JP5173800B2 - 音声符号化装置、音声復号化装置、およびこれらの方法 - Google Patents

Description

本発明は、音声符号化装置、音声復号化装置、音声符号化方法、および音声復号化方法に関する。

移動体通信システムにおける電波資源等の有効利用のために、音声信号を低ビットレートで圧縮することが要求されている。その一方で、ユーザからは通話音声の品質向上や臨場感の高い通話サービスの実現が望まれている。この実現には、音声信号の高品質化のみならず、より帯域の広いオーディオ信号等の音声以外の信号をも高品質に符号化できることが望ましい。

このように相反する要求に対し、複数の符号化技術を階層的に統合するアプローチが有望視されている。具体的には、音声信号に適したモデルで入力信号を低ビットレートで符号化する第１レイヤと、入力信号と第１レイヤ復号信号との差分信号を音声以外の信号にも適したモデルで符号化する第２レイヤとを階層的に組み合わせる構成が検討されている。このような階層構造を持つ符号化方式は、符号化部から得られるビットストリームにスケーラビリティ性、すなわち、ビットストリームの一部を廃棄しても残りの情報から所定品質の復号信号が得られる性質を有するため、スケーラブル符号化と呼ばれる。スケーラブル符号化は、その特徴から、ビットレートの異なるネットワーク間の通信にも柔軟に対応できるため、ＩＰ（インターネットプロトコル）で多様なネットワークが統合されていく今後のネットワーク環境に適している。

従来のスケーラブル符号化技術として非特許文献１記載のものがある。非特許文献１では、ＭＰＥＧ−４（Moving Picture Experts Group phase-4）で規格化された技術を用いてスケーラブル符号化を構成している。具体的には、第１レイヤでは、音声信号に適したＣＥＬＰ（Code Excited Linear Prediction；符号励振線形予測）符号化を用い、第２レイヤにおいて、原信号から第１レイヤ復号信号を減じた残差信号に対し、ＡＡＣ（Advanced Audio Coder）やＴｗｉｎＶＱ（Transform Domain Weighted Interleave Vector Quantization；周波数領域重み付きインターリーブベクトル量子化）のような変換符号化を用いる。

また、変換符号化において、高能率にスペクトルの高域部を符号化する技術が非特許文献２で開示されている。非特許文献２では、スペクトルの低域部をピッチフィルタのフィルタ状態として利用し、スペクトルの高域部をピッチフィルタの出力信号として表している。このように、ピッチフィルタのフィルタ情報を少ないビット数で符号化することにより低ビットレート化を図ることができる。
三木弼一編著、「ＭＰＥＧ−４の全て（初版）」（株）工業調査会、１９９８年９月３０日、ｐ．１２６−１２７ 押切他、「ピッチフィルタリングによる帯域拡張技術を用いた７／１０／１５ｋＨｚ帯域スケーラブル音声符号化方式」音講論集３−１１−４、２００４年３月、ｐｐ．３２７−３２８

図１は、音声信号のスペクトル特性を説明するための図である。図１を見ると、音声信号は、基本周波数Ｆ０とその整数倍の周波数とにおいてスペクトルのピークが現れる調波構造（ハーモニクス）を有していることが分かる。非特許文献２の技術は、スペクトルの
低域部、例えば０〜４０００Ｈｚの帯域のスペクトルをピッチフィルタのフィルタ状態として利用し、例えば４０００〜７０００Ｈｚの高域部の調波構造を維持するように高域部の符号化が行われる。

一方、音声信号の調波構造は、周波数が高くなるほど減衰する傾向にある。これは、有声部の声帯音源の調波構造が高域にいくほど減衰しているためである。このような音声信号に対して、スペクトルの低域部をピッチフィルタのフィルタ状態に利用して高域部を高能率に符号化する手法では、高域部の調波構造が実際よりも強く現れてしまい、音声品質が劣化してしまうことがある。

また、図２は、別の音声信号のスペクトル特性を説明するための図である。この図に示すように、低域部では調波構造が存在するものの高域部では調波構造がほとんど消失してしまい、雑音的なスペクトル特性になっていることがわかる。例えばこの図では、約４５００Ｈｚが、スペクトル特性に違いが現れる境界となっている。このような音声信号において、スペクトルの低域部を利用して高域部を高能率に符号化する手法を適用した場合、高域部の雑音成分が不足してしまい、音声品質が劣化してしまうことがある。

本発明の目的は、スペクトルの低域部を利用して高域部を高能率に符号化する場合において、音声信号の一部の区間において調波構造が崩れている場合でも、復号信号の音質劣化を防止することができる音声符号化装置等を提供することである。

本発明の音声符号化装置は、入力信号の低域部を符号化して第１符号化データを生成する第１符号化手段と、前記第１符号化データを復号して第１復号信号を生成する第１復号化手段と、マルチタップを有し、かつ前記低域部の調波構造の鈍化を行うフィルタパラメータにより構成されるピッチフィルタと、前記第１復号信号のスペクトルに基づいて前記ピッチフィルタのフィルタ状態を設定し、前記入力信号の高域部の雑音性情報に基づいて前記フィルタパラメータを制御するとともに、前記ピッチフィルタにおける前記フィルタパラメータを用いたピッチフィルタリング処理により前記低域部から前記高域部を推定し、前記高域部の推定結果である前記ピッチフィルタのフィルタ情報を第２符号化データとする第２符号化手段と、を具備する構成を採る。

本発明によれば、スペクトルの低域部を利用して高域部を高能率に符号化する場合において、音声信号の一部の区間において調波構造が崩れている場合でも、復号信号の音質劣化を防止することができる。

以下、本発明の実施の形態について、添付図面を参照して詳細に説明する。

（実施の形態１）
図３は、本発明の実施の形態１に係る音声符号化装置１００の主要な構成を示すブロック図である。なお、ここでは、第１レイヤおよび第２レイヤ共に、周波数領域で符号化を行う構成を例にとって説明する。

音声符号化装置１００は、周波数領域変換部１０１、第１レイヤ符号化部１０２、第１レイヤ復号化部１０３、第２レイヤ符号化部１０４、および多重化部１０５を備え、第１レイヤおよび第２レイヤ共に、周波数領域における符号化を行う。

音声符号化装置１００の各部は以下の動作を行う。

周波数領域変換部１０１は、入力信号の周波数分析を行い、変換係数の形式で入力信号のスペクトル（入力スペクトル）を求める。具体的には、周波数領域変換部１０１は、例えば、ＭＤＣＴ（Modified Discrete Cosine Transform；変形離散コサイン変換）を用いて時間領域信号を周波数領域信号へ変換する。入力スペクトルは第１レイヤ符号化部１０２および第２レイヤ符号化部１０４へ出力される。

第１レイヤ符号化部１０２は、ＴｗｉｎＶＱ（Transform Domain Weighted Interleave
Vector Quantization）やＡＡＣ（Advanced Audio Coder）等を用いて入力スペクトルの低域部０≦ｋ＜ＦＬの符号化を行い、この符号化にて得られる第１レイヤ符号化データを、第１レイヤ復号化部１０３および多重化部１０５へ出力する。

第１レイヤ復号化部１０３は、第１レイヤ符号化データの復号を行って第１レイヤ復号スペクトルを生成し、第２レイヤ符号化部１０４へ出力する。なお、第１レイヤ復号化部１０３は、時間領域に変換される前の第１レイヤ復号スペクトルを出力する。

第２レイヤ符号化部１０４は、第１レイヤ復号化部１０３で得られた第１レイヤ復号スペクトルを用いて、周波数領域変換部１０１から出力される入力スペクトル［０≦ｋ＜ＦＨ］の高域部ＦＬ≦ｋ＜ＦＨの符号化を行い、この符号化にて得られる第２レイヤ符号化データを多重化部１０５へ出力する。具体的には、第２レイヤ符号化部１０４は、第１レ
イヤ復号スペクトルをピッチフィルタのフィルタ状態に用い、ピッチフィルタリング処理により入力スペクトルの高域部を推定する。この際、第２レイヤ符号化部１０４は、スペクトルの調波構造を崩さないように入力スペクトルの高域部を推定する。また、第２レイヤ符号化部１０４は、ピッチフィルタのフィルタ情報を符号化する。第２レイヤ符号化部１０４の詳細については後述する。

多重化部１０５は、第１レイヤ符号化データおよび第２レイヤ符号化データを多重化し、符号化データとして出力する。この符号化データは、音声符号化装置１００を搭載する無線送信装置の送信処理部等（図示せず）を介してビットストリームに重畳され、無線受信装置に伝送される。

図４は、上記の第２レイヤ符号化部１０４内部の主要な構成を示すブロック図である。

第２レイヤ符号化部１０４は、フィルタ状態設定部１１２、フィルタリング部１１３、探索部１１４、ピッチ係数設定部１１５、ゲイン符号化部１１６、多重化部１１７、雑音性分析部１１８、およびフィルタ係数決定部１１９を備え、各部は以下の動作を行う。

フィルタ状態設定部１１２は、第１レイヤ復号化部１０３から第１レイヤ復号スペクトルＳ１(ｋ)［０≦ｋ＜ＦＬ］が入力される。フィルタ状態設定部１１２は、この第１レイヤ復号スペクトルを用いて、フィルタリング部１１３で用いられるフィルタ状態を設定する。

雑音性分析部１１８は、周波数領域変換部１０１から出力される入力スペクトルＳ２(ｋ)の高域部ＦＬ≦ｋ＜ＦＨの雑音性を分析し、この分析結果を示す雑音性情報をフィルタ係数決定部１１９および多重化部１１７へ出力する。雑音性情報としては、例えば、スペクトラル・フラットネス・メジャー（ＳＦＭ）を用いる。ＳＦＭは、振幅スペクトルの幾何平均に対する算術平均の比（＝幾何平均／算術平均）で表され、スペクトルのピーク性が強いほどＳＦＭは０．０に、雑音性が強いほど１．０に近づく。なお、雑音性情報としては、振幅スペクトルのエネルギーを正規化した後に分散値を求め、これを雑音性情報としても良い。

フィルタ係数決定部１１９は、複数のフィルタ係数の候補が記憶されており、雑音性分析部１１８から出力される雑音性情報に応じて、これら複数候補の中から１つのフィルタ係数を選択し、フィルタリング部１１３へ出力する。詳細は後述する。

フィルタリング部１１３は、マルチタップ（タップ数が１より多い）のピッチフィルタを備える。フィルタリング部１１３は、フィルタ状態設定部１１２で設定されたフィルタ状態と、ピッチ係数設定部１１５から出力されるピッチ係数、フィルタ係数決定部１１９から出力されるフィルタ係数とに基づいて、第１レイヤ復号スペクトルのフィルタリングを行い、入力スペクトルの推定スペクトルＳ２'(ｋ)を算出する。詳細は後述する。

ピッチ係数設定部１１５は、探索部１１４の制御の下、ピッチ係数Ｔを予め定められた探索範囲Ｔ_ｍｉｎ〜Ｔ_ｍａｘの中で少しずつ変化させながら、フィルタリング部１１３へ順次出力する。

探索部１１４は、周波数領域変換部１０１から出力される入力スペクトルＳ２(ｋ)の高域部ＦＬ≦ｋ＜ＦＨと、フィルタリング部１１３から出力される推定スペクトルＳ２'(ｋ)との類似度を算出する。この類似度の算出は、例えば相関演算等により行われる。フィルタリング部１１３−探索部１１４−ピッチ係数設定部１１５の処理は閉ループとなっており、探索部１１４は、ピッチ係数設定部１１５から出力されるピッチ係数Ｔを種々に変
化させることにより、各ピッチ係数に対応する類似度を算出する。そして、算出される類似度が最大となるピッチ係数、すなわち最適なピッチ係数Ｔ’（但しＴ_ｍｉｎ〜Ｔ_ｍａｘの範囲）を多重化部１１７へ出力する。また、探索部１１４は、このピッチ係数Ｔ’に対応する入力スペクトルの推定値Ｓ２'(ｋ)をゲイン符号化部１１６へ出力する。

ゲイン符号化部１１６は、周波数領域変換部１０１から出力される入力スペクトルＳ２(ｋ)の高域部ＦＬ≦ｋ＜ＦＨに基づいて、入力スペクトルＳ２(ｋ)のゲイン情報を算出する。具体的には、ゲイン情報をサブバンド毎のスペクトルパワで表し、周波数帯域ＦＬ≦ｋ＜ＦＨをＪ個のサブバンドに分割する。このとき、第ｊサブバンドのスペクトルパワＢ(ｊ)は以下の式（１）で表される。

式（１）において、ＢＬ(ｊ)は第ｊサブバンドの最小周波数、ＢＨ(ｊ)は第ｊサブバンドの最大周波数を表す。このようにして求めた入力スペクトルのサブバンド情報を入力スペクトルのゲイン情報とみなす。また、ゲイン符号化部１１６は、同様に、入力スペクトルの推定値Ｓ２'(ｋ)のサブバンド情報Ｂ’(ｊ)を以下の式（２）に従い算出し、サブバンド毎の変動量Ｖ(ｊ)を式（３）に従い算出する。

そして、ゲイン符号化部１１６は、変動量Ｖ(ｊ)を符号化し、符号化後の変動量Ｖ_ｑ(ｊ)に対応するインデックスを多重化部１１７へ出力する。

多重化部１１７は、探索部１１４から出力される最適なピッチ係数Ｔ’と、ゲイン符号化部１１６から出力される変動量Ｖ(ｊ)のインデックスと、雑音性分析部１１８から出力される雑音性情報とを多重化し、第２レイヤ符号化データとして多重化部１０５へ出力する。なお、多重化部１１７で多重化せずに、多重化部１０５でまとめて多重化しても良い。

次いで、フィルタ係数決定部１１９の処理、すなわち、入力スペクトルＳ２(ｋ)の高域部ＦＬ≦ｋ＜ＦＨの雑音性に基づいてフィルタリング部１１３のフィルタ係数を決定する処理、について詳述する。

フィルタ係数決定部１１９に格納されているフィルタ係数の候補は、相互を比較すると、スペクトルを平滑化する程度がそれぞれ異なっている。スペクトルの平滑化の程度は、隣接するフィルタ係数同士の差の大きさで定まり、隣接するフィルタ係数同士の差が大きいフィルタ係数の候補はスペクトルの平滑化の程度が小さく、隣接するフィルタ係数同士の差が小さいフィルタ係数の候補はスペクトルの平滑化の程度が大きくなる。

そして、フィルタ係数決定部１１９において、フィルタ係数の候補は、隣接するフィル
タ係数同士の差が大きいものから小さいものへと順に、すなわち、スペクトルを平滑化する程度が弱いものから強いものへと順に配列されている。そこで、フィルタ係数決定部１１９は、雑音性分析部１１８から出力される雑音性情報を閾値判定することにより、その雑音性の程度を認識し、複数あるフィルタ係数の候補のうち、いずれの候補を対応させるべきか（用いるべきか）を決定する。

例えば、タップ数が３の場合、フィルタ係数の候補は（β_−１、β_０、β_１）となる。そして、各成分が具体的には（β_−１、β_０、β_１）＝（０．１、０．８、０．１）、（０．２、０．６、０．２）、（０．３、０．４、０．３）であるとすると、各候補はフィルタ係数決定部１１９において、（０．１、０．８、０．１）、（０．２、０．６、０．２）、（０．３、０．４、０．３）の順に格納されている。

かかる場合、フィルタ係数決定部１１９は、雑音性分析部１１８から出力される雑音性情報を所定の複数の閾値と比較することにより、雑音性の程度が、弱いか、中程度か、あるいは強いかを判定する。そして、例えば、雑音性の程度が弱い場合には候補（０．１、０．８、０．１）を選択し、雑音性の程度が中程度の場合には候補（０．２、０．６、０．２）を選択し、雑音性の程度が強い場合には候補（０．３、０．４、０．３）を選択し、この選択したフィルタ係数をフィルタリング部１１３へ出力する。

次いで、フィルタリング部１１３でのフィルタリング処理の詳細について、図５を用いて説明する。

フィルタリング部１１３は、ピッチ係数設定部１１５から出力されるピッチ係数Ｔを用いて、帯域ＦＬ≦ｋ＜ＦＨのスペクトルを生成する。ここで、全周波数帯域０≦ｋ＜ＦＨのスペクトルを便宜的にＳ(ｋ)と呼び、フィルタ関数は以下の式（４）で表されるものを使用する。

この式において、Ｔはピッチ係数設定部１１５から与えられるピッチ係数、β_ｉはフィルタ係数決定部１１９から与えられるフィルタ係数を表している。またＭ＝１とする。

Ｓ(ｋ)の０≦ｋ＜ＦＬの帯域には、第１レイヤ復号スペクトルＳ１(ｋ)がフィルタの内部状態（フィルタ状態）として格納される。

Ｓ(ｋ)のＦＬ≦ｋ＜ＦＨの帯域には、以下の手順のフィルタリング処理により、入力スペクトルの推定値Ｓ２'(ｋ)が格納される。すなわち、Ｓ２'(ｋ)には、基本的に、このｋよりＴだけ低い周波数のスペクトルＳ(ｋ−Ｔ)が代入される。但し、スペクトルの円滑性を増すために、実際には、スペクトルＳ(ｋ−Ｔ)からｉだけ離れた近傍のスペクトルＳ(ｋ−Ｔ＋ｉ)に、所定のフィルタ係数β_ｉを乗じたスペクトルβ_ｉ・Ｓ(ｋ−Ｔ＋ｉ)を、全てのｉについて加算したスペクトルをＳ２'(ｋ)に代入する。この処理は以下の式（５）で表される。

上記演算を、周波数の低いｋ＝ＦＬから順に、ｋをＦＬ≦ｋ＜ＦＨの範囲で変化させて行うことにより、ＦＬ≦ｋ＜ＦＨにおける入力スペクトルの推定値Ｓ２'(ｋ)を算出する。

以上のフィルタリング処理は、ピッチ係数設定部１１５からピッチ係数Ｔが与えられる度に、ＦＬ≦ｋ＜ＦＨの範囲において、その都度Ｓ(ｋ)をゼロクリアして行われる。すなわち、ピッチ係数Ｔが変化するたびにＳ(ｋ)は算出され、探索部１１４へ出力される。

このように、本実施の形態に係る音声符号化装置１００は、フィルタリング部１１３で使用されるピッチフィルタのフィルタ係数を制御することにより、低域スペクトルに平滑化を施してから、この低域スペクトルを用いて高域部の符号化を行う。換言すると、本実施の形態では、低域スペクトルを平滑化することにより、この低域スペクトルに含まれる鋭敏なピーク、すなわち調波構造を鈍化させてから、この低域スペクトルに基づいて推定スペクトル（高域スペクトル）を生成している。よって、高域スペクトルの調波構造が鈍化する効果がある。本明細書では、特に、この処理を非調波構造化と呼ぶこととする。

次いで、音声符号化装置１００に対応する本実施の形態に係る音声復号化装置１５０について説明する。図６は、音声復号化装置１５０の主要な構成を示すブロック図である。この音声復号化装置１５０は、図３に示した音声符号化装置１００で生成された符号化データを復号するものである。各部は以下の動作を行う。

分離部１５１は、無線送信装置から伝送されたビットストリームに重畳された符号化データを、第１レイヤ符号化データおよび第２レイヤ符号化データに分離し、第１レイヤ符号化データを第１レイヤ復号化部１５２へ、第２レイヤ符号化データを第２レイヤ復号化部１５３へ出力する。また、分離部１５１は、上記ビットストリームから、どのレイヤの符号化データが含まれているかを表すレイヤ情報を分離し、判定部１５４へ出力する。

第１レイヤ復号化部１５２は、第１レイヤ符号化データに対して復号処理を行って第１レイヤ復号スペクトルＳ１(ｋ)を生成し、第２レイヤ復号化部１５３および判定部１５４へ出力する。

第２レイヤ復号化部１５３は、第２レイヤ符号化データおよび第１レイヤ復号スペクトルＳ１(ｋ)を用いて、第２レイヤ復号スペクトルを生成し、判定部１５４へ出力する。なお、第２レイヤ復号化部１５３の詳細については後述する。

判定部１５４は、分離部１５１から出力されるレイヤ情報に基づき、ビットストリームに重畳された符号化データに第２レイヤ符号化データが含まれているか否か判定する。ここで、音声符号化装置１００を搭載する無線送信装置は、ビットストリームに第１レイヤ符号化データおよび第２レイヤ符号化データの双方を含めて送信するが、通信経路の途中において第２レイヤ符号化データが廃棄される場合がある。そこで、判定部１５４は、レイヤ情報に基づき、ビットストリームに第２レイヤ符号化データが含まれているか否かを判定する。そして、判定部１５４は、ビットストリームに第２レイヤ符号化データが含まれていない場合、第２レイヤ復号化部１５３によって第２レイヤ復号スペクトルが生成されないため、第１レイヤ復号スペクトルを時間領域変換部１５５へ出力する。但し、かかる場合、第２レイヤ符号化データが含まれている場合の復号スペクトルと次数を一致させるために、判定部１５４は、第１レイヤ復号スペクトルの次数をＦＨまで拡張し、ＦＬ〜ＦＨの帯域のスペクトルを０として出力する。一方、ビットストリームに第１レイヤ符号化データおよび第２レイヤ符号化データの双方が含まれている場合、判定部１５４は、第２レイヤ復号スペクトルを時間領域変換部１５５へ出力する。

時間領域変換部１５５は、判定部１５４から出力される復号スペクトルを時間領域信号に変換して復号信号を生成し、出力する。

図７は、上記の第２レイヤ復号化部１５３内部の主要な構成を示すブロック図である。

分離部１６３は、分離部１５１から出力される第２レイヤ符号化データを、フィルタリングに関する情報（最適なピッチ係数Ｔ’）と、ゲインに関する情報（変動量Ｖ(ｊ)のインデックス）と、雑音性情報とに分離し、フィルタリングに関する情報をフィルタリング部１６４へ出力し、ゲインに関する情報をゲイン復号化部１６５に出力し、雑音性情報をフィルタ係数決定部１６１へ出力する。なお、分離部１５１においてこれら情報を分離済みであれば、分離部１６３は用いなくて良い。

フィルタ係数決定部１６１は、図４に示した第２レイヤ符号化部１０４内部のフィルタ係数決定部１１９に対応する構成である。フィルタ係数決定部１６１は、複数のフィルタ係数（ベクトル値）の候補が記憶されており、分離部１６３から出力される雑音性情報に応じて、複数候補の中から１つのフィルタ係数を選択し、フィルタリング部１６４へ出力する。フィルタ係数決定部１６１に格納されているフィルタ係数の候補は、それぞれ、スペクトルを平滑化する程度が異なっている。また、これらフィルタ係数の候補は、スペクトルを平滑化する程度が弱いものから強いものへと順に並んでいる。フィルタ係数決定部１６１は、分離部１６３から出力される雑音性情報に応じて、非調波構造化の程度の異なる複数のフィルタ係数の候補の中から１つの候補を選択し、選択したフィルタ係数をフィルタリング部１６４へ出力する。

フィルタ状態設定部１６２は、音声符号化装置１００内部のフィルタ状態設定部１１２に対応する構成である。フィルタ状態設定部１６２は、第１レイヤ復号化部１５２から出力される第１レイヤ復号スペクトルＳ１(ｋ)を、フィルタリング部１６４で用いるフィルタ状態として設定する。ここで、全周波数帯域０≦ｋ＜ＦＨのスペクトルを便宜的にＳ(ｋ)と呼び、Ｓ(ｋ)の０≦ｋ＜ＦＬの帯域には、第１レイヤ復号スペクトルＳ１(ｋ)がフィルタの内部状態（フィルタ状態）として格納される。

フィルタリング部１６４は、フィルタ状態設定部１６２で設定されたフィルタ状態と、分離部１６３から出力されるピッチ係数Ｔ’と、フィルタ係数決定部１６１から出力されるフィルタ係数とに基づき、第１レイヤ復号スペクトルＳ１(ｋ)のフィルタリングを行い、上記式（５）に従う全帯域スペクトルＳ２(ｋ)の推定値Ｓ２'(ｋ)を算出する。フィルタリング部１６４でも、上記式（４）に示したフィルタ関数が用いられる。

ゲイン復号化部１６５は、分離部１６３から出力されるゲイン情報を復号し、変動量Ｖ(ｊ)の量子化値である変動量Ｖ_ｑ(ｊ)を求める。

スペクトル調整部１６６は、フィルタリング部１６４から出力される推定スペクトルＳ２'(ｋ)に、ゲイン復号化部１６５から出力されるサブバンド毎の変動量Ｖ_ｑ(ｊ)を、以下の式（６）に従って乗じることにより、推定スペクトルＳ２'(ｋ)の周波数帯域ＦＬ≦ｋ＜ＦＨにおけるスペクトル形状を調整し、復号スペクトルＳ３(ｋ)を生成する。

なお、復号スペクトルＳ３（ｋ）の低域部０≦ｋ＜ＦＬは第１レイヤ復号スペクトルＳ１（ｋ）から成り、復号スペクトルＳ３（ｋ）の高域部ＦＬ≦ｋ＜ＦＨは調整後の推定スペクトルＳ２'(ｋ)から成る。この調整後の復号スペクトルＳ３(ｋ)は、第２レイヤ復号
スペクトルとして判定部１５４へ出力される。

このようにして、音声復号化装置１５０は、音声符号化装置１００で生成された符号化データを復号することができる。

以上説明したように、本実施の形態によれば、マルチタップのピッチフィルタを備え、スペクトルの低域部を利用して高域部を高能率に符号化する符号化／復号化方法において、フィルタ係数等のフィルタパラメータを制御することにより、スペクトルの低域部に非調波構造化を施した後に、高域部のスペクトルを符号化する。すなわち、スペクトルの高域部の調波構造を減衰させるピッチフィルタを用いて、低域スペクトルから高域スペクトルの予測を行う。なお、本実施の形態において非調波構造化とは、スペクトルに対し平滑化を行うことである。

これにより、ピッチフィルタ処理で生成されるスペクトルの高域部の調波構造が、強く現れ過ぎたり、高域部の雑音成分が不足したりすることによる音質劣化を回避することができ、復号信号の高音質化を実現することができる。

なお、本実施の形態では、フィルタパラメータとして、隣接するフィルタ係数同士の差が異なっているようなフィルタ係数を用いる構成を例にとって説明した。しかし、フィルタパラメータはこれに限定されず、ピッチフィルタのタップ数（フィルタ次数）、雑音ゲイン情報等を用いるような構成としても良い。例えば、フィルタパラメータとして、ピッチフィルタのタップ数を用いる場合、以下のようになる。なお、雑音ゲイン情報を用いる場合の構成については、実施の形態２において詳述する。

かかる場合、フィルタ係数決定部１１９に記憶されているフィルタ係数の各候補は、それぞれ異なるタップ数（フィルタ次数）を有することとなる。すなわち、雑音性情報に応じてフィルタ係数のタップ数を選択する。このような手法を採ることにより、ピッチフィルタのタップ数が大きい程、スペクトル平滑化の程度が大きくなるピッチフィルタを設計し易くなり、この性質を利用して、スペクトルの高域部の調波構造を大きく減衰させるピッチフィルタを構成することが可能になる。

例えば、各フィルタ係数が、タップ数として３または５のいずれかを採る場合の例を以下に示す。図８の（ａ）はフィルタ係数のタップ数が３の場合における高域スペクトルの生成処理の概要を示す図であり、図８の（ｂ）はフィルタ係数タップ数が５の場合における高域スペクトルの生成処理の概要を示す図である。タップ数が３の場合のフィルタ係数を（β_−１、β_０、β_１）＝（１／３、１／３、１／３）、タップ数が５の場合のフィルタ係数を（β_−２、β_−１、β_０、β_１、β_２）＝（１／５、１／５、１／５、１／５、１／５）とする。タップ数が大きいフィルタ係数ほどスペクトルの平滑化の程度は大きくなる。そこで、フィルタ係数決定部１１９は、雑音性分析部１１８から出力される雑音性情報に応じて、非調波構造化の程度の異なる複数のタップ数の候補の中から１つの候補を選択し、フィルタリング部１１３へ出力する。具体的には、雑音性が弱い場合にはタップ数３のフィルタ係数の候補を選択し、雑音性が強い場合にはタップ数５のフィルタ係数の候補を選択する。

このような手法によっても、スペクトルの平滑化の程度の異なる複数のフィルタ係数の候補を用意することができる。なお、ピッチフィルタのタップ数が奇数の場合を例にとって説明を行ったが、これに限らず、ピッチフィルタのタップ数は偶数であっても良い。

また、本実施の形態では、非調波構造化として、スペクトルの平滑化を行う構成を例にとって説明したが、非調波構造化として、当該スペクトルに雑音成分を付与するような処
理を行う構成であっても良い。

また、本実施の形態は、以下に示すような構成も採り得る。図９は、音声符号化装置１００の別の構成１００ａを示すブロック図である。また、図１０は、対応する音声復号化装置１５０ａの主要な構成を示すブロック図である。音声符号化装置１００および音声復号装置１５０と同様の構成については同一の符号を付し、基本的に、詳細な説明は省略する。

図９において、ダウンサンプリング部１２１は、時間領域の入力音声信号をダウンサンプリングして、所望のサンプリングレートに変換する。第１レイヤ符号化部１０２は、ダウンサンプリング後の時間領域信号に対し、ＣＥＬＰ符号化を用いて符号化を行い、第１レイヤ符号化データを生成する。第１レイヤ復号化部１０３は、第１レイヤ符号化データを復号して第１レイヤ復号信号を生成する。周波数領域変換部１２２は、第１レイヤ復号信号の周波数分析を行って第１レイヤ復号スペクトルを生成する。遅延部１２３は、入力音声信号に対し、ダウンサンプリング部１２１−第１レイヤ符号化部１０２−第１レイヤ復号化部１０３−周波数領域変換部１２２で生じる遅延に相当する遅延を与える。周波数領域変換部１２４は、遅延後の入力音声信号の周波数分析を行って入力スペクトルを生成する。第２レイヤ符号化部１０４は、第１レイヤ復号スペクトルおよび入力スペクトルを用いて第２レイヤ符号化データを生成する。多重化部１０５は、第１レイヤ符号化データおよび第２レイヤ符号化データを多重化し、符号化データとして出力する。

また、図１０において、第１レイヤ復号化部１５２は、分離部１５１から出力される第１レイヤ符号化データを復号して第１レイヤ復号信号を得る。アップサンプリング部１７１は、第１レイヤ復号信号のサンプリングレートを入力信号と同じサンプリングレートに変換する。周波数領域変換部１７２は、第１レイヤ復号信号を周波数分析して第１レイヤ復号スペクトルを生成する。第２レイヤ復号化部１５３は、分離部１５１から出力される第２レイヤ符号化データを、第１レイヤ復号スペクトルを用いて復号し、第２レイヤ復号スペクトルを得る。時間領域変換部１７３は、第２レイヤ復号スペクトルを時間領域信号に変換し、第２レイヤ復号信号を得る。判定部１５４は、分離部１５１から出力されるレイヤ情報に基づき、第１レイヤ復号信号または第２レイヤ復号信号の一方を出力する。

このように、上記バリエーションでは、第１レイヤ符号化部１０２が時間領域で符号化処理を行う。第１レイヤ符号化部１０２では、音声信号を低ビットレートで高品質に符号化できるＣＥＬＰ符号化が用いられる。よって、第１レイヤ符号化部１０２でＣＥＬＰ符号化が使用されるため、スケーラブル符号化装置全体のビットレートを小さくすることが可能となり、かつ高品質化も実現できる。また、ＣＥＬＰ符号化は、変換符号化に比べて原理遅延（アルゴリズム遅延）を短くすることができるため、スケーラブル符号化装置全体の原理遅延も短くなり、双方向通信に適した音声符号化処理および復号化処理を実現することができる。

（実施の形態２）
本発明の実施の形態２では、フィルタパラメータとして雑音ゲイン情報を用いる。すなわち、入力スペクトルの雑音性に応じて、非調波構造化の程度の異なる複数の雑音ゲイン情報の候補の中から１つを決定する。

本実施の形態に係る音声符号化装置の基本的構成は、実施の形態１に示した音声符号化装置１００（図３参照）と同様である。よって、その説明を省略し、実施の形態１と異なる構成である第２レイヤ符号化部１０４ｂについて以下説明する。

図１１は、第２レイヤ符号化部１０４ｂの主要な構成を示すブロック図である。なお、
第２レイヤ符号化部１０４ｂの構成も、実施の形態１に示した第２レイヤ符号化部１０４（図４参照）と同様であり、同一の構成要素には同一の符号を付し、その説明を省略する。

第２レイヤ符号化部１０４ｂは、雑音信号生成部２０１、雑音ゲイン乗算部２０２、およびフィルタリング部２０３を備える点が、第２レイヤ符号化部１０４と異なる。

雑音信号生成部２０１は、雑音信号を生成して雑音ゲイン乗算部２０２へ出力する。雑音信号としては、平均値がゼロとなるように算出されたランダム信号や、あらかじめ設計しておいた信号系列を用いる。

雑音ゲイン乗算部２０２は、雑音性分析部１１８から与えられる雑音性情報に応じて、複数の雑音ゲイン情報の候補の中から１つを選択し、この雑音ゲイン情報に対し雑音信号生成部２０１から与えられる雑音信号を乗じ、乗算後の雑音信号をフィルタリング部２０３へ出力する。この雑音ゲイン情報が大きい程、スペクトルの高域部の調波構造を減衰させることができる。雑音ゲイン乗算部２０２に格納されている雑音ゲイン情報の候補は、予め設計されており、通常は、音声符号化装置と音声復号化装置とで共通の候補が格納されている。例えば、雑音ゲイン情報の候補として、｛Ｇ１、Ｇ２、Ｇ３｝の３種類の候補が格納され、０＜Ｇ１＜Ｇ２＜Ｇ３の関係があるものとすると、雑音ゲイン乗算部２０２は、雑音性分析部１１８から雑音性の程度が小さいという雑音情報が与えられた場合には候補Ｇ１、雑音性の程度が中程度の場合にはＧ２、雑音性の程度が大きい場合には候補Ｇ３を選択する。

フィルタリング部２０３は、ピッチ係数設定部１１５から出力されるピッチ係数Ｔを用いて、帯域ＦＬ≦ｋ＜ＦＨのスペクトルを生成する。ここで、全周波数帯域０≦ｋ＜ＦＨのスペクトルを便宜的にＳ(ｋ)と呼び、フィルタ関数は式（７）で表されるものを使用する。

この式において、Ｇｎは選択された雑音ゲイン情報を表し、｛Ｇ１、Ｇ２、Ｇ３｝のいずれかである。また、Ｔはピッチ係数設定部１１５から与えられるピッチ係数を表している。なお、Ｍ＝１とする。

Ｓ(ｋ)の０≦ｋ＜ＦＬの帯域には、第１レイヤ復号スペクトルＳ１(ｋ)がフィルタのフィルタ状態として格納される。

Ｓ(ｋ)のＦＬ≦ｋ＜ＦＨの帯域には、以下の手順のフィルタリング処理により、入力スペクトルの推定値Ｓ２'(ｋ)が格納される（図１２参照）。この図に示すように、Ｓ２'(ｋ)には、基本的に、このｋよりＴだけ低い周波数のスペクトルＳ(ｋ−Ｔ)に、雑音ゲイン情報Ｇ_ｎ乗算後の雑音信号Ｇ_ｎ・ｃ(ｋ)を加算したスペクトルが代入される。但し、スペクトルの円滑性を増すために、実際には、スペクトルＳ(ｋ−Ｔ)からｉだけ離れた近傍のスペクトルＳ(ｋ−Ｔ＋ｉ)に、所定のフィルタ係数β_ｉを乗じたスペクトルβ_ｉ・Ｓ(ｋ−Ｔ＋ｉ)を、全てのｉについて加算したスペクトルが、Ｓ(ｋ−Ｔ)の代わりに使用される。すなわち、Ｓ２'(ｋ)には、式（８）により表されるスペクトルが代入される。

そしてこの演算を、周波数の低い方（ｋ＝ＦＬ）から順にｋをＦＬ≦ｋ＜ＦＨの範囲で変化させて行うことにより、ＦＬ≦ｋ＜ＦＨにおける入力スペクトルの推定値Ｓ２'(ｋ)が算出される。

このように、本実施の形態に係る音声符号化装置は、雑音性分析部１１８で得られる雑音性情報に応じた雑音成分を、フィルタリング部２０３においてスペクトルの高域部に加算する。よって、入力スペクトルの高域部の雑音性が大きいほど、推定スペクトルの高域部に付与される雑音成分は大きくなる。換言すると、本実施の形態では、低域スペクトルから高域スペクトルを推定する過程において雑音成分を加算することにより、推定スペクトル（高域スペクトル）に含まれる鋭敏なピーク、すなわち調波構造を鈍化させている。本明細書では、この処理も非調波構造化と呼ぶこととする。

次いで、本実施の形態に係る音声復号化装置について説明する。なお、本実施の形態に係る音声復号化装置の基本的構成は、実施の形態１に示した音声復号化装置１５０（図７参照）と同様である。よって、その説明を省略し、実施の形態１と異なる構成である第２レイヤ復号化部１５３ｂについて以下説明する。

図１３は、第２レイヤ復号化部１５３ｂの主要な構成を示すブロック図である。なお、第２レイヤ復号化部１５３ｂの構成も、実施の形態１に示した第２レイヤ復号化部１５３（図７参照）と同様であり、同一の構成要素には同一の符号を付し、その説明を省略する。

第２レイヤ復号化部１５３ｂは、雑音信号生成部２５１および雑音ゲイン乗算部２５２を備える点が、第２レイヤ復号化部１５３と異なる。

雑音信号生成部２５１は、雑音信号を生成して雑音ゲイン乗算部２５２へ出力する。雑音信号としては、平均値がゼロとなるように算出されたランダム信号や、あらかじめ設計しておいた信号系列を用いる。

雑音ゲイン乗算部２５２は、分離部１６３から出力される雑音性情報に従い、格納されている複数の雑音ゲイン情報の候補の中から１つを選択し、この雑音ゲイン情報に対し雑音信号生成部２５１から与えられる雑音信号を乗じ、乗算後の雑音信号をフィルタリング部１６４へ出力する。以降の動作は、実施の形態１で示した通りである。

このようにして、本実施の形態に係る音声復号化装置は、本実施の形態に係る音声符号化装置で生成された符号化データを復号することができる。

以上説明したように、本実施の形態によれば、推定スペクトルの高域部に雑音成分を付与することにより調波構造の鈍化を行う。よって、本実施の形態によっても、実施の形態１と同様に、高域部の雑音性の不足に起因する音質劣化を回避し、高音質化を実現することができる。

なお、本実施の形態では、入力スペクトルの雑音性を用いる構成を例にとって説明したが、入力スペクトルの代わりに、第１レイヤ復号スペクトルの雑音性を用いるような構成としても良い。

また、雑音信号に乗じる雑音ゲイン情報は、入力スペクトルの推定値Ｓ２'(ｋ)の平均振幅の大きさに応じて変わるような構成としても良い。すなわち、入力スペクトルの推定値Ｓ２'(ｋ)の平均振幅に応じて雑音ゲイン情報を算出するようにする。

上記処理を具体的に説明すると、まず式（８）においてＧｎ＝０とおいて入力スペクトルの推定値Ｓ２'(ｋ)を算出し（すなわち、式（５）を用いてＳ２'(ｋ)を算出し）、この入力スペクトルの推定値Ｓ２'(ｋ)の平均エネルギーＥＳ２'を求める。同様に、雑音信号ｃ（ｋ）の平均エネルギーＥＣを求め、次式（９）に従い雑音ゲイン情報を求める。

ここで、Ａｎは雑音ゲイン情報の相対値を表し、例えば、雑音ゲイン情報の相対値の候補として、｛Ａ１、Ａ２、Ａ３｝の３種類の候補が格納され、０＜Ａ１＜Ａ２＜Ａ３の関係があるものとする。そして、雑音性分析部１１８からの雑音性の程度が小さいという雑音情報が与えられた場合には候補Ａ１、雑音性の程度が中程度の場合にはＡ２、雑音性の程度が大きい場合には候補Ａ３を選択する。

このように雑音ゲイン情報を求めることにより、入力スペクトルの推定値Ｓ２'(ｋ)の平均振幅値に応じて、雑音信号ｃ（ｋ）に乗じる雑音ゲイン情報が適応的に算出されるようになり、音声品質が改善されるようになる。

（実施の形態３）
本発明の実施の形態３に係る音声符号化装置の基本的構成も、実施の形態１に示した音声符号化装置１００と同様である。よって、その説明を省略し、実施の形態１と異なる構成である第２レイヤ符号化部１０４ｃについて以下説明する。

図１４は、第２レイヤ符号化部１０４ｃの主要な構成を示すブロック図である。なお、第２レイヤ符号化部１０４ｃの構成も、実施の形態１に示した第２レイヤ符号化部１０４と同様であり、同一の構成要素には同一の符号を付し、その説明を省略する。

第２レイヤ符号化部１０４ｃは、雑音性分析部３０１に与えられる入力信号が第１レイヤ復号スペクトルになっている点が、第２レイヤ符号化部１０４と異なる。

雑音性分析部３０１は、第１レイヤ復号化部１０３から出力される第１レイヤ復号スペクトルの雑音性を、実施の形態１で示した雑音性分析部１１８と同様の手法により分析し、この分析結果を示す雑音性情報をフィルタ係数決定部１１９へ出力する。すなわち、本実施の形態では、第１レイヤの符号化で得られる第１レイヤ復号スペクトルの雑音性に応じて、ピッチフィルタのフィルタパラメータを決定する。

また、雑音性分析部３０１は、雑音性情報を多重化部１１７へ出力しない。すなわち、本実施の形態では、以下に示すように、音声復号化装置において雑音性情報を生成することができるため、本実施の形態に係る音声符号化装置から音声復号化装置へ雑音性情報は伝送されない。

本実施の形態に係る音声復号化装置の基本的構成も、実施の形態１に示した音声復号化装置１５０と同様であるため、説明を省略し、実施の形態１と異なる構成である第２レイヤ復号化部１５３ｃについて以下説明する。

図１５は、第２レイヤ復号化部１５３ｃの主要な構成を示すブロック図である。実施の形態１に示した第２レイヤ復号化部１５３と同様の構成要素には同一の符号を付し、説明を省略する。

第２レイヤ復号化部１５３ｃは、雑音性分析部３５１に与えられる入力信号が第１レイヤ復号スペクトルになっている点が、第２レイヤ復号化部１５３と異なる。

雑音性分析部３５１は、第１レイヤ復号化部１５２から出力される第１レイヤ復号スペクトルの雑音性を分析し、この分析結果である雑音性情報をフィルタ係数決定部３５２へ出力する。よって、分離部１６３ａからフィルタ係数決定部３５２へは付加情報は入力されない。

フィルタ係数決定部３５２は、複数のフィルタ係数（ベクトル値）の候補が記憶されており、雑音性分析部３５１から出力される雑音性情報に応じて、複数候補の中から１つのフィルタ係数を選択し、フィルタリング部１６４へ出力する。

このように、本実施の形態によれば、第１レイヤの符号化で得られる第１レイヤ復号スペクトルの雑音性に応じて、ピッチフィルタのフィルタパラメータを決定する。これにより、音声符号化装置は、付加情報を音声復号化装置に伝送する必要が無くなり、ビットレートを低減することができる。

（実施の形態４）
本発明の実施の形態４では、フィルタパラメータの候補を選択する際に、入力スペクトルの高域部との類似度が大きい推定スペクトルを生成することができるようなフィルタパラメータを選択する。すなわち、本実施の形態では、フィルタ係数の全候補に対して実際に推定スペクトルを生成してみて、各推定スペクトルと入力スペクトルとの類似度を最大とするフィルタ係数の候補を求める。

本実施の形態に係る音声符号化装置の基本的構成も、実施の形態１に示した音声符号化装置１００と同様である。よって、その説明を省略し、実施の形態１と異なる構成である第２レイヤ符号化部１０４ｄについて以下説明する。

図１６は、第２レイヤ符号化部１０４ｄの主要な構成を示すブロック図である。実施の形態１に示した第２レイヤ符号化部１０４と同様の構成要素には同一の符号を付し、その説明を省略する。

第２レイヤ符号化部１０４ｄは、フィルタ係数設定部４０２−フィルタリング部１１３−探索部４０１からなる新たな閉ループが存在する点が、第２レイヤ符号化部１０４と異なる。

フィルタ係数設定部４０２は、探索部４０１の制御の下、フィルタ係数の各候補β_ｉ ^（ｊ）［０≦ｊ＜Ｊ、ｊはフィルタ係数の候補番号、Ｊはフィルタ係数の候補数］に対して、次式（１０）に従い、入力スペクトルの高域部の推定値Ｓ２'(ｋ)を算出する。

そして、この推定値Ｓ２'(ｋ)と入力スペクトルの高域部Ｓ２（ｋ）との類似度を算出
し、類似度が最大となるときのフィルタ係数の候補β_ｉ ^（ｊ）を決定する。なお、類似度の代わりに誤差を算出し、誤差が最小となるときのフィルタ係数の候補を求めても良い。

図１７は、探索部４０１内部の主要な構成を示すブロック図である。

形状誤差算出部４１１は、フィルタリング部１１３から出力される推定スペクトルＳ２'(ｋ)と、周波数領域変換部１０１から出力される入力スペクトルＳ２（ｋ）との、形状に関する誤差Ｅｓを算出し、加重平均誤差算出部４１３へ出力する。形状誤差Ｅｓは、次式（１１）により求めることができる。

雑音性誤差算出部４１２は、フィルタリング部１１３から出力される推定スペクトルＳ２'(ｋ)の雑音性と、周波数領域変換部１０１から出力される入力スペクトルＳ２（ｋ）の雑音性との間の雑音性誤差Ｅｎを求める。この雑音性誤差Ｅｎは、入力スペクトルＳ２（ｋ）のスペクトラル・フラットネス・メジャー（ＳＦＭ＿ｉ）と、推定スペクトルＳ２'(ｋ)のスペクトラル・フラットネス・メジャー（ＳＦＭ＿ｐ）とをそれぞれ算出し、これらを用いて次式（１２）に従い定量化される。

加重平均誤差算出部４１３は、形状誤差算出部４１１で算出される形状誤差Ｅｓと、雑音性誤差算出部４１２で算出される雑音性誤差Ｅｎとを用いて、両者の加重平均誤差Ｅを算出し、判定部４１４へ出力する。例えば、加重平均誤差Ｅは、重みγ_ｓとγ_ｎとを用いて、次式（１３）のように算出される。

判定部４１４は、ピッチ係数設定部１１５およびフィルタ係数設定部４０２に対し制御信号を出力することにより、ピッチ係数およびフィルタ係数を様々に変化させ、最終的に、加重平均誤差Ｅを最も小さくする（類似度が最大となる）推定スペクトルに対応するピッチ係数の候補およびフィルタ係数の候補を求め、これらピッチ係数およびフィルタ係数の候補を表す情報（それぞれＣ１、Ｃ２）を多重化部１１７へ出力すると共に、最終的に得られた推定スペクトルをゲイン符号化部１１６へ出力する。

また、本実施の形態に係る音声復号化装置の構成は、実施の形態１に示した音声復号化装置１５０と同様である。よって説明を省略する。

このように、本実施の形態によれば、入力スペクトルの高域部と推定スペクトルとの類
似度が最大となるピッチフィルタのフィルタパラメータが選択されるため、より高音質化を実現することができる。また、類似度の算出式は、入力スペクトルの高域部の雑音性の程度をも考慮したものとなっている。

なお、本実施の形態において、重みγ_ｓとγ_ｎの大きさは、入力スペクトルもしくは第１レイヤ復号スペクトルの雑音性に応じて切替えられるようにしても良い。かかる場合、雑音性が大きい場合にはγ_ｓよりもγ_ｎを大きく設定し、雑音性が小さい場合にはγ_ｓよりもγ_ｎを小さく設定する。これにより、入力スペクトルもしくは第１レイヤ復号スペクトルの雑音性に適した重みを設定することができ、より音質を改善することができる。

また、本実施の形態において、サブバンド毎に形状誤差Ｅｓと雑音性誤差Ｅｎとを算出し、加重平均Ｅを算出する構成であっても良い。かかる場合、スペクトル高域部のサブバンド毎の雑音性に対応した重みの設定を行うことができるため、より音質を改善することができる。

また、本実施の形態において、類似度の算出の際に、形状誤差および雑音性誤差の両者を用いるのではなく、いずれか一方を用いるような構成としても良い。形状誤差のみを用いて類似度を算出する場合には、図１７において、雑音性誤差算出部４１２および加重平均誤差算出部４１３が不要となり、形状誤差算出部４１１の出力が判定部４１４へ直接出力される。一方、雑音性誤差のみを用いて類似度を算出する場合には、形状誤差算出部４１１および加重平均誤差算出部４１３が不要となり、雑音性誤差算出部４１２の出力が判定部４１４へ直接出力される。

また、フィルタ係数の決定とピッチ係数の探索とを同時に行っても良い。かかる場合、フィルタ係数の候補とピッチ係数の候補との全組み合わせに対して、式（１０）に従い推定スペクトルＳ２'(ｋ)を算出し、入力スペクトルの高域部Ｓ２（ｋ）との類似度が最大となるときのフィルタ係数の候補β_ｉ ^（ｊ）および最適なピッチ係数Ｔ’（Ｔ_ｍｉｎ〜Ｔ_ｍａｘの範囲）を同時に決定することになる。

また、フィルタ係数を先に決定してからピッチ係数を決定したり、ピッチ係数を先に決定してからフィルタ係数を決定したりする方法を用いても良い。かかる場合、全組み合わせを探索する場合に比べて演算量を削減することができる。

（実施の形態５）
本発明の実施の形態５は、フィルタパラメータを選択する際に、スペクトルの高域部になるほど非調波構造化の程度の強いフィルタパラメータを選択するようにする。なお、ここでは、フィルタパラメータとしてフィルタ係数を用いる構成を例にとって説明を行う。

本実施の形態に係る音声符号化装置の基本的構成も、実施の形態１に示した音声符号化装置１００と同様である。よって、その説明を省略し、実施の形態１と異なる構成である第２レイヤ符号化部１０４ｅについて以下説明する。

図１８は、第２レイヤ符号化部１０４ｅの主要な構成を示すブロック図である。実施の形態１に示した第２レイヤ符号化部１０４と同様の構成要素には同一の符号を付し、その説明を省略する。

第２レイヤ符号化部１０４ｅは、周波数監視部５０１およびフィルタ係数決定部５０２を備える点が、第２レイヤ符号化部１０４と異なる。

本実施の形態において、スペクトルの高域部ＦＬ≦ｋ＜ＦＨ［ＦＬ≦ｋ≦ＦＨ−１］は
、あらかじめ複数のサブバンドに分割されている（図１９参照）。なお、ここでは、３分割の場合を例にとる。そして、フィルタ係数も各サブバンドごとに対応して予め設定されている（図２０参照）。このフィルタ係数は、周波数の高いサブバンドほど非調波構造化の程度が強いフィルタ係数が設定されている。

周波数監視部５０１は、フィルタリング部１１３におけるフィルタリング処理において、現在どの周波数の推定スペクトルが生成されているかを監視し、その周波数情報をフィルタ係数決定部５０２へ出力する。

フィルタ係数決定部５０２は、周波数監視部５０１から出力される周波数情報を基に、フィルタリング部１１３で現在処理されている周波数がスペクトル高域部のいずれのサブバンドに属するかを判定し、図２０に示したテーブルを参照することにより、使用するフィルタ係数を決定し、これをフィルタリング部１１３へ出力する。

次いで、第２レイヤ符号化部１０４ｅの処理の流れを、図２１に示すフローチャートを用いて説明する。

始めに、周波数ｋの値をＦＬに設定する（ＳＴ５０１０）。次に、周波数ｋが第１サブバンドに含まれるか否か、すなわちＦＬ≦ｋ＜Ｆ１の条件を満たすか否かを判定する（ＳＴ５０２０）。ＳＴ５０２０においてＹＥＳの場合には、第２レイヤ符号化部１０４ｅは非調波構造化の程度が「弱」のフィルタ係数を選択し（ＳＴ５０３０）、フィルタリングを行い入力スペクトルの推定値Ｓ２'(ｋ)を算出し（ＳＴ５０４０）、変数ｋを１インクリメントする（ＳＴ５０５０）。

ＳＴ５０２０においてＮＯの場合には、周波数ｋが第２サブバンドに含まれるか否か、すなわちＦ１≦ｋ＜Ｆ２の条件を満たすか否かを判定する（ＳＴ５０６０）。ＳＴ５０６０においてＹＥＳの場合には、第２レイヤ符号化部１０４ｅは非調波構造化の程度が「中」のフィルタ係数を選択し（ＳＴ５０７０）、フィルタリングを行い入力スペクトルの推定値Ｓ２'(ｋ)を算出し（ＳＴ５０４０）、変数ｋを１インクリメントする（ＳＴ５０５０）。

ＳＴ５０６０においてＮＯの場合には、周波数ｋが第３サブバンドに含まれるか否か、すなわちＦ２≦ｋ＜ＦＨの条件を満たすか否かを判定する（ＳＴ５０８０）。ＳＴ５０８０においてＹＥＳの場合には、第２レイヤ符号化部１０４ｅは非調波構造化の程度が「強」のフィルタ係数を選択し（ＳＴ５０９０）、フィルタリングを行い入力スペクトルの推定値Ｓ２'(ｋ)を算出し（ＳＴ５０４０）、変数ｋを１インクリメントする（ＳＴ５０５０）。ＳＴ５０８０においてＮＯの場合には、所定周波数の入力スペクトルの推定値Ｓ２'(ｋ)が算出されたので、処理を終了する。

本実施の形態に係る音声復号化装置の基本的構成も、実施の形態１に示した音声復号化装置１５０と同様であるため、説明を省略し、実施の形態１と異なる構成である第２レイヤ復号化部１５３ｅについて以下説明する。

図２２は、第２レイヤ復号化部１５３ｅの主要な構成を示すブロック図である。実施の形態１に示した第２レイヤ復号化部１５３と同様の構成要素には同一の符号を付し、説明を省略する。

第２レイヤ復号化部１５３ｅは、周波数監視部５５１およびフィルタ係数決定部５５２を備える点が、第２レイヤ復号化部１５３と異なる。

周波数監視部５５１は、フィルタリング部１６４におけるフィルタリング処理において、現在どの周波数の推定スペクトルが生成されているかを監視し、その周波数情報をフィルタ係数決定部５５２へ出力する。

フィルタ係数決定部５５２は、周波数監視部５５１から出力される周波数情報を基に、フィルタリング部１６４で現在処理されている周波数がスペクトル高域部のいずれのサブバンドに属するかを判定し、図２０と同一内容のテーブルを参照することにより、使用するフィルタ係数を決定し、これをフィルタリング部１６４へ出力する。

第２レイヤ復号化部１５３ｅの処理の流れは、図２１と同様である。

このように、本実施の形態によれば、フィルタパラメータを選択する際に、スペクトルの高域部になるほど非調波構造化の程度の強いフィルタパラメータを選択する。これにより、高域部になるほど非調波構造化が強くなるので、音声信号の高域部になるほど雑音性が高くなるという特徴により適合し易くなり、高音質化を実現することができる。また、本実施の形態に係る音声符号化装置は、音声復号化装置に付加情報を伝送する必要もない。

なお、本実施の形態では、高域スペクトルの全帯域に対して非調波構造化を施す構成を例にとって説明を行ったが、高域スペクトルに含まれる複数のサブバンドのうち、非調波構造化を行わないサブバンドが存在するような構成、すなわち非調波構造化を高域スペクトルの一部の帯域のみに施すような構成でも良い。

図２３および図２４は、サブバンド数が２で、かつ第１サブバンドに含まれる入力スペクトルの推定値Ｓ２'(ｋ)を算出する場合に非調波構造化を行わないフィルタリング処理の具体例を示している。

また、このときの処理の流れを図２５のフローチャートに示す。図２１の場合と異なり、サブバンド数は２であるため、判断子はＳＴ５０２０およびＳＴ５１２０の２つである。また、ＳＴ５０１０、ＳＴ５０２０等は、図２１に示したフローと同様の手順であるため同一の符号を付しており、その詳細な説明を省略する。

ＳＴ５０２０においてＹＥＳの場合、第２レイヤ符号化部１０４ｅは非調波構造化を行わないフィルタ係数を選択し（ＳＴ５１１０）、ＳＴ５０４０へ移行する。

ＳＴ５０２０においてＮＯの場合、周波数ｋが第２サブバンドに含まれるか否か、すなわちＦ１≦ｋ＜ＦＨの条件を満たすか否かを判定し（ＳＴ５１２０）、ＹＥＳの場合、第２レイヤ符号化部１０４ｅは非調波構造化の程度が「強」のフィルタ係数を選択するＳＴ５０９０へ移行する。ＳＴ５１２０においてＮＯの場合、第２レイヤ符号化部１０４ｅは処理を終了する。

以上、本発明の各実施の形態について説明した。

なお、本発明に係る音声符号化装置、音声復号化装置等は、上記各実施の形態に限定されず、種々変更して実施することが可能である。例えば、階層数が２以上のスケーラブル構成にも適用可能である。

また、本発明に係る音声符号化装置、音声復号化装置等は、低域部のスペクトル形状と高域部のスペクトル形状との類似性が低い場合に、低域部のスペクトルを変形して高域部のスペクトルを符号化するような構成であっても良い。

また、上記各実施の形態では、低域部のスペクトルを基に高域部のスペクトルを生成する構成について説明したが、これに限らず、高域部のスペクトルから低域部のスペクトルを生成する構成であっても良い。また、３帯域以上に分割した場合において、一方の帯域に含まれるスペクトルから他方の帯域に含まれるスペクトルを生成する構成であっても良い。

また、周波数変換として、ＤＦＴ（Discrete Fourier Transform）、ＦＦＴ（Fast Fourier Transform）、ＤＣＴ（Discrete Cosine Transform）、ＭＤＣＴ（Modified Discrete Cosine Transform）、フィルタバンク等を使用することもできる。

また、本発明に係る音声符号化装置の入力信号は、音声信号だけでなく、オーディオ信号でも良い。また、入力信号の代わりに、ＬＰＣ予測残差信号に対して本発明を適用する構成であっても良い。

また、本実施の形態における音声復号化装置は、本実施の形態における音声符号化装置において生成された符号化データを用いて処理を行うとしたが、本発明はこれに限定されず、必要なパラメータやデータを含むように適切に生成された符号化データであれば、必ずしも本実施の形態における音声符号化装置において生成された符号化データでなくても処理は可能である。

また、本発明に係る音声符号化装置および音声復号化装置は、移動体通信システムにおける通信端末装置および基地局装置に搭載することが可能であり、これにより上記と同様の作用効果を有する通信端末装置、基地局装置、および移動体通信システムを提供することができる。

また、ここでは、本発明をハードウェアで構成する場合を例にとって説明したが、本発明をソフトウェアで実現することも可能である。例えば、本発明に係る音声符号化方法のアルゴリズムをプログラミング言語によって記述し、このプログラムをメモリに記憶しておいて情報処理手段によって実行させることにより、本発明に係る音声符号化装置と同様の機能を実現することができる。

また、上記各実施の形態の説明に用いた各機能ブロックは、典型的には集積回路であるＬＳＩとして実現される。これらは個別に１チップ化されても良いし、一部または全てを含むように１チップ化されても良い。

また、ここではＬＳＩとしたが、集積度の違いによって、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩ等と呼称されることもある。

また、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現しても良い。ＬＳＩ製造後に、プログラム化することが可能なＦＰＧＡ（Field Programmable Gate Array）や、ＬＳＩ内部の回路セルの接続もしくは設定を再構成可能なリコンフィギュラブル・プロセッサを利用しても良い。

さらに、半導体技術の進歩または派生する別技術により、ＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行っても良い。バイオ技術の適用等が可能性としてあり得る。

２００６年４月２７日出願の特願２００６−１２４１７５の日本出願に含まれる明細書、図面および要約書の開示内容は、すべて本願に援用される。

本発明に係る音声符号化装置等は、移動体通信システムにおける通信端末装置、基地局装置等の用途に適用することができる。

音声信号のスペクトル特性を説明するための図 別の音声信号のスペクトル特性を説明するための図 本発明の実施の形態１に係る音声符号化装置の主要な構成を示すブロック図 実施の形態１に係る第２レイヤ符号化部内部の主要な構成を示すブロック図 フィルタリング処理の詳細について説明する図 実施の形態１に係る音声復号化装置の主要な構成を示すブロック図 実施の形態１に係る第２レイヤ復号化部内部の主要な構成を示すブロック図 各フィルタ係数がタップ数として３または５のいずれかを採る場合の例を示す図 実施の形態１に係る音声符号化装置の別の構成を示すブロック図 実施の形態１に係る音声復号化装置の別の構成を示すブロック図 本発明の実施の形態２に係る第２レイヤ符号化部の主要な構成を示すブロック図 高域部の推定スペクトルの生成方法を説明する図 実施の形態２に係る第２レイヤ復号化部の主要な構成を示すブロック図 本発明の実施の形態３に係る第２レイヤ符号化部の主要な構成を示すブロック図 実施の形態３に係る第２レイヤ復号化部の主要な構成を示すブロック図 本発明の実施の形態４に係る第２レイヤ符号化部の主要な構成を示すブロック図 実施の形態４に係る探索部内部の主要な構成を示すブロック図 本発明の実施の形態５に係る第２レイヤ符号化部の主要な構成を示すブロック図 実施の形態５に係る処理を説明するための図 実施の形態５に係る処理を説明するための図 実施の形態５に係る第２レイヤ符号化部の処理の流れを示すフローチャート 実施の形態５に係る第２レイヤ復号化部の主要な構成を示すブロック図 実施の形態５のバリエーションを説明するための図 実施の形態５のバリエーションを説明するための図 実施の形態５のバリエーションの処理の流れを示すフローチャート

Claims (12)

1. 入力信号の低域部を符号化して第１符号化データを生成する第１符号化手段と、
   前記第１符号化データを復号して第１復号信号を生成する第１復号化手段と、
   マルチタップを有し、かつ前記低域部の調波構造の鈍化を行うフィルタパラメータにより構成されるピッチフィルタと、
   前記第１復号信号のスペクトルに基づいて前記ピッチフィルタのフィルタ状態を設定し、前記入力信号の高域部の雑音性情報に基づいて前記フィルタパラメータを制御するとともに、前記ピッチフィルタにおける前記フィルタパラメータを用いたピッチフィルタリング処理により前記低域部から前記高域部を推定し、前記高域部の推定結果である前記ピッチフィルタのフィルタ情報を第２符号化データとする第２符号化手段と、
   を具備する音声符号化装置。
2. 前記第２符号化手段は、
   前記高域部のスペクトルに対し、平滑化または雑音成分付与の少なくとも一方を施す、
   請求項１記載の音声符号化装置。
3. 前記フィルタパラメータは、フィルタ係数を含み、
   当該フィルタ係数は、隣接する係数同士の差が小さい、
   請求項１記載の音声符号化装置。
4. 前記フィルタパラメータは、所定数以上のタップ数を含む、
   請求項１記載の音声符号化装置。
5. 前記フィルタパラメータは、閾値以上の雑音ゲイン情報を含む、
   請求項１記載の音声符号化装置。
6. 前記ピッチフィルタは、
   調波構造の鈍化の程度の異なる複数のフィルタパラメータ候補を有し、
   前記第２符号化手段は、
   前記高域部の雑音性に応じて、前記複数のフィルタパラメータ候補の中から１つを選択する、
   請求項１記載の音声符号化装置。
7. 前記ピッチフィルタは、
   調波構造の鈍化の程度の異なる複数のフィルタパラメータ候補を有し、
   前記第２符号化手段は、
   前記高域部のスペクトルとの類似度が最大となるフィルタパラメータを、前記複数のフィルタパラメータ候補の中から選択する、
   請求項１記載の音声符号化装置。
8. 前記類似度は、前記入力信号のスペクトルの雑音性の程度を用いて算出される、
   請求項７記載の音声符号化装置。
9. 前記ピッチフィルタは、
   調波構造の鈍化の程度の異なる複数のフィルタパラメータ候補を有し、
   前記第２符号化手段は、
   前記高域部のスペクトルに対し、より高域のスペクトルにはより調波構造の鈍化の程度が強いフィルタパラメータを、前記複数のフィルタパラメータ候補の中から選択する、
   請求項１記載の音声符号化装置。
10. 第１符号化データを復号して音声信号の低域部である第１復号信号を得る第１復号化手段と、
    マルチタップを有し、かつ前記低域部の調波構造の鈍化を行うフィルタパラメータにより構成されるピッチフィルタと、
    前記第１復号信号のスペクトルに基づいて前記ピッチフィルタのフィルタ状態を設定し、第２符号化データに含まれる前記音声信号の高域部の雑音性情報に基づいて前記フィルタパラメータを設定するとともに、前記第２符号化データに含まれる前記高域部の推定結果である前記ピッチフィルタのフィルタ情報を用いて、前記ピッチフィルタにおいて前記第１復号信号のフィルタリングを行うことにより、前記高域部である第２復号信号を得る第２復号化手段と、
    を具備する音声復号化装置。
11. 入力信号の低域部を符号化して第１符号化データを生成するステップと、
    前記第１符号化データを復号して第１復号信号を生成するステップと、
    マルチタップを有し、かつ前記低域部の調波構造の鈍化を行うフィルタパラメータにより構成されるピッチフィルタのフィルタ状態を、前記第１復号信号のスペクトルに基づいて設定するステップと、
    前記入力信号の高域部の雑音性情報に基づいて前記フィルタパラメータを制御するとともに、前記ピッチフィルタにおける前記フィルタパラメータを用いたピッチフィルタリング処理により前記低域部から前記高域部を推定し、前記高域部の推定結果である前記ピッチフィルタのフィルタ情報を第２符号化データとするステップと、
    を具備する音声符号化方法。
12. 第１符号化データを復号して音声信号の低域部である第１復号信号を得るステップと、
    マルチタップを有し、かつ前記低域部の調波構造の鈍化を行うフィルタパラメータにより構成されるピッチフィルタのフィルタ状態を、前記第１復号信号のスペクトルに基づいて設定するステップと、
    第２符号化データに含まれる前記音声信号の高域部の雑音性情報に基づいて前記フィルタパラメータを設定するとともに、前記第２符号化データに含まれる前記高域部の推定結果である前記ピッチフィルタのフィルタ情報を用いて、前記ピッチフィルタにおいて前記第１復号信号のフィルタリングを行うことにより、前記高域部である第２復号信号を得るステップと、
    を具備する音声復号化方法。

Images