JPH08328588A - ピッチラグを評価するためのシステム、音声符号化装置、ピッチラグを評価する方法、および音声符号化方法 - Google Patents

ピッチラグを評価するためのシステム、音声符号化装置、ピッチラグを評価する方法、および音声符号化方法

Info

Publication number
JPH08328588A
JPH08328588A JP8110964A JP11096496A JPH08328588A JP H08328588 A JPH08328588 A JP H08328588A JP 8110964 A JP8110964 A JP 8110964A JP 11096496 A JP11096496 A JP 11096496A JP H08328588 A JPH08328588 A JP H08328588A
Authority
JP
Japan
Prior art keywords
pitch
lag
pitch lag
samples
speech
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.)
Pending
Application number
JP8110964A
Other languages
English (en)
Inventor
Huan-Yu Su
フアン−ユー・スー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boeing North American Inc
Original Assignee
Rockwell International Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rockwell International Corp filed Critical Rockwell International Corp
Publication of JPH08328588A publication Critical patent/JPH08328588A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • G10L25/90—Pitch determination of speech signals
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/08—Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters
    • G10L19/09—Long term prediction, i.e. removing periodical redundancies, e.g. by using adaptive codebook or pitch predictor
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L2019/0001—Codebooks
    • G10L2019/0011—Long term prediction filters, i.e. pitch estimation
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

(57)【要約】 【課題】 多分解能方式を用いて入力音声のピッチラグ
値を評価する装置および方法を提供する。 【解決手段】 このシステムは音声のＬＰＣ残留を決定
し、ＬＰＣ残留をサンプリングするステップを含む。離
散フーリエ変換が適用され、結果が二乗される。ＤＦＴ
が二乗された振幅に対して行なわれて、ＬＰＣ残留サン
プルを別の域へ変換する。次に、初期のピッチラグが低
分解能で求められ得る。低分解能ピッチラグ評価を得た
後で、精密化アルゴリズムが適用されて高分解能ピッチ
ラグを得る。精密化アルゴリズムは時間域において予測
誤差を最小にすることに基づく。次に、精密化されたピ
ッチラグが音声符号化において直接用いられ得る。

Description

【発明の詳細な説明】
【０００１】
【発明の背景】信号のモデル化およびパラメータ評価は
データ圧縮、復元、符号化において益々重要な役割を果
たす。基本的な和声音をモデル化するために、音声信号
は離散波形としてサンプリングされて、ディジタル的に
処理されなければならない。線形予測符号化（ＬＰＣ）
と称されるあるタイプの信号符号化技術において、どの
特定の時間指標での信号値も前の値の線形関数としてモ
デル化される。したがって、後の信号はこれまでの値に
従って線形的に予測される。結果として、信号を表わす
ために、効率的な信号表現はある予測パラメータを評価
し、適用することによって決定できる。
【０００２】ピッチ情報は符号化のための確かな音の指
標および表現であると認められている。ピッチは話者の
音声の基本的な特徴またはパラメータを記述する。人間
の音声は一般に容易には数学的に定量化できないので、
音声ピッチデータを効果的に評価できる音声評価モデル
が、より的確かつ正確に符号化され、かつ符合された音
声を提供する。しかしながら、あるＣＥＬＰ（たとえば
ベクトル和励起線形予測（ＶＳＥＬＰ）、マルチパル
ス、正規パルス、代数的ＣＥＬＰなど）およびＭＢＥコ
ーダ／デコーダ（「コーデック」）のような現在の音声
の符号化モデルにおいて、ピッチ評価アルゴリズムの正
確さが高く、かつ複雑さが少ないことが必要となるため
に、ピッチ評価はしばしば困難である。
【０００３】いくつかのピッチラグ評価機構が上述のコ
ーデック（時間域方式、周波数域方式、およびケプスト
ラム域方式）と関連して用いられる。ピッチラグと音声
再現との間に密接な関係があるために、ピッチラグ評価
の正確さが通話品質に直接的な影響を及ぼしている。Ｃ
ＥＬＰコーダでは、たとえば音声発生が予測（長期ピッ
チ予測および短期線形予測）に基づく。
【０００４】図１は典型的なＣＥＬＰコーダの音声再生
ブロック図を示す。ＬＰＣ技術は、一般に少なくとも２
つの励起コードブック１１４を利用するＣＥＬＰ音声コ
ーダを含む音声符号化のために用いられ得る。コードブ
ック１１４の出力はＬＰＣ合成フィルタ１１Ｏに入力を
与える。次に、ＬＰＣ合成フィルタの出力は、複合され
た音声を生成するために付加的な後置フィルタによって
処理されるか、または後置フィルタを迂回して直接出力
され得る。
【０００５】音声データを圧縮するためには、不可欠な
情報のみを抽出して冗長の伝送を回避することが望まし
い。音声は短いブロックに分類でき、ここで代表的なパ
ラメータがあらゆるブロックにおいて識別できる。図１
に示されるように、良質な音声を発生するために、ＣＥ
ＬＰ音声コーダは、ＬＰＣパラメータ１１０と、（ラグ
とそれに関連した係数とを含む）ピッチラグパラメータ
１１２と、利得パラメータ１１６を備える最適な新規コ
ードベクトル１１４とを符号化されるべき入力音声から
抽出しなければならない。コーダは適切な符号化機構を
実現することによってＬＰＣパラメータを量子化する。
各パラメータの量子化の指標は、音声デコーダに記憶ま
たは伝送されるべき情報を含む。ＣＥＬＰコーデックで
は、ピッチ予測パラメータ（ピッチラグおよびピッチ係
数）の決定は時間域で行なわれるが、ＭＢＥコーデック
では、ピッチパラメータは周波数域で評価される。
【０００６】ＬＰＣ分析に続いて、ＣＥＬＰエンコーダ
は現在の音声の符号化フレーム（８ｋＨｚのサンプリン
グ周波数で通例約２０−４０ｍｓまたは１６０−３２０
サンプル）に適切なＬＰＣフィルタ１１０を決定する。
ＬＰＣフィルタは次式によって表わされる。
【０００７】
【数１】
【０００８】ここで、ｎｐはＬＰＣ予測次数（通例約１
０）であり、ｙ（ｎ）はサンプリングされた音声データ
であり、ｎは時間指標を表わす。上のＬＰＣの式は、過
去のサンプルの線形結合に従って現在のサンプルの評価
を記述する。それらの間の差分はＬＰＣ残留と称され
る。
【０００９】
【数２】
【００１０】ＣＥＬＰ音声符号化モデルは、聴感補正さ
れた誤差信号のエネルギを元の信号と再合成信号との間
で最小にするパラメータの組を求めるステップを含む。
複雑さおよび遅延についての懸念に対処するために、各
音声符号化フレームは多数のサブフレームへ細分され
る。所望のピッチパラメータを抽出するために、次の重
み付き符号化誤差エネルギを最小にするピッチパラメー
タは各符号化サブフレームごとに計算されなければなら
ない。
【００１１】
【数３】
【００１２】ここで、Ｔは知覚的にフィルタ処理された
入力音声信号を表わす目標信号であり、ＨはフィルタＷ
（ｚ）／Ａ（ｚ）のインパルス応答行列を表わす。Ｐ
Lag はピッチラグ「Ｌａｇ」と所与のラグについて独自
に規定された予測係数βとを有するピッチ予測寄与であ
り、Ｃi はコードブックにおける指標ｉとその対応する
係数αとに関連したコードブック寄与である。さらに、
ｉは０とＮｃ−１との間の値をとり、ここでＮｃは新規
コードブックのサイズである。
【００１３】１タップピッチ予測子および１つの新規コ
ードブックを想定する。しかしながら、ピッチ予測子の
一般的な形は典型的に多タップ機構であり、新規コード
ブックの一般的な形は多レベルベクトル量子化であり、
これは多数の新規コードブックを利用する。特に、音声
の符号化において、１タップピッチ予測子は現在の音声
サンプルが１つの過去の音声サンプルによって予測でき
ることを示すが、多タップ予測子は現在の音声サンプル
が多数の過去の音声サンプルによって予測できることを
意味する。
【００１４】複雑さについて懸念があるために、最適な
方式に準ずる方式が音声符号化機構において用いられて
きた。たとえば、２．５ｍｓから１８．５ｍｓをカバー
するために、ピッチラグ評価は、Ｌ1 およびＬ2 サンプ
ルの間の起こり得るラグ値の範囲内だけのピッチ寄与を
まず評価する（コードブック寄与は無視する）ことによ
って行なわれ得る。したがって、評価されたピッチラグ
値は次式を最大にすることによって決定される。
【００１５】
【数４】
【００１６】この時間域方式は真のピッチラグを決定で
きるが、高いピッチ周波数を有する女性の音声には、式
（１）によって求められるピッチラグは真のラグではな
く、真のラグの倍数となり得る。この評価誤差を回避す
るために、不所望な複雑さと引き替えに評価誤差を訂正
（たとえば、ラグの平滑化）する付加的なプロセスが必
要である。
【００１７】しかしながら、過度な複雑さは時間域方式
を用いる際の著しい欠点である。たとえば、整数のラグ
のみを用いてラグを決定するために、時間域方式は１秒
当り３００万回の動作（３ＭＯＰ）を少なくとも必要と
する。さらに、ピッチラグの平滑化と分数のピッチラグ
とが用いられるならば、複雑さは約４ＭＯＰであろう。
実際には、容認可能な正確さでフルレンジのピッチラグ
評価を実現するために、概算で１秒当り６００万回のデ
ィジタル信号処理機械指令（６ＤＳＰ ＭＩＰ）が必要
とされる。したがって、ピッチ評価は４から６のＤＳＰ
ＭＩＰを必要とすると一般に認められている。ピッチ
評価の複雑さを減少できる方式は他にもあるが、そのよ
うな方式はしばしば品質を犠牲にする。
【００１８】正弦コーダの類で重要な要素であるＭＢＥ
コーダでは、符号化パラメータは周波数域において抽出
され、量子化される。ＭＢＥ音声モデルは図２から図４
に示される。図２および図３に記述されるＭＢＥ音声エ
ンコーダ／デコーダ（「ボコーダ」）では、基本周波数
（またはピッチラグ）２１０、有声／無声決定２１２、
およびスペクトルエンベローブ２１４は周波数域におい
て入力音声から抽出される。パラメータは次に、記憶ま
たは転送できるビットストリームへ量子化され、符号化
される。
【００１９】ＭＢＥボコーダでは、良質な音声を達成す
るために、基本周波数が高い正確さで評価されなければ
ならない。基本周波数の評価は２段階で行なわれる。第
１に、初期のピッチラグが２１サンプルから１１４サン
プルの範囲内で探索されて、周波数域において入力音声
２１６と合成された音声２１８との間で重み付き平均二
乗誤差式（図３）を最小にすることによって、８０００
Ｈｚのサンプリング速度で２．６ｍｓから１４．２５ｍ
ｓをカバーする。元の音声と合成された音声との間の平
均二乗誤差は次式によって与えられる。
【００２０】
【数５】
【００２１】ここで、Ｓ（ω）は元の音声スペクトルで
あり、Ｓ＾（ω）（＾は大文字Ｓの上にあるとみなされ
る）は合成された音声スペクトルであり、Ｇ（ω）は周
波数依存重み付き関数である。図４に示されるように、
ピッチ追跡アルゴリズム４１０が、隣接するフレームの
ピッチ情報を用いることによって、初期のピッチラグ評
価４１２を更新するのに用いられる。
【００２２】この方式を用いるのは、基本周波数が隣接
するフレームの間で不意には変化するはずはないという
仮定のためである。２つの過去の隣接するフレームと２
つの未来の隣接するフレームとのピッチ評価はピッチ追
跡のために用いられる。次に、（２つの過去のフレーム
および２つの未来のフレームを含む）平均二乗誤差が最
小にされて現在のフレームの新しいピッチラグ値を求め
る。初期のピッチラグを追跡した後で、ピッチラグ多重
検査機構４１４が多重ピッチラグを除去するために適用
されてピッチラグを平滑化する。
【００２３】図４を参照すると、基本周波数評価の第２
段階で、ピッチラグ精密化４１６が用いられてピッチ評
価の正確さを高める。ピッチラグ候補値は初期のピッチ
ラグ評価に基づいて形成される（すなわち、新しいピッ
チラグ候補値は、初期のピッチラグ評価からある分数を
加算するか、または減算することによって形成され
る）。したがって、精密化されたピッチラグ評価４１８
は、平均二乗誤差関数を最小にすることによってピッチ
ラグ候補の中で決定できる。
【００２４】しかしながら、周波数域ピッチ評価はある
欠点を有する。第１に、非常に複雑である。第２に、ピ
ッチラグは２．５ｍｓから１４．２５ｍｓしかカバーし
ない２０サンプルから１１４サンプルの範囲内で探索さ
れて、２５６ポイントＦＦＴに対処するように２５６サ
ンプルにウィンドウサイズを制限しなければならない。
しかしながら、非常に低いピッチ周波数の話者には、ま
たは１４．２５ｍｓを超えるピッチラグを有する音声に
は、２５６サンプルウィンドウ内で十分な数のサンプル
を集めるのが不可能である。さらに、音声フレームに対
して評価されるのは、平均されたピッチラグだけであ
る。
【００２５】１９６７年にエイ．エム．ノル（Ａ．Ｍ．
Ｎｏｌｌ）によって提案されたケプストラム域ピッチラ
グ評価（図５）を用いて、変形された方法が他に提案さ
れた。ケプストラム域ピッチラグ評価では、ほぼ３７ｍ
ｓの音声が５１０でサンプリングされるので、可能な最
大のピッチラグ（たとえば１８．５ｍｓ）の少なくとも
２周期がカバーされる。次に、５１２ポイントＦＦＴが
ウィンドウにより抜出された音声フレームに（ブロック
５１２で）適用されて周波数スペクトルを得る。周波数
スペクトルの振幅の対数５１４を取って、５１２ポイン
ト逆ＦＦＴ５１６がケプストラムを得るために適用され
る。重み付き関数５１８はケプストラムに適用され、ケ
プストラムのピークはピッチラグを決定するために５２
０で検出される。次に、追跡アルゴリズム５２２が実現
されていかなるピッチ倍数をも除去する。
【００２６】しかしながら、ケプストラムピッチ検出方
法にはいくかの欠点が見受けられる。たとえば、計算上
の要求が高い。８ｋＨｚのサンプリング速度で２０サン
プルから１４７サンプルの間のピッチ範囲をカバーする
ために、５１２ポイントＦＦＴは二度行なわれなければ
ならない。ケプストラムピッチ評価が平均されたピッチ
ラグの評価のみを分析フレームに対して提供するので、
評価の正確さが不十分である。しかしながら、低ビット
転送速度音声符号化については、ピッチラグ値が短い期
間にわたって評価されることが重要である。結果とし
て、ケプストラムピッチ評価が質のよい低ビット転送速
度音声符号化について用いられるのは非常に稀である。
したがって、上述された方式の各々に制限があるため
に、効率的なピッチラグ評価のための手段には、質のよ
い低ビット転送速度音声符号化の必要を満たすことが所
望される。
【００２７】
【発明の概要】したがって、この発明の目的は、複雑さ
が最小であって正確さが高いことを必要とする、音声符
号化のための多分解能分析を組入れた強固なピッチラグ
評価システムを提供することである。特定的な実施例で
は、この発明は、ＣＥＬＰ技術ならびに他のさまざまな
音声符号化および認識システムを用いた音声符号化装置
および方法を対象とする。
【００２８】これらの目的および他の目的は、この発明
の実施例に従って、真のピッチラグの正確な抽出を早く
かつ効率的に可能にするピッチラグ評価機構によって達
成され、したがって音声をうまく再現および再生する。
ピッチラグは所与の音声フレームについて抽出され、次
に各サブフレームごとに精密化される。Ｎ個のサンプル
の音声を有する各音声フレームごとに、ＬＰＣ分析が行
なわれる。ＬＰＣ残留信号が得られた後に、離散フーリ
エ変換（ＤＦＴ）がＬＰＣ残留に適用され、結果として
生じる振幅が二乗される。第２のＤＦＴが次に行なわれ
る。したがって、フレーム内の音声サンプルに対する正
確な初期のピッチラグは、ピッチ探索によって、８ｋＨ
ｚのサンプリング速度で２０サンプルの可能な最小値と
１４７サンプルの最大ラグ値との間に決定できる。初期
のピッチラグ評価を得た後に、時間域精密化が各サブフ
レームごとに行なわれて、さらに評価の正確さを向上す
る。
【００２９】
【好ましい実施例の詳細な説明】この発明の好ましい実
施例に従ったピッチラグ評価機構が、一般に図６、７、
８および９において示される。この発明の実施例に従う
と、ピッチラグ評価は元の音声自体ではなくＬＰＣ残留
で行なわれる。第１に、Ｎ個の音声サンプル｛ｘ
（ｎ），ｎ＝０，…，Ｎ−１｝が集められ（図６のステ
ップ６０２）、逆ＬＰＣフィルタ処理がＬＰＣ残留信号
を得るために行なわれる。Ｎの値は最大許容ピッチラグ
に従って決定され、ここで少なくとも２つの最大ピッチ
ラグがピッチ高調波を持つ音声スペクトルを発生するた
めに一般に必要とされる。たとえば、Ｎは１５０サンプ
ルの最大ピッチラグに対処するために３２０サンプルと
等しくてもよい。したがって、Ｎは可能な最大のピッチ
ラグの２倍よりも大きくなくてはならず、｛ｒ（ｎ），
ｎ＝０，１，…，Ｎ−１｝はＬＰＣ残留信号を表わす。
さらに、好ましい実施例では、Ｎ個のサンプルをカバー
するハミングウィンドウ６０４または他のウィンドウが
実現される。
【００３０】
【数６】
【００３１】この発明の実施例に従うと、関数Ｇ（ｆ）
ではなくＧ（ｆ）の対数が式（４）において用いられる
従来のケプストラム変換とＣ（ｎ）とが異なると認識さ
れるであろう。別のＤＦＴではなく逆ＤＦＴが次にＧ
（ｆ）に適用される。この違いは一般に複雑さのためで
ある。除去されなければ実質的により多くの計算資源を
必要とする対数関数を除去することによって、複雑さを
減少することが望ましい。さらに、ケプストラムまたは
Ｃ（ｎ）関数を用いたピッチラグ評価機構を比較する
と、音声の無声または遷移区間に対してのみ異なった結
果が得られている。たとえば、無声または遷移音声に対
して、ピッチの定義が不明確である。遷移音声にはピッ
チがないといわれてきたが、誤差を最小にするために何
らかの予測を常に示すことができるともいわれる。
【００３２】したがって、一旦Ｃ（ｎ）が決定されると
（ステップ６１０）、所与の音声フレームに対するピッ
チラグは次式を解くことによってステップ６１４で求め
られ得る。
【００３３】
【数７】
【００３４】ここで、ａｒｇ［・］は内部最適化関数を
満たす変数ｎを決定し、Ｌ1 およびＬ 2 は可能な最小の
ピッチラグおよび可能な最大のピッチラグとしてそれぞ
れ規定される。音声符号化の便宜上、Ｌ2 とＬ1 との間
の差は２進数表現のために２の累乗であることが望まし
い。好ましい実施例では、Ｌ1 およびＬ2 は２０および
１４７の値をそれぞれ取って典型的な人間の音声のピッ
チラグ範囲の２．５ｍｓから１８．３７５ｍｓをカバー
し、ここでＬ1 とＬ2 との間の隔たりは２の累乗であ
る。Ｗ（ｉ）は重み付き関数であり、２Ｍ＋１はウィン
ドウサイズを表わす。好ましくは、｛Ｗ（ｉ）＝１，ｉ
＝０，１，…，２Ｍ｝であり、Ｍ＝１である。
【００３５】結果として生じるピッチラグは平均された
値であるが、これは信頼でき、かつ正確であるとわかっ
ている。平均化から生じる効果は相対的に大きい分析ウ
ィンドウサイズによるものであり、１４７サンプルの最
大許容ラグに対して、ウィンドウサイズはラグ値の少な
くとも２倍であるべきである。しかしながら、不所望な
ことに、典型的に小さいピッチラグを示す女性の話者の
ようなある音声からの信号は、このような大きいウィン
ドウでは４ピッチ周期から１０ピッチ周期を含み得る。
ピッチラグに変化があれば、提案されたピッチラグ評価
は平均されたピチラグしか生成しない。結果として、こ
のような平均されたピッチラグを音声符号化において用
いることで、音声評価および再生に大きな劣化が生じ得
る。
【００３６】ピッチ情報が音声において相対的に早く変
化するために、ＣＥＬＰモデルに基づいたほとんどの音
声符号化システムはサブフレームごとに一度ピッチラグ
を評価し、伝送する。こうして、典型的には２ｍｓから
１０ｍｓの長さ（１６から８０サンプル）であるいくつ
かの音声サブフレームへ１つの音声フレームが分割され
るＣＥＬＰ型音声符号化において、ピッチラグ情報は各
サブフレームで更新される。したがって、正確なピッチ
ラグ値はサブフレームのためにのみ必要とされる。しか
しながら、上の機構に従って評価されたピッチラグは、
平均化から生じる影響のために、正確に音声を符号化す
るのに十分な正確さを有さない。各サブフレームごとに
ピッチラグを精密化する１つの方法は、評価されたラグ
を基準として用い、従来のＣＥＬＰ合成分析のような時
間域ラグ探索を行なうことである。評価されたラグ値を
中心とする、縮小した探索範囲（±５サンプルが十分だ
とわかっている）が実現できるであろう。この発明の特
定的な実施例では、評価の正確さを向上するために、初
期のピッチラグ評価に基づいた精密化された探索が時間
域において行なわれ得る（ステップ６１８）。簡単な自
己相関方法が、平均されたＬａｇ値の周囲で特定の符号
化周期またはサブフレームに対して行なわれる。
【００３７】
【数８】
【００３８】ここで、ａｒｇ［・］は内部最適化関数を
満たす変数ｎを決定し、ｋはサブフレームの第１のサン
プルを示し、ｌは精密化ウィンドウサイズを表わし、ｍ
は探索範囲である。正確なピッチラグ値を決定するため
に、精密化ウィンドウサイズは少なくとも１ピッチ周期
であるべきである。しかしながら、ウィンドウは平均化
の影響を避けるためにあまりに大きすぎてはならない。
たとえば、好ましくはｌ＝Ｌａｇ＋１０、およびｍ＝５
である。こうして、式（６）の時間域精密化に従って、
より正確なピッチラグが評価でき、サブフレームの符号
化に適用できる。
【００３９】動作において、高速フーリエ変換（ＦＦ
Ｔ）が一般的なＤＦＴよりも計算上効率的である場合も
あるが、ＦＦＴを用いる際の欠点はウィンドウサイズが
２の累乗でなければならないことである。たとえば、１
４７サンプルの最大のピッチラグは２の累乗ではないこ
とが示されている。最大のピッチラグを含むためには、
５１２サンプルのウィンドウサイズが必要である。しか
しながら、このために、上述の平均化から生じる影響の
ために女性の音声に対するピッチラグ評価の質が悪くな
り、多量の計算が必要となる。２５６サンプルのウィン
ドウサイズが用いられるならば、平均化から生じる影響
は減少し、複雑さは少なくなる。しかしながら、このよ
うなウィンドウを用いると、音声中の１２８サンプルよ
りも大きいピッチラグには対処できない。
【００４０】これらの問題のいくつかを克服するため
に、この発明の代替的な好ましい実施例は２５６ポイン
トＦＦＴを利用して複雑さを減少し、変更された信号を
用いてピッチラグを評価する。信号を変更するのはダウ
ンサンプリングプロセスである。図７および図８を参照
すると、Ｎ個のＬＰＣ残留サンプル｛ｘ（ｎ），ｎ＝
０，１，…，Ｎ−１｝が集められ（ステップ７０２）、
Ｎは最大のピッチラグの２倍よりも大きい。次に、Ｎ個
のサンプルが次式に従って、線形補間を用いて２５６個
の新しい分析サンプルへダウンサンプリングされる（ス
テップ７０４）。
【００４１】
【数９】
【００４２】ここで、λ＝Ｎ／２５６であり、角括弧内
の値すなわち［ｉ・λ］はｉ・λ以下の最大の整数値を
示す。次に、ハミングウィンドウまたは他のウィンドウ
が補間されたデータにステップ７０５で適用される。
【００４３】ステップ７０６では、ピッチラグ評価は２
５６ポイントＦＦＴを用いてｙ（ｉ）に対して行なわれ
て、振幅Ｙ（ｆ）を発生する。次に、ステップ７０８、
７０９、および７１０が図６に関して記述されたのと同
様に実行される。しかしながら、さらに、Ｇ（ｆ）はフ
ィルタ処理されて（ステップ７０９）、ピッチ検出のた
めに有用ではない、Ｇ（ｆ）の高周波成分を減少する。
一旦ｙ（ｉ）のラグすなわちＬａｇy が式（５）に従っ
て求められれば（ステップ７１４）、これはステップ７
１６で再補正されてピッチラグ評価を決定する。
【００４４】
【数１０】
【００４５】要約すると、図９に示されるように、符号
化フレームに対する初期のピッチ評価を求める上の手順
は以下のとおりである。
【００４６】（１） 標準４０ｍｓの符号化フレームを
ピッチサブフレーム８０２および８０４へ細分する。各
ピッチサブフレームはほぼ２０ｍｓの長さである。
【００４７】（２） ピッチ分析ウィンドウ８０６が最
後のサブフレームの中心に位置決めされるようにＮ＝３
２０個のＬＰＣ残留サンプルを取り、そのサブフレーム
に対するラグを提案されたアルゴリズムを用いて求め
る。
【００４８】（３） ピッチサブフレームに対する初期
のピッチラグ値を決定する。次に、時間域精密化が元の
音声サンプルに対してステップ７１８で行なわれる。上
述のように、合成分析方法を重み付き音声サンプルに用
いる精密化もまた用いられ得る。したがって、この発明
の実施例では、複雑さを減少しながらも高度な正確さを
維持してピッチラグ値が正確に評価できる。この発明の
ＦＦＴ実施例を用いると、１２０よりも大きいピッチラ
グ値を扱うのは困難でない。第１に、図９に示されるよ
うに、たとえば４０ｍｓの符号化フレーム８１０がサブ
フレーム８０８へ分割される。初期のピッチラグ評価ｌ
ａｇ1 およびｌａｇ2 は、現在の符号化フレームにおけ
る各ピッチサブフレーム８０２および８０４の最後の符
号化サブフレーム８０８に対するラグ評価である。ｌａ
ｇ0 は前の符号化フレームにおける第２のピッチサブフ
レームの精密化されたラグ評価である。ｌａｇ1、ｌａ
ｇ2 、およびｌａｇ0 の間の関係は図９に示される。
【００４９】符号化フレームのピッチラグはｌａｇ1 、
ｌａｇ2 、およびｌａｇ0 を線形的に補間することによ
って評価される。符号化サブフレームのピッチラグ評価
の正確さは、各符号化サブフレームの補間されたピッチ
ラグを精密化することによって向上する。｛ｌａｇ
I （ｉ），ｉ＝０，１，…，７｝が精密化された初期の
ピッチ評価ｌａｇ1 、ｌａｇ2 、およびｌａｇ0 に基づ
いて符号化サブフレームの補間されたピッチラグを表わ
すならば、ｌａｇI （ｉ）は次式によって決定される。
【００５０】
【数１１】
【００５１】線形補間によって与えられるピッチラグ評
価の正確さが十分ではないので、さらなる改良が必要と
されるだろう。所与のピッチラグ評価｛ｌａｇ
I （ｉ），ｉ＝０，１，…，７｝に対して、各ｌａｇI
（ｉ）は次式によってさらに精密化される（ステップ７
２２）。
【００５２】
【数１２】
【００５３】ここで、Ｎi はピッチラグ（ｉ）に対する
符号化サブフレームにおける開始サンプルの指標であ
る。例では、Ｍは３と選択され、Ｌは４０と等しい。
【００５４】別の形の精密化では、合成分析方法が各サ
ブフレームに対する補間されたラグ値についての減少し
たラグ探索と組合される。音声符号化フレームが十分に
短ければ（たとえば２０ｍｓ未満）、さらなる補間が不
必要となるように、ピッチ評価ウィンドウは符号化フレ
ームのほぼ中心に置かれ得る。
【００５５】ピッチラグの線形補間は音声の無声区間に
おいて重要である。どの分析方法によって求められるピ
ッチラグも、無声音声に任意に配分される傾向を有す
る。しかしながら、相対的に大きいピッチサブフレーム
サイズのために、各サブフレームに対するラグが（上の
手順（２）で求められる）初期に決定されたサブフレー
ムラグにあまりにも近い場合、元々は音声にはなかった
不所望な人工の周期性が加わる。さらに、線形補間は質
の悪い無声音声に関連した問題を簡単に解決する。さら
に、サブフレームのラグは任意である傾向を有するの
で、各サブフレームに対するラグもまた一旦補間される
と非常に任意に配分され、このことが音声の品質を保証
する。
【００５６】したがって、ピッチラグを評価するために
ＬＰＣ残留を用いることが有利であろう。図１０は複数
の音声サンプルの分布を表わす。音声信号の、結果とし
て生じるパワー・スペクトルは図１１に示され、音声の
振幅の二乗は図１２にグラフで表わされる。図に示され
るように、図１１に示されるピッチ高調波は図１２に反
映されない。ＬＰＣ利得のために、不所望な５−２０ｄ
Ｂの差が音声信号のピッチの微細構造と各フォルマント
との間に存在し得る。したがって、図１２のフォルマン
トはピッチ構造を正確には表さないが、なお一定の基本
周波数をピーク構造で示すようであり、誤差はピッチラ
グの評価において生じ得る。
【００５７】音声信号スペクトルと比較して、元の音声
サンプルのＬＰＣ残留は振幅の二乗をより正確に表わす
（図１５）。図１３および図１４に示されるように、Ｌ
ＰＣ残留とＬＰＣ残留サンプルの振幅の二乗の対数とは
ピークおよび周期において類似した特性をそれぞれ示
す。しかしながら、図１５において、ＬＰＣ残留サンプ
ルの振幅の二乗のグラフは元の音声信号よりも、優れた
解像度とよりよい周期性とを示すことがわかる。
【図面の簡単な説明】
【図１】ＣＥＬＰ音声モデルのブロック図である。
【図２】ＭＢＥ音声モデルのブロック図である。
【図３】ＭＢＥエンコーダのブロック図である。
【図４】ＭＢＥボコーダにおけるピッチラグ評価のブロ
ック図である。
【図５】ケプストラムに基づいたピッチラグ検出機構の
ブロック図である。
【図６】この発明の実施例に従ったピッチラグ評価の動
作上のフロー図である。
【図７】この発明の別の実施例に従ったピッチラグ評価
のフロー図である。
【図８】この発明の別の実施例に従ったピッチラグ評価
のフロー図である。
【図９】図６の実施例に従った音声符号化の図である。
【図１０】音声信号をグラフによって表わした図であ
る。
【図１１】音声信号をグラフによって表わした図であ
る。
【図１２】音声信号をグラフによって表わした図であ
る。
【図１３】この発明に実施例に従うＬＰＣ残留信号をグ
ラフによって表わした図である。
【図１４】この発明に実施例に従うＬＰＣ残留信号をグ
ラフによって表わした図である。
【図１５】この発明に実施例に従うＬＰＣ残留信号をグ
ラフによって表わした図である。
【符号の説明】
８０２ ピッチサブフレーム ８０４ ピッチサブフレーム ８０６ ピッチ分析ウィンドウ ８０８ サブフレーム

Claims (49)

    【特許請求の範囲】
  1. 【請求項１】 音声量子化および圧縮のためにピッチラ
    グを評価するためのシステムであって、前記音声は複数
    の線形予測符号化（ＬＰＣ）残留サンプルによって規定
    されるＬＰＣ残留信号を有し、現在のＬＰＣ残留サンプ
    ルの評価は過去のサンプルの線形結合に従う時間域で決
    定され、前記システムは、 第１の離散フリーリエ変換（ＤＦＴ）を複数のＬＰＣ残
    留サンプルに適用するための手段を含み、前記第１のＤ
    ＦＴは関連した振幅を有し、さらに、 前記第１のＤＦＴの振幅を二乗するための手段と、 第２のＤＦＴを二乗された振幅に対して適用するための
    手段とを含み、前記第２のＤＦＴは関連した時間域変換
    されたサンプルを有し、さらに、 前記時間域変換されたサンプルに従って初期のピッチラ
    グ値を決定するための手段を含む、システム。
  2. 【請求項２】 前記初期のピッチラグ値は関連した予測
    誤差を有し、前記システムは前記初期のピッチラグ値を
    精密化するための手段をさらに含み、前記関連した予測
    誤差は最小にされる、請求項１に記載のシステム。
  3. 【請求項３】 前記第１のＤＦＴの振幅の高周波成分を
    フィルタ処理して取り除くための低域フィルタをさらに
    含む、請求項１に記載のシステム。
  4. 【請求項４】 前記複数のＬＰＣ残留サンプルを現在の
    符号化フレームへ分類するための手段と、 前記符号化フレームを多数のピッチサブフレームへ分割
    するための手段と、 前記ピッチサブフレームを多数の符号化サブフレームへ
    細分するための手段と、 前記現在の符号化フレームにおける各ピッチサブフレー
    ムの最後の符号化サブフレームに対するラグ評価をそれ
    ぞれ表わす初期のピッチラグ評価ｌａｇ1 およびｌａｇ
    2 を評価するための手段と、 前の符号化フレームの最後の符号化サブフレームに対す
    る最後の評価を表わすピッチラグ評価ｌａｇ0 を評価す
    るための手段と、 前記ピッチラグ評価ｌａｇ0 を精密化するための手段
    と、 ｌａｇ1 、ｌａｇ2 、およびｌａｇ0 を線形的に補間し
    て、前記符号化サブフレームのピッチラグ値を評価する
    ための手段と、 各符号化サブフレームの線形補間されたピッチラグをさ
    らに精密化するための手段とをさらに含む、請求項１に
    記載のシステム。
  5. 【請求項５】 少数のサンプルで概略的に表わすため
    に、音声サンプルをダウンサンプリング値にダウンサン
    プリングするための手段をさらに含む、請求項１に記載
    のシステム。
  6. 【請求項６】 前記初期のピッチラグ値は式（Ｌａｇ
    scaled＝ＬＰＣ残留サンプルの数／ダウンサンプリング
    値＊評価されたピッチラグ）に従って補正される、請求
    項５に記載のシステム。
  7. 【請求項７】 前記初期のピッチラグ値を精密化するた
    めの手段は自己相関を含む、請求項１に記載のシステ
    ム。
  8. 【請求項８】 入力音声を受けるための音声入力手段
    と、 前記入力音声のＬＰＣ残留信号を決定するための手段
    と、 前記初期のピッチラグ値を処理して、前記ＬＰＣ残留信
    号を符号化された音声として再現するためのコンピュー
    タと、 前記符号化された音声を出力するための音声出力手段と
    をさらに含む、請求項１に記載のシステム。
  9. 【請求項９】 コンピュータで動作可能な、入力音声量
    子化および圧縮のためにピッチラグを評価するためのシ
    ステムであって、音声は複数の線形予測符号化（ＬＰ
    Ｃ）残留サンプルによって規定されるＬＰＣ残留信号を
    有し、評価されたピッチラグは予め定められた最小およ
    び最大のピッチラグ値の範囲に入り、前記システムは、 前記ＬＰＣ残留サンプルの中からピッチ分析ウィンドウ
    を選択するための手段を含み、前記ピッチ分析ウィンド
    ウは前記最大のピッチラグ値よりも少なくとも２倍大き
    く、さらに、 第１の離散フーリエ変換（ＤＦＴ）をウィンドウで抜出
    された複数のＬＰＣ残留サンプルに適用するための手段
    を含み、前記第１のＤＦＴは関連した振幅を有し、さら
    に、 第２のＤＦＴを、関連した時間域変換されたサンプルを
    有する前記第２のＤＦＴの振幅に対して適用するための
    手段と、 重み付き平均を前記時間域変換されたサンプルに適用す
    るための手段とを含み、少なくとも２つのサンプルが結
    合されて単一のサンプルを生成し、さらに、 前記時間域変換された音声サンプルを探索して、最大の
    ピーク値を有する少なくとも１つのサンプルを求めるた
    めの手段と、 前記最大のピーク値を有するサンプルに従って初期のピ
    ッチラグ値を評価するための手段とを含む、システム。
  10. 【請求項１０】 同次変換を前記第１のＤＦＴの振幅に
    適用するための手段をさらに含む、請求項９に記載のシ
    ステム。
  11. 【請求項１１】 前記第１のＤＦＴの振幅は二乗され
    る、請求項９に記載のシステム。
  12. 【請求項１２】 前記第１のＤＦＴの振幅の高周波成分
    をフィルタ処理するための低域フィルタをさらに含む、
    請求項９に記載のシステム。
  13. 【請求項１３】 前記第１のＤＦＴの振幅の対数が用い
    られる、請求項９に記載のシステム。
  14. 【請求項１４】 前記第１のＤＦＴを適用する前に、ハ
    ミングウィンドウを前記ＬＰＣ残留サンプルに適用する
    ための手段をさらに含む、請求項９に記載のシステム。
  15. 【請求項１５】 ３つの時間域変換されたサンプルが結
    合される、請求項９に記載のシステム。
  16. 【請求項１６】 奇数個の時間域変換されたサンプルが
    結合される、請求項９に記載のシステム。
  17. 【請求項１７】 前記複数のＬＰＣ残留サンプルを現在
    の符号化フレームへ分類するための手段と、 初期のピッチラグ値を前記ピッチ分析ウィンドウに対し
    て評価するための手段とをさらに含み、前記評価された
    ピッチラグは前記現在の符号化フレームのピッチラグ値
    である、請求項９に記載のシステム。
  18. 【請求項１８】 前記現在の符号化フレームのピッチラ
    グ評価を線形的に補間して、補間されたピッチラグ値を
    与えるための手段と、 各符号化フレームの前記補間されたピッチラグ値を精密
    化するための手段とをさらに含み、ピーク探索は初期に
    評価されたピッチラグ値の±５サンプルの探索範囲内で
    行なわれる、請求項９に記載のシステム。
  19. 【請求項１９】 少数のサンプルで概略的に表わすため
    に音声サンプルをダウンサンプリング値にダウンサンプ
    リングするための手段をさらに含み、前記初期のピッチ
    ラグ値は式（Ｌａｇscaled＝ＬＰＣ残留サンプルの数／
    ダウンサンプリング値＊評価された初期のピッチラグ）
    に従って補正される、請求項９に記載のシステム。
  20. 【請求項２０】 前記入力音声を受けるための音声入力
    手段と、 前記入力音声の前記ＬＰＣ残留信号を決定するための手
    段と、 前記初期のピッチラグ値を処理して、ＬＰＣ励起信号を
    符号化された音声として表わすためのプロセッサと、 前記符号化された音声を出力するための音声出力手段と
    をさらに含む、請求項９に記載のシステム。
  21. 【請求項２１】 入力音声を再現し、かつ符号化するた
    めの音声符号化装置であって、前記音声符号化装置は、
    前記入力音声の復号された線形予測符号化（ＬＰＣ）残
    留を規定するＬＰＣ励起信号と、ＬＰＣパラメータと、
    音声再現を励起して音声を発生するのに参照される複数
    のベクトルを表わす新規コードブックとで動作可能であ
    り、前記音声符号化装置は、 前記ＬＰＣ残留を処理するためのコンピュータを含み、
    前記コンピュータは、 前記ＬＰＣ残留内で現在の符号化フレームを分離するた
    めの手段と、 前記符号化フレームを複数のピッチサブフレームへ分割
    するための手段と、 Ｎ個のＬＰＣ残留サンプルを有するピッチ分析ウィンド
    ウを規定するための手段とを含み、前記ピッチ分析ウィ
    ンドウは前記ピッチサブフレームに対して延び、さら
    に、 各ピッチサブフレームに対する初期のピッチラグ値を評
    価するための手段と、 各ピッチサブフレームを多数の符号化サブフレームへ分
    割するための手段とを含み、各ピッチサブフレームに対
    する初期のピッチラグ評価は、現在の符号化フレームに
    おける各ピッチサブフレームの最後の符号化サブフレー
    ムに対するラグ評価を表わし、さらに、 評価されたピッチラグ値を前記ピッチサブフレーム間で
    線形的に補間して、各符号化サブフレームに対するピッ
    チラグ評価を決定するための手段と、 各符号化サブフレームの線形的に補間されたラグ値を精
    密化するための手段とを含み、前記音声符号化装置はさ
    らに、 精密化されたピッチラグ値に従って再現される音声を出
    力するための音声出力手段を含む、音声符号化装置。
  22. 【請求項２２】 前記ＤＦＴは関連した長さを有し、前
    記コンピュータは、 少数のサンプルで表わすためにＮ個のＬＰＣ残留サンプ
    ルをダウンサンプリングするための手段と、 補正されたラグ値がＬａｇscaled＝Ｎ／Ｘ＊評価された
    ピッチラグ値であるように、前記ピッチラグ値を補正す
    るための手段とをさらに含み、 Ｘは前記ＤＦＴの前記長さに従って決定される、請求項
    ２１に記載の装置。
  23. 【請求項２３】 各符号化フレームはほぼ４０ｍｓの長
    さを有する、請求項２１に記載の装置。
  24. 【請求項２４】 前記第１のＤＦＴの振幅の高周波成分
    をフィルタ処理するための低域フィルタをさらに含む、
    請求項２１に記載の装置。
  25. 【請求項２５】 入力音声を復元し、かつ符号化するた
    めの音声符号化装置であって、前記入力音声は逆線形予
    測符号化（ＬＰＣ）フィルタによってフィルタ処理され
    て前記入力音声のＬＰＣ残留を得、前記音声符号化装置
    は、 前記ＬＰＣ残留を処理し、前記ＬＰＣ残留の初期のピッ
    チラグを評価するためのコンピュータを含み、かつ前記
    ピッチラグは最小のピッチラグ値と最大のピッチラグ値
    との間にあり、前記コンピュータは、 Ｎ個のＬＰＣ残留サンプルを有する現在のピッチ分析ウ
    ィンドウを決定するための手段を含み、Ｎは前記最大の
    ピッチラグ値の少なくとも２倍であり、さらに、 前記現在のピッチ分析ウィンドウにおいて第１の離散フ
    ーリエ変換（ＤＦＴ）を前記ＬＰＣ残留サンプルに適用
    するための手段を含み、前記第１のＤＦＴは関連した振
    幅を有し、さらに、 第２のＤＦＴを前記第１のＤＦＴの振幅に対して適用し
    て、時間域変換されたサンプルを生成するための手段
    と、 重み付き平均を前記時間域変換されたサンプルに適用す
    るための手段とを含み、少なくとも２つのサンプルが結
    合されて単一のサンプルを生成し、さらに、 平均された、時間域変換されたサンプルを探索して少な
    くとも１つのピークを求めるための手段を含み、最高の
    ピークの位置は前記現在のピッチ分析ウィンドウにおい
    て評価されたピッチラグを表わし、前記音声符号化装置
    はさらに、 前記評価されたピッチラグの値に従って再現される音声
    を出力するための音声出力手段を含む、音声符号化装
    置。
  26. 【請求項２６】 前記第１のＤＦＴの振幅の高周波成分
    をフィルタ処理するための低域フィルタをさらに含む、
    請求項２５に記載の装置。
  27. 【請求項２７】 関連したピッチラグ値を有する前のピ
    ッチ分析ウィンドウを規定するための手段と、 前記現在のピッチ分析ウィンドウと前記前のピッチ分析
    ウィンドウとのラグ値を線形的に補間して、複数の補間
    されたピッチラグ値を生成するための手段と、 複数の補間されたラグ値を精密化するための手段とをさ
    らに含む、請求項２５に記載の装置。
  28. 【請求項２８】 前記複数の補間されたラグ値は合成分
    析に従って精密化され、縮小した探索は前記複数の補間
    されたピッチラグ値の各々の±５サンプル内で行なわれ
    る、請求項２７に記載の装置。
  29. 【請求項２９】 前記評価されたピッチラグ値を合成分
    析に従って精密化するための手段をさらに含み、縮小し
    た探索は前記評価されたピッチラグ値の±５サンプル内
    で行なわれる、請求項２５に記載の装置。
  30. 【請求項３０】 同次変換を前記第１のＤＦＴの振幅に
    適用するための手段をさらに含む、請求項２５に記載の
    装置。
  31. 【請求項３１】 前記第１のＤＦＴの振幅は二乗され
    る、請求項３０に記載の装置。
  32. 【請求項３２】 前記第１のＤＦＴの振幅の対数が用い
    られる、請求項３０に記載の装置。
  33. 【請求項３３】 前記ＤＦＴは関連した長さを有する高
    速フーリエ変換（ＦＦＴ）であり、前記コンピュータ
    は、 少数のサンプル（Ｘ）で表わすためにＮ個のＬＰＣ残留
    サンプルをダウンサンプリングするための手段と、 補正されたラグ値がＬａｇscaled＝Ｎ／Ｘ＊評価された
    ピッチラグ値であるように、前記ピッチラグ値を補正す
    るための手段とをさらに含み、 Ｘは前記ＦＦＴの長さに従って決定される、請求項２５
    に記載の装置。
  34. 【請求項３４】 音声量子化および圧縮のためにピッチ
    ラグを評価する方法であって、前記音声は複数の線形予
    測符号化（ＬＰＣ）残留サンプルによって規定されるＬ
    ＰＣ残留によって表わされ、現在のＬＰＣ残留サンプル
    の評価は過去のサンプルの線形結合に従う時間域で決定
    され、前記方法は、 第１の離散フーリエ変換（ＤＦＴ）を前記ＬＰＣ残留サ
    ンプルに適用するステップを含み、前記第１のＤＦＴは
    関連した振幅を有し、さらに、 前記第１のＤＦＴの振幅を二乗するステップと、 第２のＤＦＴを前記第１のＤＦＴの二乗された振幅に対
    して適用して、時間域変換されたＬＰＣ残留サンプルを
    生成するステップと、 前記時間域変換されたＬＰＣ残留サンプルに従って初期
    のピッチラグ値を決定するステップとを含み、前記初期
    のピッチラグ値は関連した予測誤差を有し、さらに、 前記初期のピッチラグ値を自己相関を用いて精密化する
    ステップを含み、前記関連した予測誤差は最小にされ、
    さらに、 精密化されたピッチラグ値に従って前記ＬＰＣ残留サン
    プルを符号化するステップを含む、方法。
  35. 【請求項３５】 前記第１のＤＦＴの振幅の高周波成分
    をフィルタ処理するための低域フィルタをさらに含む、
    請求項３４に記載の方法。
  36. 【請求項３６】 複数のＬＰＣサンプルを現在の符号化
    フレームへ分類するステップと、 前記符号化フレームを多数のピッチサブフレームへ分割
    するステップと、 前記ピッチサブフレームを多数の符号化サブフレームへ
    細分するステップと、 前記現在の符号化フレームにおける各ピッチサブフレー
    ムの最後の符号化サブフレームに対するラグ評価をそれ
    ぞれ表わす初期のピッチラグ評価ｌａｇ1 およびｌａｇ
    2 を評価するステップと、 前の符号化フレームの最後の符号化サブフレームからピ
    ッチラグｌａｇ0 を評価するステップと、 ピッチラグ評価ｌａｇ0 を精密化するステップと、 ｌａｇ1 、ｌａｇ2 、およびｌａｇ0 を線形的に補間し
    て、前記符号化サブフレームのピッチラグ値を評価する
    ステップと、 各符号化サブフレームの補間されたピッチラグをさらに
    精密化するステップとをさらに含む、請求項３４に記載
    の方法。
  37. 【請求項３７】 少数のサンプルで概略的に表わすため
    に、前記ＬＰＣ残留サンプルをダウンサンプリング値に
    ダウンサンプリングするステップをさらに含む、請求項
    ３４に記載の方法。
  38. 【請求項３８】 式（Ｌａｇscaled＝ＬＰＣ残留サンプ
    ルの数／ダウンサンプリング値＊評価されたピッチラグ
    値）に従って前記初期のピッチラグ値を補正するステッ
    プをさらに含む、請求項３４に記載の方法。
  39. 【請求項３９】 前記ＬＰＣ残留サンプルを受けるステ
    ップと、 前記精密化されたピッチラグ値を処理して、入力音声を
    符号化された音声として再現するステップと、 前記符号化された音声を出力するステップとをさらに含
    む、請求項３４に記載の方法。
  40. 【請求項４０】 入力音声を再現し、かつ符号化するた
    めの、コンピュータシステムで動作可能な音声符号化方
    法であって、音声は前記入力音声の復号された線形予測
    符号化（ＬＰＣ）残留を規定するＬＰＣ励起信号によっ
    て表わされ、前記方法は、 前記音声を逆線形予測符号化（ＬＰＣ）フィルタによっ
    てフィルタ処理して、前記入力音声の前記ＬＰＣ残留を
    得るステップと、 前記ＬＰＣ残留を処理し、かつ前記ＬＰＣ残留の初期の
    ピッチラグを評価するステップとを含み、前記ピッチラ
    グは最小のピッチラグ値と最大のピッチラグ値との間に
    あり、さらに、 Ｎ個のＬＰＣ残留サンプルを有する現在のピッチ分析ウ
    ィンドウを規定するステップを含み、Ｎは前記最大のピ
    ッチラグ値の少なくとも２倍であり、さらに、 前記現在のピッチ分析ウィンドウにおいて第１の離散フ
    ーリエ変換（ＤＦＴ）を前記ＬＰＣ残留サンプルに適用
    するステップを含み、前記第１のＤＦＴは関連した振幅
    を有し、さらに、 第２のＤＦＴを前記第１のＤＦＴの振幅に対して適用し
    て、時間域変換されたサンプルを生成するステップと、 重み付き平均を前記時間域変換されたサンプルに適用す
    るステップとを含み、少なくとも２つのサンプルが結合
    されて単一のサンプルを生成し、さらに、 平均された、時間域変換されたサンプルを探索して少な
    くとも１つのピークを求めるステップを含み、最高のピ
    ークの位置は前記現在のピッチ分析ウィンドウにおいて
    評価されたピッチラグを表わし、さらに、 前記評価されたピッチラグの値に従って再現される音声
    を出力するステップを含む、音声符号化方法。
  41. 【請求項４１】 低域フィルタを用いて、前記第１のＤ
    ＦＴの振幅の高周波成分をフィルタ処理するステップを
    さらに含む、請求項４０に記載のシステム。
  42. 【請求項４２】 関連したピッチラグ値を有する前のピ
    ッチ分析ウィンドウを規定するステップと、 前記現在のピッチ分析ウィンドウと前記前のピッチ分析
    ウィンドウとのラグ値を線形的に補間して、複数の補間
    されたピッチラグ値を生成するステップと、 複数の補間されたラグ値を精密化するステップとをさら
    に含む、請求項４０に記載の方法。
  43. 【請求項４３】 前記複数の補間されたラグ値は合成分
    析に従って精密化され、縮小した探索は前記複数の補間
    されたピッチラグ値の各々の±５サンプル内で行なわれ
    る、請求項４２に記載の方法。
  44. 【請求項４４】 前記評価されたピッチラグ値を合成分
    析に従って精密化するステップをさらに含み、縮小した
    探索は前記評価されたピッチラグ値の±５サンプル内で
    行なわれる、請求項４０に記載の方法。
  45. 【請求項４５】 同次変換を前記第１のＤＦＴの振幅に
    適用するステップをさらに含む、請求項４０に記載の方
    法。
  46. 【請求項４６】 前記第１のＤＦＴの振幅は二乗され
    る、請求項４０に記載の方法。
  47. 【請求項４７】 前記ＤＦＴは関連した長さを有する高
    速フーリエ変換（ＦＦＴ）であり、 少数のサンプルＸで表わすためにＮ個のＬＰＣ残留サン
    プルをダウンサンプリングするステップと、 補正されたラグ値がＬａｇscaled＝Ｎ／Ｘ＊評価された
    ピッチラグ値であるように、前記ピッチラグ値を補正す
    るステップとをさらに含み、 Ｘは前記ＦＦＴの長さに従って決定される、請求項４０
    に記載の方法。
  48. 【請求項４８】 入力音声を再現し、かつ符号化するた
    めの音声符号化方法であって、音声符号化装置は、前記
    入力音声の復号された線形予測符号化（ＬＰＣ）残留を
    規定するＬＰＣ励起信号と、ＬＰＣパラメータと、音声
    再現を励起して音声を発生するのに参照される複数のベ
    クトルを形成する擬似ランダム信号を表わす新規コード
    ブックとで動作可能であり、前記音声符号化方法は、 前記入力音声を受け、かつ処理するステップと、 前記入力音声を処理するステップとを含み、前記処理す
    るステップは、 前記入力音声の前記ＬＰＣ残留を決定するステップと、 前記ＬＰＣ残留内で符号化フレームを決定するステップ
    と、 前記符号化フレームを複数のピッチサブフレームへ細分
    するステップと、 Ｎ個のＬＰＣ残留サンプルを有するピッチ分析ウィンド
    ウを規定するステップとを含み、前記ピッチ分析ウィン
    ドウは前記ピッチサブフレームに対して延び、さらに、 各ピッチサブフレームに対する初期のピッチラグ値を大
    まかに評価するステップと、 各ピッチサブフレームに対する初期のピッチラグ評価が
    各ピッチサブフレームの最後の符号化サブフレームに対
    するラグ評価を表わすように、各ピッチサブフレームを
    多数の符号化サブフレームへ分割するステップと、 評価されたピッチラグ値を前記ピッチサブフレームの間
    で補間して、各符号化サブフレームに対するピッチラグ
    評価を決定するステップと、 線形的に補間されたラグ値を精密化するステップとを含
    み、前記音声符号化方法はさらに、 精密化されたピッチラグ値に従って再現される音声を出
    力するステップを含む、音声符号化方法。
  49. 【請求項４９】 前記Ｎ個のＬＰＣ残留サンプルが式Ｎ
    ＝Ｒ* Ｘに従って決定されるように、前記ＬＰＣ残留を
    サンプリング速度Ｒでサンプリングするステップをさら
    に含む、請求項４８に記載の方法。
JP8110964A 1995-05-30 1996-05-01 ピッチラグを評価するためのシステム、音声符号化装置、ピッチラグを評価する方法、および音声符号化方法 Pending JPH08328588A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US08/454,477 US5781880A (en) 1994-11-21 1995-05-30 Pitch lag estimation using frequency-domain lowpass filtering of the linear predictive coding (LPC) residual
US08/454477 1995-05-30

Publications (1)

Publication Number Publication Date
JPH08328588A true JPH08328588A (ja) 1996-12-13

Family

ID=23804758

Family Applications (1)

Application Number Title Priority Date Filing Date
JP8110964A Pending JPH08328588A (ja) 1995-05-30 1996-05-01 ピッチラグを評価するためのシステム、音声符号化装置、ピッチラグを評価する方法、および音声符号化方法

Country Status (3)

Country Link
US (1) US5781880A (ja)
EP (1) EP0745971A3 (ja)
JP (1) JPH08328588A (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002525662A (ja) * 1998-09-11 2002-08-13 モトローラ・インコーポレイテッド 遅延輪郭調整を利用して情報信号を符号化する方法および装置
US6704702B2 (en) 1997-01-23 2004-03-09 Kabushiki Kaisha Toshiba Speech encoding method, apparatus and program
JP2005049859A (ja) * 2003-07-28 2005-02-24 Sony Corp オーディオデータを自動的に認識する方法及び装置
US7228272B2 (en) 2001-06-29 2007-06-05 Microsoft Corporation Continuous time warping for low bit-rate CELP coding

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10124092A (ja) * 1996-10-23 1998-05-15 Sony Corp 音声符号化方法及び装置、並びに可聴信号符号化方法及び装置
JPH10149199A (ja) * 1996-11-19 1998-06-02 Sony Corp 音声符号化方法、音声復号化方法、音声符号化装置、音声復号化装置、電話装置、ピッチ変換方法及び媒体
FI113903B (fi) * 1997-05-07 2004-06-30 Nokia Corp Puheen koodaus
US6456965B1 (en) * 1997-05-20 2002-09-24 Texas Instruments Incorporated Multi-stage pitch and mixed voicing estimation for harmonic speech coders
US5946650A (en) * 1997-06-19 1999-08-31 Tritech Microelectronics, Ltd. Efficient pitch estimation method
DE69836081D1 (de) * 1997-07-11 2006-11-16 Koninkl Philips Electronics Nv Transmitter mit verbessertem harmonischen sprachkodierer
US6549899B1 (en) * 1997-11-14 2003-04-15 Mitsubishi Electric Research Laboratories, Inc. System for analyzing and synthesis of multi-factor data
US6064955A (en) * 1998-04-13 2000-05-16 Motorola Low complexity MBE synthesizer for very low bit rate voice messaging
EP0993674B1 (en) * 1998-05-11 2006-08-16 Philips Electronics N.V. Pitch detection
US6014618A (en) * 1998-08-06 2000-01-11 Dsp Software Engineering, Inc. LPAS speech coder using vector quantized, multi-codebook, multi-tap pitch predictor and optimized ternary source excitation codebook derivation
US6449590B1 (en) * 1998-08-24 2002-09-10 Conexant Systems, Inc. Speech encoder using warping in long term preprocessing
JP3594854B2 (ja) 1999-11-08 2004-12-02 三菱電機株式会社 音声符号化装置及び音声復号化装置
USRE43209E1 (en) 1999-11-08 2012-02-21 Mitsubishi Denki Kabushiki Kaisha Speech coding apparatus and speech decoding apparatus
US6587816B1 (en) 2000-07-14 2003-07-01 International Business Machines Corporation Fast frequency-domain pitch estimation
US7013269B1 (en) 2001-02-13 2006-03-14 Hughes Electronics Corporation Voicing measure for a speech CODEC system
US6996523B1 (en) 2001-02-13 2006-02-07 Hughes Electronics Corporation Prototype waveform magnitude quantization for a frequency domain interpolative speech codec system
US6931373B1 (en) 2001-02-13 2005-08-16 Hughes Electronics Corporation Prototype waveform phase modeling for a frequency domain interpolative speech codec system
JP3888097B2 (ja) * 2001-08-02 2007-02-28 松下電器産業株式会社 ピッチ周期探索範囲設定装置、ピッチ周期探索装置、復号化適応音源ベクトル生成装置、音声符号化装置、音声復号化装置、音声信号送信装置、音声信号受信装置、移動局装置、及び基地局装置
KR100446739B1 (ko) * 2001-10-31 2004-09-01 엘지전자 주식회사 지연 피치 추출장치
US20040002856A1 (en) * 2002-03-08 2004-01-01 Udaya Bhaskar Multi-rate frequency domain interpolative speech CODEC system
GB2400003B (en) * 2003-03-22 2005-03-09 Motorola Inc Pitch estimation within a speech signal
US6988064B2 (en) * 2003-03-31 2006-01-17 Motorola, Inc. System and method for combined frequency-domain and time-domain pitch extraction for speech signals
CA2524243C (en) * 2003-04-30 2013-02-19 Matsushita Electric Industrial Co. Ltd. Speech coding apparatus including enhancement layer performing long term prediction
TWI241557B (en) * 2003-07-21 2005-10-11 Ali Corp Method for estimating a pitch estimation of the speech signals
US7933767B2 (en) 2004-12-27 2011-04-26 Nokia Corporation Systems and methods for determining pitch lag for a current frame of information
JP2007114417A (ja) * 2005-10-19 2007-05-10 Fujitsu Ltd 音声データ処理方法及び装置
EP2088588B1 (en) * 2006-11-10 2013-01-09 Panasonic Corporation Parameter decoding device, parameter encoding device, and parameter decoding method
EP3629328A1 (en) * 2007-03-05 2020-04-01 Telefonaktiebolaget LM Ericsson (publ) Method and arrangement for smoothing of stationary background noise
KR101413968B1 (ko) * 2008-01-29 2014-07-01 삼성전자주식회사 오디오 신호의 부호화, 복호화 방법 및 장치
ES2901735T3 (es) * 2009-01-16 2022-03-23 Dolby Int Ab Transposición armónica mejorada de productos de cruce
WO2010091554A1 (zh) * 2009-02-13 2010-08-19 华为技术有限公司 一种基音周期检测方法和装置
US8990094B2 (en) * 2010-09-13 2015-03-24 Qualcomm Incorporated Coding and decoding a transient frame
US9082416B2 (en) 2010-09-16 2015-07-14 Qualcomm Incorporated Estimating a pitch lag
US8862465B2 (en) * 2010-09-17 2014-10-14 Qualcomm Incorporated Determining pitch cycle energy and scaling an excitation signal
EP2638541A1 (en) 2010-11-10 2013-09-18 Koninklijke Philips Electronics N.V. Method and device for estimating a pattern in a signal
EP2798631B1 (en) * 2011-12-21 2016-03-23 Huawei Technologies Co., Ltd. Adaptively encoding pitch lag for voiced speech
PT3011555T (pt) 2013-06-21 2018-07-04 Fraunhofer Ges Forschung Reconstrução de uma estrutura de discurso
SG11201510463WA (en) * 2013-06-21 2016-01-28 Fraunhofer Ges Forschung Apparatus and method for improved concealment of the adaptive codebook in acelp-like concealment employing improved pitch lag estimation
PL3462449T3 (pl) * 2014-01-24 2021-06-28 Nippon Telegraph And Telephone Corporation Urządzenie, sposób i program do analizy liniowo-predykcyjnej oraz nośnik zapisu
EP3441970B1 (en) * 2014-01-24 2019-11-13 Nippon Telegraph and Telephone Corporation Linear predictive analysis apparatus, method, program and recording medium
US9685170B2 (en) * 2015-10-21 2017-06-20 International Business Machines Corporation Pitch marking in speech processing
CN110058124B (zh) * 2019-04-25 2021-07-13 中国石油大学(华东) 线性离散时滞系统的间歇故障检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4989250A (en) * 1988-02-19 1991-01-29 Sanyo Electric Co., Ltd. Speech synthesizing apparatus and method
US5097508A (en) * 1989-08-31 1992-03-17 Codex Corporation Digital speech coder having improved long term lag parameter determination
US5091945A (en) * 1989-09-28 1992-02-25 At&T Bell Laboratories Source dependent channel coding with error protection
CA2568984C (en) * 1991-06-11 2007-07-10 Qualcomm Incorporated Variable rate vocoder
FI110220B (fi) * 1993-07-13 2002-12-13 Nokia Corp Puhesignaalin kompressio ja rekonstruktio

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6704702B2 (en) 1997-01-23 2004-03-09 Kabushiki Kaisha Toshiba Speech encoding method, apparatus and program
US7191120B2 (en) 1997-01-23 2007-03-13 Kabushiki Kaisha Toshiba Speech encoding method, apparatus and program
JP2002525662A (ja) * 1998-09-11 2002-08-13 モトローラ・インコーポレイテッド 遅延輪郭調整を利用して情報信号を符号化する方法および装置
US7228272B2 (en) 2001-06-29 2007-06-05 Microsoft Corporation Continuous time warping for low bit-rate CELP coding
JP2005049859A (ja) * 2003-07-28 2005-02-24 Sony Corp オーディオデータを自動的に認識する方法及び装置

Also Published As

Publication number Publication date
EP0745971A2 (en) 1996-12-04
US5781880A (en) 1998-07-14
EP0745971A3 (en) 1998-02-25

Similar Documents

Publication Publication Date Title
JPH08328588A (ja) ピッチラグを評価するためのシステム、音声符号化装置、ピッチラグを評価する方法、および音声符号化方法
Giacobello et al. Sparse linear prediction and its applications to speech processing
US6732070B1 (en) Wideband speech codec using a higher sampling rate in analysis and synthesis filtering than in excitation searching
JP5978218B2 (ja) 低ビットレート低遅延の一般オーディオ信号の符号化
JP3557662B2 (ja) 音声符号化方法及び音声復号化方法、並びに音声符号化装置及び音声復号化装置
US6871176B2 (en) Phase excited linear prediction encoder
WO1992016930A1 (en) Speech coder and method having spectral interpolation and fast codebook search
JPH08328591A (ja) 短期知覚重み付けフィルタを使用する合成分析音声コーダに雑音マスキングレベルを適応する方法
KR20020052191A (ko) 음성 분류를 이용한 음성의 가변 비트 속도 켈프 코딩 방법
US5884251A (en) Voice coding and decoding method and device therefor
JPH04270398A (ja) 音声符号化方式
KR100463417B1 (ko) 상관함수의 최대값과 그의 후보값의 비를 이용한 피치검출 방법 및 그 장치
JP2000163096A (ja) 音声符号化方法及び音声符号化装置
KR100499047B1 (ko) 서로 다른 대역폭을 갖는 켈프 방식 코덱들 간의 상호부호화 장치 및 그 방법
KR100550003B1 (ko) 상호부호화기에서 개회로 피치 추정 방법 및 그 장치
EP0713208B1 (en) Pitch lag estimation system
JPH09127987A (ja) 信号符号化方法及び装置
JP2000514207A (ja) 音声合成システム
KR0155798B1 (ko) 음성신호 부호화 및 복호화 방법
KR100554164B1 (ko) 서로 다른 ｃｅｌｐ 방식의 음성 코덱 간의 상호부호화장치 및 그 방법
JP2001142499A (ja) 音声符号化装置ならびに音声復号化装置
JP3192051B2 (ja) 音声符号化装置
Bhaskar et al. Low bit-rate voice compression based on frequency domain interpolative techniques
JP2000305597A (ja) 音声圧縮のコード化
Al-Naimi et al. Improved line spectral frequency estimation through anti-aliasing filtering

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20060307

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20060801