JP2009069305A - 音響エコー削除装置および車載装置 - Google Patents

Abstract

【課題】必要な音声か否かを判定するのに際して、少人数の音声データのみを用いて、判定ミスを強固に防止し、判定精度を高くすることを課題とする。
【解決手段】音響エコーキャンセラは、入力された音声信号から音響エコーをフィルタ１５により削除し、ホワイトノイズＤＢ１１に記憶される音響エコー消し残しとから、音響エコー消し残しの尤度を算出し、算出された尤度に応じて、フィルタ１５を更新する更新度を算出し、算出された更新度に基づいて、フィルタ１５を更新する。
【選択図】 図１

Description

この発明は、音声認識に必要な音声信号を抽出して、接続される音声認識装置に出力する音響エコー削除装置および車載装置に関する。

従来より、音声認識装置は、人間により発話された音声を認識する装置として様々な分野で利用されている。ところが、音声認識を行う環境下では、発話された音声以外にも雑音などの様々な音声が混入しており、高精度な音声認識を行うことができないことが多い。そこで、最近では、入力された音声信号から不必要な雑音（音響エコー）を削除する音響エコーキャンセラによって必要な音声のみが抽出され、抽出された音声のみを音声認識装置に音声認識させる音声認識システムが利用されている（特許文献１参照）。

また、車内などで利用される音声認識システムでは、車内で音楽がスピーカーから出力されている状況下で音声認識を行うと、音声認識マイクに認識対象の音声（運転席者などから発話された音声）と音響エコー（発話された以外の音声）とが混入し、音声認識の妨げとなる。そこで、音響エコーキャンセラによって音響エコーを除去し、ＳＮ比を改善することによって認識率を確保する試みがなされている。

例えば、図１５に示すように、マイク観測信号「ｙ（ｎ）」から音響エコーを除去する音響エコーキャンセラがある。この音響エコーキャンセラでは、音楽の原信号「ｘ（ｎ）」を元に擬似エコー「ｘ（ｎ）Ｈ（ｎ）」を推定して、マイク観測信号「ｙ（ｎ）」から擬似エコー「ｘ（ｎ）Ｈ（ｎ）」を減算して推定誤差「ｅ（ｎ）」を生成し、この推定誤差「ｅ（ｎ）」を基に音響エコーを除去するフィルタ係数「Ｈ（ｎ）」を更新する。このようにして、この音響エコーキャンセラでは、フィルタ係数「Ｈ（ｎ）」を更新していくことで、マイク観測信号「ｙ（ｎ）」から音響エコーを除去する精度を上げていくことができる。なお、フィルタ係数「Ｈ（ｎ）」の更新式は、射影法を用いた図１６に示す式が用いられている。

ところが、この手法を用いると、認識対象音声が発生された場合、マイク入力信号「ｙ（ｎ）」には、音響エコー「ｚ（ｎ）」に加え、認識対象者音声「ｓ（ｎ）」が含まれる。そして、音響エコーキャンセル時に、音声「ｓ（ｎ）」がキャンセルされずに推定誤差「ｅ（ｎ）」に含まれ、この「ｓ（ｎ）」を含む推定誤差「ｅ（ｎ）」をそのまま適応フィルタに学習させてしまうために、音響エコーのみではなく音声もキャンセルするようなフィルタ更新が実行される。その結果、音響エコーキャンセル時に認識対象音声の欠落が生じ、音声認識率が低下する。

そこで、この適応フィルタのフィルタ係数「Ｈ（ｎ）」の更新を正確に行うことで、音声認識率を向上させる様々な手法が開示されている。例えば、非特許文献１では、音響エコーがキャンセルされた推定誤差に対して、推定誤差のパワーとピッチなどの特徴から音声／非音声の判定を行う。そして、音声と判定された場合には、過去のフィルタ係数「Ｈ（ｎ）」を用いてフィルタ係数を更新していくことで、フィルタ係数「Ｈ（ｎ）」の更新を正確に行い、音声認識率を向上させる音声認識システム（図１８参照）が開示されている。なお、この手法を用いた場合でも、図１６と図１７とに示した更新式および更新度を用いて、フィルタが更新される。

特開２００３−９９１００号公報 庄境、中村、鹿野、電子情報通信学会論文誌 Ｄ−１１、Vol.J81-D-11、No.6、pp.1074-1083、1998年6月

しかしながら、上記した従来の技術では、必要な音声か否かを判定するのに際して（音声／非音声の判定に際して）、推定誤差のパワーやピッチなどを用いて判定を行うには、推定誤差と比較するための平均的な音声の特徴モデル（音響モデル）を用意する必要があるため、膨大な人数の音声データが必要であるという課題があった。

また、音声または非音声の二値判定しか行っていないため、推定誤差のパワーやピッチなどの音声特徴が平均的な音声の音響モデルで音声と判定できないような推定誤差の場合、音声判定ミスが発生し、音声を検出できない。そして、検出できなかった音声をそのままフィルタに学習させる、言い換えれば、音声を含む推定誤差をフィルタに学習させてしまう。その結果、判定ミスを防止することができず、判定精度が悪くなるという課題があった。

そこで、この発明は、上述した従来技術の課題を解決するためになされたものであり、必要な音声か否かを判定するのに際して、少人数の音声データのみを用いて、判定ミスを強固に防止し、判定制度を高くすることが可能である音響エコー削除装置および車載装置を提供することを目的とする。

上述した課題を解決し、目的を達成するため、本発明は、人から発話された発話音声以外の音声を示す音響エコーを削除するフィルタと、入力された音声信号から前記音響エコーを削除した後の音響エコー消し残しを記憶する音響エコー記憶手段と、前記フィルタにより音響エコーが削除された音声信号全体と、前記音響エコー記憶手段に記憶される音響エコー消し残しとから、前記音響エコー消し残しの尤度を算出する尤度算出手段と、前記尤度算出手段により算出された尤度が所定の閾値以上である場合に、前記音響エコーを削除する量が大きくなるように前記フィルタを更新するフィルタ更新手段と、備えたことを特徴とする。

本発明によれば、必要な音声か否かを判定するのに際して、少人数の音声データのみを用いて、判定ミスを強固に防止し、判定精度を高くすることが可能である。また、発話された音声またはそれ以外の音声の尤度（らしさ）を算出して、尤度に応じてフィルタの更新度を細かく算出することが可能であり、さらに、発話音声を含む誤差を高精度に検出することができる結果、高精度なフィルタ更新を行うことが可能である。

以下に添付図面を参照して、この発明に係る音響エコー削除装置および車載装置の実施例を詳細に説明する。なお、以下では、本実施例で用いる主要な用語、本実施例に係る音響エコー削除装置の概要および特徴、音響エコー削除装置の構成および処理の流れを順に説明し、最後に本実施例に対する種々の変形例を説明する。

［用語の説明］
まず最初に、本実施例で用いる主要な用語を説明する。本実施例で用いる「音響エコーキャンセラ（特許請求の範囲に記載の「音響エコー削除装置」に対応する。）」とは、入力された音声信号から不必要な音声を削除して、必要な音声信号のみを抽出して、接続される「音声識別装置」に出力する装置のことである。本実施例では、車載装置に適用された「音響エコーキャンセラ」を例にして説明する。

本実施例に係る「音響エコーキャンセラ」は、運転席者や助手席者から発話された「発話音声」とオーディオなどから出力される音楽などの「音響エコー」とが混在する車載装置などに利用され、マイクなどから受け付けた音声信号「発話音声＋音響エコー」から、音声認識に必要としない「音響エコー」を削除して「発話音声」を抽出する。そして、「音響エコーキャンセラ」は、この抽出した「発話音声」を接続される「音声認識装置」に出力し、「音声認識装置」は、これを音声認識してカーナビなどに出力する。このように、精度良く音声認識を行うためには、車内に存在する音声信号から「発話音声」を精度良く抽出することが重要であるため、「音響エコー」を精度良く削除する「音響エコーキャンセラ」が切望されている。

［音響エコーキャンセラの概要および特徴］
次に、図１を用いて、実施例１に係る音響エコーキャンセラの概要および特徴を説明する。図１は、実施例１に係る音響エコーキャンセラの概要と特徴を説明するための図である。

図１に示すように、この音響エコーキャンセラは、原信号「ｘ（ｎ）」をスピーカから出力し、マイクからこの原信号と発話された音声とを受け付けて、音声認識に必要な音声信号を抽出して、接続される音声認識装置に出力することを概要とするものであり、特に、必要な音声か否かを判定するのに際して、少人数の音声データのみを用いて、判定ミスを強固に防止し、判定精度を高くすることが可能である点に主たる特徴がある。

この主たる特徴を具体的に説明すると、この音響エコーキャンセラは、人から発話された発話音声以外の音声を示す音響エコー消し残し（ホワイトノイズ）の特徴をホワイトノイズＤＢとして記憶する。具体的には、このホワイトノイズＤＢは、１０種類程度の比較的少ないデータから抽出した、発話された発話音声以外の音声を示す音響エコーの特徴を記憶する。

そして、音響エコーキャンセラは、マイクにより受け付けられた音声信号に対して、フィルタにより不必要な音響エコーを削除する（図１の（１）参照）。具体的に例を挙げれば、音響エコーキャンセラは、スピーカから出力された音響エコー「ｚ（ｎ）」の元の信号である原信号「ｘ（ｎ）」に、音響エコーを削除するフィルタ「Ｈ（ｎ）」を掛け合わせて、音響エコー「ｚ（ｎ）＝ｘ（ｎ）Ｈ（ｎ）」を推定する。その後、音響エコーキャンセラは、マイクにより受け付けられた音響エコー「ｚ（ｎ）＝ｘ（ｎ）ｈ（ｎ）」と発話音声「ｓ（ｎ）」とから構成されるマイク観測信号「ｙ（ｎ）」から、推定した音響エコー「ｘ（ｎ）Ｈ（ｎ）」を減算して、音声認識に必要な音声信号である推定誤差「ｅ（ｎ）」を生成する。

その後、音響エコーキャンセラは、フィルタにより音響エコーが削除された音声信号全体と、ホワイトノイズＤＢに記憶される音響エコー消し残しとから、音響エコー消し残しの尤度を算出する（図１の（２）参照）。上記した例で具体的に説明すると、音響エコーキャンセラで、フィルタにより音響エコーが削除された音声信号全体の短時間の範囲に対しケプストラム値を算出し、この算出したケプストラム値をどのくらい音響エコーに近いかを示す「らしさ」を示す音響エコーの消し残しの尤度「θ」として算出する。

そして、音響エコーキャンセラは、算出された尤度に応じて、フィルタを更新する更新度を算出し、算出された更新度に基づいて、フィルタを更新する（図１の（３）参照）。上記した例で具体的に説明すると、音響エコーキャンセラは、算出された尤度「θ」に応じて、フィルタを更新する更新度「μ」を算出し、算出された更新度をフィルタ更新式「Ｈ（ｎ＋１）＝Ｈ（ｎ）＋μα、（αは図６参照）」に代入して、フィルタを更新する。つまり、音響エコーキャンセラは、算出された尤度「θ」が大きい場合には、フィルタにより音響エコーが削除された音声信号である推定誤差「ｅ（ｎ）」に、削除すべき音響エコーが多く含まれている（音声歪が大きい）と判定して、音響エコーを削除する量が大きくなるようにフィルタを更新する。また、音響エコーキャンセラは、算出された尤度「θ」が小さい場合には、フィルタにより音響エコーが削除された音声信号である推定誤差「ｅ（ｎ）」に、削除すべき音響エコーが高精度に削除されている（音声歪みが小さい）と判定して、フィルタの更新を小さくする。

その後、音響エコーキャンセラは、更新したフィルタを用いて、上記した手法と同様に、入力された音声信号から音響エコーを削除し、音響エコーが削除された音声信号から音響エコーの消し残しの尤度を算出して、フィルタを更新していく。

このように、実施例１に係る音響エコーキャンセラは、発話された音声またはそれ以外の音声の尤度（らしさ）を算出して、尤度に応じてフィルタの更新度を細かく算出して、フィルタを更新しながら音響エコーを削除することができる結果、上記した主たる特徴のごとく、必要な音声か否かを判定するのに際して、少人数の音声データのみを用いて、判定ミスを強固に防止し、判定精度を高くすることが可能である。

［音響エコーキャンセラの構成］
次に、図２を用いて、図１に示した音響エコーキャンセラの構成を説明する。図２は、実施例１に係る音響エコーキャンセラの構成を示すブロック図である。図２に示すように、この音響エコーキャンセラ１０は、ホワイトノイズＤＢ１１と、原信号出力部１２と、スピーカ１３と、マイク１４と、フィルタ１５と、音声データ分岐部１６と、音声認識データ出力部１７と、尤度算出部１９と、フィルタ更新部２０とから構成される。

ホワイトノイズＤＢ１１は、人から発話された発話音声以外の音声を示す音響エコー消し残しの特徴を記憶する。具体的に例を挙げると、ホワイトノイズＤＢ１１は、１０種類程度の比較的少ないデータから抽出した、発話された発話音声以外の音声を示す音響エコー消し残しの特徴を記憶する。このホワイトノイズＤＢ１１に記憶される情報は、図３の（１）に示すように、キャンセルした後の推定誤差「ｅ（ｎ）」の波形（図３の（２）参照）に比較的近い定常的な波形から抽出した音響エコー消し残しの特徴を記憶する。なお、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。また、図３は、ホワイトノイズと音響エコーとの関係を示す図である。また、ホワイトノイズＤＢ１１は、特許請求の範囲に記載の「音響エコー記憶手段」に対応する。

原信号出力部１２は、後述するスピーカ１３に対して音声を出力し、具体的に例を挙げれば、音楽などの原信号「ｘ（ｎ）」をスピーカ１３に出力する。スピーカ１３は、原信号出力部１２から出力された音声を外部（例えば、車内）に出力し、具体的に例を挙げれば、原信号出力部１２から出力された原信号「ｘ（ｎ）」を音声信号「ｚ（ｎ）」として出力する。

マイク１４は、音響エコーキャンセラ１０の周囲の音を集音する。上記した例で具体的に説明すると、マイク１４は、スピーカ１３により出力された音声信号「ｚ（ｎ）：音響エコー」と、同じ時刻に運転席者や助手席者などから発話された発話音声「ｓ（ｎ）」を集音して、後述するフィルタ１５に出力する。

フィルタ１５は、入力された音声信号から音響エコーを削除するアルゴリズムである。上記した例で具体的に説明すると、フィルタ１５は、スピーカ１３から出力された音声信号「ｚ（ｎ）」の元の信号である原信号「ｘ（ｎ）」に、音響エコーを削除するフィルタ「Ｈ（ｎ）」を掛け合わせて、発話音声「ｓ（ｎ）」と同時にマイク１４により集音された音響エコー「ｚ（ｎ）＝ｘ（ｎ）Ｈ（ｎ）」を推定する。その後、音響エコーキャンセラ１０は、マイク１４により受け付けられた音響エコー「ｚ（ｎ）＝ｘ（ｎ）ｈ（ｎ）」と発話音声「ｓ（ｎ）」とから構成されるマイク観測信号「ｙ（ｎ）」から、推定した音響エコー「ｘ（ｎ）Ｈ（ｎ）」を減算して、音声認識に必要な音声信号である推定誤差「ｅ（ｎ）」を生成する。そして、フィルタ１５は、生成した推定誤差「ｅ（ｎ）」を後述する音声データ分岐部１６に出力する。なお、フィルタ１５は、特許請求の範囲に記載の「フィルタ」に対応する。

音声データ分岐部１６は、フィルタ１５より入力された推定誤差「ｅ（ｎ）」を後述する音声認識データ出力部１７に出力する。なお、この音声データ分岐部１６では、入力された推定誤差「ｅ（ｎ）」と同じデータを、音声認識データ出力部１７と尤度算出部１９とにそれぞれ出力する。

音声認識データ出力部１７は、フィルタ１５により音声認識に不必要な音響エコーが削除された音声信号を接続される音声認識装置に出力する。上記した例で具体的に説明すると、音声認識データ出力部１７は、音声データ分岐部１６により入力されたフィルタ１５によりマイク観測信号「ｙ（ｎ）」から音響エコー「ｘ（ｎ）Ｈ（ｎ）」が削除された推定誤差「ｅ（ｎ）」を音声認識装置に出力する。

尤度算出部１９は、フィルタ１５により音響エコーが削除された音声信号全体と、ホワイトノイズＤＢ１１に記憶される音響エコー消し残しの特徴とから、音響エコーの尤度を算出する。上記した例で具体的に説明すると、尤度算出部１９は、音響エコーが削除された音声信号全体のうちの短時間の範囲に対しケプストラム値を算出し、この算出したケプストラム値をどのくらい音響エコー消し残しに近いかを示す「らしさ」を音響エコー消し残しの尤度「θ」として算出する。そして、尤度算出部１９は、算出した尤度「θ」を後述するフィルタ更新部２０に出力する。なお、尤度算出部１９は、特許請求の範囲に記載の「尤度算出手段」に対応する。

つまり、尤度算出部１９は、音声データのケプストラム値と、ホワイトノイズＤＢ１１に記憶される音響エコー消し残しのモデルに記述されたケプストラム値を比較し、音声データが(モデルとして定義された)音響エコーにどれだけ近い、「らしい」かを示す値を尤度として算出する。言い換えれば、尤度算出部１９は、フィルタ１５によるエコーキャンセル後の推定誤差ｅ（ｔ）の一部区間から抽出したケプストラム値「α」とホワイトノイズＤＢ１１に記憶される音響エコー消し残しのモデルに記述されたケプストラム値「β」の比較により尤度「θ」を算出する。

ここで示したケプストラム値について具体的に説明すると、尤度算出部１９は、音声データの一部区間に対して、「１．入力音声データｘ（ｔ）の高域強調（プリエンファシス）を行う」、「２．高域強調した音声データに対して、窓関数を適用後、ＦＦＴを行う」、「３．ＦＦＴ後の音声データ（周波数領域）に対し、三角フィルタ列のメルフィルタバンク処理を行う」、「４．３で算出されたパワースペクトル値に対し、自然対数をとる」、「５．パワースペクトル値に対し、離散コサイン変換(ＤＣＴ−II)を行い、ケプストラム値を求める。なお、「３」では、三角フィルタの数に等しい、ｐ個の出力ｍｊ（ｊ＝１・・・ｐ） が算出される。

フィルタ更新部２０は、尤度算出部１９により算出された尤度に応じて、フィルタ１５を更新する更新度を算出し、算出された更新度に基づいて、フィルタ１５を更新する。上記した例で具体的に説明すると、フィルタ更新部２０は、図４の（２）に示す尤度と更新度との関係図から、尤度算出部１９により算出された尤度「θ」に対応する更新度（ステップサイズ：「μ」）を算出する。そして、フィルタ更新部２０は、算出された更新度を、図５に示すフィルタ更新式に代入し、この更新式を用いてフィルタ１５を更新する。

つまり、フィルタ更新部２０は、尤度算出部１９により算出された尤度「θ」が大きい場合には、フィルタ１５により音響エコーが削除された音声信号である推定誤差「ｅ（ｎ）」が、音響エコーの消し残しであると判定して、音響エコーを削除する量が大きくなるようにフィルタ１５を更新する。また、フィルタ更新部２０は、尤度算出部１９により算出された尤度「θ」が小さい場合には、フィルタ１５により音響エコーが削除された音声信号である推定誤差「ｅ（ｎ）」ではフィルタに反映すべきでない音声が含まれていると判定して、フィルタ１５の更新を小さくする。なお、図４は、尤度と更新度との関係を示す図であり、図５は、フィルタ更新式の例を示す図である。また、フィルタ更新部２０は、特許請求の範囲に記載の「フィルタ更新手段」に対応する。

［音響エコーキャンセラによる処理］
次に、図６を用いて、実施例１に係る音響エコーキャンセラによる処理を説明する。図６は、実施例１に係る音響エコーキャンセラにおけるフィルタ更新処理の流れを示すフローチャートである。

図６に示すように、マイク１４により音声信号が受け付けられると（ステップＳ１０１肯定）、音響エコーキャンセラ１０のフィルタ１５は、入力された音声信号から音響エコーを削除した音声信号（推定誤差「ｅ（ｎ）」）を生成する（ステップＳ１０２）。

そして、音声データ分岐部１６は、フィルタ１５より入力された音声信号（推定誤差「ｅ（ｎ））」）を後述する音声認識データ出力部１７と、尤度算出部１９とに出力する（ステップＳ１０３）。

続いて、音声認識データ出力部１７は、音声データ分岐部１６により分岐された音声認識に不必要な音響エコーが削除された音声信号を接続される音声認識装置に出力する（ステップＳ１０４）。

続いて、尤度算出部１９は、フィルタ１５により音響エコーが削除された音声信号全体と、ホワイトノイズＤＢ１１に記憶される音響エコー消し残しとから、音響エコー消し残しの尤度を算出する（ステップＳ１０５）。そして、フィルタ更新部２０は、尤度算出部１９により算出された尤度に応じて、フィルタ１５を更新する更新度を算出し、算出された更新度に基づいて、フィルタ１５を更新する（ステップＳ１０６）。

［実施例１による効果］
このように、実施例１によれば、入力された音声信号から音響エコーをフィルタ１５により削除し、ホワイトノイズＤＢ１１に記憶される音響エコー消し残しとから、音響エコー消し残しの尤度を算出し、算出された尤度が所定の閾値以上である場合に、音響エコーを削除する量が大きくなるようにフィルタ１５を更新するので、必要な音声か否かを判定するのに際して、少人数の音声データのみを用いて、判定ミスを強固に防止し、判定精度を高くすることが可能である。

例えば、発話データを用いて発話された音声かそれ以外の音声かを判定するには、発話データとして、一般的に２４００種類程度のデータを用いないと特徴が抽出できないが、発話された音声以外のデータ（音響エコーデータ、ホワイトノイズ）を用いる場合には、１０種類程度の比較的少ないデータからでも特徴を抽出することができるので、少人数の音声データのみを用いて、判定ミスを強固に防止し、判定制度を高くすることが可能である。また、発話データから得られる特徴（平均）からでは判定できない特徴のある発話音声であっても、非定常な特性を持つ音声であるため、定常に発話された音声以外のデータ（音響エコーデータ、ホワイトノイズ）を用いることで、検出することができる結果、判定ミスを強固に防止し、判定精度を高くすることが可能である。

また、実施例１によれば、算出された尤度に応じて、フィルタ１５を更新する更新度であるステップサイズを算出し、算出されたステップサイズに基づいて、フィルタ１５を更新するので、発話された音声またはそれ以外の音声の尤度（らしさ）を算出して、尤度に応じてフィルタ１５の更新度を細かく算出することが可能であり、さらに、発話音声を含む誤差を高精度に検出することができる結果、高精度なフィルタ更新を行うことが可能である。

ところで、実施例１では、フィルタにより削除された音声信号から音響エコーが含まれる割合（尤度）を算出して、尤度に応じてフィルタを更新する手法について説明したが、実施例２では、実施例１で説明した手法の有効性を示す実験について説明する。

（実施例２に係る音響エコーキャンセラの概要図）
まず、実施例２に係る音響エコーキャンセラの概要図を図７に示す。図７に示すように、この音響エコーキャンセラは、推定誤差ｅ（ｎ）を用いて適応フィルタ（実施例１におけるフィルタ１５）を更新する前に、音声区間検出を行い、ｅ（ｎ）の尤度を計算する。その結果、ｅ（ｎ）の雑音尤度が低い（音声尤度が高い）と判定された場合には、推定誤差ｅ（ｎ）の適応フィルタへの反映を抑止する。

（音声区間検出）
次に、音声区間検出について説明する。音声区間検出は、ＭＦＣＣ（Mel Frequency Cepstrum Coefficient）の比較により行う。分析対象となる音響信号のＭＦＣＣを計算した上で、（あらかじめ作成していた）音声のＭＦＣＣによるＧＭＭ（Gaussian Mixture Model）と比較することで、音声区間検出が可能になる。

図７において、音響エコーキャンセラ前の観測信号「ｙ（ｎ）」は、音声「ｓ（ｎ）」に音響エコー「ｎ（ｎ）」が重畳した状態であり、ｓ（ｎ）とｎ（ｎ）との両方のＧＭＭを用意する必要がある。しかし、ｎ（ｎ）のＧＭＭは、スピーカから出力される音楽によって変更する必要があるため、実用的でないと言える。キャンセルした後の推定誤差「ｅ（ｎ）」は、音声に音響エコーの消し残しが重畳した状態であるが、この音響エコーの消し残しは、図３の（１）と（２）とに示す通り、定常的なホワイトノイズに比較的近い波形になっている。また、音声「ｓ（ｎ）」は、図８に示す通り、非定常波形になっている。そこで、定常なホワイトノイズを用意してＧＭＭを学習し、推定誤差「ｅ（ｎ）」の定常性を調べることで、スピーカからどのような音楽が出力されていても精度の高い音声区間検出が可能と考える。なお、図８は、音声信号の非定常な波形を示す図である。

（適応フィルタの制御方法）
ホワイトノイズＧＭＭの尤度「θ」に基づいて、適応フィルタ更新式（図６参照）のステップサイズ「μ：更新度」を調整することにより適応フィルタを制御する。「μ」が大きければ推定誤差「ｅ（ｎ）」の適応フィルタへの反映度合いは大きくなり、「μ」が小さければ推定誤差「ｅ（ｎ）」の適応フィルタへの反映度合いは小さくなる。「μ」は、図５に示した式によって決定する。なお、図５の式において、「θ２＜θ＜θ１、μはθについての一次関数」となり、θ１、θ２は、θ１＞θ２を満たす閾値で、「μmax」、「μmin」は、それぞれステップサイズ（更新度）の上限値、下限値である。

（実験条件）
評価対象とする音響エコーキャンセラは、「項番、フィルタ更新手法、音声区間検出の有無」として「１.学習同定法、音声区間検出なし」と、「２．射影法、音声区間検出なし」と、「３．射影法、音声区間検出あり（音楽消し残しのＧＭＭを使用）」と、本発明に係る「４．射影法、音声区間検出あり（ホワイトノイズのＧＭＭを使用）」との４通りを比較する。また、タップ数はそれぞれ２５６、ステップサイズ「μmax、μmin」は「1.0、0.1」、音楽消し残しのＧＭＭを用いた場合の閾値は「θ１、θ２」＝「−7.0、−11.0」、ホワイトノイズのＧＭＭを用いた場合の閾値は「θ１、θ２」＝「−13.0、−30.0」とし、図９に示す評価データを用いて、音響エコーキャンセラによって生じた音声の歪みによって評価する。なお、図９は、実験に用いた評価データを示す図である。

歪みの度合いは、音声のケプストラム距離を比較することによって行う。音響エコーが重畳していない音声の時間ｔにおけるケプストラム値をｃ１（ｔ）、音響エコーが重畳している状態でエコーをキャンセルした後の音声の時間ｔにおけるケプストラム値をｃ２（ｔ）とした場合、図１０に示される式によって求めた値「φ」が大きいほど、歪みが大きいものと判断する。なお、図１０は、音声歪みを算出する式の例を示す図である。

（実験結果）
実験結果を図１１に示す。図１１では、音声区間の始点と終点とを手動で与え、音声区間で「μ＝μmin」、非音声区間で「μ＝μmax」とした場合の理論値として示している。音響エコーキャンセラのアルゴリズムを学習同定法から射影法に変更することにより、「φ」の値（ケプストラム値）が「3.5」程度減少し、歪みが改善されていることがわかる。また、射影法にＧＭＭによる音声区間検出を追加することにより、「φ」の値がさらに「1.0」程度減少する。これは、提案手法により音声歪みが改善されていることを示している。このように、ホワイトノイズを用いて音声判別し、さらに、歪み（尤度）を算出して、算出した歪みに応じてフィルタの更新度合いを変えることで、従来手法よりも高精度に音響エコーを削除できることが示された。

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。そこで、以下に示すように、（１）更新度算出手法、（２）フィルタ更新手法、（３）システム構成等、にそれぞれ区分けして異なる実施例を説明する。

（１）更新度算出手法
例えば、実施例１と２とでは、更新度（ステップサイズ）の算出に一次関数を用いた場合（図４の（２）参照）について説明したが、本発明はこれに限定されるものではなく、様々な関数を用いてもよい。そこで、実施例３では、一次関数以外の適用例について説明するが、実施例３で説明する関数はあくまで例であり、これに限定されるものではない。

例を挙げれば、図１２に示すように、更新度（ステップサイズ）の算出にルート関数を用いてもよく、また、図１３に示すように、二次関数を用いてもよい。このように、更新度（ステップサイズ）の算出手法を音響エコーキャンセラの性能や価格にあわせて変更することにより、音響エコーキャンセラのフィルタ更新を柔軟に行うことが可能である。なお、図１２は、ルート関数を用いた更新度の算出の例を示す図であり、図１３は、二次関数を用いた更新度の算出の例を示す図である。

（２）フィルタ更新手法
また、実施例１と２とでは、フィルタ一つを用いて音響エコーを削除し、尤度に応じてフィルタを更新する場合について説明したが、本発明はこれに限定されるものではなく、フィルタを二つ用意し、尤度に応じていずれかのフィルタを更新するようにしてもよい。

具体的に例を挙げれば、図１４に示すように、推定誤差ｅ（ｎ）から算出した尤度が高い（非音声（音響エコー）と判定）場合には、射影法でフィルタを更新し、推定誤差ｅ（ｎ）から算出した尤度が低い（音声と判定）場合には、最小二乗平均誤差アルゴリズムでフィルタを更新する。そして、尤度が高いと判定された場合には、次の音声信号に対して射影法アルゴリズムを用いたフィルタにより音響エコーを削除し、尤度が低いと判定された場合には、次の音声信号に対して最小二乗平均誤差アルゴリズムを用いたフィルタにより音響エコーを削除する。なお、図１４は、二つのフィルタを用いた場合のフィルタ更新手法の例を示す図である。

また、ここで例示した関数は、これに限定されるものではなく、例えば、尤度が低い（音声と判定）場合には、フィルタ更新量を小さくするアルゴリズムを用いてフィルタを更新し、尤度が高い（非音声と判定）場合には、フィルタ更新量を大きくするアルゴリズムを用いるようにすればよい。

（３）システム構成等
また、本実施例において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的におこなうこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合（例えば、フィルタ１５と音声データ分岐部１６とを統合するなど）して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

なお、本実施例で説明した音響エコー削除方法は、あらかじめ用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。このプログラムは、インターネットなどのネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤなどのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。

以上のように、本発明に係る音響エコー削除装置および車載装置は、音声認識に必要な音声信号を抽出して、接続される音声認識装置に出力することに有用であり、特に、必要な音声か否かを判定するのに際して、少人数の音声データのみを用いて、判定ミスを強固に防止し、判定精度を高くすることに適する。

実施例１に係る音響エコーキャンセラの概要と特徴を説明するための図である。 実施例１に係る音響エコーキャンセラの構成を示すブロック図である。 ホワイトノイズと音響エコーとの関係を示す図である。 尤度と更新度との関係を示す図である。 フィルタ更新式の例を示す図である。 実施例１に係る音響エコーキャンセラにおけるフィルタ更新処理の流れを示すフローチャートである。 実施例２に係る音響エコーキャンセラの概要図を示す図である。 音声信号の非定常な波形を示す図である。 実験に用いた評価データを示す図である。 音声歪みを算出する式の例を示す図である。 実験結果を示す図である。 ルート関数を用いた更新度の算出の例を示す図である。 二次関数を用いた更新度の算出の例を示す図である。 二つのフィルタを用いた場合のフィルタ更新手法の例を示す図である。 従来技術に係る音響エコーキャンセラの構成図を示す図である。 従来技術に係るフィルタ更新式を示す図である。 従来技術に係るフィルタ更新式における更新度算出の例を示す図である。 従来技術に係る音響エコーキャンセラの構成図を示す図である。

符号の説明

１０ 音響エコーキャンセラ
１１ ホワイトノイズＤＢ
１２ 原信号出力部
１３ スピーカ
１４ マイク
１５ フィルタ
１６ 音声データ分岐部
１７ 音声認識データ出力部
１９ 尤度算出部
２０ フィルタ更新部

Claims (4)

1. 人から発話された発話音声以外の音声を示す音響エコーを削除するフィルタと、
   入力された音声信号から前記音響エコーを削除した後の音響エコー消し残しを記憶する音響エコー記憶手段と、
   前記フィルタにより音響エコーが削除された音声信号全体と、前記音響エコー記憶手段に記憶される音響エコー消し残しとから、前記音響エコー消し残しの尤度を算出する尤度算出手段と、
   前記尤度算出手段により算出された尤度が所定の閾値以上である場合に、前記音響エコーを削除する量が大きくなるように前記フィルタを更新するフィルタ更新手段と、
   を備えたことを特徴とする音響エコー削除装置。
2. 前記フィルタ更新手段は、前記尤度算出手段により算出された尤度に応じて、前記フィルタを更新する更新度を算出し、算出された更新度に基づいて、前記フィルタを更新することを特徴とする請求項１に記載の音響エコー削除装置。
3. 人から発話された発話音声以外の音声を示す音響エコーを削除するフィルタと、
   入力された音声信号から前記音響エコーを削除した後の音響エコー消し残しを記憶する音響エコー記憶手段と、
   前記フィルタにより音響エコーが削除された音声信号全体と、前記音響エコー記憶手段に記憶される音響エコー消し残しとから、前記音響エコー消し残しの尤度を算出する尤度算出手段と、
   前記尤度算出手段により算出された尤度が所定の閾値以上である場合に、前記音響エコーを削除する量が大きくなるように前記フィルタを更新するフィルタ更新手段と、
   を備えたことを特徴とする音響エコー削除装置を備えた車載装置
4. 前記フィルタ更新手段は、前記尤度算出手段により算出された尤度に応じて、前記フィルタを更新する更新度を算出し、算出された更新度に基づいて、前記フィルタを更新することを特徴とする請求項３に記載の音響エコー削除装置を備えた車載装置。

Images