JP3475446B2 - 符号化方法 - Google Patents

符号化方法

Info

Publication number
JP3475446B2
JP3475446B2 JP18532493A JP18532493A JP3475446B2 JP 3475446 B2 JP3475446 B2 JP 3475446B2 JP 18532493 A JP18532493 A JP 18532493A JP 18532493 A JP18532493 A JP 18532493A JP 3475446 B2 JP3475446 B2 JP 3475446B2
Authority
JP
Japan
Prior art keywords
sound
band
voiced
unvoiced
voiced sound
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP18532493A
Other languages
English (en)
Other versions
JPH0744193A (ja
Inventor
正之 西口
淳 松本
ジョセフ チャン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Priority to JP18532493A priority Critical patent/JP3475446B2/ja
Priority to US08/280,617 priority patent/US5630012A/en
Priority to DE69425935T priority patent/DE69425935T2/de
Priority to EP94111721A priority patent/EP0640952B1/en
Publication of JPH0744193A publication Critical patent/JPH0744193A/ja
Application granted granted Critical
Publication of JP3475446B2 publication Critical patent/JP3475446B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/93—Discriminating between voiced and unvoiced parts of speech signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

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、区分されたブロックを単位として符
号化処理を行うような符号化方法に関する。
【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】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に応じて行っている。
【０００６】
【発明が解決しようとする課題】ところで、例えばピッ
チが１ブロック（例えば２５６サンプル）内で急激に変
化すると、そのスペクトル構造に、例えば図１０に示す
ように特に中〜高域でいわゆる「ぼけ」が生じてしまう
ことがある。また、図１１に示すように、ハーモニクス
が必ずしも基本周期の整数倍に存在しない場合や、ピッ
チの検出精度が不足しているような場合がある。このよ
うな状況において、従来の方法で各バンド毎のＶ／ＵＶ
を判別法すると、このＶ／ＵＶ判定の際のスペクトルマ
ッチング、すなわち各バンド又はハーモニクス毎の入力
信号スペクトルと合成スペクトルとの間のマッチングに
不具合を生じ、本来Ｖ（有声音）と判別されるべきバン
ド又はハーモニクスがＵＶ（無声音）と判別されること
がある。すなわち、図１０や図１１に示す場合に、低域
側のみＶ（有声音）となり、中〜高域はＵＶ（無声音）
の判定となってしまう。その結果、合成音がいわゆるノ
イジーな（ノイズっぽい）ものとなることがある。
【０００７】また、ブロック内の信号全体に対して有声
音／無声音判別（Ｖ／ＵＶ判別）を行う場合にも、同様
な不具合が生じることがある。本発明は、このような実
情に鑑みてなされたものであり、ピッチ変化の激しいと
きやピッチ検出精度がとれない場合でも、バンド（帯
域）毎のあるいはブロック内の全信号についての有声音
／無声音の判別が有効に行い得るような高能率音声符号
化方法の提供を目的とする。
【０００８】本発明は、このような実情に鑑みてなされ
たものであり、ピッチ変化の激しいときやピッチ検出精
度がとれない場合でも、バンド（帯域）毎のあるいはブ
ロック内の全信号についての有声音／無声音の判別が有
効に行い得るような符号化方法の提供を目的とするもの
である。
【０００９】
【課題を解決するための手段】本発明に係る符号化方法
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、この区分された各ブロックの信号毎に複数の帯
域に分割する工程と、分割された各帯域毎に有声音か無
声音かを判別する工程と、低域側の所定の帯域が有声音
と判別された場合に、高域側の帯域の判別結果を無声音
から有声音に変更して最終的な有声音／無声音の判別結
果を得る工程とを有することにより、上述の課題を解決
する。
【００１０】また、低域側の第１の周波数（例えば５０
０〜７００Hz）以下の帯域がＶ（有声音）と判別された
ときは、その判別結果を高域側に拡張し、第２の周波数
（例えば３３００Hz）までの帯域を強制的に有声音とす
ることが考えられる。さらに、このような低域側での有
声音判別結果の高域側への拡張は、入力信号レベルが所
定の閾値以上の場合に限り、あるいは入力信号のゼロク
ロスレート（ゼロクロスの数）が所定値以下の場合に限
り、行わせるようにすることが考えられる。
【００１１】さらに、上記低域側の判別結果の高域側へ
の拡張を行うに先だって、Ｖ／ＵＶ判別帯域を一定個数
ＮB に縮退させたＮB 個の帯域毎判別結果から成るパタ
ーンとし、この縮退パターンを、低域側をＶ、高域側を
ＵＶとするＶ／ＵＶの変化点を少なくとも１箇所とする
ようなＶ／ＵＶの判別結果パターンに変換しておくこと
が好ましい。この変換の方法としては、上記縮退Ｖ／Ｕ
ＶパターンをＮB 次元ベクトルとし、Ｖ／ＵＶの変化点
が少なくとも１箇所の代表的ないくつかのＶ／ＵＶパタ
ーンをＮB 次元の代表ベクトルとして予め用意してお
き、ハミング距離の最も近い代表ベクトルを選択するこ
とが挙げられる。また、Ｖ／ＵＶの判別結果パターン中
のＶとされた帯域の内の最も高い帯域以下をＶ領域、こ
の帯域よりも高い部分をＵＶ領域として、Ｖ／ＵＶの変
化点が１箇所以下のパターンに変換するようにしてもよ
い。
【００１２】他の特徴として、入力音声信号をブロック
単位で区分して符号化処理を施す高能率音声符号化方法
において、上記各ブロック毎に、低域側のスペクトル構
造に基づいて有声音か無声音かの判別を行うことが挙げ
られる。
【００１３】
【作用】低域側、例えば５００〜７００Hz以下のハーモ
ニクス構造の安定した帯域での有声音／無声音（Ｖ／Ｕ
Ｖ）の判別結果を中域〜高域のＶ／ＵＶ判別の助けとし
て使用することで、ピッチ変化の激しいとき、又はハー
モニクス構造が正確に基本周期の整数倍とならない場合
でも、安定した有声音（Ｖ）の判別が可能となる。
【００１４】
【実施例】以下、本発明に係る高能率音声符号化方法の
実施例について説明する。
【００１５】
【実施例】以下、本発明に係る符号化方法の実施例につ
いて説明する。この符号化方法には、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。
【００１６】すなわち、本発明が適用される一般的な高
能率音声符号化方法としては、音声信号を時間軸上で一
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判別情報をスペクトルの振幅データと共に符号
化して伝送するわけである。
【００１７】ここで、例えばＭＢＥボコーダ等の音声合
成分析系を想定する場合、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２００〜３４
００Hz）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、２
０〜１４７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。
【００１８】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。
【００１９】本発明の実施例においては、このように縮
退させられた、あるいはピッチに応じて分割された複数
のバンド（帯域）毎になされたＶ／ＵＶの判別情報に基
づいて、全バンド中の１箇所でＶ（有声音）領域とＵＶ
（無声音）領域とを区分するような区分位置を求め、さ
らに、低域側のＶ／ＵＶの判別結果を高域側のＶ／ＵＶ
判別のための情報源の１つとして用いている。具体的に
は、５００〜７００Hz以下の低域側がＶ（有声音）と判
別されたときは、その判別結果を高域側へ拡張し、３３
００Hz程度までを強制的にＶ（有声音）とする。この拡
張は、入力信号レベルが所定の閾値以上の場合、あるい
は入力信号のゼロクロスレートが他の所定の閾値以下の
場合に限り行うようにしている。
【００２０】次に、上述したような高能率音声符号化方
法が適用可能な、音声信号の合成分析符号化装置（いわ
ゆるボコーダ）の一種のＭＢＥ（Multiband Excitatio
n: 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。
【００２１】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時間軸上の
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、時間軸上の同じブロックある
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。
【００２２】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。
【００２３】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（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、図
２のＢに示すように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、 ｘw (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ｘw (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ｗr (r) は、 ｗr (r) ＝１ ０≦ｒ＜Ｎ ・・・（２） ＝０ ｒ＜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ｗh (r) は、 ｗh (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ｗr (r) あるいはｗh (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ｗr (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ｘwr(k,r) 、ｘwh
(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ｘwh(k,r) に対して１７９
２サンプル分の０データが付加されて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。あるいは０を付加
せず、２５６サンプルのままＦＦＴ処理を行っても良
い。
【００２６】ピッチ抽出部１３では、上記ｘwr(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（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。
【００２７】高精度ピッチサーチ部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。
【００２８】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
ωs ／４π＝ｆs ／２に対応し、サンプリング周波数ｆ
s ＝ωs ／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。
【００２９】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。
【００３０】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値（各バンド
毎のエラーを最小化するような一種の振幅）｜Ａm ｜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ａm 、ｂm とすると
き、この第ｍバンドのエラーεm は、
【００３１】
【数１】
【００３２】で表せる。このエラーεm を最小化するよ
うな｜Ａm ｜は、
【００３３】
【数２】
【００３４】となり、この（６）式の｜Ａm ｜のとき、
エラーεm を最小化する。
【００３５】このような振幅｜Ａm ｜を各バンド毎に求
め、得られた各振幅｜Ａm ｜を用いて上記（５）式で定
義された各バンド毎のエラーεm を求める。次に、この
ような各バンド毎のエラーεm 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Σεm 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Σεm が最小となるようなピッチを求
める。
【００３６】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Σεm 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εm を求め、そ
の全バンドの総和値Σεm を求めることができる。この
エラー総和値Σεm 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｜Ａm ｜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。
【００３７】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。
【００３８】上記高精度ピッチサーチ部１６からの最適
ピッチ及び有声音の振幅評価部１８Ｖからの振幅｜Ａm
｜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ＮＳＲm は、
【００３９】
【数３】
【００４０】と表せ、このＮＳＲm 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｜Ａm ｜｜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。
【００４１】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。
【００４２】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ＮB 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 （例えばＴｈ2 ＝0.２）で
弁別して、当該バンドのＶ／ＵＶを判断している。ここ
で、第ｎバンド（０≦ｎ＜ＮB ）のＮＳ値であるＮＳn
を、
【００４３】
【数４】
【００４４】で表す。この（８）式において、Ｌｎ及び
Ｈｎは、上記第ｎバンドにおける下限周波数及び上限周
波数を、それぞれ基本ピッチ周波数で割り算した値の各
整数値を示している。
【００４５】従って、図６に示すように、ハーモニクス
のセンタが第ｎバンド内に入るような上記ＮＳＲm が、
ＮＳn の判別に用いられることになる。
【００４６】このようにして、上記ＮB 個（例えばＮB
＝１２）のバンド（帯域）についてのＶ／ＵＶ判別結果
が得られたわけであるが、次にこれを、低域側の帯域を
有声音とし高域側の帯域を無声音とする有声音／無声音
の変化点が１以下のパターンの判別結果に変換する処理
を行う。この処理の具体例としては、本件出願人が先に
特願平４−９２２５９号の明細書及び図面において開示
したように、Ｖ（有声音）とされた最も高いバンド（帯
域）を検出し、このバンド以下の低域側の全てのバンド
をＶ（有声音）とし、残りの高域側をＵＶ（無声音）と
することが挙げられるが、本実施例においては、次のよ
うな変換処理を行っている。
【００４７】すなわち、上記ＮB 個（例えばＮB ＝１
２）のバンドのＶ／ＵＶ判別結果より成るＮB 次元ベク
トル、例えば１２次元ベクトルＶＵＶは、第ｋバンドの
Ｖ／ＵＶ判別結果をＤk とするとき、 ＶＵＶ＝（Ｄ0 、Ｄ1 、・・・、Ｄ11） と表され、このベクトルＶＵＶと最もハミング距離の短
くなるベクトルを、 ＶＣ0 ＝（０、０、０、０、０、０、０、０、０、０、０、０） ＶＣ1 ＝（１、０、０、０、０、０、０、０、０、０、０、０） ＶＣ2 ＝（１、１、０、０、０、０、０、０、０、０、０、０） ＶＣ3 ＝（１、１、１、０、０、０、０、０、０、０、０、０） ・・・ ＶＣ11＝（１、１、１、１、１、１、１、１、１、１、１、０） ＶＣ12＝（１、１、１、１、１、１、１、１、１、１、１、１） の１３個（一般的にはＮB ＋１個）の代表ベクトルの中
からサーチする。ただし、ベクトルの各要素Ｄ0 、Ｄ
1 、・・・の値については、ＵＶ（無声音）のバンドを
０、Ｖ（有声音）のバンドを１とする。すなわち、第ｋ
バンドのＶ／ＵＶ判別結果Ｄk は、該第ｋバンドの上記
ＮＳk と上記閾値Ｔｈ2 とにより、 ＮＳk ＜Ｔｈ2 のとき、Ｄk ＝１ ＮＳk ≧Ｔｈ2 のとき、Ｄk ＝０ となる。
【００４８】あるいは、上記ハミング距離の算出におい
て、重みを付加することが考えられる。すなわち、上記
代表ベクトルＶＣn を、 ＶＣn （Ｃ0 、Ｃ1 、・・・、Ｃk 、・・・、
ＣNB-1） ただし、ｋ＜ｎのときＣk ＝１、ｋ≧ｎのときＣk ＝０ と定義して、重み付きハミング距離ＷＨＤを、
【００４９】
【数５】
【００５０】とする。この（９）式中で、Ａk は、上記
（８）式と同様に、第ｋバンド（０≦ｋ＜ＮB ）にハー
モニクスのセンタを持つＡm のバンド内平均とする。す
なわち、
【００５１】
【数６】
【００５２】である。この（１０）式中で、Ｌk 及びＨ
k は、上記第ｋバンドにおける下限周波数及び上限周波
数を、それぞれ基本ピッチ周波数で割り算した値の各整
数値を示している。（１０）式の分母は、第ｋバンドに
何本のハーモニクスが存在するかを表す。
【００５３】上記（９）式において、Ｗk は、例えば低
域側を重視するような、すなわちｋが小さいほど大きな
値とするような、固定の重み付けとすればよい。
【００５４】以上のような方法、あるいは上記特願平４
−９２２５９号の明細書及び図面において開示した方法
によって、ＮB ビットのＶ／ＵＶ判別データ（例えばＮ
B ＝１２のときには２12通りの組み合せをとり得る）
を、上記ＶＣ0 〜ＶＣNBのＮB＋１通り（例えばＮB ＝
１２のときには１３通り）の組み合せに減少させること
ができる。この処理は、本発明の実施の上では必ずしも
必要ではないが、行った方が好ましいものである。
【００５５】次に、本発明実施例の重要点となる低域側
のＶ／ＵＶ判別結果を高域側に拡張する処理について説
明する。本実施例においては、低域側の第１の周波数以
下の所定数バンドのＶ／ＵＶ判別結果がＶ（有声音）の
とき、所定の条件、例えば入力信号レベルが所定の閾値
ＴｈS より大きく、入力信号のゼロクロスレートが所定
の閾値ＴｈZ より小さい条件の下で、高域側の第２の周
波数までの所定バンドまでをＶとするような拡張を行っ
ている。この拡張は、音声のスペクトル構造の内、低域
部分の構造（ピッチ構造の強弱）が全体的な構造を代表
している傾向にある、という観測に基づいている。
【００５６】上記低域側の第１の周波数としては、例え
ば５００〜７００Hzとすることが考えられ、上記高域側
の第２の周波数としては、例えば３３００Hzとすること
が考えられる。これは、通常の音声帯域２００〜３４０
０Hzを含む帯域、例えば４０００Hzまでの帯域を、所定
バンド数、例えば１２バンドで分割するとき、上記低域
側の第１の周波数以下のバンドである例えば低域側２バ
ンドのＶ／ＵＶ判別結果がＶ（有声音）のとき、所定の
条件の下で、高域側の第２の周波数までのバンドである
例えば高域側から２バンドを除くバンドまでをＶとする
ような拡張を行うことに相当する。
【００５７】すなわち、先ず、上記処理によって得られ
たＶＣn 、又はＶＵＶのベクトルの左から（低域側か
ら）２個分（第０番と第１番）の要素Ｃ0 、Ｃ1 の値に
着目する。具体的には、ＶＣn が、Ｃ0 ＝１かつＣ1 ＝
１（低域側２バンドがＶ）のとき、もし入力信号レベル
Ｌevが所定の閾値ＴｈS より大きい（Ｌev＞ＴｈS ）と
きには、Ｃ2 〜ＣNB-3の値の如何によらず、Ｃ2 ＝Ｃ3
＝・・・＝ＣNB-3＝１とする。すなわち、拡張前のＶＣ
n と拡張後のＶＣn ’とは、 ＶＣn ＝（１、１、ｘ、ｘ、ｘ、ｘ、ｘ、ｘ、ｘ、ｘ、０、０） ＶＣn ’＝（１、１、１、１、１、１、１、１、１、１、０、０） ただし、ｘは１、０の任意の値 のように表される。
【００５８】別の表現で表すと、ＶＣn のｎが２≦ｎ≦
ＮB −２のとき、Ｌev＞ＴｈS ならば強制的にｎ＝ＮB
−２とするものである。
【００５９】なお、上記入力信号レベルＬevは、
【００６０】
【数７】
【００６１】と表される、また、上記閾値ＴｈS の具体
例としては、ＴｈS ＝７００とすることが挙げられる。
この７００という値は、入力サンプルｘ(i) が１６ビッ
トで表されるときのフルスケール正弦波入力時を０ｄＢ
とするとき、約−３０ｄＢに相当するものである。
【００６２】さらに、他の条件として、入力信号のゼロ
クロスレートや、ピッチ等を考慮することが考えられ
る。すなわち、上記条件に対して、入力信号のゼロクロ
スレートＲｚが所定の閾値ＴｈZ より小さい（Ｒｚ＜Ｔ
ｈZ ）条件、又はピッチ周期ｐが所定の閾値Ｔｈp より
小さい（ｐ＜Ｔｈp ）条件を加える（アンドの条件で結
合する）ことが挙げられる。これらの閾値ＴｈZ 、Ｔｈ
p の具体例としては、サンプリングレートを８ｋHz、１
ブロック内サンプル数を２５６サンプルとして、ＴｈZ
＝１４０、Ｔｈp ＝５０を挙げることができる。
【００６３】以上の条件をまとめると、 （１）入力信号レベルＬev＞ＴｈS （２）Ｃ0 ＝１かつＣ1 ＝１ （３）ゼロクロスレートＲｚ＜ＴｈZ 又はピッチ周期ｐ
＜Ｔｈp の（１）〜（３）の条件が全てが満足されるとき、上記
拡張を行うようにすればよい。
【００６４】なお、上記（２）の条件は、ＶＣn のｎが
２≦ｎ≦ＮB −２としても良いが、より一般化して、ｎ
1 ≦ｎ≦ｎ2 （ただし、０＜ｎ1 ＜ｎ2 ＜ＮB ）と表せ
る。
【００６５】また、低域側のＶ（有声音）である区間を
高域側に拡張する量については、種々の条件、例えば入
力信号レベル、ピッチ強度、前フレームのＶ／ＵＶの状
態、入力信号のゼロクロスレート、ピッチ周期等に応じ
て可変とすることも考えられる。より一般的には、ＶＣ
n からＶＣn’への変換を、 ＶＣn →ＶＣn’ 、 ｎ’＝ｆ（ｎ、Ｌev、・・・） と記述できる。すなわち、関数ｆ（ｎ、Ｌev、・・・）
によりｎからｎ’へマッピングされる。ただし、ｎ’≧
ｎである。
【００６６】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｜Ａm ｜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｜Ａm ｜UVは、
【００６７】
【数８】
【００６８】にて求められる。
【００６９】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｜Ａm ｜（ＵＶバンドの振幅｜Ａm ｜UVも含む）デ
ータの個数ｍMX＋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ｍMX＋
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。
【００７０】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ＮF 個に拡大した後、帯域制限型の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ＯS 倍の個数の振幅データを求め、このＯS 倍の個数
（（ｍMX＋１）×ＯS 個）の振幅データを直線補間して
さらに多くのＮM 個（例えば２０４８個）に拡張し、こ
のＮM 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。
【００７１】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）判別データと共に、符号化部
２１に送られて符号化される。
【００７２】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。
【００７３】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ＣＲＣ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２
２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。
【００７４】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。
【００７５】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、重要度の高い
データ部分（エンコーダ側でＣＲＣ及び畳み込み符号化
された部分）は復号化部３３で復号化処理されてマスク
処理部３４に送られ、残部（符号化処理の施されていな
い重要度の低いデータ）はそのままマスク処理部３４に
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。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／Ｕ
Ｖ）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。
【００７６】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３６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。
【００７７】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。
【００７８】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。
この区分位置については、上述したように、低域側のＶ
が高域側に拡張されていることがある。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。
【００７９】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。
【００８０】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Ｖm (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、 Ｖm (n) ＝Ａm (n) cos(θm (n)) ０≦ｎ＜Ｌ ・・・（13） 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（ΣＶm (n) ）し
て最終的な有声音Ｖ(n) を合成する。
【００８１】この（13）式中のＡm (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Ａ0m、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ＡLmとするとき、 Ａm (n) ＝ (L-n)Ａ0m／Ｌ＋ｎＡLm／Ｌ ・・・（14） の式によりＡm (n) を計算すればよい。
【００８２】次に、上記（13）式中の位相θm (n) は、 θm (n) ＝ｍωO1ｎ＋ｎ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋Δωｎ ・・・（15） により求めることができる。この（15）式中で、φ0m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、ωL1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（15）式中のΔωは、
ｎ＝Ｌにおける位相φLmがθm (L) に等しくなるような
最小のΔωを設定する。
【００８３】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Ａm (n) 、位相θm (n) の求め方を説明する。
【００８４】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Ａm (n) は、上述し
た（14）式により、伝送された振幅値Ａ0m、ＡLmを直線
補間して振幅Ａm (n) を算出すればよい。位相θm (n)
は、ｎ＝０でθm (0) ＝φ0mからｎ＝Ｌでθm (L) がφ
LmとなるようにΔωを設定する。
【００８５】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Ａm (n)
は、Ａm (0) の伝送振幅値Ａ0mからＡm (L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値ＡLm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θm (n) は、θm (0) ＝φ0mとし、かつΔω＝
０とする。
【００８６】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Ａm
(n) は、ｎ＝０での振幅Ａm (0) を０とし、ｎ＝Ｌで伝
送された振幅値ＡLm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θm (0) として、フ
レーム終端での位相値φLmを用いて、 θm (0) ＝φLm−ｍ（ωO1＋ωL1）Ｌ／２ ・・・（16） とし、かつΔω＝０とする。
【００８７】上記ｎ＝０、ｎ＝ＬのいずれもＶ（有声
音）とされる場合に、θm (L) がφLmとなるようにΔω
を設定する手法について説明する。上記（15）式で、ｎ
＝Ｌと置くことにより、 θm (L) ＝ｍωO1Ｌ＋Ｌ2 ｍ（ωL1−ω01）／２Ｌ＋φ0m＋ΔωＬ ＝ｍ（ωO1＋ωL1）Ｌ／２＋φ0m＋ΔωＬ ＝φLm となり、これを整理すると、Δωは、 Δω＝（mod2π((φLm−φ0m) − mL(ωO1＋ωL1)/2)／Ｌ ・・・（17） となる。この（17）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。
【００８８】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。
【００８９】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、ＳＴＦＴ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４５
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｜Ａm ｜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。
【００９０】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。
【００９１】
【発明の効果】以上の説明から明らかなように、本発明
に係る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、複数の帯域に分割し、分割さ
れた各帯域毎に有声音（Ｖ）か無声音（ＵＶ）かを判別
し、低域側の所定の帯域が有声音（Ｖ）と判別された場
合に、高域側の帯域の判別結果を無声音（ＵＶ）から有
声音（Ｖ）に変更して最終的なＶ／ＵＶ（有声音／無声
音）の判別結果を得ており、具体的には、低域側の第１
の周波数（例えば５００〜７００Hz）以下の帯域がＶ
（有声音）と判別されたときは、その判別結果を高域側
に拡張し、第２の周波数（例えば３３００Hz）までの帯
域を強制的にＶ（有声音）にすることにより、ノイズの
少ないクリアな再生音（合成音）を得ることができる。
すなわち、低域側のハーモニクス構造の安定した帯域の
Ｖ／ＵＶ判断結果を、中域〜高域の判断の助けとして使
用することで、ピッチ変化の激しいとき、又はハーモニ
クス構造が基本ピッチ周期の整数倍に正確に一致してい
ない場合でも、安定したＶ（有声音）の判断が可能とな
って、クリアな再生音を合成できる。
【００９２】ここで、図８、図９は、上述したような低
域側のＶ判別結果を高域側に拡張する処理を行わない従
来の場合（図８）と、行った場合（図９）とでの合成信
号波形を示す波形図である。
【００９３】これらの図８、図９の波形の対応する部分
を比較すると、例えば図８の部分Ａと、図９の部分Ｂと
を対比させると、図８の部分Ａが比較的凹凸の激しい波
形となっているのに対して、図９の部分Ｂが円滑な（ス
ムーズな）波形になっていることがわかる。従って、本
実施例を適用した図９の合成信号波形によれば、ノイズ
の少ないクリアな再生音（合成音）を得られることがで
きる。
【００９４】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
ド数を低減して（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。また、全バンドを１箇所以下の
区分位置で低域側Ｖ領域と高域側ＵＶ領域とに分割する
処理も必要に応じて行えばよく、行わなくともよい。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。
【００９５】
【発明の効果】以上の説明から明らかなように、本発明
に係る高能率音声符号化方法によれば、入力音声信号を
ブロック単位で区分して、複数の帯域に分割し、分割さ
れた各帯域毎に有声音（Ｖ）か無声音（ＵＶ）かを判別
し、低域側の帯域の有声音／無声音（Ｖ／ＵＶ）の判別
結果を高域側の帯域の有声音／無声音の判別に反映させ
て最終的なＶ／ＵＶ（有声音／無声音）の判別結果を得
ており、具体的には、低域側の第１の周波数（例えば５
００〜７００Hz）以下の帯域がＶ（有声音）と判別され
たときは、その判別結果を高域側に拡張し、第２の周波
数（例えば３３００Hz）までの帯域を強制的にＶ（有声
音）にすることにより、ノイズの少ないクリアな再生音
（合成音）を得ることができる。すなわち、低域側のハ
ーモニクス構造の安定した帯域のＶ／ＵＶ判断結果を、
中域〜高域の判断の助けとして使用することで、ピッチ
変化の激しいとき、又はハーモニクス構造が基本ピッチ
周期の整数倍に正確に一致していない場合でも、安定し
たＶ（有声音）の判断が可能となって、クリアな再生音
を合成できる。
【図面の簡単な説明】
【図１】本発明に係る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】ピッチ周期単位で区切られたバンドを一定個数
のバンドに縮退する処理を説明するための図である。
【図７】本発明に係る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】低域側のＶ（有声音）判別結果を高域側に拡張
する処理を行わない従来の場合の合成信号波形を示す波
形図である。
【図９】低域側のＶ（有声音）判別結果を高域側に拡張
する処理を行った本実施例の場合の合成信号波形を示す
波形図である。
【図１０】中〜高域で「ぼけ」の生じたスペクトル構造
を示す図である。
【図１１】信号の高調波成分が基本ピッチ周期の整数倍
からずれる場合のスペクトル構造を示す図である。
【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、 ３７
有声音合成部、 ３８ 無声音合成部
フロントページの続き (56)参考文献 特開 昭62−271000（ＪＰ，Ａ) 特開 平２−7100（ＪＰ，Ａ) 特開 平３−112221（ＪＰ，Ａ) 特開 平３−266899（ＪＰ，Ａ) 特開 平４−43400（ＪＰ，Ａ) 特開 平４−116700（ＪＰ，Ａ) 特開 平５−297894（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G10L 11/06 G10L 19/00 - 19/02 H03M 7/30 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (8)

    (57)【特許請求の範囲】
  1. 【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、 この区分された各ブロックの信号毎に複数の帯域に分割
    する工程と、 分割された各帯域毎に有声音か無声音かを判別する工程
    と、 低域側の所定の帯域が有声音と判別された場合に、高域
    側の帯域の判別結果を無声音から有声音に変更して最終
    的な有声音／無声音の判別結果を得る工程とを有するこ
    とを特徴とする符号化方法。
  2. 【請求項２】 上記最終的な有声音／無声音の判別結果
    を得るに先だって、上記帯域毎の有声音／無声音の先の
    判別結果パターンに基づいて、低域側の帯域を有声音と
    し高域側の帯域を無声音とする有声音／無声音の変化点
    が１以下のパターンの判別結果に変換しておくことを特
    徴とする請求項１記載の符号化方法。
  3. 【請求項３】 上記有声音／無声音の変化点が１以下と
    なるパターンを代表パターンとして予め複数個用意して
    おき、上記有声音／無声音の先の判別結果パターンとの
    ハミング距離が最も近い代表パターンを選択することに
    より変換することを特徴とする請求項２記載の符号化方
    法。
  4. 【請求項４】 低域側の第１の周波数以下の帯域が有声
    音と判別されたときは、その判別結果を高域側に拡張
    し、第２の周波数までの帯域を強制的に有声音とするこ
    とを特徴とする請求項２記載の符号化方法。
  5. 【請求項５】 上記入力音声信号の信号レベルが所定の
    閾値以上のときのみ、上記判別結果の高域側への拡張を
    行うことを特徴とする請求項４記載の符号化方法。
  6. 【請求項６】 上記入力音声信号のゼロクロスレートに
    応じて上記判別結果の高域側への拡張の実行／不実行を
    制御することを特徴とする請求項４記載の符号化方法。
  7. 【請求項７】 入力音声信号を時間軸上でブロック単位
    で区分して符号化処理を施す高能率符号化方法におい
    て、 上記各ブロック毎に、低域側のスペクトル構造に基づい
    て当該ブロックが有声音か無声音かの判別を行うことを
    特徴とする符号化方法。
  8. 【請求項８】 上記入力音声信号のゼロクロスレートに
    応じて、上記低域側のスペクトル構造に基づく有声音か
    無声音かの判別を修正することを特徴とする請求項７記
    載の符号化方法。
JP18532493A 1993-07-27 1993-07-27 符号化方法 Expired - Fee Related JP3475446B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP18532493A JP3475446B2 (ja) 1993-07-27 1993-07-27 符号化方法
US08/280,617 US5630012A (en) 1993-07-27 1994-07-26 Speech efficient coding method
DE69425935T DE69425935T2 (de) 1993-07-27 1994-07-27 Verfahren zur Unterscheidung zwischen stimmhaften und stimmlosen Lauten
EP94111721A EP0640952B1 (en) 1993-07-27 1994-07-27 Voiced-unvoiced discrimination method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP18532493A JP3475446B2 (ja) 1993-07-27 1993-07-27 符号化方法

Publications (2)

Publication Number Publication Date
JPH0744193A JPH0744193A (ja) 1995-02-14
JP3475446B2 true JP3475446B2 (ja) 2003-12-08

Family

ID=16168840

Family Applications (1)

Application Number Title Priority Date Filing Date
JP18532493A Expired - Fee Related JP3475446B2 (ja) 1993-07-27 1993-07-27 符号化方法

Country Status (4)

Country Link
US (1) US5630012A (ja)
EP (1) EP0640952B1 (ja)
JP (1) JP3475446B2 (ja)
DE (1) DE69425935T2 (ja)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5765127A (en) * 1992-03-18 1998-06-09 Sony Corp High efficiency encoding method
JP3277398B2 (ja) * 1992-04-15 2002-04-22 ソニー株式会社 有声音判別方法
US5774837A (en) * 1995-09-13 1998-06-30 Voxware, Inc. Speech coding system and method using voicing probability determination
KR970017456A (ko) * 1995-09-30 1997-04-30 김광호 음성신호의 무음 및 무성음 판별방법 및 그 장치
KR100251497B1 (ko) * 1995-09-30 2000-06-01 윤종용 음성신호 변속재생방법 및 그 장치
FR2739482B1 (fr) * 1995-10-03 1997-10-31 Thomson Csf Procede et dispositif pour l'evaluation du voisement du signal de parole par sous bandes dans des vocodeurs
JP4826580B2 (ja) * 1995-10-26 2011-11-30 ソニー株式会社 音声信号の再生方法及び装置
JP4132109B2 (ja) * 1995-10-26 2008-08-13 ソニー株式会社 音声信号の再生方法及び装置、並びに音声復号化方法及び装置、並びに音声合成方法及び装置
US5806038A (en) * 1996-02-13 1998-09-08 Motorola, Inc. MBE synthesizer utilizing a nonlinear voicing processor for very low bit rate voice messaging
US5881104A (en) * 1996-03-25 1999-03-09 Sony Corporation Voice messaging system having user-selectable data compression modes
JP3266819B2 (ja) * 1996-07-30 2002-03-18 株式会社エイ・ティ・アール人間情報通信研究所 周期信号変換方法、音変換方法および信号分析方法
JP4040126B2 (ja) * 1996-09-20 2008-01-30 ソニー株式会社 音声復号化方法および装置
JP4121578B2 (ja) * 1996-10-18 2008-07-23 ソニー株式会社 音声分析方法、音声符号化方法および装置
JP3119204B2 (ja) * 1997-06-27 2000-12-18 日本電気株式会社 音声符号化装置
AU9404098A (en) * 1997-09-23 1999-04-12 Voxware, Inc. Scalable and embedded codec for speech and audio signals
US5999897A (en) * 1997-11-14 1999-12-07 Comsat Corporation Method and apparatus for pitch estimation using perception based analysis by synthesis
KR100294918B1 (ko) * 1998-04-09 2001-07-12 윤종용 스펙트럼혼합여기신호의진폭모델링방법
US6208969B1 (en) 1998-07-24 2001-03-27 Lucent Technologies Inc. Electronic data processing apparatus and method for sound synthesis using transfer functions of sound samples
US6901362B1 (en) * 2000-04-19 2005-05-31 Microsoft Corporation Audio segmentation and classification
EP1199711A1 (en) 2000-10-20 2002-04-24 Telefonaktiebolaget Lm Ericsson Encoding of audio signal using bandwidth expansion
US7228271B2 (en) * 2001-12-25 2007-06-05 Matsushita Electric Industrial Co., Ltd. Telephone apparatus
US20050091066A1 (en) * 2003-10-28 2005-04-28 Manoj Singhal Classification of speech and music using zero crossing
US7418394B2 (en) * 2005-04-28 2008-08-26 Dolby Laboratories Licensing Corporation Method and system for operating audio encoders utilizing data from overlapping audio segments
DE102007037105A1 (de) * 2007-05-09 2008-11-13 Rohde & Schwarz Gmbh & Co. Kg Verfahren und Vorrichtung zur Detektion von simultaner Doppelaussendung von AM-Signalen
KR101666521B1 (ko) * 2010-01-08 2016-10-14 삼성전자 주식회사 입력 신호의 피치 주기 검출 방법 및 그 장치
US8886523B2 (en) * 2010-04-14 2014-11-11 Huawei Technologies Co., Ltd. Audio decoding based on audio class with control code for post-processing modes
TWI566239B (zh) * 2015-01-22 2017-01-11 宏碁股份有限公司 語音信號處理裝置及語音信號處理方法
TWI583205B (zh) * 2015-06-05 2017-05-11 宏碁股份有限公司 語音信號處理裝置及語音信號處理方法
US11575987B2 (en) * 2017-05-30 2023-02-07 Northeastern University Underwater ultrasonic communication system and method

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5765127A (en) * 1992-03-18 1998-06-09 Sony Corp High efficiency encoding method
JP3343965B2 (ja) * 1992-10-31 2002-11-11 ソニー株式会社 音声符号化方法及び復号化方法

Also Published As

Publication number Publication date
EP0640952A2 (en) 1995-03-01
EP0640952B1 (en) 2000-09-20
DE69425935T2 (de) 2001-02-15
US5630012A (en) 1997-05-13
JPH0744193A (ja) 1995-02-14
DE69425935D1 (de) 2000-10-26
EP0640952A3 (en) 1996-12-04

Similar Documents

Publication Publication Date Title
JP3475446B2 (ja) 符号化方法
US5664052A (en) Method and device for discriminating voiced and unvoiced sounds
US6047254A (en) System and method for determining a first formant analysis filter and prefiltering a speech signal for improved pitch estimation
JP3680374B2 (ja) 音声合成方法
JPH0869299A (ja) 音声符号化方法、音声復号化方法及び音声符号化復号化方法
US6023671A (en) Voiced/unvoiced decision using a plurality of sigmoid-transformed parameters for speech coding
McLoughlin et al. LSP-based speech modification for intelligibility enhancement
JP3297749B2 (ja) 符号化方法
JP3297751B2 (ja) データ数変換方法、符号化装置及び復号化装置
JP3237178B2 (ja) 符号化方法及び復号化方法
JP3218679B2 (ja) 高能率符号化方法
JP3362471B2 (ja) 音声信号の符号化方法及び復号化方法
JP3321933B2 (ja) ピッチ検出方法
JP3731575B2 (ja) 符号化装置及び復号装置
JPH0651800A (ja) データ数変換方法
JP3271193B2 (ja) 音声符号化方法
JP3218681B2 (ja) 背景雑音検出方法及び高能率符号化方法
JP3440500B2 (ja) デコーダ
JP3297750B2 (ja) 符号化方法
JP3398968B2 (ja) 音声分析合成方法
JP3218680B2 (ja) 有声音合成方法
JP3223564B2 (ja) ピッチ抽出方法
JPH07104793A (ja) 音声信号の符号化装置及び復号化装置
JP3221050B2 (ja) 有声音判別方法
JPH06202695A (ja) 音声信号処理装置

Legal Events

Date Code Title Description
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20030826

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20080926

Year of fee payment: 5

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090926

Year of fee payment: 6

LAPS Cancellation because of no payment of annual fees