JP2012027101A - 音声再生装置、音声再生方法、プログラム、及び、記録媒体 - Google Patents

Abstract

【課題】複数チャンネルの入力信号に音声部分が含まれているか否かを精度良く判定することによってシーン判定し、シーン毎に適切な音場制御を行う音声再生装置を提供する。
【解決手段】センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置１であって、前記複数の音声信号に共通して含まれる共通成分を抽出する共通成分抽出部１３と、前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記共通成分に基づき算出する音声区間検出部１５と、を備えている。
【選択図】図１

Description

本発明は、音声信号を処理する音声再生装置、及び、音声再生方法に関する。

通常、テレビ放送などのコンテンツを視聴する場合、視聴者はリビングや台所などにおいて、小さい音量で視聴することが多い。そして、このような小さな音量でテレビを視聴する場合などにおいても、臨場感や音声（人の声）の聞き取り易さなどが要求されるようになってきている。

そのため、放送中あるいは再生中のコンテンツについて、台詞の聞き取り易さを向上させるために音声を強調して音楽、効果音などを抑制したり、反対に、臨場感を向上させるために音楽、効果音などを強調したりする音場制御を行う必要がある。

そこで、近年普及してきているデジタル放送の場合には、放送波と共に伝送されるＳＩ（Service Information）情報、あるいは、ＳＩ情報を基に生成されるＥＰＧ（Electronic Program Guide；電子番組表）情報などを用いて、番組のジャンルに応じた音場制御を行うことが考えられる。

しかし、１つの番組には、音声のみのシーン、音楽のみのシーン、音声と音楽との両方を含むシーンなど複数のシーンが存在する。このため、ＳＩ情報、ＥＰＧ情報を基に音場制御を行った場合、一部のシーンにおいては適切な音場制御がなされるものの、他のシーンにおいては適切な音場制御がされない。

このような問題に対しては、例えば、特許文献１及び２に示すような技術が開示されている。

特許文献１には、音響信号の所定時間を表すフレームごとに周波数スペクトルを算出して自己相関値を算出し、算出した自己相関値の最大値のばらつきが閾値よりも小さい場合に、音響信号を音楽区間と判定する技術が開示されている。また、特許文献１では、音響信号に対し、判定した結果に応じた音場制御を行っている。

特許文献２には、右チャンネルに対応する右側音声信号及び左チャンネルに対応する左側音声信号から共通成分を抽出して、抽出した共通成分から中央チャンネルに対応する中央音声出力信号を生成し、右側音声信号及び左側音声信号から共通成分を減算することによって右側音声出力信号及び左側音声出力信号を生成する技術が開示されている。また、特許文献２では、生成した音声出力信号に乗数を乗することによって音声を強調したり、臨場感を高めたりしている。

特開２００９−６９４２５号公報（２００９年４月２日公開） 特開２００９−１９３０３１号公報（２００９年８月２７日公開）

しかしながら、特許文献１に記載の技術は、入力チャンネルが１チャンネルの場合に限られており、チャンネルが複数ある場合には、複数のチャンネル全てに検出装置を設けなければならず、音響信号に効果音、雑音などが重畳されている場合には、音楽区間、音声区間を判定する判定精度が低下してしまうという問題があった。

また、特許文献２に記載の技術は、２チャンネルの入力信号を３チャンネルの出力信号にアップミックスしていることから、３チャンネル以上の入力に対して対応していない。

本発明は上記問題に鑑みてなされたものであり、その目的は、複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、精度良く算出することができる音声再生装置を提供することにある。

また、本発明の他の目的は、複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、精度良く算出することができる音声再生装置を提供することにある。

また、本発明のさらに他の目的は、音楽区間と非音楽区間とを算出するための音声信号を少なくして算出する工程を削減し、音楽区間と非音楽区間とを、効率良く算出することができる音声再生装置を提供することにある。

本発明に係る音声再生装置は、上記課題を解決するために、センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号に共通して含まれる共通成分を抽出する抽出手段と、前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記共通成分に基づき算出する算出手段と、を備えていることを特徴としている。

上記の構成によれば、まず、前記抽出手段が、前記複数の音声信号に共通して含まれる共通成分を抽出する。次に、前記算出手段が、前記複数の音声信号における音声区間と非音声区間とを、前記共通成分に基づき算出する。

なお、音声は、前記複数のチャンネルの何れかに個別に対応する複数の音声信号のそれぞれに等しく含まれていることが一般的である。従って、抽出した前記複数の音声信号に共通して含まれる共通成分に基づいて前記音声区間と前記非音声区間とを算出することができる。これによって、前記センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号における、前記音声区間と、前記非音声区間とを、精度良く算出することができる。

本発明に係る音声再生装置は、前記複数の音声信号に共通して含まれる共通成分のうち、特定の帯域を濾波または選択する帯域抽出手段を更に備え、前記算出手段は、前記複数の音声信号における、前記音声区間と前記非音声区間とを、前記帯域抽出手段によって濾波または選択された前記特定の帯域の共通成分に基づき算出することが好ましい。

上記の構成によれば、まず、前記帯域抽出手段は、前記複数の音声信号に共通して含まれる共通成分のうち、特定の帯域の成分を濾波または選択する。次に、前記算出手段は、帯域抽出手段によって濾波または選択された特定の帯域の成分に基づいて、前記音声区間と前記非音声区間とを算出する。

なお、前記複数の音声信号から抽出した共通成分には、定常的に空間に存在する音である定在波が混在していることがほとんどである。このため、上記の構成によれば、前記複数の音声信号に共通して含まれる共通成分に含まれる定在波を取り除くことができる。これによって、前記センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号における、前記音声区間と、前記非音声区間とを、さらに精度良く算出することができる。

本発明に係る音声再生装置は、前記帯域抽出手段によって濾波または選択される前記特定の帯域は略１００Ｈｚから略８ｋＨｚである、ことが好ましい。

前記定在波のうち、最も大きい１次定在波の帯域は一般的に略６０Ｈｚ以下であり、人の声が有するフォルマントの最高周波数は略８ｋＨｚである。フォルマントとは、声道の伝達関数の極と零とによって発生する共振の山、及び、反共振の谷のことをいう。このため、上記の構成によれば、前記センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号における、前記音声区間と、前記非音声区間とを、さらに精度良く算出することができる。

本発明に係る音声再生装置は、上記課題を解決するために、センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記センターチャンネルに対応する音声信号に基づき算出する算出手段を備えていることを特徴としている。

上記の構成によれば、前記算出手段が、前記複数の音声信号における前記音声区間と前記非音声区間とを、前記センターチャンネルに対応する音声信号に基づき算出する。これによって、前記センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号における、前記音声区間と、前記非音声区間とを、精度良く算出することができる。

本発明に係る音声再生装置は、前記算出手段によって算出された前記音声区間と前記非音声区間とに基づいて、前記複数の音声信号、前記共通成分及び前記共通成分を減算して生成した音声信号の何れかに個別に対応する重み係数を変更する重み係数変更手段を更に備えていることが好ましい。

上記の構成によれば、前記重み係数変更手段は、前記算出手段によって算出された算出結果に基づいて、前記複数の音声信号、前記共通成分及び前記共通成分を減算して生成した音声信号の何れかに個別に対応する重み係数を変更する。ここで、前記重み係数を変更することによって、前記複数のチャンネルの何れかに個別に対応する複数の音声信号それぞれの音量を調整することができる。これによって、音声区間であるシーン、非音声区間であるシーンなど、シーン毎に適切な音場制御を行うことができる。

本発明に係る音声再生装置において、前記重み係数変更手段は、前記算出手段によって算出された前記音声区間において、前記共通成分又は前記センターチャンネルの何れかに個別に対応する前記重み係数を大きい値に変更することが好ましい。

上記の構成によれば、前記重み係数変更手段は、前記複数の音声信号が前記音声区間である場合に、前記共通成分又は前記センターチャンネルの何れかに個別に対応する前記重み係数を大きい値に変更する。これによって、音声区間であるシーンにおいて、音声のみの音量を大きくすることによって、音声を強調することができる。従って、音声が、音楽、効果音などによって聴き取りにくくなることを防ぐことができるため、ユーザは音声をよりはっきりと聞き取ることができる。

本発明に係る音声再生装置は、センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号に共通して含まれる共通成分を抽出する抽出手段と、前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記複数の音声信号のそれぞれから前記共通成分を減算した音声信号に基づき算出する音楽区間算出手段と、を備えていることを特徴としている。

上記の構成によれば、まず、前記抽出手段が、前記複数の音声信号に共通して含まれる共通成分を抽出する。次に、前記音楽区間算出手段が、前記複数の音声信号における音楽区間と非音楽区間とを、前記複数の音声信号のそれぞれから前記共通成分を減算した音声信号に基づき算出する。

なお、音声は、複数のチャンネルの何れかに個別に対応する複数の音声信号のそれぞれに等しく含まれていることが一般的である。このため、前記複数の音声信号から前記共通成分を減算することによって、前記複数の音声信号から音声を取り除くことができる。これによって、前記センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号における、前記音楽区間と、前記非音楽区間とを、精度良く算出することができる。

本発明に係る音声再生装置は、センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号の少なくとも何れかに基づき算出する音楽区間算出手段を備えていることを特徴としている。

上記の構成によれば、前記音楽区間算出手段が、前記複数の音声信号における前記音楽区間と前記非音楽区間とを、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号の少なくとも何れかに基づき算出する。これによって、前記センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号における、前記音楽区間と、前記非音楽区間とを、精度良く算出することができる。

本発明に係る音声再生装置は、センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号にダウンミックスを行い、チャンネル数を縮退して縮退信号を生成する縮退手段と、前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記縮退信号に基づき算出する音楽区間算出手段と、を備えていることを特徴としている。

上記の構成によれば、まず、前記縮退手段は、前記センターチャンネル及び前記ＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号にダウンミックスを行い、チャンネル数を縮退して縮退信号を生成する。次に、前記音楽区間算出手段は、前記縮退手段において生成された縮退信号に基づいて、前記音楽区間と前記非音楽区間とを算出する。これによって、前記複数の音声信号が前記縮退手段において縮退されない場合と比較して、少ない音声信号に基づいて前記音楽区間と前記非音楽区間とを算出することができる。このため、前記音楽区間と前記非音楽区間とを算出する工程を削減し、前記音楽区間と前記非音楽区間とを効率よく算出することができる。

本発明に係る音声再生装置は、前記音楽区間算出手段によって算出された前記音楽区間と前記非音楽区間とに基づいて、前記複数の音声信号、前記共通成分及び前記共通成分を減算して生成した音声信号の何れかに個別に対応する重み係数を変更する重み係数変更手段を更に備えていることが好ましい。

上記の構成によれば、前記重み係数変更手段は、前記音楽区間算出手段によって算出された算出結果に基づいて、前記複数の音声信号、前記共通成分及び前記共通成分を減算して生成した音声信号の何れかに個別に対応する重み係数を変更する。ここで、前記重み係数を変更することによって、前記複数のチャンネルの何れかに個別に対応する複数の音声信号それぞれの音量を調整することができる。これによって、前記音楽区間であるシーン、前記非音楽区間であるシーンなど、シーン毎に適切な音場制御を行うことができる。

本発明に係る音声再生装置は、前記重み係数変更手段は、前記音楽区間算出手段によって算出された前記音楽区間において、前記共通成分、又は、前記センターチャンネル及び前記ＬＦＥチャンネル以外チャンネルの何れかに個別に対応する前記重み係数を大きい値に変更することが好ましい。

上記の構成によれば、前記重み係数変更手段は、前記複数の音声信号が前記音楽区間である場合に、前記共通成分、又は、前記センターチャンネル及び前記ＬＦＥチャンネル以外チャンネルの何れかに個別に対応する前記重み係数を大きい値に変更する。これによって、音楽区間であるシーンにおいて、音楽のみの音量を大きくすることによって、音楽を強調することができる。従って、音楽の音量が小さい場合にも、臨場感を向上させることができる。

本発明に係る音声再生装置の音声再生方法は、上記課題を解決するために、センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号に共通して含まれる共通成分を抽出する抽出ステップと、前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記共通成分に基づき算出する算出ステップと、を含んでいることを特徴としている。

上記の構成によれば、まず、前記複数の音声信号に共通して含まれる共通成分を抽出する。次に、前記複数の音声信号における前記音声区間と前記非音声区間とを、前記共通成分に基づき算出する。これにより、音声再生装置について既に説明した効果と同様の効果を得ることができる。

本発明に係る音声再生装置の音声再生方法は、センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記センターチャンネルに対応する音声信号に基づき算出する算出ステップを含んでいることを特徴としている。

上記の構成によれば、前記複数の音声信号における前記音声区間と前記非音声区間とを、前記センターチャンネルに対応する音声信号に基づき算出する。音声再生装置について既に説明した効果と同様の効果を得ることができる。

本発明に係る音声再生装置の音声再生方法は、センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置の音声再生方法であって、前記複数の音声信号に共通して含まれる共通成分を抽出する抽出ステップと、前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記複数の音声信号のそれぞれから前記共通成分を減算した音声信号に基づき算出する音楽区間算出ステップと、を含んでいることを特徴としている。

上記の構成によれば、まず、前記複数の音声信号に共通して含まれる共通成分を抽出する。次に、前記複数の音声信号における前記音楽区間と前記非音楽区間とを、前記複数の音声信号のそれぞれから前記共通成分を減算した音声信号に基づき算出する。これにより、音声再生装置の音声再生方法について既に説明した効果と同様の効果を得ることができる。

本発明に係る音声再生装置の音声再生方法は、センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置の音声再生方法であって、前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号に基づき算出する音楽区間算出ステップを含んでいることを特徴としている。

上記の構成によれば、前記複数の音声信号における前記音楽区間と前記非音楽区間とを、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号の少なくとも何れかに基づき算出する。これにより、音声再生装置の音声再生方法について既に説明した効果と同様の効果を得ることができる。

本発明に係る音声再生装置の音声再生方法は、センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置の音声再生方法であって、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号にダウンミックスを行い、チャンネル数を縮退して縮退信号を生成する縮退ステップと、前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記縮退信号に基づき算出する音楽区間算出ステップと、を含んでいることを特徴としている。

上記の構成によれば、まず、前記センターチャンネル及び前記ＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号にダウンミックスを行い、チャンネル数を縮退して縮退信号を生成する。次に、前記縮退手段において生成された縮退信号に基づいて、前記音楽区間と前記非音楽区間とを算出する。これにより、音声再生装置の音声再生方法について既に説明した効果と同様の効果を得ることができる。

なお、本発明に係る音声再生装置は、コンピュータによって実現してもよい。この場合、コンピュータを前記音声再生装置として動作させることにより、前記音声再生装置をコンピュータにおいて実現するプログラム、および、そのプログラムを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明に係る音声信号表示装置は、以上のように、センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号に共通して含まれる共通成分を抽出する抽出手段と、前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記共通成分に基づき算出する算出手段とを備えている。

これによって、センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号における、音声区間と、非音声区間とを、精度良く算出することができる。

また、本発明に係る音声信号表示装置は、センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記センターチャンネルに対応する音声信号に基づき算出する算出手段を備えている。

これによって、前記センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号における、音声区間と、非音声区間とを、精度良く算出することができる。

また、本発明に係る音声再生装置は、センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号に共通して含まれる共通成分を抽出する抽出手段と、前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記複数の音声信号のそれぞれから前記共通成分を減算した音声信号に基づき算出する音楽区間算出手段とを備えている。

これによって、センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号における、音楽区間と、非音楽区間とを、精度良く算出することができる。

また、本発明に係る音声再生装置は、センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号の少なくとも何れかに基づき算出する音楽区間算出手段を備えている。

これによって、前記センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号における、音楽区間と、非音楽区間とを、精度良く算出することができる。

また、本発明に係る音声再生装置は、センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号を縮退して縮退信号を生成する縮退手段と、前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記縮退信号に基づき算出する音楽区間算出手段とを備えている。

これによって、前記音楽区間と前記非音楽区間とを算出する工程を削減し、前記音楽区間と前記非音楽区間とを効率よく算出することができる。

本発明に係る音声再生装置の構成を示すブロック図である。 本発明に係る音声再生装置の動作の流れを示すフローチャートである。 本発明に係る音声再生装置の構成を示すブロック図である。 本発明に係る音声再生装置の構成を示すブロック図である。 本発明に係る音声再生装置の動作の流れを示すフローチャートである。 本発明に係る音声再生装置の構成を示すブロック図である。 本発明に係る音声再生装置の動作の流れを示すフローチャートである。 本発明に係る音声再生装置の構成を示すブロック図である。 本発明に係る音声再生装置の動作の流れを示すフローチャートである。

〔実施形態１〕
本実施形態に係る音声再生装置の構成について、図１及び図２を参照して説明する。図１は、本実施形態に係る音声再生装置１の構成を示すブロック図である。

（音声再生装置の構成）
音声再生装置１は、例えばテレビジョン受像機などに実装され、放送信号に含まれる音声信号を出力するために、図１に示すように、入力端子１１、スペクトル変換部１２、共通成分抽出部１３（抽出手段）、中域選択部１４（帯域抽出手段）、音声区間検出部１５（算出手段）、減算部１６、音楽区間検出部１７（音楽区間算出手段）、乗算部１８（重み係数変更手段）、逆変換部１９、加算部２０、及び、出力端子２１を備えている。

入力端子１１は、複数のチャンネルの何れかに対応する複数の音声信号の入力を受け付ける。入力端子１１は、左チャンネル（Ｌｃｈ）に対応する左側音声信号であるＬｃｈ入力信号が入力される入力端子１１ａ、右チャンネル（Ｒｃｈ）に対応する右側音声信号であるＲｃｈ入力信号が入力される入力端子１１ｂ、及び、超低音域（ＬＦＥ：Low Frequency Effect）専用チャンネル（ＬＦＥｃｈ）に対応する超低音域音声信号であるＬＦＥｃｈ入力信号が入力される入力端子１１ｃを含んで構成されている。すなわち、入力端子１１は、Ｌｃｈ入力信号、Ｒｃｈ入力信号、及び、ＬＦＥｃｈ入力信号からなる２．１チャンネルの音声信号の入力を受け付ける。

スペクトル変換部１２は、各チャンネルに個別に対応するそれぞれの音声信号のスペクトルを算出するための処理を行う手段である。スペクトル変換部１２は、入力端子１１ａから入力されたＬｃｈ入力信号スペクトルを算出するスペクトル変換部１２ａ、入力端子１１ｂから入力されたＲｃｈ入力信号スペクトルを算出するスペクトル変換部１２ｂを含んで構成されている。具体的には、スペクトル変換部１２は、入力されたそれぞれの音声信号を１フレームあたり１０２４サンプルにフレーム分割し、ハミング窓などの窓関数を掛けた後に、高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）を行うことによって、時間領域の音声信号を周波数領域のデータ、すなわち、スペクトルに変換する。スペクトルに変換された音声信号は、共通成分抽出部１３、減算部１６、及び、乗算部１８に供給される。なお、本実施形態では、窓関数としてハミング窓を用いたが、ハミング窓以外の窓関数でもよく、特に限定されるものではない。また、１フレームあたり１０２４サンプルにフレーム分割する構成を示したが、１０２４サンプル以外のサンプル数にフレーム分割してもよく、特に限定されるものではない。

共通成分抽出部１３は、複数の音声信号に共通して含まれる共通成分を抽出する抽出手段として機能する。具体的には、Ｌｃｈ入力信号スペクトルとＲｃｈ入力信号スペクトルとに共通して含まれる成分のうち、最小の成分をそのスペクトルの共通成分として抽出する。抽出されたスペクトルの共通成分は、中域選択部１４、減算部１６、及び、乗算部１８に供給される。

中域選択部１４は、複数の音声信号に共通して含まれる成分のうち、特定の帯域の成分を濾波または選択する帯域抽出手段として機能する。具体的には、中域選択部１４は、低域、高域の成分を減衰させ、特定の帯域のみを通過させる。中域選択部１４は、例えば、バンドパスフィルタ（ＢＰＦ：Band-pass Filter）によって構成することができる。

また、中域選択部１４の通過帯域は、例えば、略１００Ｈｚから略８ｋＨｚとすることが好ましい。これは、音声の基本帯域が略１００Ｈｚから略４００Ｈｚであり、人の声が有するフォルマントの最高周波数が略８ｋＨｚであるためである。また、空間に存在する定在波のうち、最も大きい１次定在波の帯域が一般的に６０Ｈｚ以下であるため、中域選択部１４において、共通成分抽出部１３によって抽出されたスペクトルの共通成分の中から効率よく人の声が含まれる帯域のスペクトルのみを抽出することができる。なお、本発明に係る中域選択部１４の通過帯域はこれに限定されるものではない。抽出された特定帯域のスペクトルは、音声区間検出部１５に供給される。

音声区間検出部１５は、複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、共通成分に基づき算出する算出手段として機能する。具体的には、音声区間検出部１５はまず、中域選択部１４から供給されたフレーム毎の特定周波数帯域のスペクトルから基底１０の対数スペクトルを算出し、算出した対数スペクトルに対して１０２４ポイントのＩＦＦＴ（Inverse Fast Fourier Transform）を施し、時間領域のデータであるケプストラムに変換する。次に、ケプストラムの高次側の最大ケプストラムを抽出して、最大ケプストラムとなるケフレンシーの逆数を基本周波数として算出し、算出した基本周波数を低域濾過する。最後に、フレームにおける基本周波数の単調変化を検出することによって、音声信号にフレーズ成分又はアクセント成分の少なくとも何れかが含まれているか否かを判定し、含まれていると判定した場合に、音声区間として検出する。音声区間を検出すると、音声区間検出部１５は、音声区間検出結果を乗算部１８に供給する。

減算部１６は、スペクトル変換部１２から供給されたスペクトルから、共通成分抽出部１３から供給されたスペクトルの共通成分を減算する手段である。減算部１６は、スペクトル変換部１２ａから供給されたＬｃｈ入力信号スペクトルからスペクトルの共通成分を減算してＬｃｈスペクトルを算出する減算部１６ａと、スペクトル変換部１２ｂから供給されたＲｃｈ入力信号スペクトルからスペクトルの共通成分を減算してＲｃｈスペクトルを算出する減算部１６ｂとを含んで構成されている。算出されたＬｃｈスペクトル及びＲｃｈスペクトルは、音楽区間検出部１７、及び、乗算部１８に供給される。

音楽区間検出部１７は、複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、複数の音声信号のそれぞれから共通部分を減算した音声信号に基づき算出する算出する音楽区間算出手段として機能する。具体的には、音楽区間検出部１７はまず、減算部１６ａ、１６ｂから供給されたＬｃｈスペクトル及びＲｃｈスペクトルに基づいて、平均律音階の各周波数に対応する音階スペクトルを算出する。次に、算出した音階スペクトルの２乗の値を音階スペクトルパワーとし、音階スペクトルパワーの最大値を検出する。最後に、音階スペクトルパワーの最大値が予め設定された閾値よりも大きいとき、複数フレームの音階スペクトルパワーの最大値に対応する音階番号から分散を算出し、算出された分散が予め定められた閾値よりも大きい場合に音楽区間として検出する。音楽区間を検出すると、音楽区間検出部１７は、音楽区間検出結果を乗算部１８に供給する。

乗算部１８は、音声区間検出結果及び音楽区間検出結果に基づいて、Ｌｃｈ、Ｒｃｈ及び抽出した共通成分の音声信号の音量を調整（音場制御）する乗数の値を設定する手段である。すなわち、Ｌｃｈ、Ｒｃｈ及び共通成分の何れかに個別に対応する重み係数（乗数）を変更する重み係数変更手段として機能する。乗算部１８は、減算部１６ａから供給されたＬｃｈスペクトルに乗数を乗する乗算部１８ａと、減算部１６ｂから供給されたＲｃｈスペクトルに乗数を乗する乗算部１８ｃと、共通成分抽出部１３から供給されたスペクトルの共通成分に乗数を乗する乗算部１８ｂとを含んで構成されている。乗数を乗されたスペクトルは、逆変換部１９に供給される。

乗算部１８は、音声区間検出結果が、音声区間を検出した旨を表している場合、乗算部１８ｂにて乗する乗数の値を、乗算部１８ａ、１８ｃにて乗する乗数の値よりも大きい値とすることで、人の声を聞こえ易くすることができる。乗数の値としては、例えば、乗算部１８ｂにて乗する乗数の値を１、乗算部１８ａ、１８ｃにて乗する乗数の値を０．５としてもよく、乗算部１８ｂにて乗する乗数の値を２、乗算部１８ａ、１８ｃにて乗する乗数の値を１としてもよいが、これに限定されるものではない。また、音楽区間検出結果が、音楽区間を検出した旨を表している場合、乗算部１８ａ、１８ｃにて乗する乗数の値を、乗算部１８ｂにて乗する乗数の値よりも大きい値とすることで、臨場感を高めることができる。乗数の値としては、例えば、乗算部１８ｂにて乗する乗数の値を０．５、乗算部１８ａ、１８ｃにて乗する乗数の値を１としてもよく、乗算部１８ｂにて乗する乗数の値を１、乗算部１８ａ、１８ｃにて乗する乗数の値を２としてもよいが、これに限定されるものではない。

逆変換部１９は、乗算部１８から供給されたスペクトルに対して逆ＦＦＴを行うことによって時間領域の信号波形に変換し、音声信号を生成する手段である。逆変換部１９は、乗算部１８ａから供給されたＬｃｈスペクトルに対して逆ＦＦＴを行う逆変換部１９ａと、乗算部１８ｂから供給されたスペクトルの共通成分に対して逆ＦＦＴを行う逆変換部１９ｂと、乗算部１８ｃから供給されたＲｃｈスペクトルに対して逆ＦＦＴを行う逆変換部１９ｃとを含んで構成されている。時間領域の信号波形に変換することによって生成された音声信号、加算部２０に供給される。

加算部２０は、逆変換部１９から供給されたＬｃｈの音声信号及びＲｃｈの音声信号のそれぞれに、共通成分の音声信号を加算して出力信号を生成する手段である。加算部２０は、逆変換部１９ａから供給されたＬｃｈの音声信号に逆変換部１９ｂから供給された共通成分の音声信号を加算してＬｃｈ出力信号を生成する加算部２０ａと、逆変換部１９ｃから供給されたＲｃｈの音声信号に逆変換部１９ｂから供給された共通成分の音声信号を加算してＲｃｈ出力信号を生成する加算部２０ａとを含んで構成されている。生成された出力信号は、出力端子２１に供給される。

出力端子２１は、音声再生装置１において処理された音声信号を出力する。出力端子２１は、加算部２０ａから供給されたＬｃｈ出力信号を出力する出力端子２１ａと、加算部２０ｂから供給されたＲｃｈ出力信号を出力する出力端子２１ｂと、入力端子１１ｃに入力されるＬＦＥｃｈ入力信号をＬＦＥｃｈ出力信号として出力する出力端子２１ｃとを含んで構成されている。すなわち、出力端子２１は、Ｌｃｈ出力信号、Ｒｃｈ出力信号、及び、ＬＦＥｃｈ出力信号からなる２．１チャンネルの音声信号の出力を行う。

（音声再生装置の動作）
次に、音声再生装置１の動作について、図２を参照して説明する。図２は、音声再生装置１の動作の流れを示すフローチャートである。

音声再生装置１に音声信号が入力されると、スペクトル変換部１２は、入力端子１１ａ、１１ｂから入力される音声信号に対するＬｃｈスペクトル及びＲｃｈスペクトルをそれぞれ算出し、算出したＬｃｈスペクトル及びＲｃｈスペクトルを共通成分抽出部１３及び減算部１６に供給する（ステップＳ１）。

共通成分抽出部１３は、供給されたＬｃｈスペクトルとＲｃｈスペクトルとの共通成分を抽出し、抽出したスペクトルの共通成分を中域選択部１４及び乗算部１８に供給する（ステップＳ２）。

中域選択部１４は、供給されたスペクトルの共通成分のうち、音声が含まれる帯域である特定の帯域のスペクトルのみを抽出し、抽出した特定帯域のスペクトルを音声区間検出部１５に供給する（ステップＳ３）。

音声区間検出部１５は、中域選択部１４から供給された特定帯域のスペクトルに基づいて、音声区間を検出し、音声区間検出結果を乗算部１８に供給する（ステップＳ４）。

減算部１６は、スペクトル変換部１２において算出されたＬｃｈスペクトル及びＲｃｈスペクトルのそれぞれから、共通成分抽出部１３において抽出されたスペクトルの共通成分を減算し、音楽区間検出部１７に供給する。音楽区間検出部１７は、減算部１６から供給されたスペクトルに基づいて、音楽区間を検出し、音楽区間検出結果を乗算部１８に供給する（ステップＳ５）。

乗算部１８は、供給された音声区間検出結果及び音楽区間検出結果に基づいて、乗数の値を設定し、設定した乗数に応じて音場制御を行う（ステップＳ６）。

乗算部１８において音場制御された音声信号のスペクトルはそれぞれ、逆変換部１９において信号波形に変換される。加算部２０においてＬｃｈの音声信号及びＲｃｈの音声信号のそれぞれに共通成分の音声信号が加算され、出力端子２１から出力される（ステップＳ７）。

なお、入力端子１１ｃに入力されたＬＦＥｃｈ入力信号は、そのままＬＦＥｃｈ出力信号として出力端子２１ｃから出力される。

（音場制御について）
ここで、ステップＳ５において行われる音場制御について説明する。

乗算部１８は、供給された複数の音声区間検出結果及び音楽区間検出結果に基づいて、音場制御の内容を決定する。音場制御の種類としては、「音楽シーン用の音場制御」と「音声シーン用の音場制御」と「音楽と音声との両方が含まれるシーン用の音場制御」とがある。音場制御の状態としては、上記の（Ａ）「音楽シーン用の音場制御」がなされている状態と（Ｂ）「音声シーン用の音場制御」がなされている状態と（Ｃ）「音楽と音声との両方が含まれるシーン用の音場制御」がなされている状態のほか、（Ｄ）音場制御されていない状態（以下ではニュートラルの状態と呼ぶ）の４種類の状態がある。

本実施形態では、複数のチャンネルに対応する音声信号はそれぞれデジタル符号化され、１フレームあたり１０２４サンプルに分割される。例えば、音声信号のサンプリング周波数が４４．１ｋＨｚの場合、１フレームあたりの時間は、２３ｍｓ（＝（１÷４４１００）×１０２４）となる。音声区間検出部１５及び音楽区間検出部１７では、連続する複数のフレーム（概ね５フレーム程度）を用いて音声検出処理、あるいは、音楽検出処理が行われるため、乗算部１８には、上述の音声区間検出結果及び音楽区間検出結果が約０．１０５秒（＝２３ｍｓ×５フレーム）ごとに蓄えられる。そして、乗算部１８は、供給された最新の連続する１０回分（約１．０５秒）の音声区間検出結果及び音楽区間検出結果を分析し、音場制御の内容を決定する。

すなわち、乗算部１８は、１０回分の音楽検出情報と音声検出情報とから、音声が検出された回数と、音楽が検出された回数とをカウントし、音声検出回数、および、音楽検出回数に応じて、上記（Ａ）〜（Ｄ）の音場制御の状態を切り替える。

〔実施形態２〕
本発明の他の実施形態について図３に基づいて説明する。なお、説明の便宜上、実施形態１の構成要素と同様の機能を有する構成要素には同一の番号を付し、その説明を省略する。本実施形態では、主に、実施形態１との相違点について説明するものとする。

（音声再生装置の構成）
図３に示すように、音声再生装置２は、共通成分抽出部１３の代わりに共通成分抽出部３３、中域選択部１４の代わりに中域選択部３４、音声区間検出部１５の代わりに音声区間検出部３５、音楽区間検出部１７の代わりに音楽区間検出部３７を備え、音声区間検出部３５及び音楽区間検出部３７がスペクトル変換部１２の機能を有していること以外は、図１に示す音声再生装置１と同じ構成である。

共通成分抽出部３３は、複数の音声信号に共通して含まれる、時間軸の信号波形の共通成分を抽出する抽出手段として機能する。具体的には、Ｌｃｈ入力信号とＲｃｈ入力信号とに共通して含まれる、時間軸の信号波形のうち、最小の成分をその音声信号の共通成分として抽出する。抽出された共通成分は、中域選択部３４、減算部１６、及び、乗算部１８に供給される。

中域選択部３４は、複数の音声信号に共通して含まれる、時間軸の信号波形のうち、特定の帯域の成分を濾波する帯域抽出手段として機能する。具体的には、中域選択部３４は、低域及び高域の成分を減衰させ、特定の帯域のみを通過させる。中域選択部３４は、例えば、バンドパスフィルタによって構成することができる。濾波された特定帯域の時間軸の信号波形は、音声区間検出部１５に供給される。

音声区間検出部３５は、複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、共通成分に基づき算出する算出手段として機能する。具体的には、音声区間検出部３５はまず、中域選択部３４から供給された特定帯域の時間軸の信号波形をフレームに分割し、フレーム毎に窓掛けを行った後、１０２４ポイントのＦＦＴを施してスペクトルに変換する。次に、変換されたスペクトルから基底１０の対数スペクトルを算出し、算出した対数スペクトルに対して１０２４ポイントのＩＦＦＴを施し、時間領域のデータであるケプストラムに変換する。次に、ケプストラムの高次側の最大ケプストラムを抽出して、最大ケプストラムとなるケフレンシーの逆数を基本周波数として算出し、算出した基本周波数を低域濾過する。最後に、フレームにおける基本周波数の単調変化を検出することによって、音声信号にフレーズ成分又はアクセント成分の少なくとも何れかが含まれているか否かを判定し、含まれていると判定した場合に、音声区間として検出する。音声区間を検出すると、音声区間検出部３５は、音声区間検出結果を乗算部１８に供給する。

音楽区間検出部３７は、複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、複数の音声信号のそれぞれから共通部分を減算した音声信号に基づき算出する算出する音楽区間算出手段として機能する。具体的には、音楽区間検出部３７はまず、減算部１６ａ、１６ｂから供給されたＬｃｈ音声信号及びＲｃｈ音声信号に基づいて、音声信号をフレームに分割し、フレーム毎に窓掛けを行った後、１０２４ポイントのＦＦＴを施してスペクトルに変換する。次に、変換されたスペクトルから基底１０の対数スペクトルを算出し、算出した対数スペクトルに対して１０２４ポイントのＩＦＦＴを施し、時間領域のデータであるケプストラムに変換する。次に、ケプストラムの高次側の最大ケプストラムを抽出して、最大ケプストラムとなるケフレンシーの逆数を基本周波数として算出し、算出した基本周波数を低域濾過する。最後に、フレームにおける基本周波数の単調変化を検出することによって、音声信号にフレーズ成分又はアクセント成分の少なくとも何れかが含まれているか否かを判定し、含まれていると判定した場合に、音楽区間として検出する。音楽区間を検出すると、音楽区間検出部３７は、音楽区間検出結果を乗算部１８に供給する。

（音声再生装置の動作）
次に、音声再生装置２の動作について説明する。

音声再生装置２に音声信号が入力されると、共通成分抽出部３３は、供給されたＬｃｈ入力信号とＲｃｈ入力信号との時間軸の信号波形の共通成分を抽出し、抽出した共通成分を中域選択部３４及び乗算部１８に供給する。

中域選択部３４は、供給された共通成分のうち、音声が含まれる帯域である特定の帯域のみを抽出し、抽出した特定帯域の音声信号を音声区間検出部３５に供給する。

音声区間検出部３５は、中域選択部３４から供給された特定帯域の音声信号をスペクトル変換し、変換したスペクトルに基づいて、音声区間を検出し、音声区間検出結果を乗算部１８に供給する。

減算部１６は、Ｌｃｈ入力信号及びＲｃｈ入力信号のそれぞれから、共通成分抽出部１３において抽出された音声信号の共通成分を減算し、音楽区間検出部３７に供給する。音楽区間検出部３７は、減算部１６から供給された音声信号をスペクトル変換し、変換したスペクトルに基づいて、音楽区間を検出し、音楽区間検出結果を乗算部１８に供給する。

乗算部１８に音声区間検出結果及び音楽区間検出結果が供給された後の音声再生装置２の動作は、図２に示したステップＳ６以降の動作と同じであるため、説明を省略する。

〔実施形態３〕
本発明の他の実施形態について図４及び図５に基づいて説明する。なお、説明の便宜上、実施形態１の構成要素と同様の機能を有する構成要素には同一の番号を付し、その説明を省略する。本実施形態では、主に、実施形態１との相違点について説明するものとする。

（音声再生装置の構成）
図４は、本実施形態に係る音声再生装置３の構成を示すブロック図である。図４に示すように、音声再生装置３は、入力端子１１の代わりに入力端子１１’、スペクトル変換部１２の代わりにスペクトル変換部１２’、乗算部１８の代わりに乗算部１８’、逆変換部１９の代わりに逆変換部１９’とし、減算部１６及び加算部２０の代わりに出力信号縮退部２２を備えていること以外は実施形態１の音声再生装置１と同じ構成である。

入力端子１１’は、入力端子１１ａ、１１ｂ、１１ｃに加え、左サラウンドチャンネル（ＬＳｃｈ）に対応する左側サラウンド音声信号であるＬＳｃｈ入力信号が入力される入力端子１１ｄ、センターチャンネル（Ｃｃｈ）に対応するセンターチャンネル音声信号であるＣｃｈ入力信号が入力される入力端子１１ｅ、及び、右サラウンドチャンネル（ＲＳｃｈ）に対応する右側サラウンド音声信号であるＲＳｃｈ入力信号が入力される入力端子１１ｆを含んでいること以外は、実施形態１の入力端子１１と同じ構成である。すなわち、入力端子１１は、ＬＳｃｈ入力信号、Ｌｃｈ入力信号、Ｃｃｈ入力信号、Ｒｃｈ入力信号、ＲＳｃｈ入力信号、及び、ＬＦＥｃｈ入力信号からなる５．１チャンネルの音声信号の入力を受け付ける。

スペクトル変換部１２’は、スペクトル変換部１２ａ、１２ｂに加え、入力端子１１ｅから入力されたＣｃｈ入力信号のスペクトルを算出するスペクトル変換部１２ｃを含んでいること以外は実施形態１のスペクトル変換部１２と同じ構成である。

乗算部１８’は、乗算部１８ａ、１８ｃに加え、ＬＳｃｈ入力信号に乗数を乗する乗算部１８ｄ、ＲＳｃｈ音声信号に乗数を乗する乗算部１８ｅ、及び、Ｃｃｈスペクトルに乗数を乗する乗算部１８ｆを含んでいること以外は、実施形態１の乗算部１８と同じ構成である。

逆変換部１９’は、逆変換部１９ａ、１９ｃに加え、乗算部１８ｆから供給されたＣｃｈスペクトルに対して逆ＦＦＴを行う逆変換部１９ｄを含んでいること以外は、実施形態１の逆変換部１９と同じ構成である。

出力信号縮退部２２は、乗算部１８ｄ、１８ｅ、逆変換部１９ａ〜１９ｃの５つのチャンネルから供給された音声信号にそれぞれ所定のダウンミックス係数を乗することによって重み付けを行い、Ｌｃｈ出力信号、及び、Ｒｃｈ出力信号の２つのチャンネルの音声信号に縮退させる手段である。なお、本実施形態では、複数チャンネルの入力をダウンミックスによって縮退する構成を示したが、本発明はこれに限定されるものではなく、例えば、複数チャンネルを２チャンネルのバーチャルサラウンドに変換することによって縮退する構成を採用してもよい。

（音声再生装置の動作）
次に、音声再生装置３の動作について、図５を参照して説明する。図５は、音声再生装置３の動作の流れを示すフローチャートである。

音声再生装置３に音声信号が入力されると、スペクトル変換部１２’は入力端子１１ａ、１１ｂ及び１１ｅから入力される音声信号に対するＬｃｈスペクトル、Ｒｃｈスペクトル、及び、Ｃｃｈスペクトルをそれぞれ算出する（ステップＳ１１）。スペクトル変換部１２’は算出したスペクトルのうちＣｃｈスペクトルを中域選択部１４及び乗算部１８’に供給し、算出したスペクトルのうちＬｃｈスペクトル及びＲｃｈスペクトルを音楽区間検出部１７及び乗算部１８’に供給する。

中域選択部１４は、供給されたＣｃｈスペクトルのうち、音声が含まれる帯域である特定の帯域のスペクトルのみを抽出し、抽出した特定帯域のスペクトルを音声区間検出部１５に供給する（ステップＳ１２）。

音声区間検出部１５は、中域選択部１４から供給された特定帯域のスペクトルに基づいて、音声区間を検出し、音声区間検出結果を乗算部１８’に供給する（ステップＳ１３）。

音楽区間検出部１７は、スペクトル変換部１２’から供給されたＬｃｈスペクトル及びＲｃｈスペクトルに基づいて、音楽区間を検出し、音楽区間検出結果を乗算部１８’に供給する（ステップＳ１４）。

乗算部１８’は、供給された音声区間検出結果及び音楽区間検出結果に基づいて、乗数の値を設定し、設定した乗数に応じて音場制御を行う（ステップＳ１５）。

乗算部１８’において音場制御された音声信号のスペクトルは、逆変換部１９において信号波形に変換される（ステップＳ１６）。

乗算部１８’において音場制御された音声信号、及び、逆変換部１９において信号波形に変換された音声信号は、出力信号縮退部２２においてＬｃｈ出力信号及びＲｃｈ出力信号の２チャンネルの出力信号に縮退され、出力端子２１から出力される（ステップＳ１７）。

なお、入力端子１１ｃに入力されたＬＦＥｃｈ入力信号は、そのままＬＦＥｃｈ出力信号として出力端子２１ｃから出力される。

〔実施形態４〕
本発明の他の実施形態について図６及び図７に基づいて説明する。なお、説明の便宜上、実施形態１の構成要素と同様の機能を有する構成要素には同一の番号を付し、その説明を省略する。本実施形態では、主に、実施形態１との相違点について説明するものとする。

（音声再生装置の構成）
図６、本実施形態に係る音声再生装置４の構成を示すブロック図である。図６に示すように、音声再生装置４は、入力端子１１の代わりに入力端子１１’、スペクトル変換部１２の代わりにスペクトル変換部１２’’、乗算部１８の代わりに乗算部１８’、逆変換部１９の代わりに逆変換部１９ｄとし、減算部１６及び加算部２０の代わりに出力信号縮退部２２、及び、入力信号縮退部２３（縮退手段）を備えていること以外は実施形態１の音声再生装置１と同じ構成である。

入力端子１１’は、入力端子１１ａ、１１ｂ、１１ｃに加え、ＬＳｃｈ入力信号が入力される入力端子１１ｄ、Ｃｃｈ入力信号が入力される入力端子１１ｅ、及び、ＲＳｃｈ入力信号が入力される入力端子１１ｆを含んでいること以外は、実施形態１の入力端子１１と同じ構成である。すなわち、入力端子１１は、ＬＳｃｈ入力信号、Ｌｃｈ入力信号、Ｃｃｈ入力信号、Ｒｃｈ入力信号、ＲＳｃｈ入力信号、及び、ＬＦＥｃｈ入力信号からなる５．１チャンネルの音声信号の入力を受け付ける。

入力信号縮退部２３は、センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号を縮退して縮退信号を生成する縮退手段として機能する。具体的には、入力端子１１ａ、１１ｂ、１１ｄ及び１１ｆから入力される音声信号にそれぞれ所定のダウンミックス係数を乗することによって重み付けを行い、１チャンネルの縮退音声信号に変換する手段である。なお、本実施形態では、複数チャンネルの入力をダウンミックスによって縮退する構成を示したが、本発明はこれに限定されるものではなく、例えば、複数チャンネルをバーチャルサラウンドに変換することによって縮退する構成を採用してもよい。

スペクトル変換部１２’’は、入力端子１１ｅから入力されたＣｃｈ入力信号のスペクトルを算出するスペクトル変換部１２ｃ、及び、入力信号縮退部２３から供給された縮退音声信号のスペクトルを算出するスペクトル変換部１２ｄを含んでいること以外は実施形態１のスペクトル変換部１２と同じ構成である。

乗算部１８’は、乗算部１８ａ、１８ｃに加え、ＬＳｃｈ入力信号に乗数を乗する乗算部１８ｄ、ＲＳｃｈ音声信号に乗数を乗する乗算部１８ｅ、及び、Ｃｃｈスペクトルに乗数を乗する乗算部１８ｆを含んでいること以外は、実施形態１の乗算部１８と同じ構成である。

逆変換部１９ｄ、乗算部１８ｆから供給されたＣｃｈスペクトルに対して逆ＦＦＴを行うこと以外は、実施形態１の逆変換部１９と同じ構成である。

出力信号縮退部２２は、乗算部１８ａ、１８ｃ、１８ｄ、１８ｅ、及び、逆変換部１９ｄの５つのチャンネルから供給された音声信号にそれぞれ所定のダウンミックス係数を乗することによって重み付けを行い、Ｌｃｈ出力信号、及び、Ｒｃｈ出力信号の２つのチャンネルの音声信号に縮退させる手段である。なお、本実施形態では、複数チャンネルの入力をダウンミックスによって縮退する構成を示したが、本発明はこれに限定されるものではなく、例えば、複数チャンネルをバーチャルサラウンドに変換することによって縮退する構成を採用してもよい。

（音声再生装置の動作）
次に、音声再生装置４の動作について、図７を参照して説明する。図７は、音声再生装置４の動作の流れを示すフローチャートである。

音声再生装置４に音声信号が入力されると、入力端子１１ａ、１１ｂ、１１ｄ及び１１ｆに入力された音声信号は乗算部１８’及び入力信号縮退部２３に供給される。入力信号縮退部２３は、供給された音声信号を１チャンネルの縮退音声信号に変換し、スペクトル変換部１２ｄに供給する（ステップＳ２１）。

スペクトル変換部１２ｃ、１２ｄは、入力端子１１ｅに入力されたＣｃｈ入力信号、入力信号縮退部２３から供給された縮退音声信号に対するスペクトルをそれぞれ算出し、算出したＣｃｈスペクトルを中域選択部１４及び乗算部１８ｆに供給し、縮退音声信号に対するスペクトルを音楽区間検出部１７に供給する（ステップＳ２２）。

中域選択部１４は、供給されたＣｃｈスペクトルのうち、音声が含まれる帯域である特定の帯域のスペクトルのみを抽出し、抽出した特定帯域のスペクトルを音声区間検出部１５に供給する（ステップＳ２３）。

音声区間検出部１５は、中域選択部１４から供給された特定帯域のスペクトルに基づいて、音声区間を検出し、音声区間検出結果を乗算部１８’に供給する（ステップＳ２４）。

音楽区間検出部１７は、スペクトル変換部１２ｄから供給された縮退音声信号に対するスペクトルに基づいて音楽区間を検出し、音楽区間検出結果を乗算部１８’に供給する（ステップＳ２５）。

乗算部１８’は、供給された音声区間検出結果及び音楽区間検出結果に基づいて、乗数の値を設定し、設定した乗数に応じて音場制御を行う（ステップＳ２６）。

乗算部１８’において音場制御されたＣｃｈスペクトルは、逆変換部１９ｄにおいて信号波形に変換される（ステップＳ２７）。

乗算部１８’において音場制御された音声信号、及び、逆変換部１９ｄにおいて信号波形に変換されたＣｃｈの音声信号は、出力信号縮退部２２においてＬｃｈ出力信号及びＲｃｈ出力信号の２チャンネルの出力信号に縮退され、出力端子２１から出力される（ステップＳ２８）。

なお、入力端子１１ｃに入力されたＬＦＥｃｈ入力信号は、そのままＬＦＥｃｈ出力信号として出力端子２１ｃから出力される。

〔実施形態５〕
本発明の他の実施形態について図８及び図９に基づいて説明する。なお、説明の便宜上、実施形態１の構成要素と同様の機能を有する構成要素には同一の番号を付し、その説明を省略する。本実施形態では、主に、実施形態１との相違点について説明するものとする。

（音声再生装置の構成）
図８、本実施形態に係る音声再生装置４の構成を示すブロック図である。図８に示すように、音声再生装置５は、入力端子１１の代わりに入力端子１１’、スペクトル変換部１２の代わりにスペクトル変換部１２’’’、乗算部１８の代わりに乗算部１８’’、逆変換部１９の代わりに逆変換部１９’’とし、減算部１６及び加算部２０の代わりに出力信号縮退部２２’、及び、入力信号縮退部２３’を備えていること以外は実施形態１の音声再生装置１と同じ構成である。

入力端子１１’は、入力端子１１ａ、１１ｂ、１１ｃに加え、ＬＳｃｈ入力信号が入力される入力端子１１ｄ、Ｃｃｈ入力信号が入力される入力端子１１ｅ、及び、ＲＳｃｈ入力信号が入力される入力端子１１ｆを含んでいること以外は、実施形態１の入力端子１１と同じ構成である。すなわち、入力端子１１は、ＬＳｃｈ入力信号、Ｌｃｈ入力信号、Ｃｃｈ入力信号、Ｒｃｈ入力信号、ＲＳｃｈ入力信号、及び、ＬＦＥｃｈ入力信号からなる５．１チャンネルの音声信号の入力を受け付ける。

入力信号縮退部２３’は、センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号を縮退して縮退信号を生成する縮退手段として機能する。具体的には、入力端子１１ａ及び１１ｄ、入力端子１１ｂ及び１１ｆのそれぞれから入力される音声信号に所定のダウンミックス係数を乗することによって重み付けを行い、縮退音声信号に変換する手段である。入力信号縮退部２３’は、入力端子１１ａ及び１１ｄから入力されるＬｃｈ入力信号及びＬＳｃｈ入力信号を１チャンネルのＬｃｈ縮退入力信号に変換する入力信号縮退部２３ａ、入力端子１１ｂ及び１１ｆから入力されるＲｃｈ入力信号及びＲＳｃｈ入力信号を１チャンネルのＲｃｈ縮退入力信号に変換する入力信号縮退部２３ｂを含んで構成される。なお、本実施形態では、複数チャンネルの入力をダウンミックスによって縮退する構成を示したが、本発明はこれに限定されるものではなく、例えば、複数チャンネルを２チャンネルのバーチャルサラウンドに変換することによって縮退する構成を採用してもよい。

スペクトル変換部１２’’’は、入力端子１１ｅから入力されたＣｃｈ入力信号のスペクトルを算出するスペクトル変換部１２ｃ、入力信号縮退部２３ａから供給されたＬｃｈ縮退入力信号のスペクトルを算出するスペクトル変換部１２ｅ、及び、入力信号縮退部２３ｂから供給されたＲｃｈ縮退入力信号のスペクトルを算出するスペクトル変換部１２ｆを含んでいること以外は実施形態１のスペクトル変換部１２と同じ構成である。

乗算部１８’’は、Ｌｃｈ縮退入力信号のスペクトルに乗数を乗する乗算部１８ｇ、Ｒｃｈ縮退入力信号のスペクトルに乗数を乗する乗算部１８ｈ、及び、Ｃｃｈスペクトルに乗数を乗する乗算部１８ｆを含んでいること以外は、実施形態１の乗算部１８と同じ構成である。

逆変換部１９’’は、乗算部１８ｇから供給されたＬｃｈ縮退入力信号のスペクトルに対して逆ＦＦＴを行う逆変換部１９ｅと、乗算部１８ｆから供給されたＣｃｈスペクトルに対して逆ＦＦＴを行う逆変換部１９ｄと、乗算部１８ｈから供給されたＲｃｈ縮退入力信号のスペクトルに対して逆ＦＦＴを行う逆変換部１９ｆとを含んでいること以外は、実施形態１の逆変換部１９と同じ構成である。

出力信号縮退部２２’は、逆変換部１９’’から供給された３チャンネルの音声信号にそれぞれ所定のダウンミックス係数を乗することによって重み付けを行い、Ｌｃｈ出力信号、及び、Ｒｃｈ出力信号の２つのチャンネルの音声信号に縮退させる手段である。なお、本実施形態では、複数チャンネルの入力をダウンミックスによって縮退する構成を示したが、本発明はこれに限定されるものではなく、例えば、複数チャンネルを２チャンネルのバーチャルサラウンドに変換することによって縮退する構成を採用してもよい。

（音声再生装置の動作）
次に、音声再生装置５の動作について、図９を参照して説明する。図９は、音声再生装置５の動作の流れを示すフローチャートである。

音声再生装置５に音声信号が入力されると、入力端子１１ａ及び１１ｄに入力された音声信号、及び、入力端子１１ｂ及び１１ｆに入力された音声信号は入力信号縮退部２３’に供給される。入力信号縮退部２３ａは、入力端子１１ａ及び１１ｄから入力された音声信号を１チャンネルの縮退音声信号に変換し、Ｌｃｈ縮退信号を生成する（ステップＳ３１ａ）。入力信号縮退部２３ｂは、入力端子１１ｂ及び１１ｆから入力された音声信号を１チャンネルの縮退音声信号に変換し、Ｒｃｈ縮退信号を生成する（ステップＳ３１ｂ）。生成されたＬｃｈ縮退信号及びＲｃｈ縮退信号は、スペクトル変換部１２’’’に供給される。

スペクトル変換部１２’’’は、入力端子１１ｅに入力されたＣｃｈ入力信号、入力信号縮退部２３’から供給されたＬｃｈ縮退信号、及び、Ｒｃｈ縮退信号に対するスペクトルをそれぞれ算出し、算出したＣｃｈスペクトルを中域選択部１４及び乗算部１８’’に供給し、Ｌｃｈ縮退信号及びＲｃｈ縮退信号に対するスペクトルを音楽区間検出部１７及び乗算部１８’’に供給する（ステップＳ３２）。

中域選択部１４は、供給されたＣｃｈスペクトルのうち、音声が含まれる帯域である特定の帯域のスペクトルのみを抽出し、抽出した特定帯域のスペクトルを音声区間検出部１５に供給する（ステップＳ３３）。

音声区間検出部１５は、中域選択部１４から供給された特定帯域のスペクトルに基づいて、音声区間を検出し、音声区間検出結果を乗算部１８’’に供給する（ステップＳ３４）。

音楽区間検出部１７は、スペクトル変換部１２ｄから供給されたＬｃｈ縮退信号及びＲｃｈ縮退信号に対するスペクトルに基づいて音楽区間を検出し、音楽区間検出結果を乗算部１８’’に供給する（ステップＳ３５）。

乗算部１８’’は、供給された音声区間検出結果及び音楽区間検出結果に基づいて、乗数の値を設定し、設定した乗数に応じて音場制御を行う（ステップＳ３６）。

乗算部１８’’において音場制御されたスペクトルは、逆変換部１９’’において信号波形に変換される（ステップＳ３７）。

逆変換部１９’’において信号波形に変換された音声信号は、出力信号縮退部２２’においてＬｃｈ出力信号及びＲｃｈ出力信号の２チャンネルの出力信号に縮退され、出力端子２１から出力される（ステップＳ３８）。

なお、入力端子１１ｃに入力されたＬＦＥｃｈ入力信号は、そのままＬＦＥｃｈ出力信号として出力端子２１ｃから出力される。

（プログラムおよび記録媒体）
音声再生装置１、２、３、４、５に含まれている各ブロックは、ハードウェアロジックによって構成してもよいし、次のように、ＣＰＵ（Central Processing Unit）を用いてソフトウェアによって実現してもよい。

すなわち、音声再生装置１、２、３、４、５は、各機能を実現するプログラムの命令を実行するＭＰＵなどのＣＰＵ、このプログラムを格納したＲＯＭ（Read Only Memory）、上記プログラムを実行可能な形式に展開するＲＡＭ（Random Access Memory）、および、上記プログラムおよび各種データを格納するメモリ等の記憶装置（記録媒体）を備えている。

そして、本発明の目的は、音声再生装置１、２、３、４、５のプログラムメモリに固定的に担持されている場合に限らず、上記プログラムのプログラムコード（実行形式プログラム、中間コードプログラム、又は、ソースプログラム）を記録した記録媒体を音声再生装置１、２、３、４、５に供給し、音声再生装置１、２、３、４、５が上記記録媒体に記録されている上記プログラムコードを読み出して実行することによっても、達成可能である。

上記記録媒体は、特定の構造又は種類のものに限定されない。すなわちこの記録媒体は、たとえば、磁気テープやカセットテープ等のテープ系、フロッピー（登録商標）ディスク／ハードディスク等の磁気ディスクやＣＤ−ＲＯＭ／ＭＯ／ＭＤ／ＤＶＤ／ＣＤ−Ｒ等の光ディスクを含むディスク系、ＩＣカード（メモリカードを含む）／光カード等のカード系、あるいはマスクＲＯＭ／ＥＰＲＯＭ／ＥＥＰＲＯＭ／フラッシュＲＯＭ等の半導体メモリ系などとすることができる。

また、音声再生装置１、２、３、４、５を通信ネットワークと接続可能に構成しても、本発明の目的を達成できる。この場合、上記のプログラムコードを、通信ネットワークを介して音声再生装置１、２、３、４、５に供給する。この通信ネットワークは音声再生装置１、２、３、４、５にプログラムコードを供給できるものであればよく、特定の種類又は形態に限定されない。たとえばインターネット、イントラネット、エキストラネット、ＬＡＮ、ＩＳＤＮ、ＶＡＮ、ＣＡＴＶ通信網、仮想専用網（Virtual Private Network）、電話回線網、移動体通信網、衛星通信網等であればよい。

この通信ネットワークを構成する伝送媒体も、プログラムコードを伝送可能な任意の媒体であればよく、特定の構成又は種類のものに限定されない。たとえばＩＥＥＥ１３９４、ＵＳＢ、電力線搬送、ケーブルＴＶ回線、電話線、ＡＤＳＬ（Asymmetric Digital Subscriber Line）回線等の有線でも、ＩｒＤＡやリモコンのような赤外線、Ｂｌｕｅｔｏｏｔｈ（登録商標）、８０２．１１無線、ＨＤＲ、携帯電話網、衛星回線、地上波デジタル網等の無線でも利用可能である。なお本発明は、上記プログラムコードが電子的な伝送で具現化された、搬送波に埋め込まれたコンピュータデータ信号の形態でも実現され得る。

本発明は上述した実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。

本発明に係る音声信号処理装置は、テレビに好適に適用することができる。

１、２、３、４、５ 音声再生装置
１１、１１’ 入力端子
１２、１２’、１２’’、１２’’’ スペクトル変換部
１３ 共通成分抽出部（抽出手段）
１４ 中域選択部（帯域抽出手段）
１５ 音声区間検出部（算出手段）
１６ 減算部
１７ 音楽区間検出部（音楽区間算出手段）
１８、１８’、１８’’ 乗算部（重み係数変更手段）
１９、１９’、１９’’ 逆変換部
２０ 加算部
２１ 出力端子
２２、２２’ 出力信号縮退部
２３、２３’ 入力信号縮退部（縮退手段）
３３ 共通成分抽出部（抽出手段）
３４ 中域選択部（帯域抽出手段）
３５ 音声区間検出部（算出手段）
３７ 音楽区間検出部（音楽区間算出手段）

Claims (18)

1. センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、
   前記複数の音声信号に共通して含まれる共通成分を抽出する抽出手段と、
   前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記共通成分に基づき算出する算出手段と、を備えている
   ことを特徴とする音声再生装置。
2. 前記複数の音声信号に共通して含まれる共通成分のうち、特定の帯域を濾波または選択する帯域抽出手段を更に備え、
   前記算出手段は、前記複数の音声信号における、前記音声区間と前記非音声区間とを、前記帯域抽出手段によって濾波または選択された前記特定の帯域の共通成分に基づき算出する
   ことを特徴とする請求項１に記載の音声再生装置。
3. 前記帯域抽出手段によって濾波または選択される前記特定の帯域は略１００Ｈｚから略８ｋＨｚである、
   ことを特徴とする請求項２に記載の音声再生装置。
4. センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、
   前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記センターチャンネルに対応する音声信号に基づき算出する算出手段を備えている
   ことを特徴とする音声再生装置。
5. 前記算出手段によって算出された前記音声区間と前記非音声区間とに基づいて、前記複数の音声信号、前記共通成分及び前記共通成分を減算して生成した音声信号の何れかに個別に対応する重み係数を変更する重み係数変更手段を更に備えている
   ことを特徴とする請求項１から４の何れか１項に記載の音声再生装置。
6. 前記重み係数変更手段は、前記算出手段によって算出された前記音声区間において、前記共通成分又は前記センターチャンネルの何れかに個別に対応する前記重み係数を大きい値に変更する
   ことを特徴とする請求項５に記載の音声再生装置。
7. センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、
   前記複数の音声信号に共通して含まれる共通成分を抽出する抽出手段と、
   前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記複数の音声信号のそれぞれから前記共通成分を減算した音声信号に基づき算出する音楽区間算出手段と、を備えている
   ことを特徴とする音声再生装置。
8. センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、
   前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号の少なくとも何れかに基づき算出する音楽区間算出手段を備えている
   ことを特徴とする音声再生装置。
9. センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置であって、
   前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号にダウンミックスを行い、チャンネル数を縮退して縮退信号を生成する縮退手段と、
   前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記縮退信号に基づき算出する音楽区間算出手段と、を備えている
   ことを特徴とする音声再生装置。
10. 前記音楽区間算出手段によって算出された前記音楽区間と前記非音楽区間とに基づいて、前記複数の音声信号、前記共通成分及び前記共通成分を減算して生成した音声信号の何れかに個別に対応する重み係数を変更する重み係数変更手段を更に備えている
    ことを特徴とする請求項７から９の何れか１項に記載の音声再生装置。
11. 前記重み係数変更手段は、前記音楽区間算出手段によって算出された前記音楽区間において、前記共通成分、又は、前記センターチャンネル及び前記ＬＦＥチャンネル以外チャンネルの何れかに個別に対応する前記重み係数を大きい値に変更する
    ことを特徴とする請求項１０に記載の音声再生装置。
12. センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置の音声再生方法であって、
    前記複数の音声信号に共通して含まれる共通成分を抽出する抽出ステップと、
    前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記共通成分に基づき算出する算出ステップと、を含んでいる
    ことを特徴とする音声再生方法。
13. センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置の音声再生方法であって、
    前記複数の音声信号における、音声を含む音声区間と、音声を含まない非音声区間とを、前記センターチャンネルに対応する音声信号に基づき算出する算出ステップを含んでいる
    ことを特徴とする音声再生方法。
14. センターチャンネル以外の複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置の音声再生方法であって、
    前記複数の音声信号に共通して含まれる共通成分を抽出する抽出ステップと、
    前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記複数の音声信号のそれぞれから前記共通成分を減算した音声信号に基づき算出する音楽区間算出ステップと、を含んでいる
    ことを特徴とする音声再生方法。
15. センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置の音声再生方法であって、
    前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号に基づき算出する音楽区間算出ステップを含んでいる
    ことを特徴とする音声再生方法。
16. センターチャンネルを含む複数のチャンネルの何れかに個別に対応する複数の音声信号が入力される音声再生装置の音声再生方法であって、
    前記センターチャンネル及びＬＦＥチャンネル以外のチャンネルの何れかに個別に対応する音声信号にダウンミックスを行い、チャンネル数を縮退して縮退信号を生成する縮退ステップと、
    前記複数の音声信号における、音楽を含む音楽区間と、音楽を含まない非音楽区間とを、前記縮退信号に基づき算出する音楽区間算出ステップと、を含んでいる
    ことを特徴とする音声再生方法。
17. コンピュータを請求項１から１１までの何れか１項に記載の音声再生装置として動作させるためのプログラムであって、前記コンピュータを前記音声再生装置として機能させるためのプログラム。
18. 請求項１７に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。

Images