JP2003316380A - 会話を含む音の信号処理を行う前の段階の処理におけるノイズリダクションシステム - Google Patents

Abstract

(57)【要約】 【課題】 自動会話認識システムの認識レートを改善す
るための、連続した会話を含む音の信号を処理するノイ
ズリダクションシステムの提供。 【解決手段】 ノイズリダクションシステムは、音の信
号中の会話のとぎれを検出するための音声アクティビテ
ィ検出器と、音の信号を離散フーリエ変換へ変換するた
めのタイムトゥスペクトラルドメインコンバータと、音
声アクティビティ検出器が会話のとぎれを検出したとき
に、ノイズレベルを推定するためのノイズ推定器と、シ
ンプル明瞭会話信号を出力するために、離散フーリエ変
換からのノイズレベルを減算するためのシンプルスペク
トラル減算器と、聴覚スケールマスキングコンピュータ
と、スペクトラル減算パラメータコンピュータと、一般
化スペクトラル減算器と、スペクトラルトゥタイムドメ
インコンバータとを備えている。

Description

【発明の詳細な説明】

【０００１】

【従来の技術】音声アクティビティ検出の方法について
は、ランゴッシとその共同研究者による「ハイオーダー
統計」、１９９３年の５６−６０ページの“強固終点検
出（Robust Endpoint Detection）のためのハイオーダ
ー統計の応用”で述べられており、本明細書において参
照する。会話が行われる方法によれば、会話が行われて
いるときには、音声信号の三次のキュミュラントの遅れ
においてノンゼロ値が現れる。ノンゼロ値が現れるとき
には、常に会話が存在すると考えられる。

【０００２】ノイズを含む音声信号における会話の区切
りの終点を決定する方法については、リンチとその共同
研究者により、ダラスにおいて開かれた「聴覚、音声、
及び信号処理におけるＩＥＥＥ国際会議」、ダラス、Ｔ
Ｘ、１９８７、４月の１３４８−１３５１ページの“適
応性ある終点検出（Adaptive Endpoint Detection）ル
ールを介して行うリアルタイム符号化のための会話／沈
黙の区別”で述べられており、本明細書において参照す
る。この方法では、決定を行うために、会話の様々な局
面におけるタイミングの実験データの統計を用いる。

【０００３】減算タイプの会話を高める方法について
は、１９８７年４月に発行された「音声処理におけるＩ
ＥＥＥ会報」、７（２）：１２６−１３７ページの“人
の聴覚システムのマスキング特性に基づく単一のチャン
ネル会話の向上”において、ビラッグにより述べられて
おり、本明細書において参照する。典型的な減算タイプ
のアルゴリズムは、ノイズリダクションの量と、会話の
ゆがみと、他の特性とのバランスによるものである。こ
のアルゴリズムの特性は、減算パラメータの設定によっ
て調節可能である。音の信号を実際に処理している間
は、固定されており調整不能である。ビラッグによって
開示されている方法では、ノイズと会話の状態における
変化においてマスキング特性を自動的に自動的に適合さ
せるために、さまざまな係数の推定が行われる。マスキ
ング特性は、音の信号のノイズ部分を他の部分によって
マスクして、明瞭な会話についての聴覚を変えることな
く、ノイズ部分を音の信号中に保持しておくことができ
るように決定する。音の信号中から、ほとんどノイズが
取除かれておらず、また、その結果として有用な情報も
ほとんど取除かれていないため、完全な状態の会話はほ
とんどゆがんでいない。

【０００４】バークスケールや他の聴覚スケールは、音
の信号の中の人の耳によって認識される部分を決定する
ための手段として知られている。この情報は、例えば、
ＭＰ３ミュージックコンプレッションにおいて、音楽を
中断せずに、記憶されるデータの量を減らすためにどの
音が完全に除去可能かを決定するときに用いられる。

【０００５】

【発明が解決しようとする課題】人間は、ノイズの多い
環境において単一のチャンネルが設定されている場合で
あっても、会話を理解することができる。これは、音を
人間が聴覚する際に行う全体的な方法によって可能であ
ると考えることができる。本発明は、連続する会話の処
理の質を改善するために、人間と同様の方法によって、
音の信号について前段階の処理を行うことを意図するも
のである。より詳細には、自動会話認識システムの認識
レートを改善することを可能とするために、連続した会
話を含む音の信号を処理するためのノイズリダクション
システムを提供することを目的とする。本発明の他の目
的は、単語の長い一続きをよりよく保つことである。更
に、本発明は、中程度及び低程度の複雑さのもののみを
含む高速のストリーム中の音の信号の処理を可能とする
ことを目的とする。

【０００６】

【課題を解決するための手段】上記目的を達成するため
に、本発明による、会話を含む音の信号処理を行う前段
階処理におけるノイズリダクションシステムは、音声ア
クティビティ検出器と、タイムトゥスペクトラルドメイ
ンコンバータと、ノイズ推定器と、シンプルスペクトラ
ル減算器と、聴覚スケールマスキングコンピュータと、
スペクトラル減算パラメータコンピュータと、一般化ス
ペクトラル減算器と、スペクトラルトゥタイムドメイン
コンバータとを備えている。

【０００７】該音声アクティビティ検出器は、音の信号
中に会話のとぎれを検出する。タイムトゥスペクトラル
ドメインコンバータは、音の信号を音の信号の離散フー
リエ変換へと変換する。ノイズ推定器は、該音声アクテ
ィビティ検出器が会話のとぎれを検出したときに、ノイ
ズレベルを推定する。シンプルスペクトラル減算器は、
シンプル明瞭会話信号を出力するために、該離散フーリ
エ変換からのノイズレベルを減算する。聴覚スケールマ
スキングコンピュータは、該シンプル明瞭会話信号中の
マスキングレベルを計算する。マスキングレベルは、明
瞭会話出力中にノイズが残されたとしても人間の耳には
聴覚不能である音の信号中の、どの部分にノイズが存在
しているかを示す。スペクトラル減算パラメータコンピ
ュータは、該マスキングレベルに基づく重複減算係数 と、スペクトラルフローリング係数 と、変化の度合い とを計算するためのものである。一般化スペクトラル減
算器は、スペクトラルドメイン中の明瞭会話信号を生成
するために、該スペクトラル減算パラメータコンピュー
タからの重複減算係数 と、スペクトラルフローリング係数 と、変化の度合い とを用いて、該離散フーリエ変換からノイズを減算する
ためのものである。スペクトラルトゥタイムドメインコ
ンバータは、該一般化スペクトラル減算器からの該明瞭
会話信号を変換し、タイムドメインへと返すためのもの
である。

【０００８】本発明の第１の特徴によれば、音の信号中
の会話のとぎれを検出するための音声アクティビティ検
出器は、三次レベル統計推定器と、指数減衰分析器と、
推定レベルコンパレータとを備えている。三次レベル統
計推定器は、会話が存在していることを決定するために
音の信号中の三次統計を検出し、会話を含む音の信号の
セクションを示す会話存在信号を出力する。指数減衰分
析器は、会話ライクの信号の時間に関係する特性に基づ
く信号であって会話が存在する信号のサンプル中におい
て会話の存在を検出する。推定レベルコンパレータは、
ウィンドウ中のサンプルの総数に対して、該指数減衰分
析器によって会話として検出されたサンプルの比率がし
きい値を超える場合に、タイムドメインサンプルウィン
ドウ中の全てのサンプルが会話を含んでいる旨決定する
ことによってサンプルが会話を含んでいるかいないかを
示す。

【０００９】この構成により、ノイズリダクションシス
テムから明瞭会話を受信する自動会話認識システムは、
より良い認識比率を得ることになる。また、単語の長い
一続きを、より良い状態で保つことができる。また、音
の信号を、低〜中程度の複雑さの高速ストリーム中で処
理することが可能である。

【００１０】本発明の第２の特徴によれば、該聴覚スケ
ールマスキングコンピュータは、バークスケールコンバ
ータと、スペクトラルマスキングコンピュータと、バー
クトゥスペクトラルドメインコンバータとを備えてい
る。バークスケールコンバータは、該シンプルスペクト
ラル減算器からのシンプル明瞭会話信号のＮ個のスペク
トラル係数をＢ個のバークスケール係数へと変換する。
スペクトラルマスキングコンピュータは、ログ線形近似
を用いてバークスケール係数の最終マスキング特性 を計算する。バークトゥスペクトラルドメインコンバー
タは、Ｂ個のバークスケール係数をＮ個のスペクトラル
係数へと変換する。スペクトラルマスキングコンピュー
タは、ログ線形近似を用いて最終マスキング特性 を計算するので、音の信号中の会話を含んでいるセクシ
ョンは、複雑さが低い状態において高い信頼性で決定さ
れる。

【００１１】本発明の第３の特徴によれば、該一般化ス
ペクトラル減算器は、一般化スペクトラル減算器ユニッ
トと、強度スペクトラムフィルタとを備えている。該一
般化スペクトラル減算器は、該離散フーリエ変換にゲイ
ンＧを掛けることによって、スペクトラルドメイン中の
明瞭会話を生成する。ここで、該ゲインＧは以下の等式
に基づき、係数 及び が用いられて決定された値である。 ここで であり、 はノイズ推定器からのノイズ推定値。

【００１２】強度スペクトラムフィルタは、該一般化ス
ペクトラル減算器ユニットからの明瞭スペクトラム上
で、中央値フィルタ動作を行う。この構成によれば、ノ
イズレベルの短時間の変化をスムーズにすることができ
る。強度スペクトラムフィルタは、音の信号から“釘”
を 取除くことができ、単語の長い一続きの認識比率を
改善する。

【００１３】

【発明の実施の形態】次に、本発明の実施の形態による
ノイズリダクションシステム１について、添付の図面を
参照しながら説明する。本発明によれば、ノイズは、音
の信号ｘ中の、認識レートを減衰させる全てのものとし
て定義される。即ち、自動会話認識システムによって明
瞭な会話ｙが復号化されるときに、エラーとなる語の数
を増加させるもの全てである。このようにして、本発明
は、自動会話認識システムによって用いられる明瞭な会
話を作成し、また、明瞭な会話の認識の質を改善するこ
とを意図している。

【００１４】図１に示すように、システム１は、音声ア
クティビティ検出器１０と、タイムトゥスペクトラルド
メインコンバータ２０、ノイズ推定器３０、シンプルス
ペクトラル減算器４０、聴覚スケールマスキングレベル
コンピュータ５０、スペクトラル減算パラメータコンピ
ュータ６０、一般化スペクトラル減算器７０、及び、ス
ペクトラルトゥタイムドメインコンバータ８０とを備え
ている。

【００１５】システム１は、わずか数ミリ秒の入力信号
の表す分析ウィンドウへ含まれる入力音信号ｘを処理す
る。システムを構成するコンポーネントは、同時に１つ
のウィンドウを処理する。以下の説明で“音の信号”又
は“スペクトラム”に言及するときには、他の方法につ
いての説明がある場合を除き、常に、現在の分析ウィン
ドウについてのことについて述べている。音声アクティ
ビティ検出器１０は、サイズＰの分析ウィンドウを用い
てタイムドメインにおいて動作する。他のコンポーネン
トは、サイズＮの分析ウィンドウを用いてスペクトラル
ドメインにおいて動作する。小文字は、タイムドメイン
中の値及び信号のためのラベルとして用いられ、大文字
は、スペクトラルドメイン中の値及び信号のためのラベ
ルとして用いられる。同じウィンドウ中の値を収集する
ことは、タイムドメイン中の（ｐ）と、スペクトラルド
メイン中の（ｎ）に言及することになる。ハットのつい
ている文字、例えば は、未知の値の推定値を表している。

【００１６】先ず、図１に示されるような、それぞれの
コンポーネントの概要を提供する。

【００１７】音声アクティビティ検出器１０は、信号中
に会話が存在するか否かの決定をするために、三次統計
の形状をした音の信号中の会話ライクの部分をサーチす
る。音声アクティビティ検出器１０は、会話のとぎれを
大まかに検出するために、会話のタイミングについて発
見的統計（heuristic statistics）を用いる。音声アク
ティビティ検出器１０は、サンプルが会話を含んでいる
のかノイズのみを含んでいるのかを知らせるために、現
在分析している分析ウィンドウにおけるＰ個のサンプル
のそれぞれについてフラグｆを出力する。

【００１８】タイムトゥスペクトラルドメインコンバー
タ２０は、入力した音の信号ｘを離散フーリエ変換Ｘ
（ｎ）へ変換する。先ず、入力した音の信号ｘは、それ
ぞれＮ個のサンプルを有する分析ウィンドウへと分割さ
れる。そして、タイムトゥスペクトラムドメインコンバ
ータ２０は、各分析ウィンドウに重みづけ関数を適用さ
せ、入力した音の信号ｘを離散フーリエ変換Ｘ（ｎ）へ
と変換する。この変換を行っているときには、タイムト
ゥスペクトラルドメインコンバータ２０は、入力した音
の信号ｘからフェーズ情報を分別し、フェーズ情報を変
化させることなく直接スペクトラルトゥタイムドメイン
コンバータ８０へ送出する。

【００１９】ノイズ推定器３０は、音声アクティビティ
検出器１０からのフラグｆに基づいて、スペクトラルド
メイン中のＮサイズの分析ウィンドウのうちの、ノイズ
のみを含むものを決定する。そして、ノイズ推定器３０
は、会話が含まれていない分析ウィンドウ関してのみノ
イズ推定値 を更新する。

【００２０】コンポーネント４０、５０、６０、及び７
０は、フェーズの影響を受けずに、離散フーリエ変換Ｘ
（ｎ）においてノイズを減衰させるように機能する。人
間の耳は、音の中のフェーズを認識することができない
ため、フェーズ情報を変える処理を行ったとしても、明
瞭な会話ｙに対する人間の知覚対象が改善されず、ま
た、ゆがみが加わるかもしれない。

【００２１】シンプルスペクトラル減算器４０は、聴覚
スケールマスキングレベルコンピュータ５０とスペクト
ラル減算パラメータコンピュータ６０とにおいて用いら
れるシンプル明瞭会話信号 を求めるために、離散フーリエ変換Ｘ（ｎ）から現在の
ノイズ推定値 を減算する。

【００２２】聴覚スケールマスキングレベルコンピュー
タ５０は、シンプル明瞭会話信号 のスペクトラルを、バークスケール上に配置させる。そ
して、明瞭な会話ｙ中に残っていたとしても聴覚不能な
シンプル明瞭会話信号 中の、ノイズがある部分を示すスペクトラルマスキング
特性 を計算する。異なる振幅を有し同様の周波数を有する音
の信号は、互いにマスクし合うことが知られている。振
幅の大きい部分は、振幅の小さい部分を人間の耳に聞こ
えないようにする。フェーズはなにも加工処理されてお
らず、本発明では、相対的に高い会話対ノイズ比を対象
としているため、スペクトラムの一部を取除くことは、
それがノイズであったとしても、明瞭な会話ｙをゆがま
せることになるのである。聴覚スケールマスキングコン
ピュータ５０によって作成されるスペクトラルマスキン
グ特性 は、どのノイズが聴覚に重大な影響を与えないかを決定
するのに用いられる。このため、ゆがみを最小限とする
ために、当該ノイズを明瞭な会話ｙ中に残しておくこと
ができる。聴覚スケールマスキングレベルコンピュータ
５０は、バークスペクトラルドメインにおいてバークス
ケールを用いて計算を行う。バークスケールは、音響心
理学の定義に基づく人間の耳の知覚の対称となるおおよ
その周波数をなす重大なバンドを含んでいる。バークス
ケールは非線形であり、低い周波数を強調して、高い周
波数を圧縮する。

【００２３】スペクトラルパラメータコンピュータ６０
は、重複減算係数 と、スペクトラルフローリング係数 と、変化の度合い とを計算するためにスペクトラルマスキング特性 を用いる。重複減算係数 は、どの程度スペクトラルを減じるべきかをについての
情報を含んでおり、大きく減衰させ、ほとんどノイズを
残さなくすることができる。スペクトラルフローリング
係数 は、音の信号中にどの程度のバックグランドノイズが残
っているかについての情報を含んでおり、残っているノ
イズにマスクをするために、バックグランドノイズを付
加させることができる。変化の度合い は、スペクトラルが取り除かれていない状態から全て取
り除かれた状態への変化がどの程度スムーズに行われた
かを示すパラメータであり、信号が全く処理されていな
い状態が１で、完全に取除かれた状態が０を示す１〜０
へのゲインカーブである。

【００２４】一般化スペクトラル減算器７０は、離散フ
ーリエ変換Ｘ（ｎ）からノイズの部分を取除くために、
重複減算係数 、スペクトラルフローリング係数 、変化の度合い 、及び、ノイズ推定値 を用いる。一般化スペクトラル減算器７０は、短時間で
変化された音の信号の中の会話の部分を残すようにして
再生を行う、なめらかにされたスペクトラム を作成するために、結果的スペクトラム をフィルタにかける。

【００２５】スペクトラルトゥタイムドメインコンバー
タ８０は、タイムトゥスペクトラルドメインコンバータ
からのフェーズ情報を、なめらかにされたスペクトラム に加え、その結果を変換し、タイムドメインに返す。分
析ウィンドウは、明瞭な会話ｙを作成するために重複し
て加えられる。

【００２６】次に、システム１のそれぞれのコンポーネ
ントの動作について詳細に説明する。先ず、音声アクテ
ィビティ検出器１０について説明する。音声アクティビ
ティ検出器１０は、会話ライクの信号の２つの特性、即
ち、スペクトラル特性と時間に沿った会話の特性とに基
づき、入力した音の信号中の会話が存在しない部分を検
出するためのものである。前述のように、音声アクティ
ビティ検出器は、タイムドメインにおいて動作し、スペ
クトラルドメインにおいて動作する他のコンポーネント
の分析ウィンドウとは関係のない分析ウィンドウを用い
るシステム１の唯一のコンポーネントである。音声アク
ティビティ検出器１０の各分析ウィンドウは、Ｐ個のサ
ンプルを含んでいる。

【００２７】図２に示されるように、音声アクティビテ
ィ検出器１０は、三次統計推定器１１、指数減衰分析器
１２、及び、推定レベルコンパレータ１３を備えてい
る。

【００２８】三次統計推定器１１は、入力した音の信号
中において会話がどの部分に含まれているかを決定する
ために、入力した音の信号中の三次統計を検出する。こ
の方法は、会話が生成される方法を鑑み、人間の会話が
常に三次統計を含んでいるという仮定に基づくものであ
る。即ち、人間が会話を生成する方法は、結果的に倍音
の二次結合となる非線形性を含む。二次結合は、会話の
信号の三次累積遅延中のノンゼロ係数を導き、会話と会
話ではない部分とを明確に分離する。

【００２９】三次統計推定器１１は、サイズＰの各音声
アクティビティ分析ウィンドウに対して１つの計算が行
われるバッチモードにおいて処理を行う。出力ｉは、入
力のＰ分の１のサンプルポイントを含んでいる。出力ｉ
は指数減衰分析器１２へ直接供給される。図６は、図５
に示される入力した音の信号ｘを処理することによって
得られた、三次統計推定器１１からの出力ｉを示すグラ
フである。このサンプルでは、入力した音の信号ｘの各
ウィンドウは、値が５０であるサイズＰを有しており、
出力ｉはサンプルポイントの５０分の１である。

【００３０】ここで、三次統計推定器１１によって行わ
れる動作の概要を説明する。三次統計推定器１１は、先
ず、行列 を初期化して行列次元Ｐを有する行列 と同一化し、次の等式に基づき行列 を更新する。 ここで、 そして、 である。

【００３１】三次統計推定器１１は、公知の特異値分解
（ＳＶＤ）を用いた各ステップｎにおける行列 の最大特異値 を計算する。最後に、三次統計推定器１１は、会話を含
む音の信号の部分を示す会話存在推定ｉを求めるため
に、最大特異値 のしきい値を設定する。

【００３２】三次統計推定器１１は、ノイズの多い状態
では誤動作するという問題があることに留意すべきであ
る。しかし、三次統計推定器１１は、人間が会話を行っ
ているときにミスをすることはほとんどないか、会話が
実際に行われているときに会話が存在していない旨を検
出してしまうことは非常に少ない。本発明によれば、音
声アクティビティ検出器１０は、確実に会話が存在して
いない音の信号の部分を検出するためのものであり、ノ
イズ推定器３０は、会話が存在していない各時点におい
て、ノイズレベルのチェックを高精度で行うことができ
る。従って、三次統計推定器１１は極めて本発明にふさ
わしい。

【００３３】指数減衰分析器１２は、以下の５つの、時
間に関係を有する音声ライクの信号の特性に基づき、会
話存在推定ｉ中の会話の存在しない部分を検出する。

【００３４】１．過去の実験より、“連続する会話”
のセグメントは、２秒間よりも短い“瞬間的な会話”９
９．９％含んでいることを示している。 ２．過去の実験より、“連続する会話”の セグメント
は、１５０ｍ秒間よりも短い “ギャップ”を９９．５
６％含んでいることを示している。 ３．バックグランド音響雑音エネルギーは、周波数で１
オクターブ下がるにつき、およそ５ｄＢほど減衰する。 ４．バックグランドノイズは、連続したエネルギーの数
ミリ秒の幅のサンプルウィンドウとして測定すると、相
対的に安定している。 ５．バックグランド音響雑音エネルギーは、数秒単位で
エネルギーレベルを比較すると一般的には相対的に安定
していない。

【００３５】指数減衰分析器１２は、図７に示されるよ
うな会話エネルギー推定値 とノイズエネルギー推定値 とを計算するために、５つのファクターを用いる。会話
エネルギー推定値 とノイズエネルギー推定値 とが一致するときには、入力した音の信号中に会話が存
在していないと判断される。

【００３６】指数減衰分析器１２は、三次統計推定器１
１からのタイミング情報を再利用して、以下のとおりに
動作する。先ず、会話存在推定ｉのｋ番目の値 に対応した、予め強調された値 が、以下の等式に基づき計算される。

【００３７】計算するにあたり、ダイナミックレンジの
制限を克服するために、予め強調された値 の絶対値が信号のエネルギーを表していると仮定する。
即ち、 である。

【００３８】会話エネルギー推定 は、以下の等式に基づき計算される。 ここで、 は時定数であり、本実施の形態では約１５０ｍ秒であ
り、会話の減衰を表している。定数 は、単語間のとぎれや音節間のとぎれのように会話のと
ぎれが短いときに、短時間にわたり会話エネルギー推定 を高い値に維持する。

【００３９】混合推定 は、会話エネルギー推定 についての計算と同様な方法により計算される。即ち、 によって行われる。

【００４０】混合推定 は、会話が存在しているときには、会話エネルギー推定 のレベルと等しい値になっている。しかし、時定数 は、ノイズエネルギー推定 のレベルに混合推定 を素早く戻すために、１６ｍ秒という短い値に設定され
る。この結果、混合推定 のローワーパートは、信号中のノイズのレベルを示すこ
とになる。

【００４１】ノイズエネルギー推定 は、以下の等式に基づき、混合推定 を上限とする指数増加として計算される。 ここで、 は、約２秒の一瞬の会話の長さを示す時定数である。

【００４２】この結果、ノイズエネルギー推定 は、混合推定 の低い部分に追随する。

【００４３】定数 の２秒が経過した後に、ノイズエネルギー推定値 は、混合推定値 のレベルに到達するまで自動的に増加する。この自動的
な増加は、バックグランドノイズが増加する場合に有用
であり、その場合には、ノイズエネルギー推定値 がその増加を反映していることが要求される。しかし、
２秒間の遅れは、バックグランドノイズが新たなレベル
にまで素早く増加し、そのレベルに安定して維持された
ときに、システムがその変化を表すために２秒間かかる
ことを意味する。信号中に会話が存在しない場合であっ
ても、システムは、この時間の会話が続いたと判断する
可能性がある。しかし、会話を含む全てのエリアは、三
次統計推定器１１によって信頼性が示されており、この
ためポテンシャルの問題は改善される。

【００４４】推定レベルコンパレータ１３は、以下のよ
うなノイズレベル と とを表示する。 ここで、 は音の絶対的なレベルであり、これよりも下は、人間の
耳では聞こえない。

【００４５】そして、 は、ノイズエネルギー推定 の周りの値のレンジを検出するための係数であり、それ
ぞれ約２．０と１．４１４とに設定される。

【００４６】推定レベルコンパレータ１３は、会話エネ
ルギー推定 とノイズレベル と とを比較することによって、各分析ウィンドウＰに対し
て会話が存在するか否かを示す以下のフラグ を設定する。

【００４７】Ｐ個のフラグｆ（Ｐ）のバーストを、音声
アクティビティ検出器１０が出力するように、推定レベ
ルコンパレータ１３はＰ個のサンプルに各フラグ を分配する。ここで、Ｐ個のフラグｆ（Ｐ）は、会話が
存在する旨を示す値又は存在しない旨を示す値のいずれ
かの、全て同じ値にセットされており、各サンプルはそ
れぞれのフラグに設定されている。図８は、長さＰのウ
ィンドウにおける音声アクティビティ検出器１０からの
バイナリ出力を表している。

【００４８】図２に示すように、タイムトゥスペクトラ
ルドメインコンバータ２０は、信号ウィンドウコンピュ
ータ２１と、高速フーリエ変換（ＦＦＴ）スペクトラム
コンバータ２２とを備えている。即ち、信号ｘ（ｎ）
は、それぞれインデックスｎ有するサンプル値のシーケ
ンスを含んでおり、一連のインデックスｎは、値が音の
信号から経時的にサンプリングされたことを示してい
る。信号ウィンドウコンピュータ２１は、Ｎ個のサンプ
ルのセットを、それぞれが数ミリ秒の音を表す分析ウィ
ンドウへと分類する。図９は、信号ウィンドウコンピュ
ータ２１の分析ウィンドウの例を示している。

【００４９】信号ウィンドウコンピュータ２１は、短時
間でのフーリエ分析に固有の、公知のエアリアシングや
分析問題を解消するために、ウィンドウ化ファンクショ
ンによって各分析ウィンドウをかけ合わせる。本実施の
形態では、以下のハミングウィンドウが用いられる。 ここで、 である。

【００５０】ハミングウィンドウは図１０に図示され
る。図１１に示されるように、ウィンドウ化ファンクシ
ョンの動作により振幅、即ち、ターゲットとなる分析ウ
ィンドウのエッジにおけるサンプルの値を減じる。他の
サンプルウィンドウ化ファンクションは、ハミングウィ
ンドウに代えて用いることができることに留意する。

【００５１】信号ウィンドウコンピュータ２１は、正確
なスペクトラル分解と充分に回数の多いスペクトラル分
析との相矛盾した目標を達成するために、分析ウィンド
ウをオーバーラップする共通の技術を用いる。即ち、分
析ウィンドウは、信号の長い部分を含むようにするた
め、長さがＮの長いものを有していることが望ましい。
信号の長い部分は、スペクトラル分解を改善する。この
ようにして、信号の部分のスペクトラルの内容について
より詳細に生成する。しかし、分析ウィンドウは、長さ
がＮのウィンドウを短くして、多数回のスペクトラルを
有するようにすることが望ましい。たとえば、入力する
音の信号の充分に回数の多い分析は、それぞれ１０ｍｓ
とすることができるが、正確な分解は、４０ｍｓのウィ
ンドウであることが望ましい。分析ウィンドウをオーバ
ーラップする共通の技術では、各分析ウィンドウは、１
つ又はそれ以上の、現在及び連続する分析ウィンドウを
オーバーラップして、各分析ウィンドウは入力した音の
信号をモニタする。幾つかの連続する分析ウィンドウに
おいては、同じサンプルが用いられるかもしれないた
め、スペクトラルトゥタイムドメインコンバータ８０
は、最後のタイムドメイン信号を正確に再現するために
後述のような、重複ウィンドウコンピュータ８２を備え
ている。

【００５２】ＦＦＴスペクトラムコンピュータ２２は、
信号ウィンドウコンピュータ３１からの各分析ウィンド
ウを、スペクトラルドメインへと変換するために、信号
ウィンドウコンピュータ２１によって計算を行うことに
より、各分析ウィンドウについて公知の高速フーリエ変
換を行う。

【００５３】変換を行うための等式は以下の通りであ
る。 ここで、Ｘ（ｎ）は、信号ｘ（ｎ）の離散フーリエ変換
である。

【００５４】そして、ｊは、 で定義される複素根（complex root）である。

【００５５】図１２は、図９の分析ウィンドウの例のフ
ーリエ変換のスペクトラルコンテンツを示したものであ
る。図１２のグラフの左側の強度が右側の強度よりも大
きくなっていることは、図９の分析ウィンドウの例が、
高い周波数の部分よりも低い周波数の部分においてより
多くの情報を含んでいることを示している。

【００５６】ノイズ推定器３０は、バックグランドノイ
ズの推定値を可能なかぎり正確に得るために、音声アク
ティビティ検出器１０が会話のない部分を検出している
間にノイズレベルを推定する。ノイズ推定器３０は、バ
ックグランドノイズが会話の信号よりもゆっくりと変化
するという仮定のもとに動作するので、会話のセグメン
トの間のとぎれにおけるノイズ推定値は、連続する会話
のセグメントにおけるノイズレベルに正確に反映する。

【００５７】ノイズ推定器３０は、信号ウィンドウコン
バータ３１とノイズ推定コンピュータ３２とを有してい
る。信号ウィンドウコンバータ３１は、音声アクティビ
ティ検出器１０の推定レベルコンパレータ１３からの入
力と、タイムトゥスペクトラルドメインコンバータ２０
のＦＴＴスペクトラムコンピュータ３２からの入力とを
受信する。信号ウィンドウコンバータ３１は、現在の会
話を示すフラグがセットされたそれぞれＮ個のサンプル
がどれだけあるかをカウントする。そして、信号ウィン
ドウコンバータ３１は、Ｎ個のサンプルの総数に対する
会話を含むサンプルの比率を決定する。もし、比率がし
きい値である５０％よりも低いときには、信号ウィンド
ウコンバータ３１は、入力した音の信号の現在の分析ウ
ィンドウがノイズしか含んでおらず、ノイズ推定が更新
されるべきである旨の決定をする。この結果、信号ウィ
ンドウコンバータ３１は、ＦＦＴスペクトラルコンピュ
ータ３２からの出力として離散フーリエ変換Ｘ（ｎ）を
ノイズ推定コンピュータ３２へと送るために、スイッチ
３１ａを閉じる。もし、比率がしきい値である５０％を
超えているときには、信号ウィンドウコンバータ３１
は、現在の分析ウィンドウＮが会話を含んでおり、ノイ
ズ推定は更新されるべきではない旨の決定をする。この
結果、スイッチ３１ａは開状態を維持する。

【００５８】分析ウィンドウ中のサンプルの５０％以上
がノイズのみを含んでいると決定したときには、会話を
含むサンプルが存在しているかもしれないのではある
が、信号ウィンドウコンバータ３１は、常に、ノイズの
みが存在するとの決定を行うことに留意すべきである。
会話がノイズの最終推定に含まれているかも知れないた
め、ノイズ推定値には、結果的に軽微なひずみが含まれ
ているかもしれない。

【００５９】ノイズ推定コンピュータ３２は、信号ウィ
ンドウコンバータ３１によって会話が含まれていない旨
が示されたスペクトラルドメインサンプルウィンドウの
各サンプルに対して、以下の等式に基づきノイズスペク
トラム推定値 を計算する。 ここで、 は、過去のイベントに対して指数的な減衰の重み付けを
するラーニングファクターである。即ち、ラーニングフ
ァクター が０に設定されたときには、新たなノイズ推定値 が用いられることはない。これとは正反対に、ラーニン
グファクター が１に設定されたときには、現在のノイズ推定値 が用いられる。本実施の形態によれば、０と１との間の
値がラーニングファクター として用いられる。

【００６０】シンプルスペクトラル減算器４０は、シン
プル明瞭会話信号 を出力するために、離散フーリエ変換Ｘ（ｎ）の強度か
らノイズレベル を減算し、図１３に示すように、１２８のスペクトラル
係数カテゴリーに分類する。シンプルスペクトラル減算
器４０は、良くも悪くもない質の明瞭な会話 を出力する。この質は、聴覚スケールマスキングレベル
コンピュータ５０がマスキングレベルを計算するのには
充分である。音の信号の離散フーリエ変換Ｘ（ｎ）より
もノイズレベル が高いときには、負の値は強度においては意味をなさな
いため、シンプル明瞭会話 が０に設定され、負の値には設定されないことに留意す
る。

【００６１】図３に示すように、聴覚スケールマスキン
グレベルコンピュータ５０は、バークスケールコンバー
タ５１と、スペクトラルマスキングコンピュータ５２
と、バークトゥスペクトラルドメインコンバータ５３と
を備えている。バークスケールコンバータ５１は、レン
ジが１〜２４バークスの周波数スケールであるバークス
ケールを用いる。バークスは、人間の聴覚で識別可能な
最初の２４個のバンドに対応する。バークスケールの２
４のバンドのそれぞれのバンドのエッジ及びバンドの中
央は、以下の表に示すとおりである。

【００６２】バークスケールコンバータ５１は、バーク
スケール明瞭会話 を生成するために、シンプル明瞭会話信号 中のＮ個、即ち、本実施の形態では１２８個のスペクト
ラル係数をＢ個のバークスケール係数に変換する。これ
を行うために、バークスケールコンバータ５１は、会話
推定値 のバークスペクトラル係数を、図１４に示されるような
Ｂ個の「容器」へと分類する。値Ｂは、フリーパラメー
タではなく、バークスケールによって指示され、オリジ
ナルの入力した音の信号のサンプリング周波数に依存す
る。本実施の形態によれば、Ｂは１８に設定される。高
い周波数の容器よりも低い周波数の容器へと分類される
バークスペクトラル係数はごく僅かである。一般的に
は、３又は４のバークスペクトラル係数は、低い周波数
の容器中に分類される。図１５は、１７個の容器中のバ
ークスペクトラル係数を示している。

【００６３】スペクトラルマスキングコンピュータ５２
は、入力した音の信号のうちのどの音が人間の耳に聴覚
可能であるか、またどれが聴覚不能であるかを判断する
ために、入力した音の信号の最終マスキング特性 を計算する。先ず、バークスケール明瞭信号 のバークマスキングレベル と拡張関数 とが、以下のようにして計算される。 ここで*は、 マスキングの動作を表している。

【００６４】そして は、バーク係数インデックスである。図１６に示すよう
に、拡張関数 は、実際には、計算効率を向上させるための拡張関数の
シンプルログ線形の近似である。

【００６５】マスキング動作は、コンボルージョンに近
似している。しかし、各スペクトラル係数に対する期間
が加算される代わりに、コンボルージョンにおける動作
として最大値が単に計算される。このことによって、コ
ンボルーションにおける計算と同様の複雑さの計算を行
い、実際に人の耳が用いているのと同様のマスキング過
程によってより良い近似を行う。

【００６６】明瞭な会話は、計算がなされたマスキング
が単にラフな明瞭度であるため、典型的な会話ライクの
信号のエネルギー分布が考慮され、その結果は、図１７
のグラフで示される相対的しきい値 とかけ合わされる。最終マスキング特性 は、以下のように定義される。

【００６７】図１５に示す例では、最終マスキング特性 が係数０及び４に対して僅かに高いことを除き、バーク
スケール明瞭会話 と最終マスキング特性 との差異は僅かである。このことは、入力した音の信号
ｘは、すべてのスペクトラル係数が聴覚可能な限界にほ
とんどあることを表している。スペクトラル係数が防音
装置を有していた場合には、マスキングは、これらの係
数が聴覚不能であるケース、即ち、０及び４のバーク係
数に関係づけられたスペクトラル係数に対するケースで
あることを示すのである。このサンプルについて後述す
ることになるが、係数４はスペクトラム中のピークに対
応しており、大幅に減じられている。

【００６８】バークトゥスペクトラルドメインコンバー
タ５３は、最終マスキング特性 を、関数ドメイン中のＢ個のバークスケール係数からＮ
個のスペクトラル係数へと変換するために、バークスケ
ールコンバータ５１とは逆の動作をする。この変換を行
うのは、スペクトラル減算パラメータコンピュータ６０
へ出力されるスペクトラルマスキングレベル を得るためである。１つのバークスケール係数は、複数
のスペクトラル係数を表しているため、補間を行う必要
はない。１つのバーク係数は、それを表すスペクトラル
係数上で同一の値で延長され、プロットされた関数が階
段状で与えられる。

【００６９】スペクトラル減算パラメータコンピュータ
６０は、スペクトラルマスキングレベル に基づき、係数 及び を周波数及び時間に適合させるために以下の書き換えを
行うことによって、係数 及び を計算する。 ここで、 、及び は、重複減算係数 及びスペクトラルフローリング係数 の最小値及び最大値である。

【００７０】そして、 及び は、スペクトラルマスキングレベル の最小値のための最大残余ノイズリダクションへと導
き、また、スペクトラルマスキングレベル の最大値のための最小リダクションへと導くための関数
である。

【００７１】例えば、現在のウィンドウにおいてバーク
マスキングレベル が最小値である場合には、 であり、現在のウィンドウにおいてバークマスキングレ
ベル が最小値である場合には、 である。

【００７２】図１８は、重複減算係数 、スペクトラルフローリング係数 、及び、変化の度合い についての結果の値を示している。

【００７３】図４に示すように、一般化スペクトラル減
算器７０は、一般化スペクトラル減算器ユニット７１
と、強度スペクトラムフィルタ７２とを備えている。一
般化スペクトラル減算器７１は、以下の等式に基づくゲ
イン関数 を決定するために、スペクトラル減算パラメータコンピ
ュータ６０からの係数 、及び を用いる。 ここで

【００７４】本実施の形態では、Ｎ個のスペクトラル係
数が存在しているため、0< n < N-1の値を採るインデッ
クスｎで値 を置き換えることができる。一般化スペクトラル減算器
７１は、以下の公式に基づきゲイン と離散フーリエ変換Ｘ（ｎ）とをかけ合わせることによ
って、明瞭スペクトラム を生成する。

【００７５】図１９は、一般化スペクトラル減算器ユニ
ット７１による動作結果の一例を示している。一見して
分かるように、結果としてのスペクトラルの値は低くな
っている。

【００７６】強度スペクトラムフィルタ７２は、例え
ば、プレーが行われているフィールドにおいて何かエキ
サイティングなことが起こり、観客によるバックグラン
ドノイズが急激に増加することが起こるようなスポーツ
インタビューの最中のような場合に、ノイズレベルにお
ける高速変化を除去するために、明瞭スペクトラム において中央値フィルタ動作を行う。ノイズは、ノイズ
推定器３０によるノイズの更新によって、会話のないセ
クションから効果的に除去されるため、明瞭なスペクト
ラム 中に残されているノイズにおける高速の変化のほとんど
全ては、会話を有するセクション中に存在する。

【００７７】強度スペクトラムフィルタ７２は、明瞭ス
ペクトラム 中の強度の値の奇数ナンバーのシーケンスをソートして
強度順に並べてリストアップし、各リスト中から中央値
をセレクトする。突発的でかつ短時間の値の変化に対応
する強度の値は、各リスト中のエッジ部分に存在してい
るため、強度スペクトラムフィルタ７２は、強度の値の
各シーケンスからの突発的でかつ短時間の値の変化を除
去するように機能する。入力した音の信号が緩やかに変
化する場合には、中程度の値を含むようないずれかの特
定の強度シーケンスにおける全ての値は、入力した音の
信号の変化に依存する。

【００７８】強度スペクトラムフィルタ７２は、予め計
算された明瞭会話スペクトルのうちの幾つかを格納する
ためのメモリを備えており、以下の等式に基づきスペク
トラルドメイン明瞭会話 を計算する。 ここで、Ｌは中央値フィルタの長さである。

【００７９】ｔは、現在の分析ウィンドウを表すインデ
ックス値である。

【００８０】ｔ−１は、前の分析ウィンドウを表すイン
デックス値である。

【００８１】そして、ｔ−Ｌは、現在の分析ウィンドウ
よりもＬ個前の分析ウィンドウを表すインデックス値で
ある。

【００８２】スペクトラルトゥタイムドメインコンバー
タ８０は、スペクトラルドメイン中の高質化された信号
からのタイムドメイン中の会話信号を再生するために、
逆ＦＦＴスペクトラムコンピュータ８１と、重複ウィン
ドウコンピュータ８２とを備えている。逆ＦＦＴスペク
トラムコンピュータ８１は、ＦＦＴスペクトラムコンピ
ュータ３２とは逆の動作をする。前述のように、逆ＦＦ
Ｔスペクトラムコンピュータ８１は、逆高速フーリエ変
換（ＩＦＦＴ）を用いて一般化スペクトラル減算器７０
からタイムドメイン信号へと信号の変換をしたときに、
高質化された強度と共に、何ら加工処理が行われていな
い信号のフェーズを考慮する。ＩＦＦＴスペクトラムコ
ンピュータ８１は、各分析ウィンドウに対して、以下に
定義される等式を用いて、Ｎ個のタイムドメインサンプ
ルを出力する。 ここで、 は明瞭スペクトラム強度と、何ら加工処理が行われてい
ないフェーズとの組合せである。

【００８３】そして、 は、現在の分析ウィンドウについてのタイムドメイン明
瞭信号である。

【００８４】重複ウィンドウコンピュータ８２は、信号
ウィンドウコンピュータ３１において生成されたＮ個の
サンプルの各分析ウィンドウを、適切なウィンドウと重
複させること、即ち、各分析ウィンドウは、他のウィン
ドウからのブロックを含んでいることを考慮する。本実
施の形態によれば、重複比率は、５０％で固定されてい
る。ハミングウィンドウ関数が用いられるため、結果的
にシフトされたウィンドウの簡単な加算によって、計算
コストを最小として結果的に信号の良好な再生を行うこ
とになる。重複ウィンドウコンピュータ８２は、明瞭会
話信号ｙを出力する。

【００８５】本発明によるシステムは、認識比率を高
め、人間にとって理解をより容易にすることを可能とす
る明瞭な会話を生成する。また、会話の処理を行う前の
段階のシステムであるため、既存のシステムに容易に付
加することができる。また、計算は、現在のウィンドウ
と幾つかの相対的な推定値とのみが必要とされて行われ
るので、全く複雑ではなく、データストリーム上で行う
ことができる。このため、通常の計算を行うためのキャ
パしか有していないようなデバイスに幅広く用いること
ができる。

【００８６】例えば、認識比率をより良くすることがで
きるので、テレビのニュースプログラムのための自動字
幕をより簡単に得ることができる。フィールドスポーツ
は、特にバックグランドノイズの多いことで知られてい
る。本発明によるシステムでは、公共のテレビチャンネ
ル上に表示するためのより良好な音声の文字化を行うこ
とが可能である。

【００８７】また、より良好な音声の文字化により、会
話から抽出されてビデオ／オーディオシステムに関連す
るメタデータ中へ挿入されるの第一の入力として用いら
れるメタデータのコンテンツを改善することができる。
例えば、現存するビデオ機器のサウンドトラックのより
良好な音声の文字化は、ビデオ／オーディオインデック
ス中のより精度の高いサーチ及び自動要約を可能にす
る。また、音声の文字化が、ビデオ機器のタイミング情
報のような外部情報と関係があるときには、より良好な
音声の文字化は、ビデオ機器の素早いナビゲーションを
大いに助けることが可能である。

【００８８】本発明のシステムは、ノイズやマイクロホ
ンから遠ざかることにより生ずる問題を大きく減じるた
めの音声入力デバイスに用いることができる。

【図面の簡単な説明】

【図１】本発明の実施の形態によるノイズリダクション
システムを示すブロック図。

【図２】図１のシステムの音声アクティビティ検出器、
タイムトゥスペクトラルドメインコンバータ、及びノイ
ズ推定器の構成を示すブロック図。

【図３】図１のシステムのシンプルスペクトラル減算
器、及び聴覚スケールマスキングレベルコンピュータの
構成を示すブロック図。

【図４】図１のシステムの一般的なスペクトラル減算
器、及びタイムトゥスペクトラルドメインコンバータの
構成を示すブロック図。

【図５】図２の音声アクティビティ検出器に入力した音
の信号の例を示すグラフ。

【図６】図２の音声アクティビティ検出器の三次統計推
定器からの出力を示すグラフ。

【図７】音声アクティビティ検出器の指数減衰分析器か
らの出力を示すグラフ。

【図８】音の信号中の、会話の存在／非存在を示す、音
声アクティビティ検出器からのバイナリ出力を示すグラ
フ。

【図９】図１のシステムのタイムトゥスペクトラルドメ
インコンバータへ入力する音の信号の分析ウィンドウを
示すブロック図。

【図１０】図９の分析ウィンドウへハニングウィンドウ
を応用した様子を示すグラフ。

【図１１】図１０のハニングウィンドウを適用した後の
図９の分析ウィンドウを示すグラフ。

【図１２】タイムトゥスペクトラルドメインコンバータ
によって決定された、図９の分析ウィンドウ中のスペク
トラルの内容を表すグラフ。

【図１３】図３の簡単なスペクトラル減算器の入力及び
出力を示すグラフ。

【図１４】図３のバークスケールコンバータによる、ス
ペクトラル領域からバークスペクトラル領域への変換を
示す概略図。

【図１５】バークスケールコンバータからのバークスケ
ール明瞭会話のために、図３のスペクトラルマスキング
コンピュータによって決定されたバークマスキング特性
レベルを示すグラフ。

【図１６】スペクトラルマスキングコンピュータによっ
て用いられる拡張関数を示すグラフ。

【図１７】スペクトラルマスキングコンピュータによっ
て用いられる相対的なしきい値を示すグラフ。

【図１８】図３のスペクトラル減算パラメータコンピュ
ータによって計算されるスペクトラル減算係数を示すグ
ラフ。

【図１９】図４の一般化されたスペクトラル減算ユニッ
トからの出力を示すグラフ。

【符号の説明】

１０ 音声アクティビティ検出器 １１ 三次統計推定器 １２ 指数減衰分析器 １３ 推定レベルコンパレータ ２０ タイムトゥスペクトラルドメインコンバータ ３０ ノイズ推定器 ３１ 信号ウィンドウコンバータ ３２ ノイズ推定コンピュータ ４０ シンプルスペクトラル減算器 ５０ 聴覚スケールマスキングレベルコンピュータ ５１ バークスケールコンバータ ５２ スペクトラルマスキングコンピュータ ５３ バークトゥスペクトラルドメインコンバータ ６０ スペクトラル減算パラメータコンピュータ ７０ 一般化スペクトラル減算器 ７１ 一般化スペクトラル減算ユニット ７２ 強度スペクトラムフィルタ ８０ スペクトラルトゥタイムドメインコンバータ

Claims (9)

【特許請求の範囲】
1. 【請求項１】 音の信号中の会話のとぎれを検出するた
   めの音声アクティビティ検出器と、 音の信号を音の信号の離散フーリエ変換へ変換するため
   のタイムトゥスペクトラルドメインコンバータと、 該音声アクティビティ検出器が会話のとぎれを検出した
   ときに、ノイズレベルを推定するためのノイズ推定器
   と、 シンプル明瞭会話信号を出力するために、該離散フーリ
   エ変換からのノイズレベルを減算するためのシンプルス
   ペクトラル減算器と、 明瞭会話出力中にノイズが残されたとしても人間の耳に
   は聴覚不能である音の信号中の、どの部分にノイズが存
   在しているかを示す、該シンプル明瞭会話信号中のマス
   キングレベルを計算するための聴覚スケールマスキング
   コンピュータと、該マスキングレベルに基づく重複減算
   係数 と、スペクトラルフローリング係数 と、変化の度合い とを計算するためのスペクトラル減算パラメータコンピ
   ュータと、スペクトラルドメイン中の明瞭会話信号を生
   成するために、該スペクトラル減算パラメータコンピュ
   ータからの重複減算係数 と、スペクトラルフローリング係数 と、変化の度合い とを用いて、該離散フーリエ変換からノイズを減算する
   ための一般化スペクトラル減算器と、該一般化スペクト
   ラル減算器からの該明瞭会話信号を変換し、タイムドメ
   インへと返すスペクトラルトゥタイムドメインコンバー
   タとを備え、該音声アクティビティ検出器は、会話が存
   在していることを決定するために音の信号中の三次統計
   を検出するための三次レベル統計推定器と、会話ライク
   の信号の、時間に関係する特性に基づくサンプル中にお
   いて会話の存在を検出するための指数減衰分析器と、ウ
   ィンドウ中のサンプルの総数に対して、該指数減衰分析
   器によって会話として検出されたサンプルの比率がしき
   い値を超える場合に、タイムドメインサンプルウィンド
   ウ中の全てのサンプルが会話を含んでいる旨決定するこ
   とによってサンプルが会話を含んでいるかいないかを示
   すための推定レベルコンパレータとを備えることを特徴
   とする、会話を含む音の信号処理を行う前の段階の処理
   におけるノイズリダクションシステム。
2. 【請求項２】 該ノイズ推定器は、該推定レベルコンピ
   ュータからのサンプル表示のスペクトラルドメインサン
   プルウィンドウ数を分類してグループ分けし、スペクト
   ラルドメインサンプルウィンドウ数中のサンプルの総数
   に対する会話を含むサンプル表示の比率が、しきい値よ
   りも大きい場合には、グループ全体において会話を含ん
   でいる旨を示す信号ウィンドウコンバータと、該信号ウ
   ィンドウコンバータによって会話を含んでいないことが
   示されたスペクトラルドメインサンプルウィンドウの各
   サンプルに対してノイズレベルを推定し、過去のイベン
   トに対して指数減衰重み付けが行われるようにシンプル
   ラーニングファクターを更新するノイズ推定コンピュー
   タとを有することを特徴とする請求項１記載のノイズリ
   ダクションシステム。
3. 【請求項３】 該聴覚スケールマスキングコンピュータ
   は、シンプルスペクトラル減算器からのＮ個のシンプル
   明瞭会話信号のスペクトラル係数をＢ個のバークスケー
   ル係数へと変換するバークスケールコンバータと、ログ
   線形近似を用いてバークスケール係数の最終マスキング
   特性 を計算するスペクトラルマスキングコンピュータと、Ｂ
   個のバークスケール係数をＮ個のスペクトラル係数へと
   変換するバークトゥスペクトラルドメインコンバータと
   を備えていることを特徴とする請求項１記載のノイズリ
   ダクションシステム。
4. 【請求項４】 該一般化スペクトラル減算器は、該離散
   フーリエ変換にゲインＧを掛けることによって、スペク
   トラルドメイン中の明瞭会話を生成するための一般化ス
   ペクトラル減算器ユニットを備え、該ゲインＧは以下の
   等式： ここで であり、 はノイズ推定器からのノイズ推定値に基づく係数 及び が用いられて決定された値であることを特徴とする請求
   項１記載のノイズリダクションシステム。
5. 【請求項５】 該一般化スペクトラル減算器は、一般化
   スペクトラル減算器ユニットからの明瞭スペクトラム上
   で、中央値フィルタ動作を行うための強度スペクトラム
   フィルタを備えていることを特徴とする請求項４記載の
   ノイズリダクションシステム。
6. 【請求項６】 該聴覚スケールマスキングコンピュータ
   は、該シンプルスペクトラル減算器からのシンプル明瞭
   会話信号のＮ個のスペクトラル係数をＢ個のバークスケ
   ール係数へと変換するためのバークスケールコンバータ
   と、ログ線形近似を用いてバークスケール係数の最終マ
   スキング特性 を計算するスペクトラルマスキングコンピュータと、Ｂ
   個のバークスケール係数をＮ個のスペクトラル係数へと
   変換するためのバークトゥスペクトラルドメインコンバ
   ータとを備えていることを特徴とする請求項５記載のノ
   イズリダクションシステム。
7. 【請求項７】 音の信号中の会話のとぎれを検出するた
   めの音声アクティビティ検出器と、音の信号を音の信号
   の離散フーリエ変換へ変換するためのタイムトゥスペク
   トラルドメインコンバータと、該音声アクティビティ検
   出器が会話のとぎれを検出したときに、ノイズレベルを
   推定するためのノイズ推定器と、シンプル明瞭会話信号
   を出力するために、該離散フーリエ変換からのノイズレ
   ベルを減算するためのシンプルスペクトラル減算器と、
   明瞭会話出力中にノイズが残されたとしても人間の耳に
   は聴覚不能である音の信号中の、どの部分にノイズが存
   在しているかを示す、該シンプル明瞭会話信号中のマス
   キングレベルを計算するための聴覚スケールマスキング
   コンピュータと、該マスキングレベルに基づく重複減算
   係数 と、スペクトラルフローリング係数 と、変化の度合い とを計算するためのスペクトラル減算パラメータコンピ
   ュータと、スペクトラルドメイン中の明瞭会話信号を生
   成するために、該スペクトラル減算パラメータコンピュ
   ータからの重複減算係数 と、スペクトラルフローリング係数 と、変化の度合い とを用いて、該離散フーリエ変換からノイズを減算する
   ための一般化スペクトラル減算器と、 該一般化スペクトラル減算器からの該明瞭会話信号を変
   換し、タイムドメインへと返すスペクトラルトゥタイム
   ドメインコンバータとを備え、 該聴覚スケールマスキングコンピュータは、 該シンプルスペクトラル減算器からのシンプル明瞭会話
   信号のＮ個のスペクトラル係数をＢ個のバークスケール
   係数へと変換するためのバークスケールコンバータと、 ログ線形近似を用いてバークスケール係数の最終マスキ
   ング特性 を計算するスペクトラルマスキングコンピュータと、 Ｂ個のバークスケール係数をＮ個のスペクトラル係数へ
   と変換するためのバークトゥスペクトラルドメインコン
   バータとを備えていることを特徴とする、会話を含む音
   の信号処理を行う前の段階の処理におけるノイズリダク
   ションシステム。
8. 【請求項８】 該一般化スペクトラル減算器は、 該離散フーリエ変換にゲインＧを掛けることによって、
   スペクトラルドメイン中の明瞭会話を生成するための一
   般化スペクトラル減算器ユニットと、 該一般化スペクトラル減算器ユニットからの明瞭スペク
   トラム上で、中央値フィルタ動作を行うための強度スペ
   クトラムフィルタとを備え、 該ゲインＧは以下の等式： ここで であり、 はノイズ推定器からのノイズ推定値に基づき、係数 及び が用いられて決定された値であることを特徴とする請求
   項７記載のノイズリダクションシステム。
9. 【請求項９】 音の信号中の会話のとぎれを検出するた
   めの音声アクティビティ検出器と、 音の信号を音の信号の離散フーリエ変換へ変換するため
   のタイムトゥスペクトラルドメインコンバータと、 該音声アクティビティ検出器が会話のとぎれを検出した
   ときに、ノイズレベルを推定するためのノイズ推定器
   と、 シンプル明瞭会話信号を出力するために、該離散フーリ
   エ変換からのノイズレベルを減算するためのシンプルス
   ペクトラル減算器と、 明瞭会話出力中にノイズが残されたとしても人間の耳に
   は聴覚不能である音の信号中の、どの部分にノイズが存
   在しているかを示す、該シンプル明瞭会話信号中のマス
   キングレベルを計算するための聴覚スケールマスキング
   コンピュータと、 該マスキングレベルに基づく重複減算係数 と、スペクトラルフローリング係数 と、変化の度合い とを計算するためのスペクトラル減算パラメータコンピ
   ュータと、スペクトラルドメイン中の明瞭会話信号を生
   成するために、該スペクトラル減算パラメータコンピュ
   ータからの重複減算係数 と、スペクトラルフローリング係数 と、変化の度合い とを用いて、該離散フーリエ変換からノイズを減算する
   ための一般化スペクトラル減算器と、 該一般化スペクトラル減算器からの該明瞭会話信号を変
   換し、タイムドメインへと返すスペクトラルトゥタイム
   ドメインコンバータとを備え、 該一般化スペクトラル減算器は、 該離散フーリエ変換にゲインＧを掛けることによって、
   スペクトラルドメイン中の明瞭会話を生成するための一
   般化スペクトラル減算器ユニットと、 該一般化スペクトラル減算器ユニットからの明瞭スペク
   トラム上で、中央値フィルタ動作を行うための強度スペ
   クトラムフィルタとを備え、 該ゲインＧは以下の等式： ここで であり、 はノイズ推定器からのノイズ推定値に基づき、係数 及び が用いられて決定された値であることを特徴とする、会
   話を含む音の信号処理を行う前の段階の処理におけるノ
   イズリダクションシステム。