JP3218679B2 - 高能率符号化方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、入力音声信号をブロッ
ク単位で区分して周波数軸に変換して得られた周波数軸
上データを符号化するような高能率符号化方法に関す
る。

【０００２】

【従来の技術】音声信号の時間領域や周波数領域におけ
る統計的性質と人間の聴感上の特性を利用して信号圧縮
を行うような符号化方法が種々知られている。この符号
化方法としては、大別して時間領域での符号化、周波数
領域での符号化、分析合成符号化等が挙げられる。

【０００３】音声信号等の高能率符号化の例として、Ｍ
ＢＥ（Multiband Excitation: マルチバンド励起）符号
化、ＳＢＥ（Singleband Excitation:シングルバンド励
起）符号化、ハーモニクス（Harmonic) 符号化、ＳＢＣ
（Sub-band Coding:帯域分割符号化) 、ＬＰＣ(Linear
Predictive Coding:線形予測符号化）、あるいはＤＣＴ
（離散コサイン変換）、ＭＤＣＴ（モデファイドＤＣ
Ｔ）、ＦＦＴ（高速フーリエ変換）等がある。

【０００４】上記ＭＢＥ符号化等においては、１ブロッ
ク（フレーム）内の音声に対して帯域（バンド）を複数
に分割し、各バンド毎に有声音／無声音の判断を行って
おり、音質の向上が認められる。

【０００５】

【発明が解決しようとする課題】ところで、上記ＭＢＥ
符号化等においては、音声スペクトルの振幅の位相情報
を別途伝送するか又は伝送情報量を減らすため伝送せず
に合成側（復号化側）でピッチ及び過去の位相から位相
情報を予測している。この合成側での位相情報の予測
（以下、位相予測という）には、フレームの初期位相を
０或いはπ／２に固定し、分析側から伝送されてきたピ
ッチに応じてコサイン波を合成する固定位相加算が行わ
れてきた。そして、符号化側での有声音／無声音判別で
判明した無声音帯域の含有率に応じて、合成側では位相
にランダムなファクタを加算して自然感を出すようにし
ている。しかし、男声等でピッチの低い音声での強い母
音部では不自然な合成音となっていた。

【０００６】本発明は、このような実情に鑑みてなされ
たものであり、合成側で不自然感のない高品質の音声を
得ることができるような高能率符号化方法の提供を目的
とする。

【０００７】

【課題を解決するための手段】本発明に係る高能率符号
化方法は、入力された音声信号をブロック単位で区分し
て周波数軸に変換して周波数軸上データを求める工程
と、この周波数軸上データを複数の帯域に分割する工程
と、分割された各帯域毎のブロック初期位相を検出する
工程と、上記各帯域毎に有声音か無声音かを判別する工
程と、上記各帯域毎の位相予測値を計算する工程と、上
記各帯域毎の実測位相と予測位相との誤差を算出する工
程と、上記誤差の大きさに応じて周波数軸上での有声音
領域と無声音領域の領域幅を変える工程とを有すること
を特徴として上記課題を解決する。

【０００８】また、上記実測位相と予測位相とから算出
された誤差の大きさを示す情報を合成側に伝送すること
により、合成側が上記情報に応じて位相予測の修正を行
ってもよい。

【０００９】ここで、この高能率符号化方法は、スペク
トル振幅の位相情報を受信側（合成側）に伝送してな
い。合成側では、符号化側から伝送されてきた過去及び
現在のピッチと過去の位相に基づいてブロック終端位相
を予測する。

【００１０】

【作用】各帯域毎の実測位相と予測位相との誤差の大き
さに応じて周波数軸上での有声音領域と無声音領域の領
域幅を変えることによって、合成側で高音質の合成音を
得ることができる。また、上記誤差の大きさを示す情報
を合成側に伝送することによって、合成側で位相予測に
よる位相の修正を行い高音質の合成音を得ることができ
る。

【００１１】

【実施例】以下、本発明に係る高能率符号化方法の実施
例について説明する。高能率符号化方法には、後述する
ＭＢＥ（Multiband Excitation: マルチバンド励起）符
号化等のように、ブロック毎の信号を周波数軸上に変換
し、複数帯域に分割して各帯域毎にＶ（有声音）かＵＶ
（無声音）かを判別するような符号化方法を用いること
ができる。

【００１２】すなわち、本発明が適用される一般的な高
能率符号化方法としては、音声信号を一定サンプル数
（例えば２５６サンプル）毎にブロック化して、ＦＦＴ
等の直交変換により周波数軸上のスペクトルデータに変
換すると共に、該ブロック内の音声のピッチを抽出し、
このピッチに応じた間隔で周波数軸上のスペクトルを帯
域分割し、分割された各帯域についてＶ（有声音）／Ｕ
Ｖ（無声音）の判別を行っている。このＶ／ＵＶ判別情
報をスペクトルの振幅データと共に符号化して伝送して
いる。

【００１３】ここで、例えばＭＢＥボコーダ等の音声合
成分析系では、音声信号の位相を合成側で予測している
が、この位相の予測の誤差（以下、位相予測誤差量）を
符号化側（分析側）で算出し、その位相予測誤差量に応
じて周波数軸上での有声音領域と無声音領域の領域幅を
変えるか、あるいは上記誤差の大きさを示す情報を合成
側に伝送し、合成側で位相予測による位相の修正を行う
ことによって高音質の合成音を得ようとするのが本実施
例である。

【００１４】以下、本発明に係る高能率符号化方法を、
音声信号の合成分析符号化装置（いわゆるボコーダ）の
一種であるＭＢＥ（Multiband Excitation: マルチバン
ド励起）ボコーダに適用した具体例について、図面を参
照しながら説明する。このＭＢＥボコーダは、D. W. Gr
iffin and J.S. Lim,"Multiband Excitation Vocoder,"
IEEE Trans.Acoustics,Speech,and Signal Processin
g, vol.36, No.8, pp.1223-1235, Aug.1988 に開示さ
れているものであり、従来のＰＡＲＣＯＲ（PARtial au
to-CORrelation: 偏自己相関）ボコーダ等では、音声の
モデル化の際に有声音区間と無声音区間とをブロックあ
るいはフレーム毎に切り換えていたのに対し、ＭＢＥボ
コーダでは、同時刻（同じブロックあるいはフレーム
内）の周波数軸領域に有声音（Voiced）区間と無声音
（Unvoiced）区間とが存在するという仮定でモデル化し
ている。

【００１５】図１は、上記ＭＢＥボコーダに本発明を適
用した実施例の全体の概略構成を示すブロック図であ
る。この図１において、入力端子１１には音声信号が供
給されるようになっており、この入力音声信号は、ＨＰ
Ｆ（ハイパスフィルタ）等のフィルタ１２に送られて、
いわゆるＤＣ（直流）オフセット分の除去や帯域制限
（例えば２００〜３４００Hzに制限）のための少なくと
も低域成分（２００Hz以下）の除去が行われる。このフ
ィルタ１２を介して得られた信号は、ピッチ抽出部１３
及び窓かけ処理部１４にそれぞれ送られる。ピッチ抽出
部１３では、入力音声信号データが所定サンプル数Ｎ
（例えばＮ＝２５６）単位でブロック分割され（あるい
は方形窓による切り出しが行われ）、このブロック内の
音声信号についてのピッチ抽出が行われる。このような
切り出しブロック（２５６サンプル）を、例えば図２の
Ａに示すようにＬサンプル（例えばＬ＝１６０）のフレ
ーム間隔で時間軸方向に移動させており、各ブロック間
のオーバラップはＮ−Ｌサンプル（例えば９６サンプ
ル）となっている。また、窓かけ処理部１４では、１ブ
ロックＮサンプルに対して所定の窓関数、例えばハミン
グ窓をかけ、この窓かけブロックを１フレームＬサンプ
ルの間隔で時間軸方向に順次移動させている。

【００１６】このような窓かけ処理を数式で表すと、 ｘ_w (k,q) ＝ｘ(q) ｗ(kL-q) ・・・（１） となる。この（１）式において、ｋはブロック番号を、
ｑはデータの時間インデックス（サンプル番号）を表
し、処理前の入力信号のｑ番目のデータｘ(q) に対して
第ｋブロックの窓（ウィンドウ）関数ｗ(kL-q)により窓
かけ処理されることによりデータｘ_w (k,q) が得られる
ことを示している。ピッチ抽出部１３内での図２のＡに
示すような方形窓の場合の窓関数ｗ_r (r) は、 ｗ_r (r) ＝１ ０≦ｒ＜Ｎ ・・・（２） ＝０ ｒ＜０，Ｎ≦ｒ また、窓かけ処理部１４での図２のＢに示すようなハミ
ング窓の場合の窓関数ｗ_h (r) は、 ｗ_h (r) ＝ 0.54 − 0.46 cos(２πr/(N-1)) ０≦ｒ＜Ｎ ・・・（３） ＝０ ｒ＜０，Ｎ≦ｒ である。このような窓関数ｗ_r (r) あるいはｗ_h (r) を
用いるときの上記（１）式の窓関数ｗ(r) （＝ｗ(kL-
q)）の否零区間は、 ０≦ｋＬ−ｑ＜Ｎ これを変形して、 ｋＬ−Ｎ＜ｑ≦ｋＬ 従って、例えば上記方形窓の場合に窓関数ｗ_r (kL-q)＝
１となるのは、図３に示すように、ｋＬ−Ｎ＜ｑ≦ｋＬ
のときとなる。また、上記（１）〜（３）式は、長さＮ
（＝２５６）サンプルの窓が、Ｌ（＝１６０）サンプル
ずつ前進してゆくことを示している。以下、上記（２）
式、（３）式の各窓関数で切り出された各Ｎ点（０≦ｒ
＜Ｎ）の否零サンプル列を、それぞれｘ_wr(k,r) 、ｘ_wh
(k,r) と表すことにする。

【００１７】窓かけ処理部１４では、図４に示すよう
に、上記（３）式のハミング窓がかけられた１ブロック
２５６サンプルのサンプル列ｘ_wh(k,r) に対して１７９
２サンプル分の０データが付加されて（いわゆる０詰め
されて）２０４８サンプルとされ、この２０４８サンプ
ルの時間軸データ列に対して、直交変換部１０５により
例えばＦＦＴ（高速フーリエ変換）等の直交変換処理が
施される。

【００１８】ピッチ抽出部１３では、上記ｘ_wr(k,r) の
サンプル列（１ブロックＮサンプル）に基づいてピッチ
抽出が行われる。このピッチ抽出法には、時間波形の周
期性や、スペクトルの周期的周波数構造や、自己相関関
数を用いるもの等が知られているが、本実施例では、セ
ンタクリップ波形の自己相関法を採用している。このと
きのブロック内でのセンタクリップレベルについては、
１ブロックにつき１つのクリップレベルを設定してもよ
いが、ブロックを細分割した各部（各サブブロック）の
信号のピークレベル等を検出し、これらの各サブブロッ
クのピークレベル等の差が大きいときに、ブロック内で
クリップレベルを段階的にあるいは連続的に変化させる
ようにしている。このセンタクリップ波形の自己相関デ
ータのピーク位置に基づいてピッチ周期を決めている。
このとき、現在フレームに属する自己相関データ（自己
相関は１ブロックＮサンプルのデータを対象として求め
られる）から複数のピークを求めておき、これらの複数
のピークの内の最大ピークが所定の閾値以上のときには
該最大ピーク位置をピッチ周期とし、それ以外のときに
は、現在フレーム以外のフレーム、例えば前後のフレー
ムで求められたピッチに対して所定の関係を満たすピッ
チ範囲内、例えば前フレームのピッチを中心として±２
０％の範囲内にあるピークを求め、このピーク位置に基
づいて現在フレームのピッチを決定するようにしてい
る。このピッチ抽出部１３ではオープンループによる比
較的ラフなピッチのサーチが行われ、抽出されたピッチ
データは高精度（ファイン）ピッチサーチ部１６に送ら
れて、クローズドループによる高精度のピッチサーチ
（ピッチのファインサーチ）が行われる。

【００１９】高精度（ファイン）ピッチサーチ部１６に
は、ピッチ抽出部１３で抽出された整数（インテジャ
ー）値の粗（ラフ）ピッチデータと、直交変換部１５に
より例えばＦＦＴされた周波数軸上のデータとが供給さ
れている。この高精度ピッチサーチ部１６では、上記粗
ピッチデータ値を中心に、0.２〜0.５きざみで±数サン
プルずつ振って、最適な小数点付き（フローティング）
のファインピッチデータの値へ追い込む。このときのフ
ァインサーチの手法として、いわゆる合成による分析
(Analysis by Synthesis)法を用い、合成されたパワー
スペクトルが原音のパワースペクトルに最も近くなるよ
うにピッチを選んでいる。

【００２０】このピッチのファインサーチについて説明
する。先ず、上記ＭＢＥボコーダにおいては、上記ＦＦ
Ｔ等により直交変換された周波数軸上のスペクトルデー
タとしてのＳ(j) を Ｓ(j) ＝Ｈ(j) ｜Ｅ(j) ｜ ０＜ｊ＜Ｊ ・・・（４） と表現するようなモデルを想定している。ここで、Ｊは
ω _s ／４π＝ｆ_s ／２に対応し、サンプリング周波数ｆ
_s ＝ω _s ／２πが例えば８ｋHzのときには４ｋHzに対応
する。上記（４）式中において、周波数軸上のスペクト
ルデータＳ(j) が図５のＡに示すような波形のとき、Ｈ
(j) は、図５のＢに示すような元のスペクトルデータＳ
(j) のスペクトル包絡線（エンベロープ）を示し、Ｅ
(j) は、図５のＣに示すような等レベルで周期的な励起
信号（エキサイテイション）のスペクトルを示してい
る。すなわち、ＦＦＴスペクトルＳ(j) は、スペクトル
エンベロープＨ(j) と励起信号のパワースペクトル｜Ｅ
(j) ｜との積としてモデル化される。

【００２１】上記励起信号のパワースペクトル｜Ｅ(j)
｜は、上記ピッチに応じて決定される周波数軸上の波形
の周期性（ピッチ構造）を考慮して、１つの帯域（バン
ド）の波形に相当するスペクトル波形を周波数軸上の各
バンド毎に繰り返すように配列することにより形成され
る。この１バンド分の波形は、例えば上記図４に示すよ
うな２５６サンプルのハミング窓関数に１７９２サンプ
ル分の０データを付加（０詰め）した波形を時間軸信号
と見なしてＦＦＴし、得られた周波数軸上のある帯域幅
を持つインパルス波形を上記ピッチに応じて切り出すこ
とにより形成することができる。

【００２２】次に、上記ピッチに応じて分割された各バ
ンド毎に、上記Ｈ(j) を代表させるような（各バンド毎
のエラーを最小化するような）値（一種の振幅）｜Ａ_m
｜を求める。ここで、例えば第ｍバンド（第ｍ高調波の
帯域）の下限、上限の点をそれぞれａ_m 、ｂ_m とすると
き、この第ｍバンドのエラーε_m は、

【００２３】

【数１】

【００２４】で表せる。このエラーε_m を最小化するよ
うな｜Ａ_m ｜は、

【００２５】

【数２】

【００２６】となり、この（６）式の｜Ａ_m ｜のとき、
エラーε_m を最小化する。このような振幅｜Ａ_m ｜を各
バンド毎に求め、得られた各振幅｜Ａ_m ｜を用いて上記
（５）式で定義された各バンド毎のエラーε_m を求め
る。次に、このような各バンド毎のエラーε_m の全バン
ドの総和値Σε_m を求める。さらに、このような全バン
ドのエラー総和値Σε_m を、いくつかの微小に異なるピ
ッチについて求め、エラー総和値Σε_m が最小となるよ
うなピッチを求める。

【００２７】すなわち、上記ピッチ抽出部１３で求めら
れたラフピッチを中心として、例えば 0.25 きざみで上
下に数種類ずつ用意する。これらの複数種類の微小に異
なるピッチの各ピッチに対してそれぞれ上記エラー総和
値Σε_m を求める。この場合、ピッチが定まるとバンド
幅が決まり、上記（６）式より、周波数軸上データのパ
ワースペクトル｜Ｓ(j) ｜と励起信号スペクトル｜Ｅ
(j) ｜とを用いて上記（５）式のエラーε_m を求め、そ
の全バンドの総和値Σε_m を求めることができる。この
エラー総和値Σε_m を各ピッチ毎に求め、最小となるエ
ラー総和値に対応するピッチを最適のピッチとして決定
するわけである。以上のようにして高精度ピッチサーチ
部１６で最適のファイン（例えば 0.25 きざみ）ピッチ
が求められ、この最適ピッチに対応する振幅｜Ａm ｜が
決定される。

【００２８】以上ピッチのファインサーチの説明におい
ては、説明を簡略化するために、全バンドが有声音（Vo
iced）の場合を想定しているが、上述したようにＭＢＥ
ボコーダにおいては、同時刻の周波数軸上に無声音（Un
voiced）領域が存在するというモデルを採用しているこ
とから、上記各バンド毎に有声音／無声音の判別を行う
ことが必要とされる。

【００２９】上記高精度ピッチサーチ部１６からの最適
ピッチ及び振幅｜Ａ_m ｜のデータは、有声音／無声音判
別部１７に送られ、上記各バンド毎に有声音／無声音の
判別が行われる。この判別のために、ＮＳＲ（ノイズｔ
ｏシグナル比）を利用する。すなわち、第ｍバンドのＮ
ＳＲは、

【００３０】

【数３】

【００３１】と表せ、このＮＳＲ値が所定の閾値（例え
ば0.３）より大のとき（エラーが大きい）ときには、そ
のバンドでの｜Ａ_m ｜｜Ｅ(j) ｜による｜Ｓ(j) ｜の近
似が良くない（上記励起信号｜Ｅ(j) ｜が基底として不
適当である）と判断でき、当該バンドをＵＶ（Unvoice
d、無声音）と判別する。これ以外のときは、近似があ
る程度良好に行われていると判断でき、そのバンドをＶ
（Voiced、有声音）と判別する。

【００３２】次に、振幅再評価部１８には、直交変換部
１５からの周波数軸上データ、高精度ピッチサーチ部１
６からのファインピッチと評価された振幅｜Ａ_m ｜との
各データ、及び上記有声音／無声音判別部１７からのＶ
／ＵＶ（有声音／無声音）判別データが供給されてい
る。この振幅再評価部１８では、有声音／無声音判別部
１７において無声音（ＵＶ）と判別されたバンドに関し
て、再度振幅を求めている。このＵＶのバンドについて
の振幅｜Ａ_m ｜_UVは、

【００３３】

【数４】

【００３４】にて求められる。

【００３５】また、上記直交変換部１５からの周波数軸
上データ、高精度ピッチサーチ部１６からのファインピ
ッチと評価された振幅｜Ａ_m ｜との各データは、位相評
価部１９にも供給される。この位相評価部１９は、上記
各データから有声音のバンドの位相を求める。ここで例
えば第ｍバンド（第ｍ高調波の帯域）の下限、上限の点
をそれぞれａ_m 、ｂ_m とするとき、この第ｍバンドのエ
ラーε_cmは、

【００３６】

【数５】

【００３７】で表せる。ここで、Ｓ（ｉ）、Ａ_m 及びＥ
（ｉ）は、共に複素数であり、各々極座標形式で書き直
すと以下の（１０）式で示される。

【００３８】

【数６】

【００３９】つまり、上記第ｍバンドのエラーε_cmは、
上記（１０）式より、

【００４０】

【数７】

【００４１】と書き直せる。そして、この（１１）式を
最小化すると、

【００４２】

【数８】

【００４３】となる。この（１２）式を整理すると、

【００４４】

【数９】

【００４５】が得られる。したがって、上記（９）式の
評価関数を最適化する位相φ_m は、

【００４６】

【数１０】

【００４７】となる。

【００４８】この位相評価部１９からの位相（実測値）
は、位相予測算出＆誤差評価部２０に供給される。この
位相予測検出＆誤差評価部２０は、合成側で行われる位
相予測を行うことができる。すなわち、高精度ピッチサ
ーチ部１６からのファインピッチと評価された振幅｜Ａ
_m ｜を基に位相を予測する。そして、上記位相評価部１
９からの位相と予測位相との誤差を求める。

【００４９】この位相予測算出＆誤差評価部２０での位
相予測の算出と予測誤差の評価について説明する。合成
側では、時刻０（フレームの先頭）に於ける第ｍ高調波
の位相（フレーム初期位相）をψ_0mとすると、フレーム
の最後での位相ψ_Lmを、 ψ_Lm＝mod2π（ψ_0m＋ｍ（ω₀₁＋ω_L1) Ｌ／２） ・・・（15） と予測する。この（15）式でmod2π（ｘ）とは、ｘの主
値を−π〜＋πの間で返す関数である。例えば、ｘ＝1.
3 πのときmod2π（ｘ）＝−0.7 π、ｘ＝2.3 πのとき
mod2π（ｘ）＝0.3 π、ｘ＝−1.3 πのときmod2π
（ｘ）＝0.7 π、等である。また、Ｌはフレームインタ
ーバル、ω₀₁は、合成フレームの先端（ｎ＝０）での基
本角周波数、ω_L1は該合成フレームの終端（ｎ＝Ｌ：次
の合成フレーム先端）での基本角周波数である。

【００５０】上記（15）式によって求めたψ_Lmには、予
測誤差を含んでいる。そこで、符号化側で、上記位相評
価部１９の実測位相から上記（15）式によって求めた予
測位相の差を検出し、予測の精度を推定する。これが上
記位相予測算出＆誤差評価部２０である。

【００５１】上記（14）式により、求められた実測位相
φ_lmは、 φ_lm＝mod2π（φ_0m＋ｍ（ω₀₁＋ω_L1) Ｌ／２）＋ε_m ・・・（16） と表せる。ここで、φ_0mは、第ｍ高調波の実測位相であ
り、ε_m は実測位相と予測位相の誤差である。したがっ
て、該誤差ε_m からｍ（ω₀₁＋ω_L1) Ｌ／２による位相
の変位分の予測精度の判定ができる。すなわち、 ε_m ＝mod2π（φ_lm−mod2π（φ_0m＋ｍ（ω₀₁＋ω_L1) Ｌ／２）) ＝mod2π（φ_lm−φ_0m−ｍ（ω₀₁＋ω_L1) Ｌ／２） ・・・（17） となる。このε_m は、各帯域毎（ｍバンド）に求められ
る。

【００５２】次に、上記誤差ε_m に関し分散σ² をｍ＝
ａ_m からｂ_m の範囲で求める。先ず、上記誤差ε_m のａ
_m からｂ_m までの平均εを、

【００５３】

【数１１】

【００５４】により求める。ここで、ａ_m ＝Ｍ／４、ｂ
_m ＝Ｍであり、Ｍはπまでのハーモニクス（高調波）の
数である。また、Ｍはピッチの角周波数をω₀ (= 2πf/
f_s ：ｆはピッチ周波数、 f_s はサンプル周波数）とし
たときの、π／ω₀ に最も近い整数である。

【００５５】したがって、上記分散σ² は、

【００５６】

【数１２】

【００５７】により求められる。この分散σ² が大きい
とき、すなわち、図６のＡに示すようなときは、位相予
測が全般的にはずれていることを意味する。一方、この
分散σ² が小さいとき、すなわち、図６のＢに示すよう
なときは、位相予測がかなり正確であることを意味す
る。

【００５８】上記振幅再評価部１８、上記位相評価部１
９及び高精度ピッチサーチ部１６からの各データは、デ
ータ数変換（一種のサンプリングレート変換）部２１に
送られる。このデータ数変換部２１は、上記ピッチに応
じて周波数軸上での分割帯域数が異なり、データ数（特
に振幅データの数）が異なることを考慮して、一定の個
数にするためのものである。すなわち、例えば有効帯域
を３４００Hzまでとすると、この有効帯域が上記ピッチ
に応じて、８バンド〜６３バンドに分割されることにな
り、これらの各バンド毎に得られる上記振幅｜Ａm ｜
（ＵＶバンドの振幅｜Ａ_m ｜_UVも含む）データの個数ｍ
_MX＋１も８〜６３と変化することになる。このためデー
タ数変換部２１では、この可変個数ｍ_MX＋１の振幅デー
タを一定個数Ｎ_C （例えば４４個）のデータに変換して
いる。

【００５９】ここで本実施例においては、周波数軸上の
有効帯域１ブロック分の振幅データに対して、ブロック
内の最後のデータからブロック内の最初のデータまでの
値を補間するようなダミーデータを付加してデータ個数
をＮ_F 個に拡大した後、帯域制限型のＫ_OS倍（例えば８
倍）のオーバーサンプリングを施すことによりＫ_OS倍の
個数の振幅データを求め、このＫ_OS倍の個数((ｍ_MX＋
１) ×Ｋ_OS個）の振幅データを直線補間してさらに多く
のＮ_M 個（例えば２０４８個）に拡張し、このＮ_M 個の
データを間引いて上記一定個数Ｎ_C （例えば４４個）の
データに変換する。

【００６０】このデータ数変換部２１からのデータ（上
記一定個数Ｎ_C の振幅データ）がベクトル量子化部２２
に送られて、所定個数のデータ毎にまとめられてベクト
ルとされ、ベクトル量子化が施される。ベクトル量子化
部２２からの量子化出力データは、出力端子２５を介し
て取り出される。また、上記高精度のピッチサーチ部１
６からの高精度（ファイン）ピッチデータは、ピッチ符
号化部２３で符号化され、出力端子２７を介して取り出
される。ここで、上記位相予測算出＆誤差評価部２０か
らの予測誤差は、切換部２４の可動接片２４ａに供給さ
れ、該可動接片２４ａが固定接点２４ｂに接触されると
該予測誤差の大きさを示す情報（分散σ²)は、上記有声
音／無声音判別部１７に供給される。すると、上記有声
音／無声音判別部１７では、所定の閾値と分散σ² を比
較し、分散σ² が大きかったら図７のＡに示すようなＶ
のバンド幅を図７のＢに示すように縮小させて、ＵＶの
バンド幅を拡張する。このような、上記有声音／無声音
判別部１７からの有声音／無声音（Ｖ／ＵＶ）判別デー
タは、出力端子２６を介して取り出される。一方、上記
可動接片２４ａが固定接点２４ｃに接触されると該予測
誤差の大きさを示す情報（分散σ²)は、出力端子２８を
介して取り出される。

【００６１】なお、これらの各データは、上記Ｎサンプ
ル（例えば２５６サンプル）のブロック内のデータに対
して処理を施すことにより得られるものであるが、ブロ
ックは時間軸上を上記Ｌサンプルのフレームを単位とし
て前進することから、伝送するデータは上記フレーム単
位で得られる。すなわち、上記フレーム周期でピッチデ
ータ、Ｖ／ＵＶ判別データ、振幅データ及び予測誤差の
大きさを示す情報が更新されることになる。

【００６２】次に、伝送されて得られた上記各データに
基づき音声信号を合成するための合成側（デコード側）
の概略構成について、図８を参照しながら説明する。こ
の図８において、入力端子３１には上記ベクトル量子化
された振幅データが、入力端子３２には上記符号化され
たピッチデータが、入力端子３３には上記Ｖ／ＵＶ判別
データが、また、入力端子３４には上記予測誤差の大き
さを示す情報がそれぞれ供給される。入力端子３１から
の量子化振幅データは、逆ベクトル量子化部３５に送ら
れて逆量子化され、データ数逆変換部３６に送られて逆
変換され、得られた振幅データが有声音合成部３７及び
無声音合成部３８に送られる。入力端子３２からの符号
化ピッチデータは、ピッチ復号化部３９で復号化され、
データ数逆変換部３６、有声音合成部３７、無声音合成
部３８及び位相修正部４０に送られる。また入力端子３
３からのＶ／ＵＶ判別データは、有声音合成部３７及び
無声音合成部３８に送られる。また、入力端子３４から
の予測誤差の大きさを示す情報は、位相修正部４０に送
られる。

【００６３】有声音合成部３７では例えば余弦(cosine)
波合成により時間軸上の有声音波形を合成し、無声音合
成部３８では例えばホワイトノイズをバンドパスフィル
タでフィルタリングして時間軸上の無声音波形を合成
し、これらの各有声音合成波形と無声音合成波形とを加
算部４１で加算合成して、出力端子４２より取り出すよ
うにしている。

【００６４】ここで、上記位相修正部４０では、上記予
測誤差の大きさを示す情報と上記ピッチ復号化部３９か
らの復号化ピッチデータに基づいて、位相予測の位相修
正を行う。すなわち、合成側での、第ｍ高調波のフレー
ムの最後での位相Φ_Lmを、上記（15）式で示されたψ_Lm
を用いて、 Φ_Lm＝ψ_Lm＋Ｓ_c Ｒ_dp ・・・（20） より求める。ここで、Ｓ_c はスケール値を示し、Ｒ_dpは
２πｆ（ｍ、Ｍ）×（ガウシアン乱数）である。また、
ｆ（ｍ、Ｍ）は周波数に応じてσ値を変えるための関数
である。上記Ｒ_dpが±πの範囲を越える時は、±πをク
リッピングレベルにして、Ｒ_dpをクリップする。具体的
には、上記（20）式のスケール値Ｓ_c を例えば0.2 と0.
7 にし、分析側から伝送されてくる予測誤差の大きさを
示すフラグが、分散σ ² がある閾値よりも大きい事を示
す時には、0.7 をスケール値として用い、位相修正を行
う。そして、この位相修正部４０で修正された位相が上
記有声音合成部３７に供給される。

【００６５】以下、有声音合成部３７における合成処理
を詳細に説明する。上記Ｖ（有声音）と判別された第ｍ
バンド（第ｍ高調波の帯域）における時間軸上の上記１
合成フレーム（Ｌサンプル、例えば１６０サンプル）分
の有声音をＶ_m (n) とするとき、この合成フレーム内の
時間インデックス（サンプル番号）ｎを用いて、 Ｖ_m (n) ＝Ａ_m (n) cos(θ_m (n)) ０≦ｎ＜Ｌ ・・・（21） と表すことができる。全バンドの内のＶ（有声音）と判
別された全てのバンドの有声音を加算（ΣＶ_m (n) ）し
て最終的な有声音Ｖ(n) を合成する。

【００６６】この（21）式中のＡ_m (n) は、上記合成フ
レームの先端から終端までの間で補間された第ｍ高調波
の振幅である。最も簡単には、フレーム単位で更新され
る振幅データの第ｍ高調波の値を直線補間すればよい。
すなわち、上記合成フレームの先端（ｎ＝０）での第ｍ
高調波の振幅値をＡ_0m、該合成フレームの終端（ｎ＝
Ｌ：次の合成フレームの先端）での第ｍ高調波の振幅値
をＡ_Lmとするとき、 Ａ_m (n) ＝ (L-n)Ａ_0m／Ｌ＋ｎＡ_Lm／Ｌ ・・・（22） の式によりＡ_m (n) を計算すればよい。

【００６７】ここで、図９のＡは、音声信号のスペクト
ルの一例を示しており、バンド番号（ハーモニクスナン
バ）ｍが８、９、１０の各バンドがＵＶ（無声音）とさ
れ、他のバンドはＶ（有声音）とされている。このＶ
（有声音）のバンドの時間軸信号が上記有声音合成部３
７により合成され、ＵＶ（無声音）のバンドの時間軸信
号が無声音合成部３８で合成されるわけである。

【００６８】以下、無声音合成部３８における無声音合
成処理を説明する。ホワイトノイズ発生部５１からの時
間軸上のホワイトノイズ信号波形を、所定の長さ（例え
ば２５６サンプル）で適当な窓関数（例えばハミング
窓）により窓かけをし、ＳＴＦＴ処理部５２によりＳＴ
ＦＴ（ショートタームフーリエ変換）処理を施すことに
より、図９のＢに示すようなホワイトノイズの周波数軸
上のパワースペクトルを得る。このＳＴＦＴ処理部５２
からのパワースペクトルをバンド振幅処理部５３に送
り、図９のＣに示すように、上記ＵＶ（無声音）とされ
たバンド（例えばｍ＝８、９、１０）について上記振幅
｜Ａ_m ｜_UVを乗算し、他のＶ（有声音）とされたバンド
の振幅を０にする。このバンド振幅処理部５３には上記
振幅データ、ピッチデータ、Ｖ／ＵＶ判別データが供給
されている。バンド振幅処理部５３からの出力は、ＩＳ
ＴＦＴ処理部５４に送られ、位相は元のホワイトノイズ
の位相を用いて逆ＳＴＦＴ処理を施すことにより時間軸
上の信号に変換する。ＩＳＴＦＴ処理部５４からの出力
は、オーバーラップ加算部５５に送られ、時間軸上で適
当な（元の連続的なノイズ波形を復元できるように）重
み付けをしながらオーバーラップ及び加算を繰り返し、
連続的な時間軸波形を合成する。オーバーラップ加算部
５５からの出力信号が上記加算部４１に送られる。

【００６９】このように、各合成部３７、３８において
合成されて時間軸上に戻された有声音部及び無声音部の
各信号は、加算部４１により適当な固定の混合比で加算
して、出力端子４２より再生された音声信号を取り出
す。

【００７０】したがって、本発明に係る高能率符号化方
法の実施例は、合成側での位相予測の精度を分析側で算
出し、その程度に応じて、無声音帯域の数を増やすかあ
るいは合成側での位相のランダマイズファクタを制御す
る。

【００７１】なお、上記図１の音声分析側（エンコード
側）の構成や図８の音声合成側（デコード側）の構成に
ついては、各部をハードウェア的に記載しているが、い
わゆるＤＳＰ（ディジタル信号プロセッサ）等を用いて
ソフトウェアプログラムにより実現することも可能であ
る。

【００７２】

【発明の効果】本発明に係る高能率符号化方法は、各帯
域毎の実測位相と予測位相との誤差の大きさに応じて周
波数軸上での有声音領域と無声音領域の領域幅を変える
ことができる。また、上記誤差の大きさを示す情報を合
成側に伝送することによって合成側で位相の修正を行
う。したがって、合成側で高音質の再生音を得ることが
できる。

【図面の簡単な説明】

【図１】本発明に係る高能率符号化方法が適用される装
置の具体例としての音声信号の合成分析符号化装置の分
析側（エンコード側）の概略構成を示す機能ブロック図
である。

【図２】窓かけ処理を説明するための図である。

【図３】窓かけ処理と窓関数との関係を説明するための
図である。

【図４】直交変換（ＦＦＴ）処理対象としての時間軸デ
ータを示す図である。

【図５】周波数軸上のスペクトルデータと、スペクトル
包絡線（エンベロープ）及び励起信号のパワースペクト
ルを示す図である。

【図６】位相予測の精度を説明するための波形図であ
る。

【図７】ＵＶバンドの拡張を説明するための図である。

【図８】本発明に係る高能率符号化方法が適用される装
置の具体例としての音声信号の合成分析符号化装置の合
成側（デコード側）の概略構成を示す機能ブロック図で
ある。

【図９】音声信号を合成する際の無声音合成を説明する
ための図である。

【符号の説明】

１３・・・・・ピッチ抽出部 １４・・・・・窓かけ処理部 １５・・・・・直交変換（ＦＦＴ）部 １６・・・・・高精度（ファイン）ピッチサーチ部 １７・・・・・有声音（Ｖ）／無声音（ＵＶ）判別部 １８・・・・・振幅再評価部 １９・・・・・位相評価部 ２０・・・・・位相予測＆誤差評価部 ２１・・・・・データ数変換（データレートコンバー
ト）部 ２２・・・・・ベクトル量子化部

フロントページの続き (56)参考文献 特開 昭63−273898（ＪＰ，Ａ) 特開 平３−259200（ＪＰ，Ａ) 特開 平２−280200（ＪＰ，Ａ) 特開 平２−282800（ＪＰ，Ａ) 特開 平２−84700（ＪＰ，Ａ) 特開 平３−53300（ＪＰ，Ａ) 特開 平２−7100（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 19/02 G10L 19/00

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】 高能率符号化方法において、 入力された音声信号をブロック単位で区分して周波数軸
   に変換して周波数軸上データを求める工程と、 この周波数軸上データを複数の帯域に分割する工程と、 分割された各帯域毎のブロック初期位相を検出する工程
   と、 上記各帯域毎に有声音か無声音かを判別する工程と、 上記各帯域毎の位相予測値を計算する工程と、 上記各帯域毎の実測位相と予測位相との誤差を算出する
   工程と、 上記誤差の大きさに応じて周波数軸上での有声音領域と
   無声音領域の領域幅を変える工程とを有することを特徴
   とする高能率符号化方法。
2. 【請求項２】 高能率符号化方法において、 入力された音声信号をブロック単位で区分して周波数軸
   に変換して周波数軸上データを求める工程と、 この周波数軸上データを複数の帯域に分割する工程と、 分割された各帯域毎のブロック初期位相を検出する工程
   と、 上記各帯域毎に有声音か無声音かを判別する工程と、 上記各帯域毎の位相予測値を計算する工程と、 上記各帯域毎の実測位相と予測位相との誤差を算出する
   工程と、 上記誤差の大きさを示す情報を伝送する工程と、 上記情報に応じて位相予測の位相修正を行う工程とを有
   することを特徴とする高能率符号化方法。