歌唱合成システムの実現を目的とした高品質音声分析合成法の提案

摘要

本稿では，歌唱合成を目的とした高品質音声分析合成を実現する新方式を擢案し，その原理について述べる．提案する方式は，従来のVbcoderと同様に，音声を基本周波数とスペクトル包終に分解する分析法から構成される．一般的なVocoderでは，有声音・無声音に関わらずスペクトル包絡の推定を行い，無声音の合成時はホワイトノイズを励起信号として用いることが一般的である．しかしながら，歌唱合成のような用途では，音高の操作や歌唱フォルマントの操作など，母音に関して基本周波数・スペクトル包格の加工が行われる一方，子音の詳細な加工が行われることば少ない．提案方式では，計算コストの削減と品質の向上を図るため，無声音について入力波形をそのまま再利用することとする．これは．基本周波数・スペクトル包終に加え，元波形を併用するハイブリッド型のVocoderであり，母音制御の柔軟性を残しつつ，高い品質での子音合成が期待できる．本稿では，本方式に採用する基本周波数推定法・スペクトル包絡推定法について述べ，客観評価により有効性を示す．%A new voice analysis and synthesis system is proposed to synthesize natural singing voices. The proposed system consists of two methods to estimate the fundamental frequency (FO) and the spectral envelope. The conventional vocoder synthesizes the unvoiced sound based on the estimated parameters and the white noise as the excitation signal. However, singing voice synthesis does generally not require to control the unvoiced sound. The control of the pitch and the spectral envelope of the voiced sound is only required for singing voice synthesis. The proposed system utilizes the input waveform of the unvoiced sound directly to improve the sound quality. This is the hybrid vocoder based on the parameters and the waveform. In this paper, a spectral envelope estimation method is proposed to synthesize the high-quality voice. The experiments are conducted to demonstrate the effectiveness of the proposed method.