DE69009545T2

DE69009545T2 - Verfahren zur Sprachanalyse und -synthese.

Info

Publication number: DE69009545T2
Application number: DE69009545T
Authority: DE
Inventors: Takashi Aso
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 1989-03-13
Filing date: 1990-03-09
Publication date: 1994-11-03
Anticipated expiration: 2010-03-10
Also published as: US5485543A; EP0388104A2; EP0388104A3; EP0388104B1; DE69009545D1; JPH02239293A; JP2763322B2

Description

ALLGEMEINER STAND DER TECHNIK

Gebiet der Erfindung

Die vorliegende Erfindung betrifft ein Verfahren zur Sprachanalyse und -synthese, nach dem Sprache in Parameter zerlegt und nach dem Sprache aus diesen Parametern wieder zusammengesetzt wird.

Zum Stand der Technik

Ein Verfahren zur Sprachanalyse und -synthese ist schon als Mel-Kepstrum-Verfahren bekannt geworden, beispielsweise aus ICASSP'83-IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING, Boston, 14 bis 16 April 1983, Band 1, Seiten 93 bis 96, IEEE, New York, US; S.IMAI: "Kepstrum analysis synthesis on the mel frequency".
Bei diesem Verfahren wird die Sprachanalyse zur Gewinnung einer Spektralhülleninformation durch Bestimmung einer Spektralhülle nach dem verbesserten Kepstrum-Verfahren durchgeführt und durch Umsetzung desselben in Kepstrum-Koeffizienten auf einer nicht-linearen Frequenzskala, in gleicher Weise wie auf der Mel- Skala. Die Sprachsynthese wird unter Verwendung eines Mellogarithmischen Spektrum-Annäherungs (MLSA)-Filters als Synthetisierfilter durchgeführt, und die Sprache wird durch Eingabe der Kepstrum-Koeffizienten synthetisiert, die bei der Sprachanalyse als Filterkoeffizienten gewonnen wurden.
Auf diesem Gebiet ist auch das Leistungs-Spektralhüllen- (PFE)-Verfahren bekannt.
Bei diesem Verfahren wird bei der Sprachanalyse die Spektralhülle durch Abtastung eines Leistungsspektrums bestimmt, das aus der Sprachkurvenform durch FFT zu Positionen des Vielfachen einer Grundfrequenz gewonnen wird; vergleiche beispielsweise IEEE TRANSACTIONS ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING; Band ASSP- 29, Nr. 4, August 1981, Seiten 786 bis 794, New York, US; D.B.PAUL: "Der Spektralhüllen-Schätzvocoder". Die Spektralhülle wird durch Verbinden der gewonnenen Abtastpunkte mit Kosinus-Polynomen geglättet. Die Sprachsynthese wird durch Bestimmung von nullphasigen Impulsantwort-Kurvenformen aus der auf diese Weise gewonnenen Spektralhülle durchgeführt und durch Überlagerung der Kurvenf ormen mit der Grundperiode (Reziprokwert der Grundfrequenz).
Derartigen herkömmlichen Methoden haften jedoch folgende Nachteile an:
(1) Bei der Bestimmung der Spektralhülle durch das verbesserte Kepstrum-Verfahren nach dem Leistungs-Spektralhüllen-Verfahren neigt die Spektralhülle abhängig von der Beziehung zwischen der Ordnung des Kepstrum-Koeffizienten und der Grundfrequenz der Sprache zum Zittern. Folglich muß die Ordnung des Kepstrum- Koeffizienten entsprechend der Grundfrequenz der Sprache geregelt werden. Auch ist dieses Verfahren nicht in der Lage, schnellen Änderungen des Spektrums zu folgen, wenn ein großer Dynamikbereich zwischen Spitzen und Null-Pegelwert vorliegt. Aus diesen Gründen ist die Sprachanalyse nach dem Mel-Kepstrum-Verfahren für eine genaue Bestimmung der Spektralhülle ungeeignet und gibt Veranlassung zur Verschlechterung der Tonqualität. Auf der anderen Seite ist die Sprachanalyse nach dem PSE-Verfahren nicht mit diesen Nachteilen behaftet, da das Spektrum mit der Grundfreguenz abgetastet wird und da die Hülle durch angenäherte Kurvenformen (Kosinus-Polynome) bestimmt wird, die durch die Abtastpunkte verlaufen.
(2) Jedoch erfordert die Sprachsynthese nach dem PSE-Verfahren durch Überlagerung von nullphasigen Impulsantwort-Kurvenformen einen Pufferspeicher, der die synthetisierte Kurvenform speichert, um die lmpulsantwort-Kurvenformen symmetrisch zur Zeit Null zu überlagern. Da auch die Überlagerung von Impulsantwort-Kurvenformen in der Synthese einer stimmlosen Sprachperiode stattfindet, besteht auch eine unvermeidliche Periode der Überlagerung in dem synthetisierten Klang derartiger stimmloser Sprachabschnitte. Auf diese Weise ist das resultierende Spektrum kein kontinuierliches Spektrum, wie es das des weißen Rauschens ist, sondern es ist ein Linienspektrum, dessen Energie nur bei dem Vielfachen der Überlagerungsfrequenz liegt. Eine derartige Eigenschaft unterscheidet sich vollständig von der tatsächlichen Sprache. Aus diesen Gründen ist die Sprachsynthese nach dem PSE-Verfahren zur Echtzeitverarbeitung ungeeignet, und die Kennlinien der synthetisierten Sprache sind unbefriedigend. Auf der anderen Seite ist die Sprachsynthese nach dem Mel-Kepstrum- Verfahren leicht in Echtzeit zu verarbeiten, beispielsweise mit einem DSP, aufgrund der Verwendung eines Filters (MLSA-Filter), und es kann auch den Nachteil bei dem PSE-Verfahren vermeiden, indem die Klangquelle zwischen einem stimmhaften Sprachabschnitt und einem stimmlosen Sprachabschnitt gewechselt wird, wobei weißes Rauschen als Quelle für den stimmlosen Sprachabschnitt verwendet wird.

ZUSAMMENFASSUNG DER ERFINDUNG

Unter Berücksichtigung des Vorstehenden besteht die Aufgabe der vorliegenden Erfindung darin, ein verbessertes Verfahren zur Sprachanalyse und -Synthese zu schaffen, wie es in den Ansprüchen 1 und 5 angegeben ist, das nicht mit den Nachteilen herkömmlicher Verfahren behaftet ist.
Nach der vorliegenden Erfindung wird die Spektralhüle durch Gewinnung eines Kurzzeit-Leistungsspektrums durch FFT der Sprachkurvendaten eines kurzen Abschnitts bestimmt, durch Abtastung eines Kurzzeit-Leistungsspektrums an Stellen, die dem Vielfachen einer Grundfrequenz entsprechen, und durch Anwendung eines Kosinus- Polynom-Modells auf die gewonnenen Abtastpunkte. Die synthetisierte Sprache wird gewonnen durch Errechnung der Mel-Kepstrum- Koeffizienten aus der Spektralhülle und durch Anwendung der Mel- Kepstrum-Koeffizienten als Filterkoeffizienten für die Synthetisierfilter (MLSA). Ein derartiges Verfahren ermöglicht es, hochqualitative synthetisierte Sprache in besser anwndbarer Weise zu erzielen.

KURZE BESCHREIBUNG DER ZEICHNUNG

Fig. 1 ist ein Blockschaltbild eines Ausführungsbeispiels der vorliegenden Erfindung;
Fig. 2 ist ein Blockschaltbild einer Analyseeinheit, die in Fig. 1 dargestellt ist;
Fig. 3 ist ein Blockschaltbild einer Parameterumwandlungseinheit, die in Fig. 1 dargestellt ist;
Fig. 4 ist ein Blockschaltbild einer in Fig. 1 dargestellten Synthetisiereinheit;
Fig. 5 ist ein Blockschaltbild eines weiteren Ausführungsbeispiels der in Fig. 1 dargestellten Parameterumsetzeinheit und
Fig. 6 ist ein Blockschaltbild eines weiteren Ausführungsbeispiels nach der vorliegenden Erfindung.

BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSBEISPIELE

Erstes Ausführungsbeispiel, das eine Frequenzachsen-Konvertierung bei der Bestimmung der Mel-Kepstrum-Koeffizienten anwendet.

Fig. 1 ist ein Blockschaltbild, das die Merkmale der vorliegenden Erfindung am besten darstellt, in dem eine Analyseeinheit 1 dargestellt ist, die logarithmische Spektralhüllendaten durch Analyse einer Kurzzeit-Sprachkurve analysiert (die Zeit je Einheit wird als Rahmen bezeichnet), die beurteilt, ob die Sprache stirnmhaft oder stimmlos ist und die die Tonlage (Grundfrequenz) ausliest; in dem eine Parameter- Konvertierungseinheit 2 dargestellt ist, die die Hüllendaten in Mel-Kepstrum -Koeffizienten umsetzt, die von der Analysiereinheit 1 erzeugt worden sind, und das eine Synthetisiereinheit 3 darstellt, die eine synthetisierte Sprachkurvenform aus den Mel-Kepstrum- Koeffizienten gewonnenen Koeffizienten in der Parameter- Konvertierungseinheit 2 sowie die stimmhaft/stimmlos-Information und die von der Analysiereinheit 1 gewonnene Tonlageninformation erzeugt.
Fig. 2 zeigt den Aufbau der in Fig. 1 dargestellten Analysiereinheit mit: einer stimmhaft/stimmlos-Entscheidungseinheit 4, die entscheidet, ob die eingegebene Sprache des Rahmens stimmhaft oder stimmlos ist; einer Tönlagen-Ausleseeinheit 5, die die Tonlage (Grundfrequenz) des eintreffenden Rahmens bestimmt; einer Abtasteinheit 7 zur Abtastung des Leistungsspektrums, das in der Leistungsspektrum-Ausleseeinheit 6 mit einer in der Tonlagen Ausleseeinheit gewonnenen Tonlage abtastet; einer Parameter Schätzeinheit 8 zur Koeffizientenbestimmung durch Anwendung eines Kosinus-Polynom-Modells auf einen Zug von Abtastpunkten, der in der Abtasteinheit 7 gewonnen wurde, und mit einer Spektralhüllen- Erzeugungseinheit 9 zur Bestimmung der logarithmischen Spektralhülle aus den in der Parameter-Schätzeinheit 8 gewonnenen Koeffizienten.
Fig, 3 zeigt den Aufbau der in Fig. 1 dargestellten Parameter-Konvertierungseinheit. Vorgesehen sind eine Mel- Annäherungsskala-Bildungseinheit 10 zur Bildung einer angenäherten Frequenzskala zur Umsetzung der Frequenzachse in eine Mel-Skala; eine Frequenzachsen-Konvertierungseinheit 11 zur Konvertierung der Frequenzachse in die Mel-Annäherungsskala; sowie eine Mel-Kepstrum- Konvertierungseinheit 12 zur Erzeugung von Kepstrum-Koeffizienten aus der logarithmischen Spektralhülle.
Fig. 4 zeigt den Aufbau der in Fig. 1 dargestellten Synthetisiereinheit. Vorgesehen sind ein Impuls-Klangquellen- Generator 13 zur Bildung einer Klangquelle für einen stimmhaften Sprachabschnitt; ein Rausch-Klangquellen-Generator 14 zur Bildung einer Klangquelle für einen stimmlosen Sprachabschnitt; eine Klangquellen-Umschalteinheit 15 zur Auswahl der Klangquelle gemäß der stimmhaft/stimmlos-Information aus der stimmhaft/stimmlos- Entscheidungseinheit 4 sowie eine Synthetisier-Filtereinheit 16 zur Bildung einer synthetisierten Sprachkurvenform für die Mel- Kepstrum-Koeffizienten und für die Klangquelle.
Die Funktion des vorliegenden Ausführungsbeispiels wird nachstehend erläutert.
In der folgenden Erläuterung wird von folgenden Sprachdaten ausgegangen:
Abtastfrequenz: 12 kHz
Rahmenlänge: 21,33 msec (256 Datenpunkte)
Rahmenperiode: 10 msec (120 Datenpunkte)
Wenn Sprachdaten einer Rahmenlänge an die Analysiereinheit 1 angelegt werden, entscheidet die stimmhaft/stimmlos- Entscheidungseinheit 4 zuerst, ob der eintreffende Rahmen ein stimmhafter Sprachabschnitt oder ein stimmloser Sprachabschnitt ist.
Die Leistungsspektrum-Ausleseeinheit 5 führt einen Fensterprozess (beispielsweise Blackman-Fenster oder Hunning- Fenster) auf die eingehenden Daten einer Rahmenlänge aus und bestimmt das logarithmische Leistungspektrum durch einen FTT- Prozess. Die Anzahl der Punkte des FFT-Prozesses sollte mit einem relativ großen Wert (beispielsweise 2048 Punkte) ausgewählt werden, da die Auflösungsleistung der Frequenz fein ausgewählt werden sollte, um die Tonlage in dem darauffolgenden Prozess bestimmen zu können.
Wenn der ankommende Rahmen ein stimmhafter Sprachabschnitt ist, liest die Tonlagen-Ausleseeinheit 6 die Tonlage aus. Dieses kann beispielsweise durch Bestimmung des Kepstrum geschehen, indem ein inverser FFT-Prozess des logarithmischen Leistungsspektrums ausgeführt wird, das von der Leistungsspektrum-Ausleseeinheit 5 gewonnen wurde, und indem die Tonlage (Grundfrequenz: fo [Hz]) durch den reziproken Wert der Frequenz (sec) festgestellt wird, die einen Maximalwert des Kepstrum angibt. Da in einem stimmlosen Sprachabschnitt keine Tonlage existiert, wird die Tonlage als ein hinreichend kleiner konstanter Wert (beispielsweise 100 Hz) definiert.
Die Abtasteinheit 7 führt Abtastungen des logarithmischen Leistungsspektrums durch, das in der Leistungsspektrum- Ausleseeinheit 5 gewonnen wurde, mit dem Tonlagenabschnitt (Stellen, die dem Vielfachen der Tonlage entsprechen), der in der Tonlagen-Ausleseeinheit 6 bestimmt wurde, damit ein Zug von Abtastpunkten gewonnen werden kann.
Das Frequenzband zur Bestimmung des Zuges der Abtastpunkte liegt im Falle einer Abtastfrequenz von 12 kHz vorteilhafterweise in einem Bereich von 0 bis 5 kHz; aber es besteht keine Notwendigkeit, sich auf diesen Bereich zu beschränken. Jedoch sollte 1/2 der Abtastfrequenz auf der Grundlage des Abtasttheorems nicht überschreiten. Wenn ein Frequenzband von 5 kHz benötigt wird, können die obere Frequenz F (Hz) des Modells und die Anzahl N von Abtastpunkten durch den Minimalwert von fo x (n-1) definiert werden, der 5000 übersteigt.
Dann bestimmt die Parameter-Schätzeinheit 8 aus dem Abtast- Punktzug Yi (= 0, 1, ... n-1), der in der Abtasteinheit gewonnen wurde, Koeffizienten Ai (i = 0, 1, ..., n-1) des Kosinus-Polynoms von N Ausdrücken:
Jedoch ist der Wert Y&sub0;, der der Wert des logarithmischen Leistungsspektrums bei Nullfrequenz ist, ungefähr Y&sub1;, weil der Wert bei Nullfrequenz im FFT nicht genau ist. Der Wert Ai kann durch Minimierung des mittleren quadratischen Fehlers zwischen den Abtastpunkten YI und Y(λ) gewonnen werden:
Genauer gesagt, werden die Werte durch Lösung N-simultaner Gleichungen erster Ordnung gewonnen, die durch partielles Differenzieren von J nach A&sub0;, A&sub1;, ..., An-1 gewonnen werden und durch Gleich-Null-Setzen der Ergebnisse.
Dann bestimmt die Spektralhüllen-Erzeugungseinheit 9 die logarithmischen Spektralhüllendaten aus A&sub0;, A&sub1;, ..., An-1, die in der Parameter-Schätzeinheit gewonnen wurden, gemäß einer Gleichung
Y(λ) = A&sub0; + A&sub1; cos λ + A&sub2; cos 2λ + ... + AN-1 cos (N-1) λ (3)
Das Vorstehende erläuterte die Erzeugung der Stimmhaft/Stimmlos-Information, der Tonlageninformation und der logarithmischen Spektralhüllendaten in der Analysiereinheit 1.
Dann setzt die Parameter-Konvertierungseinheit 2 die Spektralhüllendaten in Mel-Kepstrum-Koeffizienten um.
Zuerst bildet die Mel-Annäherungsskala-Formiereinheit 10 eine nicht-lineare Frequenzskala, die der Mel-Frequenz-Skala angenähert ist. Die Mel-Skala ist ein psychophysisches Maß, das die Frequenzauflösungsleistung der Hörfähigkeit repräsentiert, und wird angenähert durch die Phasenkennlinie von Allpassfiltern erster Ordnung. Für die Übertragungskennlinie des Filters gilt:
H(z) = (z&supmin;¹ - α)/(1 - αz&supmin;¹) (4)
Die Frequenzkennlinien werden angegeben durch
H(ejX) = exp [jβ(X)] (5)
β(X) = X + 2 tan&supmin;¹ (αsin α/1-αcos X) (6)
wobei X = ωΔt; Δt ist die Einheitsverzögerungszeit des Digitalfilters und ω ist die Kreisfrequenz. Es ist bereits bekannt, daß eine nicht-lineare Frequenzskala X = β(X) gut mit der Mel- Skala übereinstimmt, wenn der Wert a in der Übertragungsfunktion H(z) zufällig im Bereich zwischen 0,35 (bei einer Abtastfrequenz von 10 kHz) und 0,46 (bei einer Abtastfrequenz von 12 kHz) liegt.
Dann konvertiert die Frequenzachsen-Konvertiereinheit 12 die Frequenzachse der logarithmischen Spektralhülle, die von der Analysiereinheit 1 bestimmt wurde, in die Mel-Skala, die in der Mel-Annäherungsskala-Formiereinheit 10 gebildet wurde, um dadurch eine Mel-logarithmische Spektralhülle zu gewinnen. Das gewöhnliche logarithmische Spektrum G&sub1;(X) auf der linearen Skala wird in das Mel-logarithmische Spektrum Gm(X ) gemäß der folgenden Gleichungen konvertiert:
Gm (X ) = G&sub1; [β&supmin;¹(X )] (8)
β&supmin;¹ (X ) = X + 2tan&supmin;¹ [α sin X /(1-α cos X )] (9)
Die Kepstrum-Konvertiereinheit 12 bestimmt die Mel-Kepstrum- Koeffizienten durch eine inverse FFT-Operation der in der Frequenzachsen-Konvertiereinheit gewonnenen Daten der Mellogarithmischen Spektralhülle. Die Ordnungszahl kann theoretisch auf 1/2 der Anzahl der Punkte in dem FFT-Prozess angehoben werden, aber in der Praxis auf einem Bereich von 15 bis 20.
Die Synthetisiereinheit 3 erzeugt die synthetisierten Sprachkurven aus der Stimmhaft/Stimmlos-Information, der Tonlageninformation und den Mel-Kepstrum-Koeffizienten. Zuerst werden Klangquellendaten in dem Rausch-Klangquellengenerator 13 vorbereitet oder in dem Impuls-Klangquellengenerator 14 gemäß der Stimmhaft/Stimmlos-Information. Wenn der eingegebene Rahmen ein stimmhafter Sprachabschnitt ist, erzeugt der Impuls- Klangquellengenerator 14 Impulskurven eines Intervalls der zuvor erwähnten Tonlage als Klangquelle. Die Amplitude der Impulse wird gesteuert von dem Term erster Ordnung der Mel-Kepstrum- Koeffizienten, die die Leistung (Lautheit) der Sprache repräsentieren. Wenn der eintreffende Rahmen ein stimmhafter Sprachabschnitt ist, erzeugt der Geräusch-Klangquellengenerator 13 M-Serien weißen Rauschens als Klangquelle.
Die Klangquellen-Umschalteinheit 14 liefert gemäß der Stimmhaft/Stimmlos-Information der Synthetisier-Filtereinheit entweder den Impulszug, der von dem Impuls-Klangquellengenerator 14 während eines stimmhaften Sprachabschnitts erzeugt wurde, oder das M-Serien weiße Rauschen, das in dem Rausch-Klangquellengenerator 13 während eines stimmlosen Sprachabschnitts erzeugt worden ist.
Die Synthetisier-Filtereinheit 16 synthetisiert die Sprachkurve aus der Klangquelle, die von der Klangquellen- Umschalteinheit 15 geliefert wurde, und die Mel-Kepstrum- Koeffizienten, die von der Parameter-Konvertierungseinheit 2 geliefert wurden, wobei das Mel-logarithmische Spektralannäherungsfilter (MLSA) verwendet wird.

Zweites Ausfuhrungsbeispiel, bei dem eine Gleichung bei der Bestimmung der MEL-Kepstrum-Koeffizienten verwendet wird.

Die vorliegende Erfindung ist nicht auf das vorherige Ausführungsbeispiel beschränkt, sondern ist auch Gegenstand verschiedener Abwandlungen. Als ein Beispiel kann die Parameter- Konvertierungseinheit 2 - anstelle des in Fig. 3 dargestellten Aufbaus - in der in Fig. 5 dargestellten Weise aufgebaut sein.
In Fig. 5 vorgesehen ist eine Kepstrum-Konvertierungseinheit 17 zur Bestimmung der Kepstrum-Koeffizienten aus den Spektralhüllendaten und eine Mel-Kepstrum-Konvertiereinheit zur Konvertierung der Kepstrum-Koeffizienten in die Mel-Kepstrum- Koeffizienten.Die Funktion des o.g. Aufbaus ist die folgende.
Die Kepstrum-Konvertiereinheit 17 bestimmt die Kepstrum- Koeffizienten durch Anwenden eines inversen FFT-Prozesses auf die die von der Analysiereinheit 1 vorbereiteten logarithmischen Spektrum-Hüllendaten.
Dann konvertiert die Mel-Kepstrum-Konvertiereinheit 18 die Kepstrum-Koeffizienten C(m) gemäß folgender Regressionsgleichugen in die Mel-Kepstrum-Koeffizienten Cα(m):
C(-n) + αu0(n-1), k=0
uk(n) = (1 - α²) u0(n-1) + αu&sub1;(n-1), k=1 uk-1(n-1) + α[uk(n-1) - uk-1(n)], k> 1 (10)
n =..., -2, -1, 0
Cα(-n) = (0), m = 0, 1, 2, ... (11)

Drittes Ausführungsbeispiel: Gerat zur Sprachsynthese nach Regeln.

Obwohl die vorgehende Beschreibung sich auf ein Gerät zur Sprachanalyse und -synthese beschränkte, kann das Verfahren der vorliegenden Erfindung auch auf ein Gerät zur Sprachanalyse nach Regeln angewandt werden, wie es durch ein Ausführungsbeispiel in Fig. 6 dargestellt ist.
In Fig. 6 sind dargestellt: eine Einheit 19 zur von Erzeugung Einheits-Sprachdaten (beispielsweise einsilbige Daten) zur Sprachsynthese nach Regeln; eine Analyseeinheit 20, ähnlich der Analyseeinheit 1 in Fig. 1, um die logarithmischen Spektralhüllendaten aus der Sprachkurve zu gewinnen; eine der in Fig. 1 dargestellten Einheit 2 ähnliche Parameter-Konvertiereinheit 21 zur Bildung der Mel-Kepstrum-Koeffizienten aus den logarithmischen Spektrum-Hüllendaten; ein Speicher 22 zur Speicherung des Mel-Kepstrum -Koeffizienten gemäß einem jeden Einheits-Sprachdatum; eine nach Regeln arbeitende Syntheseeinheit 23 zur Erzeugung eines synthetischen Sprache aus den Daten einer Zeile zufälliger Zeichen; eine Zeichenzeilen-Analysiereinheit 24 zur Analyse der eingegebenen Zeile von Zeichen; eine Regel- Erzeugungseinheit 25 zur Erzeugung der Parameter- Verknüpfungsrechenregel, der Tonlageninformation und der Stimmhaft/Stimmlos-Information auf der Grundlage des Ergebnisses der Analyse aus der Zeichenzeilen-Analysiereinheit 24; eine Parameter-Verknüpfungseinheit 26 zur Verknüpfung der Mel-Kepstrum- Koeffizienten, die in dem Speicher 22 gemäß der Parameterverknüpfungs-Rechenregel aus der Regel-Erzeugungseinheit 25 verknüpft werden, um dadurch eine zeitsequentielle Zeile von MEl-Kepstrum-Koeffizienten zu bilden; und eine der in Fig. 1 dargestellten Einheit 3 ähnliche Synthetisiereinheit 27 zur Erzeugung einer synthetisierten Sprache aus der zeitsequentiellen Zeile von Mel-Kepstrum-Koeffizienten, aus Tonlageninformationen und aus Stimmhaft/Stimmlos-Informationen.
Die Arbeitsweise des vorliegenden Ausführungsbeispiels wird nachstehend anhand Fig. 6 beschrieben.
Zuerst bereitet die Sprachdaten-Erzeugungseinheit 19 notwendige Daten zur Sprachsynthese nach Regeln vor. Genauer gesagt, wird die Sprache, die die Einheit der Synthese nach Regeln (z.B. Sprache einer Silbe) darstellt analysiert (Analysiereinheit 20), und ein entsprechender Mel-Kepstrum-Koeffizient wird bestimmt (Parameter-Konvertierungseinheit 21) und in der Speichereinheit 22 gespeichert.
Dann erzeugt die Regelsyntheseeinheit 23 synthetisierte SPrache aus den Daten einer zufälligen Zeile von Zeichen. Die Daten der eintrffenden Zeichenzeile werden in der Zeichenzeilen- Analysiereinheit 24 analysiert und in Informationen einzelner Silben aufgespaltet. Die Regel-Erzeugungseinheit 25 bereitet auf Grundlage der Information, der Parameter-Verknüpfungsregeln, der Tonlageninformation und der Stimmhaft/Stimmlos-Information die Parameter-Verknüpfungsregeln vor. Die Parameter-Verknüpfungseinheit 26 verbindet notwendige Daten (Mel-Kepstrum-Koeffizienten), die im Speicher 22 gespeichert sind, gemäß den Parameter- Verknüpfungsregeln, um dadurch eine zeitsequentielle Zeile von Mel- Kepstrum-Koeffizienten zu bilden. Dann erzeugt die Synthetisiereinheit 27 Regel-synthetisierte Sprache aus der Tonlageninformation, der Stimmhaft/Stimmlos-Information und der zeitsequentiellen Daten der Mel-Kepstrum-Koeffizienten.
Die vorstehenden zwei Ausführungsbeispiele verwenden die Mel- Kepstrum-Koeffizienten als Parameter, jedoch werden die gewonnenen Parameter den Kepstrum-Koeffizienten äquivalent, indem eine Bedingung α = o in den Gleichungen (4), (6), (9) und (10) erfüllt wird. Dies ist leicht zu erreichen durch Löschung der Mel- Annäherungsskalen-Bildungseinheit 10 und der Frequenzsachsen- Konvertierungseinheit 11 im Falle der Fig. 3 oder durch Löschen der Mel-Kepstrum-Konvertierungseinheit 18 im Falle von Fig. 5, und durch Ersetzen der Synthetisier-Filtereinheit 16 in Fig. 4 durch ein logarithmisches Absolutbetrags-Annäherungsfilter (LMA).
Wie vorstehend erläutert, schafft die vorliegende Erfindung den Vorteil, eine Sprache gehobener Qualität zu synthetisieren, indem das logarithmische Leistungspektrum, das von der Sprachkurvenform mit der Grundfrequenz bestimmt ist, abgetastet wird, wobei ein Kosinus-Polynom-Modell auf die so gewonnenen Abtastpunkte angewandt wird, um die Spektralhülle zu bestimmen, die Mel-Kepstrum-Koeffizienten aus der Spektralhülle zu errechnen und um Sprachsynthese mit dem LMSA-Filter zu bewirken, wobei die Mel- Kepstrum-Koeffizienten verwendet werden.

Claims

1. Verfahren zur Sprachanalyse und -synthese mit folgenden Verfahrensschritten: Abtastung eines Kurzzeit-Leistungsspektrums einer eingegebenenen Sprache mit dem Vielfachen einer Grundfrequenz, Anwenden eines Kosinus-Polynom-Modells auf in dieser Weise gewonnene Abtastpunkte, um die gewöhnliche Spektralhülle auf der linearen Frequenzskala zu bestimmen, Errechnung der Koeffizienten der Mel-Abbildung des logarithmischen Leistungsspektrums aus der Spektralhülle und Bewirken der Sprachsynthese unter Verwendung der Koeffizienten des logarithmischen Leistungsspektrums als die Filterkoeffizienten eines Mel-logarithmischen Spektrum- Näherungsfilters.

2. Verfahren nach Anspruch 1, bei dem die Koeffizienten der Mel-Abbildung des logarithmischen Leistungsspektrums durch Konvertierung der Frequenzachsen der Spektralhülle in eine Mel- angenäherte Skala errechnet werden und durch Anwenden einer inversen schnellen Fourier-Transformations- (FFT)-Operation auf die Mel-logarithmische Spektralhülle.

3. Verfahren nach Anspruch 1, bei dem die Koeffizienten der Mel-Abbildung des logarithmischen Leistungsspektrums durch Anwenden eines inversen schnellen Fourier-Transformations (FFT)- Prozesses auf die Mel-logarithmische Spektralhülle errechnet werden und durch Anwenden von Regressionsgleichungen auf die Koeffizienten der Abbildung des logarithmischen Leistungsspektrums.

4. Verfahren nach Anspruch 3, bei dem die Regressionsgleichungen die folgenden Gleichungen enthalten:

n =..., -2, -1, 0

Cα(-n) = um(0, m = 0, 1, 2, ...

5. Verfahren zur Sprachanalyse und -synthese und Gerät zur Durchführung des Verfahrens, bei dem die Spektralhülle der Sprache durch Abtastung eines Leistungsspektrums und durch Legen einer Kurve durch die Abtastpunkte bestimmt wird, wobei die Koeffizienten der Abbildung des logarithmischen Leistungsspektrums aus der Kurve errechnet werden, die die gewöhnliche Spektralhülle auf der linearen Frequenzskala repräsentiert, und wobei die Sprache unter Verwendung der errechneten Koeffizienten der Abbildung des logarithmischen Leistungsspektrums synthetisiert wird.