JPS5853357B2 - 音声分析合成方式 - Google Patents

Description

【発明の詳細な説明】 本発明は、音声伝送方式としての音声分析合成方式に関
するものである。

音声の狭帯域伝送方式として、代表的な分析合成系は、
１９３９年に開発されたチャネルボコーダである。

チャネルボコーダの基本的構成を第１図に示す。

音声入力信号は、Ｎチャネルの帯域フィルタ（ＢＰＦ）
群で周波数分析され、各チャネルの出力信号は整流器と
低域フィルタ（ＬＰＦ）により整流平滑される。

なお、Ｎは８〜２０の場合が多い。

一方、音声入力信号の基本周波数（ピッチ周波数、Ｆｏ
）の抽出と、音声／無声の弁別が行われる。

分析部の出力信号は、周波数分析されたＮチャネルの信
号、Ｆｏ（基本周期（ピッチ周期）二Ｔｏ＝１／Ｆｏを
用いることもある）、有声／無声の弁別信号で、これら
がアナログ信号あるいはディジタル信号として伝送され
る。

合成部では、無声音源として雑音波形、有声音源として
周波数がＦ。

のパルス波形を生成し、有声／無声の弁別信号によりこ
れらを切換えてとり出し、Ｎチャネルの信号で音源信号
をそれぞれ振幅変調し、分析部と同じ帯域のＢＰＦを通
じた後゛に加え合せ、合成音声を得る。

一方、最近のディジタル技術、信号処理の進歩にともな
い、音声波形信号の線形予測符号化方式（ＬＰＣ）を利
用したボコーダが数多く提案され、実験されている。

ＬＰＣボコーダの基本的構成を第２図に示す。

音声入力信号は、ＬＰＣによりｎ次のＬＰＣ係数に分析
される。

ＬＰＣ係数としては、αパラメータ、ｋパラメータ、Ｐ
ＡＲＣＯＲ係数、対数面積比などがある。

これらは、音声の短時間周波数スペクトル、声道の伝送
特性、声道の形状に密接に関係し、相互に変換が可能で
ある。

分析の次数ｎは、８〜２０の場合が多い。

ＬＰＣボコーダでも、チャネルボコーダと同様にＦ。

抽出と有声／無声の弁別が行われる。

これらは、音声入力信号から直接行われる場合と、ＬＰ
Ｃ分析した残差信号（入力信号から声道の伝達特性の成
分をとり除いたもので、音源信号に近似する）について
行われる場合がある。

また、残差信号の振幅（ゲインとよばれる）が振幅値と
して抽出される。

ＬＰＣボコーダで伝送されるパラメータは、ＬＰＣ係数
、有声／無声の弁別信号、Ｆｏとゲインである。

合成部では、チャネルボコーダと同様に、雑音波形を無
声音源信号、周波数がＦ。

のパルス波形を有声音源とし、その振幅をゲインで振幅
変調した後にＬＰＣの合成フィルタを励振する。

チャネルボコーダ、ＬＰＣボコーダをディジタル信号と
して伝送するときは、ディジタル化された１組のパラメ
ータ（フレームとよばれる）を、１０〜３０ｍ５の周期
（フレーム周期とよばれる）ごとに伝送する。

合成に際しては、ピッチ周期ごとに、あるいは、フレー
ム周期より短い周期ごとにフレーム間の各パラメータは
内そうして用いられる。

なお、情報伝送速度は、２４００〜９６００ｂｐｓが多
い。

一般に、ピッチの伝送に６ビツト、ゲインの伝送に５〜
６ビツトが割当てられることが多い。

ところで、チャネルボコーダ、ＬＰＣボコーダとも、原
理が発表されて以来数多くの改良、開発が行われた。

しかし、合成音声の品質にやや難点があり、商用回線で
使用されるには至っていない。

しかし、専用通信回線、軍用などでは、回線を効率的に
利用できること、秘話性があることなどから利用されて
いる。

さて、その品質劣化の最大の原因は、ピッチ抽出の不適
切さにあることはよく知られている。

従って、ピッチ抽出に関しても、無数といえる程の手法
が発表されているが、未だ確立した手法はない。

特に、実用回線では周囲騒音のため、音声信号のＳＮ比
が低下し、ピッチ抽出が更に困難になることが多い。

ＳＮ比の低い音声で正確なピッチ抽出を行うことは大き
な問題で、たとえば、「長淵裕美、″コーム・フィルタ
リングによる雑音抑圧処理“、日本音響学会音声研究会
資料５７９−４８、昭和５４年１１月」では７系統の相
関計算によりピッチ周波数を定めている。

また、専用回線等では、話の内容が通じればよい場合が
多いことから、ピッチ抽出を行わず、合成側では一定の
ピッチ周波数（コンスタントピッチといわれる）で合成
する例も見受けられる。

一方、ピッチ周波数と音声波形、あるいは有声音源波形
の振幅との間に相関があることは、古くから指摘されて
いる。

たとえば、「小林、枝野、１日本語におけるピッチ・バ
タンと強さバタンとの相関１１、日本音響学会講演論文
集、１−４−８、昭和４１年５月」や「比企静雄、１１
音声ピツチの変化と声帯音の強さの変化との関係”、日
本音響学会誌、２３巻１号、ＰＰ、 ２０−２２、昭和
４２年１月」に実験結果が示されている。

前者では、ピッチ周波数と振幅強度の相関係数が平均０
．８であることが述べられている。

本発明は、チャネルボコーダＬＰＣボコーダなどの分析
合成方式において、音声の振幅値からピッチ周波数を定
めて有声音源のパルス波を生成して合成音を得ることが
特徴であり、分析側でピッチ抽出を行わず、また、その
結果としてピッチ周波数（ピッチ周期）の伝送を必要と
しない。

第３図は第１の発明の実施例のブロック図であって、１
０は入力端、３０は帯域フィルタ（ＢＰＦ）、３１は整
流器、３２は低域フィルタ（ＬＰＦ）、３３は有声／無
声弁別器、３４は振幅変調器、３５はＢＰＦ、３６はス
イッチ、３７は雑音発振器、３８は制御回路、３９はパ
ルス発振器、２０は出力端である。

１０に音声波形信号が加えられると、ＮチャネルのＢＰ
Ｆ群３０−１〜３Ｏ−Ｎ（周波数の低いＢＰＦを第１チ
ヤネルとする）によって周波数分析が行われる。

全ＢＰＦの周波数帯域は、伝送しようとする音声の周波
数帯域に対応し、Ｎは８〜２０チャネル程度でよい。

各ＢＰＦの出力は整流器３１−１〜３１−Ｎにより整流
され、ＬＰＦ３２−１〜３２−Ｎにより平滑されて準直
流波になる。

なお、ＬＰＦの遮断周波数は２０１１ｚ程度である。

一方、音声信号は有声／無声弁別器３３に加えられ、有
声／無声（Ｖ／ＵＶ）の弁別信号が１ビツトの信号で得
られる。

第３図の左半分が分析部であり、分析部の各ブロックは
、第１図に示したような従来のチャネルボコーダからピ
ッチ抽出器をとり除いたもので、公知の技術を利用でき
る。

分析部と合成部を接続する点線は、伝送過程を表わすが
、伝送方式は問わない。

合成部に送られる信号は、３２−１〜３２−Ｎの出力信
号と３３の出力（Ｖ／ＵＶ）の弁別信号である。

ここで、３２−１から３２−Ｍ （Ｍ＜Ｎ）の出力を加
え合せて制御回路３８に印加する。

３８に制御されてパルス発振器３９が有声音源のパルス
波形を発振する。

また、雑音発振器３７は常に白色雑音を発生する。

３７と３９の出力信号はスイッチ３６の端子に加えられ
る。

３６は単極双投のスイッチで、■／ＵＶの弁別信号で切
換えられ、■のときは３９の出力を取り出し、ＵＶのと
きは３７の出力を取り出す。

３６の出力信号は振幅変調器３４−１〜３４−Ｎの一端
に印加される。

３４−１〜３４−Ｎの他端には、３２−１〜３２−Ｎの
出力信号がそれぞれ印加され、３６の出力信号は３２−
１〜３２Ｎの信号で振幅変調される。

３４−１〜３４−Ｎの出力信号は、ＢＰＦ群３５−１〜
３５−Ｎによりそれぞれの周波数帯域成分をとり出した
後に加え合わされ、出力信号（合成音）として出力端２
０からとり出される。

なお、ここで、３０と３５の各周波数帯域は等しい。

また、パルス発振器３９が分析されたピッチ周波数を発
生するように制御されているとすれば、合成部の構成は
従来のチャネルボコーダの合成部と同じである。

すなわち、本発明の分析合成方式の構成は、第１図に示
したような従来のチャネルボコーダからピッチ抽出部と
ピッチ周波数の伝送を省略し、３８を加えたことになる
。

３２−１から３２−Ｍの出力の和で３８を駆動するが、
Ｍ＝Ｈのときの和は入力音声波形信号の振幅値に対応す
る。

高い周波数帯域の成分は無声音のときレベルが高いこと
、有声音のときは高い周波数帯になる程レベルが低いの
で、一般にＭ〈Ｎでよく、Ｍ＝１でも差し支えない。

１例として、時刻ｔにおける振幅値をＡ ｔ （ｄＢ）
としたとき、３９の発振周波数をＦ。

ｔとすると、Ｆｏｔが（１）式で表わされるように３８
は制御を行うものとする。

Ｆ□ ｔ ＝ ａＡ ｔ ＋ ｂ （Ｈｚ） ・・・
・・・・・・・・・・・・・・・ （１）ａ、ｂは常数
である。

ここでは、振幅値を対数（ａＢ）で表したとき、ピッチ
周波数と振幅の相関が高いことを利用し、ａはその比例
定数である。

また、ｂは最低のピッチ周波数に対応し、男声の場合は
５０〜８０Ｈｚである。

一般には、（１）式に従い３９の発振周波数を制御すれ
ば主いが、文音声のピッチ周波数は、大局的には呼気段
落ごとに緩やかに変化し、その基本的変化に対し、音声
の強度、アクセントが変化を与えているとみなすことが
できる。

大局的な変化は、（２）式または（３）式によって表す
ことができる。

Ｂ（ｔ）＝ ｄ −ｅｘｐ（−ｃｔ） ＋ｂ ・・−＝
−（２）Ｂ（ｔ）＝ｄｔ−ｅｘｐ（−ｃｔ）＋ｂ −・
・・−” （３）ここで、ｔは呼気段落の有声音の始
点をＯとする。

また、ｃ、ｄは正の常数であり、分析結果によって定め
られる。

（２）式では、Ｂ（ｔ）はある周波数（ｂ＋ｄ）から時
間の経過とともに指数的に減少しｂに近づく。

（３）式では、ｂ（ｔ）はｂからやや急激に上昇して最
高の周波数に達し、徐々に指数的に減少しｂに近づく。

Ｂ（ｔ）は、時間の経過とともに減少する一次式であっ
てもよい。

（１） 、 （２） 、 （３）式などを統合した一般
式は、（１）式のｂの代りにＢ（ｔ）を代入すればよい
。

これを（４）式に示す。

Ｆ□ ｔ ＝ ａ Ａ ｔ ＋ Ｂ （ｔ） ・・・
・・・・・・・・・・・・・・・・・・・・・ （４）
実際の音声では、有声音区間を検出してｔ＝０とし、計
算を始める。

呼気段落では一般に５００ｍ５以上のポーズがあり、一
方、有声音にはさまれた無声音の区間は１００〜２００
ｍ５のことが多い。

従って、５００ｍ５程度以上にわたって有声音区間が途
切れた場合は呼気段落とみなし、あらためて１＝０とし
てＦ。

ｔを算出する。ただし、（１）式による場合は、Ａｔと
Ｆ。

が１対１に対応するので上記のような処理は必要ではな
い。

次に、第２の発明の方式についで述べる。

第４図は第２の発明の実施例のブロック図である。

４０はＬＰＣ分析器、４１は合成フィルタであり、他は
第３図の実施例のブロック図と共通の番号のブ田ンクは
、同じ機能のブロックである。

入力端子１０に印加された音声波形信号は、ＬＰＣ分析
器４０に送られ線形予測分析が行われる。

その手法や得られるパラメータは、αパラメータ、ｋパ
ラメータ、ＰＡＲＣＯＲ係数、ＬＡＲ（対数面積比）な
ど何でもよい。

ここで、ｎ次（ｎ＝８〜２０が用いられることが多い）
のパラメータｐが得られるものとする。

なお、線形予測分析では、入力音声波形信号から上記の
パラメータで構成される伝送特性をとり除いた波形信号
（残差といわれる）も同時に得るのが通例で、その振幅
値（ゲイン）も出力信号として得られる。

有声／無声弁別器３３で、有声／無声（Ｖ／ＵＶ）の弁
別が行われるが、これは第３図のときと同様に人力音声
波形信号に関して行う場合と、残差やｐを利用して行う
場合があるが、いづれでも差し支えない。

ｐ１ゲイン、Ｖ／ＵＶの信号が伝送され、これらから音
声が合成される。

ゲインを振幅値として、制御回路３８は（４）式により
パルス発振器３９の周波数Ｆ。

を制御する。その結果、３９は周波数Ｆｏのパルス波形
を発生する。

一方、雑音発振器３７は、常に白色雑音を発生する。

３７と３９の出力信号はスイッチ３６の端子に加えられ
る。

３６はＶ／［ＪＶの弁別信号で切換えられ、■のときは
３９の出力が、ＵＶのときは３７の出力が取り出され、
振幅変調器３４に印加される。

この信号はゲインにより３４で振幅変調された後に、合
成フィルタ４１の励振源となる。

４１は４０の分析手法と次数に対応したｎ次のディジタ
ルフィルタで。

その係数はｐによって制御される。

４１の出力信号として合成音声波形が得られる。

本発明の方式は、第２図に示したＬＰＣボコーダの構成
とは、ピッチ抽出器とピッチ周波数の伝送を省略し、有
声音源のパルス波形の周波数を、振幅値（ゲイン）から
生成する点が異なる。

次に、本発明の方式（第２の発明の方式）の実験例を示
す。

入力音声信号を１０ ｋＨｚの標本化周波数で標本化し
、ｋパラメータによる分析を行った。

ｎ＝１２、フレーム周期１０ｍ５である。有声／無声の
弁別は自己相関法で行った。

Ｆｏｔは、分析結果を参照し簡単のために、ａ＝１．３
、ｂ＝８０として（１）式により計算した。

ゲインとＦ。ｔｌならびに参考のために５ＩＦＴ（残差
波形の相関関数による方法）で抽出したピッチ周波数を
第５図に示す。

ここでは、０はゲイン、・はＦ。ｔ、 Ｘはピッチ周波
数である。

Ｆｏｔと×は、かなりよい相関を示している。

４人の話者による平叙文、疑問文、命令文を上記の方式
で、分析合成を行ったところ、コンスタントピッチの合
成音声よりははるかに自然な音声が合成された。

なお、疑問文、命令文も間違いなく了解できた。

以上のように、本発明の方式によれば、従来用いられて
きたチャネルボコーダやＬＰＣボコーダなどの分析合成
系から、その最大の技術的問題点であるピッチ抽出器が
不要になるとともに、ピッチ周波数の伝送も必要がなく
なり、装置の小型化、低廉化とともに、効率的伝送、周
囲騒音に影響され難い安定した通信が可能となるので、
警察通信や言語情報の伝送を目的とする専用通信回線に
広く利用することができる。

【図面の簡単な説明】

第１図、第２図は本発明に関連する従来の技術のブロッ
ク図、第３図、第４図は本発明の実施例のブロック図、
第５図は本発明の結果の１例を示す図である。 １０・・・・・・入力端、３０ 、３５・・・・・・帯
域フィルタ、３１・・・・・・整流器、３２・・・・・
・低域フィルタ、３３・・・・・・有声／無声弁別器、
３４・・・・・・振幅変調器、３６・・・・・・スイッ
チ、３７・・・・・・雑音発振器、３８・・・・・・制
御回路、３９・・・・・・パルス発振器、４０・・・・
・・ＬＰＣ分析器、４１・・・・・・合成フィルタ。

Claims (1)

1. 【特許請求の範囲】 １ 分析部において、入力音声波形信号をＮチャネル（
   Ｎは正の整数）の帯域フィルタ（ＢＰＦ）群で周波数分
   析を行い、それぞれを整流平滑した信号と、有声／無声
   の弁別信号を伝送し、合成部では弁別信号が無声信号の
   ときは雑音波形を音源信号とし、有声信号のときは低域
   のＭチャネル（１くＭくＮ）の整流平滑信号を加え合わ
   せて振幅値を得、その振幅値により発振周波数を定めた
   パルス波形を音源信号とし、これらの音源信号を伝送さ
   れた各チャネルの整流平滑信号で振幅変調した後、分析
   部と同じ特性のＢＰＦを通し加え合わせることにより、
   合成音声波形信号を得ることを特徴とする音声分析合成
   方式。 ２ 人力音声波形信号を線形予測符号化方式（以下、Ｌ
   ＰＣとよぶ）により分析して得られたｎ次の係数と、有
   声／無声の弁別信号とゲイン（振幅値）を伝送し、弁別
   信号が無声信号のときは雑音波形を音源信号とし、有声
   信号のときは振幅値により発振周波数を定めたパルス波
   形を音源とし、これらの音源信号を振幅値で振幅変調し
   た後にＬＰＣの係数で制御された合成フィルタを駆動す
   ることにより、合成音声波形信号を得ることを特徴とす
   る音声分析合成方式。 ３ 振幅値により、有声音源信号のパルス波形の発振周
   波数を定める際に、発振周波数を次式Ｆｏｔ：時刻ｔに
   おける発振周波数 Ａｔ：時刻ｔにおける振幅値（ｄＢ表示）ａ ：常数 Ｂ（ｔ）：時間の関数としての数値 ただし、ｔは呼気段、落ごとの有声音の始点より計測す
   る。 により定めることを特徴とする特許請求の範囲第１項並
   びに第２項記載の発振周波数制御方式。