JP2009015119A

JP2009015119A - サビ位置検出装置

Info

Publication number: JP2009015119A
Application number: JP2007178222A
Authority: JP
Inventors: Tatsuo Koga; 達雄古賀; Tomoji Yamamoto; 友二山本; Satoru Matsumoto; 悟松本
Original assignee: Sanyo Electric Co Ltd
Current assignee: Sanyo Electric Co Ltd
Priority date: 2007-07-06
Filing date: 2007-07-06
Publication date: 2009-01-22
Also published as: US20090012637A1

Abstract

【課題】この発明は、楽曲のサビ位置を検出することができるサビ位置検出装置を提供することを目的とする。
【解決手段】楽曲データの音声パワーの変化量を算出する手段、楽曲データの周波数領域における特徴量を算出する手段、音声パワーの変化量が最大となる位置をサビ位置候補として検出する手段、検出されたサビ位置候補近傍の楽曲データの周波数領域における特徴量に基づいて、当該サビ位置候補近傍が楽曲である確率が高いか否かを判別する手段、当該サビ位置候補近傍が楽曲である確率が高い場合には当該サビ位置候補をサビ位置として決定する手段、ならびに当該サビ位置候補近傍が楽曲である確率が低い場合には、音声パワーの変化量が次に最大となる位置をサビ位置候補として検出し、検出したサビ位置候補に基づいて同様な処理を行なう手段を備えている。
【選択図】図１

Description

この発明は、楽曲中のサビ部分の開始位置（サビ位置）を検出するサビ位置検出装置に関する。

近年、記憶メディアの大容量化により音楽ファイルを大量に記録する楽曲記録再生機器が普及している。楽曲記録再生機器に記録されている大量の音楽ファイルからユーザに再生させたい曲を選択させる方法として、再生リスト（タイトル名やアーチスト名）を表示する方法や、各曲の冒頭部分（イントロ部分）だけを順次再生していく方法がある。しかしながら、これらの方法では、ユーザが再生させたい曲のタイトル名を知らない場合、ユーザが再生させたい曲のイントロを聞いたことがない場合等には、ユーザが再生させたい曲を選択することができない。
特開２００３−１７７７８４号公報

ところで、楽曲中のサビ部分は、曲中で最も盛り上がる部分なので、ユーザに強く印象が残る部分である。そこで、楽曲記録再生機器に記録されている大量の音楽ファイルからユーザに再生させたい曲を選択させる場合に、各曲のサビ部分のみを順次再生できれば、再生させたい曲をユーザが選択しやすくなると考えられる。

この発明は、楽曲のサビ位置を検出することができるサビ位置検出装置を提供することを目的とする。

また、この発明は、ラジオ番組の司会者等の会話が重なっている可能性のある楽曲からその楽曲のサビ位置を検出する場合に、司会者等の会話部分がサビ位置として誤検出されにくくなるサビ位置検出装置を提供することを目的とする。

請求項１に記載の発明は、楽曲データの特徴量に基づいて楽曲のサビ位置を検出するサビ位置検出装置において、楽曲データの音声パワーの変化量を算出する手段、および音声パワーの変化量が最大となる位置をサビ位置として検出する手段を備えていることを特徴とする。

請求項２に記載の発明は、楽曲データの特徴量に基づいて楽曲のサビ位置を検出するサビ位置検出装置において、楽曲データの音声パワーの変化量を算出する手段、楽曲データの周波数領域における特徴量を算出する手段、音声パワーの変化量が最大となる位置をサビ位置候補として検出する手段、検出されたサビ位置候補近傍の楽曲データの周波数領域における特徴量に基づいて、当該サビ位置候補近傍が楽曲である確率が高いか否かを判別する手段、当該サビ位置候補近傍が楽曲である確率が高い場合には当該サビ位置候補をサビ位置として決定する手段、ならびに当該サビ位置候補近傍が楽曲である確率が低い場合には、音声パワーの変化量が次に最大となる位置をサビ位置候補として検出し、検出したサビ位置候補に基づいて同様な処理を行なう手段を備えていることを特徴とする。

請求項３に記載の発明は、楽曲データの特徴量に基づいて楽曲のサビ位置を検出するためのサビ位置検出処理を行なうサビ位置検出手段、ならびに楽曲データのうち、楽曲先頭の所定長さ部分および／または楽曲末尾の所定長さ部分を除いた範囲を検出範囲とし、当該検出範囲内においてサビ位置検出手段によるサビ位置検出処理を実行させる手段を備えていることを特徴とする。

請求項４に記載の発明は、請求項３に記載のサビ位置検出装置において、サビ位置検出手段は、楽曲データの音声パワーの変化量を算出する手段、および音声パワーの変化量が最大となる位置をサビ位置として検出する手段を備えていることを特徴とする。

請求項５に記載の発明は、請求項３に記載のサビ位置検出装置において、サビ位置検出手段は、楽曲データの音声パワーの変化量を算出する手段、楽曲データの周波数領域における特徴量を算出する手段、音声パワーの変化量が最大となる位置をサビ位置候補として検出する手段、検出されたサビ位置候補近傍の楽曲データの周波数領域における特徴量に基づいて、当該サビ位置候補近傍が楽曲である確率が高いか否かを判別する手段、当該サビ位置候補近傍が楽曲である確率が高い場合には当該サビ位置候補をサビ位置として決定する手段、ならびに当該サビ位置候補近傍が楽曲である確率が低い場合には、音声パワーの変化量が次に最大となる位置をサビ位置候補として検出し、検出したサビ位置候補に基づいて同様な処理を行なう手段を備えていることを特徴とする。

この発明によれば、楽曲のサビ位置を検出することができるようになる。

また、この発明によれば、ラジオ番組の司会者等の会話が重なっている可能性のある楽曲からその楽曲のサビ位置を検出する場合に、司会者等の会話部分がサビ位置として誤検出されにくくなる。

以下、図面を参照して、この発明の実施例について説明する。

〔１〕楽曲記録再生装置の構成

図１は、楽曲記録再生装置の構成を示している。

楽曲記録再生装置は、ＦＭチューナ部１、Ａ／Ｄ変換部２、ＤＳＰ３、ＭＰ３(MPEG Audio Layer-3)エンコード部４、記録媒体５、ＭＰ３デコード部６、Ｄ／Ａ変換部７、スピーカ８、メモリ９およびＣＰＵ１０を備えている。

ＦＭチューナ部１は、ＦＭ放送波を復調してアナログ音声信号を出力する。Ａ／Ｄ変換部２は、ＦＭチューナ部１で得られたアナログ音声信号をデジタル音声信号に変換する。ＤＳＰ３は、入力されるデジタル音声信号から音声パワーの変化量、周波数領域における特徴量を抽出する。

ＭＰ３エンコード部４は、デジタル音声信号をＭＰ３圧縮データにエンコードする。記録媒体５は、ＭＰ３エンコード部４によって得られたＭＰ３圧縮データを記録する。ＭＰ３デコード部６は、ＭＰ３圧縮データを元のデジタル音声信号にデコードする。Ｄ／Ａ変換部７は、ＭＰ３デコード部６で得られたデジタル音声信号をアナログ音声信号に変換する。スピーカ８は、Ｄ／Ａ変換部７によって得られたアナログ音声信号を音声出力する。ＣＰＵ１０は、楽曲記録再生装置の各部を制御する。

この実施例では、記録モードとして、受信した音声信号を記録する通常記録モードと、受信した音声信号から楽曲部分のみを抽出して記録する楽曲記録モードとがある。楽曲記録モードによる楽曲記録中において楽曲が記録された場合には、その楽曲のサビ部分の開始位置（サビ位置）が検出されて記録される。再生モードとしては、ユーザによって選択された楽曲を再生する通常再生モードと、記録されている各楽曲のサビ部分のみを順次再生するサビ部分再生モードとがある。サビ部分再生モード中に通常再生指令が入力された場合には、現在、サビ部分が再生されている楽曲が先頭から通常再生される。

以下、楽曲記録モードによる楽曲記録処理、通常再生モードによる通常再生処理およびサビ部分再生モードによるサビ部分再生処理手順について説明する。

〔２〕楽曲記録処理

〔２−１〕楽曲部分の抽出方法

楽曲記録処理では、受信した音声信号のうち、楽曲部分のみを抽出して記録する。楽曲部分の抽出方法について説明する。まず、音声パワーの変化量が所定の閾値以上となるタイミングを変化点として検出する。音声パワーとしては、たとえば、音声信号の振幅を二乗したものが用いられる。そして、変化点近傍の音声信号の周波数領域における特徴量を検出し、検出した特徴量に基づいて、変化点近傍が楽曲であるかラジオ番組の司会者（ディスクジョッキー）による会話部分（トーク部分）であるかを判別する。周波数領域における特徴量としては、たとえば、メルケプストラム( ＭＦＣＣ：Mel Frequency Cepstral Coefficients)が用いられる。より具体的には、検出されたＭＦＣＣと予め作成されている楽曲に対する基準データ（ＭＦＣＣ）との間の尤度を算出し、尤度が所定の閾値αより大きい場合に変化点近傍が楽曲であると判別する。あるいは、変化点近傍のＭＦＣＣを予め作成した評価関数に代入することにより評価値を算出し、得られた評価値に基づいて変化点近傍が楽曲であるか会話部分であるかを判別するようにしてもよい。

変化点近傍が楽曲であるとの判定が、所定時間（Ｔ１秒）より長い時間、継続した場合には、Ｔ１秒前の時点から楽曲区間が開始されたと判別し、Ｔ１秒前の位置から音声信号の記録を開始させる。この後において、変化点近傍が楽曲でないと判定されたときには、音声信号の記録位置はＴ１秒分遅れているので、その時点からＴ１秒経過したときに、音声信号の記録を停止させる。Ｔ１は、例えば、３０〜１２０秒の範囲内の値に設定される。

〔２−２〕サビ部分の位置の検出方法

１つの楽曲が記録されたときには、その楽曲のサビ部分の開始位置（サビ位置）を検出する。サビ位置の検出方法について説明する。基本的には、サビ部分の直前の”間”をサビ位置として検出する。サビ部分の直前の”間”は、図２に示すように、音声パワーの変化量が大きいため、音声パワーの変化量が最大となる位置を検出するにより、サビ部分の直前の”間”を検出できる。

しかしながら、ラジオ放送から楽曲を記録した場合、楽曲と重なって記録された司会者（ディスクジョッキー）の曲紹介等の会話部分（トーク部分）は、音声パワーの変化量が大きいため、司会者の会話部分をサビ部分の直前の”間”と誤検出するおそれがある。

そこで、司会者の会話が楽曲と重なる可能性が高い、楽曲の冒頭部分（図２に符号Ｍ１で示す斜線部分）や楽曲の末尾部分（図２に符号Ｍ２で示す斜線部分）を除いた部分を、サビ部分の検出対象範囲とする。さらに、音声パワーの変化量に基づいて検出されたサビ位置候補近傍の音声信号の周波数の特徴量に基づいて、サビ位置候補近傍が楽曲である確率が高いか否かを判別し、高い場合には、当該サビ位置候補をサビ位置と決定する。サビ位置候補近傍が楽曲である確率が低い場合には、音声パワーの変化量が次に最大となる位置をサビ位置候補として検出する。そして、同様な処理を行なう。

サビ位置の検出方法についてより具体的に説明する。まず、検出対象範囲を決定する。つまり、記録媒体に記録された楽曲の開始位置からＴ２秒後の位置を第１位置とし、楽曲の終了位置からＴ３秒前の位置を第２位置として、検出対象範囲を第１位置から第２位置までの範囲に決定する。Ｔ２またはＴ３は、例えば、１５〜３０秒の範囲内の値に設定される。次に、検出対象範囲内において、音声パワーの変化量が最大となる位置をサビ位置候補とて検出する。検出したサビ位置候補近傍での音声信号の周波数領域における特徴量に基づいて、当該サビ位置候補近傍が楽曲である確立が高いか低いかを判別する。周波数領域における特徴量としては、たとえば、ＭＦＣＣが用いられる。より具体的には、サビ位置候補近傍のＭＦＣＣと予め作成されている楽曲に対する基準データ（ＭＦＣＣ）との間の尤度を算出し、尤度が所定の閾値βより大きいか否かを判別する。尤度が所定の閾値β以上の場合には、当該サビ位置候補をサビ位置と決定する。尤度が所定の閾値βより小さい場合には、検出対象範囲において、音声パワーの変化量が次に最大となる位置をサビ位置候補として検出する。そして、同様な処理行なう。

〔２−３〕楽曲記録処理手順

図３は、楽曲記録処理手順を示している。

ＦＭチューナ１を起動させる（ステップＳ１）。そして、ＤＳＰ３による特徴抽出処理を起動させる（ステップＳ２）。これにより、ＤＳＰ３は、入力されるデジタル音声信号から音声パワーの変化量、周波数領域における特徴量を算出して、ＣＰＵ１０に与える。音声パワーとしては、たとえば、音声信号の振幅を二乗したものが用いられる。周波数領域における特徴量としては、たとえば、メルケプストラム( ＭＦＣＣ：Mel Frequency Cepstral Coefficients)が用いられる。

ＣＰＵ１０は、音声パワーの変化量に基づいて変化点であるか否かの判別を行なう（ステップＳ３）。変化点でなければ、ステップＳ３に戻る。変化点であると判別した場合、つまり、音声パワーの変化量が所定の閾値より大きい場合には、（ステップＳ３でＹＥＳ）、当該変化点近傍の音声信号の周波数領域における特徴量（この例ではＭＦＣＣ）に基づいて、変化点近傍が楽曲であるか否かを判別する（ステップＳ４）。変化点近傍が楽曲でなければ、ステップＳ３に戻る。

上記ステップＳ４において、変化点近傍が楽曲であると判別した場合には、第１タイマによる計時を開始させる（ステップＳ５）。そして、第１タイマによる計時時間（Timer1) がＴ１秒を超えたか否かを判別する（ステップＳ６）。第１タイマによる計時時間（Timer1) がＴ１秒以下である場合には、音声パワーの変化量に基づいて変化点であるか否かの判別を行なう（ステップＳ７）。変化点でなければ、ステツプＳ６に戻る。上記ステップＳ７で変化点であると判別した場合は、当該変化点近傍の音声信号の周波数領域における特徴量（この例ではＭＦＣＣ）に基づいて、変化点近傍が楽曲であるか否かを判別する（ステップＳ８）。変化点近傍が楽曲であると判別した場合には、ステップＳ６に戻る。

上記ステップＳ８において、変化点近傍が楽曲でないと判別した場合には、ステップＳ５に戻り、第１タイマによる計時を開始させる。この場合には、第１タイマによる計時が再スタートされることになる。

上記ステップＳ６で、第１タイマによる計時時間（Timer1) がＴ１秒を超えたと判別した場合には、Ｔ１秒前から楽曲が開始されていると判断し、Ｔ１秒前の位置から音声信号のエンコードおよび記録媒体５への保存を開始させる（ステップＳ９）。

次に、後述するサビ位置検出処理を行なうために、音声パワーの変化量および周波数領域における特徴量（この例ではＭＦＣＣ）を保存する（ステップＳ１０）。また、音声パワーの変化量に基づいて変化点であるか否かの判別を行なう（ステップＳ１１）。変化点でなければ、ステツプＳ１０に戻る。変化点であると判別した場合、つまり、音声パワーの変化量が所定の閾値より大きい場合には、（ステップＳ１１でＹＥＳ）、当該変化点近傍の音声信号の周波数領域における特徴量（この例ではＭＦＣＣ）に基づいて、変化点近傍が楽曲であるか否かを判別する（ステップＳ１２）。変化点近傍が楽曲であると判別した場合には、ステップＳ１０に戻る。

上記ステップＳ１２において、変化点近傍が楽曲でないと判別した場合には、第２タイマによる計時を開始させる（ステップＳ１３）。そして、第２タイマによる計時時間（Timer2) がＴ１秒に到達すると（ステップＳ１４）、音声信号のエンコードおよび記録媒体５への保存を停止させる（ステップＳ１５）。

この後、保存した楽曲のサビ位置検出処理を行なう（ステップＳ１６）。そして、ステップＳ３に戻る。

図４は、図３のステップＳ１６のサビ位置検出処理の詳細な手順を示している。

まず、サビ位置検出範囲を決定する（ステップＳ２１）。具体的には、楽曲の開始位置からＴ２秒後の位置を第１位置とし、楽曲の終了位置からＴ３秒前までの位置を第２位置として、第１位置から第２位置までの範囲をサビ位置検出範囲として決定する。

次に、サビ位置検出範囲内において、音声パワーの変化量が最大となる位置をサビ位置候補として検出する（ステップＳ２２）。そして、サビ位置候補近傍の音声信号の周波数領域における特徴量（この例ではＭＦＣＣ）と、予め作成されている楽曲に対する基準データ（ＭＦＣＣ）との間の尤度を算出し、尤度が所定の閾値βより大きいか否かを判別する（ステップＳ２３）。

上記ステップＳ２３において、尤度が所定の閾値β以下である場合には、現在のサビ位置候補の次に音声パワーの変化量が最大となる位置を、新たなサビ位置候補として検出した後（ステップＳ２４）、ステップＳ２３に戻る。

上記ステップＳ２３において、尤度が所定の閾値βより大きいと判別した場合には、現在のサビ位置候補を、今回記録した楽曲のサビ位置として記録媒体５に記録する（ステップＳ２５）。そして、図３のステップＳ３に戻る。

〔３〕通常再生処理

図５は、通常再生処理手順を示している。

ユーザによって再生したい楽曲が選曲された後に通常再生指示が入力されると、記録媒体５から選曲された楽曲データを読み出していく（ステップＳ３２）。記録媒体５から読み出された楽曲データをＭＰ３デコード部６によってデコードさせることにより、スピーカ８から出力させる（ステップＳ３３）。これにより、ユーザによって選択された楽曲が再生される。

楽曲再生中においては、再生停止指示が入力されたか否かが監視される。楽曲再生中において、再生停止指示が入力されると（ステップＳ３４）、記録媒体５からの楽曲データの読み出し処理およびＭＰ３デコード部６によるデコード処理を停止させる（ステップＳ３５）。

〔４〕サビ部分再生処理

図６は、サビ部分再生処理の手順を示している。

サビ部分再生指示が入力されると、記録媒体５から全ての楽曲データのサビ位置を読み出す（ステップＳ４１）。そして、最初の楽曲データを再生対象曲として設定する（ステップＳ４２）。記録媒体から再生対象曲の楽曲データを当該楽曲のサビ位置から読み出していく（ステップＳ４３）。記録媒体５から読み出された楽曲データをＭＰ３デコード部６によってデコードさせることにより、スピーカ８から出力させる（ステップＳ４４）。これにより、再生対象曲のサビ部分が再生される。再生対象曲のサビ部分の再生が開始されてから所定時間が経過したか否かを判別する（ステップＳ４５）。

所定時間が経過していない場合には、通常再生指示が入力されたか否かを判別する（ステップＳ４６）。通常再生指示が入力されていない場合には、再生停止指示が入力されたか否かを判別する（ステップＳ４７）。再生停止指示が入力されていない場合には、ステップＳ４４に戻る。

上記ステップＳ４５において、再生対象曲のサビ部分の再生が開始されてから所定時間が経過したと判別した場合には、次の楽曲データを再生対象曲として設定した後（ステップＳ４８）、ステップＳ４３に戻る。これにより、次の楽曲データのサビ部分の再生が開始される。

上記ステップＳ４６において、通常再生指示が入力されたと判別した場合には、現在の再生対象曲に対して、通常再生処理を行なう（ステップＳ４９）。つまり、現在の再生対象曲をその先頭から再生する。

上記ステップＳ４７において、再生停止指示が入力されたと判別した場合には、記録媒体５からの楽曲データの読み出し処理およびＭＰ３デコード部６によるデコード処理を停止させる（ステップＳ５０）。

上記実施例では、楽曲データの圧縮方式としては、ＭＰ３が用いられているが、ＭＰ３以外の方式を用いてもよい。また、ＦＭラジオ放送から楽曲を録音（記録）する例について説明したが、インターネットで配信される楽曲を録音する場合等にもこの発明を適用するとこができる。

楽曲記録再生装置の構成を示すブロック図である。サビ位置の検出方法の説明するための模式図である。楽曲記録処理手順を示すフローチャートである。図３のステップＳ１６のサビ位置検出処理の詳細な手順を示すフローチャートである。通常再生処理手順を示すフローチャートである。サビ部分再生処理の手順を示すフローチャートである。

符号の説明

１ＦＭチューナ部
２Ａ／Ｄ変換部
３ＤＳＰ
４ＭＰ３エンコード部
５記録媒体
６ＭＰ３デコード部
７Ｄ／Ａ変換部
８スピーカ
９メモリ
１０ＣＰＵ

Claims

楽曲データの特徴量に基づいて楽曲のサビ位置を検出するサビ位置検出装置において、
楽曲データの音声パワーの変化量を算出する手段、および
音声パワーの変化量が最大となる位置をサビ位置として検出する手段、
を備えていることを特徴とするサビ位置検出装置。
楽曲データの特徴量に基づいて楽曲のサビ位置を検出するサビ位置検出装置において、
楽曲データの音声パワーの変化量を算出する手段、
楽曲データの周波数領域における特徴量を算出する手段、
音声パワーの変化量が最大となる位置をサビ位置候補として検出する手段、
検出されたサビ位置候補近傍の楽曲データの周波数領域における特徴量に基づいて、当該サビ位置候補近傍が楽曲である確率が高いか否かを判別する手段、
当該サビ位置候補近傍が楽曲である確率が高い場合には当該サビ位置候補をサビ位置として決定する手段、ならびに
当該サビ位置候補近傍が楽曲である確率が低い場合には、音声パワーの変化量が次に最大となる位置をサビ位置候補として検出し、検出したサビ位置候補に基づいて同様な処理を行なう手段、
を備えていることを特徴とするサビ位置検出装置。
楽曲データの特徴量に基づいて楽曲のサビ位置を検出するためのサビ位置検出処理を行なうサビ位置検出手段、ならびに楽曲データのうち、楽曲先頭の所定長さ部分および／または楽曲末尾の所定長さ部分を除いた範囲を検出範囲とし、当該検出範囲内においてサビ位置検出手段によるサビ位置検出処理を実行させる手段を備えていることを特徴とするサビ位置検出装置。
サビ位置検出手段は、楽曲データの音声パワーの変化量を算出する手段、および音声パワーの変化量が最大となる位置をサビ位置として検出する手段を備えていることを特徴とする請求項３に記載のサビ位置検出装置。
サビ位置検出手段は、楽曲データの音声パワーの変化量を算出する手段、楽曲データの周波数領域における特徴量を算出する手段、音声パワーの変化量が最大となる位置をサビ位置候補として検出する手段、検出されたサビ位置候補近傍の楽曲データの周波数領域における特徴量に基づいて、当該サビ位置候補近傍が楽曲である確率が高いか否かを判別する手段、当該サビ位置候補近傍が楽曲である確率が高い場合には当該サビ位置候補をサビ位置として決定する手段、ならびに当該サビ位置候補近傍が楽曲である確率が低い場合には、音声パワーの変化量が次に最大となる位置をサビ位置候補として検出し、検出したサビ位置候補に基づいて同様な処理を行なう手段を備えていることを特徴とする請求項３に記載のサビ位置検出装置。