JP2014016377A - 音声信号処理装置、方法及びプログラム - Google Patents

Abstract

【課題】 目的音声の振幅によらずに、目的音声区間を正しく検出できる音声信号処理装置を提供する。
【解決手段】 入力音声信号に遅延減算処理を施して、第１、第２の所定方位に死角を有する第１、第２の指向性信号を形成し、これら２つの指向性信号を用いてコヒーレンスを得る。そして、コヒーレンスと目的音声区間判定閾値とを比較して、入力音声信号が、目的音声区間か非目的音声区間かを判定すると共に、コヒーレンスと、目的音声区間判定閾値より大きいハングオーバー付与閾値とを比較して、上述の判定結果が目的音声区間から非目的音声区間へ変化しても、所定のハングオーバー長だけ、目的音声区間という判定結果を継続させる。
【選択図】 図１

Description

本発明は音声信号処理装置、方法及びプログラムに関し、例えば、携帯電話、テレビ会議などの、音声信号に対して目的音声区間検出などの処理を行う通信装置又は通信ソフトウェアに適用し得るものである。

目的音声区間検出とは、入力信号から目的話者が発生した発話信号の区間（以下、このような発話信号を目的音声と呼び、その区間を目的音声区間と呼ぶ）か否かを判定し、目的音声区間以外の非目的音声区間と区別する技術のことである（なお、目的音声以外を非目的音声と呼んでいる）。この判定結果に基づいて、後段で、音声符号化処理や雑音抑圧処理などを適宜稼動させるため、目的音声区間検出には高い精度が要求される。一般的な音声検出方法は、特許文献１に記載されているように、目的音声のレベルは変動し、非目的音声区間のレベルは定常的であることを前提として、入力された音声信号レベルの瞬時値と長期平均値とを比較し、瞬時値が長期平均値に所定の閾値以上の差をつけて上回っている区間を目的音声区間とみなす、というものである。

ところで、非目的音声は、話者以外の人間の声である「妨害音声」と、オフィスノイズや道路ノイズなどのような「背景雑音」とに分けられる。妨害音声も人間の音声なので、レベル変動は目的音声と同じよう挙動を持つため、従来の手法では、妨害音声の区間も目的音声区間に含まれてしまう、という課題がある。このため、この従来手法を音声符号化処理に適用した場合、妨害音声の特性も符号化後のパラメータに反映されてしまう。また、この従来手法を雑音抑圧処理に適用した場合には、妨害音声区間の信号は除去されず、十分な抑圧性能が得られなくなる。

このような課題は、目的音声区間検出部で参照する特徴量を、入力された音声信号レベルの変動から、コヒーレンスに変更することで改善される。コヒーレンスとは、簡単に述べれば、入力信号の到来方向を意味する特徴量である。携帯電話などの利用を想定した場合、話者の音声（目的音声）は正面から到来し、妨害音声は正面以外から到来する傾向が強いので、到来方向に着目することで、従来は不可能だった目的音声と妨害音声との区別が可能となる。

図１０は、目的音声区間検出機能にコヒーレンスを用いる場合の構成を示すブロック図である。

一対のマイクｍ＿１、ｍ＿２のそれぞれから、図示しないＡＤ変換器を介して入力信号ｓ１（ｎ）、ｓ２（ｎ）を取得する。なお、ｎはサンプルの入力順を表すインデックスであり、正の整数で表現される。本文中では、ｎが小さいほど古い入力サンプルであり、大きいほど新しい入力サンプルであるとする。

ＦＦＴ部１０は、マイクｍ＿１及びｍ＿２から入力信号系列ｓ１（ｎ）及びｓ２（ｎ）を受け取り、その入力信号ｓ１及びｓ２に高速フーリエ変換（あるいは離散フーリエ変換）を行うものである。これにより、入力信号ｓ１及びｓ２を周波数領域で表現することができる。なお、高速フーリエ変換を実施するにあたり、入力信号ｓ１（ｎ）及びｓ２（ｎ）から、所定のＮ個のサンプルからなる分析フレームＦＲＡＭＥ１（Ｋ）及びＦＲＡＭＥ２（Ｋ）を構成して適用する。入力信号ｓ１（ｎ）から分析フレームＦＲＡＭＥ１（Ｋ）を構成する例を以下の（１）式に示すが、分析フレームＦＲＡＭＥ２（Ｋ）も同様である。

なお、Ｋはフレームの順番を表すインデックスであり、正の整数で表現される。本文中では、Ｋが小さいほど古い分析フレームであり、大きいほど新しい分析フレームであるとする。また、以降の動作説明において、特に但し書きがない限りは、分析対象となる最新の分析フレームを表すインデックスはＫであるとする。

ＦＦＴ部１０は、分析フレームごとに高速フーリエ変換処理を施すことで、周波数領域信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）に変換し、得られた周波数領域信号Ｘ１（ｆ，Ｋ）及びＸ２（ｆ，Ｋ）をそれぞれ、対応する第１の指向性形成部１１、第２の指向性形成部１２に与える。なお、ｆは周波数を表すインデックスである。また、Ｘ１（ｆ，Ｋ）は単一の値ではなく、（２）式に示すように、複致の周波数ｆ１〜ｆｍのスペクトル成分から構成されるものである。Ｘ２（ｆ，Ｋ）や後述するＢ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）も同様である。

Ｘ１（ｆ，Ｋ）＝｛（ｆ１，Ｋ），（ｆ２，Ｋ），…，（ｆｍ，Ｋ）｝ …（２）
第１の指向性形成部１１では、周波数領域信号Ｘ１（ｆ，Ｋ）及びＸ２（ｆ，Ｋ）から特定方向に指向性が強い信号Ｂ１（ｆ，Ｋ）を形成し、第２の指向性形成部１２では、周波数領域信号Ｘ１（ｆ，Ｋ）及びＸ２（ｆ，Ｋ）から特定方向（上述の特定方向とは異なる）に指向性が強い信号Ｂ２（ｆ，Ｋ）を形成する。特定方向に指向性が強い信号Ｂ１（ｆ，Ｋ）、Ｂ２（ｆ，Ｋ）の形成方法としては既存の方法を適用でき、例えば、（３）式を適用して右方向に指向性が強いＢ１（ｆ，Ｋ）や（４）式を適用して左方向に指向性が強いＢ２（ｆ，Ｋ）が形成できる。（３）式及び（４）式では、フレームインデックスＫは演算に関与しないので省略している。

これらの式の意味を、（３）式を例に、図１１及び図１２を用いて説明する。図１１（Ａ）に示した方向θから音波が到来し、距離ｌだけ隔てて設置されている一対のマイクｍ＿１及びｍ＿２で捕捉されたとする。このとき、音波が一対のマイクｍ＿１及びｍ＿２に到達するまでには時間差が生じる。この到達時間差τは、音の経路差をｄとすると、ｄ＝ｌ×ｓｉｎθなので、音速をｃとすると（５）式で与えられる。

τ＝ｌ×ｓｉｎθ／ｃ …（５）
ところで、入力信号ｓ１（ｎ）にτだけ遅延を与えた信号ｓ１（ｔ−τ）は、入力信号ｓ２（ｔ）と同一の信号である。従って、両者の差をとった信号ｙ（ｔ）＝ｓ２（ｔ）−ｓ１（ｔ−τ）は、θ方向から到来した音が除去された信号となる。結果として、マイクロフォンアレーｍ＿１及びｍ＿２は図１１（Ｂ）のような指向特性を持つようになる。

なお、以上では、時間領域での演算を記したが、周波数領域で行っても同様なことがいえる。この場合の式が、上述した（３）式及び（４）式である。今、一例として、到来方向θが±９０度であることを想定する。すなわち、第１の指向性形成部１１からの指向性信号Ｂ１（ｆ）は、図１２（Ａ）に示すように右方向に強い指向性を有し、第２の指向性形成部１２からの指向性信号Ｂ２（ｆ）は、図１２（Ｂ）に示すように左方向に強い指向性を有する。

以上のようにして得られた指向性信号Ｂ１（ｆ）、Ｂ２（ｆ）に対し、コヒーレンス計算部１３で、（６）式、（７）式のような演算を施すことでコヒーレンスＣＯＨが得られる。（６）式におけるＢ２（ｆ）^＊はＢ２（ｆ）の共役複素数である。また、フレームインデックスＫは、（６）式、（７）式の演算には関与しないので、（６）式、（７）式ではフレームインデックスＫの記載を省略している。

目的音声区間検出部１４では、図１３に示すように、コヒーレンスＣＯＨ（Ｋ）を取得すると（ステップＳ１００）、コヒーレンスＣＯＨ（Ｋ）を目的音声区間判定閾値Θと比較し（ステップＳ１０１）、コヒーレンスＣＯＨ（Ｋ）が目的音声区間判定閾値Θ以上であれば目的音声区間とみなして判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）に１．０を代入し（ステップＳ１０２）、コヒーレンスＣＯＨ（Ｋ）が目的音声区間判定閾値Θより小さければ非目的音声区間（妨害音声、背景雑音の区間）とみなして判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）には０．０を代入し（ステップＳ１０３）、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）を出力する（ステップＳ１０４）。そして、次のフレームの処理に移行する（ステップＳ１０５）。後段の音声符号化処理や雑音抑圧処理は、この結果に基づいて、目的音声区間か否かに応じた所定の処理を行う。例えば、後段でボイススイッチ処理を行う場合であれば、図５に示すように、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）の値を確認し（ステップＳ１５０）、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）が１．０であると（目的音声区間であると）、ゲインＶＳ＿ＧＡＩＮとして１．０を設定し（ステップＳ１５１）、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）が０．０であると（非目的音声区間であると）、ゲインＶＳ＿ＧＡＩＮとして１．０未満の任意の正の数値αを設定し（ステップＳ１５２）、得られたゲインＶＳ＿ＧＡＩＮを入力信号ｉｎｐｕｔ（ｓ１（ｎ）若しくはｓ２（ｎ））に乗算することでボイススイッチ後信号ｏｕｔｐｕｔを得る（ステップＳ１５３）。これにより、非目的音声区間の信号を抑圧することができる。

ここで、コヒーレンスＣＯＨの大小で目的音声区間を検出する背景を簡単に述べておく。コヒーレンスＣＯＨの概念は、右から到来する信号と左から到来する信号の相関と言い換えられる（上述した（６）式はある周波数成分についての相関を算出する式であり、（７）式は全ての周波数成分の相関値の平均を計算している）。従って、コヒーレンスＣＯＨが小さい場合とは、２つの指向性信号Ｂ１及びＢ２の相関が小さい場合であり、反対にコヒーレンスＣＯＨが大きい場合とは相関が大きい場合と言い換えることができる。そして、相関が小さい場合の入力信号は、入力到来方向が右又は左のどちらかに大きく偏った場合か、偏りがなくても雑音のような明確な規則性の少ない信号の場合である。そのため、コヒーレンスＣＯＨが小さい区間は妨害音声区間あるいは背景雑音区間（非目的音声区間）であるといえる。一方、コヒーレンスＣＯＨの値が大きい場合は、到来方向の偏りがないため、入力信号が正面から到来する場合であるといえる。今、目的音声は正面から到来すると仮定しているので、コヒーレンスＣＯＨが大きい場合は目的音声区間といえる。

特開平０７−１８１９９１号公報

しかしながら、コヒーレンスＣＯＨは、目的音声区間であっても小振幅部では値が小さくなるため、上述した従来の手法では、正面から到来する目的音声であっても、コヒーレンスＣＯＨの値が小さくなって非目的音声区間と誤判定されることも生じる。

そのため、目的音声の振幅の大小によらずに、目的音声区間を正しく検出することができる音声信号処理装置、方法及びプログラムが望まれている。

第１の本発明は、入力音声信号から目的音声の区間と非目的音声の区間とを切り分ける音声信号処理装置において、（１）入力音声信号に遅延減算処理を施すことで、第１の所定方位に死角を有する指向性特性を付与した第１の指向性信号を形成する第１の指向性形成部と、（２）入力音声信号に遅延減算処理を施すことで、前記第１の所定方位とは異なる第２の所定方位に死角を有する指向性特性を付与した第２の指向性信号を形成する第２の指向性形成部と、（３）前記第１及び第２の指向性信号を用いてコヒーレンスを得るコヒーレンス計算部と、（４）前記コヒーレンスと目的音声区間判定閾値とを比較して、入力音声信号が、目的方位から到来している目的音声の区間か、それ以外の非目的音声区間かを判定すると共に、前記コヒーレンスと、前記目的音声区間判定閾値より大きいハングオーバー付与閾値とを比較して、前記目的音声区間判定閾値を用いた比較による判定結果が目的音声区間から非目的音声区間へ変化しても、所定のハングオーバー長だけ、目的音声区間という判定結果を継続させる目的音声区間検出・ハングオーバー付与部とを有することを特徴とする。

第２の本発明は、入力音声信号から目的音声の区間と非目的音声の区間とを切り分ける音声信号処理方法において、（１）第１の指向性形成部は、入力音声信号に遅延減算処理を施すことで、第１の所定方位に死角を有する指向性特性を付与した第１の指向性信号を形成し、（２）第２の指向性形成部は、入力音声信号に遅延減算処理を施すことで、前記第１の所定方位とは異なる第２の所定方位に死角を有する指向性特性を付与した第２の指向性信号を形成し、（３）コヒーレンス計算部は、前記第１及び第２の指向性信号を用いてコヒーレンスを計算し、（４）目的音声区間検出・ハングオーバー付与部は、計算された前記コヒーレンスと目的音声区間判定閾値とを比較して、入力音声信号が、目的方位から到来している目的音声の区間か、それ以外の非目的音声区間かを判定すると共に、前記コヒーレンスと、前記目的音声区間判定閾値より大きいハングオーバー付与閾値とを比較して、前記目的音声区間判定閾値を用いた比較による判定結果が目的音声区間から非目的音声区間へ変化しても、所定のハングオーバー長だけ、目的音声区間という判定結果を継続させることを特徴とする。

第３の本発明の音声信号処理プログラムは、コンピュータを、（１）入力音声信号に遅延減算処理を施すことで、第１の所定方位に死角を有する指向性特性を付与した第１の指向性信号を形成する第１の指向性形成部と、（２）入力音声信号に遅延減算処理を施すことで、前記第１の所定方位とは異なる第２の所定方位に死角を有する指向性特性を付与した第２の指向性信号を形成する第２の指向性形成部と、（３）前記第１及び第２の指向性信号を用いてコヒーレンスを得るコヒーレンス計算部と、（４）前記コヒーレンスと目的音声区間判定閾値とを比較して、入力音声信号が、目的方位から到来している目的音声の区間か、それ以外の非目的音声区間かを判定すると共に、前記コヒーレンスと、前記目的音声区間判定閾値より大きいハングオーバー付与閾値とを比較して、前記目的音声区間判定閾値を用いた比較による判定結果が目的音声区間から非目的音声区間へ変化しても、所定のハングオーバー長だけ、目的音声区間という判定結果を継続させる目的音声区間検出・ハングオーバー付与部として機能させることを特徴とする。

本発明によれば、目的音声の振幅の大小によらずに、目的音声区間を正しく検出することができる。

第１の実施形態に係る音声信号処理装置の構成を示すブロック図である。 第１の実施形態の音声信号処理装置における目的音声区間検出・ハングオーバー付与部の動作を示すフローチャートである。 第２の実施形態に係る音声信号処理装置の構成を示すブロック図である。 第２の実施形態の音声信号処理装置におけるハングオーバーカウンタ初期化閾値制御部の内部構成を示すブロック図である。 図４の初期化閾値記憶部の構成例を示す説明図である。 第２の実施形態の音声信号処理装置におけるハングオーバーカウンタ初期化閾値制御部の動作を示すフローチャートである。 第３の実施形態に係る音声信号処理装置の構成を示すブロック図である。 第３の実施形態の音声信号処理装置におけるハングオーバーカウンタ初期値制御部の内部構成を示すブロック図である。 図８の初期値記憶部の構成例を示す説明図である。 目的音声検出機能にコヒーレンスを用いる場合の構成を示すブロック図である。 図１０の指向性形成部からの指向性信号の性質を示す説明図である。 図１０の２つの指向性形成部による指向性の特性を示す説明図である。 図１０の目的音声区間検出部の処理を示すフローチャートである。 ボイススイッチ処理の流れを示すフローチャートである。

（Ａ）第１の実施形態
以下、本発明による音声信号処理装置、方法及びプログラムの第１の実施形態を、図面を参照しながら説明する。第１の実施形態は、コヒーレンスＣＯＨに基づいて目的音声区間を検出するにつき、目的音声の振幅が小さくても目的音声区間を正しく検出できるようにハングオーバー機能を導入したものである。

（Ａ−１）第１の実施形態の構成
図１は、第１の実施形態に係る音声信号処理装置の構成を示すブロック図であり、上述した図１０との同一、対応部分には同一符号を付して示している。ここで、一対のマイクｍ＿１及びｍ＿２を除いた部分は、ＣＰＵが実行するソフトウェア（音声信号処理プログラム）として実現することも可能であるが、機能的には、図１で表すことができる。

図１において、第１の実施形態に係る音声信号処理装置１は、従来と同様なマイクｍ＿１、ｍ＿２、ＦＦＴ部１０、第１指向性形成部１１、第２の指向性形成部１２及びコヒーレンス計算部１３に加え、目的音声区間検出・ハングオーバー付与部１５を有する。目的音声区間検出・ハングオーバー付与部１５は、従来の目的音声区間検出部１４に代えて設けられたものである。

ここで、マイクｍ＿１、ｍ＿２、ＦＦＴ部１０、第１指向性形成部１１、第２の指向性形成部１２及びコヒーレンス計算部１３は、従来と同様な機能を担っているので、その機能説明は省略する。

目的音声区間検出・ハングオーバー付与部１５は、コヒーレンスＣＯＨに基づいて目的音声区間か非目的音声区間かを判定させると共に、目的音声区間であるという判定結果を一定時間だけ保持させるようにしたものである。目的音声区間検出・ハングオーバー付与部１５の具体的な機能については、後述する動作説明の項で明らかにする。

（Ａ−２）第１の実施形態の動作
次に、第１の実施形態の音声信号処理装置１の動作を、図面を参照しながら、全体動作、目的音声区間検出・ハングオーバー付与部１５における詳細動作の順に説明する。

一対のマイクｍ＿１及びｍ＿２から入力された信号ｓ１（ｎ）、ｓ２（ｎ）はそれぞれ、ＦＦＴ部１０によって時間領域から周波数領域の信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）に変換された後、第１及び第２の指向性形成部１１及び１２のそれぞれによって、所定の方位に死角を有する指向性信号Ｂ１(ｆ，Ｋ)、Ｂ２（ｆ，Ｋ）が生成される。そして、コヒーレンス計算部１３において、指向性信号Ｂ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）を適用して、（６）式及び（７）式の演算が実行され、コヒーレンスＣＯＨ（Ｋ）が算出される。

目的音声区間検出・ハングオーバー付与部１５においては、コヒーレンスＣＯＨ（Ｋ）に基づいて目的音声区間か非目的音声区間かが判定されると共に、目的音声区間であるという判定結果は一定時間だけ保持され、そのようにして形成された判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）が後段に出力される。

次に、目的音声区間検出・ハングオーバー付与部１５の動作を説明する。図２は、目的音声区間検出・ハングオーバー付与部１５の動作を示すフローチャートであり、上述した図１３との同一、対応ステップには同一符号を付して示している。

目的音声区間検出・ハングオーバー付与部１５は、コヒーレンスＣＯＨ（Ｋ）を受信すると（ステップＳ１００）、コヒーレンスＣＯＨ（Ｋ）とハングオーバーカウンタ初期化閾値Ψと比較する（ステップＳ２００）。そして、コヒーレンスＣＯＨ（Ｋ）が閾値Ψ以上であると、目的音声区間であると判定し、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）に１．０を、ハングオーバーカウンタｃｏｕｎｔｅｒにはカウンタ初期値ＬＥＮＧＴＨを代入する（ステップＳ２０１）。ここで、カウンタ初期値ＬＥＮＧＴＨは、どの程度の期間、目的音声区間判定結果変数（ＶＡＤ＿ＲＥＳ（Ｋ）＝１．０）を保持するかを制御する変数であり、設計者が任意の値を定めれば良い。

一方、コヒーレンスＣＯＨ（Ｋ）が閾値Ψより小さいと、目的音声区間検出・ハングオーバー付与部１５は、コヒーレンスＣＯＨ（Ｋ）と目的音声区間判定閾値Φ（但しΨ＞Φ）と比較する（ステップＳ２０２）。そして、コヒーレンスＣＯＨ（Ｋ）が閾値Φ以上であると、ハングオーバーカウンタｃｏｕｎｔｅｒを操作することなく、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）に１．０を代入することだけを行う（ステップＳ２０３）。

目的音声区間検出・ハングオーバー付与部１５は、コヒーレンスＣＯＨ（Ｋ）が閾値Φより小さいと、ハングオーバーカウンタｃｏｕｎｔｅｒが正か否かを判定する（ステップＳ２０４）。そして、ハングオーバーカウンタｃｏｕｎｔｅｒが正であればコヒーレンスＣＯＨ（Ｋ）は小さくても目的音声区間と判定し、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）に１．０を代入すると共に、ハングオーバーカウンタｃｏｕｎｔｅｒを１デクリメントする。

一方、コヒーレンスＣＯＨ（Ｋ）が閾値Φより小さい上に、ハングオーバーカウンタｃｏｕｎｔｅｒが０以下であれば、目的音声区間検出・ハングオーバー付与部１５は、非目的音声区間と判定し、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）に０．０を代入する（ステップＳ２０６）。

その後、目的音声区間検出・ハングオーバー付与部１５は、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）を後段に出力し（ステップＳ１０４）、次のフレームの処理に移行する（ステップＳ１０５）。

以上のような処理を通じて、一旦、コヒーレンスＣＯＨ（Ｋ）が閾値Ψ以上となってハングオーバーカウンタｃｏｕｎｔｅｒにカウンタ初期値ＬＥＮＧＴＨが代入されると、コヒーレンスＣＯＨ（Ｋ）が閾値Φより小さくなっても、ハングオーバーカウンタｃｏｕｎｔｅｒが正である期間だけ、コヒーレンスＣＯＨ（Ｋ）が閾値Φ以上である場合と同様な判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）が継続して出力される。

（Ａ−３）第１の実施形態の効果
第１の実施形態によれば、コヒーレンスＣＯＨに基づいて目的音声区間を検出するにつき、コヒーレンスＣＯＨが大きい状態から小さい状態に移行したときには、コヒーレンスＣＯＨが目的音声区間判定閾値Φより小さくても、所定期間だけ目的音声と判定させるようにしたので、目的音声の振幅が小さくてコヒーレンスＣＯＨが小さくなっても目的音声区間を正しく検出することができる。

これにより、第１の実施形態の音声処理装置を、テレビ会議システムや携帯電話などの通信装置に適用することで、通話音質の向上が期待できる。また、第１の実施形態を、ボイススイッチ、音源分離、音声符号化などの音声信号処理機能と併用することで、これらの機能によって得られる効果をさらに向上させることができる。

（Ｂ）第２の実施形態
次に、本発明による音声信号処理装置、方法及びプログラムの第２の実施形態を、図面を参照しながら説明する。

第２の実施形態は、第１の実施形態で生じる可能性がある不都合を解消しようとしたものである。

背景雑音が重畳されると、目的音声区間でのコヒーレンスは極大値が小さくなり、極小値が大きくなる、という挙動をする。極大値が小さくなるのは、音声信号よりも波形の規則性が低い背景雑音の影響も反映されてコヒーレンス値が算出されてしまうためである。また、極小値が大きくなるのは、背景雑音は規則性が低いとはいえ無音の場合よりは規則性が出るためである。

このため、第１の実施形態をそのまま適用した場合、背景雑音によっては、コヒーレンスＣＯＨ（Ｋ）がハングオーバーカウンタ初期化閾値Ψを上回る頻度が下がり、十分にハングオーバーが付与きれなくなってしまい、目的音声区間判定に誤判定が生じる。

第２の実施形態は、このような第１の実施形態の不都合を解消するために、背景雑音重畳時には、目的音声区間におけるコヒーレンスＣＯＨ（Ｋ）のばらつきが小さくなるという特徴を用いて、ハングオーバーカウンタ初期化閾値Ψを目的音声区間のコヒーレンスＣＯＨ（Ｋ）のばらつきに応じて適応的に制御することとした。第２の実施形態では、コヒーレンスＣＯＨ（Ｋ）のばらつきを表す指標として分散を用いている。

（Ｂ−１）第２の実施形態の構成
図３は、第２の実施形態に係る音声信号処理装置の構成を示すブロック図であり、上述した第１の実施形態に係る図１との同一、対応部分には同一符号を付して示している。

図３において、第２の実施形態に係る音声信号処理装置１Ａは、第１の実施形態と同様なマイクｍ＿１、ｍ＿２、ＦＦＴ部１０、第１指向性形成部１１、第２の指向性形成部１２、コヒーレンス計算部１３及び目的音声区間検出・ハングオーバー付与部１５に加え、ハングオーバーカウンタ初期化閾値制御部１６を有する。

ここで、マイクｍ＿１、ｍ＿２、ＦＦＴ部１０、第１指向性形成部１１、第２の指向性形成部１２、コヒーレンス計算部１３及び目的音声区間検出・ハングオーバー付与部１５は、第１の実施形態と同様な機能を担っているので、その機能説明は省略する。

ハングオーバーカウンタ初期化閾値制御部１６は、コヒーレンスＣＯＨ（Ｋ）と、目的音声区間検出結果変数ＶＡＤ＿ＲＥＳ（Ｋ）とに基づき、目的音声区間におけるコヒーレンスの分散を算出し、算出した分散に基づいて、ハングオーバーカウンタ初期化閾値Ψを定めて目的音声区間検出・ハングオーバー付与部１５に設定するものである。

上述したように、背景雑音が重畳されると、目的音声区間におけるコヒーレンスの極大値は小さくなり、極小値は大きくなることから、目的音声区間ではコヒーレンスの分散が小さくなるといえる。従って、目的音声区間におけるコヒーレンスの分散が大きければ背景雑音は重畳されておらず、反対に分散が小さければ背景雑音が重畳されている、という判定が可能となる。従って、目的音声区間におけるコヒーレンスの分散の値に応じて、ハングオーバーカウンタ初期化閾値Ψを制御すれば、背景雑音重畳時の目的音声区間の誤判定を改善することができる。

図４は、ハングオーバーカウンタ初期化閾値制御部１６の内部構成を示すブロック図である。

図４において、ハングオーバーカウンタ初期化閾値制御部１６は、コヒーレンス・判定結果受信部２１、閾値更新制御部２２、分散計算部２３、ハングオーバーカウンタ初期化閾値照合部２４、初期化閾値記憶部２５及びハングオーバーカウンタ初期化閾値送信部２６を有する。

コヒーレンス・判定結果受信部２１は、コヒーレンス計算部１３からコヒーレンスＣＯＨ（Ｋ）を目的音声区間検出・ハングオーバー付与部１５から判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）を受け取るものである。

閾値更新制御部２２は、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）を参照して目的音声区間か否かを判定し、目的音声区間でのみ、分散計算部２３、ハングオーバーカウンタ初期化閾値照合部２４及び初期化閾値記憶部２５を有効に機能させるものである。閾値更新制御部２２は、非目的音声区間では、直前のハングオーバーカウンタ初期化閾値を維持させるものである。

分散計算部２３は、目的音声区間におけるコヒーレンスの分散ｖａｒｉａｎｃｅ（Ｋ）を計算するものである。ここで、最古サンプルまでの時間差は変動することがあるが所定サンプル数のコヒーレンスを用いて分散を計算するようにしても良く、また、サンプル数は変動することがあるが所定期間内のサンプルを用いて分散を計算するようにしても良い。

初期化閾値記憶部２５は、コヒーレンスの分散ｖａｒｉａｎｃｅの範囲と、ハングオーバーカウンタ初期化閾値Ψの値とを対応付けて記憶しているものである。図５は、初期化閾値記憶部２５の構成例を示す説明図である。分散ｖａｒｉａｎｃｅがＡ以上Ｂ未満の範囲は、ハングオーバーカウンタ初期化閾値Ψの値としてαが対応付けられ、分散ｖａｒｉａｎｃｅがＢ以上Ｃ未満の範囲は、ハングオーバーカウンタ初期化閾値Ψの値としてβ（α＜β）が対応付けられ、分散ｖａｒｉａｎｃｅがＣ以上Ｄ未満の範囲は、ハングオーバーカウンタ初期化閾値Ψの値としてγ（β＜γ）が対応付けられている。

以上のようなＡ＜Ｂ＜Ｃ＜Ｄ、α＜β＜γという大小関係にすることにより、分散が小さい（背景雑音が重畳されている）場合には、ハングオーバーカウンタ初期化閾値Ψを小さくすることができ、目的音声区間中でのハングオーバー効果が損なわれることを防止できる。

ハングオーバーカウンタ初期化閾値照合部２４は、分散計算部２３が計算したコヒーレンスの分散ｖａｒｉａｎｃｅ（Ｋ）をキーとして、初期化閾値記憶部２５を照合し、その分散ｖａｒｉａｎｃｅ（Ｋ）の値が属する範囲に対応付けられているハングオーバーカウンタ初期化閾値Ψの値を取り出すものである。

ハングオーバーカウンタ初期化閾値送信部２６は、ハングオーバーカウンタ初期化閾値照合部２４が得たハングオーバーカウンタ初期化閾値Ψの値、若しくは、直前（Ｋ−１）フレームのハングオーバーカウンタ初期化閾値Ψの値を、目的音声区間検出・ハングオーバー付与部１５に送信するものである。

第２の実施形態の目的音声区間検出・ハングオーバー付与部１５は、ハングオーバーカウンタ初期化閾値制御部１６からのハングオーバーカウンタ初期化閾値Ψ（Ｋ）を適用して、ハングオーバー付与機能を実行するものである。

（Ｂ−２）第２の実施形態の動作
次に、第２の実施形態の音声信号処理装置１Ａの動作を、図面を参照しながら、全体動作、ハングオーバーカウンタ初期化閾値照合部２４における詳細動作の順に説明する。

一対のマイクｍ＿１及びｍ＿２から入力された信号ｓ１（ｎ）、ｓ２（ｎ）はそれぞれ、ＦＦＴ部１０によって時間領域から周波数領域の信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）に変換された後、第１及び第２の指向性形成部１１及び１２のそれぞれによって、所定の方位に死角を有する指向性信号Ｂ１(ｆ，Ｋ)、Ｂ２（ｆ，Ｋ）が生成される。そして、コヒーレンス計算部１３において、指向性信号Ｂ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）を適用して、（６）式及び（７）式の演算が実行され、コヒーレンスＣＯＨ（Ｋ）が算出される。

ハングオーバーカウンタ初期化閾値制御部１６においては、コヒーレンスＣＯＨ（Ｋ）と、目的音声区間検出結果変数ＶＡＤ＿ＲＥＳ（Ｋ）とに基づき、目的音声区間におけるコヒーレンスの分散が算出され、さらに、算出された分散に基づいて、ハングオーバーカウンタ初期化閾値Ψが定められて目的音声区間検出・ハングオーバー付与部１５に与えられる。

目的音声区間検出・ハングオーバー付与部１５においては、コヒーレンスＣＯＨ（Ｋ）に基づいて、目的音声区間か非目的音声区間かが判定されると共に、コヒーレンスＣＯＨ（Ｋ）がハングオーバーカウンタ初期化閾値制御部１６から与えられたハングオーバーカウンタ初期化閾値Ψ（Ｋ）以上のときには、目的音声区間であるという判定結果が一定時間だけ保持され（上述した図２参照）、そのようにして形成された判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）が後段に出力される。

次に、ハングオーバーカウンタ初期化閾値制御部１６の動作を説明する。図６は、ハングオーバーカウンタ初期化閾値制御部１６の動作を示すフローチャートである。

コヒーレンス計算部１３からのコヒーレンスＣＯＨ（Ｋ）及び目的音声区間検出・ハングオーバー付与部１５からの判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）がコヒーレンス・判定結果受信部２１によって受信される（ステップＳ２５０）。そして、閾値更新制御部２２によって、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）が参照されて、目的音声区間か否かが判定される（ステップＳ２５１）。この判定は、言い換えると、ハングオーバーカウンタ初期化閾値Ψを見直す目的音声区間か、直前のハングオーバーカウンタ初期化閾値Ψを継続（流用）する非目的音声区間かの判定になっている。

判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）が目的音声区間であることを表す値になっていると、分散計算部２３によって、入力されたコヒーレンスＣＯＨ（Ｋ）も利用されて、目的音声区間におけるコヒーレンスの分散ｖａｒｉａｎｃｅ（Ｋ）が計算される（ステップＳ２５２）。そして、ハングオーバーカウンタ初期化閾値照合部２４によって、初期化閾値記憶部２５から、算出された分散ｖａｒｉａｎｃｅ（Ｋ）に応じたハングオーバーカウンタ初期化閾値Ψ（Ｋ）が得られる（ステップＳ２５３）。

一方、判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）が目的音声区間であることを表す値になっていると、閾値更新制御部２２によって、直前フレームで適用されていた初期化判定閾値が、今回のフレームにおいてもハングオーバーカウンタ初期化閾値Ψ（Ｋ）として設定される（ステップＳ２５４）。

以上のようにして、パラメータＫで定まる現フレームについてのハングオーバーカウンタ初期化閾値Ψ（Ｋ）が得られると、ハングオーバーカウンタ初期化閾値送信部２６によって、目的音声区間検出・ハングオーバー付与部１５に送信され（ステップＳ２５５）、その後、次のフレームの処理に移行する（ステップＳ２５６）。

（Ｂ−３）第２の実施形態の効果
第２の実施形態によれば、第１の実施形態と同様な効果に加え、以下のような効果を奏することができる。

第２の実施形態によれば、目的音声に対する背景雑音の重畳に応じて、ハングオーバーカウンタ初期化閾値を適切な値に設定できるので、過不足のないハングオーバー効果を得られるようになる。

（Ｃ）第３の実施形態
次に、本発明による音声信号処理装置、方法及びプログラムの第３の実施形態を、図面を参照しながら説明する。

第３の実施形態は、第２の実施形態で生じる可能性がある不都合を解消しようとしたものである。

第２の実施形態では、ハングオーバーカウンタ初期化閾値Ψを目的音声区間での分散によって制御することで、背景雑音の重畳時でもハングオーバー期間が十分に付与されるように改善した。ところで、ハングオーバーカウンタ初期値ＬＥＮＧＴＨが一定なまま、ハングオーバーカウンタ初期化閾値Ψを変動させた場合、次のような現象が起きる場合がある。

現象１；ハングオーバーカウンタ初期化閾値Ψが大きくなったら、付与されるハングオーバー期間が不足し、目的音声区間の一部が非目的音声区間と誤判定される。これは、コヒーレンスＣＯＨがハングオーバーカウンタ初期化閾値Ψを上回る頻度が減るので、ハングオーバーカウンタｃｏｕｎｔｅｒが初期化される頻度が下がり、ハングオーバー期間がめったに付与されなくなるためである。

現象２；ハングオーバーカウンタ初期化閾値Ψが小さくなったら、ハングオーバー期間が過剰に付与され、目的音声区間直後の非目的音声区間が目的音声区間と誤判定される。これは、コヒーレンスＣＯＨがハングオーバーカウンタ初期化閾値Ψを上回る頻度が増すようになるので、ハングオーバーカウンタｃｏｕｎｔｅｒが頻繁に初期化されるようになり、その結果、付与されるハングオーバー期間がどんどん延長されるためである。

以上のことから、ハングオーバーカウンタ初期化閾値Ψに応じてハングオーバーカウンタ初期値ＬＥＮＧＴＨを制御することで、付与されるハングオーバー期間をさらに適切に設定できることが分かる。第３の実施形態は、ハングオーバーカウンタ初期化閾値Ψに応じてハングオーバーカウンタ初期値ＬＥＮＧＴＨを制御するようにして、さらなる性能改善を図ったものである。

（Ｃ−１）第３の実施形態の構成
図７は、第３の実施形態に係る音声信号処理装置の構成を示すブロック図であり、上述した第２の実施形態に係る図３との同一、対応部分には同一符号を付して示している。

図７において、第３の実施形態に係る音声信号処理装置１Ｂは、第２の実施形態と同様なマイクｍ＿１、ｍ＿２、ＦＦＴ部１０、第１指向性形成部１１、第２の指向性形成部１２、コヒーレンス計算部１３、目的音声区間検出・ハングオーバー付与部１５及びハングオーバーカウンタ初期化閾値制御部１６に加え、ハングオーバーカウンタ初期値制御部１７を有する。

ここで、マイクｍ＿１、ｍ＿２、ＦＦＴ部１０、第１指向性形成部１１、第２の指向性形成部１２、コヒーレンス計算部１３、目的音声区間検出・ハングオーバー付与部１５及びハングオーバーカウンタ初期化閾値制御部１６は、第２の実施形態と同様な機能を担っているので、その機能説明は省略する。

ハングオーバーカウンタ初期値制御部１７は、ハングオーバーカウンタ初期化閾値制御部１６から与えられたハングオーバーカウンタ初期化閾値Ψ（Ｋ）に応じたハングオーバーカウンタ初期値ＬＥＮＧＴＨ（Ｋ）を得て、目的音声区間検出・ハングオーバー付与部１５に与えるものである。

図８は、ハングオーバーカウンタ初期値制御部１７の内部構成を示すブロック図である。

図８において、ハングオーバーカウンタ初期値制御部１７は、初期化閾値受信部３１、ハングオーバーカウンタ初期値照合部３２、初期値記憶部３３及びハングオーバーカウンタ初期値送信部３４を有する。

初期化閾値受信部３１は、ハングオーバーカウンタ初期化閾値制御部１６から出力されたハングオーバーカウンタ初期化閾値Ψ（Ｋ）を受信するものである。

初期値記憶部３３は、ハングオーバーカウンタ初期化閾値Ψの範囲と、ハングオーバーカウンタ初期値ＬＥＮＧＴＨの値とを対応付けて記憶しているものである。図９は、初期値記憶部３３の構成例を示す説明図である。ハングオーバーカウンタ初期化閾値ΨがＴ１以上Ｔ２未満の範囲は、ハングオーバーカウンタ初期値ＬＥＮＧＴＨの値としてＬ１が対応付けられ、ハングオーバーカウンタ初期化閾値ΨがＴ２以上Ｔ３未満の範囲は、ハングオーバーカウンタ初期値ＬＥＮＧＴＨの値としてＬ２（Ｌ１＜Ｌ２）が対応付けられ、ハングオーバーカウンタ初期化閾値ΨがＴ３以上Ｔ４未満の範囲は、ハングオーバーカウンタ初期値ＬＥＮＧＴＨの値としてＬ３（Ｌ２＜Ｌ３）が対応付けられている。

ここで、Ｔ１＜Ｔ２＜Ｔ３＜Ｔ４及びＬ１＜Ｌ２＜Ｌ３という大小関係により、ハングオーバーカウンタ初期化閾値Ψが小さい場合には、過剰なハングオーバー期間が付与されないように小さいハングオーバーカウンタ初期値ＬＥＮＧＴＨが設定され、ハングオーバーカウンタ初期化閾値Ψが大きい場合には、付与されるハングオーバー期間が不足しないように大きいハングオーバーカウンタ初期値ＬＥＮＧＴＨが設定されるようになる。

ハングオーバーカウンタ初期値照合部３２は、初期化閾値受信部３１が受信したハングオーバーカウンタ初期化閾値Ψ（Ｋ）をキーとして、初期値記憶部３３を照合し、その初期化閾値Ψ（Ｋ）の値が属する範囲に対応付けられているハングオーバーカウンタ初期値ＬＥＮＧＴＨの値を取り出すものである。

ハングオーバーカウンタ初期値送信部３４は、ハングオーバーカウンタ初期値照合部３２が得たハングオーバーカウンタ初期値ＬＥＮＧＴＨを現フレームに係る初期値ＬＥＮＧＴＨ（Ｋ）として、目的音声区間検出・ハングオーバー付与部１５に送信するものである。

第３の実施形態の目的音声区間検出・ハングオーバー付与部１５は、ハングオーバーカウンタ初期化閾値制御部１６からのハングオーバーカウンタ初期化閾値Ψ（Ｋ）とハングオーバーカウンタ初期値制御部１７からのハングオーバーカウンタ初期値ＬＥＮＧＴＨ（Ｋ）とを適用して、ハングオーバー付与機能を実行するものである。

（Ｃ−２）第３の実施形態の動作
次に、第３の実施形態の音声信号処理装置１Ｂの動作を、図面を参照しながら、全体動作、ハングオーバーカウンタ初期値制御部１７における詳細動作の順に説明する。

一対のマイクｍ＿１及びｍ＿２から入力された信号ｓ１（ｎ）、ｓ２（ｎ）はそれぞれ、ＦＦＴ部１０によって時間領域から周波数領域の信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）に変換された後、第１及び第２の指向性形成部１１及び１２のそれぞれによって、所定の方位に死角を有する指向性信号Ｂ１(ｆ，Ｋ)、Ｂ２（ｆ，Ｋ）が生成される。そして、コヒーレンス計算部１３において、指向性信号Ｂ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）を適用して、（６）式及び（７）式の演算が実行され、コヒーレンスＣＯＨ（Ｋ）が算出される。

ハングオーバーカウンタ初期化閾値制御部１６においては、コヒーレンスＣＯＨ（Ｋ）と、目的音声区間検出結果変数ＶＡＤ＿ＲＥＳ（Ｋ）とに基づき、目的音声区間におけるコヒーレンスの分散が算出され、さらに、算出された分散に基づいて、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）が定められて目的音声区間検出・ハングオーバー付与部１５及びハングオーバーカウンタ初期値制御部１７に与えられる。

ハングオーバーカウンタ初期値制御部１７においては、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）に応じたハングオーバーカウンタ初期値ＬＥＮＧＴＨ（Ｋ）が得られ、目的音声区間検出・ハングオーバー付与部１５に与えられる。

目的音声区間検出・ハングオーバー付与部１５においては、コヒーレンスＣＯＨ（Ｋ）に基づいて、目的音声区間か非目的音声区間かが判定されると共に、コヒーレンスＣＯＨ（Ｋ）がハングオーバーカウンタ初期化閾値制御部１６から与えられたハングオーバーカウンタ初期化閾値Ψ（Ｋ）以上のときには、目的音声区間であるという判定結果が、ハングオーバーカウンタ初期値制御部１７からのハングオーバーカウンタ初期値ＬＥＮＧＴＨ（Ｋ）で定める期間だけ保持され（上述した図２参照）、そのようにして形成された判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）が後段に出力される。

次に、ハングオーバーカウンタ初期値制御部１７の動作を説明する。フローチャートの図示は省略するが。ハングオーバーカウンタ初期値制御部１７の内部構成を示した上述した図８は、ハングオーバーカウンタ初期値制御部１７の動作を示すフローチャートと見ることもできる。

初期化閾値受信部３１において、ハングオーバーカウンタ初期化閾値制御部１６からのハングオーバーカウンタ初期化閾値Ψ（Ｋ）が受信される。そして、ハングオーバーカウンタ初期値照合部３２によって、初期値記憶部３３から、受信されたハングオーバーカウンタ初期化閾値Ψ（Ｋ）に応じたハングオーバーカウンタ初期値ＬＥＮＧＴＨ（Ｋ）が得られ、ハングオーバーカウンタ初期値送信部３４によって、目的音声区間検出・ハングオーバー付与部１５に送信され、その後、次のフレームの処理に移行する。

（Ｃ−３）第３の実施形態の効果
第３の実施形態によれば、第２の実施形態と同様な効果に加え、以下のような効果を奏することができる。

第３の実施形態によれば、ハングオーバーカウンタ初期化閾値と対応する最適なハングオーバーカウンタ初期値を用いることができるので、過不足のないハングオーバー効果が得られる。

（Ｄ）他の実施形態
上記各実施形態では、目的音声区間判定閾値Φが１つのものを示したが、目的音声区間判定閾値として複数の閾値を設け、ハングオーバー操作を変えるようにしても良い。例えば、目的音声区間判定閾値としてΦ１及びΦ２（Φ１＞Φ２）を設け、コヒーレンスＣＯＨ（Ｋ）が目的音声区間判定閾値Φ１以上のときは判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）に１．０を設定し、コヒーレンスＣＯＨ（Ｋ）が目的音声区間判定閾値Φ２以上Φ１未満のときは判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）に１．０を設定すると共に、ハングオーバーカウンタｃｏｕｎｔｅｒを１デクリメントし（ｃｏｕｎｔｅｒ＝ｃｏｕｎｔｅｒ−１）、コヒーレンスＣＯＨ（Ｋ）が目的音声区間判定閾値Φ２未満であってハングオーバーカウンタｃｏｕｎｔｅｒが正のときは判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）に１．０を設定すると共に、ハングオーバーカウンタｃｏｕｎｔｅｒを２デクリメントし（ｃｏｕｎｔｅｒ＝ｃｏｕｎｔｅｒ−２）、コヒーレンスＣＯＨ（Ｋ）が目的音声区間判定閾値Φ２未満であってハングオーバーカウンタｃｏｕｎｔｅｒが０若しくは負のときは判定結果変数ＶＡＤ＿ＲＥＳ（Ｋ）に０．０を設定するようにしても良い。なお、ハングオーバーカウンタｃｏｕｎｔｅｒをソフトウェアで実現している場合には、デクリメントの単位量として、整数ではない小数を適用するようにしても良い。

上記第２及び第３の実施形態においては、フレーム毎に、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）を見直すものを示したが、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）の見直し周期はこれに限定されるものではない。例えば、１０フレーム毎にハングオーバーカウンタ初期化閾値Ψ（Ｋ）を見直すようにしても良く、１秒毎にハングオーバーカウンタ初期化閾値Ψ（Ｋ）を見直すようにしても良い。

同様に、ハングオーバーカウンタ初期値ＬＥＮＧＴＨ（Ｋ）の見直し周期もフレーム毎に限定されるものではない。また、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）の見直し周期と、ハングオーバーカウンタ初期値ＬＥＮＧＴＨ（Ｋ）の見直し周期とが一致していなくても良く、後者の周期が長くても良い。例えば、ハングオーバーカウンタ初期値ＬＥＮＧＴＨ（Ｋ）の見直しを２分毎に１回行うようにしても良い。

上記第２及び第３の実施形態においては、算出されたコヒーレンスの分散をそのままハングオーバーカウンタ初期化閾値Ψ（Ｋ）の決定に用いるものを示したが、分散を正規化して、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）の決定に用いるようにしても良い。例えば、入力音声信号の平均レベルの大小によって分散も変動することを考慮し、分散を入力信号レベル（例えば平均レベル）で正規化した上で、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）の決定に用いる。

上記第２及び第３の実施形態においては、コヒーレンスのばらつきを表す指標として分散を適用するものを示したが、他の指標を適用するようにしても良い。例えば、標準偏差を適用しても良く、コヒーレンスの瞬時値と平均値との差の絶対値の総和を適用しても良く、変動係数を適用しても良い。

上記第３の実施形態においては、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）に応じて、ハングオーバーカウンタ初期値ＬＥＮＧＴＨ（Ｋ）を変更（制御）するものを示したが、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）に応じてハングオーバー長を制御できる方法であれば他の方法を適用するようにしても良い。例えば、ハングオーバーカウンタ初期値ＬＥＮＧＴＨを固定したまま、ハングオーバーカウンタｃｏｕｎｔｅｒをデクリメントする際のデクリメントの単位量を、ハングオーバーカウンタ初期化閾値Ψ（Ｋ）に応じて変更（制御）して、ハングオーバー長を変更（制御）するようにしても良い。

上記各実施形態においては、分散に応じたハングオーバーカウンタ初期化閾値の取得や、ハングオーバーカウンタ初期化閾値に応じたハングオーバーカウンタ初期値の取得を変換テーブル（記憶部）を用いて行うものを示したが、他の方法で取得するようにしても良い。例えば、変換式を適用して、分散に応じたハングオーバーカウンタ初期化閾値や、ハングオーバーカウンタ初期化閾値に応じたハングオーバーカウンタ初期値を得るようにしても良い。

上記第３の実施形態においては、ハングオーバーカウンタ初期化閾値からハングオーバーカウンタ初期値を得るものを示したが、ハングオーバーカウンタ初期化閾値を得る元であるコヒーレンスの分散から、ハングオーバーカウンタ初期値を得るようにしても良い。例えば、コヒーレンスの分散の範囲に対応付けて、ハングオーバーカウンタ初期化閾値及びハングオーバーカウンタ初期値を記述した変換テーブルを用意しておき、コヒーレンスの分散に応じたハングオーバーカウンタ初期化閾値及びハングオーバーカウンタ初期値を同時に得るようにしても良い。

上記各実施形態において、周波数領域の信号で処理していた処理を、可能ならば時間領域の信号で処理するようにしても良く、逆に、時間領域の信号で処理していた処理を、可能ならば周波数領域の信号で処理するようにしても良い。

上記各実施形態では、一対のマイクが捕捉した信号を直ちに処理する場合を示したが、本発明の処理対象の音声信号はこれに限定されるものではない。例えば、記録媒体から読み出した一対の音声信号を処理する場合にも、本発明を適用することができ、また、対向装置から送信されてきた一対の音声信号を処理する場合にも、本発明を適用することができる。

ｍ＿１、ｍ＿２…マイク、１０…ＦＦＴ部、１１…第１指向性形成部、１２…第２の指向性形成部、１３…コヒーレンス計算部、１５…目的音声区間検出・ハングオーバー付与部、１６…ハングオーバーカウンタ初期化閾値制御部、１７…ハングオーバーカウンタ初期値制御部、２１…コヒーレンス・判定結果受信部、２２…閾値更新制御部、２３…分散計算部、２４…ハングオーバーカウンタ初期化閾値照合部、２５…初期化閾値記憶部、２６…ハングオーバーカウンタ初期化閾値送信部、３１…初期化閾値受信部、３２…ハングオーバーカウンタ初期値照合部、３３…初期値記憶部、３４…ハングオーバーカウンタ初期値送信部。

Claims (7)

1. 入力音声信号から目的音声の区間と非目的音声の区間とを切り分ける音声信号処理装置において、
   入力音声信号に遅延減算処理を施すことで、第１の所定方位に死角を有する指向性特性を付与した第１の指向性信号を形成する第１の指向性形成部と、
   入力音声信号に遅延減算処理を施すことで、前記第１の所定方位とは異なる第２の所定方位に死角を有する指向性特性を付与した第２の指向性信号を形成する第２の指向性形成部と、
   前記第１及び第２の指向性信号を用いてコヒーレンスを得るコヒーレンス計算部と、
   前記コヒーレンスと目的音声区間判定閾値とを比較して、入力音声信号が、目的方位から到来している目的音声の区間か、それ以外の非目的音声区間かを判定すると共に、前記コヒーレンスと、前記目的音声区間判定閾値より大きいハングオーバー付与閾値とを比較して、前記目的音声区間判定閾値を用いた比較による判定結果が目的音声区間から非目的音声区間へ変化しても、所定のハングオーバー長だけ、目的音声区間という判定結果を継続させる目的音声区間検出・ハングオーバー付与部と
   を有することを特徴とする音声信号処理装置。
2. 目的音声区間におけるコヒーレンスのばらつきを表す統計量を得て、得られた統計量に応じて、前記目的音声区間検出・ハングオーバー付与部が適用する前記ハングオーバー付与閾値を制御するハングオーバー付与閾値制御部をさらに備えることを特徴とする請求項１に記載の音声信号処理装置。
3. 前記ハングオーバー付与閾値制御部は、
   目的音声区間と判定された複数のコヒーレンスからコヒーレンスの分散を計算するコヒーレンス分散計算部と、
   コヒーレンス分散とハングオーバー付与閾値との対応関係を記憶している第１の記憶部と、
   算出されたコヒーレンス分散に応じたハングオーバー付与閾値を前記第１の記憶部から取得するハングオーバー付与閾値照合部と
   を有することを特徴とする請求項２に記載の音声信号処理装置。
4. 前記目的音声区間検出・ハングオーバー付与部が適用する前記ハングオーバー付与閾値に応じて、前記目的音声区間検出・ハングオーバー付与部が付与する前記ハングオーバー長を制御するハングオーバー長制御部をさらに備えることを特徴とする請求項２又は３に記載の音声信号処理装置。
5. 前記ハングオーバー長制御部は、
   ハングオーバー付与閾値とハングオーバー長の対応関係を記憶している第２の記憶部と、
   前記目的音声区間検出・ハングオーバー付与部が適用する前記ハングオーバー付与閾値に応じたハングオーバー長を前記第２の記憶部から取得するハングオーバー長照合部と
   を有することを特徴とする請求項４に記載の音声信号処理装置。
6. 入力音声信号から目的音声の区間と非目的音声の区間とを切り分ける音声信号処理方法において、
   第１の指向性形成部は、入力音声信号に遅延減算処理を施すことで、第１の所定方位に死角を有する指向性特性を付与した第１の指向性信号を形成し、
   第２の指向性形成部は、入力音声信号に遅延減算処理を施すことで、前記第１の所定方位とは異なる第２の所定方位に死角を有する指向性特性を付与した第２の指向性信号を形成し、
   コヒーレンス計算部は、前記第１及び第２の指向性信号を用いてコヒーレンスを計算し、
   目的音声区間検出・ハングオーバー付与部は、計算された前記コヒーレンスと目的音声区間判定閾値とを比較して、入力音声信号が、目的方位から到来している目的音声の区間か、それ以外の非目的音声区間かを判定すると共に、前記コヒーレンスと、前記目的音声区間判定閾値より大きいハングオーバー付与閾値とを比較して、前記目的音声区間判定閾値を用いた比較による判定結果が目的音声区間から非目的音声区間へ変化しても、所定のハングオーバー長だけ、目的音声区間という判定結果を継続させる
   ことを特徴とする音声信号処理方法。
7. コンピュータを、
   入力音声信号に遅延減算処理を施すことで、第１の所定方位に死角を有する指向性特性を付与した第１の指向性信号を形成する第１の指向性形成部と、
   入力音声信号に遅延減算処理を施すことで、前記第１の所定方位とは異なる第２の所定方位に死角を有する指向性特性を付与した第２の指向性信号を形成する第２の指向性形成部と、
   前記第１及び第２の指向性信号を用いてコヒーレンスを得るコヒーレンス計算部と、
   前記コヒーレンスと目的音声区間判定閾値とを比較して、入力音声信号が、目的方位から到来している目的音声の区間か、それ以外の非目的音声区間かを判定すると共に、前記コヒーレンスと、前記目的音声区間判定閾値より大きいハングオーバー付与閾値とを比較して、前記目的音声区間判定閾値を用いた比較による判定結果が目的音声区間から非目的音声区間へ変化しても、所定のハングオーバー長だけ、目的音声区間という判定結果を継続させる目的音声区間検出・ハングオーバー付与部と
   して機能させることを特徴とする音声信号処理プログラム。

Images