JP2005303898A - マイク位置決定方法、マイク位置決定装置、マイク位置決定プログラム - Google Patents

Abstract

【課題】音声認識に係わる音声を取り込むためのマイク位置を効率良く決定するマイク位置決定方法及び装置を提案する。
【解決手段】話者模擬スピーカから音声認識用マイクまでのインパルス応答を音声認識用マイクの位置を変えて複数の位置毎に測定し、各位置毎に測定したインパルス応答の振幅の最大値の時刻の波、又はその周辺の時刻の波を直接波として直接波レベルを計算し、直接波以外の時刻の波を反射波として反射波レベルを計算し、直接波レベルと反射波レベルの比が最大となるマイク位置を最適なマイク位置とする。
【選択図】図３

Description

本発明は、音声認識に用いるマイクの位置を設定する際の最適なマイク位置を決めるマイク位置決定方法、マイク位置決定装置、マイク位置決定プログラムに関する。

従来、最適なマイク位置を決めるためには、話者位置に置いたスピーカからマイクまでの空間伝達特性、すなわちインパルス応答及び、利用環境においてマイクに混入する背景雑音を収録し、雑音の無いクリーンな環境で、かつ話者の口とマイクの位置が近い環境で収録された接話クリーン音声に対して、各マイク位置で測定したインパルス応答を畳み込み、収録した雑音を重畳することによって得られた各マイク位置の収録音声を模擬した音声に対して、実際に音声認識実験を行い、最も認識性能の高いマイク位置を最適なマイク位置としていた。

模擬音声を作成し、実際に認識実験により最適なマイク位置を決定する方法では、評価用の接話クリーン音声を作成したり、インパルス応答を畳み込み、収録した雑音を重畳した音声データを作成したり、実際に音声認識実験を行う時間やコスト、データ格納領域が必要となる。
本発明は、上記を鑑みてなされたもので、その目的とするところは、測定したインパルス応答及び収録した背景雑音から各マイク位置での模擬音声を作成し、実際に認識実験を行うのでは無く、インパルス応答及び背景雑音のデータから最適なマイク位置を決定することができる装置を提供することである。

上記目的を達成するために、請求項１で提案する本発明は、音声認識に用いる最適なマイク位置を決めるためのマイク位置決定方法において、マイク位置を順次移動させるか又は複数のマイクを切替えて各マイク位置におけるインパルス応答の直接波レベルと、反射波レベルの比を比べ、その比が最も大きいマイク位置を最適マイク位置とすることを要旨とする。
請求項１で提案する本発明にあっては、各マイク位置におけるインパルス応答を測定する。測定したインパルス応答のデータから図１に示すように測定したインパルス応答の振幅の絶対値レベルの最大値、又は最大値の時刻周辺の時刻の絶対値レベルの和をＤ（直接波レベル）とする。測定したインパルス応答のデータから図１に示すように直接波レベル以外の時刻の絶対値レベルの和をＲ（反射波レベル）とする。Ｄ／Ｒの比が最も大きいマイク位置を最適なマイク位置とする。

請求項２で提案する本発明は、音声認識に用いる最適なマイク位置を決めるためのマイク位置決定方法において、マイク位置を順次移動させるか又は複数のマイクを切替えて各マイク位置におけるインパルス応答の振幅の絶対値レベルの最大値と、インパルス応答のデータから音声認識に用いる分析フレームの幅を超えた区間のレベルの比を比べ、その比が最も大きいマイク位置を最適マイク位置とすることを要旨とする。
請求項２記載の本発明にあっては、各マイク位置におけるインパルス応答を測定する。測定したインパルス応答のデータから図２に示すように測定したインパルス応答の振幅の絶対値レベルの最大値、又は最大値の時刻周辺の時刻の絶対値レベルの和をＤ（直接波レベル）とする。測定したインパルス応答のデータから図２に示すようにインパルス応答のデータから直接波の時刻から音声認識に用いる分析フレームを超えた区間の振幅の絶対値レベルの和をＲ（反射波レベル）とする。Ｄ／Ｒの比が最も大きいマイク位置を最適なマイク位置とする。例えば、音声認識によく用いられるケプストラムやＭＦＣＣのような対数スペクトルに関連した特徴パラメータを用いて認識を行なう場合、その長時間平均を減算することにより、請求項２において無視したフレーム内に収まる伝達特性（インパルス応答）の影響を低減することが可能である。

請求項３で提案する本発明は、音声認識に用いる最適なマイク位置を決めるためのマイク位置決定方法において、請求項１及び請求項２記載のインパルス応答の振幅の直接波レベルと反射レベルの比に基づき、その比が大きい程最適とする判定に加え、各マイク位置に混入する背景雑音のレベルが低い程最適とする判定を加え、両判定結果が最も良好なものを最適なマイク位置とすることを要旨とする。
請求項３で提案する本発明にあっては、各マイク位置におけるインパルス応答を測定する。測定したインパルス応答の振幅の絶対値レベルの最大値、又は最大値の時刻周辺の時刻の絶対値レベルの和をＤ（直接波レベル）とする。前述の請求項１及び請求項２の方法で決めた反射レベルをＲとする。各マイク位置で収録した雑音の振幅の絶対値の平均レベルをＮ（背景雑音レベル）とする。そして、直接波レベルと反射波レベルの比Ｄ／Ｒ、及び直接波レベルと背景雑音レベルの比Ｄ／Ｎの和が最も大きくなるようなマイク位置を最適なマイク位置とする。直接波レベルの大きさは、マイクに入力する音声のパワーレベルを示しており、直接波レベルと背景雑音レベルの比Ｄ／Ｎは、音声パワーレベルと背景雑音パワーレベル比であるＳ／Ｎと相関が高い。Ｓ／Ｎの大小は、音声認識の性能に多大な影響を与えるため、Ｄ／Ｎを知ることで認識性能の推定が可能である。

本発明によれば、各マイク位置における背景雑音の収録、インパルス応答の測定をするだけで、測定したインパルス応答を畳み込み背景雑音を重畳した模擬音声の作成から音声認識実験を行うことなく、最適なマイク位置を決定することができ、処理時間や計算コストを削減することが可能である。

以下、図面を用いて本発明の実施の形態について説明する。
図３は、本発明の請求項１及び２で提案する最適マイク位置決定装置のブロック図である。図３に示す最適マイク位置決定装置は、各マイク位置において測定したインパルス応答から得られる反射波のレベルＲと、直接波のレベルＤを比較することにより、最適なマイク位置を決定することを特徴とするものであり、評価関数（例えば、式（１））により各マイク位置を評価し、最適なマイク位置を決定する。
Ｑ＝Ｄ／Ｒ ………（１）
具体的に説明すると、図３に示すように本実施形態の最適マイク位置決定装置は、収録ゲイン調整モジュール１００と、インパルス応答測定モジュール２００と、評価関数計算モジュール３００と、最適マイク位置決定モジュール４００とによって構成される。

以上のように構成される最適マイク位置決定装置においては、先ず初期設定として、収録ゲインの調整を行う。図３の収録ゲイン調整モジュール１００では、図４に示すように、基準信号メモリ１０１から基準信号を取り出し、収録ゲイン調整部１０２でゲインを調整し、Ｄ／Ａ変換部１０３でアナログ信号に変換し、話者模擬スピーカＳＰから再生、音声認識用マイクＭで収録し、収録した信号をＡ／Ｄ変換部１０４でディジタル信号に変換し、収録信号パワーレベル計算部１０５で収録信号のパワーレベルを計算し、収録信号パワーレベル判定部１０６で収録した信号のレベルが適正範囲に収まっているか否かを判定し、適正範囲内である場合は、レベル判定スイッチ１０７を適正レベル端子１０８側にし、基準信号パワーレベルメモリ１１０に収録信号のパワーレベルを格納する。適正範囲外であればレベル判定スイッチ１０７を不適正レベル端子１０９側にし、収録ゲイン調整部１０２で収録ゲインを調整し、再度基準信号の再生収録を行なう。ここで用いる基準信号は、音声の一文あるいは複数分でも良く、話者模擬スピーカＳＰからの再生レベルが通常の話者の音量レベルと同等にしておく。以上により収録ゲインの初期設定が完了する。

収録ゲイン調整部１０２の初期設定が終了後、図３のインパルス応答測定モジュール２００でインパルス応答の測定を行う。図３のインパルス応答測定モジュール２００では、図５に示すように、インパルス応答測定用信号メモリ２０１に保存してあるインパルス応答測定用信号を初期設定された収録ゲイン調整部１０２で調整し、Ｄ／Ａ変換部１０３でアナログ信号に変換し、話者模擬スピーカＳＰから再生する。このとき、インパルス応答測定用信号メモリ２０１に格納されているインパルス応答測定用信号のゲインは、前記基準信号メモリ１０１に格納されている基準信号のゲインと同一である。

従って、話者模擬スピーカＳＰから放音されるインパルス応答測定用信号の音圧は基準信号メモリ１０１から読み出された基準信号の音圧と同一となる。
話者模擬スピーカＳＰから再生したインパルス応答測定用信号は、音声認識用マイクＭで収録されて、Ａ／Ｄ変換部２０２でディジタル信号に変換され、インパルス応答計算部２０３でインパルス応答に変換され、インパルス応答メモリ２０４に格納される。
そして、図３の評価関数計算モジュール３００では、測定したインパルス応答からマイク位置の最適度を示す評価関数値を計算する。図３の評価関数計算モジュール３００では、図６に示すように、測定したインパルス応答が格納されているインパルス応答メモリ２０４から読み出したインパルス応答の測定値から直接波レベルＤを直接波レベル計算手段３０１で計算し、反射波レベル計算手段３０２で反射波レベルＲを計算する。

ここで、この発明の請求項１及び４で提案するマイク位置決定方法及びマイク位置決定装置では直接波レベルを図１に示したインパルス応答の振幅の最大値の時刻の波又は、その周辺の時刻の波を直接波として計算し、直接波以外の時刻の波を反射波として反射波レベルＲを計算する。
これに対して、この発明の請求項２及び５で提案するマイク位置決定方法及びマイク位置決定装置では直接波レベルＤに関しては請求項１及び４と同じ計算方法を採るが、反射波レベルＲに関しては図２に示すようにインパルス応答の直接波を示す時刻から音声認識に用いる分析フレーム幅（数１０ｍｓ）を越える時刻以降を反射波として反射レベルＲを計算する。

算出された直接波レベルＤと反射波レベルＲに基づいて評価関数計算部３０３は評価関数を、例えば式（１）により計算し、その計算結果を最適マイク位置決定モジュール４００に入力する。
最適マイク位置決定モジュール４００は図６に示すように、最大値判定スイッチ４０１と、最適マイク位置候補メモリ４０４と、評価関数最大値メモリ４０５と、非最適マイク位置候補メモリ４０６とによって構成される。
最大値判定スイッチ４０１では得られた評価関数値を評価関数最大値メモリ４０５に記録してある関数値と比較し、他のマイク位置で測定された評価関数値よりも大きいか否かの判定を行い、大きい場合はスイッチを最大値端子４０２側にし、評価関数の最大値を更新し、評価関数最大値メモリ４０５に格納している値を書き替え、最適マイク位置を更新し、最適マイク位置候補メモリ４０４の値を当該マイク位置のＩＤ（マイク位置を表わす番号）に書き換える。

評価関数値が他のマイク位置で測定された評価関数値よりも小さい場合は、スイッチ４０１を非最大値端子４０３側にし、非最適マイク位置候補メモリ４０６に当該マイク位置のＩＤを加える。全てのマイク位置における評価が終った段階で、最適マイク位置候補メモリ４０４に格納されているマイク位置のＩＤにより、最適マイク位置が決定される。
図７はこの発明の請求項３及び６で提案するマイク位置決定方法を実現するためのマイク位置決定装置の全体の構成を示す。図３に示したマイク位置決定装置と異なる構成は収録ゲイン調整モジュール１００とインパルス応答測定モジュール２００との間に、雑音レベル比調整モジュール５０と、雑音収録モジュール６０を追加した点である。

この追加された構成により図１乃至図６で説明した直接波レベルＤと反射波レベルＲの比に基づき、その比が大きい程最適とする判定に加えて、各マイク位置で混入する背景雑音のレベルＮが低い程最適とする判定を加え、背景雑音の影響を含めた判定を得ようとするものである。
この場合の評価関数は次式で計算される。
Ｑ＝Ｄ／Ｒ＋ｋ・Ｄ／Ｎ ………（２）
ｋ：インパルス応答と収録レベルのゲイン差の補正係数
図７に示す収録ゲイン調整モジュール１００、インパルス応答測定モジュール２００は図４、図５と同じであるから、ここでは追加された部分と、それに係わる部分について説明する。

図７に示す雑音レベル比調整モジュール５０では、図８に示すように、話者模擬スピーカＳＰからは何も再生せず、背景雑音を音声認識用マイクＭで収録し、収録した信号をＡ／Ｄ変換部でディジタルに変換し、背景雑音レベル測定手段５２で雑音のパワーレベルを計算し、背景雑音パワーレベルメモリ５３に格納し、図４の収録ゲイン調整モジュール１００で格納した基準信号パワーレベルメモリ１１０に格納されている基準信号パワーレベルと合わせて基準／雑音レベル比メモリ５５に格納する。
初期設定終了後、各マイク位置において、図９に示す雑音収録モジュール６０で雑音の収録を行う。雑音収録モジュール６０では、図９に示すように、音声認識用マイクＭで収録した背景雑音信号を、Ａ／Ｄ変換部６１でディジタル信号に変換し、雑音パワーレベル計算部６２で雑音のパワーレベルを計算し、雑音パワーレベルメモリ６３に格納する。

評価関数計算モジュール３００はこの実施形態では図１０に示すように、インパルス応答メモリ２０４からインパルス測定値を読み出し、直接波レベル計算手段３０１と反射波レベル計算手段３０２で直接波レベルＤと反射波レベルＲを算出する。更に、雑音パワーレベルメモリ６３から背景雑音パワーレベルを読み出し、この背景雑音パワーレベルを基準／雑音レベル比メモリ５５に格納されている基準レベル／雑音レベルの比に基づき、雑音ゲイン調整部３０４で調整し、直接波レベル及び反射波レベルとレンジを合わせる。つまり、式（２）に示した補正係数ｋを決定する。得られた直接波レベルＤ及び反射波レベルＲ、雑音レベルＮから、例えば式（２）のような評価関数を評価関数計算部３０３で計算する。評価関数計算部３０３の計算結果は最適マイク位置決定モジュール４００で最大値がソートされ、最適マイク位置が決定される。

以下では、図１１に示すフローチャートを参照してこの発明のマイク位置決定プログラムの概要を説明する。
どのような状態において、システムの初期設定を行ったかを判定する（ステップＳ９１）。
初期設定を行ってない場合は、収録ゲインの調整を行い（ステップＳ９２）、雑音レベル比の調整を行う（ステップＳ９３）。
初期設定が終れば、全てのマイク位置の調査が終るまで（ステップＳ９４）以下の手順を繰返す。

まず雑音を収録し、雑音のパワーレベルを求める（ステップＳ９５）。
次にインパルス応答を測定する（ステップＳ９６）。
得られたインパルス応答と、収録した雑音のパワーレベルから、直接波レベル、反射波レベル、雑音レベルを求め、マイク位置の最適性を評価する評価関数を計算する（ステップＳ９７）。
評価関数値が他のマイクの評価関数値と比べて最大か否かを判定する（ステップＳ９８）。

最大でない場合、当該マイク位置を、最適でないマイク位置のリストに登録し（ステップＳ９９）、他のマイク位置があるのかの判定に戻る（ステップＳ９４）。
最大である場合、最大評価関数値を更新し（ステップＳ１００）、最適マイク位置候補に当該マイク位置を入れ替えて（ステップＳ１０１）、他のマイク位置があるかの判定に戻る（ステップＳ９４）。
全てのマイク位置の判定が終った段階で最適マイク位置候補メモリに格納されているＩＤから最適マイク位置を出力する（ステップＳ１０２）。

を実行して終了する。
以上説明した本発明のマイク位置決定装置はコンピュータにマイク位置決定プログラムを解読させて実現することができる。この発明で提案するマイク位置決定プログラムはコンピュータが解読可能なプログラム言語によって記述され、磁気ディスク或はＣＤ−ＲＯＭ等の記録媒体に記録され、これら記録媒体からコンピュータにインストールされるか、又は通信回線を通じてコンピュータにインストールされ、コンピュータに備えられた中央演算処理装置に解読されてマイク位置決定装置として機能する。

この発明によるマイク位置決定装置は例えば自動音声案内装置のように音声認識機能を備えた装置を設置する場合に、音声認識用の音声を取り込むためのマイク位置決定時に活用される。

請求項１に示すインパルス応答から直接波レベルＤと反射波レベルＲの算出方法を説明するための図。 請求項２に示すインパルス応答から直接波レベルＤと反射波レベルＲの算出方法を説明するための図。 本発明によるマイク位置決定装置の実施形態を説明するためのブロック図。 図３に示すマイク位置決定装置の収録ゲイン調整モジュールを説明するためのブロック図。 図３に示すマイク位置決定装置のインパルス応答測定モジュールを説明するためのブロック図。 図３に示すマイク位置決定装置の評価関数計算モジュール及び最適マイク位置決定モジュールを説明するためのブロック図。 本発明によるマイク位置決定装置の他の実施形態を説明するためのブロック図。 図７に示すマイク位置決定装置の雑音レベル比調整モジュールを説明するためのブロック図。 図７に示すマイク位置決定装置の雑音収録モジュールを説明するためのブロック図。 図７に示すマイク位置決定装置の評価関数計算モジュール及び最適マイク位置決定モジュールを説明するためのブロック図。 図７に示すマイク位置決定装置をコンピュータに機能させるマイク位置決定プログラムの概要を説明するためのフローチャート。

符号の説明

５０ 雑音レベル比調整モジュール ２０３ インパルス応答計算部
６０ 雑音収録モジュール ２０４ インパルス応答メモリ
１００ 収録ゲイン調整モジュール ３０１ 直接波レベル計算手段
２００ インパルス応答測定モジュール ３０２ 反射波レベル計算手段
３００ 評価関数計算モジュール ３０３ 評価関数計算部
４００ 最適マイク位置決定モジュール ４０１ 最大値判定スイッチ
ＳＰ 話者模擬スピーカ ４０４ 最適マイク位置候補メモリ
Ｍ 音声認識用マイク ４０５ 評価関数最大値メモリ
１０１ 基準信号メモリ ４０６ 非最適マイク位置候補メモリ
１０２ 収録ゲイン調整部 ５１ Ａ／Ｄ変換部
１０３ Ｄ／Ａ変換部 ５２ 背景雑音レベル測定手段
１０４ Ａ／Ｄ変換部 ５３ 背景雑音パワーレベルメモリ
１０５ 収録信号パワーレベル計算部 ５４ 基準／雑音レベル比計算部
１０６ 収録信号パワーレベル判定部 ５５ 基準／雑音レベル比メモリ
１０７ レベル判定スイッチ ６１ Ａ／Ｄ変換部
１１０ 基準信号パワーレベルメモリ ６２ 雑音パワーレベル計算部
２０１ インパルス応答測定用信号メモリ ６３ 雑音パワーレベルメモリ
２０２ Ａ／Ｄ変換器

Claims (7)

1. 話者模擬スピーカから音声認識用マイクまでのインパルス応答を前記音声認識用マイクの位置を変えて複数の位置毎に測定し、各位置毎に測定したインパルス応答の振幅の最大値の時刻の波、又はその周辺の時刻の波を直接波として直接波レベルを計算し、直接波以外の時刻の波を反射波として反射波レベルを計算し、前記直接波レベルと前記反射波レベルの比が最大となるマイク位置を最適なマイク位置とするマイク位置決定方法。
2. 話者模擬スピーカから音声認識用マイクまでのインパルス応答を前記音声認識用マイクの位置を変えて複数の位置毎に測定し、各位置毎に測定したインパルス応答の振幅の最大値の時刻の波、又はその周辺の時刻の波を直接波として直接波レベルを計算し、インパルス応答の直接波を示す時刻から音声認識に用いる分析フレーム幅を超える時刻以降を反射波として反射波レベルを計算し、前記直接波レベルと前記反射波レベルの比が最大となるマイク位置を最適なマイク位置とするマイク位置決定方法。
3. 請求項１又は２記載のマイク位置決定方法の何れかにおいて、前記音声認識用マイクの位置を変えて複数の位置毎に前記音声認識用マイクに混入する背景雑音レベルを測定し、前記直接波レベルと前記背景雑音レベルの比を求め、その比と前記直接波レベルと反射波レベルとの比の和が最大となるマイク位置を最適なマイク位置とするマイク位置決定方法。
4. 音声認識に用いる最適なマイク位置を決めるための装置であって、
   想定した話者の発話位置に置く話者を模擬した話者模擬スピーカと、音声認識用マイクと、前記話者模擬スピーカから音声認識用マイクまでのインパルス応答を前記音声認識用マイクの位置を変えて複数の位置毎に測定するインパルス応答測定手段と、前記各位置毎に測定したインパルス応答の振幅の最大値の時刻の波、又は、その周辺の時刻の波を直接波として直接波レベルを計算する直接波レベル計算手段と、直接波以外の時刻の波を反射波として反射波レベルを計算する反射波レベル計算手段と、前記直接波レベルと前記反射波レベルの比が最大となるマイク位置を最適なマイク位置とする最適マイク位置決定手段を有することを特徴とするマイク位置決定装置。
5. 音声認識に用いる最適なマイク位置を決めるための装置であって、
   想定した話者の発話位置に置く話者を模擬した話者模擬スピーカと、音声認識用マイクと、前期話者模擬スピーカから音声認識用マイクまでのインパルス応答を前記音声認識用マイクの位置を変えて複数の位置毎に測定するインパルス応答測定手段と、前記各位置毎に測定したインパルス応答の振幅の最大値の時刻の波又はその周辺の時刻の波を直接波として直接波レベルを計算する直接波レベル計算手段と、インパルス応答の直接波を示す時刻から音声認識に用いる分析フレーム幅を超える時刻以降を反射波として反射波レベルを計算する反射波レベル計算手段と、前記直接波レベルと前記反射波レベルの比が最大となるマイク位置を最適なマイク位置とする最適マイク位置決定手段を有することを特徴とするマイク位置決定装置。
6. 請求項４又は請求項５記載のマイク位置決定装置の何れかにおいて、前記音声認識用マイクの位置を変えて複数の位置毎に前記音声認識用マイクに混入する背景雑音を収録して背景雑音レベルを測定する背景雑音レベル測定手段と、前記直接波レベルと前記背景雑音レベルの比を求め、その比と前記直接波レベル及び反射波レベルの比の和が最大となるマイク位置を最適なマイク位置とする最適マイク位置決定手段を有することを特徴とするマイク位置決定装置。
7. コンピュータが解読可能なプログラム言語によって記述され、コンピュータに前記請求項４乃至６記載のマイク位置決定装置の何れかの機能を実行させるマイク位置決定プログラム。

Images