JP2009522942A - 発話改善のためにマイク間レベル差を用いるシステム及び方法 - Google Patents

Abstract

雑音を減じ、発話を改善するように、マイク間レベル差を用いるシステム及び方法を提供している。例示としての実施形態において、一次マイク及び二次マイクにより受信される音響信号のエネルギー推定が、マイク間レベル差（ＩＬＤ）を決定するように、決定される。一次マイク音響信号にみに基づく雑音推定と組み合わされたこのＩＬＤは、フィルタ推定が導き出されるようにする。一部の実施形態においては、その導き出されるフィルタ推定は平滑化されることが可能である。フィルタ推定は、その場合、発話推定を生成するように、一次マイクから音響信号に適用される。

Description

今日、悪い環境下で行われた発話記録における背景雑音を低減する多くの方法がある。１つのそのような方法は、オーディオ装置において２つ又はそれ以上のマイクを用いることである。それらのマイクは、位置決めされて、そのオーディオ装置がマイク信号間の差異を決定することを可能にする。例えば、それらのマイクの空間的距離のために、発話ソースからそれらのマイクに信号が到達する時間の差が、発話ソースを位置決めするように利用されることが可能である。一旦、位置決めされると、それらの信号は、異なる方向からもたらされる雑音を抑制するように空間的にフィルタリングされることが可能である。

リニアアレイのマイクを用いるビームフォーミング技術は、ソースの方向において“音響ビーム”を生成することが可能であり、それ故、空間フィルタとして用いられることが可能である。この方法は、しかしながら、多くの不利点を有する。第１に、発話ソースの方向を指定する必要がある。しかしながら、曖昧な又は不適切な情報をもたらす可能性がある残響等の因子のために、時間遅延を評価することは困難である。第２に、適切な空間フィルタリングを得るために必要なセンサの数は、一般に、多い（例えば、２つ以上）。更に、マイクアレイが小さい装置、例えば、携帯電話において用いられる場合、ビームフォーミングは、そのアレイのマイク間の距離が波長に比べて小さいために、低周波数においてより困難である。

マイクの空間分離及び指向性は、到達時間差ばかりでなく、一部のアプリケーションにおいて時間差に比べて容易に特定されることが可能であるマイク間レベル差（ＩＬＤ）を与える。それ故、雑音抑制及び発話改善のためにＩＬＤを用いるシステム及び方法に対する要請が存在している。

本発明の実施形態は、雑音抑制及び発話改善に関連する、上記の課題を克服する又は実質的に緩和することができる。一般に、雑音を軽減し、発話を改善するように、マイク間レベル差（ＩＬＤ）を用いるシステム及び方法が提供される。例示としての実施形態においては、ＩＬＤはエネルギーレベル差に基づいている。

例示としての実施形態においては、一次マイク及び二次マイクから受信される音響信号のエネルギー推定は、各々の時間フレームについて蝸牛（ｃｏｃｈｌｅａ）周波数分析器の各々のチャネルについて決定される。そのエネルギー推定は、前フレームのエネルギー推定及び現音響信号に基づくことが可能である。それらのエネルギー推定に基づいて、ＩＬＤは演算されることが可能である。

ＩＬＤ情報は、発話が存在する可能性がある時間−周波数成分を決定し、一次マイク音響信号から雑音推定を導き出すように用いられる。エネルギー及び雑音推定は、フィルタ推定が導き出されることを可能にする。一実施形態においては、一次マイクからの音響信号の雑音推定は、一次マイク信号の現エネルギー推定及び前フレームの雑音推定の最小統計値に基づいて決定される。一部の実施形態においては、導き出されるフィルタ推定は、音響アーティファクトを低減するように平滑化されることが可能である。

フィルタ推定は、その場合、発話推定を生成するように一次マイクからの音響信号の蝸牛表現に適用される。発話推定は、その場合、出力についての時間領域に変換される。その変換は、発話推定に対して逆周波数変換を適用することにより実行される。

本発明は、背景雑音及び遠視野分散を減じるように、発話により支配される時間周波数領域を特定するようにマイク間レベル差を記録して用いるシステム及び方法を例示として提供する。本発明の実施形態は、携帯電話、ヘッドセット及び会議システムのような音声を受信する何れかの通信装置において実行されることが可能であるが、それらに限定されるものではない。有利であることに、例示としての実施形態は、従来技術のマイクアレイが適切に機能しない小さい装置において、改善された雑音抑制を与えることができる。本発明の実施形態については、携帯電話の機能に関連して説明している一方、本発明は、何れかの通信装置において実行されることが可能である。

図１ａ及び１ｂを参照するに、本発明の実施形態が実行される環境について示している。ユーザは、通信装置１０４に対して音声（発話）ソース１０２を与える。通信装置１０４は、少なくとも２つのマイクであって、音声ソース１０２に関連する一次マイクと、一次マイク１０６から遠く距離を置いて位置付けられている二次マイク１０８とを有する。例示としての実施形態においては、それらのマイク１０６及び１０８は無指向性マイクである。代替の実施形態は、マイク又は音響センサの他の方式を用いることが可能である。

マイク１０６及び１０８は発話ソース１０２からの音声情報を受け入れる一方、マイク１０６及び１０８はまた、雑音１１０を受け取る。雑音１１０は信号位置からもたらされるように示されている一方、雑音は発話と異なる１つ又はそれ以上の位置からの何れかの音声を有する可能性があり、残響及びエコーを有する可能性がある。

本発明の実施形態は、レベル差がどのように得られるかに依存することのない２つのマイク１０６及び１０８間のレベル差（例えば、エネルギー差）を利用する。図１ａにおいては、一次マイク１０６は、二次マイク１０８に比べて、発話ソース１０２にかなり近いため、強度レベルは、発話／音声セグメント中により大きいエネルギーレベルをもたらす一次マイクについて、より高い。図１ｂにおいては、一次マイクの指向性応答は発話ソース１０２の方向で最も高く、二次マイク１０８の指向性応答は、発話ソース１０２の方向で最も低いため、発話ソース１０２の方向で、レベル差は最も高く、他の場所では、より低い。

そのレベル差は、その場合、時間−周波数領域における発話及び雑音を区別するように用いられることが可能である。更なる実施形態においては、発話を区別するように、エネルギーレベル差及び時間遅延の組み合わせを用いることが可能である。バイノーラルキュー（ｂｉｎａｕｒａｌ ｃｕｅ）復号化に基づいて、発話信号抽出又は発話改善が実行されることが可能である。

ここで、図２を参照するに、例示としての通信装置１０４を詳細に示している。例示としての通信装置１０４は、処理器２０２と、一次マイク１０６と、二次マイク１０８と、音声処理エンジン２０４と、出力装置２０６と、を有する音声受信装置である。通信装置１０４は、通信装置１０４の動作のために必要であるが、雑音抑制又は発話改善に関係しない、更なる構成要素を有することが可能である。音声処理エンジン２０４については、下で、図３に関連付けて更に詳細に説明する。

上記のように、一次マイク１０６及び二次マイク１０８はそれぞれ、それらの間のエネルギーレベル差を可能にするように、距離を置いて離れている。それらのマイク１０６及び１０８は音響受信装置又はセンサの何れかの種類を有することが可能であり、無指向性である、一方向性である、又は他の方向特性又は極性パターンを有することが可能である。一旦、マイク１０６及び１０８により受信されると、音響信号は、一部の実施形態に従って、アナログ／ディジタル変換器（図示せず）によりディジタル信号に変換される。音響信号を区別するように、一次マイク１０６により受信される音響信号は、ここでは、一次音響信号と呼ばれ、二次マイク１０８により受信される音響信号は、ここでは、二次音響信号と呼ばれる。

出力装置２０６は、ユーザに音声出力を与える何れかの装置である。例えば、出力装置２０６は、ヘッドセット又はハンドセットのイヤホーン、若しくは会議装置におけるスピーカであることが可能である。

図３は、本発明の一実施形態に従って、例示としての音声処理エンジン２０４の詳細なブロック図である。一実施形態においては、一次マイク１０６及び二次マイク１０８（図２）から受信された音響信号（即ち、Ｘ_１及びＸ_２）は、ディジタル信号に変換され、周波数分析モジュール３０２に転送される。一実施形態においては、周波数分析モジュール３０２は、音響信号を取り込み、フィルタバンクを用いて無指向性の実行（即ち、無指向性領域）を模倣する。代替として、短時間フーリエ変換（ＳＴＦＴ）、サブバンドフィルタバンド、変調された複雑な重ね合わせ変換、ウェーブレット等のような他のフィルタバンクが、周波数分析及び周波数合成のために用いられることが可能である。殆どの音声（例えば、音響信号）は複雑であり、２つ以上の周波数を有するため、音響信号におけるサブバンドの分析は、個々の周波数がフレーム（即ち、所定の時間期間）において、複雑な音響信号の状態で存在する。一実施形態においては、フレームは４ｍｓｅｃの長さである。

一旦、周波数が決定されると、信号は、時間間隔の間、エネルギーレベル推定を演算するエネルギーモジュール３０４に送出される。そのエネルギーレベル推定は、無指向性チャネルの帯域幅及び音響信号に基づくことが可能である。例示としてのエネルギーモジュール３０４は、一部の実施形態においては、数学的に表されることが可能である構成要素である。それ故、一次マイク１０６において受信される音響信号のエネルギーレベルは、一実施形態においては、次式により近似されることが可能であり、
Ｅ_１（ｔ，ω）＝λ_Ｅ｜Ｘ_１（ｔ，ω）｜^２＋（１−λ_Ｅ）Ｅ_１（ｔ−１，ω）
ここで、λ_Ｅは平均化時間定数を決定する０と１との間の数であり、Ｘ_１（ｔ，ω）は平均化時間定数における一次マイク１０６の音響信号であり、ωは周波数を表し、ｔは時間を表す。図示しているように、一次マイク１０６の現エネルギーレベルＥ_１（ｔ，ω）は、一次マイク１０６の前エネルギーレベルＥ_１（ｔ−１，ω）の前エネルギーレベルに依存する。一部の他の実施形態においては、λ_Ｅの値は、異なる周波数チャネルについて異なることが可能である。好ましい時定数Ｔ（例えば、４ｍｓｅｃ）及びサンプリング周波数ｆ_ｓ（例えば、１６ｋＨｚ）が与えられる場合、λ_Ｅの値は、次式のように近似されることが可能である。

λ_Ｅ＝１−ｅ^{−１／Ｔｆｓ}
二次マイク１０８から受信された音響信号のエネルギーレベルは、同様の例示としての次式により近似されることが可能であり、
Ｅ_２（ｔ，ω）＝λ_Ｅ｜Ｘ_２（ｔ、ω）｜^２＋（１−λ_Ｅ）Ｅ_２（ｔ−１，ω）
ここで、Ｘ_２（ｔ、ω）は無指向性領域における二次マイク１０８の音響信号である。一次マイク１０６についてのエネルギーレベルの演算と同様に、二次マイク１０８のエネルギーレベルＥ_２（ｔ，ω）は、二次マイク１０８の前エネルギーレベルＥ_２（ｔ−１，ω）に依存する。

演算されたエネルギーレベルが与えられる場合、マイク間のレベル差（ＩＬＤ）は、ＩＬＤモジュール３０６により決定されることが可能である。一実施形態においては、ＩＬＤモジュール３０６は次式のように数学的に近似されることが可能であり、
ＩＬＤ（ｔ、ω）＝［１−２（Ｅ_１（ｔ，ω）Ｅ_２（ｔ，ω））／（Ｅ_１ ^２（ｔ，ω）＋Ｅ_２ ^２（ｔ，ω）） ］＊ｓｉｇｎ（Ｅ_１（ｔ，ω）−Ｅ_２（ｔ，ω））
ここで、Ｅ_１は一次マイク１０６のエネルギーレベルであり、Ｅ_２は一次マイク１０８のエネルギーレベルであり、それらの両方は、エネルギーモジュール３０４から得られる。この式は、−１と１との間の境界付けられた結果を与える。例えば、Ｅ_２が０になるとき、ＩＬＤは１になり、Ｅ_１が０になるとき、ＩＬＤは−１になる。従って、発話が一次マイクに近接していて、雑音が存在しない、即ち、ＩＬＤ＝１であるが、更なる雑音が付加されるとき、ＩＬＤは変化する。更に、更なる雑音がマイク１０６及び１０８の両方により取り込まれるとき、発話を雑音から区別することはより困難になる。

上記の式は、ＩＬＤ（ｔ，ω）＝（Ｅ_１（ｔ，ω）／Ｅ_２（ｔ，ω）のようなエネルギーレベルの比により演算されるＩＬＤに亘って好ましく、ここで、一次マイクのエネルギーレベルがより小さくなるとき、ＩＬＤは境界付けられていず、無限大になる。

代替の実施形態においては、ＩＬＤは次式により近似されることが可能である。

ＩＬＤ（ｔ、ω）＝（Ｅ_１（ｔ，ω）−Ｅ_２（ｔ，ω））／（Ｅ_１（ｔ，ω）＋Ｅ_２（ｔ，ω））
ここで、ＩＬＤの演算はまた、−１と１との間で境界付けられる。それ故、この代替のＩＬＤの演算は、本発明の一実施形態において用いられることが可能である。

本発明の例示としての実施形態に従って、ウィーナ（Ｗｉｅｎｅｒ）フィルタが、雑音を抑制する／発話を改善するように用いられる。しかしながら、ウィーナフィルタ推定を導き出すように、特定の入力が必要である。それらの入力は、雑音のパワースペクトル密度及びソース信号のパワースペクトル密度を有する。従って、雑音推定モジュール３０８は、音響信号の雑音推定を決定するように与えられることが可能である。

例示としての実施形態に従って、雑音推定モジュール３０８は、マイク信号における雑音成分を推定するように試みる。例示としての実施形態においては、ノイズ推定は、一次マイク１０６により受信された音響信号のみに基づくものである。例示としての雑音推定モジュール３０８は、本発明の一実施形態に従う次式により数学的に近似される成分である。

Ｎ（ｔ，ω）＝λ_１（ｔ、ω）Ｅ_１（ｔ，ω）＋（１−λ_１（ｔ，ω））ｍｉｎ［Ｎ（ｔ−１，ω），Ｅ_１（ｔ，ω）］
図示しているように、この実施形態における雑音推定は、一次マイク１０６の現エネルギー推定Ｅ_１（ｔ，ω）及び前時間フレームの雑音推定Ｎ（ｔ−１，ω）の最小統計値に基づくものである。従って、雑音推定は、効率的に且つ低いレイテンシで実行される。

上記式におけるλ_１（ｔ，ω）は、次式のように、ＩＬＤモジュール３０６により近似されたＩＬＤから導き出される。

即ち、一次マイク１０６における発話が、発話が予測される上記の閾値（例えば、閾値＝０．５）より小さいとき、λ_１は小さく、それ故、雑音推定は雑音に密接に従う。しかしながら、ＩＬＤが増加し始めるとき（例えば、発話が検出されるため）、λ_１は増加する。その結果、雑音推定モジュール３０８は雑音推定処理の速度を低下させ、発話エネルギーは、最終的な雑音推定に対してあまり寄与しない。それ故、本発明の例示としての実施形態は、雑音推定を決定するように、最小統計値及び音声アクティビティ検出の組み合わせを用いることが可能である。

フィルタモジュールは、その場合、雑音推定に基づいて、フィルタ推定を導き出す。一実施形態においては、フィルタはウィーナフィルタである。代替の実施形態は他のフィルタを検討することが可能である。従って、ウィーナフィルタによる近似が、一実施形態に従って、次式のように行われることが可能であり、
Ｗ＝（Ｐ_ｓ／（Ｐ_ｓ＋Ｐ_ｎ））^α
ここで、Ｐ_ｓは発話のパワースペクトル密度であり、Ｐ_ｎは雑音のパワースペクトル密度である。一実施形態に従って、Ｐ_ｎは雑音推定、即ち、雑音推定モジュール３０８により演算されるＮ（ｔ，ω）である。例示としての実施形態においては、Ｐ_ｓ＝Ｅ_１（ｔ，ω）−βＮ（ｔ，ω）であり、ここで、Ｅ_１（ｔ，ω）はエネルギーモジュール３０４からの一次マイク１０６のエネルギー推定であり、Ｎ（ｔ，ω）は雑音推定モジュール３０８により与えられる雑音推定である。雑音推定は各々のフレームにより変化するため、フィルタ推定がまた、各々のフレームにより変化する。

βは、ＩＬＤの関数である過減算項である。βは、雑音推定モジュール３０８の最小統計値の偏りを補正し、知覚重みを成す。時定数は異なるため、その偏りは、純粋雑音の部分と雑音及び発話の部分との間で異なる。従って、一部の実施形態においては、βは経験的に決定される（例えば、大きいＩＬＤにおいては２乃至３ｄＢ、そして小さいＩＬＤにおいては６乃至９ｄＢである）。

上記の実施形態のウィーナフィルタについての式におけるαは、雑音推定を更に抑制する係数である。αは何れかの正の値であることが可能である。一実施形態においては、非線形伸長が、αを２に設定することにより得られる。例示としての実施形態に従って、主部であるＷ＝（Ｐ_ｓ／（Ｐ_ｓ＋Ｐ_ｎ））が所定の値（例えば、１であるＷの最大有効値から１２ｄＢ下回る）あるとき、αは経験的に決定される。

ウィーナフィルタ推定は迅速に変化する（一のフレームから次のフレームに）ことが可能であり、そして雑音推定及び発話推定は各々のフレーム間でかなり変化することが可能であるため、現状のままのウィーナフィルタの適用はアーティファクト（例えば、不連続性、短いとぎれ、過渡状態等）をもたらす可能性がある。それ故、光学フィルタ平滑化モジュール３１２が、フレームの機能として音響信号に適用されるウィーナフィルタ推定を平滑化するように備えられる。一実施形態においては、そのフィルタ平滑化モジュール３１２は、次式のように数学的に近似され、
Ｍ（ｔ，ω）＝λ_ｓ（ｔ，ω）Ｗ（ｔ，ω）＋（１−λ_ｓ（ｔ，ω））Ｍ（ｔ−１，ω）
ここで、λ_ｓはウィーナフィルタ推定及び一次マイク推定Ｅ_１の関数である。

図示しているように、フィルタ平滑化モジュール３１２は、時間（ｔ）において、時間（ｔ−１）における前フレームからの平滑化されたウィーナフィルタ推定の値を用いて、ウィーナフィルタ推定を平滑化する。音響信号の迅速な変化に対する迅速な応答を可能にするように、フィルタ平滑化モジュール３１２は、迅速に変化する信号においてはより少ない平滑化を、ゆっくり変化する信号においてはかなり平滑化を実行する。このことは、時間に対するＥ_１の重み付けされた一次導関数に従ってλ_ｓの値を変化させることにより達成される。その一次導関数が大きく、そしてエネルギー変化が大きい場合、λ_ｓは大きい値に設定される。その導関数が小さい場合、λ_ｓはより小さい値に設定される。

フィルタ平滑化モジュール３１２による平滑化の後、一次音響信号は、発話を推定するように、平滑化されたウィーナフィルタ推定により乗算される。上記のウィーナフィルタの実施形態においては、発話推定は、Ｓ（ｔ，ω）＝Ｘ_１（ｔ，ω）＊Ｍ（ｔ，ω）により近似され、ここで、Ｘ_１は一次マイク１０６からの音響信号である。例示としての実施形態においては、発話推定はマーキングモジュール３１４において行われる。

次に、発話推定は、無指向性領域からの時間領域に戻るように変換される。その変換は、発話推定Ｓ（ｔ，ω）を取り込むことと、周波数合成モジュール３１６において無指向性チャネルの逆周波数とこの発話推定を乗算することと、を有する。

図３の音声処理エンジン２０４のシステムアーキテクチャは例示であることに留意する必要がある。代替の実施形態は、より多い構成要素、より少ない構成要素又は同等の構成要素を有し、本発明の実施形態の範囲内に尚もあることが可能である。音声処理エンジン２０８の種々のモジュールは信号モジュールに組み込まれることが可能である、例えば、周波数分析モジュール３０２及びエネルギーモジュール３０４の機能は、単独のモジュールに組み込まれることが可能である、更に、ＩＬＤモジュール３０６の機能は、エネルギーモジュール３０４のみの機能と組み合わされる、又は周波数分析モジュール３０２と組み合わされることが可能である。更なる実施例として、フィルタモジュール３１０の機能は、フィルタ平滑化モジュール３１２の機能と組み合わされることが可能である。

ここで、図４を参照するに、例示としての、マイク間レベル差を用いるノイズ抑制方法のフロー図が示されている。ステップ４０２において、音声信号は、一次マイク１０６及び二次マイク１０８（図２）により受信される。例示としての実施形態においては、音響信号は、処理のためにディジタル形式に変換される。

周波数分析が、その場合、ステップ４０４において、周波数分析モジュール３０２（図３）により音響信号に関して実行される。一実施形態においては、周波数分析モジュール３０２は、複雑な音響信号に存在する個々の周波数を決定するように、フィルタバンクを用いる。

ステップ４０６においては、一次マイク１０６及び二次マイク１０８の両方において受信される音響信号についてのエネルギー推定が演算される。一実施形態においては、それらのエネルギー推定は、エネルギーモジュール３０４（図３）により決定される。例示としてのエネルギーモジュール３０４は、現エネルギー推定を決定するように、現音響信号と演算された前エネルギー推定とを用いる。

一旦、エネルギー推定が演算されると、マイク間レベル差（ＩＬＤ）がステップ４０８において演算される。一実施形態においては、ＩＬＤは、一次音響信号及び二次音響信号の両方のエネルギー推定に基づいて演算される。例示としての実施形態においては、ＩＬＤはＩＬＤモジュール３０６（図３）により演算される。

演算されたＩＬＤに基づいて、雑音が、ステップ４１０において推定される。本発明の実施形態に従って、雑音推定は、一次マイク１０６において受信された音響信号に基づいている。雑音推定は、一次マイクからの音響信号の現エネルギー推定及び演算された前雑音推定に基づくことが可能である。雑音推定の決定においては、本発明の例示としての実施形態に従って、雑音推定は、ＩＬＤが増加するとき、凍結される又は速度を落とされる。

ステップ４１２において、フィルタ推定は、フィルタモジュール３１０（図３）により演算される。一実施形態においては、音声処理エンジン２０４（図３）において用いられるフィルタはウィーナフィルタである。一旦、フィルタ推定が決定されると、そのフィルタ推定は、ステップ４１４において平滑化される。平滑化は、音声アーティファクトを生成する可能性がある速い変動を抑制する。平滑化されたフィルタ推定は、発話推定を生成するように、ステップ４１６において、一次マイク１０６からの音響信号に適用される。

ステップ４１８において、発話推定が時間領域に戻るように変換される。例示としての変換技術は、発話推定に無指向性チャネルの逆周波数を適用する。一旦、発話推定が変換されると、音声信号は、ここで、ステップ４２０において、ユーザに対して出力されることが可能である。一部の実施形態においては、ディジタル音響信号は、出力のためにアナログ信号に変換される。その出力は、スピーカ、イヤホーン又は他の小さい装置を介するものである。

上記のモジュールは、記憶媒体に記憶されている命令を有することが可能である。それらの命令は、処理器２０２（図２）により検索及び実行されることが可能である。命令の一部の実施例には、ソフトウェア、プログラムコード及びファームウェアがある。記憶媒体の一部の実施例には、メモリ装置及び集積回路がある。命令は、本発明の実施形態に従って動作するように処理器２０２を指令するように、処理器により実行されるときに機能する。当業者は、命令、処理器及び記憶媒体に精通している。

本発明については、上で、例示としての実施形態を参照して詳述している。当業者は、種々の変形が行われることが可能であり、本発明の広汎な範囲から逸脱することなく、他の実施形態を用いることが可能であることが理解できる。従って、例示としての実施形態の上記の及び他の変形は、本発明により網羅されるように意図されている。

本発明の実施形態が実行されることが可能である環境を示す図である。 本発明の実施形態が実行されることが可能である環境を示す図である。 本発明の実施形態を実行する例示としての通信装置のブロック図である。 例示としての音声処理エンジンのブロック図である。 発話を改善するようにマイク間レベル差を用いる例示としての方法のフロー図である。

Claims (20)

1. 発話を改善する方法であって：
   一次マイクにおいて一次音響信号を、そして二次マイクにおいて二次音響信号を受信する段階；
   フレーム中のフィルタ推定と、前記一次音響信号の雑音推定に基づく前記フィルタ推定と、前記一次音響信号のエネルギー推定と、前記一次音響信号及び前記二次音響信号に基づくマイク間レベル差と、を決定する段階；並びに
   発話推定を生成するように、前記一次音響信号に前記フィルタ推定を適用する段階；
   を有する方法。
2. 請求項１に記載の方法であって、前記フレーム中に前記音響信号の各々についてエネルギー推定を決定する段階を更に有する、方法。
3. 請求項２に記載の方法であって、前記一次音響信号の前記エネルギー推定は、式Ｅ_１（ｔ，ω）＝λ_Ｅ｜Ｘ_１（ｔ、ω）｜^２＋（１−λ_Ｅ）Ｅ_１（ｔ−１，ω）として近似される、方法。
4. 請求項２に記載の方法であって、前記二次音響信号の前記エネルギー推定は、式Ｅ_２（ｔ，ω）＝λ_Ｅ｜Ｘ_２（ｔ、ω）｜^２＋（１−λ_Ｅ）Ｅ_２（ｔ−１，ω）として近似される、方法。
5. 請求項２に記載の方法であって、前記フレームについて前記マイク間レベルを決定するように前記エネルギー推定を用いる段階を更に有する、方法。
6. 請求項５に記載の方法であって、前記マイク間レベル差は、式ＩＬＤ（ｔ、ω）＝［１−２（Ｅ_１（ｔ，ω）Ｅ_２（ｔ，ω））／（Ｅ_１ ^２（ｔ，ω）＋Ｅ_２ ^２（ｔ，ω）） ］＊ｓｉｇｎ（Ｅ_１（ｔ，ω）−Ｅ_２（ｔ，ω））により近似される、方法。
7. 請求項５に記載の方法であって、前記マイク間レベル差は、式ＩＬＤ（ｔ、ω）＝（Ｅ_１（ｔ，ω）−Ｅ_２（ｔ，ω））／（Ｅ_１（ｔ，ω）＋Ｅ_２（ｔ，ω））により近似される、方法。
8. 請求項１に記載の方法であって、前記ノイズ推定は、前記一次音響信号のエネルギー推定及び前記マイク間レベル差に基づく、方法。
9. 請求項８に記載の方法であって、前記マイク間レベル差は、式Ｎ（ｔ，ω）＝λ_１（ｔ、ω）Ｅ_１（ｔ，ω）＋（１−λ_１（ｔ、ω））ｍｉｎ［Ｎ（ｔ−１，ω），Ｅ_１（ｔ，ω）］として近似される、方法。
10. 請求項１に記載の方法であって、前記一次音響信号に前記フィルタ推定を適用する前に前記フィルタ推定を平滑化する段階を更に有する、方法。
11. 請求項１０に記載の方法であって、前記マイク間レベル差は、式Ｍ（ｔ，ω）＝λ_ｓ（ｔ、ω）Ｗ（ｔ、ω）＋（１−λ_ｓ（ｔ，ω））Ｍ（ｔ−１，ω）として近似される、方法。
12. 請求項１に記載の方法であって、時間領域に前記発話推定を変換する段階を更に有する、方法。
13. 請求項１に記載の方法であって、ユーザに前記発話推定を出力する段階を更に有する、方法。
14. 請求項１に記載の方法であって、前記フィルタ推定はウィーナフィルタに基づく、方法。
15. 装置において発話を改善するシステムであって：
    一次音響信号を受信する一次マイク；
    前記一次マイクから距離を置いて位置付けられ、そして二次音響信号を受信する二次マイク；並びに
    前記一次マイクにおいて受信された発話を改善する音声処理エンジンであって、
    前記一次音響信号のエネルギー推定及びマイク間レベル差に基づいて前記一次音響信号について雑音推定を決定する雑音推定モジュールと、
    フィルタリングされた音響信号を生成する一次音響信号に適用されるフィルタ推定を決定する第１モジュールであって、前記フィルタ推定は、前記一次音響信号の前記雑音推定、前記一次音響信号の前記エネルギー推定及び前記マイク間レベル差に基づいている、第１モジュールと、
    を有する、音声処理エンジン；
    を有するシステム。
16. 請求項１５に記載のシステムであって、前記音声処理エンジンは、前記一次音響信号及び前記二次音響信号のフレームについてエネルギー推定を決定するエネルギーモジュールを更に有する、システム。
17. 請求項１５に記載のシステムであって、前記音声処理エンジンは、前記マイク間レベル差を決定するマイク間レベル差モジュールを更に有する、システム。
18. 請求項１５に記載のシステムであって、前記音声処理エンジンは、前記一次音響信号に前記フィルタ推定を適用する前に、前記フィルタ推定を平滑化するフィルタ平滑化モジュールを更に有する、システム。
19. 請求項１５に記載のシステムであって、前記音声処理エンジンは、前記発話推定を決定するマスキングモジュールを更に有する、システム。
20. プログラムを組み入れたコンピュータ読み出し可能媒体であって、前記プログラムは、装置において発話を改善する方法を実行する機械により実行される、コンピュータ読み出し可能媒体であり、前記方法は：
    一次マイクにおいて一次音響信号を、そして二次マイクにおいて二次音響信号を受信する段階；
    前記一次音響信号及び前記二次音響信号の各々についてのフレームにおいてエネルギー推定を決定する段階；
    前記フレームについてマイク間レベル差を決定するように、前記エネルギー推定を用いる段階；
    前記一次音響信号の前記エネルギー推定と、前記一次音響信号のエネルギー推定と、前記マイク間レベル差とに基づいて、雑音推定を生成する段階；
    前記雑音推定及び前記マイク間レベル差に基づいて、フィルタ推定を演算する段階；並びに
    発話推定を生成するように、前記一次音響信号に前記フィルタ推定を適用する段階；
    を有する、コンピュータ読み出し可能媒体。

Images