JP6835182B2 - Electronic musical instruments, control methods for electronic musical instruments, and programs - Google Patents
Electronic musical instruments, control methods for electronic musical instruments, and programs Download PDFInfo
- Publication number
- JP6835182B2 JP6835182B2 JP2019196824A JP2019196824A JP6835182B2 JP 6835182 B2 JP6835182 B2 JP 6835182B2 JP 2019196824 A JP2019196824 A JP 2019196824A JP 2019196824 A JP2019196824 A JP 2019196824A JP 6835182 B2 JP6835182 B2 JP 6835182B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- singing voice
- output
- musical instrument
- learning
- 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.)
- Active
Links
Landscapes
- Electrophonic Musical Instruments (AREA)
Description
本発明は、鍵盤等の操作子の操作に応じて歌声を再生する電子楽器、電子楽器の制御方法、及びプログラムに関する。 The present invention relates to an electronic musical instrument that reproduces a singing voice in response to an operation of an operator such as a keyboard, a control method for the electronic musical instrument, and a program.
従来、録音された音声の素片を接続し加工する素片連結型の合成方式により音声合成された歌声を出力する電子楽器が知られている(例えば特許文献1)。 Conventionally, there is known an electronic musical instrument that outputs a singing voice synthesized by a voice-synthesized synthesis method in which elements of recorded voice are connected and processed (for example, Patent Document 1).
しかし、PCM(Pulse Code Modulation:パルス符号変調)方式の延長ともいえるこの方式は、開発時に長時間の録音作業が必要であり、また、録音された音声の素片同士を滑らかに繋ぐための複雑な計算処理や、自然な歌声にするための調整が必要であった。 However, this method, which can be said to be an extension of the PCM (Pulse Code Modulation) method, requires a long recording work at the time of development, and is complicated to smoothly connect the elements of the recorded voice. It was necessary to perform various calculation processes and make adjustments to make the singing voice natural.
そこで、本発明の目的は、或る歌手の歌声を学習した学習済みモデルを搭載することにより、演奏者による各操作子の操作により指定された音高で、前記或る歌手が良好に歌う電子楽器を提供することにある。 Therefore, an object of the present invention is to mount a learned model that learns the singing voice of a certain singer, so that the electronic singer can sing well at a pitch specified by the operation of each operator by the performer. It is to provide musical instruments.
態様の一例の電子楽器では、設定された音色に応じた楽器音波形データであって、ユーザによる和音の演奏操作に応じて取得された複数の音高データそれぞれに応じた楽器音波形データを、前記和音の演奏操作に応じて取得し、或る歌い手の歌声を学習した学習済みモデルに、演奏前からメモリに記憶されている歌詞データを入力することにより、前記学習済みモデルが出力する音響特徴量データを、前記和音の演奏操作に応じて取得し、取得された前記楽器音波形データに、取得された前記音響特徴量データが示す音響特徴量を合成し、合成することにより生成される和音の推論歌声データを、ユーザが歌わなくても出力する。
In the electronic musical instrument of the embodiment, the musical instrument sound type data corresponding to the set tone color, and the musical instrument sound form data corresponding to each of the plurality of pitch data acquired according to the user's operation of playing the chord, is obtained. Acoustic features output by the trained model by inputting lyrics data stored in the memory before the performance into the trained model that is acquired according to the performance operation of the chord and learned the singing voice of a certain singer. A chord generated by acquiring quantity data according to a performance operation of the chord, synthesizing the acquired acoustic feature data indicated by the acquired acoustic feature data with the acquired instrument sound type data, and synthesizing the sum. The inferred singing voice data of is output even if the user does not sing.
本発明によれば、或る歌手の歌声を学習した学習済みモデルを搭載することにより、演奏者による各操作子の操作により指定された音高で、前記或る歌手が良好に歌う電子楽器を提供できる。 According to the present invention, by mounting a learned model that has learned the singing voice of a certain singer, an electronic musical instrument that the certain singer sings well at a pitch specified by the operation of each operator by the performer can be obtained. Can be provided.
以下、本発明を実施するための形態について図面を参照しながら詳細に説明する。 Hereinafter, embodiments for carrying out the present invention will be described in detail with reference to the drawings.
図1は、電子鍵盤楽器の一実施形態100の外観例を示す図である。電子鍵盤楽器100は、演奏操作子としての複数の鍵からなる鍵盤101と、音量の指定、ソング再生のテンポ設定、ソング再生開始、伴奏再生等の各種設定を指示する第1のスイッチパネル102と、ソングや伴奏の選曲や音色の選択等を行う第2のスイッチパネル103と、ソング再生時の歌詞、楽譜や各種設定情報を表示するLCD104(Liquid Crystal Display:液晶ディスプレイ)等を備える。また、電子鍵盤楽器100は、特には図示しないが、演奏により生成された楽音を放音するスピーカを裏面部、側面部、又は背面部等に備える。 FIG. 1 is a diagram showing an external example of an embodiment 100 of an electronic keyboard instrument. The electronic keyboard instrument 100 includes a keyboard 101 composed of a plurality of keys as a performance operator, and a first switch panel 102 for instructing various settings such as volume designation, song playback tempo setting, song playback start, and accompaniment playback. , A second switch panel 103 for selecting songs and accompaniment songs, selecting tones, and the like, and an LCD 104 (Liquid Keyboard Display) for displaying lyrics, scores, and various setting information during song playback. Further, although not particularly shown, the electronic keyboard instrument 100 is provided with a speaker for emitting a musical sound generated by the performance on a back surface portion, a side surface portion, a back surface portion, or the like.
図2は、図1の電子鍵盤楽器100の制御システム200の一実施形態のハードウェア構成例を示す図である。図2において、制御システム200は、CPU(中央演算処理装置)201、ROM(リードオンリーメモリ)202、RAM(ランダムアクセスメモリ)203、音源LSI(大規模集積回路)204、音声合成LSI205、図1の鍵盤101、第1のスイッチパネル102、及び第2のスイッチパネル103が接続されるキースキャナ206、及び図1のLCD104が接続されるLCDコントローラ208が、それぞれシステムバス209に接続されている。また、CPU201には、自動演奏のシーケンスを制御するためのタイマ210が接続される。更に、音源LSI204及び音声合成LSI205からそれぞれ出力される楽音出力データ218(楽器音波形データ)及び歌声音声出力データ217は、D/Aコンバータ211、212によりそれぞれアナログ楽音出力信号及びアナログ歌声音声出力信号に変換される。アナログ楽音出力信号及びアナログ歌声音声出力信号は、ミキサ213で混合され、その混合信号がアンプ214で増幅された後に、特には図示しないスピーカ又は出力端子から出力される。また、音源LSI204の出力は、音声合成LSI205に入力される。音源LSI204と音声合成LSI205は、1つのLSIに統合されてもよい。 FIG. 2 is a diagram showing a hardware configuration example of an embodiment of the control system 200 of the electronic keyboard instrument 100 of FIG. In FIG. 2, the control system 200 includes a CPU (central processing unit) 201, a ROM (read-only memory) 202, a RAM (random access memory) 203, a sound source LSI (large-scale integrated circuit) 204, a speech synthesis LSI 205, and FIG. The key scanner 101 to which the keyboard 101, the first switch panel 102, and the second switch panel 103 are connected, and the LCD controller 208 to which the LCD 104 of FIG. 1 is connected are connected to the system bus 209, respectively. Further, a timer 210 for controlling the sequence of automatic performance is connected to the CPU 201. Further, the musical sound output data 218 (musical instrument sound type data) and the singing voice output data 217 output from the sound source LSI 204 and the voice synthesis LSI 205, respectively, are the analog musical sound output signal and the analog singing voice output signal by the D / A converters 211 and 212, respectively. Is converted to. The analog music output signal and the analog singing voice output signal are mixed by the mixer 213, and after the mixed signal is amplified by the amplifier 214, they are output from a speaker or an output terminal (not shown). Further, the output of the sound source LSI 204 is input to the speech synthesis LSI 205. The sound source LSI 204 and the voice synthesis LSI 205 may be integrated into one LSI.
CPU201は、RAM203をワークメモリとして使用しながらROM202に記憶された制御プログラムを実行することにより、図1の電子鍵盤楽器100の制御動作を実行する。また、ROM202は、上記制御プログラム及び各種固定データのほか、歌詞データ及び伴奏データを含む曲データを記憶する。 The CPU 201 executes the control operation of the electronic keyboard instrument 100 of FIG. 1 by executing the control program stored in the ROM 202 while using the RAM 203 as the work memory. In addition to the control program and various fixed data, the ROM 202 stores song data including lyrics data and accompaniment data.
CPU201には、本実施形態で使用するタイマ210が実装されており、例えば電子鍵盤楽器100における自動演奏の進行をカウントする。 The timer 210 used in the present embodiment is mounted on the CPU 201, and counts the progress of the automatic performance of the electronic keyboard instrument 100, for example.
音源LSI204は、CPU201からの発音制御指示に従って、例えば特には図示しない波形ROMから楽音波形データを読み出し、D/Aコンバータ211に出力する。音源LSI204は、同時に最大256ボイスを発振させる能力を有する。 The sound source LSI 204 reads the musical tone type data from, for example, a waveform ROM (not shown) in accordance with the sound generation control instruction from the CPU 201, and outputs the music to the D / A converter 211. The sound source LSI 204 has the ability to oscillate up to 256 voices at the same time.
音声合成LSI205は、CPU201から、歌詞のテキストデータと音高に関する情報を歌声データ215として与えられると、それに対応する歌声の音声データを合成し、D/Aコンバータ212に出力する。 When the voice synthesis LSI 205 is given the text data of the lyrics and the information on the pitch as the singing voice data 215 from the CPU 201, the voice synthesis LSI 205 synthesizes the voice data of the corresponding singing voice and outputs it to the D / A converter 212.
なお、音源LSI204から出力される所定の発音チャネル(複数チャネル可能)の楽音出力データは、発声音源用楽音出力データ220として、音声合成LSI205に入力される。 The musical sound output data of a predetermined sounding channel (multiple channels are possible) output from the sound source LSI 204 is input to the speech synthesis LSI 205 as the musical sound output data 220 for the vocal sound source.
キースキャナ206は、図1の鍵盤101の押鍵/離鍵状態、第1のスイッチパネル102、及び第2のスイッチパネル103のスイッチ操作状態を定常的に走査し、CPU201に割り込みを掛けて状態変化を伝える。 The key scanner 206 constantly scans the key press / release state of the key 101 of FIG. 1, the switch operation state of the first switch panel 102, and the second switch panel 103, and interrupts the CPU 201. Communicate change.
LCDコントローラ609は、LCD505の表示状態を制御するIC(集積回路)である。 The LCD controller 609 is an IC (integrated circuit) that controls the display state of the LCD 505.
図3は、本実施形態における音声合成部、音響効果付加部、及び音声学習部の構成例を示すブロック図である。ここで、音声合成部302及び音響効果付加部320は、図2の音声合成LSI205が実行する一機能として電子鍵盤楽器100に内蔵される。 FIG. 3 is a block diagram showing a configuration example of a voice synthesis unit, a sound effect addition unit, and a voice learning unit in the present embodiment. Here, the voice synthesis unit 302 and the sound effect addition unit 320 are built into the electronic keyboard instrument 100 as one function executed by the voice synthesis LSI 205 of FIG.
音声合成部302は、後述するソング再生処理により図1の鍵盤101上の押鍵に基づいて図2のキースキャナ206を介してCPU201から指示される歌詞及び音高の情報を含む歌声データ215を入力することにより、歌声音声出力データ321を合成し出力する。このとき音声合成部302のプロセッサは、鍵盤101上の複数の鍵(操作子)のなかのいずれかの鍵への操作に応じて、音響モデル部306に設定されている学習済み音響モデルに対して、歌詞情報と、いずれかの鍵に対応付けられている音高情報を含む歌声データ215を入力するとともに、その入力に応じて音響モデル部306が出力したスペクトル情報318と音源LSI204が出力する発声音源用楽音出力データ220とに基づいて、歌い手の歌声を推論した歌声音声出力データ321(第1音源情報使用推論歌声データ)を出力する音源情報使用推論歌声データ出力処理を実行する。 The voice synthesis unit 302 obtains singing voice data 215 including lyrics and pitch information instructed by the CPU 201 via the key scanner 206 of FIG. 2 based on the key pressed on the keyboard 101 of FIG. 1 by the song reproduction process described later. By inputting, the singing voice voice output data 321 is synthesized and output. At this time, the processor of the speech synthesis unit 302 refers to the trained acoustic model set in the acoustic model unit 306 in response to the operation of any one of the plurality of keys (operators) on the keyboard 101. Then, the singing voice data 215 including the lyrics information and the pitch information associated with any of the keys is input, and the spectrum information 318 output by the acoustic model unit 306 and the sound source LSI 204 are output in response to the input. Based on the musical sound output data 220 for the vocal sound source, the sound source information use inference singing voice data output process for outputting the singing voice voice output data 321 (first sound source information use inference singing voice data) inferring the singing voice of the singer is executed.
音響効果付加部320は、更に効果の情報が含まれる歌声データ215を入力することにより、音声合成部302が出力する歌声音声出力データ321に対して、ビブラート効果、トレモロ効果、又はワウ効果などの音響効果を付加し、最終的な歌声音声出力データ217(図2参照)を出力する。 By inputting the singing voice data 215 including the effect information, the sound effect adding unit 320 can generate a vibrating effect, a tremolo effect, a wow effect, etc. with respect to the singing voice output data 321 output by the voice synthesizing unit 302. A sound effect is added, and the final singing voice voice output data 217 (see FIG. 2) is output.
音声学習部301は例えば、図3に示されるように、図1の電子鍵盤楽器100とは別に外部に存在するサーバコンピュータ300が実行する一機能として実装されてよい。或いは、図3には図示していないが、音声学習部301は、図2の音声合成LSI205の処理能力に余裕があれば、音声合成LSI205が実行する一機能として電子鍵盤楽器100に内蔵されてもよい。 As shown in FIG. 3, for example, the voice learning unit 301 may be implemented as a function executed by a server computer 300 existing outside the electronic keyboard instrument 100 of FIG. 1. Alternatively, although not shown in FIG. 3, the voice learning unit 301 is built into the electronic keyboard instrument 100 as a function executed by the voice synthesis LSI 205 if the processing capacity of the voice synthesis LSI 205 in FIG. 2 is sufficient. May be good.
図2の音声学習部301及び音声合成部302は、例えば下記非特許文献1に記載の「深層学習に基づく統計的音声合成」の技術に基づいて実装される。 The speech learning unit 301 and the speech synthesis unit 302 of FIG. 2 are implemented based on, for example, the technique of "statistical speech synthesis based on deep learning" described in Non-Patent Document 1 below.
(非特許文献1)
橋本佳,高木信二「深層学習に基づく統計的音声合成」日本音響学会誌73巻1号(2017),pp.55−62
(Non-Patent Document 1)
Yoshi Hashimoto, Shinji Takagi, "Statistical Speech Synthesis Based on Deep Learning," Journal of the Acoustical Society of Japan, Vol. 73, No. 1 (2017), pp. 55-62
図3に示されるように例えば外部のサーバコンピュータ300が実行する機能である図2の音声学習部301は、学習用テキスト解析部303と学習用音響特徴量抽出部304とモデル学習部305とを含む。 As shown in FIG. 3, for example, the voice learning unit 301 of FIG. 2, which is a function executed by the external server computer 300, includes a learning text analysis unit 303, a learning acoustic feature extraction unit 304, and a model learning unit 305. Including.
音声学習部301において、学習用歌声音声データ312としては、例えば適当なジャンルの複数の歌唱曲を或る歌い手が歌った音声を録音したものが使用される。また、学習用歌声データ311としては、各歌唱曲の歌詞テキストが用意される。 In the voice learning unit 301, as the learning singing voice voice data 312, for example, a voice recorded by a singer singing a plurality of singing songs of an appropriate genre is used. Further, as the learning singing voice data 311, the lyrics text of each song is prepared.
学習用テキスト解析部303は、歌詞テキストを含む学習用歌声データ311を入力してそのデータを解析する。この結果、学習用テキスト解析部303は、学習用歌声データ311に対応する音素、音高等を表現する離散数値系列である学習用言語特徴量系列313を推定して出力する。 The learning text analysis unit 303 inputs the learning singing voice data 311 including the lyrics text and analyzes the data. As a result, the learning text analysis unit 303 estimates and outputs the learning language feature sequence 313, which is a discrete numerical sequence expressing phonemes, pitches, etc. corresponding to the learning singing voice data 311.
学習用音響特徴量抽出部304は、上記学習用歌声データ311の入力に合わせてその学習用歌声データ311に対応する歌詞テキストを或る歌い手が歌うことによりマイク等を介して集録された学習用歌声音声データ312を入力して分析する。この結果、学習用音響特徴量抽出部304は、学習用歌声音声データ312に対応する音声の特徴を表す学習用音響特徴量系列314を抽出して出力する。 The learning acoustic feature amount extraction unit 304 is for learning, which is acquired through a microphone or the like by a certain singer singing the lyrics text corresponding to the learning singing voice data 311 in accordance with the input of the learning singing voice data 311. Singing voice voice data 312 is input and analyzed. As a result, the learning acoustic feature amount extraction unit 304 extracts and outputs the learning acoustic feature amount series 314 representing the voice features corresponding to the learning singing voice voice data 312.
モデル学習部305は、下記(1)式に従って、学習用言語特徴量系列313(これを
と置く)と、音響モデル(これを
と置く)とから、学習用音響特徴量系列314(これを
と置く)が生成される確率(これを
と置く)を最大にするような音響モデル
を、機械学習により推定する。即ち、テキストである言語特徴量系列と音声である音響特徴量系列との関係が、音響モデルという統計モデルによって表現される。
The model learning unit 305 uses the following equation (1) to obtain a learning language feature sequence 313 (this is used).
And the acoustic model (put this)
From), the learning acoustic feature series 314 (this is
Probability of generating (put this)
Acoustic model that maximizes
Is estimated by machine learning. That is, the relationship between the language feature series that is text and the acoustic feature series that is voice is expressed by a statistical model called an acoustic model.
ここで、
は、その右側に記載される関数に関して最大値を与える、その下側に記載されている引数を算出する演算を示す。
here,
Indicates an operation to calculate the arguments listed below it, which gives the maximum value for the function listed on the right.
モデル学習部305は、(1)式によって機械学習を行った結果算出される音響モデル
を表現するモデルパラメータを学習結果315として出力する。
The model learning unit 305 is an acoustic model calculated as a result of performing machine learning according to equation (1).
The model parameter expressing the above is output as the learning result 315.
この学習結果315(モデルパラメータ)は例えば、図3に示されるように、図1の電子鍵盤楽器100の工場出荷時に、図2の電子鍵盤楽器100の制御システムのROM202に記憶され、電子鍵盤楽器100のパワーオン時に、図2のROM202から音声合成LSI205内の後述する音響モデル部306にロードされてよい。或いは、学習結果315は例えば、図3に示されるように、演奏者が電子鍵盤楽器100の第2のスイッチパネル103を操作することにより、特には図示しないインターネットやUSB(Universal Serial Bus)ケーブル等のネットワークからネットワークインタフェース219を介して、音声合成LSI205内の後述する音響モデル部306にダウンロードされてもよい。 As shown in FIG. 3, for example, the learning result 315 (model parameter) is stored in the ROM 202 of the control system of the electronic keyboard instrument 100 of FIG. 2 at the time of factory shipment of the electronic keyboard instrument 100 of FIG. 1, and is stored in the ROM 202 of the electronic keyboard instrument 100 of FIG. When the power of 100 is turned on, the ROM 202 in FIG. 2 may be loaded into the acoustic model unit 306 described later in the voice synthesis LSI 205. Alternatively, as shown in FIG. 3, for example, the learning result 315 can be obtained by operating the second switch panel 103 of the electronic keyboard instrument 100, such as the Internet or a USB (Universal Serial Bus) cable (not shown). It may be downloaded from the network of the above to the acoustic model unit 306 described later in the speech synthesis LSI 205 via the network interface 219.
音声合成LSI205が実行する機能である音声合成部302は、テキスト解析部307と音響モデル部306と発声モデル部308とを含む。音声合成部302は、歌詞テキストを含む歌声データ215に対応する歌声音声出力データ321を、音響モデル部306に設定された音響モデルという統計モデルを用いて予測することにより合成する、統計的音声合成処理を実行する。 The speech synthesis unit 302, which is a function executed by the speech synthesis LSI 205, includes a text analysis unit 307, an acoustic model unit 306, and a vocal model unit 308. The voice synthesis unit 302 synthesizes the singing voice output data 321 corresponding to the singing voice data 215 including the lyrics text by predicting it using a statistical model called an acoustic model set in the acoustic model unit 306. Execute the process.
テキスト解析部307は、自動演奏に合わせた演奏者の演奏の結果として、図2のCPU201より指定される歌詞の音素、音高等に関する情報を含む歌声データ215を入力し、そのデータを解析する。この結果、テキスト解析部307は、歌声データ215に対応する音素、品詞、単語等を表現する言語特徴量系列316を解析して出力する。 The text analysis unit 307 inputs singing voice data 215 including information on the phonemes, pitches, etc. of the lyrics designated by the CPU 201 of FIG. 2 as a result of the performer's performance in accordance with the automatic performance, and analyzes the data. As a result, the text analysis unit 307 analyzes and outputs the language feature sequence 316 expressing the phonemes, part of speech, words, etc. corresponding to the singing voice data 215.
音響モデル部306は、言語特徴量系列316を入力することにより、それに対応する音響特徴量系列317を推定して出力する。即ち音響モデル部306は、下記(2)式に従って、テキスト解析部307から入力する言語特徴量系列316(これを再度
と置く)と、モデル学習部305での機械学習により学習結果315として設定された音響モデル
とに基づいて、音響特徴量系列317(これを再度
と置く)が生成される確率(これを
と置く)を最大にするような音響特徴量系列317の推定値
を推定する。
By inputting the language feature sequence 316, the acoustic model unit 306 estimates and outputs the corresponding acoustic feature sequence 317. That is, the acoustic model unit 306 uses the following equation (2) to input the language feature quantity series 316 (again) from the text analysis unit 307.
), And the acoustic model set as the learning result 315 by machine learning in the model learning unit 305.
Based on and, the acoustic feature series 317 (again)
Probability of generating (put this)
Estimated value of acoustic feature series 317 that maximizes
To estimate.
発声モデル部308は、音響特徴量系列317を入力することにより、CPU201より指定される歌詞テキストを含む歌声データ215に対応する歌声音声出力データ321を生成する。歌声音声出力データ321は、後述する音響効果付加部320にて音響効果が付加されることにより最終的な歌声音声出力データ217に変換され、図2のD/Aコンバータ212からミキサ213及びアンプ214を介して出力され、特には図示しないスピーカから放音される。 The vocalization model unit 308 generates the singing voice output data 321 corresponding to the singing voice data 215 including the lyrics text designated by the CPU 201 by inputting the acoustic feature amount series 317. The singing voice voice output data 321 is converted into the final singing voice voice output data 217 by adding a sound effect by the sound effect addition unit 320 described later, and the mixer 213 and the amplifier 214 are converted from the D / A converter 212 of FIG. The sound is output from a speaker (not shown).
学習用音響特徴量系列314や音響特徴量系列317で表される音響特徴量は、人間の声道をモデル化したスペクトル情報と、人間の声帯をモデル化した音源情報とを含む。スペクトル情報としては例えば、メルケプストラムや線スペクトル対(Line Spectral Pairs:LSP)等を採用できる。音源情報としては、人間の音声のピッチ周波数を示す基本周波数(F0)及びパワー値を採用できる。発声モデル部308は、合成フィルタ部310を含む。合成フィルタ部310には、図2の音源LSI204の所定の発音チャネル(複数チャネル可能)の発声音源用楽音出力データ220の出力が入力される。合成フィルタ部310は、人間の声道をモデル化した部分であり、音響モデル部306から順次入力するスペクトル情報318の系列に基づいて声道をモデル化するデジタルフィルタを形成し、音源LSI204から入力する所定の発音チャネル(複数チャネル可能)の発声音源用楽音出力データ220を励振源信号として、デジタル信号の歌声音声出力データ321を生成し出力する。音源LSI204から入力する発声音源用楽音出力データ220は、所定の発音チャネル分のポリフォニックである。 The acoustic features represented by the learning acoustic feature series 314 and the acoustic feature series 317 include spectral information that models the human vocal tract and sound source information that models the human vocal cords. As the spectrum information, for example, a mer cepstrum, a line spectrum pair (Line Spectral Pairs: LSP), or the like can be adopted. As the sound source information, a fundamental frequency (F0) indicating the pitch frequency of human voice and a power value can be adopted. The vocalization model unit 308 includes a synthetic filter unit 310. The output of the musical sound output data 220 for the vocal sound source of the predetermined sound source channel (several channels is possible) of the sound source LSI 204 of FIG. 2 is input to the synthetic filter unit 310. The synthetic filter unit 310 is a portion that models the human vocal tract, forms a digital filter that models the vocal tract based on a series of spectral information 318 sequentially input from the acoustic model unit 306, and inputs from the sound source LSI 204. The vocal tract voice output data 321 of the digital signal is generated and output using the vocal tract sound output data 220 for the vocal tract sound source of the predetermined sounding channel (multiple channels are possible) as the excitation source signal. The musical sound output data 220 for a vocal sound source input from the sound source LSI 204 is polyphonic for a predetermined sounding channel.
上述のように、演奏者の鍵盤101(図1)での演奏に基づいて音源LSI204が生成、出力する発声音源用楽音出力データ220が、音響モデル部306から入力するスペクトル情報318に基づいて動作する合成フィルタ部310に入力して、合成フィルタ部310から歌声音声出力データ321が出力される。このようにして生成、出力される歌声音声出力データ321は、音源LSI204で生成された楽器音を音源信号としている。このため、歌い手の歌声と比べると、忠実性は若干失われるが、音源LSI204で設定された楽器音の雰囲気が良く残ると共に、歌い手の歌声の声質も良く残った歌声となり、効果的な歌声音声出力データ321を出力させることが可能となる。更に、ボコーダモードでは、ポリフォニック動作が可能であるため、複数の歌声がハモるような効果を奏することも可能となる。 As described above, the musical sound output data 220 for a vocal sound source generated and output by the sound source LSI 204 based on the performance on the performer's keyboard 101 (FIG. 1) operates based on the spectrum information 318 input from the acoustic model unit 306. The singing voice audio output data 321 is output from the synthetic filter unit 310 by inputting to the synthetic filter unit 310. The singing voice voice output data 321 generated and output in this way uses the musical instrument sound generated by the sound source LSI 204 as the sound source signal. For this reason, the fidelity is slightly lost compared to the singing voice of the singer, but the atmosphere of the instrument sound set by the sound source LSI204 remains well, and the voice quality of the singing voice of the singer remains well, which is an effective singing voice. It is possible to output the output data 321. Further, in the vocoder mode, since polyphonic operation is possible, it is possible to produce an effect in which a plurality of singing voices are harmonized.
なお、音源LSI204は、例えば複数の所定の発音チャネルの出力を発声音源用楽音出力データ220として音声合成LSI205に供給すると同時に、他のチャネルの出力を通常の楽音出力データ218として出力するように動作してもよい。これにより、伴奏音は通常の楽器音で発音させたり、メロディラインの楽器音を発音させると同時にそのメロディの歌声を音声合成LSI205から発声させるというような動作も可能である。 The sound source LSI 204 operates so as to supply the output of a plurality of predetermined sound channels to the voice synthesis LSI 205 as the musical sound output data 220 for the vocal sound source, and at the same time, output the output of the other channels as the normal musical sound output data 218. You may. As a result, the accompaniment sound can be pronounced with a normal musical instrument sound, or the musical instrument sound of the melody line can be pronounced, and at the same time, the singing voice of the melody can be uttered from the voice synthesis LSI 205.
なお、ボコーダモードにおいて合成フィルタ部310に入力される発声音源用楽音出力データ220は、どのような信号でもよいが、音源信号として性質上、倍音成分を多く含み、かつ長く持続する、例えばブラス音、ストリング音、オルガン音のような楽器音が好ましい。勿論、大きな効果を狙って、このような基準に全く従わないような楽器音、例えば動物の鳴き声のような楽器音が使用されても、非常におもしろい効果が得られる。具体的な実施例として、例えば愛犬の鳴き声をサンプリングして得られたデータを楽器音として合成フィルタ部310に入力する。そして、合成フィルタ部310及び音響効果付加部320から出力される歌声音声出力データ217に基づいてスピーカから発音させる。そうすると、まるで愛犬が歌詞を歌っているように聞こえるという非常におもしろい効果が得られる。 The musical sound output data 220 for a vocal sound source input to the synthetic filter unit 310 in the vocoder mode may be any signal, but due to its nature as a sound source signal, it contains many harmonic components and lasts for a long time, for example, a brass sound. , String sounds, instrument sounds such as organ sounds are preferred. Of course, even if an instrument sound that does not comply with such a standard at all, for example, an instrument sound such as an animal bark, is used for a large effect, a very interesting effect can be obtained. As a specific example, for example, the data obtained by sampling the barking of a pet dog is input to the synthetic filter unit 310 as a musical instrument sound. Then, the speaker is made to sound based on the singing voice output data 217 output from the synthetic filter unit 310 and the sound effect addition unit 320. This has the very interesting effect of making it sound like your dog is singing the lyrics.
学習用歌声音声データ312に対するサンプリング周波数は、例えば16KHz(キロヘルツ)である。また、学習用音響特徴量系列314及び音響特徴量系列317に含まれるスペクトルパラメータとして、例えばメルケプストラム分析処理により得られるメルケプストラムパラメータが採用される場合、その更新フレーム周期は、例えば5msec(ミリ秒)である。更に、メルケプストラム分析処理の場合、分析窓長は25msec、窓関数はブラックマン窓、分析次数は24次である。 The sampling frequency for the learning singing voice data 312 is, for example, 16 KHz (kilohertz). Further, when, for example, a mel cepstrum parameter obtained by a mel cepstrum analysis process is adopted as the spectrum parameter included in the learning acoustic feature quantity series 314 and the acoustic feature quantity series 317, the update frame period is, for example, 5 msec (milliseconds). ). Further, in the case of the mer cepstrum analysis process, the analysis window length is 25 msec, the window function is the Blackman window, and the analysis order is 24th order.
音声合成部302から出力される歌声音声出力データ321は更に、音声合成LSI205内の音響効果付加部320により、ビブラート効果、トレモロ効果、又はワウ効果などの音響効果が付加される。 The singing voice voice output data 321 output from the voice synthesis unit 302 is further added with sound effects such as a vibrato effect, a tremolo effect, or a wow effect by the sound effect addition unit 320 in the voice synthesis LSI 205.
ビブラート効果とは、歌唱において音を伸ばすとき、音高の高さを所定の振れ幅(深さ)で周期的に振らす効果をいう。ビブラート効果を付加するための音響効果付加部320の構成としては、例えば下記特許文献2又は3に記載の技術を採用することができる。
<特許文献2>
特開平06−167976号公報
<特許文献3>
特開平07−199931号公報
The vibrato effect is an effect of periodically swinging the pitch with a predetermined swing width (depth) when the sound is stretched in singing. As the configuration of the sound effect addition unit 320 for adding the vibrato effect, for example, the technique described in Patent Document 2 or 3 below can be adopted.
<Patent Document 2>
Japanese Unexamined Patent Publication No. 06-167976 <Patent Document 3>
Japanese Unexamined Patent Publication No. 07-199931
トレモロ効果とは、同一又は複数の音を小刻みに演奏する効果をいう。トレモロ効果を付加するための音響効果付加部320の構成としては、例えば下記特許文献4に記載の技術を採用することができる。
<特許文献4>
特開平07−028471号公報
The tremolo effect is the effect of playing the same or multiple notes in small steps. As the configuration of the sound effect addition unit 320 for adding the tremolo effect, for example, the technique described in Patent Document 4 below can be adopted.
<Patent Document 4>
Japanese Unexamined Patent Publication No. 07-028471
ワウ効果とは、バンドパスフィルタの利得がピークとなる周波数を動かすことによって、「ワウワウ」としゃべっているような効果を得るものである。ワウ効果を付加するための音響効果付加部320の構成としては、例えば下記特許文献5に記載の技術を採用することができる。
<特許文献5>
特開平05−006173号公報
The wah effect is to obtain the effect of talking as "wah wah" by moving the frequency at which the gain of the bandpass filter peaks. As the configuration of the sound effect addition unit 320 for adding the wah effect, for example, the technique described in Patent Document 5 below can be adopted.
<Patent Document 5>
Japanese Unexamined Patent Publication No. 05-006173
演奏者は、歌声音声を指示するための鍵盤101(図1)上の第1鍵(第1操作子)によって、歌声音声出力データ321の出力を継続させている状態(第1鍵を押している状態)で、鍵盤101上の第2鍵(第2操作子)を繰り返し連打する操作を行うと、音響効果付加部320において、ビブラート効果、トレモロ効果、又はワウ効果のうち、第1のスイッチパネル102(図1)で予め選択した音響効果を付加させることができる。 The performer is in a state of continuing to output the singing voice output data 321 (pressing the first key) by the first key (first operator) on the keyboard 101 (FIG. 1) for instructing the singing voice. When the second key (second operator) on the keyboard 101 is repeatedly pressed in the state), the sound effect addition unit 320 receives the first switch panel of the vibrato effect, the tremolo effect, or the wow effect. The sound effect selected in advance in 102 (FIG. 1) can be added.
この場合更に、演奏者は、歌声指定している第1鍵の音高に対して、連打する第2鍵を、第2鍵と第1鍵の音高差が所望の音高差となるように指定することにより、音響効果付加部320における音高効果の程度を可変させることができる。例えば、第2鍵と第1鍵の間の音高差が1オクターブ離れていれば、音響効果の深さ(デプス)の最大値が設定され、音高差が小さくなるにつれて音響効果の程度が弱くなるように可変させることができる。 In this case, the performer further presses the second key repeatedly with respect to the pitch of the first key designated as the singing voice, so that the pitch difference between the second key and the first key becomes the desired pitch difference. By designating to, the degree of pitch effect in the sound effect addition unit 320 can be changed. For example, if the pitch difference between the 2nd key and the 1st key is one octave apart, the maximum value of the depth of the sound effect is set, and as the pitch difference becomes smaller, the degree of the sound effect increases. It can be changed to be weaker.
なお、連打する鍵盤101上の第2鍵は、白鍵でもよいが、例えば黒鍵とした場合には、歌声音声の音高を指定するための第1鍵の演奏操作を邪魔しにくくて済む。 The second key on the keyboard 101 to be repeatedly hit may be a white key, but if it is a black key, for example, it is less likely to interfere with the performance operation of the first key for specifying the pitch of the singing voice. ..
このように、本実施形態では、音声合成部302から出力される歌声音声出力データ321に対して、音響効果付加部320にて更に多彩な音響効果を付加させて、最終的な歌声音声出力データ217を生成することが可能となる。
なお、設定された時間(たとえば、数百ミリ秒)、第2鍵に対する押鍵を検出しない場合に、音響効果の付加を終了する。
As described above, in the present embodiment, the singing voice voice output data 321 output from the voice synthesizing unit 302 is further added with various sound effects by the sound effect adding unit 320, and the final singing voice voice output data. It is possible to generate 217.
If the key press on the second key is not detected for the set time (for example, several hundred milliseconds), the addition of the sound effect ends.
別の実施例として、第1鍵が押されている状態で第2鍵が1度押されただけで、すなわち上述のように第2鍵が連打されていなくても、このような音響効果を付加してもよい。この場合も、第1鍵と第2鍵との間の音高差に応じて、このような音響効果の深さを変更してもよい。また、第2鍵が押されている間、音響効果を付加させて、第2鍵に対する離鍵の検出に応じて、音響効果の付加を終了してもよい。 As another embodiment, such a sound effect can be produced even if the second key is pressed once while the first key is pressed, that is, even if the second key is not repeatedly pressed as described above. It may be added. In this case as well, the depth of such a sound effect may be changed according to the pitch difference between the first key and the second key. Further, the sound effect may be added while the second key is pressed, and the addition of the sound effect may be terminated in response to the detection of the release of the key to the second key.
また別の実施例としては、第1鍵が押されている状態で第2鍵が押された後、第1鍵が離鍵されても、このような音響効果を付加してもよい。また、第1鍵及び第2鍵を連打する「トリル」を検出することにより、このような音高効果を付加してもよい。 As another embodiment, such an acoustic effect may be added even if the first key is released after the second key is pressed while the first key is pressed. Further, such a pitch effect may be added by detecting a "trill" in which the first key and the second key are repeatedly pressed.
なお、本明細書においては、これらの音響効果を付加する演奏法のことを、便宜上、「いわゆるレガート奏法」と言う場合がある。 In this specification, the playing method to which these acoustic effects are added may be referred to as "so-called legato playing method" for convenience.
次に、図3の音声学習部301及び音声合成部302からなる統計的音声合成処理の第1の実施形態について説明する。統計的音声合成処理の第1の実施形態では、音響モデル部306に設定される学習結果315(モデルパラメータ)によって表現される音響モデルとして、前述した非特許文献1、及び下記非特許文献2に記載のHMM(Hidden Markov Model:隠れマルコフモデル)を用いる。 Next, a first embodiment of the statistical speech synthesis process including the speech learning unit 301 and the speech synthesis unit 302 of FIG. 3 will be described. In the first embodiment of the statistical speech synthesis processing, as the acoustic model represented by the learning result 315 (model parameter) set in the acoustic model unit 306, the above-mentioned Non-Patent Document 1 and the following Non-Patent Document 2 The described HMM (Hidden Markov Model: Hidden Markov Model) is used.
(非特許文献2)
酒向慎司、才野慶二郎、南角吉彦、徳田恵一、北村正「声質と歌唱スタイルを自動学習可能な歌声合成システム」情報処理学会研究報告音楽情報科学(MUS)2008(12(2008−MUS−074)),pp.39−44,2008−02−08
(Non-Patent Document 2)
Shinji Sakou, Keijiro Saino, Yoshihiko Minamikaku, Keiichi Tokuda, Tadashi Kitamura "Singing Voice Synthesis System that Can Automatically Learn Voice Quality and Singing Style" Information Processing Society of Japan Research Report Music Information Science (MUS) 2008 (12 (2008-MUS-074) )), Pp. 39-44, 2008-02-08
統計的音声合成処理の第1の実施形態では、ユーザが或るメロディーにそった歌詞を発声する際、声帯の振動や声道特性の歌声の特徴パラメータがどのような時間変化をしながら発声されるかが、HMM音響モデルによって学習される。より具体的には、HMM音響モデルは、学習用の歌声データから求めたスペクトル、基本周波数、およびそれらの時間構造を音素単位でモデル化したものである。 In the first embodiment of the statistical speech synthesis process, when the user utters lyrics along a certain melody, the vocal cord vibration and the characteristic parameters of the vocal tract characteristics of the singing voice are uttered while changing with time. The lyrics are learned by the HMM acoustic model. More specifically, the HMM acoustic model is a phoneme-based model of the spectrum, fundamental frequency, and their time structure obtained from the singing voice data for learning.
まず、HMM音響モデルが採用される図3の音声学習部301の処理について説明する。音声学習部301内のモデル学習部305は、学習用テキスト解析部303が出力する学習用言語特徴量系列313と、学習用音響特徴量抽出部304が出力する上記学習用音響特徴量系列314とを入力することにより、前述した(1)式に基づいて、尤度が最大となるHMM音響モデルの学習を行う。HMM音響モデルの尤度関数は下記(3)式で示される。 First, the processing of the voice learning unit 301 of FIG. 3 in which the HMM acoustic model is adopted will be described. The model learning unit 305 in the voice learning unit 301 includes a learning language feature amount series 313 output by the learning text analysis unit 303 and the learning acoustic feature amount series 314 output by the learning acoustic feature amount extraction unit 304. By inputting, the HMM acoustic model having the maximum likelihood is learned based on the above-mentioned equation (1). The likelihood function of the HMM acoustic model is shown by Eq. (3) below.
ここで、
はフレームtにおける音響特徴量、Tはフレーム数、
はHMM音響モデルの状態系列、
はフレームtにおけるHMM音響モデルの状態番号を表す。また、
は状態
から状態
への状態遷移確率を表し、
は平均ベクトル
、共分散行列
の正規分布であり、状態
の出力確率分布を表す。尤度最大化基準によるHMM音響モデルの学習は、期待値最大化(Expectation Maximization:EM)アルゴリズムを利用することで効率良く行われる。
here,
Is the amount of acoustic features in frame t, T is the number of frames,
Is the state series of the HMM acoustic model,
Represents the state number of the HMM acoustic model in frame t. Also,
State
From state
Represents the state transition probability to
Is the mean vector
, Covariance matrix
Normal distribution and state
Represents the output probability distribution of. The learning of the HMM acoustic model based on the likelihood maximization standard is efficiently performed by using the Expectation Maximization (EM) algorithm.
歌声音声のスペクトルパラメータは、連続HMMによってモデル化することができる。一方、対数基本周波数(F0)は有声区間では連続値をとり、無声区間では値を持たない可変次元の時間系列信号であるため、通常の連続HMMや離散HMMで直接モデル化することはできない。そこで、可変次元に対応した多空間上の確率分布に基づくHMMであるMSD−HMM(Multi−Space probability DistributionHMM)を用い、スペクトルパラメータとしてメルケプストラムを多次元ガウス分布、対数基本周波数(F0)の有声音を1次元空間、無声音を0次元空間のガウス分布として同時にモデル化する。 The spectral parameters of the singing voice can be modeled by continuous HMM. On the other hand, since the log fundamental frequency (F0) is a variable-dimensional time-series signal that takes a continuous value in the voiced section and has no value in the unvoiced section, it cannot be directly modeled by a normal continuous HMM or discrete HMM. Therefore, MSD-HMM (Multi-Space probability Distribution HMM), which is an HMM based on a probability distribution on multiple spaces corresponding to variable dimensions, is used, and Melkepstram is used as a spectral parameter with a multidimensional Gaussian distribution and a logarithmic fundamental frequency (F0). Simultaneously model voice sound as a Gaussian distribution in 1-dimensional space and unvoiced sound as a Gaussian distribution in 0-dimensional space.
また、歌声を構成する音素の特徴は、音響的な特徴は同一の音素であっても、様々な要因の影響を受けて変動することが知られている。例えば、基本的な音韻単位である音素のスペクトルや対数基本周波数(F0)は、歌唱スタイルやテンポ、或いは、前後の歌詞や音高等によって異なる。このような音響特徴量に影響を与える要因のことをコンテキストと呼ぶ。第1の実施形態の統計的音声合成処理では、音声の音響的な特徴を精度良くモデル化するために、コンテキストを考慮したHMM音響モデル(コンテキスト依存モデル)を採用することができる。具体的には、学習用テキスト解析部303は、フレーム毎の音素、音高だけでなく、直前、直後の音素や、現在位置、直前、直後のビブラートやアクセント等も考慮した学習用言語特徴量系列313を出力してよい。更に、コンテキストの組合せの効率化のために、決定木に基づくコンテキストクラスタリングが用いられてよい。これは、二分木を用いてHMM音響モデルの集合を木構造に分割することで、類似したコンテキストの組合せごとにHMM音響モデルをクラスタリングする手法である。木の各ノードには、「直前の音素は/a/であるか?」等のコンテキストを二分する質問があり、各リーフノードには、特定のHMM音響モデルに相当する学習結果315(モデルパラメータ)がある。任意のコンテキストの組合せは、ノードにある質問に沿って木を辿ることで、何れかのリーフノードに到達でき、そのリーフノードに対応する学習結果315(モデルパラメータ)を選択できる。適切な決定木構造を選択することで、高精度かつ汎化性能の高いHMM音響モデル(コンテキスト依存モデル)を推定することができる。 Further, it is known that the characteristics of phonemes constituting a singing voice fluctuate under the influence of various factors even if the phonemes have the same acoustic characteristics. For example, the spectrum of phonemes and the logarithmic fundamental frequency (F0), which are basic phoneme units, differ depending on the singing style and tempo, the lyrics before and after, the pitch, and the like. Factors that affect such acoustic features are called contexts. In the statistical speech synthesis processing of the first embodiment, an HMM acoustic model (context-dependent model) in consideration of context can be adopted in order to accurately model the acoustic features of speech. Specifically, the learning text analysis unit 303 considers not only the phonemes and pitches for each frame, but also the phonemes immediately before and after, and the vibrato and accents immediately before and after the current position, and the language features for learning. The series 313 may be output. In addition, decision tree-based context clustering may be used to improve the efficiency of context combinations. This is a method of clustering HMM acoustic models for each combination of similar contexts by dividing a set of HMM acoustic models into a tree structure using a binary tree. Each node of the tree has a question that divides the context such as "Is the previous phoneme / a /?", And each leaf node has a learning result 315 (model parameter) corresponding to a specific HMM acoustic model. ). Any combination of contexts can reach any leaf node by following the tree along the question in the node, and the learning result 315 (model parameter) corresponding to that leaf node can be selected. By selecting an appropriate decision tree structure, it is possible to estimate an HMM acoustic model (context-dependent model) with high accuracy and high generalization performance.
図4は、統計的音声合成処理の第1の実施形態における、HMMの決定木についての説明図である。コンテキストに依存するそれぞれの音素について、その音素の各状態は、例えば図4(a)に示される#1、#2、#3の3つの状態401からなるHMMに対応付けられる。各状態に対して入出力する矢印は、状態遷移を示している。例えば、状態401(#1)は例えば、その音素の開始付近をモデル化する状態である。また、状態401(#2)は例えば、その音素の中心付近をモデル化する状態である。更に、状態401(#3)は例えば、その音素の終了付近をモデル化する状態である。 FIG. 4 is an explanatory diagram of the HMM decision tree in the first embodiment of the statistical speech synthesis process. For each context-dependent phoneme, each state of the phoneme is associated with, for example, an HMM consisting of the three states 401 of # 1, # 2, and # 3 shown in FIG. 4 (a). The arrows that input and output for each state indicate the state transition. For example, state 401 (# 1) is, for example, a state that models the vicinity of the start of the phoneme. Further, the state 401 (# 2) is, for example, a state in which the vicinity of the center of the phoneme is modeled. Further, state 401 (# 3) is, for example, a state that models the vicinity of the end of the phoneme.
また、音素長に依存して、図4(a)のHMMが示す#1から#3の各状態401が継続する長さが、図4(b)の状態継続長モデルにより決定される。図3のモデル学習部305は、図3の学習用テキスト解析部303が図3の学習用歌声データ311から抽出した状態継続長に関する多数の音素のコンテキストに対応する学習用言語特徴量系列313から、状態継続長を決定するための状態継続長決定木402を学習により生成し、学習結果315として音声合成部302内の音響モデル部306に設定する。 Further, depending on the phoneme length, the length at which each of the states 401 of # 1 to # 3 shown by the HMM of FIG. 4 (a) continues is determined by the state continuation length model of FIG. 4 (b). The model learning unit 305 of FIG. 3 is derived from the learning language feature quantity series 313 corresponding to the context of a large number of phonemes related to the state continuation length extracted from the learning singing voice data 311 of FIG. 3 by the learning text analysis unit 303 of FIG. , The state continuation length determination tree 402 for determining the state continuation length is generated by learning, and is set in the acoustic model unit 306 in the speech synthesis unit 302 as the learning result 315.
また、図3のモデル学習部305は例えば、図3の学習用音響特徴量抽出部304が図3の学習用歌声音声データ312から抽出したメルケプストラムパラメータに関する多数の音素に対応する学習用音響特徴量系列314から、メルケプストラムパラメータを決定するためのメルケプストラムパラメータ決定木403を学習により生成し、学習結果315として音声合成部302内の音響モデル部306に設定する。 Further, the model learning unit 305 of FIG. 3 is, for example, a learning acoustic feature corresponding to a large number of phonemes related to the merkepstram parameter extracted from the learning singing voice data 312 of FIG. 3 by the learning acoustic feature amount extraction unit 304 of FIG. From the quantity series 314, a merkepstram parameter determination tree 403 for determining the merkepstram parameter is generated by learning, and the learning result 315 is set in the acoustic model unit 306 in the speech synthesis unit 302.
更に、図3のモデル学習部305は例えば、図3の学習用音響特徴量抽出部304が図3の学習用歌声音声データ312から抽出した対数基本周波数(F0)に関する多数の音素に対応する学習用音響特徴量系列314から、対数基本周波数(F0)を決定するための対数基本周波数決定木404を学習により生成し、学習結果315として音声合成部302内の音響モデル部306に設定する。なお、前述したように、対数基本周波数(F0)の有声区間と無声区間はそれぞれ、可変次元に対応したMSD−HMMにより、1次元及び0次元のガウス分布としてモデル化され、対数基本周波数決定木404が生成される。 Further, the model learning unit 305 of FIG. 3 is, for example, a learning corresponding to a large number of fundamental frequencies (F0) extracted from the learning singing voice data 312 of FIG. 3 by the learning acoustic feature amount extraction unit 304 of FIG. A log fundamental frequency determination tree 404 for determining the log fundamental frequency (F0) is generated by learning from the sound feature sequence 314 for learning, and is set in the acoustic model unit 306 in the speech synthesis unit 302 as the learning result 315. As described above, the voiced section and the unvoiced section of the log fundamental frequency (F0) are modeled as 1-dimensional and 0-dimensional Gaussian distributions by MSD-HMM corresponding to the variable dimension, respectively, and the log fundamental frequency determination tree. 404 is generated.
その他、図3のモデル学習部305は、図3の学習用テキスト解析部303が図3の学習用歌声データ311から抽出した状態継続長に関する多数の音素のコンテキストに対応する学習用言語特徴量系列313から、音高のビブラートやアクセント等のコンテキストを決定するための決定木を学習により生成し、学習結果315として音声合成部302内の音響モデル部306に設定してもよい。 In addition, the model learning unit 305 of FIG. 3 is a learning language feature quantity sequence corresponding to the context of a large number of phonemes related to the state continuation length extracted from the learning singing voice data 311 of FIG. 3 by the learning text analysis unit 303 of FIG. From 313, a determination tree for determining the context such as pitch vibrates and accents may be generated by learning, and the learning result 315 may be set in the acoustic model unit 306 in the speech synthesis unit 302.
次に、HMM音響モデルが採用される図3の音声合成部302の処理について説明する。音響モデル部306は、テキスト解析部307が出力する歌詞の音素、音高、その他のコンテキストに関する言語特徴量系列316を入力することにより、コンテキスト毎に図4に例示される各決定木402、403、404等を参照してHMMを連結し、連結した各HMMから出力確立が最大となる音響特徴量系列317(スペクトル情報318と音源情報319)を予測する。 Next, the processing of the voice synthesis unit 302 of FIG. 3 in which the HMM acoustic model is adopted will be described. The acoustic model unit 306 inputs the language feature sequence 316 related to the phonemes, pitches, and other contexts of the lyrics output by the text analysis unit 307, and the decision trees 402 and 403 illustrated in FIG. 4 for each context. , 404 and the like are connected, and the acoustic feature sequence 317 (spectrum information 318 and sound source information 319) that maximizes the output probability is predicted from each connected HMM.
このとき、音響モデル部306は、前述した(2)式に従って、テキスト解析部307から入力する言語特徴量系列316(=
)と、モデル学習部305での機械学習により学習結果315として設定された音響モデル(=
)とに基づいて、音響特徴量系列317(=
)が生成される確率(=
)を最大にするような音響特徴量系列317の推定値(=
)を推定する。ここで、前述した(2)式は、図4(b)の状態継続長モデルによって推定される状態系列
を用いることで、下記(4)式により近似される。
At this time, the acoustic model unit 306 uses the language feature quantity series 316 (=) input from the text analysis unit 307 according to the above equation (2).
) And the acoustic model (=) set as the learning result 315 by machine learning in the model learning unit 305.
) And the acoustic feature series 317 (=)
) Is generated (=)
) Is the estimated value (=) of the acoustic feature series 317 that maximizes
) Is estimated. Here, the above-mentioned equation (2) is a state sequence estimated by the state continuation length model of FIG. 4 (b).
By using, it is approximated by the following equation (4).
ここで、
であり、
と
はそれぞれ状態
における平均ベクトルと共分散行列である。言語特徴量系列
を用い、音響モデル部306に設定された各決定木を辿ることにより、平均ベクトルと共分散行列が算出される。(4)式より、音響特徴量系列317の推定値(=
)は平均ベクトル(=
)によって得られるが、
は状態が遷移する部分で階段状に変化する不連続な系列となる。このような不連続な音響特徴量系列317から合成フィルタ部310が歌声音声出力データ321を合成した場合、自然性という観点からは低品質な合成音声となってしまう。そこで、統計的音声合成処理の第1の実施形態では、モデル学習部305において動的特徴量を考慮した学習結果315(モデルパラメータ)の生成アルゴリズムが採用されてよい。静的特徴量
と動的特徴量
からフレームtにおける音響特徴量系列(=
)が構成されるとき、各時刻の音響特徴量系列(=
)は、下記(5)式で示される。
here,
And
When
Each state
The mean vector and covariance matrix in. Language feature series
The average vector and the covariance matrix are calculated by tracing each decision tree set in the acoustic model unit 306 using. Estimated value of acoustic feature series 317 from Eq. (4) (=
) Is the average vector (=
), But
Is a discontinuous series that changes stepwise at the part where the state changes. When the synthetic filter unit 310 synthesizes the singing voice output data 321 from such a discontinuous acoustic feature amount series 317, the synthetic voice becomes low quality from the viewpoint of naturalness. Therefore, in the first embodiment of the statistical speech synthesis processing, the model learning unit 305 may adopt an algorithm for generating the learning result 315 (model parameter) in consideration of the dynamic features. Static features
And dynamic features
From the acoustic feature series in frame t (=
) Is configured, the acoustic feature series (=) at each time
) Is represented by the following equation (5).
ここで、
は静的特徴量系列
から動的特徴量を含む音響特徴量系列
を求める行列である。モデル学習部305は、上述の(5)式を制約として前述の(4)式を、下記(6)式に示されるように解く。
here,
Is a static feature series
Acoustic features series including dynamic features from
Is a matrix for finding. The model learning unit 305 solves the above-mentioned equation (4) as shown in the following equation (6) with the above-mentioned equation (5) as a constraint.
ここで、
は、動的特徴量を制約としながら出力確率が最大となる静的特徴量系列である。動的特徴量を考慮することで状態境界の不連続が解決され、滑らかに変化する音響特徴量系列317を得ることができ、合成フィルタ部310において、高品質な歌声音声出力データ321を生成することが可能となる。
here,
Is a static feature series that maximizes the output probability while constraining the dynamic features. By considering the dynamic features, the discontinuity of the state boundary can be solved, the acoustic feature sequence 317 that changes smoothly can be obtained, and the synthetic filter unit 310 generates high-quality singing voice output data 321. It becomes possible.
ここで、歌声データの音素境界は楽譜が定める音符の境界とは一致しないことが多い。このような時間的な揺らぎは、音楽表現という観点からは本質的なものといえる。そこで、上述のHMM音響モデルを採用した統計的音声合成処理の第1の実施形態において、歌声の発声において、発声する際の音韻の違いや音高やリズムなど、様々な影響を受けた時間の偏りがあると仮定し、学習データにおける発声のタイミングと楽譜とのずれをモデル化する技術が採用されてもよい。具体的には、音符単位のずれモデルとして、音符単位に見た歌声と楽譜のずれを1次元ガウス分布によって表し、他のスペクトルパラメータや対数基本周波数(F0)等と同様にして、コンテキストに依存したHMM音響モデルとして扱ってよい。このような、「ずれ」のコンテキストを含むHMM音響モデルを用いた歌声合成では、まず楽譜の表す時間境界を定めた後、音符単位のずれモデルと音素状態継続長モデルの両者の同時確率を最大化することで、学習データにおける音符の揺らぎを考慮した時間構造を決定することが可能となる。 Here, the phoneme boundaries of the singing voice data often do not match the notes boundaries defined by the score. Such temporal fluctuations can be said to be essential from the viewpoint of musical expression. Therefore, in the first embodiment of the statistical speech synthesis processing adopting the above-mentioned HMM acoustic model, in the vocalization of the singing voice, the time affected by various factors such as the difference in the phonation, the pitch and the rhythm, etc. Assuming that there is a bias, a technique for modeling the deviation between the timing of vocalization and the score in the training data may be adopted. Specifically, as a note-based deviation model, the deviation between the singing voice and the score seen in note units is represented by a one-dimensional Gaussian distribution, and it depends on the context in the same way as other spectral parameters and log fundamental frequency (F0). It may be treated as an HMM acoustic model. In singing voice synthesis using the HMM acoustic model including the context of "deviation", the time boundary represented by the score is first determined, and then the simultaneous probability of both the deviation model for each note and the phoneme state continuation length model is maximized. By doing so, it becomes possible to determine the time structure in consideration of the fluctuation of the notes in the training data.
次に、図3の音声学習部301及び音声合成部302からなる統計的音声合成処理の第2の実施形態について説明する。統計的音声合成処理の第1の実施形態では、言語特徴量系列316から音響特徴量系列317を予測するために、音響モデル部306がディープニューラルネットワーク(Deep Neural Network:DNN)により実装される。これに対応して、音声学習部301内のモデル学習部305は、言語特徴量から音響特徴量へのDNN内の各ニューロンの非線形変換関数を表すモデルパラメータを学習し、そのモデルパラメータを学習結果315として音声合成部302内の音響モデル部306のDNNに出力する。 Next, a second embodiment of the statistical speech synthesis process including the speech learning unit 301 and the speech synthesis unit 302 of FIG. 3 will be described. In the first embodiment of the statistical speech synthesis process, the acoustic model unit 306 is implemented by a deep neural network (DNP) in order to predict the acoustic feature sequence 317 from the language feature sequence 316. Correspondingly, the model learning unit 305 in the speech learning unit 301 learns the model parameters representing the non-linear conversion function of each neuron in the DNN from the language feature quantity to the acoustic feature quantity, and learns the model parameters. As 315, it is output to the DNN of the acoustic model unit 306 in the voice synthesis unit 302.
通常、音響特徴量は例えば5.1msec(ミリ秒)幅のフレームを単位として算出され、言語特徴量は音素を単位として算出される。従って、音響特徴量と言語特徴量は時間単位が異なる。HMM音響モデルを採用した統計的音声合成処理の第1の実施形態では、音響特徴量と言語特徴量の対応はHMMの状態系列によって表現され,モデル学習部305は、音響特徴量と言語特徴量の対応関係を、図3の学習用歌声データ311及び学習用歌声音声データ312に基づき自動学習した。これに対して、DNNを採用した統計的音声合成処理の第2の実施形態では、音響モデル部306に設定されるDNNは、入力である言語特徴量系列316と出力である音響特徴量系列317の一対一の対応関係を表すモデルであるため、時間単位の異なる入出力データ対を用いてDNNを学習させることはできない。このため、統計的音声合成処理の第2の実施形態では、予めフレーム単位の音響特徴量系列と音素単位の言語特徴量系列の対応関係が設定され、フレーム単位の音響特徴量と言語特徴量の対が生成される。 Usually, the acoustic feature amount is calculated in units of a frame having a width of, for example, 5.1 msec (milliseconds), and the language feature amount is calculated in units of phonemes. Therefore, the acoustic feature amount and the language feature amount have different time units. In the first embodiment of the statistical speech synthesis processing adopting the HMM acoustic model, the correspondence between the acoustic features and the language features is expressed by the state sequence of the HMM, and the model learning unit 305 describes the acoustic features and the language features. The correspondence between the above was automatically learned based on the learning singing voice data 311 and the learning singing voice data 312 of FIG. On the other hand, in the second embodiment of the statistical speech synthesis processing using DNN, the DNN set in the acoustic model unit 306 is the input language feature sequence 316 and the output acoustic feature sequence 317. Since it is a model representing a one-to-one correspondence between, it is not possible to train DNN using input / output data pairs having different time units. Therefore, in the second embodiment of the statistical speech synthesis processing, the correspondence between the acoustic feature series in the frame unit and the language feature series in the phoneme unit is set in advance, and the acoustic feature quantity and the language feature quantity in the frame unit are set in advance. A pair is generated.
図5は、上述の対応関係を示す音声合成LSI205の動作説明図である。例えば、童謡「きらきら星」の歌い出しの歌詞文字列「き」「ら」「き」(図5(a))に対応する言語特徴量系列である歌声音素列「/k/」「/i/」「/r/」「/a/」「/k/」「/i/」(図5(b))が得られているときに、これらの言語特徴量系列が、フレーム単位の音響特徴量系列(図5(c))に対して、1対多の関係(図5の(b)と(c)の関係)で対応付けられる。なお、言語特徴量は音響モデル部306におけるDNNへの入力として使用されるため、数値データとして表現する必要がある。このため、言語特徴量系列としては、「直前の音素は「/a/」であるか?」や「現在の単語に含まれる音素の数は?」等のコンテキストに関する質問に対する二値のデータ(0又は1)、或いは、連続値での回答を連結して得られる数値データが用意される。 FIG. 5 is an operation explanatory diagram of the speech synthesis LSI 205 showing the above-mentioned correspondence. For example, the singing phoneme string "/ k /" "/ i" which is a linguistic feature sequence corresponding to the lyrics character strings "ki", "ra", and "ki" (Fig. 5 (a)) of the nursery rhyme "Kirakira Hoshi". When / ”,“ / r / ”,“ / a / ”,“ / k / ”, and“ / i / ”(FIG. 5 (b)) are obtained, these language feature series are frame-based phoneme features. The quantity series (FIG. 5 (c)) is associated with a one-to-many relationship (relationship between (b) and (c) in FIG. 5). Since the language feature amount is used as an input to the DNN in the acoustic model unit 306, it needs to be expressed as numerical data. Therefore, as a language feature series, "Is the phoneme immediately before" / a / "? Binary data (0 or 1) for contextual questions such as "How many phonemes are contained in the current word?", Or numerical data obtained by concatenating consecutive answers are prepared. ..
統計的音声合成処理の第2の実施形態における図3の音声学習部301内のモデル学習部305は、図5の破線矢印群501として示されるように、フレーム単位で、図5(b)に対応する学習用言語特徴量系列313の音素列と図5(c)に対応する学習用音響特徴量系列314の対を音響モデル部306のDNNに順次与えて学習を行う。なお、音響モデル部306内のDNNは、図5のグレー色の丸印群として示されるように、入力層、1つ以上の中間層、及び出力層からなるニューロン群を含む。 The model learning unit 305 in the speech learning unit 301 of FIG. 3 in the second embodiment of the statistical speech synthesis processing is shown in FIG. 5 (b) in frame units as shown by the broken line arrow group 501 of FIG. The phoneme sequence of the corresponding learning language feature sequence 313 and the pair of the learning acoustic feature sequence 314 corresponding to FIG. 5C are sequentially given to the DNN of the acoustic model unit 306 for learning. The DNN in the acoustic model unit 306 includes a neuron group composed of an input layer, one or more intermediate layers, and an output layer, as shown as a group of gray circles in FIG.
一方、音声合成時には、上記フレーム単位で、図5(b)に対応する言語特徴量系列316の音素列が音響モデル部306のDNNに入力される。この結果、音響モデル部306のDNNは、図5の太実線矢印群502として示されるように、上記フレーム単位で、音響特徴量系列317を出力する。従って、発声モデル部308においても、上述のフレーム単位で、音響特徴量系列317に含まれる音源情報319及びスペクトル情報318がそれぞれ音源生成部309及び合成フィルタ部310に与えられて、音声合成が実行される。 On the other hand, at the time of speech synthesis, the phoneme sequence of the language feature sequence 316 corresponding to FIG. 5B is input to the DNN of the acoustic model unit 306 in the frame unit. As a result, the DNN of the acoustic model unit 306 outputs the acoustic feature amount series 317 in the frame unit as shown by the thick solid line arrow group 502 in FIG. Therefore, also in the vocalization model unit 308, the sound source information 319 and the spectrum information 318 included in the acoustic feature amount series 317 are given to the sound source generation unit 309 and the synthesis filter unit 310, respectively, in the above-mentioned frame unit, and the voice synthesis is executed. Will be done.
この結果、発声モデル部308は、図5の太実線矢印群503として示されるように、フレーム毎に、例えば225サンプル(samples)ずつの歌声音声出力データ321を出力する。フレームは5.1msecの時間幅を有するため、1サンプルは「5.1msec÷225≒0.0227msec」であり、従って、歌声音声出力データ321のサンプリング周波数は1/0.0227≒44kHz(キロヘルツ)である。 As a result, the vocalization model unit 308 outputs singing voice voice output data 321 of, for example, 225 samples (samples) for each frame, as shown by the thick solid line arrow group 503 in FIG. Since the frame has a time width of 5.1 msec, one sample is "5.1 msec ÷ 225 ≈ 0.0227 msec", and therefore the sampling frequency of the singing voice output data 321 is 1 / 0.0227 ≈ 44 kHz (kilohertz). Is.
DNNの学習は、フレーム単位の音響特徴量と言語特徴量の対を用いて、下記の(7)式で演算される二乗誤差最小化基準によって行われる。 The DNN learning is performed by the square error minimization standard calculated by the following equation (7) using the pair of the acoustic feature amount and the language feature amount in each frame.
ここで、
と
はそれぞれt番目のフレームtにおける音響特徴量と言語特徴量、
は音響モデル部306のDNNのモデルパラメータ、
はDNNによって表される非線形変換関数である。DNNのモデルパラメータは誤差逆伝播法によって効率良く推定することができる。前述した(1)式によって表される統計的音声合成におけるモデル学習部305の処理との対応関係を考慮すると、DNNの学習は下記の(8)式のように表すことができる。
here,
When
Are the acoustic features and language features in the t-th frame t, respectively.
Is the DNN model parameter of the acoustic model unit 306,
Is a non-linear transformation function represented by DNN. The DNN model parameters can be efficiently estimated by the backpropagation method. Considering the correspondence with the processing of the model learning unit 305 in the statistical speech synthesis represented by the above-mentioned equation (1), the learning of DNN can be expressed as the following equation (8).
ここで、下記(9)式が成立する。
上記(8)式及び(9)式のように、音響特徴量と言語特徴量の関係は、DNNの出力を平均ベクトルとする正規分布
によって表すことができる。DNNを用いた統計的音声合成処理の第2の実施形態では、通常、言語特徴量系列
に非依存な共分散行列、即ち全てのフレームにおいて同じ共分散行列
が用いられる。また、共分散行列
を単位行列とすると、(8)式は(7)式と等価な学習処理を示している。
As in the above equations (8) and (9), the relationship between the acoustic features and the language features is a normal distribution with the output of DNN as the average vector.
Can be represented by. In the second embodiment of the statistical speech synthesis process using DNN, a language feature sequence is usually used.
Covariance matrix independent of, i.e. the same covariance matrix in all frames
Is used. Also, the covariance matrix
When is an identity matrix, Eq. (8) shows a learning process equivalent to Eq. (7).
図5で説明したように、音響モデル部306のDNNは、フレーム毎に独立に音響特徴量系列317を推定する。このため、得られる音響特徴量系列317には、合成音声の品質を低下させるような不連続が含まれる。そこで、本実施形態では例えば、統計的音声合成処理の第1の実施形態の場合と同様な、動的特徴量を用いたパラメータ生成アルゴリズムを利用することにより、合成音声の品質を改善することができる。 As described with reference to FIG. 5, the DNN of the acoustic model unit 306 estimates the acoustic feature sequence 317 independently for each frame. Therefore, the obtained acoustic feature sequence 317 includes discontinuities that deteriorate the quality of the synthesized speech. Therefore, in the present embodiment, for example, the quality of the synthesized speech can be improved by using the parameter generation algorithm using the dynamic features as in the case of the first embodiment of the statistical speech synthesis processing. it can.
図3から図5で説明した統計的音声合成処理を利用した図1及び図2の電子鍵盤楽器100の実施形態の動作について、以下に詳細に説明する。図6は、本実施形態において、図2のROM202からRAM203に読み込まれる曲データのデータ構成例を示す図である。このデータ構成例は、MIDI(Musical Instrument Digital Interface)用ファイルフォーマットの一つであるスタンダードMIDIファイルのフォーマットに準拠している。この曲データは、チャンクと呼ばれるデータブロックから構成される。具体的には、曲データは、ファイルの先頭にあるヘッダチャンクと、それに続く歌詞パート用の歌詞データが格納されるトラックチャンク1と、伴奏パート用の演奏データが格納されるトラックチャンク2とから構成される。 The operation of the embodiment of the electronic keyboard instrument 100 of FIGS. 1 and 2 using the statistical speech synthesis processing described with reference to FIGS. 3 to 5 will be described in detail below. FIG. 6 is a diagram showing a data configuration example of song data read from ROM 202 to RAM 203 in FIG. 2 in the present embodiment. This data structure example conforms to the standard MIDI file format, which is one of the MIDI (Musical Instrument Digital Interface) file formats. This song data is composed of data blocks called chunks. Specifically, the song data consists of a header chunk at the beginning of the file, a track chunk 1 in which the lyrics data for the following lyrics part is stored, and a track chunk 2 in which the performance data for the accompaniment part is stored. It is composed.
ヘッダチャンクは、ChunkID、ChunkSize、FormatType、NumberOfTrack、及びTimeDivisionの4つの値からなる。ChunkIDは、ヘッダチャンクであることを示す"MThd"という半角4文字に対応する4バイトのアスキーコード「4D 54 68 64」(数字は16進数)である。ChunkSizeは、ヘッダチャンクにおいて、ChunkIDとChunkSizeを除く、FormatType、NumberOfTrack、及びTimeDivisionの部分のデータ長を示す4バイトデータであり、データ長は6バイト:「00 00 00 06」(数字は16進数)に固定されている。FormatTypeは、本実施形態の場合、複数トラックを使用するフォーマット1を意味する2バイトのデータ「00 01」(数字は16進数)である。NumberOfTrackは、本実施形態の場合、歌詞パートと伴奏パートに対応する2トラックを使用することを示す2バイトのデータ「00 02」(数字は16進数)である。TimeDivisionは、4分音符あたりの分解能を示すタイムベース値を示すデータであり、本実施形態の場合、10進法で480を示す2バイトのデータ「01 E0」(数字は16進数)である。 The header chunk consists of four values: ChunkID, ChunkSize, FormatType, NumberOfTrack, and TimeDivision. The Chunk ID is a 4-byte ASCII code "4D 54 68 64" (numbers are hexadecimal numbers) corresponding to four single-byte characters "MThd" indicating that it is a header chunk. The ChunkSize is 4-byte data indicating the data length of the FormatType, NumberOfTrack, and TimeDivision parts excluding the ChunkID and the ChunkSize in the header chunk, and the data length is 6 bytes: "00 00 00 06" (numbers are hexadecimal numbers). It is fixed to. In the case of this embodiment, the Format Type is 2-byte data “00 01” (numbers are hexadecimal numbers), which means format 1 using a plurality of tracks. In the case of the present embodiment, the NumberOfTrack is 2-byte data "00 02" (numbers are hexadecimal numbers) indicating that two tracks corresponding to the lyrics part and the accompaniment part are used. The Time Division is data indicating a time base value indicating a resolution per quarter note, and in the case of the present embodiment, it is 2-byte data "01 E0" (number is a hexadecimal number) indicating 480 in decimal notation.
トラックチャンク1、2はそれぞれ、ChunkID、ChunkSizeと、DeltaTime_1[i]及びEvent_1[i](トラックチャンク1/歌詞パートの場合)又はDeltaTime_2[i]及びEvent_2[i](トラックチャンク2/伴奏パートの場合)からなる演奏データ組(0≦i≦L:トラックチャンク1/歌詞パートの場合、0≦i≦M:トラックチャンク2/伴奏パートの場合)とからなる。ChunkIDは、トラックチャンクであることを示す"MTrk"という半角4文字に対応する4バイトのアスキーコード「4D 54 72 6B」(数字は16進数)である。ChunkSizeは、各トラックチャンクにおいて、ChunkIDとChunkSizeを除く部分のデータ長を示す4バイトデータである。 Track chunks 1 and 2 are ChunkID, ChunkSize, and DataTime_1 [i] and Event_1 [i] (in the case of track chunk 1 / lyrics part) or DeltaTime_2 [i] and Event_2 [i] (track chunk 2 / accompaniment part, respectively). Case) is composed of a performance data set (0 ≦ i ≦ L: track chunk 1 / lyrics part, 0 ≦ i ≦ M: track chunk 2 / accompaniment part). The Chunk ID is a 4-byte ASCII code "4D 54 72 6B" (numbers are hexadecimal numbers) corresponding to four single-byte characters "MTrk" indicating that it is a track chunk. The ChunkSize is 4-byte data indicating the data length of the portion of each track chunk excluding the ChunkID and the ChunkSize.
DeltaTime_1[i]は、その直前のEvent_1[i−1]の実行時刻からの待ち時間(相対時間)を示す1〜4バイトの可変長データである。同様に、DeltaTime_2[i]は、その直前のEvent_2[i−1]の実行時刻からの待ち時間(相対時間)を示す1〜4バイトの可変長データである。Event_1[i]は、トラックチャンク1/歌詞パートにおいて、歌詞の発声タイミングと音高を指示するメタイベント(タイミング情報)である。Event_2[i]は、トラックチャンク2/伴奏パートにおいて、ノートオン又はノートオフを指示するMIDIイベント、又は拍子を指示するメタイベント(タイミング情報)である。トラックチャンク1/歌詞パートに対して、各演奏データ組DeltaTime_1[i]及びEvent_1[i]において、その直前のEvent_1[i−1]の実行時刻からDeltaTime_1[i]だけ待った上でEvent_1[i]が実行されることにより、歌詞の発声進行が実現される。一方、トラックチャンク2/伴奏パートに対して、各演奏データ組DeltaTime_2[i]及びEvent_2[i]において、その直前のEvent_2[i−1]の実行時刻からDeltaTime_2[i]だけ待った上でEvent_2[i]が実行されることにより、自動伴奏の進行が実現される。 DeltaTime_1 [i] is 1 to 4 byte variable length data indicating the waiting time (relative time) from the execution time of Event_1 [i-1] immediately before that. Similarly, DeltaTime_2 [i] is 1 to 4 byte variable length data indicating the waiting time (relative time) from the execution time of Event_2 [i-1] immediately before that. Event_1 [i] is a meta event (timing information) that indicates the utterance timing and pitch of the lyrics in the track chunk 1 / lyrics part. Event_2 [i] is a MIDI event instructing note-on or note-off, or a meta event (timing information) instructing time signature in the track chunk 2 / accompaniment part. For each performance data set DeltaTime_1 [i] and Event_1 [i] for the track chunk 1 / lyrics part, after waiting for DeltaTime_1 [i] from the execution time of Event_1 [i-1] immediately before that, Event_1 [i] Is executed, the vocalization progress of the lyrics is realized. On the other hand, for the track chunk 2 / accompaniment part, in each performance data set DeltaTime_2 [i] and Event_2 [i], after waiting for the execution time of Event_2 [i-1] immediately before that, Event_2 [i] By executing i], the progress of automatic accompaniment is realized.
図7は、本実施形態における電子楽器の制御処理例を示すメインフローチャートである。この制御処理は例えば、図2のCPU201が、ROM202からRAM203にロードされた制御処理プログラムを実行する動作である。 FIG. 7 is a main flowchart showing an example of control processing of an electronic musical instrument according to the present embodiment. This control process is, for example, an operation in which the CPU 201 of FIG. 2 executes a control process program loaded from the ROM 202 into the RAM 203.
CPU201は、まず初期化処理を実行した後(ステップS701)、ステップS702からS708の一連の処理を繰り返し実行する。 The CPU 201 first executes the initialization process (step S701), and then repeatedly executes a series of processes from steps S702 to S708.
この繰返し処理において、CPU201はまず、スイッチ処理を実行する(ステップS702)。ここでは、CPU201は、図2のキースキャナ206からの割込みに基づいて、図1の第1のスイッチパネル102又は第2のスイッチパネル103のスイッチ操作に対応する処理を実行する。 In this iterative process, the CPU 201 first executes the switch process (step S702). Here, the CPU 201 executes a process corresponding to the switch operation of the first switch panel 102 or the second switch panel 103 of FIG. 1 based on the interrupt from the key scanner 206 of FIG.
次に、CPU201は、図2のキー・スキャナ206からの割込みに基づいて図1の鍵盤101の何れかの鍵が操作されたか否かを判定して処理する鍵盤処理を実行する(ステップS703)。ここでは、CPU201は、演奏者による何れかの鍵の押鍵又は離鍵の操作に応じて、図2の音源LSI204に対して、発音開始又は発音停止を指示する楽音制御データ216を出力する。 Next, the CPU 201 executes a keyboard process for determining and processing whether or not any key of the key 101 of FIG. 1 has been operated based on the interrupt from the key scanner 206 of FIG. 2 (step S703). .. Here, the CPU 201 outputs music sound control data 216 instructing the sound source LSI 204 of FIG. 2 to start or stop sounding in response to an operation of pressing or releasing any key by the performer.
次に、CPU201は、図1のLCD104に表示すべきデータを処理し、そのデータを、図2のLCDコントローラ208を介してLCD104に表示する表示処理を実行する(ステップS704)。LCD104に表示されるデータとしては、例えば演奏される歌声音声出力データ217に対応する歌詞とその歌詞に対応するメロディの楽譜や、各種設定情報がある。 Next, the CPU 201 processes data to be displayed on the LCD 104 of FIG. 1, and executes a display process of displaying the data on the LCD 104 via the LCD controller 208 of FIG. 2 (step S704). The data displayed on the LCD 104 includes, for example, the lyrics corresponding to the singing voice output data 217 to be played, the score of the melody corresponding to the lyrics, and various setting information.
次に、CPU201は、ソング再生処理を実行する(ステップS705)。この処理においては、CPU201が、演奏者の演奏に基づいて図5で説明した制御処理を実行し、歌声データ215を生成して音声合成LSI205に出力する。 Next, the CPU 201 executes the song playback process (step S705). In this process, the CPU 201 executes the control process described with reference to FIG. 5 based on the performance of the performer, generates singing voice data 215, and outputs the singing voice data 215 to the speech synthesis LSI 205.
続いて、CPU201は、音源処理を実行する(ステップS706)。音源処理において、CPU201は、音源LSI204における発音中の楽音のエンベロープ制御等の制御処理を実行する。 Subsequently, the CPU 201 executes sound source processing (step S706). In the sound source processing, the CPU 201 executes control processing such as envelope control of the musical sound being sounded in the sound source LSI 204.
続いて、CPU201は、音声合成処理を実行する(ステップS707)。音声合成処理において、CPU201は、音声合成LSI205による音声合成の実行を制御する。 Subsequently, the CPU 201 executes the speech synthesis process (step S707). In the speech synthesis process, the CPU 201 controls the execution of speech synthesis by the speech synthesis LSI 205.
最後にCPU201は、演奏者が特には図示しないパワーオフスイッチを押してパワーオフしたか否かを判定する(ステップS708)。ステップS708の判定がNOならば、CPU201は、ステップS702の処理に戻る。ステップS708の判定がYESならば、CPU201は、図7のフローチャートで示される制御処理を終了し、電子鍵盤楽器100の電源を切る。 Finally, the CPU 201 determines whether or not the performer has pressed a power-off switch (not shown) to power off (step S708). If the determination in step S708 is NO, the CPU 201 returns to the process in step S702. If the determination in step S708 is YES, the CPU 201 ends the control process shown in the flowchart of FIG. 7, and turns off the power of the electronic keyboard instrument 100.
図8(a)、(b)、及び(c)はそれぞれ、図7のステップS701の初期化処理、図7のステップS702のスイッチ処理における後述する図9のステップS902のテンポ変更処理、及び同じく図9のステップS906のソング開始処理の詳細例を示すフローチャートである。 8 (a), (b), and (c) are the initialization process of step S701 of FIG. 7, the tempo change process of step S902 of FIG. 9, which will be described later in the switch process of step S702 of FIG. 7, and the same. It is a flowchart which shows the detailed example of the song start processing of step S906 of FIG.
まず、図7のステップS701の初期化処理の詳細例を示す図8(a)において、CPU201は、TickTimeの初期化処理を実行する。本実施形態において、歌詞の進行及び自動伴奏は、TickTimeという時間を単位として進行する。図6の曲データのヘッダチャンク内のTimeDivision値として指定されるタイムベース値は4分音符の分解能を示しており、この値が例えば480ならば、4分音符は480TickTimeの時間長を有する。また、図6の曲データのトラックチャンク内の待ち時間DeltaTime_1[i]値及びDeltaTime_2[i]値も、TickTimeの時間単位によりカウントされる。ここで、1TickTimeが実際に何秒になるかは、曲データに対して指定されるテンポによって異なる。今、テンポ値をTempo[ビート/分]、上記タイムベース値をTimeDivisionとすれば、TickTimeの秒数は、次式により算出される。 First, in FIG. 8A showing a detailed example of the initialization process in step S701 of FIG. 7, the CPU 201 executes the ticktime initialization process. In the present embodiment, the progress of the lyrics and the automatic accompaniment proceed in units of time called TickTime. The timebase value specified as the TimeDivision value in the header chunk of the song data of FIG. 6 indicates the resolution of the quarter note, and if this value is, for example, 480, the quarter note has a time length of 480TickTime. Further, the waiting time DeltaTime_1 [i] value and the DeltaTime_2 [i] value in the track chunk of the song data of FIG. 6 are also counted by the time unit of TickTime. Here, how many seconds 1 Tick Time actually becomes depends on the tempo specified for the song data. If the tempo value is Tempo [beat / minute] and the time base value is Time Division, the number of seconds of Tick Time is calculated by the following equation.
TickTime[秒]=60/Tempo/TimeDivision (10) TickTime [seconds] = 60 / Tempo / TimeDivision (10)
そこで、図8(a)のフローチャートで例示される初期化処理において、CPU201はまず、上記(10)式に対応する演算処理により、TickTime[秒]を算出する(ステップS801)。なお、テンポ値Tempoは、初期状態では図2のROM202に所定の値、例えば60[ビート/秒]が記憶されているとする。或いは、不揮発性メモリに、前回終了時のテンポ値が記憶されていてもよい。 Therefore, in the initialization process exemplified in the flowchart of FIG. 8A, the CPU 201 first calculates the TickTime [seconds] by the arithmetic processing corresponding to the above equation (10) (step S801). It is assumed that a predetermined value, for example, 60 [beats / second] is stored in the ROM 202 of FIG. 2 in the initial state of the tempo value Tempo. Alternatively, the tempo value at the time of the previous end may be stored in the non-volatile memory.
次に、CPU201は、図2のタイマ210に対して、ステップS801で算出したTickTime[秒]によるタイマ割込みを設定する(ステップS802)。この結果、タイマ210において上記TickTime[秒]が経過する毎に、CPU201に対して歌詞進行及び自動伴奏のための割込み(以下「自動演奏割込み」と記載)が発生する。従って、この自動演奏割込みに基づいてCPU201で実行される自動演奏割込み処理(後述する図10)では、1TickTime毎に歌詞進行及び自動伴奏を進行させる制御処理が実行されることになる。 Next, the CPU 201 sets a timer interrupt according to the TickTime [seconds] calculated in step S801 with respect to the timer 210 of FIG. 2 (step S802). As a result, every time the TickTime [seconds] elapses in the timer 210, an interrupt for lyrics progression and automatic accompaniment (hereinafter referred to as “automatic performance interrupt”) is generated for the CPU 201. Therefore, in the automatic performance interrupt process (FIG. 10 described later) executed by the CPU 201 based on this automatic performance interrupt, the control process for advancing the lyrics progress and the automatic accompaniment is executed for each TickTime.
続いて、CPU201は、図2のRAM203の初期化等のその他初期化処理を実行する(ステップS803)。その後、CPU201は、図8(a)のフローチャートで例示される図7のステップS701の初期化処理を終了する。 Subsequently, the CPU 201 executes other initialization processing such as initialization of the RAM 203 of FIG. 2 (step S803). After that, the CPU 201 ends the initialization process of step S701 of FIG. 7 exemplified by the flowchart of FIG. 8A.
図8(b)及び(c)のフローチャートについては、後述する。図9は、図7のステップS702のスイッチ処理の詳細例を示すフローチャートである。 The flowcharts of FIGS. 8B and 8C will be described later. FIG. 9 is a flowchart showing a detailed example of the switch processing in step S702 of FIG.
CPU201はまず、図1の第1のスイッチパネル102内のテンポ変更スイッチにより歌詞進行及び自動伴奏のテンポが変更されたか否かを判定する(ステップS901)。その判定がYESならば、CPU201は、テンポ変更処理を実行する(ステップS902)。この処理の詳細は、図8(b)を用いて後述する。ステップS901の判定がNOならば、CPU201は、ステップS902の処理はスキップする。 First, the CPU 201 determines whether or not the tempo of the lyrics progression and the automatic accompaniment has been changed by the tempo change switch in the first switch panel 102 of FIG. 1 (step S901). If the determination is YES, the CPU 201 executes the tempo change process (step S902). Details of this process will be described later with reference to FIG. 8 (b). If the determination in step S901 is NO, the CPU 201 skips the process in step S902.
次に、CPU201は、図1の第2のスイッチパネル103において何れかのソング曲が選曲されたか否かを判定する(ステップS903)。その判定がYESならば、CPU201は、ソング曲読込み処理を実行する(ステップS904)。この処理は、図6で説明したデータ構造を有する曲データを、図2のROM202からRAM203に読み込む処理である。なお、ソング曲読込み処理は、演奏中でなくても、演奏開始前でもよい。これ以降、図6に例示されるデータ構造内のトラックチャンク1又は2に対するデータアクセスは、RAM203に読み込まれた曲データに対して実行される。ステップS903の判定がNOならば、CPU201は、ステップS904の処理はスキップする。 Next, the CPU 201 determines whether or not any song song has been selected on the second switch panel 103 of FIG. 1 (step S903). If the determination is YES, the CPU 201 executes the song song reading process (step S904). This process is a process of reading the music data having the data structure described in FIG. 6 from the ROM 202 of FIG. 2 into the RAM 203. The song song reading process may be performed not during the performance or before the start of the performance. From then on, data access to track chunks 1 or 2 in the data structure illustrated in FIG. 6 is performed on the song data read into RAM 203. If the determination in step S903 is NO, the CPU 201 skips the process in step S904.
続いて、CPU201は、図1の第1のスイッチパネル102においてソング開始スイッチが操作されたか否かを判定する(ステップS905)。その判定がYESならば、CPU201は、ソング開始処理を実行する(ステップS906)。この処理の詳細は、図8(c)を用いて後述する。ステップS905の判定がNOならば、CPU201は、ステップS906の処理はスキップする。 Subsequently, the CPU 201 determines whether or not the song start switch has been operated on the first switch panel 102 of FIG. 1 (step S905). If the determination is YES, the CPU 201 executes the song start process (step S906). Details of this process will be described later with reference to FIG. 8 (c). If the determination in step S905 is NO, the CPU 201 skips the process in step S906.
続いて、CPU201は、図1の第1のスイッチパネル102においてエフェクト選択スイッチが操作されたか否かを判定する(ステップS907)。その判定がYESならば、CPU201は、エフェクト選択処理を実行する(ステップS908)。ここでは、前述したように、図3の音響効果付加部320が歌声音声出力データ321の発声音声に対して音響効果を付加するときに、ビブラート効果、トレモロ効果、又はワウ効果のうちどの音響効果を付加するかを、第1のスイッチパネル102によって演奏者に選択させる。この選択の結果、CPU201は、上記音響効果のうち演奏者が選択した何れかを、音声合成LSI205内の音響効果付加部320に設定する。ステップS907の判定がNOならば、CPU201は、ステップS908の処理はスキップする。 Subsequently, the CPU 201 determines whether or not the effect selection switch has been operated on the first switch panel 102 of FIG. 1 (step S907). If the determination is YES, the CPU 201 executes the effect selection process (step S908). Here, as described above, when the sound effect addition unit 320 of FIG. 3 adds a sound effect to the uttered voice of the singing voice output data 321, which of the vibrato effect, the tremolo effect, and the wow effect is used. Is to be added by the first switch panel 102, which allows the performer to select. As a result of this selection, the CPU 201 sets any of the above sound effects selected by the performer in the sound effect addition unit 320 in the speech synthesis LSI 205. If the determination in step S907 is NO, the CPU 201 skips the process in step S908.
設定によっては、複数の効果を同時に付加するようにしてもよい。 Depending on the setting, a plurality of effects may be added at the same time.
最後に、CPU201は、図1の第1のスイッチパネル102又は第2のスイッチパネル103においてその他のスイッチが操作されたか否かを判定し、各スイッチ操作に対応する処理を実行する(ステップS909)。この処理は、演奏者が図2又は図3の音源LSI204から音声合成LSI205内の発声モデル部308に供給される発声音源用楽音出力データ220の楽器音として、少なくともブラス音、ストリング音、オルガン音、及び動物の鳴き声のいずれかを含む複数の楽器音のなかからブラス音、ストリング音、オルガン音、及び動物の鳴き声のうちのいずれかの楽器音を選択させる第2のスイッチパネル103上の音色選択スイッチ(選択操作子)に対する処理を含む。 Finally, the CPU 201 determines whether or not other switches have been operated on the first switch panel 102 or the second switch panel 103 of FIG. 1, and executes a process corresponding to each switch operation (step S909). .. In this process, at least brass sound, string sound, and organ sound are used as the musical instrument sound of the musical sound output data 220 for the vocal sound source supplied by the performer from the sound source LSI 204 of FIG. 2 or 3 to the vocal model unit 308 in the voice synthesis LSI 205. , And a tone on the second switch panel 103 that allows one of the brass, string, organ, and animal sounds to be selected from a plurality of instrument sounds, including any of the animal sounds. Includes processing for selection switches (selection controls).
その後、CPU201は、図9のフローチャートで例示される図7のステップS702のスイッチ処理を終了する。この処理は、例えば発声音源用楽音出力データ220の音色の選択や、発声音源用楽音出力データ220の所定の発音チャネルの選択のスイッチ動作を含む。 After that, the CPU 201 ends the switch process in step S702 of FIG. 7, which is illustrated in the flowchart of FIG. This process includes, for example, a switch operation of selecting a tone color of the musical tone output data 220 for a vocal sound source and selecting a predetermined sound channel of the musical tone output data 220 for a vocal sound source.
図8(b)は、図9のステップS902のテンポ変更処理の詳細例を示すフローチャートである。前述したように、テンポ値が変更されるとTickTime[秒]も変更になる。図8(b)のフローチャートでは、CPU201は、このTickTime[秒]の変更に関する制御処理を実行する。 FIG. 8B is a flowchart showing a detailed example of the tempo change process in step S902 of FIG. As mentioned above, when the tempo value is changed, the TickTime [seconds] is also changed. In the flowchart of FIG. 8B, the CPU 201 executes the control process related to the change of the TickTime [seconds].
まず、CPU201は、図7のステップS701の初期化処理で実行された図8(a)のステップS801の場合と同様にして、前述した(10)式に対応する演算処理により、TickTime[秒]を算出する(ステップS811)。なお、テンポ値Tempoは、図1の第1のスイッチパネル102内のテンポ変更スイッチにより変更された後の値がRAM203等に記憶されているものとする。 First, in the same manner as in the case of step S801 of FIG. 8A, which was executed in the initialization process of step S701 of FIG. 7, the CPU 201 is subjected to the arithmetic processing corresponding to the above-described equation (10) to TickTime [seconds]. Is calculated (step S811). It is assumed that the tempo value Tempo is stored in the RAM 203 or the like after being changed by the tempo change switch in the first switch panel 102 of FIG.
次に、CPU201は、図7のステップS701の初期化処理で実行された図8(a)のステップS802の場合と同様にして、図2のタイマ210に対して、ステップS811で算出したTickTime[秒]によるタイマ割込みを設定する(ステップS812)。その後、CPU201は、図8(b)のフローチャートで例示される図9のステップS902のテンポ変更処理を終了する。 Next, the CPU 201 applies the TickTime [calculated in step S811 to the timer 210 of FIG. 2 in the same manner as in the case of step S802 of FIG. 8A executed in the initialization process of step S701 of FIG. Seconds] sets the timer interrupt (step S812). After that, the CPU 201 ends the tempo change process of step S902 of FIG. 9 exemplified by the flowchart of FIG. 8 (b).
図8(c)は、図9のステップS906のソング開始処理の詳細例を示すフローチャートである。 FIG. 8C is a flowchart showing a detailed example of the song start process of step S906 of FIG.
まず、CPU201は、自動演奏の進行において、TickTimeを単位として、直前のイベントの発生時刻からの相対時間をカウントするためのRAM203上の変数DeltaT_1(トラックチャンク1)及びDeltaT_2(トラックチャンク2)の値を共に0に初期設定する。次に、CPU201は、図6に例示される曲データのトラックチャンク1内の演奏データ組DeltaTime_1[i]及びEvent_1[i](1≦i≦L−1)の夫々iの値を指定するためのRAM203上の変数AutoIndex_1と、同じくトラックチャンク2内の演奏データ組DeltaTime_2[i]及びEvent_2[i](1≦i≦M−1)の夫々iを指定するためのRAM203上の変数AutoIndex_2の各値を共に0に初期設定する(以上、ステップS821)。これにより、図6の例では、初期状態としてまず、トラックチャンク1内の先頭の演奏データ組DeltaTime_1[0]とEvent_1[0]、及びトラックチャンク2内の先頭の演奏データ組DeltaTime_2[0]とEvent_2[0]がそれぞれ参照される。 First, in the progress of the automatic performance, the CPU 201 sets the values of the variables DeltaT_1 (track chunk 1) and DeltaT_2 (track chunk 2) on the RAM 203 for counting the relative time from the occurrence time of the immediately preceding event in units of TickTime. Is initially set to 0 for both. Next, the CPU 201 specifies the values of i of each of the performance data sets DeltaTime_1 [i] and Event_1 [i] (1 ≦ i ≦ L-1) in the track chunk 1 of the song data illustrated in FIG. Each of the variable AutoIndex_1 on the RAM 203 and the variable AutoIndex_1 on the RAM 203 for designating i of each of the performance data sets DeltaTime_2 [i] and Event_2 [i] (1 ≦ i ≦ M-1) in the track chunk 2. Both values are initially set to 0 (above, step S821). As a result, in the example of FIG. 6, as an initial state, first, the first performance data set DeltaTime_1 [0] and Event_1 [0] in the track chunk 1, and the first performance data set DeltaTime_2 [0] in the track chunk 2 Event_1 [0] is referenced respectively.
次に、CPU201は、現在のソング位置を指示するRAM203上の変数SongIndexの値を0に初期設定する(ステップS822)。 Next, the CPU 201 initially sets the value of the variable SongIndex on the RAM 203 that indicates the current song position to 0 (step S822).
更に、CPU201は、歌詞及び伴奏の進行をするか(=1)しないか(=0)を示すRAM203上の変数SongStartの値を1(進行する)に初期設定する(ステップS823)。 Further, the CPU 201 initializes the value of the variable SongStart on the RAM 203 indicating whether the lyrics and accompaniment progress (= 1) or not (= 0) to 1 (progress) (step S823).
その後、CPU201は、演奏者が、図1の第1のスイッチパネル102により歌詞の再生に合わせて伴奏の再生を行う設定を行っているか否かを判定する(ステップS824)。 After that, the CPU 201 determines whether or not the performer has set the first switch panel 102 of FIG. 1 to reproduce the accompaniment in accordance with the reproduction of the lyrics (step S824).
ステップS824の判定がYESならば、CPU201は、RAM203上の変数Bansouの値を1(伴奏有り)に設定する(ステップS825)。逆に、ステップS824の判定がNOならば、CPU201は、変数Bansouの値を0(伴奏無し)に設定する(ステップS826)。ステップS825又はS826の処理の後、CPU201は、図8(c)のフローチャートで示される図9のステップS906のソング開始処理を終了する。 If the determination in step S824 is YES, the CPU 201 sets the value of the variable Bansou on the RAM 203 to 1 (with accompaniment) (step S825). On the contrary, if the determination in step S824 is NO, the CPU 201 sets the value of the variable Bansou to 0 (no accompaniment) (step S826). After the process of step S825 or S826, the CPU 201 ends the song start process of step S906 of FIG. 9 shown in the flowchart of FIG. 8 (c).
図13は、図2のタイマ210においてTickTime[秒]毎に発生する割込み(図8(a)のステップS802又は図8(b)のステップS812を参照)に基づいて実行される自動演奏割込み処理の詳細例を示すフローチャートである。以下の処理は、図6に例示される曲データのトラックチャンク1及び2の演奏データ組に対して実行される。 FIG. 13 shows an automatic performance interrupt process executed based on an interrupt generated every TickTime [seconds] in the timer 210 of FIG. 2 (see step S802 of FIG. 8A or step S812 of FIG. 8B). It is a flowchart which shows the detailed example of. The following processing is executed on the performance data sets of the track chunks 1 and 2 of the song data exemplified in FIG.
まず、CPU201は、トラックチャンク1に対応する一連の処理(ステップS1001からS1006)を実行する。始めにCPU201は、SongStart値が1であるか否か、即ち歌詞及び伴奏の進行が指示されているか否かを判定する(ステップS1001)。 First, the CPU 201 executes a series of processes (steps S1001 to S1006) corresponding to the track chunk 1. First, the CPU 201 determines whether or not the SongStart value is 1, that is, whether or not the progress of the lyrics and accompaniment is instructed (step S1001).
CPU201は、歌詞及び伴奏の進行が指示されていないと判定した(ステップS1001の判定がNOである)場合には、CPU201は、歌詞及び伴奏の進行は行わずに図10のフローチャートで例示される自動演奏割込み処理をそのまま終了する。 When the CPU 201 determines that the progress of the lyrics and the accompaniment is not instructed (the determination in step S1001 is NO), the CPU 201 does not proceed with the lyrics and the accompaniment, and is illustrated in the flowchart of FIG. The automatic performance interrupt processing ends as it is.
CPU201は、歌詞及び伴奏の進行が指示されていると判定した(ステップS1001の判定がYESである)場合には、トラックチャンク1に関する前回のイベントの発生時刻からの相対時刻を示すDeltaT_1値が、AutoIndex_1値が示すこれから実行しようとする演奏データ組の待ち時間DeltaTime_1[AutoIndex_1]に一致したか否かを判定する(ステップS1002)。 When the CPU 201 determines that the progress of the lyrics and the accompaniment is instructed (the determination in step S1001 is YES), the DeltaT_1 value indicating the relative time from the occurrence time of the previous event regarding the track chunk 1 is set. It is determined whether or not the waiting time DeltaTime_1 [AutoIndex_1] of the performance data set to be executed to be executed, which is indicated by the AutoIndex_1 value, is matched (step S1002).
ステップS1002の判定がNOならば、CPU201は、トラックチャック1に関して、前回のイベントの発生時刻からの相対時刻を示すDeltaT_1値を+1インクリメントさせて、今回の割込みに対応する1TickTime単位分だけ時刻を進行させる(ステップS1003)。その後、CPU201は、後述するステップS1007に移行する。 If the determination in step S1002 is NO, the CPU 201 increments the DeltaT_1 value indicating the relative time from the occurrence time of the previous event by +1 with respect to the track chuck 1, and advances the time by 1 TickTime unit corresponding to the current interrupt. (Step S1003). After that, the CPU 201 shifts to step S1007, which will be described later.
ステップS1002の判定がYESになると、CPU201は、トラックチャック1に関して、AutoIndex_1値が示す演奏データ組のイベントEvent[AutoIndex_1]を実行する(ステップS1004)。このイベントは、歌詞データを含むソングイベントである。 When the determination in step S1002 becomes YES, the CPU 201 executes the event event [AutoIndex_1] of the performance data set indicated by the AutoIndex_1 value with respect to the track chuck 1 (step S1004). This event is a song event that includes lyrics data.
続いて、CPU201は、トラックチャンク1内の次に実行すべきソングイベントの位置を示すAutoIndex_1値を、RAM203上の変数SongIndexに格納する(ステップS1004)。 Subsequently, the CPU 201 stores the AutoIndex_1 value indicating the position of the next song event to be executed in the track chunk 1 in the variable SongIndex on the RAM 203 (step S1004).
更に、CPU201は、トラックチャンク1内の演奏データ組を参照するためのAutoIndex_1値を+1インクリメントする(ステップS1005)。 Further, the CPU 201 increments the AutoIndex_1 value for referencing the performance data set in the track chunk 1 by +1 (step S1005).
また、CPU201は、トラックチャンク1に関して今回参照したソングイベントの発生時刻からの相対時刻を示すDeltaT_1値を0にリセットする(ステップS1006)。その後、CPU201は、ステップS1007の処理に移行する。 Further, the CPU 201 resets the DeltaT_1 value indicating the relative time from the occurrence time of the song event referred to this time with respect to the track chunk 1 to 0 (step S1006). After that, the CPU 201 shifts to the process of step S1007.
次に、CPU201は、トラックチャンク2に対応する一連の処理(ステップS1007からS1013)を実行する。始めにCPU201は、トラックチャンク2に関する前回のイベントの発生時刻からの相対時刻を示すDeltaT_2値が、AutoIndex_2値が示すこれから実行しようとする演奏データ組の待ち時間DeltaTime_2[AutoIndex_2]に一致したか否かを判定する(ステップS1007)。 Next, the CPU 201 executes a series of processes (steps S1007 to S1013) corresponding to the track chunk 2. First, the CPU 201 determines whether or not the DeltaT_2 value indicating the relative time from the occurrence time of the previous event regarding the track chunk 2 matches the waiting time DeltaTime_2 [AutoIndex_2] of the performance data set to be executed, which is indicated by the AutoIndex_2 value. Is determined (step S1007).
ステップS1007の判定がNOならば、CPU201は、トラックチャック2に関して、前回のイベントの発生時刻からの相対時刻を示すDeltaT_2値を+1インクリメントさせて、今回の割込みに対応する1TickTime単位分だけ時刻を進行させる(ステップS1008)。その後、CPU201は、図10のフローチャートで示される自動演奏割込み処理を終了する。 If the determination in step S1007 is NO, the CPU 201 increments the DeltaT_2 value indicating the relative time from the occurrence time of the previous event by +1 with respect to the track chuck 2, and advances the time by 1 TickTime unit corresponding to the current interrupt. (Step S1008). After that, the CPU 201 ends the automatic performance interrupt process shown in the flowchart of FIG.
ステップS1007の判定がYESならば、CPU201は、伴奏再生を指示するRAM203上の変数Bansouの値が1(伴奏有り)であるか否かを判定する(ステップS1009)(図8(c)のステップS824からS826を参照)。 If the determination in step S1007 is YES, the CPU 201 determines whether or not the value of the variable Bansou on the RAM 203 instructing accompaniment reproduction is 1 (with accompaniment) (step S1009) (step 8 (c)). (See S824 to S826).
ステップS1009の判定がYESならば、CPU201は、AutoIndex_2値が示すトラックチャック2に関する伴奏に関するイベントEvent_2[AutoIndex_2]を実行する(ステップS1010)。ここで実行されるイベントEvent_2[AutoIndex_2]が、例えばノートオンイベントであれば、そのノートオンイベントにより指定されるキーナンバー及びベロシティにより、図2の音源LSI204に対して伴奏用の楽音の発音命令が発行される。一方、イベントEvent_2[AutoIndex_2]が、例えばノートオフイベントであれば、そのノートオフイベントにより指定されるキーナンバー及びベロシティにより、図2の音源LSI204に対して発音中の伴奏用の楽音の消音命令が発行される。 If the determination in step S1009 is YES, the CPU 201 executes the event Event_2 [AutoIndex_2] relating to the accompaniment related to the track chuck 2 indicated by the AutoIndex_2 value (step S1010). If the event Event_2 [AutoIndex_2] executed here is, for example, a note-on event, an accompaniment musical tone sounding command is issued to the sound source LSI 204 of FIG. 2 according to the key number and velocity specified by the note-on event. publish. On the other hand, if the event Event_2 [AutoIndex_2] is, for example, a note-off event, a mute command for the accompaniment musical tone being sounded to the sound source LSI 204 of FIG. 2 is issued according to the key number and velocity specified by the note-off event. publish.
一方、ステップS1009の判定がNOならば、CPU201は、ステップS1010をスキップすることにより、今回の伴奏に関するイベントEvent_2[AutoIndex_2]は実行せずに、歌詞に同期した進行のために、次のステップS1011の処理に進んで、イベントを進める制御処理のみを実行する。 On the other hand, if the determination in step S1009 is NO, the CPU 201 skips step S1010, so that the event Event_2 [AutoIndex_2] related to this accompaniment is not executed, and the progress is synchronized with the lyrics, so that the next step S1011 Proceed to the process of, and execute only the control process that advances the event.
ステップS1010の後又はステップS1009の判定がNOの場合に、CPU201は、トラックチャンク2上の伴奏データのための演奏データ組を参照するためのAutoIndex_2値を+1インクリメントする(ステップS1011)。 After step S1010 or when the determination in step S1009 is NO, the CPU 201 increments the AutoIndex_2 value for referencing the performance data set for accompaniment data on track chunk 2 by +1 (step S1011).
また、CPU201は、トラックチャンク2に関して今回実行したイベントの発生時刻からの相対時刻を示すDeltaT_2値を0にリセットする(ステップS1012)。 Further, the CPU 201 resets the DeltaT_2 value indicating the relative time from the occurrence time of the event executed this time with respect to the track chunk 2 to 0 (step S1012).
そして、CPU201は、AutoIndex_2値が示す次に実行されるトラックチャンク2上の演奏データ組の待ち時間DeltaTime_2[AutoIndex_2]が0であるか否か、即ち、今回のイベントと同時に実行されるイベントであるか否かを判定する(ステップS1013)。 Then, the CPU 201 is whether or not the waiting time DeltaTime_2 [AutoIndex_2] of the performance data set on the next executed track chunk 2 indicated by the AutoIndex_2 value is 0, that is, an event executed at the same time as this event. Whether or not it is determined (step S1013).
ステップS1013の判定がNOならば、CPU201は、図10のフローチャートで示される今回の自動演奏割込み処理を終了する。 If the determination in step S1013 is NO, the CPU 201 ends the current automatic performance interrupt process shown in the flowchart of FIG.
ステップS1013の判定がYESならば、CPU201は、ステップS1009に戻って、AutoIndex_2値が示すトラックチャンク2上で次に実行される演奏データ組のイベントEvent_2[AutoIndex_2]に関する制御処理を繰り返す。CPU201は、今回同時に実行される回数分だけ、ステップS1009からS1013の処理を繰り返し実行する。以上の処理シーケンスは、例えば和音等のように複数のノートオンイベントが同時タイミングで発音されるような場合に実行される。 If the determination in step S1013 is YES, the CPU 201 returns to step S1009 and repeats the control process relating to the event Event_2 [AutoIndex_2] of the performance data set to be executed next on the track chunk 2 indicated by the AutoIndex_2 value. The CPU 201 repeatedly executes the processes of steps S1009 to S1013 as many times as the number of times it is executed simultaneously this time. The above processing sequence is executed when a plurality of note-on events are sounded at the same timing, such as a chord.
図11は、図7のステップS705のソング再生処理の詳細例を示すフローチャートである。 FIG. 11 is a flowchart showing a detailed example of the song reproduction process of step S705 of FIG.
まずCPU201は、図10の自動演奏割込み処理におけるステップS1004で、RAM203上の変数SongIndexに、値がセットされてNull値でなくなっているか否かを判定する(ステップS1101)。このSongIndex値は、現在のタイミングが歌声の再生タイミングになっているか否かを示すものである。 First, the CPU 201 determines in step S1004 in the automatic performance interrupt process of FIG. 10 whether or not a value is set in the variable SongIndex on the RAM 203 and is no longer a Null value (step S1101). This SongIndex value indicates whether or not the current timing is the reproduction timing of the singing voice.
ステップS1101の判定がYESになった、即ち現時点がソング再生のタイミングになったら、CPU201は、図7のステップS703の鍵盤処理により演奏者による図1の鍵盤101上で新たな押鍵が検出されているか否かを判定する(ステップS1102)。 When the determination in step S1101 becomes YES, that is, when the current time is the timing for playing the song, the CPU 201 detects a new key pressed by the performer on the keyboard 101 in FIG. 1 by the keyboard processing in step S703 in FIG. It is determined whether or not (step S1102).
ステップS1102の判定がYESならば、CPU201は、演奏者による押鍵により指定された音高を、発声音高として特には図示しないレジスタ又はRAM203上の変数にセットする(ステップS1103)。 If the determination in step S1102 is YES, the CPU 201 sets the pitch specified by the key press by the performer in a register (not particularly shown) or a variable on the RAM 203 as the vocal pitch (step S1103).
次に、CPU201は、ステップS1103で設定された押鍵に基づく音高がセットされた発声音高で図9のステップS909で予め設定されている楽音の音色と所定の発音チャネルで楽音を発音させるためのノートオンデータを生成し、音源LSI204に対して楽音の発音処理を指示する(ステップS1105)。音源LSI204は、CPU201から指定された所定の音色の所定の発音チャネル分の楽音信号を生成、発声音源用楽音出力データ220として、音声合成LSI205内のボコーダモードスイッチ320を介して合成フィルタ部310に入力させる。 Next, the CPU 201 causes the CPU 201 to produce a musical tone with the tone color of the musical tone preset in step S909 of FIG. 9 and a predetermined musical tone channel with the vocal pitch set based on the key press set in step S1103. Note-on data for this is generated, and the sound source LSI 204 is instructed to perform musical tone sounding processing (step S1105). The sound source LSI 204 generates a musical sound signal for a predetermined sound channel of a predetermined tone color specified by the CPU 201, and uses the vocoder mode switch 320 in the voice synthesis LSI 205 as the musical sound output data 220 for the vocal sound source to the synthesis filter unit 310. Let me enter.
続いて、CPU201は、RAM203上の変数SongIndexが示すRAM203上の曲データのトラックチャンク1上のソングイベントEvent_1[SongIndex]から、歌詞文字列を読み出す。CPU201は、読み出した歌詞文字列に対応する歌声音声出力データ321を、ステップS1103で設定された押鍵に基づく音高がセットされた発声音高で発声させるための歌声データ215を生成し、音声合成LSI205に対して発声処理を指示する(ステップS1105)。音声合成LSI205は、図3から図5を用いて説明した統計的音声合成処理の第1の実施形態又は第2の実施形態を実行することにより、RAM203から曲データとして指定される歌詞を、演奏者が鍵盤101上で押鍵した鍵の音高にリアルタイムに対応して歌う歌声音声出力データ321を合成して出力する。 Subsequently, the CPU 201 reads the lyrics character string from the song event Event_1 [SongIndex] on the track chunk 1 of the song data on the RAM 203 indicated by the variable SongIndex on the RAM 203. The CPU 201 generates singing voice data 215 for uttering the singing voice output data 321 corresponding to the read lyrics character string at the utterance sound pitch set based on the key press set in step S1103, and produces the voice. Instruct the synthesis LSI 205 to perform vocalization processing (step S1105). The voice synthesis LSI 205 plays the lyrics designated as song data from the RAM 203 by executing the first embodiment or the second embodiment of the statistical voice synthesis processing described with reference to FIGS. 3 to 5. The singing voice voice output data 321 that the person sings in real time corresponding to the pitch of the key pressed on the keyboard 101 is synthesized and output.
この結果、演奏者の鍵盤101(図1)での演奏に基づいて音源LSI204が生成、出力する発声音源用楽音出力データ220が、音響モデル部306から入力するスペクトル情報318に基づいて動作する合成フィルタ部310に入力して、ポリフォニック動作で合成フィルタ部310から歌声音声出力データ321が出力される。 As a result, the musical sound output data 220 for the vocal sound source generated and output by the sound source LSI 204 based on the performance on the player's keyboard 101 (FIG. 1) operates based on the spectrum information 318 input from the acoustic model unit 306. It is input to the filter unit 310, and the singing voice audio output data 321 is output from the synthetic filter unit 310 in a polyphonic operation.
一方、ステップS1101の判定により現時点がソング再生のタイミングになったと判定されると共に、ステップS1102の判定がNO、即ち現時点で新規押鍵が検出されていないと判定された場合には、CPU201は、RAM203上の変数SongIndexが示すRAM203上の曲データのトラックチャンク1上のソングイベントEvent_1[SongIndex]から音高のデータを読み出し、この音高を発声音高として特には図示しないレジスタ又はRAM203上の変数にセットする(ステップS1104)。 On the other hand, if it is determined by the determination in step S1101 that the current time is the timing for playing the song, and the determination in step S1102 is NO, that is, it is determined that no new key press has been detected at the present time, the CPU 201 determines. Variables on RAM203 Read pitch data from song event Event_1 [SongIndex] on track chunk 1 of song data on RAM203 indicated by SongIndex, and use this pitch as the vocal pitch in a register not shown or a variable on RAM203. (Step S1104).
その後、CPU201は、前述したステップS1105以降の処理を実行することにより、音声合成LSI205に対して歌声音声出力データ321の発声処理を指示する(ステップS1105、S1106)。音声合成LSI205は、図3から図5を用いて説明した統計的音声合成処理の第1の実施形態又は第2の実施形態を実行することにより、演奏者が鍵盤101上でいずれの鍵も押鍵していなくても、RAM203から曲データとして指定される歌詞を、同じく曲データとしてデフォルト指定されている音高に対応して歌う歌声音声出力データ321を合成して出力する。 After that, the CPU 201 instructs the voice synthesis LSI 205 to perform the utterance processing of the singing voice output data 321 by executing the processing after step S1105 described above (steps S1105 and S1106). In the speech synthesis LSI 205, the performer presses any key on the keyboard 101 by executing the first embodiment or the second embodiment of the statistical speech synthesis process described with reference to FIGS. 3 to 5. Even if the key is not used, the lyrics designated as song data from RAM 203 are combined and output as singing voice voice output data 321 that sings corresponding to the pitch designated as song data by default.
ステップS1105の処理の後、CPU201は、RAM203上の変数SongIndexが示す再生を行ったソング位置を、RAM203上の変数SongIndex_preに記憶させる(ステップS1107)。 After the process of step S1105, the CPU 201 stores the reproduced song position indicated by the variable SongIndex on the RAM 203 in the variable SongIndex_pre on the RAM 203 (step S1107).
更に、CPU201は、変数SongIndexの値をNull値にクリアして、これ以降のタイミングをソング再生のタイミングでない状態にする(ステップS1108)。その後、CPU201は、図11のフローチャートで示される図7のステップS705のソング再生処理を終了する。 Further, the CPU 201 clears the value of the variable SongIndex to the Null value, and sets the timing after that to a state other than the timing of song playback (step S1108). After that, the CPU 201 ends the song reproduction process of step S705 of FIG. 7 shown in the flowchart of FIG.
前述したステップS1101の判定がNOである、即ち現時点がソング再生のタイミングではないときには、CPU201は、図7のステップS703の鍵盤処理により演奏者による図1の鍵盤101上で効果付加のための「いわゆるレガート奏法」が検出されているか否かを判定する(ステップS1109)。前述したように、このレガート奏法は、例えば、ステップS1102でソング再生のための第1鍵が押鍵されている状態で、他の第2鍵を繰り返し連打する奏法である。この場合、CPU201は、ステップS11080において、第2鍵の押鍵を検出したときに、その押鍵の繰返し速度が所定の速度以上であるときに、レガート奏法が実行されていると判定する。 When the determination in step S1101 described above is NO, that is, when the current time is not the timing of song playback, the CPU 201 performs the keyboard processing in step S703 in FIG. 7 to add an effect on the keyboard 101 in FIG. It is determined whether or not the so-called legato playing method is detected (step S1109). As described above, this legato playing method is, for example, a playing method in which the other second key is repeatedly hit while the first key for song reproduction is pressed in step S1102. In this case, when the CPU 201 detects the pressing of the second key in step S11080, the CPU 201 determines that the legato playing method is being executed when the repetition rate of the pressing is equal to or higher than a predetermined speed.
ステップS1109の判定がNOならば、CPU201はそのまま、図11のフローチャートで示される図7のステップS705のソング再生処理を終了する。 If the determination in step S1109 is NO, the CPU 201 as it is ends the song reproduction process of step S705 of FIG. 7 shown in the flowchart of FIG.
ステップS1109の判定がYESの場合には、CPU201は、ステップS1103で設定されている発声音高と、「いわゆるレガート奏法」により図1の鍵盤101上で繰り返し連打されている鍵の音高との音高差を計算する(ステップS1110)。 If the determination in step S1109 is YES, the CPU 201 determines the pitch of the vocalized sound set in step S1103 and the pitch of the key repeatedly hit on the keyboard 101 of FIG. 1 by the "so-called legato playing method". The pitch difference is calculated (step S1110).
続いて、CPU201は、ステップS1109で計算した音高差に応じたエフェクト量を、図2の音声合成LSI205内の音響効果付加部320(図3)に設定する(ステップS1111)。この結果、音響効果付加部320は、音声合成部302内の合成フィルタ部310かから出力される歌声音声出力データ321に対して、図9のステップS908で選択された音響効果の付加処理を上記エフェクト量で実行し、最終的な歌声音声出力データ217(図2、図3)を出力する。 Subsequently, the CPU 201 sets the effect amount according to the pitch difference calculated in step S1109 to the sound effect addition unit 320 (FIG. 3) in the voice synthesis LSI 205 of FIG. 2 (step S1111). As a result, the sound effect addition unit 320 performs the addition processing of the sound effect selected in step S908 of FIG. 9 on the singing voice voice output data 321 output from the synthesis filter unit 310 in the voice synthesis unit 302. It is executed with the amount of effect, and the final singing voice voice output data 217 (FIGS. 2 and 3) is output.
以上のステップS1110とステップS1111の処理により、音声合成部302から出力される歌声音声出力データ321に対して、ビブラート効果、トレモロ効果、又はワウ効果などの音響効果を付加することが可能となり、多彩な歌声表現が実現される。 By the processing of steps S1110 and S1111 described above, it is possible to add sound effects such as a vibrato effect, a tremolo effect, or a wow effect to the singing voice output data 321 output from the voice synthesis unit 302. Singing voice expression is realized.
ステップS1109の処理の後、CPU201は、図11のフローチャートで示される図7のステップS705のソング再生処理を終了する。 After the process of step S1109, the CPU 201 ends the song reproduction process of step S705 of FIG. 7 shown in the flowchart of FIG.
図3及び図4を用いて説明したHMM音響モデルを採用した統計的音声合成処理の第1の実施形態では、特定の歌い手や歌唱スタイルなどの微妙な音楽表現を再現することが可能となり、接続歪みのない滑らかな歌声音質を実現することが可能となる。更に、学習結果315(モデルパラメータ)の変換により、別の歌い手への適応や、多様な声質や感情を表現することが可能となる。更に、HMM音響モデルにおける全てのモデルパラメータを、学習用歌声データ311及び学習用歌声音声データ312からから自働学習できることにより、特定の歌い手の特徴をHMM音響モデルとして獲得し、合成時にそれらの特徴を再現するような歌声合成システムを自動的に構築することが可能となる。歌声の基本周波数や長さは楽譜のメロディやテンポに従うものであり、ピッチの時間変化やリズムの時間構造を楽譜から一意に定めることもできるが、そこから合成される歌声は単調で機械的なものになり,歌声としての魅力に欠けるものである。実際の歌声には,楽譜通りの画一化されたものだけではなく,声質のほかに声の高さやそれらの時間的な構造の変化により、それぞれの歌い手独自のスタイルが存在している。HMM音響モデルを採用する統計的音声合成処理の第1の実施形態では、歌声におけるスペクトル情報とピッチ情報の時系列変化をコンテキストに基づいてモデル化することができ、さらに楽譜情報を考慮することで、実際の歌声により近い歌声再生が可能となる。更に、統計的音声合成処理の第1の実施形態で採用されるHMM音響モデルは、あるメロディに沿った歌詞を発声する際、歌い手の声帯の振動や声道特性における歌声の音響特徴量系列がどのような時間変化をしながら発声されるか、という生成モデルに相当する。更に、統計的音声合成処理の第1の実施形態において、音符と歌声の「ずれ」のコンテキストを含むHMM音響モデルを用いることにより、歌い手の発声特性に依存して複雑に変化する傾向を有する歌唱法を正確に再現できる歌声音声の合成が実現される。このようなHMM音響モデルを採用する統計的音声合成処理の第1の実施形態の技術が、例えば電子鍵盤楽器100によるリアルタイム演奏の技術と融合されることにより、素片合成方式等による従来の電子楽器では不可能であった、モデルとなる歌い手の歌唱法及び声質を正確に反映させることのでき、まるでその歌い手が実際に歌っているような歌声の演奏を、電子鍵盤楽器100の鍵盤演奏等に合わせて、実現することが可能となる。 In the first embodiment of the statistical speech synthesis processing using the HMM acoustic model described with reference to FIGS. 3 and 4, it is possible to reproduce a subtle musical expression such as a specific singer or singing style, and the connection is made. It is possible to realize smooth singing voice sound quality without distortion. Furthermore, by converting the learning result 315 (model parameter), it becomes possible to adapt to another singer and express various voice qualities and emotions. Furthermore, by being able to automatically learn all the model parameters in the HMM acoustic model from the learning singing voice data 311 and the learning singing voice data 312, the characteristics of a specific singer are acquired as the HMM acoustic model, and those characteristics are acquired at the time of synthesis. It is possible to automatically construct a singing voice synthesis system that reproduces. The fundamental frequency and length of the singing voice follow the melody and tempo of the score, and the time structure of the pitch and rhythm can be uniquely determined from the score, but the singing voice synthesized from it is monotonous and mechanical. It becomes a thing and lacks the charm as a singing voice. The actual singing voice is not limited to the standardized one according to the score, but each singer has his or her own style due to changes in the pitch of the voice and their temporal structure in addition to the voice quality. In the first embodiment of the statistical speech synthesis process that employs the HMM acoustic model, the time-series changes of the spectral information and the pitch information in the singing voice can be modeled based on the context, and by further considering the musical score information. , It is possible to reproduce the singing voice closer to the actual singing voice. Further, in the HMM acoustic model adopted in the first embodiment of the statistical speech synthesis processing, when uttering lyrics along a certain melody, the acoustic feature sequence of the singing voice in the vibration of the vocal cords of the singer and the vocal tract characteristics It corresponds to the generation model of what kind of time change the voice is uttered. Further, in the first embodiment of the statistical speech synthesis process, by using an HMM acoustic model including the context of "deviation" between the note and the singing voice, the singing tends to change in a complicated manner depending on the vocal characteristics of the singer. Singing voice synthesis that can accurately reproduce the method is realized. By fusing the technique of the first embodiment of the statistical voice synthesis processing adopting such an HMM acoustic model with, for example, the technique of real-time performance by the electronic keyboard instrument 100, a conventional electron by a element piece synthesis method or the like can be used. It is possible to accurately reflect the singing method and voice quality of the model singer, which was not possible with musical instruments, and the performance of the singing voice as if the singer was actually singing, the keyboard performance of the electronic keyboard instrument 100, etc. It will be possible to realize it according to.
図3及び図5を用いて説明したDNN音響モデルを採用した統計的音声合成処理の第2の実施形態では、言語特徴量系列と音響特徴量系列の関係の表現として、統計的音声合成処理の第1の実施形態における決定木に基づくコンテキストに依存したHMM音響モデルが、DNNに置き換えられる。これにより、決定木では表現することが困難な複雑な非線形変換関数によって言語特徴量系列と音響特徴量系列の関係を表現することが可能となる。また、決定木に基づくコンテキストに依存したHMM音響モデルでは、決定木に基づいて対応する学習データも分類されるため、各コンテキストに依存したHMM音響モデルに割り当てられる学習データが減少してしまう。これに対し、DNN音響モデルでは学習データ全体から単一のDNNを学習するため、学習データを効率良く利用することが可能となる。このため、DNN音響モデルはHMM音響モデルよりも高精度に音響特徴量を予測することが可能となり、合成音声の自然性を大幅に改善することが可能となる。更に、DNN音響モデルでは、フレームに関する言語特徴量系列を利用可能することが可能となる。即ち、DNN音響モデルでは、予め音響特徴量系列と言語特徴量系列の時間的な対応関係が決められるため、HMM音響モデルでは考慮することが困難であった「現在の音素の継続フレーム数」、「現在のフレームの音素内位置」などのフレームに関する言語特徴量を利用することが可能となる。これにより、フレームに関する言語特徴量を用いることで、より詳細な特徴をモデル化することが可能となり,合成音声の自然性を改善することが可能となる。このようなDNN音響モデルを採用する統計的音声合成処理の第2の実施形態の技術が、例えば電子鍵盤楽器100によるリアルタイム演奏の技術と融合されることにより、鍵盤演奏等に基づく歌声の演奏を、モデルとなる歌い手の歌唱法及び声質に更に自然に近づけることが可能となる。 In the second embodiment of the statistical speech synthesis process adopting the DNN acoustic model described with reference to FIGS. 3 and 5, the statistical speech synthesis process is expressed as an expression of the relationship between the language feature sequence and the acoustic feature sequence. The context-dependent HMM acoustic model based on the decision tree in the first embodiment is replaced by DNN. This makes it possible to express the relationship between the linguistic feature series and the acoustic feature series by a complicated nonlinear conversion function that is difficult to express with a decision tree. Further, in the context-dependent HMM acoustic model based on the decision tree, the corresponding learning data is also classified based on the decision tree, so that the learning data assigned to the HMM acoustic model depending on each context is reduced. On the other hand, in the DNN acoustic model, a single DNN is learned from the entire training data, so that the training data can be used efficiently. Therefore, the DNN acoustic model can predict the acoustic features with higher accuracy than the HMM acoustic model, and the naturalness of the synthesized speech can be significantly improved. Further, in the DNN acoustic model, it becomes possible to use a language feature sequence related to a frame. That is, in the DNN acoustic model, the temporal correspondence between the acoustic feature series and the language feature series is determined in advance, so that it was difficult to consider in the HMM acoustic model, "the current number of continuous phoneme frames". It is possible to use language features related to frames such as "the position in the phoneme of the current frame". This makes it possible to model more detailed features by using the linguistic features related to the frame, and it is possible to improve the naturalness of the synthetic speech. By fusing the technique of the second embodiment of the statistical voice synthesis processing adopting such a DNN acoustic model with the technique of real-time performance by the electronic keyboard instrument 100, for example, the performance of the singing voice based on the keyboard performance or the like can be performed. , It becomes possible to get closer to the singing method and voice quality of the model singer more naturally.
以上説明した実施形態では、音声合成方式として統計的音声合成処理の技術を採用することにより、従来の素片合成方式に比較して格段に少ないメモリ容量を実現することが可能となる。例えば、素片合成方式の電子楽器では、音声素片データのために数百メガバイトに及ぶ記憶容量を有するメモリが必要であったが、本実施形態では、図3の学習結果315のモデルパラメータを記憶させるために、わずか数メガバイトの記憶容量を有するメモリのみで済む。このため、より低価格の電子楽器を実現することが可能となり、高音質の歌声演奏システムをより広いユーザ層に利用してもらうことが可能となる。 In the embodiment described above, by adopting the technique of statistical voice synthesis processing as the voice synthesis method, it is possible to realize a much smaller memory capacity as compared with the conventional element piece synthesis method. For example, an electronic musical instrument of the elemental composition method requires a memory having a storage capacity of several hundred megabytes for audio elemental data, but in the present embodiment, the model parameter of the learning result 315 of FIG. 3 is used. Only a memory with a storage capacity of only a few megabytes is required for storage. Therefore, it is possible to realize a lower-priced electronic musical instrument, and it is possible to have a wider user group use the high-quality singing voice performance system.
更に、従来の素片データ方式では、素片データの人手による調整が必要なため、歌声演奏のためのデータの作成に膨大な時間(年単位)と労力を必要としていたが、本実施形態によるHMM音響モデル又はDNN音響モデルのための学習結果315のモデルパラメータの作成では、データの調整がほとんど必要ないため、数分の一の作成時間と労力で済む。これによっても、より低価格の電子楽器を実現することが可能となる。また、一般ユーザが、クラウドサービスとして利用可能なサーバコンピュータ300や或いは音声合成LSI205に内蔵された学習機能を使って、自分の声、家族の声、或いは有名人の声等を学習させ、それをモデル音声として電子楽器で歌声演奏させることも可能となる。この場合にも、従来よりも格段に自然で高音質な歌声演奏を、より低価格の電子楽器として実現することが可能となる。 Further, in the conventional element data method, since the element data needs to be manually adjusted, it takes a huge amount of time (yearly) and labor to create the data for singing voice performance. However, according to this embodiment. Creating the model parameters of the training result 315 for the HMM acoustic model or the DNN acoustic model requires only a fraction of the creation time and effort because data adjustment is rarely required. This also makes it possible to realize a lower-priced electronic musical instrument. In addition, a general user learns his / her own voice, family voice, celebrity voice, etc. by using the learning function built in the server computer 300 or the voice synthesis LSI 205 that can be used as a cloud service, and models it. It is also possible to play a singing voice with an electronic musical instrument as voice. In this case as well, it is possible to realize a singing voice performance that is much more natural and has higher sound quality than before as a lower-priced electronic musical instrument.
本実施形態では特に、音源LSI204で生成された楽器音の発声音源用楽音出力データ220を音源信号とするため、音源LSI204で設定された楽器音の雰囲気が良く残ると共に、歌い手の歌声の声質も良く残った歌声となり、効果的な歌声音声出力データ217を出力させることが可能となる。更に、ポリフォニック動作が可能であるため、複数の歌声がハモるような効果を奏することも可能となる。これにより、演奏者に指定される各音高に基づいて学習された歌い手の歌声に応じた歌声で良好に歌う電子楽器を提供することが可能となる。 In this embodiment, in particular, since the musical sound output data 220 for the vocal sound source of the musical instrument sound generated by the sound source LSI 204 is used as the sound source signal, the atmosphere of the musical instrument sound set by the sound source LSI 204 remains well, and the voice quality of the singer's singing voice is also improved. It becomes a well-remaining singing voice, and it becomes possible to output effective singing voice sound output data 217. Further, since the polyphonic operation is possible, it is possible to produce an effect in which a plurality of singing voices are harmonized. This makes it possible to provide an electronic musical instrument that sings well with a singing voice corresponding to the singing voice of the singer learned based on each pitch designated by the performer.
以上説明した実施形態は、電子鍵盤楽器について本発明を実施したものであるが、本発明は電子弦楽器等他の電子楽器にも適用することができる。 Although the embodiment described above is an embodiment of the present invention for an electronic keyboard instrument, the present invention can also be applied to other electronic musical instruments such as electronic stringed instruments.
また、図3の発声モデル部308として採用可能な音声合成方式は、ケプストラム音声合成方式には限定されず、LSP音声合成方式をはじめとして様々な音声合成方式を採用することが可能である。 Further, the speech synthesis method that can be adopted as the vocal model unit 308 of FIG. 3 is not limited to the cepstrum speech synthesis method, and various speech synthesis methods including the LSP speech synthesis method can be adopted.
更に、以上説明した実施形態では、HMM音響モデルを用いた統計的音声合成処理の第1の実施形態又はDNN音響モデルを用いた遠後の第2の実施形態の音声合成方式について説明したが、本発明はこれに限られるものではなく、例えばHMMとDNNを組み合わせた音響モデル等、統計的音声合成処理を用いた技術であればどのような音声合成方式が採用されてもよい。 Further, in the embodiment described above, the speech synthesis method of the first embodiment of the statistical speech synthesis processing using the HMM acoustic model or the second embodiment after a long time using the DNN acoustic model has been described. The present invention is not limited to this, and any speech synthesis method may be adopted as long as it is a technique using statistical speech synthesis processing such as an acoustic model combining HMM and DNN.
以上説明した実施形態では、歌詞情報は曲データとして与えられたが、演奏者がリアルタイムに歌う内容を音声認識して得られるテキストデータが歌詞情報としてリアルタイムに与えられてもよい。 In the embodiment described above, the lyrics information is given as song data, but text data obtained by voice recognition of the content sung by the performer in real time may be given as lyrics information in real time.
以上の実施形態に関して、更に以下の付記を開示する。
(付記1)
各音高情報がそれぞれ対応付けられている複数の操作子と、
学習用歌詞情報及び学習用音高情報を含む学習用楽譜データと、歌い手の学習用歌声データと、を用いた機械学習処理により学習させた学習済み音響モデルであって、歌わせる歌詞情報と、音高情報と、を入力することにより、前記歌い手の声道をモデル化したスペクトル情報を出力する学習済み音響モデルを記憶しているメモリと、
プロセッサと、
を含み、
前記プロセッサは、前記複数の操作子のなかのいずれかの操作子への操作に応じて、前記学習済み音響モデルに対して、前記歌詞情報と、前記いずれかの操作子に対応付けられている音高情報と、を入力するとともに、前記入力に応じて前記学習済み音響モデルが出力した前記スペクトル情報と、前記いずれかの操作子に対応付けられている音高情報に応じた楽器音波形データと、に基づいて前記歌い手の歌声を推論した第1楽器音使用推論歌声データを出力する楽器音使用推論歌声データ出力処理、
を実行する電子楽器。
(付記2)
付記1に記載の電子楽器において、
少なくともブラス音、ストリング音、オルガン音、及び動物の鳴き声のいずれかを含む複数の楽器音のなかから前記ブラス音、前記ストリング音、前記オルガン音、及び前記動物の鳴き声のうちのいずれかの楽器音を選択させる選択操作子、
を有し、
前記楽器音使用推論歌声データ出力処理は、前記選択操作子により選択された楽器音に応じた前記楽器音波形データに基づいて、前記第1楽器音使用推論歌声データを出力する。
(付記3)
付記1または付記2に記載の電子楽器において、
前記メモリは、メロディデータと、自動演奏させる伴奏データと、を有する曲データを記憶しており、
前記メロディデータは、各音高情報と、前記各音高情報に応じた音を出力する各タイミング情報と、前記各音高情報に対応付けられている各歌詞情報と、を含み、
前記プロセッサは、
前記伴奏データに基づいて発音部に発音させる伴奏データ自動演奏処理と、
前記学習済み音響モデルに対して、操作された前記いずれかの操作子に対応付けられている音高情報を入力する代わりに、前記メロディデータに含まれる音高情報を入力するとともに、前記メロディデータに含まれる歌詞情報を入力する入力処理と、(*入力するタイミングは、演奏中でなくても、演奏開始前でもよいことを明細書中に含めてください)
を実行し、
前記楽器音使用推論歌声データ出力処理は、前記メロディデータに含まれるタイミング情報が示すタイミングに応じて前記複数の操作子のなかのいずれの操作子も演奏者に操作されなかった場合に、前記入力処理に応じて前記学習済み音響モデルから出力された前記スペクトル情報と、前記入力処理により入力された前記メロディデータに含まれる音高情報に応じた前記楽器音波形データと、に基づいて、前記歌い手の歌声を推論した第2楽器音使用推論歌声データを、前記メロディデータに含まれるタイミング情報が示すタイミングに合わせて出力する。
(付記4)
付記1から付記3のいずれかに記載の電子楽器において、
前記複数の操作子は、操作された前記いずれかの操作子としての第1操作子と、前記第1操作子からみて設定された条件を満たす第2操作子と、を含み、
前記楽器音使用推論歌声データ出力処理により前記第1楽器音使用推論歌声データが出力されている際に、前記第1操作子への操作が継続している状態で前記第2操作子が繰り返し操作された場合に、前記第1楽器音使用推論歌声データに対して少なくともビブラート、トレモロ及びワウワウのいずれかのエフェクトをかけるエフェクト処理、
を実行する。
(付記5)
付記4に記載の電子楽器において、
前記エフェクト処理は、前記第1操作子に対応付けられている音高情報が示す第1音高と、前記第2操作子に対応付けられている音高情報が示す第2音高と、の音高差に応じて前記エフェクトの程度を変更している。
(付記6)
付記4または5に記載の電子楽器において、
前記第2操作子は、黒鍵である。
(付記7)
各音高情報がそれぞれ対応付けられている複数の操作子と、
学習用歌詞情報及び学習用音高情報を含む学習用楽譜データと、歌い手の学習用歌声データと、を用いた機械学習処理により学習させた学習済み音響モデルであって、歌わせる歌詞情報と、音高情報と、を入力することにより、前記歌い手の声道をモデル化したスペクトル情報を出力する学習済み音響モデルを記憶しているメモリと、
を含む電子楽器のコンピュータに、
前記複数の操作子のなかのいずれかの操作子への操作に応じて、前記学習済み音響モデルに対して、前記歌詞情報と、前記いずれかの操作子に対応付けられている音高情報と、を入力するとともに、前記入力に応じて前記学習済み音響モデルが出力した前記スペクトル情報と、前記いずれかの操作子に対応付けられている音高情報に応じた楽器音波形データと、に基づいて前記歌い手の歌声を推論した第1楽器音使用推論歌声データを出力する楽器音使用推論歌声データ出力処理、
を実行させる方法。
(付記8)
学習用歌詞情報及び学習用音高情報を含む学習用楽譜データと、歌い手の学習用歌声データと、を用いた機械学習処理により学習させた学習済み音響モデルであって、歌わせる歌詞情報と、音高情報と、を入力することにより、前記歌い手の声道をモデル化したスペクトル情報を出力する学習済み音響モデルを記憶しているメモリと、
を含む電子楽器のコンピュータに、
前記複数の操作子のなかのいずれかの操作子への操作に応じて、前記学習済み音響モデルに対して、前記歌詞情報と、前記いずれかの操作子に対応付けられている音高情報と、を入力するとともに、前記入力に応じて前記学習済み音響モデルが出力した前記スペクトル情報と、前記いずれかの操作子に対応付けられている音高情報に応じた楽器音波形データと、に基づいて前記歌い手の歌声を推論した第1楽器音使用推論歌声データを出力する楽器音使用推論歌声データ出力処理、
を実行させるプログラム。
Regarding the above embodiments, the following additional notes will be further disclosed.
(Appendix 1)
Multiple controls with which each pitch information is associated,
A learned acoustic model trained by machine learning processing using learning score data including learning lyrics information and learning pitch information, and learning singing voice data of a singer, and singing lyrics information. A memory that stores a learned acoustic model that outputs spectral information that models the voice path of the singer by inputting pitch information, and
With the processor
Including
The processor is associated with the lyrics information and the one of the controls with respect to the learned acoustic model in response to an operation on any of the plurality of controls. The pitch information is input, and the spectrum information output by the trained acoustic model in response to the input and the instrument sound type data corresponding to the pitch information associated with any of the controls. First instrument sound use inferred singing voice data output processing for inferring the singer's singing voice based on
An electronic musical instrument that runs.
(Appendix 2)
In the electronic musical instrument described in Appendix 1,
One of the brass sound, the string sound, the organ sound, and the animal bark from among a plurality of instrument sounds including at least one of the brass sound, the string sound, the organ sound, and the animal bark. A selection operator that lets you select a sound,
Have,
The musical instrument sound use inferred singing voice data output process outputs the first musical instrument sound use inferred singing voice data based on the musical instrument sound wave shape data corresponding to the musical instrument sound selected by the selection operator.
(Appendix 3)
In the electronic musical instrument described in Appendix 1 or Appendix 2,
The memory stores song data having melody data and accompaniment data to be automatically played.
The melody data includes each pitch information, each timing information for outputting a sound corresponding to each pitch information, and each lyrics information associated with each pitch information.
The processor
Accompaniment data automatic performance processing that causes the sounding unit to pronounce based on the accompaniment data,
Instead of inputting the pitch information associated with any of the manipulated controls into the trained acoustic model, the pitch information included in the melody data is input and the melody data is input. Input processing to input the lyrics information included in (* Please include in the specification that the input timing may be before the start of the performance or not during the performance)
And run
The musical instrument sound use inference singing voice data output process is performed when any of the plurality of controls is not operated by the performer according to the timing indicated by the timing information included in the melody data. The singer is based on the spectrum information output from the trained acoustic model according to the processing and the musical instrument sound type data corresponding to the pitch information included in the melody data input by the input processing. The second musical instrument sound use inferred singing voice data inferred from the above singing voice is output in accordance with the timing indicated by the timing information included in the melody data.
(Appendix 4)
In the electronic musical instrument described in any of Appendix 1 to Appendix 3,
The plurality of controls include a first operator as any of the operated operators and a second operator that satisfies the conditions set from the viewpoint of the first operator.
When the first musical instrument sound use inferred singing voice data is output by the musical instrument sound use inferred singing voice data output process, the second operator repeatedly operates while the operation on the first operator continues. When this is done, effect processing that applies at least one of the effects of vibrato, tremolo, and wow wow to the inferred singing voice data using the first musical instrument sound.
To execute.
(Appendix 5)
In the electronic musical instrument described in Appendix 4,
In the effect processing, the first pitch indicated by the pitch information associated with the first operator and the second pitch indicated by the pitch information associated with the second operator. The degree of the effect is changed according to the difference in pitch.
(Appendix 6)
In the electronic musical instrument described in Appendix 4 or 5,
The second operator is a black key.
(Appendix 7)
Multiple controls with which each pitch information is associated,
A learned acoustic model trained by machine learning processing using learning score data including learning lyrics information and learning pitch information, and learning singing voice data of a singer, and singing lyrics information. A memory that stores a learned acoustic model that outputs spectral information that models the voice path of the singer by inputting pitch information, and
To electronic musical instrument computers, including
In response to an operation on any of the plurality of controls, the lyrics information and the pitch information associated with the one of the controls are assigned to the trained acoustic model. , And based on the spectrum information output by the trained acoustic model in response to the input and the instrument sound type data corresponding to the pitch information associated with any of the controls. First instrument sound use inferred singing voice data output processing for inferring the singer's singing voice
How to run.
(Appendix 8)
A learned acoustic model trained by machine learning processing using learning score data including learning lyrics information and learning pitch information, and learning singing voice data of a singer, and singing lyrics information. A memory that stores a learned acoustic model that outputs spectral information that models the voice path of the singer by inputting pitch information, and
To electronic musical instrument computers, including
In response to an operation on any of the plurality of controls, the lyrics information and the pitch information associated with the one of the controls are assigned to the trained acoustic model. , And based on the spectrum information output by the trained acoustic model in response to the input and the instrument sound type data corresponding to the pitch information associated with any of the controls. First instrument sound use inferred singing voice data output processing for inferring the singer's singing voice
A program that executes.
100 電子鍵盤楽器
101 鍵盤
102 第1のスイッチパネル
103 第2のスイッチパネル
104 LCD
200 制御システム
201 CPU
202 ROM
203 RAM
204 音源LSI
205 音声合成LSI
206 キースキャナ
208 LCDコントローラ
209 システムバス
210 タイマ
211、212 D/Aコンバータ
213 ミキサ
214 アンプ
215 歌声データ
216 発音制御データ
217、321 歌声音声出力データ
218 楽音出力データ
219 ネットワークインタフェース
220 発声音源用楽音出力データ
300 サーバコンピュータ
301 音声学習部
302 音声合成部
303 学習用テキスト解析部
304 学習用音響特徴量抽出
305 モデル学習部
306 音響モデル部
307 テキスト解析部
308 発声モデル部
309 音源生成部
310 合成フィルタ部
311 学習用歌声データ
312 学習用歌声音声データ
313 学習用言語特徴量系列
314 学習用音響特徴量系列
315 学習結果
316 言語情報量系列
317 音響特徴量系列
318 スペクトル情報
319 音源情報
320 音響効果付加部
100 Electronic keyboard instrument 101 Keyboard 102 First switch panel 103 Second switch panel 104 LCD
200 Control system 201 CPU
202 ROM
203 RAM
204 Sound source LSI
205 Speech synthesis LSI
206 Key Scanner 208 LCD Controller 209 System Bus 210 Timer 211, 212 D / A Converter 213 Mixer 214 Amplifier 215 Singing Voice Data 216 Sound Effect Control Data 217, 321 Singing Voice Output Data 218 Music Sound Output Data 219 Network Interface 220 Music Sound Output Data for Voice Sound Source 300 Server computer 301 Speech learning unit 302 Speech synthesis unit 303 Learning text analysis unit 304 Learning acoustic feature amount extraction 305 Model learning unit 306 Acoustic model unit 307 Text analysis unit 308 Speech model unit 309 Sound effect generation unit 310 Synthesis filter unit 311 Learning Singing voice data 312 Learning singing voice data 313 Learning language feature series 314 Learning acoustic feature series 315 Learning result 316 Language information quantity series 317 Acoustic feature series 318 Spectral information 319 Sound effect information 320 Sound effect addition part
Claims (7)
或る歌い手の歌声を学習した学習済みモデルに、演奏前からメモリに記憶されている歌詞データを入力することにより、前記学習済みモデルが出力する音響特徴量データを、前記和音の演奏操作に応じて取得し、By inputting the lyrics data stored in the memory before the performance into the trained model that has learned the singing voice of a certain singer, the acoustic feature data output by the trained model can be obtained according to the performance operation of the chord. Get and
取得された前記楽器音波形データに、取得された前記音響特徴量データが示す音響特徴量を合成し、The acoustic feature amount indicated by the acquired acoustic feature amount data is synthesized with the acquired musical instrument sound wave type data.
合成することにより生成される和音の推論歌声データを、ユーザが歌わなくても出力する、The inferred singing voice data of the chord generated by synthesizing is output even if the user does not sing.
電子楽器。Electronic musical instrument.
請求項1に記載の電子楽器。 The inferred singing voice data of the chord is generated by synthesizing the acoustic feature amount indicated by the acoustic feature amount data with the instrument sound wave data oscillated from each of the plurality of first sound wave channels as the excitation source signal.
The electronic musical instrument according to claim 1.
前記第2発音チャネルからの出力には、前記音響特徴量は合成されない、The acoustic features are not combined with the output from the second sounding channel.
請求項2に記載の電子楽器。The electronic musical instrument according to claim 2.
ユーザによるテンポ変更指示操作に応じて、前記第1テンポから第2テンポに変更し、The tempo is changed from the first tempo to the second tempo according to the tempo change instruction operation by the user.
変更された前記第2テンポで、前記和音の推論歌声データを出力する、The inferred singing voice data of the chord is output at the changed second tempo.
請求項1乃至3のいずれかに記載の電子楽器。The electronic musical instrument according to any one of claims 1 to 3.
設定された音色に応じた楽器音波形データであって、ユーザによる和音の演奏操作に応じて取得された複数の音高データそれぞれに応じた楽器音波形データを、前記和音の演奏操作に応じて取得させ、Musical instrument sound wave data corresponding to the set timbre, and musical instrument sound wave data corresponding to each of the plurality of pitch data acquired according to the performance operation of the chord by the user, according to the performance operation of the chord. Get it,
或る歌い手の歌声を学習した学習済みモデルに、演奏前からメモリに記憶されている歌詞データを入力することにより、前記学習済みモデルが出力する音響特徴量データを、前記和音の演奏操作に応じて取得させ、By inputting the lyrics data stored in the memory before the performance into the trained model that has learned the singing voice of a certain singer, the acoustic feature data output by the trained model can be obtained according to the performance operation of the chord. And get it
取得された前記楽器音波形データに、取得された前記音響特徴量データが示す音響特徴量を合成させ、The acquired acoustic feature data is combined with the acoustic feature data indicated by the acquired acoustic feature data.
合成することにより生成される和音の推論歌声データを、ユーザが歌わなくても出力させる、Inferred singing voice data of chords generated by synthesis is output without the user singing.
電子楽器の制御方法。How to control an electronic musical instrument.
設定された音色に応じた楽器音波形データであって、ユーザによる和音の演奏操作に応じて取得された複数の音高データそれぞれに応じた楽器音波形データを、前記和音の演奏操作に応じて取得させ、Musical instrument sound wave data corresponding to the set timbre, and musical instrument sound wave data corresponding to each of the plurality of pitch data acquired according to the performance operation of the chord by the user, according to the performance operation of the chord. Get it,
或る歌い手の歌声を学習した学習済みモデルに、演奏前からメモリに記憶されている歌詞データを入力することにより、前記学習済みモデルが出力する音響特徴量データを、前記和音の演奏操作に応じて取得させ、By inputting the lyrics data stored in the memory before the performance into the trained model that has learned the singing voice of a certain singer, the acoustic feature data output by the trained model can be obtained according to the performance operation of the chord. And get it
取得された前記楽器音波形データに、取得された前記音響特徴量データが示す音響特徴量を合成させ、The acquired acoustic feature data is combined with the acoustic feature data indicated by the acquired acoustic feature data.
合成することにより生成される和音の推論歌声データを、ユーザが歌わなくても出力させる、Inferred singing voice data of chords generated by synthesis is output without the user singing.
プログラム。program.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019196824A JP6835182B2 (en) | 2019-10-30 | 2019-10-30 | Electronic musical instruments, control methods for electronic musical instruments, and programs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019196824A JP6835182B2 (en) | 2019-10-30 | 2019-10-30 | Electronic musical instruments, control methods for electronic musical instruments, and programs |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018118056A Division JP6610715B1 (en) | 2018-06-21 | 2018-06-21 | Electronic musical instrument, electronic musical instrument control method, and program |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020024456A JP2020024456A (en) | 2020-02-13 |
JP2020024456A5 JP2020024456A5 (en) | 2020-03-26 |
JP6835182B2 true JP6835182B2 (en) | 2021-02-24 |
Family
ID=69619469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019196824A Active JP6835182B2 (en) | 2019-10-30 | 2019-10-30 | Electronic musical instruments, control methods for electronic musical instruments, and programs |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6835182B2 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7143816B2 (en) * | 2019-05-23 | 2022-09-29 | カシオ計算機株式会社 | Electronic musical instrument, electronic musical instrument control method, and program |
JP7088159B2 (en) | 2019-12-23 | 2022-06-21 | カシオ計算機株式会社 | Electronic musical instruments, methods and programs |
JP7036141B2 (en) * | 2020-03-23 | 2022-03-15 | カシオ計算機株式会社 | Electronic musical instruments, methods and programs |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5913676Y2 (en) * | 1978-11-16 | 1984-04-23 | ロ−ランド株式会社 | vocoder |
JPH05341793A (en) * | 1991-04-19 | 1993-12-24 | Pioneer Electron Corp | 'karaoke' playing device |
JP2800465B2 (en) * | 1991-05-27 | 1998-09-21 | ヤマハ株式会社 | Electronic musical instrument |
JP2004287099A (en) * | 2003-03-20 | 2004-10-14 | Sony Corp | Method and apparatus for singing synthesis, program, recording medium, and robot device |
JP4433734B2 (en) * | 2003-09-11 | 2010-03-17 | カシオ計算機株式会社 | Speech analysis / synthesis apparatus, speech analysis apparatus, and program |
JP4179268B2 (en) * | 2004-11-25 | 2008-11-12 | カシオ計算機株式会社 | Data synthesis apparatus and data synthesis processing program |
JP2010139592A (en) * | 2008-12-10 | 2010-06-24 | Casio Computer Co Ltd | Musical tone generating apparatus and musical tone generating program |
JP5293460B2 (en) * | 2009-07-02 | 2013-09-18 | ヤマハ株式会社 | Database generating apparatus for singing synthesis and pitch curve generating apparatus |
JP2017107228A (en) * | 2017-02-20 | 2017-06-15 | 株式会社テクノスピーチ | Singing voice synthesis device and singing voice synthesis method |
-
2019
- 2019-10-30 JP JP2019196824A patent/JP6835182B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020024456A (en) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6547878B1 (en) | Electronic musical instrument, control method of electronic musical instrument, and program | |
JP6610715B1 (en) | Electronic musical instrument, electronic musical instrument control method, and program | |
JP6610714B1 (en) | Electronic musical instrument, electronic musical instrument control method, and program | |
JP7059972B2 (en) | Electronic musical instruments, keyboard instruments, methods, programs | |
JP6835182B2 (en) | Electronic musical instruments, control methods for electronic musical instruments, and programs | |
JP6766935B2 (en) | Electronic musical instruments, control methods for electronic musical instruments, and programs | |
JP6760457B2 (en) | Electronic musical instruments, control methods for electronic musical instruments, and programs | |
JP6801766B2 (en) | Electronic musical instruments, control methods for electronic musical instruments, and programs | |
JP6819732B2 (en) | Electronic musical instruments, control methods for electronic musical instruments, and programs | |
WO2022054496A1 (en) | Electronic musical instrument, electronic musical instrument control method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200109 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200109 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201006 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201020 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201216 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6835182 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |