JP2002358089A

JP2002358089A - 音声処理装置及び音声処理方法

Info

Publication number: JP2002358089A
Application number: JP2001166972A
Authority: JP
Inventors: Kazuhiro Tsuruta; 和弘鶴田; Yoshiyasu Yamada; 山田　　芳靖
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 2001-06-01
Filing date: 2001-06-01
Publication date: 2002-12-13

Abstract

(57)【要約】【課題】入力される音声信号を適切に処理し、その音
声の認識を容易にするための音声処理装置及び音声処理
方法を提供する。【解決手段】骨伝導マイクロホンである生体センサ２
からの信号に基づいて、信号処理回路３のオン／オフ判
定回路３３が、設定された閾値での判断を行い、骨伝導
音の継続区間、すなわち利用者の発声区間を検知してオ
ンを示す信号を出力する。そして、出力選択回路３２に
より、オンを示す信号が出力されている区間では、気導
マイクロホン１からの音声信号がそのまま出力される。
一方、オン／オフ判定回路３３からオフを示す信号が出
力されている間、つまり、発声区間に対応しない区間に
おいては、出力選択回路３２が、利得を下げて気導マイ
クロホン１からの音声信号を出力する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声の認識を容易
にするための音声処理技術に関する。

【０００２】

【従来の技術】音声認識技術においては、認識対象とす
る音声区間を適切に特定することが重要である。それ
は、特定された音声区間の音声信号を認識対象語と比較
するなどして音声認識がなされるからであり、音声区間
に余分な音声や雑音が含まれると、認識率の著しい低下
を招くためである。つまり、認識対象となる音声区間
は、話者が実際に声を出している区間（以下「発声区
間」という。）に等しくなっていることが望ましい。

【０００３】従来、音声区間の特定は、トークスイッチ
と呼ばれるスイッチのオン・オフによる利用者からの指
示でなされたり、また、入力された音声信号のレベルに
基づいてなされたりしていた。

【０００４】

【発明が解決しようとする課題】しかしながら、トーク
スイッチを使用する場合、トークスイッチのオンとなっ
ている期間（音声区間）が必ずしも、発声区間であると
は限らない。例えば、トークスイッチを押下した後、一
呼吸おいてから話者が発声することもあり得るし、特
に、複数の連続した単語を順に認識するような場合、あ
る単語と別の単語との切れ目が存在するからである。こ
のとき、話者の音声と共に外界音をマイクロホンが拾っ
てしまうと、特定された音声区間を対象とする音声認識
において、その精度が極端に低下してしまう。

【０００５】一方、音声信号のレベルに基づいて音声区
間を特定する場合でも同様であり、外界音のレベルが高
くなると発声区間以外を音声区間と判定してしまうこと
がある。なお、ここでは音声認識を例に挙げて説明した
が、外界音が比較的大きな場所において、電話をした
り、録音装置による録音を行ったりする場合も同様であ
る。すなわち、発声区間以外の部分の外界音によって、
話者の音声が大変聞き取り難いものになる。

【０００６】本発明は、上述した問題点を解決するため
になされたものであり、入力される音声信号を適切に処
理し、その音声の認識を容易にするための音声処理装置
及び音声処理方法を提供することを目的とする。

【０００７】

【課題を解決するための手段及び発明の効果】上述した
目的を達成するためになされた請求項１に記載の音声処
理装置では、空気振動を検知する気導マイクロホンにて
話者の音声が信号化されるのであるが、ここで、生体セ
ンサが話者の発声動作を検知し、検知手段が、生体セン
サからの信号に基づき、話者が実際に発声している区間
である発声区間を検知する。そして出力手段によって、
上述した気導マイクロホンからの音声信号のうち、検知
された発声区間に対応する区間の音声信号が出力され
る。

【０００８】これによって、話者が実際に発声している
区間、すなわち発声区間の音声信号が本装置から出力さ
れることになり、この音声信号を音声認識装置、電話
機、あるいは、録音装置への入力信号とすれば、話者の
音声の認識が容易になる。特に、連続して入力される音
声信号のうちの発声区間部分のものを出力できるため、
対話といった連続した単語の音声認識を行う音声認識装
置への入力信号とすれば、本発明の効果はより一層際だ
つものとなる。

【０００９】このとき、気導マイクロホンからの信号の
うち、検知された発声区間に対応する信号のみを出力す
るようにしてもよい。しかし、検知された区間だけで音
声信号を出力すると、区間の境界部分に外界音などが存
在する場合、区間の境界部分で音声信号が切断されるこ
とにより、区間の境界部分の音声信号の波形が切り立っ
て、高周波帯域の雑音が音声信号に混入する可能性が高
くなる。

【００１０】そこで、請求項２に示すように、出力手段
は、発声区間に対応しない区間の信号については利得を
下げて出力する構成にするとよい。このようにすれば、
区間の境界部分に外界音などが存在しても、雑音が混入
する可能性を低減でき、さらに、音声の認識が容易にな
る。

【００１１】ところで、検知手段が生体センサからの信
号に基づいて発声区間を検知することは既に述べた。例
えば、請求項３に示すように、検知手段は、生体センサ
からの信号値が所定の閾値を上回ったことを判断して発
声区間を検知することが考えられる。さらに具体的に言
えば、請求項４に示すように、生体センサからの信号値
が所定の閾値を上回っている区間を発声区間とすること
が考えられる。ただし、生体センサからの信号が音声信
号などの疎密波であると、信号が零点を通るために、発
声区間の途中で何度も閾値を跨ぐことになる。そこでこ
の場合は、請求項５に示すように、生体センサからの信
号値が所定の閾値を上回ったことを判断してからの一定
区間を発声区間とすることが考えられる。

【００１２】このような生体センサは、例えば請求項６
に示すように、骨伝導マイクロホン、超音波センサ、赤
外線センサ、筋電位センサ、加速度センサ、又は、光式
振動ピックアップのすくなくともいずれか一つを用いて
構成することが考えられる。以上は、音声処理装置の発
明として上述してきたが、音声処理方法の発明として実
現することもできる。

【００１３】すなわち、請求項７に示す音声処理方法で
は、空気振動を検知する気導マイクロホンを通じて音声
信号を入力すると共に、話者の発声動作を検知する生体
センサからの信号を入力し、生体センサからの信号に基
づき話者の発声区間を検知する。そして、気導マイクロ
ホンからの音声信号のうち、当該検知された発声区間に
対応する区間の音声信号を出力する。

【００１４】このような音声処理方法によれば、上述し
た音声処理装置と同様の効果が得られる。つまり、発声
区間の音声信号が出力されるため、この音声信号に基づ
けば、音声の認識を容易にできる。このような音声処理
方法においても、上述した音声処理装置と同様に、発声
区間に対応しない区間の音声信号については利得を下げ
て出力するようにするとよい（請求項８）。このように
すれば、区間の境界部分に外界音などが存在しても、雑
音が混入する可能性を低減でき、さらに、音声の認識が
容易になる。

【００１５】また、生体センサからの信号値が所定の閾
値を上回ったことを判断して発声区間を検知するように
構成することが考えられる（請求項９）。このときは、
生体センサからの信号値が所定の閾値を上回っている区
間を発声区間とする構成にしたり（請求項１０）、生体
センサからの信号値が所定の閾値を上回ったことを判断
してからの一定区間を発声区間とする構成にしたりする
ことが考えられる（請求項１１）。

【００１６】さらに生体センサを、骨伝導マイクロホン
や、超音波センサ、赤外線センサ、筋電位センサ、加速
度センサ、光式振動ピックアップの少なくともいずれか
一つを用いて実現できることも同様である（請求項１
２）。なお、上述してきた音声処理装置や音声処理方法
は、従来のトークスイッチなどと併用して用いられるこ
とも考えられるが、本装置や本方法を応用して自動的に
音声区間を認識するトークスイッチを構成することもで
きる。

【００１７】

【発明の実施の形態】以下、本発明を具体化した一実施
例を図面を参照して説明する。図１は、実施例の信号処
理装置の概略構成を示すブロック図である。本信号処理
装置は、気導マイクロホン１と、生体センサ２と、信号
処理回路３と、信号伝送部４とを備えている。そして、
気導マイクロホン１及び生体センサ２からの信号が信号
処理回路３へ入力され、また、信号処理回路３からの信
号が信号伝送部４を介して外部へ出力されるように電気
的に接続されている。

【００１８】気導マイクロホン１は、通常の空気振動を
検出する、ダイナミック型やコンデンサ型といったマイ
クロホンであり、音声入力用に用いられている、１００
〜１６ｋＨｚ程度の音域において高い利得が得られるも
のである。気導マイクロホン１は、無指向性のものとし
てもよいが、利用者による使用（装着）位置が固定的で
あれば、特定の方向（例えば利用者の口の方向）に指向
性のあるものを用いてもよい。利用者の音声のみを検出
し易くなるためである。

【００１９】生体センサ２は、話者である利用者に装着
され、利用者の発声動作を検知する。本実施例では、生
体センサ２を、骨伝導マイクロホンで実現している。骨
伝導マイクロホンは、圧電式の振動ピックアップを用い
たものであり、利用者の耳の近傍に装着することによ
り、利用者の発声に基づく頭蓋骨の振動を検出するもの
である。骨伝導マイクロホンによれば、空気振動によっ
て伝達する外界音は人体によって遮断されるため、装着
者の発声した音声のみを検出できる。

【００２０】信号処理回路３は、一般的なアナログ信号
又はデジタル信号を処理する電気回路であり、遅延回路
３１、出力選択回路３２、オン／オフ判定回路３３、閾
値調整回路３４を備えている。オン／オフ判定回路３３
は、生体センサ２からの信号が閾値を上回った時点から
の一定時間を発声区間として、オンを示す信号を出力選
択回路３２へ出力する。ここでいう閾値（例えば電圧レ
ベル）の利用者による調整を可能にする回路が、閾値調
整回路３４である。なお、生体センサ２が複数設けられ
ている場合には、オン／オフ判定回路３３は、全部ある
いは一部の生体センサ２からの信号が閾値を上回ってい
るか否かで発声区間を検知するようにすればよい。また
この場合、閾値調整回路３４は、それぞれの生体センサ
２の信号についての閾値を調整可能にすることが考えら
れる。

【００２１】遅延回路３１は、気導マイクロホン１から
入力される音声信号を一定時間だけ遅延させ、出力選択
回路３２へ出力する。この遅延時間は、上述したオン／
オフ判定回路３３により、生体センサ２からの信号が処
理される時間である。つまり、この遅延回路３１によっ
て、出力選択回路３２で処理される気導マイクロホン１
からの音声信号と、オン／オフ判定回路３３への入力信
号である生体センサ２からの信号とを同期させるのであ
る。

【００２２】出力選択回路３２は、オン／オフ判定回路
３３からの信号に基づき、遅延回路３１から出力された
音声信号を信号伝送部４へ出力する。具体的には、オン
を示す信号が出力されている間は、遅延回路３１から出
力された音声信号をそのまま信号伝送部４へ出力する。
一方、オフを示す信号が出力されている間は、遅延回路
３１から出力された音声信号の利得を下げて信号伝送部
４へ出力する。本実施例では、オフを示す信号が出力さ
れている間、利得を下げて音声信号を出力する構成とし
たが、音声信号の出力レベルを「０」、すなわち全く出
力しない構成としてもよい。

【００２３】なお、このような信号処理回路３は、必要
に応じてアナログ／デジタル変換回路、増幅回路、フィ
ルタ回路などを備える構成としてもよい。例えば生体セ
ンサ２とオン／オフ判定回路３３との間にフィルタ回路
と増幅回路を挿入するという具合である。このようにす
れば、発声動作を識別し易い周波数帯の信号成分のみを
抽出して増幅することができる。また例えば、生体セン
サ２からの信号のピーク出力部分の揺らぎの波形を出力
に変換する回路などを挿入してもよい。

【００２４】信号伝送部４は、信号処理回路３の出力選
択回路３２からの音声信号を、外部装置へ伝送するため
の構成である。外部装置としては、例えば音声認識装
置、電話機、録音装置などが挙げられる。信号伝送部４
は例えば、単純な電気配線、変調器、あるいは、無線送
信機などとして実現される。

【００２５】このように構成された本信号処理装置の外
観の一例を示すのが、図２に示す外観図である。つま
り、本信号処理装置は、その一例として、一般的なヘッ
ドセット型のマイクロホンと同様に形成することができ
る。図２では、頭部固定用のアーム５０の一方の先端部
５１に気導マイクロホン１が固定され、本装置を利用者
がアーム５０を用いて頭部に装着すると、利用者の口元
に気導マイクロホン１が配置されるようになっている。

【００２６】また、他方の先端部５２に生体センサであ
る骨伝導マイクロホンが固定されており、頭部装着時に
は、利用者の耳の近傍の頭部に密着して配置される。そ
して、信号処理回路３は耳当て部分５３に実装されてお
り、この耳当て部分５３の信号処理回路３に信号伝送部
４としての電気配線が接続されている。

【００２７】なお、ここで示した外観図は一例に過ぎ
ず、上述した気導マイクロホン１、生体センサ２、信号
処理回路３、及び信号伝送部４の物理的配置は何等限定
されるものではない。次に、本実施例の信号処理装置の
動作を説明する。ここでは具体的な音声信号等を示す図
３の説明図を参照して説明する。

【００２８】まず気導マイクロホン１は、利用者の音声
を空気振動から音声信号に変換して出力する。このと
き、利用者の音声以外の外界音も音声信号に混入する。
この気導マイクロホン１からの出力信号を示すのが、図
３（ａ）である。一方、骨伝導マイクロホンとしての生
体センサ２は、利用者の骨伝導音を信号化して出力す
る。図３（ｂ）に示す如くである。このとき、空気振動
によって伝達する外界音は人体によって遮断される。

【００２９】そして、このような骨伝導音の信号が閾値
を上回っているか否かを、信号処理回路３のオン／オフ
判定回路３３が繰り返し判断し、閾値を上回っていると
判断した時点から一定時間、オンを示す信号を出力す
る。閾値を上回っていると判断された時点から一定時間
内に、再び閾値を上回っているとの判断がなされなけれ
ば、オフを示す信号を出力する。

【００３０】このように判断時点から一定時間をオンと
するのは、骨伝導音が疎密波であって必ず零点を通るか
らであり、単に閾値を上回ったか否かでオン／オフを行
うと、オン／オフが繰り返されてしまうためである。し
たがって、上述の一定時間は、この観点から骨伝導音の
信号の最長振動周期（１０ｍｓ）程度とすればよい。こ
れによって、骨伝導音が継続していれば、この一定時間
内に再び閾値を上回ることが検出され、さらにその検出
時点から一定時間、オンを示す信号が出力されることに
なって、骨伝導音の継続区間、すなわち発声区間に対応
させ、オンを示す信号を出力することができる。

【００３１】例えば図３（ｂ）に記号α、βで示したよ
うな信号レベルを閾値として設定すれば、図３（ｃ）に
示す区間（斜線を施した区間）において、オン／オフ判
定回路３３からオンの信号が出力されることになる。信
号処理回路３の出力選択回路３２は、図３（ｃ）に示し
た斜線区間では、遅延回路３１から出力される音声信号
をそのまま出力し、一方、それ以外の区間では、遅延回
路３１から出力される音声信号の利得を下げて出力す
る。図３（ｄ）に示す如くである。

【００３２】つまり、図３（ａ）に示した音声信号に対
し、図３（ｄ）に示すような、発声区間以外での利得を
下げた音声信号が、出力選択回路３２から信号伝送部４
を介して出力される。次に、本実施例の信号処理装置の
発揮する効果を説明する。

【００３３】本実施例では、骨伝導マイクロホンである
生体センサ２からの信号に基づいて、信号処理回路３の
オン／オフ判定回路３３が、設定された閾値での判断を
行い、骨伝導音の継続区間、すなわち利用者の発声区間
を検知してオンを示す信号を出力する。そして、出力選
択回路３２により、オンを示す信号が出力されている区
間では、気導マイクロホン１からの音声信号がそのまま
出力される。これによって、話者が実際に発声している
区間、すなわち発声区間の音声信号が出力されることに
なり、この音声信号を音声認識装置、電話機、あるい
は、録音装置への入力信号とすれば、話者の音声の認識
が容易になる。特に、音声認識装置において連続した単
語を認識する場合に有効である。

【００３４】また、本実施例では、オン／オフ判定回路
３３からオフを示す信号が出力されている間、つまり、
発声区間に対応しない区間において、出力選択回路３２
は、気導マイクロホン１からの音声信号の利得を下げて
出力する。これによって、区間の境界部分に外界音など
が存在しても、雑音が混入する可能性を低減でき、さら
に、音声の認識が容易になる。

【００３５】なお、本実施例の気導マイクロホン１が
「気導マイクロホン」に相当し、生体センサ２が「生体
センサ」に相当する。また、信号処理回路３のオン／オ
フ判定回路３３が「検知手段」に相当し、出力選択回路
３２及び信号伝送部４が「出力手段」に相当する。

【００３６】以上、本発明はこのような実施例に何等限
定されるものではなく、本発明の主旨を逸脱しない範囲
において種々なる形態で実施し得る。（イ）上記実施例では、生体センサ２からの骨伝導音に
基づいて発声区間を特定するために、オン／オフ判定回
路３３が、生体センサ２からの信号が閾値を上回った時
点から一定時間、オンを示す信号を出力していた。

【００３７】これに対して、オン／オフ判定回路３３は
閾値を上回った時だけにオンを示す信号を出力する構成
とし、代わりに、出力選択回路３２が、オンを示す信号
を検知した時点から一定時間、音声信号をそのまま出力
する構成としてもよい。この場合は、オン／オフ判定回
路３３と共に出力選択回路３２が「検知手段」に相当す
ることになる。

【００３８】また、生体センサ２からの信号が零点を必
ず通るような信号でなければ、生体センサ２からの信号
が閾値を上回る時にオンを示す信号をオン／オフ判定回
路３３からの出力するようにし、出力選択回路３２は、
オンを示す信号が入力されている間だけ、音声信号をそ
のまま出力する構成とすることができる。

【００３９】（ロ）上記実施例では生体センサ２として
骨伝導マイクロホンを用いたが、利用者の発声動作、す
なわち、声帯の振動、口の開閉、舌の動き、喉の気道の
変化、顎の筋肉の動き等を検知できるセンサであればよ
い。例えば、圧電振動子を用いた超音波センサを用いて
生体センサ２を構成してもよい。この場合、顎の舌や首
筋に密着させて装着することによって、利用者の発声に
伴う声帯の振動や舌の動き、喉の気道の変化が検知でき
る。特に、超音波センサを用いると、骨伝導マイクロホ
ンでは検知し難い無声音の発声動作を舌の動き、喉の気
道の変化から検知できるという点で有利である。

【００４０】また例えば、筋電位センサ、加速度セン
サ、赤外線センサ、発光素子と受光素子とを用いた光式
振動ピックアップなどを用いて生体センサ２構成しても
よい。これらのセンサを首や耳の下あたりに装着するこ
とによって、発声時の声帯の振動に伴う生体の微小振動
や、発声時の口、顎の動きを検知できる。特に、筋電位
センサや加速度センサは安価であるため、信号処理装置
を安価に構成できる。また、赤外線センサ、光式振動ピ
ックアップを用いた場合は、利用者に非接触で検知でき
るので、密着させて使用されるセンサに比べ、センサの
密着による利用者の違和感を小さくできる。

【００４１】もちろん、同種類又は異種類のセンサを複
数個用いて、生体センサ２を構成してもよい。（ハ）なお、骨伝導マイクロホンを用いれば、利用者の
発声した音声のみが検出できるため、骨伝導マイクロホ
ンからの音声信号そのものを出力してもよいように思わ
れる。つまり、骨伝導マイクロホンからの音声信号は、
もともと発声区間に対応するものであり、外界音が遮断
されたものとなっている。

【００４２】しかしながら、骨伝導マイクロホンは、気
導マイクロホンと比較して、約２ＫＨｚ以上の高音域の
利得が低く、検出された音声信号には高音域が欠落して
しまう。そのため、いわゆる「こもった」音声となり、
不明瞭で認識し難い。したがって、本発明では、発声区
間を特定するための生体センサの一つとして用い、実際
に出力する音声信号は、気導マイクロホン１からの音声
信号として、その明瞭性を確保するのである。

【図面の簡単な説明】

【図１】実施例の信号処理装置の概略構成を示すブロッ
ク図である。

【図２】信号処理装置の外観の一例を示す説明図であ
る。

【図３】音声信号の処理を示すための説明図である。

【符号の説明】

１…気導マイクロホン２…生体センサ３…信号処理回路４…信号伝送部３１…遅延回路３２…出力選択回路３３…オン／オフ判定回路３４…閾値調整回路５０…アーム５１，５２…先端部５３…耳当て部分

Claims

【特許請求の範囲】

【請求項１】空気振動を検知して話者の音声を信号化す
る気導マイクロホンと、話者の発声動作を検知する生体センサと、前記生体センサからの信号に基づき、話者が実際に発声
している区間である発声区間を検知する検知手段と、前記気導マイクロホンからの音声信号のうち、前記検知
手段にて検知された発声区間に対応する区間の音声信号
を出力する出力手段とを備えることを特徴とする音声処
理装置。
【請求項２】請求項１に記載の音声処理装置において、前記出力手段は、前記発声区間に対応しない区間の前記
気導マイクロホンからの音声信号については利得を下げ
て出力することを特徴とする音声処理装置。
【請求項３】請求項１又は２に記載の音声処理装置にお
いて、前記検知手段は、前記生体センサからの信号値が所定の
閾値を上回ったことを判断して前記発声区間を検知する
ことを特徴とする音声処理装置。
【請求項４】請求項３に記載の音声処理装置において、前記検知手段は、前記生体センサからの信号値が所定の
閾値を上回っている区間を前記発声区間とすることを特
徴とする音声処理装置。
【請求項５】請求項３に記載の音声処理装置において、前記検知手段は、前記生体センサからの信号値が所定の
閾値を上回ったことを判断してからの一定区間を前記発
声区間とすることを特徴とする音声処理装置。
【請求項６】請求項１〜５のいずれかに記載の音声処理
装置において、前記生体センサは、骨伝導マイクロホン、超音波セン
サ、赤外線センサ、筋電位センサ、加速度センサ、又
は、光式振動ピックアップの少なくともいずれか一つを
用いて構成されていることを特徴とする音声処理装置。
【請求項７】空気振動を検知する気導マイクロホンを通
じて音声信号を入力すると共に、話者の発声動作を検知
する生体センサからの信号を入力し、前記生体センサからの信号に基づき話者の発声区間を特
定し、前記気導マイクロホンからの音声信号のうち、当該特定
された発声区間に対応する区間の音声信号を出力するこ
とを特徴とする音声処理方法。
【請求項８】請求項７に記載の音声処理方法において、前記特定された発声区間に対応しない区間の気導マイク
ロホンからの音声信号については利得を下げて出力する
ことを特徴とする音声処理方法。
【請求項９】請求項７又は８に記載の音声処理方法にお
いて、前記生体センサからの信号値が所定の閾値を上回ったこ
とを判断して前記発声区間を特定することを特徴とする
音声処理方法。
【請求項１０】請求項９に記載の音声処理方法におい
て、前記生体センサからの信号値が所定の閾値を上回ってい
る区間を前記発声区間とすることを特徴とする音声処理
方法。
【請求項１１】請求項９に記載の音声処理方法におい
て、前記生体センサからの信号値が所定の閾値を上回ったこ
とを判断してからの一定区間を前記発声区間とすること
を特徴とする音声処理方法。
【請求項１２】請求項７〜１１のいずれかに記載の音声
処理方法において、前記生体センサは、骨伝導マイクロホン、超音波セン
サ、赤外線センサ、筋電位センサ、加速度センサ、又
は、光式振動ピックアップの少なくともいずれか一つを
用いて構成されていることを特徴とする音声処理方法。