JP3223564B2 - Pitch extraction method - Google Patents
Pitch extraction methodInfo
- Publication number
- JP3223564B2 JP3223564B2 JP9226092A JP9226092A JP3223564B2 JP 3223564 B2 JP3223564 B2 JP 3223564B2 JP 9226092 A JP9226092 A JP 9226092A JP 9226092 A JP9226092 A JP 9226092A JP 3223564 B2 JP3223564 B2 JP 3223564B2
- Authority
- JP
- Japan
- Prior art keywords
- pitch
- level
- block
- data
- waveform
- 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
Links
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
Description
【0001】[0001]
【産業上の利用分野】本発明は、入力される音声信号波
形からピッチを抽出するピッチ抽出方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a pitch extracting method for extracting a pitch from an input audio signal waveform.
【0002】[0002]
【従来の技術】音声は、音の性質として、有声音と無声
音に区別される。有声音は声帯振動を伴う音声で周期的
な振動として観測される。無声音は声帯振動に伴わない
音声で非周期的な雑音として観測される。通常の音声で
は大部分が有声音であり、無声音は無声子音と呼ばれる
特殊な子音のみである。有声音の周期は声帯振動の周期
で決まり、これをピッチ周期、その逆数をピッチ周波数
という。これらピッチ周期及びピッチ周波数は声の高低
やイントネーションを決める重要な要因となる。したが
って、原音声波形から正確にピッチ周期を抽出(以下、
ピッチ抽出という)することは、音声を分析し合成する
音声合成の過程のなかでも重要となる。2. Description of the Related Art Voices are classified into voiced sounds and unvoiced sounds. Voiced sound is observed as a periodic vibration in a voice accompanied by vocal cord vibration. Unvoiced sound is speech that is not accompanied by vocal cord vibration and is observed as aperiodic noise. Most of ordinary voices are voiced, and unvoiced sounds are only special consonants called unvoiced consonants. The period of a voiced sound is determined by the period of vocal cord vibration, which is called a pitch period, and the reciprocal thereof is called a pitch frequency. These pitch periods and pitch frequencies are important factors that determine the pitch and intonation of the voice. Therefore, the pitch period is accurately extracted from the original voice waveform (hereinafter, referred to as
Pitch extraction) is important in the speech synthesis process of analyzing and synthesizing speech.
【0003】上記ピッチ抽出の方法(以下、ピッチ抽出
方法という)は、波形の上で周期的ピークを検出する波
形処理法、相関処理が波形の位相歪みに強いことを利用
した相関処理法、スペクトルの周期的周波数構造を利用
したスペクトル処理法とに分類される。The above-mentioned pitch extraction method (hereinafter referred to as a pitch extraction method) includes a waveform processing method for detecting a periodic peak on a waveform, a correlation processing method utilizing the fact that correlation processing is strong against phase distortion of a waveform, and a spectrum processing method. And a spectrum processing method using a periodic frequency structure.
【0004】上記相関処理法の一方法である自己相関法
について図11を用いて以下に説明する。図11のAは
300 サンプル分の入力音声波形x(n) であり、図11の
BはAで示したx(n) の自己相関関数を求めた波形であ
る。また、図11のCはAに示されたクリッピングレベ
ルCL でセンタクリップした波形C[ x( n)] であり、
図4のDはCで示したC[ x( n)] の自己相関を求めた
波形Rc (k) である。An autocorrelation method, which is one of the above-mentioned correlation processing methods, will be described below with reference to FIG. A in FIG.
FIG. 11B shows a waveform obtained by calculating the autocorrelation function of x (n) indicated by A in FIG. Also, C in FIG. 11 is a waveform C [x (n)] center-clipped at the clipping level C L shown in A.
D in FIG. 4 is a waveform R c (k) obtained by obtaining the autocorrelation of C [x (n)] indicated by C.
【0005】上述したように図11のAに示す300 サン
プル分の入力音声波形x(n) の自己相関関数を求める
と、図11のBに示す波形Rx (k) となる。この図11
のBに示す自己相関関数の波形Rx (k) では、ピッチ周
期のところに強いピークが見られる。しかし、声道の減
衰振動による余分なピークも多数見られる。この余分な
ピークを減少させるために、図11のAに示したクリッ
ピングレベル±CL より絶対値として小さい波形を潰し
た図11のCに示すセンタクリップ波形C[ x(n)]から
自己相関関数を出すことが考えられる。この場合、図1
1のCに示すセンタクリップされた波形C[ x(n)]に
は、もとのピッチ間隔でいくつかのパルスが残っている
だけになっており、そこから求めた自己相関関数R
c (k) の波形には、余分なピークが少なくなっている。As described above, when the autocorrelation function of the input speech waveform x (n) for 300 samples shown in FIG. 11A is obtained, a waveform R x (k) shown in FIG. 11B is obtained. This FIG.
In the waveform R x (k) of the autocorrelation function shown in B of FIG. 7, a strong peak is observed at the pitch period. However, there are many extra peaks due to the vocal tract damping vibration. To reduce this extra peak autocorrelation from the center clip waveform C [x (n)] shown in C of FIG. 11 crushed small waveform as an absolute value than the clipping level ± C L shown in A of FIG. 11 It is possible to issue a function. In this case, FIG.
In the center-clipped waveform C [x (n)] shown in C of FIG. 1, only a few pulses remain at the original pitch interval, and the autocorrelation function R
The c (k) waveform has fewer extra peaks.
【0006】上記ピッチ抽出により得られたピッチは、
上述したように声の高低やイントネーションを決める重
要な要因となり、原音声波形からの正確なピッチ抽出
は、例えば、音声波形の高能率符号化に適用される。The pitch obtained by the above pitch extraction is
As described above, it is an important factor in determining the pitch and intonation of a voice, and accurate pitch extraction from an original voice waveform is applied to, for example, high-efficiency coding of a voice waveform.
【0007】[0007]
【発明が解決しようとうする課題】ところで、従来、入
力音声波形の自己相関のピークからピッチを求める場
合、センタクリップにより求めるべきピークが鋭く出る
ようにクリッピングレベルを設定していた。具体的に
は、微小なレベルの信号がクリッピングによって欠落し
てしまわないようにクリッピングレベルを低く設定して
いた。Conventionally, when a pitch is obtained from the peak of the autocorrelation of an input speech waveform, the clipping level is set so that the peak to be obtained by the center clip comes out sharply. Specifically, the clipping level is set low so that a signal of a minute level is not lost due to clipping.
【0008】したがって、クリッピングレベルが低い時
に、音声の立ち上がり時等入力レベルの変動が同一フレ
ーム内で急激であった場合には、入力レベルが大きくな
った時点で、余分なピークが発生することになり、殆ん
どクリッピングの効果が得られず、ピッチ抽出は不安定
になる虞れがある。Therefore, if the input level fluctuates rapidly in the same frame, such as when the sound starts, when the clipping level is low, an extra peak is generated when the input level increases. Therefore, almost no clipping effect is obtained, and pitch extraction may become unstable.
【0009】そこで、本発明に係るピッチ抽出方法は、
上記実情に鑑みてなされたものであり、同一フレームで
入力音声波形のレベルが急激に変化した場合であって
も、確実なピッチ抽出を可能とするピッチ抽出方法の提
供を目的とする。 [0009] Therefore, the pitch extraction method according to the present invention comprises:
The present invention has been made in view of the above circumstances, and proposes a pitch extraction method that enables reliable pitch extraction even when the level of the input speech waveform changes rapidly in the same frame.
For the purpose of offering.
【0010】[0010]
【課題を解決するための手段】本発明に係るピッチ抽出
方法は、入力音声信号波形をブロック単位で取り出し、
上記ブロック内の音声信号波形をセンタクリップし、上
記センタクリップされた信号に基づいてピッチを抽出す
るピッチ抽出方法において、上記ブロック内を複数のサ
ブブロックに分割して各サブブロック毎にクリップ用レ
ベルを求め、センタクリップする際に上記クリップ用レ
ベルに基づいて当該ブロック内のクリッピングレベルを
変化させることを特徴として上記課題を解決する。According to the pitch extracting method of the present invention, an input audio signal waveform is extracted in units of blocks.
In a pitch extracting method for center-clipping an audio signal waveform in the block and extracting a pitch based on the center-clipped signal, the block is divided into a plurality of sub-blocks, and a clip level is set for each sub-block. The above problem is solved by changing the clipping level in the block based on the clip level at the time of center clipping.
【0011】また、本発明に係るピッチ抽出方法は、複
数のサブブロック内のピークレベルをクリップ用レベル
として求め、ピークレベルの変動が所定値より大きいと
きに、センタクリップの際のクリッピングレベルをクリ
ップ用レベルに基づいて当該ブロック内で変化させるこ
とを特徴として上記課題を解決する。Further, in the pitch extracting method according to the present invention, a peak level in a plurality of sub-blocks is obtained as a clipping level, and when the fluctuation of the peak level is larger than a predetermined value, the clipping level at the time of the center clip is clipped. The above problem is solved by changing within the block based on the usage level.
【0012】ここで、センタクリップの際のクリッピン
グレベルは、ブロック内で段階的に変化させてもよく、
または連続的に変化させてもよい。Here, the clipping level at the time of the center clip may be changed stepwise within the block.
Alternatively, it may be changed continuously.
【0013】[0013]
【作用】本発明に係るピッチ抽出方法は、ブロック単位
で取り出した入力音声信号波形を複数のサブブロックに
分割し、該各サブブロック毎に求めたクリップ用レベル
に基づいて上記ブロック内でクリッピングレベルを変化
させることにより確実なピッチ抽出ができる。According to the pitch extracting method of the present invention, an input audio signal waveform extracted in units of blocks is divided into a plurality of sub-blocks, and a clipping level in the block is determined based on a clip level obtained for each of the sub-blocks. The pitch can be reliably extracted by changing.
【0014】また、本発明に係るピッチ抽出方法は、上
記複数のサブブロックの内で隣接するサブブロック間の
ピークレベルの変動が大きいとき上記ブロック内でクリ
ッピングレベルを変化させることにより確実なピッチ抽
出ができる。Further, the pitch extracting method according to the present invention is characterized in that when the peak level between adjacent sub-blocks among the plurality of sub-blocks greatly fluctuates, the clipping level is changed within the block to ensure the pitch extraction. Can be.
【0015】[0015]
【実施例】以下、本発明に係るピッチ抽出方法の実施例
を図面を参照しながら説明する。図1は本発明に係るピ
ッチ抽出方法の実施例の機能を説明するための機能ブロ
ック図である。この図1において、本実施例は、入力端
子1から供給される入力音声信号をブロック単位で取り
出すブロック取り出し処理部10と、このブロック取り
出し処理部10で取り出された入力音声信号の1ブロッ
クからクリッピングレベルを設定するクリッピングレベ
ル設定部11と、このクリッピングレベル設定部11に
より設定されたクリッピングレベルで入力音声信号の1
ブロックをセンタクリップ処理するセンタクリップ処理
部12と、このセンタクリップ処理部12からのセンタ
クリップ波形から自己相関を計算する自己相関計算部1
3と、この自己相関計算部13からの自己相関波形から
ピッチを算出するピッチ算出部14とを有する。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the pitch extracting method according to the present invention will be described below with reference to the drawings. FIG. 1 is a functional block diagram for explaining the functions of the embodiment of the pitch extracting method according to the present invention. In FIG. 1, in the present embodiment, a block extraction processing unit 10 for extracting an input audio signal supplied from an input terminal 1 in block units, and clipping from one block of the input audio signal extracted by the block extraction processing unit 10 A clipping level setting unit 11 for setting a level;
A center clip processing unit 12 for center clipping a block, and an autocorrelation calculation unit 1 for calculating an autocorrelation from a center clip waveform from the center clip processing unit 12
3 and a pitch calculator 14 for calculating a pitch from the autocorrelation waveform from the autocorrelation calculator 13.
【0016】ここで、上記クリッピングレベル設定部1
1は、上記ブロック取り出し処理部10から供給される
入力音声信号の1ブロックを複数のサブブロックに分割
する(本実施例では前半部及び後半部の二つのサブブロ
ックに分割している)サブブロック分割処理部15と、
このサブブロック分割処理部15で分割された入力音声
信号の前半部及び後半部からそれぞれのサブブロックで
のピークレベルを抽出するピークレベル抽出部16と、
このピークレベル抽出部16で抽出されたピークレベル
から該前半部内及び後半部内における最大のピークレベ
ル(以下、最大ピークレベルという)を検出する最大ピ
ークレベル検出部17と、この最大ピークレベル検出部
17からの前半部内最大ピークレベルと後半部内最大ピ
ークレベルとをある条件の基に比較する比較部18と、
この比較部18からの比較結果と上記最大ピーク検出部
17からの二つの最大ピークからクリッピングレベルを
設定し、上記センタクリップ処理部12を制御するクリ
ッピングレベル制御部19とを有する。Here, the clipping level setting unit 1
Reference numeral 1 denotes a sub-block that divides one block of the input audio signal supplied from the block extraction processing unit 10 into a plurality of sub-blocks (in this embodiment, is divided into two sub-blocks, a first half and a second half) A division processing unit 15;
A peak level extraction unit 16 that extracts a peak level in each sub-block from the first half and the second half of the input audio signal divided by the sub-block division processing unit 15;
A maximum peak level detector 17 for detecting the maximum peak level in the first half and the second half (hereinafter referred to as a maximum peak level) from the peak level extracted by the peak level extractor 16, and a maximum peak level detector 17 A comparing unit 18 for comparing the maximum peak level in the first half part and the maximum peak level in the second half part based on a certain condition;
There is a clipping level control unit 19 that sets a clipping level from the comparison result from the comparison unit 18 and the two maximum peaks from the maximum peak detection unit 17 and controls the center clip processing unit 12.
【0017】上記ピークレベル抽出部16は、サブブロ
ックピークレベル抽出部16a、16bとからなる。該
サブブロックピークレベル抽出部16aは、上記サブブ
ロック分割処理部15で分割された前半部からピークレ
ベルを抽出する。また、該サブブロックピークレベル抽
出部16bは、上記サブブロック分割処理部15で分割
された後半部からピークレベルを抽出する。The peak level extracting section 16 includes sub-block peak level extracting sections 16a and 16b. The sub-block peak level extraction unit 16a extracts a peak level from the first half divided by the sub-block division processing unit 15. The sub-block peak level extracting unit 16b extracts a peak level from the latter half divided by the sub-block dividing unit 15.
【0018】また、上記最大ピーク検出部17は、サブ
ブロック最大ピークレベル検出部17a、17bとから
なる。該サブブロック最大ピークレベル検出部17a
は、上記サブブロックピークレベル抽出部16aで抽出
された前半部のピークレベルから前半部の最大ピークレ
ベルを検出する。また、該サブブロック最大ピークレベ
ル検出部17bは、上記サブブロックピークレベル抽出
部16bで抽出された後半部のピークレベルから後半部
の最大ピークレベルを検出する。The maximum peak detector 17 comprises sub-block maximum peak level detectors 17a and 17b. The sub-block maximum peak level detector 17a
Detects the maximum peak level of the first half from the peak level of the first half extracted by the sub-block peak level extraction unit 16a. The sub-block maximum peak level detection unit 17b detects the second half maximum peak level from the second half peak level extracted by the sub block peak level extraction unit 16b.
【0019】次に、図1で示した機能部ブロックからな
る本実施例の動作を図2に示すフローチャートと図3に
示す波形図を用いて説明する。Next, the operation of the present embodiment comprising the functional block shown in FIG. 1 will be described with reference to the flowchart shown in FIG. 2 and the waveform chart shown in FIG.
【0020】先ず、図2のフローチャートが開始される
と、ステップS1で入力音声信号波形をブロック単位で
取り出す。具体的には、入力音声信号に窓関数を乗じ、
一部重複(オーバーラップ)させ、入力音声信号波形の
切り出しを行い、図3のAに示される1フレーム(25
6サンプル)の入力音声信号波形を得、そして、ステッ
プS2に進む。First, when the flowchart of FIG. 2 is started, in step S1, an input audio signal waveform is extracted in block units. Specifically, the input audio signal is multiplied by a window function,
The input audio signal waveform is cut out by partially overlapping (overlapping), and one frame (25) shown in FIG.
(6 samples) of the input audio signal waveform is obtained, and the process proceeds to step S2.
【0021】ステップS2では、上記ステップS1で取
り出された入力音声信号の1ブロックをさらに複数のサ
ブブロックに分割する。例えば、図3のAに示す1ブロ
ックの入力音声信号波形では、n=0、1、・・・、1
27を前半部、n=128、129、・・・、255を
後半部としている。そして、ステップS3に進む。In step S2, one block of the input audio signal extracted in step S1 is further divided into a plurality of sub-blocks. For example, in the input audio signal waveform of one block shown in FIG. 3A, n = 0, 1,.
27 is the first half, and n = 128, 129,..., 255 is the second half. Then, the process proceeds to step S3.
【0022】ステップS3では、上記ステップS2で分
割された前半部内及び後半部内の入力音声信号波形のピ
ークレベルを抽出する。これが図1のピークレベル抽出
部16の動作である。In step S3, the peak levels of the input audio signal waveforms in the first half and the second half divided in step S2 are extracted. This is the operation of the peak level extraction unit 16 in FIG.
【0023】ステップS4では、上記ステップS3で抽
出した前半部内及び後半部内のピークレベルからそれぞ
れのサブブロック内における最大のピークレベルP1 及
びP2 を検出する。これが図1の最大ピークレベル検出
部17の動作である。[0023] In step S4, detects a maximum peak level P 1 and P 2 in each of the sub-blocks from the peak level of the front half portion and the latter half portion extracted in step S3. This is the operation of the maximum peak level detector 17 in FIG.
【0024】ステップS5では、上記ステップS4で検
出された前半部内及び後半部内の最大ピークレベルP1
及びP2 をある条件の基に比較し、入力音声信号波形の
レベルの変動が1フレーム内で激しいか否かを判別す
る。ここでいうある条件とは、前半部の最大ピークレベ
ルP1 が後半部の最大ピークレベルP2 に係数k(0<
k<1)を乗じた値よりも小さい、もしくは、前半部の
最大ピークレベルP1 に係数k(0<k<1)を乗じた
値より後半部の最大ピークレベルP2 が小さい、という
ものである。したがって、このステップS5では、P1
<k・P2 もしくは、k・P1 >P2 という条件の基に
前半部と後半部の最大ピークレベルP1 及びP2 を比較
している。これが図1の比較部18の動作である。この
ステップS5で上記条件の基に前半部と後半部の最大ピ
ークレベルP1 及びP2 を比較した結果、入力音声信号
のレベルの変動が1フレーム内で激しいと判別される
(YES)とステップS6に進み、入力音声信号のレベ
ルの変動が1フレーム内で激しくない(NO)と判別さ
れるとステップS7に進む。In step S5, the maximum peak levels P1 in the first half and the second half detected in step S4.
And P2 are compared under a certain condition to determine whether or not the level of the input audio signal waveform fluctuates greatly within one frame. The certain condition here means that the maximum peak level P1 in the first half is changed to the maximum peak level P2 in the second half by the coefficient k (0 <0).
k <1) is smaller than the value obtained by multiplying the or the coefficient k (0 to a maximum peak level P 1 of the front half portion <k <1) it is less the maximum peak level P 2 of the second half portion than the value obtained by multiplying a thing called It is. Therefore, in this step S5, P 1
<K · P 2 or, k · P 1> compares the maximum peak level P 1 and P2 of the first half and the second half portion under the condition that P 2. This is the operation of the comparison unit 18 in FIG. When the maximum peak levels P 1 and P 2 of the first half and the second half are compared based on the above conditions in step S5, it is determined that the level of the input audio signal greatly fluctuates within one frame (YES). Proceeding to S6, if it is determined that the level change of the input audio signal is not intense within one frame (NO), the process proceeds to step S7.
【0025】ステップS6では、最大レベルの変動が激
しいという上記ステップS5での判別結果を受け、クリ
ッピングレベルを異ならせて算出する。例えば、図3の
Bにおいて、前半部(0≦n≦127)でのクリップレ
ベルをk・P1 、後半部(128≦n≦255)でのク
リップレベルをk・P2 と設定している。In step S6, in response to the result of the determination in step S5 that the maximum level fluctuates greatly, the clipping level is calculated differently. For example, in FIG. 3B, the clip level in the first half (0 ≦ n ≦ 127) is set to k · P 1 , and the clip level in the second half (128 ≦ n ≦ 255) is set to k · P 2 . .
【0026】一方、ステップS7では、入力音声信号の
レベルの変動が1ブロック内で激しくないという上記ス
テップS5での判別結果を受け、クリッピングレベルを
統一して算出する。例えば、最大ピークレベルP1 と、
最大ピークレベルP2 のいずれか小さい方にkを乗じた
レベル(例えばk・P1 あるいはk・P2 )をクリッピ
ングして設定する。On the other hand, in step S7, the result of determination in step S5 that the level of the input audio signal does not vary greatly within one block is received, and the clipping level is unified and calculated. For example, a maximum peak level P 1,
Clipping smaller one to a level obtained by multiplying the k of the maximum peak level P 2 (e.g., k · P 1 or k · P 2) is set.
【0027】このステップS6とステップS7が図1の
クリッピングレベル制御部19の動作である。Steps S6 and S7 are the operations of the clipping level control section 19 in FIG.
【0028】そして、ステップS8では、上記ステップ
S6もしくはステップS7で設定されたクリッピングレ
ベルで入力音声波形の1ブロックのセンタクリップ処理
を行う。これが図1のセンタクリップ処理部12の動作
である。そして、ステップS9に進む。Then, in step S8, the center clip processing of one block of the input audio waveform is performed at the clipping level set in step S6 or step S7. This is the operation of the center clip processing unit 12 in FIG. Then, the process proceeds to step S9.
【0029】ステップS9では、上記ステップS8で行
われたセンタクリップ処理により得た、センタクリップ
波形から自己相関関数を計算する。これが図1の自己相
関計算部13の動作である。そして、ステップS10に
進む。In step S9, an autocorrelation function is calculated from the center clip waveform obtained by the center clip processing performed in step S8. This is the operation of the autocorrelation calculator 13 in FIG. Then, the process proceeds to step S10.
【0030】ステップS10では、上記ステップS9で
求められた自己相関関数からピッチを抽出する。これが
図1のピッチ算出部14の動作である。In step S10, a pitch is extracted from the autocorrelation function obtained in step S9. This is the operation of the pitch calculator 14 in FIG.
【0031】上記図3のAは、N=0、1、・・・、2
55の256サンプルを1ブロックとした入力音声波形
を示した図であり、N=0、1、・・・127までを前
半部、N=128、129・・・、255までを後半部
とし、波形の絶対値の最大ピークレベルを、前半部では
N=0、1、・・99までの100サンプル、後半部で
はN=156、157・・255までの100サンプル
内で求め、それぞれP1 、P2 としている。ここで、例
えば図3のAに示すようにP1 =1、P2 =3のとき、
上記kの値を0.6 とすると、P1 (=1)<k・P
2 (=1.8 )となる。このときには、入力音声信号波形
のレベル変動が激しいとして、上記前半部のクリップレ
ベルをk・P1 =0.6 とし、後半部のクリップレベルを
k・P2 =1.8 とする。このクリッピングレベルを示し
たのが図3のBである。この図3のBで示したクリッピ
ングレベルでセンタクリップ処理した波形が図3のCに
表される波形である。この図3のCで示したセンタクリ
ッパ処理された波形の自己相関関数をとると図3のDに
示すようになる。そして、この図3のDからピッチが算
出できる。In FIG. 3A, N = 0, 1,..., 2
55 is a diagram showing an input audio waveform in which 256 samples of 55 are set as one block, where N = 0, 1,... 127 is a first half, N = 128, 129. The maximum peak level of the absolute value of the waveform is obtained within 100 samples up to N = 0, 1,... 99 in the first half and 100 samples up to N = 156, 157.255 in the second half, and P 1 , It is set to P 2. Here, for example, when P 1 = 1 and P 2 = 3 as shown in FIG.
Assuming that the value of k is 0.6, P 1 (= 1) <k · P
2 (= 1.8). At this time, assuming that the level fluctuation of the input audio signal waveform is large, the clip level of the first half is set to k · P 1 = 0.6, and the clip level of the second half is set to k · P 2 = 1.8. FIG. 3B shows this clipping level. The waveform subjected to the center clipping process at the clipping level shown in FIG. 3B is the waveform shown in FIG. 3C. If the autocorrelation function of the waveform subjected to the center clipper processing shown in FIG. 3C is taken, it becomes as shown in FIG. 3D. Then, the pitch can be calculated from D in FIG.
【0032】ここで上記センタクリップ処理部12での
クリッピングレベルは、上述したようにブロック内で段
階的変化させるだけでなく、図3のBに破線で示すよう
に連続的に変化させるようにしてもよい。Here, the clipping level in the center clip processing unit 12 is not only changed stepwise in the block as described above, but also continuously changed as shown by a broken line in FIG. 3B. Is also good.
【0033】次に、本発明に係るピッチ抽出方法を適用
できる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 Excitation: マルチバ
ンド励起)ボコーダについて、図面を参照しながら説明
する。このMBEボコーダは、D. W. Griffin and J.
S. Lim,"Multiband Excitation Vocoder," IEEE Trans.
Acoustics,Speech,and Signal Processing, vol.36, N
o.8, pp.1223-1235, Aug.1988 に開示されているもので
あり、従来のPARCOR(PARtial auto-CORrelatio
n: 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。Next, an MBE (Multiband Excitation) vocoder, a kind of speech signal synthesis / analysis coding apparatus (so-called vocoder) to which the pitch extraction method according to the present invention can be applied, will be described with reference to the drawings. . This MBE vocoder is compatible with DW Griffin and J.
S. Lim, "Multiband Excitation Vocoder," IEEE Trans.
Acoustics, Speech, and Signal Processing, vol.36, N
o.8, pp.1223-1235, Aug.1988, and a conventional PARCOR (PARtial auto-CORrelatio).
n: partial autocorrelation) In a vocoder or the like, a voiced section and an unvoiced section are switched for each block or frame at the time of speech modeling, whereas in the MBE vocoder,
The model is modeled on the assumption that a voiced (Voiced) section and an unvoiced (Unvoiced) section exist in the frequency domain at the same time (in the same block or frame).
【0034】図4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。この図4において、入力端子101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、H
PF(ハイパスフィルタ)等のフィルタ102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102を介して得られた信号は、ピッチ抽出部
103及び窓かけ処理部104にそれぞれ送られる。ピ
ッチ抽出部103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5のAに示すようにLサンプル(例えばL=16
0)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9
6サンプル)となっている。また、窓かけ処理部104
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。FIG. 4 is a block diagram showing an overall schematic configuration of an embodiment in which the present invention is applied to the MBE vocoder. In FIG. 4, an audio signal is supplied to an input terminal 101, and this input audio signal
The signal is sent to a filter 102 such as a PF (high-pass filter) to remove a so-called DC (direct current) offset and to remove at least a low-frequency component (200 Hz or less) for band limitation (for example, limited to 200 to 3400 Hz). . The signal obtained through the filter 102 is sent to the pitch extraction unit 103 and the windowing processing unit 104, respectively. In the pitch extracting section 103, the input audio signal data is divided into blocks (or cut out by a rectangular window) in units of a predetermined number N (for example, N = 256), and the pitch of the audio signal in this block is extracted. . For example, as shown in FIG. 5A, L (for example, L = 16)
0), and the overlap between the blocks is NL samples (for example, 9 frames).
6 samples). The windowing processing unit 104
In this example, a predetermined window function, for example, a Hamming window is applied to one block N samples, and the windowed block is sequentially moved in the time axis direction at intervals of one frame L samples.
【0035】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103内での図5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、窓かけ処理部104での図5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6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。When such a windowing process is represented by a mathematical formula, xw (k, q) = x (q) w (kL-q) (1) In the equation (1), k is a block number,
q represents a time index (sample number) of the data. The q-th data x (q) of the input signal before processing is windowed by a window function w (kL-q) of the k-th block. This shows that data x w (k, q) can be obtained. 5A in the pitch extracting unit 103
The window function w r (r) in the case of a square window as shown in the following equation is obtained by: w r (r) = 1 0 ≦ r <N (2) = 0 r <0, N ≦ r The window function w h (r) in the case of the Hamming window as shown in FIG. 5B in the unit 104 is given by w h (r) = 0.54−0.46 cos (2πr / (N−1)) 0 ≦ r <N (3) = 0 r <0, N ≦ r When such a window function w r (r) or w h (r) is used, the window function w (r) (= w (kL−
The non-zero section of q)) is expressed as follows: 0 ≦ kL−q <N By modifying this, kL−N <q ≦ kL Therefore, for example, in the case of the rectangular window, the window function w r (kL−q) =
As shown in FIG. 6, kL-N <q ≦ kL
It is time of. Further, the above equations (1) to (3) indicate that the length N
(= 256) indicates that the sample window advances by L (= 160) samples. Hereinafter, the above (2)
Each N point (0 ≦ r) extracted by each window function of the equation (3)
<N) are represented by x wr (k, r) and x wh , respectively.
(k, r).
【0036】窓かけ処理部104では、図7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(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105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。As shown in FIG. 7, the windowing processing unit 104 applies 179 to the sample sequence x wh (k, r) of 256 samples per block to which the Hamming window of the above equation (3) has been applied.
Two samples of 0 data are added (so-called zero-filled) to make 2048 samples, and the orthogonal transform unit 105 performs orthogonal transform such as FFT (fast Fourier transform) on the time axis data sequence of 2048 samples. Processing is performed.
【0037】ピッチ抽出部103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、上述したよ
うに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、
本装置では、上述したように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、本装置では上述し
たように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。In the pitch extracting section 103, the above x wr (k, r)
Is extracted based on the sample sequence (1 block N samples). As the pitch extraction method, as described above, a method using a periodicity of a time waveform, a periodic frequency structure of a spectrum, an autocorrelation function, and the like are known.
This apparatus employs the autocorrelation method of the center clip waveform as described above. As for the center clip level in the block at this time, one clip level may be set for one block. However, in the present apparatus, as described above, each part (each sub block) obtained by subdividing the block is used.
Is detected, and when the difference between the peak levels of these sub-blocks is large, the clip level is changed stepwise or continuously within the block.
【0038】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±20%
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103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106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。The pitch period is determined based on the peak position of the autocorrelation data of the center clip waveform. At this time, a plurality of peaks are obtained from the autocorrelation data belonging to the current frame (the autocorrelation is obtained from data of one block N samples), and the maximum peak among the plurality of peaks is equal to or larger than a predetermined threshold. In the case of, the maximum peak position is used as the pitch period, otherwise,
Within a pitch range that satisfies a predetermined relationship with respect to the pitch obtained in a frame other than the current frame, for example, the previous and next frames, for example, ± 20% around the pitch of the previous frame
Is determined, and the pitch of the current frame is determined based on the peak position. The pitch extraction unit 103 performs a relatively rough pitch search using an open loop, and the extracted pitch data is sent to a high-precision (fine) pitch search unit 106, and a high-precision pitch search (pitch) using a closed loop is performed. Fine search) is performed.
【0039】高精度(ファイン)ピッチサーチ部106
には、ピッチ抽出部103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10
5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106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。High precision (fine) pitch search section 106
Contains the coarse (rough) pitch data of the integer value extracted by the pitch extracting unit 103 and the orthogonal transform unit 10.
5, for example, the data on the frequency axis that has been subjected to the FFT. In the high precision pitch search unit 106,
With the coarse pitch data value as the center, ± 0.2 steps
Shake several samples at a time to drive to the optimal fine pitch data with a decimal point (floating). At this time, as a method of fine search, a so-called analysis by synthesis method is used, and the pitch is selected so that the synthesized power spectrum is closest to the power spectrum of the original sound.
【0040】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=fs /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8のAに示すような波形のとき、H
(j) は、図8のBに示すような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8のCに示すような等レベルで周期的な励起
信号(エキサイテイション)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。The fine search of the pitch will be described. First, in the MBE vocoder, the FF
S (j) as spectral data on the frequency axis orthogonally transformed by T or the like is expressed as S (j) = H (j) | E (j) | 0 <j <J (4) Model is assumed. Where J is
ω s / 4π = fs / 2 in response, the sampling frequency f
s = when ω s / 2π is, for example, 8kHz corresponding to 4kHz. In the above equation (4), when the spectrum data S (j) on the frequency axis has a waveform as shown in FIG.
(j) represents the original spectrum data S as shown in FIG.
(j) shows the spectral envelope,
(j) shows the spectrum of the excitation signal (excitation) at the same level and periodic as shown in FIG. 8C. That is, the FFT spectrum S (j) has a spectrum envelope H (j) and a power spectrum | E of the excitation signal.
(j) Modeled as the product with |.
【0041】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7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。Power spectrum | E (j) of the above excitation signal
| Takes into account the periodicity (pitch structure) of the waveform on the frequency axis determined according to the pitch, and converts the spectrum waveform corresponding to the waveform of one band (band) for each band on the frequency axis. It is formed by arranging it repeatedly. The waveform for one band is obtained by performing a FFT by regarding a waveform obtained by adding 0 data for 1792 samples (padding) to a Hamming window function of 256 samples as shown in FIG. 7 as a time axis signal, for example. It can be formed by cutting out an impulse waveform having a certain bandwidth on the frequency axis according to the pitch.
【0042】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)|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、Next, for each band divided according to the pitch, a value (a kind of amplitude) | A representative of the above H (j) (to minimize the error for each band) | A m
| Here, for example, when the lower and upper points of the m-th band (band of the m-th harmonic) are a m and b m , respectively, the error ε m of the m-th band is
【0043】[0043]
【数1】 (Equation 1)
【0044】で表せる。このエラーεm を最小化するよ
うな|Am |は、Can be expressed by | A m | that minimizes this error ε m is
【0045】[0045]
【数2】 (Equation 2)
【0046】となり、この(6)式の|Am |のとき、
エラーεm を最小化する。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Σεm 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。When | A m | in the equation (6),
Minimize the error ε m . The amplitude | A m | is obtained for each band, and the error ε m for each band defined by the above equation (5) is obtained using the obtained amplitude | A m |. Next, a total value Σε m of all the bands of the error ε m for each band is obtained. Further, the error sum Shigumaipushiron m of all such bands, calculated for different pitches to some small, obtaining the pitch as an error sum Shigumaipushiron m is minimized.
【0047】すなわち、上記ピッチ抽出部103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106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。That is, several types are prepared vertically, for example, in increments of 0.25 with the rough pitch obtained by the pitch extraction unit 103 as the center. Each respective pitches of different pitches to these plurality of types of fine finding the error sum Σε m. In this case, when the pitch is determined, the bandwidth is determined. From the above equation (6), the power spectrum | S (j) | of the data on the frequency axis and the excitation signal spectrum | E
(j) | seek error epsilon m of equation (5) using a, can be obtained sum Shigumaipushiron m of all the bands. Obtains the error sum Shigumaipushiron m for each pitch, is not to determine the pitch corresponding to error sum total value which is the smallest as the optimal pitch. As described above, the optimum fine (for example, in increments of 0.25) pitch is obtained by the high-precision pitch search unit 106, and the amplitude | A m |
Is determined.
【0048】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。In the above description of the fine search of the pitch, in order to simplify the description, all the bands are voiced (Vo).
iced), but the MBE
In a vocoder, an unvoiced sound (Un
Since the model in which a voiced) region exists is used, it is necessary to discriminate voiced / unvoiced sounds for each band.
【0049】上記高精度ピッチサーチ部106からの最
適ピッチ及び振幅|Am |のデータは、有声音/無声音
判別部107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は、The data of the optimum pitch and amplitude | A m | from the high-precision pitch search unit 106 is sent to the voiced / unvoiced sound discriminating unit 107, and the voiced / unvoiced sound is discriminated for each band. For this determination, NSR (noise-to-signal ratio) is used. That is, the NSR of the m-th band is
【0050】[0050]
【数3】 (Equation 3)
【0051】と表せ、このNSR値が所定の閾値(例え
ば0.3)より大のとき(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(Unvoice
d、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。When the NSR value is larger than a predetermined threshold value (for example, 0.3) (error is large), | S (j) by | A m || E (j) | | Is not good (the excitation signal | E (j) | is inappropriate as a basis), and the band is identified by UV (Unvoice
d, unvoiced sound). In other cases, it can be determined that the approximation has been performed to some extent, and the band is
(Voiced, voiced sound).
【0052】次に、振幅再評価部108には、直交変換
部105からの周波数軸上データ、高精度ピッチサーチ
部106からのファインピッチと評価された振幅|Am
|との各データ、及び上記有声音/無声音判別部107
からのV/UV(有声音/無声音)判別データが供給さ
れている。この振幅再評価部108では、有声音/無声
音判別部107において無声音(UV)と判別されたバ
ンドに関して、再度振幅を求めている。このUVのバン
ドについての振幅|Am |UVは、Next, the amplitude re-evaluation unit 108 receives the on-frequency data from the orthogonal transformation unit 105 and the amplitude | A m evaluated as a fine pitch from the high-precision pitch search unit 106.
| And the voiced / unvoiced sound discriminating unit 107
V / UV (voiced sound / unvoiced sound) discrimination data is supplied. The amplitude reevaluating unit 108 calculates the amplitude again for the band determined to be unvoiced (UV) by the voiced / unvoiced sound determining unit 107. The amplitude | A m | UV for this UV band is
【0053】[0053]
【数4】 (Equation 4)
【0054】にて求められる。Is obtained by
【0055】この振幅再評価部108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10
9に送られる。このデータ数変換部109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3400Hz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|Am |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109では、この可変個数m MX +1の振
幅データを一定個数NC (例えば44個)のデータに変
換している。The data from the amplitude reevaluating unit 108 is
Data number conversion (a kind of sampling rate conversion) unit 10
9 The data number conversion unit 109 is provided to make the number constant in consideration of the fact that the number of division bands on the frequency axis differs according to the pitch and the number of data (particularly the number of amplitude data) differs. is there. That is, for example, when the effective band is up to 3400 Hz , this effective band is divided into 8 to 63 bands according to the pitch, and the amplitude | A obtained for each of these bands is obtained.
The number m MX +1 of m | (including the amplitude of the UV band | A m | UV ) data also changes from 8 to 63. Therefore, the data number conversion unit 109 converts the variable number m MX +1 of amplitude data into a fixed number N C (for example, 44) data.
【0056】ここで本装置においては、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KOS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KOS倍の
個数の振幅データを求め、このKOS倍の個数(( m MX +
1) ×KOS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NC (例えば44個)の
データに変換する。Here, in the present apparatus, dummy data for interpolating values from the last data in a block to the first data in a block is used for the amplitude data of one effective band on the frequency axis. After adding to increase the number of data to N F , the band-limited K OS times (for example, 8
Obtain an amplitude data of K OS times the number by performing oversampling multiplied), the K OS times the number ((m MX +
1 ) × K OS amplitude data is linearly interpolated and expanded to a larger number of N M (eg, 2048), and the N M data are thinned out to reduce the above-mentioned fixed number N C (eg, 44). Convert to data.
【0057】このデータ数変換部109からのデータ
(上記一定個数NC の振幅データ)がベクトル量子化部
110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110からの量子化出力データは、出力端子1
11を介して取り出される。また、上記高精度のピッチ
サーチ部106からの高精度(ファイン)ピッチデータ
は、ピッチ符号化部115で符号化され、出力端子11
2を介して取り出される。さらに、上記有声音/無声音
判別部107からの有声音/無声音(V/UV)判別デ
ータは、出力端子113を介して取り出される。これら
の各出力端子111〜113からのデータは、所定の伝
送フォーマットの信号とされて伝送される。The data (the fixed number N C of amplitude data) from the data number conversion unit 109 is sent to the vector quantization unit 110, and is grouped into a predetermined number of data to form a vector. Will be applied. The quantized output data from the vector quantizer 110 is output to an output terminal 1
11 is taken out. The high-precision (fine) pitch data from the high-precision pitch search unit 106 is encoded by a pitch encoding unit 115 and output from an output terminal 11.
2 to be taken out. Further, the voiced / unvoiced sound (V / UV) discrimination data from the voiced / unvoiced sound discriminating unit 107 is extracted via an output terminal 113. Data from each of these output terminals 111 to 113 is transmitted as a signal of a predetermined transmission format.
【0058】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。Each of these data is obtained by processing the data in the block of N samples (for example, 256 samples), and the block is represented on the time axis by the frame of L samples. , The data to be transmitted is obtained in the frame unit. That is, the pitch data, V / UV discrimination data, and amplitude data are updated in the frame cycle.
【0059】次に、伝送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9を参照しながら説明する。こ
の図9において、入力端子121には上記ベクトル量子
化された振幅データが、入力端子122には上記符号化
されたピッチデータが、また入力端子123には上記V
/UV判別データがそれぞれ供給される。入力端子12
1からの量子化振幅データは、逆ベクトル量子化部12
4に送られて逆量子化され、データ数逆変換部125に
送られて逆変換され、得られた振幅データが有声音合成
部126及び無声音合成部127に送られる。入力端子
122からの符号化ピッチデータは、ピッチ復号化部1
28で復号化され、データ数逆変換部125、有声音合
成部126及び無声音合成部127に送られる。また入
力端子123からのV/UV判別データは、有声音合成
部126及び無声音合成部127に送られる。Next, a synthesizing side (decoding side) for synthesizing an audio signal based on the respective data obtained by transmission.
Will be described with reference to FIG. In FIG. 9, the input terminal 121 has the amplitude data subjected to the vector quantization, the input terminal 122 has the encoded pitch data, and the input terminal 123 has the V data.
/ UV discrimination data is supplied. Input terminal 12
1 from the inverse vector quantizer 12
4 to be inversely quantized, and then sent to a data number inverse converter 125 for inverse conversion. The obtained amplitude data is sent to a voiced sound synthesizer 126 and an unvoiced sound synthesizer 127. The encoded pitch data from the input terminal 122 is input to the pitch decoding unit 1
28, and sent to the data number inverse conversion unit 125, the voiced sound synthesis unit 126, and the unvoiced sound synthesis unit 127. The V / UV discrimination data from input terminal 123 is sent to voiced sound synthesis section 126 and unvoiced sound synthesis section 127.
【0060】有声音合成部126では例えば余弦(cosin
e)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127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129で加算合成して、出力端子130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。The voiced sound synthesizing section 126 has, for example, a cosine (cosin
e) A voiced sound waveform on the time axis is synthesized by wave synthesis, and the unvoiced sound synthesis unit 127 synthesizes an unvoiced sound waveform on the time axis by filtering, for example, white noise with a band-pass filter. The unvoiced sound synthesized waveform is added and synthesized by the adder 129 and extracted from the output terminal 130. In this case, the amplitude data, the pitch data, and the V / UV discrimination data are updated and provided every frame (L samples, for example, 160 samples) at the time of the analysis, but the continuity between the frames is improved (smoothness). For example, each value of the amplitude data and the pitch data is set as a data value at, for example, a center position in one frame, and each data value up to the center position of the next frame (one frame at the time of synthesis) is interpolated. Ask by That is,
In one frame at the time of synthesis (for example, from the center of the analysis frame to the center of the next analysis frame), each data value at the leading sample point and the end point (the leading edge of the next combined frame)
Each data value at a sample point is given, and each data value between these sample points is obtained by interpolation.
【0061】以下、有声音合成部126における合成処
理を詳細に説明する。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 ・・・(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(ΣVm (n) )し
て最終的な有声音V(n) を合成する。Hereinafter, the synthesis processing in the voiced sound synthesis section 126 will be described in detail. The one synthesized frame (L samples, for example, 160 samples) on the time axis in the m-th band (m-th harmonic band) determined as V (voiced sound)
Assuming that a voiced sound of a minute is V m (n), using a time index (sample number) n in this synthesized frame, V m (n) = A m (n) cos (θm (n)) 0 ≦ n < L (9) The final voiced sound V (n) is synthesized by adding (ΣV m (n)) the voiced sounds of all the bands determined as V (voiced sound) in all the bands.
【0062】この(9)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 ・・・(10) の式によりAm (n) を計算すればよい。A m (n) in the equation (9) is the amplitude of the m-th harmonic interpolated from the top to the end of the composite frame. In the simplest case, the value of the m-th harmonic of the amplitude data updated for each frame may be linearly interpolated.
That is, the m-th position at the end (n = 0) of the composite frame
The amplitude value of the harmonic is A 0m , and the end of the synthesized frame (n =
When the amplitude value of the m-th harmonic at the end of the next synthesized frame is A Lm , A m (n) = (Ln) A 0m / L + nA Lm / L (10) A m (n) may be calculated.
【0063】次に、上記(9)式中の位相θm (n) は、 θ m (m) =mωO1n+n2 m(ωL1−ω01)/2L+φ0m+Δωn ・・・(11) により求めることができる。この(11)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(11)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。Next, the (9) phase theta m (n) in the expression by θ m (m) = mω O1 n + n 2 m (ω L1 -ω 01) / 2L + φ 0m + Δωn ··· (11) You can ask. In this equation (11), φ 0m represents the phase of the m-th harmonic (frame initial phase) at the leading end (n = 0) of the combined frame, and ω 01 represents the basic value at the leading end (n = 0) of the combined frame. The angular frequency ω L1 indicates the basic angular frequency at the end of the combined frame (n = L: the leading end of the next combined frame). Δω in the above equation (11) is
The minimum Δω is set so that the phase φ Lm at n = L becomes equal to θ m (L).
【0064】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。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(10)式によ
り、伝送された振幅値A0m、ALmを直線補間して振幅A
m (n) を算出すればよい。位相θm (n) は、n=0でθ
m (0) =φ0mからn=Lでθm (L) がφLmとなるように
Δωを設定する。The method of obtaining the amplitude A m (n) and the phase θ m (n) according to the V / UV discrimination result when n = 0 and n = L in an arbitrary m-th band will be described below. I do. In the case where the m-th band is V (voiced sound) for both n = 0 and n = L, the amplitude Am (n) is obtained by calculating the transmitted amplitude values A0m and ALm according to the above-described equation (10). Linear interpolation and amplitude A
m (n) may be calculated. The phase θ m (n) is n = 0 and θ
Δω is set so that θ m (L) becomes φ Lm when m (0) = φ 0m and n = L.
【0065】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。Next, when n = 0, V (voiced sound) and n =
If L (unvoiced sound) at L, the amplitude A m (n)
Is linearly interpolated so that 0 A m (L) from the transmission amplitude value A 0 m of A m (0). The transmission amplitude value A Lm at n = L is the amplitude value of the unvoiced sound, and is used in unvoiced sound synthesis described later. Phase θ m (n) is set to θ m (0) = φ 0m , and [Delta] [omega =
Set to 0.
【0066】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 ・・・(12) とし、かつΔω=0とする。Further, when n = 0, UV (unvoiced sound)
If V = voiced sound when n = L, the amplitude Am
(n) sets the amplitude A m (0) at n = 0 to 0 and performs linear interpolation so that the transmitted amplitude value A Lm at n = L. Phase θ
The m (n), the phase theta m as (0) at n = 0, by using the phase value phi Lm at the frame end, θ m (0) = φ Lm -m (ω O1 + ω L1) L / 2 (12) and Δω = 0.
【0067】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(11)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 ・・・(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。When both n = 0 and n = L are V (voiced sound), Δω is adjusted so that θ m (L) becomes φ Lm.
The method for setting is described. In the above equation (11), n
= By placing the L, θ m (L) = mω O1 L + L 2 m (ω L1 -ω 01) / 2L + φ 0m + ΔωL = m (ω O1 + ω L1) L / 2 + φ 0m + ΔωL = φ Lm becomes, organize this Then, [Delta] [omega is, Δω = (mod2π ((φ Lm -φ 0m) - and mL (ω O1 + ω L1) / 2) / L a (13) this equation (13) in mod2π (x). Is the main value of x
This function returns a value between π and + π. For example, x = 1.3
mod2π (x) = -0.7π when π, mod2 when x = 2.3π
When π (x) = 0.3π, x = -1.3π, mod2π (x) = 0.7
π, and so on.
【0068】ここで、図10のAは、音声信号のスペク
トルの一例を示しており、バンド番号(ハーモニクスナ
ンバ)mが8、9、10の各バンドがUV(無声音)と
され、他のバンドはV(有声音)とされている。このV
(有声音)のバンドの時間軸信号が上記有声音合成部1
26により合成され、UV(無声音)のバンドの時間軸
信号が無声音合成部127で合成されるわけである。FIG. 10A shows an example of the spectrum of an audio signal. Bands (harmonic numbers) m of 8, 9, and 10 are set to UV (unvoiced sound) and other bands are set to UV (unvoiced sound). Is V (voiced sound). This V
The time axis signal of the (voiced sound) band is the voiced sound synthesis unit 1
26, and the time axis signal of the UV (unvoiced sound) band is synthesized by the unvoiced sound synthesis unit 127.
【0069】以下、無声音合成部127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131から
の時間軸上のホワイトノイズ信号波形を、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132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、図10のBに示すようなホワイトノイズの
周波数軸上のパワースペクトルを得る。このSTFT処
理部132からのパワースペクトルをバンド振幅処理部
133に送り、図10のCに示すように、上記UV(無
声音)とされたバンド(例えばm=8、9、10)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
133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。バンド振幅処理部133か
らの出力は、ISTFT処理部134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134からの出力は、オーバーラップ加算部135
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。オーバーラップ加算部135からの出力信号が上記
加算部129に送られる。Hereinafter, the unvoiced sound synthesizing process in the unvoiced sound synthesizing section 127 will be described. The waveform of the white noise signal on the time axis from the white noise generator 131 is windowed with an appropriate window function (for example, a Hamming window) with a predetermined length (for example, 256 samples), and the STFT (short circuit) is performed by the STFT processing unit 132. By performing (term Fourier transform) processing, a power spectrum on the frequency axis of white noise as shown in FIG. 10B is obtained. The power spectrum from the STFT processing unit 132 is sent to the band amplitude processing unit 133, and as shown in FIG. 10C, the amplitudes of the UV (unvoiced) bands (for example, m = 8, 9, 10) Am | UV is multiplied, and the amplitude of the other V (voiced sound) band is set to zero. The band amplitude processing section 133 is supplied with the amplitude data, the pitch data, and the V / UV discrimination data. The output from the band amplitude processing unit 133 is sent to the ISTFT processing unit 134, and the phase is converted to a signal on the time axis by performing inverse STFT processing using the phase of the original white noise. The output from the ISTFT processing unit 134 is output to an overlap adding unit 135.
And repeats the overlap and addition while weighting appropriately (to restore the original continuous noise waveform) on the time axis to synthesize a continuous time axis waveform. The output signal from the overlap adding unit 135 is sent to the adding unit 129.
【0070】このように、各合成部126、127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129により適当な固定の混合比
で加算して、出力端子130より再生された音声信号を
取り出す。As described above, the respective signals of the voiced sound portion and the unvoiced sound portion that have been synthesized in the synthesis portions 126 and 127 and returned on the time axis are added by the addition portion 129 at an appropriate fixed mixing ratio. The reproduced audio signal is extracted from the output terminal 130.
【0071】上記図4の音声分析側(エンコード側)の
構成や図9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。The components on the voice analysis side (encoding side) in FIG. 4 and the configuration on the voice synthesis side (decoding side) in FIG. 9 are described in terms of hardware. ) Can be realized by a software program.
【0072】以上より、本発明に係るピッチ抽出方法が
適用されるMBEは、ピッチ抽出部103でのピッチ抽
出を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
うにしているため、ピークレベルの変動が急激であって
も確実にピッチを抽出できる。As described above, in the MBE to which the pitch extraction method according to the present invention is applied, the pitch extraction in the pitch extraction unit 103 detects the peak level of the signal of each unit (each sub-block) obtained by subdividing the block, and the like. When the difference between the peak levels of each of these sub-blocks is large, the clip level is changed stepwise or continuously within the block, so that even if the peak level fluctuates rapidly, the pitch can be surely adjusted. Can be extracted.
【0073】なお、本発明に係るピッチ抽出方法は、上
記実施例にのみ限定されるものでなく、適用される高能
率符号化方法としても上記MBEに限定されるものでは
ない。The pitch extraction method according to the present invention is not limited to the above embodiment, and the high efficiency coding method applied is not limited to the above MBE.
【0074】[0074]
【発明の効果】本発明に係るピッチ抽出方法は、入力音
声信号をブロック単位で取り出し、該ブロックを複数の
サブブロックに分割し、各サブブロック毎のピークレベ
ルに応じ、センタクリップされる信号のクリッピングレ
ベルをブロック毎に変化させることで確実なピッチ抽出
が可能となる。According to the pitch extracting method of the present invention, an input audio signal is extracted in units of a block, the block is divided into a plurality of sub-blocks, and a center clipped signal is extracted according to the peak level of each sub-block. By changing the clipping level for each block, reliable pitch extraction becomes possible.
【0075】また、本発明に係るピッチ抽出方法は、入
力音声信号をブロック単位で取り出し、該ブロックを複
数のサブブロックに分割した内の隣接するサブブロック
のピークレベルの変動の激しいときにブロック毎のクリ
ップレベルを変化させることで音声の立ち上がり、立ち
下がり等、ピークレベルの変動が急激であっても確実な
ピッチを抽出が可能となる。Further, the pitch extracting method according to the present invention extracts an input audio signal in units of blocks and divides the input audio signal into a plurality of sub-blocks. By changing the clip level, it is possible to extract a reliable pitch even when the peak level fluctuates rapidly, such as when the sound rises or falls.
【図1】本発明に係るピッチ抽出方法の機能ブロック図
である。FIG. 1 is a functional block diagram of a pitch extraction method according to the present invention.
【図2】本発明に係るピッチ抽出方法の動作を説明する
ためのフローチャートである。FIG. 2 is a flowchart illustrating an operation of a pitch extraction method according to the present invention.
【図3】本発明に係るピッチ抽出方法を説明するための
波形図である。FIG. 3 is a waveform diagram for explaining a pitch extraction method according to the present invention.
【図4】本発明に係るピッチ抽出方法が適用される装置
の具体例としての音声信号の合成分析符号化装置の分析
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。FIG. 4 is a functional block diagram showing a schematic configuration of an analysis side (encoding side) of a speech signal synthesis analysis encoding apparatus as a specific example of an apparatus to which the pitch extraction method according to the present invention is applied;
【図5】窓かけ処理を説明するための図である。FIG. 5 is a diagram for explaining windowing processing.
【図6】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。FIG. 6 is a diagram for explaining a relationship between a windowing process and a window function.
【図7】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。FIG. 7 is a diagram showing time axis data as an object of orthogonal transform (FFT) processing.
【図8】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。FIG. 8 is a diagram showing spectrum data on a frequency axis, a spectrum envelope (envelope), and a power spectrum of an excitation signal.
【図9】本発明に係るピッチ抽出方法が適用される装置
の具体例としての音声信号の合成分析符号化装置の合成
側(デコード側)の概略構成を示す機能ブロック図であ
る。FIG. 9 is a functional block diagram showing a schematic configuration of a synthesis side (decoding side) of a speech signal synthesis analysis encoding apparatus as a specific example of an apparatus to which the pitch extraction method according to the present invention is applied.
【図10】音声信号を合成する際の無声音合成を説明す
るための図である。FIG. 10 is a diagram for explaining unvoiced sound synthesis when synthesizing an audio signal.
【図11】従来のピッチ抽出方法を説明するための波形
図である。FIG. 11 is a waveform chart for explaining a conventional pitch extraction method.
10・・・・・ブロック取り出し処理部 11・・・・・クリッピングレベル設定部 12・・・・・センタクリップ処理部 13・・・・・自己相関計算部 14・・・・・ピッチ算出部 15・・・・・サブブロック分割処理部 16・・・・・ピークレベル抽出部 17・・・・・最大ピークレベル抽出部 18・・・・・比較部 19・・・・・クリッピングレベル制御部 Reference numeral 10: Block extraction processing unit 11: Clipping level setting unit 12: Center clip processing unit 13: Autocorrelation calculation unit 14: Pitch calculation unit 15 ····· Sub-block division processing unit ········································································································································································ / ······· / ······················································································· lip −and /
Claims (2)
出し、上記ブロック内の音声信号波形をセンタクリップ
し、上記センタクリップされた信号に基づいてピッチを
抽出するピッチ抽出方法において、 上記ブロック内を複数のサブブロックに分割して各サブ
ブロック毎にクリップ用レベルを求め、センタクリップ
する際に上記クリップ用レベルに基づいて当該ブロック
内のクリッピングレベルを変化させることを特徴とする
ピッチ抽出方法。1. A pitch extracting method for extracting an input audio signal waveform in block units, center-clipping an audio signal waveform in the block, and extracting a pitch based on the center-clipped signal. A clip level is obtained for each of the sub-blocks, and a clipping level in the block is changed based on the clip level at the time of center clipping.
ルを上記クリップ用レベルとして求め、上記ピークレベ
ルの変動が所定値より大きいときに、センタクリップの
際のクリッピングレベルを上記クリップ用レベルに基づ
いて当該ブロック内で変化させることを特徴とする請求
項1記載のピッチ抽出方法。2. A peak level in the plurality of sub-blocks is determined as the clip level, and when a fluctuation of the peak level is larger than a predetermined value, a clipping level at the time of center clip is determined based on the clip level. 2. The pitch extracting method according to claim 1, wherein the pitch is changed within the block.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP9226092A JP3223564B2 (en) | 1992-03-18 | 1992-03-18 | Pitch extraction method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP9226092A JP3223564B2 (en) | 1992-03-18 | 1992-03-18 | Pitch extraction method |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH05265488A JPH05265488A (en) | 1993-10-15 |
JP3223564B2 true JP3223564B2 (en) | 2001-10-29 |
Family
ID=14049442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP9226092A Expired - Fee Related JP3223564B2 (en) | 1992-03-18 | 1992-03-18 | Pitch extraction method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3223564B2 (en) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100434538B1 (en) * | 1999-11-17 | 2004-06-05 | 삼성전자주식회사 | Detection apparatus and method for transitional region of speech and speech synthesis method for transitional region |
JP2011033672A (en) * | 2009-07-30 | 2011-02-17 | Fujitsu Ltd | Voice signal conversion device, voice signal conversion method and voice signal conversion program |
-
1992
- 1992-03-18 JP JP9226092A patent/JP3223564B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH05265488A (en) | 1993-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3277398B2 (en) | Voiced sound discrimination method | |
JP3475446B2 (en) | Encoding method | |
JP3840684B2 (en) | Pitch extraction apparatus and pitch extraction method | |
JP3680374B2 (en) | Speech synthesis method | |
JPH05281996A (en) | Pitch extracting device | |
JP3297751B2 (en) | Data number conversion method, encoding device and decoding device | |
JP2779325B2 (en) | Pitch search time reduction method using pre-processing correlation equation in vocoder | |
US6115685A (en) | Phase detection apparatus and method, and audio coding apparatus and method | |
JP3297749B2 (en) | Encoding method | |
JP3218679B2 (en) | High efficiency coding method | |
JP3223564B2 (en) | Pitch extraction method | |
JP3237178B2 (en) | Encoding method and decoding method | |
JP3362471B2 (en) | Audio signal encoding method and decoding method | |
JP3271193B2 (en) | Audio coding method | |
JP3398968B2 (en) | Speech analysis and synthesis method | |
JP3321933B2 (en) | Pitch detection method | |
JP3297750B2 (en) | Encoding method | |
JP3218681B2 (en) | Background noise detection method and high efficiency coding method | |
JP3221050B2 (en) | Voiced sound discrimination method | |
JPH11219199A (en) | Phase detection device and method and speech encoding device and method | |
JPH0651800A (en) | Data quantity converting method | |
JPH05265489A (en) | Pitch extracting method | |
JPH06202695A (en) | Speech signal processor | |
JP3218680B2 (en) | Voiced sound synthesis method | |
JP2003216189A (en) | Encoder and decoder |
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: 20010724 |
|
LAPS | Cancellation because of no payment of annual fees |