DE4330243A1

DE4330243A1 - Sprachverarbeitungseinrichtung

Info

Publication number: DE4330243A1
Application number: DE4330243A
Authority: DE
Inventors: Walter Prof Dr Ing Kellermann
Original assignee: Philips Patentverwaltung GmbH
Current assignee: Philips Intellectual Property and Standards GmbH
Priority date: 1993-09-07
Filing date: 1993-09-07
Publication date: 1995-03-09
Also published as: JPH07240992A; US5602962A; EP0642290A2; EP0642290A3; JP3373306B2

Description

Die Erfindung bezieht sich auf eine Sprachverarbeitungseinrichtung mit mindestens zwei Mikrophonen, die zur Lieferung von aus Sprach- und Störsignalanteilen bestehenden Mikrophonsignalen an Mikrophonsignalzweige dienen, die mit den Eingängen einer zur Bildung eines Summensignals dienenden Addiervorrichtung gekoppelt sind.

Aus "Proceedings International Conference on Acoustics, Speech, and Signal Processing (ICASSP), pp. 2578-2581, New York, April 1988, IEEE" ist eine Mikrophonanordnung aus vier sich in den Ecken eines Raums mit quadratförmigem Grundriß befindenden Mikrophonen bekannt, deren Mikrophonsignale so weiterverarbeitet werden, daß der Einfluß von Störsignalen, die Sprachsignalen überlagert sind, verringert wird. Dazu werden zunächst die Mikrophonsignale zeitlich gegeneinander verschoben, um Laufzeitdifferenzen von einem Sprecher zu den einzelnen Mikrophonen auszugleichen. Die Mikrophonsignale mit somit phasengleichen Sprachsignalanteilen werden von einer Addiervorrichtung zu einem Summensignal überlagert, so daß die unkorrelierten Störsignalanteile der Mikrophonsignale bei der Überlagerung abgeschwächt werden. Die Abschwächung ist dann nicht optimal, wenn ein inhomogenes Störsignalfeld vorliegt. In diesem Fall liegen an den Stellen, wo die Mikrophone angeordnet sind, unterschiedliche Leistungen von Störsignalen vor. Die überlagerten Mikrophonsignale werden nach Abschwächung durch einen der Mittelwertbildung dienendem Korrekturfaktor einem adaptivem Filter (Wiener-Filter) zugeführt. Dieses wird durch Auswertung der phasengleichen Mikrophonsignale eingestellt und sorgt für eine weitere Unterdrückung der Störsignale.

Der Erfindung liegt die Aufgabe zu Grunde, die Unterdrückung des Störsignalanteils des am Ausgang der Addiervorrichtung anliegenden Summensignals zu verbessern.

Die Aufgabe wird dadurch gelöst, daß in den Mikrophonsignalzweigen Mittel zur Gewichtung der Mikrophonsignale mit Gewichtsfaktoren vorgesehen sind, die ein nahezu maximales Signal/Rausch-Verhältnis des Summensignals ergeben.

Das Signal/Rausch-Verhältnis entspricht dem Verhältnis der Leistungen von Sprach- und Störsignalanteil des Summensignals. Der Einfluß einer Inhomogenität des Störsignalfeldes wird minimiert. Mikrophonsignale mit kleinen Störsignalanteilen werden gegenüber den Mikrophonsignalen mit großen Störsignalanteilen verstärkt. Dies führt auf Grund der Korreliertheit der Sprachsignale und der Unkorreliertheit der Störsignale dazu, daß das am Ausgang der Addiervorrichtung anliegende Summensignal einen verringerten Störsignalanteil bzw. ein erhöhtes Signal/Rausch-Verhältnis aufweist, wodurch eine bessere Sprachverständlichkeit des Summensignals erreicht wird.

Eine Ausgestaltung der Erfindung ist dadurch gekennzeichnet, daß eine Auswerteschaltung

- zum Empfang der Mikrophonsignale,
- zum Abschätzen des jeweiligen Störsignalanteils der Mikrophonsignale,
- jeweils zur Gewinnung eines Sprachsignalanteils durch Bildung der Differenz vom jeweiligen Mikrophonsignal und jeweiligen Störsignalanteils,
- zur Auswahl eines Mikrophonsignals als Referenzsignal bestehend aus einem Referenzstörsignalanteil und einem Referenzsprachsignalanteil,
- jeweils zur Bildung von Sprachsignalverhältnissen der anderen Sprachsignalanteile und des Referenzsprachsignalanteils,
- jeweils zur Bildung von Störsignalverhältnissen der Leistungen der anderen Störsignalanteile und der Leistung des Referenzstörsignalanteils und
- jeweils zur Berechnung eines Gewichtsfaktors durch Division des Sprachsignalverhältnisses durch das Störsignalverhältnis

vorgesehen ist.

Eine solche wenig rechenaufwendige Berechnung der Gewichtsfaktoren führt zu einem erhöhten Signal/Rausch-Verhältnis und einer verbesserten Sprachverständlichkeit. Wegen der effizienten Berechnung der Gewichtsfaktoren ist eine in der Sprachverarbeitung häufig erforderliche Berechnung in Echtzeit möglich, so daß während eines über die Sprachverarbeitungseinrichtung geführten Gespräches keine störende Verzögerung entsteht.

In einer weiteren Ausgestaltung der Erfindung ist eine Anpassung der Gewichtsfaktoren an zeitliche Änderungen der Störsignalanteile vorgesehen.

Für den Fall instationärer, d. h. zeitabhängiger Störsignalstatistiken verschlechtert sich bei konstanten Gewichtsfaktoren die Störsignalunterdrückung mit der Veränderung der Signalstatistik. Eine Anpassung der Gewichtsfaktoren verhindert dies. Die Gewichtsfaktoren werden in Zeitabschnitten konstant gehalten, in denen von einer zufriedenstellenden Stationarität der Signalstatistiken der Störsignale ausgegangen wird. Die Länge dieser Zeitabschnitte hängt von der Eigenart des jeweiligen Störsignalfeldes ab.

Eine andere Ausgestaltung der Erfindung ist dadurch gekennzeichnet, daß in jedem Mikrophonsignalzweig eine Transformationseinrichtung zur Spektraltransformation des zugeordneten Mikrophonsignals vorgesehen ist, daß die Auswerteschaltung zur Bildung von Gewichtsfaktoren für jeden Ausschnitt des Spektralbereiches der Mikrophonsignale vorgesehen ist und daß in jedem Mikrophonsignalzweig einem Mittel zur Gewichtung der Spektralbereichsausschnitte eine Rücktransformationseinrichtung nachgeordnet ist.

Die Störsignalanteile der Mikrophonsignale besitzen im allgemeinen keine Spektren mit gleich großen Spektralwerten. Aus diesem Grund ist es sinnvoll, die Bestimmung der Gewichtsfaktoren der Mikrophonsignale und die Gewichtung nicht im Zeitbereich sondern im Spektralbereich auszuführen, wozu eine Transformation der Mikrophonsignale - beispielsweise mit einer Fourier-Transformation - erforderlich ist. Der Spektralbereich wird in Ausschnitte mit mindestens einem Spektralwert unterteilt. Zu jedem Spektralbereichsausschnitt werden die optimalen Gewichtsfaktoren bestimmt, mit dem die entsprechenden Spektralwerte der Mikrophonsignale gewichtet werden. Eine verbesserte Reduzierung der Störsignalanteile der Mikrophonsignale wird erreicht und die Sprachverständlichkeit weiter erhöht.

Ausführungsbeispiele werden nachstehend anhand der Zeichnungen näher erläutert.

Es zeigt

Fig. 1 eine Sprachverarbeitungseinrichtung mit einer Anordnung zur Reduzierung von Störsignalen,

Fig. 2 eine Ausgestaltung der Sprachverarbeitungseinrichtung durch eine Verarbeitung im Spektralbereich und

Fig. 3 ein Schaltungselement der in Fig. 2 dargestellten Sprachverarbeitungseinrichtung.

Die in Fig. 1 dargestellte Sprachverarbeitungseinrichtung, die beispielsweise in Freisprecheinrichtungen von Fahrzeugen integriert ist, enthält N Mikrophone M_i (i=1, . . ., N). Diese wandeln akustische Signale, die sich aus Sprach- und Störsignalanteilen zusammensetzen, in elektrische Mikrophonsignale x_i=s_i+n_i (i=1, . . ., N) um, die zur Weiterverarbeitung von Analog-Digital-Umsetzern 1 digitalisiert werden. x_i steht für das vom Mikrophon M_i erzeugte Mikrophonsignal, s_i für den darin enthaltenen Sprachsignalanteil und n_i für den entsprechenden Störsignalanteil jeweils im i-ten Mikrophonsignalzweig. Für die digitalisierten Signale sollen im folgenden dieselben Bezeichnungen wie für die entsprechenden analogen Signale gelten. Die Störsignale sind normalerweise Rauschsignale, die beim Einsatz in Fahrzeugen beispielsweise durch Motor- oder Fahrtwindgeräusche verursacht werden. Die Ausgänge der Analog-Digital-Umsetzer 1 sind mit N Eingängen einer Vorverarbeitungseinheit 2 verbunden. Diese enthält für jeden Mikrophonsignalzweig jeweils ein Verzögerungsglied T₁, . . ., T_N, wodurch Laufzeitunterschiede von Sprachsignalen einer Sprachsignalquelle zu den Mikrophonen M₁, . . ., M_N ausgeglichen werden. Die Ausgänge der Vorverarbeitungseinheit 2 sind mit steuerbaren Multiplizierern 3 verbunden, die für eine Gewichtung mit Gewichtsfaktoren c_i (i=1, . . ., N) in den Mikrophonsignalzweigen sorgen. Die Gewichtsfaktoren c₁, . . ., c_N werden durch eine Auswerteeinheit 4 eingestellt, die diese durch Auswertung der Mikrophonsignale x₁, . . ., x_N nach einem noch zu erläuternden Schema ermittelt. Kann eine näherungsweise zeitliche Stationarität der statistischen Eigenschaften der Störsignalanteile n_i vorausgesetzt werden, reicht eine einmalige Berechnung der Gewichtsfaktoren aus. Die Ausgänge der Multiplizierer 3, die gleichzeitig die Ausgänge der Mikrophonsignalzweige darstellen, sind mit N Eingängen einer Addiervorrichtung 5 verbunden. Diese erzeugt aus den Ausgangssignalen der Multiplizierer 3 ein Summensignal x=s+n, das einem adaptivem Filter 6 - beispielsweise ein als Wiener-Filter ausgeführtes FIR-Filter - zugeführt wird. Der Filter 6 wird mit Hilfe der Auswerteeinheit 4 durch Auswertung der Mikrophonsignale z. B. wie im eingangs zitierten Stand der Technik eingestellt.

Im folgenden soll das Schema erläutert werden, mit dem die Auswerteeinheit 4 die Gewichtsfaktoren c_i ermittelt. In einen in der Auswerteeinheit 4 angeordneten Pufferspeicher werden Abtastwerte der Mikrophonsignale x_i eingelesen. Man erhält Schätzwerte für die Amplituden bzw. der Störsignalanteile n_i durch Auswertung von den im Pufferspeicher abgelegten Abtastwerten der Mikrophonsignale x_i aus den Zeiträumen, in denen keine oder vernachlässigbar kleine Sprachsignalanteile s_i vorhanden sind. Solche Sprachpausen sind auf Grund des markanten Signalverlaufs bzw. Spektrums von Sprachsignalen gegenüber Störsignalen detektierbar. Durch Subtraktion der ermittelten Schätzwerte der Amplituden der Störsignale n_i von außerhalb der Sprachpausen liegenden Schätzwerten der Amplituden von Mikrophonsignalen x_i (mit Sprachsignalanteilen s_i), die ebenfalls aus im Pufferspeicher abgelegten Abtastwerten ermittelt werden, werden die Schätzwerte der Amplituden der Sprachsignalanteile s_i durch Differenzbildung bestimmt.

Die Gewichtsfaktoren c₁, . . ., c_N sollen so dimensioniert werden, daß das sogenannte Signal-Rauschverhältnis (SNR) des Summensignals x am Ausgang der Addiervorrichtung 5 maximiert wird. Das SNR ergibt sich aus dem Verhältnis der Leistung (Varianz) des Sprachsignalanteils zur Leistung (Varianz) des Störsignalanteils des Summensignals x.

σ_s und σ_n sind die Standardabweichungen des Sprachsignalanteils s und des Störsignalanteils n des Summensignals x. Weiterhin sind durch

s_i = a_i s₁, i=1, . . ., N

Sprachsignalverhältnisse a_i durch das Verhältnis der geschätzten Amplituden der Sprachsignalanteile s_i zu der geschätzten Amplitude des als Referenzsprachsignalanteil dienenden Sprachsignalanteils s₁ bestimmt, wenn x₁ als Referenzmikrophonsignal zugrunde gelegt wird. n₁ dient damit als Referenzstörsignal. Als Referenzgrößen sind ohne Einschränkung auch alle anderen Mikrophonsignale bzw. Sprach- und Störsignalanteile mit einem Index i≠1 festsetzbar. Unter der Voraussetzung, daß die Störsignalanteile n_i unkorreliert und mittelwertfrei sind, gilt:

E{n_i n_j} = 0 für alle i≠j

und

E{n_i²} = σ_ni² = b_i² σ_n1²

mit E{} als Erwartungswertoperator und σ_n1² als Referenzstörleistung. Damit sind Störsignalverhältnisse b_i² durch das Verhältnis der geschätzten Leistungen σ_ni² der Störsignalanteile zu der geschätzten Leistung σ_n1² des Referenzstörsignalanteils definiert.

Es wird weiterhin davon ausgegangen, daß die Sprach- und Störsignalanteile nicht miteinander korreliert sind und mittelwertfrei sind, was durch den Ausdruck

E{s_i n_j} = 0 für alle i, j

beschrieben wird. Damit ergibt sich als Formel für das SNR des Summensignals x:

Die Maximierung dieses Ausdrucks bezüglich der Gewichtsfaktoren c_i ergibt:

Dieses Ergebnis erhält man beispielsweise über die Bildung der partiellen Ableitungen des obigen Ausdrucks für das SNR. Man erhält eine sehr einfache Formel zur Berechnung der Gewichtsfaktoren c_i.

Die durch die Fig. 2 und 3 beschriebene Sprachverarbeitungseinrichtung stellt eine Ausgestaltung der in Fig. 1 dargestellten Sprachverarbeitungseinrichtung dar. Die N Ausgangssignale der Vorverarbeitungseinheit 2, die die Abtastwerte der Mikrophonsignale x₁, . . ., x_N darstellen, werden durch Spektraltransformationseinrichtungen 7 in den Spektralbereich transformiert, z. B. durch schnelle Fourier-Transformation (FFT). Der Spektralbereich wird in M Ausschnitte unterteilt, die mindestens einen Spektralwert enthalten. Die Spektralwerte werden auf N Multiplikationseinrichtungen 8 gegeben, die jeden Spektralbereichsausschnitt mit einem eigens für jeden Spektralbereichsausschnitt getrennt berechneten Gewichtsfaktor c_{i, j} gewichtet bzw. multipliziert. i ist der Index des Mikrophonsignalzweiges. j stellt den Spektral- bzw. Frequenzindex des jeweiligen Spektralbereichsausschnittes dar. In Fig. 3 ist eine der Multiplikationseinrichtungen 8 in ihrer Grundstruktur dargestellt, die die Spektralbereichsausschnitte des jeweiligen Mikrophonsignalzweiges mit den Gewichtsfaktoren c_{i, j} multipliziert. Der Spektralbereich enthält M Spektralbereichsausschnitte, so daß für jeden Mikrophonsignalzweig M Multiplizierer notwendig sind. Die Gewichtsfaktoren c_{i, j} werden von einer Auswerteeinheit 9 eingestellt. Sie werden analog zur Berechnung der Gewichtsfaktoren c_i in der Beschreibung zu Fig. 1 durch Maximierung des Signal/Rausch-Verhältnisses (SNR) in den jeweiligen Spektralbereichsausschnitten ermittelt. Die Schätzwerte der Amplituden der Sprach- und Störsignalanteile s_i, n_i im Zeitbereich sind durch entsprechende Schätzwerte im Frequenzbereich zu ersetzen. Die so gewichteten Spektralwerte werden Rücktransformationseinrichtungen 10 zugeführt, die die gewichteten Spektren der jeweiligen Mikrophonsignalzweige in den Zeitbereich rücktransformiert. Die so erhaltenen Signale werden wie in Fig. 1 von der Addiervorrichtung 5 aufsummiert und dem adaptiven Filter 6 zugeführt. Dieses wird von einer Auswerteeinheit 11 eingestellt, die analog zur die Auswerteeinheit 4 in Fig. 1 die an den Ausgängen der Analog-Digital-Umsetzer 1 anliegenden Mikrophonsignale x_i auswertet.

Mit Hilfe einer so ausgestalteten Sprachverarbeitungseinrichtung kann das Signal/Rauch-Verhältnis (SNR) des Summensignals x weiter erhöht und die Sprachverständlichkeit verbessert werden, da berücksichtigt wird, daß die Leistung der Störsignalanteile im Spektralbereich nicht gleichmäßig auf alle Spektralwerte verteilt ist.

Für den Fall zeitvarianter Störsignalstatistik, d. h., daß die Standardabweichungen σ_ni nicht näherungsweise zeitunabhängig sind, werden die Gewichtsfaktoren c_i bzw. c_{i, j} ständig neu berechnet und eingestellt. Dies ist von der Eigenart des jeweiligen Störsignalfeldes abhängig. So ändert sich beispielsweise die Störsignalstatistik eines Fahrzeuges beim Beschleunigen aus dem Stand erheblich, da nun beispielsweise durch den Fahrtwind erzeugtes Rauschen entsteht.

Claims

1. Sprachverarbeitungseinrichtung mit mindestens zwei Mikrophonen (M₁, . . ., M_N), die zur Lieferung von aus Sprach- und Störsignalanteilen (s₁, . . ., s_N, n₁, . . ., n_N) bestehenden Mikrophonsignalen (x₁, . . ., x_N) an Mikrophonsignalzweige dienen, die mit den Eingängen einer zur Bildung eines Summensignals (x) dienenden Addiervorrichtung (5) gekoppelt sind, dadurch gekennzeichnet, daß in den Mikrophonsignalzweigen Mittel (3) zur Gewichtung der Mikrophonsignale (x₁, . . ., x_N) mit Gewichtsfaktoren (c₁, . . ., c_N) vorgesehen sind, die ein nahezu maximales Signal/Rausch-Verhältnis (SNR) des Summensignals (x) ergeben.

2. Sprachverarbeitungseinrichtung nach Anspruch 1, dadurch gekennzeichnet, daß eine Auswerteschaltung (4)

- zum Empfang der Mikrophonsignale (x₁, . . ., x_N),
- zum Abschätzen des jeweiligen Störsignalanteils (n_i) der Mikrophonsignale (x_i),
- jeweils zur Gewinnung eines Sprachsignalanteils (s_i) durch Bildung der Differenz vom jeweiligen Mikrophonsignal (x_i) und jeweiligen Störsignalanteils (n_i),
- zur Auswahl eines Mikrophonsignals als Referenzsignal (x₁) bestehend aus einem Referenzstörsignalanteil (n₁) und einem Referenzsprachsignalanteil (s₁),
- jeweils zur Bildung von Sprachsignalverhältnissen (a_i) der anderen Sprachsignalanteile (s_i) und des Referenzsprachsignalanteils (s₁),
- jeweils zur Bildung von Störsignalverhältnissen (b_i²) der Leistungen (n_i²) der anderen Störsignalanteile (n_i) und der Leistung (n₁²) des Referenzstörsignalanteils (n₁) und
- jeweils zur Berechnung eines Gewichtsfaktors (c_i) durch Division des Sprachsignalverhältnisses (a_i) durch das Störsignalverhältnis (b_i²)

vorgesehen ist.

3. Sprachverarbeitungseinrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß eine Anpassung der Gewichtsfaktoren (c_i) an zeitliche Änderungen der Störsignalanteile (n_i) vorgesehen ist.

4. Sprachverarbeitungseinrichtung nach einem der Ansprüche 1, 2 oder 3, dadurch gekennzeichnet,
daß in jedem Mikrophonsignalzweig eine Transformationseinrichtung (7) zur Spektraltransformation des zugeordneten Mikrophonsignals (x_i) vorgesehen ist,
daß die Auswerteschaltung (9) zur Bildung von Gewichtsfaktoren (c_{i, j}) für jeden Ausschnitt des Spektralbereichs der Mikrophonsignale (x_i) vorgesehen ist und
daß in jedem Mikrophonsignalzweig einem Mittel zur Gewichtung (8) der Spektralbereichsausschnitte eine Rücktransformationseinrichtung (10) nachgeordnet ist.