音声処理装置およびそのプログラム
【課題】声の個人性の維持と音質の維持とのバランスをとりながら音声の基本周期を変換し、高品質な変換後の音声を出力することのできる音声処理装置を提供する。
【解決手段】音声処理装置は、スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部とを具備する。そして、（ａ）スペクトル包絡保存型基本周期変換部からの出力をサンプリングレート変換型基本周期変換部への入力に接続し、または、（ｂ）サンプリングレート変換型基本周期変換部からの出力をスペクトル包絡保存型基本周期変換部への入力に接続する構成とする。
【解決手段】音声処理装置は、スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部とを具備する。そして、（ａ）スペクトル包絡保存型基本周期変換部からの出力をサンプリングレート変換型基本周期変換部への入力に接続し、または、（ｂ）サンプリングレート変換型基本周期変換部からの出力をスペクトル包絡保存型基本周期変換部への入力に接続する構成とする。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、音声を処理する音声処理装置およびプログラムに関する。本発明は、特に、音声の基本周期を変換する音声処理装置およびプログラムに関する。
【背景技術】
【０００２】
音声の声の高さ（基本周波数）を変換する技術が研究されてきている。基本周波数の逆数が基本周期であり、基本周波数を変換するということと基本周期を変換するということは同じ意味を持つ。声の高さを変換する技術の応用分野は、例えば、テレビ、ラジオ、ハードディスクレコーダーなどである。声の高さを変えたり、イントネーションを強調したりすることにより、音声を聞き取りやすくすることができる。ここで、イントネーションは、基本周期の時間変化のパターンであるので、基本周期を変換することによりイントネーションを制御することもできる。また、テキストを音声に変換する音声合成技術において、アクセント・イントネーションを制御したり感情表現を制御したりする研究も行われている。
【０００３】
基本周期（基本周波数）変換を行う方法の一つとして、スペクトル包絡保存型の基本周期変換の技術が研究されている。具体的には、ＬＰＣ（線形予測）分析・合成による方式や、ＰＳＯＬＡ法（Pitch Synchronous OverLap Add）である。また、特許文献１、特許文献２、非特許文献１に、スペクトル包絡保存型の基本周期変換について記載されている。
【０００４】
また、基本周期変換を行うための、より簡便で実用的な方式として、サンプリングレート変換型の基本周期変換の技術が研究されている。特許文献３、特許文献４に、サンプリングレート変換型の基本周期変換について記載されている。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特許第２６１２８６７号公報
【特許文献２】特許第３０８３８２９号公報
【特許文献３】特許第１７８０８５６号公報
【特許文献４】特許第３０７３９４２号公報
【非特許文献】
【０００６】
【非特許文献１】河原英紀，“聴覚の情景分析と高品質音声分析変換合成法STRAIGHT”，日本音響学会研究発表会講演論文集 1997(2)，pp.189-192，1997年
【発明の概要】
【発明が解決しようとする課題】
【０００７】
音声の生成の原理に基づけば、声の高さを変換するためには、スペクトル包絡保存型の基本周期変換方式を用いることが望ましい。スペクトル包絡が保存されることで個人性が保たれ、あたかも本人が声の高さを変えて発声したかのような変換音声を生成することができる。しかし、スペクトル包絡保存型の基本周期変換方式全般の特徴として、声の高さを大きく上下（シフト）させた場合、音質が劣化し、歪んだ音になったり、こもった音になったりすることが多い。音質を劣化させずに大きなシフトを行うためには、より複雑な処理が必要となる。
【０００８】
一方、サンプリングレート変換（波形の線形伸縮）型の基本周期変換方式は、処理が単純であり、音質の劣化も少ない。但し、音声の基本周期（基本周波数）だけでなく、全ての周波数成分が同じ割合で一様に上下（シフト）するため、変換の量が大きくなると、音声の個人性を保つことができない。従って、サンプリングレート変換型の基本周期変換方式は、音楽に適用されることはあるものの、個人性を重視する声に適用することは考えられなかった。
【０００９】
本発明は、上記の事情を考慮して為されたものであり、各方式の特性に基づいて、声の個人性の維持と、音質の維持とのバランスをとり、いずれか一方が著しく劣化することを防ぐことのできる音声処理装置およびそのプログラムを提供する。
【課題を解決するための手段】
【００１０】
［１］上記の課題を解決するため、本発明の一態様による音声処理装置は、スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部と、を具備し、（ａ）外部からの入力音声を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力音声を外部への出力とし、または、（ｂ）外部からの入力音声を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力音声を外部への出力とすることを特徴とする。
【００１１】
この構成によれば、スペクトル包絡保存型の基本周期変換とサンプリングレート変換型の基本周期変換とを縦続的に用いて所望の倍率の変換を行うことができる。これらの各々の方式によって基本周期変換時の出力音声の特性が異なるため、トータルで所望の倍率を得るために、各方式における出力特性を考慮しながら、各方式における倍率（第１の倍率および第２の倍率）を配分することが可能となる。
【００１２】
［２］また、本発明の一態様による音声処理装置は、前記スペクトル包絡保存型基本周期変換部による周期変換および前記サンプリングレート変換型基本周期変換部による周期変換を合成したときの所望倍率に基づいて、前記第１の倍率および前記第２の倍率を算出し、前記第１の倍率の情報を前記スペクトル包絡保存型基本周期変換部に渡し、前記第２の倍率の情報を前記サンプリングレート変換型基本周期変換部に渡す変換倍率算出部を更に具備することを特徴とする。
【００１３】
この構成によれば、スペクトル包絡保存型基本周期変換部による周期変換およびサンプリングレート変換型基本周期変換部による周期変換を合成した変換の所望倍率に応じて、各変換の倍率を算出することができる。
所望倍率が所定の範囲内（一例として、倍率１を中心として、上下に各所定パーセンテージの範囲内。さらに、例えば、上下に各４０パーセントの範囲内、つまり、所望倍率０．６以上且つ１．４以下）の場合にはサンプリングレート変換型基本周期変換部による周期変換の倍率を１として、それに合わせてスペクトル包絡保存型基本周期変換部による周期変換の倍率を定めることができる（一例として、所望倍率αに対して、スペクトル包絡保存型基本周期変換部による周期変換の倍率もαとする）。これにより、声の個人性を維持できる
所望倍率が、上記所定範囲の外（つまり、基本周期を４０％以上変えることを所望する）の場合には、サンプリングレート変換型基本周期変換部による周期変換の倍率を１以外の値として、これによってスペクトル包絡保存型基本周期変換部による周期変換の倍率を上位所定範囲内の値（例えば、その範囲の境界である０．６または１．４）として、これにより音質の劣化を防止することができる。
【００１４】
また、上記［２］において、（（前記第１の倍率に前記第２の倍率を乗じた値）から１を減じた値）を（前記所望倍率から１を減じた値）で除した値が、０．９４以上且つ１未満となるように、前記変換倍率算出部が前記第１の倍率および前記第２の倍率を算出するようにしても良い。
【００１５】
［３］また、本発明の一態様による音声処理装置は、スペクトル包絡保存型の基本周期変換方式で前記外部からの入力音声を周期変換した結果の音声のスペクトル包絡を算出する第１のスペクトル算出部と、前記外部からの入力音声のスペクトル包絡を算出する第２のスペクトル算出部と、前記第１のスペクトル算出部によって算出されたスペクトル包絡と、前記第２のスペクトル算出部によって算出されたスペクトル包絡とに基づいて、スペクトル包絡保存型の基本周期変換方式によるスペクトル歪み量を算出するスペクトル歪み量算出部とを更に具備し、前記変換倍率算出部は、算出された前記スペクトル歪み量にも基づいて前記第１の倍率および前記第２の倍率を算出することを特徴とする。
【００１６】
この構成により、スペクトル包絡保存型の基本周期変換方式で所定の倍率の周期変換を行った場合のスペクトル歪み量を実際に算出し、そのスペクトル歪み量に基づいてスペクトル包絡保存型基本周期変換部による周期変換の倍率およびサンプリングレート変換型基本周期変換部による周期変換の倍率を算出することができる。
【００１７】
［４］また、本発明の一態様は、スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部とを具備し、（ａ）外部からの入力音声を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力音声を外部への出力とし、または、（ｂ）外部からの入力音声を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力音声を外部への出力とする、音声処理装置としてコンピューターを機能させるプログラムである。
【発明の効果】
【００１８】
本発明は、比較的簡便な処理で、基本周期変換の際の音質を向上させることができるものである。本発明により、基本周期を変換した場合に生じる音質の劣化を小さくし、より聞きやすい音声を出力することができる。また、本発明により、所望の変換倍率に応じて、個人性の維持を優先する変換方式と、個人性の維持を無理に行わずに音質の劣化を防止する変換方式とを、自動的に切り替えることができる。
【図面の簡単な説明】
【００１９】
【図１】本発明の第１の実施形態による音声処理装置の機能構成を示すブロック図である。
【図２】周期変換前の原音声と、サンプリングレート変換型基本周期変換を行った後の音声と、スペクトル包絡保存型基本周期変換を行った後の音声の、それぞれの、波形および周波数スペクトルを示す概略図である。
【図３】本発明の第２の実施形態による音声処理装置の機能構成を示すブロック図である。
【発明を実施するための形態】
【００２０】
［第１の実施形態］
次に、図面を参照しながら、本発明の一実施形態について説明する。
図１は、本実施形態による音声処理装置の機能構成を示すブロック図である。図示するように、音声処理装置１は、有声度算出部１００と、サンプリングレート変換型基本周期変換部１１０と、接続部１２０と、基本周期変換部２００とを含んで構成される。またさらに、基本周期変換部２００は、基本周期抽出部２１０と、基本周期区間分割部２２０と、変換倍率算出部２６０と、変換倍率設定部２７０と、スペクトル包絡保存型基本周期変換部２４０と、サンプリングレート変換型基本周期変換部２５０とを含んで構成される。
【００２１】
有声度算出部１００は、入力音声の有声度を算出する。そして、有声度算出部１００によって算出された有声度に応じて、入力音声が無変換で接続部１２０に渡される（有声度が小の場合）か、入力音声がサンプリングレート変換型基本周期変換部１１０に渡される（有声度が中の場合）か、入力音声が基本周期変換部２００に渡される（有声度が大の場合）かの切り替えが行われる。
【００２２】
サンプリングレート変換型基本周期変換部１１０は、基本周期を特定しない方式で波形の伸縮を行う。
接続部１２０は、無変換で渡される音声と、サンプリングレート変換型基本周期変換部１１０から渡される音声と、基本周期変換部２００から渡される音声とを、再度接続し、出力音声として出力する。
【００２３】
基本周期変換部２００は、入力される音声に関して、基本周期の変更を行う。基本周期変換部２００に含まれる各部の機能は、次に述べるとおりである。
基本周期抽出部２１０は、入力される音声の基本周期を求める。
基本周期区間分割部２２０は、基本周期の長さに合わせて、入力音声波形を基本周期ごとに区分化する。
【００２４】
スペクトル包絡保存型基本周期変換部２４０は、変換倍率算出部２６０から渡されるβの値を用いて、スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期をβ倍に（第１の倍率で）変換して出力する。
サンプリングレート変換型基本周期変換部２５０は、変換倍率算出部２６０から渡されるθの値を用いて、サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期をθ倍に（第２の倍率で）変換して出力する。サンプリングレート変換型基本周期変換部２５０は、サンプリングレート変換型の基本周期得変換を、入力音声の波形の線形伸縮により行う。
【００２５】
変換倍率設定部２７０は、ユーザーインタフェースを介したユーザーからの指示等により、あるいは予め記憶された設定値等により、基本周期に関する所望の変換倍率αの値を設定し、変換倍率算出部２６０に渡す。
変換倍率算出部２６０は、スペクトル包絡保存型基本周期変換部２４０による周期変換およびサンプリングレート変換型基本周期変換部２５０による周期変換を合わせた所望倍率αに基づいて、それぞれの変換における倍率（後述するβおよびθ）を算出し、算出された倍率の情報を、スペクトル包絡保存型基本周期変換部２４０とサンプリングレート変換型基本周期変換部２５０に渡す。
【００２６】
次に、音声処理装置１の動作を詳細に説明する。音声処理装置１に入力される入力音声は、予め音声区間だけを選別したものであり、雑音区間や無音区間などが取り除かれているものである。入力音声の区間は、数秒以上の長い区間であってもよいし、数十ミリ秒の短い区間であってもよい。
また、α（α＞０）は入力音声に対して与えられる所望の基本周期変換倍率である。
【００２７】
有声度算出部１００は、自己相関分析等により、入力音声の有声度Ｒを算出する。そして、有声度算出部１００が算出した有声度Ｒの値に応じて、入力音声を処理する手段の切り替えを行う。入力音声は、声帯が振動して発せられる有声音（母音や一部の子音）と声帯が振動しないで発せられる無声音（多くの子音）に大別される。また、発声の形態や個人の違いによりその中間的な特徴を示す区間を持つ場合もある。
【００２８】
具体的には、有声度算出部１００は、波形の周期性を調べることによって有声度Ｒを算出する。波形の周期性が強いほど、有声度Ｒも大きい。有声度算出部１００は、有声度算出のために、下の式（１）で表される自己相関関数Ｒ（τ）を用いる。
【００２９】
【数１】
【００３０】
ここで、ｋは、時間軸における離散的なインデックスであり、０≦ｋ≦Ｋ−１である。また、下の式（２）の通りである。
【００３１】
【数２】
【００３２】
式（２）において、ｘ（ｋ）は音声波形であり、ｗ（ｋ）はハミング窓を表す関数である。
【００３３】
有声度算出部１００は、式（１）で表した自己相関関数を用いて、有声度Ｒを下の式（３）で計算する。
【００３４】
【数３】
【００３５】
なお、式（３）において、Ｒ（τ）ｍａｘは、τ＞０におけるＲ（τ）の最大値である。
【００３６】
有声度算出部１００は、算出した有声度Ｒが所定値よりも大きければ有声音区間と判断し、有声度Ｒが所定値よりも小さければ無声音区間と判断する。例えば、本実施形態では、Ｒ＞０．４のときには入力音声が有声音区間にあると判断し、入力音声を基本周期変換部２００側へ出力する。また、Ｒ＜０．２のときには入力音声が無声音区間にあると判断し、入力音声を接続部１２０に出力する。また、０．２≦Ｒ≦０．４のときには、有声音と無声音の中間的な性質をもった区間であると判断し、入力音声をサンプリングレート変換型基本周期変換部１１０へ出力する。
なお、ここでは、０．２および０．４をそれぞれ基準値として有声度Ｒの大／中／小を判別しているが、異なる基準値を用いても良い。
【００３７】
Ｒ＜０．２のとき（有声度Ｒが所定値より小さいとき）には、入力音声が無変換で接続部１２０に渡される。これは、無声音には周期性がないため、入力音声を無変換で出力するためである。
【００３８】
０．２≦Ｒ≦０．４のとき（有声度Ｒが中間的な値のとき）には、周期性が明確ではない。従って、サンプリングレート変換型基本周期変換部１１０は、基本周期を特定しない方式（例えば２０ミリ秒の一定のフレーム長単位）で、倍率α、またはαより緩和した倍率（例えばα１／２）を用いて、波形の伸縮を行う。つまり、サンプリングレート変換型基本周期変換部１１０は、α＞１の場合には波形を時間方向に伸ばし、α＜１の場合には波形を時間方向に縮める。但し、入力される波形の時間長と出力される波形の時間長が等しくなるよう、α＞１の場合にはフレーム長単位で適宜波形を間引き、α＜１の場合にはフレーム長単位で適宜波形を繰り返す。
【００３９】
次に、Ｒ＞０．４の場合（有声度Ｒが所定値より大きいとき）に入力音声を処理する基本周期変換部２００の動作を説明する。
基本周期抽出部２１０は、入力音声の基本周期を求める。基本周期を抽出方法は、既存技術を用いて行うことができる。基本周期抽出部２１０は、例えば、自己相関法やケプストラム法などを用いて入力音声の基本周期を求める。
【００４０】
基本周期区間分割部２２０は、基本周期の長さに合わせて、入力音声波形を基本周期ごとに区分化する。基本周期は発声する声帯の振動周期に相当するが、声帯の振動周期は数十ミリ秒の短い時間の間にも少しずつ変化するのが一般的であるので、区分化される各基本周期区間の長さは、隣り合う区間でも異なることが多い。基本周期区間を分割する方法としては、既存技術を用いる。例えば、文献（都木、清山、宮坂：「ピッチ同期音声処理のためのピッチ区間自動区分化の一手法」，信学技報，ＳＰ９３−６，電子通信学会，１９９３年)などに記載された方法を利用することができる。同文献に記載されている方法は、まず有声音区間について複数の異なる窓幅で自己相関分析を行い、各窓幅で得られたピッチ周期の候補を統計的に処理して基本周期の予備抽出を行い、これを元に当該有声音区間全体にわたって一定の時間間隔で基本周期を抽出し、その逆数を計算して求めた周波数より高いカットオフ周波数で波形を低域ろ波し、得られた正弦波状の波形のピークから順次１基本周期区間ごとの基本周期を決定し、それに従って基本周期区間への分割を行う。
【００４１】
変換倍率設定部２７０は、利用者等からの指示に基づいて所望の倍率αの値を設定し、変換倍率算出部２６０にその値を渡す。
【００４２】
変換倍率算出部２６０は、与えられたαの値に応じて、スペクトル包絡保存型基本周期変換部２４０に与える変換倍率βとサンプリングレート変換型基本周期変換部２５０に与える変換倍率θを算出する。
【００４３】
［場合１−１］変換倍率算出部２６０は、一例として、０．６≦α≦１．４ならば、β＝αとし、θ＝１とする。このとき、０．６≦β≦１．４であるため、スペクトル包絡保存型基本周期変換を行っても、入力音声の個人性は維持される。つまり、入力音声の話者の声の特徴が維持され、基本周期変換後においてもその話者が話しているかのような出力音声を得ることができる。なお、この場合、α＝β・θの関係が保たれている。
【００４４】
［場合１−２］また、変換倍率算出部２６０は、一例として、α＜０．６ならば、β＝０．６とし、θ＝α／０．６とする。なお、この場合も、α＝β・θの関係が保たれている。この場合には、β＝０．６として（つまり、βが０．６より著しく小さくなることを避けて）いるため、音質の劣化を防ぐことができる。但し、θ≠１であり個人性の維持を犠牲にしている。これは、α＜０．６の場合には無理に個人性を維持する必要はないという考え方に基づく。
【００４５】
［場合１−３］また、変換倍率算出部２６０は、一例として、α＞１．４ならば、β＝１．４とし、θ＝α／１．４とする。なお、この場合も、α＝β・θの関係が保たれている。この場合には、β＝１．４として（つまり、βが１．４より著しく大きくなることを避けて）いるため、音質の劣化を防ぐことができる。但し、θ≠１であり個人性の維持を犠牲にしている。これは、α＞１．４の場合には無理に個人性を維持する必要はないという考え方に基づく。
【００４６】
参考文献（T.Takagi，H.Kuwabara，“Contributions of pitch, formant frequency and bandwidth to the perception of voice-personality”，Proc. ICASSP 86，17.8，pp.889-892，１９８６年）によれば、スペクトル包絡保存型の方式による基本周期（基本周波数）のシフトに対しては、±４０％程度まで個人性が保たれることがわかる。よって、トータルな所望変換倍率αが０．６以上且つ１．４以下の場合には、スペクトル包絡保存型基本周期変換部２４０による変換倍率βをαと同等として、サンプリングレート変換型基本周期変換部２５０による変換倍率θを１とすることには意味がある。これにより、個人性が保たれる。一方で、所望変換倍率αが０．６より小さい場合、または、αが１．４より大きい場合には、上記参考文献の内容はスペクトル包絡保存型の方式を用いても個人性を維持することが難しいとも解釈でき、βを、それぞれ、０．６または１．４として、音の歪みを防止しながら、θ＝α／βとなるようにしてサンプリングレート変換型の方式も有効とし、無理に個人性の維持をしないことを許すこととしている。このようにαの値に応じてβおよびθの算出のしかたを変えることにより、場合に応じて個人性の維持と歪みの防止とを適宜切り替える形で、基本周期を変換することができるようになっている。
【００４７】
また、上記の場合１−１から場合１−３までの算出方法とは別の方法として、次のようにβとθを算出しても良い。
【００４８】
［場合２−１］変換倍率算出部２６０は、一例として、０．６５≦α≦１．３５ならば、β＝αとし、θ＝１とする。なお、この場合も、α＝β・θの関係が保たれている。０．６５≦α≦１．３５の場合には、βおよびθの値は、前述の「場合１−１」におけるそれらと同様である。
【００４９】
［場合２−２］また、変換倍率算出部２６０は、一例として、α＜０．６５ならば、β＝０．６５とし、θ＝α／０．６５とする。なお、この場合も、α＝β・θの関係が保たれている。
このように、α＜０．６５の場合には、前述の「場合１−１」や「場合１−２」よりも、βがより大きな値となり、θがより小さな値となる。つまり、「場合１−１」や「場合１−２」よりも、サンプリングレート変換型基本周期変換方式のほうをより強く作用させる結果となる。
【００５０】
［場合２−３］また、変換倍率算出部２６０は、一例として、α＞１．３５ならば、β＝１．３５とし、θ＝α／１．３５とする。
このように、α＞１．３５の場合には、前述の「場合１−１」や「場合１−３」よりも、βがより小さな値となり、θがより大きな値となる。つまり、「場合１−１」や「場合１−３」よりも、サンプリングレート変換型基本周期変換方式のほうをより強く作用させる結果となる。
【００５１】
これらの、場合２−１から場合２−３までの算出方法によると、場合１−１から場合１−３までの算出方法と比べて、サンプリングレート変換型基本周期変換方式をより強く作用させているが、スペクトル包絡における全ての極周波数を±５％程度まで変化させても個人性が保たれるので、このようにβおよびθを算出しても良いと言える。その根拠として、参考文献（T.Takagi，H.Kuwabara，“Contributions of pitch, formant frequency and bandwidth to the perception of voice-personality”，Proc. ICASSP 86，17.8，pp.889-892，１９８６年）に、スペクトル包絡の形を特徴付けている全ての極周波数のシフトが±５％程度の範囲内であれば個人性が保たれることが示されている。なお、ここで、極周波数とは、スペクトル包絡におけるピークを示す周波数である。スペクトル包絡は、鋭いピークやなだらかなピークなどを有するが、ここでは、それら全てのピークに対応する周波数が、「すべての極周波数」である。
【００５２】
倍率αの値に応じた場合分けを一般化すると、α＜αSの場合と、αS≦α≦αL
の場合と、αL＜αの場合に分けることができる。上述したのは、αS＝０．６且つαL＝１．４の場合と、αS＝０．６５且つαL＝１．３５の場合であるが、αSおよびαLとして、適宜異なる値を用いても良い。
【００５３】
また、さらに、サンプリングレート変換型基本周期変換方式においては、基本周期だけでなくすべての周波数成分が基本周期と同じ割合で変化する。従って、同じパーセンテージで基本周期を変換する場合でも、サンプリングレート変換型基本周期変換方式のほうが、スペクトル包絡保存型基本周期変換方式に比べ、声の高さの変化量が人の耳はより大きく感じられる場合がある。そこで、βとθの積が、αよりも数パーセント（例えば、３％。但し他の値でも良い。）程度１に近くなるよう、βとθの値をそれぞれ若干ずつ１に近づけ、音質の劣化や個人性の変化を抑えながら所望の効果を得るようにしても良い。
つまり上記の、場合１−１から場合１−３までと、場合２−１から場合２−３までのそれぞれにおいて、β＜１の場合には、それぞれの場合において示した値よりも、βを若干大きくする。また、θ＜１の場合には、それぞれの場合において示した値よりも、θを若干大きくする。逆に、β＞１の場合には、それぞれの場合において示した値よりも、βを若干小さくする。また、θ＞１の場合には、それぞれの場合において示した値よりも、θを若干小さくする。
つまり、このとき、変換倍率算出部２６０は、α＜１の場合には、α＜（β・θ）＜（α＋αｄｉｆｆ）＜１となるように、βおよびθの値を設定する。また、変換倍率算出部２６０は、α＞１の場合には、１＜（α−αｄｉｆｆ）＜（β・θ）＜αとなるように、βおよびθの値を設定する。なおここで、αｄｉｆｆは、適宜決定される正数であり、例えば、αｄｉｆｆを０．０１以上且つ０．０５以下の数とする。
【００５４】
あるいは、同様の趣旨で、０．９４≦｛（β・θ−１）／（α−１）｝＜１となるようにβおよびθの値を設定する。
【００５５】
スペクトル包絡保存型基本周期変換部２４０は、変換倍率算出部２６０によって算出されたβの値に従い、基本周期区間分割部２２０によって区分化された基本周期区間ごとの波形に対し、β倍の基本周期の変換を行う。
【００５６】
また、サンプリングレート変換型基本周期変換部２５０は、変換倍率算出部２６０によって算出されたθの値に従い、スペクトル包絡保存型基本周期変換部２４０から出力される基本周期区間ごとの波形に対し、θ倍の基本周期の変換を行う。
【００５７】
スペクトル包絡保存型基本周期変換部２４０およびサンプリングレート変換型基本周期変換部２５０による周期変換自体は、既存技術を利用して行うことができる。なお、本実施形態ではスペクトル包絡保存型基本周期変換部２４０による周期変換の後にサンプリングレート変換型基本周期変換部２５０による周期変換を行っているが、この順序を逆にしても良く、いずれの場合も同等の結果が得られる。
【００５８】
つまり、外部からの入力音声をスペクトル包絡保存型基本周期変換部２４０への入力に接続し、スペクトル包絡保存型基本周期変換部２４０からの出力をサンプリングレート変換型基本周期変換部２５０への入力に接続し、サンプリングレート変換型基本周期変換部２５０からの出力音声を、接続部１２０経由で、外部への出力としても良い。また、逆に、外部からの入力音声をサンプリングレート変換型基本周期変換部２５０への入力に接続し、サンプリングレート変換型基本周期変換部２５０からの出力をスペクトル包絡保存型基本周期変換部２４０への入力に接続し、スペクトル包絡保存型基本周期変換部２４０からの出力音声を、接続部１２０経由で、外部への出力としても良い。
【００５９】
そして、基本周期変換部２００は、基本周期変換済みの音声を接続部１２０に出力する。
【００６０】
接続部１２０は、有声度Ｒが小さく（Ｒ＜０．２）無変換だった波形と、Ｒが中間的な値（０．２≦Ｒ≦０．４）でサンプリングレート変換型基本周期変換部１１０で変換された波形と、Ｒが大きく（Ｒ＞０．４）基本周波数変換部２００で基本周期が変換された波形を、順次接続して、最終的な出力音声として出力する。
【００６１】
図２は、同じ倍率で、サンプリングレート変換型基本周期変換（サンプリングレート変換型基本周期変換２５０による変換）およびスペクトル包絡保存型基本周期変換（スペクトル包絡保存型基本周期変換２４０による変換）を行ったときの、波形および周波数スペクトルを示すものである。
【００６２】
図２（ａ）は、周期変換前の原音声に関するものである。符号ａ１は、現音声の波形を表す。ここで、横方向が時間軸であり、縦方向が振幅である。また、符号ａ２は、現音声のパワースペクトル（細線）およびスペクトル包絡（太線）を表す。ここで、横軸は周波数であり、縦軸はパワー（単位はデシベル）である。
【００６３】
図２（ｂ）は、サンプリングレート変換型基本周期変換を行った後の音声に関するものである。符号ｂ１は、サンプリングレート変換型基本周期変換の後の波形を表す。また、符号ｂ２は、サンプリングレート変換型基本周期変換の後のパワースペクトル（細線）およびスペクトル包絡（太線）を表す。ｂ１の波形は、上のａ１の波形を時間方向に一様に縮めた形状をしており、ａ１の波形とは基本周期（類似した形の波形が繰り返す時間の長さ）が異なる。ｂ２のスペクトル包絡は、ａ２のスペクトル包絡とは形状が異なっている。具体的には、ｂ２のスペクトル包絡とａ２のスペクトル包絡の間では、極周波数の数が異なり、また極周波数の位置も大きく異なっている。サンプリングレート変換型の基本周期変換方式では、時間軸上の波形は一様に伸縮され、周波数軸上でも全体が一様に伸縮する（時間軸上の波形が縮めば、周波数軸上では伸びる）ことが特徴である。
【００６４】
図２（ｃ）は、スペクトル包絡保存型基本周期変換（ＬＰＣ分析・合成）を行った後の音声に関するものである。符号ｃ１は、スペクトル包絡保存型基本周期変換の後の波形を表す。また、符号ｃ２は、スペクトル包絡保存型基本周期変換の後のパワースペクトル（細線）およびスペクトル包絡（太線）を表す。本方式では、ｃ１の時間軸上の波形は、ａ１の波形と比べて、その基本周期が変化しているが、時間方向に一様に縮めた形状にはなっていない。一方で、周波数軸上では、ｃ２のスペクトル包絡が、ａ２のスペクトル包絡ほぼ同様の形を保っていることが特徴である。具体的には、ｃ２のスペクトル包絡とａ２のスペクトル包絡の間では、極周波数の位置が近い。
【００６５】
［第２の実施形態］
次に、第２の実施形態について説明する。なお、本実施形態の技術事項において、前述の実施形態と共通する部分については同一の符号を付すとともに、その詳細な説明を省略する。以下では、本実施形態に特有な部分を中心に説明する。
【００６６】
図３は、本実施形態による音声処理装置の機能構成を示すブロック図である。図示するように、音声処理装置２は、有声度算出部１００と、サンプリングレート変換型基本周期変換部１１０と、接続部１２０と、基本周期変換部４００とを含んで構成される。またさらに、基本周期変換部４００は、基本周期抽出部２１０と、基本周期区間分割部２２０と、スペクトル包絡保存型基本周期変換部４３０と、スペクトル算出部４４０（第１のスペクトル算出部）およびスペクトル算出部４５０（第２のスペクトル算出部）と、スペクトル歪み量算出部４６０と、変換倍率算出部４７０と、スペクトル包絡保存型基本周期変換部２４０と、サンプリングレート変換型基本周期変換部２５０とを含んで構成される。
【００６７】
スペクトル包絡保存型基本周期変換部４３０は、外部からの入力音声を周期変換する。
スペクトル算出部４４０は、スペクトル包絡保存型基本周期変換部４３０によって周期変換された結果の音声のスペクトルを算出する。
スペクトル算出部４５０は、外部からの入力音声のスペクトルを算出する。
スペクトル歪み量算出部４６０は、スペクトル算出部４４０によって算出されたスペクトルと、スペクトル算出部４５０によって算出されたスペクトルとに基づいて、スペクトル歪み量Ｗを算出する。
【００６８】
変換倍率算出部４７０は、変換の所望倍率αと、スペクトル歪み量算出部４６０によって算出されたスペクトル歪み量Ｗとに基づいて、スペクトル包絡保存型基本周期変換部２４０による周期変換の倍率βと、サンプリングレート変換型基本周期変換部２５０による周期変換の倍率θを、それぞれ算出する。
【００６９】
次に、音声処理装置２の動作を説明する。音声処理装置２への入力音声は、前実施形態における入力音声と同様に、予め音声区間だけを選別したものであり、雑音区間や無音区間などが取り除かれているものである。入力音声の区間は、数秒以上の長い区間であってもよいし、数十ミリ秒の短い区間であってもよい。
【００７０】
有声度算出部１００は、前実施形態におけるそれと同様に、有声度Ｒを算出し、Ｒが所定値（例えば、０．４）よりも大きければ有声音区間と判断し、Ｒが所定値（例えば、０．２）よりも小さければ無声音区間と判断する。また、有声度算出部１００は、０．２≦Ｒ≦０．４ならば、中間的な性質をもった区間と判断する。この判断に基づき、無声音区間の波形は、無変換で、接続部１２０へ出力される。また、中間的な性質を持った区間の波形は、サンプリングレート変換型基本周期変換部１１０へ出力される。また、有声音区間の波形は、基本周期変換部４００に渡される。
【００７１】
次に、基本周期変換部４００の動作について説明する。
基本周期抽出部２１０は、前実施形態におけるそれと同様に、入力音声の基本周期を求める。基本周期区間分割部２２０は、前実施形態におけるそれと同様に、基本周期の長さに合わせて、入力音声波形を基本周期ごとに区分化する。
【００７２】
スペクトル包絡保存型基本周期変換部４３０は、基本周期区間分割部２２０によって区分化された基本周期区間ごとの波形に対し、α倍の基本周期の変換を行い、変換結果をスペクトル算出部４４０へ出力する。
スペクトル算出部４４０は、ＦＦＴ(高速フーリエ変換)等によって、スペクトル包絡保存型基本周期変換部４３０から渡された波形を周波数領域に変換し、パワースペクトルやスペクトル包絡を算出し、スペクトル歪み量算出部４６０へ出力する。
【００７３】
一方、スペクトル算出部４５０は、基本周期区間分割部２２０によって区分化された基本周期区間ごとの波形を周波数領域に変換し、変換前の信号のパワースペクトルやスペクトル包絡を算出し、スペクトル歪み量算出部４６０へ出力する。
【００７４】
スペクトル歪み量算出部４６０は、スペクトル算出部４４０から得られるスペクトルと、スペクトル算出部４５０から得られるスペクトルを比較し、その差分から算出されるスペクトル歪み量Ｗ（スペクトル距離尺度）を算出する。例えば、スペクトル算出部４４０から得られるスペクトル包絡をＨ１（ｋ）、スペクトル算出部４５０から得られるスペクトル包絡をＨ２（ｋ）、としたとき、スペクトル包絡保存型基本周期変換部４３０によるスペクトル歪み量Ｗ（単位は、デシベル）は、下の式（４）で計算される。なお、ｋは、対象の周波数域における所定幅で離散的な周波数に付与されたインデックスであり、０≦ｋ≦Ｋ−１である。
【００７５】
【数４】
【００７６】
なお、スペクトル歪み量の計算には、スペクトル包絡を用いた式（４）によるものの代わりに、ＷＬＲ（Weighted Likelihood Ratios）距離尺度や、ＭＦＣＣ（Mel-Frequency Cepstrum Coefficients）距離尺度などを用いるようにしてもよい。
【００７７】
変換倍率算出部４７０は、スペクトル歪み量算出部４６０によって算出されたスペクトル歪み量Ｗの値に応じて、スペクトル包絡保存型基本周期変換部２４０に与える変換倍率βとサンプリングレート変換型基本周期変換部２５０に与える変換倍率θを算出する。その計算方法の一例は、次の通りである。
【００７８】
変換倍率算出部４７０は、Ｗ≦６［ｄＢ］ならば、次の式（５）の通りとする。
【００７９】
【数５】
【００８０】
また、６［ｄＢ］＜Ｗ≦１８［ｄＢ］ならば、次の式（６）の通りとする。
【００８１】
【数６】
【００８２】
また、Ｗ＞１８［ｄＢ］ならば、次の式（７）の通りとする。
【００８３】
【数７】
【００８４】
式（５）、式（６）、式（７）のいずれの場合も、（β・θ）＝αである。
【００８５】
なお、式（５）、式（６）、式（７）を一般化して、変換倍率算出部４７０が次のようにβおよびθを算出するようにしても良い。即ち、Ｗ≦ｓ［ｄＢ］ならば、次の式（８）の通りとする。
【００８６】
【数８】
【００８７】
また、ｓ［ｄＢ］＜Ｗ≦ｔ［ｄＢ］ならば、次の式（９）の通りとする。
【００８８】
【数９】
【００８９】
また、Ｗ＞ｔ［ｄＢ］ならば、次の式（１０）の通りとする。
【００９０】
【数１０】
【００９１】
また、変換倍率算出部４７０が次のようにβおよびθを決定するようにしてもよい。つまり、α＜１の場合にはα＜（β・θ）＜１となるように（αよりもβ・θを数パーセント大きく）して、１＜αの場合には１＜（β・θ）＜αとなるように（αよりもβ・θを数パーセント小さく）する。
【００９２】
例えば、α＜１の場合には、（β・θ）＝α（１＋ｃ）となるように、βおよびθの値を決定する。具体的には、式（５）〜（７）または式（８）〜（１０）のそれぞれにおけるαを、α（１＋ｃ）で置き換える。そして、１＜αの場合には、（β・θ）＝α／（１＋ｃ）となるように、βおよびθの値を決定する。具体的には、式（５）〜（７）または式（８）〜（１０）のそれぞれにおけるαを、α／（１＋ｃ）で置き換える。ここで、ｃは、適宜設定される正数であり、例えばｃを０．０１以上０．０６以下の数とする。つまり、式（５）〜（７）または式（８）〜（１０）で算出したβおよびθの値を、それぞれ若干ずつ１に近づけることと同等の結果となる。
【００９３】
あるいは、同様の趣旨で、０．９４≦｛（β・θ−１）／（α−１）｝＜１となるようにβおよびθの値を設定する。
【００９４】
サンプリングレート変換型基本周期変換方式においては、基本周期だけでなくすべての周波数成分が基本周期と同じ割合で変化するので、同じパーセンテージで基本周期を変換する場合でも、サンプリングレート変換型基本周期変換方式のほうが、スペクトル包絡保存型基本周期変換方式に比べ、声の高さの変化量が人の耳はより大きく感じられると考えられる。従って、（β・θ）＝αとする場合に比べて、βおよびθをそれぞれ１に近い値とする場合のほうが、音質の劣化を抑えながら、所望のα倍の周期変換と同等の効果を得られる。
【００９５】
スペクトル包絡保存型基本周期変換部２４０およびサンプリングレート変換型基本周期変換部２５０は、基本周期区間分割部２２０から渡される基本周期区間ごとの波形に対し、それぞれ、β倍およびθ倍の基本周期の変換を行う。なお、これら２方式の処理順序を逆にしても良い。即ち、サンプリングレート変換型基本周期変換部２５０がθ倍のサンプリングレート変換型基本周期変換を行ってから、その出力に対して、スペクトル包絡保存型基本周期変換部２４０がβ倍のスペクトル包絡保存型基本周期変換を行うようにしても良い。この点は、第１の実施形態と同様である。
【００９６】
接続部１２０は、前実施形態と同様に、入力される波形を順次接続して、最終的な出力音声として出力する。
【００９７】
本実施形態のこのような構成および動作により、所定の倍率でスペクトル包絡保存型基本周期変換を行った場合のスペクトル歪み量を実測し、所望倍率αおよび算出されたスペクトル歪み量に基づいて、βおよびθの値を算出することができる。
【００９８】
なお、上述した実施形態における音声処理装置の機能をコンピューターで実現するようにしても良い。つまり、上述した実施形態における音声処理装置としてコンピューターを機能させるプログラムを実現する。その場合、このプログラムをコンピューター読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピューターシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピューターシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピューター読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピューターシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピューター読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバーやクライアントとなるコンピューターシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピューターシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
【００９９】
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
【産業上の利用可能性】
【０１００】
本発明は、放送受信機や、音響再生装置や、音声合成装置等の、音声信号を扱う装置に適用することにより、産業上の利用を期待できるものである。
【符号の説明】
【０１０１】
１，２ 音声処理装置
１００ 有声度算出部
１１０ サンプリングレート変換型基本周期変換部
１２０ 接続部
２００ 基本周期変換部
２１０ 基本周期抽出部
２２０ 基本周期区間分割部
２４０ スペクトル包絡保存型基本周期変換部
２５０ サンプリングレート変換型基本周期変換部
２６０ 変換倍率算出部
２７０ 変換倍率設定部
４００ 基本周期変換部
４３０ スペクトル包絡保存型基本周期変換部
４４０ スペクトル算出部（第１のスペクトル算出部）
４５０ スペクトル算出部（第２のスペクトル算出部）
４６０ スペクトル歪み量算出部
４７０ 変換倍率算出部
【技術分野】
【０００１】
本発明は、音声を処理する音声処理装置およびプログラムに関する。本発明は、特に、音声の基本周期を変換する音声処理装置およびプログラムに関する。
【背景技術】
【０００２】
音声の声の高さ（基本周波数）を変換する技術が研究されてきている。基本周波数の逆数が基本周期であり、基本周波数を変換するということと基本周期を変換するということは同じ意味を持つ。声の高さを変換する技術の応用分野は、例えば、テレビ、ラジオ、ハードディスクレコーダーなどである。声の高さを変えたり、イントネーションを強調したりすることにより、音声を聞き取りやすくすることができる。ここで、イントネーションは、基本周期の時間変化のパターンであるので、基本周期を変換することによりイントネーションを制御することもできる。また、テキストを音声に変換する音声合成技術において、アクセント・イントネーションを制御したり感情表現を制御したりする研究も行われている。
【０００３】
基本周期（基本周波数）変換を行う方法の一つとして、スペクトル包絡保存型の基本周期変換の技術が研究されている。具体的には、ＬＰＣ（線形予測）分析・合成による方式や、ＰＳＯＬＡ法（Pitch Synchronous OverLap Add）である。また、特許文献１、特許文献２、非特許文献１に、スペクトル包絡保存型の基本周期変換について記載されている。
【０００４】
また、基本周期変換を行うための、より簡便で実用的な方式として、サンプリングレート変換型の基本周期変換の技術が研究されている。特許文献３、特許文献４に、サンプリングレート変換型の基本周期変換について記載されている。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特許第２６１２８６７号公報
【特許文献２】特許第３０８３８２９号公報
【特許文献３】特許第１７８０８５６号公報
【特許文献４】特許第３０７３９４２号公報
【非特許文献】
【０００６】
【非特許文献１】河原英紀，“聴覚の情景分析と高品質音声分析変換合成法STRAIGHT”，日本音響学会研究発表会講演論文集 1997(2)，pp.189-192，1997年
【発明の概要】
【発明が解決しようとする課題】
【０００７】
音声の生成の原理に基づけば、声の高さを変換するためには、スペクトル包絡保存型の基本周期変換方式を用いることが望ましい。スペクトル包絡が保存されることで個人性が保たれ、あたかも本人が声の高さを変えて発声したかのような変換音声を生成することができる。しかし、スペクトル包絡保存型の基本周期変換方式全般の特徴として、声の高さを大きく上下（シフト）させた場合、音質が劣化し、歪んだ音になったり、こもった音になったりすることが多い。音質を劣化させずに大きなシフトを行うためには、より複雑な処理が必要となる。
【０００８】
一方、サンプリングレート変換（波形の線形伸縮）型の基本周期変換方式は、処理が単純であり、音質の劣化も少ない。但し、音声の基本周期（基本周波数）だけでなく、全ての周波数成分が同じ割合で一様に上下（シフト）するため、変換の量が大きくなると、音声の個人性を保つことができない。従って、サンプリングレート変換型の基本周期変換方式は、音楽に適用されることはあるものの、個人性を重視する声に適用することは考えられなかった。
【０００９】
本発明は、上記の事情を考慮して為されたものであり、各方式の特性に基づいて、声の個人性の維持と、音質の維持とのバランスをとり、いずれか一方が著しく劣化することを防ぐことのできる音声処理装置およびそのプログラムを提供する。
【課題を解決するための手段】
【００１０】
［１］上記の課題を解決するため、本発明の一態様による音声処理装置は、スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部と、を具備し、（ａ）外部からの入力音声を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力音声を外部への出力とし、または、（ｂ）外部からの入力音声を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力音声を外部への出力とすることを特徴とする。
【００１１】
この構成によれば、スペクトル包絡保存型の基本周期変換とサンプリングレート変換型の基本周期変換とを縦続的に用いて所望の倍率の変換を行うことができる。これらの各々の方式によって基本周期変換時の出力音声の特性が異なるため、トータルで所望の倍率を得るために、各方式における出力特性を考慮しながら、各方式における倍率（第１の倍率および第２の倍率）を配分することが可能となる。
【００１２】
［２］また、本発明の一態様による音声処理装置は、前記スペクトル包絡保存型基本周期変換部による周期変換および前記サンプリングレート変換型基本周期変換部による周期変換を合成したときの所望倍率に基づいて、前記第１の倍率および前記第２の倍率を算出し、前記第１の倍率の情報を前記スペクトル包絡保存型基本周期変換部に渡し、前記第２の倍率の情報を前記サンプリングレート変換型基本周期変換部に渡す変換倍率算出部を更に具備することを特徴とする。
【００１３】
この構成によれば、スペクトル包絡保存型基本周期変換部による周期変換およびサンプリングレート変換型基本周期変換部による周期変換を合成した変換の所望倍率に応じて、各変換の倍率を算出することができる。
所望倍率が所定の範囲内（一例として、倍率１を中心として、上下に各所定パーセンテージの範囲内。さらに、例えば、上下に各４０パーセントの範囲内、つまり、所望倍率０．６以上且つ１．４以下）の場合にはサンプリングレート変換型基本周期変換部による周期変換の倍率を１として、それに合わせてスペクトル包絡保存型基本周期変換部による周期変換の倍率を定めることができる（一例として、所望倍率αに対して、スペクトル包絡保存型基本周期変換部による周期変換の倍率もαとする）。これにより、声の個人性を維持できる
所望倍率が、上記所定範囲の外（つまり、基本周期を４０％以上変えることを所望する）の場合には、サンプリングレート変換型基本周期変換部による周期変換の倍率を１以外の値として、これによってスペクトル包絡保存型基本周期変換部による周期変換の倍率を上位所定範囲内の値（例えば、その範囲の境界である０．６または１．４）として、これにより音質の劣化を防止することができる。
【００１４】
また、上記［２］において、（（前記第１の倍率に前記第２の倍率を乗じた値）から１を減じた値）を（前記所望倍率から１を減じた値）で除した値が、０．９４以上且つ１未満となるように、前記変換倍率算出部が前記第１の倍率および前記第２の倍率を算出するようにしても良い。
【００１５】
［３］また、本発明の一態様による音声処理装置は、スペクトル包絡保存型の基本周期変換方式で前記外部からの入力音声を周期変換した結果の音声のスペクトル包絡を算出する第１のスペクトル算出部と、前記外部からの入力音声のスペクトル包絡を算出する第２のスペクトル算出部と、前記第１のスペクトル算出部によって算出されたスペクトル包絡と、前記第２のスペクトル算出部によって算出されたスペクトル包絡とに基づいて、スペクトル包絡保存型の基本周期変換方式によるスペクトル歪み量を算出するスペクトル歪み量算出部とを更に具備し、前記変換倍率算出部は、算出された前記スペクトル歪み量にも基づいて前記第１の倍率および前記第２の倍率を算出することを特徴とする。
【００１６】
この構成により、スペクトル包絡保存型の基本周期変換方式で所定の倍率の周期変換を行った場合のスペクトル歪み量を実際に算出し、そのスペクトル歪み量に基づいてスペクトル包絡保存型基本周期変換部による周期変換の倍率およびサンプリングレート変換型基本周期変換部による周期変換の倍率を算出することができる。
【００１７】
［４］また、本発明の一態様は、スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部とを具備し、（ａ）外部からの入力音声を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力音声を外部への出力とし、または、（ｂ）外部からの入力音声を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力音声を外部への出力とする、音声処理装置としてコンピューターを機能させるプログラムである。
【発明の効果】
【００１８】
本発明は、比較的簡便な処理で、基本周期変換の際の音質を向上させることができるものである。本発明により、基本周期を変換した場合に生じる音質の劣化を小さくし、より聞きやすい音声を出力することができる。また、本発明により、所望の変換倍率に応じて、個人性の維持を優先する変換方式と、個人性の維持を無理に行わずに音質の劣化を防止する変換方式とを、自動的に切り替えることができる。
【図面の簡単な説明】
【００１９】
【図１】本発明の第１の実施形態による音声処理装置の機能構成を示すブロック図である。
【図２】周期変換前の原音声と、サンプリングレート変換型基本周期変換を行った後の音声と、スペクトル包絡保存型基本周期変換を行った後の音声の、それぞれの、波形および周波数スペクトルを示す概略図である。
【図３】本発明の第２の実施形態による音声処理装置の機能構成を示すブロック図である。
【発明を実施するための形態】
【００２０】
［第１の実施形態］
次に、図面を参照しながら、本発明の一実施形態について説明する。
図１は、本実施形態による音声処理装置の機能構成を示すブロック図である。図示するように、音声処理装置１は、有声度算出部１００と、サンプリングレート変換型基本周期変換部１１０と、接続部１２０と、基本周期変換部２００とを含んで構成される。またさらに、基本周期変換部２００は、基本周期抽出部２１０と、基本周期区間分割部２２０と、変換倍率算出部２６０と、変換倍率設定部２７０と、スペクトル包絡保存型基本周期変換部２４０と、サンプリングレート変換型基本周期変換部２５０とを含んで構成される。
【００２１】
有声度算出部１００は、入力音声の有声度を算出する。そして、有声度算出部１００によって算出された有声度に応じて、入力音声が無変換で接続部１２０に渡される（有声度が小の場合）か、入力音声がサンプリングレート変換型基本周期変換部１１０に渡される（有声度が中の場合）か、入力音声が基本周期変換部２００に渡される（有声度が大の場合）かの切り替えが行われる。
【００２２】
サンプリングレート変換型基本周期変換部１１０は、基本周期を特定しない方式で波形の伸縮を行う。
接続部１２０は、無変換で渡される音声と、サンプリングレート変換型基本周期変換部１１０から渡される音声と、基本周期変換部２００から渡される音声とを、再度接続し、出力音声として出力する。
【００２３】
基本周期変換部２００は、入力される音声に関して、基本周期の変更を行う。基本周期変換部２００に含まれる各部の機能は、次に述べるとおりである。
基本周期抽出部２１０は、入力される音声の基本周期を求める。
基本周期区間分割部２２０は、基本周期の長さに合わせて、入力音声波形を基本周期ごとに区分化する。
【００２４】
スペクトル包絡保存型基本周期変換部２４０は、変換倍率算出部２６０から渡されるβの値を用いて、スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期をβ倍に（第１の倍率で）変換して出力する。
サンプリングレート変換型基本周期変換部２５０は、変換倍率算出部２６０から渡されるθの値を用いて、サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期をθ倍に（第２の倍率で）変換して出力する。サンプリングレート変換型基本周期変換部２５０は、サンプリングレート変換型の基本周期得変換を、入力音声の波形の線形伸縮により行う。
【００２５】
変換倍率設定部２７０は、ユーザーインタフェースを介したユーザーからの指示等により、あるいは予め記憶された設定値等により、基本周期に関する所望の変換倍率αの値を設定し、変換倍率算出部２６０に渡す。
変換倍率算出部２６０は、スペクトル包絡保存型基本周期変換部２４０による周期変換およびサンプリングレート変換型基本周期変換部２５０による周期変換を合わせた所望倍率αに基づいて、それぞれの変換における倍率（後述するβおよびθ）を算出し、算出された倍率の情報を、スペクトル包絡保存型基本周期変換部２４０とサンプリングレート変換型基本周期変換部２５０に渡す。
【００２６】
次に、音声処理装置１の動作を詳細に説明する。音声処理装置１に入力される入力音声は、予め音声区間だけを選別したものであり、雑音区間や無音区間などが取り除かれているものである。入力音声の区間は、数秒以上の長い区間であってもよいし、数十ミリ秒の短い区間であってもよい。
また、α（α＞０）は入力音声に対して与えられる所望の基本周期変換倍率である。
【００２７】
有声度算出部１００は、自己相関分析等により、入力音声の有声度Ｒを算出する。そして、有声度算出部１００が算出した有声度Ｒの値に応じて、入力音声を処理する手段の切り替えを行う。入力音声は、声帯が振動して発せられる有声音（母音や一部の子音）と声帯が振動しないで発せられる無声音（多くの子音）に大別される。また、発声の形態や個人の違いによりその中間的な特徴を示す区間を持つ場合もある。
【００２８】
具体的には、有声度算出部１００は、波形の周期性を調べることによって有声度Ｒを算出する。波形の周期性が強いほど、有声度Ｒも大きい。有声度算出部１００は、有声度算出のために、下の式（１）で表される自己相関関数Ｒ（τ）を用いる。
【００２９】
【数１】
【００３０】
ここで、ｋは、時間軸における離散的なインデックスであり、０≦ｋ≦Ｋ−１である。また、下の式（２）の通りである。
【００３１】
【数２】
【００３２】
式（２）において、ｘ（ｋ）は音声波形であり、ｗ（ｋ）はハミング窓を表す関数である。
【００３３】
有声度算出部１００は、式（１）で表した自己相関関数を用いて、有声度Ｒを下の式（３）で計算する。
【００３４】
【数３】
【００３５】
なお、式（３）において、Ｒ（τ）ｍａｘは、τ＞０におけるＲ（τ）の最大値である。
【００３６】
有声度算出部１００は、算出した有声度Ｒが所定値よりも大きければ有声音区間と判断し、有声度Ｒが所定値よりも小さければ無声音区間と判断する。例えば、本実施形態では、Ｒ＞０．４のときには入力音声が有声音区間にあると判断し、入力音声を基本周期変換部２００側へ出力する。また、Ｒ＜０．２のときには入力音声が無声音区間にあると判断し、入力音声を接続部１２０に出力する。また、０．２≦Ｒ≦０．４のときには、有声音と無声音の中間的な性質をもった区間であると判断し、入力音声をサンプリングレート変換型基本周期変換部１１０へ出力する。
なお、ここでは、０．２および０．４をそれぞれ基準値として有声度Ｒの大／中／小を判別しているが、異なる基準値を用いても良い。
【００３７】
Ｒ＜０．２のとき（有声度Ｒが所定値より小さいとき）には、入力音声が無変換で接続部１２０に渡される。これは、無声音には周期性がないため、入力音声を無変換で出力するためである。
【００３８】
０．２≦Ｒ≦０．４のとき（有声度Ｒが中間的な値のとき）には、周期性が明確ではない。従って、サンプリングレート変換型基本周期変換部１１０は、基本周期を特定しない方式（例えば２０ミリ秒の一定のフレーム長単位）で、倍率α、またはαより緩和した倍率（例えばα１／２）を用いて、波形の伸縮を行う。つまり、サンプリングレート変換型基本周期変換部１１０は、α＞１の場合には波形を時間方向に伸ばし、α＜１の場合には波形を時間方向に縮める。但し、入力される波形の時間長と出力される波形の時間長が等しくなるよう、α＞１の場合にはフレーム長単位で適宜波形を間引き、α＜１の場合にはフレーム長単位で適宜波形を繰り返す。
【００３９】
次に、Ｒ＞０．４の場合（有声度Ｒが所定値より大きいとき）に入力音声を処理する基本周期変換部２００の動作を説明する。
基本周期抽出部２１０は、入力音声の基本周期を求める。基本周期を抽出方法は、既存技術を用いて行うことができる。基本周期抽出部２１０は、例えば、自己相関法やケプストラム法などを用いて入力音声の基本周期を求める。
【００４０】
基本周期区間分割部２２０は、基本周期の長さに合わせて、入力音声波形を基本周期ごとに区分化する。基本周期は発声する声帯の振動周期に相当するが、声帯の振動周期は数十ミリ秒の短い時間の間にも少しずつ変化するのが一般的であるので、区分化される各基本周期区間の長さは、隣り合う区間でも異なることが多い。基本周期区間を分割する方法としては、既存技術を用いる。例えば、文献（都木、清山、宮坂：「ピッチ同期音声処理のためのピッチ区間自動区分化の一手法」，信学技報，ＳＰ９３−６，電子通信学会，１９９３年)などに記載された方法を利用することができる。同文献に記載されている方法は、まず有声音区間について複数の異なる窓幅で自己相関分析を行い、各窓幅で得られたピッチ周期の候補を統計的に処理して基本周期の予備抽出を行い、これを元に当該有声音区間全体にわたって一定の時間間隔で基本周期を抽出し、その逆数を計算して求めた周波数より高いカットオフ周波数で波形を低域ろ波し、得られた正弦波状の波形のピークから順次１基本周期区間ごとの基本周期を決定し、それに従って基本周期区間への分割を行う。
【００４１】
変換倍率設定部２７０は、利用者等からの指示に基づいて所望の倍率αの値を設定し、変換倍率算出部２６０にその値を渡す。
【００４２】
変換倍率算出部２６０は、与えられたαの値に応じて、スペクトル包絡保存型基本周期変換部２４０に与える変換倍率βとサンプリングレート変換型基本周期変換部２５０に与える変換倍率θを算出する。
【００４３】
［場合１−１］変換倍率算出部２６０は、一例として、０．６≦α≦１．４ならば、β＝αとし、θ＝１とする。このとき、０．６≦β≦１．４であるため、スペクトル包絡保存型基本周期変換を行っても、入力音声の個人性は維持される。つまり、入力音声の話者の声の特徴が維持され、基本周期変換後においてもその話者が話しているかのような出力音声を得ることができる。なお、この場合、α＝β・θの関係が保たれている。
【００４４】
［場合１−２］また、変換倍率算出部２６０は、一例として、α＜０．６ならば、β＝０．６とし、θ＝α／０．６とする。なお、この場合も、α＝β・θの関係が保たれている。この場合には、β＝０．６として（つまり、βが０．６より著しく小さくなることを避けて）いるため、音質の劣化を防ぐことができる。但し、θ≠１であり個人性の維持を犠牲にしている。これは、α＜０．６の場合には無理に個人性を維持する必要はないという考え方に基づく。
【００４５】
［場合１−３］また、変換倍率算出部２６０は、一例として、α＞１．４ならば、β＝１．４とし、θ＝α／１．４とする。なお、この場合も、α＝β・θの関係が保たれている。この場合には、β＝１．４として（つまり、βが１．４より著しく大きくなることを避けて）いるため、音質の劣化を防ぐことができる。但し、θ≠１であり個人性の維持を犠牲にしている。これは、α＞１．４の場合には無理に個人性を維持する必要はないという考え方に基づく。
【００４６】
参考文献（T.Takagi，H.Kuwabara，“Contributions of pitch, formant frequency and bandwidth to the perception of voice-personality”，Proc. ICASSP 86，17.8，pp.889-892，１９８６年）によれば、スペクトル包絡保存型の方式による基本周期（基本周波数）のシフトに対しては、±４０％程度まで個人性が保たれることがわかる。よって、トータルな所望変換倍率αが０．６以上且つ１．４以下の場合には、スペクトル包絡保存型基本周期変換部２４０による変換倍率βをαと同等として、サンプリングレート変換型基本周期変換部２５０による変換倍率θを１とすることには意味がある。これにより、個人性が保たれる。一方で、所望変換倍率αが０．６より小さい場合、または、αが１．４より大きい場合には、上記参考文献の内容はスペクトル包絡保存型の方式を用いても個人性を維持することが難しいとも解釈でき、βを、それぞれ、０．６または１．４として、音の歪みを防止しながら、θ＝α／βとなるようにしてサンプリングレート変換型の方式も有効とし、無理に個人性の維持をしないことを許すこととしている。このようにαの値に応じてβおよびθの算出のしかたを変えることにより、場合に応じて個人性の維持と歪みの防止とを適宜切り替える形で、基本周期を変換することができるようになっている。
【００４７】
また、上記の場合１−１から場合１−３までの算出方法とは別の方法として、次のようにβとθを算出しても良い。
【００４８】
［場合２−１］変換倍率算出部２６０は、一例として、０．６５≦α≦１．３５ならば、β＝αとし、θ＝１とする。なお、この場合も、α＝β・θの関係が保たれている。０．６５≦α≦１．３５の場合には、βおよびθの値は、前述の「場合１−１」におけるそれらと同様である。
【００４９】
［場合２−２］また、変換倍率算出部２６０は、一例として、α＜０．６５ならば、β＝０．６５とし、θ＝α／０．６５とする。なお、この場合も、α＝β・θの関係が保たれている。
このように、α＜０．６５の場合には、前述の「場合１−１」や「場合１−２」よりも、βがより大きな値となり、θがより小さな値となる。つまり、「場合１−１」や「場合１−２」よりも、サンプリングレート変換型基本周期変換方式のほうをより強く作用させる結果となる。
【００５０】
［場合２−３］また、変換倍率算出部２６０は、一例として、α＞１．３５ならば、β＝１．３５とし、θ＝α／１．３５とする。
このように、α＞１．３５の場合には、前述の「場合１−１」や「場合１−３」よりも、βがより小さな値となり、θがより大きな値となる。つまり、「場合１−１」や「場合１−３」よりも、サンプリングレート変換型基本周期変換方式のほうをより強く作用させる結果となる。
【００５１】
これらの、場合２−１から場合２−３までの算出方法によると、場合１−１から場合１−３までの算出方法と比べて、サンプリングレート変換型基本周期変換方式をより強く作用させているが、スペクトル包絡における全ての極周波数を±５％程度まで変化させても個人性が保たれるので、このようにβおよびθを算出しても良いと言える。その根拠として、参考文献（T.Takagi，H.Kuwabara，“Contributions of pitch, formant frequency and bandwidth to the perception of voice-personality”，Proc. ICASSP 86，17.8，pp.889-892，１９８６年）に、スペクトル包絡の形を特徴付けている全ての極周波数のシフトが±５％程度の範囲内であれば個人性が保たれることが示されている。なお、ここで、極周波数とは、スペクトル包絡におけるピークを示す周波数である。スペクトル包絡は、鋭いピークやなだらかなピークなどを有するが、ここでは、それら全てのピークに対応する周波数が、「すべての極周波数」である。
【００５２】
倍率αの値に応じた場合分けを一般化すると、α＜αSの場合と、αS≦α≦αL
の場合と、αL＜αの場合に分けることができる。上述したのは、αS＝０．６且つαL＝１．４の場合と、αS＝０．６５且つαL＝１．３５の場合であるが、αSおよびαLとして、適宜異なる値を用いても良い。
【００５３】
また、さらに、サンプリングレート変換型基本周期変換方式においては、基本周期だけでなくすべての周波数成分が基本周期と同じ割合で変化する。従って、同じパーセンテージで基本周期を変換する場合でも、サンプリングレート変換型基本周期変換方式のほうが、スペクトル包絡保存型基本周期変換方式に比べ、声の高さの変化量が人の耳はより大きく感じられる場合がある。そこで、βとθの積が、αよりも数パーセント（例えば、３％。但し他の値でも良い。）程度１に近くなるよう、βとθの値をそれぞれ若干ずつ１に近づけ、音質の劣化や個人性の変化を抑えながら所望の効果を得るようにしても良い。
つまり上記の、場合１−１から場合１−３までと、場合２−１から場合２−３までのそれぞれにおいて、β＜１の場合には、それぞれの場合において示した値よりも、βを若干大きくする。また、θ＜１の場合には、それぞれの場合において示した値よりも、θを若干大きくする。逆に、β＞１の場合には、それぞれの場合において示した値よりも、βを若干小さくする。また、θ＞１の場合には、それぞれの場合において示した値よりも、θを若干小さくする。
つまり、このとき、変換倍率算出部２６０は、α＜１の場合には、α＜（β・θ）＜（α＋αｄｉｆｆ）＜１となるように、βおよびθの値を設定する。また、変換倍率算出部２６０は、α＞１の場合には、１＜（α−αｄｉｆｆ）＜（β・θ）＜αとなるように、βおよびθの値を設定する。なおここで、αｄｉｆｆは、適宜決定される正数であり、例えば、αｄｉｆｆを０．０１以上且つ０．０５以下の数とする。
【００５４】
あるいは、同様の趣旨で、０．９４≦｛（β・θ−１）／（α−１）｝＜１となるようにβおよびθの値を設定する。
【００５５】
スペクトル包絡保存型基本周期変換部２４０は、変換倍率算出部２６０によって算出されたβの値に従い、基本周期区間分割部２２０によって区分化された基本周期区間ごとの波形に対し、β倍の基本周期の変換を行う。
【００５６】
また、サンプリングレート変換型基本周期変換部２５０は、変換倍率算出部２６０によって算出されたθの値に従い、スペクトル包絡保存型基本周期変換部２４０から出力される基本周期区間ごとの波形に対し、θ倍の基本周期の変換を行う。
【００５７】
スペクトル包絡保存型基本周期変換部２４０およびサンプリングレート変換型基本周期変換部２５０による周期変換自体は、既存技術を利用して行うことができる。なお、本実施形態ではスペクトル包絡保存型基本周期変換部２４０による周期変換の後にサンプリングレート変換型基本周期変換部２５０による周期変換を行っているが、この順序を逆にしても良く、いずれの場合も同等の結果が得られる。
【００５８】
つまり、外部からの入力音声をスペクトル包絡保存型基本周期変換部２４０への入力に接続し、スペクトル包絡保存型基本周期変換部２４０からの出力をサンプリングレート変換型基本周期変換部２５０への入力に接続し、サンプリングレート変換型基本周期変換部２５０からの出力音声を、接続部１２０経由で、外部への出力としても良い。また、逆に、外部からの入力音声をサンプリングレート変換型基本周期変換部２５０への入力に接続し、サンプリングレート変換型基本周期変換部２５０からの出力をスペクトル包絡保存型基本周期変換部２４０への入力に接続し、スペクトル包絡保存型基本周期変換部２４０からの出力音声を、接続部１２０経由で、外部への出力としても良い。
【００５９】
そして、基本周期変換部２００は、基本周期変換済みの音声を接続部１２０に出力する。
【００６０】
接続部１２０は、有声度Ｒが小さく（Ｒ＜０．２）無変換だった波形と、Ｒが中間的な値（０．２≦Ｒ≦０．４）でサンプリングレート変換型基本周期変換部１１０で変換された波形と、Ｒが大きく（Ｒ＞０．４）基本周波数変換部２００で基本周期が変換された波形を、順次接続して、最終的な出力音声として出力する。
【００６１】
図２は、同じ倍率で、サンプリングレート変換型基本周期変換（サンプリングレート変換型基本周期変換２５０による変換）およびスペクトル包絡保存型基本周期変換（スペクトル包絡保存型基本周期変換２４０による変換）を行ったときの、波形および周波数スペクトルを示すものである。
【００６２】
図２（ａ）は、周期変換前の原音声に関するものである。符号ａ１は、現音声の波形を表す。ここで、横方向が時間軸であり、縦方向が振幅である。また、符号ａ２は、現音声のパワースペクトル（細線）およびスペクトル包絡（太線）を表す。ここで、横軸は周波数であり、縦軸はパワー（単位はデシベル）である。
【００６３】
図２（ｂ）は、サンプリングレート変換型基本周期変換を行った後の音声に関するものである。符号ｂ１は、サンプリングレート変換型基本周期変換の後の波形を表す。また、符号ｂ２は、サンプリングレート変換型基本周期変換の後のパワースペクトル（細線）およびスペクトル包絡（太線）を表す。ｂ１の波形は、上のａ１の波形を時間方向に一様に縮めた形状をしており、ａ１の波形とは基本周期（類似した形の波形が繰り返す時間の長さ）が異なる。ｂ２のスペクトル包絡は、ａ２のスペクトル包絡とは形状が異なっている。具体的には、ｂ２のスペクトル包絡とａ２のスペクトル包絡の間では、極周波数の数が異なり、また極周波数の位置も大きく異なっている。サンプリングレート変換型の基本周期変換方式では、時間軸上の波形は一様に伸縮され、周波数軸上でも全体が一様に伸縮する（時間軸上の波形が縮めば、周波数軸上では伸びる）ことが特徴である。
【００６４】
図２（ｃ）は、スペクトル包絡保存型基本周期変換（ＬＰＣ分析・合成）を行った後の音声に関するものである。符号ｃ１は、スペクトル包絡保存型基本周期変換の後の波形を表す。また、符号ｃ２は、スペクトル包絡保存型基本周期変換の後のパワースペクトル（細線）およびスペクトル包絡（太線）を表す。本方式では、ｃ１の時間軸上の波形は、ａ１の波形と比べて、その基本周期が変化しているが、時間方向に一様に縮めた形状にはなっていない。一方で、周波数軸上では、ｃ２のスペクトル包絡が、ａ２のスペクトル包絡ほぼ同様の形を保っていることが特徴である。具体的には、ｃ２のスペクトル包絡とａ２のスペクトル包絡の間では、極周波数の位置が近い。
【００６５】
［第２の実施形態］
次に、第２の実施形態について説明する。なお、本実施形態の技術事項において、前述の実施形態と共通する部分については同一の符号を付すとともに、その詳細な説明を省略する。以下では、本実施形態に特有な部分を中心に説明する。
【００６６】
図３は、本実施形態による音声処理装置の機能構成を示すブロック図である。図示するように、音声処理装置２は、有声度算出部１００と、サンプリングレート変換型基本周期変換部１１０と、接続部１２０と、基本周期変換部４００とを含んで構成される。またさらに、基本周期変換部４００は、基本周期抽出部２１０と、基本周期区間分割部２２０と、スペクトル包絡保存型基本周期変換部４３０と、スペクトル算出部４４０（第１のスペクトル算出部）およびスペクトル算出部４５０（第２のスペクトル算出部）と、スペクトル歪み量算出部４６０と、変換倍率算出部４７０と、スペクトル包絡保存型基本周期変換部２４０と、サンプリングレート変換型基本周期変換部２５０とを含んで構成される。
【００６７】
スペクトル包絡保存型基本周期変換部４３０は、外部からの入力音声を周期変換する。
スペクトル算出部４４０は、スペクトル包絡保存型基本周期変換部４３０によって周期変換された結果の音声のスペクトルを算出する。
スペクトル算出部４５０は、外部からの入力音声のスペクトルを算出する。
スペクトル歪み量算出部４６０は、スペクトル算出部４４０によって算出されたスペクトルと、スペクトル算出部４５０によって算出されたスペクトルとに基づいて、スペクトル歪み量Ｗを算出する。
【００６８】
変換倍率算出部４７０は、変換の所望倍率αと、スペクトル歪み量算出部４６０によって算出されたスペクトル歪み量Ｗとに基づいて、スペクトル包絡保存型基本周期変換部２４０による周期変換の倍率βと、サンプリングレート変換型基本周期変換部２５０による周期変換の倍率θを、それぞれ算出する。
【００６９】
次に、音声処理装置２の動作を説明する。音声処理装置２への入力音声は、前実施形態における入力音声と同様に、予め音声区間だけを選別したものであり、雑音区間や無音区間などが取り除かれているものである。入力音声の区間は、数秒以上の長い区間であってもよいし、数十ミリ秒の短い区間であってもよい。
【００７０】
有声度算出部１００は、前実施形態におけるそれと同様に、有声度Ｒを算出し、Ｒが所定値（例えば、０．４）よりも大きければ有声音区間と判断し、Ｒが所定値（例えば、０．２）よりも小さければ無声音区間と判断する。また、有声度算出部１００は、０．２≦Ｒ≦０．４ならば、中間的な性質をもった区間と判断する。この判断に基づき、無声音区間の波形は、無変換で、接続部１２０へ出力される。また、中間的な性質を持った区間の波形は、サンプリングレート変換型基本周期変換部１１０へ出力される。また、有声音区間の波形は、基本周期変換部４００に渡される。
【００７１】
次に、基本周期変換部４００の動作について説明する。
基本周期抽出部２１０は、前実施形態におけるそれと同様に、入力音声の基本周期を求める。基本周期区間分割部２２０は、前実施形態におけるそれと同様に、基本周期の長さに合わせて、入力音声波形を基本周期ごとに区分化する。
【００７２】
スペクトル包絡保存型基本周期変換部４３０は、基本周期区間分割部２２０によって区分化された基本周期区間ごとの波形に対し、α倍の基本周期の変換を行い、変換結果をスペクトル算出部４４０へ出力する。
スペクトル算出部４４０は、ＦＦＴ(高速フーリエ変換)等によって、スペクトル包絡保存型基本周期変換部４３０から渡された波形を周波数領域に変換し、パワースペクトルやスペクトル包絡を算出し、スペクトル歪み量算出部４６０へ出力する。
【００７３】
一方、スペクトル算出部４５０は、基本周期区間分割部２２０によって区分化された基本周期区間ごとの波形を周波数領域に変換し、変換前の信号のパワースペクトルやスペクトル包絡を算出し、スペクトル歪み量算出部４６０へ出力する。
【００７４】
スペクトル歪み量算出部４６０は、スペクトル算出部４４０から得られるスペクトルと、スペクトル算出部４５０から得られるスペクトルを比較し、その差分から算出されるスペクトル歪み量Ｗ（スペクトル距離尺度）を算出する。例えば、スペクトル算出部４４０から得られるスペクトル包絡をＨ１（ｋ）、スペクトル算出部４５０から得られるスペクトル包絡をＨ２（ｋ）、としたとき、スペクトル包絡保存型基本周期変換部４３０によるスペクトル歪み量Ｗ（単位は、デシベル）は、下の式（４）で計算される。なお、ｋは、対象の周波数域における所定幅で離散的な周波数に付与されたインデックスであり、０≦ｋ≦Ｋ−１である。
【００７５】
【数４】
【００７６】
なお、スペクトル歪み量の計算には、スペクトル包絡を用いた式（４）によるものの代わりに、ＷＬＲ（Weighted Likelihood Ratios）距離尺度や、ＭＦＣＣ（Mel-Frequency Cepstrum Coefficients）距離尺度などを用いるようにしてもよい。
【００７７】
変換倍率算出部４７０は、スペクトル歪み量算出部４６０によって算出されたスペクトル歪み量Ｗの値に応じて、スペクトル包絡保存型基本周期変換部２４０に与える変換倍率βとサンプリングレート変換型基本周期変換部２５０に与える変換倍率θを算出する。その計算方法の一例は、次の通りである。
【００７８】
変換倍率算出部４７０は、Ｗ≦６［ｄＢ］ならば、次の式（５）の通りとする。
【００７９】
【数５】
【００８０】
また、６［ｄＢ］＜Ｗ≦１８［ｄＢ］ならば、次の式（６）の通りとする。
【００８１】
【数６】
【００８２】
また、Ｗ＞１８［ｄＢ］ならば、次の式（７）の通りとする。
【００８３】
【数７】
【００８４】
式（５）、式（６）、式（７）のいずれの場合も、（β・θ）＝αである。
【００８５】
なお、式（５）、式（６）、式（７）を一般化して、変換倍率算出部４７０が次のようにβおよびθを算出するようにしても良い。即ち、Ｗ≦ｓ［ｄＢ］ならば、次の式（８）の通りとする。
【００８６】
【数８】
【００８７】
また、ｓ［ｄＢ］＜Ｗ≦ｔ［ｄＢ］ならば、次の式（９）の通りとする。
【００８８】
【数９】
【００８９】
また、Ｗ＞ｔ［ｄＢ］ならば、次の式（１０）の通りとする。
【００９０】
【数１０】
【００９１】
また、変換倍率算出部４７０が次のようにβおよびθを決定するようにしてもよい。つまり、α＜１の場合にはα＜（β・θ）＜１となるように（αよりもβ・θを数パーセント大きく）して、１＜αの場合には１＜（β・θ）＜αとなるように（αよりもβ・θを数パーセント小さく）する。
【００９２】
例えば、α＜１の場合には、（β・θ）＝α（１＋ｃ）となるように、βおよびθの値を決定する。具体的には、式（５）〜（７）または式（８）〜（１０）のそれぞれにおけるαを、α（１＋ｃ）で置き換える。そして、１＜αの場合には、（β・θ）＝α／（１＋ｃ）となるように、βおよびθの値を決定する。具体的には、式（５）〜（７）または式（８）〜（１０）のそれぞれにおけるαを、α／（１＋ｃ）で置き換える。ここで、ｃは、適宜設定される正数であり、例えばｃを０．０１以上０．０６以下の数とする。つまり、式（５）〜（７）または式（８）〜（１０）で算出したβおよびθの値を、それぞれ若干ずつ１に近づけることと同等の結果となる。
【００９３】
あるいは、同様の趣旨で、０．９４≦｛（β・θ−１）／（α−１）｝＜１となるようにβおよびθの値を設定する。
【００９４】
サンプリングレート変換型基本周期変換方式においては、基本周期だけでなくすべての周波数成分が基本周期と同じ割合で変化するので、同じパーセンテージで基本周期を変換する場合でも、サンプリングレート変換型基本周期変換方式のほうが、スペクトル包絡保存型基本周期変換方式に比べ、声の高さの変化量が人の耳はより大きく感じられると考えられる。従って、（β・θ）＝αとする場合に比べて、βおよびθをそれぞれ１に近い値とする場合のほうが、音質の劣化を抑えながら、所望のα倍の周期変換と同等の効果を得られる。
【００９５】
スペクトル包絡保存型基本周期変換部２４０およびサンプリングレート変換型基本周期変換部２５０は、基本周期区間分割部２２０から渡される基本周期区間ごとの波形に対し、それぞれ、β倍およびθ倍の基本周期の変換を行う。なお、これら２方式の処理順序を逆にしても良い。即ち、サンプリングレート変換型基本周期変換部２５０がθ倍のサンプリングレート変換型基本周期変換を行ってから、その出力に対して、スペクトル包絡保存型基本周期変換部２４０がβ倍のスペクトル包絡保存型基本周期変換を行うようにしても良い。この点は、第１の実施形態と同様である。
【００９６】
接続部１２０は、前実施形態と同様に、入力される波形を順次接続して、最終的な出力音声として出力する。
【００９７】
本実施形態のこのような構成および動作により、所定の倍率でスペクトル包絡保存型基本周期変換を行った場合のスペクトル歪み量を実測し、所望倍率αおよび算出されたスペクトル歪み量に基づいて、βおよびθの値を算出することができる。
【００９８】
なお、上述した実施形態における音声処理装置の機能をコンピューターで実現するようにしても良い。つまり、上述した実施形態における音声処理装置としてコンピューターを機能させるプログラムを実現する。その場合、このプログラムをコンピューター読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピューターシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピューターシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピューター読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピューターシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピューター読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバーやクライアントとなるコンピューターシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピューターシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
【００９９】
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
【産業上の利用可能性】
【０１００】
本発明は、放送受信機や、音響再生装置や、音声合成装置等の、音声信号を扱う装置に適用することにより、産業上の利用を期待できるものである。
【符号の説明】
【０１０１】
１，２ 音声処理装置
１００ 有声度算出部
１１０ サンプリングレート変換型基本周期変換部
１２０ 接続部
２００ 基本周期変換部
２１０ 基本周期抽出部
２２０ 基本周期区間分割部
２４０ スペクトル包絡保存型基本周期変換部
２５０ サンプリングレート変換型基本周期変換部
２６０ 変換倍率算出部
２７０ 変換倍率設定部
４００ 基本周期変換部
４３０ スペクトル包絡保存型基本周期変換部
４４０ スペクトル算出部（第１のスペクトル算出部）
４５０ スペクトル算出部（第２のスペクトル算出部）
４６０ スペクトル歪み量算出部
４７０ 変換倍率算出部
【特許請求の範囲】
【請求項１】
スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、
サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部と、
を具備し、
（ａ）外部からの入力音声を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力音声を外部への出力とし、
または、
（ｂ）外部からの入力音声を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力音声を外部への出力とする、
ことを特徴とする音声処理装置。
【請求項２】
前記スペクトル包絡保存型基本周期変換部による周期変換および前記サンプリングレート変換型基本周期変換部による周期変換を合成したときの所望倍率に基づいて、前記第１の倍率および前記第２の倍率を算出し、前記第１の倍率の情報を前記スペクトル包絡保存型基本周期変換部に渡し、前記第２の倍率の情報を前記サンプリングレート変換型基本周期変換部に渡す変換倍率算出部、
を更に具備することを特徴とする請求項１に記載の音声処理装置。
【請求項３】
スペクトル包絡保存型の基本周期変換方式で前記外部からの入力音声を周期変換した結果の音声のスペクトルを算出する第１のスペクトル算出部と、
前記外部からの入力音声のスペクトルを算出する第２のスペクトル算出部と、
前記第１のスペクトル算出部によって算出されたスペクトルと、前記第２のスペクトル算出部によって算出されたスペクトルとに基づいて、スペクトル包絡保存型の基本周期変換方式によるスペクトル歪み量を算出するスペクトル歪み量算出部と、
を更に具備し、
前記変換倍率算出部は、算出された前記スペクトル歪み量にも基づいて前記第１の倍率および前記第２の倍率を算出する、
ことを特徴とする請求項２に記載の音声処理装置。
【請求項４】
スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、
サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部と、
を具備し、
（ａ）外部からの入力音声を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力音声を外部への出力とし、
または、
（ｂ）外部からの入力音声を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力音声を外部への出力とする、
ことを特徴とする音声処理装置としてコンピューターを機能させるプログラム。
【請求項１】
スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、
サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部と、
を具備し、
（ａ）外部からの入力音声を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力音声を外部への出力とし、
または、
（ｂ）外部からの入力音声を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力音声を外部への出力とする、
ことを特徴とする音声処理装置。
【請求項２】
前記スペクトル包絡保存型基本周期変換部による周期変換および前記サンプリングレート変換型基本周期変換部による周期変換を合成したときの所望倍率に基づいて、前記第１の倍率および前記第２の倍率を算出し、前記第１の倍率の情報を前記スペクトル包絡保存型基本周期変換部に渡し、前記第２の倍率の情報を前記サンプリングレート変換型基本周期変換部に渡す変換倍率算出部、
を更に具備することを特徴とする請求項１に記載の音声処理装置。
【請求項３】
スペクトル包絡保存型の基本周期変換方式で前記外部からの入力音声を周期変換した結果の音声のスペクトルを算出する第１のスペクトル算出部と、
前記外部からの入力音声のスペクトルを算出する第２のスペクトル算出部と、
前記第１のスペクトル算出部によって算出されたスペクトルと、前記第２のスペクトル算出部によって算出されたスペクトルとに基づいて、スペクトル包絡保存型の基本周期変換方式によるスペクトル歪み量を算出するスペクトル歪み量算出部と、
を更に具備し、
前記変換倍率算出部は、算出された前記スペクトル歪み量にも基づいて前記第１の倍率および前記第２の倍率を算出する、
ことを特徴とする請求項２に記載の音声処理装置。
【請求項４】
スペクトル包絡保存型の基本周期変換方式で、入力される音声の基本周期を第１の倍率で変換して出力するスペクトル包絡保存型基本周期変換部と、
サンプリングレート変換型の基本周期変換方式で、入力される音声の基本周期を第２の倍率で変換して出力するサンプリングレート変換型基本周期変換部と、
を具備し、
（ａ）外部からの入力音声を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力音声を外部への出力とし、
または、
（ｂ）外部からの入力音声を前記サンプリングレート変換型基本周期変換部への入力に接続し、前記サンプリングレート変換型基本周期変換部からの出力を前記スペクトル包絡保存型基本周期変換部への入力に接続し、前記スペクトル包絡保存型基本周期変換部からの出力音声を外部への出力とする、
ことを特徴とする音声処理装置としてコンピューターを機能させるプログラム。
【図１】
【図２】
【図３】
【図２】
【図３】
【公開番号】特開２０１３−３３１４０（Ｐ２０１３−３３１４０Ａ）
【公開日】平成２５年２月１４日（２０１３．２．１４）
【国際特許分類】
【出願番号】特願２０１１−１６９３００（Ｐ２０１１−１６９３００）
【出願日】平成２３年８月２日（２０１１．８．２）
【出願人】（０００００４３５２）日本放送協会 (2,206)
【出願人】（５９１０５３９２６）財団法人エヌエイチケイエンジニアリングサービス (169)
【公開日】平成２５年２月１４日（２０１３．２．１４）
【国際特許分類】
【出願日】平成２３年８月２日（２０１１．８．２）
【出願人】（０００００４３５２）日本放送協会 (2,206)
【出願人】（５９１０５３９２６）財団法人エヌエイチケイエンジニアリングサービス (169)
[ Back to top ]