JP2013181899A - 音声解析装置、音声解析システムおよびプログラム - Google Patents

Abstract

【課題】発話者と発話者の音声が届く位置にいる他者との間の距離を、より良好に把握することができる音声解析装置等を提供する。
【解決手段】装着者に配され音声を取得するとともに装着者のうち少なくとも１人については装着者の口からの距離が異なる位置に複数配されるマイクロフォンから音声の音声信号に関する情報を受信する音声情報受信部と、複数の装着者から取得した音声の音声信号に関する情報から音声の同調性を判別する同調性判別部と、音声の同調性が存在すると判別されるとともに装着者の口からの距離が異なる位置に配される複数のマイクロフォンにより取得された音声の音声信号の比較結果に基づき音声が自己発話であると識別された場合に、発話者と他者に配されたマイクロフォンに取得された音声の音圧から発話者を基準とした他者との距離を導出する距離導出部と、を備えることを特徴とするホスト装置２０。
【選択図】図１

Description

本発明は、音声解析装置、音声解析システムおよびプログラムに関する。

特許文献１には、建物形状、パーティションおよび騒音源のデータを入力する手段と、これらのデータに基づいて室内の多数の受音点における音圧レベルおよび明瞭度を演算する手段と、前記多数の受音点における音圧レベル分布図および明瞭度分布図を作成する手段とを備える室内音環境評価システムが開示されている。

特開平７−２８４８１号公報

本発明は、発話者と発話者の音声が届く位置にいる他者との間の距離を、発話者の位置があらかじめ分かっていなくても、音の減衰から把握可能にすることを目的とする。

請求項１に記載の発明は、装着者に配され音声を取得するとともに装着者のうち少なくとも１人については装着者の口からの距離が異なる位置に複数配される音声取得手段から音声の音声信号に関する情報を受信する音声情報受信部と、前記音声情報受信部により複数の装着者から取得した前記音声の音声信号に関する情報から音声の同調性を判別する同調性判別部と、前記同調性判別部により音声の同調性が存在すると判別されるとともに装着者の口からの距離が異なる位置に配される前記複数の音声取得手段によりそれぞれ取得された音声の音声信号の比較結果に基づき音声が自己発話であると識別された場合に、発話者に配された前記音声取得手段に取得された音声の音圧と他者に配された当該音声取得手段に取得された音声の音圧から発話者を基準とした他者との距離を導出する距離導出部と、を備えることを特徴とする音声解析装置である。

請求項２に記載の発明は、前記音声取得手段のうち装着者の口からの距離が互いに異なる２つの当該音声取得手段で取得される音声の音圧差に基づいて、当該音声取得手段により取得された音声が装着者の発話音声か装着者以外の発話音声かを識別する自他識別部をさらに備えることを特徴とする請求項１に記載の音声解析装置である。
請求項３に記載の発明は、前記音声取得手段に他者の音声が到達する時間差および当該音声取得手段が離間する距離から導出される装着者と他者の向き合う角度である対面角度から、他者の三次元位置を導出するための数値計算の初期値を選択する初期値選択手段と、前記初期値選択手段により選択された初期値を用いた数値計算により他者の三次元位置を導出する位置導出手段と、をさらに備え、前記初期値選択手段は、前記距離導出部により導出された発話者と他者との距離を利用して前記初期値を選択することを特徴とする請求項１または２に記載の音声解析装置である。

請求項４に記載の発明は、装着者に配され音声を取得するとともに装着者のうち少なくとも１人については装着者の口からの距離が異なる位置に複数配される音声取得手段と、前記音声取得手段により取得された音声の音声信号に関する情報を送信する音声情報送信部と、前記音声情報送信部により送信された音声の音声信号に関する情報を受信する音声情報受信部と、前記音声情報受信部により複数の装着者から取得した前記音声の音声信号に関する情報から音声の同調性を判別する同調性判別部と、前記同調性判別部により音声の同調性が存在すると判別されるとともに装着者の口からの距離が異なる位置に配される前記複数の音声取得手段によりそれぞれ取得された音声の音声信号の比較結果に基づき音声が自己発話であると識別された場合に、発話者に配された前記音声取得手段に取得された音声の音圧と他者に配された当該音声取得手段に取得された音声の音圧から発話者を基準とした他者との距離を導出する距離導出部と、を備えることを特徴とする音声解析システムである。

請求項５に記載の発明は、コンピュータに、装着者に配され音声を取得するとともに装着者のうち少なくとも１人については装着者の口からの距離が異なる位置に複数配される音声取得手段から音声の音声信号に関する情報を受信する機能と、複数の装着者から取得した前記音声の音声信号に関する情報から音声の同調性を判別する機能と、音声の同調性が存在すると判別されるとともに装着者の口からの距離が異なる位置に配される前記複数の音声取得手段によりそれぞれ取得された音声の音声信号の比較結果に基づき音声が自己発話であると識別された場合に、発話者に配された前記音声取得手段に取得された音声の音圧と他者に配された当該音声取得手段に取得された音声の音圧から発話者を基準とした他者との距離を導出する機能と、を実現させるプログラムである。

請求項１の発明によれば、発話者と発話者の音声が届く位置にいる他者との間の距離を、発話者の位置があらかじめ分かっていなくても、音の減衰から把握することができる音声解析装置を提供できる。
請求項２の発明によれば、音声取得手段により取得された音声が装着者の発話音声か装着者以外の他者の発話音声かを識別する機能を音声解析装置で備えることができる。
請求項３の発明によれば、本発明を採用しない場合に比べ、発話者の三次元位置を求める場合に、その位置精度が向上する。
請求項４の発明によれば、発話者と発話者の音声が届く位置にいる他者との間の距離を、発話者の位置があらかじめ分かっていなくても、音の減衰から把握することができる音声解析システムを構築できる。
請求項５の発明によれば、発話者と発話者の音声が届く位置にいる他者との間の距離を、発話者の位置があらかじめ分かっていなくても、音の減衰から把握することができる機能をコンピュータにより実現できる。

本実施形態による音声解析システムの構成例を示す図である。 本実施形態における端末装置の構成例を示す図である。 装着者および他者の口（発声部位）と、マイクロフォンとの位置の関係を示す図である。 マイクロフォンと音源との間の距離と音圧（入力音量）との関係を示す図である。 装着者自身の発話音声と他者の発話音声の識別方法を示す図である。 本実施形態における端末装置の動作を示すフローチャートである。 データ解析部についてさらに詳しく説明した図である。 データ解析部の動作について説明したフローチャートである。 （ａ）〜（ｃ）は、本実施の形態において時間差Δｔ_１２を求める方法を説明した図である。 本実施の形態における対面角度について説明した図である。 第１マイクロフォンおよび第２マイクロフォンを使用して対面角度αを求める方法について説明した図である。 点Ｍ１、点Ｍ２、点Ｍ３、および点Ｓの位置関係を示した概念図である。 点Ｍ１および点Ｍ２の中点Ｃ１２を頂点とし、半頂角をαとする円錐について抜き出して説明した図である。 設置される候補点の三次元位置を示した概念図である。 初期値選択部についてさらに詳しく説明した図である。 本実施形態における初期値選択部の動作を示すフローチャートである。 本実施形態の端末装置をそれぞれ装着した複数の装着者が会話している状況を示す図である。 図１７の会話状況における各端末装置の発話情報の例を示す図である。

以下、添付図面を参照して、本発明の実施形態について詳細に説明する。
＜システム構成例＞
図１は、本実施形態による音声解析システムの構成例を示す図である。
図１に示すように、本実施形態の音声解析システム１は、端末装置１０と音声解析装置の一例であるホスト装置２０とを備えて構成される。端末装置１０とホスト装置２０とは、無線通信回線を介して接続されている。無線通信回線の種類としては、Ｗｉ−Ｆｉ（Wireless Fidelity）、Bluetooth（登録商標）、ZigBee、ＵＷＢ（Ultra Wideband）等の既存の方式による回線を用いて良い。また、図示の例では、端末装置１０が１台のみ記載されているが、詳しくは後述するように、端末装置１０は、使用者各人が装着して使用するものであり、実際には使用者数分の端末装置１０が用意される。以下、端末装置１０を装着した使用者を装着者と呼ぶ。

端末装置１０は、発話者の音声を取得するための音声取得手段として、複数のマイクロフォン（第１マイクロフォン１１ａ、第２マイクロフォン１１ｂ、および第３マイクロフォン１１ｃ）と、増幅器（第１増幅器１３ａ、第２増幅器１３ｂ、および第３増幅器１３ｃ）とを備える。また、端末装置１０は、収録した音声を解析する音声解析部１５と、解析結果をホスト装置２０に送信するためのデータ送信部１６とを備え、さらに電源部１７とを備える。

本実施の形態において、第１マイクロフォン１１ａ、第２マイクロフォン１１ｂ、第３マイクロフォン１１ｃは、予め定められた距離にて離間して配される。本実施形態の第１マイクロフォン１１ａ、第２マイクロフォン１１ｂ、および第３マイクロフォン１１ｃとして用いられるマイクロフォンの種類としては、ダイナミック型、コンデンサ型等、既存の種々のものを用いて良い。とくに無指向性のＭＥＭＳ（Micro Electro Mechanical Systems）型マイクロフォンが好ましい。

第１増幅器１３ａ、第２増幅器１３ｂ、および第３増幅器１３ｃは、第１マイクロフォン１１ａ、第２マイクロフォン１１ｂ、および第３マイクロフォン１１ｃが取得音声に応じて出力する電気信号（音声信号）を増幅する。本実施形態の第１増幅器１３ａ、第２増幅器１３ｂ、および第３増幅器１３ｃとして用いられる増幅器としては、既存のオペアンプ等を用いて良い。

音声解析部１５は、第１増幅器１３ａおよび第２増幅器１３ｂから出力された音声信号を解析する。そして、第１マイクロフォン１１ａおよび第２マイクロフォン１１ｂで取得した音声が端末装置１０を装着した装着者自身が発話した音声か、他者の発話による音声かを識別する。すなわち、音声解析部１５は、第１マイクロフォン１１ａおよび第２マイクロフォン１１ｂで取得した音声に基づき、音声の発話者を識別する自他識別部として機能する。音声識別のための具体的な処理の内容については後述する。

データ送信部１６は、音声解析部１５による解析結果を含む取得データと端末のＩＤを、上記の無線通信回線を介してホスト装置２０へ送信する。ホスト装置２０へ送信する情報としては、ホスト装置２０において行われる処理の内容に応じて、上記の解析結果の他、例えば、第１マイクロフォン１１ａ、第２マイクロフォン１１ｂ、第３マイクロフォン１１ｃによる音声の取得時刻、取得音声の音圧等の情報を含めて良い。また端末装置１０に音声解析部１５による解析結果を蓄積するデータ蓄積部を設け、一定期間の保存データを一括送信しても良い。なお有線回線で送信しても良い。本実施の形態では、データ送信部１６は、第１マイクロフォン１１ａ、第２マイクロフォン１１ｂ、第３マイクロフォン１１ｃにより取得された音声の音声信号に関する情報を送信する音声情報送信部として機能する。

電源部１７は、上記の第１マイクロフォン１１ａ、第２マイクロフォン１１ｂ、および第３マイクロフォン１１ｃ、第１増幅器１３ａ、第２増幅器１３ｂ、第３増幅器１３ｃ、音声解析部１５およびデータ送信部１６に電力を供給する。電源としては、例えば乾電池や充電池等の既存の電源が用いられる。また、電源部１７は、必要に応じて、電圧変換回路および充電制御回路等の周知の回路を含む。｀

ホスト装置２０は、端末装置１０から送信されたデータを受信するデータ受信部２１と、受信したデータを蓄積するデータ蓄積部２２と、蓄積したデータを解析するデータ解析部２３と、解析結果を出力する出力部２４とを備える。このホスト装置２０は、例えばパーソナルコンピュータ等の情報処理装置により実現される。また、上記のように本実施形態では複数台の端末装置１０が使用され、ホスト装置２０は、その複数台の端末装置１０の各々からデータを受信する。

データ受信部２１は、上記の無線回線に対応しており、各端末装置１０からデータを受信してデータ蓄積部２２へ送る。本実施形態ではデータ受信部２１は、データ送信部１６により出力された音声信号に関する情報を受信する音声情報受信部として機能する。データ蓄積部２２は、例えばパーソナルコンピュータの磁気ディスク装置等の記憶装置により実現され、データ受信部２１から取得した受信データを発話者別に蓄積する。ここで、発話者の識別は、端末装置１０から送信される端末ＩＤと、あらかじめホスト装置２０に登録されている発話者名と端末ＩＤの照合により行う。また、端末装置１０から端末ＩＤの代わりに、装着者名を送信するようにしておいても良い。

データ解析部２３は、例えばパーソナルコンピュータのプログラム制御されたＣＰＵにより実現され、データ蓄積部２２に蓄積されたデータを解析する。具体的な解析内容および解析手法は、本実施形態のシステムの利用目的や利用態様に応じて種々の内容および手法を取り得る。例えば、端末装置１０の装着者どうしの対話頻度や各装着者の対話相手の傾向を分析したり、対話における個々の発話の長さや音圧の情報から対話者の関係を類推したりすることが行われる。また本実施の形態では、詳しくは後述するがデータ解析部２３において発話者の三次元位置を導出する。

出力部２４は、データ解析部２３による解析結果を出力したり、解析結果に基づく出力を行ったりする。この解析結果等を出力する手段は、システムの利用目的や利用態様、解析結果の内容や形式等に応じて、ディスプレイ表示、プリンタによる印刷出力、音声出力等、種々の手段を取り得る。

＜端末装置の構成例＞
図２は、端末装置１０の構成例を示す図である。
上記のように、端末装置１０は、各使用者に装着されて使用される。使用者が装着可能とするため、本実施形態の端末装置１０は、図２に示すように、装置本体３０と、装置本体３０に接続された提げ紐４０とを備えた構成とする。図示の構成において、使用者は、提げ紐４０に首を通し、装置本体３０を首から提げて装着する。

装置本体３０は、金属や樹脂等で形成された薄い直方体のケース３１に、少なくとも第１増幅器１３ａ、第２増幅器１３ｂ、第３増幅器１３ｃ、音声解析部１５、データ送信部１６および電源部１７を実現する回路と電源部１７の電源（電池）とを収納して構成される。また本実施の形態では、ケース３１に第３マイクロフォン１１ｃが設けられる。さらにケース３１には、装着者の氏名や所属等のＩＤ情報を表示したＩＤカード等を挿入するポケットを設けても良い。また、ケース３１自体の表面にそのようなＩＤ情報等を記載しても良い。

提げ紐４０には、第１マイクロフォン１１ａ、第２マイクロフォン１１ｂが設けられる（以下、第１マイクロフォン１１ａ、第２マイクロフォン１１ｂ、および第３マイクロフォン１１ｃをそれぞれ区別しない場合には、マイクロフォン１１ａ、１１ｂ、１１ｃと記載）。提げ紐４０の材質としては、革、合成皮革、木綿その他の天然繊維や樹脂等による合成繊維、金属等、既存の種々の材質を用いて良い。また、シリコン樹脂やフッ素樹脂等を用いたコーティング処理が施されていても良い。

この提げ紐４０は、筒状の構造を有し、提げ紐４０の内部にマイクロフォン１１ａ、１１ｂを収納している。マイクロフォン１１ａ、１１ｂを提げ紐４０の内部に設けることにより、マイクロフォン１１ａ、１１ｂの損傷や汚れを防ぎ、対話者がマイクロフォン１１ａ、１１ｂの存在を意識することが抑制される。本実施の形態では、この環形状の提げ紐４０を首に掛けることで装置本体３０を使用者である装着者に装着するようにしている。

＜収録音声の非言語情報に基づく発話者（自他）の識別＞
次に、本実施形態における発話者の識別方法について説明する。
本実施形態のシステムは、端末装置１０に設けられた２つのマイクロフォン１１ａ、１１ｃにより収録された音声の情報を用いて、端末装置１０の装着者自身の発話音声と他者の発話音声とを識別する。言い換えれば、本実施形態は、収録音声の発話者に関して自他の別を識別する。また、本実施形態では、収録音声の情報のうち、形態素解析や辞書情報を用いて得られる言語情報ではなく、音圧（マイクロフォン１１ａ、１１ｃへの入力音量）等の非言語情報に基づいて発話者を識別する。言い換えれば、言語情報により特定される発話内容ではなく、非言語情報により特定される発話状況から音声の発話者を識別する。

図１および図２を参照して説明したように、本実施形態において、端末装置１０の第３マイクロフォン１１ｃは装着者の口（発声部位）から遠い位置に配置され、第１マイクロフォン１１ａは装着者の口（発声部位）に近い位置に配置される。すなわち、装着者の口（発声部位）を音源とすると、第３マイクロフォン１１ｃと音源との間の距離と、第１マイクロフォン１１ａと音源との間の距離が大きく異なる。具体的には、第３マイクロフォン１１ｃと音源との間の距離は、第１マイクロフォン１１ａと音源との間の距離の１．５〜４倍程度である。ここで、マイクロフォン１１ａ、１１ｃにおける収録音声の音圧は、マイクロフォン１１ａ、１１ｃと音源との間の距離が大きくなるにしたがって減衰（距離減衰）する。したがって、装着者の発話音声に関して、第３マイクロフォン１１ｃにおける収録音声の音圧と第１マイクロフォン１１ａにおける収録音声の音圧とは大きく異なる。

一方、装着者以外の者（他者）の口（発声部位）を音源とした場合を考えると、その他者が装着者から離れているため、第３マイクロフォン１１ｃと音源との間の距離と、第１マイクロフォン１１ａと音源との間の距離は、大きく変わらない。装着者に対する他者の位置によっては、両距離の差は生じ得るが、装着者の口（発声部位）を音源とした場合のように、第３マイクロフォン１１ｃと音源との間の距離が第１マイクロフォン１１ａと音源との間の距離の数倍となることはない。したがって、他者の発話音声に関して、第３マイクロフォン１１ｃにおける収録音声の音圧と第１マイクロフォン１１ａにおける収録音声の音圧とは、装着者の発話音声の場合のように大きく異なることはない。

図３は、装着者および他者の口（発声部位）と、マイクロフォン１１ａ、１１ｃとの位置の関係を示す図である。
図３に示す関係において、装着者の口（発声部位）である音源ａと第３マイクロフォン１１ｃとの間の距離をＬａ３、音源ａと第１マイクロフォン１１ａとの間の距離をＬａ１とする。また、他者の口（発声部位）である音源ｂと第３マイクロフォン１１ｃとの間の距離をＬｂ３、音源ｂと第１マイクロフォン１１ａとの間の距離をＬｂ１とする。この場合、次の関係が成り立つ。
Ｌａ３＞Ｌａ１（Ｌａ３≒１．５×Ｌａ１〜４×Ｌａ１）
Ｌｂ３≒Ｌｂ１

図４は、マイクロフォン１１ａ、１１ｃと音源との間の距離と音圧（入力音量）との関係を示す図である。
上述したように、音圧は、マイクロフォン１１ａ、１１ｃと音源との間の距離に応じて距離減衰する。図４において、距離Ｌａ３の場合の音圧Ｇａ３と距離Ｌａ１の場合の音圧Ｇａ１とを比較すると、音圧Ｇａ１は、音圧Ｇａ３の４倍程度となっている。一方、距離Ｌｂ３と距離Ｌｂ１とが近似するため、距離Ｌｂ３の場合の音圧Ｇｂ３と距離Ｌｂ１の場合の音圧Ｇｂ１とは、ほぼ等しい。そこで、本実施形態では、この音圧比の差を用いて、収録音声における装着者自身の発話音声と他者の発話音声とを識別する。なお、図４に示した例では、距離Ｌｂ３、Ｌｂ１を６０ｃｍとしたが、ここでは音圧Ｇｂ３と音圧Ｇｂ１とがほぼ等しくなることに意味があり、距離Ｌｂ３、Ｌｂ１は図示の値に限定されない。

図５は、装着者自身の発話音声と他者の発話音声の識別方法を示す図である。
図４を参照して説明したように、装着者自身の発話音声に関して、第１マイクロフォン１１ａの音圧Ｇａ１は、第３マイクロフォン１１ｃの音圧Ｇａ３の数倍（例えば４倍程度）である。また、他者の発話音声に関して、第１マイクロフォン１１ａの音圧Ｇａ１は、第３マイクロフォン１１ｃの音圧Ｇａ３とほぼ等しい（１倍程度）。そこで、本実施形態では、第１マイクロフォン１１ａの音圧Ｇａ１と第３マイクロフォン１１ｃの音圧Ｇａ３との比に閾値を設定する。そして、音圧比が閾値よりも大きい音声は装着者自身の発話音声と判断し、音圧比が閾値よりも小さい音声は他者の発話音声と判断する。図５に示す例では、閾値を２とし、音圧比Ｇａ１／Ｇａ３は閾値２を超えるので装着者自身の発話音声と判断され、音圧比Ｇｂ１／Ｇｂ３は閾値２よりも小さいので他者の発話音声と判断されている。

ところで、マイクロフォン１１ａ、１１ｃにより収録される音声には、発話音声の他に、環境音等のいわゆる雑音（ノイズ）が含まれる。この雑音の音源とマイクロフォン１１ａ、１１ｃとの間の距離の関係は、他者の発話音声の場合と類似する。すなわち、図４、図５に示した例によれば、雑音の音源ｃと第１マイクロフォン１１ａとの間の距離をＬｃ１とし、雑音の音源ｃと第３マイクロフォン１１ｃとの間の距離をＬｃ２とすると、距離Ｌｃ１と距離Ｌｃ２とは近似する。そして、マイクロフォン１１ａ、１１ｃの収録音声における音圧比Ｇｃ１／Ｇｃ３は、閾値２よりも小さくなる。しかし、このような雑音は、バンドパスフィルタやゲインフィルタ等を用いた既存の技術によるフィルタリング処理を行うことにより発話音声から分離され、除去される。

＜端末装置の動作例＞
図６は、本実施形態における端末装置１０の動作を示すフローチャートである。
図６に示すように、端末装置１０のマイクロフォン１１ａ、１１ｃが音声を取得すると、各マイクロフォン１１ａ、１１ｃから取得音声に応じた電気信号（音声信号）が第１増幅器１３ａおよび第３増幅器１３ｃへ送られる（ステップ１０１）。第１増幅器１３ａおよび第３増幅器１３ｃは、マイクロフォン１１ａ、１１ｃからの音声信号を取得すると、信号を増幅して音声解析部１５へ送る（ステップ１０２）。

音声解析部１５は、第１増幅器１３ａおよび第３増幅器１３ｃで増幅された信号に対してフィルタリング処理を行い、信号から環境音等の雑音（ノイズ）の成分を除去する（ステップ１０３）。次に、音声解析部１５は、雑音成分が除かれた信号に対し、一定の時間単位（例えば、数十分の一秒〜数百分の一秒）毎に、各マイクロフォン１１ａ、１１ｃの収録音声における平均音圧を求める（ステップ１０４）。そして、第１マイクロフォン１１ａにおける平均音圧と第３マイクロフォン１１ｃにおける平均音圧との比（音圧比）を求める（ステップ１０５）。

次に、音声解析部１５は、ステップ１０４で求めた各マイクロフォン１１ａ、１１ｃにおける平均音圧の利得が有る場合（ステップ１０６でＹｅｓ）、発話音声が有る（発話が行われた）と判断する。そして、ステップ１０５で求めた音圧比が閾値よりも大きい場合（ステップ１０７でＹｅｓ）、音声解析部１５は、発話音声は装着者自身の発話による音声であると判断する（ステップ１０８）。また、ステップ１０５で求めた音圧比が閾値よりも小さい場合（ステップ１０７でＮｏ）、音声解析部１５は、発話音声は他者の発話による音声であると判断する（ステップ１０９）。一方、ステップ１０４で求めた各マイクロフォン１１ａ、１１ｃにおける平均音圧の利得が無い場合（ステップ１０６でＮｏ）、音声解析部１５は、発話音声が無い（発話が行われていない）と判断する（ステップ１１０）。なお、ステップ１０６の判断は、ステップ１０３のフィルタリング処理で除去しきれなかった雑音が信号に残っている場合を考慮し、平均音圧の利得の値が一定値以上の場合に、利得があると判断しても良い。音圧比を求めるステップ１０５と利得の有無を判断するステップ１０６の順序を逆にして、利得がある場合のみ音圧比を求めても良い。

この後、音声解析部１５は、データ送信部１６を介して、ステップ１０４〜ステップ１１０の処理で得られた情報（発話の有無、発話者の情報）を解析結果としてホスト装置２０へ送信させる（ステップ１１１）。このとき、発話者毎（装着者自身または他者）の発話時間の長さや平均音圧の利得の値、その他の付加情報を解析結果と共にホスト装置２０へ送信させても良い。また上述した例では、マイクロフォン１１ａ、１１ｃの組を使用したが、マイクロフォン１１ｂ、１１ｃの組を使用しても同様のことが可能である。

次に上記自他識別結果を含む音声の音声信号の情報により他者の三次元位置を求める方法について説明する。これは、本実施の形態では、ホスト装置２０のデータ解析部２３において導出される。
図７は、データ解析部２３についてさらに詳しく説明した図である。
図７に示すように、データ解析部２３は、各マイクロフォン１１ａ、１１ｂ、１１ｃに他者の音声が到達する時間差を求める時間差導出部２３１と、この時間差および各マイクロフォン１１ａ、１１ｂ、１１ｃが離間する距離から導出される装着者と他者の向き合う角度である対面角度を求める対面角度導出部２３２と、対面角度から他者の三次元位置を導出するための数値計算の初期値を選択する初期値選択手段の一例としての初期値選択部２３３と、初期値選択部２３３が初期値を選択するためのＬＵＴ（Look up Table）を格納するＬＵＴ格納部２３４と、初期値選択部２３３により選択された初期値を用いた数値計算により他者の三次元位置を導出する位置導出手段の一例としての数値計算部２３５とを備える。

図８は、データ解析部２３の動作について説明したフローチャートである。以下、図７、図８を使用してデータ解析部２３の動作について説明を行なう。

まずデータ解析部２３では、データ受信部２１により受信された音声信号に関する情報をデータ蓄積部２２を介して取得する（ステップ２０１）。次に時間差導出部２３１においてデータ受信部２１により受信された音声信号に関する情報から、詳しくは後述する方法により各マイクロフォン１１ａ、１１ｂ、１１ｃに他者の音声が到達する時間差が求められる（ステップ２０２）、具体的には、第１マイクロフォン１１ａと第２マイクロフォン１１ｂとの間の時間差Δｔ_１２、第２マイクロフォン１１ｂと第３マイクロフォン１１ｃとの間の時間差Δｔ_２３、第３マイクロフォン１１ｃと第１マイクロフォン１１ａとの間の時間差Δｔ_３１、がそれぞれ求められる。

さらに対面角度導出部２３２において、詳しくは後述する方法により、この時間差Δｔ_１２、Δｔ_２３、Δｔ_３１、およびマイクロフォン１１ａ、１１ｂ、１１ｃ同士が離間する距離に基づいて、装着者と他者の向き合う角度である対面角度を求める（ステップ２０３）。なお対面角度についても、この後、詳細に説明を行なう。具体的には、時間差Δｔ_１２と第１マイクロフォン１１ａと第２マイクロフォン１１ｂとの間の距離Ｄ_１２に基づき、対面角度αを求める。同様にして時間差Δｔ_２３と第２マイクロフォン１１ｂと第３マイクロフォン１１ｃとの間の距離Ｄ_２３に基づき、対面角度βを求め、時間差Δｔ_３１と第３マイクロフォン１１ｃと第１マイクロフォン１１ａとの間の距離Ｄ_３１に基づき、対面角度γを求める。

次に初期値選択部２３３において、ＬＵＴ格納部２３４を参照して他者の三次元位置を導出するための初期値を選択する（ステップ２０４）。この初期値の選択の方法についても、この後、詳細に説明を行なう。
そして数値計算部２３５において、選択された初期値から開始する数値計算を行い、他者の三次元位置を導出する（ステップ２０５）。
この他者の三次元位置の情報は出力部２４に出力される（ステップ２０６）。

＜マイクロフォンに他者の音声が到達する時間差を求める方法の説明＞
各マイクロフォン１１ａ、１１ｂ、１１ｃに他者の音声が到達する時間差Δｔ_１２、Δｔ_２１、Δｔ_３１は、以下のようにして求めることができる。なお以下の説明は、時間差Δｔ_１２を求める場合を例に取り説明を行なうが、時間差Δｔ_２１、Δｔ_３１についても同様の方法により求めることができる。

図９（ａ）〜（ｃ）は、本実施の形態において時間差Δｔ_１２を求める方法を説明した図である。このうち図９（ａ）は、第１マイクロフォン１１ａと第２マイクロフォン１１ｂに到達する他者の音声をサンプリング周波数１ＭＨｚでサンプリングし、そのデータの中から連続する５０００ポイントを抜き出した図である。
ここで横軸は５０００ポイントのデータにそれぞれに付けられたデータ番号を表わし、縦軸は、他者の音声の振幅を表わす。そして実線は、第１マイクロフォン１１ａに到達した他者の音声の波形信号であり、点線は、第２マイクロフォン１１ｂに到達した他者の音声の波形信号である。

本実施の形態では、この２つの波形信号の相互相関関数を求める。つまり一方の波形信号を固定し、他方の波形信号をシフトしつつ積和をとる計算を行なう。図９（ｂ）〜（ｃ）は、この２つの波形信号に対する相互相関関数を示した図である。このうち図９（ｂ）は、サンプリングした５０００ポイントのデータ全体の相互相関関数であり、図９（ｃ）は、図９（ｂ）に示した相互相関関数のピーク付近を拡大した図である。なお図９（ｂ）〜（ｃ）では、第１マイクロフォン１１ａに到達した他者の音声の波形信号を固定し、第２マイクロフォン１１ｂに到達した他者の音声の波形信号をシフトして相互相関関数を求めた場合を示している。
図９（ｃ）に示すようにデータ番号０を基準にしてピーク位置は、−２２７ポイントずれている。これは第１マイクロフォン１１ａを基準にして第２マイクロフォン１１ｂに到達する他者の音声が、この分遅延して到達することを意味する。本実施の形態においてサンプリング周波数は、上述の通り１ＭＨｚなので、サンプリングした各データ間の時間は、１×１０^−６（ｓ）である。よってこの遅延時間としては２２７×１×１０^−６（ｓ）＝２２７（μｓ）となる。つまりこの場合、時間差Δｔ_１２は、２２７（μｓ）である。

＜対面角度の説明＞
図１０は、本実施の形態における対面角度について説明した図である。
本実施の形態において対面角度とは、上述の通り端末装置１０の装着者と他者の向き合う角度である。そして図１０に本実施の形態で定義される対面角度について示している。ここでは、本実施の形態の対面角度の例として、第１マイクロフォン１１ａおよび第２マイクロフォン１１ｂを基準とする対面角度αを図示している。
本実施の形態では、対面角度αとして、２個の音声取得手段である第１マイクロフォン１１ａと第２マイクロフォン１１ｂとを結ぶ線分と、この線分の中点および他者を結ぶ線分との角度を採用する。これにより対面角度αの数学的取り扱いがより簡単になる。そしてこの定義を採用した場合、例えば、装着者と他者がそれぞれ正面を向いて対向しているときは、この二人の対面角度αは、９０°となる。
なお第２マイクロフォン１１ｂおよび第３マイクロフォン１１ｃを基準とした対面角度である対面角度β、および第３マイクロフォン１１ｃおよび第１マイクロフォン１１ａを基準とした対面角度である対面角度γも同様にして定義することができる。

＜対面角度を求める方法の説明＞
図１１は、第１マイクロフォン１１ａおよび第２マイクロフォン１１ｂを使用して対面角度αを求める方法について説明した図である。
ここで、点Ｍ１を第１マイクロフォン１１ａの位置、点Ｍ２を第２マイクロフォン１１ｂの位置であるとする。また点Ｓを他者の位置であるとする。なおここで他者の位置とは、より正確には、他者の音声の音源である発声点の位置である。そして発声点である点Ｓから発した音声は、同心円状に広がる。このとき音声は有限の速度である音速で広がるため音声が第１マイクロフォン１１ａの位置である点Ｍ１に到達した時間と第２マイクロフォン１１ｂの位置である点Ｍ２に到達した時間とは異なり、音声の行路差δ_１２に対応した時間差Δｔ_１２が生じる。そして点Ｍ１と点Ｍ２との間の距離をＤ_１２、点Ｍ１と点Ｍ２の中点Ｃ１２と点Ｓの間の距離をＬ_１２とするとこれらの間には次の（１）式が成立する。

δ₁₂＝（Ｌ₁₂ ^２＋Ｌ₁₂Ｄ₁₂cosα＋Ｄ₁₂ ^２／４）^0.5−（Ｌ₁₂ ^２−Ｌ₁₂Ｄ₁₂cosα＋Ｄ₁₂ ^２／４）^0.5 …（１）

この（１）式は、Ｌ_１２＞Ｄ_１２の場合、Ｌ_１２による影響が小さいため、下記（２）式に近似できる。

δ₁₂≒Ｄ₁₂cosα …（２）

また音速ｃと時間差Δｔ_１２を使用すると、下記（３）式が成立する。

δ₁₂＝ｃΔｔ₁₂ …（３）

つまりこの（２）式および（３）式を使用することで、対面角度αが求まる。つまり２つの音声取得手段である第１マイクロフォン１１ａと第２マイクロフォン１１ｂに他者の音声が到達する時間差Δｔ_１２および第１マイクロフォン１１ａと第２マイクロフォン１１ｂが離間する距離Ｄ_１２に基づいて、装着者と他者の向き合う角度である対面角度αを導出することができる。なお対面角度β、γも同様にして導出することができる。

＜他者の三次元位置の導出方法の説明＞
次に上述のようにして求められた対面角度α、β、γを利用して、他者の三次元位置を導出する方法の説明を行なう。
まずマイクロフォン１１ａ、１１ｂ、１１ｃの位置をそれぞれ点Ｍ１、点Ｍ２、点Ｍ３とすると、点Ｍ１、点Ｍ２、点Ｍ３を頂点とする三角形は、△Ｍ１Ｍ２Ｍ３となる。そして各頂点Ｍ１、Ｍ２、Ｍ３の三次元座標をここでは、それぞれ（ｘ_Ｍ１、ｙ_Ｍ１、ｚ_Ｍ１）、（ｘ_Ｍ２、ｙ_Ｍ２、ｚ_Ｍ２）、（ｘ_Ｍ３、ｙ_Ｍ３、ｚ_Ｍ３）とする。さらに線分Ｍ１Ｍ２の中点Ｃ１２、線分Ｍ２Ｍ３の中点Ｃ２３、線分Ｍ３Ｍ１の中点Ｃ３１の三次元座標を、それぞれ（ｘ_Ｃ１２、ｙ_Ｃ１２、ｚ_Ｃ１２）、（ｘ_Ｃ２３、ｙ_Ｃ２３、ｚ_Ｃ２３）、（ｘ_Ｃ３１、ｙ_Ｃ３１、ｚ_Ｃ３１）とする。また他者の位置である点Ｓの三次元座標を（ｘ、ｙ、ｚ）とする。

図１２は、点Ｍ１、点Ｍ２、点Ｍ３、および点Ｓの位置関係を示した概念図である。
図１２では、点Ｍ１および点Ｍ２の中点Ｃ１２を頂点とし、半頂角をαとする円錐、および点Ｍ３および点Ｍ１の中点Ｃ３１を頂点とし、半頂角をγとする円錐を実線で示している。そして上述した対面角度の定義より、点Ｓは、これらの円錐面（円錐の側面）の何れかの位置に存在することになる。
またこの関係は、点Ｍ２および点Ｍ３の中点Ｃ２３を頂点とし、半頂角をβとする円錐、についても同様のことが言える。つまり、点Ｓは、これら３つの円錐の円錐面の交点に存在する。なお図１２では、説明をわかりやすくするため、点Ｍ２および点Ｍ３の中点Ｃ２３を頂点とし、半頂角をβとする円錐については、図示していない。

また図１３は、点Ｍ１および点Ｍ２の中点Ｃ１２を頂点とし、半頂角をαとする円錐について抜き出して説明した図である。
ここで図１３において、中点Ｃ１２から円錐の底面に垂線を下ろし、中点Ｃ１２を起点としてこの垂線方向にのびるａベクトルを考える。また、中点Ｃ１２を起点として円錐面に沿った方向にのびるｒベクトルを考える。このとき点Ｍ２は、この垂線上に存在し、ａベクトルとｒベクトルのなす角度は、対面角度αである。
そしてａベクトルとｒベクトルの内積を使用してａベクトル、ｒベクトル、および対面角度αの関係を表わすと、次の（４）式、および（５）式が成立する。

また点Ｍ１、中点Ｃ１２、および点Ｓの三次元座標を使用すると、次の（６）式、（７）式、および（８）式が成立する。

この（８）式の関係を対面角度β、γについて適用すると、次の（９）式および（１０）式が成立する。

つまり他者の位置である点Ｓの三次元座標（ｘ、ｙ、ｚ）は、（８）式〜（１０）式に示した３つの式による３元２次連立方程式を解くことで求めることができる。
このように本実施の形態では、２個のマイクロフォンを結ぶ線分の中点を頂点とし対面角度を半頂角とする円錐の側面に他者の音声の音源が位置するとともに、この音源は３つの円錐の側面の交点に位置することを利用して他者の三次元位置を導出する。

しかしながら（８）式〜（１０）式の３元２次連立方程式を解析的に解くことは困難である。そのため本実施の形態では、数値的に解く方法で、点Ｓの三次元座標（ｘ、ｙ、ｚ）を求める。ただし数値的に解く方法でも（８）式〜（１０）式のような非線形の方程式を解く場合、解が発散しやすいという問題がある。解が発散するか、収束するか否かは初期値の与え方により決まる。そのため収束解を得るためには、初期値の選択が重要となる。

＜初期値の選択の方法の説明＞
そこで本実施の形態では、端末装置１０および他者が置かれる三次元空間中に初期値の候補となる候補点を予め用意しておき、この中から点Ｓの三次元座標（ｘ、ｙ、ｚ）により近いものを初期値として選択することで収束解を得られやすくしている。
より具体的には、予め定められた原点を設定し、この原点からｘ軸、ｙ軸、ｚ軸方向に予め定められた間隔にて候補点を設定する。

図１４は、設置される候補点の三次元位置を示した概念図である。
ここでは、原点Ｏからｘ軸、ｙ軸、ｚ軸方向に等間隔で候補点が設定されている。この点は、例えば、ｘ軸、ｙ軸、ｚ軸方向に１０ｍの範囲で、１ｍ間隔で設定することができる。
そして本実施の形態では、このように設定された候補点に対する対面角度α、β、γを予め求めておく。そして候補点の三次元座標と対面角度α、β、γとの関係をＬＵＴ（Look up Table）として持っておく。本実施の形態では、このＬＵＴは、ＬＵＴ格納部２３４に格納されている。そして初期値選択部２３３が、このＬＵＴを参照し、実際に導出された対面角度α、β、γの値と、このＬＵＴに格納されている対面角度α、β、γの値を比較する。そしてそれぞれの対面角度α、β、γについて値の差が比較的小さいものを選択し、これに対応する三次元座標を初期値として選択する。
このように本実施の形態では、他者が置かれる三次元空間中に設定され初期値の候補となる候補点に対する対面角度と他者に対する対面角度を比較することで候補点の中から初期値を選択する。

また本実施の形態では、初期値を選択するのにさらに発話者と他者の距離を求め、この距離についても併せて利用する。
図１５は、初期値選択部２３３についてさらに詳しく説明した図である。
図１５に示すように初期値選択部２３３は、複数の装着者から取得した音声の音声信号に関する情報から音声の同調性を判別する同調性判別部２３３−１と、同調性判別部２３３−１により音声の同調性が存在すると判別されるとともに音声が自己発話であると識別された場合に、発話者に配されたマイクロフォンに取得された音声の音圧と他者に配されたマイクロフォンに取得された音声の音圧から発話者を基準とした他者との距離を導出する距離導出部２３３−２と、距離導出部２３３−２により導出された発話者と他者との距離を利用し、導出された対面角度α、β、γの値とＬＵＴに格納されている対面角度α、β、γの値を比較することで初期値を選択する初期値決定部２３３−３とを備える。

また図１６は、本実施形態における初期値選択部２３３の動作を示すフローチャートである。
以下、図１５〜図１６を使用して本実施形態の初期値選択部２３３の動作を説明する。
まず同調性判別部２３３−１において、複数の端末装置１０から送られた音声の同調性が判別される（ステップ３０１）。

以下、音声の情報の同調性を判別する方法について説明する。
図１７は、本実施形態の端末装置１０をそれぞれ装着した複数の装着者が会話している状況を示す図である。図１８は、図１７の会話状況における各端末装置１０Ａ、１０Ｂの発話情報の例を示す図である。
図１７に示すように、端末装置１０をそれぞれ装着した二人の装着者Ａ、装着者Ｂが会話している場合を考える。このとき、装着者Ａ、装着者Ｂの発話音声は、装着者Ａの端末装置１０Ａと装着者Ｂの端末装置１０Ｂの双方に捉えられる。

端末装置１０Ａおよび端末装置１０Ｂからは、それぞれ独立に、発話情報がホスト装置２０（図１参照）に送られる。このとき、端末装置１０Ａから取得した発話情報と、端末装置１０Ｂから取得した発話情報とは、図１８に示すように、発話時間の長さや発話者が切り替わったタイミング等の発話状況を示す情報は近似する。そこで、本適用例のホスト装置２０は、端末装置１０Ａから取得した情報と端末装置１０Ｂから取得した情報とを比較することにより、これらの情報が同じ発話状況を示していると判断し、装着者Ａと装着者Ｂとが会話していることを認識する。即ち、装着者Ａと装着者Ｂの発話状態の同調性が判断できる。ここで、発話状況を示す情報としては、少なくとも、上述した発話者ごとの個々の発話における発話時間の長さ、個々の発話の開始時刻と終了時刻、発話者が切り替わった時刻（タイミング）等のように、発話に関する時間情報が用いられる。なお、特定の会話に係る発話状況を判断するために、これらの発話に関する時間情報の一部のみを用いても良いし、他の情報を付加的に用いても良い。

複数の装着者の何れについても同調性がないと判断した場合（ステップ３０１でＮｏ）、ステップ３０１に戻る。一方、複数の装着者の何れかについて同調性があると判断された場合（ステップ３０１でＹｅｓ）、次に距離導出部２３３−２にて装着者Ａと装着者Ｂとの距離が導出される（ステップ３０２）。

本実施形態では、装着者Ａと装着者Ｂとの距離を導出するのに、音声の音圧の情報を使用する。
図１７に戻り、装着者Ａが発話しているとき、即ち装着者Ａが発話者である場合（この場合、装着者Ｂは他者となる）に、装着者Ａのマイクロフォン１１Ａａで取得される装着者Ａ（発話者）の音声の音圧Ｌｐ１と、装着者Ｂ（他者）のマイクロフォン１１Ｂａで取得される装着者Ａ（発話者）の音声の音圧Ｌｐ２を考える。そして装着者Ａ（発話者）の口とマイクロフォン１１Ａａとの距離をｒ１、装着者Ａ（発話者）の口とマイクロフォン１１Ｂａとの距離をｒ２とすると、次の（１１）式が成立する。
Ｌｐ１−Ｌｐ２＝２０ｌｏｇ（ｒ２／ｒ１） …（１１）

このとき、Ｌｐ１、Ｌｐ２は、端末装置１０から送信する情報の中に含まれ、そしてｒ１は、予めわかっているため、上記（１１）式からｒ２を求めることができる。つまり装着者Ａ（発話者）の口とマイクロフォン１１Ｂａとの距離ｒ２は、装着者Ａ（発話者）と装着者Ｂ（他者）との距離とみなすことができるため、この両者の距離を導出することができる。

なお（１１）式のような数式により計算を行なう方法の他に、ＬＵＴを使用する方法でも両者の距離を導出することができる。つまりＬｐ１、Ｌｐ２、ｒ２のそれぞれの関係をＬＵＴとしてまとめておき、このＬＵＴを参照することでｒ２を求めることができる。

なお本実施の形態では、このとき取得した音声が装着者自身の発話音声であるか、装着者以外の他者の発話音声であるかの自他識別結果を使用する。つまり音声が装着者自身の発話音声（自己発話）であると識別された場合に、発話者を基準とした他者との距離を導出することを行なう。この自他識別結果を利用することで距離を導出する基準が明確となり、発話者と他者の間の距離をより正確に導出することができる。この自他識別結果を利用しない場合、マイクロフォンにより取得した音声が、どの者が発声したものであるかが不明確となり、距離の導出を正確に行なうことが困難となる。さらに本実施の形態では、マイクロフォンにより取得した音が、エアコンの音や工事の音などの雑音であった場合、どの端末装置１０においても装着者自身の発話音声と識別されないため、これを雑音と判断し、排除することができる。この場合はもちろん距離の導出は行なわれない。

そして初期値決定部２３３−３では、このようにして導出された発話者と他者との距離を利用して、導出された対面角度α、β、γの値とＬＵＴに格納されている対面角度α、β、γの値を比較することで初期値を選択する（ステップ３０３）。
具体的には、例えば、ＬＵＴに格納されている対面角度α、β、γの値を比較する。そしてそれぞれの対面角度α、β、γについて値の差が比較的小さいものをまずいくつか候補として選択する。そしてこの選択された候補の中から、上記のようにして導出された発話者と他者との距離が最も近いものを初期値として決定する。

上記方法により初期値が選択された後は、数値計算部２３５が、この初期値を用いて数値計算を行ない、（８）式〜（１０）式の３元２次連立方程式を解く。そして得られた収束解が、他者の位置である点Ｓの三次元座標（ｘ、ｙ、ｚ）である。本実施の形態では、数値計算の方法については、特に限定されることはなく、ニュートン法、二分法など一般的な方法が使用できる。

以上詳述した本実施の形態の音声解析システム１によれば、より簡易な構成で、他者の三次元位置を計測することができる。そして計算量が膨大になりにくいとともに、他者の三次元位置をより正確に計測することができる。

なお図１７および図１８で説明した例では、装着者Ａおよび装着者Ｂの双方が、図２で説明したような端末装置１０を使用していたが、双方の距離を導出するには、一方に装着者の口からの距離が異なる位置に配される複数のマイクロフォン１１ａ、１１ｃが配され、他方には、例えばマイクロフォンが１つのみという形態でも可能である。つまり口からの距離が異なる位置に配される複数のマイクロフォン１１ａ、１１ｃが配される端末装置１０で、まずこの装着者自身の自己発話であるか否かを判断することができる。そのためこの端末装置１０を使用する装着者を、他者との距離を導出する基準として定めることができる。そして他者との距離を導出するのに、他者が端末装置１０を使用している必要はなく、他者に配されるマイクロフォンからの音圧の情報があればよい。即ち、他者に配されるマイクロフォンは１つのみでもかまわない。

また上述した例では、自他識別の判断を端末装置１０で行なっていたが、これに限られるものではなく、ホスト装置２０の方で行なってもよい。この形態における音声解析システム１としては、図１のものに対し、音声解析部１５で行なっていた自他識別の機能を、例えば、ホスト装置２０のデータ解析部２３で行なう。そしてこの場合、データ解析部２３は、マイクロフォン１１ａ、１１ｃにより取得された音声が装着者の発話音声か装着者以外の発話音声かを識別する自他識別部として機能する。

＜プログラムの説明＞
なお本実施の形態におけるホスト装置２０が行なう処理は、ソフトウェアとハードウェア資源とが協働することにより実現される。即ち、ホスト装置２０に設けられた制御用コンピュータ内部の図示しないＣＰＵが、ホスト装置２０の各機能を実現するプログラムを 実行し、これらの各機能を実現させる。

よってホスト装置２０が行なう処理は、コンピュータに、装着者に配され音声を取得するとともに装着者のうち少なくとも１人については装着者の口からの距離が異なる位置に複数配されるマイクロフォンから音声の音声信号に関する情報を受信する機能と、複数の装着者から取得した音声の音声信号に関する情報から音声の同調性を判別する機能と、音声の同調性が存在すると判別されるとともに装着者の口からの距離が異なる位置に配される複数のマイクロフォンにより取得された音声の音声信号の比較結果に基づき音声が自己発話であると識別された場合に、発話者に配されたマイクロフォンに取得された音声の音圧と他者に配されたマイクロフォンに取得された音声の音圧から発話者を基準とした他者との距離を導出する機能と、を実現させるプログラムとして捉えることもできる。

１…音声解析システム、１０…端末装置、１１ａ…第１マイクロフォン、１１ｂ…第２マイクロフォン、１１ｃ…第３マイクロフォン、１５…音声解析部、１６…データ送信部、２０…ホスト装置、２１データ受信部、２３…データ解析部、３０…装置本体、４０…提げ紐、２３１…時間差導出部、２３２…対面角度導出部、２３３…初期値選択部、２３３−１…同調性判別部、２３３−２…距離導出部、２３３−３…初期値決定部

Claims (5)

1. 装着者に配され音声を取得するとともに装着者のうち少なくとも１人については装着者の口からの距離が異なる位置に複数配される音声取得手段から音声の音声信号に関する情報を受信する音声情報受信部と、
   前記音声情報受信部により複数の装着者から取得した前記音声の音声信号に関する情報から音声の同調性を判別する同調性判別部と、
   前記同調性判別部により音声の同調性が存在すると判別されるとともに装着者の口からの距離が異なる位置に配される前記複数の音声取得手段によりそれぞれ取得された音声の音声信号の比較結果に基づき音声が自己発話であると識別された場合に、発話者に配された前記音声取得手段に取得された音声の音圧と他者に配された当該音声取得手段に取得された音声の音圧から発話者を基準とした他者との距離を導出する距離導出部と、
   を備えることを特徴とする音声解析装置。
2. 前記音声取得手段のうち装着者の口からの距離が互いに異なる２つの当該音声取得手段で取得される音声の音圧差に基づいて、当該音声取得手段により取得された音声が装着者の発話音声か装着者以外の発話音声かを識別する自他識別部をさらに備えることを特徴とする請求項１に記載の音声解析装置。
3. 前記音声取得手段に他者の音声が到達する時間差および当該音声取得手段が離間する距離から導出される装着者と他者の向き合う角度である対面角度から、他者の三次元位置を導出するための数値計算の初期値を選択する初期値選択手段と、
   前記初期値選択手段により選択された初期値を用いた数値計算により他者の三次元位置を導出する位置導出手段と、
   をさらに備え、
   前記初期値選択手段は、前記距離導出部により導出された発話者と他者との距離を利用して前記初期値を選択することを特徴とする請求項１または２に記載の音声解析装置。
4. 装着者に配され音声を取得するとともに装着者のうち少なくとも１人については装着者の口からの距離が異なる位置に複数配される音声取得手段と、
   前記音声取得手段により取得された音声の音声信号に関する情報を送信する音声情報送信部と、
   前記音声情報送信部により送信された音声の音声信号に関する情報を受信する音声情報受信部と、
   前記音声情報受信部により複数の装着者から取得した前記音声の音声信号に関する情報から音声の同調性を判別する同調性判別部と、
   前記同調性判別部により音声の同調性が存在すると判別されるとともに装着者の口からの距離が異なる位置に配される前記複数の音声取得手段によりそれぞれ取得された音声の音声信号の比較結果に基づき音声が自己発話であると識別された場合に、発話者に配された前記音声取得手段に取得された音声の音圧と他者に配された当該音声取得手段に取得された音声の音圧から発話者を基準とした他者との距離を導出する距離導出部と、
   を備えることを特徴とする音声解析システム。
5. コンピュータに、
   装着者に配され音声を取得するとともに装着者のうち少なくとも１人については装着者の口からの距離が異なる位置に複数配される音声取得手段から音声の音声信号に関する情報を受信する機能と、
   複数の装着者から取得した前記音声の音声信号に関する情報から音声の同調性を判別する機能と、
   音声の同調性が存在すると判別されるとともに装着者の口からの距離が異なる位置に配される前記複数の音声取得手段によりそれぞれ取得された音声の音声信号の比較結果に基づき音声が自己発話であると識別された場合に、発話者に配された前記音声取得手段に取得された音声の音圧と他者に配された当該音声取得手段に取得された音声の音圧から発話者を基準とした他者との距離を導出する機能と、
   を実現させるプログラム。

Images