JP2013508773A - 音声エンコーダの方法およびボイス活動検出器 - Google Patents

Abstract

本発明の実施形態は、主ボイス活動検出器およびその方法に関する。実施形態の方法を使用することによって、入力信号のフレームがボイスを含むかどうかを判定することが可能である。その判定は、入力信号のフレームを受信することと、受信したフレームの第１のＳＮＲを判定することと、判定された第１のＳＮＲを適応しきい値と比較することと、前記比較に基づいて、受信したフレームがボイスを含むかどうかを検出することとによって達成される。適応しきい値は、少なくとも、雑音レベルの総雑音エネルギ、第２のＳＮＲの推定値、および異なるフレームの間のエネルギ変化に基づく。
【選択図】なし

Description

本発明の実施形態は、方法およびボイス活動検出器（ｖｏｉｃｅ ａｃｔｉｖｉｔｙ ｄｅｔｅｃｔｏｒ）に関し、具体的には、ボイス活動検出器のしきい値適合に関する。

会話音声に使用される音声コーディングシステムでは、符号化の効率を高めるために不連続送信（ｄｉｓｃｏｎｔｉｎｕｏｕｓ ｔｒａｎｓｍｉｓｓｉｏｎ）（ＤＴＸ）を使用することが一般的である。その理由は、会話音声が、たとえばある人が話しており他方の人が聞き入っている間に、音声に埋め込まれた大量の小休止を含むことにある。したがって、ＤＴＸを用いて、音声エンコーダは、平均して時間の約５０％だけアクティブであり、残りを、コンフォートノイズ（ｃｏｍｆｏｒｔ ｎｏｉｓｅ）を使用して符号化することができる。コンフォートノイズは、デコーダ側で生成される人工的雑音であり、エンコーダ側の雑音の特性に似るのみであり、したがって、より少ない帯域幅を必要とする。この特徴を有するいくつかの例のコーデックは、ＡＭＲ ＮＢ（Ａｄａｐｔｉｖｅ Ｍｕｌｔｉ−Ｒａｔｅ Ｎａｒｒｏｗｂａｎｄ）およびＥＶＲＣ（Ｅｎｈａｎｃｅｄ Ｖａｒｉａｂｌｅ Ｒａｔｅ ＣＯＤＥＣ）である。ＡＭＲ ＮＢが、ＤＴＸを使用し、ＥＶＲＣが、可変レート（ＶＢＲ）を使用し、レート決定アルゴリズム（Ｒａｔｅ Ｄｅｔｅｒｍｉｎａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ）（ＲＤＡ）が、ＶＡＤ（ボイス活動検出（ｖｏｉｃｅ ａｃｔｉｖｉｔｙ ｄｅｔｅｃｔｉｏｎ））判断に基づいて、フレームごとに使用すべきデータレートを判断することに留意されたい。

高品質ＤＴＸ動作のために、すなわち劣化した音声品質なしで、入力信号内の音声の期間を検出することが重要であり、この検出は、ＤＴＸとＲＤＡとの両方で使用されるボイス活動検出器（ＶＡＤ）によって行われる。音声が、ボイスとも呼ばれることに留意されたい。図１に、一般化されたＶＡＤ １８０の概略ブロック図を示し、このＶＡＤ １８０は、入力として、実施態様に応じて５〜３０ｍｓのデータフレームに分割された入力信号１００をとり、出力１６０としてＶＡＤ判断を行う。すなわち、ＶＡＤ判断１６０は、フレームが音声または雑音を含むかどうかのフレームごとの判断である。一般的なＶＡＤ １８０は、サブバンドエネルギ推定値を提供する背景エスティメータ１３０と、特徴サブバンドエネルギを提供する特徴エクストラクタ１２０とを含む。フレームごとに、一般的なＶＡＤ １８０は、特徴を計算し、アクティブフレームを識別するために、現在のフレームの特徴（１つまたは複数）は、特徴が背景信号についてどのように「見える」のかの推定値と比較される。

主判断「ｖａｄ＿ｐｒｉｍ」１５０は、主ボイス活動検出器１４０によって作られ、基本的に、現在のフレームの特徴と前の入力フレームから推定された背景特徴との比較にすぎず、ここで、しきい値より大きい差は、アクティブ主判断を引き起こす。ハングオーバ追加ブロック１７０は、最終判断「ｖａｄ＿ｆｌａｇ」１６０を形成するために、過去の主判断に基づいて主判断を拡張するのに使用される。ハングオーバを使用する理由は、主に、音声バーストの音声中および後部のクリッピングの危険性の低減／除去にある。しかし、ハングオーバを使用して、音楽楽節内のクリッピングを避けることもできる。動作コントローラ１１０は、入力信号の特性に従って、主検出器のしきい値（１つまたは複数）およびハングオーバの長さを調整することができる。

ＶＡＤ検出に使用できる複数の異なる特徴がある。最も基本的な特徴は、フレームエネルギを調べ、これをしきい値と比較して、そのフレームが音声であるか否かを判断することである。この方式は、ＳＮＲが高い条件については適度によく働くが、低いＳＮＲ（信号対雑音比）のケースについてはそうではない。低いＳＮＲのケースでは、音声信号および雑音信号の特性を比較する他の測定基準を、その代わりに使用しなければならない。リアルタイム実施態様について、ＶＡＤ機能性に関する追加の要件は、計算の複雑さであり、この計算の複雑さは、標準コーデック、たとえばＡＭＲ ＮＢ、ＡＭＲ ＷＢ（Ａｄａｐｔｉｖｅ Ｍｕｌｔｉ−Ｒａｔｅ Ｗｉｄｅｂａｎｄ）、ＥＶＲＣ、およびＧ．７１８（ＩＴＵ−Ｔ勧告埋め込みスケーラブル音声およびオーディオコーデック）でのサブバンドＳＮＲ ＶＡＤの周波数表現に反映されている。これらの例のコーデックは、さまざまな形のしきい値適合をも使用する。一般に、ＳＮＲ推定にも使用される背景レベル推定値および音声レベル推定値を、判断フィードバックまたは更新用の独立副ＶＡＤに基づくものとすることができる。どちらの場合でも、ＶＡＤ＝０は、入力信号が雑音と推定されると解釈されなければならず、ＶＡＤ＝１は、入力信号が音声と推定されると解釈されなければならない。レベル推定値に関するもう１つのオプションは、それぞれ背景および音声を追跡するのに最小入力エネルギおよび最大入力エネルギを使用することである。入力雑音の変動性について、スライディング時間ウィンドウにまたがる前のフレームの分散を計算することが可能である。もう１つの解決策は、負の入力ＳＮＲの量を監視することである。しかし、これは、負のＳＮＲが入力雑音の変化に起因してのみ生じるという仮定に基づく。前のフレームのスライディング時間ウィンドウは、指定された個数の前のフレームについて注目する変数（フレームエネルギまたはサブバンドエネルギ）を有するバッファを作成することを暗示する。新しいフレームが到着する時に、バッファは、バッファから最も古い値を除去することと、最も新しい値を挿入することとによって更新される。

非定常雑音は、すべてのＶＡＤにとって、特に低いＳＮＲの条件の下で、困難となる可能性があり、この低いＳＮＲの条件は、システムの観点から、実際の音声と比較してより高いＶＡＤ活動と容量の低下とをもたらす。すなわち、音声を含まないフレームが、音声を含むと識別される。非定常雑音のうちで、ＶＡＤが扱うのが最も困難な雑音は、バブル雑音であり、その理由は、その特性が、ＶＡＤが検出するように設計された音声信号に相対的に近いことにある。バブル雑音は、通常、前景話者の音声レベルに対するＳＮＲと背景話者の数との両方の特徴があり、主観的評価で使用される一般的定義は、バブルが４０人以上の背景話者を有しなければならないこととなる。基本的な動機づけは、バブルについて、バブル雑音に含まれる話者の誰にも追従することが可能であってはならないことであり、これは、バブル話者の誰もが理解できるものになってはならないことを暗示する。バブル雑音の話者の数の増加に伴って、バブル雑音がより静止的になることにも留意されたい。背景に１人（または２〜３人）の話者だけがいる状態で、これらの話者は、通常、干渉する話者（１つまたは複数）と呼ばれる。さらなる問題になる点は、バブル雑音が、ＶＡＤアルゴリズムが抑制してはならないある音楽に非常に似たスペクトル変化特性を有する可能性があることである。

前に述べたＶＡＤ解決策ＡＭＲ ＮＢ／ＷＢ、ＥＶＲＣ、およびＧ．７１８には、いくつかのケースで既に適度なＳＮＲ（２０ｄＢ）でバブル雑音に関する変化する度合の問題がある。その結果、ＤＴＸを使用することからの仮定される容量利益を実現できないことになる。実際の携帯電話システムでは、１５〜２０ｄＢ ＳＮＲでの適度なＤＴＸ／ＶＢＲ動作を要求することが十分でない場合があることも、注目されてきた。可能な場合には、雑音タイプに依存して、５ｄＢまたは０ｄＢ下で適度なＤＴＸ／ＶＢＲ動作が望まれる。低い周波数背景雑音について、１０〜１５ｄＢのＳＮＲゲインを、ＶＡＤ分析の前に信号を高域フィルタリングすることのみによってＶＡＤ機能性について達成することができる。音声に対するバブルの類似性に起因して、入力信号を高域フィルタリングすることによるゲインは非常に少ない。

入力信号が複数のサブバンドに分割され、ＳＮＲがバンドごとに判定されるサブバンドＳＮＲ原理に基づくＶＡＤについて、有意性しきい値（ｓｉｇｎｉｆｉｃａｎｃｅ ｔｈｒｅｓｈｏｌｄ）と呼ばれるサブバンドＳＮＲ計算での非線形性の導入が、バブル雑音およびオフィス背景雑音などの非定常雑音を伴う条件についてＶＡＤ性能を改善できることが示された。

バブルタイプの雑音を含むいくつかのタイプの入力雑音では、Ｇ．７１８が背景雑音の追跡に関して問題を提示していることも、注目されてきた。これは、正確な背景推定が、現在の入力を推定された雑音と比較するすべてのタイプのＶＡＤにとって不可欠なため、ＶＡＤに関する問題を引き起こす。

品質の観点から、フェイルセーフＶＡＤを使用することが望ましく、疑わしい場合には、ＶＡＤは雑音入力ではなく音声入力に信号を送り、これによって余分の活動をより大量に可能にすることが望ましい。これは、システム容量の観点から、ユーザのうちの少数だけが非静止背景雑音を有する状況にある限り、許容できる可能性がある。しかし、非静止環境にあるユーザの数が増加するにつれて、フェイルセーフＶＡＤの使用が、システム容量の大幅な損失を引き起こす可能性がある。したがって、非静止環境のより大きいクラスが通常ＶＡＤ動作を使用して扱われるようにするために、フェイルセーフＶＡＤ動作と通常ＶＡＤ動作との間の限界の押し上げに取り組むことが重要になりつつある。

有意性しきい値の使用によりＶＡＤ性能は改善しているが、これにより音声クリッピング、主に低ＳＮＲ無声音の前端クリッピング、をも引き起こす場合があることが注目されている。

上で示したように、ある形のしきい値適合を使用することが、既に一般的となっている。従来技術から、
ＶＡＤ_ｔｈｒ＝ｆ（Ｎ_ｔｏｔ）、
ＶＡＤ_ｔｈｒ＝ｆ（Ｎ_ｔｏｔ，Ｅ_ｓｐ）、または
ＶＡＤ_ｔｈｒ＝ｆ（ＳＮＲ，Ｎ_ｖ）
となる例があり、ここで、ＶＡＤ_ｔｈｒは、ＶＡＤしきい値であり、Ｎ_ｔｏｔは、推定された雑音エネルギであり、Ｅ_ｓｐは、推定された音声エネルギであり、ＳＮＲは、推定された信号対雑音比であり、Ｎ_ｖは、負のＳＮＲに基づく推定された雑音変化である。

本発明の実施形態の目的は、改善された性能を有するＶＡＤを提供する機構を提供することにある。

この目的は、一実施形態に従って、ＶＡＤしきい値ＶＡＤ_ｔｈｒを総雑音エネルギＮ_ｔｏｔ、ＳＮＲ推定値、およびＮ_ｖａｒの関数とすることによって達成され、ここで、Ｎ_ｖａｒは、異なるフレームの間のエネルギ変化を示す。

本発明の実施形態の一態様によれば、入力信号のフレームがボイスを含むかどうかを判定するボイス活動検出器での方法が提供される。この方法では、入力信号のフレームが受信され、受信フレームの第１のＳＮＲが判定される。その後、判定された第１のＳＮＲが、適応しきい値と比較される。適応しきい値は、少なくとも雑音レベルの総雑音エネルギ、第２のＳＮＲの推定値、および異なるフレームの間のエネルギ変化に基づく。前記比較に基づいて、受信フレームがボイスを含むかどうかが検出される。

本発明の実施形態のもう１つの態様によれば、ボイス活動検出器が検出される。ボイス活動検出器は、入力信号のフレームがボイスを含むかどうかを判定するボイス活動検出器の一部である主ボイス活動検出器とすることができる。ボイス活動検出器は、入力信号のフレームを受信するように構成された入力セクションを含む。ボイス活動検出器は、受信されたフレームの第１のＳＮＲを判定し、前記判定された第１のＳＮＲを適応しきい値と比較するように構成されたプロセッサをさらに含む。適応しきい値は、少なくとも雑音レベルの総雑音エネルギ、第２のＳＮＲの推定値、および異なるフレームの間のエネルギ変化に基づく。さらに、プロセッサは、前記比較に基づいて、受信フレームがボイスを含むかどうかを検出するように構成される。

さらなる実施形態によれば、Ｅ_{ｄｙｎ＿ＬＰ}と称するさらなるパラメータが導入され、したがって、ＶＡＤ_ｔｈｒは、少なくとも総雑音エネルギＮ_ｔｏｔ、第２のＳＮＲ推定値Ｎ_ｖａｒ、およびＥ_{ｄｙｎ＿ＬＰ}に基づいて判定される。Ｅ_{ｄｙｎ＿ＬＰ}は、受信フレームのエネルギダイナミクスを示す滑らかな入力ダイナミクスの測定値である。この実施形態では、適応しきい値ＶＡＤ_ｔｈｒ＝ｆ（Ｎ_ｔｏｔ，ＳＮＲ，Ｎ_ｖａｒ，Ｅ_{ｄｙｎ＿ＬＰ}）となる。

ＶＡＤ_ｔｈｒを選択する時にＮ_ｖａｒまたはＮ_ｖａｒおよびＥ_{ｄｙｎ＿ＬＰ}を使用する利点は、背景雑音が非静止である場合であってもＶＡＤ_ｔｈｒの増加を防ぐことが可能となる点にある。したがって、より信頼できるＶＡＤしきい値適合関数を達成することができる。特徴を新たに組合せることによって、入力雑音の特性をより的確に表現し、それに応じてしきい値を調整することが可能である。

本発明の実施形態によって改善されたＶＡＤしきい値適合を用いると、音声タイプ入力と、音楽セグメントがバブル雑音に見られるスペクトル変化に類似するケースでの音楽タイプ入力とに関する品質を維持しながら、非静止背景雑音および具体的にはバブル雑音の扱いで相当な改善を達成することが可能である。

従来技術による背景推定を用いる一般的なボイス活動検出器（ＶＡＤ）を示す図である。 本発明の実施形態によるボイス活動検出器を概略的に示す図である。 本発明の実施形態による方法を示す流れ図である。

本発明の実施形態を、後で添付図面を参照してより十分に説明するが、添付図面には、本発明の好ましい実施形態が示されている。しかしながら、この実施形態は多数の異なる態様で実施することが可能で、本明細書に示された実施形態に限定されると解釈すべきではなく、これらの実施形態は、本開示が完全であり、本発明の範囲を当業者に十分に伝えるために提供される。図面では、同様の符号が同様の要素を指す。

さらに、当業者は、本明細書で説明される手段および機能を、プログラムされたマイクロプロセッサもしくは汎用コンピュータに関連して機能するソフトウェアを使用して、および／または特定用途向け集積回路（ＡＳＩＣ）を使用して実施できることを了解するであろう。また、これらの実施形態が、主に方法およびデバイスの形で説明されるが、実施形態を、コンピュータプログラム製品ならびにコンピュータプロセッサおよびプロセッサに結合されたメモリを含むシステムで実施することもでき、このメモリが、本明細書で開示される機能を実行できる１つまたは複数のプログラムを用いて符号化されることを了解されたい。

サブバンドＳＮＲベースのＶＡＤについて、入力エネルギの適度な変化であっても、ＶＡＤに関する偽陽性判断を引き起こす可能性があり、すなわち、ＶＡＤは入力が雑音のみである時に音声を示す。サブバンドＳＮＲベースのＶＡＤは、ＳＮＲがサブバンドごとに判定され、組み合わされたＳＮＲがこれらのＳＮＲに基づいて判定されることを暗示する。組み合わされたＳＮＲを、異なるサブバンド上のすべてのＳＮＲの和とすることができる。ＶＡＤにおけるこの種の感度は、音声セグメントを見逃す確率が低いので、音声品質については良い。しかし、これらのタイプのエネルギ変化は、定常雑音、たとえばバブル雑音で典型的なので、これらの雑音は、過度なＶＡＤ活動を引きこす。したがって、本発明の実施形態では、ボイス活動検出のための改善された適応しきい値が導入される。

第１の実施形態では、雑音入力のフレームエネルギの変動性の改善されたエスティメータである雑音変化を示す第１の追加特徴Ｎ_ｖａｒが導入される。この特徴は、改善された適応しきい値が判定される時に、変数として使用される。異なるサブバンドＳＮＲによって作成される結合ＳＮＲとすることができる第１のＳＮＲが、改善された適応しきい値と比較されて、受信フレームが音声または背景雑音のどちらを含むのかが判定される。したがって、第１の実施形態では、ＶＡＤに関するしきい値適合は、特徴すなわち雑音エネルギＮ_ｔｏｔ、第２のＳＮＲ推定値ＳＮＲ（下の擬似コード内のｌｐ＿ｓｎｒに対応する）、および第１の追加特徴Ｎ_ｖａｒの関数として行われる。雑音エネルギＮ_ｔｏｔは、ＶＡＤ＝０の時の背景推定値内のサブバンドエネルギの総エネルギに基づく雑音レベルの推定値であり、第２のＳＮＲ推定値は、長期ＳＮＲ推定値である。長期ＳＮＲ推定値は、そのＳＮＲが短期ＳＮＲ推定値より長い時間にわたって測定されることを暗示する。

第２の実施形態では、第２の追加特徴Ｅ_{ｄｙｎ＿ＬＰ}が導入される。Ｅ_{ｄｙｎ＿ＬＰ}は、滑らかな入力ダイナミクスの測定値である。したがって、サブバンドＳＮＲ ＶＡＤに関するしきい値適合は、特徴すなわち雑音エネルギＮ_ｔｏｔ、第２のＳＮＲ推定値ＳＮＲ、および新しい特徴雑音変化Ｎ_ｖａｒの関数として行われる。さらに、第２のＳＮＲ推定値が滑らかな入力ダイナミクスの測定値Ｅ_{ｄｙｎ＿ｌｐ}より小さい場合には、第２のＳＮＲは、適応しきい値の判定に使用される前に、上向きに調整される。

これらの変数に基づいてＶＡＤ判断を行うための適応しきい値を判定することによって、高感度ＶＡＤを使用すべき時および感度を下げなければならない時に、よりよい制御を伴うしきい値適合を改善することが可能である。第１の追加雑音変化特徴は、主に、入力背景信号の非静止に応じて感度を調整するのに使用され、第２の滑らかな入力ダイナミクスの追加特徴は、しきい値適合に使用される第２のＳＮＲ推定値を調整するのに使用される。

システムの観点から、非定常雑音の感度を下げる能力は、高いＳＮＲでの明瞭な定常雑音について符号化された音声の高い品質を維持しながら、非定常雑音（たとえば、バブル雑音）に関する過度の活動の低下をもたらす。

次では、諸実施形態に従って適応しきい値の計算に使用される特徴を説明する。

第２の実施形態によれば、改善された適応しきい値の判定に使用される２つの追加特徴がある。第１の追加特徴は、雑音変化エスティメータＮ_ｖａｒである。

Ｎ_ｖａｒは、現在のフレームの全サブバンドエネルギの和である入力エネルギと背景の前のフレームのエネルギとを比較することによって算出される雑音変化推定値である。したがって、雑音変化推定値は、前のフレームのＶＡＤ判断に基づく。ＶＡＤ＝０の時には、入力が背景雑音だけからなると仮定され、したがって、変動性を推定するために、新しい測定基準が、フレーム間エネルギ差の非線形関数として形成される。

一方は下から、他方は上からの２つの入力エネルギトラッカＥ_{ｔｏｔ＿ｌ}およびＥ_{ｔｏｔ＿ｈ}が、滑らかな入力エネルギダイナミクスを示す第２の追加特徴Ｅ_{ｄｙｎ＿ｌｐ}を作成するのに使用される。

Ｅ_{ｔｏｔ＿ｌ}は、下からのエネルギトラッカである。この値はフレームごとに、一定の小さな値だけ増分される。この新しい値が現在のフレームエネルギより大きい場合には、フレームエネルギが、新しい値として使用される。

Ｅ_{ｔｏｔ＿ｈ}は、上からのエネルギトラッカである。この値はフレームごとに、一定の小さな値だけ削減され、この新しい値が現在のフレームエネルギより小さい場合には、フレームエネルギが、新しい値として使用される。

滑らかな入力ダイナミクスを示すＥ_{ｄｙｎ＿ｌｐ}は、入力信号ダイナミクスの長期推定値すなわち、音声エネルギと雑音エネルギとの間の差の推定値として働く。Ｅ_{ｄｙｎ＿ｌｐ}は、各フレームの入力エネルギだけに基づく。Ｅ_{ｄｙｎ＿ｌｐ}は、Ｅ_{ｔｏｔ＿ｈ}と称する上からのエネルギトラッカすなわち大／最大エネルギトラッカと、Ｅ_{ｔｏｔ＿ｌ}と称する下からのエネルギトラッカすなわち小／最小エネルギトラッカを使用する。その後、Ｅ_{ｄｙｎ＿ｌｐ}が、大エネルギトラッカと小エネルギトラッカとの間の差の平滑化された値として形成される。

フレームごとに、エネルギトラッカの間の差が、低域フィルタへの入力として使用される。
Ｅ_{ｄｙｎ＿ｌｐ}＝（１−α）Ｅ_{ｄｙｎ＿ＬＰ}＋α（Ｅ_{ｔｏｔ＿ｈ}−Ｅ_{ｔｏｔ＿ｌ}）

まず、フレームエネルギ差の絶対値が、現在のフレームおよび最後のフレームに基づいて計算される。ＶＡＤ＝０の場合には、現在の変化推定値が、まず、一定の小さな値を使用して減らされる。

現在のエネルギ差が、現在の変化推定値より大きい場合には、新しい値は、現在の変化推定値がフレームごとに固定された定数をこえて増やしてはならないという条件を伴って、現在の変化推定値を置換する。

ここで図２に移ると、本発明の実施形態を実施できるボイス活動検出器２００が示されている。この実施形態では、ボイス活動検出器２００は、主ボイス活動検出器によって例示される。ボイス活動検出器２００は、入力信号を受け取る入力セクション２０２と、ボイス活動検出判断を出力する出力セクション２０５とを含む。さらに、プロセッサ２０３が、ＶＡＤ内に含まれ、メモリ２０４を、ボイス活動検出器２００内に含めることもできる。メモリ２０４は、ソフトウェアコード部分と、以前の雑音レベルおよび音声レベルに関するヒストリ情報とを格納することができる。プロセッサ２０３は、１つまたは複数の処理ユニットを含むことができる。

ＶＡＤが主ＶＡＤによって例示される時に、主ボイス活動検出器の入力セクション２０２への入力信号２０１は、現在の入力フレームのサブバンドエネルギ推定値、図１に示された背景エスティメータからのサブバンドエネルギ推定値、長期雑音レベル、長期ＳＮＲ計算用の長期音声レベル、および図１の特徴エクストラクタ１２０からの長期雑音レベル変化である。長期音声レベルおよび長期雑音レベルは、ＶＡＤフラグを使用して推定される。ＶＡＤ＝＝０の時には、長期雑音推定値が、総雑音Ｎ_ｔｏｔ値の平滑化を使用して推定される。同様に、長期音声レベルは、ＶＡＤ＝＝１の時に、現在の入力フレームの総サブバンドエネルギに基づくＥ_ｔｏｔ（入力フレームの総エネルギ）の平滑化を使用して更新される。

したがって、ボイス活動検出器２００は、ＶＡＤ判断を行うために受信したフレームの第１のＳＮＲと適応しきい値とを比較するように構成されたプロセッサ２０３を含む。プロセッサ２０３は、一実施形態に従って、第１のＳＮＲ（ｓｎｒ＿ｓｕｍ）を判定するように構成され、第１のＳＮＲは、入力サブバンドエネルギレベルを背景エネルギレベルによって除算することによって形成される。したがって、ＶＡＤ活動を判定するのに使用される第１のＳＮＲは、たとえば異なるサブバンドＳＮＲを加算することによって、異なるサブバンドＳＮＲによって作成される結合ＳＮＲである。

適応しきい値は、特徴すなわち、第１の実施形態では雑音エネルギＮ_ｔｏｔ、第２のＳＮＲの推定値（ＳＮＲ）、および第１の追加特徴Ｎ_ｖａｒの関数である。第２の実施形態では、適応しきい値を判定する時に、Ｅ_{ｄｙｎ＿ｌｐ}も考慮に入れられる。第２のＳＮＲは、例示される実施形態では、複数のフレームにまたがって測定された長期ＳＮＲ（ｌｐ＿ｓｎｒ）である。

さらに、プロセッサ２０３は、第１のＳＮＲと適応しきい値との間の比較に基づいて、受信したフレームがボイスを含むかどうかを検出するように構成される。この判断を、主判断ｖａｄ＿ｐｒｉｍ ２０６と称し、この判断は、出力セクション２０５を介してハングオーバ追加に送られる。ＶＡＤは、最終ＶＡＤ判断を行う時にｖａｄ＿ｐｒｉｍ ２０６を使用することができる。

さらなる実施形態によれば、プロセッサ２０３は、第２のＳＮＲの現在の推定値が滑らかな入力ダイナミクスの測定値より小さい場合に、受信したフレームの第２のＳＮＲの推定値を上向きに調整するように構成され、ここで、滑らかな入力ダイナミクスの測定値は、受信したフレームのエネルギダイナミクスを示す。

実施形態の詳細な説明がこれに続く。この説明では、Ｇ．７１８コーデック（ＩＴＵ−Ｔ、「Ｆｒａｍｅ ｅｒｒｏｒ ｒｏｂｕｓｔ ｎａｒｒｏｗｂａｎｄ ａｎｄ ｗｉｄｅｂａｎｄ ｅｍｂｅｄｄｅｄ ｖａｒｉａｂｌｅ ｂｉｔ−ｒａｔｅ ｃｏｄｉｎｇ ｏｆ ｓｐｅｅｃｈ ａｎｄ ａｕｄｉｏ ｆｒｏｍ ８−３２ ｋｂｉｔ／ｓ」、ＩＴＵ−Ｔ Ｇ．７１８、２００８年６月でさらに説明される）が、この説明の基礎として使用される。

パラメータの説明を以下に示す。

本発明の一態様によれば、入力信号のフレームがボイスを含むかどうかを判定するボイス活動検出器２００内の方法は、図３の流れ図に示されているように提供される。この方法は、第１ステップ３０１で、入力信号のフレームを受信することと、受信したフレームの第１のＳＮＲを判定すること３０２とを含む。第１のＳＮＲを、異なるサブバンドの組み合わされたＳＮＲ、たとえば異なるサブバンドのＳＮＲの和とすることができる。判定された第１のＳＮＲは、適応しきい値と比較され３０３、ここで、適応しきい値は、第１の実施形態では、少なくとも総雑音エネルギＮ_ｔｏｔ、第２のＳＮＲの推定値ＳＮＲ（ｌｐ＿ｓｎｒ）、および第１の追加特徴Ｎ_ｖａｒに基づく。第２の実施形態では、適応しきい値を判定する時に、Ｅ_{ｄｙｎ＿ｌｐ}も考慮に入れられる。第２のＳＮＲは、例示される実施形態では、複数のフレームにまたがって計算された長期ＳＮＲである。さらに、前記比較に基づいて、受信したフレームがボイスを含むかどうかを検出する３０４。

本発明の実施形態によれば、受信したフレームで判定された第１のＳＮＲは、受信したフレームの異なるサブバンドの結合ＳＮＲである。上の表に従ってｓｎｒ＿ｓｕｍとも称する第１の結合ＳＮＲを、

として計算することができる。

しきい値を上で例示したｓｎｒ＿ｓｕｍに適用できるようになる前に、しきい値を、現在の入力条件および長期ＳＮＲに基づいて計算しなければならない。この例では、しきい値適合が、従来技術に従う長期ＳＮＲ（ｌｐ＿ｓｎｒ）のみに依存することに留意されたい。

長期音声レベルおよび長期雑音レベルは、次のように計算される

長期音声エネルギおよびフレームカウンタの初期化

本発明の実施形態は、従来技術で使用される特徴と本発明の実施形態と共に導入される追加特徴との両方に基づくＶＡＤしきい値適合の改善された論理を使用する。次では、例の実施態様が、上で説明した基礎の擬似コードの変更として与えられる。

例にすぎないが、この説明で使用されるしきい値およびシステムパラメータには複数の定数があることに留意されたい。しかし、さまざまな入力信号に関するさらなる調整も、本発明の実施形態の範囲に含まれる。

上で述べたように、第２の実施形態は、新しい特徴すなわち、第１の追加特徴雑音変化Ｎ_ｖａｒと、滑らかな入力エネルギダイナミクスを示す第２の追加特徴Ｅ_{ｄｙｎ＿ＬＰ}とを導入する。下の擬似コードでは、Ｎ_ｖａｒがＥｔｏｔ＿ｖ＿ｈと表され、Ｅ_{ｄｙｎ＿ＬＰ}がｓｉｇｎ＿ｄｙｎ＿ｌｐと表される。信号ダイナミクスｓｉｇｎ＿ｄｙｎ＿ｌｐは、下のＥｔｏｔ＿ｌおよび上のＥｔｏｔ＿ｈから入力エネルギを追跡することによって推定される。その後、低域フィルタへの入力値して差分を使用して、平滑化された信号ダイナミクス測定値ｓｉｇｎ＿ｄｙｎ＿ｌｐを得る。実施形態をさらに明瞭にするために、太字で記述された擬似コードは、実施形態の新しい特徴に関係し、他の擬似コードは、従来技術に関係する。

雑音分散推定は、フレームの間の絶対エネルギ変化すなわちフレームの間の瞬間エネルギ変化の絶対値を測定するＥｔｏｔ＿ｖを使用して入力総エネルギから（ｌｏｇ領域で）行われる。特徴Ｅｔｏｔ＿ｖ＿ｈが、フレームごとに一定の小さな値０．２という最大値を増やすのみのために制限されることに留意されたい。さらに、変数Ｅｔｏｔ＿ｌａｓｔは、前のフレームのエネルギレベルである。ｖａｄ＿ｆｌａｇ＝＝０である場合に、本発明の実施形態に従って音声バーストの終わりでの大きいエネルギ低下を防ぐために、最後のフレームを使用することも可能である。

Ｎ_ｖａｒとも表されるＥｔｏｔ＿ｖ＿ｈは、入力信号の特徴を表すのに使用される、フレームの間のレベル変化の控えめな推定値を提供する特徴である。したがって、Ｅｔｏｔ＿ｖ＿ｈは、推定値がどの程度急速に増加できるのかに関する制限と共に、雑音フレームに関するフレーム間のエネルギ変化のエンベロープ追跡の推定値を記述する。

実施形態によれば、フレームあたりの平均ＳＮＲは、次の形で実施できる有意性しきい値の使用を用いて質を高められる。

この実施態様では、長期音声レベルおよび長期雑音レベルの推定値も、より正確なレベルのために改善された。音声レベルの初期化も、改善された。

初期化

長期音声レベルおよび長期雑音レベルの推定

２つの主要な変更が、本発明の実施形態によって導入される。第１の変更は、長期雑音レベルが必ず更新されることである。これは、ＶＡＤ＝１の場合であっても背景雑音推定値を下向きに更新できるので、動機づけられる。第２の変更は、長期音声レベル推定値が増加するレベルの場合により迅速な追跡を可能にすることであり、より迅速な追跡は、ｌｐ＿ｓｐｅｅｃｈ推定値がＶＡＤ判断独立音声レベル推定値であるＥｔｏｔ＿ｈより大きい場合に限って下向き調整についても可能となる。

実施形態による長期レベル推定値に関するこの新しい論理を用いて、雑音入力だけを用いる基本的な仮定は、ＳＮＲが低いことである。しかし、より迅速な追跡を用いて、入力音声は、より正しい長期レベル推定値を、また、それによってより良いＳＮＲ推定値を迅速に得る。

ＶＡＤしきい値適合の改善された論理は、既存の特徴と新しい特徴との両方に基づく。既存の特徴ＳＮＲ（ｌｐ＿ｓｎｒ）は、次の例の実施態様で示されるように入力雑音変動（Ｅｔｏｔ＿ｖ＿ｈ）および入力雑音レベル（ｌｐ＿ｎｏｉｓｅ）に関する新しい特徴によって補完され、長期音声レベル推定値と長期雑音レベル推定値と（ｌｐ＿ｓｐｅｅｃｈ、ｌｐ＿ｎｏｉｓｅ）の両方も、上で説明したように改善されていることに留意されたい。

上の擬似コードの第１ブロックは、平滑化された入力エネルギダイナミクス測定値ｓｉｇｎ＿ｄｙｎ＿ｌｐがどのように使用されるのかを示す。現在のＳＮＲ推定値が平滑化された入力エネルギダイナミクス測定値ｓｉｇｎ＿ｄｙｎ＿ｌｐより小さい場合には、使用されるＳＮＲは、一定の値だけ増やされる。しかし、変更されたＳＮＲ値は、平滑化された入力エネルギダイナミクス測定値ｓｉｇｎ＿ｄｙｎ＿ｌｐより大きくなることができない。

上の擬似コードの第２ブロックは、新しい特徴Ｅｔｏｔ＿ｖ＿ｈおよびしきい値適合に使用されるｓｉｇｎ＿ｄｙｎ＿ｌｐに依存するｌｐ＿ｓｎｒに基づく改善されたＶＡＤしきい値適合を示す。

示される結果は、異なるタイプおよびＳＮＲの背景雑音と明瞭な音声（レベル−２６ｄＢｏｖ）との混合の評価に基づく。明瞭な音声入力について、ハングオーバを全く伴わずに音声の活動値を得るためにフレームエネルギの固定されたしきい値を使用することが可能であり、このケースでは、しきい値は５１％であった。

表２は、改善の降順で初期評価結果を示す

この結果からわかるように、変更の組み合わせは、バブル雑音との混合の多くおよび５ｄＢ自動車雑音に関しては、低下した活動で相当なゲインがあったことを示している。

話者が１２８人でＳＮＲが１５ｄＢのバブル雑音の例も一例あり、評価により活動は増加していることがわかる。２％はさほど大きな増加ではないが、基準の活動及び変更の組み合わせによる活動の双方に関しては、明瞭な音声は５１％を下回っていることに留意されたい。したがって、このケースでは、組み合わされた変更での活動の増加が、実際に、基準との比較において混合された内容の主観的品質を改善する可能性がある。

改善がわずかまたは改善がない場合もあるが、これらは妥当なＳＮＲ（１５および２０）に対するものであり、これらの動作点に関しては、はるかに単純なエネルギベースのＶＡＤで妥当な性能が得られるであろう。

この表の評価された組合せのうちで、基準に対して妥当な活動となっているのは、１５ｄＢ ＳＮＲでの自動車およびバブル１２８だけである。バブル６４に関しては、５１％の明瞭な入力に対して活動は５７％で、基準は妥当な動作の境界線上にある。

これを、評価を行った８つの組合せのうちの６つを扱うことができる実施形態と比較することができる。活動が６１％に達した組み合わせは、ＳＮＲが５ｄＢのバブル６４およびＳＮＲが２０ｄＢのバブル３２であり、ここで、基準に対する改善が３０％単位程度であることを指摘しなければならない。

組み合わされた発明は、低いＳＮＲでの自動車雑音についても改善を示し、これは、５ｄＢ ＳＮＲでの自動車雑音混合物に関する改善によって示され、ここで、基準は、６６％活動を生成するが、組み合わされた発明の活動は５０％である。

開示された発明の変更および他の実施形態を、前述の説明および関連する図面に提示された教示の利益を有する当業者は思い浮かべるであろう。したがって、本発明の実施形態が、開示された特定の実施形態に限定されてはならず、変更および他の実施形態が、本開示の範囲に含まれることが意図されていることを理解されたい。特定の用語が本明細書で使用される場合があるが、それらの用語は、包括的で記述的な意味でのみ使用され、限定のためには使用されない。

Claims (13)

1. 入力信号のフレームがボイスを含むかどうかを判定するボイス活動検出器での方法であって、
   前記入力信号のフレームを受信すること（３０１）と、
   前記受信したフレームの第１信号対雑音比ＳＮＲを判定すること（３０２）と、
   前記判定された第１のＳＮＲを適応しきい値と比較すること（３０３）であって、前記適応しきい値は、少なくとも雑音レベルの総雑音エネルギ、第２のＳＮＲの推定値、および異なるフレームの間のエネルギ変化に基づく、比較を行うこと（３０３）と、
   前記比較に基づいて、前記受信したフレームがボイスを含むかどうかを検出すること（３０４）と
   を含む方法。
2. 前記受信したフレームの前記判定された第１のＳＮＲは、前記受信したフレームの異なるサブバンドの組み合わされたＳＮＲである、請求項１に記載の方法。
3. 有意性しきい値は、前記組み合わされた第１のＳＮＲを判定するのに使用される、請求項２に記載の方法。
4. 異なるフレームの間の前記エネルギ変化は、前記受信したフレームと雑音を含む最後に受信したフレームとの間のエネルギ変化である、請求項１ないし３のいずれか一項に記載の方法。
5. 前記受信したフレームの前記第２のＳＮＲの前記推定値は、複数のフレームにまたがって測定された長期ＳＮＲ推定値である、請求項１ないし４のいずれか一項に記載の方法。
6. 前記受信したフレームの前記第２のＳＮＲの前記推定値は、前記第２のＳＮＲの現在の推定値が滑らかな入力ダイナミクスの測定値より小さい場合に上向きに調整され、前記滑らかな入力ダイナミクスの測定値は、前記受信したフレームのエネルギダイナミクスを示す、請求項５に記載の方法。
7. 入力信号のフレームがボイスを含むかどうかを判定するボイス活動検出器（２００）であって、前記入力信号のフレームを受信するように構成された入力セクション（２０２）と、前記受信したフレームの第１信号対雑音比ＳＮＲを判定し、該判定された第１のＳＮＲを適応しきい値と比較するように構成されたプロセッサとを含み、該適応しきい値が少なくとも雑音レベルの総雑音エネルギ、第２のＳＮＲの推定値、および異なるフレームの間のエネルギ変化に基づいていて、前記比較に基づいて前記受信したフレームがボイスを含むかどうかを検出するボイス活動検出器（２００）。
8. 前記プロセッサ（２０３）は、前記受信したフレームの異なるサブバンドの組み合わされたＳＮＲとして前記受信したフレームの前記第１のＳＮＲを判定するように構成される、請求項７に記載のボイス活動検出器（２００）。
9. 前記プロセッサ（２０３）は、前記組み合わされた第１のＳＮＲを判定するのに有意性しきい値を使用するように構成される、請求項８に記載のボイス活動検出器（２００）。
10. 異なるフレームの間の前記エネルギ変化は、前記受信したフレームと雑音を含む最後に受信したフレームとの間のエネルギ変化である、請求項７ないし９のいずれか一項に記載のボイス活動検出器（２００）。
11. 前記受信したフレームの前記第２のＳＮＲの前記推定値は、複数のフレームにまたがって測定された長期推定値である、請求項７ないし１０のいずれか一項に記載のボイス活動検出器（２００）。
12. 前記プロセッサ（２０３）は、前記受信したフレームの前記第２のＳＮＲの現在の推定値が滑らかな入力ダイナミクスの測定値より小さい場合に、前記第２のＳＮＲの前記推定値を上向きに調整するように構成され、前記滑らかな入力ダイナミクスの測定値は、前記受信したフレームのエネルギダイナミクスを示す、請求項１１に記載のボイス活動検出器（２００）。
13. 前記ボイス活動検出器は、主ボイス活動検出器である、請求項７ないし１２のいずれか一項に記載のボイス活動検出器（２００）。

Images