JPH05281996A

JPH05281996A - ピッチ抽出装置

Info

Publication number: JPH05281996A
Application number: JP10534392A
Authority: JP
Inventors: Atsushi Matsumoto; 淳松本; Masayuki Nishiguchi; 正之西口
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 1992-03-31
Filing date: 1992-03-31
Publication date: 1993-10-29

Abstract

(57)【要約】【構成】ピッチ検出部２が入力音声信号の一定時間の
フレーム毎のピッチを検出し、平滑手段３が現在フレー
ムのピッチを前後のフレームのピッチで平滑化し、切換
部７が現在フレームのピッチと平滑化された出力である
代替ピッチとを切換選択して出力し、制御手段６が平滑
化された出力と現在フレームのピッチとに基づいて上記
切換部７を切換制御することによって、異常状態を検出
できる。そして、異常状態のときには、上記代替ピッチ
を出力する。【効果】確実なピッチ抽出が行える。特に、ＭＢＥ等
の高精度のピッチトラックが要求される音声の分析、合
成系で有効である。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、入力される音声信号か
らピッチを抽出するピッチ抽出装置に関する。

【０００２】

【従来の技術】音声は、音の性質として、有声音と無声
音に区別される。有声音は声帯振動を伴う音声で周期的
な振動として観測される。無声音は声帯振動に伴わない
音声で非周期的な雑音として観測される。通常の音声で
は大部分が有声音であり、無声音は無声子音と呼ばれる
特殊な子音のみである。有声音の周期は声帯振動の周期
で決まり、これをピッチ周期、その逆数をピッチ周波数
という。これらピッチ周期及びピッチ周波数は声の高低
やイントネーションを決める重要な要因となる。したが
って、原音声波形から正確にピッチ周期を抽出（以下、
ピッチ抽出という）することは、音声を分析し合成する
音声合成の過程のなかでも重要となる。

【０００３】上記ピッチ抽出の方法（以下、ピッチ抽出
方法という）は、波形の上で周期的ピークを検出する波
形処理法、相関処理が波形の位相歪みに強いことを利用
した相関処理法、スペクトルの周期的周波数構造を利用
したスペクトル処理法とに分類される。

【０００４】上記相関処理法の一方法である自己相関法
について図12を用いて以下に説明する。図12のＡは300
サンプル分の入力音声波形ｘ(n) であり、図12のＢはＡ
で示したｘ(n) の自己相関関数の波形Ｒ_x(k) である。
また、図12のＣはＡに示されたクリッピングレベルＣ_L
でセンタクリップした波形Ｃ[ ｘ(n)]であり、図12のＤ
はＣで示したＣ[ ｘ(n)]の自己相関関数の波形Ｒ_C(k)
である。

【０００５】上述したように図12のＡに示す300 サンプ
ル分の入力音声波形ｘ(n) の自己相関関数を求めると、
図12のＢに示す波形Ｒ_x(k) となる。この図12のＢに示
す自己相関関数の波形Ｒ_x(k) では、ピッチ周期のとこ
ろに強いピークが見られる。しかし、声道の減衰振動に
よる余分なピークも多数見られる。この余分なピークを
減少させるために、図12のＡに示したクリッピングレベ
ル±Ｃ_Lより絶対値として小さい波形を潰した図12のＣ
に示すセンタクリップ波形Ｃ[ ｘ(n)]から自己相関関数
を得ることが考えられる。この場合、図12のＣに示すセ
ンタクリップされた波形Ｃ[ ｘ(n)]には、もとのピッチ
間隔でいくつかのパルスが残っているだけになってお
り、そこから求めた自己相関関数Ｒ_C(k) の波形には、
余分なピークが少なくなっている。

【０００６】ここで、上記図12のＢに示したクリッピン
グしない自己相関関数の波形Ｒ_x(k) を使って求めたピ
ッチ軌跡と、上記図12のＤに示したセンタクリップした
自己相関関数の波形Ｒ_C(k) を使って求めたピッチ軌跡
とを図13のＡ及びＢに示す。図13のＡには、明らかに誤
りと分かる点が散らばっている。その誤りは、短い遅れ
のところに生じたピークの方が、ピッチ周期のところの
ピークよりも高かったために生じたものが大部分であ
る。一方、図13のＢには、クリッピングを施すことによ
って確実にピッチを捉え、誤りの大部分を除去したピッ
チ軌跡が示されている。

【０００７】

【発明が解決しようとする課題】ところで、従来入力音
声信号のピッチ抽出においては、上述したようにセンタ
ックリップを施してから自己相関を求め確実にピッチを
捉えることが行われているが、この場合でさえ、図13の
Ｂに示すように明らかに誤りと分かる点が見られる。こ
のピッチの誤りは、上述したように短い遅れのところに
生じたピークの方が、ピッチ周期のところのピークより
も高かったために生じたものが大部分である。また、ピ
ッチの取りこぼし、整数倍または、整数分の１等の誤っ
たピッチの検出も含まれる。これらは突発的に発生する
ものなのでこのような状態を回避することが必要とされ
る。

【０００８】そこで、本発明は、上記実情に鑑みてなさ
れたものであり、確実なピッチ抽出を行うことのできる
ピッチ抽出装置の提供を目的とする。

【０００９】

【課題を解決するための手段】本発明に係るピッチ抽出
装置は、入力音声信号の一定時間のフレーム毎のピッチ
を検出するピッチ検出手段と、このピッチ検出手段によ
り検出された現在フレームのピッチを前後のフレームの
ピッチで平滑化する平滑化手段と、上記現在フレームの
ピッチと上記検出されたピッチに基づいて求められた代
替ピッチとを切換選択して出力する切換手段と、上記平
滑化手段からの出力と上記現在フレームのピッチとに基
づいて上記切換手段を切換制御する制御手段とを有する
ことを特徴として上記課題を解決する。

【００１０】ここで、上記代替ピッチは上記平滑化手段
から得るようにしたりあるいは他の平滑化手段から得る
ようにしてもよい。

【００１１】また、上記平滑化手段としては、現在フレ
ームのピッチの値、過去フレームのピッチの値及び未来
フレームのピッチの値の内の中央値を出力する回路、い
わゆるメディアンフィルタを用いたり、線形補間フィル
タ等の線形平滑化回路を用いてもよい。

【００１２】

【作用】本発明に係るピッチ抽出装置は、ピッチ検出手
段が入力音声信号の一定時間のフレーム毎のピッチを検
出し、平滑化手段が現在フレームのピッチを前後のフレ
ームのピッチで平滑化し、切換手段が上記現在フレーム
のピッチと上記検出されたピッチに基づいて求められた
代替ピッチとを切換選択して出力し、制御手段が上記平
滑化手段からの出力と上記現在フレームのピッチとに基
づいて上記切換手段を切換制御することによって、異常
状態を検出することができ、確実なピッチを抽出でき
る。

【００１３】

【実施例】以下、本発明に係るピッチ抽出装置の実施例
を図面を参照しながら説明する。図１は、本発明に係る
ピッチ抽出装置の第１の実施例の機能ブロック図であ
る。

【００１４】この第１の実施例は、入力端子１を介して
供給される入力音声信号のフレーム毎にピッチを検出す
るピッチ検出部２と、このピッチ検出部２からのフレー
ム毎のピッチを平滑化する平滑化手段３と、上記ピッチ
検出部２からの現在フレームのピッチＰ₀（以下、現在
ピッチという）と上記平滑化手段３からの平滑化出力Ｐ
_Mとを切換選択して出力端子１４から出力する切換部７
と、上記平滑化手段３からの平滑化出力Ｐ_Mと上記現在
フレームの現在ピッチＰ₀とに基づいて上記切換部７を
切換制御する制御手段６とを有する。

【００１５】上記ピッチ検出部２では、センタクリップ
波形の自己相関法を採用し、ピッチを検出している。こ
のセンタクリップ波形の自己相関法は、所定のサンプル
列毎にクリッピングレベルを設定し、このクリッピング
レベルを越えたセンタクリップ波形を自己相関処理し、
ピッチを求める方法である。具体的には、センタクリッ
プ波形を自己相関処理した後、現在フレームに属する自
己相関データから複数のピークを求めておき、これらの
複数のピークの内の最大ピークが所定の閾値以上のとき
には該最大ピークをピッチ周期とし、それ以外のときに
は、現在フレーム以外のフレーム、例えば前後のフレー
ムで求められたピッチに対して所定の関係を満たすピッ
チ範囲内、例えば前フレームのピッチを中心として８０
％から１２０％の範囲内にあるピークを求め、このピー
ク位置に基づいて現在フレームのピッチを決定するよう
にしている。

【００１６】上記平滑化手段３は、上記ピッチ検出部２
で検出されたフレーム毎のピッチをフレーム毎に遅延さ
せる遅延器４ａ及び４ｂと、該遅延器４ａ及び４ｂによ
りフレーム毎に遅延された各ピッチが供給され、平滑化
された値を出力する。この平滑化手段は、例えば入力さ
れた各ピッチの中央値を出力するようなメディアン（中
央値）フィルタが適用される。ここで、上記遅延器４ａ
及び４ｂにより、フレーム毎に遅延される現在ピッチＰ
₀、該現在フレームの前のフレームである過去フレーム
のピッチ（以下、過去ピッチという）Ｐ_-1及び上記現在
フレームの後ろのフレームである未来フレームのピッチ
（以下、未来ピッチという）Ｐ₁は、メディアン選択出
力部５に供給される。そして、上記メディアン選択出力
部５は、上記現在ピッチＰ₀、過去ピッチＰ_-1及び未来
ピッチＰ₁の内の中央値Ｐ_Mを選択し出力する。

【００１７】上記制御手段６は、上記現在ピッチＰ₀と
上記中央値Ｐ_Mの差を検出し、その絶対値｜Ｐ₀−Ｐ_M
｜を出力する差分検出部１１と、この差の絶対値｜Ｐ₀
−Ｐ_M｜と端子１３から供給されている閾値Ｐ_tとの大
小を比較する比較部１２とからなる。

【００１８】この比較部１２での比較により、上記差の
絶対値｜Ｐ₀−Ｐ_M｜が上記閾値Ｐ_tより大きい場合
は、異常であるとして上記切換部７を切換制御し、上記
中央値Ｐ_Mを代替値として出力させる。一方、上記差の
絶対値｜Ｐ₀−Ｐ_M｜が上記閾値Ｐ_tより小さい場合
は、正常であるとして上記切換部６を切換制御し、上記
現在ピッチＰ₀を出力させる。

【００１９】次に、本第１の実施例の各部の具体的な構
成を図２に示し、動作を説明する。この図２において、
入力端子８には、上記現在ピッチＰ₀、過去ピッチＰ_-1
及び未来ピッチＰ₁が供給される。これらの各ピッチＰ
₀、Ｐ_-1及びＰ₁は、上記平滑化手段３の遅延器４ａ及
び４ｂによりフレーム毎に遅延され、乗算器９ａ、９ｂ
及び９ｃで所定の係数が乗算され、加算器１０で加算さ
れる。

【００２０】例えば、上記平滑化手段３において、図示
しない中央値検出部の検出結果から上記各ピッチＰ₁、
Ｐ₀及びＰ_-1の内の中央値となる一にだけ係数“１”を
乗算し、他には“０”を乗算する乗算器９ａ、９ｂ及び
９ｃを用いれば、係数“１”が乗算されることにより得
られる中央値Ｐ_Mが平滑化手段３の出力となる。これに
より上記メディアンフィルタを作ることができる。そし
て、該中央値Ｐ_Mを上記制御手段６及び比較部７に供給
すればよい。

【００２１】上記制御手段６は、減算器である差分検出
部１１と比較器である比較部１２により構成されてい
る。該差分検出部１１では、上記平滑化手段３の平滑化
出力である例えば上記中央値Ｐ_Mと、遅延器１５によっ
て遅延されタイミングをとられた上記現在ピッチＰ₀と
が供給され、両者の差の絶対値を検出する。そして、検
出した｜Ｐ₀−Ｐ_M｜を上記比較部１２に供給する。上
記比較部１２には、入力端子１３を介して予め定められ
た閾値Ｐ_tが供給されている。この閾値Ｐ_tは、固定も
しくは上記平滑化出力（例えば中央値Ｐ_M）により定め
られる。つまり、上記比較部１２は、上記差分検出部１
１から供給された上記差の絶対値｜Ｐ₀−Ｐ_M｜と上記
閾値Ｐ_tとを比較している。この比較の結果、上記差の
絶対値｜Ｐ₀−Ｐ_M｜が上記閾値Ｐ_tより大きい場合
は、上記ピッチ検出部２により検出されたピッチが異常
であるという判断をする。一方、上記差の絶対値｜Ｐ₀
−Ｐ_M｜が上記閾値Ｐ_tより小さい場合は、上記ピッチ
検出部２により検出されたピッチが異常でないという判
断をする。これら異常の有無の判断は、比較部１２の出
力として、上記切換部７の切換を制御する。上記切換部
７は、固定接点７ａ、７ｂ及び可動接片７ｃからなる。
該固定接点７ａには、上記平滑化出力（例えば中央値Ｐ
_M）が供給され、該固定接点７ｂには、上記遅延器１５
によって遅延された現在ピッチＰ₀が供給される。ま
た、該可動接片７ｃは、出力端子１４に接続されてい
る。したがって、上記切換部７は、上記制御手段６の比
較部１２からの異常の有無の判断による制御により、可
動接片７ｃを固定接点７ａもしくは７ｂに接触させ、出
力端子１４から上記平滑化出力（例えば中央値Ｐ_M）も
しくは上記現在ピッチＰ₀を出力する。

【００２２】具体的には、上記比較部１２で上記閾値Ｐ
_tよりも上記差の絶対値｜Ｐ₀−Ｐ_M｜が大きいとき
（異常時）に、上記可動接片７ｃを上記固定接点７ａに
接触させて、出力端子１４からピッチの代替値である平
滑化出力（例えば中央値Ｐ_M）を出力する。また、上記
比較部１２で上記閾値Ｐ_tよりも上記差の絶対値｜Ｐ₀
−Ｐ_M｜が小さいとき（正常時）に、上記可動接片７ｃ
を上記固定接点７ｂに接触させて、出力端子１４から現
在ピッチＰ₀を出力する。

【００２３】以上より、本発明に係るピッチ抽出装置の
第１の実施例は、現在ピッチを過去ピッチ及び未来ピッ
チで平滑化し、その平滑化出力（例えばメディアンフィ
ルタによる中央値出力）と現在ピッチとの差を予め定め
られた閾値と比較し、求めたピッチが異常であるか否か
を判断し、その判断に応じて上記平滑化出力と現在ピッ
チとを切り換え出力する。つまり、異常時には、上記平
滑化出力を代替値として出力することができる。

【００２４】ここで、上記平滑化手段には、上述したよ
うなメディアンフィルタの他に、一般の補間フィルタ、
例えばＦＩＲ（非巡回形）フィルタ等のような線形平滑
化フィルタを適用してもよい。

【００２５】次に、本発明に係るピッチ抽出装置の第２
の実施例を説明する。この第２の実施例は、検出したピ
ッチを異常と判断したときに、平滑化出力そのものを代
替値とするのではなく、該平滑化出力をさらに線形平滑
化フィルタで平滑化した値を代替値とする。図３に、こ
の第２の実施例の機能ブロック図を示すが、平滑化手段
としては、メディアンフィルタを適用している。

【００２６】この第２の実施例は、図３に示すように、
入力端子２１を介して、図示しないピッチ検出部（図１
のピッチ検出部２）から供給されるフレーム毎の現在ピ
ッチＰ₀、過去ピッチＰ_-1及び未来ピッチＰ₁から中央
となる値を選択出力するメディアンフィルタ２２と、こ
のメディアンフィルタ２２からの中央値Ｐ_mを線形平滑
化する線形平滑化フィルタ２５と、上記現在ピッチＰ₀
と上記線形平滑フィルタ２５からの平滑化したピッチ値
（以下、平滑ピッチ値という）Ｐ_mtとを切換選択して出
力端子３５から出力する切換部３３と、上記メディアン
フィルタ２２からの中央値Ｐ_m0と上記現在ピッチＰ₀と
に基づいて上記切換部３３を切換制御する制御手段２９
とを有する。

【００２７】上記メディアンフィルタ２２は、図示しな
いピッチ検出部で検出されたフレーム毎のピッチをフレ
ーム毎に遅延させる遅延器２３ａ及び２３ｂと、該遅延
器２３ａ及び２３ｂによりフレーム毎に遅延された現在
ピッチＰ₀、過去ピッチＰ_-1及び未来ピッチＰ₁から中
央値Ｐ_mを選択出力するメディアン選択出力部２４とか
らなる。

【００２８】上記線形平滑化フィルタ２５は、上記メデ
ィアンフィルタ２２からの中央値Ｐ_mを所定時間毎に遅
延させる遅延器２６ａ及び２６ｂと、該遅延器２６ａ及
び２６ｂにより遅延された中央ピッチ値の各値Ｐ_m1、Ｐ
_m0及びＰ_m(-1)に所定の係数を乗算する乗算器２７ａ、
２７ｂ及び２７ｃと、該乗算器２７ａ、２７ｂ及び２７
ｃからの各乗算値を加算する加算器２８とからなる。

【００２９】上記切換部３３は、遅延器３４ａ及び３４
ｂにより遅延され、タイミングを合わされた現在ピッチ
Ｐ₀が供給される固定接点３３ａと、上記線形平滑フィ
ルタ２５からの平滑ピッチ値Ｐ_mtが供給される固定接点
３３ｂと、出力端子３５に接続された可動接片３３ｃと
からなる。

【００３０】上記制御手段２９は、上記メディアンフィ
ルタ２２からの中央値Ｐ_mが上記線形平滑化フィルタ２
５の遅延器２６ａにより遅延された中央ピッチ値Ｐ_m0と
該中央ピッチ値Ｐ_m0の遅延タイミングに合うように上記
遅延器３４ａ及び３４ｂにより遅延された現在ピッチＰ
₀との差を検出し、その絶対値｜Ｐ₀−Ｐ_m0｜を出力す
る差分検出部１１と、この差の絶対値｜Ｐ₀−Ｐ_m0｜と
端子３２から供給されている閾値Ｐ_tとの大小を比較す
る比較部３１とからなる。

【００３１】この比較部３１での比較により、上記差の
絶対値｜Ｐ₀−Ｐ_m0｜が上記閾値Ｐ_tより大きい場合
は、異常であるとして上記切換部３３を切換制御する。
すなわち、上記比較部３１で上記閾値Ｐ_tよりも上記差
の絶対値｜Ｐ₀−Ｐ_m0｜が大きいとき（異常時）に、上
記可動接片３３ｃを上記固定接点３３ａに接触させて、
出力端子３５からピッチの代替値である上記平滑ピッチ
値Ｐ_mtを出力する。また、上記比較部３１で上記閾値Ｐ
_tよりも上記差の絶対値｜Ｐ₀−Ｐ_m0｜が小さいとき
（正常時）に、上記可動接片３３ｃを上記固定接点３３
ｂに接触させて、出力端子３３から現在ピッチＰ₀を出
力する。

【００３２】以上より、本発明に係るピッチ抽出装置の
第２の実施例は、メディアンフィルタにより出力された
中央ピッチ値と現在ピッチとの差を予め定められた閾値
と比較し、求めたピッチが異常であるか否かを判断し、
その判断に応じて、上記中央ピッチ値をさらに平滑化し
た平滑ピッチ値と現在ピッチとを切り換え出力する。つ
まり、異常時には、上記中央ピッチ値をさらに平滑化し
た値を代替値として出力することができる。

【００３３】次に、本発明に係るピッチ抽出装置の第３
の実施例を説明する。この第３の実施例は、上述したメ
ディアンフィルタを異常検出のみに使用し、異常時には
現在ピッチを入力する線形平滑化フィルタの出力を代替
値とする。図４に、この第３の実施例の機能ブロック図
を示す。

【００３４】この第３の実施例は、図４に示すように、
入力端子４１を介して、図示しないピッチ検出部から供
給されるフレーム毎の現在ピッチＰ₀、過去ピッチＰ_-1
及び未来ピッチＰ₁から中央となる値を選択出力するメ
ディアンフィルタ４２と、上記現在ピッチＰ₀を線形平
滑化する線形平滑フィルタ４５と、上記現在ピッチＰ₀
と上記線形平滑フィルタ４５からの平滑値Ｐ_0tとを切換
選択して出力端子５６から出力する切換部５４と、上記
メディアンフィルタ４２からの中央ピッチ値Ｐ_mと上記
現在ピッチＰ₀とに基づいて上記切換部５４を切換制御
する制御手段４９とを有する。

【００３５】上記メディアンフィルタ４２は、遅延器４
３ａ及び４３ｂと、該遅延器４３ａ及び４３ｂによりフ
レーム毎に遅延された現在ピッチＰ₀、過去ピッチＰ_-1
及び未来ピッチＰ₁から中央ピッチ値Ｐ_mを選択出力す
るメディアン選択出力部４４とからなる。

【００３６】上記線形平滑化フィルタ４５は、遅延器４
６ａ及び４６ｂと、該遅延器４６ａ及び４６ｂにより遅
延された現在ピッチＰ₀の各値Ｐ₀₁、Ｐ₀₀及びＰ_0(-1)
に所定の係数を乗算する乗算器４７ａ、４７ｂ及び４７
ｃと、該乗算器４７ａ、４７ｂ及び４７ｃからの各乗算
値を加算する加算器４８とからなる。

【００３７】上記切換部５４は、遅延器５５ａ及び５５
ｂにより遅延され、タイミングを合わされた現在ピッチ
Ｐ₀が供給される固定接点５４ａと、上記線形平滑フィ
ルタ２５からの平滑値Ｐ_0tが供給される固定接点５４ｂ
と、出力端子５６に接続された可動接片５４ｃとからな
る。

【００３８】上記制御手段４９は、上記メディアンフィ
ルタ４２からの中央値Ｐ_mと該中央値Ｐ_mの遅延タイミ
ングに合うように上記遅延器５５ａ及び５５ｂにより遅
延された現在ピッチＰ₀との差を検出し、その絶対値｜
Ｐ₀−Ｐ_m｜を出力する差分検出部５０と、この差の絶
対値｜Ｐ₀−Ｐ_m｜と端子５３から供給されている閾値
Ｐ_tとの大小を比較する比較部５２とからなる。

【００３９】この比較部４９での比較により、上記差の
絶対値｜Ｐ₀−Ｐ_m｜が上記閾値Ｐ_tより大きい場合
は、異常であるとして上記切換部５４を切換制御する。
すなわち、上記比較部４９で上記閾値Ｐ_tよりも上記差
の絶対値｜Ｐ₀−Ｐ_m｜が大きいとき（異常時）に、上
記可動接片５４ｃを上記固定接点５４ａに接触させて、
出力端子５６からピッチの代替値である上記平滑ピッチ
値Ｐ_0tを出力する。また、上記比較部５２で上記閾値Ｐ
_tよりも上記差の絶対値｜Ｐ₀−Ｐ_m｜が小さいとき
（正常時）に、上記可動接片５４ｃを上記固定接点５４
ｂに接触させて、出力端子５６から現在ピッチＰ₀を出
力する。

【００４０】以上より、本発明に係るピッチ抽出装置の
第３の実施例は、メディアンフィルタにより出力された
中央ピッチ値と現在ピッチとの差を予め定められた閾値
と比較し、求めたピッチが異常であるか否かを判断し、
その判断に応じて、現在ピッチをさらに平滑化した値と
現在ピッチとを切り換え出力する。つまり、異常時に
は、上記現在値をさらに平滑化した値を代替値として出
力することができる。

【００４１】次に、本発明に係るピッチ抽出装置を、音
声信号の合成分析符号化装置（いわゆるボコーダ）の一
種であるＭＢＥ（Multiband Excitation: マルチバンド
励起）ボコーダのピッチ抽出のために用いた具体例につ
いて、図面を参照しながら説明する。このＭＢＥボコー
ダは、D . W . Griffin and J . S . Lim,"MultibandEx
citation Vocoder," IEEE Trans.Acoustics,Speech,and
Signal Processing,vol.36, No.8, pp.1223-1235, Au
g.1988 に開示されているものであり、従来のＰＡＲＣ
ＯＲ（PARtial auto-CORrelation: 偏自己相関）ボコー
ダ等では、音声のモデル化の際に有声音区間と無声音区
間とをブロックあるいはフレーム毎に切り換えていたの
に対し、ＭＢＥボコーダでは、同時刻（同じブロックあ
るいはフレーム内）の周波数軸領域に有声音（Voiced）
区間と無声音（Unvoiced）区間とが存在するという仮定
でモデル化している。

【００４２】図５は、上記ＭＢＥボコーダの全体の概略
構成を示すブロック図である。この図５において、入力
端子１０１には音声信号が供給されるようになってお
り、この入力音声信号は、ＨＰＦ（ハイパスフィルタ）
等のフィルタ１０２に送られて、いわゆるＤＣ（直流）
オフセット分の除去や帯域制限（例えば２００〜３４０
０Hzに制限）のための少なくとも低域成分（２００Hz以
下）の除去が行われる。このフィルタ１０２を介して得
られた信号は、ピッチ抽出部１０３及び窓かけ処理部１
０４にそれぞれ送られる。ピッチ抽出部１０３では、入
力音声信号データが所定サンプル数Ｎ（例えばＮ＝２５
６）単位でブロック分割され（あるいは方形窓による切
り出しが行われ）、このブロック内の音声信号について
のピッチ抽出が行われる。このような切り出しブロック
（２５６サンプル）を、例えば図６のＡに示すようにＬ
サンプル（例えばＬ＝１６０）のフレーム間隔で時間軸
方向に移動させており、各ブロック間のオーバラップは
Ｎ−Ｌサンプル（例えば９６サンプル）となっている。
また、窓かけ処理部１０４では、１ブロックＮサンプル
に対して所定の窓関数、例えばハミング窓をかけ、この
窓かけブロックを１フレームＬサンプルの間隔で時間軸
方向に順次移動させている。

【００４３】このような窓かけ処理を数式で表すと、ｘ_w(k,q) ＝ｘ(q) ｗ(kL-q) ・・・（１）となる。この（１）式において、ｋはブロック番号を、
ｑはデータの時間インデックス（サンプル番号）を表
し、処理前の入力信号のｑ番目のデータｘ(q) に対して
第ｋブロックの窓（ウィンドウ）関数ｗ(kL-q)により窓
かけ処理されることによりデータｘ_w(k,q) が得られる
ことを示している。ピッチ抽出部１０３内での図６のＡ
に示すような方形窓の場合の窓関数ｗ_r(r) は、ｗ_r(r) ＝１０≦ｒ＜Ｎ・・・（２）＝０ｒ＜０，Ｎ≦ｒまた、窓かけ処理部１０４での図６のＢに示すようなハ
ミング窓の場合の窓関数ｗ_h(r) は、ｗ_h(r) ＝ 0.54 − 0.46 cos(２πr/(N-1)) ０≦ｒ＜Ｎ・・・（３）＝０ｒ＜０，Ｎ≦ｒである。このような窓関数ｗ_r(r) あるいはｗ_h(r) を
用いるときの上記（１）式の窓関数ｗ(r) （＝ｗ(kL-
q)）の否零区間は、０≦ｋＬ−ｑ＜Ｎこれを変形して、ｋＬ−Ｎ＜ｑ≦ｋＬ従って、例えば上記方形窓の場合に窓関数ｗ_r(kL-q)＝
１となるのは、図７に示すように、ｋＬ−Ｎ＜ｑ≦ｋＬ
のときとなる。また、上記（１）〜（３）式は、長さＮ
（＝２５６）サンプルの窓が、Ｌ（＝１６０）サンプル
ずつ前進してゆくことを示している。以下、上記（２）
式、（３）式の各窓関数で切り出された各Ｎ点（０≦ｒ
＜Ｎ）の否零サンプル列を、それぞれｘ_wr(k,r) 、ｘ_wh
(k,r) と表すことにする。

【００４４】窓かけ処理部１０４では、図８に示すよう
に、上記（３）式のハミング窓がかけられた１ブロック
２５６サンプルのサンプル列ｘ_wh(k,r) に対して１７９
２サンプル分の０データが付加されて（いわゆる０詰め
されて）２０４８サンプルとされ、この２０４８サンプ
ルの時間軸データ列に対して、直交変換部１０５により
例えばＦＦＴ（高速フーリエ変換）等の直交変換処理が
施される。

【００４５】ピッチ抽出部１０３では、上記ｘ_wr(k,r)
のサンプル列（１ブロックＮサンプル）に基づいてピッ
チ抽出が行われる。このピッチ抽出法には、時間波形の
周期性や、スペクトルの周期的周波数構造や、自己相関
関数を用いるもの等が知られているが、本実施例では、
センタクリップ波形の自己相関法を採用している。この
ときのブロック内でのセンタクリップレベルについて
は、１ブロックにつき１つのクリップレベルを設定して
もよいが、ブロックを細分割した各部（各サブブロッ
ク）の信号のピークレベル等を検出し、これらの各サブ
ブロックのピークレベル等の差が大きいときに、ブロッ
ク内でクリップレベルを段階的にあるいは連続的に変化
させるようにしている。このセンタクリップ波形の自己
相関データのピーク位置に基づいてピーク周期を決めて
いる。このとき、現在フレームに属する自己相関データ
（自己相関は１ブロックＮサンプルのデータを対象とし
て求められる）から複数のピークを求めておき、これら
の複数のピークの内の最大ピークが所定の閾値以上のと
きには該最大ピーク位置をピッチ周期とし、それ以外の
ときには、現在フレーム以外のフレーム、例えば前後の
フレームで求められたピッチに対して所定の関係を満た
すピッチ範囲内、例えば前フレームのピッチを中心とし
て±２０％の範囲内にあるピークを求め、このピーク位
置に基づいて現在フレームのピッチを決定するようにし
ている。

【００４６】このピッチ抽出部１０３ではオープンルー
プによる比較的ラフなピッチのサーチが行われ、抽出さ
れたピッチデータは高精度（ファイン）ピッチサーチ部
１０６に送られて、クローズドループによる高精度のピ
ッチサーチ（ピッチのファインサーチ）が行われる。

【００４７】高精度（ファイン）ピッチサーチ部１０６
には、ピッチ抽出部１０３で抽出された整数（インテジ
ャー）値の粗（ラフ）ピッチデータと、直交変換部１０
５により例えばＦＦＴされた周波数軸上のデータとが供
給されている。この高精度ピッチサーチ部１０６では、
上記粗ピッチデータ値を中心に、0.２〜0.５きざみで±
数サンプルずつ振って、最適な小数点付き（フローティ
ング）のファインピッチデータの値へ追い込む。このと
きのファインサーチの手法として、いわゆる合成による
分析 (Analysis by Synthesis)法を用い、合成されたパ
ワースペクトルが原音のパワースペクトルに最も近くな
るようにピッチを選んでいる。

【００４８】このピッチのファインサーチについて説明
する。先ず、上記ＭＢＥボコーダにおいては、上記ＦＦ
Ｔ等により直交変換された周波数軸上のスペクトルデー
タとしてのＳ(j) をＳ(j) ＝Ｈ(j) ｜Ｅ(j) ｜０＜ｊ＜Ｊ・・・（４）と表現するようなモデルを想定している。ここで、Ｊは
πω_s＝ｆ_s／２に対応し、サンプリング周波数ｆ_s＝
２πω_sが例えば８ｋHzのときには４ｋHzに対応する。
上記（４）式中において、周波数軸上のスペクトルデー
タＳ(j) が図９のＡに示すような波形のとき、Ｈ(j)
は、図９のＢに示すような元のスペクトルデータＳ(j)
のスペクトル包絡線（エンベロープ）を示し、Ｅ(j)
は、図９のＣに示すような等レベルで周期的な励起信号
（エキサイテイション）のスペクトルを示している。す
なわち、ＦＦＴスペクトルＳ(j) は、スペクトルエンベ
ロープＨ(j) と励起信号のパワースペクトル｜Ｅ(j) ｜
との積としてモデル化される。

【００４９】上記励起信号のパワースペクトル｜Ｅ(j)
｜は、上記ピッチに応じて決定される周波数軸上の波形
の周期性（ピッチ構造）を考慮して、１つの帯域（バン
ド）の波形に相当するスペクトル波形を周波数軸上の各
バンド毎に繰り返すように配列することにより形成され
る。この１バンド分の波形は、例えば上記図８に示すよ
うな２５６サンプルのハミング窓関数に１７９２サンプ
ル分の０データを付加（０詰め）した波形を時間軸信号
と見なしてＦＦＴし、得られた周波数軸上のある帯域幅
を持つインパルス波形を上記ピッチに応じて切り出すこ
とにより形成することができる。

【００５０】次に、上記ピッチに応じて分割された各バ
ンド毎に、上記Ｈ(j) を代表させるような（各バンド毎
のエラーを最小化するような）値（一種の振幅）｜Ａ_m
｜を求める。ここで、例えば第ｍバンド（第ｍ高調波の
帯域）の下限、上限の点をそれぞれａ_m、ｂ_mとすると
き、この第ｍバンドのエラーε_mは、

【００５１】

【数１】で表せる。このエラーε_mを最小化するような｜Ａ_m｜
は、

【００５２】

【数２】となり、この（６）式の｜Ａ_m｜のとき、エラーε_mを
最小化する。このような振幅｜Ａ_m｜を各バンド毎に求
め、得られた各振幅｜Ａ_m｜を用いて上記（５）式で定
義された各バンド毎のエラーε_mを求める。次に、この
ような各バンド毎のエラーε_mの全バンドの総和値Σε
_mを求める。さらに、このような全バンドのエラー総和
値Σε_mを、いくつかの微小に異なるピッチについて求
め、エラー総和値Σε_mが最小となるようなピッチを求
める。

【００５３】すなわち、上記ピッチ抽出部１０３で求め
られたラフピッチを中心として、例えば 0.25 きざみで
上下に数種類ずつ用意する。これらの複数種類の微小に
異なるピッチの各ピッチに対してそれぞれ上記エラー総
和値Σε_mを求める。この場合、ピッチが定まるとバン
ド幅が決まり、上記（６）式より、周波数軸上データの
パワースペクトル｜Ｓ(j) ｜と励起信号スペクトル｜Ｅ
(j) ｜とを用いて上記（５）式のエラーε_mを求め、そ
の全バンドの総和値Σε_mを求めることができる。この
エラー総和値Σε_mを各ピッチ毎に求め、最小となるエ
ラー総和値に対応するピッチを最適のピッチとして決定
するわけである。以上のようにして高精度ピッチサーチ
部１０６で最適のファイン（例えば 0.25 きざみ）ピッ
チが求められ、この最適ピッチに対応する振幅｜Ａ_m｜
が決定される。

【００５４】以上ピッチのファインサーチの説明におい
ては、説明を簡略化するために、全バンドが有声音（Vo
iced）の場合を想定しているが、上述したようにＭＢＥ
ボコーダにおいては、同時刻の周波数軸上に無声音（Un
voiced）領域が存在するというモデルを採用しているこ
とから、上記各バンド毎に有声音／無声音の判別を行う
ことが必要とされる。

【００５５】上記高精度ピッチサーチ部１０６からの最
適ピッチ及び振幅｜Ａ_m｜のデータは、有声音／無声音
判別部１０７に送られ、上記各バンド毎に有声音／無声
音の判別が行われる。この判別のために、ＮＳＲ（ノイ
ズｔｏシグナル比）を利用する。すなわち、第ｍバンド
のＮＳＲは、

【００５６】

【数３】と表せ、このＮＳＲ値が所定の閾値（例えば0.３）より
大のとき（エラーが大きい）ときには、そのバンドでの
｜Ａ_m｜｜Ｅ(j) ｜による｜Ｓ(j) ｜の近似が良くない
（上記励起信号｜Ｅ(j) ｜が基底として不適当である）
と判断でき、当該バンドをＵＶ（Unvoiced、無声音）と
判別する。これ以外のときは、近似がある程度良好に行
われていると判断でき、そのバンドをＶ（Voiced、有声
音）と判別する。

【００５７】次に、振幅再評価部１０８には、直交変換
部１０５からの周波数軸上データ、高精度ピッチサーチ
部１０６からのファインピッチと評価された振幅｜Ａ_m
｜との各データ、及び上記有声音／無声音判別部１０７
からのＶ／ＵＶ（有声音／無声音）判別データが供給さ
れている。この振幅再評価部１０８では、有声音／無声
音判別部１０７において無声音（ＵＶ）と判別されたバ
ンドに関して、再度振幅を求めている。このＵＶのバン
ドについての振幅｜Ａ_m｜_UVは、

【００５８】

【数４】にて求められる。

【００５９】この振幅再評価部１０８からのデータは、
データ数変換（一種のサンプリングレート変換）部１０
９に送られる。このデータ数変換部１０９は、上記ピッ
チに応じて周波数軸上での分割帯域数が異なり、データ
数（特に振幅データの数）が異なることを考慮して、一
定の個数にするためのものである。すなわち、例えば有
効帯域を３４００ｋHzまでとすると、この有効帯域が上
記ピッチに応じて、８バンド〜６３バンドに分割される
ことになり、これらの各バンド毎に得られる上記振幅｜
Ａ_m｜（ＵＶバンドの振幅｜Ａ_m｜_UVも含む）データの
個数ｍ_MX+1も８〜６３と変化することになる。このため
データ数変換部１０９では、この可変個数ｍ_MX+1の振幅
データを一定個数Ｎ_C（例えば４４個）のデータに変換
している。

【００６０】ここで上記ＭＢＥでは、周波数軸上の有効
帯域１ブロック分の振幅データに対して、ブロック内の
最後のデータからブロック内の最初のデータまでの値を
補間するようなダミーデータを付加してデータ個数をＮ
_F個に拡大した後、帯域制限型のＫ_OS倍（例えば８倍）
のオーバーサンプリングを施すことによりＫ_OS倍の個数
の振幅データを求め、このＫ_OS倍の個数（( ｍ_MX+1) ×
Ｋ_OS個）の振幅データを直線補間してさらに多くのＮ_M
個（例えば２０４８個）に拡張し、このＮ_M個のデータ
を間引いて上記一定個数Ｎ_C（例えば４４個）のデータ
に変換する。

【００６１】このデータ数変換部１０９からのデータ
（上記一定個数Ｎ_Cの振幅データ）がベクトル量子化部
１１０に送られて、所定個数のデータ毎にまとめられて
ベクトルとされ、ベクトル量子化が施される。ベクトル
量子化部１１０からの量子化出力データは、出力端子１
１１を介して取り出される。また、上記高精度のピッチ
サーチ部１０６からの高精度（ファイン）ピッチデータ
は、ピッチ符号化部１１５で符号化され、出力端子１１
２を介して取り出される。さらに、上記有声音／無声音
判別部１０７からの有声音／無声音（Ｖ／ＵＶ）判別デ
ータは、出力端子１１３を介して取り出される。これら
の各出力端子１１１〜１１３からのデータは、所定の伝
送フォーマットの信号とされて伝送される。

【００６２】なお、これらの各データは、上記Ｎサンプ
ル（例えば２５６サンプル）のブロック内のデータに対
して処理を施すことにより得られるものであるが、ブロ
ックは時間軸上を上記Ｌサンプルのフレームを単位とし
て前進することから、伝送するデータは上記フレーム単
位で得られる。すなわち、上記フレーム周期でピッチデ
ータ、Ｖ／ＵＶ判別データ、振幅データが更新されるこ
とになる。

【００６３】次に、伝送されて得られた上記各データに
基づき音声信号を合成するための合成側（デコード側）
の概略構成について、図10を参照しながら説明する。こ
の図10において、入力端子１２１には上記ベクトル量子
化された振幅データが、入力端子１２２には上記符号化
されたピッチデータが、また入力端子１２３には上記Ｖ
／ＵＶ判別データがそれぞれ供給される。入力端子１２
１からの量子化振幅データは、逆ベクトル量子化部１２
４に送られて逆量子化され、データ数逆変換部１２５に
送られて逆変換され、得られた振幅データが有声音合成
部１２６及び無声音合成部１２７に送られる。入力端子
１２２からの符号化ピッチデータは、ピッチ復号化部１
２８で復号化され、データ数逆変換部１２５、有声音合
成部１２６及び無声音合成部１２７に送られる。また入
力端子１２３からのＶ／ＵＶ判別データは、有声音合成
部１２６及び無声音合成部１２７に送られる。

【００６４】有声音合成部１２６では例えば余弦(cosin
e)波合成により時間軸上の有声音波形を合成し、無声音
合成部１２７では例えばホワイトノイズをバンドパスフ
ィルタでフィルタリングして時間軸上の無声音波形を合
成し、これらの各有声音合成波形と無声音合成波形とを
加算部１２９で加算合成して、出力端子１３０より取り
出すようにしている。この場合、上記振幅データ、ピッ
チデータ及びＶ／ＵＶ判別データは、上記分析時の１フ
レーム（Ｌサンプル、例えば１６０サンプル）毎に更新
されて与えられるが、フレーム間の連続性を高める（円
滑化する）ために、上記振幅データやピッチデータの各
値を１フレーム中の例えば中心位置における各データ値
とし、次のフレームの中心位置までの間（合成時の１フ
レーム）の各データ値を補間により求める。すなわち、
合成時の１フレーム（例えば上記分析フレームの中心か
ら次の分析フレームの中心まで）において、先端サンプ
ル点での各データ値と終端（次の合成フレームの先端）
サンプル点での各データ値とが与えられ、これらのサン
プル点間の各データ値を補間により求めるようにしてい
る。

【００６５】以下、有声音合成部１２６における合成処
理を詳細に説明する。上記Ｖ（有声音）と判別された第
ｍバンド（第ｍ高調波の帯域）における時間軸上の上記
１合成フレーム（Ｌサンプル、例えば１６０サンプル）
分の有声音をＶ_m(n) とするとき、この合成フレーム内
の時間インデックス（サンプル番号）ｎを用いて、Ｖ_m(n) ＝Ａ_m(n) cos(θ_m(n)) ０≦ｎ＜Ｌ・・・（９）と表すことができる。全バンドの内のＶ（有声音）と判
別された全てのバンドの有声音を加算（ΣＶ_m(n) ）し
て最終的な有声音Ｖ(n) を合成する。

【００６６】この（９）式中のＡ_m(n) は、上記合成フ
レームの先端から終端までの間で補間された第ｍ高調波
の振幅である。最も簡単には、フレーム単位で更新され
る振幅データの第ｍ高調波の値を直線補間すればよい。
すなわち、上記合成フレームの先端（ｎ＝０）での第ｍ
高調波の振幅値をＡ_0m、該合成フレームの終端（ｎ＝
Ｌ：次の合成フレームの先端）での第ｍ高調波の振幅値
をＡ_Lmとするとき、Ａ_m(n) ＝ (L-n)Ａ_0m／Ｌ＋ｎＡ_Lm／Ｌ・・・（10）の式によりＡ_m(n) を計算すればよい。

【００６７】次に、上記（９）式中の位相θ_m(n) は、 θ_m(0) ＝ｍω_O1ｎ＋ｎ²ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋Δωｎ・・・（11）により求めることができる。この（11）式中で、φ_0mは
上記合成フレームの先端（ｎ＝０）での第ｍ高調波の位
相（フレーム初期位相）を示し、ω₀₁は合成フレーム先
端（ｎ＝０）での基本角周波数、ω_L1は該合成フレーム
の終端（ｎ＝Ｌ：次の合成フレーム先端）での基本角周
波数をそれぞれ示している。上記（11）式中のΔωは、
ｎ＝Ｌにおける位相φ_Lmがθ_m(L) に等しくなるような
最小のΔωを設定する。

【００６８】以下、任意の第ｍバンドにおいて、それぞ
れｎ＝０、ｎ＝ＬのときのＶ／ＵＶ判別結果に応じた上
記振幅Ａ_m(n) 、位相θ_m(n) の求め方を説明する。第
ｍバンドが、ｎ＝０、ｎ＝ＬのいずれもＶ（有声音）と
される場合に、振幅Ａ_m(n) は、上述した（10）式によ
り、伝送された振幅値Ａ_0m、Ａ_Lmを直線補間して振幅Ａ
_m(n) を算出すればよい。位相θ_m(n) は、ｎ＝０でθ
_m(0) ＝φ_0mからｎ＝Ｌでθ_m(L) がφ_Lmとなるように
Δωを設定する。

【００６９】次に、ｎ＝０のときＶ（有声音）で、ｎ＝
ＬのときＵＶ（無声音）とされる場合に、振幅Ａ_m(n)
は、Ａ_m(0) の伝送振幅値Ａ_0mからＡ_m(L) で０となる
ように直線補間する。ｎ＝Ｌでの伝送振幅値Ａ_Lmは無声
音の振幅値であり、後述する無声音合成の際に用いられ
る。位相θ_m(n) は、θ_m(0) ＝φ_0mとし、かつΔω＝
０とする。

【００７０】さらに、ｎ＝０のときＵＶ（無声音）で、
ｎ＝ＬのときＶ（有声音）とされる場合には、振幅Ａ_m
(n) は、ｎ＝０での振幅Ａ_m(0) を０とし、ｎ＝Ｌで伝
送された振幅値Ａ_Lmとなるように直線補間する。位相θ
_m(n) については、ｎ＝０での位相θ_m(0) として、フ
レーム終端での位相値φ_Lmを用いて、 θ_m(0) ＝φ_Lm−ｍ（ω_O1＋ω_L1）Ｌ／２・・・（12）とし、かつΔω＝０とする。

【００７１】上記ｎ＝０、ｎ＝ＬのいずれもＶ（有声
音）とされる場合に、θ_m(L) がφ_LmとなるようにΔω
を設定する手法について説明する。上記（11）式で、ｎ
＝Ｌと置くことにより、 θ_m(L) ＝ｍω_O1Ｌ＋Ｌ²ｍ（ω_L1−ω₀₁）／２Ｌ＋φ_0m＋ΔωＬ＝ｍ（ω_O1＋ω_L1）Ｌ／２＋φ_0m＋ΔωＬ＝φ_Lm となり、これを整理すると、Δωは、 Δω＝（mod2π((φ_Lm−φ_0m) − mL(ω_O1＋ω_L1)/2)／Ｌ・・・（13）となる。この（13）式でmod2π(x) とは、ｘの主値を−
π〜＋πの間の値で返す関数である。例えば、ｘ＝１.3
πのときmod2π(x) ＝−０.7π、ｘ＝２.3πのときmod2
π(x) ＝０.3π、ｘ＝−１.3πのときmod2π(x) ＝０.7
π、等である。

【００７２】ここで、図11のＡは、音声信号のスペクト
ルの一例を示しており、バンド番号（ハーモニクスナン
バ）ｍが８、９、１０の各バンドがＵＶ（無声音）とさ
れ、他のバンドはＶ（有声音）とされている。このＶ
（有声音）のバンドの時間軸信号が上記有声音合成部１
２６により合成され、ＵＶ（無声音）のバンドの時間軸
信号が無声音合成部１２７で合成されるわけである。

【００７３】以下、無声音合成部１２７における無声音
合成処理を説明する。ホワイトノイズ発生部１３１から
の時間軸上のホワイトノイズ信号波形を、所定の長さ
（例えば２５６サンプル）で適当な窓関数（例えばハミ
ング窓）により窓かけをし、ＳＴＦＴ処理部１３２によ
りＳＴＦＴ（ショートタームフーリエ変換）処理を施す
ことにより、図11のＢに示すようなホワイトノイズの周
波数軸上のパワースペクトルを得る。このＳＴＦＴ処理
部１３２からのパワースペクトルをバンド振幅処理部１
３３に送り、図11のＣに示すように、上記ＵＶ（無声
音）とされたバンド（例えばｍ＝８、９、１０）につい
て上記振幅｜Ａ_m｜_UVを乗算し、他のＶ（有声音）とさ
れたバンドの振幅を０にする。このバンド振幅処理部１
３３には上記振幅データ、ピッチデータ、Ｖ／ＵＶ判別
データが供給されている。バンド振幅処理部１３３から
の出力は、ＩＳＴＦＴ処理部１３４に送られ、位相は元
のホワイトノイズの位相を用いて逆ＳＴＦＴ処理を施す
ことにより時間軸上の信号に変換する。ＩＳＴＦＴ処理
部１３４からの出力は、オーバーラップ加算部１３５に
送られ、時間軸上で適当な（元の連続的なノイズ波形を
復元できるように）重み付けをしながらオーバーラップ
及び加算を繰り返し、連続的な時間軸波形を合成する。
オーバーラップ加算部１３５からの出力信号が上記加算
部１２９に送られる。

【００７４】このように、各合成部１２６、１２７にお
いて合成されて時間軸上に戻された有声音部及び無声音
部の各信号は、加算部１２９により適当な固定の混合比
で加算して、出力端子１３０より再生された音声信号を
取り出す。

【００７５】以上のようにＭＢＥでは、高精度のピッチ
トラックが要求されており、そのため上述したようなク
リッピングレベルを所定のサンプル列毎に段階的もしく
は連続的に変化させた後のセンタクリップ波形から自己
相関を求め、ピッチを抽出したり、あるいは現在フレー
ムに属する自己相関データから複数のピークを検出し、
これらの複数のピークの内の最大ピークが所定の閾値以
上のときに該最大ピーク等からピッチを求めている。こ
のとき、突発的に発生する整数倍又は整数分の１等の誤
ったピッチの検出やピッチの取りこぼしを回避するため
に、本発明に係るピッチ抽出装置でピッチ抽出時の異常
状態を検出し、異常状態のときには、音声情報から得ら
れた代替値を出力することにより、上記高精度のピッチ
トラックが可能となる。

【００７６】なお、本発明に係るピッチ抽出装置は、上
記実施例にのみ限定されるものでない。また、上述した
ＭＢＥで図５に示した音声分析側（エンコード側）の構
成や図10に示した音声合成側( デコード側) の構成につ
いては、各部をハードウェア的に記載しているが、いわ
ゆるＤＳＰ（ディジタル信号プロセッサ）等を用いてソ
フトウェアプログラムにより実現することも可能であ
る。

【００７７】

【発明の効果】本発明に係るピッチ抽出装置は、ピッチ
検出手段が入力音声信号の一定時間のフレーム毎のピッ
チを検出し、平滑化手段が現在フレームのピッチを前後
のフレームのピッチで平滑化し、切換手段が上記現在フ
レームのピッチと上記検出されたピッチに基づいて求め
られた代替ピッチとを切換選択して出力し、制御手段が
上記平滑化手段からの出力と上記現在フレームのピッチ
とに基づいて上記切換手段を切換制御することによっ
て、異常状態を検出し、異常状態のときには、代替とな
るピッチを出力することでより確実なピッチ抽出が行え
る。また、異常の検出と代替値の発生を独立に行うこと
でより本来のピッチに即したピッチ軌跡の追跡が行え
る。特に、ＭＢＥ等の高精度のピッチトラックが要求さ
れる音声の分析、合成系で有効である。

【図面の簡単な説明】

【図１】本発明に係るピッチ抽出装置の第１の実施例の
機能ブロック図である。

【図２】本発明に係るピッチ抽出装置の第１の実施例の
要部の具体例を示す機能ブロック図である。

【図３】本発明に係るピッチ抽出装置の第２の実施例の
機能ブロック図である。

【図４】本発明に係るピッチ抽出装置の第３の実施例の
機能ブロック図である。

【図５】本発明に係るピッチ抽出装置が適用される装置
の具体例としての音声信号の合成分析符号化装置の分析
側（エンコード側）の概略構成を示す機能ブロック図で
ある。

【図６】窓かけ処理を説明するための図である。

【図７】窓かけ処理と窓関数との関係を説明するための
図である。

【図８】直交変換（ＦＦＴ）処理対象としての時間軸デ
ータを示す図である。

【図９】周波数軸上のスペクトルデータ、スペクトル包
絡線（エンベロープ）及び励起信号のパワースペクトル
を示す図である。

【図10】本発明に係るピッチ抽出装置が適用される装置
の具体例としての音声信号の合成分析符号化装置の合成
側（デコード側）の概略構成を示す機能ブロック図であ
る。

【図11】音声信号を合成する際の無声音合成を説明する
ための図である。

【図12】自己相関法によるピッチの抽出を説明するため
の図である。

【図13】ピッチ軌跡上の誤りを説明するための図であ
る。

【符号の説明】

２・・・・・ピッチ検出部３・・・・・平滑化手段６・・・・・制御手段７・・・・・切換部

Claims

【特許請求の範囲】

【請求項１】入力音声信号の一定時間のフレーム毎の
ピッチを検出するピッチ検出手段と、このピッチ検出手段により検出された現在フレームのピ
ッチを前後のフレームのピッチで平滑化する平滑化手段
と、上記現在フレームのピッチと上記検出されたピッチに基
づいて求められた代替ピッチとを切換選択して出力する
切換手段と、上記平滑化手段からの出力と上記現在フレームのピッチ
とに基づいて上記切換手段を切換制御する制御手段とを
有することを特徴とするピッチ抽出装置。
【請求項２】上記平滑化手段として現在フレームのピ
ッチの値、過去フレームのピッチの値及び未来フレーム
のピッチの値の内の中央値を出力する回路を用いること
を特徴とする請求項１記載のピッチ抽出装置。