JPH0443279B2 - - Google Patents
Info
- Publication number
- JPH0443279B2 JPH0443279B2 JP57021124A JP2112482A JPH0443279B2 JP H0443279 B2 JPH0443279 B2 JP H0443279B2 JP 57021124 A JP57021124 A JP 57021124A JP 2112482 A JP2112482 A JP 2112482A JP H0443279 B2 JPH0443279 B2 JP H0443279B2
- Authority
- JP
- Japan
- Prior art keywords
- pitch
- pitch period
- frame
- period
- guide index
- 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.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/90—Pitch determination of speech signals
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Electrophonic Musical Instruments (AREA)
Description
本発明は音声分析におけるピツチ周期（または
その逆数である周波数）の抽出法に係り、特に実
時間分析に好適なピツチ抽出法に関する。 音声波形の情報圧縮伝送または分析合成におけ
る情報抽出にあたつて、音源情報の主要部分であ
るプツチ周期抽出の重要性は、1939年のボコーダ
の発明（H.Dudley：The Vocoder、Bell Labs.
Record.、17，122〜126，1939）以来、実験的に
広く認められてきた。したがつてその抽出法につ
いてはDudley以来数えきれないほど多数の研究
と実験が報告されてきた。その代表的なものが
R.W.SchaferとJ.D.Markelによつて編集された
IEEE Press Selected Reprint Seriesの一つ
“Speech Analysis”（IEEE Press、Joht Wiley
Sons Inc、1978）のPart、Estimation of
Excita−tion Parameters、A.Pitch and
Voicing Estimationにまとめられている。しか
し、今日なお決定的なピツチ抽出法は確立されて
おらず、内外の関係学会、学会誌に、研究、実験
の報告があとをたゝない。 ことに最近は、いわゆる線形予測分析合成法の
開発、発展と、音声合成LSIの実現によつて一段
とその必要性が増大し、ことに実時間分析におけ
る確実で信頼のおけるピツチ抽出法の確立は、伝
送または合成される音声の音質改善の最大のポイ
ントであり、ますます重要となつてきた。 従来のピツチ抽出法の改善に対する対策の多く
は、オンラインでの分析を主としたものであり、
実時間分析には必ずしも適したものとはいえな
い。 ピツチ抽出の難しさは、1/2、1/3、あるいは２
倍、３倍の周期を検出することがしばしばあり、
それをどう判定するかの問題と、抽出結果の連続
性をどう保つていくかの問題を解決しなければな
らない点にある。しかも語頭や語尾は一般に振幅
が小さく、ピツチ周期も必ずしも明確ではない
が、実時間分析ではそのあいまいな状態からスタ
ートしなければならない。 ピツチ抽出法そのものをどう改良しても上記の
欠点を完全になくすことはむずかしく、抽出され
た結果の処理で対策しなければならない。 実時間分析では、いつも振幅が大きく、確実な
ピツチが抽出されたと思われる時点を持つて、あ
るいは分析を全部完了としてから、処理をスター
トすることはできないので問題は一段とむずかし
い。 上記の困難さに対する従来の解決手法は必ずし
も十分とはいえない。すなわち多くの対策はデー
タと情報の蓄積のまつて処理をはじめなければな
らないという欠点があつた。 本発明の目的は、上記問題点を解決し音声の実
時間分析において、できるだけ少ないメモリ量と
時間遅れで確実にピツチ周期を抽出する方法を提
供することにある。 この目的を達成するため、本発明においては過
去のフレームにおけるピツチ周期を案内指標（ガ
イドインデツクス）として現在のフレームにおけ
るピツチ周期を求めるようにする点に特徴があ
る。 実時間分析におけるピツチ抽出の困難さは、次
の４点に要約される。 (1) 単なる相関の最大値のみによる抽出では、1/
２、1/3、２倍、３倍の周期を誤つて抽出する確
率がかなり高くなる。 (2) その結果、ピツチ周期の連続性が保たれずピ
ツチ周期が広い範囲にわたつて激しく変動す
る。 (3) 語頭、語尾でのピツチの抽出がとくにむずか
しい。 (4) 男声、女声それぞれのピツチ周期の存在域が
互いに重なり合つているため男声と女声の混在
している会話を分析するときなどその切りかわ
り時において男声、女声のいずれかであるか即
時に決定しがたい。 これらの困難さを克服するために、本願発明で
はつぎの(1)〜(3)にしたがつてピツチ抽出をおこな
うようにした。 (1) 相関の最大値を与える時間おくれとして検出
されたピツチ周期について、その1/2、1/3ある
いは２倍、３倍が、ピツチ周期の存在範囲とし
て許容される範囲、たとえば20ミリ秒（50Hz：
男声の一番低いピツチ）から２ミリ秒（500
Hz：女声の一番高いピツチ）の間にあるとき
は、その近傍にも相関のピークい値があるかど
うかを探索し、ピーク値があるときは、それか
ら抽出される周期をもピツチ周期の候補として
考える。 (2) 抽出された複数個のピツチ周期候補の中から
１個のピツチ周期を選択するために、過去のピ
ツチ周期の平滑平均値を計算し、これを選択の
ガイトインデツクスとする。すなわち、このガ
イドインデツクスにもつとも近いピツチ周期を
１個えらびとる。 いま過去の時点ｉに抽出されたピツチ周期の
値｛τi｝（ｉ＝０、−１、……、ｎ−、……）と
するとき、たとえばｉ＝１を現在と考えこれに
対するガイドインデツクスτ^1を次式のように定
義する。 τ^1＝kτ0＋（１−ｋ）τ^0 ……(1) ここでｋは０＜ｋ＜１の定数とする。 τ0は１つの前のプレームの抽出決定されたピ
ツチ周期、τ^0はそのときのガイドインデツクス
である。 (3) 語の区切りで、発声に当つて息つぎがされる
ところ（呼気段落という）ではτ^1は息つぎがさ
れる前までのτ^0の1/2とする。これは一呼気内
のピツチ周期パタンが逆「へ」の字形（〓）に
推移し、新しい呼気段落に入る時点で不連続と
なり、τ^0のそのまゝではガイドインデツクスの
値が大きすぎる点を補正するためである。 また分析区間が無声音または無音でピツチ周期
が存在しない区間ではガイドインデツクスの値は
そのまゝ変化させずに保持する。 呼気段落の判定は音声の振幅が小さく、無音と
みなされる区間がある長さ、たとえば100ミリ秒
以上500ミリ秒以上の長さだけ連続して続いたこ
とを検出することによりおこなう。 (4) 音声を始まり（喋り始め）ではピツチ周期抽
出の誤差が大きいので、有声音と判定する条件
（たとえば入力の振幅があるしきい値θvをこえ、
かつ正規化相関のピーク値がθpより大きい）を
きびしくして（たとえばθv0＝2θv、θp0＝2θp）
確実な有声音区間でのピツチ抽出値を初期値と
する。なお一たん音声がはじまつたと判定され
たら、これらのしきい値を通常の値、たとえば
始まりの値の1/2になおす（θv＝1/2θv0、θp＝
１／２θp0）。 以上の説明を処理のフローの形にまとめて第１
図に示す。 第１図において、ステツプ１１で入力音声振幅
に関する初期のしきい値θv0により音声区間が検
出されるとθv0にが通常値のθvに変更された後、
音声信号よりステツプ１２で計算された正規化相
関｛τi｝（ｉ＝τnio〜τnaxのピーク値に関する初期
のしきいい値θp0によりステツプ１３で有声区間
の検出がおこなわれる。 有声区間が検出されるとθp0が通常値のθpに変
更された後、ステツプ１４でピツチ周期の第１候
補（τ10とする）が抽出され、これに続くステツ
プ１５でτ1o（ｎ＝３、２、1/2、1/3）が計算され
る。有声区間でないときにはステツプ１１の処理
にもどる。 ステツプ１６ではこのτ1oがピツチ周期として
許容される範囲（たとえば50Hz〜500Hz）内にあ
るか否かチエツクされ、許容範囲内にある場合は
ステツプ１７τ10も含めてτ1oの近傍にあるピツチ
周期τ′1o（ｎ＝３、２、1/2、1/3）がピークサー
チにより順次第２、第３、……の候補として抽出
される。 一方、上記許容範囲内にない場合にはステツプ
１６１で音声区間が終了したか否かを調べ、終了
してない場合はつぎのτ1oにおいて上記ステツプ
１５と１６が繰返されるが終了している場合はス
テツプ１８で上記(1)式に従つて算出されたときガ
イドインデツクスτ^1で規定される範囲内にあるピ
ツチ周期（たとえばτ^1にもつとも近いτ′1o）τ1が
現在と周期として選択される。 つぎのステツプ１９では上記τ^1とτ1より次式で
計算されるτ^2： τ2＝kτ^1＋（１−ｋ）τ1 ……(2) を新しいτ^1とすることによりガイドインデツクス
が更新され、上記ステツプ１１の処理にもどる。 ステツプ１１で音声区間内でないことが検出さ
れた場合には、ステツプ１１１ではじめての無音
区間であるか否かチエツクされ、否の時にはステ
ツプ１１２で呼気段落か否かチエツクされ、呼気
段落の時にはスツテプ１１３でτ^1が1/2にされて
からステツプ１１の処理にもどる。なお、上記分
析処理の終了は別途外部からの指示によりおこな
れる。 つぎに、男声と女声の混在している会話におけ
るピツチ周期の抽出方法について述べる。 男声か女声かの区別ができないときは、男声と
女声がきりかわつているかもしれないと思われる
文のきれ目（ある長さ以上の無音区間（休止区
間：ポーズ）の存在で検出する）で上述のように
ガイドインデツクスを一旦リセツトするが、リセ
ツト後の語頭での誤りをさけるため、語頭の有声
判定の条件をきびしくしなければならない。その
結果、語頭が過度に無声化され、音質劣化の原因
となる。 この対策を完全な実時間処理（過去の情報とそ
のフレームの情報のみを使つて、そのフレーム時
間で決定する）で行うことは不可能である。 これにたいして、従来のオフラインでの分析法
のように一個の語、句、文などの一通りの分析が
終了してからピツチ抽出の補正を行う方法では、
実時間分析・合成による音声情報の伝送の場合、
メモリ量、時間おくれが大きすぎて実用化できな
いが、本発明によれば、つぎのようにしてできる
だけ少ない時間おくれとメモリ量で語頭でのピツ
チ抽出を確実に行うことができる。 音声分析は通常10〜20ミリ秒毎に20〜30ミリ秒
間のデータにもどづいて行なわれるが、種々の分
析結果をみると、語頭でのピツチ抽出の誤りは最
初の50ミリ秒位であり、それ以後は声帯振動が定
常的に行なわれ、ほゞ確実なピツチ周期が抽出さ
れている。 そこで、語頭の有声音区間に入つたことが検出
されたら、それからたとえば100ミリ秒をカバー
する分析データを一時記憶し、その平均値として
語頭でのガイドインデツクスの初期候補値を設定
する。 我々の実験例によれば、10ミリ秒間隔分析の場
合最小８フレーム、20ミリ秒間隔分析の場合最小
４フレームの平滑化が必要である。 いま、具体的なデータを用いて語頭部分でのピ
ツチ抽出の原理を説明する。語頭でのピツチ抽出
結果が次のようであつたとする（実測例は20ミリ
秒間隔分析の場合を示す）。
その逆数である周波数）の抽出法に係り、特に実
時間分析に好適なピツチ抽出法に関する。 音声波形の情報圧縮伝送または分析合成におけ
る情報抽出にあたつて、音源情報の主要部分であ
るプツチ周期抽出の重要性は、1939年のボコーダ
の発明（H.Dudley：The Vocoder、Bell Labs.
Record.、17，122〜126，1939）以来、実験的に
広く認められてきた。したがつてその抽出法につ
いてはDudley以来数えきれないほど多数の研究
と実験が報告されてきた。その代表的なものが
R.W.SchaferとJ.D.Markelによつて編集された
IEEE Press Selected Reprint Seriesの一つ
“Speech Analysis”（IEEE Press、Joht Wiley
Sons Inc、1978）のPart、Estimation of
Excita−tion Parameters、A.Pitch and
Voicing Estimationにまとめられている。しか
し、今日なお決定的なピツチ抽出法は確立されて
おらず、内外の関係学会、学会誌に、研究、実験
の報告があとをたゝない。 ことに最近は、いわゆる線形予測分析合成法の
開発、発展と、音声合成LSIの実現によつて一段
とその必要性が増大し、ことに実時間分析におけ
る確実で信頼のおけるピツチ抽出法の確立は、伝
送または合成される音声の音質改善の最大のポイ
ントであり、ますます重要となつてきた。 従来のピツチ抽出法の改善に対する対策の多く
は、オンラインでの分析を主としたものであり、
実時間分析には必ずしも適したものとはいえな
い。 ピツチ抽出の難しさは、1/2、1/3、あるいは２
倍、３倍の周期を検出することがしばしばあり、
それをどう判定するかの問題と、抽出結果の連続
性をどう保つていくかの問題を解決しなければな
らない点にある。しかも語頭や語尾は一般に振幅
が小さく、ピツチ周期も必ずしも明確ではない
が、実時間分析ではそのあいまいな状態からスタ
ートしなければならない。 ピツチ抽出法そのものをどう改良しても上記の
欠点を完全になくすことはむずかしく、抽出され
た結果の処理で対策しなければならない。 実時間分析では、いつも振幅が大きく、確実な
ピツチが抽出されたと思われる時点を持つて、あ
るいは分析を全部完了としてから、処理をスター
トすることはできないので問題は一段とむずかし
い。 上記の困難さに対する従来の解決手法は必ずし
も十分とはいえない。すなわち多くの対策はデー
タと情報の蓄積のまつて処理をはじめなければな
らないという欠点があつた。 本発明の目的は、上記問題点を解決し音声の実
時間分析において、できるだけ少ないメモリ量と
時間遅れで確実にピツチ周期を抽出する方法を提
供することにある。 この目的を達成するため、本発明においては過
去のフレームにおけるピツチ周期を案内指標（ガ
イドインデツクス）として現在のフレームにおけ
るピツチ周期を求めるようにする点に特徴があ
る。 実時間分析におけるピツチ抽出の困難さは、次
の４点に要約される。 (1) 単なる相関の最大値のみによる抽出では、1/
２、1/3、２倍、３倍の周期を誤つて抽出する確
率がかなり高くなる。 (2) その結果、ピツチ周期の連続性が保たれずピ
ツチ周期が広い範囲にわたつて激しく変動す
る。 (3) 語頭、語尾でのピツチの抽出がとくにむずか
しい。 (4) 男声、女声それぞれのピツチ周期の存在域が
互いに重なり合つているため男声と女声の混在
している会話を分析するときなどその切りかわ
り時において男声、女声のいずれかであるか即
時に決定しがたい。 これらの困難さを克服するために、本願発明で
はつぎの(1)〜(3)にしたがつてピツチ抽出をおこな
うようにした。 (1) 相関の最大値を与える時間おくれとして検出
されたピツチ周期について、その1/2、1/3ある
いは２倍、３倍が、ピツチ周期の存在範囲とし
て許容される範囲、たとえば20ミリ秒（50Hz：
男声の一番低いピツチ）から２ミリ秒（500
Hz：女声の一番高いピツチ）の間にあるとき
は、その近傍にも相関のピークい値があるかど
うかを探索し、ピーク値があるときは、それか
ら抽出される周期をもピツチ周期の候補として
考える。 (2) 抽出された複数個のピツチ周期候補の中から
１個のピツチ周期を選択するために、過去のピ
ツチ周期の平滑平均値を計算し、これを選択の
ガイトインデツクスとする。すなわち、このガ
イドインデツクスにもつとも近いピツチ周期を
１個えらびとる。 いま過去の時点ｉに抽出されたピツチ周期の
値｛τi｝（ｉ＝０、−１、……、ｎ−、……）と
するとき、たとえばｉ＝１を現在と考えこれに
対するガイドインデツクスτ^1を次式のように定
義する。 τ^1＝kτ0＋（１−ｋ）τ^0 ……(1) ここでｋは０＜ｋ＜１の定数とする。 τ0は１つの前のプレームの抽出決定されたピ
ツチ周期、τ^0はそのときのガイドインデツクス
である。 (3) 語の区切りで、発声に当つて息つぎがされる
ところ（呼気段落という）ではτ^1は息つぎがさ
れる前までのτ^0の1/2とする。これは一呼気内
のピツチ周期パタンが逆「へ」の字形（〓）に
推移し、新しい呼気段落に入る時点で不連続と
なり、τ^0のそのまゝではガイドインデツクスの
値が大きすぎる点を補正するためである。 また分析区間が無声音または無音でピツチ周期
が存在しない区間ではガイドインデツクスの値は
そのまゝ変化させずに保持する。 呼気段落の判定は音声の振幅が小さく、無音と
みなされる区間がある長さ、たとえば100ミリ秒
以上500ミリ秒以上の長さだけ連続して続いたこ
とを検出することによりおこなう。 (4) 音声を始まり（喋り始め）ではピツチ周期抽
出の誤差が大きいので、有声音と判定する条件
（たとえば入力の振幅があるしきい値θvをこえ、
かつ正規化相関のピーク値がθpより大きい）を
きびしくして（たとえばθv0＝2θv、θp0＝2θp）
確実な有声音区間でのピツチ抽出値を初期値と
する。なお一たん音声がはじまつたと判定され
たら、これらのしきい値を通常の値、たとえば
始まりの値の1/2になおす（θv＝1/2θv0、θp＝
１／２θp0）。 以上の説明を処理のフローの形にまとめて第１
図に示す。 第１図において、ステツプ１１で入力音声振幅
に関する初期のしきい値θv0により音声区間が検
出されるとθv0にが通常値のθvに変更された後、
音声信号よりステツプ１２で計算された正規化相
関｛τi｝（ｉ＝τnio〜τnaxのピーク値に関する初期
のしきいい値θp0によりステツプ１３で有声区間
の検出がおこなわれる。 有声区間が検出されるとθp0が通常値のθpに変
更された後、ステツプ１４でピツチ周期の第１候
補（τ10とする）が抽出され、これに続くステツ
プ１５でτ1o（ｎ＝３、２、1/2、1/3）が計算され
る。有声区間でないときにはステツプ１１の処理
にもどる。 ステツプ１６ではこのτ1oがピツチ周期として
許容される範囲（たとえば50Hz〜500Hz）内にあ
るか否かチエツクされ、許容範囲内にある場合は
ステツプ１７τ10も含めてτ1oの近傍にあるピツチ
周期τ′1o（ｎ＝３、２、1/2、1/3）がピークサー
チにより順次第２、第３、……の候補として抽出
される。 一方、上記許容範囲内にない場合にはステツプ
１６１で音声区間が終了したか否かを調べ、終了
してない場合はつぎのτ1oにおいて上記ステツプ
１５と１６が繰返されるが終了している場合はス
テツプ１８で上記(1)式に従つて算出されたときガ
イドインデツクスτ^1で規定される範囲内にあるピ
ツチ周期（たとえばτ^1にもつとも近いτ′1o）τ1が
現在と周期として選択される。 つぎのステツプ１９では上記τ^1とτ1より次式で
計算されるτ^2： τ2＝kτ^1＋（１−ｋ）τ1 ……(2) を新しいτ^1とすることによりガイドインデツクス
が更新され、上記ステツプ１１の処理にもどる。 ステツプ１１で音声区間内でないことが検出さ
れた場合には、ステツプ１１１ではじめての無音
区間であるか否かチエツクされ、否の時にはステ
ツプ１１２で呼気段落か否かチエツクされ、呼気
段落の時にはスツテプ１１３でτ^1が1/2にされて
からステツプ１１の処理にもどる。なお、上記分
析処理の終了は別途外部からの指示によりおこな
れる。 つぎに、男声と女声の混在している会話におけ
るピツチ周期の抽出方法について述べる。 男声か女声かの区別ができないときは、男声と
女声がきりかわつているかもしれないと思われる
文のきれ目（ある長さ以上の無音区間（休止区
間：ポーズ）の存在で検出する）で上述のように
ガイドインデツクスを一旦リセツトするが、リセ
ツト後の語頭での誤りをさけるため、語頭の有声
判定の条件をきびしくしなければならない。その
結果、語頭が過度に無声化され、音質劣化の原因
となる。 この対策を完全な実時間処理（過去の情報とそ
のフレームの情報のみを使つて、そのフレーム時
間で決定する）で行うことは不可能である。 これにたいして、従来のオフラインでの分析法
のように一個の語、句、文などの一通りの分析が
終了してからピツチ抽出の補正を行う方法では、
実時間分析・合成による音声情報の伝送の場合、
メモリ量、時間おくれが大きすぎて実用化できな
いが、本発明によれば、つぎのようにしてできる
だけ少ない時間おくれとメモリ量で語頭でのピツ
チ抽出を確実に行うことができる。 音声分析は通常10〜20ミリ秒毎に20〜30ミリ秒
間のデータにもどづいて行なわれるが、種々の分
析結果をみると、語頭でのピツチ抽出の誤りは最
初の50ミリ秒位であり、それ以後は声帯振動が定
常的に行なわれ、ほゞ確実なピツチ周期が抽出さ
れている。 そこで、語頭の有声音区間に入つたことが検出
されたら、それからたとえば100ミリ秒をカバー
する分析データを一時記憶し、その平均値として
語頭でのガイドインデツクスの初期候補値を設定
する。 我々の実験例によれば、10ミリ秒間隔分析の場
合最小８フレーム、20ミリ秒間隔分析の場合最小
４フレームの平滑化が必要である。 いま、具体的なデータを用いて語頭部分でのピ
ツチ抽出の原理を説明する。語頭でのピツチ抽出
結果が次のようであつたとする（実測例は20ミリ
秒間隔分析の場合を示す）。
【表】
この区間は女声であり、以降のデータからみて
30〜28が平均ピツチ周期である。 まず最初の４フレームの平均値をとると、 （84＋28＋31＋60）／４＝50（切りすて整数化） この50をガイドインデツクスの初期候補値とし
て、第１フレームから順に仮想のピツチ抽出を行
う。たとえば、第１フレームのピツチ周期は84で
50より大であるから、その1/3、1/2をとると28、
42となり、84自身も含めて28、42、84の中で50に
もつとも近い値は42となる。 そこで42を第１フレームのピツチ周期P1とす
る。 そのとき最初の候補値（実測値）P1′とこの選
択値P1との比R1（R1＝P1／P1′）を求める。 この場合、R1＝42／84＝１／２ 次にガイドインデツクス50と選択値42との平均
として、次の第２フレームへのガイドインデツク
スを求める。（50＋42）／２＝46 この関係は一般的には 1＝ｋ0＋（１−ｋ）1 （０＜ｋ＜１） と定式化され、ｋ＝１／２の場合に上記のような
単純平均となるが、ｋとしては 0.5＜ｋ＜0.75 の値を用いることが適切である。 ここで、0はx1をきめるときのガイドインデ
ツクスであり、ｘ∧1は抽出値すなわち、0によつ
て補正された実測値の２倍、３倍または1/2倍、
１／３倍の値のうち0にもつとも近い値である。 46は第２フレームの実測値P2′＝28）より大き
いから、28の２倍、３倍の56、84を含めた28、
56、84の中から46に一番近い56を第２フレームの
ピツチ周期P2として選択し、R2＝P2／P2′＝56／
28＝２となる。 以下同様の処理をくりかえすと、42、56、62、
60というのがピツチ周期として選択され、Ｒは1/
２、２、２、１となる。 この結果を語頭の４フレームについてまとめて
みると次のようになる。
30〜28が平均ピツチ周期である。 まず最初の４フレームの平均値をとると、 （84＋28＋31＋60）／４＝50（切りすて整数化） この50をガイドインデツクスの初期候補値とし
て、第１フレームから順に仮想のピツチ抽出を行
う。たとえば、第１フレームのピツチ周期は84で
50より大であるから、その1/3、1/2をとると28、
42となり、84自身も含めて28、42、84の中で50に
もつとも近い値は42となる。 そこで42を第１フレームのピツチ周期P1とす
る。 そのとき最初の候補値（実測値）P1′とこの選
択値P1との比R1（R1＝P1／P1′）を求める。 この場合、R1＝42／84＝１／２ 次にガイドインデツクス50と選択値42との平均
として、次の第２フレームへのガイドインデツク
スを求める。（50＋42）／２＝46 この関係は一般的には 1＝ｋ0＋（１−ｋ）1 （０＜ｋ＜１） と定式化され、ｋ＝１／２の場合に上記のような
単純平均となるが、ｋとしては 0.5＜ｋ＜0.75 の値を用いることが適切である。 ここで、0はx1をきめるときのガイドインデ
ツクスであり、ｘ∧1は抽出値すなわち、0によつ
て補正された実測値の２倍、３倍または1/2倍、
１／３倍の値のうち0にもつとも近い値である。 46は第２フレームの実測値P2′＝28）より大き
いから、28の２倍、３倍の56、84を含めた28、
56、84の中から46に一番近い56を第２フレームの
ピツチ周期P2として選択し、R2＝P2／P2′＝56／
28＝２となる。 以下同様の処理をくりかえすと、42、56、62、
60というのがピツチ周期として選択され、Ｒは1/
２、２、２、１となる。 この結果を語頭の４フレームについてまとめて
みると次のようになる。
【表】
ここで、Ｒの多数決をとると２となるから、ガ
イドインデツクスの初期候補値50をこの２で割つ
て、50／２＝25を修正されたガイドインデツクス
の初期候補値と決定する。 この修正された初期候補値を用いて前記の計算
をおこなうと次のようなピツチ抽出選択結果を得
る。
イドインデツクスの初期候補値50をこの２で割つ
て、50／２＝25を修正されたガイドインデツクス
の初期候補値と決定する。 この修正された初期候補値を用いて前記の計算
をおこなうと次のようなピツチ抽出選択結果を得
る。
【表】
その結果、正しくピツチが抽出される。
この原理は、Ｒ＝１多数であるときは平均値が
ほぼ正しいガイドインデツクスとなつているが、
Ｒ＝１が語頭のＮフレーム中少数のときは、異状
な値（大きすぎたり、小さすぎたり）によつて平
均値がガイドインデツクスとして不当であること
を検出し、Ｒ＝１が多数となるようその値を修正
するという考え方にもとづくものである。 第２図において、横軸は10ミリ秒単位のフレー
ム番号であり、縦軸は8kHzクロツク数で表わし
たピツチ周期である。第２図上のデータのうち、
●点は実測ピツチ周期を示し、○づ世肋綉
ほぼ正しいガイドインデツクスとなつているが、
Ｒ＝１が語頭のＮフレーム中少数のときは、異状
な値（大きすぎたり、小さすぎたり）によつて平
均値がガイドインデツクスとして不当であること
を検出し、Ｒ＝１が多数となるようその値を修正
するという考え方にもとづくものである。 第２図において、横軸は10ミリ秒単位のフレー
ム番号であり、縦軸は8kHzクロツク数で表わし
たピツチ周期である。第２図上のデータのうち、
●点は実測ピツチ周期を示し、○づ世肋綉
Claims (1)
- 【特許請求の範囲】 １ 入力音声のピツチ周期をフレーム毎に抽出す
るための音声ピツチ抽出方法において、現在のフ
レームにおける入力音声波形の相関のピーク値か
ら実測ピツチ周期を算出するステツプと、該実測
ピツチ周期の少なくとも１、２、３倍周期の複数
のピツチ周期候補と、上記実測ピツチ周期の少な
くとも２分の１、３分の１の複数のピツチ周期候
補とを生成するステツプと、過去のフレームにお
いて決定されたピツチ周期より計算された第１ガ
イドインデツクスに基づいて、上記複数のピツチ
周期候補から現在のフレームにおけるピツチ周期
を決定するステツプと、該ピツチ周期と上記第１
ガイドインデツクスとを用いて、次のフレームの
ピツチ周期を決定するための第２ガイドインデツ
クスを計算するステツプとからなることを特徴と
する音声ピツチ抽出方法。 ２ 前記第１ガイドインデツクスは過去のフレー
ムにおけるピツチ周期の平滑平均値であることを
特徴とする特許請求の範囲第１項記載の音声ピツ
チ抽出方法。 ３ 前記第２ガイドインデツクスは、該第２ガイ
ドインデツクスをτ^1、前記実測ピツチ周期をτ0、
前記第１ガイドインデツクスをτ^0としたときに、
τ^1＝kτ0＋（１−ｋ）τ^0（ｋは０＜ｋ＜１の定数）
で表わされる数式で算出されることを特徴とする
特許請求の範囲第１項記載の音声ピツチ抽出方
法。 ４ 前記第１及び第２ガイドインデツクスは呼気
段落ごとに更新されることを特徴とする特許請求
の範囲第１項から第３項記載の音声ピツチ抽出方
法。 ５ 前記第１ガイドインデツクスは、語頭におい
て、語頭の第１フレームから第Ｎフレーム（Ｎ：
２以上の整数）までの各フレームの音声波形のピ
ーク値から実測された実測ピツチ周期の平均値を
初期候補として設定するステツプと、該初期候補
と上記各フレームにおいて実測された実測ピツチ
周期とから各フレームに対するピツチ周期を抽出
するステツプと、上記初期候補と抽出されたピツ
チ周期より各フレームに対する前記第２ガイドイ
ンデツクスを計算するステツプと、上記初期候補
と抽出されたピツチ周期とで決まる所定の修正演
算により上記初期候補を修正するステツプとによ
り決定されることを特徴とする特許請求の範囲第
１項記載の音声ピツチ抽出方法。 ６ 上記修正演算はフレーム毎の上記抽出された
ピツチ周期と実測された実測ピツチ周期との比を
整数で近似し、該整数の多数決値により上記初期
候補を除算する演算であることを特徴とする特許
請求の範囲第５項記載の音声ピツチ抽出方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57021124A JPS58140798A (ja) | 1982-02-15 | 1982-02-15 | 音声ピツチ抽出方法 |
| US06/462,422 US4653098A (en) | 1982-02-15 | 1983-01-31 | Method and apparatus for extracting speech pitch |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57021124A JPS58140798A (ja) | 1982-02-15 | 1982-02-15 | 音声ピツチ抽出方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS58140798A JPS58140798A (ja) | 1983-08-20 |
| JPH0443279B2 true JPH0443279B2 (ja) | 1992-07-16 |
Family
ID=12046131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP57021124A Granted JPS58140798A (ja) | 1982-02-15 | 1982-02-15 | 音声ピツチ抽出方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US4653098A (ja) |
| JP (1) | JPS58140798A (ja) |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NL8400552A (nl) * | 1984-02-22 | 1985-09-16 | Philips Nv | Systeem voor het analyseren van menselijke spraak. |
| JPH0731504B2 (ja) * | 1985-05-28 | 1995-04-10 | 日本電気株式会社 | ピツチ抽出装置 |
| US4879748A (en) * | 1985-08-28 | 1989-11-07 | American Telephone And Telegraph Company | Parallel processing pitch detector |
| US4802221A (en) * | 1986-07-21 | 1989-01-31 | Ncr Corporation | Digital system and method for compressing speech signals for storage and transmission |
| US4803730A (en) * | 1986-10-31 | 1989-02-07 | American Telephone And Telegraph Company, At&T Bell Laboratories | Fast significant sample detection for a pitch detector |
| NL8701798A (nl) * | 1987-07-30 | 1989-02-16 | Philips Nv | Werkwijze en inrichting voor het bepalen van het verloop van een spraakparameter, bijvoorbeeld de toonhoogte, in een spraaksignaal. |
| US4809334A (en) * | 1987-07-09 | 1989-02-28 | Communications Satellite Corporation | Method for detection and correction of errors in speech pitch period estimates |
| IL84902A (en) * | 1987-12-21 | 1991-12-15 | D S P Group Israel Ltd | Digital autocorrelation system for detecting speech in noisy audio signal |
| FR2670313A1 (fr) * | 1990-12-11 | 1992-06-12 | Thomson Csf | Procede et dispositif pour l'evaluation de la periodicite et du voisement du signal de parole dans les vocodeurs a tres bas debit. |
| US5430826A (en) * | 1992-10-13 | 1995-07-04 | Harris Corporation | Voice-activated switch |
| US6463406B1 (en) * | 1994-03-25 | 2002-10-08 | Texas Instruments Incorporated | Fractional pitch method |
| JP3402748B2 (ja) * | 1994-05-23 | 2003-05-06 | 三洋電機株式会社 | 音声信号のピッチ周期抽出装置 |
| JPH0896514A (ja) * | 1994-07-28 | 1996-04-12 | Sony Corp | オーディオ信号処理装置 |
| US5704000A (en) * | 1994-11-10 | 1997-12-30 | Hughes Electronics | Robust pitch estimation method and device for telephone speech |
| US5751905A (en) * | 1995-03-15 | 1998-05-12 | International Business Machines Corporation | Statistical acoustic processing method and apparatus for speech recognition using a toned phoneme system |
| JPH10105195A (ja) * | 1996-09-27 | 1998-04-24 | Sony Corp | ピッチ検出方法、音声信号符号化方法および装置 |
| US6456965B1 (en) * | 1997-05-20 | 2002-09-24 | Texas Instruments Incorporated | Multi-stage pitch and mixed voicing estimation for harmonic speech coders |
| US6104994A (en) * | 1998-01-13 | 2000-08-15 | Conexant Systems, Inc. | Method for speech coding under background noise conditions |
| US7072832B1 (en) * | 1998-08-24 | 2006-07-04 | Mindspeed Technologies, Inc. | System for speech encoding having an adaptive encoding arrangement |
| US6507814B1 (en) | 1998-08-24 | 2003-01-14 | Conexant Systems, Inc. | Pitch determination using speech classification and prior pitch estimation |
| US6240386B1 (en) * | 1998-08-24 | 2001-05-29 | Conexant Systems, Inc. | Speech codec employing noise classification for noise compensation |
| EP1155405A1 (en) * | 1998-12-01 | 2001-11-21 | The Regents Of The University Of California | Enhanced waveform interpolative coder |
| US6199036B1 (en) * | 1999-08-25 | 2001-03-06 | Nortel Networks Limited | Tone detection using pitch period |
| US20030028386A1 (en) * | 2001-04-02 | 2003-02-06 | Zinser Richard L. | Compressed domain universal transcoder |
| US7124075B2 (en) * | 2001-10-26 | 2006-10-17 | Dmitry Edward Terez | Methods and apparatus for pitch determination |
| KR100590561B1 (ko) | 2004-10-12 | 2006-06-19 | 삼성전자주식회사 | 신호의 피치를 평가하는 방법 및 장치 |
| US20070225973A1 (en) * | 2006-03-23 | 2007-09-27 | Childress Rhonda L | Collective Audio Chunk Processing for Streaming Translated Multi-Speaker Conversations |
| US7752031B2 (en) * | 2006-03-23 | 2010-07-06 | International Business Machines Corporation | Cadence management of translated multi-speaker conversations using pause marker relationship models |
| JP4882899B2 (ja) * | 2007-07-25 | 2012-02-22 | ソニー株式会社 | 音声解析装置、および音声解析方法、並びにコンピュータ・プログラム |
| JP5088050B2 (ja) * | 2007-08-29 | 2012-12-05 | ヤマハ株式会社 | 音声処理装置およびプログラム |
| KR20100006492A (ko) * | 2008-07-09 | 2010-01-19 | 삼성전자주식회사 | 부호화 방식 결정 방법 및 장치 |
| CN101599272B (zh) * | 2008-12-30 | 2011-06-08 | 华为技术有限公司 | 基音搜索方法及装置 |
| US8280726B2 (en) * | 2009-12-23 | 2012-10-02 | Qualcomm Incorporated | Gender detection in mobile phones |
| US8831942B1 (en) * | 2010-03-19 | 2014-09-09 | Narus, Inc. | System and method for pitch based gender identification with suspicious speaker detection |
| CN110265059B (zh) | 2013-12-19 | 2023-03-31 | 瑞典爱立信有限公司 | 估计音频信号中的背景噪声 |
| CN109119097B (zh) * | 2018-10-30 | 2021-06-08 | Oppo广东移动通信有限公司 | 基音检测方法、装置、存储介质及移动终端 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3740476A (en) * | 1971-07-09 | 1973-06-19 | Bell Telephone Labor Inc | Speech signal pitch detector using prediction error data |
| FR2206889A5 (ja) * | 1972-11-16 | 1974-06-07 | Rhone Poulenc Sa | |
| US3947638A (en) * | 1975-02-18 | 1976-03-30 | The United States Of America As Represented By The Secretary Of The Army | Pitch analyzer using log-tapped delay line |
| US4004096A (en) * | 1975-02-18 | 1977-01-18 | The United States Of America As Represented By The Secretary Of The Army | Process for extracting pitch information |
| JPS5642296A (en) * | 1979-09-17 | 1981-04-20 | Nippon Electric Co | Pitch extractor |
-
1982
- 1982-02-15 JP JP57021124A patent/JPS58140798A/ja active Granted
-
1983
- 1983-01-31 US US06/462,422 patent/US4653098A/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPS58140798A (ja) | 1983-08-20 |
| US4653098A (en) | 1987-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0443279B2 (ja) | ||
| US4736429A (en) | Apparatus for speech recognition | |
| Skantze et al. | Incremental dialogue processing in a micro-domain | |
| KR101183344B1 (ko) | 사용자 정정들을 이용한 자동 음성 인식 학습 | |
| Audhkhasi et al. | Formant-based technique for automatic filled-pause detection in spontaneous spoken English | |
| US7177810B2 (en) | Method and apparatus for performing prosody-based endpointing of a speech signal | |
| US4589131A (en) | Voiced/unvoiced decision using sequential decisions | |
| JPH04362699A (ja) | 音声認識方法及び装置 | |
| US4890328A (en) | Voice synthesis utilizing multi-level filter excitation | |
| US8086449B2 (en) | Vocal fry detecting apparatus | |
| JP2023028902A (ja) | 音声認識装置及び方法、並びにコンピュータプログラム | |
| JP3906327B2 (ja) | 音声入力モード変換システム | |
| De Mori et al. | Inference of a knowledge source for the recognition of nasals in continuous speech | |
| Ishi et al. | Proposal of acoustic measures for automatic detection of vocal fry. | |
| Strik et al. | A dynamic programming algorithm for time-aligning and averaging physiological signals related to speech | |
| JP2003345388A (ja) | 音声認識装置、音声認識方法、および、音声認識プログラム | |
| Chibani et al. | Resynchronization of the Adaptive Codebook in a Constrained CELP Codec after a frame erasure | |
| KR100350003B1 (ko) | 음성신호로부터워드를결정하는시스템 | |
| Murgul et al. | Beat and Downbeat Tracking in Performance MIDI Using an End-to-End Transformer Architecture | |
| Nishihara et al. | Singing voice synthesis based on frame-level sequence-to-sequence models considering vocal timing deviation | |
| KR100477980B1 (ko) | 합성음의 자연성 향상을 위한 불량 음성합성단위 제거방법 | |
| CN119943054B (zh) | 一种面向国产操作系统的离线实时语音转录优化方法及装置 | |
| Benbassat | Time-domain two-dimensional pitch detection | |
| JPH0330880B2 (ja) | ||
| CN121817809A (zh) | 一种数据处理方法、呼吸发声能力确定系统和介质 |