JP2008076975A - 音信号補正方法、音信号補正装置及びコンピュータプログラム - Google Patents

Abstract

【課題】定常雑音等の雑音が発生している環境下において取得した雑音及び音声を含む音信号に対し、雑音の認識精度を向上させることにより、音声認識率を向上させ、またウオッタリノイズ等の不自然な雑音を発生させることがない音信号補正方法、音信号補正装置及びコンピュータプログラムを提供する。
【解決手段】音信号補正装置１は、取得した音信号をＦＦＴ処理して位相スペクトル及び振幅スペクトルに変換し（ステップＳ４）、得られた音信号の振幅スペクトルを、雑音モデルと比較して、音信号の振幅スペクトルの補正に用いる補正係数を導出し（ステップＳ５）、導出した補正係数を用いて音信号の振幅スペクトルの波形を平滑化し（ステップＳ６）、位相スペクトル及び平滑化した振幅スペクトルを逆ＦＦＴ処理することにより、振幅スペクトルが補正された音信号に変換する（ステップＳ７）。
【選択図】図２

Description

本発明は、取得した音に基づく音信号を、雑音の照合用信号パターンに係る雑音モデルに基づいて補正する音信号補正方法、該音信号補正方法を適用した音信号補正装置、及び該音信号補正装置を実現するコンピュータプログラムに関し、特に取得した音に対する音声認識率を向上させる音信号補正方法、音信号補正装置及びコンピュータプログラムに関する。

カーナビゲーション装置等の音声認識装置における音声認識率の向上、電話機の送話品質の向上等の音声に関する装置の品質向上を目的として、雑音環境において取得した音から雑音成分を抑制する雑音抑制技術が用いられている。

図８は、従来の雑音抑制技術を概念的に示す説明図である。従来の雑音抑制技術では、雑音、音声等の音を取得し、取得した音に基づくフレーム単位の音信号を入力信号ｉｎ（ｎ）としてＦＦＴ（高速フーリエ変換:Fast Fourier Transformation）にて位相スペクトルｔａｎ^-1ＩＮ（ｆ）及び振幅スペクトル｜ＩＮ（ｆ）｜に変換する。そして音信号の振幅スペクトル｜ＩＮ（ｆ）｜との類似度が高い雑音モデルに基づいて、定常雑音の振幅スペクトル｜Ｎ（ｆ）｜を推測し、音信号の振幅スペクトル｜ＩＮ（ｆ）｜から推測した定常雑音の振幅スペクトル｜Ｎ（ｆ）｜を減算する。そして定常雑音の振幅スペクトル｜Ｎ（ｆ）｜を減算した音信号の振幅スペクトル｜ＩＮ（ｆ）｜と、位相スペクトルｔａｎ^-1ＩＮ（ｆ）とを逆ＦＦＴにて変換することでフレーム単位の出力信号ｏｕｔ（ｎ）を導出する。導出された出力信号は、雑音が抑制された音信号として、音声認識等の処理に用いられる。

図９は、従来の雑音抑制技術に係る振幅スペクトルを示す図である。図９（ａ）は、音信号の振幅スペクトル｜ＩＮ（ｆ）｜に関する周波数及び振幅の値の関係を示し、図９（ｂ）は、定常雑音の振幅スペクトル｜Ｎ（ｆ）｜を減算した音信号の振幅スペクトル｜ＩＮ（ｆ）｜に関する周波数及び振幅の値の関係を示している。図９（ａ）及び図９（ｂ）を比較すると明らかな様に、図９（ｂ）に示す波形は、入力信号の振幅スペクトル｜ＩＮ（ｆ）｜から推測した定常雑音の振幅スペクトル｜Ｎ（ｆ）｜が減算されており、これにより雑音が抑制されている。この様な雑音抑制技術は、スペクトルサブトラクションと呼ばれており、スペクトルサブトラクションを用いた雑音抑制技術は、例えば特許文献１に開示されている。
特開平７−１９３５４８号公報

しかしながら雑音には、時間変化する非定常成分が含まれているため、特許文献１に記載されている様なスペクトルサブトラクションを用いた雑音抑制技術では非定常成分が残留する。例えば図９に示した波形は、雑音のみからなる入力信号に係る波形であるが、定常雑音を抑制後、図９（ｂ）に示す様な非定常性が強い雑音が残留している。この様に残留した雑音は、不自然な雑音であるため、音声認識用音響モデルに含まれる雑音モデルとの整合性が低く、雑音としての認識精度が低下するという問題がある。具体的には、残留した雑音を、「ｓ」、「ｎ」等のスペクトルパワーが比較的小さい音素と認識するという様な誤りに繋がる。従って雑音の抑制が音声認識率の向上に繋がらず、逆に音声認識率の低下を招くという問題を生じさせる。またウオッタリノイズ等の不自然な雑音を発生させるという問題がある。

本発明は斯かる事情に鑑みてなされたものであり、音信号を雑音モデルと比較し、比較した結果に基づいて音信号の波形を平滑化することにより、不自然な雑音の残留を防止して雑音としての認識精度を向上させ、音声認識率を向上させることが可能であり、しかもウオッタリノイズの発生を防止する音信号補正方法、該音信号補正方法を適用した音信号補正装置、及び該音信号補正装置を実現するコンピュータプログラムの提供を目的とする。

第１発明に係る音信号補正方法は、取得した音に基づく音信号を、雑音の照合用信号パターンに係る雑音モデルに基づいて補正する音信号補正方法であって、音信号を雑音モデルと比較し、比較した結果に基づいて音信号の波形を平滑化することを特徴とする。

第２発明に係る音信号補正装置は、取得した音に基づく音信号を、雑音の照合用信号パターンに係る雑音モデルに基づいて補正する音信号補正装置であって、音信号を雑音モデルと比較する手段と、比較した結果に基づいて音信号の波形を平滑化する手段とを備えることを特徴とする。

第３発明に係る音信号補正装置は、取得した音に基づく音信号のスペクトルを、雑音の照合用信号パターンのスペクトルに係る雑音モデルに基づいて補正する音信号補正装置であって、音信号のスペクトルを雑音モデルと比較して、音信号の補正に用いる補正係数を導出する導出手段と、導出した補正係数を用いて音信号の波形を平滑化する平滑化手段とを備えることを特徴とする。

第４発明に係る音信号補正装置は、第３発明において、前記導出手段は、音信号のスペクトルに係る強度と、雑音モデルに基づいて決定される閾値との差の程度に応じた補正係数を導出する様に構成してあることを特徴とする。

第５発明に係る音信号補正装置は、第３発明又は第４発明において、前記平滑化手段は、音信号のスペクトルの周波数軸方向の変化を平滑化する様に構成してあることを特徴とする。

第６発明に係る音信号補正装置は、第５発明において、前記平滑化手段は、下記式（Ａ）に基づいて平滑化する様に構成してあることを特徴とする。
｜ＩＮ（ｆ）’｜＝α｜ＩＮ（ｆ−１）’｜＋（１−α）｜ＩＮ（ｆ）｜ …式（Ａ）
但し、｜ＩＮ（ｆ）’｜：周波数ｆに対する平滑化後のスペクトル
｜ＩＮ（ｆ）｜：周波数ｆに対する平滑化前のスペクトル
｜ＩＮ（ｆ−１）’｜：周波数ｆとの差が所定の周波数間隔である周波数ｆ−１に対する平滑化後のスペクトル
α：０≦α≦１である補正係数

第７発明に係る音信号補正装置は、第３発明又は第４発明において、前記平滑化手段は、音信号のスペクトルの時間軸方向の変化を平滑化する様に構成してあることを特徴とする。

第８発明に係る音信号補正装置は、第７発明において、前記平滑化手段は、下記式（Ｂ）に基づいて平滑化する様に構成してあることを特徴とする。
｜ＩＮ（ｆ）’｜t ＝α｜ＩＮ（ｆ）’｜t-1 ＋（１−α）｜ＩＮ（ｆ）｜t …式（Ｂ）
但し、｜ＩＮ（ｆ）’｜t ：時刻ｔにおける周波数ｆに対する平滑化後のスペクトル
｜ＩＮ（ｆ）｜t ：時刻ｔにおける周波数ｆに対する平滑化前のスペクトル
｜ＩＮ（ｆ）’｜t-1 ：時刻ｔより所定時間前の時刻ｔ−１における周波数ｆに対する平滑化後のスペクトル
α：０≦α≦１である補正係数

第９発明に係る音信号補正装置は、第２発明乃至第８発明のいずれかにおいて、平滑化後の音信号に基づいて、音声認識処理を実行する手段を更に備えることを特徴とする。

第１０発明に係るコンピュータプログラムは、コンピュータに、取得した音に基づく音信号を、雑音の照合用信号パターンに係る雑音モデルに基づいて補正する音信号補正装置であって、コンピュータに、音信号を雑音モデルと比較させる手順と、コンピュータに、比較した結果に基づいて音信号の波形を平滑化させる手順とを実行させることを特徴とする。

本発明では、音信号を雑音モデルと比較し、比較した結果に基づいて音信号の波形を平滑化することにより、非定常性が強い雑音の顕在化を抑制し、雑音モデルとの整合性が高い定常雑音の波形に補正することができるので、雑音としての認識精度を向上させることが可能であり、従って例えば音声認識装置に適用した場合には、音声認識率を向上させることが可能である。また電話通信に係る装置に用いた場合には、ウオッタリノイズ等の不自然な雑音の発生を抑制することが可能である。

しかも本発明では、雑音モデルとの比較結果に応じて補正係数を変更することにより、音声等の雑音とは異なる強度のスペクトルが含まれる場合には、平滑化の程度が低くなるので、音声に基づくピークを平滑化してしまうことを抑制し、音声認識率を向上させることが可能である。

本発明に係る音信号補正方法、音信号補正装置及びコンピュータプログラムは、取得した音に基づく音信号を、雑音の信号パターンに係る雑音モデルと比較し、比較した結果に基づいて音信号の波形の周波数軸方向の変化及び／又は時間軸方向の変化を平滑化する。

この構成により、本発明では、非定常性が強い雑音の顕在化を抑制し、雑音モデルとの整合性が高い定常雑音の波形に補正することができるので、雑音としての認識精度を向上させることが可能である等、優れた効果を奏する。従って例えば音声認識装置に適用した場合には、音声認識率を向上させることが可能であり、また電話通信に係る装置に用いた場合には、ウオッタリノイズ等の不自然な雑音の発生を抑制することが可能である等、優れた効果を奏する。

また本発明の音信号補正装置等は、音信号を雑音モデルと比較して、音信号のスペクトルに係る強度と、雑音モデルに基づいて決定される閾値との差の程度に応じて、音信号の補正に用いる補正係数を導出し、導出した補正係数を用いて音信号の波形を平滑化する。

この構成により、本発明では、音声等の雑音とは異なる強度のスペクトルが含まれる場合には、平滑化の程度が低くなるので、音声に基づくピークを平滑化してしまうことを抑制し、音声認識率を向上させることが可能である等、優れた効果を奏する。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。図１は、本発明の音信号補正装置の構成を示すブロック図である。図１中１は、例えば車両に搭載されるナビゲーション装置等のコンピュータを用いた音信号補正装置であり、音信号補正装置１は、装置全体を制御するＣＰＵ(Central Processing Unit) 、ＤＳＰ(Digital Signal Processor)等の制御手段１０と、プログラム及びデータ等の各種情報を記録するハードディスク、ＲＯＭ等の記録手段１１と、一時的に発生するデータを記憶するＲＡＭ等の記憶手段１２と、外部から音を取得するマイクロホン等の音取得手段１３と、音を出力するスピーカ等の音出力手段１４と、液晶モニタ等の表示手段１５と、目的地までの経路指示等のナビゲーションに係る処理を実行するナビゲーション手段１６とを備えている。

記録手段１１には、本発明のコンピュータプログラム１１ａが記録されており、記録されているコンピュータプログラム１１ａに含まれる各種手順を記憶手段１２に記憶して制御手段１０の制御にて実行することにより、コンピュータは、本発明の音信号補正装置１として動作する。

また記録手段１１の記録領域の一部は、音声認識に要する照合用信号パターンに係る音響モデル及び雑音モデルを記録している音声認識用音響モデルデータベース（音声認識用音響モデルＤＢ）１１ｂ、音響モデルに対応する音素又は音節定義で表記された認識語彙及び文法を記録している認識辞書１１ｃ等の各種データベースとして用いられている。

記憶手段１２の記憶領域の一部は、音取得手段１３が受け付けたアナログ信号である音を所定の周期で標本化（サンプリング）してデジタル化した音信号を記憶する音信号バッファ１２ａ、及び音信号を所定の時間長に区分したフレームを記憶するフレームバッファ１２ｂとして用いられる。

ナビゲーション手段１６は、ＧＰＳ(Global Positioning System) 等の位置検出機構と、地図情報を記録するＤＶＤ(Digital Versatile Disk)、ハードディスク等の記録媒体とを有し、現在地からの目的地までの経路探索、経路指示等のナビゲーション処理を実行し、地図及び経路を表示手段１５に表示し、音声による案内を音出力手段１４から出力する。

なお図１に示した構成例はあくまでも一例であり、様々な形態に展開することが可能である。例えば音声認識に係る機能を一又は複数のＶＬＳＩチップとして構成し、ナビゲーション装置に組み込むことも可能であり、音声認識用の専用装置をナビゲーション装置に外付けすることも可能である。また制御手段１０を音声認識及びナビゲーションの双方の処理で共用する様にしても、夫々専用の回路を設ける様にしても良く、更には音声認識に関する特定の演算、例えばＦＦＴ（高速フーリエ変換:Fast Fourier Transformation）等の処理を実行するコプロセッサを制御手段１０に組み込んでも良い。また音信号バッファ１２ａを音取得手段１３の付属回路とし、フレームバッファ１２ｂを制御手段１０が備えるメモリ上に構成する様にしても良い。さらに本発明の音信号補正装置１は、ナビゲーション装置等の車載装置に限らず、送話時に雑音を抑制する電話通信の送話装置、更には中継装置、受話装置等の様々な用途の装置に用いることが可能である。

次に本発明の音信号補正装置１の処理について説明する。図２は、本発明の音信号補正装置１の処理を示すフローチャートである。音信号補正装置１は、コンピュータプログラム１１ａを実行する制御手段１０の制御により、音取得手段１３にて外部の音を取得し（ステップＳ１）、アナログ信号として受け付けた音を所定の周期で標本化してデジタル化した音信号を音信号バッファ１２ａに記憶する（ステップＳ２）。ステップＳ１にて取得する外部の音とは、人が発声する音声、定常雑音、非定常雑音等の様々な音が重畳した音である。人が発声する音声は、音響モデルとの照合により認識の対象となる音声である。定常雑音は、ロードノイズ、エンジン音等の雑音であり、雑音モデルとの照合により本発明が補正の対象としている音である。非定常雑音は、非定常的に発生する雑音であり、様々な除去方法が提案及び確立されている。

そして音信号補正装置１は、制御手段１０の制御により、音信号バッファ１２ａに記憶した音信号から所定長のフレームを生成する（ステップＳ３）。ステップＳ３では、音信号を、例えば２０ｍｓ〜３０ｍｓの所定長の単位でフレーム化する。なお各フレームは、１０ｍｓ〜１５ｍｓずつオーバーラップしている。そして各フレームに対しては、ハミング窓、ハニング窓等の窓関数、高域強調フィルタによるフィルタリング等の音声認識の分野で一般的なフレーム処理が施される。この様にして生成された各フレームに対し、以降の処理が行われる。

音信号補正装置１は、制御手段１０の制御により、フレーム単位の音信号をＦＦＴ処理して位相スペクトル及び振幅スペクトルに変換し（ステップＳ４）、得られた音信号の振幅スペクトルを、定常雑音の振幅スペクトルなどを基にした雑音モデルと比較して、音信号の振幅スペクトルの補正に用いる補正係数を導出する（ステップＳ５）。ステップＳ５において、比較の対象となる雑音モデルとしては、例えば定常雑音の振幅スペクトルの平均値が用いられる。またステップＳ５において、音信号の振幅スペクトルと雑音モデルとの比較は、音信号の振幅スペクトルのピーク値、ピークの積分値、ピークの二乗値等の強度を、雑音モデルに基づいて決定される閾値と比較することにより行われ、音信号の振幅スペクトルに係る強度と、閾値との差の程度に応じた補正係数が導出される。

そして音信号補正装置１は、導出した補正係数を用いて音信号の振幅スペクトルの波形を平滑化し（ステップＳ６）、位相スペクトル及び平滑化した振幅スペクトルを逆ＦＦＴ処理することにより、振幅スペクトルが補正されたフレーム単位の音信号に変換する（ステップＳ７）。ステップＳ６では、振幅スペクトルの周波数軸方向の変化及び／又は時間軸方向の変化を平滑化する。

そして音信号補正装置１は、制御手段１０の制御により、ステップＳ７で変換した音信号の出力の音声認識処理を行う（ステップＳ８）。また音声のスペクトルを用いた音声認識処理の場合、ステップＳ７を行わずに、ステップＳ６の結果で認識を行うことができる。

図２を用いて説明した本発明の音信号補正装置１のステップＳ４〜Ｓ７の処理を更に詳述する。図３は、本発明の音信号補正装置１の補正処理を概念的に示す説明図である。なお図３において、ｎはＦＦＴ処理した音信号のフレーム番号を示し、ｆは周波数を示す。本発明の音信号補正装置１では、取得した雑音、音声等の音を含むフレーム単位の音信号を入力信号ｉｎ（ｎ）としてＦＦＴ処理にて位相スペクトルｔａｎ^-1ＩＮ（ｆ）及び振幅スペクトル｜ＩＮ（ｆ）｜に変換する。そして音信号の振幅スペクトル｜ＩＮ（ｆ）｜との類似度が高い雑音モデルに基づいて、定常雑音の振幅スペクトル｜Ｎ（ｆ）｜を推測し、推測した定常雑音の振幅スペクトル｜Ｎ（ｆ）｜と音信号の振幅スペクトル｜ＩＮ（ｆ）｜との比較結果に基づいて補正係数αを導出する。そして導出した補正係数αを用いて音信号の振幅スペクトル｜ＩＮ（ｆ）｜の波形を平滑化する。そして補正係数αを用いて平滑化した振幅スペクトル｜ＩＮ（ｆ）｜と、位相スペクトルｔａｎ^-1ＩＮ（ｆ）とを逆ＦＦＴ（ＩＦＦＴ）処理することでフレーム単位の出力信号ｏｕｔ（ｎ）に変換する。

図４は、本発明の音信号補正装置１に係る音信号の振幅スペクトルを示す図である。図４（ａ）は、振幅スペクトル｜ＩＮ（ｆ）｜に関する周波数及びスペクトルパワーの関係を示し、図４（ｂ）は、波形を平滑化した振幅スペクトル｜ＩＮ（ｆ）｜に関する周波数及び振幅の値の関係を示している。図４は、雑音のみからなる音信号に基づく波形を示しており、図４（ａ）に示す振幅スペクトルを図４（ｂ）に示す様に平滑化することにより、振幅スペクトルの波形は、非定常性が強い雑音成分が抑制されて定常雑音としての典型となる波形、即ち雑音モデルとの類似性が高い波形に補正される。従って音声認識等の以降の処理において、定常雑音として除去することが容易であり、音声認識率を向上させることができる。

図５は、本発明の音信号補正装置１の平滑化処理を模式的に示す制御フロー図である。図５は、音信号の振幅スペクトル｜ＩＮ（ｆ）｜の周波数軸方向の平滑化処理を示しており、下記の式１として示される巡回型フィルタと等価である。

｜ＩＮ（ｆ）’｜n ＝α｜ＩＮ（ｆ−１）’｜n ＋（１−α）｜ＩＮ（ｆ）｜n …式１
但し、｜ＩＮ（ｆ）’｜n ：ｎ番目のフレームに係る周波数ｆに対する平滑化後の振幅スペクトル
｜ＩＮ（ｆ）｜n ：ｎ番目のフレームに係る周波数ｆに対する平滑化前の振幅スペクトル
｜ＩＮ（ｆ−１）’｜n ：ｎ番目のフレームに係る周波数ｆとの差が所定の周波数である周波数ｆ−１に対する平滑化後のスペクトル
α：０≦α≦１である補正係数

式１において、ｆ−１は、周波数ｆとの差が所定の周波数間隔である周波数、具体的には離散値である周波数に変換した振幅スペクトルにおいて周波数ｆと相隣る周波数であり、周波数ｆと周波数ｆ−１との差である所定の周波数間隔とは、離散値としての周波数の間隔を示している。図５及び式１として示す様に、本発明の音信号補正装置１は、音信号の振幅スペクトル｜ＩＮ（ｆ）｜n に対して増幅器１ａにより１−αを乗じたスペクトル（１−α）｜ＩＮ（ｆ）｜n と、相隣る周波数ｆ−１の平滑化後の振幅スペクトル｜ＩＮ（ｆ−１）｜n をシフト器１ｂにより所定の周波数間隔分シフトさせて、増幅器１ｃによりαを乗じたスペクトルα｜ＩＮ（ｆ−１）’｜n とを加算器１ｄにより加算する処理を繰り返すことで周波数軸方向の平滑化を行う。

図５及び式１から明らかな様に補正係数αが０に近付く程、平滑化後の振幅スペクトル｜ＩＮ（ｆ）’｜n は、平滑化前の振幅スペクトル｜ＩＮ（ｆ）｜n に近い波形となり、補正係数αが０の場合、平滑化後の振幅スペクトル｜ＩＮ（ｆ）’｜n は、平滑化前の振幅スペクトル｜ＩＮ（ｆ）｜n と一致する。また補正係数αが１に近付く程、平滑化後の振幅スペクトル｜ＩＮ（ｆ）’｜n は平滑化され、補正係数αが１の場合、平滑化後の振幅スペクトル｜ＩＮ（ｆ）’｜n は周波数軸方向の変化がない一定の値をとる。

図６は、本発明の音信号補正装置１の平滑化処理を模式的に示す制御フロー図である。図６は、音信号の振幅スペクトル｜ＩＮ（ｆ）｜の周波数軸方向の平滑化処理を示しており、下記の式２として示される巡回型フィルタと等価である。

｜ＩＮ（ｆ）’｜n ＝α｜ＩＮ（ｆ）’｜n-1 ＋（１−α）｜ＩＮ（ｆ）｜n …式２
但し、｜ＩＮ（ｆ）’｜n ：ｎ番目のフレームに係る周波数ｆに対する平滑化後の振幅スペクトル
｜ＩＮ（ｆ）｜n ：ｎ番目のフレームに係る周波数ｆに対する平滑化前の振幅スペクトル
｜ＩＮ（ｆ）’｜n-1 ：ｎ−１番目のフレームに係る周波数ｆに対する平滑化後のスペクトル
α：０≦α≦１である補正係数

図６及び式２として示す様に、本発明の音信号補正装置１は、音信号のｎ番目のフレームに係る振幅スペクトル｜ＩＮ（ｆ）｜n に対して増幅器１ａにより１−αを乗じたスペクトル（１−α）｜ＩＮ（ｆ）｜n と、直前のフレームであるｎ−１番目のフレームに係る平滑化後の振幅スペクトル｜ＩＮ（ｆ）｜n-1 を遅延器１ｅによりフレーム間隔に相当する所定の時間分保持し、増幅器１ｃによりαを乗じたスペクトルα｜ＩＮ（ｆ）’｜n-1 とを加算器１ｄにより加算する処理を繰り返すことで時間軸方向の平滑化を行う。

図６及び式２から明らかな様に補正係数αが０に近付く程、平滑化後の振幅スペクトル｜ＩＮ（ｆ）’｜n は、平滑化前の振幅スペクトル｜ＩＮ（ｆ）｜n に近い波形となり、補正係数αが０の場合、平滑化後の振幅スペクトル｜ＩＮ（ｆ）’｜n は、平滑化前の振幅スペクトル｜ＩＮ（ｆ）｜n と一致する。また補正係数αが１に近付く程、平滑化後の振幅スペクトル｜ＩＮ（ｆ）’｜n は平滑化され、補正係数αが１の場合、平滑化後の振幅スペクトル｜ＩＮ（ｆ）’｜n は時間軸方向の変化がない一定の値をとる。

なおフレームは、所定の時間間隔で区分した音信号に基づいて生成されているので、式２は、下記の式３として示される巡回型フィルタと同等である。

｜ＩＮ（ｆ）’｜t ＝α｜ＩＮ（ｆ）’｜t-1 ＋（１−α）｜ＩＮ（ｆ）｜t …式３
但し、｜ＩＮ（ｆ）’｜t ：時刻ｔにおける周波数ｆに対する平滑化後の振幅スペクトル
｜ＩＮ（ｆ）｜t ：時刻ｔにおける周波数ｆに対する平滑化前の振幅スペクトル
｜ＩＮ（ｆ）’｜t-1 ：時刻ｔより所定時間前の時刻ｔ−１における周波数ｆに対する平滑化後の振幅スペクトル
α：０≦α≦１である補正係数

図７は、本発明の音信号補正装置１の補正係数導出処理を示すグラフである。図７は、横軸に周波数ｆにおける振幅スペクトル｜ＩＮ（ｆ）｜の値をとり、縦軸に補正係数αをとってその関係を示している。また周波数ｆにおける定常雑音｜Ｎ（ｆ）｜の値に定数ｘ［ｄＢ］を加算した値を、補正係数αの導出に係る閾値として用いている。図５に示す様に、補正係数αは、振幅スペクトル｜ＩＮ（ｆ）｜と、雑音モデルに係る定常雑音に基づき決定される閾値｜Ｎ（ｆ）｜＋ｘ［ｄＢ］との差の程度に応じて導出される。具体的には、振幅スペクトル｜ＩＮ（ｆ）｜の値が、閾値｜Ｎ（ｆ）｜＋ｘ［ｄＢ］以上である場合、補正係数αは０となり、振幅スペクトル｜ＩＮ（ｆ）｜の値が、閾値｜Ｎ（ｆ）｜＋ｘ［ｄＢ］未満である場合、振幅スペクトル｜ＩＮ（ｆ）｜の値と、閾値｜Ｎ（ｆ）｜＋ｘ［ｄＢ］との差が大きくなる程、即ち振幅スペクトル｜ＩＮ（ｆ）｜の値が小さくなる程、その程度に応じて補正係数αは大きくなり、最大値である１に近付く。なお図７では、補正係数αの最大値がα₀ となる様に設定した例を示している。

図７に示す様に定常雑音｜Ｎ（ｆ）｜の値そのものを閾値とするのではなく、定常雑音｜Ｎ（ｆ）｜の値に定数ｘ［ｄＢ］を加算した値を閾値とすることにより、定常雑音のスペクトルの揺らぎに対応することが可能となる。

上述した様に、定常雑音とは異なる強度の音声等の振幅スペクトルが含まれる場合には、補正係数αを小さくして平滑化の程度が低くすることにより、音声に基づくピークを平滑化してしまうことを抑制することが可能であり、定常雑音に基づく振幅スペクトルの成分が多く含まれる場合には、補正係数αを大きくし平滑化の程度を高くすることにより、定常雑音の雑音モデルとの類似度を高くし、定常雑音の除去を容易にすることが可能である。

前記実施の形態では、音信号をＦＦＴ処理して位相スペクトル及び振幅スペクトルに変換し、得られた音信号の振幅スペクトルを平滑化する形態を示したが、本発明はこれに限らず、ＦＦＴ処理の結果である複素数を実部と虚部とに分け、実部及び虚部を夫々平滑化する等、様々な処理に適用することが可能である。

また前記実施の形態では、音声認識装置に適用する形態を示したが、本発明はこれに限らず、電話通信の送話装置に適用し、送話する音信号に含まれる定常雑音を抑制する等の様々な形態に展開することが可能である。なお電話通信に適用する場合、送話装置では、平滑化のみを行い、受話装置側にて定常雑音の抑制処理を行う様にしても良い。

さらに前記実施の形態では、音声を認識する処理に適用する形態を示したが、音声認識のための雑音モデルの学習処理に適用する等、様々な形態に展開することが可能である。

本発明の音信号補正装置の構成を示すブロック図である。 本発明の音信号補正装置の処理を示すフローチャートである。 本発明の音信号補正装置の補正処理を概念的に示す説明図である。 本発明の音信号補正装置に係る音信号の振幅スペクトルを示す図である。 本発明の音信号補正装置の平滑化処理を模式的に示す制御フロー図である。 本発明の音信号補正装置の平滑化処理を模式的に示す制御フロー図である。 本発明の音信号補正装置の補正係数導出処理を示すグラフである。 従来の雑音抑制技術を概念的に示す説明図である。 従来の雑音抑制技術に係る振幅スペクトルを示す図である。

符号の説明

１ 音信号補正装置
１０ 制御手段
１１ 記録手段
１１ａ コンピュータプログラム
１１ｂ 音声認識用音響モデルデータベース
１１ｃ 認識辞書
１２ 記録手段
１２ａ 音信号バッファ
１２ｂ フレームバッファ
１３ 音取得手段
１４ 音出力手段
１５ 表示手段
１６ ナビゲーション手段

Claims (10)

1. 取得した音に基づく音信号を、雑音の照合用信号パターンに係る雑音モデルに基づいて補正する音信号補正方法であって、
   音信号を雑音モデルと比較し、
   比較した結果に基づいて音信号の波形を平滑化する
   ことを特徴とする音信号補正方法。
2. 取得した音に基づく音信号を、雑音の照合用信号パターンに係る雑音モデルに基づいて補正する音信号補正装置であって、
   音信号を雑音モデルと比較する手段と、
   比較した結果に基づいて音信号の波形を平滑化する手段と
   を備えることを特徴とする音信号補正装置。
3. 取得した音に基づく音信号のスペクトルを、雑音の照合用信号パターンのスペクトルに係る雑音モデルに基づいて補正する音信号補正装置であって、
   音信号のスペクトルを雑音モデルと比較して、音信号の補正に用いる補正係数を導出する導出手段と、
   導出した補正係数を用いて音信号の波形を平滑化する平滑化手段と
   を備えることを特徴とする音信号補正装置。
4. 前記導出手段は、音信号のスペクトルに係る強度と、雑音モデルに基づいて決定される閾値との差の程度に応じた補正係数を導出する様に構成してあることを特徴とする請求項３に記載の音信号補正装置。
5. 前記平滑化手段は、音信号のスペクトルの周波数軸方向の変化を平滑化する様に構成してあることを特徴とする請求項３又は請求項４に記載の音信号補正装置。
6. 前記平滑化手段は、下記式（Ａ）に基づいて平滑化する様に構成してあることを特徴とする請求項５に記載の音信号補正装置。
   ｜ＩＮ（ｆ）’｜＝α｜ＩＮ（ｆ−１）’｜＋（１−α）｜ＩＮ（ｆ）｜ …式（Ａ）
   但し、｜ＩＮ（ｆ）’｜：周波数ｆに対する平滑化後のスペクトル
   ｜ＩＮ（ｆ）｜：周波数ｆに対する平滑化前のスペクトル
   ｜ＩＮ（ｆ−１）’｜：周波数ｆとの差が所定の周波数間隔である周波数ｆ−１に対する平滑化後のスペクトル
   α：０≦α≦１である補正係数
7. 前記平滑化手段は、音信号のスペクトルの時間軸方向の変化を平滑化する様に構成してあることを特徴とする請求項３又は請求項４に記載の音信号補正装置。
8. 前記平滑化手段は、下記式（Ｂ）に基づいて平滑化する様に構成してあることを特徴とする請求項７に記載の音信号補正装置。
   ｜ＩＮ（ｆ）’｜t ＝α｜ＩＮ（ｆ）’｜t-1 ＋（１−α）｜ＩＮ（ｆ）｜t …式（Ｂ）
   但し、｜ＩＮ（ｆ）’｜t ：時刻ｔにおける周波数ｆに対する平滑化後のスペクトル
   ｜ＩＮ（ｆ）｜t ：時刻ｔにおける周波数ｆに対する平滑化前のスペクトル
   ｜ＩＮ（ｆ）’｜t-1 ：時刻ｔより所定時間前の時刻ｔ−１における周波数ｆに対する平滑化後のスペクトル
   α：０≦α≦１である補正係数
9. 平滑化後の音信号に基づいて、音声認識処理を実行する手段を更に備えることを特徴とする請求項２乃至請求項８のいずれかに記載の音信号補正装置。
10. コンピュータに、取得した音に基づく音信号を、雑音の照合用信号パターンに係る雑音モデルに基づいて補正する音信号補正装置であって、
    コンピュータに、音信号を雑音モデルと比較させる手順と、
    コンピュータに、比較した結果に基づいて音信号の波形を平滑化させる手順と
    を実行させることを特徴とするコンピュータプログラム。

Images