JP2001094370A - 音声入出力方式 - Google Patents

Abstract

(57)【要約】 【課題】 周囲のノイズ等が大きい場合の利用者による
発声のしにくさを改善することができる音声入出力方式
を提供すること。 【解決手段】 オーディオ音と周辺ノイズと利用者の発
声音声とが同時に音響空間内に存在する場合に、マイク
ロホン１１０の出力信号から、演算部２０によって利用
者の発声のエコー成分を除去し、演算部２２によってオ
ーディオ信号に対応する成分を除去し、周辺ノイズ除去
部３０によって周辺ノイズを除去することにより、利用
者の発声音声のみが抽出される。ラウドネス補償演算部
４０によって、周辺ノイズ等の音圧レベルを考慮したゲ
インを算出し、発声音声の各周波数帯域の信号レベルを
音声補正用フィルタ４２で補正した後にスピーカ１２０
から出力することにより、利用者は自分が発声した音声
の内容を明瞭に聴くことができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、マイクロホンで集
音した音声に所定の処理を加えて音声認識装置等に出力
する音声入出力方式に関する。

【０００２】

【従来の技術】車両の走行案内を行うナビゲーション装
置やオーディオ機器等の車載用機器においては、各種の
操作指示を入力する方法として、利用者が操作パネルや
リモートコントロールユニットに備えられた各種キーを
押下する方法が従来から汎用されているが、最近では、
利用者によって発せられた操作音声の内容を音声認識す
ることによって操作指示入力を行う方法が用いられてい
る。音声認識装置を用いて操作指示を行う場合には、操
作キーの配置等を覚える必要がなく、しかも走行中に車
両が振動した状態でキーの操作を行わないですむため、
操作の簡略化が可能であり、最近では車載用機器に対す
る操作方法として用いられることが多くなっている。

【０００３】このような音声認識装置によって操作音声
の内容を認識させる場合に、認識率を低下させる要因と
して代表的なものには、ロードノイズやエンジンノイズ
等の走行に伴って生じる車室内の周辺ノイズと、車室内
にオーディオ装置から出力されるオーディオ音とがあ
る。これらの周辺ノイズやオーディオ音が、利用者が発
声する操作音声に重畳した場合、音声認識装置ではこれ
らの入力音声から利用者の操作音声のみを区別して音声
認識を行うことが困難となり、認識率が低下する。この
ため、従来は、適応マイクロホンアレイ技術を用いてロ
ードノイズを低減させたり、トークスイッチが押下され
たときにオーディオ音の出力を中断したり、あるいは音
量を下げるなどして、音声認識の対象である利用者の操
作音声に重畳される各種のノイズやオーディオ音を低減
する工夫が行われている。

【０００４】

【発明が解決しようとする課題】ところで、上述した周
辺ノイズやオーディオ音が大きい場合には、利用者が発
声した操作音声は、マスキング効果によってかき消され
てしまって利用者自身が自分の発声した操作音声を確認
できない場合がある。このため、利用者は自分がどのよ
うに発声しているのかを認識できず、不安定な発音とな
って発声しにくくなるという問題がある。この場合に
は、当然ながら、音質や音量が不安定な音声が音声認識
装置に入力されることになるため、認識率の低下を招く
という問題もある。

【０００５】上述したようにトークスイッチを押下して
オーディオ音の出力を中断したり音量を下げることで、
この問題点をある程度改善することができるが、ロード
ノイズ等が大きい場合もあるため、トークスイッチでは
完全な対策とは言えない。また、トークスイッチを用い
てオーディオ音の出力を中断したり音量を下げる場合に
は、操作音声の出力が頻繁になると、オーディオ音の出
力が断続的になり、利用者によるオーディオ音の聴取を
妨げるという新たな問題が生じる。特に、操作音声を発
声することにより車載用機器の操作を行っている利用者
以外の搭乗者においては、こうした操作とは無関係にオ
ーディオ音を聴取している場合もあるため、聴取してい
るオーディオ音が頻繁に断続すると不快であり、認識対
象となる入力音声以外の出力音を断続することなく操作
音声のみを抽出することができる音声入出力方式が望ま
れている。

【０００６】本発明は、このような点に鑑みて創作され
たものであり、その目的は、周囲のノイズ等が大きい場
合の利用者による発声のしにくさを改善することができ
る音声入出力方式を提供することにある。

【０００７】また、本発明の他の目的は、利用者の発声
音声を抽出することにより、この音声に対して音声認識
を行う際の認識率を向上させることができる音声入出力
方式を提供することにある。

【０００８】

【課題を解決するための手段】上述した課題を解決する
ために、本発明の音声入出力方式では、周辺ノイズ、オ
ーディオ音、利用者による発声音声のそれぞれが存在す
る音響空間内の所定位置にスピーカと集音手段とが設置
されており、集音手段の出力信号の中からノイズ除去手
段によって周辺ノイズに対応する成分を除去するととも
に、オーディオ音除去手段によってオーディオ音に対応
する成分を除去している。そして、集音手段の出力信号
からこれらの各成分が除去された後の発声音声に対応す
る成分に対して音声補正手段によってゲイン補正を行
い、このゲイン補正後の発声音声をスピーカから音響空
間内に放出する。集音手段によって集音された信号の中
から利用者の発声音声に対応した成分のみを抽出し、こ
れにゲイン補正を行った後にスピーカから出力してお
り、利用者は、自分の発声内容をオーディオ音等の大き
さにかかわらず常に確認することができるため、発声の
しにくさを改善することができる。

【０００９】また、上述した音声補正手段は、周辺ノイ
ズおよびオーディオ音の音圧レベルと、発声音声の音圧
レベルとに基づいて、周辺ノイズおよびオーディオ音の
音圧レベルによらずに、スピーカから出力される発声音
声が明瞭に聞き取れるように、発声音声の各周波数帯域
毎の補正ゲインをゲイン算出手段によって算出し、この
補正ゲインに基づく補正をゲイン補正手段によって行う
ことが望ましい。どの程度ゲインを補正した場合に明瞭
に音声が聞き取れるかは、全周波数領域で一律に決まる
ものではなく、周辺ノイズやオーディオ音あるいは発声
音声の各周波数成分毎に異なるため、各周波数成分毎に
補正ゲインを算出してゲイン補正を行うことにより、ス
ピーカからより明瞭な音声を出力することができる。

【００１０】また、上述した集音手段の出力信号からこ
れらの各成分が除去された後の発声音声信号を用いて、
音声認識手段による音声認識処理を行うことが望まし
い。集音手段によって集音された音声にオーディオ音や
周辺ノイズが含まれている場合であっても、利用者の発
声音声のみを音声認識手段に入力することができるた
め、音声認識処理を行う際の認識率を高めることができ
る。また、利用者の発声のしにくさが改善されており、
利用者は、安定した発声を行うことができるため、音声
の調子等が発声の都度異なるといったことがなく、この
ような発声音声を用いて音声認識処理を行うことによっ
てさらに認識率を高めることができる。

【００１１】

【発明の実施の形態】以下、本発明を適用した一実施形
態の音声入出力装置について、図面を参照しながら説明
する。

【００１２】〔第１の実施形態〕図１は、本発明を適用
した第１の実施形態の音声入出力装置の構成を示す図で
ある。同図に示す音声入出力装置１００は、マイクロホ
ン１１０によって集音された各種の音声の中から利用者
の発声音声のみを抽出して音声認識装置２００に向けて
出力するとともに、この発声音声に対してゲイン補正を
行った後にスピーカ１２０から出力する。この音声入出
力装置１００は、適応フィルタ１０、フィルタ１２、演
算部２０、２２、周辺ノイズ除去部３０、ラウドネス補
償演算部４０、音声補正用フィルタ４２、音声合成部５
０、アンプ５２を含んで構成されている。

【００１３】適応フィルタ１０は、車室内の音響空間の
伝達特性を模擬するためのものであり、フィルタ係数
（タップ係数）Ｗ１を有するＦＩＲ型のデジタルフィル
タであって、オーディオ装置３００から入力されるオー
ディオ音信号に対して所定の適応等化処理を行う。この
フィルタ係数Ｗ１は、ＬＭＳ（Least Mean Square）ア
ルゴリズムによって、演算部２２から出力される差分信
号（後述する）のパワーが最小となるように更新され
る。フィルタ１２は、適応フィルタ１０と同様に車室内
の音響空間の伝達特性を模擬するためのものであり、フ
ィルタ係数Ｗ２を有している。フィルタ係数Ｗ２は、所
定のタイミングで適応フィルタ１０のフィルタ係数Ｗ１
がコピーされる。

【００１４】演算部２０は、マイクロホン１１０の出力
信号とフィルタ１２の出力信号とが入力され、これら２
つの信号の差分を演算する。また、演算部２２は、演算
部２０から出力される差分信号と適応フィルタ１０の出
力信号とが入力されており、これら２つの信号の差分を
演算する。

【００１５】周辺ノイズ除去部３０は、後段の演算部２
２から出力された差分信号に含まれる周辺ノイズに対応
する成分を除去する。この周辺ノイズ除去部３０から
は、マイクロホン１１０から出力される信号に含まれる
利用者の発声音声に対応する成分のみが抽出されて出力
される。利用者の音声を抽出する詳細動作については後
述する。

【００１６】ラウドネス補償演算部４０は、オーディオ
音信号および周辺ノイズ信号と利用者の発声音声信号と
が入力されており、これらの信号に基づいて、利用者の
発声音声をスピーカ１２０から出力する際に必要な補正
ゲインを算出する。音声補正用フィルタ４２は、ラウド
ネス補償演算部４０によって算出された補正ゲインに基
づいて、周辺ノイズ除去部３０から出力される音声信号
に対するゲイン補正を行う。ラウドネス補償演算部４０
および音声補正用フィルタ４２の詳細構成については後
述する。

【００１７】音声合成部５０は、音声補正用フィルタ４
２によって所定のゲイン補正がなされた後の音声信号
と、オーディオ装置３００から入力されたオーディオ音
信号とを合成する。音声合成部５０から出力される合成
信号は、アンプ５２で増幅された後、スピーカ１２０か
ら車室内に出力される。

【００１８】上述したマイクロホン１１０が集音手段
に、周辺ノイズ除去部３０がノイズ除去手段に、適応フ
ィルタ１０、演算部２２がオーディオ音除去手段に、ラ
ウドネス補償演算部４０、音声補正用フィルタ４２が音
声補正手段に、アンプ５２が音声出力手段に、ラウドネ
ス補償演算部４０がゲイン算出手段に、音声補正用フィ
ルタ４２がゲイン補正手段に、音声認識装置２００が音
声認識手段にそれぞれ対応する。

【００１９】本実施形態の音声入出力装置１００はこの
ような構成を有しており、次にその動作を説明する。

【００２０】オーディオ装置３００から出力されたオー
ディオ音信号は、適応フィルタ１０に入力されるととも
に、音声合成部５０、アンプ５２を介してスピーカ１２
０から車室内に出力される。このスピーカ１２０から出
力されたオーディオ音は、利用者の発声音声を聴取可能
な所定位置に設定されたマイクロホン１１０によって集
音されるため、マイクロホン１１０から出力されて演算
部２０を介して演算部２２の一方の入力端に入力される
信号にはオーディオ音に対応する成分が含まれている。
また、このオーディオ音は、車室内に出力された後にマ
イクロホン１１０で集音されたものであるため、車室内
の音響空間の伝達特性が反映されたものである。

【００２１】したがって、車室内の音響空間の伝達特性
が反映されたオーディオ音に対応する成分が含まれるマ
イクロホン１１０の出力信号と、オーディオ装置３００
から直接入力されたオーディオ音信号を適応フィルタ１
０に通した後の信号との差分を演算部２２で演算し、こ
の差分信号のパワーが最小となるように適応フィルタ１
０のフィルタ係数Ｗ１を更新することにより、このフィ
ルタ係数Ｗ１は車室内の音響空間の伝達特性を模擬した
ものとなる。すなわち、演算部２２の一方の入力端に入
力される信号には、オーディオ装置３００から出力され
て実際の車室内の音響空間に出力されたオーディオ音に
対応する成分が含まれており、他方の入力端に入力され
る信号には、この音響空間の特性を模擬した適応フィル
タ１０を通した後のオーディオ音に対応する成分が含ま
れることになり、演算部２２によってこれらの差分を演
算することにより、オーディオ音に対応する成分が除去
される。また、演算部２２の後段には周辺ノイズ除去部
３０が配置されており、演算部２２の出力信号に含まれ
る周辺ノイズが除去される。

【００２２】このように、適応フィルタ１０と演算部２
２によってオーディオ音に対応する成分が除去され、さ
らに周辺ノイズ除去部３０によって周辺ノイズに対応す
る成分が除去される。したがって、利用者の発声音声
と、スピーカ１２０から出力されるオーディオ音と、走
行雑音やエンジン雑音等の周辺ノイズとが同時にマイク
ロホン１１０によって集音された場合であっても、これ
らが重畳されたマイクロホン１１０の出力信号の中から
オーディオ音と周辺ノイズに対応する成分が除去され、
周辺ノイズ除去部３０からは、利用者の発声音声に対応
する成分のみを出力することができる。このため、音声
認識装置２００では、利用者の発声音声のみに対して音
声認識処理を行うことができ、認識率を高めることがで
きる。

【００２３】また、本実施形態の音声入出力装置１００
は、利用者の周囲がオーディオ音や周辺ノイズの存在に
よって騒がしい場合であって、自分が発声した音声を直
接聴取できないために、発声が不安定になることを防止
するために、利用者の音声を拡声してスピーカ１２０か
ら出力する機能を有しており、次にその詳細について説
明する。

【００２４】〔ラウドネス補償演算部の詳細〕ラウドネ
ス補償演算部４０は、次に説明する原理に基づいて、ス
ピーカ１２０から出力する利用者の発声音声に対して各
周波数成分の信号レベルを調整するために必要な最適な
ゲインを算出する。

【００２５】図２は、物理的な音圧レベルと、その音を
人間が聞いたときに感じる音の大きさ（ラウドネス）と
の対応関係（ラウドネス曲線）を示す図である。同図に
おいて、横軸は音圧レベル（単位：ｄＢ−ＳＰＬ）、縦
軸は人間が感じる音の大きさを示すラウドネス（単位：
ｓｏｎｅ）であり、曲線は静寂下でのラウドネス曲
線、曲線は騒音下でのラウドネス曲線である。ただ
し、曲線は騒音レベルに応じて変化するものである。

【００２６】同図において、ラウドネスの値が同じであ
れば、人間は同じ大きさの音であると感じる。したがっ
て、例えば、人間が０．１ｓｏｎｅの大きさに感じる音
は、静寂下では約１２ｄＢ−ＳＰＬの音圧レベルである
が、曲線に示す騒音下では約３７ｄＢ−ＳＰＬの音圧
レベルの音である。すなわち静寂下で約１２ｄＢ−ＳＰ
Ｌで出力していた音を曲線の騒音下で同じ大きさに感
じるには約３７ｄＢ−ＳＰＬの音を出力する必要があ
り、約２５ｄＢのゲインを加える必要があるということ
である。また、人間が１ｓｏｎｅの大きさに感じる音
は、静寂下では約４２ｄＢ−ＳＰＬの音圧レベルの音で
あるが、曲線の騒音下では約４９ｄＢ−ＳＰＬの音圧
レベルであるため、騒音下では約７ｄＢのゲインを加え
てやる必要がある。したがって、同じ騒音下でも、出力
される音の音圧レベルに応じて加えるゲインを変更する
必要があるということである。

【００２７】図３は、騒音下において静寂下と同じ大き
さの音に感じるために、静寂下の音圧レベルに対してど
れだけゲインを加える必要があるかを示す図である。同
図において、横軸は静寂下で出力される音の音圧レベル
であり、縦軸は騒音下において静寂下と同じ大きさの音
に感じるために加える必要があるゲイン値である。例え
ば、静寂下で音圧レベル２０ｄＢで出力される音は、騒
音下では、約１９ｄＢのゲインを加えられることによっ
て、人間は静寂下と同じ大きさの音であると感じるよう
になる。

【００２８】ラウドネス補償演算部４０は、あらかじめ
様々な騒音レベルにおける図３に示すような音声信号の
音圧レベル（周辺ノイズ除去部３０から出力される利用
者の発声による音声の音圧レベル）と加えるゲインとの
関係（以下、ゲインテーブルと呼ぶ）を内部のメモリに
格納しており、入力されるオーディオ音信号と周辺雑音
信号に基づいて、最適なゲインテーブルを選択し、この
選択したゲインテーブルと周辺ノイズ除去部１４から出
力される音声信号とに基づいて、最適なゲインを算出す
る。ラウドネス補償演算部４０は、この算出されたゲイ
ンを音声補正用フィルタ４２に出力して音声信号に対し
て最適なゲインを与える。

【００２９】ところで、一般にオーディオ音や周辺雑音
は、様々な周波数成分を有しており、その周波数成分ご
とに音圧レベルが異なっている。したがって、利用者が
発声した音声をスピーカ１２０から出力しようとした場
合に、この音声の聴き取りやすさが出力音声の音圧レベ
ルだけでなく、オーディオ音や周辺雑音の各周波数成分
の音圧レベルによっても異なるという不均衡が生じる。
また、オーディオ音や周辺雑音の各周波数成分はそれら
の高周波成分の発声音声に対してマスキング効果を及ぼ
すため、このことも考慮する必要がある。

【００３０】そこで、音声信号の各周波数成分ごとに最
適なゲインを与えることが望ましい。すなわち、音声信
号とオーディオ音信号および周辺雑音信号のそれぞれを
所定の周波数帯域に分割して、各周波数帯域ごとにオー
ディオ音信号・周辺雑音信号の周波数成分に基づいて最
適なゲインテーブルを選択し、この選択したゲインテー
ブルと音声信号の周波数成分とに基づいて最適なゲイン
を算出することが望ましい。

【００３１】図４は、ラウドネス補償演算部４０の詳細
構成を示す図である。同図に示すようにラウドネス補償
演算部４０は、周波数帯域レベル平均部４１０、ラウド
ネス算出部４１２、周波数帯域ゲインテーブル選択部４
１４、周波数帯域レベル平均部４１８、ゲインテーブル
４１６を含んで構成されている。

【００３２】周波数帯域レベル平均部４１０は、適応フ
ィルタ１０から入力されるオーディオ音信号と演算部２
２から入力される周辺ノイズ信号（以下、雑音等と呼
ぶ）に対して、所定の時間ブロックごとに周知のＦＦＴ
（Fast Fourier Transform）演算を行い、所定の周波数
帯域ごとに音圧レベルの平均を計算する。雑音等は、例
えば人間の聴覚がほぼ１／３オクターブごとに音の大き
さの違いを認識することができるという特性を考慮して
１／３オクターブごとに周波数分割される。

【００３３】なお、マイクロホン１１０に向かって利用
者が発声すると、演算部２２から出力される差分信号に
はこの利用者の発声に対応する成分も含まれるため、利
用者が発声を開始する直前に演算部２２から出力される
周辺ノイズ信号のみをラウドネス補償演算部４０におい
て取り込むようにする。例えば、トークスイッチを設け
ておいて、利用者に発声する直前にこのトークスイッチ
を押下させるようにすればよい。

【００３４】ラウドネス算出部４１２は、周知のＺｗｉ
ｃｋｅｒのラウドネス算出手法（ISO 532B）やＳｔｅｖ
ｅｎｓのラウドネス算出手法（ISO 532A）を用いて、周
波数帯域レベル平均部４１０から周波数帯域ごとに出力
される雑音等の音圧レベルを調整する。具体的には、以
下のように調整を行う。すなわち、ある周波数成分の雑
音等があるとき、この雑音等は、同一の周波数成分の発
声音声の聴き取りにくさに影響するのみならず、マスキ
ング効果により高周波側に隣接する周波数成分の発声音
声の聴き取りにくさにも影響を与える。ラウドネス算出
部４１２は、これを考慮して、雑音等の各周波数成分の
音圧レベルを低周波側に隣接する雑音等の周波数成分の
音圧レベルの大きさに応じて調整を行う。すなわち、隣
接する低周波成分の音圧レベルが大きい場合には、高周
波側に隣接する周波数成分の音圧レベルを高めに補正す
る。このような調整を行うことで、各周波数帯域毎のゲ
インテーブルを選択する際には、対応する各周波数帯域
の雑音等の音圧レベルに着目するのみで足り、低周波側
に隣接する周波数帯域の雑音等を考慮するという煩雑な
処理を行う必要がなくなる。

【００３５】周波数帯域ゲインテーブル選択部４１４
は、ラウドネス算出部４１２から出力される調整後の周
波数帯域ごとの雑音等の音圧レベルに基づいて、周波数
帯域ごとに最適なゲインテーブル４１６を選択する。

【００３６】周波数帯域レベル平均部４１８は、周辺ノ
イズ除去部３０から入力される発声音声信号に対して、
短時間のブロックごとに周知のＦＦＴ演算を行い、所定
の周波数帯域ごとに音圧レベルの平均を計算する。発声
音声信号は、雑音等と同様の周波数帯域に分割される。
周波数帯域レベル平均部４１８から出力される周波数帯
域ごとに分割された発声音声信号は、周波数帯域ゲイン
テーブル選択部４１４によって選択されたゲインテーブ
ル４１６に入力され、各周波数帯域ごとに適切なゲイン
値が算出される。

【００３７】このように、雑音等や発声音声信号を所定
の周波数帯域に分割することによって、各周波数帯域ご
とにゲインテーブルを選択して発声音声信号に最適なゲ
インを加えることが可能となる。

【００３８】上述したラウドネス補償演算部４０では、
周波数帯域レベル平均部４１０および４１８を用いて発
声音声信号や雑音等の周波数帯域ごとの音圧レベルの平
均を求めたが、これらの周波数帯域レベル平均部の代わ
りにフィルタバンクとブロック平均部を用いて周波数帯
域毎の音圧レベルの平均を求めるようにしてもよい。

【００３９】〔音声補正用フィルタの詳細〕次に、音声
補正用フィルタ４２の詳細について説明する。音声補正
用フィルタ４２は、上述したラウドネス補償演算部４０
で算出されたゲイン特性を修正（ゲインの加算）できる
ものであればよいため、様々な構成が考えられるが、そ
の一例として以下の３通りの構成について説明する。

【００４０】図５は、フィルタバンクと可変ゲイン部を
用いた音声補正用フィルタ４２の構成を示す図である。
同図に示す音声補正用フィルタ４２は、フィルタバンク
４２０、可変ゲイン部４２２、加算器４２４を含んで構
成されている。

【００４１】フィルタバンク４２０は、所定の周波数帯
域幅を持つバンドパスフィルタ群であり、これらのバン
ドパスフィルタ群によって発声音声信号を周波数帯域ご
とに分割する。可変ゲイン部４２２は、ラウドネス補償
演算部４０によって算出された各周波数帯域ごとのゲイ
ンを、フィルタバンク４２０から出力される周波数帯域
ごとに分割された発声音声信号の音圧レベルに与えて、
ゲイン調整を行う。加算器４２４は、各周波数帯域ごと
にゲイン調整された発声音声信号を足し合わせて出力し
て、所望のゲイン補正を実現する。この構成によれば、
アナログ回路で安価に音声補正用フィルタ４２を構成す
ることができる。

【００４２】図６は、周波数サンプリングフィルタを用
いた音声補正用フィルタ４２の構成を示す図である。同
図に示す音声補正用フィルタ４２は、スプライン関数補
間部４３０、ＩＦＦＴ演算部４３２、ＦＩＲフィルタ４
３４を含んで構成されている。

【００４３】スプライン関数補間部４３０は、ラウドネ
ス補償演算部４０によって算出された各周波数帯域のゲ
インをそれぞれの周波数帯域の中心周波数のゲインとし
て、それぞれのゲイン値の間を周知のスプライン関数を
用いて補間することによって周波数領域における滑らか
なゲイン特性を得る。ＩＦＦＴ演算部４３２は、スプラ
イン関数補間部４３０から出力されるゲイン特性を周知
のＩＦＦＴ（InverseFast Fourier Transform）演算を
用いて周波数領域から時間領域に変換し、ＦＩＲフィル
タ４３４のタップ係数の値を設定する。ＦＩＲフィルタ
４３４は、発声音声信号に対して時間軸上のフィルタリ
ング処理を行い、所望のゲイン補正を実現する。この構
成によれば、直線位相フィルタを実現することができ、
発声音声信号に対する補正は、周波数帯域ごとではな
く、周波数成分ごとに行うことが可能となる。

【００４４】図７は、周波数領域フィルタを用いた音声
補正用フィルタ４２の構成を示す図である。同図に示す
音声補正用フィルタ４２は、スプライン関数補間部４４
０、ＦＦＴ演算部４４２、周波数帯域フィルタリング部
４４４、ＩＦＦＴ演算部４４６を含んで構成されてい
る。

【００４５】スプライン関数補間部４４０は、ラウドネ
ス補償演算部４０によって算出された各周波数帯域のゲ
インをそれぞれの周波数帯域の中心周波数のゲインとし
て、それぞれのゲイン値の間を周知のスプライン関数を
用いて補間することによって周波数領域における滑らか
なゲイン特性を得る。ＦＦＴ演算部４４２は、発声音声
信号に対してＦＦＴ演算を行い、時間領域から周波数領
域に変換する。周波数帯域フィルタリング部４４４は、
ＦＦＴ演算部４４２から出力される周波数領域における
発声音声信号に対して、スプライン関数補間部４４０か
ら出力される滑らかなゲイン特性によってフィルタリン
グを行い、ＩＦＦＴ演算部４４６は、周波数帯域フィル
タリング部４４４から出力される周波数領域における発
声音声に対してＩＦＦＴ演算を行って周波数領域から時
間領域に変換して、所望のゲイン補正を実現する。ＩＦ
ＦＴ演算の過程においては、線形フィルタリングを実現
するために周知の重畳加算法（overlap-add method）や
重畳保留法（overlap-savemethod ）を用いるとよい。
この構成によって、フィルタのタップ数が多いときでも
演算量を比較的少なくすることができる。

【００４６】なお、上述した３通りの音声補正フィルタ
４２においては、いずれの場合もゲインが急激に変化す
ると出力波形が不連続になってしまうため、 Ｇ（ｎ）＝αＧ（ｎ−１）＋βＧｍ を用いて、ゲイン特性を徐々に更新することが好まし
い。ここで、Ｇ（ｎ）は時間ｎにおけるゲイン特性、Ｇ
（ｎ−１）は時間ｎ−１におけるゲイン特性、Ｇｍはラ
ウドネス補償演算部４０やスプライン関数補間部４３
０、４４０によって算出されたゲイン特性である。α、
βは係数でα＋β＝１になる関係がある。

【００４７】このように、本実施形態の音声入出力装置
１００では、ラウドネス補償算出部４０および音声補正
用フィルタ４２を用いることにより、周辺ノイズ除去部
３０から出力される発声音声信号をスピーカ１２０から
出力した際に、同じ車室内の音響空間に出力されたオー
ディオ音や周辺ノイズの音圧レベルに関係なく、発声音
声が常に良好に聴取可能なように各周波数帯域のゲイン
調整が行われる。したがって、利用者は、自分の発声内
容を確認しながら発声を継続することができるため、発
声のしにくさを改善することができる。このため、常に
安定した状態で各種の操作音声等を発声することがで
き、音声認識装置２００に入力される音声信号の状態も
安定するようになるため、さらに音声認識処理の認識率
を高めることができる。

【００４８】〔第２の実施形態〕図８は、本発明を適用
した第２の実施形態の音声入出力装置の構成を示す図で
ある。なお、本実施形態の音声入出力装置１００Ａの構
成において、図１に示した第１の実施形態の音声入出力
装置１００の構成と同じ動作を行うものについては同じ
符号を付し、詳細な説明は省略する。

【００４９】図８に示す本実施形態の音声入出力装置１
００Ａは、図１に示した第１の実施形態の音声入出力装
置１００の機能に加えて、ナビゲーション装置（図示せ
ず）等から出力された案内音声の明瞭度を増す補正を行
う機能を有する。この音声入出力装置１００Ａは、適応
フィルタ１０、フィルタ１２、演算部２０、２２、周辺
ノイズ除去部３０、ラウドネス補償演算部４０、音声補
正用フィルタ４２、４４、音声合成部５０、アンプ５
２、トークスイッチ６０、スイッチ７０、７２、７４、
７６を含んで構成されている。

【００５０】トークスイッチ６０は、上述した２つの機
能を切り替えるために、利用者自身によって操作され
る。例えば、利用者が何らかの操作音声を発声しようと
してトークスイッチ６０を操作すると、この操作に応じ
た切替信号が４つのスイッチ７０〜７６に送られる。

【００５１】スイッチ７０、７２は、２つの入力端子の
それぞれに入力される信号を、トークスイッチ６０から
入力される切替信号の有無に応じて選択的に出力する。
具体的には、スイッチ７０の一方の入力端子には周辺ノ
イズ除去部３０の出力信号が入力され、他方の入力端子
にはナビゲーション装置（図示せず）等から出力される
案内音声信号が入力されている。トークスイッチ６０が
操作されて切替信号が出力されると、一方の入力端子側
の接続状態が有効になり、以後周辺ノイズ除去部３０か
ら出力される信号がスイッチ７０を介してフィルタ１２
および音声補正用フィルタ４２に入力される。また、ト
ークスイッチ６０が操作されない状態においては、他方
の入力端子側の接続状態が有効になり、ナビゲーション
装置等から入力される案内音声信号がスイッチ７０を介
してフィルタ１２および音声補正用フィルタ４２に入力
される。なお、図１に示した音声入出力装置１００に比
べてフィルタ１２の配置が異なっているが、基本的な動
作に違いはなく、このフィルタ１２によって、スピーカ
１２０から出力されてマイクロホン１１０に回り込んで
集音される発声音声のエコー成分が除去される。

【００５２】また、スイッチ７２の一方の入力端子には
周辺ノイズ除去部３０の出力信号が入力され、他方の入
力端子には音声補正用フィルタ４４の出力信号が入力さ
れている。トークスイッチ６０が操作されて切替信号が
出力されると、一方の入力端子側の接続状態が有効にな
り、以後周辺ノイズ除去部３０から出力された信号がス
イッチ７２を介してラウドネス補償演算部４０に入力さ
れる。また、トークスイッチ６０が操作されない状態に
おいては、他方の入力端子の接続状態が有効になり、音
声補正用フィルタ４４の出力信号がスイッチ７２を介し
てラウドネス補償演算部４０に入力される。なお、音声
補正用フィルタ４４は、ラウドネス補償演算部４０によ
ってゲインが設定された音声補正用フィルタ４２の特性
をコピーしたものである。

【００５３】また、スイッチ７４、７６は、トークスイ
ッチ６０から出力される切替信号の有無に応じて、オン
状態とオフ状態が切り替えられる。スイッチ７４は、ト
ークスイッチ６０が操作されて切替信号が出力されると
オン状態になり、適応フィルタ１０から出力される信号
を演算部２２およびラウドネス補償演算部４０に向けて
出力する。また、スイッチ７６は、トークスイッチ６０
が操作されず、切替信号が出力されないときにオン状態
になり、演算部２２から出力される信号をラウドネス補
償演算部４０に向けて出力する。

【００５４】トークスイッチ６０が操作されて切替信号
が出力された場合の各スイッチ７０〜７６の接続状態
は、上述した第１の実施形態の音声入出力装置１００と
基本的に同じであり、マイクロホン１１０の出力信号に
含まれるオーディオ音に対応する成分と、周辺ノイズに
対応する成分とが除去されて、利用者の発声音声に対応
する成分のみが音声認識装置２００に向けて出力され
る。また、この利用者の発声音声は、音声補正用フィル
タ４２を通すことにより所定のゲイン補正が行われた後
にアンプ５２によって増幅され、スピーカ１２０から出
力されるため、利用者は、自分の発声内容を確認しなが
ら発声を継続することができ、発声のしにくさを改善す
ることができる。

【００５５】なお、トークスイッチ６０が操作される
と、スイッチ７６がオフ状態になって、演算部２２から
出力される信号（周辺ノイズ信号）がラウドネス補償演
算部４０に入力されないことになるが、ラウドネス補償
演算部４０では、スイッチ７６がオフ状態になる直前に
入力された周辺ノイズ信号を用いてその後のゲイン算出
を行っている。特に、周辺ノイズについては、短時間で
のパワーの変動が少ないと考えられるため、このように
しても実用上支障はない。

【００５６】また、トークスイッチ６０が操作されない
状態においては、ナビゲーション装置等から入力された
案内音声信号がスイッチ７０、フィルタ１２、音声補正
用フィルタ４４、スイッチ７２を介してラウドネス補償
演算部４０に入力されるとともに、演算部２２から出力
される周辺ノイズ信号およびオーディオ音信号がスイッ
チ７６を介してラウドネス補償演算部４０にそれぞれ入
力される。ラウドネス補償演算部４０は、入力されるそ
れぞれの信号に基づいて音声補正用フィルタ４２のゲイ
ンを設定する。したがって、ナビゲーション装置等から
入力された案内音声は、スピーカ１２０から出力した際
に、同じ車室内の音響空間に出力されたオーディオ音や
周辺ノイズの音圧レベルに関係なく、常に良好に聴取可
能なように各周波数帯域のゲイン調整が行われる。この
ため、利用者は、オーディオ音や周辺ノイズが大きい場
合であっても、スピーカ１２０から出力される案内音声
の内容を明瞭に聴取することができる。

【００５７】なお、本発明は上記実施形態に限定される
ものではなく、本発明の要旨の範囲内において種々の変
形実施が可能である。例えば、上述した実施形態では、
車載用の音声入出力装置について説明したが、音声入出
力装置の用途は車載用に限定されず、建物内あるいは屋
外で用いるようにしてもよい。

【００５８】

【発明の効果】上述したように、本発明によれば、集音
手段によって集音された信号の中から利用者の発声音声
に対応した成分のみを抽出し、これにゲイン補正を行っ
た後にスピーカから出力しており、利用者は、自分の発
声内容をオーディオ音等の大きさにかかわらず常に確認
することができるため、発声のしにくさを改善すること
ができる。

【００５９】また、本発明によれば、集音された音声に
オーディオ音や周辺ノイズが含まれている場合であって
も、利用者の発声音声のみを抽出することができるため
音声認識処理を行う際の認識率を高めることができる。
特に、利用者の発声のしにくさが改善されており、利用
者は、安定した発声を行うことができるため、音声の調
子等が発声の都度異なるといったことがなく、このよう
な発声音声を用いて音声認識処理を行うことによってさ
らに認識率を高めることができる。

【図面の簡単な説明】

【図１】第１の実施形態の音声入出力装置の構成を示す
図である。

【図２】音圧レベルとその音を人間が聞いたときに感じ
る音の大きさとの対応関係を示す図である。

【図３】騒音下において静寂下と同じ大きさの音に感じ
るために、静寂下の音圧レベルに対してどれだけゲイン
を加える必要があるかを示す図である。

【図４】ラウドネス補償演算部の詳細構成を示す図であ
る。

【図５】フィルタバンクと可変ゲインを用いた音声補正
用フィルタの構成を示す図である。

【図６】周波数サンプリングフィルタを用いた音声補正
用フィルタの構成を示す図である。

【図７】周波数領域フィルタを用いた音声補正用フィル
タの構成を示す図である。

【図８】第２の実施形態の音声入出力装置の構成を示す
図である。

【符号の説明】

１０ 適応フィルタ １２ フィルタ ２０、２２ 演算部 ３０ 周辺ノイズ除去部 ４０ ラウドネス補償演算部 ４２、４４ 音声補正用フィルタ ５０ 音声合成部 ５２ アンプ ６０ トークスイッチ ７０、７２、７４、７６ スイッチ １００、１００Ａ 音声入出力装置 １１０ マイクロホン １２０ スピーカ ２００ 音声認識装置 ２００ オーディオ装置

Claims (3)

【特許請求の範囲】
1. 【請求項１】 周辺ノイズ、オーディオ音、利用者によ
   る発声音声のそれぞれが存在する音響空間内の所定位置
   に設置されたスピーカおよび集音手段と、 前記集音手段の出力信号の中から前記周辺ノイズに対応
   する成分を除去するノイズ除去手段と、 前記集音手段の出力信号の中から前記オーディオ音に対
   応する成分を除去するオーディオ音除去手段と、 前記集音手段の出力信号の中から、前記ノイズ除去手段
   によって前記周辺ノイズに対応する成分が除去され、前
   記オーディオ音除去手段によって前記オーディオ音に対
   応する成分が除去された後の前記発声音声に対応する成
   分に対して所定のゲイン補正を行う音声補正手段と、 前記音声補正手段によってゲイン補正が行われた後の前
   記発声音声を前記スピーカから前記音響空間内に放出す
   る音声出力手段と、 を備えることを特徴とする音声入出力方式。
2. 【請求項２】 請求項１において、 前記音声補正手段は、 前記周辺ノイズおよび前記オーディオ音の音圧レベル
   と、前記発声音声の音圧レベルとに基づいて、前記周辺
   ノイズおよび前記オーディオ音の音圧レベルによらず
   に、前記スピーカから出力される前記発声音声が明瞭に
   聞き取れるように、前記発声音声の複数に分割された周
   波数帯域毎の補正ゲインを算出するゲイン算出手段と、 前記発声音声に対して前記ゲイン算出手段によって算出
   された前記補正ゲインに基づくゲイン補正を行うゲイン
   補正手段と、 を備えることを特徴とする音声入出力方式。
3. 【請求項３】 請求項１または２において、 前記集音手段の出力信号の中から、前記ノイズ除去手段
   によって前記周辺ノイズに対応する成分が除去され、前
   記オーディオ音除去手段によって前記オーディオ音に対
   応する成分が除去された後の前記発声音声に対応する成
   分のみが入力される音声認識手段を備えることを特徴と
   する音声入出力方式。