JP2003513320A

JP2003513320A - 音声信号からの雑音の消去

Info

Publication number: JP2003513320A
Application number: JP2001534144A
Authority: JP
Inventors: イェーホアン，チャオ−シィ
Original assignee: Philips Electronics NV
Current assignee: Koninklijke Philips NV
Priority date: 1999-10-29
Filing date: 2000-10-27
Publication date: 2003-04-08
Also published as: WO2001031640A1; EP1141949A1

Abstract

(57)【要約】雑音のある時間変化する音声入力信号ｙにおける雑音を減少させる方法であって、入力信号ｙの受信、及び、入力信号ｙのスペクトル成分それぞれの大きさ｜Ｙ（ｋ）｜を表わす複数のスペクトル成分信号の導出を含む。入力信号ｙ（ｙ＝ｓ＋ｎ）に存在する本来の音声信号成分ｓ及び雑音信号成分ｎの間のスペクトル領域の相関を示す相関係数γ_ｓｎを得る。それぞれの雑音抑制スペクトル成分の大きさ【外２０】は、雑音のある入力信号ｙのスペクトル成分｜Ｙ（ｋ）｜、本来の音声信号ｓのスペクトル成分｜Ｓ（ｋ）｜、及び雑音信号のスペクトル信号｜Ｎ（ｋ）｜のそれぞれの大きさの関係を与える相関方程式を解くことによって評価され、ここでこの方程式は得られる相関係数γ_ｓｎに基いた相関を含む。好ましくは、相関方程式は【数２１】

Description

【発明の詳細な説明】

【０００１】本発明は、音声信号のような雑音のある時間変化する入力信号における雑音を
減少させる方法に関する。本発明はさらに、雑音のある時間変化する入力信号に
おける雑音を減少させる為の装置に関する。

【０００２】時間変化する入力信号における雑音の存在は、信号の処理の正確さ、及び質を
妨げる。これは特に、例えば音声信号が暗号化されるとき生じるような、音声信
号の処理の場合である。比較的よく雑音の存在に対処できる使用者に信号が最終
的に贈られず、例えば自動的に認識される音声信号の場合のように、信号が最終
的に自動的に処理される場合には、雑音の存在はいっそうより破壊的である。自
動音声認識及び符号化システムはますます使用される。このようなシステムの性
能は継続的に改善しているが、低いＳ／Ｎ比（ＳＮＲ）又は狭い帯域幅の信号を
有するような特に不利な環境においては、正確さをさらに増加させることが望ま
れている。通常、音声認識システムは、入力音声信号の表現を、訓練音声信号（
training speech signal）の表現から組み立てられた隠れマルコフモデル（hidd
en Markov model）（ＨＭＭｓ）のような参照信号のモデルΛｘに対して比較す
る。表現は通常、ＬＰＣ又はケプストラル成分（capstral component）を伴う観
測ベクトル（observation vector）である。

【０００３】実際には、参照信号（及びそのようなモデル）が得られる条件と入力信号の条
件との間に不適合が存在する。参照信号は、通常比較的雑音が無く（高いＳＮＲ
、広い帯域幅）、一方実際に使用中の入力信号はひずんでいる（より低いＳＮＲ
、及び／又は、より狭い帯域幅）。従って、雑音抑制信号（noise-suppressed s
ignal）を得るために、少なくとも入力信号に存在する雑音の部分を消去するこ
とが望まれる。

【０００４】雑音抑制音声信号（‘本来の’音声）を評価する従来の方法は、スペクトル減
算（spectral subtraction）法を使用することである。離散的な時間領域におい
て、雑音音声ｙは、

【０００５】

【数１】のように表わすことができ、ここでｓ、ｎ、ｙはそれぞれ本来の音声、雑音、及
び雑音のある音声を示し、ここでＴは音声の長さを示し、ｉは時間を表す。従来
のスペクトル減算は、雑音のある音声のスペクトル成分を決定すること、及び雑
音のスペクトルを評価することを含む。スペクトル成分は、例えば、高速フーリ
エ変換（Fast Fourier transform）（ＦＦＴ）を使用して計算してもよい。雑音
のスペクトル成分は一度、信号の一部の顕著で代表的な雑音で評価してもよい。
好ましくは、雑音は、‘オン−ザ−フライ（on-the-fly）’で評価し、例えば各
時間で‘静寂な（silent）’部分を、有意でない量の音声信号を伴う入力信号に
おいて検出する。一般的なスペクトル減算法において、雑音抑制音声は、雑音の
ある音声スペクトルから平均的な雑音スペクトルを減じること

【０００６】

【数２】によって評価され、ここで

【０００７】

【外１２】は評価される音声ｓ、雑音のある音声ｙ、及び雑音ｎの大きさスペクトルであり
、ｗとｍはそれぞれ周波数及び時間を表す。ａ＝２の場合は、パワースペクトル
減算（power spectral subtraction）のように呼ばれる。ａ＝１の場合では、そ
の差は通常、大きさスペクトル減算（magnitude spectral subtraction）と呼ば
れる。減算によっては、評価されるスペクトルが従来のスペクトル減算法で正で
あるとは保証されない。ＵＳ５，７４９，０６８は、減算で負の出力を生じるよ
うなスペクトル成分を零に設定すること

【０００８】

【数３】を記載している。スペクトル成分を零（又は低いデフォルト値）に設定すること
は、負のスペクトル成分に対する“テイキングフロアー（taking floor）”のよ
うに呼ばれる。パラメータαは、正の値であり、雑音成分を消去する程度を示す
。ＵＳ５，７４９，０６８は、雑音のスペクトル成分を消去することの発展した
方法を記載しているが、式（３）の従来のスペクトル減算をまだ使用している。

【０００９】負のスペクトル成分に対するテイキングフロアーは、スペクトル減算法の主な
限界を提供し、人工音程（musical tone artifact）を伴う残差雑音を評価され
た音声に導入する。

【００１０】従来のスペクトル減算法の限界を調査するために、本発明者は、負のスペクト
ルの割合（すなわち、負の値を有するようなスペクトル成分の相対的な数）を計
算する実験を実施した。従来のスペクトル減算法に対する負のスペクトルの割合
ＮＳＲ_ｃｏｎは次のように定義される。

【００１１】

【数４】ここで、｜Ｙ（ｋ）｜は、試験の音声ｙに対応する大きさスペクトルであり、

【００１２】

【外１３】は、休止（非−音声部分）から評価される雑音スペクトルであり、ｋはｋ番目の
スペクトル成分を示し、Ｍは比を決定するスペクトル成分の合計数、例えば１フ
レームの、又は全試験発声のスペクトル成分の数、を表わす。

【００１３】次の表は、ａ＝２である様々なＳ／Ｎ比（ＳＮＲｓ）に対する負のスペクトル
の割合ＮＳＲ_ｃｏｎを与える。負のスペクトルの割合ＮＳＲ_ｃｏｎは、本来の信
号の条件でさえ３４．６％に達することを発見した。これは、特により高いＳ／
Ｎレベルにおいて、従来のスペクトル減算法がいくらかの残差雑音を導入し、こ
の技術の使用を制限することを説明する。

【００１４】

【表１】本発明の目的は、従来のスペクトル減算法の限界を克服することである。

【００１５】本発明の目的に一致して、音声信号のような雑音のある時間変化する入力信号
ｙにおいて雑音を減少させる方法は、雑音のある時間変化する入力信号を受信すること、その信号から、入力信号のスペクトル成分のそれぞれの大きさを表わす複数の
スペクトル成分信号を導出すること、入力信号（ｙ＝ｓ＋ｎ）に存在する本来の音声信号成分ｓ及び雑音信号成分ｎ
との間の、スペクトル領域における相関を示す相関係数γ_ｓｎを得ること、及び雑音のある入力信号ｙのそれぞれのスペクトル成分｜Ｙ（ｋ）｜の大きさ、本
来の音声信号ｓのスペクトル成分｜Ｓ（ｋ）｜、及び雑音信号ｎのスペクトル成
分｜Ｎ（ｋ）｜の間の関係を与える方程式を解くことによってそれぞれの雑音抑
制スペクトル成分

【００１６】

【外１４】の大きさを評価すること、ここでこの方程式は、得られた相関係数γ_ｓｎに基い
た相関を含む、を含む。

【００１７】好ましくは、相関方程式は、

【００１８】

【数５】によって与えられ、ここでａは、大きさ又はパワースペクトルについてそれぞれ
１又は２であり得る。従来のスペクトル減算の代わりに、スペクトル領域におけ
る本来の音声ｓ及び雑音ｎの間の相関係数γ_ｓｎに基いたこの方程式を解く。こ
の方程式を解くことは、‘相関したスペクトル減算’ （ＣＣＳ）として見るこ
とができる。

【００１９】相関係数γ_ｓｎは、例えば分析する代表的な入力信号に基いて固定してもよい
。好ましくは、相関係数γ_ｓｎは、実際に入力信号に基いて評価される。都合よ
く、その評価は負のスペクトルの割合を最小化することに基く。好ましくは、期
待される負のスペクトルの割合Ｒは、

【００２０】

【数６】のように定義され、ここで都合よく‘零−一（zero-one）’関数ｆ_ｓｎは、微分
可能な関数

【００２１】

【数７】によって与えられる。

【００２２】適応性のある学習アルゴリズムの理論を適用することによって、相関係数は、
次の勾配演算（gradient operation）

【００２３】

【数８】によって都合よく得られる。

【００２４】相関係数は、ＮＳＲの減少方向に沿って学習され得る。好ましくは、これは反
復のアルゴリズムにおいて行われる。

【００２５】相関したスペクトル減算を表わすこの方程式は、直接解いても良い。好ましく
は、この方程式は反復手段において解かれ、本来の音声の評価を改善する。

【００２６】本発明のこれら及び他の様相は、図に示す実施例を参照することで明瞭になる
。

【００２７】｛音声認識システムの一般的記述｝本発明に従った雑音の減少は、雑音のある音声信号の加工には、そのような信
号の符号化又はそのような信号の自動的な認識のようなものには、特に有用であ
る。ここで、音声認識システムの一般的記述を与える。当業者は、音声符号化シ
ステムにおいて雑音消去法をよく適用する。

【００２８】語彙の多い連続的音声認識のような音声認識システムは典型的に、入力パター
ンを認識する為に認識モデルの集合を使用する。例えば、音響モデル及び語彙を
、単語を認識する為に使用してもよく、言語モデルを基本的な認識結果を改善す
る為に使用してもよい。図は、語彙の多い連続的音声認識システム１００の典型
的な構造を説明する。以下の定義はシステム及び認識方法を記載する為に使用す
る。

【００２９】 Λ_ｘ：訓練済み音声モデル（trained speech model）の組Ｘ：モデルΛ_ｘと一致するオリジナル音声Ｙ：試験音声 Λ_ｙ：試験環境に対して一致したモデルＷ：単語列Ｓ：単語、音節、サブ単語単位（sub-word unit）、状態若しくは混合成分、
又は他の適切な表現であり得る解読された列（sequence）システム１００は、スペクトル分析サブシステム１１０及び単位一致サブシス
テム１２０を含む。スペクトル分析サブシステム１１０において、音声入力信号
（speech input signal）（ＳＩＳ）は、特徴の代表的なベクトル（観測ベクト
ル、ＯＶ）を計算する為にスペクトル的に、及び／又は時間的に分析される。典
型的に、音声信号はデジタル化され（例えば６．６７ｋＨｚの割合で標本抽出さ
れる）、例えば前強調（pre-emphasis）を適用することによって前処理される。

【００３０】連続する試料は、例えば音声信号の３２ｍ秒に相当するフレームに群分け（ブ
ロック分け）される。引き続くフレームは、部分的に、例えば１６ｍ秒重なる。
しばしば、線形予測符号化（Linear Predictive Coding）（ＬＰＣ）スペクトル
分析法が、各フレームに対して特徴の代表的なベクトル（観測ベクトル）を計算
する。特徴のベクトルは、例えば２４、３２、又は６３個の成分を有しても良い
。語彙の多い連続的音声認識の標準的なアプローチは、音声生成の確率モデルを
仮定することであり、これにより指定した単語列Ｗ＝ｗ_１ｗ_２ｗ_３…ｗ_ｐは、音
響観測ベクトルの列Ｙ＝ｙ_１ｙ_２ｙ_３…ｙ_Ｔを生じる。ここで観測ベクトルはス
ペクトル分析サブシステム１１０の出力であるが、認識誤りは、観測ベクトルｙ _１ｙ_２ｙ_３…ｙ_Ｔ（時間ｔ＝１、…、Ｔにわたる）の観測された列を最も確実に
生じさせた単語列ｗ_１ｗ_２ｗ_３…ｗ_ｐを決定することによって実質的に最小化し
得る。これは、結果として最大のアポステリオリ（a posteriori）の確率、全ての可能な言葉の順序Ｗに対するｍａｘＰ（Ｗ｜Ｙ，Λ_ｘ）を決定することに帰着する。

【００３１】ベイズ（Ｂａｙｅｓ）の定理を条件付き確率に適用することによって、Ｐ（Ｗ
｜Ｙ，Λ_ｘ）は、

【００３２】

【数９】によって与えられる。

【００３３】Ｐ（Ｙ）はＷに独立なので、最も確実な単語列は

【００３４】

【数１０】によって与えられる。

【００３５】単位一致サブシステム１２０において、音響モデルは、式（ａ）の最初の項を
与える。音響モデルは、与えられた単語の文字列Ｗに対する一連の観測ベクトル
Ｙの確率Ｐ（Ｙ｜Ｗ）を評価するために使用される。語彙の多いシステムに対し
て、これは通常、音声認識単位の表に対して観測ベクトルを一致させることによ
って行われる。音声認識単位は、音響参照（acoustic reference）の列によって
表わされる。様々な形態の音声認識単位を使用してもよい。例として、全単語又
は単語群でさえ、一つの音声認識単位で表わされる場合もある。単語モデル（wo
rd model）（ＷＭ）は、与えられた語彙のそれぞれの言葉に対して一連の音響参
照における書き換え（transcription）を提供する。最も語彙の少ない音声認識
システムにおいて、全単語は、音声認識単位で表わされ、その場合は、単語モデ
ルと音声認識単位との間に直接的な関係が存在する。他の語彙の少ないシステム
において、例えば、比較的多数の（例えば、数百）単語を認識する為に使用され
るように、又は語彙の多いシステムにおいて、フェネン（phenen）及びフェノン
（phenon）のような導出単位と同様に、音、二音（diphone）又は音節のような
言語に基いたサブ単語単位の使用が成され得る。このようなシステムに対して、
単語モデルは、語彙の単語に関するサブ単語単位の列を記載するレクシコン（le
xicon）１３４、及び、含まれる音声認識単位の音響参照の列を記載するサブ単
語モデル１３２によって与えられる。単語モデル構成器（word model composer
）１３６は、サブ単語モデル１３２及びレクシコン１３４に基いた単語モデルを
構成する。（サブ）単語モデルは、典型的には隠れマルコフモデル（Hidden Mar
kov Models）（ＨＭＭｓ）に基いており、確率的なモデル音声信号に広く使用さ
れている。このようなアプローチに使用するとき、それぞれの認識単位（単語モ
デル又はサブ単語モデル）は典型的にＨＭＭによって特徴付けられ、そのパラメ
ータはデータの訓練セットから評価される。語彙の多い音声認識システムは、比
較的大きな単位に対してＨＭＭを適切に訓練するためには多くの訓練データを必
要とすると考えられるので、通常サブ単語単位の制限された組、例えば４０が使
用される。ＨＭＭの状態は、音響参照に対応する。離散的な又は連続的な確率密
度を含めて、参照をモデル化するために様々な技術が知られている。一つの明確
な発声に関する音響参照の各列は、またその発声の音響的な書き換えとして参照
される。ＨＭＭｓ以外の認識技術を使用する場合、音響の書き換えの詳細は異な
ることがわかる。

【００３６】図の単語レベル一致システム１３０は、音声認識単位の全ての列に対する観測
ベクトルと一致し、そのベクトルと列との間の一致の可能性を提供する。サブ単
語単位を使用する場合、レクシコン１３４を使用することによる一致に束縛を与
え、サブ単語単位の可能性のある列をレクシコン１３４における列に限定する。
これは単語の可能性のある列の出力を減少させる。

【００３７】さらに、文レベルの一致システム１４０を、言語モデル（ＬＭ）に基いて、そ
の一致にさらなる束縛を与え、調査された経路が言語モデルで指定されるような
適切な列である単語列に対応するように使用する。このような言語モデルは、式
（ａ）の第２項Ｐ（Ｗ）を与える。音響モデルの結果を言語モデルのものと組み
合わせることは、認識される文（recognized sentence）（ＲＳ）１５３である
単位一致サブシステム１２０の出力に帰着する。パターン認識に使用される言語
モデルは、言語及び認識の仕事の統語論及び／又は意味論の束縛を含んでも良い
。統語論の束縛を基にした言語モデルは通常文法１４４と呼ばれる。言語モデル
に使用される文法１４４は、単語列Ｗ＝ｗ_１ｗ_２ｗ_３…ｗ_ｑの確率を与え、それ
は原理的に

【００３８】

【数１１】で与えられる。

【００３９】実際には、与えられた言語において全単語及び全列の長さに対して条件付き単
語確率を信頼して評価することは実行不可能であるので、Ｎ組（N-gram)の単語
モデルが広く使用される。Ｎ組モデルにおいて、項Ｐ（ｗｊ｜ｗ１ｗ２ｗ３…ｗ
ｊ−１）は、Ｐ（ｗｊ｜ｗｊ−Ｎ＋１…ｗｊ−１）で近似される。実際に、二つ
組（bigrams）又は三つ組（trugrams）を使用する。三つ組において、項Ｐ（ｗ
ｊ｜ｗ１ｗ２ｗ３…ｗｊ−１）はＰ（ｗｊ｜ｗｊ−２ｗｊ−１）で近似される。

【００４０】本発明に従った音声加工は、従来のハードウェアを使用して実施してもよい。
例えば、音声認識システムは、ＰＣのようなコンピューターで実施しても良く、
ここで音声入力はマイクロホンを通じて受信され、従来のオーディオインターフ
ェースカードによってデジタル化される。全てのさらなる加工は、ＣＰＵによっ
て実行されるソフトウェアの演算の形態で行われる。特に、音声は電話接続を通
じて、例えばコンピュータにおける従来のモデムを使用して、受信してもよい。
音声の加工はまた、例えばＤＳＰの周囲に組み立てられた、格納されたハードウ
ェアを使用して実行しても良い。

【００４１】本発明に従った雑音の消去は、スペクトル分析サブシステム１００の前の加工
段階において実行してもよい。好ましくは、雑音の消去は、例えば、時間領域か
らスペクトル領域への、及びその逆のいくつかの変換を必要とすることを避ける
ために、スペクトル分析サブシステム１００の中に統合される。本発明を実行す
る為の全てのハードウェア及び加工能力は、通常音声認識又は音声符号化システ
ムに存在する。本発明に従った雑音消去技術は、通常、適切なプログラムの制御
の下に、ＤＳＰ又はパーソナルコンピュータのマイクロプロセッサーのようなプ
ロセッサー上で実行される。時間領域からスペクトル領域への変換を実行するよ
うな、雑音消去技術の基本的関数のプログラミングは、技術者の範囲内にある。

【００４２】｛発明の詳細な説明｝詳細は音声信号について与えられる。他の信号は対応する方法で加工できる。
上述のように、不連続時間領域において、雑音音声ｙは、

【００４３】

【数１２】のように表わされ、ここで、ｓ、ｎ、ｙは、それぞれ本来の音声、雑音、及び雑
音のある音声を示し、Ｔは音声の長さを示し、及びｉは時間を表わす。高速フー
リエ変換のような従来の方法を使用して、音声信号ｙは一組のスペクトル成分｜
Ｙ（ｋ）｜に変換し得る。既に時間領域への適切な変換が行われた場合、このよ
うな変換から結果として生じるスペクトル成分を回収することは十分であること
がわかる。

【００４４】｜Ｓ（ｋ）｜、｜Ｎ（ｋ）｜及び｜Ｙ（ｋ）｜を、それぞれ時間領域の信号ｓ
、ｎ、及びｙのスペクトル対応する大きさとする。従来のスペクトル減算法を使
用して、個々のスペクトル成分は正とされる。雑音のある音声ｙの個々のスペク
トル成分｜Ｙ（ｋ）｜が、対応する雑音信号ｎのスペクトル成分｜Ｎ（ｋ）｜よ
りも小さいような状況は許されない。

【００４５】次の相関

【００４６】

【数１３】が音声信号と雑音信号との間に存在することを仮定し、ここでγ_ｓｎは、スペク
トル領域における音声と雑音との相関係数であることを示し、ａは大きさ又はパ
ワースペクトルに対してそれぞれ１又は２である。本来の音声スペクトルを評価
する基礎としてこの相関を使用することは（及び相関したスペクトル減算を使用
することは）、γ_ｓｎ＜０の場合に｜Ｙ（ｋ）｜^ａ＜｜Ｎ（ｋ）｜^ａであるよう
な状況を有することがあり得る。

【００４７】

【外１５】を、それぞれ本来の音声信号ｓ及び雑音信号ｎの大きさスペクトルの評価とする
。好ましくは、

【００４８】

【外１６】は休止（非−音声部分）から評価される。式（６）に基いて、

【００４９】

【外１７】は、１段階で式を解くことによって、又は反復のアルゴリズムを使用することに
よって、計算し得る。１段階の解は、それぞれａ＝１又はａ＝２の場合には、次
の式（７）及び（８）

【００５０】

【数１４】で与えられる。

【００５１】式（８）は、２つの解を有し得る。ＮＳＲの減少の方向が好まれるので、（｜
Ｙ（ｋ）｜^２−｜Ｎ（ｋ）｜^２）より大きく、（｜Ｙ（ｋ）｜^２−｜Ｎ（ｋ）｜ ^２）に近い正の解が選択される。

【００５２】指定した相関係数γ_ｓｎで

【００５３】

【外１８】を評価するための好ましい反復のアルゴリズムは、以下のようなものである。

【００５４】

【数１５】外側のループｋは、全ての個々のスペクトル成分を扱う。内側のループは、反
復が集束するまで行われる（評価した音声において、著しい変化がもはや起こら
ない）。

【００５５】上述のアルゴリズムは、決められた相関係数γ_ｓｎについて使用し得る。本発
明に従ったさらなる実施例において、相関係数γ_ｓｎは、実際の入力信号ｙに基
づいて評価される。この終了に対して、相関したスペクトル減算アルゴリズムに
対する負のスペクトルの割合（ＮＳＲ）の関数は、次のように定義される。

【００５６】

【数１６】式（５）に示されるｆ_ｎｓ関数は、零−一関数である。相関係数γ_ｓｎとＮＳ
Ｒとの間の関係を導出する為に、平滑化した零−一のジグモイド関数群を使用す
ることが好ましい。例えば、以下の関数ｆ_ｎｓは、その微分可能性によってさら
なる導出の為に都合よく使用される。

【００５７】

【数１７】 α及びβの模範的な値は、それぞれ１．０及び０．０である。

【００５８】そして期待される負のスペクトルの割合Ｒは、次のように定義される。

【００５９】

【数１８】適応性のある学習アルゴリズムの理論を適用することによって、相関係数は、
好ましくは次の勾配演算によって得られる。

【００６０】

【数１９】相関係数は、ＮＳＲにおける減少の方向に沿って学習し得る。これは、提案し
た相関したスペクトル減算（ＣＳＳ）アルゴリズムを使用して評価したスペクト
ルにおいて残差雑音を減少させることを意味する。

【００６１】相関係数γ_ｓｎを基にした最小のＮＳＲで

【００６２】

【外１９】を評価するアルゴリズムは以下のようなものである。

【００６３】

【数２０】ブロック１のように示されたブロックは、決まった相関係数γ_ｓｎを仮定する
反復アルゴリズムとして使用されたのと同じである。ブロック１における反復の
解を使用する代わりに、また式（７）又は（８）の１段階の解を使用してもよい
。

【００６４】上述のように雑音を消去した後で、結果として生じる雑音を消去した信号の評
価されたスペクトル成分を時間領域に変換し直すことは認められる。可能な場合
には、信号を符号化又は自動的に認識することのような、引き続くさらなる加工
にスペクトル成分を直接使用してもよい。

【図面の簡単な説明】

【図１】本発明で使用可能な従来の音声加工システムのブロック図を示す。

Claims

【特許請求の範囲】

【請求項１】音声信号のような、雑音のある時間変化する入力信号ｙにお
ける雑音を減少させる方法であって、前記方法は、前記雑音のある時間変化する入力信号ｙを受信するステップと、前記入力信号ｙのスペクトル成分のそれぞれの大きさ｜Ｙ（ｋ）｜を表わす複
数のスペクトル成分を前記入力信号ｙから導出するステップと、前記入力信号ｙ（ｙ＝ｓ＋ｎ）に存在する本来の音声信号成分ｓ及び雑音信号
成分ｎの間の前記スペクトル領域における相関を示す相関係数γ_ｓｎを得るステ
ップと、前記雑音のある入力信号ｙのそれぞれの前記スペクトル成分｜Ｙ（ｋ）｜、前
記本来の音声信号ｓの前記スペクトル成分｜Ｓ（ｋ）｜、及び前記雑音信号ｎの
前記スペクトル成分｜Ｎ（ｋ）｜の間の関係を与える相関方程式を解くことによ
ってそれぞれの雑音抑制スペクトル成分【外１】の大きさを評価するステップと、を含み、前記方程式は、得られた前記相関係数γ_ｓｎに基いた前記相関を含む方法。
【請求項２】前記相関係数γ_ｓｎは、予め決められる請求項１記載の方法
。
【請求項３】前記相関係数γ_ｓｎを得るステップは、前記相関係数γ_ｓｎを評価することを含む、請求項１記載の方法。
【請求項４】前記相関係数γ_ｓｎを評価するステップは、最小の負のスペ
クトルの割合を決定することを含む請求項３記載の方法。
【請求項５】前記負のスペクトルの割合ＮＳＲは、前記相関方程式の解に
基いて負であるスペクトル成分【外２】の割合を表わす請求項４記載の方法。
【請求項６】前記方法は、前記相関係数γ_ｓｎを零でない値で初期化するステップと、反復して、前記相関方程式を解くステップを実行して【外３】を得るステップと、【外４】に対する前記負のスペクトルの割合ＮＳＲの勾配の降下を基にした新しい相関係
数を評価するステップと、を含む請求項５記載の方法。
【請求項７】前記相関方程式を解くステップは、前記雑音抑制スペクトル【外５】を反復して評価することを含む請求項１記載の方法。
【請求項８】前記方法は、前記雑音のある入力信号ｙの前記それぞれのスペクトル成分Ｙ（ｋ）の大きさ
から前記雑音信号ｎの前記それぞれのスペクトル成分【外６】の評価の大きさを減算することによって、前記雑音抑制スペクトル【外７】の大きさの初期の評価を計算するステップを含む請求項７記載の方法。
【請求項９】前記反復するスペクトルの評価を実行するステップは、それ
ぞれの反復に於いて、前記相関係数γ_ｓｎを伴う項が前記前記雑音抑制スペクトル【外８】の大きさの現在の評価に基く前記相関方程式に基いて補助の雑音抑制スペクトル
の大きさを評価するステップと、前記補助の雑音抑制スペクトルの評価された大きさ、及び前記雑音抑制スペク
トル【外９】の大きさの前記現在の評価、に基く前記雑音抑制スペクトル【外１０】の新しい大きさを評価するステップと、を含む請求項７記載の方法。
【請求項１０】音声信号のような、雑音のある時間変化する入力信号ｙに
おける雑音を減少させる為の装置であって、前記装置は、前記雑音のある時間変化する入力信号ｙを受信する入力手段と、前記入力信号ｙのスペクトル成分のそれぞれの大きさ｜Ｙ（ｋ）｜を表わす複
数のスペクトル成分を前記入力信号ｙから導出する手段と、前記入力信号ｙ（ｙ＝ｓ＋ｎ）に存在する本来の音声信号成分ｓ及び雑音信号
成分ｎの間の前記スペクトル領域における相関を示す相関係数γ_ｓｎを得る手段
と、前記雑音のある入力信号ｙのそれぞれの前記スペクトル成分｜Ｙ（ｋ）｜、前
記本来の音声信号ｓの前記スペクトル成分｜Ｓ（ｋ）｜、及び前記雑音信号ｎの
前記スペクトル成分｜Ｎ（ｋ）｜の間の関係を与える相関方程式を解くことによ
ってそれぞれの雑音抑制スペクトル成分【外１１】の大きさを評価する手段と、を含み、前記方程式は、得られた前記相関係数γ_ｓｎに基いた前記相関を含む装置。