JPS58154000A - 音声合成方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 本発明は音声合成方式に係り、特に高品質の音声を比較
的少ない情報量から合成するのに好適な分析合成方式、
なかでもスペクトル符号化方式とくにＰＡＲＣＯＲ方式
の改良に関する。

従来の音声合成方式、とくにその主流をなすスペクトル
符号化方式（板倉文忠ニスベクトル符号化に基づく音声
分析合成１日本音響学会誌、３７巻５号、１９７〜２０
３）においては、音源の生成とスペクトルの形成を分離
して扱い、音源をパ胤 ルスと離音で近似しているため、情報圧縮率は１０　ｋ
　ｂｉｔ／ｓｅｃ以下と高いが、音質の劣化をともない
、実用上その教養が強く望まれてきた。

現在音声合成という名称のもとに呼ばれているものは、
厳密に框、分析合成法と呼ばれるべきものであり、第１
図（Ｊｌ）に示すように合成に先立って人間の原音声波
形が入力熾子１０に与えられており、それをＡ／Ｄ変換
部１１でディジタル信号に変換してから点線でかこまれ
た音声分析装置におけるスペクトル分析部１２と音源分
析部１３で分析して情報を圧縮し、その圧縮された情報
（スペクトルの形成に必要な情報と音源の近似生成に必
要な情報）をメモリ１４に記憶（または伝送してもよい
）シ、それから音声合成装置１５において分析の逆操作
によって音声波形を出力熾子１６に再生復元するもので
ある。いま音声の生成過程を、音源波形ｇ（ｔ）によっ
て励振されたスペクトル形成系（−門から唇までの空間
（声道と呼ぶ）で形成される音響的な管、そのイノパル
ス応答１ｈ（１）とする）の出力と考えると、音声波形
ｓ　（ｊ）は次のように与えられる。

ｓ　（ｔ）＝ｇ（ｔ）ｏｈ（ｔ） ここで、優ニいわゆる畳みこみ積分操作（ｃｏｎｖｏｌ
ｕｔｉｏｎ　）をあられす。

これをフーリエ変換してスペクトルの次元であられせば
。

８（ω）＝Ｇ（ω］・Ｈ（ω） となる。ここで８（ω）、Ｇ（ω）、Ｈ（ω）はそれぞ
れ５（ｔ）、ｇ（ｔ）およびｈ（ｔ）のフーリエ変換ス
ペクトルである。。

スペクトル符号化方式では、各種の処理によって、との
Ｈ（ω）を分析近似して抽出する。その結果を貧（ω）
とするとき、一般に介（ω）扛Ｈ（ω）の良い近似とに
なっているが完全に等しくはない。そこで、Ｈ（ω）の
逆特性をＨ（ω）−１であられせば、 ＝Ｇ（ω）−Ｈ（ω）・Ｈ（ω）−１ とあられされ、Ｇ（ω）に対応する波形ｇ（ｔ）＝Ｆ−
’ＣＧ（ω）〕を残差波形と呼ぶ。

は、 ＝Ｇ（ω）・Ｈ（ω） となり％　　５（ｔ）は５（ｔ）に等しくなる。

このことは、残差波形ｇ（ｔ）を入力とすれば、スペク
トル符号化系Ｈ（ω）によって完全に分析音声波形を再
生することができ、音質の劣化はないことを示している
。

るのでは、Ｇ（ω）またはｇ（ｔ）の複雑さによって結
果的に情報圧縮にならず、分析合成系とする意味がない
。

そこで、たとえば↑（１）を平滑化し、サンプリング周
波数を采げて情報圧縮する方法（伊藤。

斉藤：合成音における駆動音源信号の符号化について１
日本音響学会研究発表講−輪文、１−２−９、昭和５５
年５月）や、各種の近似処理をほどこして情報圧縮をす
る方法（４Ｉ公昭５５−３６１５５号および特公昭５５
−３６１５６号公報参照）が提案されているが近似が不
適切て情報圧縮率が低いわりに音質の改善効果が顕著で
なく、実用化されていない。

一方典形的な母音区間からの代表的な１ピッチ分の残差
波形を（固足）音源波形として利用する改善策も提案さ
れている（入路他；ワンチップ音声合ａＬ　Ｓ　Ｉ　、
　信学技報Ｖｏｌ、　８１．４２３６゜ＥＡ８Ｇ−６８
年１月）。たとえばＰＡＲＣＯＲ方式における残差波形
の一例を第１図中）に示す。第１図（ｂ）におけるマは
時間の切れ目、すなわち、フレーム番号のはじまりの時
点を示す。この図から見られるように残差波形は決して
一個の代表的な残差波形ですべて近似できるというほど
簡単なものではない。

このように従来の残差波形利用方式には、情報を多用し
ている割に音質改善が顕著でなく、または情報圧縮は十
分されているが簡単化しすぎて音質改善効果が少ないと
いう欠点かあつ友。

本発明の目的は、残差波形の情報を有効に圧縮利用する
高品質分析合成方式を提供することにある。

この目的を達成するための本発明の基本的な考え方は以
下のようである。

（１）　　音源とくに有声音部の音源として残差波形を
利用して音声合成をおこなう。

（２）　　残差波形はフレーム毎に抽出する。フレーム
毎の代表または平均化残差波形（ｌピッチ周期分残差波
形）を求め、これを利用する一方式！ （３）上記ｌピッチ周期分残差波形から、その主要部分
（−幅の大きな部分）のみを数サンプル−十数サンプル
にわたって抽出し、それをそのｌフレー＾内の音源波形
として使用する。

一方式Ｉ （４）　　特に残差波形の抽出に当って、分析の結果を
低ビットに符号化し友結果の逆フイルタ回路（実際にそ
のフレームの合成に使われる合成回路の逆回路）を用い
て、より整合度（復元能力）の高い残差波形を作成して
用いる。

つぎに、第１図（畠）の音源分析部１３において残差波
形を抽出する公知の方法について説明する。

１）分析すべき音声波形１フレーム（通常２０〜３０ミ
リ秒）分のデータを公知の手法にしたがって線形予測分
析または偏自己相関係数する。

鰺）抽出され丸線形予測係数または偏自己相関係数を所
定のフォーマットに従って低ビツト量子化を行う。この
場合、量子化歪によるスペクトル歪を軽減するため、）
適切な非線形変換もしくは存在領域の限定を行って符号
化することもまた公知である（北脇他； ＰＡＲＣＯＲ係数の非線形量子化と不均一標本化による
音声の能率的符号化、信学会論文誌Ｊ６１−Ａ、Ａ６，
５４３．昭和５３年６月）ｍ　＞童子化結果から、合成
時に使用するのと同じ変換表の索表によって、各係数ｔ
−高精度の復号値に変換する。

ＩＶ）第２図に示す逆フイルタ回路によって、（ｉｌで
求めた復号値（第２図でにに、〜ｋｓｏ）を使って残差
波形２２を生成する。第２図における各段は１サンプル
期間の遅延時間を有する遅延回路２１０と、２個の掛算
器２１１および２１２と、２個の加算器２１３および２
１４と、からなる。

以上の手順のフローチャニドを第３図に示す。これに続
いて、上記音源分析部１３において複素ケプストラム分
析によるフレーム内平均残差渡形を作成する公知の手順
を述べる。

これは一般的にホモモ″：λフィックアナリシス（Ｈｏ
ｍｏｍｏｒｆｈｉｃ　　Ａｎａｌｙｓｉｓ　）と呼ばれ
る公知の手法の適用であるｅ　　（Ｏｐｐｅｎｈｅｉｍ
Ａ、Ｖ、ａｎｄ　８ｃｈａｆｅｒ　　Ｒ，Ｗ＊　ｔＨｏ
ｍｏｍｏｒｐｈｉｃ　　ａｎａｌｙｓｉｓ　　ｏｆ　　
５ｐｅｅｃｈ。

ＩＥＥＥ　　Ｔｒａｎｓ　　ＡＵ−１６，ｐ２２１．Ｊ
ｕｎｅ１９６８） ■）残差波形のフーリエ変換によって残差スペ− クトルＲ（６）　）　を求める。Ｒ（ω）　＝　ＩＲ（
ω）ＩｅＶｌ）Ｒ（ω）の複素対数をとることによって
。

残差の複本対数スペクトルを求める。

ｌｏｇ（：Ｒ（ω））＝ｔ６ｇｌＲ（ω）Ｉ＋ｊ＃←）
Ｖｉｉ）上記複素対数スペクトルの逆フーリエ変換をと
ることによって、複素残差ケプストラムｒ（りを求める
。　　ｒＦ）＝Ｆ−’（ｔｏｇＲｔａ＋））ｖｍ　＞複
索残差ケプストラムｒ（り上の調波構造からピッチ周期
Ｔ＝ｒ、を求める。これはケプストラムによるピッチ抽
出法として公知である（　Ｎｏ１ｌ　Ａ、　Ｍ、富Ｃｅ
ｐｓｔｒｕｍ　ｐｉｔｃｈｄｅｔｅｒｍｉｎａｔｉｏｎ
、　Ｊ、　Ａｃｏｕｓｔｉｃ、　ｆ３ｏｃ。

Ａｍ、　Ｖｏｌ　４１．　Ｉ）Ｉ）２９３〜３０９．　
Ｆｅ　ｆ　、　Ｈ６７）。

ｉＸ）上記１１′ｊＩＡケプヌトラム上で、ケフレンシ
ーｙ＝ｌｌｌ、以下の低ケフレンシー成分子（、（りを
低減りフタ−によって分離する。

ｒｅ（すｚｒ（リ　　　０くτ〈Ｔ ｒｅ（す；ＺＯ’＞Ｔ ×）１［素ケプヌトラムの低ケフレンシー成分子ｏ（り
から、そのフーリエ変換によって、平均残差波形の対数
スペクトルｌｏｇ（Ｒ，←）〕を求める。ｚｏｇ［：Ｒ
ｅ−）］　＝　Ｆ　（ｒｅ（Ｔ）　）×１）上記対数ス
ペクトルから、その指数管とってさらに逆フーリエ変換
することによって、平均残差波形　ｒｅ（ｔ）を求める
。

ｒ、　（ｔ）＝　Ｆ　［ｅｘｐ（ｚｏｇ（＆り）　）　
）＝　Ｆ’−１［Ｒｎ！’）） 以上の手順のフローチャートを第４図に示す。

この考え方の基本は、有声音部における残差波形（第１
図（ｂ）参照）は、第５図に示すように、ピッチ周期と
等しい周期Ｔをもつ九パルス列ｐ　ｖ　（ｔ）に対する
残差生成系Ｇ、の出力であると考える点にある。いま、
Ｇ、のインパルスレスポンスをｇｏ（ｉ）とすれば、残
差波形ｒ　（ｔ）は、ｒ（ｔ）＝　ｐｙ（ｔ）１１１ｇ
ｏ　（ｔ）とあられされる。いまそれぞれのスペクトル
をＲに）、Ｐｔ−−Ｇｅ　ｔｉｅ）とすれは、上式のフ
ーリエ変換をとることによって Ｒ（ｆｌｌ）＝Ｐｔ←）・Ｇ・に） となり１畳み込み演算（醤）は単純な積演算（りにおき
かえられる。さらにその対数をとることによって、ｌｏ
ｇ（Ｒ←））　＝　１ｏｔｔ　［”Ｐｔ（ロ））　＋　
ｔｏｙ　（Ｇｏ　ＩＰ）　）と線形な１畳に分解される
。しかしこのままでは右辺の２項はωについての存在域
が重なシ合っており、簡単に分離することにできない。

そこで、さらにその逆７−リエ変換をとることによって
複素ケプストラムに変換する。

ｇ（す＝Ｐ″亀　（ｔｏｇ［Ｒ■〕〕 ”　Ｆ−”　（１０１１（Ｐｔ　ＩＰ）））　）　＋　
Ｆ″’（ｔｏｇ（Ｇ、←Ｄ〕＝　ｐ！（す＋ｇｏ（り ここで、Ｐｔ−は周期Ｔ＝２π／ω。を基本周期！ｉる
高調波線スペクトル列毎あり、その複素ケプストラム似
、ケアレンジ−ｒ＝’ｆｔ基本周期とするくりかえし波
形となる。一方、ｇｏ（りはｇｏ（１）がピッチ周期Ｔ
以内に減衰する波形であること（低次元の零回路を主と
することから妥当な仮定といえる）を考えると、その主
成分がケフレンシーｒ、＝’ｌ’以下の低域に存在する
と考えられるから、Ｔ・＝Ｔを境とする低域リフターに
よってその主要部分を分離抽出することができる。

したがって、ｒ　ｏ　（’）：　ｇ　ｅ　（す、ｏくｒ
＜’ｒであり、ｒｅ（りは、ｇｏ　（ｔ）のよい近似と
なっている。

代表的な残差波形と、上記公知の手順によって求められ
た途中処理結果を第６図に示し、求められた平均残差波
形の例を第７図に示す。

第６図において、（姉はＴ′１にピッチ周期とする１フ
レ一ム分（３０ｍｓａｏ）の残差波形を示し、　（ｂ）
ｔ！複素対数残差スペクトル波形を示し、（Ｃ）は複素
残差ケプストラム波形を示し、　（ｄ）Ｕ（Ｃ）の絶対
値波形を示す。（Ｔｏはピッチ周期）また、第７図にお
いて、（−に残差波形を示し、　（ｂ）は（ａ）から抽
出され１．、・：″。

たフレーム内平均残差渡形を示す。

また、第７図（Ｊｌに示す残差波形の１フレ一ム分から
、残差波形の絶対値の最大値を求め、その点から１ピッ
チ周期分、もしくはあらかじめ定めたサンプル数（数サ
ンプル−十数サンプル）をとり出して、そのフレーム内
の代表残差波形としてもよい。

その手順を第８図に、切り出された代表残差波形の例を
纂９図に示す。

本発明においては、上記のようにして抽出された平均も
しくは代表残差波形は１ピッチ周期の有声音源波形に対
応するから、このフレーム区間では、そのピッチ周期に
対応してこの平均残差音源波形をメモリに格納したうえ
これをくりかえし使用して合成をおこなう。

いま、平均ピッチ周期を８ミリ秒（１２５Ｈｇ＝男声）
〜４ズリ秒（２５０１１：女声）とすれば、８ＫＨ！サ
ンプリングでのサンプル数は、８Ｘ１０”／１２５〜８
Ｘ１０”／２５０　＝６４〜３２となＬ　　ｔサンプル
を８ビツトであられすとして、５１２ｂｉｔ〜２５６　
ｂｉｔとなる。したがって１秒間では、フレーム周期を
２０ミリ秒として、５１２Ｘ１Ｇ”／２０ピッ）＝２＆
６〜２５６　Ｘ　１０”７２０ビツト＝１１８ｋｂ量ｔ
／寥となる。これが前記の方式Ｉである。このままでは
なお情報量が多すぎるのでさらに低減することを考える
。

残差波形は第７図（ａ）上にみられるように、その振幅
の大きい主１部分はほとんど最初の数サンプルーす士サ
ンプル以内に集中しているので、たとえば最初のサンプ
ル点から８〜１６サンプルまでをとることにすれば、（
８×８〜８Ｘ１６）Ｘ１０”／２０　！　３．２〜６．
４　ｋｂｉｔ　／ｓｅｃトなる。コレに従来通りの低ビ
ツト符号化特徴パラメータ２４ｋｂｉｔ／ａｅｃ１２加
え、＆６〜＆８ｋｂｉｔ／ｓｅａ　、あるいはリピート
・ビットを使用してパラメータの分を１．２ｋｂｉｔ／
謝にしたとして４．４〜７．６ｋｂｉｔ／１Ｉａｃトナ
リ、従来の高品質用９．６ｋｂｉｔ／ｓｅｃと同じもし
くはそれ以下の情報量となり、メモリ量が低減される。

また平均もしくは代表残差音源波形の直流成分をＯとす
るため、その波形を原点に関して点対称に反転して使用
することも考えられるが、実効メモリ量はかわらない。

以下１本発明を実施例により詳細に説明する。

第１０図は本発明の方法を用いた音声合成装置のブロッ
ク図である。合成出力すべき内容を指示する情報１０１
が、装置全体の制御部１ｏ２（たとえばマイクロプロセ
ッサで構成される）にキーーード（図示せず）などによ
って入力されると、制御部１０２はその内容に応じて、
索表にょシ、音声合成用制御情報メモリ１０３（たとえ
ばＲＯＭで構成される）の必要アドレスを決定し、その
情報にもとづいて、メモリ１０３の中の必要部分に読み
出しの起動をかける。この起動によってメモリ１０３内
の必要情報がフレー五単位でよみ出され、メモリ１０３
の内部に設けられたインターフェース１０４をへて音声
合成部１０５（たとえば音声合成ＬＳＩ内のディジタル
フィルタ部）および音源メモリ部１０６（たとえば音声
合成ＬＳＩ内の音源波形用ＲＡＭ）にセットされ、公知
のように音声合成を行い（佐藤他：ＰＡ’Ｂ、ＣＯＲ形
音＊＊ｇａｔ。ＬＳ　Ｉ（？、、　（ｌ＄！１ｉｌｉｌ
ｉ’８Ｄ７９−１２２．１９８０　年３月）出力スピー
カ１０７より合成音−が得られる。

要するに１本発明の主眼はフレー五単位に、ｌピッチ分
の平均もしくは代表残差波形を音源として音声合成を行
うことにあり、そのために、第１０図におけるメモリ１
０３の内部に、１フレ一ム単位の情報が、たとえば第１
１図（１４に示すように記憶されている。ここでＡは音
源強度（Ａ＝０は無音）、Ｔはピッチ周期（Ｔ＝０は無
声音）を、ｋ、〜に、。は、たとえば１０次までの偏自
己相関係数をあられす。

ここまでは従来の、たとえばＰＡＲＣＯＲ形音声合成の
場合の制御情報となんら異るところはない。

本発明の方式ではこれらに続いて平均残差波形のサンプ
ル値ｇ・からｇｓまてが記憶されており、その大きさは
第１１図（呻で示すような本ので、工詳しくいえば、Ａ
＼０で！＝００場５合には無声音であるから、とのｇ、
〜ｇ１は記憶されておらず、音源メモ！７１０６の内容
は音声合成Ｌ８　ＩＫ内蔵されているＭ系列発生器の符
号ビットでおきかえられる。

この場合は、従来の合成方式となんら変るものではない
。

以下、この１フレ一五単位の制御情報が終るまでＳ７レ
一五周期毎に上記メモリ１０３から制御情報が時系列的
によみ出され、合成が継続される。

以上のべたごとく、本発明によれば、従来パルスでおき
かえられていた有声音源波形を、より近位置の高いフレ
ーム内平均、もしくは代ｌｉ！残差波形ｔおきかえ、し
かもその残差波形の主要部分のみをメモリに格納して効
果的に使うことによって、従来の高品質用９．６ｋｂロ
／１６０と大差ない（それより少ない）情報量で、波形
的に、シ友がってスペクトル的にも歪の少ない音声波形
を合成することができ、その効果は大きい。

合成音の試聴結果から、明瞭性はもちろんであるが、自
然性や個人性上の改善が顕著であることが確認された。

【図面の簡単な説明】

第１図（荀は音声分析合成装置のシステム構成図、第１
図（ｂ）は残差波形の一例、第２図は残差波形を求める
だめの逆フィルタの構成ブロック図、第３図は残差波形
生成手順のフローチャート、第４図は平均残差波形生成
手順のフローチャート、第５図は残差波形生成の考え方
の説明図、第６図は残差波形抽出過程の途中結果を示す
図、第７図に代表的残差波形と抽出された平均残差波形
の一例を示す図、第８図はフレーム毎代表残差波形の抽
出手順のフローチャート、第９回灯代表残差渡形の一例
を示す図、第１０図は本発明の方式管用いた音声合成装
置のブロック図、第１１図（ａ）Ｈ第１θ図におけるメ
モリ１０３内のデータ配列例を示す図、第１１図（ｂ）
Ｈ平均化残差波形の一例を示す図である。

Claims (1)

【特許請求の範囲】
1. １、音源の生成処理と該音源によるスペクトル形成処理
   とを分離して実行する音声合成方式において、合成のフ
   レーム毎に合成時のスペクトル形成処理とは逆のフィル
   タリング処理により残差波形を生成し、該残差波形から
   フレーム別平均残差波形または代表残差波形を抽出し、
   該平均残差波形の１ピッチ周期分または該代表残差波形
   の高振幅部分を分析抽出し九結果をメモリに誓きこみ、
   合成時のフレーム毎に上記結果をメモリより読み出し音
   源の基本ユニット波形とし、該基本ユニット波形の蚕幅
   と絢期を所定値になるよう制御することにより合成音を
   生成することを特徴とする音声合成方式。