JP5002642B2 - 広帯域音声符号化方法及び広帯域音声符号化装置 - Google Patents

Description

本発明は、広帯域音声符号化方法及び広帯域音声符号化装置に係り、狭帯域音声信号を高品質で符号化する広帯域音声符号化処理に関する。

移動通信システムを用いた音声の伝送においても、広帯域音声信号を音質良く伝送することが求められ、例えば、ＩＴＵ−Ｔ勧告Ｇ．７２２．２に広帯域音声符号化方式が記載されている。このＩＴＵ−Ｔ勧告Ｇ．７２２．２に記載された広帯域音声符号化方式はＡＭＲ−ＷＢ（Adaptive Multi Rate Wide Band）方式と呼ばれ、１６ｋＨｚサンプリングの広帯域音声信号を高品質に符号化することを目的としており、９つのビットレートが使用可能である。一般に、音声符号化では、高いビットレートで符号化するほど音質が良く、低いビットレートで符号化するほど音質は低下する傾向にある。

このＩＴＵ−Ｔ勧告Ｇ．７２２．２に記載された広帯域音声符号化方式では、５０Ｈｚ〜７ｋＨｚ程度の帯域幅を持つ広帯域音声信号の符号化を想定しているため、入力信号のサンプリングレートは１６ｋＨｚに定められている。ところが、通常の電話音声のような４ｋＨｚ以上の周波数を持たない８ｋＨｚのサンプリングレートの音声信号が入力されるときは、この狭帯域音声信号を符号化するために、まず１６ｋＨｚにアップサンプリングする必要がある。

このように８ｋＨｚから１６ｋＨzにアップサンプリングされた音声信号は、４ｋＨｚ以上の周波数を持たない狭帯域音声信号であるにも関わらず、通常の広帯域音声信号と同じに扱われ、広帯域音声信号に特化した符号化方法により符号化される。従って、４ｋＨｚ以上の周波数を持たない８ｋＨｚから１６ｋＨｚにアップサンプリングされた音声信号に対しても、通常の広帯域音声信号に特化した符号化が行われるため、音声符号化方式と入力信号の帯域幅とのミスマッチにより、符号化効率が落ちるため、音質の良い符号化が行えない問題点がある。

このため、狭帯域の通信路や狭帯域のコーデックを介すなどして帯域制限されたような狭帯域の音声信号に対して広帯域音声コーデックを用いると、６〜１０ｋｂｉｔ／ｓ程度の中〜低ビットレートでは、狭帯域の音声コーデックを用いた場合より、音質が極めて悪くなる。４ｋＨｚ以上の周波数が非常に少ない音声信号が入力される場合についても、同様の問題がある。

また、音声符号化で音質を改善するための方法として、パルスの位置の集合を複数セット保有し、音源量子化部でパルス位置の集合の各々のセットについて音声信号との間の歪を計算し、この歪を小さくするパルスの位置の集合を選択する処理が知られている（例えば、特許文献１参照。）。

特開２００１−３１８６９８号公報（第２−４頁、図１）

しかしながら、上述した従来の方法では、保有するパルスの位置の集合の各々について歪を計算する必要があるため、結果として、パルスの位置の集合を選択するのに要する計算量が膨大になるという問題点がある。また、従来の方法は、音声符号化方式と入力信号の帯域幅とのミスマッチの問題について、何ら考慮されてはおらず、上述した、狭帯域音声信号を広帯域音声符号化した場合に音質が極めて悪くなるという問題点は解決されていない。

本発明は、上記問題点を解決するためになされたもので、狭帯域音声信号を符号化しても良い音質を得ることができる広帯域音声符号化方法及び広帯域音声符号化装置を提供することを目的とする。

実施形態によれば、広帯域音声符号化方法は、入力音声信号をスペクトルパラメータと音源信号とにより表し、スペクトルパラメータ及び音源信号をそれぞれ符号化する広帯域音声符号化方法において、与えられたパルス位置候補から複数のパルスを選択し、前記音源信号を選択したパルスを用いて符号化する符号化の過程と、前記入力音声信号が広帯域音声信号であるか狭帯域音声信号であるかを識別する識別の過程と、前記識別の過程によって前記入力音声信号が広帯域音声信号であると識別された場合には、広帯域音声信号用の所定の解像度を有するパルス位置候補を選択するよう前記符号化の過程を制御し、前記識別の過程によって前記入力音声信号が狭帯域音声信号であると識別された場合には、前記広帯域音声信号用の所定の解像度を有するパルス位置候補の解像度を前記広帯域音声信号用の所定の解像度よりも低くするよう前記符号化の過程を制御する制御の過程と、前記入力音声信号のサンプリングレートを広帯域音声信号用のサンプリングレートに変換する変換の過程と、前記符号化の過程による符号化結果を出力する出力の過程とを有する。

また、実施形態によれば、広帯域音声符号化装置は、入力音声信号をスペクトルパラメータと音源信号とにより表し、スペクトルパラメータ及び音源信号をそれぞれ符号化する広帯域音声符号化装置において、与えられたパルス位置候補から複数のパルスを選択し、前記音源信号を選択したパルスを用いて符号化する符号化手段と、前記入力音声信号が広帯域音声信号であるか狭帯域音声信号であるかを識別する識別手段と、前記識別手段が前記入力音声信号を広帯域音声信号であると識別した場合には、広帯域音声信号用の所定の解像度を有するパルス位置候補を選択するよう前記符号化手段を制御し、前記識別手段が前記入力音声信号を狭帯域音声信号であると識別した場合には、前記広帯域音声信号用の所定の解像度を有するパルス位置候補の解像度を前記広帯域音声信号用の所定の解像度よりも低くするよう前記符号化手段を制御する制御手段と、前記入力音声信号のサンプリングレートを広帯域音声信号用のサンプリングレートに変換する変換手段と、前記符号化手段による符号化結果を出力する出力手段とを有する。

以上述べたように、本発明によれば、狭帯域音声信号が入力されたことを検出して、広帯域音声符号化を狭帯域音声信号に適合化させることにより、狭帯域音声信号も高い音質で符号化することができる。

本発明の実施形態に係る広帯域音声符号化装置を示すブロック図。 本発明の第１の実施形態に係る音声符号化部を示すブロック図。 本発明の第１の実施形態に係るパルス位置候補設定部及びパルス位置候補を示すブロック図（第１の例）。 本発明の実施形態に係る整数サンプル位置のパルス位置候補。 本発明の第１の実施形態に係る偶数サンプル位置のパルス位置候補。 本発明の第１の実施形態に係るパルス位置候補設定部及びパルス位置候補を示すブロック図（第２の例）。 本発明の第１の実施形態に係る奇数サンプル位置のパルス位置候補。 本発明の実施形態に係る制御部の制御動作を示すフローチャート。 本発明の第２の実施形態に係る音声符号化部を示すブロック図。 本発明の実施形態に係る音声符号化部を示すブロック図。

以下に、本発明による広帯域音声符号化方法及び広帯域音声符号化装置の実施の形態を、図面を参照して説明する。

（第１の実施の形態）
図１は、本発明の実施形態に係る広帯域音声符号化装置を示すブロック図である。この装置は、帯域検出部１１と、サンプリングレート変換部１２と、音声符号化部１４と、装置全体の制御を行う制御部１５とにより構成され、入力音声信号１０を受信し、その入力音声信号１０を符号化した出力符号１９を出力する装置である。

帯域検出部１１は、入力音声信号１０のサンプリングレートを検出し、検出されたサンプリングレートを制御部１５に通知する。

この時、帯域検出部１１は、（１）入力音声信号１０のサンプリングレート情報を外部から入力して検出する、（２）入力音声信号１０の属性情報（ファイルのヘッダー情報など）を取得して検出する、（３）入力音声信号１０を発生したコーデックの識別情報を取得し、それが狭帯域コーデックか広帯域コーデックであるかによって入力音声信号のサンプリングレートを検出する、のいずれかの方法によってサンプリングレートの検出を行うが、これらに限るものではない。例えば、図１０は、入力音声信号１０からサンプリングレート情報や広帯域信号／狭帯域信号を識別する情報を取得する構成の帯域検出部１１ａを示している。これは、入力音声信号系列の所定部分のビットの中に、サンプリングレート情報や広帯域／狭帯域を識別する情報、もしくは、入力音声信号の属性情報、または、入力音声信号１０を発生したコーデックの識別情報などが埋め込まれているような場合にはこのような構成となる。埋め込み方としては、入力音声信号系列のＰＣＭの最下位側のビットに埋め込む方法が考えられる。こうすることで、PCMの上位ビットに影響を与えることなく、（すなわち、入力音声信号の音質に影響を与えることなく）サンプリングレート情報や広帯域／狭帯域を識別する情報、もしくは、入力音声信号の属性情報、または、入力音声信号１０を発生したコーデックの識別情報などを埋め込むことが可能となる。

このように、帯域検出部としては、様々な実施形態が考えられるが、サンプリングレート情報や広帯域／狭帯域、または、コーデックの識別ができるものであれば、どのような構成であってもよいことは言うまでもない。また、サンプリングレート情報、広帯域／狭帯域の識別情報、コーデックの識別情報についても、それを代表する情報であればよい。

サンプリングレート変換部１２は、入力音声信号１０を所定のサンプリングレートに変換し、得られた所定のサンプリングレートの信号を音声符号化部１４へ送信する。

このサンプリングレート変換部１２は、８ｋＨｚサンプリング信号を入力とし、補間フィルタを用いて、アップサンプリングされた１６ｋＨｚサンプリング信号を得て出力する。また、サンプリングレート変換部１２は、１６ｋＨｚサンプリング信号を入力とし、サンプリングレートを変換することなく出力するが、これに限るものではない。

また、サンプリングレートを変換する方法としては、補間フィルタに限られるものではなく、例えば、FFT、DFT、MDCTなどの周波数変換とその変換を利用することによっても実現可能である。例えば、アップサンプリングの場合、FFT、DFT、MDCTなどで周波数変換領域に変換し、変換によって得られた周波数領域のデータに対して高域側にゼロデータを付加してデータの拡張を行い（仮想的に付加したと想定することも可能）、拡張されたデータを逆変換することでアップサンプリングされた入力信号を得る方法も有効である。こうすることで、FFT、MDCTなどの高速演算が利用できるので、補間フィルタよりも、少ない計算量で、サンプリングレートを変換することが可能となる。

音声符号化部１４は、サンプリングレート変換部１２から１６ｋＨｚサンプリングの信号を受信し、その信号を符号化して得られた出力符号１９を出力する。

音声符号化部１４が用いる音声符号化方式は、ＣＥＬＰ（Code Excited Linear Prediction）方式を例にとって説明するが、音声符号化方式は、これに限るものではない。ＣＥＬＰ方式については、例えば、M. R. Schroeder and B. S. Atal: "Code-Excited Linear Prediction (CELP): High-quality Speech at Very Low Bit Rates", Proc. ICASSP-85, pp.937-940, 1985" に示されている。

図２は、音声符号化部１４の構成を示すブロック図である。音声符号化部１４は、スペクトルパラメータ符号化部２１と、目標信号生成部２２と、インパルス応答計算部２３と、適応符号帳探索部２４と、雑音符号帳探索部２５と、ゲイン符号帳探索部２６と、パルス位置候補設定部２７と、広帯域用パルス位置候補２７ａと、狭帯域用パルス位置候補２７ｂと、音源信号生成部２８とにより構成される。

上記のように構成された、本発明の実施形態に係る音声符号化の動作を説明する。音声符号化部１４は、音声信号２０を入力し、それを符号化した出力符号１９を出力する装置であって、以下に説明する動作を行う。

スペクトルパラメータ符号化部２１は、受信した音声信号２０を分析することにより、スペクトルパラメータを抽出する。次に、抽出されたスペクトルパラメータを用いて、予めスペクトルパラメータ符号化部２１内に記憶されているスペクトルパラメータ符号帳を探索し、入力された音声信号のスペクトル包絡をより良く表現することのできる符号帳のインデックスを選択し、選択したインデックスをスペクトルパラメータ符号（Ａ）として出力する。スペクトルパラメータ符号（Ａ）は、出力符号１９の一部となる。

また、スペクトルパラメータ符号化部２１は、抽出されたスペクトルパラメータに対応した、量子化されないＬＰＣ係数と量子化されたＬＰＣ係数を出力する。以降では、説明を簡単にするために、量子化されないＬＰＣ係数や量子化されたＬＰＣ係数のことも、単にスペクトルパラメータと呼ぶことにする。

ここで述べるＣＥＬＰ方式では、スペクトル包絡を符号化する際に用いるスペクトルパラメータとしてＬＳＰ（Line Spectrum Pair）パラメータを用いるが、これに限られるものではなく、スペクトル包絡を表現できるパラメータであればＬＰＣ（Linear Predictive Coding）係数やKパラメータやＧ．７２２．２で使用されているＩＳＦパラメータなどの他のパラメータでも良い。

目標信号生成部２２は、音声信号２０と、スペクトルパラメータ符号化部２１から出力されたスペクトルパラメータと、音源信号生成部２８からの音源信号とが入力され、これら入力された信号を用いて、目標信号Ｘ（ｎ）を計算する。目標信号としては、過去の符号化の影響を除いた理想的な音源信号を聴覚重み付きの合成フィルタで合成した信号を用いるが、これに限るものではない。聴覚重み付きの合成フィルタはスペクトルパラメータを用いることで実現できることが知られている。

インパルス応答計算部２３は、スペクトルパラメータ符号化部２１から出力されたスペクトルパラメータからインパルス応答ｈ（ｎ）を求め、出力する。このインパルス応答は典型的にはＬＰＣ係数を用いた合成フィルタと聴覚重みフィルタを組み合わせた以下に示す特性の聴覚重み付き合成フィルタＨ（ｚ）を用いて計算できるが、これに限るものではない。

ここで、１／Ａｑ（ｚ）は量子化されたＬＰＣ係数

から構成される合成フィルタを表し、

である。一方、Ｗ（ｚ）は聴覚重みフィルタで、量子化されないＬＰＣ係数

から構成され、

である。ｐはＬＰＣの次数であり、０〜約７ｋＨｚ程度の帯域幅の音声信号を想定した広帯域音声符号化では、ｐ＝１６〜２０程度を用いることが知られている。

適応符号帳探索部２４は、スペクトルパラメータ符号化部２１から出力されたスペクトルパラメータと、目標信号生成部２２から出力された目標信号Ｘ（ｎ）が入力され、その入力された信号と、適応符号帳探索部２４内に記憶する適応符号帳とから、音声信号に含まれるピッチ周期を抽出し、これを符号化してピッチ周期に対応したインデックスを得て、適応符号（Ｌ）を出力する。適応符号（Ｌ）は、出力符号１９の一部をなす。

なお、適応符号帳探索部２４は、適応符号帳の探索の前に、音源信号生成部２８で生成された音源信号が入力され、入力された音源信号で適応符号帳を更新する構造となっており、適応符号帳には、過去の音源信号が格納されている。

また、適応符号帳探索部２４は、上記ピッチ周期に対応する適応符号帳からの適応符号ベクトルを音源信号生成部２８へ出力する。さらに、この適応符号ベクトルと聴覚重み付きの合成フィルタを用いて、適応符号帳からの寄与分に相当する信号（聴覚重み付き合成された適応符号ベクトル）を生成し、これをゲイン符号帳探索部２６へ出力する。さらに、適応符号帳の寄与分の信号成分を目標信号Ｘ（ｎ）から差し引くことにより、第２の目標信号X２（ｎ）（以下では、目標ベクトルＸ２とも称する。）を生成し、これを雑音符号帳探索部２５へ出力する。

パルス位置候補設定部２７は、制御部１５からの通知に基づき、雑音符号帳探索部２５が探索するパルスの位置を指定する。パルス位置候補設定部２７は、制御部１５から入力信号のサンプリングレートが１６ｋＨｚであるか８ｋＨｚであるか（もしくは、入力信号が広帯域信号であるか狭帯域信号であるか）の通知に応じて、広帯域用パルス位置候補２７ａと狭帯域用パルス位置候補２７ｂのいずれかを選択し、選択したパルス位置候補を出力する。

即ち、パルス位置候補設定部２７は、入力信号のサンプリングレートが１６ｋＨｚであるとの通知を受けると広帯域用パルス位置候補２７ａを選択し、入力信号のサンプリングレートが８ｋＨｚであるとの通知を受けると狭帯域用パルス位置候補２７ｂを選択する。

このように、入力信号のサンプリングレートが８ｋＨｚであるときには、通常の広帯域音声符号化の処理とは異なる、例外的な狭帯域用パルス位置候補２７ｂについて雑音符号帳探索部２５で探索するように制御することによって、音声符号化部１４の動作を制御する。

従来の広帯域音声符号化では、入力信号として１６ｋＨｚのサンプリングレートしか想定していないため、符号化する前の入力信号が、８ｋＨｚのサンプリングレートの狭帯域の情報しか持たない信号の場合、その信号を符号化しようとすると、８ｋＨｚのサンプリングレートの入力信号を、まず１６ｋHzにアップサンプリングし、これを通常の広帯域音声信号として符号化を行うしか方法が無い。

また、従来の広帯域音源符号化では、音源信号を表すためのパルスの位置候補は、広帯域に対応した高いサンプリングレートの位置に用意されている。

このような場合において、符号化ビットレートが例えば１０ｋｂｉｔ／ｓ程度以下になると、音源信号を表すためのパルスに多くのビットを割り当てることができなくなり、特にパルス位置に非効率にビットを使われることが原因となり、音源信号を十分に表すためのパルスを立てることが難しくなる。この結果、符号化して再生される音声信号の音質が劣化したものになりやすい。

一方、本実施形態における広帯域音声符号化装置は、８ｋＨｚサンプリングレートの入力信号が１６ｋＨｚのサンプリングレートにサンプリングレート変換されて音声符号化部１４に入力される場合でも、入力信号が広帯域か狭帯域かの情報を符号化前に検出する機能があるので、この検出結果を用いて音声符号化部１４を広帯域／狭帯域のいずれかに適応させることができる。

こうすることで、入力信号が狭帯域信号の場合は、音源信号を表すためのパルス位置の候補は、サンプリングレートを例えば８ｋＨｚに落としたものにすることで、不要に細かい解像度のパルス位置の候補にまでビットを使うことを防ぐことができる。

また、パルス位置の候補の解像度を適切に落とすことができる分、余ったビットを他の情報に使用することができるようになり、例えば、パルスの数を増やすことも可能であり、こうすることで、音源信号をより効率よく表現することに繋がる。従って、１０〜６ｋｂｉｔ／ｓ程度の低ビットレートであっても、８ｋＨｚサンプリングレートの入力信号に対し、より高品質に音声信号を符号化できるという効果がある。

図３は、広帯域用パルス位置候補２７ａとして、整数サンプル位置から構成される整数サンプル位置のパルス位置候補２７ｃを用い、狭帯域用パルス位置候補２７ｂとして、偶数サンプル位置から構成される偶数サンプル位置のパルス位置候補２７ｄを用いた場合のブロック図を示す。

図４は、代数符号帳を用いた場合の整数サンプル位置のパルス位置候補２７ｃの一例を示す。ここで、音源信号は、４つのパルスで表され、それぞれのパルスは＋１か−１の振幅を持つ。音源信号を符号化するための区間はサブフレームと呼ばれ、ここではサブフレーム長は６４サンプルで、各パルスはサブフレーム内の０〜６３のサンプル位置のなかから選択される。

図４に示す代数符号帳では、サブフレーム内の０〜６３の整数サンプル位置を４つのトラックに分割し、各トラックには１つのパルスしか立たない構成となっている。例えば、パルスi0はトラック１に含まれるパルス位置の候補｛0, 4, 8, 12, 16, 20, 24, 28, 32 36, 40, 44, 48, 52, 56, 60｝の中のどれか１つの位置から選択されることを示す。この例では、各トラック当たり、パルスの符号化には１６通りのパルス位置候補に４ビット、パルス振幅に１ビット必要であるので、４つのパルスでは、（４＋１）×４＝２０ビット必要となる。

図４に示す代数符号帳の構成は一例であり、これに限るものではないが、いずれにしても、４つのパルスは、サブフレーム内の整数サンプル位置の候補の中から選択される。

図５は、偶数サンプル位置のパルス位置候補２７ｄを示す。ここで、各パルスはサブフレーム内の０〜６３のサンプル位置のうちの偶数サンプル位置にだけ配置されたパルス位置候補から選択される構成となっている。ただし、パルス位置候補として、偶数サンプル位置の他に、奇数サンプル位置の候補が幾つか混じっていても、その本質は損なわれることはないので、この場合も本発明に含まれることは言うまでもない。

偶数サンプル位置のパルス位置候補２７ｄでは、音源信号は、５つのパルスで表され、それぞれのパルスは＋１か−１の振幅を持つ。図５の代数符号帳では、各パルスを立てることができるパルス位置候補はサブフレーム内の０〜６３のサンプル位置のうち、偶数サンプル位置にだけ配置されている。

また、サブフレーム内は偶数サンプル位置を５つのトラックに分割し、各トラックには１つのパルスしか立たない構成となっている。例えば、パルスi0はトラック１に含まれるパルス位置の候補｛0, 8, 16, 24, 32, 40, 48, 56｝の中のどれか１つの位置から選択される。

偶数サンプル位置のパルス位置候補２７ｄでは、各トラック当たり、パルスの符号化には８通りのパルス位置候補に３ビット、パルス振幅に１ビット与えると、２０ビットが与えられれば、５つのパルスを立てることが可能となる。即ち、（３＋１）×５＝２０ビットである。

ここで示す偶数サンプル位置のパルス位置候補２７ｄの構成は一例であり、トラックの構成も種々のものが考えられるが、いずれにしても、狭帯域用のパルスは、サブフレーム内の偶数サンプル位置から構成される位置候補の中から選択される。

図６は、広帯域用パルス位置候補２７ａとして、整数サンプル位置から構成される整数サンプル位置のパルス位置候補２７ｃを用い、狭帯域用パルス位置候補２７ｂとして、奇数サンプル位置から構成される奇数サンプル位置のパルス位置候補２７ｅを用いた場合のブロック図を示す。

図７は、奇数サンプル位置のパルス位置候補２７ｅを示す。この奇数サンプル位置のパルス位置候補２７ｅは、奇数サンプル位置にだけ配置されたパルス位置候補からパルスが選択される構成であって、これでも、同様の効果が得られる。

奇数サンプル位置のパルス位置候補２７ｅでは、音源信号は、５つのパルスで表され、それぞれのパルスは＋１か−１の振幅を持つ。図７に示す代数符号帳では、各パルスを立てることができるパルス位置候補は、サブフレーム内の０〜６３のサンプル位置のうち、奇数サンプル位置にだけ配置されている。また、サブフレーム内は奇数サンプル位置を５つのトラックに分割し、各トラックには１つのパルスしか立たない構成となっている。

例えば、パルスi0はトラック１に含まれるパルス位置の候補｛1, 9, 17, 25, 33, 41, 49, 57｝の中のどれか１つの位置から選択される。この例では、各トラック当たり、パルスの符号化には８通りのパルス位置候補に３ビット、パルス振幅に１ビット与えると、２０ビットが与えられれば、５つのパルスを立てることが可能となる。即ち、（３＋１）×５＝２０ビットである。

ここで示す代数符号帳の構成は一例であり、トラックの構成についても種々のものが考えられるが、いずれにしても、狭帯域用のパルスは、奇数サンプル位置の位置候補の中から選択される。

狭帯域パルス位置候補２７ｂは、更に別の構成も可能であり、偶数サンプル位置と奇数サンプル位置をサブフレーム毎に、または、偶数サンプル位置と奇数サンプル位置を複数サブフレーム毎に切り替える構成にしても良い。

要は、狭帯域用のパルス位置候補が、広帯域用のパルス位置候補よりも間引かれたサンプル位置にあるような構成で、かつ、狭帯域の帯域幅と広帯域の帯域幅の比率に応じた程度の間引き率でパルス位置の候補が与えられる構造になっていれば、狭帯域用の音源に用いるパルス位置候補としては十分機能するものとなる。その場合には、どのような構成であっても本発明に含まれることは言うまでもない。

本実施形態では、狭帯域信号の帯域幅が約４ｋＨｚ（元々は８ｋＨｚサンプリングの入力信号を１６kＨｚにアップサンプリングした信号の場合）、広帯域信号の帯域幅が約８ｋＨｚ（通常の１６kＨｚサンプリングの信号の場合）と想定しているので、狭帯域用のサンプル位置の間引き方は、サンプリングレートを１／２（勿論２／３など、１／２以上の間引き率であってもよい）に低下させたような位置にパルス位置候補が位置するような構成であれば良い。従って、狭帯域パルス位置候補は２７ｂ、広帯域パルス位置候補２７ａに比べ、位置が１／２に間引かれた構成となっている。

もし、狭帯域の音声信号である信号を広帯域音声符号化部で符号化する場合について何ら考慮されていなければ、狭帯域の音声信号についても、例えば図４に示す、広帯域パルス位置候補２７ａのような通常の広帯域信号と同じ高い時間解像度のパルス位置候補を用いることになる。

このような時間解像度の高い位置候補を用いると、限られたビット数で数本しか立てられないパルスが、不必要に細かい解像度のために、隣り合う整数サンプルに数本のパルスが過度に集中してしまうことがあり、他の必要な位置にはパルスが配分されず、音源信号としては不十分なものとなり、結果、再生される音声が劣化する。

本実施形態では、元の入力信号が狭帯域信号であることを検出し、狭帯域信号に適合した低い解像度のパルス位置候補を用いるので、パルス位置を表すためのビットが高域信号に無駄に使われることを防止できる。さらに、低い時間解像度の位置にしかパルスが立たないように制限することになるので、音源信号を表すためのパルスの複数本が不必要に集中してしまうことも無くなり、さらに、多くのパルスを立てることが可能となる。従って、より高品質な再生音声を提供することができる。

図２に戻り、雑音符号帳探索部２５は、パルス位置候補設定部２７から出力されたパルスの位置候補で構成される代数符号帳を用いて、歪みが最小となる符号ベクトルの符号、即ち、雑音符号（Ｋ）の探索を行う。代数符号帳は予め定められたＮｐ個のパルスの振幅がとり得る値を＋１と−１に限定し、パルスの位置情報と振幅情報（即ち極性情報）に従ってパルスを立てたものを符号ベクトルとして出力する構造の符号帳である。

代数符号帳の特徴としては、符号ベクトルそのものを直接には格納するのではなく、パルスの位置候補とパルスの極性についての取り決め情報だけを格納するだけで良い構造であるため、符号帳を表わすメモリ量が少なくて済み、符号ベクトルを選択するための計算量が少ないにもかかわらず、比較的高品質に音源情報に含まれる雑音成分を表すことができることが挙げられる。

このように音源信号の符号化に代数符号帳を用いるものはＡＣＥＬＰ（Algebraic Code Excited Linear Prediction）方式と呼ばれ、比較的歪の少ない合成音声が得られることが知られている。

このような構造の下、雑音符号帳探索部２５は、パルス位置候補設定部２７から出力されたパルスの位置候補と、適応符号帳探索部２４から出力された第２の目標信号Ｘ２と、インパルス応答計算部２３から出力されたインパルス応答ｈ（ｎ）が入力され、上記パルスの位置候補に従った代数符号帳からの出力信号（符号ベクトル）を用いて生成される聴覚重み付き合成された符号ベクトルと、第２の目標ベクトルＸ２との歪みを評価し、その歪みが小さくなるようなインデックス即ち、雑音符号（Ｋ）を探索する。

この際用いる評価値は

であり、この値を最大にする符号ベクトルの符号を探索することが最も歪みが小さくなる符号を選択することと等価である。ここで、上付き添え字ｔは行列の転置を表し、Ｈはインパルス応答ｈ（ｎ）から構成されるインパルス応答行列、ｃｋは符号ｋに対応する符号帳からの符号ベクトルを表す。

雑音符号帳探索部２５は、探索された雑音符号（Ｋ）と、この符号に対応する符号ベクトルと聴覚重み付き合成された符号ベクトルを出力する。雑音符号（Ｋ）は、出力符号１９の一部をなす。

雑音符号帳が代数符号帳で実現される場合、数個（ここではＮｐ個）の非零のパルスから構成されるため、上記評価値の分子はさらに

と表すことができる。ここで、ｍｉは第ｉ番目のパルスの位置、θｊは第ｉ番目のパルスの振幅、ｆ（ｎ）は相関ベクトルX２ｔＨの要素である。また、上記評価値の分母は

と表すことができる。これらを基に歪み評価値（X２ｔＨｃk）２／（ｃkｔＨｔＨｃk）が最大となるようなパルス位置ｍｊ（ｉ＝０〜Np）を探索することでパルス位置情報の選択が完了する。ここで、探索するパルス位置ｍｊは、パルス位置候補設定部２７で設定されたパルス位置候補に限定される。こうすることにより、パルス位置候補設定部２７から出力されたパルスの位置候補で構成される代数符号帳の探索が可能となる。

また、この際、符号探索に用いるｆ（ｎ）とψ（ｉ、ｊ）の必要な値を事前に計算しておくことにより、符号探索に要する計算量は非常に少ないものとなる。こうして選択されたパルス位置情報はパルス振幅情報と共に雑音符号（Ｋ）として出力される。また、雑音符号帳探索部２５は、雑音符号に対応する符号ベクトルと、聴覚重み付き合成された符号ベクトルを出力する。

ゲイン符号帳探索部２６は、適応符号帳探索部２４から出力された聴覚重み付き合成された適応符号ベクトルと、雑音符号帳探索部２５から出力された聴覚重み付き合成された符号ベクトルが入力され、音源のゲイン成分を表現するために、適応符号ベクトルに用いるゲインと、符号ベクトルに用いるゲインの２種類のゲイン（簡単のため、以降では２種類のゲインも単にゲインと呼ぶ場合がある）を符号化する。

ゲイン符号帳探索部２６は、内部に格納するゲイン符号帳から引き出されるゲイン候補を用いて再生される聴覚重み付き合成音声信号と目標信号（この実施例ではＸ(n)）との歪みが小さくなるようなインデックスであるゲイン符号（Ｇ）を探索する。そして、探索されたゲイン符号（Ｇ）とそれに対応するゲインを出力する。ゲイン符号（Ｇ）は、出力符号１９の一部をなす。

音源信号生成部２８は、適応符号帳探索部２４から出力された適応符号ベクトルと、雑音符号帳探索部２５から出力された符号ベクトルと、ゲイン符号帳探索部２６から出力されたゲインを用いて音源信号を生成する。

音源信号は、適応符号ベクトルに適応符号ベクトル用のゲインを乗じ、符号ベクトルに符号ベクトル用のゲインを乗じ、これらゲインが乗じられた後の適応符号ベクトルとゲインが乗じられた後の符号ベクトルを加算することによって得るが、これに限るものではない。

得られた音源信号は次の符号化区間において適応符号帳探索部２４で利用できるように適応符号帳探索部２４内の適応符号帳に格納される。さらに、生成された音源信号は、目標信号生成部２２において、次区間での符号化の目標信号を計算するために使用される。

次に、本発明の広帯域音声符号化方法の処理を、図８のフローチャートを用いて説明する。

帯域検出部１１で入力音声信号が広帯域信号かどうかを識別する（ステップ８１０）。識別の結果、広帯域信号である場合には、所定の広帯域符号化を行うことで符号化データを生成し（ステップ８５０）、処理を終了する。一方、狭帯域信号であると識別された場合は、例外的処理として、広帯域音声符号化部で想定しているサンプリングレート（通常は１６ｋＨｚ）に適合するように、入力信号のサンプリングレート変換を行う（ステップ８２０）。次に、例外的な広帯域音声符号化を行うための狭帯域用パラメータを用いて、狭帯域用に処理が修正された広帯域音声符号化処理を行うことで符号化データを生成し（ステップ８４０）、処理を終了する。なお、ステップ８４０において、狭帯域用に処理を修正する箇所は、広帯域音声符号化処理の中の、少なくとも一部の符号化処理であり、その一例は、雑音符号探索部で使用されるパルス位置の候補を修正することである。

以上で図８のフローチャートを用いた本発明の広帯域音声符号化方法の説明を終わる。

（第２の実施の形態）
以下に、本発明による広帯域音声符号化装置の第２の実施の形態を、第１の実施の形態との差を中心に、図面を参照して説明する。図７は、第２の実施形態に係る音声符号化部１４のブロック図を示す。ここで、図２に示す第１の実施形態に係る音声符号化部１４と比較して、同じ構成要素には同じ符号を付し、説明を省略する。

図９に示す第２の実施形態の音声符号化部１４は、図２に示す第１の実施形態に係る音声符号化部１４と比較して、パラメータ次数設定部３１があり、パラメータ次数設定部３１は、パラメータ次数を出力する。また、スペクトルパラメータ符号化部２１ａは、第１の実施形態に係るスペクトルパラメータ符号化部２１と同様の動作をするが、パラメータ次数が可変であり、パラメータ次数設定部３１によって出力されたパラメータ次数を入力して用いる。

また、パルス位置候補設定部２７及び狭帯域パルス位置候補２７ｂはなく、常に広帯域用パルス位置候補２７ａが雑音符号帳探索部２５に設定されている。なお、広帯域用パルス位置候補２７ａは、図９では省略した。

パラメータ次数設定部３１は、制御部１５からの通知に基き、スペクトルパラメータ符号化部２１ａが用いるＬＳＰパラメータの次数を設定する。即ち、パラメータ次数設定部３１は、入力信号のサンプリングレートが１６ｋＨｚであるとの通知を受けると、広帯域用ＬＳＰ次数を選択して、出力する。また、８ｋＨｚであるとの通知を受けると、狭広帯域用ＬＳＰ次数を選択して、出力する。

ＬＳＰ次数ｐとしては、入力信号が７〜８ｋＨｚ帯域の広帯域信号の場合にはｐ＝１６〜２０程度を用いるが、入力信号が狭帯域信号である場合には、例外的に、ｐ＝１０程度の値を用いる。このように、狭帯域信号に適正な程度にＬＳＰ次数を制限することがきるので、その分だけ、スペクトルパラメータの符号化に要するビット数を低減することができる効果がある。

なお、スペクトルパラメータ符号化部２１ａが用いるスペクトルパラメータがＬＳＰパラメータではなく、ＬＰＣパラメータやKパラメータ、ＩＳＦパラメータなどである場合でも、ＬＳＰパラメータと同様に、狭帯域信号に適正な程度に次数を制限した処理を行うことが可能である。

第２の実施形態における制御部１５の制御動作は、図８にフローチャートを示す第１の実施形態における制御部１５の制御動作と同じである。ただし、ステップ８５０の広帯域符号化処理は、パラメータ次数設定部３１に広帯域用ＬＳＰ次数を設定させ、広帯域音声の符号化処理を音声符号化部１４にさせることになる。

また、ステップ８４０の狭帯域用に修正された広帯域符号化処理は、パラメータ次数設定部３１に狭帯域用ＬＳＰ次数を設定させ、狭帯域音声の符号化処理を音声符号化部１４にさせることになる。

本発明は、この他にも種々の応用が可能であり、入力音声信号のサンプリングレート変換手段を有する広帯域音声符号化装置において、入力音声信号のサンプリングレート変換に応じて、もしくは、入力音声信号が広帯域信号か狭帯域信号かの識別情報を用いることにより、
・前処理部、
・適応符号帳探索部、または、ピッチ分析部
・ゲイン符号帳探索部
において使用するパラメータ数や符号化候補数などを適応的に制御することができる。

また、本発明は可変レートの広帯域音声符号化のビットレート制御に応用することも可能である。即ち、入力音声信号が広帯域信号か狭帯域信号かを識別することにより、前記広帯域音声符号化手段のビットレートを効率的に制御することが可能となる。例えば、入力音声信号が広帯域信号であれば、広帯域音声符号化部に適合した入力信号であるので、ある程度は符号化のビットレートを低くすることが可能である。

一方、入力音声信号が狭帯域信号の場合は、上述したように、広帯域音声符号化部で通常は想定していない信号であるため、符号化効率が悪い傾向にあり、このような場合は、符号化のビットレートが高くなるようなビットレートの制御を行う。ただし、入力音声信号が無音の区間については、ビットレートを高くなるように制御する必要はない。このように、入力音声信号が狭帯域信号と検出された場合で、かつ、有音無音の判定など音声のアクティビティが高い場合にだけ、符号化のビットレートが高くなるような制御をビットレート判定部に働きかけると、音声のアクティビティが低い区間でビットレートを低く抑えることができるので、平均ビットレートを、低下させることが可能となる効果がある。

このようにすることで、入力信号が広帯域信号であっても、狭帯域信号であっても、一定以上の品質を安定して提供することができる効果がある。

１０ 入力音声信号
１１、１１ａ 帯域検出部
１２ サンプリングレート変換部
１４ 音声符号化部
１５ 制御部
１９ 出力符号
２０ 音声信号
２１、２１ａ スペクトルパラメータ符号化部
２２ 目標信号生成部
２３ インパルス応答計算部
２４ 適応符号帳探索部
２５ 雑音符号帳探索部
２６ ゲイン符号帳探索部
２７ パルス位置候補設定部
３１ パラメータ次数設定部

Claims (2)

1. 入力音声信号をスペクトルパラメータと音源信号とにより表し、スペクトルパラメータ及び音源信号をそれぞれ符号化する広帯域音声符号化方法において、
   与えられたパルス位置候補から複数のパルスを選択し、前記音源信号を選択したパルスを用いて符号化する符号化の過程と、
   前記入力音声信号が広帯域音声信号であるか狭帯域音声信号であるかを識別する識別の過程と、
   前記識別の過程によって前記入力音声信号が広帯域音声信号であると識別された場合には、広帯域音声信号用の所定の解像度を有するパルス位置候補を選択するよう前記符号化の過程を制御し、前記識別の過程によって前記入力音声信号が狭帯域音声信号であると識別された場合には、前記広帯域音声信号用の所定の解像度を有するパルス位置候補の解像度を前記広帯域音声信号用の所定の解像度よりも低くするよう前記符号化の過程を制御する制御の過程と、
   前記入力音声信号のサンプリングレートを広帯域音声信号用のサンプリングレートに変換する変換の過程と、
   前記符号化の過程による符号化結果を出力する出力の過程とを有する広帯域音声符号化方法。
2. 入力音声信号をスペクトルパラメータと音源信号とにより表し、スペクトルパラメータ及び音源信号をそれぞれ符号化する広帯域音声符号化装置において、
   与えられたパルス位置候補から複数のパルスを選択し、前記音源信号を選択したパルスを用いて符号化する符号化手段と、
   前記入力音声信号が広帯域音声信号であるか狭帯域音声信号であるかを識別する識別手段と、
   前記識別手段が前記入力音声信号を広帯域音声信号であると識別した場合には、広帯域音声信号用の所定の解像度を有するパルス位置候補を選択するよう前記符号化手段を制御し、前記識別手段が前記入力音声信号を狭帯域音声信号であると識別した場合には、前記広帯域音声信号用の所定の解像度を有するパルス位置候補の解像度を前記広帯域音声信号用の所定の解像度よりも低くするよう前記符号化手段を制御する制御手段と、
   前記入力音声信号のサンプリングレートを広帯域音声信号用のサンプリングレートに変換する変換手段と、
   前記符号化手段による符号化結果を出力する出力手段とを有する広帯域音声符号化装置。

Images