JP3362471B2

JP3362471B2 - 音声信号の符号化方法及び復号化方法

Info

Publication number: JP3362471B2
Application number: JP24575893A
Authority: JP
Inventors: ジョセフチャン
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 1993-07-27
Filing date: 1993-09-30
Publication date: 2003-01-07
Anticipated expiration: 2018-01-07
Also published as: JPH0792998A

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、区分されたブロックを単位として符号
化処理を行い、合成側では正弦波等の周期的な基本波及
びその高調波を用いて音声信号を合成するような音声信
号の符号化方法及び復号化方法に関するものである。

【０００２】

【従来の技術】オーディオ信号（音声信号や音響信号を
含む）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、ハーモニック（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ＤＣ
Ｔ（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）等において、スペク
トル振幅やそのパラメータ（ＬＳＰパラメータ、αパラ
メータ、ｋパラメータ等）のような各種情報データを量
子化する場合に、従来においてはスカラ量子化を行うこ
とが多い。

【０００４】上記ＰＡＲＣＯＲ法等の音声分析・合成系
では、励振源を切り換えるタイミングは時間軸上のブロ
ック（フレーム）毎であるため、同一フレーム内では有
声音と無声音とを混在させることができず、結果として
高品質な音声は得られなかった。

【０００５】これに対して、上記ＭＢＥ符号化において
は、１ブロック（フレーム）内の音声に対して、周波数
スペクトルの各ハーモニクス（高調波）や２〜３ハーモ
ニクスをひとまとめにした各バンド（帯域）毎に、又は
固定の帯域幅（例えば３００〜４００Hz）で分割された
各バンド毎に、そのバンド中のスペクトル形状に基づい
て有声音／無声音判別（Ｖ／ＵＶ判別）を行っているた
め、音質の向上が認められる。この各バンド毎のＶ／Ｕ
Ｖ判別は、主としてバンド内のスペクトルがいかに強く
ハーモニクス構造を有しているかを見て行っている。

【０００６】このＭＢＥ符号化の分析側で得られたピッ
チ情報、バンド毎のＶ／ＵＶ判別情報、及び振幅情報を
合成側に送り、合成側でこれらの情報に基づいて正弦波
（あるいは余弦波等）信号やノイズ信号を処理すること
により元の音声波形を合成している。なお、情報伝送の
際に、各高調波成分の位相情報については、データ伝送
量（ビットレート）が非常に高くなるため送っていな
い。

【０００７】

【発明が解決しようとする課題】ところで、合成側で正
弦波や余弦波等を用いて元の音声波形を合成する際に、
各高調波成分についての位相情報は特に送られていない
ことから、いわゆる最小位相推移法や、ゼロ位相法のよ
うな手法により位相を決定している。

【０００８】ところが、これらの方法により位相決定さ
れて合成された音声信号波形においては、元の音声信号
波形にピッチ周期のピークの中間位置（１／２ピッチ位
置）にもピークが存在する場合に、上記合成波形にはこ
の中間ピークが表れないことがある。このような合成音
は、元の音に比べて耳障りな感じが強い。この耳障り感
の原因の一つとしては、中間ピークのエネルギがピッチ
周期のピークに加算されてピークレベルが上昇すること
が考えられている。

【０００９】本発明は、このような実情に鑑みてなされ
たものであり、ピッチ周期の各ピークの中間位置にもピ
ークが生じているような音声信号波形の伝送や再生が良
好に行い得るような音声信号の符号化方法及び復号化方
法の提供を目的とする。

【００１０】

【課題を解決するための手段】本発明に係る音声信号の
符号化方法は、入力音声信号を時間軸上でブロック単位
で区分する工程と、この区分されたブロック内で基本ピ
ッチ周期を検出する工程と、上記ブロック内の最大ピー
ク位置を含む上記基本ピッチ周期のピーク位置であるピ
ッチピーク位置を検出する工程と、上記ブロック内で上
記ピッチピーク位置に対して１／２ピッチ周期離れた中
間位置近傍の中間ピークを検出し、該中間ピークの値の
統計量ｅ₂を求める工程と、上記ブロック内で各ピッチ
ピーク位置と上記中間ピークの位置との中間位置近傍の
１／４ピッチピークを検出し、該１／４ピッチピークの
値の統計量ｅ₃を求める工程と、上記各統計量ｅ₂、ｅ
₃の大小関係に基づいて位相情報を求める工程とを有す
ることにより、上述の課題を解決する。

【００１１】より具体的には、入力音声信号を時間軸上
でブロック単位で区分する工程と、この区分されたブロ
ック内で基本ピッチ周期を検出する工程と、上記ブロッ
ク内の最大ピーク位置を検出する工程と、上記最大ピー
ク位置及び上記基本ピッチ周期に基づいて上記ブロック
内で１以上の（あるいはブロック内の全ての）ピッチピ
ーク位置を検出する工程と、上記ブロック内で求められ
た複数のピッチピーク位置の中間位置近傍のピークであ
る中間ピークを検出し、これらの中間ピークの値の統計
量（例えば平均値や累積加算値）ｅ₂を求める工程と、
上記各ピッチピーク位置とそれぞれ対応する上記各中間
ピークの位置との中間位置近傍の１／４ピッチピークを
検出し、これらの１／４ピッチピークの値の統計量ｅ₃
を求める工程と、上記各統計量ｅ₂、ｅ₃の大小関係に
基づく位相情報を求める工程とを有する。

【００１２】ここで、上記位相情報は１ビットでも２ビ
ット以上でもよい。上記統計量ｅ₂、ｅ₃が小さいとき
には上記位相情報を送らないようにしてもよい。また、
上記ブロック内での上記複数のピッチピークの値の統計
量ｅ₁を検出し、上記各統計量ｅ₂、ｅ₃との比率ｅ₂
／ｅ₁、ｅ₃／ｅ₁の大小関係に応じた位相情報を求め
るようにしてもよい。

【００１３】次に、本発明に係る音声信号の復号化方法
は、周期的な基本波とその高調波成分とを用いて音声信
号を合成する音声信号の復号化方法において、基本ピッ
チ周期のピークの中間位置のピークと、１／４ピッチ位
置のピークとに基づいて得られた位相情報が供給され、
この位相情報に応じて上記ブロックの終端位相を変化さ
せることにより、上述の課題を解決する。

【００１４】ここで、上記基本波とその高調波成分とを
合成する際に、上記位相情報に応じて奇数次高調波の終
端位相のみを基準位相に対してずらすことが考えられ、
具体的には、上記奇数次高調波の終端位相を基準位相に
対してずらせばよく、上記位相情報が１ビットのときに
はπ／４だけずらし、２ビットのときには該位相情報に
応じてπ／８の整数倍だけずらすことが好ましい。

【００１５】

【作用】ピッチ周期のピークの中間位置にもピークが生
じているような音声信号の場合でも、上記位相情報によ
りこの中間ピークを再現するような合成処理が行われ、
従来の合成処理で生じていた耳障りな感じを抑え、良好
な再生音（合成音）を得ることができる。

【００１６】

【実施例】以下、本発明に係る音声信号の符号化方法及
び復号化方法の実施例について説明する。この音声信号
の符号化方法及び復号化方法には、後述するＭＢＥ（Mu
ltibandExcitation: 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音声信号分析／合成方法を用いるこ
とができる。

【００１７】すなわち、本発明が適用される一般的な音
声信号の符号化方法及び復号化方法としては、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）／ＵＶ（無声音）の判別を行っている。こ
のＶ／ＵＶ判別情報を上記ピッチ情報やスペクトルの振
幅データと共に符号化して伝送し、合成（デコード）側
では、これらの情報に基づいて音声信号波形合成処理を
行うわけである。

【００１８】ここで、例えばＭＢＥボコーダ等の音声分
析／合成系を想定する場合、入力される時間軸上の音声
信号に対するサンプリング周波数ｆs は、通常８ｋHz
で、全帯域幅は３．４ｋHz（ただし有効帯域は２００〜
３４００Hz）であり、女声の高い方から男声の低い方ま
でのピッチラグ（ピッチ周期に相当するサンプル数）
は、２０〜１４７程度である。従って、ピッチ周波数
は、8000/147≒５４（Hz）から 8000/20＝４００（Hz）
程度までの間で変動することになる。従って、周波数軸
上で上記３．４ｋHzまでの間に約８〜６３本のピッチパ
ルス（ハーモニックス）が立つことになる。

【００１９】このように、ピッチに応じた間隔で帯域分
割すると、ブロック（フレーム）毎に分割帯域数（バン
ド数）が約８〜６３個の間で変化することになることを
考慮して、分割バンド数を一定の個数（例えば１２個程
度）に低減あるいは縮退させておくことが好ましい。

【００２０】また本発明の実施例においては、入力音声
信号の時間波形中で、ピッチ周期の各ピークの中間位置
（１／２ピッチ周期位置）にもある程度のピークが存在
するか否かを検出し、この中間ピークの存在の有無に応
じた１ビットの位相情報である位相コードを送ってい
る。合成側では、この位相コードに応じて、波形合成に
使用される基本波及び高調波のブロック（フレーム）毎
の終端位相を変化させている。具体的には、中間ピーク
が存在するときには、奇数次高調波を基準位相に対して
π／４だけずらし、中間ピークが存在しないときには、
従来と同様のゼロ位相や最小位相推移による位相決定法
を用いている。

【００２１】次に、上述したような音声信号の符号化方
法及び復号化方法が適用可能な、音声信号の分析／合成
装置（いわゆるボコーダ）の一種であるＭＢＥ（Multib
andExcitation: マルチバンド励起）ボコーダの具体例
について、図面を参照しながら説明する。

【００２２】以下に説明するＭＢＥボコーダは、D.W. G
riffin and J.S. Lim, "MultibandExcitation Vocode
r," IEEE Trans.Acoustics,Speech,and Signal Process
ing,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。

【００２３】図１は、上記ＭＢＥボコーダのエンコーダ
に本発明に係る音声信号の符号化方法を適用した実施例
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、ＨＰＦ（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（２
００Hz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＝２５
６）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。

【００２４】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) ＝１０≦ｒ＜Ｎ・・・（２）＝０ｒ＜０，Ｎ≦ｒまた、上記窓かけ処理部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）＝０ｒ＜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。

【００２５】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１５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。

【００２６】あるいは、０詰めなしで２５６点のままで
ＦＦＴを施して、処理量を減らす方法もある。

【００２７】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。

【００２８】なお、センタクリップ波形ではなく、入力
波形をＬＰＣ分析した残差波形の自己相関からピッチを
求める方法を用いてもよい。

【００２９】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。

【００３０】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に示すように、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（エクサイテイション）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。

【００３１】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。

【００３２】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、

【００３３】

【数１】

【００３４】で表せる。このエラーε_mを最小化するよ
うな｜Ａ_m｜は、

【００３５】

【数２】

【００３６】となり、この（６）式の｜Ａ_m｜のとき、
エラーε_mを最小化する。

【００３７】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。

【００３８】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｜Ａ_m｜が決定
される。このときの振幅値の計算は、有声音の振幅評価
部１８Ｖにおいて行われる。

【００３９】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。

【００４０】上記高精度ピッチサーチ部１６からの最適
ピッチ及び振幅評価部（有声音）１８Ｖからの振幅｜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ｔｏシグナル比）を利用
する。すなわち、第ｍバンドのＮＳＲであるＮＳＲ
_mは、

【００４１】

【数３】

【００４２】と表せ、このＮＳＲ_mが所定の閾値Ｔｈ₁
（例えばＴｈ₁＝0.２）より大のとき（すなわちエラー
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（Unvoiced、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。

【００４３】ところで、上述したように基本ピッチ周波
数で分割されたバンドの数（ハーモニックスの数）は、
声の高低（ピッチの大小）によって約８〜６３程度の範
囲で変動するため、各バンド毎のＶ／ＵＶフラグの個数
も同様に変動してしまう。そこで、本実施例において
は、固定的な周波数帯域で分割した一定個数のバンド毎
にＶ／ＵＶ判別結果をまとめる（あるいは縮退させる）
ようにしている。具体的には、音声帯域を含む所定帯域
（例えば０〜４０００Hz）をＮ_B個（例えば１２個）の
バンドに分割し、各バンド内の上記ＮＳＲ値に従って、
例えば重み付き平均値を所定の閾値Ｔｈ₂で弁別して、
当該バンドのＶ／ＵＶを判断している。

【００４４】次に、無声音の振幅評価部１８Ｕには、直
交変換部１５からの周波数軸上データ、ピッチサーチ部
１６からのファインピッチデータ、有声音振幅評価部１
８Ｖからの振幅｜Ａ_m｜のデータ、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。この振幅評価部（無声音）１
８Ｕ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（振幅再評価を行って）いる。このＵＶのバンドにつ
いての振幅｜Ａ_m｜_UVは、

【００４５】

【数４】

【００４６】にて求められる。

【００４７】この振幅評価部（無声音）１８Ｕからのデ
ータは、データ数変換（一種のサンプリングレート変
換）部１９に送られる。このデータ数変換部１９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３４００ｋHz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｜Ａ_m｜（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１９では、この可変個数ｍ_MX＋
１の振幅データを一定個数Ｍ（例えば４４個）のデータ
に変換している。

【００４８】ここで本実施例においては、例えば、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Ｏ_S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Ｏ_S倍の個数の振幅データを求め、このＯ_S倍の個数
（（ｍ_MX＋１）×Ｏ_S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Ｍ（例えば４
４個）のデータに変換している。

【００４９】このデータ数変換部１９からのデータ（上
記一定個数Ｍ個の振幅データ）がベクトル量子化部２０
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２０からの量子化出力データ（の主要部）は、上記高
精度のピッチサーチ部１６からの高精度（ファイン）ピ
ッチデータ及び上記有声音／無声音判別部１７からの有
声音／無声音（Ｖ／ＵＶ）判別データ、さらに、後述す
る位相コードデータと共に、符号化部２１に送られて符
号化される。

【００５０】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、振幅データ及び位相コード
データが更新されることになる。また、上記有声音／無
声音判別部１７からのＶ／ＵＶ判別データについては、
上述したように、必要に応じて１２バンド程度に低減
（縮退）され、全バンド中で１箇所以下の有声音（Ｖ）
領域と無声音（ＵＶ）領域との区分位置を有すると共
に、所定条件を満足する場合に低域側のＶ（有声音）が
高域側にまで拡張されたＶ／ＵＶ判別データパターンを
表すものである。

【００５１】上記符号化部２１においては、例えばＣＲ
Ｃ付加及びレート１／２畳み込み符号付加処理が施され
る。すなわち、上記位相コードデータ、上記ピッチデー
タ、上記有声音／無声音（Ｖ／ＵＶ）判別データ、及び
上記量子化出力データの内の重要なデータについてはＣ
ＲＣ誤り訂正符号化が施された後、畳み込み符号化が施
される。符号化部２１からの符号化出力データは、フレ
ームインターリーブ部２２に送られ、ベクトル量子化部
２０からの一部（例えば重要度の低い）データと共にイ
ンターリーブ処理されて、出力端子２３から取り出さ
れ、合成側（デコード側）に伝送（あるいは記録再生）
される。

【００５２】次に、入力音声信号のブロック内の時間波
形上で、基本ピッチ周期の各ピークの中間位置に、ある
程度の大きさのピーク（中間ピーク）が存在するか否か
を表す位相コードデータについて説明する。以下の説明
中では、この中間ピークが存在しないものをタイプＩの
音声信号、中間ピークが存在するものをタイプＩＩの音
声信号という。

【００５３】上記フィルタ１２からの出力信号は、ピー
クサーチ部２６に送られて、ブロック（例えば２５６サ
ンプル）内で最も値の大きなピーク（最大ピーク）が検
出される。

【００５４】ピッチピーク位置検出部２７では、上記ブ
ロック内の最大ピークの位置（時間軸上の位置）と、上
記高精度ピッチサーチ部１６からの基本ピッチ情報（あ
るいはピッチ抽出部１３からのピッチ情報でもよい）と
に基づいて、ピッチ周期ｐ毎に繰り返すピーク（ピッチ
ピーク）を検出する。これは、上記最大ピーク位置に対
して上記基本ピッチ周期ｐの整数倍だけ離れた位置の近
傍（数サンプル程度）の内で最大となるサンプル値ｍ１
を検出すればよい。一般にこのサンプル値ｍ１は１ブロ
ック内で複数個求められ、これらをｍ１₁、ｍ１₂、・
・・とする。

【００５５】次の局所最大検出部２８では、上記ブロッ
ク内において、上記各ピッチピーク位置の中間位置（各
ピッチピーク位置からそれぞれ１／２ピッチ周期だけ離
れた位置）の近傍や、さらに各ピッチピーク位置と上記
各中間位置とのそれぞれ中間の位置（各ピッチピーク位
置からそれぞれ１／４ピッチ周期だけ離れた位置）の近
傍での最大値となるピーク（いわゆる極大）を検出す
る。

【００５６】ここで、上記各ピッチピークｍ１₁、ｍ１
₂、・・・の各位置ｔ_p1、ｔ_p2、・・・に対して、それ
ぞれ１／２ピッチ周期（ｐ／２）だけ離れた位置の近傍
のピークである中間ピークをｍ２₁、ｍ２₂、・・・と
し、それぞれ１／４ピッチ周期（ｐ／４）だけ離れた位
置の近傍のピークである１／４ピッチピークをｍ３₁、
ｍ３₂、・・・とする。これらのピークと入力信号波形
との関係の一例を図６に示す。

【００５７】ここで上記ピッチピークｍ１₁、ｍ１₂、
・・・の統計量として、所定の閾値Ｔｈ_mより大きい条
件を満たすピッチピークｍ１_kの集合についての総和ｅ
₁を求める。すなわち、ｍ１_k＞Ｔｈ_mを満たすｋの集
合のｍ１_kの総和値がｅ₁である。同じく、中間ピーク
ｍ２₁、ｍ２₂、・・・について、上記条件を満足する
ｋの集合に対応する中間ピークｍ２_kの総和値ｅ₂を求
め、１／４ピッチピークｍ３₁、ｍ３₂、・・・につい
ても、上記条件を満足するｋの集合に対応する１／４ピ
ッチピークｍ２_kの総和値ｅ₃を求める。なお、統計量
としては、上記総和値の他にも、平均値や、ＲＭＳ値等
を用いることもできる。

【００５８】次の分類部２９では、これらの統計量（総
和値）ｅ₁、ｅ₂、ｅ₃を用いて、上記タイプＩとタイ
プＩＩとの分類を行う。すなわち、上記ピッチピークの
総和値ｅ₁と、上記各総和値ｅ₂、ｅ₃との比率ｒ₁、
ｒ₂として、ｒ₁＝ｅ₂／ｅ₁ 、ｒ₂＝ｅ₃／ｅ₁ を用い、例えば、（ｃ１）ｒ₁＞０．４かつｒ₁＞ｒ₂×１．５（ｃ２）ｒ₁＞０．５かつｒ₁＞ｒ₂×１．３（ｃ３）ｒ₁＜１．５かつｒ₂＜１．５の３つの条件（ｃ１）、（ｃ２）、（ｃ３）について、（（ｃ１）又は（ｃ２））かつ（ｃ３）を満足するとき、上記タイプＩＩに分類、すなわち上記
中間ピークが顕著に存在すると判断する。

【００５９】上記条件（ｃ３）は、ノイズやエラーの多
い場合を除外するためである。上記条件（ｃ１）、（ｃ
２）は、強い１／２ピッチ周期ピーク（中間ピーク）が
存在することを検出するためのものである。このような
タイプＩＩの波形の信号は、上記中間ピークがない、あ
るいは小さい上記タイプＩの波形の信号とは異なってい
る。

【００６０】分類部２９からは、上記タイプＩのとき
０、上記タイプＩＩのとき１となるような１ビットの位
相コードデータが出力され、符号化部２１に送られてい
る。なお符号化部２１以降の動作は、上述した通りであ
るため、説明を省略する。

【００６１】次に、伝送されて（あるいは記録再生され
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７
を参照しながら説明する。

【００６２】この図７において、入力端子３１には、上
記図１に示すエンコーダ側の出力端子２３から取り出さ
れたデータ信号に略々等しい（伝送や記録再生による信
号劣化を無視して）データ信号が供給される。この入力
端子３１からのデータは、フレームデインターリーブ部
３２に送られて、上記図１のインターリーブ処理の逆処
理となるデインターリーブ処理が施され、主要部（エン
コーダ側でＣＲＣ及び畳み込み符号化された部分で、一
般に重要度の高いデータ部分）は復号化部３３で復号化
処理されてバッドフレームマスク処理部３４に、残部
（符号化処理の施されていない重要度の低いもの）はそ
のままバッドフレームマスク処理部３４に、それぞれ送
られる。復号化部３３においては、例えばいわゆるビタ
ビ復号化処理やＣＲＣチェックコードを用いたエラー検
出処理が施される。バッドフレームマスク処理部３４
は、エラーの多いフレームのパラメータを補間で求める
ような処理を行うと共に、上記ピッチデータ、有声音／
無声音（Ｖ／ＵＶ）データ、及びベクトル量子化された
振幅データを分離して取り出す。さらに、バッドフレー
ムマスク処理部３４からは、上記信号波形上の中間ピッ
チ位置でのピーク（中間ピーク）の存在、あるいは上記
タイプＩかＩＩかを示す位相コードデータが取り出され
る。

【００６３】バッドフレームマスク処理部３４からの上
記ベクトル量子化された振幅データは、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３
６に送られて逆変換される。このデータ数逆変換部３６
では、上述した図１のデータ数変換部１９と対照的な逆
変換が行われ、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。マスク処理部３４か
らの上記ピッチデータは、有声音合成部３７及び無声音
合成部３８に送られる。またマスク処理部３４からの上
記Ｖ／ＵＶ判別データも、有声音合成部３７及び無声音
合成部３８に送られる。さらに有声音合成部３７には、
マスク処理部３４からの上記位相コードデータも送られ
ている。

【００６４】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。この場合、上記振幅データ、ピッチデー
タ及びＶ／ＵＶ判別データは、上記分析時の１フレーム
（Ｌサンプル、例えば１６０サンプル）毎に更新されて
与えられるが、フレーム間の連続性を高める（円滑化す
る）ために、上記振幅データやピッチデータの各値を１
フレーム中の例えば中心位置における各データ値とし、
次のフレームの中心位置までの間（合成時の１フレー
ム）の各データ値を補間により求める。すなわち、合成
時の１フレーム（例えば上記分析フレームの中心から次
の分析フレームの中心まで）において、先端サンプル点
での各データ値と終端（次の合成フレームの先端）サン
プル点での各データ値とが与えられ、これらのサンプル
点間の各データ値を補間により求めるようにしている。

【００６５】また、Ｖ／ＵＶ判別データに応じて全バン
ドを１箇所の区分位置で有声音（Ｖ）領域と無声音（Ｕ
Ｖ）領域とに区分することができ、この区分に応じて、
各バンド毎のＶ／ＵＶ判別データを得ることができる。
ここで、分析側（エンコーダ側）で一定数（例えば１２
程度）のバンドに低減（縮退）されている場合には、こ
れを解いて（復元して）、元のピッチに応じた間隔で可
変個数のバンドとすることは勿論である。

【００６６】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。先ず、上記位相コードデータが０の
とき、すなわち、上記中間ピークのない（あるいは小さ
い）上記タイプＩの音声信号の合成の場合について説明
する。

【００６７】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・・・（９）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。

【００６８】この（９）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・・・（10）の式によりＡ_m(n) を計算すればよい。

【００６９】次に、上記（９）式中の位相θ_m(n) は、 θ_m(n) ＝ｍω_O1ｎ＋ｎ²ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋Δωｎ・・・（11）により求めることができる。この（11）式中で、φ_0mは
上記合成フレームの先端（ｎ＝０）での第ｍ高調波の位
相（フレーム初期位相）を示し、ω₀₁は合成フレーム先
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
波数をそれぞれ示している。上記（11）式中のΔωは、
ｎ＝Ｌにおける位相φ_Lmがθ_m(L) に等しくなるような
最小のΔωを設定する。

【００７０】以下、任意の第ｍバンドにおいて、それぞ
れｎ＝０、ｎ＝ＬのときのＶ／ＵＶ判別結果に応じた上
記振幅Ａ_m(n) 、位相θ_m(n) の求め方を説明する。

【００７１】第ｍバンドが、ｎ＝０、ｎ＝Ｌのいずれも
Ｖ（有声音）とされる場合に、振幅Ａ_m(n) は、上述し
た（10）式により、伝送された振幅値Ａ_0m、Ａ_Lmを直線
補間して振幅Ａ_m(n) を算出すればよい。位相θ_m(n)
は、ｎ＝０でθ_m(0) ＝φ_0mからｎ＝Ｌでθ_m(L) がφ
_LmとなるようにΔωを設定する。

【００７２】次に、ｎ＝０のときＶ（有声音）で、ｎ＝
ＬのときＵＶ（無声音）とされる場合に、振幅Ａ_m(n)
は、Ａ_m(0) の伝送振幅値Ａ_0mからＡ_m(L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値Ａ_Lmは無声
音の振幅値であり、後述する無声音合成の際に用いられ
る。位相θ_m(n) は、θ_m(0) ＝φ_0mとし、かつΔω＝
０とする。

【００７３】さらに、ｎ＝０のときＵＶ（無声音）で、
ｎ＝ＬのときＶ（有声音）とされる場合には、振幅Ａ_m
(n) は、ｎ＝０での振幅Ａ_m(0) を０とし、ｎ＝Ｌで伝
送された振幅値Ａ_Lmとなるように直線補間する。位相θ
_m(n) については、ｎ＝０での位相θ_m(0) として、フ
レーム終端での位相値φ_Lmを用いて、 θ_m(0) ＝φ_Lm−ｍ（ω_O1＋ω_L1）Ｌ／２・・・（12）とし、かつΔω＝０とする。

【００７４】上記ｎ＝０、ｎ＝ＬのいずれもＶ（有声
音）とされる場合に、θ_m(L) がφ_LmとなるようにΔω
を設定する手法について説明する。上記（11）式で、ｎ
＝Ｌと置くことにより、 θ_m(L) ＝ｍω_O1Ｌ＋Ｌ²ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋ΔωＬ＝ｍ（ω_O1＋ω_L1）Ｌ／２＋φ_0m＋ΔωＬ＝φ_Lm となり、これを整理すると、Δωは、 Δω＝（mod2π((φ_Lm−φ_0m) − mL(ω_O1＋ω_L1)/2)／Ｌ・・・（13）となる。この（13）式でmod2π(x) とは、ｘの主値を−
π〜＋πの間の値で返す関数である。例えば、ｘ＝１.3
πのときmod2π(x) ＝−０.7π、ｘ＝２.3πのときmod2
π(x) ＝０.3π、ｘ＝−１.3πのときmod2π(x) ＝０.7
π、等である。

【００７５】以上の有声音合成は、信号波形のピッチ周
期のピーク（ピッチピーク）の中間位置近傍にピーク
（中間ピーク）が存在しないか、あっても小さい場合、
すなわち上記タイプＩ（位相コードが０）の場合の例で
あるが、上記中間ピークが存在する場合、すなわち上記
タイプＩＩ（位相コードが１）の場合には、上記フレー
ム（ブロック）終端の位相値φ_Lmをずらすような処理を
行っている。

【００７６】すなわち、この位相調整操作あるいは位相
操作処理の具体例について、図８を参照しながら説明す
る。

【００７７】この処理の最初のステップ５１において
は、伝送されてきた位相コードを判別し、１（タイプＩ
Ｉ、中間ピークあり）のときはステップ５２に進み、０
（タイプＩ）のときはステップ５５に進んでいる。ステ
ップ５２では、現在の位相フラグ（前フレームで送られ
てきた位相コードの内容）が０か１かを判別し、０のと
きにはステップ５３に進み、１のときには上記ステップ
５１に戻っている。ステップ５３では、位相調整操作を
行い、次のステップ５４に進んで、位相フラグを１に設
定している。すなわち、位相コードが０から１に変化し
たとき、ステップ５３で位相調整操作が行われる。

【００７８】この位相調整操作としては、基準位相に対
してフレーム（ブロック）終端位相をずらす操作が挙げ
られ、より具体的には、上記フレーム終端の位相値φ_Lm
を奇数次高調波（ｍ＝１、３、５、・・・）のみπ／４
だけずらしている。 φ_Lm＝φ_Lm＋π／４・・・（18）ただし、ｍ＝１、３、５、・・・

【００７９】このように、奇数次高調波をπ／４だけ進
ませることにより、ピッチピーク間の中間ピークを効果
的に付加するような信号合成が行える。

【００８０】ステップ５５では、位相フラグを判別して
おり、０のときは上記ステップ５１に戻り、１のときは
ステップ５６に進んでいる。ステップ５６では、元の通
常の音声合成処理、すなわち、ゼロ位相や最小位相推移
を用いた方法に復帰させている。具体的には、上記（1
8）式の逆の操作として、 φ_Lm＝φ_Lm−π／４・・・（19）ただし、ｍ＝１、３、５、・・・を行っている。

【００８１】このステップ５６で位相復帰操作が施され
た後、ステップ５７に進み、位相フラグを０に設定して
いる。このように、位相コードが１から０に変化したと
き、ステップ５６で位相を元の状態に戻す位相復帰処理
が行われる。

【００８２】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４３からの時
間軸上のホワイトノイズ信号波形を窓かけ処理部４４に
送って、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、ＳＴＦ
Ｔ処理部４５によりＳＴＦＴ（ショートタームフーリエ
変換）処理を施すことにより、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４
５からのパワースペクトルをバンド振幅処理部４６に送
り、上記ＵＶ（無声音）とされたバンドについて上記振
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４６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。

【００８３】バンド振幅処理部４６からの出力は、ＩＳ
ＴＦＴ処理部４７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４７からの出力
は、オーバーラップ加算部４８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。このオーバーラップ加
算部４８からの出力信号が上記加算部４１に送られる。

【００８４】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。

【００８５】以上は上記位相情報を１ビットとした場合
の実施例であるが、２ビット以上として振幅情報（ピー
クの強さの情報）も送るようにしてもよい。この場合に
は、前述したピッチピークの総和値ｅ₁に対する中間ピ
ークの総和値ｅ₂の比率ｅ₂／ｅ₁に応じて位相情報を
表し、合成側（デコード側）で奇数次高調波の位相の強
弱を調節して中間ピークの強さを可変とすればよい。

【００８６】以下、位相情報（位相コードデータ）とし
て２ビットを用いる実施例について説明する。

【００８７】２ビットの位相コードＰＣの具体例とし
て、次の条件のα、βの値に応じて位相コードデータを
決定している。すなわち、（ｅ₂／ｅ₁≧α）かつ（ｅ₂／ｅ₁＜β）かつ（ｅ₂
＞ｅ₃×1.3 ）の条件において、α、βの値に対する位相コードＰＣ及
び合成側でのフレーム終端位相値φ_Lmの奇数次高調波
（ｍ＝１、３、５、・・・）についての位相ずらし量δ
を、 α＝0.25、β＝0.5 のとき、ＰＣ＝１、δ＝π／８ α＝0.5 、β＝0.75 のとき、ＰＣ＝２、δ＝π／４ α＝0.75、β＝1.5 のとき、ＰＣ＝３、δ＝３π／８としている。これらの条件に入らないときには、位相コ
ードＰＣ＝０とし、フレーム終端位相をずらさない（あ
るいはδ＝０）ようにしている。

【００８８】このような２ビットの位相コードＰＣが伝
送される音声合成側（デコード側）では、各フレーム毎
に、フレーム終端位相φ_Lm（ただしｍ＝１、３、５、・
・・の奇数次高調波）に対して位相誤差分（位相調整
値）ψを加算するようにしている。この位相差ψは、例
えば図９に示すような構成により求めることができる。
この図９において、位相コードＰＣは入力端子６１を介
して加算器６２に送られ、この加算出力は、遅延素子
（１フレーム遅延用）６３に送られ、位相フラグＰＦと
なって加算器６２に減算入力として送られる。また、遅
延素子６３からの出力は、π／８乗算器６４でπ／８が
乗算され、位相誤差分ψとなって出力端子６５から取り
出される。従って、位相誤差分（位相調整値）ψは、 ψ＝（ＰＣ−ＰＦ）×（π／８）として求められ、この位相誤差分を、奇数次高調波のフ
レーム終端位相φ_Lm（ｍ＝１、３、５、・・・）に加算
して、 φ_Lm＝φ_Lm＋ψ のように位相調整操作あるいは位相操作処理を行ってい
る。

【００８９】なお、本発明は上記実施例のみに限定され
るものではなく、例えば、上記図１の音声分析側（エン
コード側）の構成や図７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。また、上記高調波（ハーモニクス）毎のバン
ドをまとめて（縮退させて）一定個数のバンドにするこ
とは、必要に応じて行えばよく、縮退バンド数も１２バ
ンドに限定されない。さらに、本発明が適用されるもの
は上記マルチバンド励起音声分析／合成方法に限定され
ず、サイン波合成を用いる種々の音声分析／合成方法に
容易に適用でき、また、用途としても、信号の伝送や記
録再生のみならず、ピッチ変換や、スピード変換や、雑
音抑制等の種々の用途に応用できるものである。

【００９０】

【発明の効果】以上説明したことからも明らかなよう
に、本発明に係る音声信号の符号化方法によれば、入力
音声信号を時間軸上でブロック単位で区分して基本ピッ
チ周期を検出し、上記ブロック内の最大ピーク位置を含
む上記基本ピッチ周期のピーク位置であるピッチピーク
位置を検出し、上記ブロック内で上記ピッチピーク位置
に対して１／２ピッチ周期離れた中間位置近傍での中間
ピークと、各ピッチピーク位置と上記中間ピークの位置
との中間位置近傍の１／４ピッチピークとに基づいて、
上記中間ピークがある程度以上の大きさがあるか否かを
判別して、位相情報を求めて伝送しているため、合成側
での再生音質を高めることができる。

【００９１】また、本発明に係る音声信号の復号化方法
によれば、周期的な基本波とその高調波成分とを用いて
音声信号を合成する音声信号の復号化方法において、基
本ピッチ周期のピークの中間位置近傍の中間ピークの存
在に応じて求められた位相情報に応じて上記ブロックの
終端位相を変化させているため、ピッチ周期のピークの
中間位置にもピークが生じているような音声信号の場合
でも、上記位相情報によりこの中間ピークを再現するよ
うな合成処理が行われ、従来の合成処理で生じていた耳
障りな感じを抑え、良好な再生音（合成音）を得ること
ができる。

【００９２】さらに、位相情報を２ビット以上として、
合成側で中間ピークの強さを可変制御することにより、
きめ細かな中間ピークの再現が可能となり、再生音の音
質をより高めることができる。

【図面の簡単な説明】

【図１】本発明に係る音声信号の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分析／合成符号化装
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、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】入力音声信号中のピッチ周期のピークの中間位
置近傍の中間ピークを説明するための図である。

【図７】本発明に係る音声信号の復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分析／合成符号化装
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８】位相コード情報に基づく音声信号合成時の位相
調整操作を説明するためのフローチャートである。

【図９】２ビットの位相コード情報に基づく音声信号合
成時の位相調整操作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／無声音（Ｖ／ＵＶ）判別部１８Ｖ・・・・・有声音の振幅評価部１８Ｕ・・・・・無声音の振幅評価部１９・・・・・データ数変換（データレートコンバー
ト）部２０・・・・・ベクトル量子化部２６・・・・・ピークサーチ部２７・・・・・ピッチピーク位置検出部２８・・・・・局所最大検出部２９・・・・・分類部３７・・・・・有声音合成部３８・・・・・無声音合成部

Claims

(57)【特許請求の範囲】

【請求項１】入力音声信号を時間軸上でブロック単位
で区分する工程と、この区分されたブロック内で基本ピッチ周期を検出する
工程と、上記ブロック内の最大ピーク位置を含む上記基本ピッチ
周期のピーク位置であるピッチピーク位置を検出する工
程と、上記ブロック内で上記ピッチピーク位置に対して１／２
ピッチ周期離れた中間位置近傍での中間ピークを検出
し、該中間ピークの値の統計量ｅ₂を求める工程と、上記ブロック内で各ピッチピーク位置と上記中間ピーク
の位置との中間位置近傍の１／４ピッチピークを検出
し、該１／４ピッチピークの値の統計量ｅ₃を求める工
程と、上記各統計量ｅ₂、ｅ₃の大小関係に基づいて位相情報を
求める工程とを有することを特徴とする音声信号の符号
化方法。
【請求項２】上記位相情報は１ビットであることを特
徴とする請求項１記載の音声信号の符号化方法。
【請求項３】上記各統計量ｅ₂、ｅ₃ 大小関係に基づ
いてピークの強さも考慮した２ビット以上の位相情報を
求めることを特徴とする請求項１記載の音声信号の符号
化方法。
【請求項４】上記統計量ｅ₂、ｅ₃が小さいときには上
記位相情報を送らないことを特徴とする請求項１記載の
音声信号の符号化方法。
【請求項５】上記ブロック内での上記複数のピッチピ
ークの値の統計量ｅ₁を検出し、上記各統計量ｅ₂、ｅ₃
の比率ｅ₂／ｅ₁、ｅ₃／ｅ₁の大小関係に応じた位相情報
を求めることを特徴とする請求項１記載の音声信号の符
号化方法。
【請求項６】周期的な基本波とその高調波成分とを用
いて音声信号を合成する音声信号の復号化方法におい
て、基本ピッチ周期のピークの中間位置近傍の中間ピークの
存在に応じて求められた位相情報が供給され、この位相情報に応じて上記ブロックの終端位相を変化さ
せることを特徴とする音声信号の復号化方法。
【請求項７】上記基本波とその高調波成分とを合成す
る際に、上記位相情報に応じて奇数次高調波の終端位相
のみを基準位相に対してずらすことを特徴とする請求項
６記載の音声信号の復号化方法。
【請求項８】上記位相情報として１ビットを用い、こ
の位相情報に応じて上記奇数次高調波の終端位相を基準
位相に対してπ／４だけずらすことを特徴とする請求項
７記載の音声信号の復号化方法。
【請求項９】上記位相情報として２ビットを用い、こ
の位相情報に応じて上記奇数次高調波の終端位相を基準
位相に対してπ／８の整数倍だけずらすことを特徴とす
る請求項７記載の音声信号の復号化方法。