JP2010503325A - パケットベースのエコー除去および抑制 - Google Patents

Abstract

エコー抑制または除去のための方法において、１つの参照音声パケットを、複数の参照音声パケットのうちから、複数の参照音声パケットの各々および目標音声パケットに関連する少なくとも１つのエンコードされた音声パラメータに基づいて選択する。目標パケット内のエコーは、選択された参照音声パケットに基づいて抑制または除去される。

Description

電気通信に関し、詳しくは音声パケット通信に関する。

従来の通信システムでは、エンコーダが、音声またはデータのトラフィックを表す情報ビットのストリームを生成する。このビットのストリームは、細分化およびグループ化され、このストリームに様々な制御ビットが連結され、伝送に適したフォーマットにパックされる。音声およびデータのトラフィックは、たとえばフレーム、パケット、サブパケットなど適切な通信機構による種々のフォーマットで伝送することができる。明瞭にするために、本明細書では用語「伝送フレーム」を、トラフィックが実際に伝送される伝送フォーマットを表すのに用いる。用語「パケット」は、本明細書では、スピーチ符号器の出力を表すのに用いる。「スピーチ符号器」は、音声符号器または「ボコーダ」とも称し、これらの用語は本明細書においては同義で使用する。

ボコーダは、（人間の会話などの）音声情報生成のモデルに関連するパラメータを抽出し、この抽出したパラメータを使用して音声情報を圧縮し伝送する。ボコーダは通常、エンコーダおよびデコーダを備える。ボコーダは、入力された音声情報（たとえばアナログ音声信号）をブロックにセグメント化し、この入力されたスピーチ・ブロックを解析して関連する何らかのパラメータを抽出し、このパラメータをバイナリつまりビット表現に量子化する。このビット表現は、パケットにパックされ、このパケットは伝送フレームにフォーマットされ、この伝送フレームは、通信チャネルを介してデコーダ付き受信機に伝送される。この受信機では、パケットが伝送フレームから抽出され、デコーダが、パケットで搬送されたビット表現を非量子化して、符号化パラメータのセットを生成する。デコーダは次いで、この非量子化されたパラメータを使用して、音声セグメントを再合成しその後元の音声情報を再合成する。

種々のタイプのボコーダが、多くの場合様々な圧縮技法を使用することにより、様々な既存の無線通信システムおよび有線通信システム内に配置されている。さらに、１つの特定の規格によって定義されている伝送フレームのフォーマットおよび処理は、他の規格のフォーマットおよび処理ときわめて著しく異なることがある。たとえばＣＤＭＡ規格は、スペクトル拡散環境における可変レート・ボコーダ・フレームの使用をサポートしているが、一方、ＧＳＭ規格は、固定レート・ボコーダ・フレームおよびマルチレート・ボコーダ・フレームの使用をサポートしている。同様に、ユニバーサル移動電話システム（ＵＭＴＳ）規格も、固定レート・ボコーダおよびマルチレート・ボコーダをサポートしているが、可変レート・ボコーダをサポートしていない。これらの通信システム間での互換性および相互運用性を得るには、ＧＳＭおよびＵＭＴＳシステム内において可変レート・ボコーダ・フレームのサポートを、ＣＤＭＡシステム内において不変レート・ボコーダ・フレームのサポートを可能とすることが望ましいことがある。全通信システムに共通して生じることの１つは、エコーの発生である。音響エコーおよび電子エコーが、エコーのタイプ例である。

音響エコーは、送受器および／またはハンドフリー・デバイス内のイヤホンとマイクロホンの間の不良な音声結合によって生成される。電子エコーは、ＰＳＴＮネットワーク内の４線−２線結合に起因する。音声圧縮ボコーダは、送受器内および無線ネットワーク内におけるエコーを含む音声を処理し、その結果きわめて特性が変化しやすいエコー信号が返される。このエコー付きの信号は音声通話品質を劣化させる。

音響エコーの一例において、スピーカからの音は、意図されたように近端にいる受話者に聞こえる。しかしながら、近端におけるこの同じ音は、直接的かつ反射されてから間接的にマイクロホンによっても捕捉される。この反射の結果エコーが発生し、このエコーは、消去されない限り、遠端に送り返され、この送り返されたエコーが、遠端にいる送話者によってエコーとして聞き取られる。

図１は、エコー付きの信号を除去するのに使用される従来のエコー・キャンセラ（除去）／サプレッサ（抑制）を含むボイス・オーバー・パケット・ネットワークの図を示す。

この従来のエコー・キャンセラ／サプレッサ１００をパケット交換網内で使用する場合、従来のあらゆるエコー除去動作は線形非圧縮スピーチを用いて動作するので、エコー除去パラメータを取得するためには、この従来のエコー・キャンセラは、双方向に伝送される音声信号に関連するボコーダ・パケットを完全にデコードする必要がある。すなわち、エコーを除去する前に、従来のエコー・キャンセラ／サプレッサ１００は、伝送フレームからパケットを抽出し、パケットで搬送されたビット表現を非量子化して符号化パラメータのセットを生成し、音声セグメントを再合成しなければならない。従来のエコー・キャンセラ／サプレッサは次いで、この再合成された音声セグメントを用いてエコーを除去する。

伝送される音声情報が、伝送される前に（たとえばパラメトリック・ドメイン内の）パラメータにエンコードされ、従来のエコー・サプレッサ／キャンセラは線形スピーチ・ドメイン内で動作するので、パケット交換網における従来のエコー除去／抑制は、比較的難解、複雑になり、たとえば追加のタンデミング符号化が伴われるゆえにエンコーディング遅延および／もしくはデコーディング遅延が加わりかつ／または音声品質が劣化することがある。

音声パケット内のエコーを除去／抑制するための方法を提供する。

例示的な諸実施形態は、パケットベースのエコー抑制／除去のための方法および装置を対象とする。例示的一実施形態では、エコーを抑制／除去するための方法が提供される。この例示的一実施形態では、１つの参照音声パケットを、複数の参照音声パケットのうちから、複数の参照音声パケットの各々および目標音声パケットに関連する少なくとも１つのエンコードされた音声パラメータに基づいて選択する。目標音声パケット内のエコーは、選択された参照音声パケットに基づいて抑制／除去される。

本発明は、本明細書で後述する詳細な説明および添付図面からより完全に理解されよう。添付図面中、同じ要素は同じ参照番号によって示され、この図面は、例示のみの目的で与えられるものであり、したがって本発明を限定するものでない。

従来のエコー・キャンセラ／サプレッサを含むボイス・オーバー・パケット・ネットワークの図である。 例示的一実施形態によるエコー・キャンセラ／サプレッサを示す図である。 例示的一実施形態によるエコー除去／抑制のための方法を示す図である。

例示的な諸実施形態にしたがう方法および装置は、たとえばパケット交換通信システム内における特定の適用例に応じたエコー除去および／またはエコー抑制を行うことができる。例示的な諸実施形態を、本明細書では、エコー除去／抑制、エコー・キャンセラ／サプレッサなどと述べることにする。

本明細書では以後、例示の目的で、エコー付きの音声情報（たとえば、近端で受信され遠端にエコー・バックされる音声情報）を搬送していると思われるボコーダ・パケットを、目標パケットと称し、この目標パケットに関連する符号化パラメータを、目標パケット・パラメータと称する。目標パケットがエコー付きの音声情報を含むかどうか判定するのに使用され、もともと遠端から伝送される音声情報（たとえば、エコー付きである可能性のある音声情報）に関連するボコーダまたはパラメータ・パケットを、参照パケットと称する。この参照パケットに関連する符号化パラメータを、参照パケット・パラメータと称する。

上述のように、図１は、従来のエコー・キャンセラ／サプレッサを含むボイス・オーバー・パケット・ネットワークの図を示す。例示的な諸実施形態による方法は、図１に示したエコー・キャンセラ／サプレッサ１００など既存のエコー・キャンセラ／サプレッサで実施することができる。たとえば、例示的な諸実施形態は、既存のデジタル信号プロセッサ（ＤＳＰ）、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）上などで実施することができる。加えて、例示的な諸実施形態は、ＶｏＩＰネットワーク、ＶｏＡＴＭネットワーク、ＴｒＦＯネットワークなど任意のタイプの地上または無線のパケット交換網とともに使用することができる。

音声情報をエンコードするのに使用されるボコーダの一例は、符号励振線形予測（ＣＥＬＰ）ベースのボコーダである。ＣＥＬＰベースのボコーダは、デジタル音声情報を符号化パラメータのセットにエンコードする。これらのパラメータは、たとえば、適応コードブック・ゲインおよび固定コードブック・ゲイン、ピッチ／適応コードブック、線スペクトル対（ＬＳＰ）ならびに固定コードブックを含む。これらのパラメータの各々は、いくつかのビットで表すことができる。たとえば、よく知られているボコーダである高度可変速コーデック（ＥＶＲＣ）ボコーダのフルレート・パケットでは、ＬＳＰは２８ビットで表され、ピッチおよびその対応するデルタは１２ビットで表され、適応コードブック・ゲインは９ビットで表され、固定コードブック・ゲインは１５ビットで表される。固定コードブックは１２０ビットで表される。

やはり図１を参照すると、エコー付きのスピーチ信号が、近端のＣＥＬＰボコーダによる音声情報のエンコーディング中に存在する場合、伝送されるボコーダ・パケットの少なくとも一部が、エコー付きの音声情報を含むことがあり得る。このエコー付きの音声情報は、もともと伝送された音声情報と同じであるまたは類似していることがあり、したがって、近端から遠端へと伝送される音声情報を搬送するボコーダ・パケットは、もともと遠端から近端へとエンコードされる音声情報を搬送するボコーダ・パケットと類似している、実質的に類似している、または同じであり得る。すなわち、たとえば元のボコーダ・パケット中のビットは、エコー付きの音声情報を搬送する対応するボコーダ・パケット内のビットと類似している、実質的に類似している、または同じであり得る。

例示的な諸実施形態によるパケット・ドメイン・エコー・キャンセラ／サプレッサ、および／またはこのパケット・ドメイン・エコー・キャンセラ／サプレッサのための方法は、伝送されるパケットに関連する符号化パラメータを適応的に調整することより、伝送される信号中のエコーを除去／抑制するときに上記の類似度を使用する。

例示の目的で、例示的な諸実施形態を、ＥＶＲＣボコーダなどのＣＥＬＰベースのボコーダに関連して説明する。しかしながら、例示的な諸実施形態による方法および／または装置は、適切などんなボコーダとともに使用するかつ／または使用するように適応させることもできる。

図２は、例示的一実施形態によるエコー・キャンセラ／サプレッサを示す。図示したように、図２のエコー・キャンセラ／サプレッサは、遠端から受信した元々のボコーダ・パケット（参照パケット）を参照パケット・バッファ・メモリ２０２内にバッファリングすることができる。このエコー・キャンセラ／サプレッサは、近端からの目標パケットを目標パケット・バッファ・メモリ２０４内にバッファリングすることができる。図２のエコー・キャンセラ／サプレッサはさらに、エコー除去／抑制モジュール２０６およびメモリ２０８を含み得る。

エコー除去／抑制モジュール２０６は、参照パケット・バッファ・メモリ２０２内に格納された少なくとも１つの参照パケットおよび目標パケット・バッファ２０４内に格納された少なくとも１つの目標パケットに関連する、少なくとも１つのエンコードされた音声パラメータに基づいて、信号（たとえば送受信される信号）からのエコーを除去／抑制することができる。エコー除去／抑制モジュール２０６およびこのモジュール２０６内で実施される方法は、以下でより詳細に説明する。

メモリ２０８は、音声パケット類似度メトリック、対応する参照音声パケット、目標音声パケットなど、中間値および／または音声パケットを格納することができる。少なくとも１つの例示的実施形態では、メモリ２０８は、個別の類似度メトリックおよび／または全体的な類似度メトリックを格納することができる。メモリ２０８は、以下でより詳細に説明する。

図２に戻ると、バッファ・メモリ２０４長を、以下でより詳細に説明される軌跡検索／マッチング動作の軌跡一致長さに基づいて決定することができる。たとえば、各ボコーダ・パケットが２０ｍｓの音声セグメントを搬送し、軌跡一致長さが１２０ｍｓである場合、バッファ・メモリ２０４は、６つの目標パケットを保持することができる。

バッファ・メモリ２０２長を、エコー・テイルの長さ、ネットワーク遅延および軌跡一致長さに基づいて決定することができる。たとえば、各ボコーダ・パケットが２０ｍｓの音声セグメントを搬送し、エコー・テイル長が１８０ｍｓに等しく、軌跡一致長さが（たとえば６つのパケットの）１２０ｍｓである場合、バッファ・メモリ２０２は、１５個の参照パケットを保持することができる。参照パケット用バッファ２０２内に格納し得るパケットの最大個数を、ｍで表すことができる。

図２では２つのバッファ２０２および２０４を示しているが、これらのバッファを組み合わせて単一のメモリにしてもよい。

少なくとも一例においては、エコー・テイル長を、エコー・パスの既知のネットワーク・パラメータによって決定および／または定義し、あるいは実際の検索プロセスを用いて求めることができる。エコー・テイル長を決定する方法は当技術分野でよく知られている。エコー・テイル長を決定した後では、少なくともいくつかの例示的実施形態による方法を、このエコー・テイル長に等しいタイム・ウィンドウ内で実施することができる。このタイム・ウィンドウの幅は、たとえば、１つもしくは複数の伝送フレームの長さ、または１つもしくは複数のパケットの長さに等しくてよい。例示の目的で、例示的な諸実施形態は、エコー・テイル長が、単一の伝送フレームで伝送されるスピーチ信号の長さに等しいと仮定して説明される。

例示的な諸実施形態は、バッファ２０２内に格納される参照パケットを、エコー付きの音声情報を搬送する目標パケットとマッチングさせることによってどんなエコー・テイル長にも適用可能である。目標パケットがエコー付きの音声情報を含むかどうかは、目標パケットを、バッファ２０２内に格納されるｍ個の参照パケットの各々と比較することによって判定することができる。

図３は、例示的一実施形態によるエコー除去／抑制のための方法を示す流れ図である。図３に示す方法は、図２に示したエコー除去／抑制モジュール２０６によって実施することができる。

図３を参照すると、Ｓ３０２で、計数値ｊを１に初期化することができる。Ｓ３０４で、バッファ２０２から参照パケットＲ_ｊを取り出すことができる。Ｓ３０６で、エコー除去／抑制モジュール２０６は、計数値ｊを閾値ｍと比較することができる。前述のように、ｍは、バッファ２０２内に格納される参照パケット数に等しいことができる。この例では、バッファ２０２内に格納される参照パケット数ｍは、単一の伝送フレームで伝送される参照パケット数に等しいので、閾値ｍは、単一の伝送フレームで伝送されるパケット数に等しいことができる。この場合、値ｍは、当技術分野でよく知られているように、伝送フレーム内に含まれる伝送フレーム・ヘッダーから抽出することができる。

Ｓ３０６において、計数値ｊが閾値ｍ以下である場合、Ｓ３０８においてエコー除去／抑制モジュール２０６は、参照パケットＲ_ｊから、エンコードされたパラメータを抽出する。同時に、Ｓ３０８でエコー除去／抑制モジュール２０６は、目標パケットＴから、エンコードされたパラメータを抽出する。これらのパラメータを抽出する方法は当技術分野でよく知られている。したがって簡潔にするために詳細な解説は省いた。先述のように、例示的な諸実施形態を、本明細書ではＣＥＬＰベースのボコーダに関連して説明する。ＣＥＬＰベースのエンコーダでは、参照パケット・パラメータおよび目標パケット・パラメータは、固定コードブック・ゲインＧ_ｆ、適応コードブック・ゲインＧ_ａ、ピッチＰおよびＬＳＰを含み得る。

やはり図３を参照すると、ステップＳ３０９においてエコー除去／抑制モジュール２０６は、目標パケットＴおよび参照パケットＲ_ｊから抽出された、エンコードされた符号化パラメータの一部に基づいて、ダブル・トークが参照パケットＲ_ｊ内に存在するかどうか判定するためのダブル・トーク検出を行うことができる。ダブル・トークを含む音声セグメント中では、エコー付きの遠端の音声情報が、近端の音声情報に埋め込まれ、したがって遠端では了解され得ないので、エコー除去／抑制を行う必要がない。

ダブル・トーク検出を用いて、参照パケットＲ_ｊがダブル・トークを含むかどうかを判定することができる。例示的一実施形態では、ダブル・トークは、目標パケットＴから抽出されたエンコードされたパラメータと、参照パケットＲ_ｊから抽出されたエンコードされたパラメータとを比較することによって検出することができる。上述のＣＥＬＰボコーダの例では、これらのエンコードされたパラメータは、固定コードブック・ゲインＧ_ｆおよび適応コードブック・ゲインＧ_ａであってよい。

エコー除去／抑制モジュール２０６は、次の式（１）に示された条件に基づいて、ダブル・トークが存在するかどうか判定することができる。

式（１）によれば、参照パケットＲ_ｊの固定ブックコード・ゲインＧ_ｆＲと、目標パケットＴの固定コードブック・ゲインＧ_ｆＴの間の差が、固定コードブック・ゲイン閾値Δ_ｆ未満であるとき、ダブル・トークが参照パケットＲ_ｊ内に存在しており、ダブル・トーク検出フラグＤＴを１に設定することができる（たとえば、ＤＴ＝１）。同様に、参照パケットＲ_ｊの適応ブックコード・ゲインＧ_ａＲと、目標パケットＴの適応コードブック・ゲインＧ_ａＴの間の差が、適応コードブック・ゲイン閾値Δ_ａ未満であるとき、ダブル・トークが参照パケットＲ_ｊ内に存在しており、ダブル・トーク検出フラグＤＴを１に設定することができる（たとえば、ＤＴ＝１）。これら以外のとき、ダブル・トークは、参照パケットＲ_ｊ内に存在せず、ダブル・トーク検出フラグを設定しなくてよい（たとえば、ＤＴ＝０）。

再び図３を参照すると、Ｓ３１０においてダブル・トーク検出フラグＤＴを設定しない（たとえばＤＴ＝０）場合は、Ｓ３１２において、目標パケットＴから抽出されたエンコードされたパラメータと、参照パケットＲ_ｊから抽出されたエンコードされたパラメータとの間の類似度評価を行うことができる。この類似度評価を用いて、目標パケットＴから抽出されたエンコードされたパラメータ、参照パケットＲ_ｊから抽出されたエンコードされたパラメータ、および類似度閾値に基づいて、複数の類似度フラグの各々を設定すべきかどうか判定することができる。

この類似度フラグは、類似度インジケータと称することがある。この類似度フラグまたは類似度インジケータには、たとえば、ピッチ類似度フラグ（またはインジケータ）ＰＭ、および複数のＬＳＰ類似度フラグ（またはインジケータ）を挙げることができる。この複数のＬＳＰ類似度フラグには、複数の帯域幅類似度フラグＢＭ_ｉ、および複数の周波数類似度マッチング・フラグＦＭ_ｉを挙げることができる。

やはり図３のＳ３１２を参照すると、除去／抑制モジュール２０６は、次の式（２）に基づいて、参照パケットＲ_ｊのピッチ類似度フラグＰＭを設定すべきかどうか判定することができる。

式（２）に示した、Ｐ_Ｔは、目標パケットに関連するピッチであり、Ｐ_Ｒは、参照パケットＲ_ｊに関連するピッチであり、Δ_ｐはピッチ閾値である。ピッチ閾値Δ_ｐは、使用する特定タイプのボコーダに基づいて取得された経験的データに基づいて決定することができる。式（２）に示したように、ピッチＰ_ＴとピッチＰ_Ｒの差の絶対値が閾値Δ_ｐ以下であるとき、ピッチＰ_ＴはピッチＰ_Ｒと類似しており、ピッチ類似度フラグＰＭを１に設定することができる。これ以外のとき、ピッチ類似度フラグＰＭを０に設定することができる。

やはり図３のＳ３１２を参照すると、上述のピッチ類似度評価の方法と同様に、参照パケットＲ_ｊが目標パケットＴに類似しているかどうかを判定するために、ＬＳＰ類似度評価を用いることができる。

概して言うと、ＣＥＬＰボコーダは、ベクトル量子化を用いて１０個のＬＳＰ値をエンコードする１０次の線形予測符号化（ＬＰＣ）予測フィルタを使用する。加えて、それぞれのＬＳＰ対は、対応するスピーチ・スペクトル・フォルマントを定義する。フォルマントとは、任意の音響システムの共振周波数によって生じる音響周波数スペクトルのピークである。特定の各フォルマントは、次の式（３）で示される帯域幅Ｂ_ｉ
Ｂ_ｉ＝ＬＳＰ_２ｉ−ＬＳＰ_２ｉ−１、 ｉ＝１、２、．．．、５ （３）
および次の式（４）で示される中心周波数Ｆ_ｉ

で表すことができる。

式（３）および（４）に示した、Ｂ_ｉは、ｉ番目のフォルマントの帯域幅であり、Ｆ_ｉは、ｉ番目のフォルマントの中心周波数であり、ＬＳＰ_２ｉおよびＬＳＰ_２ｉ−１は、ＬＳＰ値のｉ番目の対である。

この例では、１０次のＬＰＣ予測フィルタに対して、ＬＳＰ値の５つの対を生成することができる。

最初の３つのフォルマントの各々は、音声セグメントについての有意のまたは比較的有意のスペクトル包絡線情報を含み得る。その結果として、ＬＳＰ類似度評価を、この最初の３つのフォルマントｉ＝１、２および３に基づいて行うことができる。

各フォルマントｉ（ｉ＝１、２、３）について、目標パケットＴに関連する帯域幅Ｂ_Ｔｉが、参照パケットＲ_ｊに関連する帯域幅Ｂ_Ｒｉに類似しているかどうかを示す帯域幅類似度フラグＢＭ_ｉを、次の式（５）にしたがって設定することができる。

式（５）に示した、Ｂ_Ｔｉは、目標パケットＴに関連するｉ番目の帯域幅であり、Ｂ_Ｒｉは、参照パケットＲ_ｊに関連するｉ番目の帯域幅であり、Δ_Ｂｉは、帯域幅Ｂ_ＴｉとＢ_Ｒｉが類似しているかどうか判定するのに使用されるｉ番目の帯域幅閾値である。ＢＭ_ｉ＝１のとき、ｉ番目の帯域幅Ｂ_ＴｉおよびＢ_Ｒｉはそれぞれ互いの一定範囲内にあり、類似していると見なすことができる。そうではなくＢＭ_ｉ＝０のとき、ｉ番目の帯域幅Ｂ_ＴｉおよびＢ_Ｒｉは、類似していると見なすことができない。ピッチ閾値と同様に、それぞれの帯域幅閾値は、使用する特定タイプのボコーダに基づいて取得された経験的データに基づいて決定することができる。

やはり図３のＳ３１２を参照すると、目標パケットＴに関連するｉ番目の周波数が、参照パケットＲ_ｊに関連する対応するｉ番目の周波数と類似しているかどうかを、周波数類似度フラグＦＭ_ｉによって表すことができる。周波数類似度フラグＦＭ_ｉは、次の式（６）に基づいて設定することができる。

式（６）に示した、Ｆ_Ｔｉは、目標パケットＴに関連するｉ番目の中心周波数であり、Ｆ_Ｒｉは、参照パケットＲ_ｊに関連するｉ番目の中心周波数であり、Δ_Ｆｉは、ｉ番目の中心周波数閾値である。ｉ番目の中心周波数閾値Δ_Ｆｉは、ｉ＝１、２および３に対して、ｉ番目の目標中心周波数Ｆ_Ｔｉとｉ番目の参照中心周波数Ｆ_Ｒｉの類似度を示すことができる。ピッチ閾値および帯域幅閾値と同様に、周波数閾値は、使用する特定タイプのボコーダに基づいて取得された経験的データに基づいて決定することができる。

ＦＭ_ｉは、対応するＬＳＰ対についてのｉ番目の帯域幅の中心周波数類似度フラグである。式（６）によれば、ＦＭ_ｉ＝１は、Ｆ_ＴｉとＦ_Ｒｉが類似していることを示し、一方、ＦＭ_ｉ＝０は、Ｆ_ＴｉとＦ_Ｒｉが類似していないことを示す。

図３に戻ると、Ｓ３１４において複数のパラメータ類似度フラグＰＭ、ＢＭ_ｉおよびＦＭ_ｉの各々が１に等しく設定されたと判定された場合、参照パケットＲ_ｊは、目標パケットＴと類似していると見なすことができる。言い換えると、パラメータ類似度インジケータＰＭ、ＢＭ_ｉおよびＦＭ_ｉの各々が、かかる通りに示している場合、参照パケットＲ_ｊは目標パケットＴと類似している。

次いでＳ３１６において、エコー除去／抑制モジュール２０６は、全体的な音声パケット類似度メトリックを計算することができる。この全体的な音声パケット類似度メトリックを、たとえば、全体的な類似度メトリックＳ_ｊとすることができる。この全体的な類似度メトリックＳ_ｊは、目標パケットＴと参照パケットＲ_ｊの間の全体的な類似度を示すことができる。

少なくとも１つの例示的実施形態において、参照パケットＲ_ｊに関連する全体的な類似度メトリックＳ_ｊを、複数の個別の音声パケット類似度メトリックに基づいて計算することができる。この複数の個別の音声パケット類似度メトリックは、個別の類似度メトリックであってよい。

これら複数の個別の類似度メトリックは、目標パケットＴおよび参照パケットＲ_ｊから抽出された、エンコードされたパラメータの少なくとも一部に基づいて計算することができる。この例示的一実施形態では、この複数の個別の類似度メトリックには、ピッチ類似度メトリックＳ_ｐ、ｉ＝１、２および３についての帯域幅類似度メトリックＳ_Ｂｉ、ならびにｉ＝１、２および３についての周波数類似度メトリックＳ_Ｆｉを挙げることができる。これら複数の個別の類似度メトリックの各々は、同時に計算してよい。

たとえばピッチ類似度メトリックＳ_ｐは、次の式（７）にしたがって計算することができる。

ｉ個のフォルマントの各々についての帯域幅類似度Ｓ_Ｂｉは、次の式（８）にしたがって計算することができる。

式（８）に示し上述したように、Ｂ_Ｔｉは、目標パケットＴに関するｉ番目のフォルマントの帯域幅であり、Ｂ_Ｒｉは、参照パケットＲ_ｊに関するｉ番目のフォルマントの帯域幅である。

同様に、ｉ個のフォルマントの各々に関する中心周波数類似度Ｓ_Ｆｉは、次の式（９）にしたがって計算することができる。

式（９）に示し上述したように、Ｆ_Ｔｉは、目標パケットＴに関するｉ番目のフォルマントの中心周波数であり、Ｆ_Ｒｉは、参照パケットＲ_ｊに関するｉ番目のフォルマントの中心周波数である。

これら複数の個別の類似度メトリックを求めた後に、全体的な類似度マッチング・メトリックＳ_ｊを、次の式（１０）に基づいて計算することができる。

式（１０）において、それぞれの個別の類似度メトリックを、対応する重み関数によって重み付けすることができる。示したα_ｐは、ピッチ類似度メトリックＳ_ｐに対する類似度重み付け定数であり、α_ＬＳＰは、ＬＳＰスペクトル類似度メトリックＳ_ＢｉおよびＳ_Ｆｉに対する全体的な類似度重み付け定数であり、β_Ｂｉは、帯域幅類似度メトリックＳ_Ｂｉに対する個別の類似度重み付け定数であり、β_Ｆｉは、周波数類似度メトリックＳ_Ｆｉに対する個別の類似度重み付け定数である。

これらの類似度重み付け定数α_ｐおよびα_ＬＳＰは、次に示す式（１１）を満たすように決定することができる。
α_ｐ＋α_ＬＳＰ＝１ （１１）

同様に、個別の類似度重み付け定数β_Ｂｉおよびβ_Ｆｉは、次に示す式（１２）を満たすように決定することができる。
β_Ｂｉ＋β_Ｆｉ＝１、 ｉ＝１、２、３ （１２）

少なくともいくつかの例示的実施形態によれば、重み付け定数は、式（１１）および（１２）を満たすように経験的データに基づいて決定および／または調整することができる。

図３に戻ると、Ｓ３１８において、エコー除去／抑制モジュール２０６は、計算された全体的な類似度メトリックＳ_ｊを図２のメモリ２０８内に格納することができる。このメモリ２０８は、バッファ・メモリなど、よく知られたどんなメモリであってもよい。Ｓ３２０で計数値ｊはｊ＝ｊ＋１のように増分され、方法はＳ３０４に戻る。

図３のＳ３１４に戻ると、いかなるパラメータ類似度フラグも設定されていない場合、エコー除去／抑制モジュール２０６は、参照パケットＲ_ｊが、目標パケットＴと類似しておらず、したがって目標パケットＴが、参照パケットＲ_ｊによって搬送された元の音声情報に対応するエコー付き音声情報を搬送していないと判定する。この場合、計数値ｊを、（ｊ＝ｊ＋１）のように増分でき、方法は先述のように進む。

図３のＳ３１０に戻ると、ダブル・トークが参照パケットＲ_ｊ内に検出された場合、Ｓ３１１において参照パケットＲ_ｊを破棄でき、Ｓ３２０において計数値ｊをｊ＝ｊ＋１のように増分でき、Ｓ３０４においてエコー除去／抑制モジュール２０６は、バッファ２０２から次の参照パケットＲ_ｊを取り出す。バッファ２０２から次の参照パケットＲ_ｊを取り出した後に、処理はＳ３０６に進んで反復することができる。

Ｓ３０６に戻ると、計数値ｊが閾値ｍよりも大きい場合、Ｓ３２１でベクトル軌跡マッチング動作を行うことができる。軌跡マッチングを用いて、目標パケットの固定コードブック・ゲインと、格納された参照パケットについてのそれぞれの固定コードブック・ゲインとの間の相互関係を見出すことができる。また軌跡マッチングを用いて、目標パケットの適応コードブック・ゲインと、それぞれの参照パケット・ベクトルについての適応コードブック・ゲインとの間の相互関係を見出すこともできる。少なくとも１つの例示的実施形態によれば、ベクトル軌跡マッチングは、最小２乗平均（ＬＭＳ）、および／または目標パケットとそれぞれの類似する参照パケットとの間の相互関係を決定するための相互相関アルゴリズムを用いることによって実施され得る。ＬＭＳおよび相互相関のアルゴリズムは当技術分野でよく知られているので、簡潔にするためにこれらのアルゴリズムの詳細な解説は省いた。

少なくとも１つの例示的実施形態では、ベクトル軌跡マッチングを用いて、目標パケットと、格納された類似する参照パケットの各々との間の類似度を検証することができる。少なくとも１つの例示的実施形態では、Ｓ３２１における軌跡ベクトル・マッチングを用いて、相互関係閾値を満たさない類似する参照パケットをフィルタ除去することができる。この相互関係閾値を満たさない、格納された類似する参照パケットに関連する全体的な類似度メトリックＳ_ｊを、メモリ２０８から削除することができる。この相互関係閾値は、当技術分野でよく知られているような経験的データに基づいて決定することができる。

図３の方法はＳ３２１において、ベクトル軌跡マッチング・ステップを示しているが、当業者が所望するならばこのステップを省略してもよい。

Ｓ３２２において、類似する参照パケットのうちのどれがエコー付きの音声情報を含んでいるのか判定するために、メモリ２０８内にある残りの格納された全体的な類似度メトリックＳ_ｊを検索することができる。言い換えれば、どの参照パケットが目標パケットと一致するのか判定するために、類似する参照パケットを検索することができる。例示的な諸実施形態では、目標パケットと一致する参照パケットは、関連する全体的な類似度メトリックＳ_ｊが最小である参照パケットであってよい。

類似度メトリックＳ_ｊが、目標パケットＴおよび参照パケットＲ_ｊによってメモリ内に指標化される場合（この指標化される方法はよく知られており、簡潔にするために省略した）、全体的な類似度メトリックは、ｊ＝１、２、３．．．ｍに対してＳ（Ｔ，Ｒ_ｊ）のように表すことができる。

全体的な類似度メトリックをｊ＝１、２、３．．．ｍに対してＳ（Ｔ，Ｒ_ｊ）のように表すと、最小の全体的な類似度メトリックＳ_ｍｉｎは、次の式（１３）を用いて求めることができる。
Ｓ_ｍｉｎ＝ＭＩＮ［Ｓ（Ｔ，Ｒ_ｊ）、ｊ＝０、１、．．．、ｍ］ （１３）

再び図３を戻ると、この一致する参照パケットを見付け出した後に、Ｓ３２４において、エコー除去／抑制モジュール２０６は、この一致する参照パケットから抽出されたエンコードされたパラメータの一部に基づいてエコーを除去／抑制することができる。たとえば、エコーは、目標パケットＴに関連するゲインを調整する（たとえば減衰させる）ことによって除去／抑制することができる。このゲイン調整は、一致した参照パケットに関連するゲイン、ゲイン重み付け定数、および一致する参照パケットに関連する全体的な類似度メトリックに基づいて行うことができる。

たとえば、エコーは、次の式（１４）に示すような適応コードブック・ゲイン
Ｇ’_ｆＲ＝Ｗ_ｆＳ＊Ｇ_ｆＲｊ （１４）
および／または次の式（１５）に示すような固定コードブック・ゲイン
Ｇ’_ａＲ＝Ｗ_ａＳ＊Ｇ_ａＲ （１５）
を減衰させることによって除去／抑制することができる。

式（１４）に示した、Ｇ_ｆＲ’は、参照パケットに関連する固定コードブックの調整済みゲインであり、Ｗ_ｆは、固定コードブックのゲイン重み付けである。

式（１５）に示した、Ｇ_ａＲ’は、参照パケットに関連する適応コードブックの調整済みゲインであり、Ｗ_ａは、適応コードブックのゲイン重み付けである。Ｗ_ｆおよびＷ_ａは、最初はいずれも１に等しくてよい。しかしながら、これらの値は、たとえば、（例として有声もしくは無声の）スピーチ特性、および／または参照パケットに対する目標パケット内のエコーの比率に基づいて適応的に調整することができる。

例示的な諸実施形態によれば、目標パケットの適応コードブック・ゲインおよび固定コードブック・ゲインが減衰される。たとえば、参照パケットと目標パケットの類似度に基づいて、目標パケットにおける適応コードブック・ゲインおよび固定コードブック・ゲインを調整することができる。

例示的な諸実施形態によれば、目標音声信号をデコードおよび再エンコードすることなく、パラメトリック・ドメイン内にある抽出されたパラメータを用いてエコーを除去／抑制することができる。

上述の説明では、図３に示した方法を１回のみ繰り返したけれども、図３の方法は、バッファ２０２内に格納されたそれぞれの参照パケットＲ_ｊ、およびバッファ２０４内に格納されたそれぞれの目標パケットＴについて実施することができる。すなわち、たとえば、バッファ２０２内に格納された複数の参照パケットを検索して、バッファ２０４内の目標パケットの各々と一致する参照パケットを見付け出すことができる。

以上の通り本発明を説明したが、本発明を数多くの方法で変更できることは明らかであろう。かかる変更は、本発明からの逸脱として見なされるべきでなく、すべてのかかる修正は、本発明の範囲内に含まれることが意図される。

Claims (10)

1. エコーを抑制するための方法であって、
   １つの参照音声パケットを、複数の参照音声パケットのうちから、前記複数の参照音声パケットの各々および目標音声パケットに関連する少なくとも１つのエンコードされた音声パラメータに基づいて選択するステップと、
   前記目標音声パケット内のエコーを、前記選択された参照音声パケットに基づいて抑制するステップと
   を含む方法。
2. 前記エコーが、前記選択された参照音声パケットに関連する前記少なくとも１つのエンコードされた音声パラメータに基づいて、前記目標音声パケットに関連する前記少なくとも１つのエンコードされた音声パラメータを調整することによって抑制される、請求項１に記載の方法。
3. 前記エコーが、前記選択された参照音声パケットに関連する対応する複数のエンコードされた音声パラメータに基づいて、前記目標音声パケットに関連する複数のエンコードされた音声パラメータを調整することによって抑制される、請求項２に記載の方法。
4. 前記エコーが、前記選択された参照音声パケットに関連する、対応する少なくとも１つのエンコードされた音声パラメータに基づいて、前記目標音声パケットに関連する前記少なくとも１つのエンコードされた音声パラメータのゲインを調整することによって抑制される、請求項１に記載の方法。
5. 選択する前記ステップが、
   少なくとも１つのエンコードされた音声パラメータを、前記目標パケットおよび前記複数の参照音声パケットの各々から抽出するステップと、
   前記複数の参照音声パケットのうちのいくかの参照音声パケットの各々について、前記参照音声パケットおよび前記目標音声パケットから抽出された前記エンコードされた音声パラメータに基づいて、少なくとも１つの音声パケット類似度メトリックを計算するステップと、
   前記参照音声パケットを、前記計算された音声パケット類似度メトリックに基づいて選択するステップと
   を含む、請求項１に記載の方法。
6. 前記いくつかの参照音声パケットを生成して前記いくつかの参照音声パケットについて前記少なくとも１つの音声パケット類似度メトリックを計算するために、それぞれの参照音声パケットおよび前記目標音声パケットに関連する前記エンコードされた音声パラメータに基づいて、前記複数の参照音声パケットのうちのどれが前記目標音声パケットに類似しているかを判定するステップをさらに含む、請求項５に記載の方法。
7. 選択する前記ステップが、
   参照音声パケットのセットを生成するために、前記複数の参照音声パケットの各々および前記目標音声パケットに関連する前記少なくとも１つのエンコードされた音声パラメータに基づいて、前記複数の参照音声パケットのうちのどれが前記目標音声パケットに類似しているかを判定するステップと、
   前記参照音声パケットのセットから前記参照音声パケットを選択するステップと
   を含む、請求項１に記載の方法。
8. 判定する前記ステップが、
   それぞれの参照音声パラメータについて、
   前記目標音声パケットに関連する前記少なくとも１つのエンコードされた音声パラメータ、および前記参照音声パケットに関連する前記少なくとも１つのエンコードされた音声パラメータに基づいて、少なくとも１つの類似度インジケータを設定するステップと、
   前記類似度インジケータに基づいて、前記参照音声パケットが、前記目標音声パケットに類似しているかどうかを判定するステップと
   を含む、請求項７に記載の方法。
9. 選択する前記ステップが、
   複数のエンコードされた音声パラメータを、前記目標音声パケット、および前記参照音声パケットの各々から抽出するステップと、
   それぞれの参照音声パケットに関連するそれぞれのエンコードされた音声パラメータについて、
   前記参照音声パケットおよび前記目標音声パケットに関する前記エンコードされた音声パラメータに基づいて、個別の類似度メトリックを決定するステップと、
   それぞれの参照音声パケットについて、
   前記参照音声パケットに関連する前記個別の類似度メトリックに基づいて、全体的な類似度メトリックを決定するステップと、
   前記参照音声パケットを、それぞれの参照音声パケットに関連する前記全体的な類似度メトリックに基づいて選択するステップと
   を含む、請求項１に記載の方法。
10. 選択する前記ステップが、
    前記全体的な類似度メトリックを比較して、最小の前記全体的な類似度メトリックを決定するステップと、
    前記最小の全体的な類似度メトリックに関連する前記参照音声パケットを選択するステップと
    をさらに含む、請求項９に記載の方法。

Images