JPH0822299A

JPH0822299A - 量子化方法及びそれを用いた音声符号化方法

Info

Publication number: JPH0822299A
Application number: JP6156976A
Authority: JP
Inventors: Hidetoshi Sekine; 英敏関根; Yoshiaki Asakawa; 吉章淺川
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1994-07-08
Filing date: 1994-07-08
Publication date: 1996-01-23

Abstract

(57)【要約】【目的】本発明の目的は、低演算量で、効率的な量子
化方法を提供することにある。【構成】入力データからパラメータ計算部６１、６２
で、量子化誤差が最小となる計算値を求める。求めた計
算値に基づき予備選択部６３、６４で、複数のパラメー
タにより量子化誤差を計算する量子化値の候補を制限す
る。量子化誤差計算器６５で制限された量子化値候補の
組み合わせについて量子化誤差を計算し、最小の量子化
誤差をとるパラメータの組み合わせを量子化結果として
出力する。【効果】少ない演算量で、効果的な量子化を行うこと
ができる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、少ない演算量で実現で
きる、効率的なパラメータの量子化方法に係る。

【０００２】

【従来の技術】パラメータを量子化する方法としては、
スカラ量子化あるいはベクトル量子化が用いられる場合
が多い。スカラ量子化は、それぞれのパラメータをスカ
ラ値のまま量子化する方法であり、比較的少ない演算量
で量子化可能なことや、符号帳の量が小さいなどの利点
がある。ベクトル量子化は、複数のパラメータの組み合
わせをベクトルとみなし、２つのベクトル間の距離が最
小となるベクトルを量子化値とするものである。ベクト
ル量子化は、量子化にパラメータ間の関係を考慮できる
などの理由から、スカラ量子化と比べ効率的な量子化が
可能である。しかし、その反面、量子化に要する演算量
が多いことや、符号帳の量が多い、符号帳の設計が難し
いなどの欠点がある。このような欠点を考慮して、複数
のパラメータを量子化する場合でも、スカラ量子化が用
いられる場合がある。

【０００３】

【発明が解決しようとする課題】しかし、複数のパラメ
ータをそれぞれ独立にスカラ量子化した場合、量子化後
のパラメータによって計算される全体の量子化誤差が必
ずしも最小にならない場合がある。そこで、各パラメー
タの符号帳に含まれる量子化値を組み合わせ、その組み
合わせに対し予め定めた方法で量子化誤差を計算し、そ
の量子化誤差が最小となる組み合わせを選択する方法が
用いられる。しかし、この方法ではパラメータの種類や
各パラメータの量子化情報量が増加すると、誤差計算を
行う組み合わせの数が増加するため、演算量が増加する
という問題がある。

【０００４】

【課題を解決するための手段】上記問題を解決するた
め、本発明では、各パラメータの量子化値の組み合わせ
による量子化誤差を計算する前に、各パラメータの符号
帳から量子化値候補の数を予め制限する、予備選択を行
う。少なくとも１つ以上のパラメータに対する予備選択
において複数の量子化値候補を出力する。これにより、
量子化誤差を計算するパラメータ組み合わせの数を制限
する事ができ、量子化性能を維持したまま、演算量の増
加を抑えることができる。

【０００５】

【作用】各パラメータの予備選択では、量子化誤差が最
小となるよう計算されたパラメータの値に従い、予め定
められた方法により、各パラメータの符号帳の中から少
なくとも１つの量子化値候補を選択し、出力する。各パ
ラメータの予備選択のうち、少なくとも１つの予備選択
において、２つ以上の量子化値候補を出力する。量子化
誤差計算では、各パラメータの予備選択により出力され
たパラメータを組み合わせ、予め定めた方法で量子化誤
差を計算し、そのうち誤差が最小となる量子化値の組み
合わせを量子化結果として出力する。

【０００６】

【実施例】以下、図面を用いて本発明の一実施例を説明
する。

【０００７】本発明を符号駆動線形予測（CELP）音声符
号化における駆動音源の利得の量子化に適用した場合に
ついて説明する。

【０００８】図１はCELP符号化の全体構成図である。CE
LPの符号化処理は、まず入力音声を線形予測係数(LPC)
分析部１１で線形予測分析し、線形予測係数を求める。
求めた線形予測係数は線形予測(LPC)係数量子化部１２
で量子化される。入力音声は量子化された線形予測係数
ｆを用いて聴覚重み付けフィルタ１３により、聴覚重み
付けされる。次に適応符号帳１４を用いて、長期予測部
１５で入力音声の周期分析が行われ、長期予測ベクトル
ｈと長期予測ラグｂが出力される。続いて統計ベクトル
選択部１６で、統計符号帳１７の検索を行い、統計ベク
トルｉを出力する。次に利得量子化部１８で、長期予測
ベクトルｈと統計ベクトルｉに掛け合わせる利得の量子
化を行う。利得量子化部１８は長期予測ベクトルと統計
ベクトルに、量子化された利得をそれぞれ掛けたベクト
ルｊ、ｋを出力する。音源生成部１９は、ベクトルｊ、
ｋの和を駆動音源とする。出力された駆動音源ｌは次フ
レームの量子化に用いるため、適応符号帳１４の更新に
使われる。送信符号作成器ではLPC係数量子化部１２、
長期予測部１５、統計ベクトル選択部１６、利得量子化
部１８から出力された符号ａ、ｂ、ｃ、ｄから、伝送符
号ｍを作成する。

【０００９】次に従来の利得量子化部１８の構成を図２
に示す。利得計算部２１では、選択された長期予測ベク
トルと統計ベクトルと入力音声から、誤差が最小となる
ような利得を計算する。利得量子化部２２では、計算さ
れた利得に基づき利得符号帳２３、２４から量子化値を
読みだして、誤差を計算し、利得を量子化する。それぞ
れの利得の量子化にはスカラ量子化を用いる。通常のス
カラ量子化では、計算された利得に最も近い量子化値を
符号帳から選択する。しかし、CELP方式では、長期予測
ベクトルと統計ベクトルにそれぞれ利得を掛け合わせて
から加算して求めた駆動音源は、式（１）に示されるよ
うな合成フィルタによって処理され、合成フィルタ処理
後の駆動音源と入力音声の誤差を最小化しなければなら
ない。（ここでαｉ（ｎ）は線形予測係数である）その
ため、計算された利得に最も近い量子化値を選択して
も、合成フィルタ処理後の駆動音源と入力音声の誤差が
最小になるとは限らない。

【００１０】

【数１】

【００１１】そのため、それぞれに掛け合わせる利得を
組み合わせ、合成フィルタ処理後の駆動音源と入力音声
の誤差が最小となる組み合わせを選択することになる。
つまり、式（２）で表される誤差を最小化するGlとGsの
組み合わせを選択するのである。

【００１２】

【数２】

【００１３】ここで、利得量子化に要する演算量を考え
た場合、長期予測ベクトルの利得の量子化値がNL個、統
計ベクトルの利得の量子化値がNS個、１つの組み合わせ
に対する誤差計算にNC回の演算が必要だとすると、単純
なスカラ量子化の演算回数は(NL+NS)回である。これに
対し、量子化値の組み合わせにより誤差の計算を行う場
合には(NC×NL×NS)回の演算が必要となり、量子化に必
要な演算量も増加する。この演算量の差は量子化値の数
や量子化パラメータの数の増加にともなって、拡大す
る。この演算量の増加を防ぐため、図３に示すように、
誤差計算を行う前に予備選択を行い、誤差計算を行う組
み合わせの数を制限する。利得計算部３１で計算された
利得の値に基づいて、利得予備選択部３２は利得符号帳
３４、３５から、誤差計算を行う量子化値の候補を選択
し、利得量子化部３３へ出力する。利得量子化部３３で
は、予備選択された量子化値の組み合わせについて誤差
計算を行い、誤差が最小となる組み合わせを量子化結果
として出力する。予備選択の方法としては、スカラ量子
化を基本にした方法などが考えられる。スカラ量子化を
基本にした方法を図４に示す。図４の例では、スカラ量
子化により誤差の最も小さい量子化値Gln、Gsnと、誤差
が最小となる量子化値の前後１つずつ（Gln-1とGln+1、
Gsn-1とGsn+1）、計３個ずつの量子化値を予備選択の結
果として出力する。長期予測ベクトル、統計ベクトルの
利得符号帳それぞれ３個ずつを予備選択すると、誤差を
計算すべき組み合わせは９組となり、大幅な演算量削減
が可能となる。例えば、長期予測ベクトルと統計コード
ブックの利得をそれぞれ４ビットで量子化する場合の演
算量を考えてみる。誤差計算をするための式（２）にお
いて入力音声と長期予測ベクトル、統計ベクトルは利得
量子化時には固定されているため、式（２）は式（３）
のように変形できる。

【００１４】

【数３】

【００１５】入力音声と長期予測ベクトル、統計ベクト
ルに関係する項を予め計算しておくと、１つの組み合わ
せに対し、５回の演算が誤差計算に必要となる。予備選
択を行わない場合、１６×１６×５＝１２８０回の演算
が必要となる。一方、図４に示すような予備選択を行う
と、必要な演算量は１６＋１６＋３×３×５＝７７回と
なり、約１２００回の演算が削減できる。（予備選択に
よりそれぞれの量子化値候補の数をNS'個、NL'個にする
と、必要な演算回数は(NL+NS+NC×NL'×NS')回とな
る。）以上の例では、予備選択を両方のパラメータにおいて行
ったが、図５に示すように一部のパラメータについての
み予備選択を行うことも可能である。利得計算部５１で
計算された利得に従い、利得予備選択部５２は片方の利
得についてのみ予備選択を行う。利得予備選択器５２を
通らない利得は、直接利得量子化部５３に送られ、利得
符号帳５５に含まれる全ての値が利得量子化部５３で誤
差計算に用いられる。この場合には、両方のパラメータ
に関し予備選択を行う場合よりも演算量が増加するが、
精度の良い量子化が可能となる。また一部のパラメータ
については予備選択において複数のパラメータを出力せ
ず、１つの量子化値を出力することにより、さらに演算
量の削減が可能となる。また音声符号化における利得の
量子化では、長期予測ベクトルと統計ベクトルを駆動音
源として足し合わせるため、パラメータの計算は同時に
行う必要があったが、図６に示すようにそれぞれのパラ
メータについて、誤差を最小化するよう別々に計算する
場合も考えられる。ただし、この場合でも量子化に要す
る演算量は変化しない。また、この例では利得を直接量
子化する場合について説明したが、利得を他のパラメー
タに変換し、量子化する場合にも本発明により演算量を
低く抑えることができる。

【００１６】

【発明の効果】本発明によれば、量子化性能を維持した
まま、複数のパラメータの量子化に要する演算量を抑え
ることができる。

【００１７】

【図面の簡単な説明】

【図１】CELP音声符号化の符号化部の構成図。

【図２】CELP音声符号化における従来の利得量子化の構
成図。

【図３】本発明の第１の実施例を示す図。

【図４】予備選択にスカラ量子化を用いた実施例を示す
図。

【図５】本発明の第２の実施例を示す図。

【図６】本発明の第３の実施例を示す図。

【符号の説明】

１１…線形予測係数分析部、１２…線形予測係数量子化
部、１３…適応符号帳、１４…統計符号帳、１６…重み
付け合成フィルタ、１７…符号化誤差計算部、１８…符
号帳検索制御部、２１、３１、５１…利得計算部、２
２、３３、５３…利得量子化部、３２、５２…利得予備
選択部、２３、２４、３４、３５、５４、５５…利得符
号帳、６１、６２…パラメータ計算部、６３、６４…予
備選択部、６５…量子化誤差計算部、６６、６７…符号
帳

Claims

【特許請求の範囲】

【請求項１】入力信号から求められた複数のパラメータ
をスカラ量子化し、前記複数のパラメータの量子化値に
よって計算される前記入力信号に対する誤差が最小とな
る前記複数のパラメータの量子化値の組み合わせを選択
する量子化方法において、前記入力信号に対する誤差を
計算する量子化値の数を制限する、予備選択を行うこと
を特徴とする、量子化方法。
【請求項２】前記予備選択として、スカラ量子化により
誤差が最小となる量子化値と、前記誤差が最小となる量
子化値を基準にして、少なくとももう１つの量子化値
を、量子化値候補として選択することを特徴とする、請
求項１記載の量子化方法。
【請求項３】入力音声信号を予め定めた時間長に分割し
た音声フレームに対して、合成フィルタの係数を決定す
る手段と、過去の符号化結果と長期予測情報に基づき、
前記音声フレームにおける周期成分を近似する手段と、
予めテーブルに格納された複数の励起ベクトルの中から
前記音声フレームとの誤差が最小である前記励起ベクト
ルを選択する手段と、前記近似した周期成分と前記選択
された励起ベクトルに掛け合わせる利得を前記入力音声
との誤差が最小となるよう予めテーブルに格納された複
数の利得の中から選択する手段を備えた音声符号化にお
いて、前記利得の選択方法として、請求項１または２の量子化
方法を用いることを特徴とする音声符号化方法。