DE19818608C2

DE19818608C2 - Verfahren und Vorrichtung zur Sprachdetektion und Geräuschparameterschätzung

Info

Publication number: DE19818608C2
Application number: DE1998118608
Authority: DE
Inventors: Rainer Zelinski
Original assignee: Deutsche Telekom AG
Current assignee: Deutsche Telekom AG
Priority date: 1998-04-20
Filing date: 1998-04-20
Publication date: 2000-06-15
Anticipated expiration: 2018-04-21
Also published as: DE19818608A1

Description

Die Erfindung bezieht sich auf ein Verfahren der im Oberbe griff des Patentanspruchs 1 und auf eine Vorrichtung der im Oberbegriff des Patentanspruchs 4 näher bezeichneten Art. Eine derartige Geräuschparameterschätzung ist in der Disser tation der Universität Karlsruhe 1990 von S. Gierl unter dem Titel: "Geräuschreduktion bei Sprachübertragung mit Hilfe von Mikrofonarraysystemen" beschrieben.

Freisprechsysteme zur Sprachkommunikation werden immer häufi ger auf der Basis eines adaptiven Echokompensators reali siert. Findet die Kommunikation in geräuschvoller Umgebung statt, so ist der zusätzliche Einsatz eines Geräuschreduk tionsverfahrens mit adaptivem Geräuschfilter anzustreben. Zur optimalen Steuerung von Echokompensator bzw. Geräuschfilter ist ein Sprachdetektor wünschenswert, der die Sprachaktivität des nahen Teilnehmers (am Freisprechendgerät) anzeigt.

Bei der adaptiven Einstellung eines Echokompensators ist ein Sprachdetektor sehr hilfreich. So sollte z. B. die Schrittwei te beim NLMS-Verfahren erheblich verkleinert werden, wenn der nahe Teilnehmer aktiv ist, da dessen Sprachsignal den Ab gleichvorgang erheblich stört. Wird zusätzlich ein Geräusch reduktionssystem eingesetzt, so können die Dämpfungseigen schaften des Geräuschfilters mit Hilfe des Sprachdetektors sehr günstig gesteuert werden. Darüber hinaus werden die statistischen Daten des aktuellen Geräuschsignals, z. B. die Autokorrelationsfunktion, zur Filtereinstellung benötigt.

In der Literatur, siehe z. B. von R. Wehrmann, R. Poltmann, H. Schütze und R. Zelinski: "Signalverarbeitungsverfahren zur Verbesserung der Sprachkommunikation über Freisprecheinrich tungen; Teil 3: Verfahren zur Geräuschreduktion", sind eine Vielzahl von Verfahren zur Sprachdetektion bzw. zur Geräusch parameterschätzung beschrieben worden, die auf der Auswertung eines einkanaligen Mikrofonsignals beruhen. Diese Verfahren sind in der Regel nur für stationäre Geräuschsignale einsetz bar. Besonders problematisch wird die Situation, wenn das Geräuschsignal selbst auch aus einem Sprachsignal besteht, z. B. ein weiterer Sprecher im Hintergrund des Raumes.

Auswerteverfahren auf der Basis von zwei oder mehr Mikrofon kanälen sind notwendig, um auch instationäre Geräuschsignale sicher zu erfassen bzw. vom gewünschten Sprachsignal sicher unterscheiden zu können.

Hierzu gibt es verschiedene Systemkonzepte, die sich prinzi piell in ihrer Mikrofonanordnung unterscheiden. Eines dieser Konzepte, das z. B. in DE 41 26 902 C2 und in EP 0 522 213 A1 verwendet wird, sieht vor, daß ein Mikrofon recht nahe beim Sprecher verwendet wird und vorwiegend Sprache und wenig Umgebungsgeräusch; dagegen ein zweites weiter vom Sprecher entferntes Mikrofon wesentlich mehr Geräusch als Sprache aufnimmt. Prinzipielle Nachteile dieser Konzeption sind auf der Verfahrensseite, daß sich die Pegel und Spektren der Geräuschanteile abhängig von der Position der Geräuschquelle und evtl. auch des Sprechers stark verändern können, und bei der Vorrichtung, daß ein zusätzliches langes störanfälliges Kabel für das zweite Mikrofon und eine sehr nahe und einiger maßen konstante Anordnung des ersten Mikrofons beim Sprecher erforderlich sind.

Ein zweites Systemkonzept, das für besondere hohe Geräuschpe gel vorgesehen, und z. B. in US 3 746 789 verwendet ist, sieht die Anbringung eines zweiten Mikrofons in unmittelbarer Körpernähe, z. B. als Kehlkopfmikrofon vor. Eine solche Anbringung schränkt aber den Komfort und die Mobilität des Sprechers erheblich ein.

Ein drittes Systemkonzept beruht auf der Anwendung eines Mikrofonarrays mit zwei oder mehr Mikrofonen, das auf die vorgesehene Sprecherposition ausgerichtet wird. Die Mikrofone werden allgemein im Abstand von 10 bis 50 cm voneinander und 30 bis 100 cm vom Sprecher angeordnet. Dieses Konzept ermög licht beispielsweise beim Freisprech-Bildtelefon den Einbau der Mikrofone am Rand des Bildwiedergabeteils, wobei weder Mikrofonkabel verlegt noch der Sprecher durch Anbringung eines Mikrofons am Körper oder enge Ortsbindung behindert werden muß.

Problematisch ist bei diesem Konzept jedoch, daß alle Mikro fone des Arrays Sprach- und Geräuschanteile mit etwa gleich großem Pegel aufnehmen, weil alle Entfernungen der Mikrofone vom Sprecher in der gleichen Größenordnung liegen.

Eine Trennung bzw. Bevorzugung der Sprache gegenüber den Geräuschen ist jedoch durch eine exakte Ausrichtung des Mikrofonarrays auf den Sprecherort erreichbar. Dies kann mechanisch, durch Drehen des Mikrofonarrays bis zu gleichen Abständen aller Mikrofone zum Sprechermund, oder auch elektrisch, mittels Ausgleich der Zeitdifferenzen durch Verzögerung, bis das Sprachsignal aller Mikrofonkanäle zeitsynchron ist, erfolgen. Nach exakter Ausrichtung ist die Differenz zweier Mikrofonsignale im Idealfall sprachfrei, weil sich die Sprachsignalkomponenten gegenseitig aufheben. Das Differenzsignal enthält dann nur den Geräuschanteil, der sich aber im Pegel und Spektrum von den Geräuschanteilen unterscheidet, welche die Einzelmikrofone aufnehmen und welche in der Summe der Mikrofonsignale enthalten sind. Daraus resultiert aber das Problem, aus dem Differenzsignal Signale für die Detektion des Sprachsignals und die Schätzung der Geräuschspektren in den Summensignalen abzuleiten.

Die bisher für die Lösung dieses Problems vorgeschlagenen Verfahren beruhen meist auf einer recht komplexen Auswertung von Kreuzkorrelations- oder Kohärenzmaßen oder davon abgelei teten Größen im Frequenzbereich. So ist z. B. in einer Dissertation der Universität Karlsruhe 1990 von S. Gierl unter dem Titel: "Geräuschreduktion bei Sprachübertragung mit Hilfe von Mikrofonarraysystemen" ein Verfahren zur Sprachde tektion beschrieben, das die Differenz der Fouriertransfor mierten der einzelnen Mikrofonsignale auswertet. Diese Vor gehensweise erfordert jedoch zusätzliche Pufferspeicher und führt, bedingt durch die Frequenzbereichstransformation, zu einer unerwünschten erheblichen Verzögerung bei der Sprach detektion.

Mit der Erfindung soll die Aufgabe gelöst werden, bei Verwendung des für den Sprecher komfortablen dritten Systemkonzepts mit Mikrofonarrays, sowohl den Aufwand solcher Pufferspeicher als auch die Verzögerungen zu vermeiden, die bei zeitlichen Spektrums- und Lautstärke-Änderungen der Sprach- und Geräuschsignale sehr störend sein können.

Diese Aufgabe wird mit dem im Kennzeichen des Patentanspruchs 1 aufgeführten Verfahren gelöst.

Vorteilhafte Weiterbildungsmöglichkeiten des Verfahrens sind aus den Kennzeichen der Unteransprüche 2 und 3 ersichtlich.

Eine Vorrichtung, die zur Lösung dieser Aufgabe geeignet ist, ist im Kennzeichen des Patentanspruchs 4 beschrieben.

Im Gegensatz zu den bekannten Verfahren mit Frequenzbereichs transformation erfolgt die Verarbeitung der Signale aus schließlich im Zeitbereich. Die Empfindlichkeit bei der Erzeugung des Sprach-Detektorsignals wird durch den Einsatz eines adaptiven Formfilters erheblich gesteigert. Dessen Filterkoeffizienten werden aus dem Differenzsignal so berech net, daß die Frequenzbereiche mit großer Energie der Geräuschsignale besonders abgeschwächt werden und damit das Detektorsignal nur wenig beeinflussen. Das Zeitbereichsfil ter, dessen Koeffizienten unter der Modellannahme eines ideal diffusen Geräuschschallfeldes einmalig berechnet werden können, bildet aus dem Differenzsignal ein Signal mit dem gleichen Leistungsdichtespektrum wie der Geräuschanteil im Summensignal.

Die Erfindung wird anhand der nachfolgenden Ausführungs beispiele näher erläutert. In den zugehörigen Zeichnungen zeigen die:

Fig. 1 ein Blockschaltbild der Vorrichtung und

Fig. 2 Kennlinien der Übertragungsfunktion H(f).

Es ergeben sich folgende Vorteile und technische Unterschei dungsmerkmale gegenüber dem Stand der Technik:

Das beschriebene Verfahren basiert auf der Auswertung von zwei Mikrofonsignalen. Die Auswertung geschieht vollständig im Zeitbereich mit vergleichsweise geringen Anforderungen an Rechenaufwand und Speicherplatz. Die störenden Geräuschsigna le dürfen beliebig instationär sein und auch ihre Kurzzeit- Leistungsdichtespektren dürfen dem Spektrum des Sprachsignals beliebig ähnlich sein.

Wesentlicher Bestandteil des Verfahrens ist der Einsatz eines adaptiven Formfilters. Dessen Übertragungsfunktion wird so eingestellt, daß bei Filterung des aktuellen Störsignals mit dem Formfilter das Filterausgangssignal ein konstantes Lei stungsdichtespektrum aufweist. Der Einsatz dieses Formfilters führt zu einer erheblich verringerten Streuung des Detektor signals und gleichzeitig zu einer wesentlich empfindlicheren Anzeige des Sprachsignals. Das Detektorsignal wird als "Soft- Decision-Signal" DS herausgeführt, wobei ein zunehmender Wert von DS einer wachsenden Wahrscheinlichkeit für das Vorhanden sein eines Sprachsignals entspricht.

In Ergänzung dazu kann ein Differenzsignal d herausgeführt werden, das die gleichen statistischen Eigenschaften aufweist wie die unbekannte aktuelle Geräuschkomponente im Mikrofon summensignal. Aus dem Signal d können z. B. die Autokorrela tionsfunktion oder das Kurzzeit-Leistungsdichtespektrum zur adaptiven Einstellung des Geräuschfilters ermittelt werden.

Die Mikrofone M₁ und M₂ empfangen sowohl das gewünschte Sprachsignal des nahen Teilnehmers als auch das Geräusch signal n. Der Laufzeitausgleich τ für das Mikrofonsignal aus M₂ wird so eingestellt, daß die Sprachsignale in den Signalen x₁ und x₂ gleichphasig, bezeichnet als Sprachsignal- Komponente s, vorliegen. Dies kann mit Hilfe von bekannten Verfahren zur Sprecherortung bzw. zum Laufzeitausgleich er folgen. Anschließend werden, wie ebenfalls bekannt, das Sum mensignal y = x₁ + x₂ und das Differenzsignal d₀ = x₂ - x₁ gebildet. Das Differenzsignal wird dem Tiefenanhebungsfilter TAF zugeführt, dessen Übertragungsfunktion so gewählt wird, daß dessen Ausgangssignal d die gleichen statistischen Eigenschaften wie die Geräuschkompo nente im Summensignal y aufweist, wie später zur Berechnung von TAF noch ausgeführt wird. Das Differenzsignal d ist im Idealfall, also bei korrekt gewähltem Wert von τ, sprachfrei und kann unmittelbar für die Berechnung des Geräuschfilters zur späteren Filterung des Summensignals y verwendet werden. Aus dem Differenzsignal d werden in der Stufe FFB zur Formfilterberechnung die optimalen Formfilter-Koeffizienten bestimmt nach bekannten Verfahren wie z. B. dem Levinson- Durbin-Algorithmus. Die Formfilterung von Summensignal y und Differenzsignal d mit den Filtern FF führt auf die Signale u und w, die der Stufe zur Detektorsignalberechnung DSB zuge führt werden.

Das Detektorsignal DS wird bestimmt aus dem Verhältnis der Kurzzeit-Mittelwerte der Eingangssignalleistungen:

DS = u²/w².

Liegt kein Sprachsignal vor, so nimmt das Detektorsignal DS Werte um Eins an, da u und w die gleichen statistischen Eigenschaften aufweisen. Durch den Einsatz der Formfilter FF wird die Streuung von DS erheblich verringert, da alle Frequenzbereiche der Eingangssignale bei der Berechnung von DS gleichgewichtig eingehen. Liegt dagegen neben den Geräuschanteilen auch ein Sprachsignal vor, so wächst die Leistung im Summensignal y bzw. u stark an, während die Leistung des im Idealfall sprachfreien Differenzsignals w unverändert bleibt. Je größer also der Wert von DS im Vergleich zum sprachfreien Zustand mit DS = 1 ist, desto wahrscheinlicher ist das Vorliegen eines Sprachsignals.

Das optimale Tiefenanhebungsfilter TAF läßt sich einfach bestimmen, wenn das Geräuschschallfeld ideal diffus verteilt ist. Es ist bekannt, daß die Korrelation zwischen zwei Raumpunkten 1 und 2 dann gegeben ist durch

wobei f die Frequenz, v die Schallgeschwindigkeit und a den Abstand zwischen den Punkten 1 und 2, also den Positionen der Mikrofone M₁ und M₂ kennzeichnet. Es läßt sich leicht zei gen, daß bei Wahl der Übertragungsfunktion des Filters TAF zu

das Differenzsignal d die gleiche Autokorrelationsfunktion bzw. das gleiche Leistungsdichtespektrum wie das Summensignal y aufweist.

Fig. 2 zeigt ein Beispiel für die Übertragungsfunktion H(f). In der Praxis ist es zweckmässig, die Tiefenanhebung nach oben zu begrenzen auf den Wert H_max. Dadurch wird erreicht, daß unerwünschte Restanteile des Sprachsignals im Differenz signal x₂ - x₁ nicht beliebig verstärkt werden. Diese Restan teile könnten sonst die statistischen Eigenschaften des Ausgangssignals d verfälschen bzw. den Detektorsignalwert DS abschwächen.

Begriffsschlüsselliste

x₁

erstes Mikrofonsignal
x₂

zweites Mikrofonsignal
τ Laufzeitausgleich
y Summensignal y = x₁

+ x₂

d₀

Differenzsignal d₀

= x₂

- x₁

DS Detektorsignal, gebildet als Soft- Decision- Signal, aus dem Verhältnis der Kurzzeit- Leistungsmittelwerte vom zeitbereichsgefilterten Summensignal y und Diffe renzsignal d₀

FF Formfilter für die Bewertung des Frequenzbereichs bei einer Zeitbereichsfilterung
TAF Tiefenanhebungsfilter
DSB Stufe zur Detektorsignalberechnung
FFB Stufe zur Formfilterberechnung
M₁

erstes Mikrofon
M₂

zweites Mikrofon
+ Summierstufe
- Differenzstufe
s Sprachsignal- Komponente, gleichphasig eingestellt (nach Durchführung des Laufzeitausgleichs)
n Geräuschsignal- Komponente
d mit dem Tiefenanhebungsfilter TAF gefiltertes Differenzsignal d₀

u mit dem Formfilter FF gefiltertes Summensignal y
w mit den Filtern TAF und FF gefiltertes Differenz signal d₀

ζ₁₂

(f) Korrelation als Funktion der Frequenz f zwischen zwei Raumpunkten 1 und 2 für ein ideal diffuses Schallfeld
H (f) Übertragungsfunktion in Abhängigkeit von der Frequenz f für das Filter TAF
H_max

maximal zulässiger Wert von H (f)

Claims

1. Verfahren zur Sprachdetektion und Geräuschparameterschät zung unter Verwendung von zwei Mikrofonsignalen x₁ und x₂, bei dem mit einem Laufzeitausgleich τ für das zweite Mi krofonsignal x₂ so eingestellt wird, daß der Sprachsignal anteil s in den Mikrofonsignalen x₁ und x₂ zeitgleich vor liegt, bei dem anschließend das Summensignal y = x₁ + x₂ und das Differenzsignal d₀ = x₂ - x₁ erzeugt und daraus durch Filtern weitere Signale gebildet werden, dadurch gekennzeichnet, daß

- im Differenzsignal d₀ die tiefen Frequenzen derart angeho ben werden, daß es danach die gleichen statistischen Ei genschaften wie die Geräuschkomponente im Summensignal y aufweist und direkt als Signal (d) für die Geräuschparame terschätzung verwendet wird, und danach
- als Detektorsignal (DS) für das Vorhandensein eines Sprachsignals ein "Soft- Decision- Signal" aus dem Ver hältnis der Kurzzeit- Leistungs- Mittelwerte von Summen- und Differenzsignalen erzeugt wird, das größer als eins bei vorliegenden Sprachsignalen wird.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß nach dem Anheben der tiefen Frequenzen und vor der Erzeu gung des Detektorsignals (DS) aus dem Differenzsignal d die optimalen Formfilter-Koeffizienten zu einer adaptiven Formfilterung nach bekannten Verfahren bestimmt und des sen Übertragungsfunktion auf ein Ausgangssignal mit kon stantem Leistungsdichtespektrum bei jedem aktuellen Störsignal eingestellt wird.

3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß das Differenzsignal d zur Berechnung der unbekannten stati stischen Eigenschaften der aktuellen Geräuschkomponente im Summensignal y verwendet wird, vorzugsweise zur Be rechnung der Autokorrelationsfunktion bzw. des Leistungs dichtespektrums und daraus anschließend das optimale Ge räuschfilter zur Filterung des Summensignals y bestimmt wird.

4. Vorrichtung zur Sprachdetektion und Geräuschparameter schätzung unter Verwendung eines Mikrofonarrays mit zwei Mikrofonen M₁ und M₂, bei dem das Mikrofon M₁ direkt und das Mikrofon M₂ über einen Laufzeitausgleich τ mit einer Summier- (+) und einer Differenzstufe (-) verbunden ist und deren Ausgänge über Formfiltern (FF) mit einer Stufe zur Detektorsignalberechnung (DSB) in Verbindung stehen, an deren Ausgang das Detektorsignal DS anliegt, da durch gekennzeichnet, daß zwischen dem Ausgang der Differenzstufe (-) und dem nachgeschalte ten Formfilter (FF) ein Tiefenanhebungsfilter (TAF) ein geschaltet ist, an dessen Ausgang die aktuelle Geräusch komponente liegt, die unmittelbar auch mit einem Ausgang (d) zur Geräuschparameterschätzung verbunden sein kann, und mit dem Eingang einer Stufe zur Formfilterberechnung (FFB) verbunden ist, deren Ausgang mit den Steuereingän gen der Formfilter (FF) in Verbindung steht.