JP2009031706A - 電子機器及びこれに用いる音声信号処理方法 - Google Patents

Abstract

【課題】電子機器本体からの音や周囲の雑音に埋もれた電子機器の制御に用いる拍手音等を正しく検出する。
【解決手段】電子機器は、電子機器から発生する第１の音声信号に基づく第１の音波を出力するスピーカ１２２と、第１の音波に、電子機器を制御するために発生させた音波が重畳した第２の音波を収音し、第２の音声信号を出力するマイク１０１を備える。第１の波形生成器１２５、１２６は、第１の音声信号に基づいて第１の波形信号を生成し、第２の波形生成器１０５、１０６は、第２の音声信号に基づいて第２の波形信号を生成する。波形整形器１２８は、第１の波形信号を時間軸方向に拡大した第３の波形信号を出力し、減算器１３０は第２の波形信号から第３の波形信号を減算する。
【選択図】図１

Description

本発明は電子機器及び電子機器に用いる音声信号処理方法に係り、電子機器本体から出力される音声信号と電子機器の外部から入力される音声信号とを処理する電子機器及びこれに用いる音声信号処理方法に関する。

現在使われているテレビジョン受像機やオーディオ機器、エアーコンディショナーなどの電子機器は、本体の操作ボタンに触れるか、リモートコントローラ（以下、リモコン）を使って操作するのが一般的である。前者の場合は制御対象の電子機器の本体まで近付かなければならず、電子機器が操作者から遠くにある場合は制御が非常に面倒になる。この問題は後者のようにリモコンを用いることで解決される。

しかし、一度リモコンを手に取ってしまえばその後は移動を必要とせずに制御できるが、リモコンが操作者の近くにない場合はリモコンのある場所を探して取りに行かなくてはならない。これは、継続して制御を行うわけではなく何か一つ手軽に制御をしたい場合、例えばとりあえず電源だけを入れたいという場合などでは、操作者に煩わしさを感じさせてしまう。また、リモコンを使いたいがリモコンが見つからないという状況も多々起こり得る。

特許文献１（特開平０３−５４９８９号公報）や特許文献２（特開平０３−１８４４９７号公報）には、リモコンに代わって拍手音で電子機器を制御する方法が記載されている。

特開平０３−５４９８９号公報 特開平０３−１８４４９７号公報

拍手音で電子機器を制御する場合、電子機器本体から出力される音や電子機器の周囲で発生する音に、拍手音がかき消されてしまい、思い通りに制御できないという問題がある。また、電子機器本体から出力される音を拍手音として検出し、誤動作が起こるという問題もある。

ところで、拍手音で電子機器（例えばテレビジョン受像機（以下、テレビ））を制御する場合、図１７（Ａ）に示すようにテレビ１２０１の電源がオフ状態の時は、制御を正常に行うことができる。一方で同図（Ｂ）に示すように、テレビ１２０１の電源がオン状態のときには、拍手音だけでなく、同時に視聴中の番組やコンテンツの音声（以降本体音と呼ぶ）がスピーカ１２０２から出力されてマイク１０１にて収音されるので、拍手音が本体音に埋もれてしまい、制御を妨害してしまう可能性がある。

また、本体音による誤動作が起こる可能性もある。例えば視聴中の番組内で拍手が起こった場合、あるレベル以上の音量であれば、拍手音として検出してしまい、その拍手が所定の回数だけ続いて、誤動作が起きる可能性がある。
この問題に対応するために、電子機器の電源がオンの時には拍手音による制御を禁止することもできるが、その場合拍手音で行える操作は、電源がオフの時の制御のみ、例えば電源オフから電源オンするだけに限られてしまい、活用の範囲が狭くなってしまい、この機能にとって大きな制約になる。

本発明は以上の点に鑑みなされたもので、拍手音等による電子機器の制御において電子機器本体からの音や周囲の雑音に埋もれた拍手音を検出でき、誤動作の少ない電子機器及び電子機器の音声信号処理方法を提供することを目的とする。

上記した課題を解決するために、本発明は次の（ａ）〜（ｆ）を提供する。
（ａ）電子機器から発生する第１の音声信号を電気−音響変換して出力するスピーカ（１２２）と、前記スピーカから発せられた前記第１の音声信号に基づく第１の音波に、前記電子機器を制御するために発生させた音波が重畳した第２の音波を収音して音響−電気変換して第２の音声信号を出力する収音器（１０１）と、前記第１の音声信号に所定の信号処理を施して第１の波形信号を生成する第１の波形生成器（１２５、１２６）と、前記収音器から出力された第２の音声信号に所定の信号処理を施して第２の波形信号を生成する第２の波形生成器（１０５、１０６）と、前記第１の波形信号を時間軸方向に拡大して第３の波形信号として出力する波形整形器（１２８）と、前記第２の波形信号から前記第３の波形信号を減算する減算器（１３０）とを備えることを特徴とする電子機器。
（ｂ）前記第１の波形生成器は、前記第１の音声信号よりオフセット成分を除去した音声信号を生成する第１のオフセット成分除去部（１０５）と、前記第１のオフセット成分除去部から出力された音声信号を絶対値化して前記第１の波形信号を出力する第１の絶対値化回路（１０６）とを備え、前記第２の波形生成器は、前記第２の音声信号よりオフセット成分を除去した音声信号を生成する第２のオフセット成分除去部（１２５）と、前記第２のオフセット成分除去部から出力された音声信号を絶対値化して前記第２の波形信号を出力する第２の絶対値化回路（１２６）とを備えることを特徴とする（ａ）記載の電子機器。
（ｃ）前記波形整形器は、前記第１の波形信号を所定の時間保持する複数の保持器（１５２_１〜１５２_Ｎ）と、前記複数の保持器から出力された複数の前記第１の波形信号の最大値を抽出し、抽出した前記複数の最大値を時系列的に合成して前記第３の波形信号を生成する抽出器（１５３）とを備えることを特徴とする（ａ）または（ｂ）に記載の電子機器。
（ｄ）電子機器から発生する第１の音声信号を電気−音響変換して第１の音声信号として出力する電気−音響変換ステップと、前記第１の音声信号に基づく第１の音波に、前記電子機器を制御するために発生させた音波が重畳した第２の音波を収音する収音ステップと、前記第２の音波を音響−電気変換して第２の音声信号を出力する音響−電気変換ステップと、前記第１の音声信号に所定の信号処理を施して第１の波形信号を生成する第１の波形生成ステップと、前記第２の音声信号に所定の信号処理を施して第２の波形信号を生成する第２の波形生成ステップと、前記第１の波形信号を時間軸方向に拡大して第３の波形信号として出力する波形整形ステップと、前記第２の波形信号から前記第３の波形信号を減算する減算ステップとを含むことを特徴とする音声信号処理方法。
（ｅ）前記第１の波形生成ステップは、前記第１の音声信号よりオフセット成分を除去した音声信号を生成する第１のオフセット成分除去ステップと、前記第１のオフセット成分除去ステップで出力された音声信号を絶対値化して前記第１の波形信号を出力する第１の絶対値化ステップとを含み、前記第２の波形生成ステップは、前記第２の音声信号よりオフセット成分を除去した音声信号を生成する第２のオフセット成分除去ステップと、前記第２のオフセット成分除去ステップで出力された音声信号を絶対値化して前記第２の波形信号を出力する第２の絶対値化ステップとを含むことを特徴とする（ｄ）記載の音声信号処理方法。
（ｆ）複数の前記第１の波形信号をそれぞれ所定の時間保持する保持ステップと、前記複数の第１の波形信号の各最大値を抽出し、抽出した前記複数の最大値を時系列的に合成して前記第３の波形信号を生成する抽出ステップとを含むことを特徴とする（ｄ）または（ｅ）に記載の音声信号処理方法。

本発明によれば、電子機器本体から発生する音や周囲の雑音等を除去することで、入力された音声信号から拍手音を検出できる。

（第１の実施の形態）
図１は本発明になる電子機器の第１の実施の形態を示すブロック図である。第１の実施の形態の電子機器は、例えばテレビであり、操作者により発生させられた互いに所定の時間間隔を設けた一連の音波（例えば拍手音）により制御される。
図１において電子機器は、操作者の拍手音を収音するマイクロフォン（以下、マイクと略す）１０１と、マイク１０１からのアナログ音声信号を増幅するアンプ１０２と、アンプ１０２から出力されたアナログ音声信号をディジタル音声信号に変換するＡ／Ｄコンバータ１０３と、Ａ／Ｄコンバータ１０３から出力されたディジタル音声信号をソフトウェア処理により信号処理して拍手音を検出した後、本実施の形態特有の所定の判定処理を行って制御信号を生成して出力する中央処理装置（ＣＰＵ）１０４とを備える。
更に、電子機器内の公知の音声検波回路からの音声信号（テレビデコード音）を増幅する本体アンプ１２１と、本体スピーカ１２２と、本体アンプ１２１からの音声信号を増幅するアンプ１２３と、アンプ１２３から出力されたアナログ音声信号をディジタル音声信号に変換するＡ／Ｄコンバータ１２４とを備える。

マイク１０１は電子機器の外で発生した音波を収音する収音器である。マイク１０１は収音した音波を音響−電気変換してアナログ音声信号を出力する。アナログ音声信号は、アンプ１０２で後段のＡ／Ｄコンバータ１０３によるＡ／Ｄ変換のダイナミックレンジに対して最適な振幅レベルに増幅された後、Ａ／Ｄコンバータ１０３に供給される。Ａ／Ｄコンバータ１０３は、アナログ音声信号をディジタル音声信号へ変換し、ＣＰＵ１０４に供給する。
本体アンプ１２１は、電子機器から発生するテレビデコード音を増幅し、本体スピーカ１２２及びアンプ１２３へ供給する。本体スピーカ１２２は、供給された音声信号を電気−音響変換して電子機器の外部へ出力する。アンプ１２３は供給された音声信号を増幅し、Ａ／Ｄコンバータ１２４へ供給する。Ａ／Ｄコンバータ１２４は、アナログ音声信号をディジタル音声信号へ変換し、ＣＰＵ１０４に供給する。

ＣＰＵ１０４は、供給されたディジタル音声信号に基づいて電子機器を制御する制御信号を生成し、出力する。ＣＰＵ１０４は、マイク１０１から収音された音波に基づく音声信号に処理を施すオフセット成分除去部１０５と絶対値化回路１０６と、電子機器から発生する音声信号に処理を施すオフセット成分除去部１２５と絶対値化回路１２６とを備える。更に、絶対値化回路１０６、１２６から出力された音声信号を処理する本体音除去回路１０７、エッジ信号抽出器１０８、エッジパルス生成器１０９及び判定処理部１１２を備える。
オフセット成分除去部１０５は、Ａ／Ｄコンバータ１０３から供給されたディジタル音声信号よりオフセット成分を除去した音声信号を生成する。オフセット成分については後述する。絶対値化回路１０６は、オフセット成分除去部１０５から出力された音声信号を絶対値化する。オフセット成分除去部１０５及び絶対値化回路１０６は、マイク１０１から出力された音声信号に信号処理を施して、波形信号を生成する波形生成器である。

オフセット成分除去部１２５は、Ａ／Ｄコンバータ１２４から供給されたディジタル音声信号よりオフセット成分を除去した音声信号を生成する。絶対値化回路１２６は、オフセット成分除去部１２５から出力された音声信号を絶対値化する。オフセット成分除去部１２５及び絶対値化回路１２６は、電子機器本体から発生された音声信号に信号処理を施して、波形信号を生成する波形生成器である。
オフセット成分除去部１０５、１２５はそれぞれ同一構成である。例えば、入力されるディジタル音声信号に対して、低域フィルタ（ＬＰＦ）で高周波数成分を減衰させた音声信号を生成し、減算器において入力されたディジタル音声信号から高周波数成分を減衰させた音声信号を差し引くことにより、ディジタル音声信号が有しているオフセット成分を取り除く。ＬＰＦは時定数を大きくしておくことで追従が遅くなり、入力されたディジタル音声信号のおおよその平均値を求めることで、無信号時のレベルを安定化させることができる。無信号時のレベルは、後段の絶対値化する際の基準レベルであるゼロレベルとなる。

本体音除去回路１０７は、絶対値化回路１０６及び絶対値化回路１２６から供給された音声信号に基づいて、電子機器本体から発生された音声信号を除去した音声信号を生成する。本体音除去回路１０７は、後述するように、波形整形フィルタ１２８、遅延器１２９、減算器１３０、及びコアリング処理部１３１を備える。
エッジ信号抽出器１０８は、本体音除去回路１０７から出力された音声信号に基づいてエッジ信号を生成し、エッジパルス生成器１０９はエッジ信号に基づいてエッジパルスを生成する。なお、エッジ信号抽出器１０８は後述する理由から２入力である。

判定処理部１１２は、カウンタ１１０及び判定処理回路１１１とを備える。判定処理回路１１１は、エッジパルスとカウンタ１１０からのカウンタ値とに基づいて各種フラグを生成し、制御信号を出力する。

なお、本実施の形態では、Ａ／Ｄコンバータ１０３、１２４から出力されたディジタル音声信号の処理は、ＣＰＵ１０４によるソフトウェアで行う構成としているが、その一部又は全部をハードウェアで構成してもよい。ハードウェアで構成した場合には、電子機器のスタンバイ時にも所望の制御を実行させることが容易となる。

次に、図１に示した第１の実施の形態について、処理の順を追って詳しく説明する。図２は、マイク１０１で収音される音波の波形信号とアンプ１０２で増幅された音声信号の波形信号と、電子機器から発生する音声信号（テレビデコード音）に基づいて本体スピーカ１２２から発せられる音波の波形信号とアンプ１２３で増幅された音声信号の波形信号とを示す図である。
実際の波形信号は、図２のそれぞれの波形信号２０１〜２０４のように様々な周波数成分・振幅からなっているが、図示を簡単にするため以降は波形信号の包絡線で表すこととする。ただし、処理は実際の波形信号に対して施される。

図２において、テレビデコード音は本体スピーカ１２２から出力するのに適したレベルに本体アンプ１２１で増幅され、本体スピーカ１２２で電気−音響変換されて波形信号２０２として出力される。また、本体アンプ１２１で増幅された音声信号は更にアンプ１２３で増幅され、波形信号２０１としてＡ／Ｄコンバータ１２４に供給される。波形信号２０１のテレビデコード音は、本体音除去回路１０７において後述するように使用される。
波形信号２０３は、本体スピーカ１２２から発せられた音声信号（波形信号２０２）に基づく音波に電子機器を制御するために発生させた拍手音の音波が重畳したものである。波形信号２０３の音波に基づく音声信号をアンプ１０２で増幅すると、波形信号２０４となる。

ここで、波形信号２０２と波形信号２０３の振幅レベルは大きく異なる場合が多い。このため、アンプ１０２で波形信号２０３を、アンプ１２３で波形信号２０２を、以降の処理を行うのに適したレベルに調整する。なお、ゲインは１以下もありえる。
ここでいう適したレベルとは、Ａ／Ｄコンバータ１０３に入力される波形信号２０４のうち本体音成分に基づく波形信号の平均的な振幅と、Ａ／Ｄコンバータ１２４に入力される波形信号２０１の平均的な振幅とが同程度であることを指す。

本実施の形態では、アンプ１２３のゲインは波形信号が適したレベルになるように固定するものとしたが、波形信号２０３と波形信号２０２の振幅値の差分によって動的にゲインを変化させて調整してもよい。
なお、本体アンプ１２１で増幅される前の音声信号をＡ／Ｄコンバータ１２４に供給してもよいが、本体スピーカ１２２から出力される波形信号の振幅と本体アンプ１２１で増幅される前の波形信号の振幅とが比例関係であること、すなわち音量制御後の音声信号であることが条件となる。この場合も既述したように適したレベルになるように増幅する必要がある。

アンプ１０２で適したレベルに増幅された波形信号２０４及び、アンプ１２３で適したレベルに増幅された波形信号２０１は、それぞれＡ／Ｄコンバータ１０３、１２４でアナログ値からディジタル値へ変換される。ディジタル値へ変換された波形信号２０４は、オフセット成分除去部１０５及び絶対値化回路１０６で処理を施され、後述する波形信号３０１となる。同様に、波形信号２０１は、オフセット除去部１２５及び絶対値化回路１２６で処理を施され、後述する波形信号３０２となる。

次に、図３を用いて図１に示す本体音除去回路１０７とエッジ信号抽出器１０８について説明する。なお、以降の処理は全てＡ／Ｄ変換周期Ｔ_ＡＤ毎に行われるものである。
図３において、本体音除去回路１０７は既述したように、絶対値化回路１０６から供給される波形信号３０１を受け取る遅延器１２９と、絶対値化回路１２６から供給される波形信号３０２を受け取る波形整形フィルタ１２８と、減算器１３０とコアリング処理部１３１とを備える。上記のとおり、波形信号３０１はマイク１０１で収音された音波に基づくものであり、波形信号３０２は電子機器から発せられた音波に基づくものである。

ここで、本体音除去回路１０７において波形信号３０１から波形信号３０２を差し引くことで、マイク１０１によって収音された音声信号のうち、電子機器から発された音声信号である本体音成分を除去したい。しかし、波形信号３０１から波形信号３０２を単純に差し引くだけでは、波形信号３０１に含まれる本体音成分を充分に除去することは難しい。これは、波形信号３０１に含まれる本体音成分と、波形信号３０２とは元々同じ信号ではあるものの、本体スピーカ１２２からマイク１０１に至る経路の伝送特性により、周波数成分や振幅が異なるためである。
波形信号３０１に含まれる本体音成分と波形信号３０２とを一致させるには、上記した伝送特性を求める必要があるが、伝送特性は本体スピーカ１２２とマイク１０１の位置関係や周囲の環境によって左右される。また、伝送特性を動的に求めるには大規模な回路と処理量が必要となり、実際には困難である。

そこで、本実施の形態では、波形信号３０１から本体音成分を充分に除去できるよう、波形信号３０２を波形整形フィルタ（波形整形器）１２８によって整形する。波形整形フィルタ１２８は、波形信号３０２を後述するように時間軸方向に拡大して、波形信号３０４として出力する。更に、簡単な回路で波形整形フィルタ１２８を実現する。

図４は、図１及び図３中の波形整形フィルタ１２８の構成と処理内容の一例を示す。波形整形フィルタ１２８は、入力信号の低域周波数成分を周波数選択する低域フィルタ（ＬＰＦ）１５０と、ＬＰＦ１５０の出力信号に対して後述する所定の処理を行う幅広処理部１５１と、幅広処理部１５１から出力された信号に対して所定の乗算係数ｋ１を乗算する乗算器１５４とを備えている。
図４において幅広処理部１５１は、縦続接続された、各々遅延時間Ｔ_ＡＤのＮ個の遅延器１５２_１〜１５２_Ｎと、遅延器１５２_１〜１５２_Ｎからの各出力信号とＬＰＦ１５０からの出力信号とから最大値を抽出する最大値抽出器１５３とからなる。幅広処理部１５１は、入力された信号のピーク値をＮ・Ｔ_ＡＤの時間、保持するピークホールド回路を構成している。

かかる構成の波形整形フィルタ１２８に、図４に示す波形信号４０１が入力された場合について説明する。まず、波形整形フィルタ１２８に入力された波形信号４０１をＬＰＦ１５０で処理する。ＬＰＦ１５０は入力信号の低域周波数成分を周波数選択するので、波形信号４０１を形成していた成分のうち、比較的周波数の高い成分は除去されて周波数の低い成分のみが残る。従って、波形信号４０１の包絡線に遅れて追従した波形信号４０２のような形の信号が、ＬＰＦ１５０から出力される。

次に、幅広処理部１５１で、波形信号４０２を時間軸方向に拡大する処理を施す。本実施の形態では、幅広処理部１５１に入力された波形信号４０２をＮ個の遅延器１５２_１〜１５２_Ｎで時間Ｔ_ＡＤずつ順次遅延させ、波形信号４０２と波形信号４０２を遅延させたＮ個の波形信号４０３から最大値抽出器１５３で最大値を抽出する。遅延器１５２_１〜１５２_Ｎは、各々入力された信号を遅延時間Ｔ_ＡＤ保持する保持器である。最大値抽出器１５３は、抽出した最大値を時系列的に合成して波形信号４０４を生成し、出力する。出力波形信号４０４は入力波形信号４０２よりも時間軸方向に幅広である。
最後に、波形信号４０４は乗算器１５４でｋ１倍され、波形整形フィルタ１２８の出力波形信号として出力される。乗算器１５４の出力波形信号が、図３の出力波形信号３０４に相当する。

再び図３を用いて説明する。波形信号３０２を波形整形フィルタ１２８を通過させることで生じた遅延の分、波形信号３０１に遅延器１２９で適切な遅延を加え、波形信号３０３とする。波形信号３０１と波形信号３０３とは同じである。減算器１３０は、波形信号３０３から波形整形フィルタ１２８から出力された波形信号３０４を減算する。これにより減算器１３０は、マイク１０１が収音した音波に基づく波形信号３０３から本体音成分を除去した波形信号を出力することができる。

図４の幅広処理部１５１で波形信号３０２の振幅の大きい部分を時間軸方向に拡大することにより、波形信号３０１に含まれる拍手音以外の比較的振幅の大きなパルス性の成分まで十分に除去することが可能となる。乗算器１５４の定数値ｋ１は、本体音成分がほぼ除去できるように、波形信号３０４の振幅が波形信号３０３の本体音成分の振幅よりも大きくなるような値にする。ただし、波形信号３０４の振幅をあまり大きくすると、波形信号３０３の拍手音成分が残らなくなり、拍手音を検出できなくなってしまうので、これらの条件を満たすような適切な値を選ぶ必要がある。

減算器１３０から出力された波形信号は、コアリング処理部１３１で、ある閾値よりも小さい値を“０”とするコアリング処理が施される。これにより、残っている細かいノイズが除去され、波形信号３０５のような拍手音成分だけを残した波形が生成される。

次に、エッジ信号抽出器１０８で波形信号３０５からエッジ信号のみを抽出する処理を行う。エッジ信号抽出器１０８には第一の入力と第二の入力の２つの入力があり、本実施の形態では本体音除去回路１０７から出力される波形信号３０５が、第一の入力、第二の入力となっている。
エッジ信号抽出器１０８は、ＬＰＦ１４１と、乗算器１４２と、減算器１４３とコアリング処理部１４４とを備える。第一の入力は減算器１４３に、第二の入力はＬＰＦ１４１に対する入力である。ＬＰＦ１４１は、波形信号３０５の高周波数成分を減衰させた波形信号３０６を生成する。ＬＰＦ１４１は、適切な遅延と波形を得ることが目的である。乗算器１４２は、波形信号３０６に定数値ｋ２を乗算し、波形信号３０７を生成する。減算器１４３は、波形信号３０５から波形信号３０７を減算する。

減算器１４３による減算の結果、波形信号３０５の周波数の高い立ち上がり部分はそのまま残るが、波形信号３０５に含まれる話し声や周囲のノイズなどの比較的周波数の低い音に波形信号３０７が充分に追従しているため、それ以外の部分は負に落ち込む。
コアリング処理部１４４は、減算器１４３から出力された波形信号に対してある閾値よりも小さい入力値に対する出力値を“０”とするコアリング処理を施し、波形信号３０８のような急峻なエッジのみを持つ波形信号を生成する。コアリング処理部１４４の閾値を、“０”ではなく、適切な正の値を設定することで、残っている小さなノイズ除去も可能となる。

エッジパルス生成器１０９は、エッジ信号抽出器１０８から出力された波形信号３０８（エッジ信号）に基づいてエッジパルスを生成する。ここで、エッジ信号を単にレベルスライスしてエッジパルスを生成することもできる。しかしながら、ノイズへの耐性やエッジ信号に対する感度をより向上させるため、本実施の形態では図５で示す方法を用いる。
図５に示す波形信号４５１は、図３の波形信号３０８を拡大したものであり、丸印は各サンプリングデータを示す。エッジパルス生成器１０９はサンプリングデータを保持するＮ個のメモリ（ｒｍ_０〜ｒｍ_N-1）からなるリングメモリ４５２を備える。

現在時刻をｔ＝０とすると、メモリｒｍ_１には波形信号４５１におけるｔ＝−Ｎ・Δｔのサンプリングデータが保存され、メモリｒｍ_２にはｔ＝（−Ｎ＋１）・Δｔの値が保存される。同様に、波形信号４５１におけるｔ＝（−Ｎ＋２）・Δｔ、…、ｔ＝０の各サンプリングデータが、メモリｒｍ_３、…、ｒｍ_０に順に保存される。リングメモリ４５２には、現在時刻ｔ＝０から過去Ｎ回分のサンプリングデータが保存される。なお、ΔｔはＡ／Ｄコンバータ１０３、１２４でのＡ／Ｄ変換の周期である。
続いてｔ＝Δｔの時刻では、波形信号４５１におけるｔ＝Δｔのサンプリングデータがメモリｒｍ_１に上書きされ更新される。すなわち現在時刻ｔ＝Δｔにおいて最も古い時点のサンプリングデータ（ここでは、ｔ＝−Ｎ・Δｔ）を記憶しているメモリに、現在時刻のサンプリングデータが記憶される。メモリのｒｍ_２からｒｍ_０まではｔ＝０に記憶した値と同じ値を保持している。同様に、Δｔ毎にメモリは順次一つずつ更新され、現在時刻から過去Ｎ回分の値を参照することができる。

エッジパルス生成器１０９は、このようなリングメモリ４５２において記憶されたＮ個のサンプリングデータのうち、記憶された時点が古いほうから順にｘ個（ｘはＮよりも小さい）を加重平均したｓｕｍ_０と、現在の値も含めた記憶された時点が新しいほうから順にｘ個を加重平均したｓｕｍ_１とが、
ｓｕｍ_１−ｓｕｍ_０＞ｙ_ｔｈ
を満たすとき、エッジ信号が入力されたとみなし、図３の波形信号３０９のような所定のパルス幅を有するエッジパルスを出力する。本実施形態では、係数を１／４として加重平均値を求めた。なお、古い順からｘ個のサンプリングデータを記録した時点と現時点の値も含めた新しい順からｘ個のサンプリングデータを記録した時点とは時間的な間（間隙）があるようにｘを設定する。すなわち、ｘ＋ｘ＜Ｎの関係となるような値とする。
本実施の形態では、上記したように間隙を設けたが、古い順からｘ個のサンプリングデータを記録した時点と現時点の値も含めた新しい順からｘ個のサンプリングデータを記録した時点とが隣接するようにｘを設定してもよい。このときは、ｘ＋ｘ＝Ｎの関係となる。

ここで、コアリング処理部１４４でコアリング処理されて得られた波形信号３０８は、一つの大きなエッジだけを有するのではなく、図５に示す波形信号４５１のように実際には波形がうねっている。よってエッジパルス生成器１０９は、所定のパルス幅を有するエッジパルスを出力することにより不感帯を設け、一つの拍手に対して何度も検出してしまうことを避けている。
上記したｙ_ｔｈはエッジ検出の閾値であり、小さいほど拍手音を検出し易くなるが、周囲の雑音などでの誤検出も多くなる。一方で、ｙ_ｔｈが大きいほど誤検出は少なくなるが、拍手音も検出されにくくなる。そこで、拍手音を的確に検出でき、誤検出を極力少なくできるｙ_ｔｈを設定する。

この実施の形態のように、エッジパルス生成器１０９は波形の振幅値一つではなく、ｘ個の値を加重平均化したｓｕｍ_０、ｓｕｍ_１から差分を求めるため、波形がなまっていてもエッジ信号の差分値が大きくなり好ましい。また、リンギングやノイズに対する耐性が高く、良好なエッジ検出処理が可能となっている。

次に、図１に示す判定処理部１１２について詳しく説明する。判定処理部１１２は前述したように、エッジパルス生成器１０９から出力されるエッジパルスとカウンタ１１０からのカウント値とに基づいて、本実施の形態特有の判定処理を行う。

図６は判定処理部１１２の制御方法（判定処理アルゴリズム）を表したタイミングチャートである。図６は、電子機器を制御するために発生させる音波（拍手音）の回数が３回の場合を示した。以下に概要を説明する。
図６において、電子機器を制御するために発生させる拍手音や拍手音に類似したノイズが未発生状態である期間がｔ_ｓとなると、判定処理回路１１１は図６（Ｃ）に示す静寂フラグＦ_ｓを生成する。静寂フラグＦ_ｓが生成された後、マイク１０１がユーザにより発せられた第１の音波である拍手音を収音する。この第１の音波は、ユーザが電子機器を制御するために発生させようとする互いに所定の時間間隔を設けた一連の音波の、最初の音波である。エッジパルス生成器１０９は、図６（Ａ）に示す第１の音波に対応した第１のエッジパルス５０１を生成する。判定処理回路１１１は、エッジパルス生成器１０９が第１のエッジパルス５０１を生成した第１の時点から、第１の所定の時間ｔ_１が経過した後に、一連の音波の２回目の音波である第２の音波が発生されたか否かを検出するための図６（Ｂ）に示す時間幅ｔ_２を有する２回目の拍手音用のゲート５０４を生成する。

次に、ユーザがゲート５０４内で一連の音波の第２の音波を発生させる。エッジパルス生成器１０９は、図６（Ａ）に示す第２の音波に対応した第２のエッジパルス５０２を生成する。判定処理回路１１１は、エッジパルス生成器１０９が第２のエッジパルス５０２を生成した第２の時点から、第２の所定の時間ｔ_ＩＮ−（ｔ_３／２）が経過した後に、一連の音波の３回目の音波である第３の音波が発生されたか否かを検出するための図６（Ｂ）に示す時間幅ｔ_３を有する３回目の拍手音用のゲート５０５を生成する。
続いてユーザがゲート５０５内で一連の音波の第３の音波を発生させる。エッジパルス生成器１０９は、図６（Ａ）に示す第３の音波に対応した第３のエッジパルス５０３を生成する。判定処理回路１１１は、エッジパルス生成器１０９が第３のエッジパルス５０３を生成した第３の時点から、第３の所定の時間ｔ_ＩＮ＋（ｔ_３／２）が経過した後に、マイク１０１への音波の入力が停止したことを示す無音フラグＦ_Ｎを生成する。また判定処理回路１１１は、無音フラグＦ_Ｎを生成したことによりマイク１０１への音波の入力が停止したことを確定する。

次に判定処理部１１２の判定動作を、順を追って説明する。本実施の形態では、図６における静寂フラグＦ_Ｓ、フラグＦ_１〜Ｆ_３、無音フラグＦ_Ｎが全てセットされる構成例を好ましい制御方法とする。
まず、判定処理部１１２の判定処理回路１１１は、図６（Ｃ）に示す静寂フラグＦ_Ｓがセットされているかどうか判定する。静寂フラグＦ_Ｓがセットされておらず、かつ、図６（Ａ）に示すエッジパルスＦ_Ｐが“０”である状態から、カウンタ１１０がカウントを開始する。カウント値は、カウント開始時刻（ｔ＝０）から図６（Ｉ）に示すように増加し、判定処理回路１１１はカウント値が規定値に達するまでの一定期間ｔ_Ｓ、図６（Ａ）に示すようにエッジパルスＦ_Ｐがセットされない状態（論理０の状態）が続くか否かを判定する。
エッジパルスＦ_Ｐがセットされない状態が一定期間ｔ_Ｓ続くと、判定処理回路１１１は静寂とみなして図６（Ｃ）に示すように静寂フラグＦ_Ｓがセットされる（論理１となる）。これによりカウンタ１１０の時刻ｔが“０”にリセットされ、一連の判定動作がスタートする。

一定期間ｔ_Ｓが経過せず静寂フラグＦ_Ｓがセットされないうちに、エッジパルスＦ_Ｐがセットされた場合は、カウンタ１１０は時刻ｔを“０”にリセットし、再度カウントを始める。なお、オーバーフローを防ぐため、図６（Ｉ）に示すようにカウンタ１１０にはリミッタ値を設けておく。

静寂フラグＦ_Ｓがセットされると、カウンタ１１０の時刻ｔは“０”からインクリメントされる。このとき、静寂フラグＦ_Ｓが“１”で、かつ、後述する１回目の拍手音のフラグＦ_１が初期値の“０”の状態で、１回目の拍手音に基づくエッジパルスＦ_Ｐの入力待ち状態となる。
１回目の拍手音に基づくエッジパルスＦ_Ｐが図６（Ａ）に５０１で示すように入力されると、エッジパルスＦ_Ｐが“１”であると判定され、判定処理回路１１１は１回目の拍手音のフラグＦ_１を図６（Ｄ）に示すようにセットして（論理“１”として）、１回目の拍手と判定する。カウンタ１１０は時刻ｔを再び“０”にセットして、エッジパルスＦ_Ｐの立ち上がりでカウンタ１１０は、図６（Ｉ）に示すように再びカウントを開始する。

その後、静寂フラグＦ_ＳとフラグＦ_１が“１”で、かつ、後述する２回目の拍手音のフラグＦ_２が初期値の“０”の状態で、２回目の拍手音に基づくエッジパルスＦ_Ｐの入力待ち状態となる。判定処理回路１１１は、２回目の拍手音に基づくエッジパルスＦ_Ｐが図６（Ａ）に５０２で示すように入力されて、エッジパルスＦ_Ｐが“１”であると判定すると、エッジパルスＦ_Ｐの立ち上がり時点ｔが、ｔ≧ｔ_１、かつ、ｔ＜ｔ_１＋ｔ_２であるかを判定する。
つまり判定処理回路１１１は、２回目の拍手音に基づくエッジパルスＦ_Ｐの立ち上がり時点ｔが、図６（Ｂ）に示す時間幅ｔ_２を持つ２回目の拍手音用のゲート５０４（ゲートフラグＦ_Ｇ）内であるかどうか判定し、ゲート５０４内であれば、図６（Ｅ）に示すように２回目の拍手音のフラグＦ_２がセットされる。同時に、１回目の拍手音に基づくエッジパルスＦ_Ｐの立ち上がり時点から２回目の拍手音に基づくエッジパルスＦ_Ｐの立ち上がり時点ｔまでの値（時間）を、１回目の拍手音と２回目の拍手音のインターバル期間ｔ_ＩＮとして記憶し、カウンタ１１０は時刻ｔをｔ＝０にリセットして再度カウントを始める。

次に、静寂フラグＦ_Ｓと各回の拍手音のフラグＦ_１とＦ_２とが“１”で、かつ、後述する３回目の拍手音のフラグＦ_３が初期値の“０”の状態で、３回目の拍手音に基づくエッジパルスＦ_Ｐが図６（Ａ）に５０３で示すように入力されると、判定処理回路１１１はエッジパルスＦ_Ｐが“１”であると判定する。更に３回目の拍手音に基づくエッジパルスＦ_Ｐの立ち上がり時点ｔが、ｔ≧ｔ_ＩＮ−(ｔ_３／２）、かつ、ｔ＜ｔ_ＩＮ＋(ｔ_３／２)であるかを判定する。
つまり判定処理回路１１１は、３回目の拍手音に基づくエッジパルスＦ_Ｐの立ち上がり時点ｔが、図６（Ｂ）に示す時間幅ｔ_２より小なる時間幅ｔ_３を持つ３回目の拍手音用のゲート５０５（ゲートフラグＦ_Ｇ）内であるかどうか判定し、ゲート５０５内であれば、図６（Ｆ）に示すように３回目の拍手音のフラグＦ_３をセットする。さらに、３回目の拍手音のフラグＦ_３がセットされた後、再度カウンタ１１０をｔ＝０にリセットしてカウントを始める。なお、３回目の拍手音用のゲート５０５は、２回目の拍手音のフラグＦ_２が立ち上がった時点からインターバル期間ｔ_ＩＮからｔ_３／２の時間を減じた時間が経過した後立ち上がるようにセットする。

この時点では、静寂フラグＦ_Ｓ、拍手音フラグＦ_１、Ｆ_２、Ｆ_３はすべて論理“１”であり、また、４回目の拍手音のフラグＦ_４が初期値の“０”の状態である。この状態で時刻ｔはインクリメントされ、ｔ≧ｔ_ＩＮ＋（ｔ_３／２）となるまでエッジパルスＦ_Ｐがセットされない状態が続くと、図６（Ｇ）に示すように、無音フラグＦ_Ｎがセットされる。
判定処理回路１１１は、無音フラグＦ_Ｎをセットし、マイク１０１への音波の入力が停止したことを確定する。

そして、静寂フラグＦ_Ｓ、各拍手音のフラグＦ_１〜Ｆ_３、無音フラグＦ_Ｎが全てセットされ、本実施の形態の構成例を満たすため、図６（Ｈ）に示すように判定フラグＦ_Ｊが一定期間ｔ_Ｆだけ出力される。ここで、制御のための拍手音が正しく入力されたとして、一連の判定動作が完了する。判定処理部１１２は一定期間ｔ_Ｆ経過後、全てのフラグとカウント値を“０”にリセットし、カウンタ１１０は再度カウントし始め、次の判定動作に備える。
以上が、本実施の形態の判定処理部１１２の判定動作である。

なお判定処理部１１２は、２回目の拍手音に基づくエッジパルスＦ_Ｐ（５０２）が入力されない状態が（ｔ_１＋ｔ_２）の時間継続した場合は、入力失敗と判定して静寂フラグＦ_Ｓとインターバル期間ｔ_ＩＮと１回目の拍手音のフラグＦ_１をリセットする。
同様に、３回目の拍手音に基づくエッジパルスＦ_Ｐ（５０３）が入力されない状態が、ｔ_ＩＮ＋（ｔ_３／２）の時間継続した場合は、入力失敗と判定して静寂フラグＦ_Ｓとインターバル期間ｔ_ＩＮと拍手音フラグＦ_１、Ｆ_２をリセットする。
また、３回目の拍手音のフラグＦ_３をセットした後、ｔ_ＩＮ＋（ｔ_３／２）の時間経過する前に、エッジパルスＦ_Ｐが入力されたときには、予め定めた拍手音の回数より多いので、やはり入力失敗と判定する。

本実施の形態によれば、１回目の拍手音に対応した第１のエッジパルス５０１が生成された時点から２回目の拍手音に対応した第２のエッジパルス５０２が生成された時点までのインターバル期間ｔ_ＩＮを、３回目の拍手音が発生されたか否かを検出するためのゲート５０５を生成する際に反映させている。従って、３回目の拍手音用のゲート５０５は、第２のエッジパルス５０２が生成された時点からインターバル期間ｔ_ＩＮから３回目の拍手音用ゲート５０５の時間幅ｔ_３の１／２の時間を減じた時間が経過した後に生成される。
図６では図示していないが、拍手音を発生させる回数を４回以上とした場合にも、４回目以降の第ｎ（ｎは４以上の整数）の拍手音を検出するための第ｍ（ｍは３以上の整数でｎより１小さい数）のゲートを、既述した３回目の拍手音用ゲート５０５と同様に１または複数生成すればよい。第ｍのゲートは、３回目の拍手音用ゲート５０５と第ｎの拍手音が発生されたか否かを検出するための第ｍのゲートとにおける、隣接するゲートの間隔をインターバル期間ｔ_ＩＮから３回目の拍手音用ゲート５０５の時間幅ｔ_３の１／２の時間を減じた時間とするよう、それぞれ生成される。

このように、インターバル期間ｔ_ＩＮを３回目以降の拍手音を検出するためのゲートを生成する際に反映させることで、３回目の拍手音用のゲート以降の隣接する拍手音用のゲート（ゲートフラグＦ_Ｇ）を生成する間隔が等間隔になるように調整できる。
また本実施形態では、２回目の拍手音用のゲート５０４の時間幅ｔ_２を比較的長く設定することで、ユーザの様々な拍手のペースに対応することができる。更に、インターバル期間ｔ_ＩＮを反映させることで、３回目以降の拍手音用のゲートの時間幅ｔ_３を時間幅ｔ_２より小さい幅とすることができる。インターバル期間ｔ_ＩＮによりユーザが拍手音を発生させる間隔が判定でき、より小さい時間幅ｔ_３であっても拍手音を充分に検出できるためである。時間幅ｔ_３を小さくできることで、意図せずに発してしまった拍手音や、不定期に飛び込んでくる周囲のノイズ等による誤動作を減らすことができる。

判定処理部１１２は、マイク１０１に収音された一連の音波に基づくエッジパルスＦ_Ｐの数及び、発生する間隔を判定条件としている。更に正確な判定を必要とする際には、一連の音波の発生前における音波の未発生状態（静寂フラグＦ_Ｓ）及び一連の音波の発生後における音波の未発生状態（無音フラグＦ_Ｎ）を判定条件としている。
なお、静寂フラグＦ_Ｓまたは無音フラグＦ_Ｎのどちらか一方を含んだ判定条件、あるいは、いずれのフラグも含まない判定条件としてもよく、これらの場合判定処理部１１２の判定動作が簡易になる。
しかしながら静寂フラグＦ_Ｓ及び無音フラグＦ_Ｎを判定条件とすると、ユーザは所定回数だけ拍手すれば、所定回数＋２回分の判定が行われることになり、ユーザに拍手回数が増える負担を課すことなく、判定処理部１１２の判定動作はより誤動作の少ないものとなり好ましい。更に、周囲で発生する音等への耐性も、他の判定条件の場合より高くなり好ましい。

人によってやり易い拍手のペースは様々であり、例えば、拍手を比較的ゆっくりしたペースで行う人では、図７（Ａ）に７０１〜７０３で示すように各エッジパルスＦ_Ｐが比較的長い間隔を空けて入力される。それに伴い、３回目の拍手音用のゲートフラグＦ_Ｇ（７０５）、は図７（Ｂ）に示すように生成される。また例えば、拍手を比較的速いペースで行う人では、図７（Ｃ）に７０８〜７１０で示すように各エッジパルスＦ_Ｐが比較的短い間隔で入力され、３回目の拍手音用のゲートフラグＦ_Ｇ（７１２）は図７（Ｄ）に示すように生成される。
図７（Ａ）、（Ｃ）のいずれの場合にも、１回目と２回目の拍手音のインターバル期間ｔ_ＩＮを、２回目の拍手音に対応した第２のエッジパルス７０２、７０９が発生した時点から３回目の拍手音用ゲート７０５、７１２を立ち上げるまでの期間に反映させるようにしているので、本実施の形態であれば、拍手の間隔のばらつきにも対応することができる。

ただし、どんなペースでも許してしまうと、誤動作の原因となるため、１回目の拍手から最後の拍手までの時間をある程度決めておいた方がよい。具体的には、図７のような３回拍手の場合、１回目から３回目までの拍手を３秒程度の間に行えば正しく判定できるように、ｔ_１及びｔ_２を設定するとよい。

なお、本実施の形態では３回の拍手をもって制御する場合を示したが、これに限定するものではない。回数を多くすれば、それだけ判定条件が厳しくなるので、誤動作への耐性は高くなる。しかし、あまり多いとユーザは煩わしさを感じ、また失敗することも多くなるため、３〜４回が適度であるといえる。

また、拍手回数を少なくした場合、例えば２回の場合では、３回以上の場合のようにインターバル期間ｔ_ＩＮを反映するというアルゴリズムを適用できなくなる。その場合誤動作への耐性は低くなってしまうものの、既述したように拍手音の発生する前後の静寂状態を判定条件に加えることで、２＋２回の判定が行われ、２回の拍手のみに基づく判定を行う場合よりも、はるかに高い耐性を得ることができる。

図８は、ゲートフラグＦ_Ｇがセットされている期間外に、エッジパルスＦ_Ｐが生成され、入力が失敗となる場合のタイミングチャートを示す。図８（Ａ）に８０１で示す１回目の拍手音に基づくエッジパルスＦ_Ｐが生成され、図８（Ｂ）に８０４で示す２回目の拍手音用のゲートフラグＦ_Ｇが生成され、図８（Ａ）に８０２で示す２回目の拍手音に基づくエッジパルスＦ_Ｐが生成される。また、図８（Ｃ）、（Ｄ）、（Ｅ）に示すように静寂フラグＦ_Ｓ、フラグＦ_１、フラグＦ_２がセットされる。
ここまでは図６と同じであるが、図８（Ａ）に８０３で示す３回目の拍手音に基づくエッジパルスＦ_Ｐが、図８（Ｂ）に示す３回目の拍手音用のゲート８０５の外でセットされている。

この場合、これは意図せずに発した音や周囲からのノイズとみなされ、入力は失敗となり、図８（Ｆ）、（Ｇ）に示すようにフラグＦ_３、無音フラグＦ_Ｎはセットされない。従って判定動作は終了となり、図８（Ｈ）に示すように判定フラグＦ_Ｊは出力されない。判定フラグＦ_Ｊが出力されずに終了となった場合、判定処理部１１２はその時点で全てのフラグとカウンタを０にリセットし、カウンタ１１０は時刻ｔを再カウントし始め、次の判定動作スタートに備える。

すなわち、本実施の形態では、ゲート期間外にエッジパルスＦ_Ｐが１回でも入力された場合には、制御のための拍手の入力は失敗とみなすようにしているため、より拍手音の検出を正確に行うことができる。

なお、本体音が出ていない場合及び本体電源オフ時は、図１及び図３に示した本体音除去回路１０７に入力される波形信号３０２は、ほぼゼロ又は多少のノイズ成分を持ったものである。従って、本実施の形態の電子機器は、本体音除去回路１０７を備えていない構成の電子機器と同様の動作をする。

以上の処理により、テレビや音響機器などの本体音による誤動作を減らすことができる。更に、本体のスピーカから本体音が出力されて、マイクから入力される音に本体音の成分が含まれていても、拍手音が本体音よりもある程度大きければ、拍手音として検出することができ、検出した拍手音に基づいて制御信号を生成することができる。

（第２の実施の形態）
次に、本発明の第２の実施の形態について説明する。図９は本発明になる電子機器の第２の実施の形態の要部のブロック図を示す。同図中、図３と同一構成部分には同一符号を付し、その説明を省略する。
第１の実施の形態では、ＬＰＦ１４１にコアリング処理部１３１から出力された波形信号３０５を供給していたが、第２の実施の形態では、エッジ信号抽出器１０８’のＬＰＦ１４１に遅延器１２９から出力された波形信号３０３を供給する。

制御対象の電子機器から本体音が出力されている場合、第１の実施の形態により、ほぼ本体音の影響はなくなり、誤動作を起こすことなく拍手音による制御が可能である。しかし、本体スピーカ１２２から出力される音が非常に大きい場合などに、稀に本体音除去回路１０７において本体音が十分に除去されず、図１及び図３のエッジ信号抽出器１０８内の処理では除去しきれない程のパルス性のノイズが残る場合がある。ノイズが除去されきらない場合、エッジパルス生成器１０９で、ノイズを拍手音として誤認識してしまうおそれがある。
そこで、第２の実施の形態では、前述したように、ＬＰＦ１４１に供給される第二の入力を遅延器１２９から出力された波形信号３０３とすることで、このような状況を回避するようにしたものである。

図９において、エッジ信号抽出器１０８’に対する２入力のうち、第一の入力は第１の実施の形態と同じ本体音除去回路１０７の出力波形信号３０５を用いる。第二の入力は既述したように、本体音除去回路１０７の出力波形信号３０５ではなく、波形信号３０３を用いる。波形信号３０３は、マイク１０１により収音された音声信号に基づく信号であり、電子機器から発せられる本体音に基づく音声信号を含んだ信号である。
波形信号３０３はＬＰＦ１４１により高域周波数成分が減衰された後、乗算器１４２で定数値ｋ２を乗算され波形信号３１０となる。減算器１４３は、第一の入力側の波形信号３０５から波形信号３１０を減算し、コアリング処理部１４４はその波形信号をコアリング処理する。

これにより、エッジ信号抽出器１０８’での処理において、エッジ信号抽出処理だけでなく２回目の本体音除去処理が行われることになるので、大きな振幅のパルス性のノイズも十分除去され、誤動作への耐性もより上がることになる。ただし、検出するべき拍手音成分を必要以上に削ってしまう可能性もあるため、図４に示した波形整形フィルタ１２８内の乗算器１５４の係数値ｋ１と、図９に示すエッジ信号抽出器１０８’内の乗算器１４２の係数値ｋ２とを適切な値に設定する必要がある。

（第３の実施の形態）
拍手音により電子機器を制御するとき、周囲に拍手音以外に大きなノイズがある場合、拍手音が周囲の音に埋もれてしまい、検出ができなくなってしまう可能性がある。また、例えば大音量で音楽を聞いている場合などでは、その音楽の中で拍手音と似た音（振幅値や周波数帯域など）が鳴った場合、拍手音と認識してしまい、誤動作を起こす可能性もある。
ここでは、このような拍手音以外の周囲の音により、拍手による制御が困難となる、または誤動作につながる可能性がある状態を、騒音状態と呼ぶことにする。

そこで、第３の実施の形態では、騒音状態かどうかを判断し、騒音状態と判断した場合は、拍手による電子機器の制御を禁止する機能を実現する。
拍手音はインパルス的な波形を示すので、ほぼ全ての周波数帯域にわたって信号成分を持っている。この特徴を利用して、入力された音を帯域フィルタで複数の帯域に分割し、それぞれに対して第１の実施の形態のような拍手音検出処理を行えば、拍手音とその他の音、例えばある特定の帯域にしか存在しない音との区別ができる。帯域の分割数が多いほど、区別の精度は上がる。ここでは、最も簡単な、帯域を２分割する例について説明する。

図１０は本発明になる電子機器の第３の実施の形態を示すブロック図である。同図中、図１と同一構成部分には同一符号を付し、その説明を省略する。第１の実施の形態ではオフセット成分除去部１０５、１２５の後段に絶対値化回路１０６、１２６をそれぞれ設けていたが、第３の実施の形態ではオフセット成分除去部１０５、１２５の後段に、帯域分割処理部１６１、１６４及び以降の回路ブロックをそれぞれ設けた。
第３の実施の形態の電子機器は、図１０に示すように帯域分割処理部１６１の後段に、高域成分絶対値化部１６２と低域成分絶対値化部１６３とを備え、帯域分割処理部１６４の後段に、高域成分絶対値化部１６５と低域成分絶対値化部１６６とを備える。更に、高域成分絶対値化部１６２、１６５の後段には高域成分本体音除去部１６７と高域成分拍手音検出処理部１６９とを備え、低域成分絶対値化部１６３、１６６の後段には低域成分本体音除去部１６８と低域成分拍手音検出処理部１７０とを備える。また、騒音状態検出部１７１と判定処理部１７２も備える。判定処理部１７２は、第１の実施の形態の判定処理部１１２と同様の構成である。

オフセット成分除去部１０５、１２５からそれぞれ出力されたディジタル音声信号は、帯域分割処理部１６１、１６４により周波数帯域が２分割されて高域周波数成分と低域周波数成分とされる。帯域分割処理部１６１、１６４はそれぞれ同一構成で、例えば低域フィルタ（ＬＰＦ）と減算器とからなる。
ＬＰＦは、オフセット成分除去部１０５、１２５でオフセット成分を除去した信号の低域周波数成分（以下、低域成分）を取り出して出力する。減算器は、ＬＰＦより出力された低域成分を、オフセット成分除去部１０５、１２５から出力されたオフセット成分を除去した信号から差し引く。従って減算器は、オフセット成分を除去した信号中の低域成分が減衰された、すなわち、高域フィルタ特性が付与された高域周波数成分（以下、高域成分）を出力する。

帯域分割処理部１６１、１６４内のＬＰＦとしては、後段で拍手音に基づくエッジの立ち上がりを検出することに配慮して、周波数の遷移域がある程度急峻でリンギングが少ない特性であることが好ましい。またＬＰＦは、消費電力を抑えてサンプリング周期内で処理が完結するためにできるだけタップ係数が少ないフィルタ方式であることが望ましく、例えば、最大平坦ハーフバンドＦＩＲフィルタ（Maximum Flat Half Band Finite Impulse Response Filter）を用いる。

帯域分割処理部１６１、１６４から出力された高域成分は高域成分絶対値化部１６２、１６５にそれぞれ供給されて絶対値化され、また、帯域分割処理部１６１、１６４から出力された低域成分は低域成分絶対値化部１６３、１６６にそれぞれ供給されて絶対値化される。高域成分絶対値化部１６２、１６５で絶対値化された２つの高域成分は高域成分本体音除去部１６７に供給され、低域成分絶対値化部１６３、１６６で絶対値化された２つの低域成分は低域成分本体音除去部１６８に供給される。

高域成分本体音除去部１６７と低域成分本体音除去部１６８の構成は、図１に示した本体音除去回路１０７と同一構成である。ただし、入力される信号が高域成分または低域成分である点が異なる。高域成分本体音除去部１６７と低域成分本体音除去部１６８は、本体音除去回路１０７と同様の処理により入力信号（高域成分、低域成分）に含まれる本体音成分を除去する。

高域成分拍手音検出処理部１６９は、高域成分本体音除去部１６７からの本体音成分が除去された高域成分（高域成分絶対値）が供給され、その中の拍手音を検出して高域成分のエッジパルスＦ_ＰＨを生成する。一方、低域成分拍手音検出処理部１７０は、低域成分本体音除去部１６８からの本体音成分が除去された低域成分（低域成分絶対値）が供給され、その中の拍手音を検出して低域成分のエッジパルスＦ_ＰＬを生成する。
高域成分拍手音検出処理部１６９及び低域成分拍手音検出処理部１７０は、いずれも図１に示したエッジ信号抽出器１０８とエッジパルス生成器１０９とよりなる構成であり、その動作は既に説明したのでここではその説明を省略する。

図１０の騒音状態検出部１７１は、高域成分本体音除去部１６７から出力された高域成分絶対値と低域成分本体音除去部１６８から出力された低域成分絶対値との、いずれか一方又は両方に基づき、周囲に拍手音以外に連続した大きな音が存在するかどうかを判断し、判定処理部１７２へ判断結果を出力する。判定処理部１７２は、図１に示した判定処理部１１２と略同様に、カウンタと判定処理回路とから構成されている。

ここで、騒音状態検出部１７１は次に説明する１〜４のいずれかの動作を行う。
（１）低域成分絶対値について適切な閾値を設定して低域成分のみで騒音状態を検出する。（２）高域成分絶対値について適切な閾値を設定して高域成分のみで騒音状態を検出する。（３）低域成分絶対値と高域成分絶対値のそれぞれについて適切な閾値を設定してそれぞれ騒音状態を検出し、どちらか一方又は両方が騒音状態として検出されるときに騒音状態と判定する（一方／両方にするかは判定の厳しさに反映される）。（４）低域成分と高域成分の騒音状態検出対象値（それぞれ絶対値化後の値）を加算又はある比率を掛け合わせたものを加算し（例えば、α×低域成分絶対値＋β×高域成分絶対値）、この値に適切な閾値を設定して騒音状態を判定する。

次に、騒音状態検出部１７１の検出動作について、図１１を併せ参照して説明する。図１１（Ａ）は騒音状態検出部１７１に供給される騒音状態での絶対値化後の波形信号１００２の様子を表す。入力された波形信号１００２における拍手音の成分１００１は、騒音状態による成分に埋もれてしまい、第１の実施の形態での処理で検出することは難しい。

そこで、本実施の形態では図１１に示すように、まず波形信号１００２に対して、適切な閾値１００３を設ける。そして、波形信号１００２の値から閾値１００３を引いた値を変数とし、変数を累積して変数ｓｕｍとする。波形信号１００２の値が閾値１００３未満であれば、負の値の加算、つまり変数ｓｕｍからの減算となる。
図１１（Ａ）で加算と記した範囲では、閾値１００３よりも大きい値が入力されているので、閾値１００３との差分を変数ｓｕｍに加算し、減算と記した範囲では、閾値１００３よりも入力された値が小さいので、差分を変数ｓｕｍより減算している。このときの変数ｓｕｍを図１１（Ｂ）で示す。

次に、変数ｓｕｍに対しても適切な閾値１００４を設け、この閾値１００４よりも変数ｓｕｍが大きい場合、騒音状態検出部１７１は、この状態を騒音状態とみなし、拍手制御禁止フラグＦ_Ｆを判定処理部１７２へ出力する。ここで、波形信号１００２の値が閾値１００３を越え続けると、変数ｓｕｍは加算され続けるので、オーバーフローを防ぐために変数ｓｕｍに対して図１１（Ｂ）に示すようにリミッタ１００５を設けている。また変数ｓｕｍの下限値は０とする。

図１０の判定処理部１７２内の判定処理回路は、拍手制御禁止フラグＦ_Ｆが入力されない場合は、第１の実施の形態の判定処理回路１１１と同様の判定動作を行う。一方で、拍手制御禁止フラグＦ_Ｆが入力された場合は、判定動作を停止するなどして、拍手制御を禁止することで、周囲のノイズによる誤動作を防ぐ。また、拍手制御禁止フラグＦ_Ｆがセットされた場合には、ユーザが拍手制御を受け付けない状態であることを認知できるよう、画面に所定の表示を行ったり、スピーカから所定の音声を発生させたりすると良い。

図１１において、波形信号１００２の値に対して、レベルスライスして判定を行うと、拍手音の成分は立ち上がりに大きな振幅を持っているので、拍手音自身で拍手制御禁止フラグＦ_Ｆがセットされてしまう。しかし、本実施の形態のように、波形信号１００２の値ではなく、その累積値の変数ｓｕｍに対して判定を行うことで、連続的な大きな周囲の音に対してのみ、拍手制御禁止フラグＦ_Ｆを立てることができる。

図１２は３回拍手をして電子機器を制御する場合の評価の一例を示し、「○」は各エッジパルスがゲート期間内に検出された場合を示し、「×」はエッジパルスが検出されなかった場合を示す。
図１２の例では、２回目の拍手に基づく高域エッジパルスＦ_PHが検出できなかったが、低域エッジパルスＦ_PLは全ての拍手に基づいたものが検出できた。ここでは評価の仕方として、１回目の拍手を全ての始まりとし、誤検出を避けることを重要視して、高域エッジパルスＦ_PHと低域エッジパルスＦ_PLの両方の論理積を１回目の拍手の演算結果として算出している。

一方、２回目の拍手及び３回目の拍手の演算結果は高域エッジパルスＦ_PHと低域エッジパルスＦ_PLの論理和をとって算出する。そして、第１の評価としては、１回目から３回目までの拍手音に基づくエッジパルスの演算結果があることを確認する。第２の評価は、２回目と３回目の拍手におけるエッジパルスＦ_PH、Ｆ_PLの検出回数の総和を評価する。エッジパルスＦ_PH、Ｆ_PLが完全に検出されれば検出回数は４回であるが、ここでは認識率を高めるため検出回数が３回以上であれば認識を確定させることにしている。このような処理とするのは誤認識に対する耐性を高めるためである。

例えば、電子機器の警告音などビープ音と呼ばれる電子音などは、特定の周波数成分を有している。従って拍手と同じように例えばビープ音が３回繰り返されると、エッジパルスを検出し区別がつかなくなる。このような場合を想定しても、図１２の評価方法によれば、全３回の拍手の内１回は既述したように論理積を見ているので、高域エッジパルスＦ_PHと低域エッジパルスＦ_PLの両方が同時に立っていることが必要とされ、ビープ音のような電子音に対して誤認識を避けることができるものである。ビープ音と呼ばれる電子音などは、特定の周波数成分を有しているため、高域エッジパルスＦ_PHと低域エッジパルスＦ_PLの両方が同時に立つことはないからである。

なお、評価の仕方は図１２に示した方式のみでなく、全ての回数の拍手において演算内容を高域エッジパルスＦ_PHと低域エッジパルスＦ_PLの論理積とする厳しい評価もできる。
また、全ての回数の拍手において演算内容を高域エッジパルスＦ_PHと低域エッジパルスＦ_PLの論理和としてエッジパルスの検出回数の総和を評価することも可能である。検出精度を向上させるか、誤認識に対する耐性を高めるかは、環境に応じて設定されることが好ましい。

判定処理部１７２は、騒音検出部１７１から拍手制御禁止フラグＦ_Ｆが入力されない場合は、第１の実施の形態の判定処理回路１１１と同様の判定動作を行う。一方で、拍手制御禁止フラグＦ_Ｆが入力された場合は、判定動作を停止するなどして、拍手制御を禁止することで、周囲のノイズによる誤動作を防ぐ。また、拍手制御禁止フラグＦ_Ｆがセットされた場合には、ユーザが拍手制御を受け付けない状態であることを認知できるよう、画面に所定の表示を行ったり、スピーカから所定の音声を発生させたりすると良い。

以上のように、拍手制御禁止フラグＦ_Ｆを導入することにより、図１１（Ａ）で表されるような、連続した大きなノイズが存在する場合の誤動作を防ぐことができる。更に、前述したユーザが禁止状態を認知できるような表示等があれば、拍手制御ができない状態なのにむやみに拍手せずに済む。また、騒音の原因になるものが例えば音楽であれば、それを止めるなどの対応をとることができるようになる。

（第４の実施の形態）
次に、本発明の第４の実施の形態について説明する。第１の実施の形態では、ある決められた回数（第１の実施の形態では３回）のみの拍手音を判定する判定処理部１１２の制御方法（判定処理アルゴリズム）を示した。しかし、ある決められた回数のみについてしか判定できないと、この拍手音による電子機器制御を実際に用いる場合、電子機器の状態に応じて制御を変えたとしても、その時点では一種類の制御しかできないことになる。これは、本発明を用いるにあたり、大きな制約となってしまう。
数種類の拍手の回数を識別し、各回数に応じた制御動作をそれぞれ設定できれば、利用の幅も広がる。そこで、本実施の形態では、数種類の拍手回数を判定する制御方法を説明する。

図１３は、本実施の形態の一実施例として、３回と４回の拍手を判定する制御方法を示す。図１３（Ａ）は３回の拍手で制御する場合、図１３（Ｂ）は４回の拍手で制御する場合のエッジパルスＦ_Ｐを示す。３回目の拍手まで入力が完了している状態、つまり図６に示した静寂フラグＦ_Ｓ及び各拍手音フラグＦ_１〜Ｆ_３がセットされている状態までは、第１の実施の形態と同じなので説明及び図示を省略し、３回目の拍手音に基づくエッジパルスＦ_Ｐの出力以降の判定処理部１１２（または１７２）の動作について説明する。

図１３（Ａ）に示すように、判定処理回路１１１が３回目の拍手音に基づくエッジパルスＦ_Ｐを、図１３（Ｃ）に示す３回目の拍手音のゲート１３０１の中で検出すると、カウンタ１１０はｔ＝０から再カウントを始める。この後、図１３（Ｃ）のＴ１及びＴ２の期間内（ｔ＜ｔ_ＩＮ＋(ｔ_３／２)）にエッジパルスＦ_Ｐが生成されず、ｔ≧ｔ_ＩＮ＋（ｔ_３／２）となると、既述した３回の拍手の判定条件を満たし、入力成功となる。これは、第１の実施の形態の通りである。
一方で、図１３（Ｃ）のＴ１及びＴ２の期間内（ｔ＜ｔ_ＩＮ＋(ｔ_３／２)）の間にエッジパルスＦ_Ｐが検出された場合、３回目の拍手の後、所定期間エッジパルスＦ_Ｐが検出されないという条件を満たしていないので、３回の拍手による制御は失敗となる。

図１３（Ｂ）に示す４回の拍手の場合は、図１３（Ａ）と同様に３回目の拍手音に基づくエッジパルスＦ_Ｐが、図１３（Ｃ）に示す３回目の拍手音のゲート１３０１の中で検出されると、カウンタ１１０はｔ＝０から再カウントを始める。続いて判定処理回路１１１は、４回目の拍手音が発生されたか否かを検出するためのゲート１３０２を、エッジパルス生成器１０９が３回目の拍手音に基づくエッジパルスＦ_Ｐを生成した時点ｔから、所定の時間ｔ_ＩＮ−(ｔ_３／２）が経過した後に生成する。
ここで、図１３（Ｃ）に示す各期間Ｔ１〜Ｔ３において４回目の拍手音に基づくエッジパルスＦ_Ｐが生成された場合をそれぞれ説明する。

まず、ゲート１３０２の外である期間Ｔ１（ｔ＜ｔ_ＩＮ−(ｔ_３／２)）に４回目の拍手音に基づくエッジパルスＦ_Ｐが生成されると、４回の拍手による制御は失敗となる。
ゲート１３０２内である期間Ｔ２、つまりｔ≧ｔ_ＩＮ−(ｔ_３／２)、かつ、ｔ＜ｔ_ＩＮ＋(ｔ_３／２)の間に４回目の拍手音に基づくエッジパルスＦ_Ｐが生成されると、判定処理回路１１１は４回目の拍手音に基づく音波が発生されたことを検出する。４回目の拍手音に基づくエッジパルスＦ_Ｐが生成された時点ｔから、Ｔ３の期間であるｔ_ＩＮ＋（ｔ_３／２）が経過するまでエッジパルスＦ_Ｐが生成されないことが確認されると、４回の拍手の判定条件を満たし、４回の拍手による制御は成功となる。

なお、ゲート１３０２の外である期間Ｔ３に４回目の拍手音に基づくエッジパルスＦ_Ｐが生成されても、４回の拍手による制御は失敗となる。既に３回目の拍手音に基づくエッジパルスＦ_Ｐを生成した時点ｔから、ｔ_ＩＮ＋（ｔ_３／２）が経過しているため、４回目の音波が入力されたとしても認識されない。
本実施例のように３回または４回の拍手で制御する設定となっている場合には、既述したように３回の拍手の判定条件を満たしているため、３回の拍手による制御と判定される。

以上で、３回の拍手音と４回の拍手音とがそれぞれ判定される条件を別々に考えたが、これらをまとめると、それぞれの判定条件は、図１４に示したようになる。図１４において、「○」はその期間内にエッジパルスＦ_Ｐが一度セットされること、「×」はその期間内にエッジパルスＦ_Ｐが一度もセットされないこと、「−」は無関係であることを表す。
期間Ｔ１内でエッジパルスＦ_Ｐがセットされた場合、拍手回数が３回、４回のどちらの判定条件にも一致しないので、入力失敗となる。期間Ｔ２内でエッジパルスＦ_Ｐがセットされなければ３回の拍手と判定され、期間Ｔ２内でエッジパルスＦ_Ｐがセットされた場合は、３回の拍手である可能性はなくなる。更に期間Ｔ２内でエッジパルスＦ_Ｐがセットされ、期間Ｔ３内でエッジパルスＦ_Ｐがセットされなければ、４回の拍手と判定される。

以上の判定動作を実現することにより、３回と４回の拍手を識別することができる。また、この判定方法は、理論上、回数や回数の種類を限定するものではないため、広く応用することができる。すなわち、例えば、３以上の複数種類の拍手回数を識別することも可能である。

以上説明した本発明の各実施の形態による拍手音により電子機器を制御する一例として、テレビジョン受像機（以下、テレビと略す）を制御する実施例を図１５に示す。同図中、図１、図２、図１０と同一構成部分には同一符号を付してある。
図１５（Ａ）は電源オフ時、図１５（Ｂ）は電源オン時のテレビ２０１をそれぞれ示している。テレビ２０１の正面上部にはマイク１０１が設けられており、正面下部には本体スピーカ１２２が設けられている。また、マイク１０１の隣には発光色が異なる複数の発光ダイオード（ＬＥＤ）からなるインジケータ２０２が設けられている。インジケータ２０２は、ユーザに対して、現在マイク１０１から入力されている音が、どのような状態かを示すものである。

マイク１０１は、拍手音をよく拾える位置に設置するのが望ましく、図１５（Ａ）、（Ｂ）のようにテレビ２０１の上部中央に設置してもよいし、他の場所でもよい。しかしながら、本体スピーカ１２２とマイク１０１の距離や角度、使用環境によって、マイク１０１に回り込む本体音の周波数成分や振幅に差異が生じ、本体音除去のためのパラメータが変わる可能性があるので、マイク１０１の位置は可変ではなく固定されている方が望ましい。

拍手３回での制御を電子機器の電源オンと電源オフとに割り当てた場合、図１５（Ｂ）の電源オン時に本体音による誤動作や操作制御の妨害が起きることが予想される。これに対応するには、電源オン時にはマイク１０１に入力された音量が設定した閾値を超える場合は拍手制御を禁止するといったような、ユーザにとっての利便性を犠牲にする方法しかなかった。
しかし、本発明によれば、図１５（Ａ）の電源オフ時でも、図１５（Ｂ）の電源オン時でも、本体音除去回路１０７や本体音除去部１６７、１６８により本体音が除去されるので、ユーザが電源のオン／オフの違いを意識する必要なく、同じように拍手音で制御ができる。

また、電子機器は通常、電源オフ時は内部のマイコンがスタンバイ状態やストップモードと呼ばれる状態になっており、通常動作時と比べ、クロック周波数を下げたり、クロックの供給をストップしたりしている。この状態で、既述した処理をソフトウェアで行うのは難しいので、例えば、全ての処理をハードウェアで行い、マイコンへ割り込み信号として信号を入力する等の対応が必要となる。

図１６はテレビ２０１の制御に対して、異なる回数の拍手を、それぞれ別の制御に割り当てた場合の実施例を示す。同図中、図１５と同一構成部分には同一符号を付し、その説明を省略する。ここでは、４回の拍手を電源オン／オフに、３回の拍手をチャンネルのアップに割り当てた。

これにより、図１６（Ａ）に示すように、テレビ２０１が電源オフの状態で拍手が４回されると、テレビ２０１に内蔵された本発明の実施の形態の電子機器がその４回の拍手音を識別して得た制御信号により、テレビ２０１は図１６（Ｂ）に示すように電源オンの状態へ遷移する。また、図１６（Ｂ）に示すテレビ２０１が電源オンの状態で拍手が４回されると、テレビ２０１は図１６（Ａ）に示すように、電源オフの状態へ遷移する。

また、図１６（Ｂ）に示すテレビ２０１が電源オンの状態で拍手が３回されると、テレビ２０１は現在視聴しているチャンネルから一つアップして、図１６（Ｃ）に示すようにアップ後のチャンネルを受信するように操作制御される。
このように、拍手の回数毎に異なる制御ができるためには、図１３及び図１４と共に説明した第４の実施の形態の構成が必要であり、この実施の形態を適用することでテレビ視聴時にも本体音に影響されることなく、拍手音制御が可能である。

以上より、第１〜第４の実施の形態の電子機器及びその音声信号処理方法を用いると、本体音に影響されることなく拍手音による電子機器制御を行える。なお、第１〜第４の実施の形態では、３回以上の拍手の判定について説明したが、１回または２回の拍手でも、電子機器制御に用いることは可能である。しかし、３回未満の拍手では、単純に判定の回数が少ないことに加え、第１の実施の形態で説明した、１回目と２回目の拍手のインターバル期間を次のインターバル期間へ反映するという制御方法が適用できないため、３回以上の場合と比べて大幅に誤動作が多くなってしまう。よって、以上の実施の形態で説明したように、拍手の回数は３回以上が現実的であるといえる。

なお、以上の実施の形態及び実施例では、ユーザ（操作者）が発生させた拍手音によって電子機器を制御する説明をしたが、これに限るものではない。ユーザは電子機器を制御するための音波を所定回数発生させればよく、音波発生方法としては拍手以外の方法（例えば、ユーザが手に持った物体を最寄りの位置にある机などの何かに叩いて発する打撃音その他）も本発明に含まれる。
また、ＣＰＵ１０４をソフトウェアで動作させて上記の各実施の形態を実現させるコンピュータプログラムも本発明に包含されるものである。このコンピュータプログラムは、記録媒体からコンピュータに取り込まれてもよいし、通信ネットワークを介して配信されてコンピュータにダウンロードされてもよい。

本発明の第１の実施の形態の電子機器のブロック図である。 本体スピーカ１２２から出力される音とマイク１０１へ入力される音の、アンプで増幅される前後の波形信号を表す図である。 図１中の本体音除去回路１０７及びエッジ信号抽出器１０８の構成と処理内容の一例を示す図である。 図１中の波形整形フィルタ１２８の構成と処理内容の一例を示す図である。 図１中のエッジパルス発生器１０９の処理内容を示す図である。 本発明の第１の実施の形態の制御方法を説明するタイミングチャートである。 本発明の第１の実施の形態の制御方法が様々な拍手のペースに対応できることを示した図である。 本発明の第１の実施の形態の制御方法において、失敗と判定される例を示した図である。 本発明の第２の実施の形態のエッジ信号抽出器１０８’での処理内容を示す図である。 本発明の第３の実施の形態の電子機器のブロック図である。 図１０中の騒音状態検出部１７１の動作を説明する図である。 図１０中の判定処理部１７２による３回拍手をして認識を確定させる場合の評価を示す図である。 本発明の第４の実施の形態の制御方法を説明するタイミングチャートである。 本発明の第４の実施の形態の電子機器で行う判定条件を説明する図である。 本発明を用いてテレビの電源オン／オフを制御する実施例を説明する図である。 本発明を用いてテレビの異なる制御を行う実施例を説明する図である。 テレビを拍手で制御する場合の課題を説明する図である。

符号の説明

１０１ マイク
１０２、１２３ アンプ
１０３、１２４ Ａ／Ｄコンバータ
１０４ 中央処理装置（ＣＰＵ）
１０５、１２５ オフセット成分除去部
１０６、１２６ 絶対値化回路
１０７ 本体音除去回路
１０８、１０８’ エッジ信号抽出器
１０９ エッジパルス生成器
１１０ カウンタ
１１１ 判定処理回路
１１２ 判定処理部
１２１ 本体アンプ
１２２ 本体スピーカ
１２８ 波形整形フィルタ
１２９、１５２_１〜１５２_Ｎ 遅延器
１３０ 減算器
１３１、１４４ コアリング処理部
１４１、１５０ 低域フィルタ（ＬＰＦ）
１４２、１５４ 乗算器
１５１ 幅広処理部
１５３ 最大値抽出器
１６１、１６４ 帯域分割処理部
１６２、１６５ 高域成分絶対値化部
１６３、１６６ 低域成分絶対値化部
１６７ 高域成分本体音除去部
１６８ 低域成分本体音除去部
１６９ 高域成分拍手音検出処理部
１７０ 低域成分拍手音検出処理部
１７１ 騒音状態検出部
１７２ 判定処理部
２０１ テレビ

Claims (6)

1. 電子機器から発生する第１の音声信号を電気−音響変換して出力するスピーカと、
   前記スピーカから発せられた前記第１の音声信号に基づく第１の音波に、前記電子機器を制御するために発生させた音波が重畳した第２の音波を収音して音響−電気変換して第２の音声信号を出力する収音器と、
   前記第１の音声信号に所定の信号処理を施して第１の波形信号を生成する第１の波形生成器と、
   前記収音器から出力された第２の音声信号に所定の信号処理を施して第２の波形信号を生成する第２の波形生成器と、
   前記第１の波形信号を時間軸方向に拡大して第３の波形信号として出力する波形整形器と、
   前記第２の波形信号から前記第３の波形信号を減算する減算器と
   を備えることを特徴とする電子機器。
2. 前記第１の波形生成器は、
   前記第１の音声信号よりオフセット成分を除去した音声信号を生成する第１のオフセット成分除去部と、前記第１のオフセット成分除去部から出力された音声信号を絶対値化して前記第１の波形信号を出力する第１の絶対値化回路とを備え、
   前記第２の波形生成器は、
   前記第２の音声信号よりオフセット成分を除去した音声信号を生成する第２のオフセット成分除去部と、前記第２のオフセット成分除去部から出力された音声信号を絶対値化して前記第２の波形信号を出力する第２の絶対値化回路とを備える
   ことを特徴とする請求項１記載の電子機器。
3. 前記波形整形器は、
   前記第１の波形信号を所定の時間保持する複数の保持器と、
   前記複数の保持器から出力された複数の前記第１の波形信号の最大値を抽出し、抽出した前記複数の最大値を時系列的に合成して前記第３の波形信号を生成する抽出器とを備える
   ことを特徴とする請求項１または２に記載の電子機器。
4. 電子機器から発生する第１の音声信号を電気−音響変換して第１の音声信号として出力する電気−音響変換ステップと、
   前記第１の音声信号に基づく第１の音波に、前記電子機器を制御するために発生させた音波が重畳した第２の音波を収音する収音ステップと、
   前記第２の音波を音響−電気変換して第２の音声信号を出力する音響−電気変換ステップと、
   前記第１の音声信号に所定の信号処理を施して第１の波形信号を生成する第１の波形生成ステップと、
   前記第２の音声信号に所定の信号処理を施して第２の波形信号を生成する第２の波形生成ステップと、
   前記第１の波形信号を時間軸方向に拡大して第３の波形信号として出力する波形整形ステップと、
   前記第２の波形信号から前記第３の波形信号を減算する減算ステップと
   を含むことを特徴とする音声信号処理方法。
5. 前記第１の波形生成ステップは、
   前記第１の音声信号よりオフセット成分を除去した音声信号を生成する第１のオフセット成分除去ステップと、前記第１のオフセット成分除去ステップで出力された音声信号を絶対値化して前記第１の波形信号を出力する第１の絶対値化ステップとを含み、
   前記第２の波形生成ステップは、
   前記第２の音声信号よりオフセット成分を除去した音声信号を生成する第２のオフセット成分除去ステップと、前記第２のオフセット成分除去ステップで出力された音声信号を絶対値化して前記第２の波形信号を出力する第２の絶対値化ステップとを含む
   ことを特徴とする請求項４記載の音声信号処理方法。
6. 複数の前記第１の波形信号をそれぞれ所定の時間保持する保持ステップと、
   前記複数の第１の波形信号の各最大値を抽出し、抽出した前記複数の最大値を時系列的に合成して前記第３の波形信号を生成する抽出ステップとを含む
   ことを特徴とする請求項４または５に記載の音声信号処理方法。