毎に判別されたＶ／ＵＶに応じて、Ｖと判別
された部分は正弦波等の合成により有声音を合成し、Ｕ
Ｖと判別された部分はノイズ信号の周波数成分を変形処
理することにより無声音を合成している。
される音声高能率符号化方法としては、マルチバンドエ
クサイテイション（ＭＢＥ）を用いた音声分析／合成方
法が挙げられる。このマルチバンド励起符号化において
は、上記ブロック毎に複数の帯域に分割し、分割された
各帯域毎にＶ（有声音）／ＵＶ（無声音）を判別し、こ
れらの帯域毎に判別されたＶ／ＵＶに応じて、Ｖと判別
された部分は正弦波等の合成により有声音を合成し、Ｕ
Ｖと判別された部分はノイズ信号の周波数成分を変形処
理することにより無声音を合成している。
【００１２】
【作用】音声スペクトルの低域側情報を用いてピッチ検
出を行っているため、自己相関等の時間軸上の処理では
ピッチを捕捉できなかった場合でも高精度にピッチ検出
が行える。
出を行っているため、自己相関等の時間軸上の処理では
ピッチを捕捉できなかった場合でも高精度にピッチ検出
が行える。
【００１３】
【実施例】先ず、かすれ声やしわがれ声等の特殊な音声
の場合のピッチ検出について説明する。
の場合のピッチ検出について説明する。
【００１４】周波数分析により音声のスペクトルを算出
した場合、有声部（Voiced Part ）では、図１に示すよ
うに、ピッチの同期して基本周波数の整数倍の位置にピ
ークが現れ、また全体のエンベロープがフォルマント
（Ｆ1 、Ｆ2 、Ｆ3 ）を有する構造を表すようになる。
これに対して無声部（Unvoiced Part ）では、図２に示
すように、ピッチ成分は現れず、フォルマント構造も不
明確である。
した場合、有声部（Voiced Part ）では、図１に示すよ
うに、ピッチの同期して基本周波数の整数倍の位置にピ
ークが現れ、また全体のエンベロープがフォルマント
（Ｆ1 、Ｆ2 、Ｆ3 ）を有する構造を表すようになる。
これに対して無声部（Unvoiced Part ）では、図２に示
すように、ピッチ成分は現れず、フォルマント構造も不
明確である。
【００１５】しかしながら、図３に示すように、フォル
マント構造が明確であるにもかかわらず、ピッチすなわ
ち基本周波数が現れないような音声も存在する。
マント構造が明確であるにもかかわらず、ピッチすなわ
ち基本周波数が現れないような音声も存在する。
【００１６】ここで問題となるのは、ピッチ抽出を時間
軸上でより正確に行うためには、フォルマント成分を排
除した上で、例えばＬＰＣ分析等により、解析を行うた
め、上記図３のような場合は、ピッチ抽出時には上記図
２の無声部の場合と同じように見えてしまうことであ
る。このような場合には、正確なピッチが得られず、そ
の後のＶ／ＵＶ（有声音／無声音）判断において、全て
のバンド（帯域）についてＵＶ（無声音）と評価されて
しまうことが多い。
軸上でより正確に行うためには、フォルマント成分を排
除した上で、例えばＬＰＣ分析等により、解析を行うた
め、上記図３のような場合は、ピッチ抽出時には上記図
２の無声部の場合と同じように見えてしまうことであ
る。このような場合には、正確なピッチが得られず、そ
の後のＶ／ＵＶ（有声音／無声音）判断において、全て
のバンド（帯域）についてＵＶ（無声音）と評価されて
しまうことが多い。
【００１７】しかしながら、上記図３のような場合に
は、局所的にＶ（有声音）となる部分（例えば図中のＡ
の部分）が含まれているため、何らかの手段により上記
図２の状態と上記図３の状態とを差を検出し、新たなピ
ッチを再抽出することが必要とされる。
は、局所的にＶ（有声音）となる部分（例えば図中のＡ
の部分）が含まれているため、何らかの手段により上記
図２の状態と上記図３の状態とを差を検出し、新たなピ
ッチを再抽出することが必要とされる。
【００１８】先ず、上記図２の状態と上記図３の状態と
を区別するため、パワースペクトルＳｍの偏在、特に低
域側での偏在を次の式により求める。
を区別するため、パワースペクトルＳｍの偏在、特に低
域側での偏在を次の式により求める。
【００１９】
【数１】
【００２０】ここで、peak(n,xi ) は、データ列ｘi の
ｉ＝０〜ｎの中でピーク値を表す。また、Ｎp は周波数
分析時のポイント数であり、本具体例ではＮp ＝１２８
／４ｋHzとしている。Ｓi は、例えば８ｋHzサンプリン
グデータの２５６サンプルをＦＦＴ等の直交変換して得
られたｉ番目の（インデックスｉの）スペクトルデータ
を示す。８ｋHzサンプリングのときには４ｋHzを中心に
対称なスペクトルとなることより、２５６サンプルを直
交変換して得られた２５６ポイントのスペクトルデータ
の内の４ｋHzまでの１２８ポイントを用いている。
ｉ＝０〜ｎの中でピーク値を表す。また、Ｎp は周波数
分析時のポイント数であり、本具体例ではＮp ＝１２８
／４ｋHzとしている。Ｓi は、例えば８ｋHzサンプリン
グデータの２５６サンプルをＦＦＴ等の直交変換して得
られたｉ番目の（インデックスｉの）スペクトルデータ
を示す。８ｋHzサンプリングのときには４ｋHzを中心に
対称なスペクトルとなることより、２５６サンプルを直
交変換して得られた２５６ポイントのスペクトルデータ
の内の４ｋHzまでの１２８ポイントを用いている。
【００２１】この式により求められたｋは、分析対象と
なる全帯域の低域側１／３の範囲でのピークと平均値と
の比を表しており、このｋが所定の閾値Ｔｈk よりも大
きいとき、例えば、Ｔｈk ＝８．０として、ｋ＞８．０
を満たしているときには、有声部が存在すると考えられ
る。
なる全帯域の低域側１／３の範囲でのピークと平均値と
の比を表しており、このｋが所定の閾値Ｔｈk よりも大
きいとき、例えば、Ｔｈk ＝８．０として、ｋ＞８．０
を満たしているときには、有声部が存在すると考えられ
る。
【００２２】このとき、ピークを与えるＳi のインデッ
クスをｊとおく。すなわち、 Ｓj ＝ｐｅａｋ（Ｎp ／３、Ｓi ） ・・・ （２） とおくとき、Ｓi はｉ＝ｊの近傍で有声音の構造を有し
ている、すなわちピッチが現れていると期待できるた
め、ここから新たなピッチを抽出する。
クスをｊとおく。すなわち、 Ｓj ＝ｐｅａｋ（Ｎp ／３、Ｓi ） ・・・ （２） とおくとき、Ｓi はｉ＝ｊの近傍で有声音の構造を有し
ている、すなわちピッチが現れていると期待できるた
め、ここから新たなピッチを抽出する。
【００２３】具体的な方法としては、スペクトルデータ
Ｓi を、ｉ＝ｊを中心に±Ｍポイントの範囲での極大点
を探し、図４に示すように、＋側のインデックスを
ｊ+ 、−側をｊ- とする。
Ｓi を、ｉ＝ｊを中心に±Ｍポイントの範囲での極大点
を探し、図４に示すように、＋側のインデックスを
ｊ+ 、−側をｊ- とする。
【００２４】ここで、極大点の存在状態により、次のよ
うに新たなピッチＰを求める。 （１）ｊ+ 、ｊ- が共に存在する場合。 Ｐ＝Ｎ／min(ｊ+ −ｊ、ｊ−ｊ- ) ・・・ （３） この式で、min(a,b)はａ、ｂの大きくない方を表す。Ｎ
は１ブロックのサンプル数であり、本実施例では、サン
プリング周波数ｆs を８ｋHzとしており、上記Ｎp ＝１
２８／４ｋHzであることより、Ｎ＝２５６となる。 （２）ｊ+ 、ｊ- のいずれか１つのみが存在する場合。
うに新たなピッチＰを求める。 （１）ｊ+ 、ｊ- が共に存在する場合。 Ｐ＝Ｎ／min(ｊ+ −ｊ、ｊ−ｊ- ) ・・・ （３） この式で、min(a,b)はａ、ｂの大きくない方を表す。Ｎ
は１ブロックのサンプル数であり、本実施例では、サン
プリング周波数ｆs を８ｋHzとしており、上記Ｎp ＝１
２８／４ｋHzであることより、Ｎ＝２５６となる。 （２）ｊ+ 、ｊ- のいずれか１つのみが存在する場合。
【００２５】 ｊ+ のみのとき：Ｐ＝Ｎ／（ｊ+ −ｊ） ・・・ （４） ｊ- のみのとき：Ｐ＝Ｎ／（ｊ−ｊ- ） ・・・ （５） （３）いずれも存在しない場合。 この方式によるピッチ修正は行わない。
【００２６】なお、ピッチＰとして、２０≦Ｐ＜１４８
を仮定しているため、上記Ｍの値としては、Ｍ≦Ｌ／２
０を満たす整数であるＭ＝１２を用いている。
を仮定しているため、上記Ｍの値としては、Ｍ≦Ｌ／２
０を満たす整数であるＭ＝１２を用いている。
【００２７】ところで、後述するＭＢＥ（Multiband Ex
citation: マルチバンド励起）符号化等において、上述
したピッチを用いる場合は、再度振幅評価とＶ／ＵＶの
判断とを行う必要があるが、上記ピッチは上記Ｓi のピ
ーク近傍で有効なものであるから、結果として再び全バ
ンドＵＶとなってしまう可能性が高い。従って、ピッチ
としては上記の値を用い、Ｖ／ＵＶの再度の判断（ある
いは修正）には、例えば強制的に有声部拡張を使用する
ことが考えられる。この有声部拡張の具体例としては、
低域側のバンドがＶ（有声音）とされるときには高域側
も強制的にＶとするような手法が挙げられる。
citation: マルチバンド励起）符号化等において、上述
したピッチを用いる場合は、再度振幅評価とＶ／ＵＶの
判断とを行う必要があるが、上記ピッチは上記Ｓi のピ
ーク近傍で有効なものであるから、結果として再び全バ
ンドＵＶとなってしまう可能性が高い。従って、ピッチ
としては上記の値を用い、Ｖ／ＵＶの再度の判断（ある
いは修正）には、例えば強制的に有声部拡張を使用する
ことが考えられる。この有声部拡張の具体例としては、
低域側のバンドがＶ（有声音）とされるときには高域側
も強制的にＶとするような手法が挙げられる。
【００２８】ここで、本発明に係るピッチ検出方法をＭ
ＢＥ（Multiband Excitation: マルチバンド励起）を用
いた音声分析合成装置（いわゆるボコーダ）に適用する
場合の具体的な動作の一例について説明する。
ＢＥ（Multiband Excitation: マルチバンド励起）を用
いた音声分析合成装置（いわゆるボコーダ）に適用する
場合の具体的な動作の一例について説明する。
【００２９】このＭＢＥボコーダにおいては、ブロック
毎の信号を周波数軸上に変換し、複数帯域に分割して各
帯域毎にＶ（有声音）かＵＶ（無声音）かを判別する。
すなわち、例えば、入力された音声信号を一定サンプル
数（例えば２５６サンプル）毎にブロック化して、ＦＦ
Ｔ等の直交変換により周波数軸上のスペクトルデータに
変換すると共に、該ブロック内の音声のピッチを抽出
し、このピッチに応じた間隔で周波数軸上のスペクトル
を帯域分割し、分割された各帯域（バンド）についてＶ
（有声音）／ＵＶ（無声音）の判断を行う。このＶ／Ｕ
Ｖ情報をスペクトルの振幅データと共に符号化して伝送
する。
毎の信号を周波数軸上に変換し、複数帯域に分割して各
帯域毎にＶ（有声音）かＵＶ（無声音）かを判別する。
すなわち、例えば、入力された音声信号を一定サンプル
数（例えば２５６サンプル）毎にブロック化して、ＦＦ
Ｔ等の直交変換により周波数軸上のスペクトルデータに
変換すると共に、該ブロック内の音声のピッチを抽出
し、このピッチに応じた間隔で周波数軸上のスペクトル
を帯域分割し、分割された各帯域（バンド）についてＶ
（有声音）／ＵＶ（無声音）の判断を行う。このＶ／Ｕ
Ｖ情報をスペクトルの振幅データと共に符号化して伝送
する。
【００３０】このようなＭＢＥボコーダに、本発明に係
るピッチ検出方法の一実施例を適用した場合の要部の動
作の具体例を、図５のフローチャートに示す。この図５
に示す具体例においては、音声分析の際の音声の基本周
期に相当するピッチを抽出する際に、自己相関等の時間
軸上の処理ではピッチを捉えきれなかった場合、周波数
スペクトル情報を用いて精度向上を図っている。すなわ
ち、Ｖ（有声音）／ＵＶ（無声音）の判断が全帯域にお
いてＵＶ（無声音）とされた場合、これが妥当なもので
あるか否かを判断し、不適当である場合はピッチの値及
びＶ／ＵＶの判断を再度計算しなおして修正している。
上記全バンドＵＶとの判断の妥当性確認や上記ピッチの
再抽出には、スペクトル情報を用いている。
るピッチ検出方法の一実施例を適用した場合の要部の動
作の具体例を、図５のフローチャートに示す。この図５
に示す具体例においては、音声分析の際の音声の基本周
期に相当するピッチを抽出する際に、自己相関等の時間
軸上の処理ではピッチを捉えきれなかった場合、周波数
スペクトル情報を用いて精度向上を図っている。すなわ
ち、Ｖ（有声音）／ＵＶ（無声音）の判断が全帯域にお
いてＵＶ（無声音）とされた場合、これが妥当なもので
あるか否かを判断し、不適当である場合はピッチの値及
びＶ／ＵＶの判断を再度計算しなおして修正している。
上記全バンドＵＶとの判断の妥当性確認や上記ピッチの
再抽出には、スペクトル情報を用いている。
【００３１】この図５の最初のステップＳ１１では、自
己相関等の時間軸上の処理によるピッチサーチを行い、
次のステップＳ１２に移行する。このステップＳ１２で
は、後述するような合成による分析法による高精度（フ
ァイン）ピッチサーチを振幅評価しながら行う。次のス
テップＳ１３では、ステップＳ１２で得られたファイン
ピッチ及び振幅データを用いてＶ／ＵＶ（有声音／無声
音）判断が行われ、ステップＳ１４に進んで、全バンド
（帯域）がＵＶと判断されたかを判別する。ＮＯ（少な
くとも１バンドがＶ）のときには、ステップＳ１５に進
んで、ＭＢＥボコーダの通常動作の次のステップに移行
する。
己相関等の時間軸上の処理によるピッチサーチを行い、
次のステップＳ１２に移行する。このステップＳ１２で
は、後述するような合成による分析法による高精度（フ
ァイン）ピッチサーチを振幅評価しながら行う。次のス
テップＳ１３では、ステップＳ１２で得られたファイン
ピッチ及び振幅データを用いてＶ／ＵＶ（有声音／無声
音）判断が行われ、ステップＳ１４に進んで、全バンド
（帯域）がＵＶと判断されたかを判別する。ＮＯ（少な
くとも１バンドがＶ）のときには、ステップＳ１５に進
んで、ＭＢＥボコーダの通常動作の次のステップに移行
する。
【００３２】ステップＳ１４でＹＥＳ（全バンドＵＶ）
と判別されたときには、ステップＳ２１に進んで上記
（１）式のｋの算出が行われ、次のステップＳ２２でこ
のｋが所定の閾値Ｔｈk （例えば８．０）より大きいか
（ｋ＞８．０）否かの判別がなされる。ＹＥＳのときに
はステップＳ２３に進んで、ピークＳｊの位置（インデ
ックスｉ＝ｊ）の近傍での極大値を検索し、ステップＳ
２４で＋側、−側の各インデックスｊ+ 、ｊ- の少なく
とも１つが存在するか否かの判別を行う。このステップ
Ｓ２４でもＹＥＳのときに、ステップＳ２５に進んで上
記（３）〜（５）式よりピッチＰを算出し、ステップＳ
２６で上記ステップＳ１２と同様な振幅評価を行い、ス
テップＳ２７で再度のＶ／ＵＶ判断を行った後、上記ス
テップＳ１５に進んでいる。
と判別されたときには、ステップＳ２１に進んで上記
（１）式のｋの算出が行われ、次のステップＳ２２でこ
のｋが所定の閾値Ｔｈk （例えば８．０）より大きいか
（ｋ＞８．０）否かの判別がなされる。ＹＥＳのときに
はステップＳ２３に進んで、ピークＳｊの位置（インデ
ックスｉ＝ｊ）の近傍での極大値を検索し、ステップＳ
２４で＋側、−側の各インデックスｊ+ 、ｊ- の少なく
とも１つが存在するか否かの判別を行う。このステップ
Ｓ２４でもＹＥＳのときに、ステップＳ２５に進んで上
記（３）〜（５）式よりピッチＰを算出し、ステップＳ
２６で上記ステップＳ１２と同様な振幅評価を行い、ス
テップＳ２７で再度のＶ／ＵＶ判断を行った後、上記ス
テップＳ１５に進んでいる。
【００３３】ここで、ステップＳ２７でのＶ／ＵＶの再
計算（あるいは修正）には、Ｖ（有声音）バンドを拡張
する方法、例えば低域側（５００〜７００Hz以下）がＶ
（有声音）と判別されたときその判別結果を高域側へ拡
張し、３３００Hzまでを強制的にＶ（有声音）とする方
法を用いている。なお、上記ステップＳ２２やＳ２４で
ＮＯと判別されたときには、いずれも上記ステップＳ１
５に進んで、通常のＭＢＥボコーダの動作におけるＶ／
ＵＶ判断の次のステップに移行している。
計算（あるいは修正）には、Ｖ（有声音）バンドを拡張
する方法、例えば低域側（５００〜７００Hz以下）がＶ
（有声音）と判別されたときその判別結果を高域側へ拡
張し、３３００Hzまでを強制的にＶ（有声音）とする方
法を用いている。なお、上記ステップＳ２２やＳ２４で
ＮＯと判別されたときには、いずれも上記ステップＳ１
５に進んで、通常のＭＢＥボコーダの動作におけるＶ／
ＵＶ判断の次のステップに移行している。
【００３４】次に、本発明に係るピッチ検出方法が適用
される音声高能率符号化装置の一具体例としてのＭＢＥ
ボコーダについて、図面を参照しながら説明する。
される音声高能率符号化装置の一具体例としてのＭＢＥ
ボコーダについて、図面を参照しながら説明する。
【００３５】以下に説明するＭＢＥボコーダは、D.W. G
riffin and J.S. Lim, "MultibandExcitation Vocode
r," IEEE Trans.Acoustics,Speech,and Signal Process
ing,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 au
to-CORrelation: 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。
riffin and J.S. Lim, "MultibandExcitation Vocode
r," IEEE Trans.Acoustics,Speech,and Signal Process
ing,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 au
to-CORrelation: 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。
【００３６】このＭＢＥボコーダのような音声分析合成
系を想定する場合、入力される時間軸上の音声信号に対
するサンプリング周波数ｆs は、通常８ｋHzで、全帯域
幅は３．４ｋHz（ただし有効帯域は２００〜３４００H
z）であり、女声の高い方から男声の低い方までのピッ
チラグ（ピッチ周期に相当するサンプル数）は、２０〜
１４７程度である。従って、ピッチ周波数は、8000/147
≒５４（Hz）から 8000/20＝４００（Hz）程度までの間
で変動することになる。従って、周波数軸上で上記３．
４ｋHzまでの間に約８〜６３本のピッチパルス（ハーモ
ニックス）が立つことになる。
系を想定する場合、入力される時間軸上の音声信号に対
するサンプリング周波数ｆs は、通常８ｋHzで、全帯域
幅は３．４ｋHz（ただし有効帯域は２００〜３４００H
z）であり、女声の高い方から男声の低い方までのピッ
チラグ（ピッチ周期に相当するサンプル数）は、２０〜
１４７程度である。従って、ピッチ周波数は、8000/147
≒５４（Hz）から 8000/20＝４００（Hz）程度までの間
で変動することになる。従って、周波数軸上で上記３．
４ｋHzまでの間に約８〜６３本のピッチパルス（ハーモ
ニックス）が立つことになる。
【００３７】図６は、上記ＭＢＥボコーダの全体の概略
構成を示すブロック図である。この図６において、入力
端子１１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１２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１２を介して得られた信
号は、ピッチ抽出部１３及び窓かけ処理部１４にそれぞ
れ送られる。ピッチ抽出部（ピッチ検出部）１３では、
入力音声信号データが所定サンプル数Ｎ（例えばＮ＝２
５６）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７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１４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。
構成を示すブロック図である。この図６において、入力
端子１１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１２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１２を介して得られた信
号は、ピッチ抽出部１３及び窓かけ処理部１４にそれぞ
れ送られる。ピッチ抽出部（ピッチ検出部）１３では、
入力音声信号データが所定サンプル数Ｎ（例えばＮ＝２
５６）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７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１４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。
【００３８】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) ・・・（６） となる。この（６）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１３での図７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 ・・・（７） ＝０ ｒ＜０，Ｎ≦ｒ また、上記窓かけ処理部１４での図７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 ・・・（８） ＝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（６）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８に示すように、ｋＬ−Ｎ＜ｑ≦ｋＬの
ときとなる。また、上記（６）〜（８）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（７）
式、（８）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１３での図７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 ・・・（７） ＝０ ｒ＜０，Ｎ≦ｒ また、上記窓かけ処理部１４での図７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 ・・・（８） ＝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（６）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８に示すように、ｋＬ−Ｎ＜ｑ≦ｋＬの
ときとなる。また、上記（６）〜（８）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（７）
式、（８）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。
【００３９】窓かけ処理部１４では、図９に示すよう
に、上記（８）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１５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。あるいは、０詰めなしで２５６点のままでＦＦ
Ｔを施して処理量を減らす方法もある。
に、上記（８）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１５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。あるいは、０詰めなしで２５６点のままでＦＦ
Ｔを施して処理量を減らす方法もある。
【００４０】ピッチ抽出部（ピッチ検出部）１３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１３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１６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。
なお、センタクリップ波形ではなく、入力波形をＬＰＣ
分析した残差波形の自己相関からピッチを求める方法を
用いてもよい。
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１３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１６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。
なお、センタクリップ波形ではなく、入力波形をＬＰＣ
分析した残差波形の自己相関からピッチを求める方法を
用いてもよい。
【００４１】高精度（ファイン）ピッチサーチ部１６に
は、ピッチ抽出部１３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１５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１６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。
は、ピッチ抽出部１３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１５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１６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。
【００４２】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 ・・・（９） 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（９）式中において、周波数軸上のスペクト
ルデータＳ(j) が図１０のＡに示すような波形のとき、
Ｈ(j) は、図１０のＢに示すように、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１０のＣに示すような等レベルで周期
的な励起信号（エクサイテイション）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 ・・・（９） 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（９）式中において、周波数軸上のスペクト
ルデータＳ(j) が図１０のＡに示すような波形のとき、
Ｈ(j) は、図１０のＢに示すように、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１０のＣに示すような等レベルで周期
的な励起信号（エクサイテイション）のスペクトルを示
している。すなわち、ＦＦＴスペクトルＳ(j) は、スペ
クトルエンベロープＨ(j) と励起信号のパワースペクト
ル｜Ｅ(j) ｜との積としてモデル化される。
【００４３】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９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９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。
【００４４】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、
【００４５】
【数２】 で表せる。このエラーεm を最小化するような｜Ａm ｜
は、
は、
【００４６】
【数３】 となり、この（11）式の｜Ａm ｜のとき、エラーεm を
最小化する。
最小化する。
【００４７】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（10）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。
め、得られた各振幅｜Ａm ｜を用いて上記（10）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。
【００４８】すなわち、上記ピッチ抽出部１３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（11）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（10）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。このときの振幅値の計算は、有声音の振幅評価
部１８Ｖにおいて行われる。
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（11）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（10）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。このときの振幅値の計算は、有声音の振幅評価
部１８Ｖにおいて行われる。
【００４９】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。
【００５０】上記高精度ピッチサーチ部１６からの最適
ピッチ及び振幅評価部（有声音）１８Ｖからの振幅｜Ａ
m ｜のデータは、有声音／無声音判別部１７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であるＮＳＲ
mは、
ピッチ及び振幅評価部（有声音）１８Ｖからの振幅｜Ａ
m ｜のデータは、有声音／無声音判別部１７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であるＮＳＲ
mは、
【００５１】
【数４】 と表せ、このＮＳＲm が所定の閾値Ｔｈ1 （例えばＴｈ
1 ＝0.２）より大のとき（すなわちエラーが大きいと
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Ｕ
Ｖ（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。
1 ＝0.２）より大のとき（すなわちエラーが大きいと
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Ｕ
Ｖ（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。
【００５２】ところで、上述したように基本ピッチ周波
数で分割されたバンドの数（ハーモニックスの数）は、
声の高低（ピッチの大小）によって約８〜６３程度の範
囲で変動するため、各バンド毎のＶ／ＵＶフラグの個数
も同様に変動してしまう。
数で分割されたバンドの数（ハーモニックスの数）は、
声の高低（ピッチの大小）によって約８〜６３程度の範
囲で変動するため、各バンド毎のＶ／ＵＶフラグの個数
も同様に変動してしまう。
【００５３】そこで、本実施例においては、固定的な周
波数帯域で分割した一定個数のバンド毎にＶ／ＵＶ判別
結果をまとめる（あるいは縮退させる）ようにしてい
る。具体的には、音声帯域を含む所定帯域（例えば０〜
４０００Hz）をＮB 個（例えば１２個）のバンドに分割
し、各バンド内の上記ＮＳＲ値に従って、例えば重み付
き平均値を所定の閾値Ｔｈ2 （例えばＴｈ2 ＝0.２）で
弁別して、当該バンドのＶ／ＵＶを判断している。
波数帯域で分割した一定個数のバンド毎にＶ／ＵＶ判別
結果をまとめる（あるいは縮退させる）ようにしてい
る。具体的には、音声帯域を含む所定帯域（例えば０〜
４０００Hz）をＮB 個（例えば１２個）のバンドに分割
し、各バンド内の上記ＮＳＲ値に従って、例えば重み付
き平均値を所定の閾値Ｔｈ2 （例えばＴｈ2 ＝0.２）で
弁別して、当該バンドのＶ／ＵＶを判断している。
【００５４】この有声音／無声音（Ｖ／ＵＶ）判別部１
７において、全バンドがＵＶ（無声音）と判別された場
合には、上述したように、周波数スペクトル情報を用い
て、Ｖ／ＵＶ判断の妥当性評価や妥当でないときのピッ
チの再抽出を行っている。
７において、全バンドがＵＶ（無声音）と判別された場
合には、上述したように、周波数スペクトル情報を用い
て、Ｖ／ＵＶ判断の妥当性評価や妥当でないときのピッ
チの再抽出を行っている。
【００５５】具体的には、パワー偏在・ピーク検出部２
４において、Ｖ／ＵＶ判別部１７が全バンドＵＶと判別
したとき、直交変換（ＦＦＴ）部１５からのスペクトル
データを用いて、低域側１／３の領域でのパワー偏在を
上記（１）式のｋを算出することにより検出し、このと
きピークも同時に検出する。ピッチ算出部２５は、この
ピーク位置（周波数軸上での位置、あるいはスペクトル
データのインデックスｊ）及び該ピーク近傍の前後の極
大点の位置（上記ｊ+ 、ｊ- ）に基づいて、上記（３）
式や（４）式又は（５）式により新たなピッチＰを求め
る。この新たなピッチＰを上記高精度ピッチサーチ部１
６に送って上述したようなピッチのファインサーチを行
い、得られたファインピッチに基づいて再び振幅評価や
Ｖ／ＵＶ判別等を行う。
４において、Ｖ／ＵＶ判別部１７が全バンドＵＶと判別
したとき、直交変換（ＦＦＴ）部１５からのスペクトル
データを用いて、低域側１／３の領域でのパワー偏在を
上記（１）式のｋを算出することにより検出し、このと
きピークも同時に検出する。ピッチ算出部２５は、この
ピーク位置（周波数軸上での位置、あるいはスペクトル
データのインデックスｊ）及び該ピーク近傍の前後の極
大点の位置（上記ｊ+ 、ｊ- ）に基づいて、上記（３）
式や（４）式又は（５）式により新たなピッチＰを求め
る。この新たなピッチＰを上記高精度ピッチサーチ部１
６に送って上述したようなピッチのファインサーチを行
い、得られたファインピッチに基づいて再び振幅評価や
Ｖ／ＵＶ判別等を行う。
【００５６】この新たなピッチを用いるＶ／ＵＶ判別の
際には、強制的に有声部の拡張を行っている。この有声
部拡張の具体例として、低域側がＶ（有声音）とされた
場合の高域側への拡張処理について説明する。
際には、強制的に有声部の拡張を行っている。この有声
部拡張の具体例として、低域側がＶ（有声音）とされた
場合の高域側への拡張処理について説明する。
【００５７】この具体例においては、低域側の第１の周
波数以下の所定数バンドのＶ／ＵＶ判別結果がＶ（有声
音）のとき、所定の条件、例えば入力信号レベルが所定
の閾値ＴｈS より大きく、入力信号のゼロクロスレート
が所定の閾値ＴｈZ より小さい条件の下で、高域側の第
２の周波数までの所定バンドまでをＶとするような拡張
を行っている。この拡張は、音声のスペクトル構造の
内、低域部分の構造（ピッチ構造の強弱）が全体的な構
造を代表している傾向にある、という観測に基づいてい
る。
波数以下の所定数バンドのＶ／ＵＶ判別結果がＶ（有声
音）のとき、所定の条件、例えば入力信号レベルが所定
の閾値ＴｈS より大きく、入力信号のゼロクロスレート
が所定の閾値ＴｈZ より小さい条件の下で、高域側の第
２の周波数までの所定バンドまでをＶとするような拡張
を行っている。この拡張は、音声のスペクトル構造の
内、低域部分の構造（ピッチ構造の強弱）が全体的な構
造を代表している傾向にある、という観測に基づいてい
る。
【００５８】上記低域側の第１の周波数としては、例え
ば５００〜７００Hzとすることが考えられ、上記高域側
の第２の周波数としては、例えば３３００Hzとすること
が考えられる。これは、通常の音声帯域２００〜３４０
０Hzを含む帯域、例えば４０００Hzまでの帯域を、所定
バンド数、例えば１２バンドで分割するとき、上記低域
側の第１の周波数以下のバンドである例えば低域側２バ
ンドのＶ／ＵＶ判別結果がＶ（有声音）のとき、所定の
条件の下で、高域側の第２の周波数までの所定バンドと
しての、高域側から２バンドを除く部分のバンドまでを
Ｖとするような拡張を行うことに相当する。
ば５００〜７００Hzとすることが考えられ、上記高域側
の第２の周波数としては、例えば３３００Hzとすること
が考えられる。これは、通常の音声帯域２００〜３４０
０Hzを含む帯域、例えば４０００Hzまでの帯域を、所定
バンド数、例えば１２バンドで分割するとき、上記低域
側の第１の周波数以下のバンドである例えば低域側２バ
ンドのＶ／ＵＶ判別結果がＶ（有声音）のとき、所定の
条件の下で、高域側の第２の周波数までの所定バンドと
しての、高域側から２バンドを除く部分のバンドまでを
Ｖとするような拡張を行うことに相当する。
【００５９】次に、無声音の振幅評価部１８Ｕには、直
交変換部１５からの周波数軸上データ、ピッチサーチ部
１６からのファインピッチデータ、有声音振幅評価部１
８Ｖからの振幅｜Ａm ｜のデータ、及び上記有声音／無
声音判別部１７からのＶ／ＵＶ（有声音／無声音）判別
データが供給されている。この振幅評価部（無声音）１
８Ｕでは、有声音／無声音判別部１７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（振幅再評価を行って）いる。このＵＶのバンドにつ
いての振幅｜Ａm ｜UVは、
交変換部１５からの周波数軸上データ、ピッチサーチ部
１６からのファインピッチデータ、有声音振幅評価部１
８Ｖからの振幅｜Ａm ｜のデータ、及び上記有声音／無
声音判別部１７からのＶ／ＵＶ（有声音／無声音）判別
データが供給されている。この振幅評価部（無声音）１
８Ｕでは、有声音／無声音判別部１７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（振幅再評価を行って）いる。このＵＶのバンドにつ
いての振幅｜Ａm ｜UVは、
【００６０】
【数５】 にて求められる。
【００６１】この振幅評価部（無声音）１８Ｕ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１９に送られる。このデータ数変換部１９は、上
記ピッチに応じて周波数軸上での分割帯域数が異なり、
データ数（特に振幅データの数）が異なることを考慮し
て、一定の個数にするためのものである。すなわち、例
えば有効帯域を３４００ｋHzまでとすると、この有効帯
域が上記ピッチに応じて、８バンド〜６３バンドに分割
されることになり、これらの各バンド毎に得られる上記
振幅｜Ａm ｜（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１９では、この可変個数ｍMX＋
１の振幅データを一定個数Ｍ（例えば４４個）のデータ
に変換している。
ータは、データ数変換（一種のサンプリングレート変
換）部１９に送られる。このデータ数変換部１９は、上
記ピッチに応じて周波数軸上での分割帯域数が異なり、
データ数（特に振幅データの数）が異なることを考慮し
て、一定の個数にするためのものである。すなわち、例
えば有効帯域を３４００ｋHzまでとすると、この有効帯
域が上記ピッチに応じて、８バンド〜６３バンドに分割
されることになり、これらの各バンド毎に得られる上記
振幅｜Ａm ｜（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１９では、この可変個数ｍMX＋
１の振幅データを一定個数Ｍ（例えば４４個）のデータ
に変換している。
【００６２】ここで本実施例においては、例えば、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ＯS 倍
（例えば８倍）のオーバーサンプリングを施すことによ
りＯS 倍の個数の振幅データを求め、このＯS 倍の個数
（（ｍMX＋１）×ＯS 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Ｍ（例えば４
４個）のデータに変換している。
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ＯS 倍
（例えば８倍）のオーバーサンプリングを施すことによ
りＯS 倍の個数の振幅データを求め、このＯS 倍の個数
（（ｍMX＋１）×ＯS 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Ｍ（例えば４
４個）のデータに変換している。
【００６３】このデータ数変換部１９からのデータ（上
記一定個数Ｍ個の振幅データ）がベクトル量子化部２０
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２０からの量子化出力データ（の主要部）は、上記高
精度のピッチサーチ部１６からの高精度（ファイン）ピ
ッチデータ及び上記有声音／無声音判別部１７からの有
声音／無声音（Ｖ／ＵＶ）判別データと共に、符号化部
２１に送られて符号化される。
記一定個数Ｍ個の振幅データ）がベクトル量子化部２０
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２０からの量子化出力データ（の主要部）は、上記高
精度のピッチサーチ部１６からの高精度（ファイン）ピ
ッチデータ及び上記有声音／無声音判別部１７からの有
声音／無声音（Ｖ／ＵＶ）判別データと共に、符号化部
２１に送られて符号化される。
【００６４】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。また、上記有声音／無声音判別部１７からの
Ｖ／ＵＶ判別データについては、上述したように、必要
に応じて１２バンド程度に低減（縮退）してもよく、全
バンド中で１箇所以下の有声音（Ｖ）領域と無声音（Ｕ
Ｖ）領域との区分位置を表すデータである。また、上記
ピッチを再度検出した場合や所定条件を満足する場合
に、低域側のＶ（有声音）が高域側にまで拡張されたＶ
／ＵＶ判別データパターンを表すものである。
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。また、上記有声音／無声音判別部１７からの
Ｖ／ＵＶ判別データについては、上述したように、必要
に応じて１２バンド程度に低減（縮退）してもよく、全
バンド中で１箇所以下の有声音（Ｖ）領域と無声音（Ｕ
Ｖ）領域との区分位置を表すデータである。また、上記
ピッチを再度検出した場合や所定条件を満足する場合
に、低域側のＶ（有声音）が高域側にまで拡張されたＶ
／ＵＶ判別データパターンを表すものである。
【００６５】上記符号化部２１においては、例えばＣＲ
Ｃ付加及びレート１／２畳み込み符号付加処理が施され
る。すなわち、上記ピッチデータ、上記有声音／無声音
（Ｖ／ＵＶ）判別データ、及び上記量子化出力データの
内の重要なデータについてはＣＲＣ誤り訂正符号化が施
された後、畳み込み符号化が施される。符号化部２１か
らの符号化出力データは、フレームインターリーブ部２
２に送られ、ベクトル量子化部２０からの一部（例えば
重要度の低い）データと共にインターリーブ処理され
て、出力端子２３から取り出され、合成側（デコード
側）に伝送（あるいは記録再生）される。
Ｃ付加及びレート１／２畳み込み符号付加処理が施され
る。すなわち、上記ピッチデータ、上記有声音／無声音
（Ｖ／ＵＶ）判別データ、及び上記量子化出力データの
内の重要なデータについてはＣＲＣ誤り訂正符号化が施
された後、畳み込み符号化が施される。符号化部２１か
らの符号化出力データは、フレームインターリーブ部２
２に送られ、ベクトル量子化部２０からの一部（例えば
重要度の低い）データと共にインターリーブ処理され
て、出力端子２３から取り出され、合成側（デコード
側）に伝送（あるいは記録再生）される。
【００６６】次に、伝送されて（あるいは記録再生され
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１
１を参照しながら説明する。
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１
１を参照しながら説明する。
【００６７】この図１１において、入力端子３１には、
上記図６に示すエンコーダ側の出力端子２３から取り出
されたデータ信号に略々等しい（伝送や記録再生による
信号劣化を無視して）データ信号が供給される。この入
力端子３１からのデータは、フレームデインターリーブ
部３２に送られて、上記図６のインターリーブ処理の逆
処理となるデインターリーブ処理が施され、主要部（エ
ンコーダ側でＣＲＣ及び畳み込み符号化された部分で、
一般に重要度の高いデータ部分）は復号化部３３で復号
化処理されてバッドフレームマスク処理部３４に、残部
（符号化処理の施されていない重要度の低いもの）はそ
のままバッドフレームマスク処理部３４に、それぞれ送
られる。復号化部３３においては、例えばいわゆるビタ
ビ復号化処理やＣＲＣチェックコードを用いたエラー検
出処理が施される。バッドフレームマスク処理部３４
は、エラーの多いフレームのパラメータを補間で求める
ような処理を行うと共に、上記ピッチデータ、有声音／
無声音（Ｖ／ＵＶ）データ、及びベクトル量子化された
振幅データを分離して取り出す。
上記図６に示すエンコーダ側の出力端子２３から取り出
されたデータ信号に略々等しい（伝送や記録再生による
信号劣化を無視して）データ信号が供給される。この入
力端子３１からのデータは、フレームデインターリーブ
部３２に送られて、上記図６のインターリーブ処理の逆
処理となるデインターリーブ処理が施され、主要部（エ
ンコーダ側でＣＲＣ及び畳み込み符号化された部分で、
一般に重要度の高いデータ部分）は復号化部３３で復号
化処理されてバッドフレームマスク処理部３４に、残部
（符号化処理の施されていない重要度の低いもの）はそ
のままバッドフレームマスク処理部３４に、それぞれ送
られる。復号化部３３においては、例えばいわゆるビタ
ビ復号化処理やＣＲＣチェックコードを用いたエラー検
出処理が施される。バッドフレームマスク処理部３４
は、エラーの多いフレームのパラメータを補間で求める
ような処理を行うと共に、上記ピッチデータ、有声音／
無声音（Ｖ／ＵＶ）データ、及びベクトル量子化された
振幅データを分離して取り出す。
【００６８】バッドフレームマスク処理部３４からの上
記ベクトル量子化された振幅データは、逆ベクトル量子
化部３５に送られて逆量子化され、データ数逆変換部３
６に送られて逆変換される。このデータ数逆変換部３６
では、上述した図１のデータ数変換部１９と対照的な逆
変換が行われ、得られた振幅データが有声音合成部３７
及び無声音合成部３８に送られる。マスク処理部３４か
らの上記ピッチデータは、有声音合成部３７及び無声音
合成部３８に送られる。またマスク処理部３４からの上
記Ｖ／ＵＶ判別データも、有声音合成部３７及び無声音
合成部３８に送られる。
記ベクトル量子化された振幅データは、逆ベクトル量子
化部３５に送られて逆量子化され、データ数逆変換部３
６に送られて逆変換される。このデータ数逆変換部３６
では、上述した図１のデータ数変換部１９と対照的な逆
変換が行われ、得られた振幅データが有声音合成部３７
及び無声音合成部３８に送られる。マスク処理部３４か
らの上記ピッチデータは、有声音合成部３７及び無声音
合成部３８に送られる。またマスク処理部３４からの上
記Ｖ／ＵＶ判別データも、有声音合成部３７及び無声音
合成部３８に送られる。
【００６９】有声音合成部３７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３８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４１で加算合成して、出力端子４２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。
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３８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４１で加算合成して、出力端子４２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。
【００７０】また、Ｖ／ＵＶ判別データに応じて全バン
ドを１箇所の区分位置で有声音（Ｖ）領域と無声音（Ｕ
Ｖ）領域とに区分することができ、この区分に応じて、
各バンド毎のＶ／ＵＶ判別データを得ることができる。
この区分位置については、上述したように、低域側のＶ
が高域側に拡張されていることがある。ここで、分析側
（エンコーダ側）で一定数（例えば１２程度）のバンド
に低減（縮退）されている場合には、これを解いて（復
元して）、元のピッチに応じた間隔で可変個数のバンド
とすることは勿論である。
ドを１箇所の区分位置で有声音（Ｖ）領域と無声音（Ｕ
Ｖ）領域とに区分することができ、この区分に応じて、
各バンド毎のＶ／ＵＶ判別データを得ることができる。
この区分位置については、上述したように、低域側のＶ
が高域側に拡張されていることがある。ここで、分析側
（エンコーダ側）で一定数（例えば１２程度）のバンド
に低減（縮退）されている場合には、これを解いて（復
元して）、元のピッチに応じた間隔で可変個数のバンド
とすることは勿論である。
【００７１】以下、有声音合成部３７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 ・・・（14） 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。
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 ・・・（14） 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。
【００７２】この（14）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 ・・・（15） 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 ・・・（15） の式によりＡm (n) を計算すればよい。
【００７３】次に、上記（14）式中の位相θm (n) は、 θm (n) ＝ｍωO1ｎ＋ｎ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋Δωｎ ・・・（16） により求めることができる。この（16）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（16）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（16）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。
【００７４】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。
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。
【００７５】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（15）式により、伝送された振幅値Ａ0m、ＡLmを直線
補間して振幅Ａm (n) を算出すればよい。位相θm (n)
は、ｎ＝０でθm (0) ＝φ0mからｎ＝Ｌでθm (L) がφ
LmとなるようにΔωを設定する。
Ｖ（有声音）とされる場合に、振幅Ａm (n) は、上述し
た（15）式により、伝送された振幅値Ａ0m、ＡLmを直線
補間して振幅Ａm (n) を算出すればよい。位相θm (n)
は、ｎ＝０でθm (0) ＝φ0mからｎ＝Ｌでθm (L) がφ
LmとなるようにΔωを設定する。
【００７６】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。
【００７７】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 ・・・（17） 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 ・・・（17） とし、かつΔω＝０とする。
【００７８】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（16）式で、ｎ
＝Ｌと置くことにより、 θm (L) ＝ｍωO1Ｌ＋Ｌ2 ｍ（ωL1−ω01）／２Ｌ＋φ
0m＋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 ・・・（18） となる。この（18）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（16）式で、ｎ
＝Ｌと置くことにより、 θm (L) ＝ｍωO1Ｌ＋Ｌ2 ｍ（ωL1−ω01）／２Ｌ＋φ
0m＋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 ・・・（18） となる。この（18）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。
【００７９】以下、無声音合成部３８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４３からの時
間軸上のホワイトノイズ信号波形を窓かけ処理部４４に
送って、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、ＳＴＦ
Ｔ処理部４５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、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４
５からのパワースペクトルをバンド振幅処理部４６に送
り、上記ＵＶ（無声音）とされたバンドについて上記振
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４６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。
成処理を説明する。ホワイトノイズ発生部４３からの時
間軸上のホワイトノイズ信号波形を窓かけ処理部４４に
送って、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、ＳＴＦ
Ｔ処理部４５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、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４
５からのパワースペクトルをバンド振幅処理部４６に送
り、上記ＵＶ（無声音）とされたバンドについて上記振
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４６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。
【００８０】バンド振幅処理部４６からの出力は、ＩＳ
ＴＦＴ処理部４７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４７からの出力
は、オーバーラップ加算部４８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。このオーバーラップ加
算部４８からの出力信号が上記加算部４１に送られる。
ＴＦＴ処理部４７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４７からの出力
は、オーバーラップ加算部４８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。このオーバーラップ加
算部４８からの出力信号が上記加算部４１に送られる。
【００８１】このように、各合成部３７、３８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４１により適当な固定の混合比で加算
して、出力端子４２より再生された音声信号を取り出
す。
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４１により適当な固定の混合比で加算
して、出力端子４２より再生された音声信号を取り出
す。
【００８２】なお、本発明は上記実施例のみに限定され
るものではなく、例えば、上記スペクトル情報を用いた
ピッチ検出は、自己相関等の時間軸上の処理ではピッチ
を捉えきれない場合や、全バンドがＵＶ（無声音）との
判断が妥当しない場合に行うようにしているが、最初か
らスペクトル情報を用いたピッチ検出を行うようにして
もよい。また、上記図６の音声分析側（エンコード側）
の構成や図１１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。また、上記高調波（ハーモニクス）毎のバンドをま
とめて（縮退させて）一定個数のバンドにすることは、
必要に応じて行えばよく、縮退バンド数も１２バンドに
限定されない。また、全バンドを１箇所以下の区分位置
で低域側Ｖ領域と高域側ＵＶ領域とに分割する処理も必
要に応じて行えばよく、行わなくともよい。さらに、本
発明が適用されるものは上記マルチバンド励起音声分析
／合成方法に限定されず、サイン波合成を用いる種々の
音声分析／合成方法に容易に適用でき、また、用途とし
ても、信号の伝送や記録再生のみならず、ピッチ変換
や、スピード変換や、雑音抑制等の種々の用途に応用で
きるものである。
るものではなく、例えば、上記スペクトル情報を用いた
ピッチ検出は、自己相関等の時間軸上の処理ではピッチ
を捉えきれない場合や、全バンドがＵＶ（無声音）との
判断が妥当しない場合に行うようにしているが、最初か
らスペクトル情報を用いたピッチ検出を行うようにして
もよい。また、上記図６の音声分析側（エンコード側）
の構成や図１１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。また、上記高調波（ハーモニクス）毎のバンドをま
とめて（縮退させて）一定個数のバンドにすることは、
必要に応じて行えばよく、縮退バンド数も１２バンドに
限定されない。また、全バンドを１箇所以下の区分位置
で低域側Ｖ領域と高域側ＵＶ領域とに分割する処理も必
要に応じて行えばよく、行わなくともよい。さらに、本
発明が適用されるものは上記マルチバンド励起音声分析
／合成方法に限定されず、サイン波合成を用いる種々の
音声分析／合成方法に容易に適用でき、また、用途とし
ても、信号の伝送や記録再生のみならず、ピッチ変換
や、スピード変換や、雑音抑制等の種々の用途に応用で
きるものである。
【００８３】
【発明の効果】以上の説明から明らかなように、本発明
に係るピッチ検出方法によれば、入力音声信号を時間軸
上でブロック単位で区分して各ブロックの信号毎に音声
の基本周期に相当するピッチを検出するピッチ検出方法
において、この区分されたブロック内の信号のスペクト
ルについての低域側のパワー偏在及びピークを検出し、
この検出されたピーク近傍の極大値を検出し、上記ピー
クの位置と上記極大値の位置とに基づいてピッチを検出
しているため、自己相関等の時間軸上の処理ではピッチ
を捕捉できなかった場合でも高精度にピッチ検出が行え
る。
に係るピッチ検出方法によれば、入力音声信号を時間軸
上でブロック単位で区分して各ブロックの信号毎に音声
の基本周期に相当するピッチを検出するピッチ検出方法
において、この区分されたブロック内の信号のスペクト
ルについての低域側のパワー偏在及びピークを検出し、
この検出されたピーク近傍の極大値を検出し、上記ピー
クの位置と上記極大値の位置とに基づいてピッチを検出
しているため、自己相関等の時間軸上の処理ではピッチ
を捕捉できなかった場合でも高精度にピッチ検出が行え
る。
【００８４】また、このようなピッチ検出を、自己相関
等の時間軸上での処理によりピッチが捉えきれないと
き、例えば、上記区分されたブロックを複数の帯域に分
割した各帯域毎に有声音か無声音かを判別して、全帯域
が無声音と判別されたときのみ行うようにしているた
め、特に、かすれ声やしわがれ声等の特殊な音声につい
ても、全バンドにおいてＵＶ（無声音）となることはな
く、自然な音声が合成できる。
等の時間軸上での処理によりピッチが捉えきれないと
き、例えば、上記区分されたブロックを複数の帯域に分
割した各帯域毎に有声音か無声音かを判別して、全帯域
が無声音と判別されたときのみ行うようにしているた
め、特に、かすれ声やしわがれ声等の特殊な音声につい
ても、全バンドにおいてＵＶ（無声音）となることはな
く、自然な音声が合成できる。
【図１】有声音信号のスペクトル構造の一例を示す図で
ある。
ある。
【図２】無声音信号のスペクトル構造の一例を示す図で
ある。
ある。
【図３】フォルマント構造が明確でもピッチ（基本周波
数）が現れないような信号のスペクトル構造の一例を示
す図である。
数）が現れないような信号のスペクトル構造の一例を示
す図である。
【図４】ピーク近傍のスペクトル構造の一例を示す図で
ある。
ある。
【図５】本発明の一実施例としてのピッチ検出方法の動
作を説明するためのフローチャートである。
作を説明するためのフローチャートである。
【図６】本発明に係るピッチ検出方法が適用される装置
の具体例としての音声信号の分析／合成符号化装置の分
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分析／合成符号化装置の分
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７】窓かけ処理を説明するための図である。
【図８】窓かけ処理と窓関数との関係を説明するための
図である。
図である。
【図９】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。
ータを示す図である。
【図１０】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１１】本発明に係る高能率符号化方法が適用される
装置の具体例としての音声信号の分析／合成符号化装置
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。
装置の具体例としての音声信号の分析／合成符号化装置
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。
１３・・・・・ピッチ抽出部 １４・・・・・窓かけ処理部 １５・・・・・直交変換（ＦＦＴ）部 １６・・・・・高精度（ファイン）ピッチサーチ部 １７・・・・・有声音／無声音（Ｖ／ＵＶ）判別部 １８Ｖ・・・・・有声音の振幅評価部 １８Ｕ・・・・・無声音の振幅評価部 ２４・・・・・パワー偏在・ピーク検出部 ２５・・・・・ピッチ算出部 ３７・・・・・有声音合成部 ３８・・・・・無声音合成部
Claims (2)
- 【請求項１】 入力音声信号を時間軸上でブロック単位
で区分し、この区分された各ブロックの信号毎に音声の
基本周期に相当するピッチを検出するピッチ検出方法に
おいて、 この区分されたブロック内の信号のスペクトルの低域側
のパワー偏在及びピークを検出する工程と、 この検出されたピーク近傍の極大値を検出する工程と、 上記検出されたピークの位置と上記極大値の位置とに基
づいてピッチを検出する工程とを有することを特徴とす
るピッチ検出方法。 - 【請求項２】 上記区分されたブロックを複数の帯域に
分割し、分割された各帯域毎に有声音か無声音かを判別
して、全帯域が無声音と判別されたとき、 上記パワー偏在及びピークを検出し、該ピーク近傍の極
大値を検出し、これらのピーク位置と極大値の位置とに
基づいてピッチを検出することを特徴とする請求項１記
載のピッチ検出方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP26059693A JP3321933B2 (ja) | 1993-10-19 | 1993-10-19 | ピッチ検出方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP26059693A JP3321933B2 (ja) | 1993-10-19 | 1993-10-19 | ピッチ検出方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07114396A true JPH07114396A (ja) | 1995-05-02 |
| JP3321933B2 JP3321933B2 (ja) | 2002-09-09 |
Family
ID=17350152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP26059693A Expired - Fee Related JP3321933B2 (ja) | 1993-10-19 | 1993-10-19 | ピッチ検出方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3321933B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009223326A (ja) * | 1997-05-07 | 2009-10-01 | Nokia Corp | 音声符号化方法及び装置 |
| JP2010530989A (ja) * | 2007-06-22 | 2010-09-16 | ヴォイスエイジ・コーポレーション | 音声区間検出および音声信号分類ための方法および装置 |
| JP2019158739A (ja) * | 2018-03-15 | 2019-09-19 | 富士通株式会社 | 情報処理プログラム、情報処理方法及び情報処理装置 |
-
1993
- 1993-10-19 JP JP26059693A patent/JP3321933B2/ja not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009223326A (ja) * | 1997-05-07 | 2009-10-01 | Nokia Corp | 音声符号化方法及び装置 |
| JP2010530989A (ja) * | 2007-06-22 | 2010-09-16 | ヴォイスエイジ・コーポレーション | 音声区間検出および音声信号分類ための方法および装置 |
| US8990073B2 (en) | 2007-06-22 | 2015-03-24 | Voiceage Corporation | Method and device for sound activity detection and sound signal classification |
| JP2019158739A (ja) * | 2018-03-15 | 2019-09-19 | 富士通株式会社 | 情報処理プログラム、情報処理方法及び情報処理装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3321933B2 (ja) | 2002-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3475446B2 (ja) | 符号化方法 | |
| 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 | |
| JP3680374B2 (ja) | 音声合成方法 | |
| JP3297751B2 (ja) | データ数変換方法、符号化装置及び復号化装置 | |
| JPH05281996A (ja) | ピッチ抽出装置 | |
| JP3297749B2 (ja) | 符号化方法 | |
| JP3218679B2 (ja) | 高能率符号化方法 | |
| JP3362471B2 (ja) | 音声信号の符号化方法及び復号化方法 | |
| JP3321933B2 (ja) | ピッチ検出方法 | |
| 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 | |
| JPH11219198A (ja) | 位相検出装置及び方法、並びに音声符号化装置及び方法 | |
| JP3223564B2 (ja) | ピッチ抽出方法 | |
| JP3271193B2 (ja) | 音声符号化方法 | |
| JP3398968B2 (ja) | 音声分析合成方法 | |
| JPH0651800A (ja) | データ数変換方法 | |
| JP3297750B2 (ja) | 符号化方法 | |
| JP3218681B2 (ja) | 背景雑音検出方法及び高能率符号化方法 | |
| JP2003216189A (ja) | 符号化装置及び復号装置 | |
| JP3221050B2 (ja) | 有声音判別方法 | |
| JPH07104793A (ja) | 音声信号の符号化装置及び復号化装置 | |
| JPH07104777A (ja) | ピッチ検出方法及び音声分析合成方法 | |
| JPH06202695A (ja) | 音声信号処理装置 | |
| JPH0744194A (ja) | 高能率符号化方法 | |
| JP3218680B2 (ja) | 有声音合成方法 |
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: 20020528 |
|
| LAPS | Cancellation because of no payment of annual fees |