JP2007171637A - 音声処理装置 - Google Patents

Abstract

【課題】ユーザにとって便利な音声処理装置を提供する。
【解決手段】音声処理装置１００は、ユーザが発する音声を検出し電気信号に変換する音声成分検出部１２と、音声が発せられる際に同時に人の口から出る吐息成分を検出する吐息成分検出部１３と吐息成分が検出された場合にのみ電気信号に変換された音声を有効な音声であると判定する有効音声判定部１４とを具備する。
【選択図】図１

Description

本発明は、音声処理装置に関する。

人（ユーザ）が発する音声（コマンド音声）を認識して装置の操作を行う等に用いられる音声認識装置や、声（例えばパスワード音声）を分析して発話者が誰であるかを識別する話者認識装置に使われる音声処理装置において、コマンド音声やパスワード音声をメカニカルなスイッチを押し（トリガー入力）、トリガー入力があった場合だけ音声を受け付けるようにし、周囲の雑音とコマンド音声／パスワード音声と間違えることを抑制する方式（Push To Talk方式）が用いられている。しかし、Push To Talk方式はメカニカルスイッチを操作する際に、ユーザが視線をスイッチに移す必要があるため、例えば音声処理装置がカーオーディオやカーナビゲーションシステムなどの車載機器に用いられる場合、ドライバーが視線をそらすことなる。このことは事故の危険を増大させる要因となっていた。

このような問題に鑑み、次のような提案がなされている。トリガー入力手段としてメカニカルスイッチの代わりに、特定の言葉のみを認識することができる音声操作開始判定手段を設け、コマンド音声を発話する前に指定された特定の言葉を発生することで、音声処理装置を機能状態にするというものである（例えば、特許文献１参照）。これによりユーザは視線を移動させることなく、周囲の雑音の影響を受けにくい音声処理装置を使えるようになった。
特開２０００−３２２０７８号公報

しかしながら、特許文献１に記載されたものでは、視線を移動させる必要があるという問題を回避し、手が使えない状態でもトリガー入力が可能になるという利点を有するものの、コマンド音声（パスワード音声）を発話する前に、特定の言葉を発する必要があり、ユーザにとって便利なものとは言い難いものであった。

本発明は上記事情に鑑みてなされたものであって、その目的は、特定の言葉を発する必要がない、ユーザにとって便利な音声処理装置を提供することにある。

本発明は、人が発する音声を検出し電気信号に変換する音声成分検出部と、音声が発せられる際に同時に人の口から出る吐息成分を検出する吐息成分検出部と、この吐息成分検出部によって吐息成分が検出された場合にのみ前記音声成分検出部で変換された音声を、有効な音声であると判定する有効音声判定部とを具備する音声処理装置である。

本発明によると、ユーザが特定の言葉を発する必要がない、ユーザにとって便利な音声処理装置を提供できる。

以下、本発明の各実施の形態について図面を参照して説明する。尚、本発明の音声処理装置は人が発する声を確実に検出する為のものであり、例えば話者認識装置にも有効であるが、以下の各実施の形態においては人が発するコマンド音声を認識してカーオーディオを操作するための音声認識装置に適用する音声処理装置の場合として説明する。

（第１の実施の形態）
先ず第１の実施の形態について説明する。図１は本発明の音声処理装置１００の構成を示すブロック図である。図１に示すように、音声処理装置１００は、マイクロフォン１１、音声成分検出部１２、吐息成分検出部１３、有効音声判定部１４、音声認識部１５から構成され、音声認識部１５で認識された音声コマンドがカーオーディオ２００に入力されるようになっている。

マイクロフォン１１はユーザが発したコマンド音声を電気信号に変換する。そして、コマンド音声が変換された電気信号は、音声成分検出部１２と吐息成分検出部１３とに分岐されて入力される。このコマンド音声が変換された電気信号には音声成分と吐息成分の両方が含まれている。音声成分は可聴域（数十Ｈｚから数十ＫＨｚ）の空気の振動であり、吐息成分は可聴域以下の周波数成分の振動である。従って、数十Ｈｚをカットオフ周波数として音声成分検出部１２はハイパスフィルタで構成され、吐息成分検出部（圧力変動検出部）１３はローパスフィルタで構成される。

音声成分検出部１２で検出された電気信号及び吐息成分検出部１３で検出された電気信号は共に有効音声判定部１４に入力される。有効音声判定部１４は、吐息成分と同時に入力された音声成分のみを有効音声と判定するとともに有効音声と判定された場合のみその音声信号を音声認識部１５に入力させる。

上記音声成分検出部１２、吐息成分検出部１３、有効音声判定部１４はハードウェアによってもソフトウェアによっても実現可能である。
音声成分検出部１２、吐息成分検出部１３、有効音声判定部１４をハードウェアによって実現する場合にはマイクロフォン１１から出力される電気信号を分岐して音声成分検出部１２（ハイパスフィルタ）と、吐息成分検出部１３（ローパスフィルタ）にそれぞれ入力させ、有効音声判定部１４でローパスフィルタを通過する信号が一定レベル以上の振幅を有する場合にのみハイパスフィルタを通過した信号をＡ／Ｄ変換器（図示しない。）によってデジタル信号に変換させた後、その変換されたデジタル信号を音声認識部１５に入力させる。

音声認識部１５は、ソフトウェアモジュールによって実現することができる。音声認識部１５では、有効音声判定部１４からＡ／Ｄ変換器（図示しない。）を介して出力されたデジタル信号に基づいて、音声がカーオーディオ２００の操作のために予め登録されているコマンド音声であるか否を判断し、コマンド音声である場合には、カーオーディオ２００の電源操作ためのコマンド信号をカーオーディオ２００に出力する。これにより、カーオーディオ２００の操作が実施できるようになる。

一方、音声成分検出部１２、吐息成分検出部１３、有効音声判定部１４をソフトウェアで構成する場合はマイクロフォン１１からの出力信号をＡ／Ｄ変換器（図示しない。）によってＡ／Ｄ変換を行った後、デジタル演算部（例えば、ＰＣ）に入力して、ソフトウェア的にハイパスフィルタ処理、ローパスフィルタ処理、有効音声判定処理を行うように構成する。

続いて、ソフトウェアで音声成分検出部１２、吐息成分検出部１３、有効音声判定部１４を構成する場合の処理を、図２を参照して説明する。
待機状態は常にマイクロフォン１１から音声の入力を受け付ける状態である。即ち、ユーザが発するコマンド音声や周囲の雑音等全ての音声はマイクロフォン１１に入力される。マイクロフォン１１から出力されるアナログ電気信号はＰＣに接続されたＡ／Ｄ変換器（図示しない。）によってデジタル音声信号に変換され、ＰＣに入力される（ＳＴ１１）。

続いて、ＰＣにより、入力されたデジタル音声信号から例えば所定の閾値を越える振幅を含む信号区間を音声区間とみなす等の方法で音声区間の抽出が行われる（ＳＴ１２）。その後、抽出された音声区間に対し、フィルタ処理、具体的にはローパスフィルタ処理、ハイパスフィルタ処理が行われる（ＳＴ１３）。ローパスフィルタ処理はＦＦＴ（Fast Fourier Transformation）で周波数成分分解した後、閾値以下の成分のみを取り出す等の公知の方法で実現できる。尚、このローパスフィルタ処理の閾値は音声成分に影響を与えず、吐息成分を確実に検出できる１０Ｈｚ程度が適当である。また、抽出された音声区間に対してハイパスフィルタ処理も行われる。吐息成分は音声認識を行う際にノイズとして悪影響を与えるものであるから、後述する音声認識処理を行う際には吐息成分（即ち閾値以下の低周波成分）が含まれていないほうが望ましい。そのためステップＳＴ１２で抽出された音声区間に対して低周波成分を取り除くハイパスフィルタ処理が行われる。なお、ハイパスフィルタ処理で用いる閾値は、例えば１０Ｈｚ程度を用いる。

続いて、ローパスフィルタ処理されたデジタル音声信号に対し、低周波成分が所定の大きさ以上であるかどうかで、抽出した音声区間の音声信号に吐息成分が含まれるか否かが判定される（ＳＴ１４）。吐息成分が含まれていないと判断された場合は（ＳＴ１４でＮＯ）、周辺の機械ノイズかユーザ以外の人の声と判断できるので処理はステップＳＴ１１へ戻り、音声認識処理が行われない。一方、吐息成分が含まれていると判定された場合は（ＳＴ１４でＹＥＳ）、マイクロフォン１１の近傍でユーザから発話された音声とみなすことができる。したがって、吐息成分が含まれていると判定された場合のみ音声認識処理（ソフトウェアモジュール）で、ステップＳＴ１３でハイパスフィルタ処理されたデジタル音声信号に対して音声認識処理が行われる（ＳＴ１５）。このようにハイパスフィルタ処理を行った音声成分に対して音声認識処理を行うことにより、音声認識処理でのコマンド音声の認識性能を向上させることができる。

そして、音声認識処理によって認識された音声がカーオーディオ２００の操作のために予め登録されているコマンド音声であるか否かが判断される（ＳＴ１６）。コマンド音声でないと判断されると（ＳＴ１６でＮＯ）、処理はステップＳＴ１１へ戻り、再びコマンド音声の入力待ちの待機状態となる。一方、コマンド音声であると判断されると（ＳＴ１６でＹＥＳ）、カーオーディオ２００の電源操作ためのコマンド信号が出力される（ＳＴ１７）。これにより、カーオーディオ２００の操作が実施できるようになる。

この第１の実施の形態の音声処理装置１００は、吐息成分が検出された場合にのみ、所定の閾値でハイパスフィルタ処理された音声信号に対して音声認識を行うようにしている。マイクロフォン１１にはコマンド音声以外にも様々な雑音が入力されるが、このうち定常的な雑音は例えばスペクトルサブトラクション法など公知の手法でその影響を少なくすることが可能である。しかし、非定常的な雑音、特にユーザの後方で発せられるコマンド音声以外の人の声は信号処理的方法では分離が難しい。一方、マイクロフォン１１の遠方からの発声は吐息成分を含んでいないとみなすことができ、また、カーオーディオ２００を操作するユーザはマイクロフォン１１近傍にいると仮定できるため（あるいは音声コマンドによる操作を行う場合はマイクロフォン１１近傍で発話するように仕様として定めることで）、コマンド音声には吐息成分が含まれているとみなすことが可能となる。したがって、図１で示す構成のように、吐息成分が検出された場合にのみ音声認識処理を行うことによりマイクロフォン１１に入力された音声がコマンド音声であるか、雑音音声であるかを確実に分離することができる。

すなわち、音声処理装置１００は、マイクロフォン１１近傍にて発声されたユーザのコマンド音声（カーオーディオ２００を操作するために発話された言葉）と他人の声を含む周辺のノイズを確実に分離できるようになり、音声認識部１５による音声認識処理の精度を向上させることができ、カーオーディオ２００の操作を確実に行えるようになる。

（第２の実施の形態）
次に、第２の実施の形態について述べる。尚、前述した第１の実施の形態と同一の部分には同一の符号を付し詳細な説明は省略する。この第２の実施の形態の音声処理装置１０１は、マイクロフォン１１、音声成分検出部１２、吐息成分検出部１３に代えて音声入力を行うための通常のマイクロフォン１６、吐息成分を検出するための低周波マイクロフォン１７を設けたものである。図３は、第２の実施の形態における音声処理装置１０１の構成を示す図である。

図３に示すように、音声処理装置１０１は、音声入力を行うための通常のマイクロフォン１６、吐息成分を検出するための低周波マイクロフォン（圧力変動検出部）１７、有効音声判定部１４、音声認識部１５から構成される。なお、通常のマイクロフォン１６と低周波マイクロフォン１７は設置の利便性等を考慮すると同一の筐体内に収容することが望ましい。

ユーザが発するコマンド音声は通常のマイクロフォン１６と１０Ｈｚ以下の低周波域にも高い感度を持つ低周波マイクロフォン（例えばプリモ社のＥＭ１５６Ｔ）１７の両方に入力される。低周波マイクロフォン１７は可聴域にも感度を有しているのでローパスフィルタ処理により可聴域以下の成分（吐息成分）を抽出する。このように抽出された吐息成分は低周波に高感度を持つマイクロフォンを使用しているため、第１の実施の形態の場合よりも大きな振幅の吐息成分の信号が得られ、吐息成分をより正確に捉えることが可能となる。したがって、ユーザが低周波マイクロフォン１７から若干離れていても吐息成分を検出することが可能となる。このように低周波マイクロフォン１７で抽出された吐息成分の有無を利用して有効音声判定部１４は第１の実施の形態と同様に有効音声判定を行う。

このように吐息成分を低周波マイクロフォン１７により抽出するように構成すると、第１の実施の形態と同様な効果を奏することができるとともに、第１の実施の形態と比較して吐息成分をより正確にさらに遠方から捉えることができる。

（第３の実施の形態）
次に、第３の実施の形態について述べる。尚、前述した第１の実施の形態と同一の部分には同一の符号を付し詳細な説明は省略する。この第３の実施の形態の音声処理装置１０２は、マイクロフォン１１、音声成分検出部１２、吐息成分検出部１３に代えて音声入力を行うための通常のマイクロフォン１６、吐息成分を検出するための温度センサ１８を設けたものである。図４は、第３の実施の形態における音声処理装置１０２の構成を示す図である。

図４に示すように、音声処理装置１０２は、音声入力を行うための通常のマイクロフォン１６、例えばサーミスタで構成される温度センサ１８、有効音声判定部１４、音声認識部１５から構成される。

吐息成分の検出は上述した所定の閾値を設けた吐息成分検出部１３のローパスフィルタ処理や低周波マイクロフォン１７による低周波の圧力変動を捉える方法以外に、温度変化を捉える方法でも可能である。すなわち、温度センサ１８は、温度センサ１８近傍でユーザが発話した場合に生じる空気中の温度変化を検出する。

有効音声判定部１４は、温度センサ１８からの出力が予め設定したある閾値以上に上がった場合にのみ通常のマイクロフォン１６から入力された音声信号を有効であると判定する。これにより、温度センサ１８の近傍にいるユーザが発話した音声であることを判定することができる。このように温度センサ１８の近傍にいるユーザが発声した吐息を検出することで、音声処理装置１０２の近傍にいるユーザが発話したコマンド音声か、その他の雑音音声かの判別が可能となる。

このように吐息成分を温度センサ１８により検出するように構成しても、第１の実施の形態と同様な効果を奏することができる。

以上の構成及び作用を有する各実施の形態の音声処理装置１００，１０１，１０２により、吐息成分を、可聴域以下の低周波の圧力変動を吐息成分検出部１３，低周波マイクロフォン１７により検出すること又は温度変化を温度センサ１８により検出することで、ユーザの発話した音声コマンドを遠方から発話された雑音音声と区別することが可能になる。したがって、ユーザは、「メカニカルスイッチを押す」、「事前に特定の発話を行う」等をすることなく確実に音声コマンド等を音声処理装置１００，１０１，１０２に認識させることが可能となる。

また、第１の実施の形態において音声処理装置１００はマイクロフォン１１、音声成分検出部１２、吐息成分検出部１３、有効音声判定部１４及び音声認識部１５、第２の実施の形態において音声処理装置１０１は通常のマイクロフォン１６、低周波マイクロフォン１７、有効音声判定部１４及び音声認識部１５、第３の実施の形態において音声処理装置１０２は通常のマイクロフォン１６、温度センサ１８、有効音声判定部１４及び音声認識部１５から構成される場合で説明しているが、各実施の形態において音声処理装置１００，１０１，１０２の構成から音声認識部１５を除外し、検出した音声に吐息成分が含まれている場合にのみ有効音声判定部１４から音声信号を出力する音声処理装置としても本発明を実現することができる。

図５に示す音声処理装置１０３のように音声認識部１５を構成から外すとともに吐息成分検出部１３や有効音声判定部１４を一体にすることで、既存の音声認識装置に接続でき、有効な音声（即ち雑音ではないコマンド音声）のみを出力できるマイクロフォン（音声処理装置）として利用することが可能となる。

また、音声認識部１５に換えて話者認識部を組み込んでも良い。

尚、本発明は、上述した実施の形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できるものである。

また、本発明を利用した音声処理装置からコマンドを受取る装置はカーオーディオに限らず、オーディオをはじめ各種装置であってもよい。

本発明の第１の実施の形態における音声処理装置の構成を概略的に示す図。 同実施の形態における音声処理の要部を示すフローチャート。 本発明の第２の実施の形態における音声処理装置の構成を概略的に示す図。 本発明の第３の実施の形態における音声処理装置の構成を概略的に示す図。 各実施の形態における音声処理装置の他の構成例を説明するための図。

符号の説明

１１…マイクロフォン，１２…音声成分検出部，１３…吐息成分検出部，１４…有効音声判定部，１５…音声認識部，１６…通常のマイクロフォン，１７…低周波マイクロフォン，１８…温度センサ，１００，１０１，１０２，１０３…音声処理装置，２００…カーオーディオ

Claims (4)

1. 人が発する音声を検出し電気信号に変換する音声成分検出部と、
   音声が発せられる際に同時に人の口から出る吐息成分を検出する吐息成分検出部と、
   この吐息成分検出部によって吐息成分が検出された場合にのみ前記音声成分検出部で変換された音声を有効な音声であると判定する有効音声判定部と
   を具備することを特徴とする音声処理装置。
2. 前記吐息成分検出部は音声信号可聴域以下の圧力変動を検出する圧力変動検出部であることを特徴とする請求項１記載の音声処理装置。
3. 前記吐息成分検出部は温度センサであることを特徴とする請求項１記載の音声処理装置。
4. 前記有効音声判定部で有効な音声と判定された場合にのみ、前記音声成分検出部で検出し変換された電気信号を出力することを特徴とする請求項１記載の音声処理装置。

Images