JP2844672B2 - 声帯声道型音声分析装置 - Google Patents

Description

【発明の詳細な説明】 （産業上の利用分野） 本発明は、声帯声道型音声分析装置に関し、特に音声
の声帯音源波と声道の特性を同時に分析する音声分析装
置に関する。

（従来の技術） 音声合成や音声認識のための音声信号の代表的分析方
法としては３つの方法がある。第１の従来方法は、線形
予測法（LPC法）や、ARMA分析によるもので、音声信号
は、線形フィルタに有声音ならばインパルス列、無声音
ならば白色雑音が入力されたときの応答として生成され
るというモデルに基づいて、その線形フィルタの係数を
求める方法である。線形フィルタの構成法に応じたこの
方法の様々な変形として、α（アルファ）パラメータ
（AR関数と呼ばれることもある）、PARCOR（パーコー
ル：偏自己相関）係数、ARMA（エイアールエムエイまた
はアルマ）係数などと呼ばれる係数を求める方法が知ら
れている。これらは、ジェイ．ディー．マーケルとエ
イ．エイチ．グレイ（J.D.Markel and A.H.Gray）の著
書「音声の線形予測（鈴木訳）」（LINEAR Prediction
of Speech）に詳細に説明されている。

第２の従来方法として、ピー．ヘデエリン（P.Hedeli
n）によって、インターナショナル・カンファレンス・
オン・アコースティックス・スピーチ・シグナル・プロ
セッシング（International Conference on Acoustics
Speech Signal Processing音響音声信号処理国際会
議）'86において、論文集の465ページから468ページ
に、ハイ・クオリティ・グロッタル・LPC−ボコーディ
ング（High Quality Glottal LPC−Vocoding:高品質声
帯LPC音声符号化）と題して発表されたものがある。

これは第３図に示すように、有声音のときに、インパ
ルス列ではなく声帯音源101から生成される声帯音源が
線形フィルタ102に入力されるという音声の生成モデル
に基づいている。そして、このモデルによって生成され
た音声と実際の自然音声（信号線103から入力される）
の二乗誤差（104で算出される）が最小になるように最
適化して、音源波形のパラメータならびにAR係数を求め
るものである。

また、第３の従来例として、更にこれを改良したもの
が、'88年の同会議において、ヘデリン（Hedelin）によ
って、論文集の339ページから342ページに、フェーズ・
コンペンセイション・イン・オールポール・スピーチ・
アナリシス（Phase Compensation in All−Pole Speech
Analysis:全極形音声分析における位相補正）と題して
発表された論文に開示されている。

これは、予め様々な波形に対応する有限個の符号を用
意しておき、声帯波に対してはその中の最適なものを選
び出し分析するものである。即ち、有限個の音源波形を
用意して、それに番号付けをしておく。分析は、まず音
源としてある符号（番号）の波形を選んで音声を合成し
て実際の音声との誤差を求める。これを異なる符号の波
形について繰り返し、誤差が最も少なかったときの符号
の波形を推定された声帯音源波形とするのである。

（発明が解決しようとする課題） 上述第１の従来方法によれば、少ない演算量で音声の
分析ができる。しかし、音声合成などに適用すると、有
声音の場合はあまり良好な音質の合成音は得られない。
これは、音源として前記のようにインパルス列を仮定し
ていることに問題があると考えられる。生理学的な研究
結果によれば、声帯振動は非常に複雑で、簡単なインパ
ルスなどでは近似できないことが明らかになってきてい
る。このことは、分析されたαパラメータやARMA係数な
どが表している特性は、声道の特性ではなく、声帯音源
と声道の両方の特性を含んでいることを意味している。

インパルス列が実際の音源の良好な近似ではなく、分
析結果が声道の特性を表しているのではないということ
は、音声通信を目的とした符号化においては必ずしも致
命的な欠陥とはならず、パルスの数を増やすなどして音
質を改善することもある程度は可能である。しかし、文
字列から規則にしたがって音声を合成する任意語の音声
合成においては、ピッチなどの音源パラメータと、声道
のパラメータを独立に制御する必要があるため、実際の
音声の生成過程により近い音声合成モデルが望まれる。
また、符号化においてもより正確なモデルに基づいて分
析した方が効率や音響が向上される。

この点を実際の音声の生成に近づけたものが上記第２
と第３の従来方法である。即ち、有声の音源としては、
実際の声帯の振動をスコープなどを用いて観測した結果
を参考にして波形をモデル化したものを使っている。こ
れら従来方法によれば、有声音の自然さや符号化効率を
向上することができる。

しかし、これらの第２第３の従来方法は、誤差を繰り
返し評価しながら係数の最適化を図るため、分析に膨大
な演算が必要であり、価格や装置規模の観点から実現か
困難であるという問題があった。これは第１の従来方法
と同一の構成である線形フィルタの部分の係数でさえ
も、従来の線形予測法などの分析法が応用できなかっ
た。しかも、声帯波の時間軸上の位置まで合わせなけれ
ばならない。通常は分析フレームの時間長は最低でもピ
ッチの三倍程度に設定するので、その間にある複数個の
声帯パルスの位置をそれぞれに決定する必要があり、さ
らに分析を複雑にしていた。

本発明の目的は、上記第２第３の従来方法のように、
声帯音源の波形モデルに基づいた分析でありながらそれ
より少ない演算量で実現できる声帯声道型音声分析装置
を提供することにある。

（課題を解決するための手段） 前記課題を解決するため本発明における第１の発明に
よる声帯声道型音声分析装置は、入力音声信号を一時記
憶する入力バッファと、声帯音源波の持つ周波数特性の
逆特性を持つFIRフィルタと、様々な声帯音源波のもつ
周波数特性の逆特性をもつ前記FIRフィルタの係数を生
成する係数生成手段と、前記FIRフィルタの出力信号の
スペクトルを分析するスペクトル分析手段と、前記スペ
クトル分析手段で順次得られる分析誤差を互いに比較す
る誤差比較手段と、前記様々な声帯音源波の候補に対す
る前記FIRフィルタの係数をもつ前記FIRフィルタに前記
入力音声信号入力させたとき前記誤差比較手段で得られ
た分析誤差が最小になったときの前記声帯音源波の候補
を声帯音源波の分析結果とし、そのときの前記スペクト
ル分析の結果を声道特性の分析結果として出力するよう
制御する制御手段とを備える。

また、本発明における第２の発明による声帯声道型音
声分析装置において、入力音声信号を一時記憶する入力
バッファと、前記バッファ出力を入力とするIIRフィル
タと、様々な声帯音源波の持つ周波数特性の逆特性の最
小位相成分の特性を持つIIRフィルタの第１の係数と声
帯音源波の持つ周波数特性の逆特性の最大位相成分を逆
位相化した特性を持つIIRフィルタの第２の係数を生成
する係数生成手段と、前記IIRフィルタの出力を一時記
憶し、時間軸を反転して前記IIRフィルタに出力する時
間軸反転バッファと、前記IIRフィルタの出力信号のス
ペクトルを分析するスペクトル分析手段と、前記スペク
トル分析手段で順次得られる分析誤差を互いに比較する
誤差比較手段と、前記様々な音声音源波の候補に対し
て、入力音信号を前記第１の係数をもつ前記IIRフィル
タでフィルタリングさせた信号を前記時間軸反転バッフ
ァで時間軸を反転させ、次に前記時間軸を反転した信号
を再び前記第２の係数をもつ前記IIRフィルタでフィル
タリングさせた信号を時間軸反転バッファで再び時間軸
を反転させ、その信号を前記スペクトル分析手段で分析
したときの分析誤差を互いに比較し、分析誤差が最小に
なったときの前記声帯音源波の候補を声帯音源波の分析
結果とし、そのときの前記スペクトル分析の結果を声道
特性の分析結果として出力するよう制御する制御手段と
を備える。

（作用） 第１の本発明では、まず声帯音源波の持つ周波数特性
の逆特性を持つフィルタをFIRフィルタで実現する。こ
こに、逆特性というのは振幅特性が逆数の関係で、位相
特性が正負の符号を反転したものである。この逆特性の
FIRフィルタの係数は、もとの声帯波のフーリエ変換を
求め振幅の逆数と位相の符号を反転したものを求め逆フ
ーリエ変換することで求まる。前記第３の従来例のよう
に、声帯波を符号化したものの中から最適なものを選択
する方法では、この逆特性のFIRフィルタの係数も予め
各符号の声帯波について求めておけば良いので、分析の
際の演算量が増加することはない。

さて、もしこの逆特性のフィルタの特性が、真に声帯
波の特性の逆であったならば、この声帯波の逆特性のフ
ィルタを通した信号のスペクトルは、声帯波の持つ特性
がキャンセルされて、声道だけの特性を表していること
になる。従って、第１の従来例の線形予測法などを用い
て分析すれば、声道の特性が推定できる。しかし、真の
声帯波の特性を予め知ることはできないので、一度の計
算で正しく分析できるわけではない。そのため、様々な
声帯波を仮定して分析を繰り返し、誤差が最小になった
ものを最適な分析結果とする。

また、第２の発明では、声帯音源波の持つ周波数特性
の逆特性を持つ逆フィルタをIIRフィルタで実現するも
のである。しかし、声帯波の位相特性は最小位相では表
せないため、その逆フィルタをIIRフィルタで実現しよ
うとすると、極を単位円の外側に設定させる必要がある
ため、不安定な回路となってしまう。即ち、単純に第１
の発明のFIRフィルタをIIRフィルタで置き換えることは
できない。そこで、単位円の外部の極の特性を、時間軸
を反転させてフィルタリングを行なうことで実現させ
る。

そのために、IIRフィルタの出力を一時記憶し、時間
軸を反転して出力する時間軸反転バッファを設ける。そ
して、まず最小位相成分、即ち単位円の内部の極零に相
当する係数によりIIRフィルタでフィルタリングし、そ
の出力を時間軸反転バッファで時間軸反転する。その時
間軸反転された信号を、最大位相成分を逆位相化した特
性、即ち単位円の外部の極零を逆数で置き換えて単位円
の内部に写像した極零に相当する係数により再びフィル
タリングし、さらに再度時間軸を反転し通常の時間軸に
戻す。この時間軸を反転してフィルタリングする処理は
無限に続く信号では実現できないが、本発明では入力さ
れた音声信号を有限の軸間長の分析フレーム毎に区切っ
て処理するため実現できる。以後は前記第１の発明と同
様である。

これらの発明では、音源波の位置を推定する必要がな
い上、声道特性の推定には第１の従来例などの高速な分
析法を利用してαパラメータなどの値として得られる。
このようにして、声帯と声道の特性を表すパラメータの
値が得られる。様々な音源波について誤差の評価を繰り
返し探索するのは前記第２と第３の従来例と同様である
が、各繰り返し毎の演算量は少ない。

なお、この結果得られたαパラメータなどのもつ特性
は、第１の従来例の場合のように、声帯の特性を含まず
声道の特性を良好に近似しているものと考える。従っ
て、この特性の逆特性を実現し、元の音声信号をフィル
タリングすれば（これは逆フィルタリングと呼ばれる方
法である）、時間の関数としての声帯音源波が得られ
る。これは単に声帯波の形状だけではなく時間軸上の位
置情報も得られることを意味している。前記第２と第３
の従来例のように初めに位置も同時に推定しなければな
らないのとは異なり、分析が終了してから逆フィルタリ
ングすれば位置情報も含んだ音源波形の推定が容易にで
きる。

（実施例） 次に本発明の第１の実施例を図面を参照しながら説明
する。

第１図は本発明の第１の発明の一実施例を示すブロッ
ク図である。

入力バッファ２は、信号線９から入力された音声信号
を一時記憶し、制御回路１からの制御信号にしたがって
一分析フレーム分の音声信号をFIRフィルタ８におくる
ものである。

声帯波候補設定回路６は、声帯波の候補の符号を発生
し、FIR係数メモリ７と分析結果バッファ４に送る。符
号の発生方法としては、全部の符号に付いて総当たりで
最適符号を探索する場合は順に発生させれば良く、予め
木構造の符号に設定されているならば、MSBから順に１
または０を設定させれば良い。

FIR係数メモリ７には、様々な声帯音源波の持つ周波
数特性の逆特性を持つFIRフィルタの係数値が予め記憶
されていて、声帯波候補設定回路６から声帯波の候補の
符号が送られると、対応するFIRフィルタの係数値をFIR
フィルタ８に送る。

FIRフィルタ８は、前記FIR係数メモリ７から送られた
係数値を用いて、前記入力バッファ２から送られる音声
信号をフィルタリングし線形予測分析回路３に送る。

線形予測分析回路３は、FIRフィルタ８から送られた
信号の線形予測分析を行ない、線形予測係数（αパラメ
ータまたはPARCOR係数）を分析結果バッファ４に送り、
分析誤差を誤差比較回路５に送る。

分析結果バッファ４は二重のバッファになっていて、
第１のバッファには声帯波候補設定回路６から送られた
声帯波の候補の符号と、線形予測分析回路３から送られ
た線形予測係数を一時記憶し、第２のバッファには声帯
波の符号と線形予測係数の最適値の候補を記憶する。制
御回路１から最適値の更新の指示を示す制御信号が送ら
れたら、第１のバッファの内容を第２のバッファにコピ
ーする。これにより、全ての声帯波の候補についての分
析が終われば、第２のバッファに残ったデータが最適な
声帯波の信号と線形予測係数のデータとなる。

誤差比較回路５は分析誤差の最小値の候補を記憶する
メモリと比較器を持ち、メモリ内の分析誤差と線形予測
分析回路３から送られた分析誤差を比較して、後者の方
が小さい場合には、メモリ内の情報を書き換えるととも
に、制御回路１に通知する。なお、メモリは各分析フレ
ームの初めにリセットされる。

制御回路１は、声帯波候補設定回路６に声帯波の候補
の符号を発生させ、FIR係数メモリ７と分析結果バッフ
ァ４に送らせる。次に、FIRフィルタ８にFIR係数メモリ
７から送られた係数値をフィルタ係数にセットさせる。
続いて入力バッファ２に一分析フレーム分の信号をFIR
フィルタ８に送らせる。そこでフィルタリングされた信
号を線形予測分析回路３に分析させ、線形予測係数と分
析誤差をそれぞれ分析結果バッファ４と誤差比較回路５
に送らせる。誤差比較回路５から新しい分析誤差の方が
小さいことを通知してきたら、分析結果バッファ４に最
適値の更新を指示する、これを、様々な音源候補に対し
て繰り返す。

全ての声帯波の候補についての分析が終わったら、分
析結果バッファ４に対し第２のバッファに残ったデータ
を信号線10から出力させる。

以上の動作が分析フレーム毎に繰り返される。

次に、図面を用いて第２の発明についてその実施例を
示す第２図を参照しながら説明する。

図において、入力バッファ２、線形予測分析回路３、
分析結果バッファ４、誤差比較回路５、声帯波候補設定
回路６は前記第１の実施例と同様の動作をするものであ
る。

IIR係数メモリ11には、声帯音源波の持つ周波数特性
の逆特性の最小位相成分の特性を持つIIRフィルタの第
１の係数と声帯音源波の持つ周波数特性の逆特性の最大
位相成分を逆位相化した特性を持つIIRフィルタの第２
の係数が記憶されている。この係数の値は、声帯波候補
設定回路６から送られる音声音源波の候補の符号と、制
御回路１から送られる第１の係数か第２の係数かを表す
制御信号に従って、IIRフィルタに送られる。

これらの係数は、予め以下のような処理によって作成
しておくことができる。まず、音声音源波の複素ケプス
トラムを求める。時間の原点の成分を１から引いた値で
置き換え、時間の原点以外の成分の符号を反転する。こ
うして得られた複素ケプストラムは音声音源波の特性の
逆特性に対応している。その正の時間の部分は最小位相
成分に相当する。これを実現するフィルタ係数は例え
ば、そのフーリエ変換からパワースペクトルを求め、そ
の逆フーリエ変換で自己相関関数を求め、これに線形予
測法を用いれば容易に得られる。この係数をIIRフィル
タの係数として用いれば、声帯音源波の逆特性の最小位
相成分を有するフィルタが実現できることになる。即
ち、これが第１の係数である。一方、声帯音源波の逆特
性の複素ケプストラムの負の時間の部分の時間軸を反転
して同様の処理を行なえば、第２の係数が求められる。

IIRフィルタ12は、入力バッファ２または時間軸反転
バッファ13から送られる信号をフィルタリングして時間
軸反転バッファ13に出力する。このフィルタへの入力信
号の切替は、制御回路１からの制御信号に従うスイッチ
14によって行なわれる。

時間軸反転バッファ13は、IIRフィルタ12から送られ
た信号を一時記憶し、時間を反転して出力する。この信
号は、制御回路１からの制御信号でスイッチ15を切り替
えることにより、IIRフィルタ12または線形予測分析回
路３に送られる。

制御回路１は、まず声帯波候補設定回路６に声帯波の
候補の符号を発生させ、IIR係数メモリ11と分析結果バ
ッファ４に送らせる。同時にIIR係数メモリ11には第１
の係数を出力するよう指示する。次に、IIRフィルタ12
にIIR係数メモリ11から送られた係数値をフイルタ係数
にセットさせる。続いてスイッチ14を入力バッファ２側
に切り替え、入力バッファ２に一分析フレーム分の信号
をIIRフィルタ12に送らせる。そこでフィルタリングさ
れた信号を時間軸反転バッファ13に送らせる。次に同一
の音源波の符号に対してIIR係数メモリ11には第２の係
数を出力するよう指示する。その係数をIIRフィルタ12
にセットさせ、スイッチ14およびスイッチ15を切り替え
て、時間軸反転バッファ13からIIRフィルタ12に信号が
流れるようにし、再びフィルタリングされた信号を時間
軸反転バッファ13に送らせる。次にスイッチ15を切り替
えて、時間軸反転バッファ13の出力信号を線形予測分析
回路３に送らせ、分析を行なわせる。

以後は、第１図に示す実施例と同様に各部を制御し
て、分析結果バッファ４に対し第２のバッファに残った
最適な分析結果のデータを信号線10から出力させる。

本実施列では、第１図に示す実施例と比べて、時間軸
反転バッファが余分に必要であるが、IIRフィルタを利
用できるため演算量は少なくて済む。

（発明の効果） 以上説明したように本発明は、音声音源の波形モデル
に基づいた分析でありながら、それらより少ない演算量
で実現できるうえ、分析が終了してから逆フィルタリン
グすれば位置情報も含んだ音源波形の推定が容易にでき
るという効果がある。

【図面の簡単な説明】

第１図は本発明における第１の発明の一実施例を示すブ
ロック図、第２図は本発明における第２の発明の一実施
例を示すブロック図、第３図は従来方法を説明するため
のブロック図である。 １……制御回路、２……入力バッファ、３……線形予測
分析回路、４……分析結果バッファ、５……誤差比較回
路、６……声帯波候補設定回路、７……FIR係数メモ
リ、８……FIRフィルタ、11……IIR係数メモリ、12……
IIRフィルタ、13……時間軸反転バッファ、14,15……ス
イッチ。

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】音声の音帯音源波と声道の特性を分析する
   型の声帯声道型音声分析装置において、入力音声信号を
   一時記憶する入力バッファと、声帯音源波の持つ周波数
   特性の逆特性を持つFIRフィルタと、様々な声帯音源波
   のもつ周波数特性の逆特性をもつ前記FIRフィルタの係
   数を生成する係数生成手段と、前記FIRフィルタの出力
   信号のスペクトルを分析するスペクトル分析手段と、前
   記スペクトル分析手段で順次得られる分析誤差を互いに
   比較する誤差比較手段と、前記様々な声帯音源波の候補
   に対する前記FIRフィルタの係数をもつ前記FIRフィルタ
   に前記入力音声信号入力させたとき前記誤差比較手段で
   得られた分析誤差が最小になったときの前記声帯音源波
   の候補を声帯音源波の分析結果とし、そのときの前記ス
   ペクトル分析の結果を声道特性の分析結果として出力す
   るよう制御する制御手段とを備えて構成されることを特
   徴とする声帯声道型音声分析装置。
2. 【請求項２】音声の音声音源波と声道の特性を分析する
   型の声帯分析装置において、入力音声信号を一時記憶す
   る入力バッファと、前記バッファ出力を入力とするIIR
   フィルタと、様々な声帯音源波の持つ周波数特性の逆特
   性の最小位相成分の特性を持つIIRフィルタの第１の係
   数と声帯音源波の持つ周波数特性の逆特性の最大位相成
   分を逆位相化した特性を持つIIRフィルタの第２の係数
   を生成する係数生成手段と、前記IIRフィルタの出力を
   一時記憶し、時間軸を反転して前記IIRフィルタに出力
   する時間軸反転バッファと、前記IIRフィルタの出力信
   号のスペクトルを分析するスペクトル分析手段と、前記
   スペクトル分析手段で順次得られる分析誤差を互いに比
   較する誤差比較手段と、前記様々な音声音源波の候補に
   対して、、入力音信号を前記第１の係数をもつ前記IIR
   でフィルタでフィルタリングさせた信号を前記時間軸反
   転バッファで時間軸を反転させ、次に前記時間軸を反転
   した信号を再び前記第２の係数をもつ前記IIRフィルタ
   でフィルタリングさせた信号を時間軸反転バッファで再
   び時間軸を反転させ、その信号を前記スペクトル分析手
   段で分析したときの分析誤差を互いに比較し、分析誤差
   が最小になったときの前記声帯音源波の候補を音帯音源
   波の分析結果とし、そのときの前記スペクトル分析の結
   果を声道特性の分析結果として出力するよう制御する制
   御手段とを備えて構成されることを特徴とする声帯声道
   型音声分析装置。