JP2012093594A

JP2012093594A - 音声出力装置

Info

Publication number: JP2012093594A
Application number: JP2010241588A
Authority: JP
Inventors: Kazuhiro Satoyoshi; 一浩里吉; Yoshifumi Oizumi; 好史大泉
Original assignee: Yamaha Corp
Current assignee: Yamaha Corp
Priority date: 2010-10-28
Filing date: 2010-10-28
Publication date: 2012-05-17
Anticipated expiration: 2030-10-28
Also published as: JP5740914B2

Abstract

【課題】カクテルパーティ効果を適切に抑制することができる音声出力装置を提供する。
【解決手段】マイク１は、話者Ｈ１の音声を収音し、音声処理装置３に出力する。音声処理装置３は、マイク１の各マイクで収音した話者Ｈ１の音声に基づいて、当該話者Ｈ１の音声をマスクするためのマスカ音を生成し、スピーカアレイ２に出力する。このとき、音声処理装置３は、スピーカアレイ２の各スピーカに供給する音声信号の遅延量を動的に変化させることで、第三者Ｈ３が知覚する音源の位置（仮想音源位置）を動的に変化させる。
【選択図】図４

Description

この発明は、マスカ音を出力する音声出力装置に関するものである。

従来、オフィス等において、パーティションにスピーカを取り付け、話者の音声と関連性の低い音声をマスカ音として出力することにより、近接する他の空間に存在する人に話者の音声を聞き取り難くしたものが提案されている（例えば、特許文献１参照）。これにより、話者の発言内容を理解し難くなくなるため、話者のプライバシーが保つことができる。

特開平０６−１７５６６６号公報

しかし、特許文献１の方式では、マスカ音の出力位置が固定されているため、聴取者がマスカ音に耳慣れし、いわゆるカクテルパーティ効果により、話者の音声を聞き分けて発言内容を理解してしまうおそれがある。

そこで、本発明は、カクテルパーティ効果を適切に抑制することができる音声出力装置を提供することを目的とする。

この発明の音声出力装置は、マスカ音を生成するマスカ音生成部と、マスカ音を出力する複数のスピーカと、マスカ音の定位位置を制御し、マスカ音に係る音声信号を前記複数のスピーカに供給する定位制御部と、を備えている。そして、定位制御部は、マスカ音の定位位置を動的に変化させることを特徴とする。具体的には、定位制御部は、所定の位置を中心とした所定範囲内で定位位置をランダムに変化させる。定位位置を変化させるには、複数のスピーカに供給する音声信号の遅延量を変化させることで実現可能である。

また、定位制御部は、前記所定の位置を中心として、当該中心位置を最も高い確率で定位位置に設定し、当該中心位置から離れるにしたがって低い確率で定位位置を設定するように、前記定位位置を動的に変化させることも可能である。例えば、ガウス分布に従った確率で定位位置を動的に変化させる。定位位置は、実際の話者の位置に近いほうが話者の音源位置とマスカ音の音源位置が離れず、マスキング効果が高くなる。ただし、第三者にとってマスカー音が常に同じ方向から聞こえると耳慣れを起こし、カクテルパーティー効果によって話者の音声を聞き分けて発言内容を理解してしまう。そこで、マスキング効果を高く保ちつつも、カクテルパーティー効果を抑制するために、音源位置を動的に変化させ、かつ、話者の位置に近いところで定位位置の出現確率が高く、離れるにしたがって出現確率が低くなるように設定することが好ましい。

また、マスカ音は、どの様な音であってもよいが、話者の音声を収音するマイクを備え、マイクで収音した音声に基づいてマスカ音を生成することが望ましい。例えば、話者の発話音声を所定時間保持し、時間軸上あるいは周波数軸上で改変し、語彙的に何ら意味をなさない（会話内容が理解できない）ようにしたものを用いる。あるいは、男性および女性を含む複数人の音声で、かつ語彙的に何ら意味をなさない汎用的な発話音声を出力するか、この汎用的な音声のフォルマント等の周波数特性を話者の音声に近似させたものとしてもよい。

この場合、音声出力装置は、マスカ音に係る音声がスピーカからマイクに至るエコー成分を疑似した疑似エコー信号をマイクで収音した音声からキャンセルし、マスカ音生成部に供給するエコーキャンセラを備えていることが望ましい。これにより、スピーカから出力され、マイクに回り込んだマスカ音を除去することができ、話者の音声だけに基づいてマスカ音を生成することができる。

この発明によれば、マスカ音の出力位置が動的に変化するため、カクテルパーティ効果を適切に抑制することができる。

マスキングシステムの構成を示す配置図である。マイク、スピーカアレイ、および音声処理装置の構成を示すブロック図である。スピーカアレイによる仮想音源定位手法を示す図である。仮想音源位置の動的変化を説明する図である。音声処理装置の動作を示すフローチャートである。エコーキャンセラを備えた場合の音声処理装置の構成を示すブロック図である。

図１は、本発明の音声出力装置を備えたマスキングシステムの構成を示す配置図である。マスキングシステムは、例えば銀行や調剤薬局等の対話カウンターに設置され、カウンターを挟んで会話を行う者の発言内容を第三者に理解できないようにするマスカ音を当該第三者に対して放音するものである。

図１においては、カウンターを挟んで話者Ｈ１と聴取者Ｈ２が存在し、カウンターから離れた位置に複数の第三者Ｈ３が存在する。話者Ｈ１は、例えば薬の説明を行う薬剤師であり、聴取者Ｈ２は薬の説明を聞く患者であり、第三者Ｈ３は順番待ちの患者である。

カウンターの上面にはマイク１が設置されている。マイク１は、カウンター周囲の音声をとして、主に話者Ｈ１の音声を収音する。カウンターの第三者の存在する方向（紙面下方向）には、この第三者に向かって音声を出力するスピーカアレイ２が設置されている。なお、スピーカアレイ２は、机の下等、聴取者Ｈ２にスピーカアレイの出力した音声が聞こえにくいように設置されている。

マイク１とスピーカアレイ２は、音声処理装置３に接続されている。マイク１は、話者Ｈ１の音声を収音し、音声処理装置３に出力する。音声処理装置３は、マイク１で収音した話者Ｈ１の音声に基づいて、当該話者Ｈ１の音声をマスクするためのマスカ音を生成し、スピーカアレイ２に出力する。このとき、音声処理装置３は、スピーカアレイ２の各スピーカに供給する音声信号の遅延量を制御することで、第三者Ｈ３が知覚するマスカ音の音源位置（仮想音源位置）を動的に変化させる。これにより、第三者Ｈ３には、マスカ音の音源位置が常に移動している様に聞こえることになり、耳慣れによるカクテルパーティ効果を適切に抑制することができる。

以下、上記のマスキングシステムを実現するための具体的な構成、動作について説明する。図２は、マイク１、スピーカアレイ２、および音声処理装置３の構成を示すブロック図である。音声処理装置３は、Ａ／Ｄコンバータ５１、制御部７２、マスカ音生成部７３、遅延処理部８、Ｄ／Ａコンバータ６１〜Ｄ／Ａコンバータ６８を備えている。スピーカアレイ２は、８つのスピーカ２１〜スピーカ２８を備えている。なお、スピーカアレイのスピーカの数は、この例に限るものではない。

Ａ／Ｄコンバータ５１は、マイク１で収音した音声を入力し、デジタル音声信号に変換する。Ａ／Ｄコンバータ５１で変換された各デジタル音声信号は、マスカ音生成部７３に入力される。

マスカ音生成部７３は、入力されたデジタル音声信号に係る話者音声に基づいて、この話者音声をマスクするためのマスカ音を生成する。マスカ音は、どの様な音であってもよいが、カウンターから離れた位置に存在する複数の第三者Ｈ３の不快感を抑えたものであることが好ましい。例えば、話者Ｈ１の発話音声を所定時間保持し、時間軸上あるいは周波数軸上で改変し、語彙的に何ら意味をなさない（会話内容が理解できない）ようにしたものを用いる。あるいは、男性および女性を含む複数人の音声で、かつ語彙的に何ら意味をなさない汎用的な発話音声を内蔵記憶部（不図示）に記憶しておき、この汎用的な音声を出力するか、汎用的な音声のフォルマント等の周波数特性を話者Ｈ１の音声に近似させたものとしてもよい。また、マスカ音には、空調音のような背景音を混ぜてもよい。第三者Ｈ３は、このようなマスカ音を話者Ｈ１の音声と同時に聞くことで、話者Ｈ１の発言内容が理解し難くなる。生成されたマスカ音は、遅延処理部８の各ディレイ８１〜ディレイ８８に出力される。

遅延処理部８のディレイ８１〜ディレイ８８は、それぞれスピーカアレイ２のスピーカ２１〜スピーカ２８に対応して設けられており、各スピーカに供給する音声信号の遅延量を個別に変更するものである。ディレイ８１〜ディレイ８８の遅延量は、制御部７２によって制御される。

制御部７２は、ディレイ８１〜ディレイ８８の遅延量を制御することで、所定の位置に仮想音源を設定することができる。図３は、スピーカアレイによる仮想音源定位手法を示す図である。

同図に示すように、制御部７２は、所定の位置（例えば話者Ｈ１の位置）に仮想音源Ｖを設定する。仮想音源Ｖからスピーカアレイ２の各スピーカまでの距離は、それぞれ異なるが、最も仮想音源Ｖに近いスピーカ（同図ではスピーカ２１）から順にマスカ音を出力し、時間経過とともにスピーカ２２から順にスピーカ２８まで音声を出力することで、カウンターから離れた位置に存在する複数の第三者Ｈ３には、焦点となる仮想音源位置から等距離の位置（図中点線で示すスピーカの位置）にスピーカが存在し、これら仮想的なスピーカの位置から同時にマスカ音が放音されるように知覚させることができる。よって、第三者Ｈ３は、仮想的に話者Ｈ１の位置からマスカ音が発せられたように知覚することになる。

ここで、制御部７２は、各スピーカに供給するマスカ音の音声信号の遅延量を動的に変化させることで、仮想音源Ｖの位置を動的に変化させる。図４は、仮想音源位置の動的変化を説明する図である。同図においては、第三者Ｈ３から見て話者Ｈ１に向かって右側に仮想音源Ｖ１の位置を設定する状態から、話者Ｈ１に向かって左側の仮想音源Ｖ２の位置を変化させる例を示す。

制御部７２は、所定時間経過毎（例えば１秒経過毎）に、ディレイ８１〜ディレイ８８の遅延量を変更する。例えば、図４の様に、第三者Ｈ３から見て話者Ｈ１に向かって右側に存在する仮想音源Ｖ１を設定する場合は、向かって右側のスピーカ２１に供給する音声信号の遅延量を小さく、向かって左側のスピーカ２８に供給する音声信号の遅延量を大きく設定しているが、向かって左側に存在する仮想音源Ｖ２を設定する場合は、スピーカ２１に供給する音声信号の遅延量を大きく、スピーカ２８に供給する音声信号の遅延量を小さく設定する。すると、第三者Ｈ３は、マスカ音の出力位置が仮想音源Ｖ１の位置から仮想音源Ｖ２の位置に移動したように知覚することになる。このため、同じマスカ音が出力されていても、音源位置が変化し、話者Ｈ１との合成音（同時に聞いた音）が変化して聞こえることになる。そのため、カウンターから離れた位置に存在する複数の第三者Ｈ３の耳慣れを防止し、カクテルパーティ効果を適切に抑制することができる。

また、同図の例では、制御部７２は、中心位置Ｓ（同図の例ではマイク１の位置に一致する。）を中心とした円の内側に移動領域Ｚを設定し、この移動領域Ｚ内で仮想音源の位置をランダムに変化させる。無論、この移動領域Ｚ外に仮想音源を設定してもよいが、話者Ｈ１の位置から離れるにしたがって、聴取者はマスカ音と話者Ｈ１との定位位置を別の位置と知覚しやすくなり、マスキング効果が低くなるため、話者Ｈ１に近い位置からある程度の範囲内で変化させ、カクテルパーティ効果を抑制することが望ましい。

さらに、制御部７２は、当該中心位置Ｓに仮想音源位置を設定する確率を最も高くし、当該中心位置Ｓから離れるにしたがって低い確率で設定するように、仮想音源位置を動的に変化させることも可能である。例えば、ガウス分布に従った確率で仮想音源位置を動的に変化させる。図４の例では、移動領域Ｚ内において、黒い位置ほど高い確率で仮想音源位置が出現し、白い位置ほど低い確率で仮想音源位置が出現する態様としている。話者Ｈ１の位置に近いほうがマスキング効果を高くすることができるため、話者Ｈ１の位置に近いところで仮想音源の出現確率を高くし、離れるにしたがって出現確率を低くなるように設定する。

なお、中心位置Ｓは、マイクの位置や話者の位置を想定して予め設定しておいてもよいが、スピーカアレイの後方の任意の位置（例えばスピーカアレイの中心から０．５ｍ程度後方）とし、移動領域Ｚは、半径１ｍ等の任意の値に設定しておいてもよいし、ユーザが操作を行う操作部（不図示）を設け、ユーザからの手動入力を受け付ける態様であってもよい。また、スピーカアレイの幅に応じて自動的に設定してもよい。例えば、スピーカアレイの端部スピーカ２１およびスピーカ２８を結ぶ直線を設定し、この直線を長辺とし、スピーカ２１、スピーカ２８、および中心位置Ｓを結ぶ直角三角形や正三角形を設定する。そして、移動領域Ｚの円の半径をスピーカ２１（またはスピーカ２８）と中心位置Ｓとの距離に設定する。

次に、図５は、音声処理装置３の動作を示すフローチャートである。音声処理装置３は、初回起動時（電源オン時）にこの動作を開始し、以後所定時間経過毎（例えば１秒経過毎）にもこの動作を行う。まず、音声処理装置３は、話者音声が収音されるまで待機する（ｓ１１）。例えば、有音と判定できる程度の所定レベル以上の音声が収音されたとき、話者音声が収音されたと判断する。話者音声が収音されず、会話を行っていない場合、マスカ音は不要であるため、マスカ音の生成、定位処理を待機する態様とする。ただし、この処理を省略し、常にマスカ音の生成、定位処理を行う態様としてもよい。

音声処理装置３は、話者音声が収音された場合、マスカ音生成部７３によってマスカ音の生成を行う（ｓ１２）。なお、マスカ音は、収音した話者音声のレベルに応じて音量が変化する態様であることが望ましい。収音した話者音声のレベルが低い場合、第三者Ｈ３に低いレベルで話者音声が到達し、会話内容を把握し難いため、マスカ音のレベルも低くすることができる。一方で、収音した話者音声のレベルが高い場合、第三者Ｈ３には話者音声が高いレベルで到達し、会話内容を把握しやすいため、マスカ音のレベルも高くするほうが好ましい。また、仮想音源位置が動的に変化する瞬間にマスカ音のレベルに変化を与え、第三者Ｈ３に仮想音源の位置が少しずつ変化するよう知覚させ、不快感を低減するようにしてもよい。

そして、音声処理装置３は、マスカ音の定位位置がランダムに変化するように制御部７２で遅延量の設定を行う（ｓ１３）。例えば、図４に示したように、中心位置Ｓ（話者Ｈ１に近い位置）から所定範囲内（移動領域Ｚ内）で中心に近いほど高い確率で、中心から離れるに従って低い確率で仮想音源位置が出現するように、各スピーカに供給する音声信号の遅延量を動的に変化させる。

以上のようにして、音声処理装置３は、マスカ音の仮想音源位置を動的に変化させることにより、第三者Ｈ３には、マスカ音が常に移動しているように聞こえることになり、カクテルパーティ効果を適切に抑制することができる。

なお、図６に示すように、音声処理装置３は、エコーキャンセラを備えていてもよい。図６は、エコーキャンセラを備えた場合の音声処理装置３の構成を示すブロック図である。図１と共通する構成については同じ記号を付し、その説明を省略する。

この例における音声処理装置３は、Ａ／Ｄコンバータ５１から出力された音声信号を入力するエコーキャンセラ７５を備えている。エコーキャンセラ７５は、マスカ音生成部７３からマスカ音に係る音声信号を入力し、スピーカからマイクに至る音響伝達系の伝達特性を模擬した適応型フィルタを用いてマスカ音に係る音声信号をフィルタ処理し、Ａ／Ｄコンバータ５１から入力された信号に減算処理することでエコー成分を削減する。また、エコーキャンセラ７５は、スピーカアレイのスピーカユニットの数だけ設ける態様であってもよい。スピーカからマイクに至る音響伝達系（エコーパス）は、各スピーカの数だけ存在することになるため、理想的にはスピーカ毎のエコーパスを推定した適応型フィルタを設け、各スピーカに供給する音声信号をフィルタ処理してエコー成分を推定し、減算することが望ましい。

なお、音声処理装置３は、本実施形態に示したマスキングシステムに専用の装置でなくとも、一般的なパーソナルコンピュータ等の情報処理装置のハードウェアおよびソフトウェアを用いて実現可能である。

なお、本実施形態では、話者Ｈ１の音声を収音するマイクを１つ設ける例を示したが、マイクの数は複数であってもよい。また、複数のマイクを配列したマイクアレイを設ける態様であってもよい。この場合、マイクアレイの各マイクが収音した音声の位相差を検出することで、話者Ｈ１の位置を検出することができ、上述の中心位置Ｓや移動領域Ｚを、検出した話者Ｈ１の位置（あるいは話者Ｈ１に近い位置）に設定することができる。

また、位置特定の手段としては、画像認識やセンサを用いるなど音声以外の情報を元とした手法であってもよい。

Ｈ１…話者
Ｈ２…聴取者
Ｈ３…第三者
１…マイク
２…スピーカアレイ
３…音声処理装置

Claims

マスカ音を生成するマスカ音生成部と、
前記マスカ音を出力する複数のスピーカと、
前記マスカ音の定位位置を制御し、マスカ音に係る音声信号を前記複数のスピーカに供給する定位制御部と、
を備え、
前記定位制御部は、前記マスカ音の定位位置を動的に変化させることを特徴とする音声出力装置。
前記定位制御部は、所定の位置を中心とした所定範囲内で前記定位位置をランダムに変化させる請求項１に記載の音声出力装置。
前記定位制御部は、前記所定の位置を中心として、当該中心位置を最も高い確率で定位位置に設定し、当該中心位置から離れるにしたがって低い確率で定位位置を設定するように、前記定位位置を動的に変化させることを特徴とする請求項１または２に記載の音声出力装置。
話者の音声を収音するマイクを備え、
前記マスカ音生成部は、前記マイクで収音した音声に基づいて前記マスカ音を生成する請求項１〜３のいずれかに記載の音声出力装置。
前記マスカ音に係る音声が前記スピーカから前記マイクに至るエコー成分を疑似した疑似エコー信号を前記マイクで収音した音声からキャンセルし、前記マスカ音生成部に供給するエコーキャンセラを備えた請求項４に記載の音声出力装置。