JP2005531969A - 静的スペクトルパワー依存型音響強調システム - Google Patents

Abstract

音声認識又は音声制御に関する音響強調システム（１）が記述されており、この音響強調システム（１）は、歪まされた所望の信号（z）を伝える信号入力と、参照信号入力と、両方の信号入力に結合された、前記所望の信号の歪みに関する推定値として作用する参照信号（x）を用いて前記歪まされた所望の信号（z）を処理するためにスペクトル処理器（SP）とを有する。前記スペクトル処理器(SP)は前記処理のために、因数C’が決定され、その場合に前記推定値がC’及び参照信号(x)のスペクトルパワーの積の関数となるように構成され、該因数C’は信号z及びｘにおける時間に対して本質的に静的である成分間のスペクトル比として決定される。これらの信号の静的部分によって決定された斯様な係数は、音響強調システムにおいて重要である音声検知器の適用を不必要にさせる。

Description

本発明は、歪まされた所望の信号を伝える信号入力と、参照信号入力と、前記所望の信号の歪みに関する推定値として作用する参照信号を用いて前記歪まされた所望の信号を処理するために両方の信号入力に結合されたスペクトル処理器とを有する音響強調システムに関すると共に、このようなシステムで使用するのに適した信号に関する。

本発明は、特に例えば携帯電話等のハンズフリー通信装置のような通信システム、音声認識システム又は音声制御システムのようなシステムにも関し、このシステムは、斯様な音響強調システムを具備する。また、本発明は、歪まされた所望の信号をエンハンスさせる方法に関し、この信号が、前記所望の信号の歪みに関する推定値として作用する参照信号を用いて、スペクトル的に処理される。

歪みノイズのような干渉成分を抑制するための装置によって実施される斯様な音響強調システムは、国際特許出願公開第WO 97/45995号より既知である。該既知のシステムは、音響信号入力へ結合された多数のマイクロフォンを有する。該マイクロフォンは、歪まされた所望の信号に関しての第１マイクロフォン、及び干渉信号を受信するための１つ以上の参照マイクロフォンを有する。該システムは、音響信号入力を介してマイクロフォンに結合される信号処理装置によって具現化されるスペクトル処理器も有する。該信号処理装置において、干渉信号は、歪まされた信号からスペクトル的に減算され、出力端子において、低減された干渉ノイズ成分を有する出力信号を示す。

該既知の音響強調システムの干渉信号キャンセル性能が、音声処理装置に結合されるべき音声検知器の応用に依存するということは、該既知の音響強調システムの欠点である。既知の音響強調システムの作用は、斯様な検知器による音声の適切な検知に大いに依存する。

従って、本発明の目的は、改善された音響強調システムと、音声検知器の存在及び際どい動作によって複雑化されない関連する方法とを提供することである。

上記目的のために、本発明による音響強調システムは、スペクトル処理器が前記処理のために、因数C’が決定され、その場合に前記推定値がC’及び参照信号のスペクトルパワーの積の関数となるように構成され、該因数C’は信号z及びｘにおける時間に対して本質的に静的であるような成分間のスペクトル比として決定されることを特徴としている。

同様に、本発明による方法は、前記推定値が、因数C’及び参照信号のスペクトルパワーの積の関数であり、因数C’が信号z及びｘにおいて本質的に時間に対して静的であるような成分間のスペクトル比であるように決定されることを特徴としている。

発明者は、前記規定された因数C’が所望の信号に対して本質的に影響を受けないことを発見した。因数C’は、信号z及びxにおける静的成分の比率のみを考慮する。この因数C’の概念により、信頼度の高い推定値が、音声検知値を使用する必要なく、音響強調システムに実際に入力される歪まされた所望の信号の歪みに関して提供され得る。その結果として、このことは、斯様に単純化された本発明による音響強調システムの、向上され及び際どさの少ない歪みキャンセル特性をもたらす。この向上された歪みキャンセル特性は、特に１つ以上の参照信号が、例えば雑音、エコー、競合する音声、所望の音声の反響及び同様なもののような歪みを有する場合に成り立つ。加えて、歪みに関する周波数依存推定値は、ある参照信号が得られるような如何なる場合においても計算され得る。

更なる利点は、ノイズフロア又はエコーテールのような個々の歪み成分の明確な推定が必要でなく、一方必要な場合にこれらの成分との組み合わせ技術が容易に得られるということである。これは、マイクロフォンのビームフォーミングの応用例に関するような、好適な推定技術が存在しない歪みの場合において、特に優位性を持つ。

本発明による音響強調システムの実施例は、請求項２に記載の特徴を有する。

通常平均スペクトルパワーの形式を有する両方のスペクトルパワーは、普通ある数の時間フレームに渡って測定される。両方のスペクトルパワーの最小値は、あるタイムスパンに渡って、本発明による音響強調システムの計算的複雑さに関しての大きな負荷を負うことなしに決定される。

本発明による音響強調システムの更なる実施例において、前記タイムスパンは、歪まされた所望の信号において少なくとも１つの休止を含む。このことは、歪まされた所望の入力信号の適切に決定された最小の静的スペクトル成分値を与え、この最小値は、正確に入力信号における静的歪みを表す。

好ましくは前記タイムスパンは、音響強調システムへの歪まされた所望の信号入力において音声休止を通常含むようにするために、少なくとも4乃至5秒間継続する。

当該音響強調システムの更なる実施例は、請求項5に記載の特徴的な特性を有する。

一般的に、所望の信号の歪みの推定値は、例えば信号パワー又は信号エネルギーを用いてある正の関数によって優位的に表現され得、一方でこれら信号パワー及び信号エネルギーは、上記のスペクトルユニットによって規定される。

実用的な好ましい実施例は、請求項6に記載の特徴的な特性を有する。

この場合に、当該音響強調システムは、スペクトルパワー及び/又は平滑化されたスペクトルパワーの値を記憶するための、費用効率が良く容易に実行されるシフトレジスタを有する。

本発明による音響強調システム及び方法をこれらの付加的な利点と共に更に説明し、一方で参照は添付図面に対しなされ、この場合に、同一の要素は、同一の参照符号を用いて述べられる。

図１は、スペクトル処理器SPによって実施される、音響強調システム１の基本概念図を示し、ここで周波数ドメイン入力信号ｚ及びx、並びに出力信号qが示される。これらの周波数ドメイン信号は、例えばSTFTと短く表記される、短時間DFT等の離散フーリエ変換を用いて前記処理器SPにおいてブロック毎にスペクトル的に計算される。このSTFTは、時間と周波数との両方の関数であり、引数kB及びlw₀又は時には因数w_kのみによって表現され得る。ここで、kは離散時間フレームインデックスを示し、Bはフレームシフトを示し、lは（離散）周波数インデックスを示し、w₀は基本周波数間隔を示し、w_kはインデックスkのスペクトル成分を指す。入力信号zは、歪まされた所望の信号を表す。入力信号zは、通例音声の形を取る所望の信号と、雑音、エコー、競合する音声又は所望の信号の反響等の歪みとの和を有する。信号xは、歪まされた所望の信号zにおける歪みの推定値が導き出されるべき参照信号を示す。当該信号z及びxは、図１及び図２に示されるように、１つ以上のマイクロフォン２から発生し得る。多重マイクロフォン・音響強調システム１において、１つ以上のマイクロフォンから参照信号を導き出すために、２つ以上の分離されたマイクロフォン２がある。

音響強調システム１は、参照信号xを導き出すための適応フィルタ手段（図示せず）を有し得る。この場合、参照信号は、通信システムの遠端より発生する。

図１の実施例において、信号xは参照信号すなわち雑音信号のみを含む一方、信号zは、所望の信号及び雑音信号の両方を含む。図２は、マイクロフォン・アレイ信号u₁及びu₂を介してマイクロフォン２の両方が音声及び雑音を感知する場合の音響強調システム１の実施例を示す。フィルタ／和ビームフォーマ３は、マイクロフォン２及びスペクトル処理器SPの間に結合されている。この実施例においても、スペクトル処理器SPは、上記信号z及びxを受け取り、信号xは参照信号すなわち雑音のみを含み、信号zは所望の信号及び雑音信号の両方を含む。斯様なビームフォーマ３の設計は、歪まされた所望の信号zが、各々の伝達関数f₁(w)及びf₂(w)を介して、それぞれマイクロフォン・アレイ信号u₁及びu₂の線形結合によって得られるようになっている。参照信号xは、それぞれのマイクロフォン・アレイ信号から、所望の信号に対して直交である部分空間へこれらの信号を投影するため、ブロック行列B（ｗ）によって導き出される。理想的には、前記行列B(w)の出力信号xは、所望の信号を含まず歪のみを含む。次に、信号z及びxが、参照信号xを用いて歪まされた所望の信号zをスペクトル的に処理するためにスペクトル処理器SPへ供給される。処理器SPからの信号qは、実質的に歪みのない出力信号である。q = G x zが成り立ち、Gは下文において説明されるゲイン関数である。

音響強調システム１は、特に例えば携帯電話等のハンズフリー通信装置のような通信システム、音声認識システム又は音声制御システムのようなシステムに含まれ得る。

スペクトル処理器SPの動作は、スペクトル処理器SPが、上述の離散フーリエ変換（DFT）によって生成される連続の周波数ビンに関する制御可能なゲイン関数として作用するように為される。このゲイン関数は、歪まされた所望の音声信号zに対して適用される一方で、信号zの位相は変化なく保たれる。音響強調の良好な性能のためには、特に入力信号に存在する歪みの推定値であるゲイン関数の型が重要である。しかし、扱われる最適化規準に依存して、様々なゲイン関数が使用され得る。この例は、含まれる信号の、スペクトルの振幅若しくはマグニチュード、二乗スペクトルマグニチュード、パワースペクトル密度又はメル尺度的平滑化スペクトル密度に基づく、スペクトル減算、ウィナーフィルタ処理、又は例えば最小平均二乗誤差（MMSE）推定若しくはlog-MMSE推定を含む。これらの技術は、１つ以上のマイクロフォン及び/又は拡声器を有する音響強調システム１に関して上文で説明される応用例と組み合わせることが可能である。

例えば下文で説明されるべきウィナーフィルタ型の場合、スペクトル処理器SPにおいて実行されるゲイン関数は、

の形をとり、ここで、P_zz,n(kB,lw₀)及びP_zz(kB,lw₀)は、入力信号zにおける歪のパワー分布及び入力信号z自身のパワー分布の推定値である。gは、歪みに適用される抑制の量を調整するように作用するいわゆるオーバー減算係数を示す。このように、トレードオフが、歪み抑制の量と処理器の出力信号の知覚品質との間に成され得る。

式（１）において、P_zz,n(kB,lw₀)は、一般的に既知ではなく、従って推定されなければならない。このため推定値

は

であるように提案され、ここで、比率項は、

ある。
ここで、

は、音声等の所望の信号のない間に測定される、歪まされた所望の信号zの歪みの時間平均スペクトルパワーであり、

は、参照信号xの時間平均スペクトルパワーである。スペクトルパワーに関するポジティブな測定として、例えば、含まれる信号の、スペクトル振幅若しくはマグニチュード、２乗スペクトルマグニチュード、パワースペクトル密度又はメル尺度的平滑化スペクトル密度が取られ得る。処理器SPにおける式（３）の実行は、音声検知器を必要とする。斯様な音声検知器が正確に機能しない場合、所望の音声は影響を受け、可聴なアーチファクトをもたらし、このことは防がれなければならない。しかしながら、車内又は工場内のような雑音のある状況における信頼度の高い音声認識は、成し遂げるのが困難な課題である。

一般的に、係数Cのための推定値として新たな係数C’を提案し、この新たな係数が実質的に所望の音声に対して影響を受けず、式（３）の比率の静的部分に焦点を当てることにより実用的に実施されることによって、ロバストなアルゴリズムは、音声検知器を必要とすることなく作成される。この概念の実用的な実施例では、係数C’は、歪まされた所望の信号zのスペクトルパワーの最小値と参照信号xのスペクトルパワーの最小値との比率によって規定され、ここで両方の最小値は、あるタイムスパンの間に決定される。係数C’は、方程式で表現され、

が成り立つ。

ｌ-L及びlタイムフレームの間のタイムスパンは、斯様な数であるL個のタイムフレームに渡るので、歪まされた所望の信号に存在する少なくとも１つの休止を含む。一般的に、所望の信号が音声信号の場合、この休止は音声休止である。このように決定された最小値は、各々信号z及びxの静的成分における、式（４）の比率として結合され、これらの最小値は歪みすなわち雑音の静的成分を表す。通常、前記タイムスパンは、少なくとも4乃至5秒間継続する。式(４)によって与えられた係数C’は、信号z及びxの静的成分に基づき決定される。音声のような非静的成分がこれらの信号に存在し、スペクトル処理器SPによって実行される操作が上記仮定に基づく場合にも、適用されることになっている。

式(４)における係数C’の分子及び分母内のスペクトルは、平滑化定数βを有する両方のそれぞれのブロックLPF1及びLPF2のおいて実行される第１次反復におけるパワースペクトルを平滑化することによって得られる。

これらブロックにおける反復実行は、乗算器X、加算器＋及び遅延行z^-1を有し、これらは、入力z及びx信号の平滑化パワースペクトル密度版を得るために示されるように結合される。例えば、z信号スペクトルは、その後平滑化規則に従う。

ここで、平滑化定数βは、０と１との間の値であると仮定する。同一の規則をx信号スペクトルに関して適用することは可能である。βの値は、如何なる所望の手段においても制御し得る。このβの値は、一般的に時間定数の50-200ミリ秒に一致する。毎回フレーム指数m、すなわちこれら平滑化された量のそれぞれは、ここで各々シフトレジスタSR1及びSR2の形で、バッファに記憶される。レジスタポジションの各々において記憶されたL個の平滑化値の内から、各々の最小値が、式(４)に従うC’の計算値を明らかにするために除数Dへ供給される。当然、分母において小さい値による除算を防ぐために、適切な対策が取られる。

所望の音声信号の平均レベルが、歪みの平均レベルと比較して高すぎである場合、LPF1及びLPF2による平均出力が所望の音声によって支配的になるという問題が生じる。これは、これらの平均レベルが、高い音声レベルの発生の後に低い歪みレベルに戻るのには長い時間が掛かり得るという事実に起因する。このことが起こる場合、C’の推定値は、依然所望の音声に影響され得、所望の音声信号の望まれない抑制を発生させ得る。この効果は、例えば、

に従い前記反復において多変数圧縮関数f_cを適用することにより低減される。同じ規則をx信号に関して適用することは可能である。前記圧縮関数は、新たな入力パワー値がフィルタLPF1及びLPF2における値に対して比較的大きい場合、反復の更新ステップを減らすために選択される。このようにして、圧縮関数は平均信号パワーへの高い所望の音声レベルの影響を低減する。適する圧縮関数の例は、

で与えられ、ここでδは正の定数である。δの値が小さいほど、反復的フィルタLPF1及びLPF2が後に続く信号値の上昇はより遅い。圧縮ブロックf_cを含む実施例は、図３に示される。何の圧縮も必要でない場合、圧縮ブロックf_cは単純に省略され得る。

上記は本質的に好ましい実施例及び最も可能性の高い形態に関して説明されているが、請求項の範囲に属する様々な改良、特徴及び特徴の組み合わせは、当業者が理解できる範囲のものであるので、これらの実施例は、関係するシステム実施例及び方法の例を限定するように決して解釈されるべきでないと理解される。

図１は、本発明による音響強調システムの基本概念図を示す。 図２は、フィルタ及び和ビームフォーマを有する本発明による音響強調システムの更なる実施例において実施される基本概念図を示す。 図３は、本発明による音響強調システムの詳細な実施例を示す。

Claims (10)

1. 音響強調システムであって、歪まされた所望の信号zを伝える信号入力と、参照信号入力と、両方の信号入力に結合され、前記所望の信号の歪みに関する推定値として作用する参照信号xを用いて前記歪まされた所望の信号を処理するためのスペクトル処理器とを有する音響強調システムにおいて、前記スペクトル処理器は前記処理のために、因数C’が決定され、その場合に前記推定値がC’及び前記参照信号のスペクトルパワーの積の関数となるように構成され、前記因数C’は前記信号z及びｘにおける時間に対して本質的に静的であるような成分間のスペクトル比として決定されることを特徴とする音響強調システム。
2. 請求項１に記載の音響強調システムにおいて、前記係数C’が、前記歪まされた所望の信号のスペクトルパワーの最小値と前記参照信号のスペクトルパワーの最小値との比率によって規定され、ここで両方の最小値は、あるタイムスパンの間に決定されることを特徴とする音響強調システム。
3. 請求項２に記載の音響強調システムにおいて、前記タイムスパンが少なくとも１つの休止を前記歪まされた所望の信号において含むことを特徴とする音響強調システム。
4. 請求項３に記載の音響強調システムにおいて、前記タイムスパンが少なくとも４乃至５秒間継続することを特徴とする音響強調システム。
5. 請求項１乃至４の何れかの一項に記載の音響強調システムにおいて、前記各々のスペクトルパワーが、スペクトルマグニチュード、二乗スペクトルマグニチュード、パワースペクトル密度又はメル尺度的平滑化スペクトル密度等の、当該スペクトルパワーのある正の関数によって規定されることを特徴とする音響強調システム。
6. 請求項１乃至５の何れかの一項に記載の音響強調システムにおいて、前記スペクトル処理器が、前記スペクトルパワーの値を記憶するためのシフトレジスタを有することを特徴とする音響強調システム。
7. 請求項１乃至６の何れかの一項に記載の音響強調システムにおいて、前記スペクトルパワーが平滑化されたスペクトルパワーであることを特徴とする音響強調システム。
8. 特に例えば携帯電話等のハンズフリー通信装置のような通信システム、音声認識システム又は音声制御システムのようなシステムであって、このシステムは、音響強調システムを具備し、当該音響強調システムが、歪まされた所望の信号zを伝える信号入力と、参照信号入力と、両方の信号入力に結合され、前記所望の信号の前記歪みに関する推定値として作用する参照信号xを用いて前記歪まされた所望の信号を処理するためのスペクトル処理器とを有するシステムにおいて、前記スペクトル処理器が前記処理のために、因数C’が決定され、この場合に前記推定値がC’及び前記参照信号のスペクトルパワーの積の関数となるように構成され、前記因数C’が前記信号z及びｘにおける時間に対して本質的に静的であるような成分間のスペクトル比として決定されることを特徴とするシステム。
9. 歪まされた所望の信号zをエンハンスする方法に関し、この信号が前記所望の信号の歪みに関する推定値として作用する参照信号xを用いてスペクトル的に処理される方法において、前記推定値が、C’と前記参照信号のスペクトルパワーとの積の関数であり、前記因数C’が前記信号z及びｘにおける時間に対して本質的に静的であるような成分間のスペクトル比として決定されることを特徴とする方法。
10. 請求項１乃至７の何れかの一項に記載の音響強調システムにおける使用に適した信号。

Images