JP2012027114A - 音声検出装置 - Google Patents

Abstract

【課題】 音声成分と雑音成分とが混在する入力信号から当該音声成分を検出する。
【解決手段】 本発明に係る音声検出装置１０によれば、入力信号Ｘ（ｚ）は、まず、平坦化回路２０に入力され、ここで、その周波数スペクトル全体が軽度に平坦化される。この平坦化後信号Ｘ’（ｚ）は、線形予測誤差フィルタ３０と逆フィルタ４０とに入力される。線形予測誤差フィルタ３０は、過去の平坦化後信号Ｘ’（ｚ）に基づいて現在の平坦化後信号Ｘ’（ｚ）を予測する。そして、この線形予測誤差フィルタ３０の逆フィルタ４０によって当該平坦化後信号Ｘ’（ｚ）が処理されることで、これに含まれるピークが強調される。この強調後信号Ｗ（ｚ）は、スペクトルサブトラクション５０に入力され、ここで、雑音成分のピークを差し引かれる。そして、この差引後信号Ｇ（ｚ）は、ピーク判定回路６０に入力され、ここで、音声成分のピークの有無が判定される。
【選択図】 図１

Description

本発明は、音声検出装置に関し、特に、音声成分と雑音成分とが混在する入力信号から当該音声成分を検出する、音声検出装置に関する。

この種の音声検出装置として、従来、例えば特許文献１に開示の音声応答スイッチに適用されたものがある。この従来技術によれば、音声信号の入力レベルが所定値以上であるときに、所定時間にわたって、当該音声信号から少なくとも第１フォルマントＦ１と第２フォルマントＦ２とが抽出される。そして、抽出された第１フォルマントＦ１と第２フォルマントＦ２とから母音の変化が求められ、この変化が“ａ”および“ｏ”という２つの母音のいずれか一方を始音とすることを含む所定の条件を満足するとき、音声信号が予め設定された制御音声と一致したと判断され、スイッチ要素がオンされる。

特開昭６１−２４６８００号公報

このように、上述の従来技術では、第１フォルマントＦ１と第２フォルマントＦ２とに基づいて音声検出が行われるが、特に第１フォルマントＦ１の抽出が必須とされることで、次のような問題がある。即ち、日常の環境下においては、例えば道路交通騒音をはじめ１ｋＨｚ付近の周波数帯域に大きなパワーを持つ雑音が多く存在する。その一方で、この１ｋＨｚ付近という周波数帯域は、第１フォルマントＦ１の周波数帯域と重なる。このため、当該第１フォルマントＦ１の抽出が必須とされる従来技術では、道路交通騒音等の日常的な雑音の影響を受け易く、ゆえに、使用可能な環境が極端に制限される、という問題がある。しかも、従来技術では、第１フォルマントＦ１を含む各フォルマントの抽出が、具体的には複数に分割された周波数帯域毎の信号レベルに基づいて行われるため、個々の周波数帯域に一定レベル以上の雑音成分が存在する場合には、当該雑音成分がフォルマントとして誤って検出される。従って、道路交通騒音はおろか、それ以外の雑音の影響をも受け易い。

そこで、本発明は、従来よりも道路交通騒音等の雑音の影響を受け難く、特に防犯用途において人間の悲鳴や叫び声等を検出するのに好適な、音声検出装置を提供することを、目的とする。

この目的を達成するために、本発明は、音声成分と雑音成分とが混在する入力信号から当該音声成分を検出する音声検出装置において、入力信号の周波数スペクトルのピークを強調するピーク強調手段と、このピーク強調手段によってピークが強調された後の強調後スペクトルのうち雑音成分に対応する雑音スペクトルを推定する雑音推定手段と、強調後スペクトルから当該雑音スペクトルを差し引く差引手段と、を具備するものである。

即ち、本発明は、音声成分と雑音成分とが混在する入力信号の周波数スペクトルを観察すると、この入力信号の周波数スペクトルには、当該音声成分と雑音成分とのそれぞれのピークが含まれており、これらのピークは、音声成分のものと雑音成分のものとで互いに異なる性質を有する点に、着目したものである。この着目点に基づいて、まず、入力信号の周波数スペクトルのピークが、ピーク強調手段によって強調され、つまり当該ピークの性質を含め顕著化される。そして、このピーク強調後のスペクトルのうち、雑音成分に対応する雑音スペクトルが、雑音推定手段によって推定される。さらに、差引手段によって、当該雑音スペクトルがピーク強調後スペクトルから差し引かれる。これにより、ピーク強調後スペクトルに含まれるピークのうち、雑音成分のピークが除去され、音声成分のピーク、つまりフォルマント、のみが残る。このフォルマントのピークが捉えられることで、音声成分の検出が実現される。

なお、本発明において、ピーク強調手段は、過去の入力信号に基づいて現在の入力信号を予測する予測手段と、この予測手段による演算式の逆演算式により入力信号を処理することでピークを強調する強調実行手段と、を含むものであってもよい。ここで、予測手段は、入力信号に含まれる周期的な成分、つまりフォルマント、を予測することになる。そして、強調実行手段は、予測手段による演算式の逆演算式により入力信号を処理することで、当該入力信号に含まれるフォルマントを強調することになる。このとき、フォルマントのみならず、雑音成分のピークも強調されるが、この雑音成分のピークは、上述の如く差引手段によって除去される。

ここで言う予測手段は、例えば線形予測誤差フィルタによって構成することができる。そして、強調実行手段は、当該線形予測誤差フィルタの逆フィルタによって構成することができる。

この場合、予測手段としての線形予測誤差フィルタと、強調実行手段としての逆フィルタと、のそれぞれは、格子型（Lattice）型のデジタルフィルタであるのが、望ましい。即ち、線形予測誤差フィルタと逆フィルタとは、互いに共役であるため、このうちの一方が、例えばＦＩＲ（Finite
Impulse Response）フィルタによって設計されると、他方は、必然的にＩＩＲ（Infinite Impulse Response）フィルタとなる。ここで、ＩＩＲフィルタは、一般に、不安定である、言い換えれば安定判別が困難である、という欠点を有するが、格子型であれば、この欠点が解消されることが、知られている。また、例えば線形予測誤差フィルタが格子型のＦＩＲフィルタによって設計され、逆フィルタが格子型のＩＩＲフィルタによって設計される、とすると、線形予測誤差フィルタとしての格子型ＦＩＲフィルタについては、トランスバーサル型をはじめとする他構成のフィルタよりも高い収束速度が得られる等の優れた線形予測性能が発揮される。そして、この線形予測誤差フィルタとしての格子型ＦＩＲフィルタのフィルタ係数が、そのまま逆フィルタとしての格子型ＩＩＲフィルタのフィルタ係数に適用されることで、当該逆フィルタが設計される。つまり、逆フィルタの設計が容易である、という利点もある。

さらに、本発明における雑音推定手段は、強調後スペクトルを時間平均することで雑音スペクトルを推定するものであってもよい。即ち、雑音成分が略定常的に存在する場合は、強調後スペクトルに含まれる当該雑音成分のピークは概ね不変である。一方、この雑音成分のピークに比べると、音声成分のピークは単発的（間欠的）であり、つまり計時的に変化する。従って、強調後スペクトルが時間平均されると、これに含まれる雑音成分のピークのみが残り、音声成分のピークは全体的に低減される。これにより、雑音スペクトルの推定が実現される。

また、入力信号に有色雑音が含まれる、とすると、当該入力信号の周波数スペクトルは、周波数に対してパワーが概ね反比例するような全体的に傾斜した特性となる。そして、この周波数スペクトルのピークがそのままピーク強調手段によって強調される、とすると、当該周波数スペクトルの傾斜が急峻になる等の種々の不都合が生じる。このため、本発明においては、入力信号の周波数スペクトルを平坦化する平坦化手段が、さらに備えられてもよい。ただし、平坦化手段は、この入力信号の周波数スペクトルに含まれるピークについては、平坦化されることなく、その先鋭さが維持される程度に、当該周波数スペクトルを平坦化するものとする。そして、ピーク強調手段は、この平坦化手段によって平坦化された後の平坦化後スペクトルのピークを強調するものとする。

このような平坦化手段は、入力信号の周波数スペクトルに含まれるピークに追随するのに不十分な低い周波数分解能を持つ低分解能フィルタ、例えば比較的にタップ数（フィルタ次数）の少ないデジタルフィルタによって構成することができる。

上述したように、本発明によれば、入力信号の周波数スペクトルに含まれる音声成分のピークと雑音成分のピークとが互いに異なる性質を有する点に着目して、当該入力信号の周波数スペクトルのピークが強調され、この強調されたピークのうち雑音成分のピークが除去されることで、音声成分のピークのみが捉えられる。つまり、道路交通騒音等の雑音が存在する環境下において、当該雑音の影響を排除することができる。従って、雑音の影響を受け易い上述の従来技術に比べて、正確な音声検出を実現することができる。これは、特に防犯用途において人間の悲鳴や叫び声等を適確に検出するのに好適である。

本発明の一実施形態の概略構成を示すブロック図である。 同実施形態における入力信号の周波数スペクトルを示す図解図である。 同実施形態における線形予測誤差フィルタの具体的な構成を示すブロック図である。 同線形予測誤差フィルタに逆フィルタを組み合わせた構成を示すブロック図である。 同線形予測誤差フィルタのさらに具体的な構成を示すブロック図である。 同実施形態における逆フィルタのさらに具体的な構成を示すブロック図である。 同実施形態における平坦化回路の必要性を説明するための図解図である。 同平坦化回路による処理後信号の周波数スペクトルを示す図解図である。 同実施形態における逆フィルタによる処理後信号の周波数スペクトルを示す図解図である。 同実施形態におけるスペクトルサブトラクションの具体的な構成を示す図解図である。 同スペクトルサブトラクションの動作を説明するための図解図である。 同実施形態における一実験結果を示す図解図である。 同実施形態におけるピーク判定回路の動作を説明するための図解図である。 図１３の別の態様を示す図解図である。

本発明の一実施形態について、図１〜図１４を参照して説明する。

本実施形態に係る音声検出装置１０は、例えばスーパ防犯灯等の防犯機器に適用されるものであり、詳しくは当該防犯機器に備えられたマイクロホンによって人間の悲鳴や叫び声等が拾われたときに、これを検出するためのものである。この音声検出を実現するべく、当該音声検出装置１０は、図１に示すように、平坦化手段としての平坦化回路２０を有しており、この平坦化回路２０に、図示しないマイクロホンの出力信号Ｘ（ｚ）（ｚ；ｚ変換における変数）が入力される。

ここで、平坦化回路２０に入力される信号Ｘ（ｚ）には、上述の悲鳴や叫び声等の音声成分の他に、道路交通騒音等の雑音成分が含まれる場合がある。この場合、入力信号Ｘ（ｚ）の周波数スペクトルには、例えば図２にα，βおよびγという符号を付して示すように、当該音声成分と雑音成分とのそれぞれに対応するピークが現れる。このうち、最も周波数ｆの低いピークαは、雑音成分のピークである。そして、他のピークβおよびγは、音声成分のピークであり、詳しくは周波数ｆの低いものから順に第２フォルマントおよび第３フォルマントのピークである。なお、図２において、一点鎖線は、各ピークα，βおよびγを含む入力信号Ｘ（ｚ）の平均パワーである。また、本実施形態では、周波数スペクトルを求めるための離散フーリエ変換（ＤＦＴ；Discrete Fourier Transform）の周波数帯域がｆ＝１２００Ｈｚ〜３０００Ｈｚに制限されている。従って、実際には、第１フォルマントのピークも存在するが、この第１フォルマントのピークは、当該周波数帯域外であるので、図２には現れない。さらに、入力信号Ｘ（ｚ）には、有色雑音も含まれている。従って、図２から分かるように、当該有色雑音を含む入力信号Ｘ（ｚ）の周波数スペクトルは、周波数ｆに対してパワーＰが概ね反比例するような全体的に傾斜した特性となる。

図１に戻って、平坦化回路２０は、入力信号Ｘ（ｚ）に対して、後述する平坦化処理を施す。そして、この平坦化処理後の信号Ｘ’（ｚ）は、予測手段としての線形予測誤差フィルタ（ＬＰＥＦ；Linear Prediction Error Filter）３０と、当該線形予測誤差フィルタ３０の逆フィルタ（ＬＰＥＦ^−１）４０と、のそれぞれに入力される。

線形予測誤差フィルタ３０は、後述するように、過去の平坦化後信号Ｘ’（ｚ）に基づいて現在の平坦化後信号Ｘ’（ｚ）を予測し、その予測誤差Ｅ（ｚ）が最小になるように適応動作する。そして、この線形予測誤差フィルタ３０の適応動作に合わせて、これと共役な逆フィルタ４０が形成され、この逆フィルタ４０によって、平坦化後信号Ｘ’（ｚ）が処理される。これにより、この平坦化後信号Ｘ’（ｚ）に含まれる上述のピークα，βおよびγが強調される。このピーク強調についても、後で詳しく説明する。

さらに、この逆フィルタ４０によってピーク強調された後の強調後信号Ｗ（ｚ）は、スペクトルサブトラクション（ＳＳ；Spectrum Subtraction）５０に入力される。スペクトルサブトラクション５０は、入力された強調後信号Ｗ（ｚ）に含まれる雑音成分のピークαを推定し、このピークαを当該強調後信号Ｗ（ｚ）から差し引く。これによって、雑音成分のピークαが除去され、音声成分のピークβおよびγのみが残された、差引後信号Ｇ（ｚ）が生成される。この差引後信号Ｇ（ｚ）は、ピーク判定回路６０に入力される。なお、この差引後信号Ｇ（ｚ）を生成するためのスペクトルサブトラクション５０の動作についても、後で詳しく説明する。

ピーク判定回路６０は、差引後信号Ｇ（ｚ）に音声成分のピークβおよびγが含まれているか否かを判定する。そして、この音声成分のピークβおよびγが含まれている場合には、例えば防犯機器に備えられている図示しない警報機を作動させたり、所定の防災センタに通知信号を送信したりする。このピーク判定回路６０によるピーク判定処理の要領についても、後で詳しく説明する。

このように、本実施形態の音声検出装置１０によれば、平坦化回路２０，線形予測誤差フィルタ３０，逆フィルタ４０，スペクトルサブトラクション５０およびピーク判定回路６０を備える構成によって、音声検出が実現されるが、これらについて、以下、より具体的に説明する。

まず、線形予測誤差フィルタ３０の必要性について、説明する。即ち、線形予測誤差フィルタ３０は、上述したように過去の平坦化後信号Ｘ’（ｚ）に基づいて現在の平坦化後信号Ｘ’（ｚ）を予測するものであるが、結果的に、予測可能な成分が打ち消され、予測不可能な成分のみが予測誤差Ｅ（ｚ）として出力される。このような線形予測誤差フィルタ３０は、例えば図３に示すように、１サンプル分の遅延素子３０２と、ＦＩＲ型の適応フィルタ３０４と、加算器３０６と、によって構成される。

この図３に示す構成において、例えば、今、平坦化後信号Ｘ’（ｚ）ではなく、上述の入力信号Ｘ（ｚ）が直接的に入力される、と仮定する。この場合、当該入力信号Ｘ（ｚ）は、遅延素子３０２によって遅延された後、適応フィルタ３０４によって処理される。そして、この適応フィルタ３０４による処理後信号Ｕ（ｚ）は、加算器３０６に入力される。加算器３０６には、入力信号Ｘ（ｚ）も入力されており、当該加算器３０６は、この入力信号Ｘ（ｚ）から適応フィルタ３０４による処理後信号Ｕ（ｚ）を差し引く。この差し引き後の信号Ｅ（ｚ）が、（入力信号Ｘ（ｚ）に対応する）予測誤差として出力され、当該予測誤差Ｅ（ｚ）が最小になるように、適応フィルタ３０４が適応動作する。

ここで、適応フィルタ３０４の伝達関数をＨ（ｚ）とすると、当該適応フィルタ３０４による処理後信号Ｕ（ｚ）は、次の数１によって表される。

そして、この適応フィルタ３０４の伝達関数Ｈ（ｚ）を含む線形予測誤差フィルタ３０全体の伝達関数をＬ（ｚ）とすると、この伝達関数Ｌ（ｚ）は、次の数２によって表される。

さらに、適応フィルタ３０４のタップ数をＮとすると、当該適応フィルタ３０４の伝達関数Ｈ（ｚ）は、次の数３によって表される。なお、この数３において、ｈ_ｎは、ｎタップ目のフィルタ係数である。

そして、この数３の表現が便宜的に書き換えられた上で、当該数３が数２に代入されると、線形予測誤差フィルタ３０全体の伝達関数Ｌ（ｚ）は、次の数４のように表される。

一方、音声、特に有声音Ｐ（ｚ）は、次の数５のように表される。なお、この数５において、Ａ（ｚ）は、当該有声音を発する発声者の声道全体の伝達関数（共振特性）であり、Ｂ（ｚ）は、当該発声者の声帯振動の特性である。

この数５によって表される有声音Ｐ（ｚ）の特性、特に母音のフォルマントの特性は、声道の伝達関数Ａ（ｚ）に依存する。そこで、この声道の伝達関数Ａ（ｚ）を、例えば有限長の全極型モデルで表現する、とすると、当該伝達関数Ａ（ｚ）は、次の数６のように表される。なお、この数６において、Ｍは、当該全極型モデルのタップ数である。

ゆえに、入力信号Ｘ（ｚ）として有声音Ｐ（ｚ）のみが入力される、と仮定すると、予測誤差Ｅ（ｚ）は、次の数７によって表される。

その上で、適応フィルタ３０４が、声道の伝達関数Ａ（ｚ）を表現するのに十分なタップ数Ｎを有し、かつ、数７によって表される予測誤差Ｅ（ｚ）が最小になるように適応動作する、とすると、当該数７において、次の数８が成立する。

これは、即ち、適応フィルタ３０４を含む線形予測誤差フィルタ３０によって声道の伝達関数Ａ（ｚ）の逆数が予測されることを、意味する。

従って、この線形予測誤差フィルタ３０の逆フィルタ４０によって入力信号Ｘ（ｚ）が処理されることで、つまり当該逆フィルタ４０の伝達関数Ｌ^−１（ｚ）が入力信号Ｘ（ｚ）に掛けられることで、当該入力信号Ｘ（ｚ）に含まれるフォルマントが強調される。なお、逆フィルタ４０の伝達関数Ｌ^−１（ｚ）は、次の数９によって表される。

このような逆フィルタ４０は、図４に示すように、線形予測誤差フィルタ３０における適応フィルタ３０４の伝達関数Ｈ（ｚ）がコピーされる言わば従属フィルタ４０２と、この従属フィルタ４０２による処理後信号を入力信号Ｘ（ｚ）に加算する加算器４０４と、この加算器４０４による加算後の信号Ｗ（ｚ）を遅延させて従属フィルタ４０２に入力する１サンプル分の遅延素子４０６と、によって構成される。そして、加算器４０４による加算後の信号Ｗ（ｚ）が、この逆フィルタ４０による処理後信号、つまり強調後信号、として出力される。ただし、この逆フィルタ４０の構成は、いわゆるＩＩＲ型であるため、その動作が不安定になることが懸念される。そこで、この欠点を解消するべく、逆フィルタ４０として、格子型のものが採用される。これに合わせて、線形予測誤差フィルタ３０もまた、格子型とされる。

具体的には、まず、線形予測誤差フィルタ３０は、図５に示すように、遅延素子３０２の出力が入力される遅延側（後ろ向き予測側）の加算器３１０と、入力信号Ｘ（ｚ）が直接的に入力される非遅延側（前向き予測側）の別の加算器３１２と、を有している。また、遅延素子３０２の出力は、乗算器３１４にも入力され、この乗算器３１４の出力は、非遅延側の加算器３１２に入力される。非遅延側の加算器３１２は、乗算器３１４の出力を入力信号Ｘ（ｚ）から差し引いて、この差し引き後の信号を次段の加算器３１２ａに入力する。併せて、入力信号Ｘ（ｚ）は、別の乗算器３１６にも入力され、この乗算器３１６の出力は、遅延側の加算器３１０に入力される。遅延側の加算器３１０は、乗算器３１６の出力を遅延素子３０２の出力から差し引いて、この差し引き後の信号を次段の遅延素子３０２ａに入力する。次段の遅延素子３０２ａは、２つの加算器３１０ａおよび３１２ａと２つの乗算器３１４ａおよび３１６ａと共に、前段と同様の構成を築く。そして、この構成は、Ｍ段にわたって縦続され、最終のＭ段目の非遅延側加算器３１２ｂが、図３および図４に示した加算器３０６を担う。つまり、このＭ段目の非遅延側加算器３１２ｂの出力が、予測誤差Ｅ（ｚ）とされる。なお、最初の１段目を構成する２つの乗算器３１４および３１６には、互いに同じフィルタ係数（反射係数）δ_１が設定される。このことは、他段についても、同様である。これらのフィルタ係数δ_１，δ_２，…，δ_Ｍの算出法については、公知であるので、ここでの詳しい説明を省略する。

一方、逆フィルタ４０は、図６に示すように、遅延素子４０６の出力が入力される帰還側（後ろ向き予測に対応する側）の加算器４１０と、強調後信号Ｗ（ｚ）を出力する順方向側（前向き予測に対応する側）の別の加算器４１２と、を有している。また、遅延素子４０６の出力は、乗算器４１４にも入力され、この乗算器４１４の出力は、順方向側の加算器４１２に入力される。この順方向側加算器４１２は、その前段の加算器４１２ａ経由で入力される信号に当該乗算器４１４の出力を加算して、この加算後の信号を強調後信号Ｗ（ｚ）として出力する。併せて、この強調後信号Ｗ（ｚ）は、別の乗算器４１６にも入力され、この乗算器４１６の出力は、帰還側の加算器４１０に入力される。帰還側の加算器４１０は、乗算器４１６の出力を遅延素子４０６の出力から差し引いて、この差し引き後の信号を次段の遅延素子４０６ａに入力する。次段の遅延素子４０６ａは、前段の遅延素子４０６が２つの加算器４１０および４１２と２つの乗算器４１４および４１６と共に築くのと同様の構成を、２つの加算器４１０ａおよび４１２ａと２つの乗算器４１４ａおよび４１６ａと共に築く。そして、この構成は、Ｍ段にわたって縦続され、Ｍ段目の順方向側加算器４１２ｂが、図４に示した加算器４０４を担う。つまり、このＭ段目の順方向側加算器４１２ｂに、入力信号Ｘ（ｚ）が入力される。なお、１段目の各乗算器４１４および４１６には、図５に示した線形予測誤差フィルタ３０の１段目の各乗算器３１４および３１６のフィルタ係数δ_１が設定される。このことは、他段についても、同様である。これにより、線形予測誤差フィルタ３０の逆フィルタ４０が構成される。

このような格子型の逆フィルタ４０は、ＩＩＲ型であるものの、安定した動作を奏することが知られている。言い換えれば、安定判別が容易であり、具体的には、各フィルタ係数δ_１，δ_２，…，δ_Ｍのそれぞれが±１未満であれば、当該逆フィルタ４０の動作が安定することが知られている。また、線形予測誤差フィルタ３０についても、格子型とされることで、トランスバーサル型等の他構成のフィルタよりも高い収束速度が得られる等の優れた線形予測性能が発揮される。しかも、この線形予測誤差フィルタ３０の各フィルタ係数δ_１，δ_２，…，δ_Ｍが逆フィルタ４０にそのまま適用されることで、当該逆フィルタ４０が実現される。

このように、線形予測誤差フィルタ３０の逆フィルタ４０によって入力信号Ｘ（ｚ）が処理されることで、当該入力信号Ｘ（ｚ）に含まれるフォルマントが強調されるが、この場合、つまり入力信号Ｘ（ｚ）に対して直接的にピーク強調が施された場合、次のような不都合が生じる。

即ち、入力信号Ｘ（ｚ）は、上述した図２の如く全体的に傾斜した周波数スペクトルを示すが、この入力信号Ｘ（ｚ）に対して直接的にピーク強調が施される、とすると、図７に実線の曲線で示すように、当該ピーク強調後の周波数スペクトルの傾斜が急峻になる。なお、同図における破線曲線は、ピーク強調前の入力信号Ｘ（ｚ）の周波数スペクトルであり、つまり図２に示した実線の曲線と同じものである。そして、このように周波数スペクトルの傾斜が急峻になることによって、各ピークα，βおよびγ以外の部分のパワーが特にフォルマントのピークβおよびγよりも大きくなる恐れがあり、そうなると、後述するピーク判定回路６０による当該フォルマントのピークβおよびγの判定が難しくなる。また、このピーク強調においては、フォルマントのピークβおよびγのみならず、雑音成分のピークαも強調されるため、特に当該雑音成分のピークαが過大となり、言わばレンジオーバ（オーバフロー）となる。

この不都合を回避するために、平坦化回路２０が設けられている。つまり、この平坦化回路２０によって入力信号Ｘ（ｚ）が処理されることで、図８に実線の曲線で示すように、各ピークα，βおよびγについては、それぞれの先鋭さが維持される程度に、当該入力信号Ｘ（ｚ）の周波数スペクトル全体が平坦化され、傾斜が是正される。このような平坦化回路２０は、各ピークα，βおよびγには追随し得ない程度の低い周波数分解能のフィルタによって実現され、例えば線形予測誤差フィルタ３０と同様の構成であり、かつ、当該線形予測誤差フィルタ３０よりもタップ数の少ないフィルタによって実現される。勿論、これ以外の構成によって、当該平坦化回路２０が実現されてもよい。

そして、この平坦化回路２０によって言わば軽度に平坦化処理された後の平坦化後信号Ｘ’（ｚ）が、線形予測誤差フィルタ３０と逆フィルタ４０とのそれぞれに入力される。これにより、図７に実線の曲線で示したのとは異なり、図９に実線の曲線で示すように、各ピークα，βおよびγが適度に強調された強調後信号Ｗ（ｚ）が得られる。なお、図９における破線曲線は、ピーク強調前の平坦化後信号Ｘ’（ｚ）の周波数スペクトルであり、つまり図８に実線の曲線で示したのと同じである。

さらに、強調後信号Ｗ（ｚ）は、スペクトルサブトラクション５０に入力されるが、このスペクトルサブトラクション５０は、図１０に示すような構成とされている。即ち、スペクトルサブトラクション５０は、移動平均回路５０２を有しており、この移動平均回路５０２に、強調後信号Ｗ（ｚ）が入力される。移動平均回路５０２は、入力された強調後信号Ｗ（ｚ）をＴａという所定期間にわたって、例えばＴａ＝５秒間にわたって、移動平均（時間平均）する。そして、この移動平均回路５０２によって移動平均された後の平均化信号Ｗａ（ｚ）は、乗算器５０４に入力され、ここで、εという一定の係数を掛けられる。この係数εの値は、状況に応じて適宜に定められ、例えばε＝１．５とされる。そして、この乗算器５０４による乗算後の平均化信号Ｗａ’（ｚ）は、加算器５０６に入力される。

また、スペクトルサブトラクション５０は、遅延回路５０８を有しており、この遅延回路５０８にも、強調後信号Ｗ（ｚ）が入力される。遅延回路５０８は、入力された強調後信号Ｗ（ｚ）をＴｄという一定期間だけ遅延させる。この遅延回路５０８による遅延時間Ｔｄは、移動平均回路５０２による移動平均時間Ｔａの１／２であり、つまりＴｄ＝２．５秒間である。そして、この遅延回路５０８による遅延後の信号Ｗｄもまた、加算器５０６に入力される。

加算器５０６は、遅延回路５０８による遅延後信号Ｗｄ（ｚ）から乗算器５０４による乗算後の平均化信号Ｗａ’（ｚ）を差し引くことで、上述した差引後信号Ｇ（ｚ）を生成する。ここで、遅延後信号Ｗｄ（ｚ）は、現在時刻よりも遅延時間Ｔｄだけ前の時刻における強調後信号Ｗ（ｚ）であり、例えば図１１（ａ）に示すような周波数スペクトルとなる。一方、平均化信号Ｗａ’（ｚ）は、遅延回路５０８による遅延時間Ｔｄだけ遡った時刻を中心として、見かけ上、その前後２．５秒間の合計５秒間という平均化時間Ｔａにわたって強調後信号Ｗ（ｚ）が移動平均され、さらにそのレベルがε倍されたものである。特に、このＴａ＝５秒間という平均化時間においては、定在する雑音成分のピークαは概ね不変である。これに対して、悲鳴や叫び声などの音声成分（長母音成分）は単発的であるので、そのピークβおよびγは変動する。この結果、平均化信号Ｗａ’（ｚ）は、図１１（ｂ）に示すように、雑音成分のピークαのみが残り、音声成分のピークβおよびγについては大きく低減された周波数スペクトルとなる。従って、差引後信号Ｇ（ｚ）は、図１１（ｃ）に示すように、雑音成分のピークαが除去され、音声成分のピークβおよびγのみが残された周波数スペクトルとなる。つまり、音声成分のピークβおよびγのみが抽出される。ゆえに、この音声成分のピークβおよびγが捉えられることで、音声検出が実現される。

なお、上述の如く移動平均回路５０２による平均化時間Ｔａにわたって雑音成分のピークαが概ね不変であるとしても、この平均化時間Ｔａにわたる移動平均処理によって、当該雑音成分のピークαもまた多少低減される。この低減分を補うために、上述の乗算器５０４が設けられる。つまり、差引後信号Ｇ（ｚ）において雑音成分のピークαが適当に除去されるように、乗算器５０４の係数εが設定される。

ここで、実際の実験結果を報告する。

即ち、図示しない評価音源を用いて、雑音として、ピンクノイズと１４００Ｈｚの正弦波とを発生させる。そして、音声として、「助けて〜」という男声を発生させる。これらの音声と雑音とのＳＮＲ（Signal-Noise Ratio）は、約−１５ｄＢとされる。そして、これらの音声と雑音とを含む入力信号Ｘ（ｚ）を得るためのサンプリング周波数は、３２ｋＨｚとされ、上述した離散フーリエ変換の点数は、８００とされる。さらに、平坦化回路２０を構成する線形予測誤差フィルタのタップ長が、４０とされ、ステップサイズが、０．００６２５とされる。そして、線形予測誤差フィルタ３０のタップ長が、８００とされ、ステップサイズが、０．２５とされる。逆フィルタ４０についても、この線形予測誤差フィルタ３０と同じタップ数およびステップサイズとされる。そして、スペクトルサブトラクション５０の上述した平均化時間Ｔａは、Ｔａ＝５秒間とされ、係数εは、ε＝１．５とされる。

このような条件下での入力信号Ｘ（ｚ）は、図１２（ａ）に示すような周波数スペクトルとなる。そして、この入力信号Ｘ（ｚ）が平坦化された後の平坦化後信号Ｘ’（ｚ）は、図１２（ｂ）に示すような周波数スペクトルとなる。これらの比較から分かるように、図１２（ａ）の入力信号Ｘ（ｚ）の周波数スペクトルにおいては、雑音成分のピークαに比べて、音声成分のピークβおよびγは特段に目立たないものの、図１２（ｂ）の平坦化後信号Ｘ’（ｚ）の周波数スペクトルでは、雑音成分のピークαと同じ程度に、当該音声成分のピークβおよびγが目立つようになる。

さらに、平坦化後信号Ｘ’（ｚ）がピーク強調された後の強調後信号Ｗ（ｚ）は、図１２（ｃ）に示すような周波数スペクトルとなる。そして、この強調後信号Ｗ（ｚ）が上述の平均化時間Ｔａにわたって移動平均された後の平均化信号Ｗａ（ｚ）は、図１２（ｄ）に示すような周波数スペクトルとなる。これらの比較から分かるように、図１２（ｃ）の強調後信号Ｗ（ｚ）の周波数スペクトルにおいては、音声成分のピークβおよびγは十分に大きいものの、図１２（ｄ）の平均化信号Ｗａ（ｚ）の周波数スペクトルでは、当該音声成分のピークβおよびγは極端に低減されている。これに対して、雑音成分のピークαもまた、低減されるものの、その低減度合は小さい。

そして、上述したように、強調後信号Ｗ（ｚ）がＴｄという遅延時間だけ遅延されることによって遅延後信号Ｗｄ（ｚ）が生成され、平均化信号Ｗａ（ｚ）に係数εが掛けられることで乗算後の平均化信号Ｗａ’（ｚ）が生成され、これらの差し引きによって差引後信号Ｇ（ｚ）が生成される。そして、この差引後信号Ｇ（ｚ）は、図１２（ｅ）に示すような周波数スペクトルとなる。この図１２（ｅ）の差引後信号Ｇ（ｚ）の周波数スペクトルから明らかなように、雑音成分のピークαが除去され、音声成分のピークβおよびγのみが残る。

このように、実際の実験によっても、本実施形態の有効性が確認された。

差引後信号Ｇ（ｚ）は、ピーク判定回路６０に入力され、ここで、音声成分のピークβおよびγの有無が判定されるが、当該差引後信号Ｇ（ｚ）の周波数スペクトルは、スペクトルサブトラクション５０による処理の結果、負数をも持つことになるため、絶対的な評価によって当該音声成分のピークβおよびγの有無を判定することができない。つまり、或る一定の閾値を設定すると共に、この閾値よりも大きい音声成分のピークβおよびγが存在するか否かによって、当該音声成分のピークβおよびγの有無を判定することができない。それゆえに、ピーク判定回路６０は、次の相対的評価によってピーク判定を行う。

即ち、今、差引後信号Ｇ（ｚ）の周波数スペクトルの一部が、例えば図１３に示すような特性である、とする。ここで、任意の周波数ビンｉにおける成分値ｇ［ｉ］が、次の数１０で表される条件式を満足するときに、当該成分値ｇ［ｉ］が音声成分のピークβまたはγである、と判定される。

この数１０で表される条件式に基づいて、つまり連続する５つの周波数ビン［ｉ−２］〜［ｉ＋２］における成分値ｇ［ｉ−２］〜ｇ［ｉ＋２］に基づいて、その中央の周波数ビンｉにおける成分値ｇ［ｉ］が音声成分のピークβまたはγであるか否かが判定されることで、負数を持つ差引後信号Ｇ（ｚ）の周波数スペクトルであっても、当該音声信号のピークβおよびγの有無を正確に判定することができる。また、ゆらぎ等によって、音声信号のピークβおよびγが、例えば図１４に示す如く一種不明確となっても、それらの有無を正確に判定することができる。なお、数１０のＱ５〜Ｑ８に含まれる「４」という数値は、いわゆる経験値であり、状況に応じて異なる値が設定されることがある。

以上のように、本実施形態によれば、入力信号Ｘ（ｚ）の周波数スペクトルを求めるための離散フーリエ変換の周波数帯域がｆ＝１２００Ｈｚ〜３０００Ｈｚに制限されており、つまり第１フォルマントについては音声検出の対象から意図的に外されている。従って、第１フォルマントの周波数帯域と重複する１ｋＨｚ付近の周波数帯域に大きなパワーを持つ道路交通騒音等の雑音が存在する環境下においても、当該雑音の影響を排除しつつ、音声検出を実現することができる。その上で、本実施形態によれば、入力信号Ｘ（ｚ）の周波数スペクトルに含まれる雑音成分のピークαと音声成分のピークβおよびγとの性質の差異に着目して、これらのピークα，βおよびγを強調し、さらに、このピーク強調後の周波数スペクトルから雑音成分のピークαのみを除去して、音声成分のピークβおよびγを捉えることで、音声検出を実現している。従って、道路交通騒音のみならず、それ以外の雑音の影響をも排除することができ、ひいては当該雑音の影響を受け易い上述の従来技術よりも正確な音声検出を実現することができる。これは、特に防犯用途において人間の悲鳴や叫び声等を適確に検出するのに好適である。

なお、このような音声検出装置１０は、例えばＣＰＵ（Central Processing
Unit）や当該ＣＰＵとＤＳＰ（Digital Signal Processor）との組合せによって実現される。また、これらのＣＰＵやＤＳＰにとっては、比較的に少ない処理量で上述した要領による音声検出が可能であるので、当該ＣＰＵやＤＳＰとして比較的に廉価なものを採用することができ、特にＤＳＰとしては固定小数点型のものを採用することができる。さらに、入力信号Ｘ（ｚ）を得るためのサンプリング周波数を、上述した３２ｋＨｚよりも低減することができ、例えば１２ｋＨｚにダウンサンプリングすることができる。このこともまた、ＣＰＵやＤＳＰの廉価化に大きく貢献する。

本実施形態においては、防犯用途に本発明を適用する場合について説明したが、これに限らない。即ち、音声成分と雑音成分とが混在する入力信号Ｘ（ｚ）から当該音声成分のみを検出する必要性がある用途であれば、本発明を適用することができる。

また、離散フーリエ変換の周波数帯域を制限することで、結果的に、第１フォルマントが音声検出の対象が外れるようにしたが、これに限らない。即ち、当該第１フォルマントを音声検出の対象から外すための別の手段、例えばローパスフィルタ等の周波数制限手段、を採用してもよい。

さらに、線形予測誤差フィルタ３０として、図５に示した格子型のＦＩＲフィルタを採用したが、トランスバーサル型等の他構成のフィルタを採用してもよい。この場合、逆フィルタについても、当該線形予測誤差フィルタ３０と共役な構成のフィルタを採用するのが肝要である。ただし、格子型のフィルタを採用することで、多大な利点が得られることは、上述した通りである。

そして、スペクトルサブトラクション５０として、図１０に示した構成のものを採用したが、これに限らない。特に、雑音成分のピークαを推定するための手段として、移動平均回路５０２以外のものを採用してもよい。

１０ 音声検出装置
２０ 平坦化回路
３０ 線形予測誤差フィルタ
４０ 逆フィルタ
５０ スペクトルサブトラクション

Claims (7)

1. 音声成分と雑音成分とが混在する入力信号から該音声成分を検出する音声検出装置において、
   上記入力信号の周波数スペクトルのピークを強調するピーク強調手段と、
   上記ピーク強調手段によって上記ピークが強調された後の強調後スペクトルのうち上記雑音成分に対応する雑音スペクトルを推定する雑音推定手段と、
   上記強調後スペクトルから上記雑音スペクトルを差し引く差引手段と、
   を具備することを特徴とする、音声検出装置。
2. 上記ピーク強調手段は、過去の上記入力信号に基づいて現在の該入力信号を予測する予測手段と、該予測手段による演算式の逆演算式により上記入力信号を処理することで上記ピークを強調する強調実行手段と、を含む、
   請求項１に記載の音声検出装置。
3. 上記予測手段は線形予測誤差フィルタを含み、
   上記強調実行手段は上記線形予測誤差フィルタの逆フィルタを含む、
   請求項２に記載の音声検出装置。
4. 上記線形予測誤差フィルタおよび上記逆フィルタのそれぞれは格子型である、
   請求項３に記載の音声検出装置。
5. 上記雑音推定手段は上記強調後スペクトルを時間平均することで上記雑音スペクトルを推定する、
   請求項１ないし４のいずれかに記載の音声検出装置。
6. 上記ピークが維持される程度に上記入力信号の上記周波数スペクトルを平坦化する平坦化手段をさらに備え、
   上記ピーク強調手段は上記平坦化手段によって平坦化された後の平坦化後スペクトルの上記ピークを強調する、
   請求項１ないし５のいずれかに記載の音声検出装置。
7. 上記平坦化手段は上記ピークに追随するのに不十分な低い周波数分解能を持つ低分解能フィルタを含む、
   請求項６に記載の音声検出装置。

Images