JP4820954B2 - デジタル音声符号器における高調波ノイズ重み付け - Google Patents

Description

本発明は概して信号圧縮システムに関し、より詳細には、符号励起線形予測（ＣＥＬＰ：Code Excited Linear Prediction）型音声符号化システムに関する。

デジタル音声信号及びオーディオ信号の圧縮は公知である。圧縮では通常、信号を通信チャネルを通して効率的に送信するか、あるいは圧縮信号を固体メモリ装置またはコンピュータ・ハード・ディスクのようなデジタル・メディア装置に保存する必要がある。多くの圧縮（または「符号化」）技術があるが、デジタル音声符号化に非常に一般的に用いられてきた一つの方法が符号励起線形予測（ＣＥＬＰ）であり、この方法は、一連の「合成的解析（analysis-by-synthesis ）」符号化アルゴリズムの一つである。合成的解析は普通、符号化プロセスを意味し、このプロセスでは、デジタル・モデルのパラメータを使用して一連の候補信号を合成し、これらの候補信号を入力信号と比較して歪みを解析する。次に、最小歪み、または誤差成分を生じさせる一連のパラメータを送信するか、あるいは保存する。一連のパラメータを最終的に使用して元の入力信号の推定値を再構成する。ＣＥＬＰは特定の合成的解析法であり、この解析法では、一つ以上の励起コードブックを使用し、これらのコードブックは基本的に、コードブックからコードブック・インデックスに応じて取り出される複数組みのコードベクトルを含む。これらのコードベクトルは、「試行錯誤（trial and error ）」プロセスにおける音声合成装置への入力として使用され、このプロセスでは、誤差基準を候補コードベクトルの各々に関して評価し、そして最小誤差を生じさせる候補を選択する。

例えば、図１は先行技術によるＣＥＬＰ符号器１００のブロック図である。ＣＥＬＰ符号器１００では、音声サンプルｎ（ｓ（ｎ））を含む入力信号を線形予測符号化（ＬＰＣ：Linear Predictive Coding）解析ブロック１０１に入力し、このブロックにおいて、線形予測符号化を使用して短時間スペクトルの包絡線を推定する。結果として得られるスペクトル・パラメータ（またはＬＰパラメータ）は伝達関数Ａ（ｚ）によって表わされる。スペクトル・パラメータをＬＰＣ量子化ブロック１０２に入力し、ＬＰＣ量子化ブロックはスペクトル・パラメータを量子化して、マルチプレクサ１０８における使用に適する量子化スペクトル・パラメータＡ_ｑを生成する。次に、量子化スペクトル・パラメータＡ_ｑがマルチプレクサ１０８に転送され、そしてマルチプレクサは符号化ビット・ストリームを量子化スペクトル・パラメータ、及び自乗誤差最小化／パラメータ量子化ブロック１０７により決定される一連のパラメータ、τ、β、κ、及びγに基づいて生成する。この技術分野の当業者であれば分かることであるが、τ、β、κ、及びγは閉ループ・ピッチ遅延（closed loop pitch delay ）、適応コードブック・ゲイン、固定コードブック・ベクトル・インデックス、及び固定コードブック・ゲインとしてそれぞれ定義される。

量子化スペクトル・パラメータまたはＬＰパラメータはまた、該当する伝達関数１／Ａ_ｑ（ｚ）を有するＬＰＣ合成フィルタ１０５に自律的に転送される。ＬＰＣ合成フィルタ１０５はまた、合成励起信号ｕ（ｎ）を第１コンバイナ１１０から受信し、入力信号の推定値ｓ＾（ｎ）を量子化スペクトル・パラメータＡ_ｑ及び合成励起信号ｕ（ｎ）に基づいて生成する。合成励起信号ｕ（ｎ）は次のようにして生成される。適応コードブック・コードベクトルｃ_τは、適応コードブック（ＡＣＢ：Adaptive Codebook ）１０３からインデックス・パラメータτに基づいて選択される。次に、適応コードブック・コードベクトルｃ_τに対して、ゲイン・パラメータβに基づいて重み付けを行ない、そして重み付け済み適応コードブック・コードベクトルｃ_τが第１コンバイナ１１０に転送される。固定コードブック・コードベクトルｃ_ｋは、固定コードブック（ＦＣＢ：Fixed Codebook）１０４からインデックス・パラメータκに基づいて選択される。次に、固定コードブック・コードベクトルｃ_ｋに対して、ゲイン・パラメータγに基づいて重み付けを行ない、そしてこの重み付け済み固定コードブック・コードベクトルも第１コンバイナ１１０に転送される。次に、第１コンバイナ１１０は合成励起信号ｕ（ｎ）を、重み付け済み適応コードブック・コードベクトルｃ_τを重み付け済み固定コードブック・コードベクトルｃ_ｋと合成することにより生成する。（読者が理解し易いように、変数もこれらの変数のｚ変換形で表示している。変数のｚ変換は該当する大文字で表わされる。例えばｅ（ｎ）のｚ変換はＥ（ｚ）と表わされる）。

ＬＰＣ合成フィルタ１０５は入力信号推定値ｓ＾（ｎ）を第２コンバイナ１１２に転送する。第２コンバイナ１１２はまた、入力信号ｓ（ｎ）を受信し、そして入力信号の推定値ｓ＾（ｎ）を入力信号ｓ（ｎ）から減算する。入力信号ｓ（ｎ）と入力信号推定値ｓ＾（ｎ）との間の差を知覚誤差重み付けフィルタ（perceptual error weighting filter)１０６に入力し、知覚誤差重み付けフィルタは知覚重み付け誤差信号ｅ（ｎ）をｓ＾（ｎ）とｓ（ｎ）との間の差、及び重み付け関数ｗ（ｎ）に基づいて、次式が成り立つように生成する。

次に、知覚重み付け誤差信号ｅ（ｎ）が自乗誤差最小化／パラメータ量子化ブロック１０７に転送される。自乗誤差最小化／パラメータ量子化ブロック１０７は誤差信号ｅ（ｎ）を使用して、入力信号ｓ（ｎ）の最良の推定値ｓ＾（ｎ）を生成する最適な一連のτ、β、κ、及びγを求める。

図２は、符号器１００からの送信を受信する先行技術による復号器２００のブロック図である。この技術分野の当業者であれば理解できることであるが、符号器１００が生成する符号化ビット・ストリームを復号器２００のデマルチプレクサが使用して、最適な一連のパラメータ、すなわちτ、β、κ、及びγを、符号器１００が実行する合成プロセスと同じプロセスで復号化する。従って、符号器１００が生成する符号化ビット・ストリームを復号器２００が誤差を生じることなく受信する場合、復号器２００が出力する音声ｓ＾（ｎ）は、符号器１００が生成する入力音声推定値ｓ＾（ｎ）の正確な複製として再構成することができる。

図１に戻って同図を参照すると、重み付けフィルタＷ（ｚ）はヒトの耳が周波数マスク現象を示すことを利用して、信号及びノイズの周波数が近接するとした場合に、同時に生じるノイズが相対的に強い信号によってマスクされるようにしていることが示される。ＩＥＥＥ Ｔｒａｎｓ． Ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ， ｐｐ． ８０８−８１６， Ａｕｇ． １９９４に掲載されたＳａｌａｍｉ Ｒ．， Ｌａｆｌａｍｍｅ Ｃ．， Ａｄｏｕｌ Ｊ−Ｐ， Ｍａｓｓａｌｏｕｘ Ｄ．，による「パーソナル通信システム用トール・クオリティ８Ｋｂ／ｓ音声符号器（A toll quality 8 Kb/s speech coder for personal communication system）」と題された論文に記載されているように、Ｗ（ｚ）はＬＰＣ係数ａ_ｉから生成され、次式により与えられる。

上式において、次式

により表される関係があり、ｐはＬＰＣの次数である。重み付けフィルタはＬＰＣスペクトルから生成されるので、重み付けフィルタは「スペクトル重み付け」とも呼ばれる。

上述の手順では、信号周期性も基本周波数及び基本周波数の倍数の周波数でのスペクトル・ピークに影響することを考慮に入れていない。種々の技術が、これらの基本周波数の高調波のノイズをマスクする方法を利用することを提案している。例えば、「デジタル音声符号器及び高調波ノイズ重み付けを利用する方法（Digital speech coder and method utilizing harmonics noise weighting ）」と題されたＧｅｒｓｏｎ及びＪａｓｉｕｋの米国特許第５，５２８，７２３号、及びＰｒｏｃ． ＩＥＥＥ ＩＣＡＳＳＰ， ｐｐ． ２０５−２０８， １９９３に掲載されたＧｅｒｓｏｎ Ｉ． Ａ．， Ｊａｓｉｕｋ Ｍ．Ａ．，による「ＣＥＬＰ型音声符号器の性能を向上させる技術（Techniques for improving the performance of CELP type speech coders ）」と題された論文においては、重み付けフィルタにおいて高調波ノイズにマスクをかける方法が提案されている。上記文献が示しているように、高調波ノイズ重み付けを、スペクトル重み付けフィルタに高調波ノイズ重み付けフィルタＣ（ｚ）によって変形を加えることにより取り入れ、この高調波ノイズ重み付けは次式で表わされる。

上式において、Ｄはピッチ周期またはピッチ・ラグ、またはピッチ遅延に対応し、ｂ_ｉはフィルタ係数であり、そして０≦ε_ｐ＜１は高調波ノイズ重み付け係数である。高調波ノイズ重み付けを取り入れた重み付けフィルタは次式により表わされる。

高調波ノイズ重み付けの大きさは通常、積ε_ｐｂ_ｉに依存する。ｂ_ｉは遅延に依存するので、高調波ノイズ重み付けの大きさは遅延の関数である。上記の先行技術文献は、高調波ノイズ重み付け係数（ε_ｐ）の異なる値を異なる所定時間に使用することができる、すなわち、ε_ｐを時間変化パラメータ（例えば、サブフレーム毎に変化することができる）とすることができることを提案しているが、先行技術はε_ｐを選択する方法を提示していない。従って、高調波ノイズ重み付けを、最適かつ動的にε_ｐの適切な値を決定するデジタル音声符号器において行なって、高調波ノイズ重み付けの大きさの最適化を可能にする方法及び装置が必要になる。上記の先行技術文献は、高調波ノイズ重み付け係数（ε_ｐ）の異なる値を異なる時間で使用することができる（例えば、ε_ｐはサブフレーム毎に変化することができる）ことを提案しているが、先行技術はε_ｐを変える方法を提示していないか、あるいはこのような方法がいつ、またはどのようにして利点をもたらすかについて提案していない。従って、高調波ノイズ重み付けを、最適かつ動的にε_ｐの適切な値を決定するデジタル音声符号器において行って、知覚重み付け全体を向上させることができる方法及び装置が必要になる。

高調波ノイズ重み付け（ＨＮＷ：harmonic noise weighting）の大きさを最適化することができるように高調波ノイズ重み付け係数（ε_ｐ）の値を選択する必要性に対処するために、高調波ノイズ重み付けをデジタル音声符号器において行なう方法及び装置を本明細書に開示する。動作状態の間、受信音声を解析してピッチ周期を求める。次に、ＨＮＷ係数をピッチ周期に基づいて選択し、知覚ノイズ重み付けフィルタ（Ｃ（ｚ））を高調波ノイズ重み付け（ＨＮＷ）係数（ε_ｐ）に基づいて決定する。ピッチ周期（Ｄ）が長い場合、基本周波数の高調波のピークは非常に近接するので、隣接高調波成分の谷間は隣接ピーク領域をマスクする位置に配置することができる。従って、大きな高調波ノイズ重み付け係数を大きな値のＤに関して付与する必要がない。

ＨＮＷ係数はピッチ周期の関数であるので、より高精度のノイズ重み付けを行なうことができ、従って音声歪みは聴取者にとってはさほど気にならない。
本発明は高調波ノイズ重み付けをデジタル音声符号器において行なう方法を含む。本方法は、音声入力ｓ（ｎ）を受信するステップと、ピッチ周期（Ｄ）を音声入力から求めるステップと、高調波ノイズ重み付け係数ε_ｐをピッチ周期に基づいて決定するステップと、を含む。次に、知覚ノイズ重み付け関数Ｗ_Ｈ（ｚ）を高調波ノイズ重み付け係数に基づいて決定する。

本発明は更に、高調波ノイズ重み付けをデジタル音声符号器において行なう方法を含む。本方法は、音声入力ｓ（ｎ）を受信するステップと、閉ループ・ピッチ遅延（τ）を音声入力から求めるステップと、高調波ノイズ重み付け係数ε_ｐを閉ループ・ピッチ遅延に基づいて決定するステップと、を含む。次に、知覚ノイズ重み付け関数Ｗ_Ｈ（ｚ）を高調波ノイズ重み付け係数に基づいて決定する。

本発明は更にピッチ解析回路を備える装置を含み。ピッチ解析回路は音声ｓ（ｎ）を入力として有し、ピッチ周期（Ｄ）を音声に基づいて出力する。装置は高調波ノイズ重み付け係数発生器を備え、発生器はＤを入力として有し、高調波ノイズ重み付け係数（ε_ｐ）をＤに基づいて決定する。装置は更に知覚ノイズ重み付けフィルタを備え、フィルタはε_ｐを入力として有し、ε_ｐを使用して重み付け誤差信号ｅ（ｎ）を生成する。ｅ（ｎ）はｓ（ｎ）とｓ（ｎ）の推定値との間の差に基づいて表わされる。

最後に、本発明は高調波ノイズ重み付け係数発生器を備える装置を含み、高調波ノイズ重み付け係数発生器は閉ループ・ピッチ遅延（τ）を入力として有し、高調波ノイズ重み付け係数（ε_ｐ）をτに基づいて出力する。装置は知覚誤差重み付けフィルタを備え、知覚誤差重み付けフィルタはε_ｐを入力として有し、ε_ｐを使用して重み付け誤差信号ｅ（ｎ）を生成する。ｅ（ｎ）はｓ（ｎ）とｓ（ｎ）の推定値との間の差に基づいて表わされる。

次に、同様の参照番号が同様の構成要素を指す添付の図を参照すると、図３は、本発明の好適な実施形態によるＣＥＬＰ符号器３００のブロック図を示している。図示されているように、ＣＥＬＰ復号器３００は先行技術に示されるＣＥＬＰ復号器に類似するが、ピッチ解析回路３１１及びＨＮＷ係数発生器３０９が追加されている点が異なる。更に、知覚誤差重み付けフィルタ３０６は、ＨＮＷ係数をＨＮＷ係数発生器３０９から受信するように構成されている。符号器３００の動作は次のようにして行なわれる。

入力音声ｓ（ｎ）をピッチ解析回路３１１に入力し、この回路では、ｓ（ｎ）を解析してピッチ周期（Ｄ）を求める。この技術分野の当業者であれば理解できることであるが、ピッチ周期（更に、ピッチ・ラグ、遅延、またはピッチ遅延と呼ばれる）は通常、タイム・ラグであり、このタイム・ラグで、過去の入力音声が現在の入力音声と最大の相関を有する。

一旦、ピッチ周期（Ｄ）が求まると、ＤをＨＮＷ係数発生器３０９に入力し、この発生器では、特定の音声に関するＨＮＷ係数（ε_ｐ）を決定する。上述したように、高調波ノイズ重み付け係数はピッチ周期Ｄの関数として動的に変化する。高調波ノイズ重み付けフィルタは次式により表わされる。

上述したように、大きな値のＤに関して小さな高調波ノイズ重み付け（Ｃ（ｚ））を行なうことが望ましい。ε_ｐをＤの減少関数として選択する（式（７）参照）ことにより、大きな値のピッチ遅延に関して小さな大きさの高調波ノイズ重み付けを確実に行なうことができる。ε_ｐ（Ｄ）に関する多くの関数があるが、本発明の好適な実施形態では、ε_ｐ（Ｄ）は式（７）により与えられ、そして図４にグラフとして示される。

上式において、
ε_ｍａｘは高調波ノイズ重み付け係数の最大許容値であり、
ε_ｍｉｎは高調波ノイズ重み付け係数の最小許容値であり、
Ｄ_ｍａｘは最大ピッチ周期であり、この周期を超えると、高調波ノイズ重み付け係数がε_ｍｉｎに設定され、
Δは高調波ノイズ重み付け係数の傾きである。

一旦、ε_ｐ（Ｄ）が発生器３０９によって決定されると、ε_ｐ（Ｄ）をフィルタ３０６に供給して重み付けフィルタＷ_Ｈ（ｚ）を生成する。上述のように、Ｗ_Ｈ（ｚ）はＷ（ｚ）及びＣ（ｚ）の積である。誤差ｓ（ｎ）−ｓ＾（ｎ）を重み付けフィルタ３０６に供給して重み付け誤差信号ｅ（ｎ）を生成する。先行技術による符号器におけるように、誤差重み付けフィルタ３０６は誤差信号ｅ（ｎ）を入力信号と推定入力信号との間の差に基づいて生成する、すなわち次式に従って生成する。

重み付けフィルタＷ_Ｈ（ｚ）は、ヒトの耳が周波数マスク現象を示すことを利用して、同時に生じるノイズが、信号及びノイズの周波数が近接すると仮定した場合に、強い方の信号によってマスクされるようにする。ｅ（ｎ）の値に基づいて、自乗誤差最小化／パラメータ量子化回路３０７はτ、κ、γ、βの値を生成し、これらの値はチャネルを伝送されるか、あるいはデジタル・メディア装置に保存される。

上述したように、ＨＮＷ係数はピッチ周期の関数なので、精度の高いノイズ重み付けを行なうことができ、従って音声歪みは聴取者にはさほど気にならない。
図５は符号器３００の動作を示すフロー・チャートである。論理フローはステップ５０１から始まり、このステップでは、音声入力（ｓ（ｎ））をピッチ解析回路３１１が受信する。ステップ５０３では、ピッチ解析回路３１１はピッチ周期（Ｄ）を求め、ＤをＨＮＷ係数発生器３０９に出力する。ＨＮＷ係数発生器３０９はＤを使用して高調波ノイズ重み付け係数（ε_ｐ）をＤに基づいて決定し、そしてε_ｐを知覚誤差重み付けフィルタ３０６に出力する（ステップ５０５）。最後に、ステップ５０７では、フィルタ３０６はε_ｐを使用して知覚ノイズ重み付け関数Ｗ_Ｈ（ｚ）を生成する。

本発明について特定の実施形態を参照しながら特定の形で示し、記載してきたが、この技術分野の当業者であれば、形式及び詳細における種々の変更を実施形態に、本発明の技術思想及び技術範囲から逸脱しない範囲において加え得ることが理解できるであろう。例えば、Ｗ_Ｈ（ｚ）をε_ｐに基づいて生成するために特定の公式を与えたが、Ｗ_Ｈ（ｚ）をε_ｐに基づいて生成する他の手段を利用することも考えられる。例えば、式（６）のＣ（ｚ）の定義を行なうための加算項は、ε_ｐを乗じる前に更に変更することができる。更に、別の実施形態では、ε_ｐをτに基づいて表わすことができ、この場合、τ（図６参照）を式（７）のＤの代わりに用いる。上述したように、τは閉ループ・ピッチ遅延として定義され、この場合、ε_ｐはτの減少関数である。従って、式（７）は次式のように表わされる。

上式において、
ε_ｍａｘは高調波ノイズ重み付け係数の最大許容値であり、
ε_ｍｉｎは高調波ノイズ重み付け係数の最小許容値であり、
τ_ｍａｘは最大閉ループ・ピッチ遅延であり、この遅延を超えると、高調波ノイズ重み付け係数がε_ｍｉｎに設定され、
Δは高調波ノイズ重み付け係数の傾きである。

先行技術による符号励起線形予測（ＣＥＬＰ）符号器のブロック図。 先行技術によるＣＥＬＰ復号器のブロック図。 本発明の好適な実施形態によるＣＥＬＰ復号器のブロック図。 ε_ｐ対ピッチ・ラグ（Ｄ）の関係を表わすグラフ。 本発明の高調波ノイズ重み付け方法を取り入れるためにＣＥＬＰ符号器が実行するステップを示すフロー・チャート。 本発明の別の実施形態によるＣＥＬＰ符号器のブロック図。

Claims (2)

1. 高調波ノイズ重み付けをデジタル音声符号器において行なう方法であって、
   音声入力ｓ（ｎ）を受信するステップと、
   閉ループ・ピッチ遅延（τ）を前記音声入力から求めるステップと、
   高調波ノイズ重み付け係数εｐを前記閉ループ・ピッチ遅延に基づいて決定するステップであって、次式が成り立ち、
   

   

   上式において、
   εｍａｘは前記高調波ノイズ重み付け係数の最大許容値であり、
   εｍｉｎは前記高調波ノイズ重み付け係数の最小許容値であり、
   前記高調波ノイズ重み付け係数は、前記最大許容値と前記最小許容値との間で、前記閉ループ・ピッチ遅延と比例し、
   τｍａｘは最大閉ループ・ピッチ遅延であり、該ピッチ遅延を超えると、前記高調波ノイズ重み付け係数がεｍｉｎに設定され、
   Δは前記高調波ノイズ重み付け係数の傾きである、前記高調波ノイズ重み付け係数εｐを決定するステップと、
   知覚ノイズ重み付け関数ＷＨ（ｚ）を前記高調波ノイズ重み付け係数に基づいて決定するステップと、
   を備える方法。
2. 装置であって、
   閉ループ・ピッチ遅延（τ）を入力として有し、かつ高調波ノイズ重み付け係数（εｐ）をτに基づいて出力する高調波ノイズ係数発生器であって、次式が成り立ち、
   

   

   上式において、
   εｍａｘは前記高調波ノイズ重み付け係数の最大許容値であり、
   εｍｉｎは前記高調波ノイズ重み付け係数の最小許容値であり、
   前記高調波ノイズ重み付け係数は、前記最大許容値と前記最小許容値との間で、前記閉ループ・ピッチ遅延と比例し、
   τｍａｘは最大閉ループ・ピッチ遅延であり、該ピッチ遅延を超えると、前記高調波ノイズ重み付け係数がεｍｉｎに設定され、
   Δは前記高調波ノイズ重み付け係数の傾きである、前記高調波ノイズ係数発生器と、
   εｐを入力として有し、かつｅ（ｎ）がｓ（ｎ）とｓ（ｎ）の推定値との間の差に基づいて表わされる場合に、εｐを使用して重み付け誤差信号ｅ（ｎ）を生成する知覚誤差重み付けフィルタと、
   を備える装置。

Images