特許 6017591 音声合成装置、電子透かし情報検出装置、音声合成方法、電子透かし情報検出方法、音声合成プログラム及び電子透かし情報検出プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6017591

(24)【登録日】2016年10月7日

(45)【発行日】2016年11月2日

(54)【発明の名称】音声合成装置、電子透かし情報検出装置、音声合成方法、電子透かし情報検出方法、音声合成プログラム及び電子透かし情報検出プログラム

(51)【国際特許分類】

   G10L 19/018 20130101AFI20161020BHJP

   G10L 13/02 20130101ALI20161020BHJP

【ＦＩ】

   G10L19/018

   G10L13/02 144Z

【請求項の数】15

【全頁数】16

(21)【出願番号】特願2014-557293(P2014-557293)

(86)(22)【出願日】2013年1月18日

(86)【国際出願番号】JP2013050990

(87)【国際公開番号】WO2014112110

(87)【国際公開日】20140724

【審査請求日】2015年6月3日

(73)【特許権者】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(74)【代理人】

【識別番号】110002147

【氏名又は名称】特許業務法人酒井国際特許事務所

(72)【発明者】

【氏名】橘 健太郎

(72)【発明者】

【氏名】籠嶋 岳彦

(72)【発明者】

【氏名】田村 正統

(72)【発明者】

【氏名】森田 眞弘

【審査官】 井上 健一

(56)【参考文献】

【文献】 特開２００３−２９５８７８（ＪＰ，Ａ）

【文献】 特開２００６−２５１６７６（ＪＰ，Ａ）

【文献】 特開２０１０−１６９７６６（ＪＰ，Ａ）

【文献】 特開２００９−２１０８２８（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ１０Ｌ １３／０２

Ｇ１０Ｌ １９／０１８

(57)【特許請求の範囲】

【請求項1】

音声の基本周波数系列及びパルス信号を用いて音源信号を生成する音源生成部と、
前記音源生成部が生成した前記音源信号に対し、電子透かし情報に基づいてピッチマーク毎に前記パルス信号の位相を変調する位相変調部と、
前記位相変調部が前記パルス信号の位相を変調した前記音源信号に対し、スペクトルパラメータ系列を用いて音声信号を生成する声道フィルタ部と、
を有する音声合成装置。

【請求項2】

無声音の基本周波数系列からなるフレームと雑音信号とを用いて雑音音源信号を生成する雑音音源生成部と、
前記位相変調部が前記パルス信号の位相を変調した前記音源信号に対して前記雑音音源信号を加算する加算部と、
をさらに有し、
前記音源生成部は、
有声音の基本周波数系列からなるフレームに対して前記音源信号を生成し、
前記声道フィルタ部は、
前記加算部が前記雑音音源信号を加算した前記音源信号に対する音声信号を生成する
請求項１に記載の音声合成装置。

【請求項3】

前記音源生成部が生成した前記音源信号、及び前記雑音音源生成部が生成した前記雑音音源信号それぞれに対し、帯域と強度を制御する複数の異なる帯域通過フィルタをさらに有し、
前記位相変調部は、
前記複数の異なる帯域通過フィルタが帯域と強度を制御した前記音源信号に対して前記パルス信号の位相を変調し、
前記加算部は、
前記位相変調部が前記パルス信号の位相を変調した前記音源信号に対し、前記複数の異なる帯域通過フィルタが帯域と強度を制御した前記雑音音源信号を加算する
請求項２に記載の音声合成装置。

【請求項4】

前記位相変調部は、
前記電子透かし情報に用いられた鍵情報に基づいて、予め定められた時刻毎に位相変調ルールを変更する
請求項１に記載の音声合成装置。

【請求項5】

前記位相変調部は、
前記音源信号における複数の周波数ビン又はバンドの位相値を変化させる位相変調ルールによって前記パルス信号の位相を変調する
請求項１に記載の音声合成装置。

【請求項6】

前記位相変調部は、
前記音源信号における複数の周波数ビンからなる２つのバンドの位相値から算出する２つの代表位相値間の比率を所定値にするように変化させる位相変調ルールによって前記パルス信号の位相を変調する
請求項１に記載の音声合成装置。

【請求項7】

前記位相変調部は、
前記音源信号における複数の周波数ビンからなる２つのバンドの位相値から算出する２つの代表位相値間の差分を所定値にするように変化させる位相変調ルールによって前記パルス信号の位相を変調する
請求項１に記載の音声合成装置。

【請求項8】

前記鍵情報は、
予め定められた時刻毎に位相変調ルールが規定されたテーブルから構成されている
請求項４に記載の音声合成装置。

【請求項9】

電子透かし情報が埋め込まれた合成音声のピッチマークを推定し、推定したピッチマーク毎に音声を切り出すピッチマーク推定部と、
前記ピッチマーク推定部が切り出した音声の位相を抽出する位相抽出部と、
前記位相抽出部が抽出した位相から複数の周波数ビンの代表となる代表位相を算出する代表位相算出部と、
前記代表位相に基づいて前記電子透かし情報の有無を判定する判定部と、
を有する電子透かし情報検出装置。

【請求項10】

前記判定部は、
予め定められた期間であるフレーム毎に、時間の変化に対する前記代表位相の変化を示す傾きを算出し、前記傾きの頻度に基づいて前記電子透かし情報の有無を判定する
請求項９に記載の電子透かし情報検出装置。

【請求項11】

前記判定部は、
予め定められた期間であるフレーム毎に、時間の変化に対する前記代表位相の変化の理想値とみなす参照直線と、前記代表位相との相関係数を算出し、前記相関係数が予め定められた閾値を超えた場合に、前記電子透かし情報が有ると判定する
請求項９に記載の電子透かし情報検出装置。

【請求項12】

音声の基本周波数系列及びパルス信号を用いて音源信号を生成する工程と、
生成した前記音源信号に対し、電子透かし情報に基づいてピッチマーク毎に前記パルス信号の位相を変調する工程と、
前記パルス信号の位相を変調した前記音源信号に対し、スペクトルパラメータ系列を用いて音声信号を生成する工程と、
を含む音声合成方法。

【請求項13】

電子透かし情報が埋め込まれた合成音声のピッチマークを推定し、推定したピッチマーク毎に音声を切り出す工程と、
切り出した音声の位相を抽出する工程と、
抽出した位相から複数の周波数ビンの代表となる代表位相を算出する工程と、
前記代表位相に基づいて前記電子透かし情報の有無を判定する工程と、
を含む電子透かし情報検出方法。

【請求項14】

音声の基本周波数系列及びパルス信号を用いて音源信号を生成するステップと、
生成した前記音源信号に対し、電子透かし情報に基づいてピッチマーク毎に前記パルス信号の位相を変調するステップと、
前記パルス信号の位相を変調した前記音源信号に対し、スペクトルパラメータ系列を用いて音声信号を生成するステップと、
をコンピュータに実行させるための音声合成プログラム。

【請求項15】

電子透かし情報が埋め込まれた合成音声のピッチマークを推定し、推定したピッチマーク毎に音声を切り出すステップと、
切り出した音声の位相を抽出するステップと、
抽出した位相から複数の周波数ビンの代表となる代表位相を算出するステップと、
前記代表位相に基づいて前記電子透かし情報の有無を判定するステップと、
をコンピュータに実行させるための電子透かし情報検出プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、音声合成装置、電子透かし情報検出装置、音声合成方法、電子透かし情報検出方法、音声合成プログラム及び電子透かし情報検出プログラムに関する。

【背景技術】

【0002】

声帯の振動を示す音源信号に対し、声道特性を示すフィルタリングを行って音声を合成することは公知である。また、合成音声の品質が向上しており、悪用される危険性がある。そのため、合成音声に透かし情報を挿入することにより、悪用の防止、抑制をすることができると考えられている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００３−２９５８７８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、合成音声に電子透かしを組込むと、音質劣化が生じる場合があった。本発明が解決しようとする課題は、合成音声の音質を劣化させることなく電子透かしを挿入することができる音声合成装置、電子透かし情報検出装置、音声合成方法、電子透かし情報検出方法、音声合成プログラム及び電子透かし情報検出プログラムを提供することである。

【課題を解決するための手段】

【0005】

実施形態の情報処理装置は、音源生成部と、位相変調部と、声道フィルタ部と、を有する。音源生成部は、音声の基本周波数系列及びパルス信号を用いて音源信号を生成する。位相変調部は、音源生成部が生成した音源信号に対し、電子透かし情報に基づいてピッチマーク毎にパルス信号の位相を変調する。声道フィルタ部は、位相変調部がパルス信号の位相を変調した音源信号に対し、スペクトルパラメータ系列を用いて音声信号を生成する。

【図面の簡単な説明】

【0006】

【図1】実施形態にかかる音声合成装置の構成を例示するブロック図。

【図2】音源部の構成を例示するブロック図。

【図3】実施形態にかかる音声合成装置が行う処理を例示するフローチャート。

【図4】電子透かしの無い音声波形と、音声合成装置が電子透かしを挿入した音声波形とを対比する図。

【図5】音源部の第１変形例及びその周辺の構成を例示するブロック図。

【図6】音声波形、基本周波数系列、ピッチマーク、及び帯域雑音強度系列の一例を示す図。

【図7】図５に示した音源部を有する音声合成装置が行う処理を例示するフローチャート。

【図8】音源部の第２変形例及びその周辺の構成を例示するブロック図。

【図9】実施形態にかかる電子透かし情報検出装置の構成を例示するブロック図。

【図10】判定部が代表位相値に基づいて電子透かし情報の有無を判定する場合に行う処理を示す図。

【図11】実施形態にかかる電子透かし情報検出装置の動作を例示するフローチャート。

【図12】判定部が代表位相値に基づいて電子透かし情報の有無を判定する場合に行う他の処理の第１例を示す図。

【図13】判定部が代表位相値に基づいて電子透かし情報の有無を判定する場合に行う他の処理の第２例を示す図。

【発明を実施するための形態】

【0007】

（音声合成装置）
以下に添付図面を参照して、実施形態にかかる音声合成装置について説明する。図１は、実施形態にかかる音声合成装置１の構成を例示するブロック図である。なお、音声合成装置１は、例えば、汎用のコンピュータなどによって実現される。即ち、音声合成装置１は、例えばＣＰＵ、記憶装置、入出力装置及び通信インターフェイスなどを備えたコンピュータとしての機能を有する。

【0008】

図１に示すように、音声合成装置１は、入力部１０、音源部２ａ、声道フィルタ部１２、出力部１４及び第１記憶部１６を有する。入力部１０、音源部２ａ、声道フィルタ部１２及び出力部１４は、それぞれハードウェア回路、又はＣＰＵにより実行するソフトウェアのいずれで構成されてもよい。第１記憶部１６は、例えばＨＤＤ（Hard Disk Drive）又はメモリなどによって構成される。つまり、音声合成装置１は、音声合成プログラムを実行することによって機能を実現するように構成されてもよい。

【0009】

入力部１０は、基本周波数又は基本周期の情報を表す系列（以降、基本周波数系列と記載する）と、スペクトルパラメータの系列と、電子透かし情報とを少なくとも含む特徴パラメータの系列を音源部２ａに対して入力する。

【0010】

基本周波数系列は、例えば有声音のフレームにおける基本周波数（Ｆ_０）の値などと、無声音のフレームであることを示す値との系列とする。ここで、無声音のフレームは、例えば０に固定するなど予め定めた値の系列とする。また、有声音のフレームは、周期信号のフレーム毎のピッチ周期、又は対数Ｆ_０などの値を含むものであってもよい。

【0011】

本実施形態において、フレームとは、音声信号の区間を示すものとする。音声合成装置１が固定のフレームレートによって分析を行う場合、特徴パラメータは、例えば５ｍｓ毎の値となる。

【0012】

スペクトルパラメータは、音声のスペクトル情報をパラメータとして表現したものである。音声合成装置１が基本周波数系列と同様に固定のフレームレートによって分析を行う場合、スペクトルパラメータは、例えば５ｍｓ毎の区間に対応する値となる。また、スペクトルパラメータには、例えばケプストラム、メルケプストラム、線形予測係数、スペクトル包絡又はメルＬＳＰなどの様々なパラメータが用いられる。

【0013】

音源部２ａは、入力部１０から入力された基本周波数系列、及び後述するパルス信号等を用いて、位相を変調した音源信号を生成（図２等を用いて詳述）し、声道フィルタ部１２に対して出力する。

【0014】

声道フィルタ部１２は、音源部２ａが位相を変調した音源信号に対し、例えば音源部２ａを介して受入れたスペクトルパラメータ系列を用いて畳み込み演算を行って音声信号を生成する。即ち、声道フィルタ部１２は、音声波形を生成する。

【0015】

出力部１４は、声道フィルタ部１２が生成した音声信号を出力する。例えば、出力部１４は、音声信号（音声波形）を波形出力として表示したり、音声ファイル（例えばＷＡＶＥファイルなど）として出力する。

【0016】

第１記憶部１６は、音声合成に用いる複数種類のパルス信号を記憶しており、音源部２ａからのアクセスに応じていずれかのパルス信号を音源部２ａに対して出力する。

【0017】

図２は、音源部２ａの構成を例示するブロック図である。図２に示すように、音源部２ａは、例えば音源生成部２０及び位相変調部２２を有する。音源生成部２０は、第１記憶部１６から受入れたパルス信号に対し、入力部１０から受入れた特徴パラメータの系列を用いて変形を行うことにより、有声音のフレームに対する（パルス）音源信号を生成する。即ち、音源生成部２０は、パルス列（又はピッチマーク列）を作成することとなる。ピッチマーク列は、ピッチパルスを配置する時刻の列を表す情報である。

【0018】

例えば、音源生成部２０は、基準時刻を定め、当該基準時刻におけるピッチ周期を基本周波数系列内の該当するフレームの値から算出する。また、音源生成部２０は、基準時刻に対して、算出したピッチ周期の長さ分進めた時刻にマークを付与する処理を繰り返すことにより、ピッチマークを作成する。また、音源生成部２０は、基本周波数の逆数を求めることによってピッチ周期を算出する。

【0019】

位相変調部２２は、音源生成部２０が生成した（パルス）音源信号を受入れて位相変調を行う。例えば、位相変調部２２は、音源生成部２０が生成した音源信号に対し、特徴パラメータに含まれる電子透かし情報を用いた位相変調ルールに基づいてピッチマーク毎にパルス信号の位相を変調する。即ち、位相変調部２２は、パルス信号の位相を変調して位相変調パルス列を生成する。

【0020】

位相変調ルールは、時系列的な変調であってもよいし、周波数系列的な変調であってもよい。例えば、位相変調部２２は、下式１又は下式２に示すように、周波数ビン毎に時系列で位相を変調させたり、時間系列及び周波数系列の少なくともいずれかをランダムに変調させる全域通過フィルタを用いて時間的に変調させる。

【0021】

例えば、位相変調部２２が時系列で位相を変調させる場合、時系列毎（予め定められた時刻毎）に変化する位相変調ルール群を示すテーブルを電子透かし情報に用いられる鍵情報として、入力部１０が位相変調部２２に対してあらかじめ入力するように構成されてもよい。この場合、位相変調部２２は、電子透かし情報に用いられた鍵情報に基づいて、予め定められた時刻毎に位相変調ルールを変更する。また、電子透かし情報を検出する電子透かし情報検出装置（後述）において、位相変調部２２が位相変調ルールの変更に用いたテーブルを使用することにより、電子透かしの秘匿性を高めることが可能となる。

【0022】

【数1】

【数2】

【0023】

なお、ａは位相変調強度（傾き）、ｆは周波数ビン又はバンド、ｔは時間、ｐｈ（ｔ，ｆ）は時刻ｔにおける周波数ｆの位相を示す。位相変調強度ａは、例えば、複数の周波数ビンからなる２つのバンドの位相値から算出した２つの代表位相値間の比率、又は差分が所定値となるように変化させる値とする。そして、音声合成装置１は、位相変調強度ａを電子透かし情報のビット情報として利用する。また、音声合成装置１は、位相変調強度ａ（傾き）を複数の値とすることにより、電子透かし情報のビット情報を多ビット化してもよい。また、位相変調ルールにおいては、予め定められた複数の周波数ビンの中央値、平均値、又は重みづけ平均値などが用いられてもよい。

【0024】

次に、図１に示した音声合成装置１が行う処理について説明する。図３は、音声合成装置１が行う処理を例示するフローチャートである。図３に示すように、ステップ１００（Ｓ１００）において、音源生成部２０は、第１記憶部１６から受入れたパルス信号に対し、入力部１０から受入れた特徴パラメータの系列を用いて変形を行うことにより、有声音のフレームに対する（パルス）音源信号を生成する。即ち、音源生成部２０は、パルス列を出力する。

【0025】

ステップ１０２（Ｓ１０２）において、位相変調部２２は、音源生成部２０が生成した音源信号に対し、特徴パラメータに含まれる電子透かし情報を用いた位相変調ルールに基づいてピッチマーク毎にパルス信号の位相を変調する。即ち、位相変調部２２は、位相変調パルス列を出力する。

【0026】

ステップ１０４（Ｓ１０４）において、声道フィルタ部１２は、音源部２ａが位相を変調した音源信号に対し、音源部２ａを介して受入れたスペクトルパラメータ系列を用いて畳み込み演算を行って音声信号を生成する。即ち、声道フィルタ部１２は、音声波形を出力する。

【0027】

図４は、電子透かしの無い音声波形と、音声合成装置１が電子透かしを挿入した音声波形とを対比する図である。図４（ａ）は、電子透かしの無い「Donate to the neediest cases today!」という音声の音声波形の例を示している。また、図４（ｂ）は、音声合成装置１が上式１を用いて電子透かしを挿入した「Donate to the neediest cases today!」という音声の音声波形の例を示している。図４（ａ）に示した音声波形に対し、図４（ｂ）に示した音声波形は、電子透かしが挿入されたことにより、位相がずらされている（変調されている）。例えば、図４（ｂ）に示した音声波形は、電子透かしが挿入されていても、人の聴覚における音質劣化を生じさせない。

【0028】

（音源部２ａの第１変形例：音源部２ｂ）
次に、音源部２ａの第１変形例（音源部２ｂ）について説明する。図５は、音源部２ａの第１変形例（音源部２ｂ）及びその周辺の構成を例示するブロック図である。図５に示すように、音源部２ｂは、例えば判断部２４、音源生成部２０、位相変調部２２、雑音音源生成部２６及び加算部２８を有する。第２記憶部１８は、音声合成に用いる白色性及びガウス性の雑音信号を記憶しており、音源部２ｂからのアクセスに応じて雑音信号を音源部２ｂに対して出力する。なお、図５に示した音源部２ｂにおいて、図２に示した音源部２ａを構成する部分と実質的に同一の部分には同一の符号が付してある。

【0029】

判断部２４は、入力部１０から受入れた特徴パラメータに含まれる基本周波数系列の着目しているフレームが無声音のフレームであるか、有声音のフレームであるかを判断する。また、判断部２４は、無声音のフレームに関する情報を雑音音源生成部２６に対して出力し、有声音のフレームに関する情報を音源生成部２０に対して出力する。例えば、判断部２４は、基本周波数系列において無声音のフレームの値を０としている場合には、当該フレームの値が０であるか否かを判定することにより、着目しているフレームが無声音のフレームであるか、有声音のフレームであるかを判断する。

【0030】

ここで、入力部１０は、音源部２ａ（図１，２）に対して入力する特徴パラメータの系列と同じ特徴パラメータを音源部２ｂに対して入力してもよいが、さらに他のパラメータの系列を加えた特徴パラメータを音源部２ｂに対して入力するものとする。例えば、入力部１０は、第１記憶部１６が記憶しているパルス信号及び第２記憶部１８が記憶している雑音信号に対してｎ個（ｎは２以上の整数）の通過帯域に対応するｎ個の帯域通過フィルタを適用する場合の強度を表す帯域雑音強度系列を、特徴パラメータの系列に加える。

【0031】

図６は、音声波形、基本周波数系列、ピッチマーク、及び帯域雑音強度系列の一例を示す図である。図６において、（ｂ）は、（ａ）に示した音声波形の基本周波数系列を表す。また、図６において、（ｄ）に示した帯域雑音強度は、（ｃ）に示したピッチマーク毎に、例えば５つの帯域に分割したそれぞれの帯域（ｂａｎｄ１〜ｂａｎｄ５）の雑音成分の強さを、スペクトルに対する割合で示したパラメータであり、０から１の間の値になっている。帯域雑音強度系列は、ピッチマーク毎（又は分析フレーム毎）に帯域雑音強度を並べたものである。

【0032】

無声音のフレームは全帯域が雑音成分であるとみなされるため、帯域雑音強度の値は１となる。一方、有声音のフレームは、帯域雑音強度が１未満の値となる。一般的に、高い帯域において雑音成分は強くなる。また、有声摩擦音の高域成分では、帯域雑音強度は１に近い高い値になる。なお、基本周波数系列は対数基本周波数であってもよく、帯域雑音強度はデシベル単位であってもよい。

【0033】

そして、音源部２ｂの音源生成部２０は、基本周波数系列から開始点を設定し、現在の位置での基本周波数からピッチ周期を算出する。また、音源生成部２０は、算出したピッチ周期を現在の位置に対して加えた時刻を次のピッチマークとする処理を繰り返すことによりピッチマークを作成する。

【0034】

また、音源生成部２０は、ｎ個の帯域通過フィルタをパルス信号に適用してｎ個の帯域に分割したパルス音源信号を生成するように構成されてもよい。

【0035】

音源部２ｂの位相変調部２２は、音源部２ａにおける場合と同様に、パルス信号の位相のみを変調する。

【0036】

雑音音源生成部２６は、第２記憶部１８が記憶している白色性及びガウス性の雑音信号と、入力部１０から受入れた特徴パラメータの系列とを用いて、無声音の基本周波数系列からなるフレームに対する雑音音源信号を生成する。

【0037】

また、雑音音源生成部２６は、ｎ個の帯域通過フィルタを適用してｎ個の帯域に分割した雑音音源信号を生成するように構成されてもよい。

【0038】

加算部２８は、位相変調部２２が位相変調を行ったパルス信号（位相変調パルス列）と雑音音源生成部２６が生成した雑音音源信号の振幅を既定の比率に制御した後に重畳することにより、混合音源（雑音音源信号を加算した音源信号）を生成する。

【0039】

また、加算部２８は、帯域毎に帯域雑音強度系列に応じて雑音音源信号とパルス音源信号の振幅を調整した後に重畳し、すべての帯域に対して重畳を行うことによって混合音源（雑音音源信号を加算した音源信号）を生成するように構成されてもよい。

【0040】

次に、音源部２ｂを有する音声合成装置１が行う処理について説明する。図７は、図５に示した音源部２ｂを有する音声合成装置１が行う処理を例示するフローチャートである。図７に示すように、ステップ２００（Ｓ２００）において、音源生成部２０は、第１記憶部１６から受入れたパルス信号に対し、入力部１０から受入れた特徴パラメータの系列を用いて変形を行うことにより、有声音のフレームに対する（パルス）音源信号を生成する。即ち、音源生成部２０は、パルス列を出力する。

【0041】

ステップ２０２（Ｓ２０２）において、位相変調部２２は、音源生成部２０が生成した音源信号に対し、特徴パラメータに含まれる電子透かし情報を用いた位相変調ルールに基づいてピッチマーク毎にパルス信号の位相を変調する。即ち、位相変調部２２は、位相変調パルス列を出力する。

【0042】

ステップ２０４（Ｓ２０４）において、加算部２８は、位相変調部２２が位相変調を行ったパルス信号（位相変調パルス列）と雑音音源生成部２６が生成した雑音音源信号の振幅を既定の比率に制御した後に重畳することにより、雑音音源信号（ノイズ）を加算した音源信号を生成する。

【0043】

ステップ２０６（Ｓ２０６）において、声道フィルタ部１２は、音源部２ｂが位相を変調した音源信号（ノイズ加算）に対し、音源部２ｂを介して受入れたスペクトルパラメータ系列を用いて畳み込み演算を行って音声信号を生成する。即ち、声道フィルタ部１２は、音声波形を出力する。

【0044】

（音源部２ａの第２変形例：音源部２ｃ）
次に、音源部２ａの第２変形例（音源部２ｃ）について説明する。図８は、音源部２ａの第２変形例（音源部２ｃ）及びその周辺の構成を例示するブロック図である。図８に示すように、音源部２ｃは、例えば判断部２４、音源生成部２０、フィルタ部３ａ、位相変調部２２、雑音音源生成部２６、フィルタ部３ｂ、及び加算部２８を有する。なお、図８に示した音源部２ｃにおいて、図５に示した音源部２ｂを構成する部分と実質的に同一の部分には同一の符号が付してある。

【0045】

フィルタ部３ａは、異なる帯域の信号を通過させ、帯域と強度を制御する帯域通過フィルタ３０，３２を有する。フィルタ部３ａは、音源生成部２０が生成した音源信号のパルス信号に対し、例えば２個の帯域通過フィルタ３０，３２を適用することにより、２個の帯域に分割した音源信号を生成する。また、フィルタ部３ｂは、異なる帯域の信号を通過させ、帯域と強度を制御する帯域通過フィルタ３４，３６を有する。フィルタ部３ｂは、雑音音源生成部２６が生成した雑音音源信号に対し、例えば２個の帯域通過フィルタ３４，３６を適用することにより、２個の帯域に分割した雑音音源信号を生成する。このように、音源部２ｃにおいては、フィルタ部３ａが音源生成部２０とは別に設けられ、フィルタ部３ｂが雑音音源生成部２６とは別に設けられている。

【0046】

そして、音源部２ｃの加算部２８は、帯域毎に帯域雑音強度系列に応じて雑音音源信号とパルス音源信号の振幅を調整して重畳し、すべての帯域に対して重畳を行うことによって混合音源（雑音音源信号を加算した音源信号）を生成する。

【0047】

なお、上述した音源部２ｂ及び音源部２ｃは、それぞれハードウェア回路、又はＣＰＵにより実行するソフトウェアのいずれで構成されてもよい。第２記憶部１８は、例えばＨＤＤ又はメモリなどによって構成される。また、ＣＰＵにより実行するソフトウェア（プログラム）は、磁気ディスク、光ディスク又は半導体メモリなどの記録媒体に格納して、もしくはネットワークを介して頒布することも可能である。

【0048】

このように、音声合成装置１は、位相変調部２２が電子透かし情報に基づいてパルス信号の、つまり有声部のみの位相を変調するだけであるため、合成音声の音質を劣化させることなく電子透かしを挿入することができる。

【0049】

（電子透かし情報検出装置）
次に、電子透かしを挿入された合成音声から電子透かし情報を検出する電子透かし情報検出装置について説明する。図９は、実施形態にかかる電子透かし情報検出装置４の構成を例示するブロック図である。なお、電子透かし情報検出装置４は、例えば、汎用のコンピュータなどによって実現される。即ち、電子透かし情報検出装置４は、例えばＣＰＵ、記憶装置、入出力装置及び通信インターフェイスなどを備えたコンピュータとしての機能を有する。

【0050】

図９に示すように、電子透かし情報検出装置４は、ピッチマーク推定部４０、位相抽出部４２、代表位相算出部４４及び判定部４６を有する。ピッチマーク推定部４０、位相抽出部４２、代表位相算出部４４及び判定部４６は、それぞれハードウェア回路、又はＣＰＵにより実行するソフトウェアのいずれで構成されてもよい。つまり、電子透かし情報検出装置４は、電子透かし情報検出プログラムを実行することによって機能を実現するように構成されてもよい。

【0051】

ピッチマーク推定部４０は、入力された音声信号のピッチマーク系列を推定する。具体的には、ピッチマーク推定部４０は、例えばＬＰＣ分析などによって入力信号又は入力信号の残差信号（推定した音源信号）から周期的なパルスを推定することによりピッチマークの系列を推定し、推定したピッチマークの系列を位相抽出部４２に対して出力する。即ち、ピッチマーク推定部４０は、残差信号抽出（音声切り出し）を行っている。

【0052】

位相抽出部４２は、例えば推定されたピッチマーク毎に、前後のピッチ幅の短い方の２倍を窓長として切り出しを行い、各周波数ビンにおけるピッチマーク毎の位相を抽出する。位相抽出部４２は、抽出した位相の系列を代表位相算出部４４に対して出力する。

【0053】

代表位相算出部４４は、上述した位相変調ルールに基づいて、位相抽出部４２が抽出した位相から例えば複数の周波数ビンの代表となる代表位相を算出し、代表位相の系列を判定部４６に対して出力する。

【0054】

判定部４６は、ピッチマーク毎に算出された代表位相値に基づいて、電子透かし情報の有無を判定する。判定部４６が行う処理については、図１０を用いて詳述する。

【0055】

図１０は、判定部４６が代表位相値に基づいて電子透かし情報の有無を判定する場合に行う処理を示す図である。図１０（ａ）は、時間の経過に伴って変化するピッチマーク毎の代表位相値を示すグラフである。判定部４６は、図１０（ａ）における予め定められた期間である分析フレーム（フレーム）毎に代表位相が形成する直線の傾きを算出する。図１０（ａ）において、周波数強度ａは、直線の傾きとなって現れる。

【0056】

そして、判定部４６は、この傾きから電子透かし情報の有無を判定する。具体的には、判定部４６は、まず傾きのヒストグラムを作成し、最頻となる傾きを代表傾き（傾き最頻値）とする。次に、判定部４６は、図１０（ｂ）に示すように、傾き最頻値が第１閾値と第２閾値との間にあるか否かを判定する。判定部４６は、傾き最頻値が第１閾値と第２閾値との間にある場合には、電子透かし情報が有ると判定する。また、判定部４６は、傾き最頻値が第１閾値と第２閾値との間にない場合には、電子透かし情報が無いと判定する。

【0057】

次に、電子透かし情報検出装置４の動作について説明する。図１１は、電子透かし情報検出装置４の動作を例示するフローチャートである。図１１に示すように、ステップ３００（Ｓ３００）において、ピッチマーク推定部４０は、残差信号抽出（音声切り出し）を行う。

【0058】

ステップ３０２（Ｓ３０２）において、位相抽出部４２は、ピッチマーク毎に、前後のピッチ幅の短い方の２倍を窓長として切り出しを行い、位相を抽出する。

【0059】

ステップ３０４（Ｓ３０４）において、代表位相算出部４４は、位相変調ルールに基づいて、位相抽出部４２が抽出した位相から複数の周波数ビンの代表となる代表位相を算出する。

【0060】

ステップ３０６（Ｓ３０６）において、ＣＰＵは、フレームの全てのピッチマークを処理したか否かを判定する。ＣＰＵは、フレームの全てのピッチマークを処理したと判定した場合（Ｓ３０６：Ｙｅｓ）には、Ｓ３０８の処理に進む。また、ＣＰＵは、フレームの全てのピッチマークを処理していないと判定した場合（Ｓ３０６：Ｎｏ）には、Ｓ３０２の処理に進む。

【0061】

ステップ３０８（Ｓ３０８）において、判定部４６は、フレーム毎に代表位相が形成する直線の傾き（代表位相の傾き）を算出する。

【0062】

ステップ３１０（Ｓ３１０）において、ＣＰＵは、全てのフレームを処理したか否かを判定する。ＣＰＵは、全てのフレームを処理したと判定した場合（Ｓ３１０：Ｙｅｓ）には、Ｓ３１２の処理に進む。また、ＣＰＵは、全てのフレームを処理していないと判定した場合（Ｓ３１０：Ｎｏ）には、Ｓ３０２の処理に進む。

【0063】

ステップ３１２（Ｓ３１２）において、判定部４６は、Ｓ３０８の処理において算出した傾きのヒストグラムを作成する。

【0064】

ステップ３１４（Ｓ３１４）において、判定部４６は、Ｓ３１２の処理において作成したヒストグラムの最頻値（傾き最頻値）を算出する。

【0065】

ステップ３１６（Ｓ３１６）において、判定部４６は、Ｓ３１４の処理において算出した傾き最頻値に基づいて、電子透かし情報の有無を判定する。

【0066】

このように、電子透かし情報検出装置４は、ピッチマーク毎に位相を抽出し、代表位相が形成する直線の傾きの頻度に基づいて、電子透かし情報の有無を判定する。なお、判定部４６は、図１０に示した処理を行うことによって電子透かし情報の有無を判定することに限定されず、他の処理を行うことによって電子透かし情報の有無を判定するように構成されてもよい。

【0067】

（判定部４６が行う他の処理例）
図１２は、判定部４６が代表位相値に基づいて電子透かし情報の有無を判定する場合に行う他の処理の第１例を示す図である。図１２（ａ）は、時間の経過に伴って変化するピッチマーク毎の代表位相値を示すグラフである。図１２（ｂ）において、一点鎖線は、予め定められた期間である分析フレーム（フレーム）における時間の変化に対する代表位相の変化の理想値とみなす参照直線を示している。また、図１２（ｂ）において、破線は、分析フレームにおける各代表位相値（例えば４つの代表位相値）から推定した傾きを示す推定直線である。

【0068】

判定部４６は、分析フレーム毎に参照直線を前後にシフトさせて、代表位相との相関係数を算出し、図１２（ｃ）に例示するように、分析フレームの相関係数の頻度がヒストグラムにおける予め定められた閾値を超えた場合に電子透かし情報が有ると判定する。また、判定部４６は、分析フレームの相関係数の頻度がヒストグラムにおける閾値を超えない場合には電子透かし情報が無いと判定する。

【0069】

図１３は、判定部４６が代表位相値に基づいて電子透かし情報の有無を判定する場合に行う他の処理の第２例を示す図である。判定部４６は、図１３に示した閾値を用いて、電子透かし情報の有無を判定してもよい。なお、図１３に示した閾値は、電子透かし情報を含む合成音と電子透かし情報を含まない合成音（又は肉声）との２つに対し、代表位相が形成する直線の傾きのヒストグラムをそれぞれ作成して、２つのヒストグラムを最も分離できる点としている。

【0070】

また、判定部４６は、電子透かし情報を含む合成音の代表位相が形成する直線の傾きを特徴量として統計的にモデルを学習し、尤度を閾値として、電子透かし情報の有無を判定してもよい。また、判定部４６は、電子透かし情報を含む合成音と電子透かし情報を含まない合成音の代表位相が形成する直線の傾きそれぞれを特徴量として統計的にモデルを学習し、尤度値を比較して電子透かし情報の有無を判定してもよい。

【0071】

本実施形態の音声合成装置１及び電子透かし情報検出装置４で実行される各プログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）等のコンピュータで読み取り可能な記録媒体に記録されて提供される。

【0072】

また、本実施形態の各プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。

【0073】

また、本発明のいくつかの実施形態を複数の組み合わせによって説明したが、これらの実施形態は例として提示したものであり、発明の範囲を限定することは意図していない。これら新規の実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、請求の範囲に記載された発明とその均等の範囲に含まれる。

【符号の説明】

【0074】

１ 音声合成装置
１０ 入力部
１２ 声道フィルタ部
１４ 出力部
１６ 第１記憶部
１８ 第２記憶部
２ａ，２ｂ，２ｃ 音源部
２０ 音源生成部
２２ 位相変調部
２４ 判断部
２６ 雑音音源生成部
２８ 加算部
３ａ，３ｂ フィルタ部
３０，３２，３４，３６ 帯域通過フィルタ
４ 電子透かし情報検出装置
４０ ピッチマーク推定部
４２ 位相抽出部
４４ 代表位相算出部
４６ 判定部

【図1】

【図2】

【図5】

【図6】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図3】

【図4】

【図7】