JP2008288718A

JP2008288718A - 音響エコーキャンセラ

Info

Publication number: JP2008288718A
Application number: JP2007129645A
Authority: JP
Inventors: Katsuichi Osakabe; 勝一刑部; Makoto Tanaka; 田中　　良
Original assignee: Yamaha Corp
Current assignee: Yamaha Corp
Priority date: 2007-05-15
Filing date: 2007-05-15
Publication date: 2008-11-27
Anticipated expiration: 2027-05-15
Also published as: JP4872794B2

Abstract

【課題】音響エコーキャンセラが設置された音響空間の残響特性に基づいた最適なパラメータを設定でき、エコーキャンセル処理を簡易に且つ最適に行うことを可能にする音響エコーキャンセラを提供する。
【解決手段】ユーザにより発言がなされる前に、電源立ち上げ音などの音で音響エコーキャンセラ２７が設置された音響空間においてフィルタ係数を更新する処理を複数のタップ数について行い、フィルタ係数が予め定められた閾値以下に収束する最も短いタップ数を決定する。そしてエコーサプレッサ１２は、決定されたタップ数と対応付けられたパラメータを用いて音響処理を行う。
【選択図】図２

Description

本発明は、音響エコーキャンセラに関する。

近年、拡声通話と呼ばれる通話形態の利用が広がりつつある。従来の電話では、ハンドセット（送受話器）を手に持って通話するのに対し、拡声通話では卓上に設置されたスピーカとマイクロホンにより通話を行う。
拡声通話を実現する際に最も問題となるのが音響エコーである。音響エコーは、自分の声が相手側のスピーカから放音されて相手側のマイクロホンに入り、自分の側に戻ってスピーカから放音され、その結果自分の声が発声に遅れて知覚される現象である。音響エコーの程度によっては、不快感のために話し続けるのが困難になったり、ハウリングを引き起こしたりして通話不能となったりする。

上記音響エコーの制御方法にはさまざまな手法があるが、その中でも適応フィルタを用いた音響エコーキャンセラは最も有効な方法である。音響エコーキャンセラにおいては、スピーカからマイクロホンへ至るエコーの伝達経路を同定し、フィルタとリファレンス信号を畳み込むことで擬似エコーを生成し、該擬似エコーをマイクロホンが生成した信号から差し引くことにより音響エコーを制御する。
上記のフィルタは、音響エコーキャンセラが設置された音響空間ごとに特有の最適な設定にして使用する必要がある。従って、端末が設置された空間の音響特性に基づいてフィルタを設定することが必要である。

特許文献１では、ＦＩＲ（Finite Impulse Response）フィルタを用いた音響エコーキャンセラとして、長いタップ長で且つフィルタ係数の収束時間が早い音響エコーキャンセラに関する技術が開示されている。
特開２００６−１５７４９８号公報

しかしながら、特許文献１に示された技術においては、部屋の残響特性に応じたフィルタのタップ長の選択しかなされておらず、その方法ではダブルトーク特性を初めとしたエコーキャンセル処理の最適化を行うことはできない。またフィルタ係数の設定は会話の音声で行うため、会話開始直後にはフィルタ係数が収束しておらず動作が不安定になるという問題点があった。

本発明は上記課題に鑑みて為されたものであり、音響エコーキャンセラが設置された音響空間の残響特性に基づいた最適なパラメータを設定でき、エコーキャンセル処理を簡易に且つ最適に行うことを可能にする技術を提供することを目的としている。

本発明に係る音響エコーキャンセラの構成は、通信網から第１の音声信号を受信する受信手段と、電子音データを記憶する記憶手段と、前記受信手段が受信した第１の音声信号および前記記憶手段に記憶された電子音データを再生する再生手段と、音を収音し、該音に対応する第２の音声信号を生成する入力手段と、前記受信手段が受信した第１の音声信号をフィルタ係数を用いてフィルタリングし、前記第１の音声信号から第３の音声信号を生成するフィルタと、前記入力手段が生成した第２の音声信号と前記フィルタが生成した第３の音声信号との差分が最小となるように前記フィルタ係数を設定するフィルタ係数設定手段と、前記入力手段によって生成された前記第２の音声信号から前記第３の音声信号を減算して第４の音声信号を生成する減算手段と、前記減算手段が生成した第４の音声信号に対して、パラメータに基づいて音響処理を施し第５の音声信号を生成する音響処理手段と、前記音響処理手段が生成した第５の音声信号を前記通信網に出力する出力手段と、室内の音響特性を測定する測定手段と、前記フィルタのタップ数および前記音響処理手段のパラメータとが、室内の音響特性と対応付けて書き込まれたテーブルを記憶する第２の記憶手段と、前記第２の記憶手段に記憶されたテーブルにおいて、前記測定手段により測定された室内の音響特性と対応するタップ数を前記フィルタに設定すると共に、前記測定手段により測定された室内の音響特性と対応するパラメータを前記音響処理手段に設定する設定手段とを有することを特徴とする。
なお、上記の構成において、前記測定手段は、前記室内の残響時間を測定しても良い。

また、上記いずれかの構成において、前記パラメータは、周波数に対して利得（ゲイン）が対応付けられたゲインスペクトルであり、前記音響処理手段は、前記第４の音声信号を周波数領域の信号に変換すると共に、該変換された周波数領域の信号の各周波数成分に対し、前記ゲインスペクトルにおいて対応する周波数と対応付けられた利得を乗算しても良い。
また、上記いずれかの構成において、前記再生手段は、前記受信手段が前記第１の音声信号を受信していない時に前記電子音データを再生しても良い。

また、本発明に係る音響エコーキャンセラの別の構成は、通信網から第１の音声信号を受信する受信手段と、電子音データを記憶する記憶手段と、前記受信手段が受信した第１の音声信号および前記記憶手段に記憶された電子音データを再生する再生手段と、音を収音し、該音に対応する第２の音声信号を生成する入力手段と、前記受信手段が受信した第１の音声信号をフィルタ係数を用いてフィルタリングし、前記第１の音声信号から第３の音声信号を生成するフィルタと、前記入力手段が生成した第２の音声信号と前記フィルタが生成した第３の音声信号との差分が最小となるように前記フィルタ係数を設定するフィルタ係数設定手段と、前記入力手段によって生成された前記第２の音声信号から前記第３の音声信号を減算して第４の音声信号を生成する減算手段と、前記減算手段が生成した第４の音声信号に対して、パラメータに基づいて音響処理を施し第５の音声信号を生成する音響処理手段と、前記音響処理手段が生成した第５の音声信号を前記通信網に出力する出力手段と、前記フィルタのタップ数と前記音響処理手段のパラメータとが対応付けられて書き込まれたテーブルを記憶する第２の記憶手段と、前記フィルタのタップ数を選択する選択手段と、前記選択手段により選択されたタップ数を前記フィルタに設定するとともに、前記テーブルにおいて、前記選択手段により選択されたタップ数と対応するパラメータを前記音響処理手段に設定する設定手段とを有することを特徴とする。

本発明によれば、エコーキャンセラが設置された音響空間の残響特性に基づいた最適なパラメータを設定でき、エコーキャンセル処理を最適に行うことができる、といった効果を奏する。

本発明の説明に入る前に、音響エコーについて簡単に説明しておく。通信におけるエコーには、大きく分けて回線エコーと音響エコーの２種類がある。回線エコーとは、電気回路によって生じるエコーであり、インパルス応答は短く回線の接続が確立すると不変であると考えてよい。
一方音響エコーは、スピーカから放音された音がマイクロホンに回り込む音響帰還により生じる。スピーカからマイクロホンへのエコーの伝播には、直接伝播する経路以外に、室内の壁や話者で反射する経路がある。音響エコーは、継続時間が長く話者やスピーカやマイクロホンの移動など音響空間の変化により急激に特性が変化することが特徴である。

（Ａ：構成）
以下、本発明の実施形態である音響エコーキャンセラが搭載された会議端末を用いて構成された会議システムについて説明する。
図１は、遠隔会議を行うための会議システムの構成を示した図である。同じ構成からなる会議端末１００Ａおよび１００Ｂは、音響空間２００Ａおよび２００Ｂに設置されており、両者はインターネットなどの通信網３００により接続されている。
会議端末１００Ａは音響エコーキャンセラ２７Ａ、音響エコーキャンセラ２７Ａに接続されたスピーカ１５Ａおよびマイクロホン１６Ａを有し、会議端末１００Ｂは音響エコーキャンセラ２７Ｂ、音響エコーキャンセラ２７Ｂに接続されたスピーカ１５Ｂおよびマイクロホン１６Ｂを有する。スピーカ１５Ａ、１５Ｂは、受取った音声信号をアナログ信号に変換し、音声を放音する。マイクロホン１６Ａ、１６Ｂは、収音した音声を表す音声信号を生成し、該音声信号をデジタル信号に変換し出力する。

なお、以下では会議端末１００Ａと１００Ｂを区別する必要が無いときは、それらを会議端末１００と呼ぶ。音響空間２００Ａと２００Ｂも同様である。また、会議端末１００の構成要素についても、それが会議端末１００Ａまたは１００Ｂのいずれに属するかを示す必要が無いときには、例えばスピーカ１５、マイクロホン１６などのように符号にアルファベットを付けることなく表す。

次に、音響エコーキャンセラ２７の構成について図２を参照して説明する。音響エコーキャンセラ２７は、制御部２０と記憶部３０を有する。制御部２０は、音響エコーキャンセラ２７の各部の動作を制御する。記憶部３０には、音響エコーキャンセラ２７の処理を実行するための制御プログラム、パラメータテーブル、および電子音データが格納されている。

ここで、記憶部３０に格納されたパラメータテーブルについて説明する。図３に示すように、パラメータテーブルには音響エコーの消去機能を最適化するためのパラメータがタップ数に対応付けて書き込まれている。本実施形態においては、音響エコーの消去機能を最適化するためのパラメータとして、ゲインスペクトルデータが対応付けられている。ゲインスペクトルデータは、エコーサプレッサ１２が音響エコー成分を除去する際に用いるパラメータであり、その詳細は後述する。

以下、音響エコーキャンセラ２７における音声信号の流れについて、図２を用いて説明する。相手側の会議端末１００から通信網３００を介して送信された音声信号（以下、リファレンス信号Ｘ）は、リファレンス信号入力端子１を介して受信される。受信されたリファレンス信号Ｘは、リファレンス信号出力端子２を介してスピーカ１５に送られる。また、同リファレンス信号Ｘは、リファレンス信号入力端子１を介してリファレンス信号蓄積部５に送られる。リファレンス信号蓄積部５は、リファレンス信号Ｘを受取り記憶する。なお、リファレンス信号蓄積部５は、新たにデータを受取ると古いデータを削除して新しいデータを書き込むため、常に最も新しい所定時間分のリファレンス信号Ｘを蓄積する。

フィルタ係数蓄積部６は、リファレンス信号Ｘから擬似エコーＺを生成するためにフィルタ処理部７が用いるフィルタ係数を蓄積している。フィルタ処理部７は、リファレンス信号蓄積部５に蓄積されたリファレンス信号Ｘを、フィルタ係数蓄積部６に蓄積されたフィルタ係数によりフィルタリングすることにより擬似エコーＺを生成し、生成した擬似エコーＺを第１の誤差計算処理部８および第２の誤差計算処理部１０へ出力する。上記フィルタ処理部７による擬似エコーＺの生成方法については後述する。

さて、マイクロホン１６から送話信号入力端子３を介して入力された音声信号は、第１の誤差計算処理部８へ送られる。また、同音声信号は送話入力蓄積部９に送られる。送話入力蓄積部９は、受取った音声信号を記憶する。なお、送話入力蓄積部９は、新たにデータを受取った場合には、古いデータを削除して新しいデータを書き込むため、常に最も新しい所定時間分の音声信号を蓄積する。第２の誤差計算処理部１０は、送話入力蓄積部９から音声信号を受取り、フィルタ処理部７から受取った擬似エコーＺを差し引いて差分信号を生成し、フィルタ係数更新部１１へ出力する。フィルタ係数更新部１１は、第２の誤差計算処理部１０から受取った差分信号に基づき新たなフィルタ係数を生成し、フィルタ係数蓄積部６に書き込まれているフィルタ係数を更新する。

第１の誤差計算処理部８は、送話信号入力端子３を介して受取った音声信号から、フィルタ処理部７から受取った擬似エコーＺを差し引いて、エコーサプレッサ１２へ出力する。エコーサプレッサ１２は、第１の誤差計算処理部８から受取った音声信号に対し、設定されたパラメータに従って音響処理を施して送話信号出力端子４に出力する。音声信号は、送話信号出力端子４を介して通信網３００に向けて出力される。

次に、フィルタ処理部７が擬似エコーＺを生成する方法について説明する。図４に示されるように、フィルタ処理部７は、適応ＦＩＲフィルタにより構成される。適応ＦＩＲフィルタは、破線で囲まれた構成単位（タップ）が複数個（タップ数をＬ個とする）組み合わされて成り、各タップは単位遅延素子Ｄおよび乗算器Ｗｎ（ｎ＝１、２、…、Ｌ）から成る。単位遅延素子Ｄは、リファレンス信号Ｘを1単位時間だけ遅延させる。各乗算器Ｗｎには時変のフィルタ係数Ｗｎ（ｋ）（括弧内は、時刻ｋであることを示す。以下同様）が設定されている。入力されたリファレンス信号Ｘは、適応ＦＩＲフィルタにて積和演算され、該演算結果が擬似エコーＺとして生成される。すなわち、擬似エコーＺ（ｋ）は、時刻ｋおよび時刻ｋより前に入力されたリファレンス信号の各フィルタ係数による積和演算により生成される。

（Ｂ：動作）
次に音響エコーキャンセラ２７の動作について説明する。
（Ｂ−１；初期設定処理）
本実施形態に係る音響エコーキャンセラ２７は、会議を開始するにあたって、設置された音響空間２００の残響特性を評価し各種パラメータの初期設定処理を行う。

図５は、音響エコーキャンセラ２７が行う初期設定処理の流れを示したフローチャートである。ユーザにより音響エコーキャンセラ２７に電源が投入されると、制御部２０は、フィルタ処理部７が有する適応ＦＩＲフィルタのタップ数を所定の初期値（例えば、１０２４）に設定する（ステップＳＡ１００）。そして制御部２０は、フィルタ係数蓄積部６において、各タップにおけるフィルタ係数を所定の初期値に設定する（ステップＳＡ２００）。

次に制御部２０は、スピーカ１５に対し、記憶部３０に記憶された電子音データを、「電源立ち上げ音」として所定の時間再生させる（ステップＳＡ３００）。電源立ち上げ音として再生する音は高い周波数（例えば３ｋＨｚ）が好適であるが、後述する残響特性の測定を行うのに適切な音響特性を有していれば良い。
該電源立ち上げ音は、音響空間２００においてエコーを生じる。マイクロホン１６は、該エコーを表す音声信号（以下、エコーＹ）を生成する。制御部２０は、このエコーＹを用いて、ステップＳＡ２００において設定されたフィルタ係数の更新を行う（ステップＳＡ４００）。簡単には、フィルタ処理部７は、リファレンス信号Ｘ（この場合、電源立ち上げ音を表す音声信号）とステップＳＡ２００において設定されたフィルタ係数とから擬似エコーＺを生成する。第２の誤差計算処理部１０は、生成された擬似エコーＺとエコーＹとの差分信号を生成する。フィルタ係数更新部１１は、該差分信号に基づき所定のアルゴリズムに従ってフィルタ係数蓄積部６に蓄積されたフィルタ係数を更新する。

上記アルゴリズムには、ＬＭＳ（Least Mean Square）法が用いられる。簡単には、第２の誤差計算処理部１０により生成される差分信号が無音の音声信号に近づくように、すなわちフィルタ処理部７のフィルタ処理により生成される擬似エコーＺがエコーＹに最も近似するようにフィルタ係数更新部１１はフィルタ係数を更新する。そのようにフィルタ係数を更新することにより、リファレンス信号ＸからエコーＹを模した擬似エコーＺを生成するために最適化されたフィルタ係数が定まる。なお、フィルタ係数更新部１１に適用されるアルゴリズムはＬＭＳ法以外であっても良い。

さて図６に示すように、フィルタ係数は遅延時間の小さいリファレンス信号Ｘの処理を行うタップ（図４において左側に位置するタップ）において大きな値を示し、遅延時間が大きいタップにおけるフィルタ係数はより小さく、０に漸近するという傾向を示す。制御部２０は、最も遅延が大きいタップ位置（図６の場合１０２４）において、フィルタ係数の絶対値が予め決められた値（破線）を下回るか否かを判定し（ステップＳＡ５００）、判定結果を各タップ数に対応付けて記憶部３０に書き込む。

記憶部３０には、初期値として設定された値（本実施形態においては、１０２４）の他にも複数のタップ数の値が記憶されている。制御部２０は、ステップＳＡ１００ないしステップＳＡ５００の処理を終えると、記憶された複数のタップ数の全てについてフィルタ係数更新処理を実行したか否か判定する（ステップＳＡ６００）。この時点では、初期値として設定されたタップ数について処理を行った段階であるため、ステップＳＡ６００の判定結果は“Ｎｏ”となり、ステップＳＡ７００を行う。ステップＳＡ７００において、まだ試みられていないタップ数を選択し、該タップ数を用いてステップＳＡ３００ないし５００の処理を行う。

最も遅延が大きいタップ位置におけるフィルタ係数の絶対値が所定の値を下回るか否かに関するデータを、全てのタップ数のフィルタについて得ると、ステップＳＡ６００における判定結果は“Ｙｅｓ”となり、ステップＳＡ８００に進む。
ステップＳＡ８００において、制御部２０は、それぞれのタップ数におけるフィルタ係数の収束状況を比較し、最も遅延が大きいタップ位置におけるフィルタ係数の絶対値が所定の値を下回ったフィルタの中で最も小さいタップ数を選択する。また、制御部２０は、該選択したタップ数において最適化されたフィルタ係数をフィルタ係数蓄積部６に蓄積する。
なお、上記最も遅延が大きいタップ位置におけるフィルタ係数の絶対値に代えて、最も遅延が大きいタップ位置から遅延の小さい側へ複数（例えば１０）のタップ位置におけるフィルタ係数の絶対値の平均値を算出し、該平均値を上記所定の値と比較するなどしても良い。

次に制御部２０は、記憶部３０に記憶されたパラメータテーブルを参照することにより、ステップＳＡ８００において選択されたタップ数に対応するゲインスペクトルデータを選択する。そして制御部２０は、選択されたゲインスペクトルデータが表すパラメータをエコーサプレッサ１２に設定する（ステップＳＡ９００）。

以上に説明した態様で初期設定処理が行われることにより、以下のような効果を奏する。すなわち、音響空間２００で生じる音響エコーを消去する必要最低限のタップ数がフィルタ処理部７に設定されることで、フィルタ係数の収束時間が早い音響エコーキャンセラを実現できる。また、上記初期設定処理を会議開始前に測定することで、エコー消去及びダブルトーク特性が最適になる。

（Ｂ−２；エコーキャンセリング処理）
以下では、上述した初期設定処理によって各種パラメータが最適化された音響エコーキャンセラ２７により行われるエコーキャンセリング処理について説明する。
図７は、エコーキャンセリング処理の流れを示すフローチャートである。まず、相手側の会議端末１００から音声信号（リファレンス信号Ｘ）が送信されてくると、リファレンス信号Ｘの表す音声はスピーカ１５から音響空間２００に向けて放音される。また、該リファレンス信号Ｘはリファレンス信号蓄積部５に蓄積される（ステップＳＢ１００）。

フィルタ処理部７は、フィルタ係数蓄積部６からフィルタ係数を読み出し、該フィルタ係数を用いてリファレンス信号蓄積部５に蓄積されているリファレンス信号Ｘから擬似エコーＺを生成し（ステップＳＢ２００）、第１の誤差計算処理部８および第２の誤差計算処理部１０に出力する。第１の誤差計算処理部８は、マイクロホン１６から受取った音声信号からフィルタ処理部７が生成した擬似エコーＺを差し引き（ステップＳＢ３００）、差し引いて生成した音声信号をエコーサプレッサ１２へ出力する。

このとき、第１の誤差計算処理部８がマイクロホン１６から受取った音声信号には、当該音響エコーキャンセラ２７が搭載された会議端末１００を利用するユーザの発言内容、およびリファレンス信号Ｘが音響空間２００において放音された際に発生したエコーＹが含まれている。従って、第１の誤差計算処理部８が、マイクロホン１６から受取った音声信号からフィルタ処理部７が生成した擬似エコーＺを差し引くことにより、ユーザの発言内容が抽出された音声信号が生成される。ただし、適応ＦＩＲフィルタによるフィルタリングによってエコーＹと完全に一致する擬似エコーＺを生成することは難しいことから、第１の誤差計算処理部８から出力される音声信号には、ユーザの発言内容に加え、エコーＹと擬似エコーＺの差分に対応する音声信号が含まれる。

エコーサプレッサ１２は、第１の誤差計算処理部８から受取った音声信号についてエコーサプレッサ処理を行う（ステップＳＢ４００）。具体的には、エコーサプレッサ１２は、受信した音声信号をＦＦＴ（Fast Fourier Transform）により周波数領域のスペクトルに変換する。その周波数スペクトルを周波数ごとにフィルタリングし、エコーに由来する成分のみを除去する。その際に用いるフィルタリング係数は、ステップＳＡ９００において設定されたゲインスペクトルが用いられる。

具体的には、ゲインスペクトルは、図８に示すように特定の周波数領域で定義される利得（ゲイン）のスペクトルである。該ゲインスペクトルにおいては、入力される信号に対して、通すべき信号（話者の発言）に由来する周波数成分については高い値が、除去すべき信号（エコーに由来する信号）については低い値が設定されている。エコーサプレッサ１２は、ＦＦＴ処理された音声信号（スペクトル）と設定されたゲインスペクトルを乗算して周波数特性を変化させる。

上記ゲインスペクトルの特性は、理論や実験などにより適宜使用者により設定される。例えば、会議端末１００が送受信する音声信号が特定の周波数幅に限定されていることが予め予測ができる場合には、該周波数帯域以外の帯域については上記ゲインを０に設定したりしても良いし、会議端末１００が特有の音響特性を有する音響空間２００に設置される場合には、予めエコーに含まれる傾向の高い周波数を予測し、該周波数帯域におけるゲインを低く設定しておいても良い。
また、上記周波数領域におけるスペクトル同士の乗算に代えてまたは併せて、音圧レベルが所定の閾値を下回る周波数成分については該周波数成分をカットする処理を行っても良い。

なお、エコーサプレッサ１２が行う音響処理は、上述した処理に限定されるものではなく、上述の適応ＦＩＲフィルタを用いたエコーキャンセリング処理により除去しきれない成分を除去するような音響処理であれば良い。他の音響処理を行う場合には、ゲインスペクトルに代えてまたは併せて、該処理に係るパラメータを記憶部３０に記憶されたパラメータテーブルに対応付けておけば良い。

周波数特性が変換された周波数領域の信号は、逆ＦＦＴにより再び時間領域の信号に変換され、送話信号出力端子４に出力される。ステップＳＢ５００において、制御部２０は、リファレンス信号蓄積部５に蓄積されたリファレンス信号Ｘの処理が全て終了したか否かを判定する。全ての処理が終了した場合には、ステップＳＢ５００の判定結果は“Ｙｅｓ”となり処理を終了する。一方、会議端末１００がリファレンス信号Ｘを更に受信した場合には、リファレンス信号蓄積部５には新たなリファレンス信号Ｘが書き込まれているためステップＳＢ５００の判定結果は“Ｎｏ”となり、該リファレンス信号ＸについてステップＳＢ１００以降の処理が実行される。

（Ｃ：変形例）
以上、本発明の実施形態について説明したが、本発明は以下のように種々の態様で実施することができる。

（１）上記実施形態では、フィルタ係数の更新に係る処理を行う際、電子音データによる電源立ち上げ音を用いる場合について説明した。しかし、該音声は電源立ち上げ音ではなくても良い。例えば、相手側会議端末との通信の際に生じる発信音や着信音などでも良いし、フィルタ係数の更新のために、電子音以外の音を出すようにしても良い。

（２）上記実施形態では、通信網３００には、会議端末１００が２つ接続されている場合について説明したが、通信網３００に接続されている会議端末１００は３つ以上でもよい。

（３）上記実施形態では、一般的な音響エコーキャンセラに対して本発明を適用する場合について説明したが、本発明をその他の態様の音響エコーキャンセラに対して適用しても良い。以下にその一例を示す。
非常にエコーを生じやすい音響空間内に設置されたマイクロホンに向かって発声すると、音響空間において生じたエコーも該マイクロホンに対して吹き込まれるため、エコーを含んで聞き取りづらい音声信号が生成される。そのように、スピーカなどから放音された音声ではない音声によるエコーについても、本音響エコーキャンセラの構成を利用することでキャンセルすることができる。その場合、発声の前に予め記憶部３０に記憶された電子音データを再生して、収音された電子音をリファレンス信号Ｘとして利用し、上記実施形態と同様の初期設定処理を行っておけば良い。
従って、会議端末１００のように相互に音声を通信するような通信装置だけはなく、一方的に音声信号を送信する放送局、サーバ、音声信号配信装置などにも本発明は適用できる。なお、その場合音声信号を通信端末から受信する受信手段（リファレンス信号入力端子１）は不要である。また、音声信号の送受信を行わない、例えばレコーダーなどの音声信号生成装置にも同様に本発明は適用できるが、その場合には音声信号を通信網から受信する受信手段（リファレンス信号入力端子１）に加え、音声信号を通信網に出力する出力手段（送話信号出力端子４）も不要である。

（４）上記実施形態では、本発明に係る音響エコーキャンセラに特徴的な機能をソフトウェアモジュールで実現する場合について説明したが、ハードウェアモジュールで実現しても良い。また、上述した実施形態では、本発明に係る通信端末に特徴的な処理を制御部２０に実行させるためのプログラムが記憶部３０に予め記憶されている場合について説明したが、係るプログラムをＣＤ−ＲＯＭ（Compact Disk-Read Only Memory）などコンピュータ装置読取り可能な記録媒体に書き込んで配布するとしても良く、またインターネットなどの電気通信回線を介して配布するようにしても良い。

（５）上記実施形態では、会議端末１００は有線の通信網３００でネットワーク接続されている場合について説明したが、無線で各装置をつないでもよい。通信網３００はインターネットの他、ＬＡＮ（Local Area Network）などでも良い。

（６）上記実施形態では、初期設定処理においてフィルタ処理部７に設定されるタップ数を決定する際、最も遅延時間が大きいタップ位置におけるフィルタ係数の絶対値が所定値を下回るか否かを判定し、該判定結果が肯定的であったタップ数の中から適切なタップ数を選択した。しかし、以下のような方法でタップ数を選択しても良い。
タップ数は、会議端末１００が設置された音響空間２００の音響特性、特に残響時間に基づいて設定するのが好適である。具体的には、残響時間が長い場合により大きいタップ数が設定されれば良い。従って、所定の音（例えば、上記実施形態における電子音データ）を音響空間２００において放音し、生じた音響エコーの残響時間を測定する残響時間測定手段を設け、該残響時間測定手段により測定された残響時間に応じたタップ数をフィルタ処理部７に設定するようにしても良い。その場合、長い残響時間に対して大きいタップ数を対応付けたテーブルを予め記憶部３０に記憶させておけば良い。
なお、上記残響時間の測定において、音圧レベルの時間経過を示す残響曲線が所定の割合（例えば６０ｄＢ）減衰するのに要する時間を測定しても良い。
また、上記残響時間の測定において、ＥＤＴ（Early Decay Time）を測定しても良い。ＥＤＴとは、特に初期減衰を重視したパラメータであり、残響曲線のうち最初の１０ｄＢ減衰した領域の回帰直線において６０ｄＢ減衰するのに要する時間である。
また、所定のインパルス音などの音圧レベルが所定の閾値を下回るのに要する時間を用いても良い。

（７）上記実施形態では、初期設定処理においてフィルタ処理部７に設定されるタップ数を決定する際、最も遅延時間が大きいタップ位置におけるフィルタ係数の絶対値が所定の値を下回るか否かを判定した。
さて、各タップ位置におけるフィルタ係数をグラフ表示した場合、図６に示されるようにフィルタ係数は、タップ位置が大きくなるほどフィルタ係数が小さくなるという傾向に加え、隣接するタップ位置間で小さな変動が見られるのが一般的である。その結果、遅延が大きいタップ位置におけるフィルタ係数が０に漸近している場合でも、該小さな変動により、最も遅延が大きいタップ位置（例えば、１０２４）におけるフィルタ係数の絶対値が大きくなったり、遅延が大きいタップ位置におけるフィルタ係数が０に漸近していない場合でも、最も遅延が大きいタップ位置におけるフィルタ係数が偶然０に近似した値を示したりする可能性がある。そのような場合、最も遅延が大きいタップ位置におけるフィルタ係数のみに基づいて上記判定を行うと、フィルタ係数の収束状況について不適切な判定を下してしまう可能性がある。そこで、以下のような方法を用いても良い。
例えば、各タップ位置におけるフィルタ係数のグラフ（例えば、図６）に対してローパスフィルタをかけ、フィルタリングされた結果生成されたグラフにおいて最も遅延が大きいタップ位置におけるフィルタ係数について、上記の判定を行っても良い。
また、上記各タップ位置におけるフィルタ係数の値のグラフにおいて、エンベロープ（包絡線）を算出し、該エンベロープにおいて最も遅延が大きいタップ位置におけるフィルタ係数について、上記の判定を行っても良い。
以上のような処理を行うことにより、上記フィルタ係数の小さな変動によって不適切な判断をしてしまうことを抑制することができる。

（８）上記変形例（６）においては、音響空間２００の残響特性が測定され、該測定された残響特性に基づいてタップ数やエコーサプレッサ１２におけるパラメータが設定される場合について説明した。しかし、上記各種パラメータは、残響特性の他、各種の音響特性に基づいて設定されても良い。例えば、初期反射音と後続残響音のバランスであるＣ値およびＤ値を用いても良い。これらの値は明瞭性や残響感との関連が深いことから、一般的にホールや教室の音響性能の評価に用いられている。
Ｃ値（Clarity[dB]）は、初期反射音と後期残響音のエネルギ比を表し、次式（１）で定義される。なお、p(t)は、インパルス応答波形を表す。
（式１）

なお、式（１）において、ｔは初期反射音と後続残響音の境界を示す時間である。ｔ＝８０ｍｓとしたときのＣ値はＣ８０などと呼ばれ一般的に用いられているが、ｔの値は適宜設定して用いれば良い。
Ｄ値（Definition or Deutlichkeit[%]）は、全体のエネルギに対する初期のエネルギ比を表し、次式（２）で定義される。
（式２）

なお、式（２）においても、ｔは初期反射音と後続残響音の境界を示す時間である。ｔ＝５０ｍｓとしたときのＤ値はＤ５０などと呼ばれ一般的に用いられるが、ｔの値は適宜設定して用いれば良い。
また、上述のように音響空間において実際に音を発生させて音響特性を測定する方法の他に、音響空間の平均吸音率を算出して音響特性を見積もる方法がある。平均吸音率とは、音響空間の内装材の吸音率と該内装材が使用されている面積との積を、音響空間の内面（壁や天井、床など）全ての領域について足し合わせ、該足し合わせた値を音響空間の内表面積で除した値である。平均吸音率は、音響空間における残響時間と強い相関関係を有し、音響空間の響きの程度を見積もるパラメータとして利用されている。
以上に説明した各種音響特性に対して、タップ数およびエコーサプレッサ１２のパラメータを対応付けるテーブルを記憶部３０に記憶させておき、該テーブルにおいて、測定された音響特性と対応するタップ数およびパラメータが設定されるようにしても良い。

（９）上記実施形態では、音響空間２００の残響特性に基づいて、各種パラメータが自動的に設定される場合について説明した。しかし、音響エコーキャンセラ２７のユーザが、音響空間２００の音響特性に基づいて、上記各種パラメータを設定（選択）するとしても良い。その場合の処理方法を以下に説明する。
音響エコーキャンセラ２７は、適応ＦＩＲフィルタのタップ数とエコーサプレッサ１２のパラメータとが、各種の音響特性と対応付けられて書き込まれたテーブルを記憶部３０に記憶する。上記各種の音響特性としては、例えば、「ホール」、「無響室」、「会議室」など音響空間の種別でも良いし、残響の度合いが「高い」、「中程度」、「低い」など音響特性の記載でも良いし、上記適応ＦＩＲフィルタに設定されるタップ数の値そのものでも良い。音響エコーキャンセラ２７は、該各種の音響特性に関する選択肢を表示する表示手段、および該表示手段に表示された選択肢をユーザが選択するための選択手段を更に有し、ユーザは、該表示手段に表示された選択肢から、音響空間２００の音響特性を最も良く反映していると考えられる選択肢を選択する。そして、音響エコーキャンセラ２７は、上記テーブルにおいて、ユーザにより選択された音響特性の選択肢と対応付けられたタップ数とパラメータとを、適応ＦＩＲフィルタおよびエコーサプレッサ１２に設定しても良い。
なお、上記テーブルにおいて、適応ＦＩＲフィルタのタップ数とエコーサプレッサ１２のパラメータとが関連付けられて書き込まれていても良い。その場合、ユーザがタップ数を選択することにより、選択されたタップ数が適応ＦＩＲフィルタに設定されると共に、テーブルにおいて、選択されたタップ数に対応するパラメータ値がエコーサプレッサ１２に設定されるようにしても良い。

会議システムの構成を示した図である。音響エコーキャンセラ２７の構成を示すブロック図である。パラメータテーブルの一例を示した図である。擬似エコー信号の生成方法を示した図である。初期設定処理の流れを示したフローチャートである。フィルタ係数の収束状況を表すグラフである。エコーキャンセリング処理の流れを示すフローチャートである。ゲインスペクトルの一例を示す図である。

符号の説明

１…リファレンス信号入力端子、２…リファレンス信号出力端子、３…送話信号入力端子、４…送話信号出力端子、５…リファレンス信号蓄積部、６…フィルタ係数蓄積部、７…フィルタ処理部、８…第１の誤差計算処理部、９…送話入力蓄積部、１０…第２の誤差計算処理部、１１…フィルタ係数更新部、１２…エコーサプレッサ、１５…スピーカ、１６…マイクロホン、２０…制御部、２７…音響エコーキャンセラ、３０…記憶部、１００…会議端末、２００…音響空間、３００…通信網

Claims

通信網から第１の音声信号を受信する受信手段と、
電子音データを記憶する記憶手段と、
前記受信手段が受信した第１の音声信号および前記記憶手段に記憶された電子音データを再生する再生手段と、
音を収音し、該音に対応する第２の音声信号を生成する入力手段と、
前記受信手段が受信した第１の音声信号をフィルタ係数を用いてフィルタリングし、前記第１の音声信号から第３の音声信号を生成するフィルタと、
前記入力手段が生成した第２の音声信号と前記フィルタが生成した第３の音声信号との差分が最小となるように前記フィルタ係数を設定するフィルタ係数設定手段と、
前記入力手段によって生成された前記第２の音声信号から前記第３の音声信号を減算して第４の音声信号を生成する減算手段と、
前記減算手段が生成した第４の音声信号に対して、パラメータに基づいて音響処理を施し第５の音声信号を生成する音響処理手段と、
前記音響処理手段が生成した第５の音声信号を前記通信網に出力する出力手段と、
室内の音響特性を測定する測定手段と、
前記フィルタのタップ数および前記音響処理手段のパラメータとが、室内の音響特性と対応付けて書き込まれたテーブルを記憶する第２の記憶手段と、
前記第２の記憶手段に記憶されたテーブルにおいて、前記測定手段により測定された室内の音響特性と対応するタップ数を前記フィルタに設定すると共に、前記測定手段により測定された室内の音響特性と対応するパラメータを前記音響処理手段に設定する設定手段と
を有することを特徴とする音響エコーキャンセラ。
前記測定手段は、前記室内の残響時間を測定することを特徴とする請求項１に記載の音響エコーキャンセラ。
前記パラメータは、周波数に対して利得（ゲイン）が対応付けられたゲインスペクトルであり、
前記音響処理手段は、前記第４の音声信号を周波数領域の信号に変換すると共に、該変換された周波数領域の信号の各周波数成分に対し、前記ゲインスペクトルにおいて対応する周波数と対応付けられた利得を乗算する
ことを特徴とする請求項１または２に記載の音響エコーキャンセラ。
前記再生手段は、前記受信手段が前記第１の音声信号を受信していない時に前記電子音データを再生することを特徴とする請求項１ないし３のいずれかに記載の音響エコーキャンセラ。
通信網から第１の音声信号を受信する受信手段と、
電子音データを記憶する記憶手段と、
前記受信手段が受信した第１の音声信号および前記記憶手段に記憶された電子音データを再生する再生手段と、
音を収音し、該音に対応する第２の音声信号を生成する入力手段と、
前記受信手段が受信した第１の音声信号をフィルタ係数を用いてフィルタリングし、前記第１の音声信号から第３の音声信号を生成するフィルタと、
前記入力手段が生成した第２の音声信号と前記フィルタが生成した第３の音声信号との差分が最小となるように前記フィルタ係数を設定するフィルタ係数設定手段と、
前記入力手段によって生成された前記第２の音声信号から前記第３の音声信号を減算して第４の音声信号を生成する減算手段と、
前記減算手段が生成した第４の音声信号に対して、パラメータに基づいて音響処理を施し第５の音声信号を生成する音響処理手段と、
前記音響処理手段が生成した第５の音声信号を前記通信網に出力する出力手段と、
前記フィルタのタップ数と前記音響処理手段のパラメータとが対応付けられて書き込まれたテーブルを記憶する第２の記憶手段と、
前記フィルタのタップ数を選択する選択手段と、
前記選択手段により選択されたタップ数を前記フィルタに設定するとともに、前記テーブルにおいて、前記選択手段により選択されたタップ数と対応するパラメータを前記音響処理手段に設定する設定手段と
を有することを特徴とする音響エコーキャンセラ。