JP2008534989A

JP2008534989A - 音声アクティビティ検出装置および方法

Info

Publication number: JP2008534989A
Application number: JP2007546958A
Authority: JP
Inventors: ジャブローン、フィラス
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2005-05-09
Filing date: 2006-05-09
Publication date: 2008-08-28
Also published as: US7596496B2; EP1722357A2; GB2426166B; CN101080765A; WO2006121180A3; US20060253283A1; GB2426166A; WO2006121180A2; GB0509415D0; EP1722357A3

Abstract

【解決手段】（ａ）ノイズパワー推定器において、スピーチ成分及びノイズ成分を有する信号内のノイズパワーを推定することと、（ｂ）コンプレクスガウシアンン統計モデルと、ステップ（ａ）からのノイズ信号の推定パワーから、信号中のスピーチの存在に対する尤度比を計算することとの各ステップを含む音声アクティビティ検出方法。
【選択図】図２

Description

本発明は、信号処理に関し、特に、音声アクティビティ検出方法および音声アクティビティ検出器に関する。

スピーチ通信装置によって送信されるスピーチ信号は、しばしば、符号化、検出、及び認識アルゴリズムと干渉し、品質を低下させるノイズによって、ある程度乱されるだろう。

様々な異なる音声アクティビティ検出器及び検出方法は、スピーチとノイズとの両成分を含む入力信号におけるスピーチ期間を検出するために開発された。そのようなデバイス及び方法は、スピーチ符号化、スピーチ機能強化、及びスピーチ認識のような領域に応用がある。

音声アクティビティ検出の最も単純な形式は、入力信号のパワーが、スピーチが存在するか（つまり、エネルギーの増加が、スピーチの存在を示す）を判定するために評価されるエネルギーベースの方法である。そのような技術研究は信号対ノイズ比が高いところでは良好に機能するが、ノイズの多い信号の存在時には信頼性が低くなる。

統計モデルの使用に基づいた音声アクティビティ検出方法は、"A Statistical Model Based Voice Activity Detection" by Sohn et al [IEEE Signal Processing Letters Vol. 6, No. 1, January 1999]（非特許文献１）に記載されている。尤度比（ＬＲ）統計（ＬＲ＝［スピーチが存在する確率］／［スピーチが存在しない確率］）を計算するために、ここで説明する統計モデルは、ノイズとスピーチに対するモデルを使用する。そのように計算されたＬＲ統計は、次に、分析中のスピーチ信号（あるいはその部分）が、スピーチを含んでいるかを決定するためにしきい値と比較される。

Ｓｏｈｎらの技術は"Improved Voice Activity Detection Based on a Smoothed Statistical Likelihood Ratio" by Cho et al, In Proceedings of ICASSP, Salt Lake City, USA, vol. 2, pp 737-740, May 2001（非特許文献２）の中で修正された。この修正された技術は、スピーチオフセット領域において遭遇するかもしれない検出エラーを緩和するために、平滑化された尤度比（ＳＬＲ）を用いることを提案している。

ＬＲ（又はＳＬＲ）を計算するために、上記の統計的手法は、何れも、既存のノイズパワー推定値を用いることを必要とする。このノイズ推定値は、分析フレームの前の反復中に計算されたＬＲ／ＳＬＲを用いて得られる。

以前に導出された尤度比値を用いて計算される既存のノイズ推定値を用いて尤度比が計算される上述した統計方法には、フィードバックメカニズムが存在する。そのようなフィードバックメカニズムは、システムの全体的な性能にインパクトを与えるエラーが蓄積されるという結果になる。

上述したように、計算される尤度比は、スピーチが存在するかを決定するためにしきい値と比較される。しかしながら、上記の技術中で計算された尤度比は、６０ｄＢあるいはそれ以上のオーダに亘って変化しうる。入力信号中のノイズに大きな変動がある場合、しきい値は、スピーチの存在について不正確な表示をするかもしれず、システム性能が低下するかもしれない。
"A Statistical Model Based Voice Activity Detection" by Sohn et al [IEEE Signal Processing Letters Vol. 6, No. 1, January 1999 "Improved Voice Activity Detection Based on a Smoothed Statistical Likelihood Ratio" by Cho et al, In Proceedings of ICASSP, Salt Lake City, USA, vol. 2, pp 737-740, May 2001. "Quantile Based Noise Estimation for Spectral Subtration and Wiener Filtering" by Stahl, Fischer and Bippus, pp1875-1878, vol. 3, ICASSP 2000 "Noise Power Spectral Density Estimation Based on Optimal Smoothing and Minimum Statistics", by Martin in IEEE Trans. Speech and Audio Processing, Vol. 9, No. 5, July 2001, pp. 504-512

したがって、先行技術に関する上記の言及された問題を本質的に克服するか緩和する音声アクティビティ検出方法及び装置を提供することが、本発明の目的である。

本発明の第１の局面によれば、
（ａ）スピーチ成分とノイズ成分とを有する信号内のノイズパワーを、ノイズパワー推定部において推定することと、
（ｂ）信号内にスピーチが存在する場合の尤度比を、コンプレクスガウシアン（complex Gaussian）統計モデル、及びステップ（ａ）からのノイズ信号の推定パワーから計算することとの各ステップを含む音声アクティビティ検出方法が提供される。

本発明は、モデルにノイズ推定値を提供するために、独立したノイズ推定成分が使用される統計モデルに基づいた音声アクティビティ検出方法を提案する。ノイズ推定は、尤度比の計算に依存しないので、ノイズ推定とＬＲ計算との間にフィードバックループは存在しない。

ノイズ推定は、変位値ベースのノイズ推定方法によって便利に行われる。（例えば、"Quantile Based Noise Estimation for Spectral Subtration and Wiener Filtering" by Stahl, Fischer and Bippus, pp1875-1878, vol. 3, ICASSP 2000（非特許文献３）、更には "Noise Power Spectral Density Estimation Based on Optimal Smoothing and Minimum Statistics", by Martin in IEEE Trans. Speech and Audio Processing, Vol. 9, No. 5, July 2001, pp. 504-512（非特許文献４）を参照されたい）。しかしながら、任意の適切なノイズ推定技術が使用されてもよい。

好適には、ノイズ推定値は、更に、一次再帰関数によって推定された値を平滑化することにより処理される。

従来の変位値ベースのノイズ推定方法は、各時間フレームについて（Ｋ＋１）個の周波数帯域とＴ個の時間フレームによって信号が分析されることを必要とする。これは、計算上コスト高になる。便利なことに、（Ｋ＋１）個の周波数の部分集合のみが、任意の一つの時間フレームにおいて更新されうる。残りの周波数におけるノイズ推定値は、更新された値からの補間によって導出されうる。

スピーチの存在が評価されるしきい値は、音声アクティビティ検出器の性能全体を決定することが注目される。上述したように、計算された尤度比は、実際に多くのｄＢにわたって変化しうるので、好適には、入力スピーチダイナミックレンジ及び／又はノイズ条件における変化にロバストになるようにパラメータが設定されるべきである。

便利なことに、計算された尤度比は、予め定義した間隔（例えば０と１の間）への非線形関数を用いて、制限／圧縮することができる。このように尤度比を圧縮することによって、ＳＮＲの変化の影響は緩和される。また、音声検出器の性能が改善される。

便利なことに、Ψ（ｔ）がフレームｔに対する平滑化された尤度比である場合、尤度比は、下記式によって０から１の範囲に制限されうる。

本発明の第二の局面によれば、
（ａ）スピーチ成分とノイズ成分とを有する信号内のノイズパワーを推定することと、
（ｂ）信号内にスピーチが存在する場合の尤度比を、コンプレクスガウシアン統計モデル及びステップ（ａ）からのノイズ信号の推定されたパワーから計算することと、
（ｃ）ステップ（ｂ）で計算された尤度比に基づいて、ノイズパワー推定値を更新することであって、前記尤度比は、非線形関数を使用して、予め定めた間隔へ制限されることとの各ステップを含む音声アクティビティ検出方法が提供される。

本発明の第一及び第二の局面の音声アクティビティ方法では、スピーチの存在か不在かを判定するために、計算された尤度比が、予め定義されたしきい値と比較される。

便利なことに、本発明の両局面では、分析中のノイズの多いスピーチ信号は、高速フーリエ変換ステップによって、時間領域から周波数領域へと変換される。

本発明の第一及び第二の両局面では、ｋ番目のスペクトルビンの尤度比（ＬＲ）が、以下のように定義されうる。

ここで、仮定Ｈ_０は、スピーチの不在を表し、仮定Ｈ_１は、スピーチの存在を表し、そして、γ_ｋ及びξ_ｋは、それぞれ以下のように定義される帰納的及び演繹的な信号対ノイズ比（ＳＮＲ）である。

また、λ_Ｎ，ｋ及びλ_Ｓ，ｋはそれぞれ周波数インデクスｋにおけるノイズ及びスピーチの分散である。

便利なことに、尤度比は、性能を改善するために、一次再帰システムを用いて、ログ領域内で平滑化される。そのような場合、平滑化された尤度比は、以下のようにして計算される。

ここで、κは、平滑化係数であり、ｔは時間フレームインデクスである。

平滑化された尤度比の幾何平均は、便利なことに、

のように計算することができ、Ψ（ｔ）は、スピーチの存在を決定するために使用される。［注：ノイズ特性に依存して、一定の周波数帯域を、上記合計からを削除することができる。］
本発明の第一の局面に対応する本発明の第三の局面では、コンプレクスガウシアン統計モデルと、ノイズの多い信号におけるノイズパワーの推定値を用いて、ノイズの多い信号におけるスピーチの存在に対する尤度比を計算する尤度比計算機を備えた音声アクティビティ検出器が提供される。ここでは、ノイズパワー推定値が、音声アクティビティ（ＶＡＤ）と独立して計算される。

本発明の第二の局面に対応する本発明の第四の局面では、コンプレクスガウシアン統計モデルと、ノイズの多い信号におけるノイズパワーの推定値を用いて、ノイズの多い信号におけるスピーチの存在に対する尤度比を計算する尤度比計算機を備えた音声アクティビティ検出器が提供される。ここでは、尤度比は、検出器内のノイズ評価値を更新するために使用される。また、ここでは、尤度比は、非線形関数を用いて、予め定めた間隔へ制限される。

本発明の更なる局面では、本発明の第三の局面に従った音声アクティビティ検出器、又は本発明の第一の局面を実施するように構成された音声アクティビティ検出器と、ノイズ成分及びスピーチ成分を含む信号のために、音声アクティビティ検出器にノイズ推定値を与えるノイズ推定器とを備えた音声アクティビティ検出システムが提供される。

熟練者であれば、上述した等化器及び方法は、例えばディスク、ＣＤ−又はＤＶＤ−ＲＯＭのような搬送媒体、例えば読み取り専用メモリ（ファームウェア）のようなプログラムされたメモリ、あるいは例えば光学又は電気的な搬送波のようなデータキャリア上で、プロセッサ制御コードとして具体化されうることを認識するであろう。

本発明のこれら及びその他の局面は、添付図面を参照して、一例のみとして記述される。

本発明（更にＣｈｏらによって記載された）中で用いられる統計モデルでは、音声アクティビティ決定は、２つの仮定、すなわちＨ_０とＨ_１とをテストすることによってなされる。ここで、Ｈ_０は、スピーチの不在を示し、Ｈ_１は、スピーチの存在を示す。

この統計モデルは、スピーチとノイズとの各スペクトル成分が、ノイズが付加的であり、スピーチと相関していないコンプレクスガウシアン分布を持っていると仮定する。この仮定に基づいて、Ｈ_０，ｋとＨ_１，ｋとが与えられた場合における、ノイズの多いスペクトル成分Ｘ_ｋの条件付きの確率密度関数（ＰＤＦ）は、以下の通りとなる。

ここで、λ_Ｎ，ｋ及びλ_Ｓ，ｋは、それぞれ、周波数インデクスｋにおけるノイズ及びスピーチの分散である。

そして、ｋ番目のスペクトルビンの尤度比（ＬＲ）は以下のように定義される。

ここで、λ_ｋとξ_ｋとはそれぞれ帰納的及び演繹的な信号対ノイズ比（ＳＮＲ）であり、以下のように定義される。

先行技術において、ノイズ分散λ_Ｎ，ｋは、ｔ番目のフレーム中のｋ番目のスペクトル成分のノイズスペクトルの分散が、以下のような再帰的な方法で更新されるノイズ適応によって導出される。

ここでηは平滑化係数である。予期されたノイズパワースペクトル

は、以下に示すような軟判定技術によって推定される。

ここで、

は以下のようにして計算される。

式（６）で計算されたノイズ分散が、スピーチの存在および不在に対してＰＤＦ値（式（７）における）を利用することに留意されたい。また、ＰＤＦ計算は、λ_Ｎ，ｋに対する値を間接的に使用する（式（２）を参照）。

未知の演繹的なスピーチ不在確率（ユーザが予め定義した制限によって、上部境界にも、下部境界にもなりえる）は、以下のように記述される。

エラーの蓄積をもたらしうる先行技術に従って説明された方法で、フィードバックメカニズムが存在することは明らかである。

上記議論は、先行技術に従う音声アクティビティ検出器１が、尤度比計算部３、及びノイズ推定器５を含む図１の中で概略的に表わされる。ＬＲ部の出力７は、ノイズ推定器５に入り、ノイズ推定器の出力９は、ＬＲ部に入る。

本発明の第一（及び第三）の局面の音声アクティビティ検出方法は、図２において概略的に表される。ここでは、音声アクティビティ検出器１１がＬＲ部１３を備えている。独立したノイズ推定部１５は、尤度比を導出するために、ノイズ推定１７を、ＬＲ成分へ供給する。

本発明の第一及び第三の局面に従った音声アクティビティ検出器は、適切な技術を使用して、外部でノイズ分散λ_Ｎ，ｋを推定する。例えば、変位値ベースのノイズ推定アプローチ（以下に詳述する）が、ノイズ分散を推定するために使用されてもよい。

本発明の第ニ及び第四の局面に従った音声アクティビティ検出器は、この比の値を、予め定めた間隔に制限するために、非線形関数を用いて、ＬＲ成分から導出される尤度比を処理する。

その後、スピーチ分散は、本発明では以下のように推定される。

ここでは、β_Ｓは、スピーチ分散を無視した係数である。

その後、式（１）〜（５）に関して記述されたように、尤度比が計算される。その後、ＬＲを閾値と比較することにより、スピーチ存在又は不在が計算される。

本発明の全ての局面において、音声アクティビティ検出器の性能は、

に示すような一次再帰システムを用いて、ログ領域における尤度比を平滑化することにより改善されうることが注目される。ここでは、ｔは時間フレームインデクスであり、κは平滑化係数である。その後、平滑化された尤度比（ＳＬＲ）の幾何平均（ログ領域における算術平均と等価）は、以下のように計算されうる。

Ψ（ｔ）は、閾値との比較によって、以前のように、スピーチ存在又は不在を検出するために使用することができる。

スピーチの存在を決定するためにＬＲとＳＬＲとが比較されるしきい値は、音声アクティビティ検出器の振る舞いおよび性能に重要である。（例えばシミュレーション実験によって）パラメータのために選択された値は、入力スピーチダイナミックレンジ及び／又はノイズ条件における変化にロバストでなければならない。通常、ＳＮＲ値が変化する場合は常に、このパラメータは調節されねばならない。

しかしながら、上述したように、ＬＲ／ＳＬＲは多くのｄＢを横切って変わるかもしれない。したがって、パラメータを適切な値に設定することは困難かもしれない。

ＳＮＲ内の変化に対する緩和のために、本発明の第一及び第三の局面の中で計算されたＬＲ／ＳＬＲは、尤度比に対する値を、例えば０と１との間のような特定の間隔に制限するために、非線形関数によって更に処理される。このように尤度比を圧縮することによって、ノイズ分散の影響が弱まり、システム性能が増加した。この制限機能は、本発明の第二の局面に相当するが、本発明の第一の局面と共に使用されうることに留意されたい。

［０，１］間隔に尤度比値を制限するのに適切な関数の一例は以下の通りである。

本発明の第一の局面では、ノイズ推定値は、尤度比計算の外部から導出される。そのような推定値を導出する１つの方法は、変位量ベースのノイズ推定（ＱＢＮＥ）アプローチである。

ＱＢＮＥアプローチは、スピーチ信号が定常ではなく、同じ周波数帯域を永久に占有しないだろうという仮定を適用することにより、ノイズパワースペクトルを連続的に（つまり、スピーチアクティビティの期間中でさえも）推定する。一方、ノイズ信号は、スピーチ信号と比較してゆっくり変化すると仮定される。従って、いくつかの連続する分析フレーム（期間）に対して比較的一定であると考えることができる。

上記仮定の下で動作することにより、考慮中の各周波数帯域についてノイズの多い信号を期間にわたってソートし（ソートされたバッファを構築するために）、そのように構築されたバッファからノイズ推定値を検索することが可能である。

ＱＢＮＥアプローチは図３乃至図５に示される。

図３は、２つの異なる時間ｔ_１，ｔ_２（この図では、時間ｔ_１におけるスピーチ信号１９とラベルされ、時間ｔ_２では２０とラベルされる）において、ノイズ信号１８とスピーチ信号との周波数に対する信号パワー（パワースペクトル）のプロットを示す。スピーチ信号は、各時間において同じ周波数を占有しないので、スピーチがその特定の周波数帯域を占有しない場合、ノイズが、特定の周波数において推定されると理解することができる。この図では、例えば、周波数ｆ_１およびｆ_２におけるノイズは、時間ｔ_１において推定され、周波数ｆ_３及びｆ_４におけるノイズは、時間ｔ_２において推定される。

ノイズの多い信号の場合、Ｘ（ｋ、ｔ）が、ノイズの多い信号のパワースペクトルである。ここで、ｋは周波数ビンインデクス、ｔは時間（フレーム）インデクスである。過去および将来のＴ／２フレームがバッファに格納される場合、フレームｔについて、Ｔ個のフレームＸ（ｋ、ｔ）を、以下の式になるような昇順で各周波数ビンにおいて格納することができる。

上記式は図４及び図５で示される。図４には、周波数対時間プロットが、多くの時間フレームについて示される（明瞭さのために、合計のＴフレームのうちの５つだけが示される）。特定用途に依存して、３０の時間フレームが、バッファに格納されうる（つまりＴ＝３０）。各フレームでは、信号のパワースペクトルは、垂直ボックス（２１、２３、２５、２７、２９）によって表わされるベクトルである。

特定の周波数ｋ（図４のボックス３１によって表されてる）では、Ｔ個のフレームのウィンドウにわたったパワースペクトル値が、図５で示されるようなＦＩＦＯバッファ内に格納されうる。そして、この格納されたフレームは、任意の高速ソート技術を用いて、昇順（式１４に関して説明したように）でソートすることができる。

ｋ番目の周波数に対するノイズ推定値

は、バッファ内にソートされた値のｑ番目の変位量として得られる。言いかえれば、

である。ここで、０＜ｑ＜１であり、

は、最も近い整数への繰り下がりを表す。

このノイズ推定値は、各周波数帯域に対して得られうる。

ノイズ推定値を計算する際に、Ｔ個のフレームについては、１つの特定の周波数は、時間の高々５０％のスピーチ成分によって占有されるだろうと仮定されている。したがって、ｑが０．５に設定されると、中央値が、ノイズ推定値として選択される。中央変位量値は、周辺の変化に対してあまり影響を受けないので、他の変位量値よりも優れた性能を与えるであろうと考えられる。

ＱＢＮＥが導出したノイズ推定値は、一次再帰関数を用いて、上記式（１５）から得られる値を平滑化することによって改善される。すなわち、

である。ここで、

は、式（１５）において導出されたノイズ推定値であり、

は、平滑化されたノイズ推定値であり、ρ（ｋ、ｔ）は、信号対ノイズ比（ＳＮＲ）に従ってフレームｔ毎に更新される周波数依存平滑化パラメータである。

瞬間的なＳＮＲは、入力されたノイズの多いスピーチスペクトルと、現在のＱＢＮＥノイズ推定値、つまり

との比として定義される。

あるいは、前のフレームからのノイズ推定値は、

になるように用いられるかもしれない。

いずれの場合も、平滑化パラメータは、

として得られる。ここで、μは、ＱＢＮＥ推定値に対する感度を制御するパラメータである。

ＳＮＲが増加すると、特定の周波数に対するＱＢＮＥノイズ推定値が、更新されたノイズ推定値にほとんど影響を持つべきでないものと整えられるべきことが注目される。一方、ＳＮＲが低い場合、つまり、与えられた周波数において、ノイズが、与えられたフレームを支配するのであれば、あるフレームから次のフレームへのＱＢＮＥ推定値は、より信頼性が高くなり、結果として、現在のノイズ推定値は、更新された推定値について大きな影響を持つべきである。このパラメータμは、ＱＢＮＥ推定値への感度を制御する。もしもμ→０であれば、ρ（ｋ，ｔ）→１となり、

は、ノイズ推定値にほとんど影響を持たないだろう。一方、もしもμ→∞であれば、

は、各フレームにおいて推定値を支配するだろう。

従来のスピーチ分析システムは、１００より多い周波数帯域中の入力信号を分析することが注目される。もしも近隣の３０のフレームも、ノイズ推定値を導出するために格納され分析されるのであれば、全てのフレームについて、全ての周波数においてノイズ推定値を保持し、更新することは、計算上、法外に高価になるかもしれない。

従って、ノイズ推定値は、単に、分析中の周波数帯域全体の部分集合に対してのみ更新される。例えば、１０の周波数帯域がある場合、最初のフレームｔについて、奇数の周波数帯域（１，３，５，７，９）のみについてノイズ推定値が計算され、更新される。次のフレームｔ’の間、ノイズ推定値は、偶数の周波数帯域（２，４，６，８，１０）について計算され、更新される。

フレームｔについては、偶数の周波数帯域についてのノイズ推定値が、奇数の周波数値からの補間によって推定されるかもしれない。フレームｔ’については、奇数の周波数帯域についてのノイズ推定値が、偶数の周波数値からの補間によって推定されるかもしれない。

本発明の局面に従った音声アクティビティ検出器は、ドイツ語とイギリス英語との両方のスピーチ発言について従来の検出器に対して評価された。ＶＡＤはスピーチ認識目的のために、発言の開始点及び終了点を検出するために使用された。

第１の実験では、異なる信号対ノイズ比において、自動車ノイズが、第一のデータセットに人工的に加えられた。スピーチ信号は、発言の開始点及び終了点において無声期間で当てがわれた。

図６は、ドイツ語のデータセットに対する第１の実験のスピーチ認識精度結果を示す。「ＦＡ」と記された実線は、強制的な調整によって得られた正確な終了点に対応する認識結果を表わす。

図６における線Ｘは、従来技術による音声アクティビティ検出器を使用した結果（内部ノイズ推定であり、尤度比の圧縮はない）を示す。線Ｙは、上述したように、平滑化され圧縮された尤度比を計算する音声アクティビティ検出器（すなわち、本発明の第二及び第四の局面に従った音声アクティビティ検出器）に対する結果を示す。そして線Ｚは、独立したノイズ推定器を利用する音声アクティビティ検出器（すなわち、本発明の第一及び第三の局面に従った音声アクティビティ検出器）に対する結果を示す。

本発明の局面に従った音声アクティビティ検出器が、特に低いＳＮＲレベルにおいて、先行技術検出器より性能が優れていることが理解される。

更に、尤度比（Ｙ行目）を平滑化し圧縮するバージョンと比較された時、外部ノイズ推定値（Ｚ行目）の使用が、音声アクティビティ検出器の性能をさらに増強することが理解されるかもしれない。

図７は、英語データセットで実行された同様の評価の結果を示す。ドイツ語の発言に関しては、本発明の局面による結果は、先行技術システムに関する改良である。

更なる性能評価が、二つのデータセットＣ及びＤについて表１に示される。これらは、車内で実施された第二の実験で記録された。

評価は、再び、イギリス英語とドイツ語の両方について実行された。そして、独立したノイズ評価を使用する本発明に従った音声アクティビティ検出器が、先行技術システムより性能が優れていることが理解される。ドイツ語の発言の場合、認識誤り率は、約３０％、イギリス英語の場合、約２５％低減される。

図１は、先行技術の音声アクティビティ検出器の概要の実例を示す。図２は、本発明による音声アクティビティ検出器の概要の実例を示す。図３は、ノイズの多いスピーチ信号の信号パワー対周波数のプロットを示す。図４は、Ｔ時間フレームにわたる信号の周波数対時間プロットを示す。図５は、特定の周波数ビン対時間のパワースペクトル値を示す。図６は、ドイツ語のスピーチを含む信号に対するスピーチ認識の精度と、信号対ノイズ値とを示す。図７は、英語のスピーチを含む信号に対するスピーチ認識の精度と、信号対ノイズ値とを示す。

Claims

音声アクティビティ検出方法であって、
（ａ）ノイズパワー推定器において、スピーチ成分とノイズ成分とを持つ信号内のノイズパワーを推定することと、
（ｂ）コンプレクスガウシアン統計モデルと、ステップ（ａ）からのノイズ信号の推定されたパワーから、信号中のスピーチの存在に対する尤度比を計算することと
の各ステップを含む方法。
ステップ（ｂ）における尤度比は、非線形関数を用いて、予め定めた間隔に制限される請求項１に記載の音声アクティビティ検出方法。
前記尤度比は、関数

によって制限され、Ψ（ｔ）は尤度比である請求項２に記載の音声アクティビティ検出方法。
前記ノイズパワー推定器は、前記ノイズパワーを推定する変位値ベースの推定方法を使用する請求項１乃至３のうち何れか１項に記載の音声アクティビティ検出方法。
ノイズパワー推定値は、一次再帰関数を用いて平滑化される請求項４に記載の音声アクティビティ検出方法。
前記信号は、（Ｋ＋１）個の周波数帯域にわたって分析され、各時間フレームについて、前記ノイズパワー推定値は、（Ｋ＋１）個の周波数帯域の部分集合についてのみ更新される請求項１乃至５のうち何れか１項に記載の音声アクティビティ検出方法。
前記ノイズ推定値は、更新された周波数帯域の部分集合からの補間によって、（Ｋ＋１）個の全ての周波数帯域にわたって更新される請求項６に記載の音声アクティビティ検出方法。
（ａ）スピーチ成分とノイズ成分とを持つ信号内のノイズパワーを推定することと、
（ｂ）コンプレクスガウシアン統計モデルと、ステップ（ａ）からのノイズ信号の推定されたパワーから、前記信号内におけるスピーチの存在に対する尤度比を計算することと、
（ｃ）ステップ（ｂ）で計算された尤度比に基づいて前記ノイズパワー推定値を更新することであって、前記尤度比は、非線形関数を用いて、予め定めた間隔へ制限されることと
の各ステップを含む音声アクティビティ検出方法。
前記尤度比は、スピーチの存在又は不在を検出するために、しきい値と比較される請求項１乃至８のうち何れか１項に記載の音声アクティビティ検出方法。
前記尤度比は、式

によって決定され、仮定Ｈ_０は、スピーチの不在を表し、仮定Ｈ_１は、スピーチの存在を表し、λ_Ｎ，ｋ及びλ_Ｓ，ｋは、それぞれ周波数インデックスｋにおけるノイズとスピーチの分散であり、γ_ｋ及びξ_ｋは、

によって定義される請求項１乃至９のうち何れか１項に記載の音声アクティビティ検出方法。
平滑化された尤度比は、式

によって計算され、κは平滑化係数であり、ｔは時間フレームインデクスである請求項１０に記載の音声アクティビティ検出方法。
前記平滑化された尤度比の幾何平均は、

として計算され、Ψ（ｔ）はスピーチの存在を決定するために使用される請求項１１に記載の音声アクティビティ検出方法。
コンプレクスガウシアン統計モデルと、ノイズの多い信号におけるノイズパワー推定値とを使用して、ノイズの多い信号におけるスピーチの存在に対する尤度比を計算する尤度比計算機を備え、前記ノイズパワー推定値は、音声アクティビティ検出器と独立して計算される音声アクティビティ検出器。
コンプレクスガウシアン統計モデルと、ノイズの多い信号におけるノイズパワー推定値とを使用して、ノイズの多い信号におけるスピーチの存在に対する尤度比を計算する尤度比計算機を備え、前記尤度比は、検出器内のノイズ推定値を更新するために使用され、前記尤度比は、非線形関数を使用して、予め定めた間隔に制限される音声アクティビティ検出器。
実行時に、請求項１乃至１２のうち何れか１項に記載の方法を実行するためのプロセッサ制御コードを搬送するキャリア。
実行時に、請求項１３又は１４に記載の音声アクティビティ検出器を実行するためのプロセッサ制御コードを搬送するキャリア。
請求項１３に記載の音声アクティビティ検出器、又は請求項１乃至７のうち何れか１項に記載の方法を実行するように構成された音声アクティビティ検出器と、
ノイズ成分及びスピーチ成分を含む信号のために、ノイズ推定値を音声アクティビティ検出器に提供するノイズ推定器と
を備えた音声アクティビティ検出システム。