JPS5872194A

JPS5872194A - 音声分析符号化方式

Info

Publication number: JPS5872194A
Application number: JP56170390A
Authority: JP
Inventors: 櫛木好明; 高井紀代; 今井良彦
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1981-10-23
Filing date: 1981-10-23
Publication date: 1983-04-30

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】本発明は音声合成装置に与える音声データの分析符号化
方式に関するものである。

現在、線形予測や偏自己相関などを用いた音声分析合成
法が広く用いられている０第１図はその音声分析合成法
の流れ図を示したものである０入力された音声信号は例
えば１０六でサンプリングさｔｉ；１２ビツトで符号化
する２によシ音声ディジタルデータが得られる。得らｎ
た音声ディジタルデータを、線形予測や偏自己相関等を
用いて一定時間幅（分析フレームサイズ）毎に分析し、
分析時間幅（例えば２０　ｍ５ｅｃ　）毎の音声の特徴
を表わすパラメータを得る。このパラメータは基本周波
数、振幅、線形予測係数あるいは偏自己相関係数、有声
・無声・無音判定値である。このパラメータに対し、符
号化による圧縮を行ない、合成時間幅毎に得られたパラ
メータを音声合成装置に供給して、音声合成を行なう。

そして従来の音声分析合成法はこの分析時間幅と合成時
間幅を等しくかつ固定とする方法が広く用いられている
。

第２図は、分析時間幅のとり方を示した図である。ｌは
分析時間幅が固定で長い場合（例えば２０　ｍ５ｅｃ　
）、■は分析時間幅が固定で短い場合（例えばｔｓ　ｍ
５ｅｃ　）、■は音声の特徴により、て分析時間幅を変
化させる可変長フレームについて示している。第２図■
、■は、それぞｎ原音と合成音を示しており、Ｉ、ＩＩ
および■におけるフレームとの対応で示され゛〔いる０
図中の２１〜Ｆ２８はフレームナンバーを表わす。同図
１で示す分析時間幅が固定で長い場合、データ量が少な
くなる利点があるが、（１）分析時間幅に満たない子音
が埋もれてしまう、（１１）有声部と無声部の混在する
フレームが現れる問題点があり、これらは音質劣化、特
に子音の明瞭性劣化の原因になっている。第２図のフレ
ームＦ２がその例にあたる。

また第２図■の分析時間幅が固定で短かい場合、ト述し
た劣化は緩和される。たとえばフレームＦ２はフレーム
２９〜Ｆ１２０４つのフレームで分析きれ、フレームＦ
９の子音部が埋もれてしまうことはない。

しかし第２図１の分析時間幅が固定長で長い場合に比べ
て、デー°夕量が大幅に増加（例えば４倍）する欠点が
ある。

これに対し破裂音や摩擦音などの音声信号が短かい時間
で変化する部分では短かい時間幅で分析を行ない、定常
的な状態が長く続く部分では長い時間幅で分析する方法
をとった第２図■の可変長フレーム方式は、分析部・合
成部ともに構造が複し−ム方式に比べて複雑であり、ま
たデータ量もＩ分析時間幅が固定長で長い場合に比べて
増加する。

本発明は、長い分析時間幅で分析した際に現れる前述し
た欠点を、データ量をほとんど増加させることなく実現
することを目的とするものである。

第３図は、本発明による音声分析符号化方式を適用した
音声分析合成の流れ図である。同図において、音声信号
人力１．音声信号の符号化２．音声分析３２分分析フレ
−ム成４．パラメ］りの圧縮６．音声合成６のステップ
は従来通りであるが、音声分析は短かい時間幅で行ない
、音声分析３と符号化５のステップの間に、合成フレー
ムの作成７による合成パラメータ作成６を追加している
。なお分析時間幅は合成時間幅の整数分の−（２以上の
整数）で与えられる。

第４図は、第３図の合成フレーム作成７のステップを詳
しく示したものである。音声分析パラメータより、音声
特徴判定値を調べて連続して同じ音声特徴判定値を持つ
フレームの数を決定する（ステップ７１Ｌ）。ここでは
音声特徴判定値として有声・無声・無音判定値を用いる
。連続するフレームの数が決定されると、次にステップ
７ｂとしてその分析フレームから生成される合成フレー
ム数の決定と１合成フレームに割りあてる分析フレーム
の数を決定する。この際、音声パラメータは時間伸縮を
受けることになる。１合成フレームに割りあてらｎたい
くつかの分析フレームのパラメータ゛より、ステップ７
Ｃとして合成フレームのパラメータを算出する。以上の
手続きを繰り返すことによって、ステップ８として合成
パラメータを得る。

次に本発明による音声分析符号化方式を適用した第１の
実施例について説明する。

フレームサイズ２０　ｍ５１５０の偏自己相関を用いた
音声合成装置のデータを作成する際、従来ならば分析時
間幅も２０　ｍ５ｅｃを採用していたが、本方式の一つ
の実施例では、その１／４の時間幅ｓ　ｍ５ｅｃで分析
を行ない、合成時間幅２ｏｍｓｅｃで合成を行なう。即
ち、分析時間幅ｔ−１／４ｔ′（合成時間幅）である。

偏自己相関法を用いて分析時間幅５ｍ５ｅｃで分析を行
ない、基本周波数・振幅・偏自己相関係数、有声・無声
・無音判定値（有声ならば１゜無声ならばＯ１無音なら
ば−１と判定されている）を得る。音声特徴判定値とし
て、有声・無声・無音判定値を用いる。有声・無声・無
音判定値が同じで連続しているフレーム（即ち判定値＝
１ならば、次に０あるいは−１の判定値があられれるま
でのすべて）から、生成すべき合成フレームの数と、１
合成フレームに対する分析フレームの割りあてを決定す
る。

第６図にその割りあて法を図示する。同図において、同
じ特徴の連続する分析フレームの数をｋとする。１（ｋ
（４０時、時間伸長を施して１合成フレーム作成する。

ｋ′２６のときに＝４〕＋ａ（ａ＝４．５．６．７、）
え正の整数）と表わせる。ｋ＝４ノ＋４のとき、４分析
フレームから１合成フレームを作成して、合成フレーム
を（＋１個つくる。時間伸縮は行なわない。ｋ＝４）＋
５のとき、４分析フレームから作成される合晟フレーム
が８個、最後に５分析フレームから時間圧縮を施して１
合成フレームを作成し、全部で６．＋１個の合成フレー
ムが作成される。ｋ＝４１＋６のとき、最初と最後の合
成フレームが６分析フレームから作成され、その間は４
分析フレームから１合成フレームを作成し、□全部でｌ
＋１個の合成フレームが得られる。ただしｌ二〇すなわ
ちに二６の場合は６分析フレームが１合成フレームに割
りあてられる。ｋ＝４１　＋７のとき、最初のフレーム
が３分析フレームから作成され時間伸長が施される。そ
の他の合成フレームは４分析フレームから生成され、全
部でｌ＋２個の合成フレームを得る。

第６図１．１．１および■は本方式を採用して分析合成
した際の原音９分析フレーム、合成フレームおよび合成
音を示したもので、横軸に時間をとって示している。

なお、原音は、分析されるもとの音声波形で、な声天気
予報の一部、″°期日の天気゛の“′て゛の幅であるｓ
ｍｓ　ｅ　ａ毎に音声を区切・たものである。

図中Ｆ、′〜Ｆ、６′ハ分析フレーム、Ｆ、７　”　Ｆ
　２：　Ｉｄ　合成フレームをそれぞれ示している。■
の合成フレームは、璽の分析フレームの同じ特徴の連続
するフレームいくつかから作成さ、ルる合成フレームを
示したもので、合成時間幅Ｕ　２０　ｍ５ｅｃである。

分析フレームＦ、′〜Ｆ４′ハ合成フレ・−ム’、’ｙ
　Ｋ　割’）あてられ、時間的な伸縮は施されない。こ
こで、フｖ　−ム”ｙ　；はその前後のフレーム２４′
やＦ　６′（１）　音声波形と特徴が異なる。こ詐はｔ
’ｆ声特徴判定値によって判定できる。すなわちＦ４′
までは無音部１、／は無声部・、Ｆ６′は有声部である
。そのためフレーム２５′は他のフレームと統合される
ことなく１・分析フレームのみで１合成フレームが割シ
あてられ、４倍に時間伸長される。フレーム１６′から
、７Ｖ−４Ｆ、；−ｄでは有声音が１１フレーム連続シ
、これは第６図のに＝４１＋３（ｌ二１）の場合であル
。合成フレーム’＋９は分析フレーム　　／、Ｆ１ａ　
　　　　　７１Ｆ８′が、合成フレーム’２’ＯＩ　”２１は各々分１
７Ｖ−３合成フレームが生成される。

なお、生成された合成フレームの音声特徴判定値以外の
音声パラメータの超は、その合成フレームに割りあてら
れた各分析フレームのパラメータの平均値で与えるもの
とする。すなわち第ｎフレームめの振幅値をムｎとする
と、ムｌ−（’６＋ム７Ａ８）／３である。

第２図１ｖの合成音は以上の手続きで作成された合成パ
ラメータを用いて合成した音声の波形である。第６図に
のみ関して述べると、８０ｍ５ｅＣの原音が１００　ｍ
５ｅｃに伸長されて合成されている。

前述の試料全体としては、原音４．９０秒が合成音では
４．９４秒になり、時間伸縮率は１．００４である。す
なわち、データ量の増加ｉｊ　１．００４倍にすぎない
。

次に本発明の第２の実施例について説明する。

この第２の実施例では前述した第１の実施例と同じ試料
で、同じ条件で分析合成するものとする。

また分析フレームから合成フレームへの割りあて１０・
′−°− を第７図を用いて行なうものとする。

同じ特徴の連続する分析フレ・−ムの数をｋとする０１
くｋく４のとき、時間伸長を施して１合成フレームを作
成する。ｋン６Ｃ′）七き、ｋ＝４ノ十ａ（ａ＝４．５
，６，７．）ニー１１ミの整数）と表わせる。ｋ＝４ノ
＋４のとき、４るト折フレームから１合成フレームを作
成して、合成フレームを１＋１個作成する。時間伸縮は
（Ｔ　ｒ’；　：ｂない。ｋ＝４ｊ！＋５のとき、最初
の合成フレームには２分析フレーＡ７％、　最後）合成
フレームには３分析フＬ／−ムが割りあてられ、その間
の合成フレームにはそれぞれ４分析フレームが割りあて
られ、全部でｌ＋２個の合成フレームを作成する。ｋ＝
４ノ＋６のとき、最初と最後のフレームが３分析フレー
ムから作成され全部で１＋２個の合成フレームを得る。

ｋ−４ノ＋７のとき、最初の合成フレームは３分析フレ
ームから生成され、その他の合成フレームは４分析フレ
ームから作成され全部でｌ＋２個の合成フレームを生成
する。この方法では、時間圧縮を施すことはない。

なお生成された合成ヅレームの音声特徴判定値以外の音
声パラメータの値は、第１の実施例と同様、その合成フ
レーム吟割り当てられた各分析フレームのパラメータの
平均値で与えるものとする。

この際、原音４．９０秒が合成音では５．１６秒になり
時間伸縮率は１．０６である。すなわちデータ量の増加
は１．０５倍である。

ところで第６図１の原音は“明日の天気″の“°て″の
部分である。この“て”の子音部“ｔ”はフレー′ムＦ
′５　にあたるが５ｍＢｅ０と短かく、従来分析で分析
時間幅を長くとった場合には、第２図のフレームＦ２に
示すように有声部・無声部の混在するフレームとなシ、
的確なパラメータ抽出ができないことが多く、第２図■
の合成音に示すように“ｔ”の子音性を再現できなかっ
た。しかし上記実施例による分析合成では、第６図に示
すようにフレームＦ６　は時間伸長されてフレームＦ、
８′として存在し、“ｔ”の明瞭性を向上させている。

上記実施例より明らかなように、本発明によれば従来の
分析時間幅・合成時間幅が等しく、一定でかつ長いこと
が原因で起゛きていた劣化の改善策を、データ量をほと
んどかえることなく（多くとも数％の増加にとどめて）
実現できたものである。

また、音声の特徴に従って各合成フレームが作成されて
おシ、有声部・無声部の混在するフレームが存在しない
ので、データ圧縮した際の劣化は従来より小ない。さら
に最終的には固定長フレームのパラメータを生成するの
で、従来の音声合成ＬＳＩをそのまま用いる事、ができ
るという利点もある。

【図面の簡単な説明】

第１図は従来の音声分析合成方式の流れ図、第２図は従
来の分析時間幅と原音および合成音の波□形を示した図
、第３図は本発明による音声分析符号化方式を適用した
音声分析合成装置の流れ図、第４図は同要部の詳細な流
れ図、第５図は同分析フレーム・合成フレームと原音お
よび合成音を示した波形図、第６図および第７図は同実
施例の合成フレーム割りあて方法を説明するための図で
ある。第　１　　し１第２１！１第３図第４図

Claims

【特許請求の範囲】音声合成装置にパラメータを供給する時間幅の整数分の
−の時間幅で音声信号を分析して有声音。無声音、無音の特徴判定値を判定し、同一の判定値が連
続する１個以上の分析フレームを、時間軸上の伸縮を加
えて１個あるいはそれ以上の合成フレームに割りあて、
１合成フレームに対応する数個の分析フレームのパラメ
ータよりその合成フレームのパラメータを算出すること
を特徴とする音声分析符号化方式。