JP2014050048A - 音声解析装置 - Google Patents
音声解析装置 Download PDFInfo
- Publication number
- JP2014050048A JP2014050048A JP2012193495A JP2012193495A JP2014050048A JP 2014050048 A JP2014050048 A JP 2014050048A JP 2012193495 A JP2012193495 A JP 2012193495A JP 2012193495 A JP2012193495 A JP 2012193495A JP 2014050048 A JP2014050048 A JP 2014050048A
- Authority
- JP
- Japan
- Prior art keywords
- microphone
- wearer
- voice
- sound
- terminal device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Circuit For Audible Band Transducer (AREA)
Abstract
【課題】装着者へ装置を取り付けた後の装着状態を認識する。
【解決手段】本発明の端末装置は、装置本体と、装置本体に接続され装置本体を装着者に取付ける提げ紐40とを備える。また、この端末装置は、提げ紐40に配置され装着者からみて前方からの音声に対する感度が装着者からみて後方からの音声に対する感度よりも高い第1の指向性を有する第3マイクロフォン11cと、提げ紐40に配置され第1の指向性とは異なる第2の指向性を有する第2マイクロフォン11bとを備える。さらに、この端末装置は、第2マイクロフォン11bおよび第3マイクロフォン11cにより取得された音声を比較することにより、第2マイクロフォン11bおよび第3マイクロフォン11cについての装着者からみた左右方向の配置を認識する音声解析部を備える。
【選択図】図11−1
【解決手段】本発明の端末装置は、装置本体と、装置本体に接続され装置本体を装着者に取付ける提げ紐40とを備える。また、この端末装置は、提げ紐40に配置され装着者からみて前方からの音声に対する感度が装着者からみて後方からの音声に対する感度よりも高い第1の指向性を有する第3マイクロフォン11cと、提げ紐40に配置され第1の指向性とは異なる第2の指向性を有する第2マイクロフォン11bとを備える。さらに、この端末装置は、第2マイクロフォン11bおよび第3マイクロフォン11cにより取得された音声を比較することにより、第2マイクロフォン11bおよび第3マイクロフォン11cについての装着者からみた左右方向の配置を認識する音声解析部を備える。
【選択図】図11−1
Description
本発明は、音声解析装置に関する。
特許文献1には、指向特性を狭い角度範囲で高いものとすることが可能な音声信号処理装置を提供することを目的とした技術が開示されている。そして、特許文献1には、第1のマイクロフォンと、第1のマイクロフォンと近接して配置されるとともに、第1のマイクロフォンとは異なる指向性を有する第2のマイクロフォンと、第1のマイクロフォンおよび/または第2のマイクロフォンの信号から、所定の相関を有する信号を抽出する抽出手段と、を有することが開示されている。
また、特許文献2には、小型で、所望の指向性を容易に得ることができるマイクロホン装置を実現することを目的とした技術が開示されている。そして、特許文献2には、希望音声を収音するための第1のマイクロホンと、希望音声の到来方向の感度が低い指向性の第2のマイクロホンとを設ける。第2のマイクロホンからの音声信号は適応フィルタ手段を介して減算手段に供給する。減算手段では第1のマイクロホンの音声信号から適応フィルタ手段の出力信号を減算する。そして、減算手段の出力パワーが最小化されるように適応フィルタ手段を調整する手段を設けることが開示されている。
本発明は、装着者へ装置を取り付けた後の装着状態を認識することを目的とする。
請求項1に記載の発明は、装置本体と、前記装置本体に接続され、当該装置本体を装着者に取付ける取付け手段と、前記装置本体または前記取付け手段に配置され音声を取得するとともに、装着者からみて前方からの音声に対する感度が装着者からみて後方からの音声に対する感度よりも高い第1の指向性を有する第1音声取得手段と、前記装置本体または前記取付け手段に配置され音声を取得するとともに、前記第1の指向性とは異なる第2の指向性を有する第2音声取得手段と、前記第1音声取得手段により取得された音声と前記第2音声取得手段により取得された音声とを比較することにより、当該第1音声取得手段および当該第2音声取得手段についての装着者からみた左右方向の配置を認識する配置認識手段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、装着者の口から前記第1音声取得手段または前記第2音声取得手段までの距離とは装着者の口からの距離が異なる位置に配置され、音声を取得する第3音声取得手段を備え、前記第3音声取得手段とは装着者の口からの距離が異なる前記第1音声取得手段または前記第2音声取得手段と、当該第3音声取得手段とにより取得された音声に基づき、当該取得された音声が装着者の発話音声か他者の発話音声かを識別する発話者識別手段を備えることを特徴とする請求項1記載の音声解析装置である。
請求項3に記載の発明は、前記第1音声取得手段および前記第2音声取得手段により取得された音声に基づき、装着者と他者との向き合う角度である対面角度を算出する算出手段を備えることを特徴とする請求項1記載の音声解析装置である。
請求項4に記載の発明は、前記第1音声取得手段および前記第2音声取得手段についての装着者からみた左右方向が予め定めた向きと逆向きであると前記配置認識手段により認識された場合に、逆向きに配置されていることを表示する表示手段を備えることを特徴とする請求項1記載の音声解析装置である。
請求項5に記載の発明は、前記取付け手段は、装着者に装着された状態で装着者に対する向きを安定させる安定部を備えることを特徴とする請求項1記載の音声解析装置である。
請求項4に記載の発明は、前記第1音声取得手段および前記第2音声取得手段についての装着者からみた左右方向が予め定めた向きと逆向きであると前記配置認識手段により認識された場合に、逆向きに配置されていることを表示する表示手段を備えることを特徴とする請求項1記載の音声解析装置である。
請求項5に記載の発明は、前記取付け手段は、装着者に装着された状態で装着者に対する向きを安定させる安定部を備えることを特徴とする請求項1記載の音声解析装置である。
請求項6に記載の発明は、装置本体と、前記装置本体に接続され、当該装置本体を装着者に取付ける取付け手段と、前記装置本体または前記取付け手段に配置され単一指向性を有する単一指向性マイクロフォンと、前記装置本体または前記取付け手段に配置され全指向性を有する全指向性マイクロフォンと、前記単一指向性マイクロフォンにより取得された音声と前記全指向性マイクロフォンにより取得された音声とを比較することにより、装置の装着状態を認識する装着状態認識手段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1の発明によれば、装着者へ装置を取り付けた後の装着状態を認識することができる。
請求項2の発明によれば、装着者の発話音声と他者の発話音声とを識別することができる。
請求項3の発明によれば、装着者と他者との対面角度を把握することができる。
請求項4の発明によれば、装着者が装着状態を把握することができる。
請求項5の発明によれば、装着状態を検知する精度を向上させることができる。
請求項6の発明によれば、装着者へ装置を取り付けた後の装着状態を認識することができる。
請求項2の発明によれば、装着者の発話音声と他者の発話音声とを識別することができる。
請求項3の発明によれば、装着者と他者との対面角度を把握することができる。
請求項4の発明によれば、装着者が装着状態を把握することができる。
請求項5の発明によれば、装着状態を検知する精度を向上させることができる。
請求項6の発明によれば、装着者へ装置を取り付けた後の装着状態を認識することができる。
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、本実施形態のシステムは、端末装置10とホスト装置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(商標)(Wireless Fidelity)、Bluetooth(商標)、ZigBee(商標)、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。
<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、本実施形態のシステムは、端末装置10とホスト装置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(商標)(Wireless Fidelity)、Bluetooth(商標)、ZigBee(商標)、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(音声解析装置)10は、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11(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)と、増幅器13(第1増幅器13a、第2増幅器13b、第3増幅器13c)とを備える。また、端末装置10は、取得音声を解析する音声解析部15(配置認識手段、装着状態認識手段)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、解析結果を表示する表示部17と、各構成部材に電力を供給する電源部18とを備える。
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、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。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、第3マイクロフォン11cは、低周波(例えば、1Hz以上)の周波数を測定できるものが好ましい。なお、低周波の周波数を測定できるものと、より高周波の周波数を特定できるマイクロフォンを組み合わせる等、複数のマイクロフォンを組み合わせることによって構成してもよい。
なお、詳細は後述するが、本実施形態においては、第1マイクロフォン11aおよび第2マイクロフォン11bとしては無指向性のマイクロフォンを用いるとともに、第3マイクロフォン11cとしては単一指向性のマイクロフォンを用いる。
なお、詳細は後述するが、本実施形態においては、第1マイクロフォン11aおよび第2マイクロフォン11bとしては無指向性のマイクロフォンを用いるとともに、第3マイクロフォン11cとしては単一指向性のマイクロフォンを用いる。
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、第2増幅器13b、および第3増幅器13cから出力された音声信号を解析する。そして、音声解析部15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、第2マイクロフォン11b、第3マイクロフォン11cで取得した音声に基づき、音声の発話者を識別する発話者識別手段として機能する。また、音声解析部15は、話者が装着者か他者かを識別し、話者が他者と識別されたときに装着者と話者との向き合う角度である対面角度を計測する。即ち、音声解析部15は、話者が装着者か他者かを識別する識別手段として機能するとともに、装着者と話者との向き合う角度である対面角度を算出する算出手段として機能する。発話者の識別および対面角度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装置10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。なお、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。有線回線で送信しても良い。
表示手段の一例である表示部17は、後述するように、音声解析部15により端末装置10を装着する向きが逆と解析された際に、端末装置10の向きが逆向きであることを装着者に表示する。例えば、表示部17としてLED(Light Emitting Diode)や液晶ディスプレイを用いてもよい。LEDを用いた場合には、このLEDを点灯させることにより端末装置10の向きが逆向きであることを装着者に表示してもよい。
電源部18は、上記の第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、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および表示部17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18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、上記の無線通信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。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、予めホスト装置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。
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。出力手段は、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。
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、表示部17および電源部18を実現する回路と電源部18の電源(電池)とを収納して構成される。また図示の例では、ケース31に、第1マイクロフォン11aが設けられている。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情報等を印刷したり、ID情報等を記載したシールを貼り付けたりしても良い。
取付け手段の一例である提げ紐40には、第2マイクロフォン11bおよび第3マイクロフォン11cが設けられる。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の内部に第2マイクロフォン11bおよび第3マイクロフォン11cを収納している。第2マイクロフォン11bおよび第3マイクロフォン11cを提げ紐40の内部に設けることにより、第2マイクロフォン11bおよび第3マイクロフォン11cの損傷や汚れを防ぎ、対話者が第2マイクロフォン11bおよび第3マイクロフォン11cの存在を意識することが抑制される。
ここで、提げ紐40は、捩じれない程度の剛性(寸法、材質)を有するよう形成される。また、図示の例においては、提げ紐40の断面は、矩形状であり装着者に装着された状態で、装着者に対する向きが安定する(同じ向きを向く)よう構成される。さらに説明をすると、装着者が端末装置10を装着している際に、提げ紐40の装着者に対する向きが変化することを抑制するように提げ紐40は平坦な面(安定部)を備えて構成されている。なお、本実施形態においては、装置本体30と提げ紐40とが同じ向きを向くように装置本体30と提げ紐40とが固定されている。
図2を参照すると、第1マイクロフォン11a(第3音声取得手段)と第2マイクロフォン11bとは、ケース31に設けられ装着者が提げ紐40を首に掛けて装置本体30を下げた状態で、装着者の口(発声部位)からの音波伝搬経路の距離(以下、単に「距離」と記す)が異なる位置に配置される。ここでは、第1マイクロフォン11aは装着者の口(発声部位)から遠い位置(例えば、35cm程度)に配置され、第2マイクロフォン11bは装着者の口(発声部位)に近い位置(例えば、10cm程度)に配置されるものとする。
また、第2マイクロフォン(第2音声取得手段、全指向性マイクロフォン)11bと第3マイクロフォン(第1音声取得手段、単一指向性マイクロフォン)11cとは、装着者が端末装置10を装着した状態において、水平方向に予め定められた距離だけ離間して配される。ここでは、第2マイクロフォン11bと第3マイクロフォン11cとは、装着者が端末装置10を装着した状態において、水平方向に並んで配置され、かつ例えば15cm程度離れて配置されている。さらに説明をすると、第2マイクロフォン11bと第3マイクロフォン11cとは、装着者からみて左右対称の位置に配置される。なお、第2マイクロフォン11bと第3マイクロフォン11cとを、2つの音声取得手段として捉えることができる。
<取得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に設けられた第1マイクロフォン11aと第2マイクロフォン11bとにより取得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、取得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、取得音声の情報のうち、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11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。
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に設けられた第1マイクロフォン11aと第2マイクロフォン11bとにより取得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、取得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、取得音声の情報のうち、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11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1マイクロフォン11aは装着者の口(発声部位)から遠い位置に配置され、第2マイクロフォン11b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1マイクロフォン11aと音源との間の距離と、第2マイクロフォン11bと音源との間の距離とが大きく異なる。具体的には、第1マイクロフォン11aと音源との間の距離は、第2マイクロフォン11b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11における取得音声の音圧は、マイクロフォン11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1マイクロフォン11aにおける取得音声の音圧と第2マイクロフォン11bにおける取得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1マイクロフォン11aと音源との間の距離と、第2マイクロフォン11b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1マイクロフォン11aと音源との間の距離が第2マイクロフォン11b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1マイクロフォン11aにおける取得音声の音圧と第2マイクロフォン11bにおける取得音声の音圧とは、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11との位置の関係を示す図である。なお、図示の例においては、第1マイクロフォン11aは、提げ紐40に設けられている。
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1マイクロフォン11aとの間の距離をLa1、音源aと第2マイクロフォン11bとの間の距離をLa2とする。また、他者の口(発声部位)である音源bと第1マイクロフォン11aとの間の距離をLb1、音源bと第2マイクロフォン11bとの間の距離をLb2とする。この場合、次の関係が成り立つ。
La1>La2(La1≒1.5×La2〜4×La2)
Lb1≒Lb2
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1マイクロフォン11aとの間の距離をLa1、音源aと第2マイクロフォン11bとの間の距離をLa2とする。また、他者の口(発声部位)である音源bと第1マイクロフォン11aとの間の距離をLb1、音源bと第2マイクロフォン11bとの間の距離をLb2とする。この場合、次の関係が成り立つ。
La1>La2(La1≒1.5×La2〜4×La2)
Lb1≒Lb2
図4は、マイクロフォン11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11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La1の場合の音圧(第1音圧)Ga1と距離La2の場合の音圧(第2音圧)Ga2とを比較すると、音圧Ga2は、音圧Ga1の4倍程度となっている。一方、距離Lb1と距離Lb2とが近似するため、距離Lb1の場合の音圧Gb1と距離Lb2の場合の音圧Gb2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、取得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Lb1、Lb2を60cmとしたが、ここでは音圧Gb1と音圧Gb2とがほぼ等しくなることに意味があり、距離Lb1、Lb2は図示の値に限定されない。
上述したように、音圧は、マイクロフォン11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La1の場合の音圧(第1音圧)Ga1と距離La2の場合の音圧(第2音圧)Ga2とを比較すると、音圧Ga2は、音圧Ga1の4倍程度となっている。一方、距離Lb1と距離Lb2とが近似するため、距離Lb1の場合の音圧Gb1と距離Lb2の場合の音圧Gb2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、取得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Lb1、Lb2を60cmとしたが、ここでは音圧Gb1と音圧Gb2とがほぼ等しくなることに意味があり、距離Lb1、Lb2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2マイクロフォン11bの音圧Ga2は、第1マイクロフォン11aの音圧Ga1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2マイクロフォン11bの音圧Gb2は、第1マイクロフォン11aの音圧Gb1とほぼ等しい(1倍程度)。そこで、本実施形態では、第2マイクロフォン11bの音圧と第1マイクロフォン11aの音圧との比に閾値(閾値)を設定する。閾値は、装着者自身の発話音声における音圧比の値と他者の発話音声における音圧比の値との間の値に設定される。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Ga2/Ga1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Gb2/Gb1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。
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2マイクロフォン11bの音圧Ga2は、第1マイクロフォン11aの音圧Ga1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2マイクロフォン11bの音圧Gb2は、第1マイクロフォン11aの音圧Gb1とほぼ等しい(1倍程度)。そこで、本実施形態では、第2マイクロフォン11bの音圧と第1マイクロフォン11aの音圧との比に閾値(閾値)を設定する。閾値は、装着者自身の発話音声における音圧比の値と他者の発話音声における音圧比の値との間の値に設定される。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Ga2/Ga1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Gb2/Gb1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。
なお上述した例では、第1マイクロフォン11aと第2マイクロフォン11bとを使用して自他識別の判断を行なったが、これに限られるものではなく、第1マイクロフォン11aと第3マイクロフォン11cを使用しても同様であることは勿論である。
<対面角度の説明>
図6は、本実施形態における対面角度について説明した図である。
本実施形態において対面角度とは、端末装置10の装着者と話者との向き合う角度である。そして本実施形態で定義される対面角度の一例として図6では、水平方向の対面角度を示している。つまり図6は、装着者と話者とを頭上から見た図である。そして本実施形態は、対面角度αとして、2個の音声取得手段である第2マイクロフォン11bと第3マイクロフォン11cとを結ぶ線分と、この線分の中点および話者を結ぶ線分との角度を採用する。これにより対面角度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、装着者と話者と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。
図6は、本実施形態における対面角度について説明した図である。
本実施形態において対面角度とは、端末装置10の装着者と話者との向き合う角度である。そして本実施形態で定義される対面角度の一例として図6では、水平方向の対面角度を示している。つまり図6は、装着者と話者とを頭上から見た図である。そして本実施形態は、対面角度αとして、2個の音声取得手段である第2マイクロフォン11bと第3マイクロフォン11cとを結ぶ線分と、この線分の中点および話者を結ぶ線分との角度を採用する。これにより対面角度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、装着者と話者と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。
<対面角度を求める方法の説明>
図7は、第2マイクロフォン11bと第3マイクロフォン11cと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、他者の口(発声部位)である音源bから発した音声は、音源bから同心円状に広がる。ただし音声は有限の速度である音速で広がるため音声が第2マイクロフォン11bに到達した時間と第3マイクロフォン11cに到達した時間とは異なり、音声の行路差δに対応した時間差Δtが生じる。そして第2マイクロフォン11bと第3マイクロフォン11cとの間の距離をD、中点Cと音源bとの間の距離をLとするとこれらの間には次の(1)式が成立する。
図7は、第2マイクロフォン11bと第3マイクロフォン11cと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、他者の口(発声部位)である音源bから発した音声は、音源bから同心円状に広がる。ただし音声は有限の速度である音速で広がるため音声が第2マイクロフォン11bに到達した時間と第3マイクロフォン11cに到達した時間とは異なり、音声の行路差δに対応した時間差Δtが生じる。そして第2マイクロフォン11bと第3マイクロフォン11cとの間の距離をD、中点Cと音源bとの間の距離をLとするとこれらの間には次の(1)式が成立する。
δ=(L2+LDcosα+D2/4)0.5−(L2−LDcosα+D2/4)0.5 …(1)
この(1)式は、L>Dの場合、Lによる影響が小さいため、下記(2)式に近似できる。
δ≒Dcosα …(2)
また音速cと時間差Δtを使用すると、下記(3)式が成立する。
δ=cΔt …(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2マイクロフォン11bと第3マイクロフォン11cとに話者の音声が到達する時間差Δt、および第2マイクロフォン11bと第3マイクロフォン11cとが離間する距離Dに基づいて、装着者と話者との向き合う角度である対面角度αを計測することができる。
また第2マイクロフォン11bと第3マイクロフォン11cとに話者の音声が到達する時間差Δtは、以下のようにして求めることができる。
図8は、本実施形態において時間差Δtを求める方法を説明した図である。このうち図8(a)は、第2マイクロフォン11bと第3マイクロフォン11cとに到達する話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、話者の音声の振幅を表わす。そして実線は、第2マイクロフォン11bに到達した話者の音声の波形信号であり、点線は、第3マイクロフォン11cに到達した話者の音声の波形信号である。
図8は、本実施形態において時間差Δtを求める方法を説明した図である。このうち図8(a)は、第2マイクロフォン11bと第3マイクロフォン11cとに到達する話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、話者の音声の振幅を表わす。そして実線は、第2マイクロフォン11bに到達した話者の音声の波形信号であり、点線は、第3マイクロフォン11cに到達した話者の音声の波形信号である。
本実施形態では、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8(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8(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8(c)は、図8(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8(b)〜(c)では、第2マイクロフォン11bに到達した話者の音声の波形信号を固定し、第3マイクロフォン11cに到達した話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8(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2マイクロフォン11bを基準にして第3マイクロフォン11cに到達する話者の音声が、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は、227(μs)である。
また本実施形態では、振幅を予め定められた周波数帯毎に分け、最も振幅が大きい周波数帯について大きい重み付けをして相互相関関数を求めている。これにより求められる時間差Δtがより正確になる。またこの時間差Δtをより正確に求めるために第2マイクロフォン11bと第3マイクロフォン11cとの距離は1cm〜100cmの範囲内になることが好ましい。第2マイクロフォン11bと第3マイクロフォン11cとの距離が1cm未満であると時間差Δtが小さくなりすぎ、この後導出される対面角度の誤差が大きくなりやすい。また100cmより大きいと時間差Δtを導出する際に、反射音の影響を受けやくなる。また相互相関関数を求める際に、より長い時間幅について計算を行なう必要があるため計算に要する負荷が大きくなる。
図9は、対面角度αと、第2マイクロフォン11bおよび第3マイクロフォン11cに話者の音声が到達する時間差Δtとの関係を示した図である。図9において、横軸は対面角度α(°)を表わし、縦軸は、時間差Δtを表わす。
図9により例えば、装着者と話者とが正面同士で向き合っているとき、つまり対面角度αが90°の場合は、時間差Δtは、0であり、対面角度αが90°の場合からずれるに従い時間差Δtの絶対値は大きくなることがわかる。
なお対面角度αは、上述のようにして算出してもよいが、例えば、図9を基にして時間差Δtに対する対面角度αをLUT(Look up Table)として、端末装置10内に保持しておき、時間差Δtを求めた後、このLUTを参照することにより対面角度αを求めてもよい。
図9により例えば、装着者と話者とが正面同士で向き合っているとき、つまり対面角度αが90°の場合は、時間差Δtは、0であり、対面角度αが90°の場合からずれるに従い時間差Δtの絶対値は大きくなることがわかる。
なお対面角度αは、上述のようにして算出してもよいが、例えば、図9を基にして時間差Δtに対する対面角度αをLUT(Look up Table)として、端末装置10内に保持しておき、時間差Δtを求めた後、このLUTを参照することにより対面角度αを求めてもよい。
<対面角度の誤認>
上記のように、端末装置10の装着者は、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。ここで、装着者は、端末装置10の左右を入れ替えた状態でも首から提げ得る。すなわち、装着者が装置本体30を首から提げた状態において、装着者からみて第2マイクロフォン11bが右側に配置され第3マイクロフォン11cが左側に配置される場合と、それとは反対に、装着者からみて第3マイクロフォン11cが右側に配置され第2マイクロフォン11bが左側に配置される場合とがある。
上記のように、端末装置10の装着者は、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。ここで、装着者は、端末装置10の左右を入れ替えた状態でも首から提げ得る。すなわち、装着者が装置本体30を首から提げた状態において、装着者からみて第2マイクロフォン11bが右側に配置され第3マイクロフォン11cが左側に配置される場合と、それとは反対に、装着者からみて第3マイクロフォン11cが右側に配置され第2マイクロフォン11bが左側に配置される場合とがある。
そして、端末装置10の音声解析部15が、第2マイクロフォン11bおよび第3マイクロフォン11cの左右の配置を認識せずに対面角度αを求めると、話者の位置を誤って認識し得る。以下で、第2マイクロフォン11bを基準にして第3マイクロフォン11cに到達する話者の音声が、時間差Δt1で到達した場合を説明する。
図10は、第2マイクロフォン11bおよび第3マイクロフォン11cの配置を誤って認識する状態について説明した図である。
図10(a)に示すように、端末装置10の装着者からみて、第2マイクロフォン11bが右側に配置され第3マイクロフォン11cが左側に配置されている状態において、第2マイクロフォン11bおよび第3マイクロフォン11cが時間差Δt1となる音声を取得したとする。この場合において、対面角度αは、図10(a)に示すように対面角度α1(°)となる。
図10(a)に示すように、端末装置10の装着者からみて、第2マイクロフォン11bが右側に配置され第3マイクロフォン11cが左側に配置されている状態において、第2マイクロフォン11bおよび第3マイクロフォン11cが時間差Δt1となる音声を取得したとする。この場合において、対面角度αは、図10(a)に示すように対面角度α1(°)となる。
ここで、図10(b)に示すように、図10(a)に示す端末装置10とは逆の配置、すなわち端末装置10の装着者からみて、第2マイクロフォン11bが左側に配置され第3マイクロフォン11cが右側に配置される場合を想定する。さらに、この端末装置10の配置において、図10(b)に示すように話者が位置する、すなわち対面角度がα2(°)となる位置に話者が位置することを想定する。なお、α2は、α2=180−α1の関係であり、装着者からみた正面方向に対して、図10(a)の話者の位置と図10(b)の話者の位置とは対称の関係である。
この図10(b)に示す状態において、第2マイクロフォン11bおよび第3マイクロフォン11cが取得する音声の時間差は、上記の図10(a)の場合と同じくΔt1となる。
この図10(b)に示す状態において、第2マイクロフォン11bおよび第3マイクロフォン11cが取得する音声の時間差は、上記の図10(a)の場合と同じくΔt1となる。
このように、第2マイクロフォン11bおよび第3マイクロフォン11cが同一の時間差Δt1の音声を取得した場合であっても、第2マイクロフォン11bおよび第3マイクロフォン11cの配置によって、対面角度αが、対面角度α1となる場合と対面角度α2となる場合とがある。
したがって、例えば、実際には図10(b)のように第2マイクロフォン11bおよび第3マイクロフォン11cが配置されているのにもかかわらず、図10(a)のように第2マイクロフォン11bおよび第3マイクロフォン11cが配置されていることを処理の前提とすると、話者の位置を誤って認識することとなる。
なお、実際の第2マイクロフォン11bおよび第3マイクロフォン11cの配置を、処理の前提とする位置とは左右反対にすると、音声解析部15は、装着者からみた正面方向に対して実際の話者とは鏡像の位置に、話者が位置すると誤認することとなる。また、仮に装着者が端末装置10を装着する際、端末装置10の向きがランダムとなるとすると、50%の確率で音声解析部15が話者の位置を誤認するエラーが発生し得る。
なお、実際の第2マイクロフォン11bおよび第3マイクロフォン11cの配置を、処理の前提とする位置とは左右反対にすると、音声解析部15は、装着者からみた正面方向に対して実際の話者とは鏡像の位置に、話者が位置すると誤認することとなる。また、仮に装着者が端末装置10を装着する際、端末装置10の向きがランダムとなるとすると、50%の確率で音声解析部15が話者の位置を誤認するエラーが発生し得る。
<マイクロフォンの位置の認識>
そこで、本実施形態では、第2マイクロフォン11bおよび第3マイクロフォン11cが取得する音声に基づいて第2マイクロフォン11bおよび第3マイクロフォン11cの配置を認識する。具体的には、本実施形態では、第2マイクロフォン11bおよび第3マイクロフォン11cそれぞれの取得音声の音圧を比較することにより、第2マイクロフォン11bおよび第3マイクロフォン11cの配置を認識する。以下で各マイクロフォンの配置を認識する構成を具体的に説明する。
そこで、本実施形態では、第2マイクロフォン11bおよび第3マイクロフォン11cが取得する音声に基づいて第2マイクロフォン11bおよび第3マイクロフォン11cの配置を認識する。具体的には、本実施形態では、第2マイクロフォン11bおよび第3マイクロフォン11cそれぞれの取得音声の音圧を比較することにより、第2マイクロフォン11bおよび第3マイクロフォン11cの配置を認識する。以下で各マイクロフォンの配置を認識する構成を具体的に説明する。
図11は、第2マイクロフォン11bおよび第3マイクロフォン11cの概略構成を説明するための図である。より詳細には、図11(a)は、第2マイクロフォン11bおよび第3マイクロフォン11cの配置を示す説明図であり、図11(b)は、第2マイクロフォン11bおよび第3マイクロフォン11cの指向特性を示す概略図であり、図11(c)は、第2マイクロフォン11bおよび第3マイクロフォン11cの配置の識別方法を示す図である。
まず、図11(a)に示すように、端末装置10の装着者からみて、第2マイクロフォン11b(第2音声取得手段)が右側に配置され、第3マイクロフォン11c(第1音声取得手段)が左側に配置されている状態を、端末装置10が正常な向きに配置されている状態とする。一方、図11(a)とは異なり、端末装置10の装着者からみて、第2マイクロフォン11bが左側に配置され、第3マイクロフォン11cが右側に配置されている状態を、端末装置10が反対の向きに配置されている状態とする。
さて、図11(b−1)に実線で示すように、第3マイクロフォン11cは、装着者からみて前方(回転方向90°)からの音声に対する感度が、装着者からみて後方(回転方向270°)からの音声に対する感度よりも高い指向性を有する。図示の例においては、第3マイクロフォン11cは、装着者からみて前方(回転方向90°)からの音声に対する感度を有する単一指向性(第1の指向性)のマイクロフォンである。
それに対して、図11(b−2)に示すように、第2マイクロフォン11bは、装着者からみて前方(回転方向90°)からの音声に対する感度が、装着者からみて後方(回転方向270°)からの音声に対する感度とほぼ等しい指向性を有する。図示の例においては、第2マイクロフォン11bは、指向性がない無指向性(全指向性、第2の指向性)のマイクロフォンである。
ここで、端末装置10が反対の向きに配置された場合、図11(b−1)に破線で示すように、第3マイクロフォン11cは後方(回転方向270°)からの音声に対する感度を有する状態となる。したがって、端末装置10が正常な向きの場合と比較して、装着者からみて前方(回転方向90°)からの音声に対する第3マイクロフォン11cの感度は小さくなり、取得音声の音圧は小さくなる。
それに対して、端末装置10が反対の向きに配置された場合であっても、第2マイクロフォン11bの指向性は変化しない。したがって、端末装置10が正常な向きの場合と比較して、装着者からみて前方(回転方向90°)からの音声に対する第2マイクロフォン11bの取得音声の音圧はほぼ変化しない(等しくなる)。
そこで、本実施形態においては、第2マイクロフォン11bの取得音声の音圧と第3マイクロフォン11cの取得音声の音圧との音圧比が端末装置10の向きにより変化することを用いて、第2マイクロフォン11bおよび第3マイクロフォン11cの配置を識別する。
そこで、本実施形態においては、第2マイクロフォン11bの取得音声の音圧と第3マイクロフォン11cの取得音声の音圧との音圧比が端末装置10の向きにより変化することを用いて、第2マイクロフォン11bおよび第3マイクロフォン11cの配置を識別する。
具体的には、図11(c)に示すような方法により識別する。すなわち、端末装置10が正常の向きに配置された場合、第3マイクロフォン11cの音圧Gc3は、第2マイクロフォン11bの音圧Gc2とほぼ等しい(例えば1倍程度)。また、端末装置10が反対の向きに配置された場合、第3マイクロフォン11cの音圧Gd3は、第2マイクロフォン11bの音圧Gd2よりも小さい(例えば0.2倍程度)。
そこで、本実施形態では、第3マイクロフォン11cの音圧と第2マイクロフォン11bの音圧との比に閾値を設定する。この閾値は、端末装置10が正常の向きに配置された場合における音圧比の値と、端末装置10が反対の向きに配置された場合における音圧比の値との間の値に設定される。そして、音圧比が閾値よりも大きい場合は端末装置10が正常の向きに配置されたと判断し、音圧比が閾値よりも小さい場合は端末装置10が反対の向きに配置されたと判断する。
図11(c)に示す例では、閾値を0.5とし、音圧比Gc3/Gc2は閾値0.5を超えるので端末装置10が正常の向きに配置されたと判断され、音圧比Gd3/Gd2は閾値0.5よりも小さいので端末装置10が反対の向きに配置されたと判断される。
図11(c)に示す例では、閾値を0.5とし、音圧比Gc3/Gc2は閾値0.5を超えるので端末装置10が正常の向きに配置されたと判断され、音圧比Gd3/Gd2は閾値0.5よりも小さいので端末装置10が反対の向きに配置されたと判断される。
<端末装置の動作例>
図12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12に示すように、端末装置10のマイクロフォン11が音声を取得すると、各マイクロフォン11から取得した音声に応じた電気信号(音声信号)が対応する各増幅器13へ送られる(ステップ1201)。各増幅器13は、各マイクロフォン11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1202)。
図12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12に示すように、端末装置10のマイクロフォン11が音声を取得すると、各マイクロフォン11から取得した音声に応じた電気信号(音声信号)が対応する各増幅器13へ送られる(ステップ1201)。各増幅器13は、各マイクロフォン11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1202)。
音声解析部15は、各増幅器13で増幅された信号に対してフィルタリング処理を行い、信号から環境音の成分を除去する(ステップ1203)。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11の取得音声における平均音圧を求める(ステップ1204)。
ステップ1204で求めた各マイクロフォン11のうち、第1マイクロフォン11aおよび第2マイクロフォン11bにおける平均音圧の利得が有る場合(ステップ1205でYes)、音声解析部15は、発話音声が有る(発話が行われた)と判断し、次に、第1マイクロフォン11aにおける平均音圧と第2マイクロフォン11bにおける平均音圧との比である第1音圧比を求める(ステップ1206)。
そして、ステップ1206で求めた第1音圧比が第1閾値よりも大きい場合(ステップ1207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1208)。また、ステップ1206で求めた第1音圧比が第1閾値よりも小さい場合(ステップ1207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し(ステップ1209)、音声解析部15は対面角度を算出する(ステップ1210)。
また、ステップ1204で求めた各第1マイクロフォン11aおよび第2マイクロフォン11bにおける平均音圧の利得が無い場合(ステップ1205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1211)。
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1204〜ステップ1211の処理で得られた情報(発話の有無、発話者の情報、対面角度)を解析結果としてホスト装置20へ送信させる(ステップ1212)。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。
なお、本実施形態では、第1マイクロフォン11aの音圧と第2マイクロフォン11bの音圧とを比較することにより、発話音声が装着者自身の発話による音声か他者の発話による音声かを判断した。しかし、本実施形態による発話者の識別は、各マイクロフォン11により取得された音声信号そのものから抽出される非言語情報に基づいて行うものであれば良く、音圧の比較には限定されない。例えば、第1マイクロフォン11aと第2マイクロフォン11bとにおける時間差Δtを求めることにより判断するようにしてもよい。
<対面角度の算出>
次に、音声解析部15が、対面角度を算出する(図12のステップ1210)フローを詳細に説明する。
図13は、本実施形態における音声解析部15が対面角度を算出するフローチャートである。
図13に示すように、音声解析部15は、第2マイクロフォン11bおよび第3マイクロフォン11cに話者の音声が到達する時間の時間差Δtを算出する(ステップ1301)。さらに図7で説明した手法により、この時間差Δtおよび第2マイクロフォン11bと第3マイクロフォン11cとが離間する距離Dに基づいて、装着者と話者との向き合う角度である対面角度を求める(ステップ1302)。
次に、音声解析部15が、対面角度を算出する(図12のステップ1210)フローを詳細に説明する。
図13は、本実施形態における音声解析部15が対面角度を算出するフローチャートである。
図13に示すように、音声解析部15は、第2マイクロフォン11bおよび第3マイクロフォン11cに話者の音声が到達する時間の時間差Δtを算出する(ステップ1301)。さらに図7で説明した手法により、この時間差Δtおよび第2マイクロフォン11bと第3マイクロフォン11cとが離間する距離Dに基づいて、装着者と話者との向き合う角度である対面角度を求める(ステップ1302)。
次に、音声解析部15は、第3マイクロフォン11cが取得する平均音圧である第3音圧と第2マイクロフォン11bにおける平均音圧である第2音圧との比である第2音圧比(第3マイクロフォン11cの音圧/第2マイクロフォン11bの音圧)を求める(ステップ1303)。そして、ステップ1303で求めた第2音圧比が第2閾値よりも大きい場合(ステップ1304でYes)、音声解析部15は、端末装置10が正常の向きに配置されていると判断する(ステップ1305)。また、ステップ1303で求めた第2音圧比が第2閾値よりも小さい場合(ステップ1304でNo)、音声解析部15は端末装置10が反対の向きに配置されていると判断する(ステップ1306)そして、音声解析部15は、ステップ1302で求めた対面角度を補正する(ステップ1307)。具体的には、ステップ1302で求めた対面角度をαa(°)とし、補正後の対面角度をαb(°)とすると、次式により補正を行う。
αb=180−αa …(4)
なお、この後、対面角度の情報は、上記のようにデータ送信部16を介してホスト装置20へ送信させる(図12のステップ1212)。また、表示部17を点灯させることにより、装着者に端末装置10が反対の向きに装着されていることを認識させ、正しい向きに装着することを促してもよい。
上記のように音声解析部15が動作することにより、第2マイクロフォン11bおよび第3マイクロフォン11cの左右方向の配置を把握し、その後の演算(対面角度の算出)の精度が向上する。また、例えば音源までの距離を算出する際にも、その算出精度が向上する。
<実験>
さて、第2マイクロフォン11bおよび第3マイクロフォン11cが取得する音声に基づいて、第2マイクロフォン11bおよび第3マイクロフォン11cの配置を認識することができるかを確認した実験結果について説明する。
さて、第2マイクロフォン11bおよび第3マイクロフォン11cが取得する音声に基づいて、第2マイクロフォン11bおよび第3マイクロフォン11cの配置を認識することができるかを確認した実験結果について説明する。
まず、実験の条件を説明すると、図11(a)および図11(b)に示すように、第2マイクロフォン11bに無指向性のマイクロフォンを用い、第3マイクロフォン11cに単一指向性のマイクロフォンを用いた端末装置10をマネキンに装着させた。また、このマネキンからみて、対面角度60°の方向で距離1.5mの位置に、他のマネキンを配置した。そして、この他のマネキンの口にスピーカーを設け、このスピーカーから1kHzの音を発生させた。このスピーカーからの音を、正常の向きと反対の向きとにそれぞれ配置した端末装置10によって測定し、第2音圧比(第3マイクロフォン11cの音圧/第2マイクロフォン11bの音圧)の平均値を求めた。
また、比較実験として、第2マイクロフォン11bおよび第3マイクロフォン11cの両者に無指向性のマイクロフォンを用いた端末装置10によって同様の測定を行った。
また、比較実験として、第2マイクロフォン11bおよび第3マイクロフォン11cの両者に無指向性のマイクロフォンを用いた端末装置10によって同様の測定を行った。
その結果、正常の向きの場合における第2音圧比は0.97となるとともに、反対の向きの場合における第2音圧比は0.21となり、正常の向きの場合における第2音圧比の方が大きくなった。したがって、上述のように、測定された第2音圧比を第2閾値と比較することで、第2マイクロフォン11bおよび第3マイクロフォン11cの配置を認識し得ることが確認できた。さらに説明をすると、対面角度を誤認することが抑制され得ることが確認できた。
一方で、比較実験においては、正常の向きの場合における第2音圧比は0.86となるとともに、反対の向きの場合における第2音圧比は1.11となり、反対の向きの場合における第2音圧比の方が大きくなった。したがって、測定された第2音圧比を第2閾値と比較することで、上述のように第2マイクロフォン11bおよび第3マイクロフォン11cの配置を認識することはできなかった。さらに説明をすると、対面角度が誤認され得る状態であることが確認された。
<システムの適用例とホスト装置の機能>
本実施形態のシステムでは、複数の端末装置10により上記のようにして得られた発話に関する情報(以下、発話情報)がホスト装置20に集められる。ホスト装置20は、複数の端末装置10から得られた情報を用いて、システムの利用目的や利用態様等に応じて種々の解析を行う。以下、複数の装着者のコミュニケーションに関する情報を取得するシステムとして本実施形態を用いる例を説明する。
本実施形態のシステムでは、複数の端末装置10により上記のようにして得られた発話に関する情報(以下、発話情報)がホスト装置20に集められる。ホスト装置20は、複数の端末装置10から得られた情報を用いて、システムの利用目的や利用態様等に応じて種々の解析を行う。以下、複数の装着者のコミュニケーションに関する情報を取得するシステムとして本実施形態を用いる例を説明する。
図14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15は、図14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14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の端末装置10Aにおいて装着者の発話として認識される音声は、装着者Bの端末装置10Bでは他者の発話として認識される。反対に、端末装置10Bにおいて装着者の発話として認識される音声は、端末装置10Aでは他者の発話として認識される。
図14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の端末装置10Aにおいて装着者の発話として認識される音声は、装着者Bの端末装置10Bでは他者の発話として認識される。反対に、端末装置10Bにおいて装着者の発話として認識される音声は、端末装置10Aでは他者の発話として認識される。
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15に示すように、発話者(装着者と他者)の識別結果は反対になるが、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。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。
さらに説明をすると、本実施形態においては、上記のように端末装置10Aおよび端末装置10Bからは、装着者と話者との向き合う角度である対面角度がそれぞれ独立にホスト装置20に送られる。従って、端末装置10Aおよび端末装置10Bから取得した対面角度に基づくことにより、装着者Aと装着者Bとが会話していることをより精度よく認識することができる。
図16は、本適用例におけるホスト装置20の機能構成例を示す図である。
本適用例において、ホスト装置20は、端末装置10から取得した発話情報のうち、会話を行っている装着者の端末装置10からの発話情報(以下、会話情報)を検出する会話情報検出部201と、検出された会話情報を解析する会話情報解析部202とを備える。この会話情報検出部201および会話情報解析部202は、データ解析部23の機能として実現される。
本適用例において、ホスト装置20は、端末装置10から取得した発話情報のうち、会話を行っている装着者の端末装置10からの発話情報(以下、会話情報)を検出する会話情報検出部201と、検出された会話情報を解析する会話情報解析部202とを備える。この会話情報検出部201および会話情報解析部202は、データ解析部23の機能として実現される。
ホスト装置20には、端末装置10A、端末装置10B以外の端末装置10からも発話情報が送られる。データ受信部21により受信された各端末装置10からの発話情報は、データ蓄積部22に蓄積される。そして、データ解析部23の会話情報検出部201が、データ蓄積部22に蓄積された各端末装置10の発話情報を読み出し、特定の会話に係る発話情報である会話情報を検出する。
上記の図15に示したように、端末装置10Aの発話情報と端末装置10Bの発話情報は、他の端末装置10の発話情報とは異なる特徴的な対応関係が抽出される。会話情報検出部201は、データ蓄積部22に蓄積されている各端末装置10から取得した発話情報を比較し、複数の端末装置10から取得した発話情報の中から、上記のような対応関係を有する発話情報を検出し、同一の会話に係る会話情報として識別する。ホスト装置20には、複数の端末装置10から発話情報が随時送られているので、会話情報検出部201は、例えば、一定時間分の発話情報を順次区切りながら上記の処理を行い、特定の会話に係る会話情報が含まれているか否かを判断する。
なお、会話情報検出部201が複数の端末装置10の発話情報から特定の会話に係る会話情報を検出するための条件は、上述した図15に示す対応関係に限定されない。複数の発話情報の中から特定の会話に係る会話情報を識別し得る、いかなる手法にて検出しても良い。
また、上記の例では、端末装置10をそれぞれ装着した二人の装着者が会話している例を示したが、会話に参加する人数は二人に限定されない。三人以上の装着者が会話している場合、各装着者が装着している端末装置10において、自装置の装着者の発話音声が装着者自身の発話音声として認識され、他者(二人以上)の発話音声と区別される。しかし、発話時間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、各端末装置10における取得情報どうしの間で近似する。そこで、会話情報検出部201は、上記の二人の会話の場合と同様に、同一の会話に参加している装着者の端末装置10から取得した発話情報を検出し、会話に参加していない装着者の端末装置10から取得した発話情報と区別する。
次に、会話情報解析部202は、会話情報検出部201により検出された会話情報を解析して、その会話の特徴を抽出する。本実施形態では、具体例として、対話度、傾聴度、会話活性度の3種類の評価基準により会話の特徴を抽出する。ここで、対話度とは、会話参加者の発言頻度のバランスを表すものとする。傾聴度とは、個々の会話参加者における他者の発言を聴く度合いを表すものとする。会話活性度とは、会話全体における発言の密度を表すものとする。
対話度は、会話が行われている間における発話者の交代回数と、発話者が交代するまでの時間(一人の発話者が連続して発話している時間)のばらつきによって特定される。これは、一定時間の会話情報において、話者が切り替わった回数および切り替わったときの時刻から得られる。そして、発話者の交代回数が多く、各発話者の連続発話時間のばらつきが小さいほど、対話度の値(レベル)が大きいものとする。この評価基準は、同一の会話に係る全ての会話情報(各端末装置10の発話情報)において共通する。
傾聴度は、会話情報における会話参加者ごとの自身の発話時間と他者の発話時間との比率によって特定される。例えば、下式の場合、値が大きいほど傾聴度の値(レベル)が大きいものとする。
傾聴度=(他者の発話時間)÷(装着者自身の発話時間)
この評価基準は、同一の会話に係る会話情報であっても、各会話参加者の端末装置10から取得した発話情報ごとに異なるものとなる。
傾聴度=(他者の発話時間)÷(装着者自身の発話時間)
この評価基準は、同一の会話に係る会話情報であっても、各会話参加者の端末装置10から取得した発話情報ごとに異なるものとなる。
会話活性度は、いわゆる会話の盛り上がりを表す指標であり、会話情報全体に対する無言時間(会話参加者の誰も発言していない時間)の比率によって特定される。無言時間の総和が短いほど、会話において会話参加者のいずれかが発言していることを意味し、会話活性度の値(レベル)が大きいものとする。この評価基準は、同一の会話に係る全ての会話情報(各端末装置10の発話情報)において共通する。
以上のようにして、会話情報解析部202による会話情報の解析により、その会話情報に係る会話の特徴が抽出される。また、上記の解析により、その会話における各参加者の参加の仕方が特定される。なお、上記の評価基準は、会話の特徴を表す情報の一例に過ぎず、他の評価項目を採用したり、項目毎に重み付けを加えたりすることにより、本実施形態のシステムの利用目的や利用態様に応じた評価基準を設定して良い。
上記のような解析を、データ蓄積部22に蓄積された発話情報の中から会話情報検出部201により検出された種々の会話情報に対して行うことにより、端末装置10の装着者のグループ全体におけるコミュニケーションの傾向を分析することができる。具体的には、例えば、会話参加者の数、会話が行われた時間、対話度、活性度などの値と会話の発生頻度との相関関係を調べることで、装着者のグループにおいてどのような態様の会話が行われる傾向があるかが判断される。
また、特定の装着者の複数の会話情報に対して上記のような解析を行うことにより、装着者個人のコミュニケーションの傾向を分析することができる。特定の装着者による会話への参加の仕方は、会話の相手や会話参加者の数といった条件に応じて、一定の傾向を持つ場合がある。そこで、特定の装着者における複数の会話情報を調べることにより、例えば、特定の相手との会話では対話レベルが大きい、会話参加者の数が多くなると傾聴度が大きくなる等のような特徴が検出されることが期待される。
なお、上記の発話情報の識別処理および会話情報解析処理は、本実施形態によるシステムの適用例を示すに過ぎず、本実施形態によるシステムの利用目的や利用態様、ホスト装置20の機能等を限定するものではない。本実施形態の端末装置10により取得した発話情報に対して種々の解析や調査を実行するための処理機能が、ホスト装置20の機能として実現され得る。
<変形例>
さて、上述の実施形態においては、第2マイクロフォン11bに無指向性のマイクロフォンを用い、第3マイクロフォン11cに単一指向性のマイクロフォンを用いた端末装置10を説明したが、これに限定されない。端末装置10の変形例を、図17を参照しながら説明をする。なお、図17は、変形例における第2マイクロフォン11bあるいは第3マイクロフォン11cの指向特性を示す図である。
さて、上述の実施形態においては、第2マイクロフォン11bに無指向性のマイクロフォンを用い、第3マイクロフォン11cに単一指向性のマイクロフォンを用いた端末装置10を説明したが、これに限定されない。端末装置10の変形例を、図17を参照しながら説明をする。なお、図17は、変形例における第2マイクロフォン11bあるいは第3マイクロフォン11cの指向特性を示す図である。
まず、第2マイクロフォン11bは、提げ紐40を装着者の首に掛けたときに、装着者からみて前方(回転方向90°)からの音声に対する感度が、装着者からみて後方(回転方向270°)からの音声に対する感度とほぼ等しい指向性を有すればよい。したがって、例えば、図17(a)に示すように、装着者からみて前方と後方に対して感度が高い、両指向性(双指向性)を有するマイクロフォンであってもよい。
また、第3マイクロフォン11cは、提げ紐40を装着者の首に掛けたときに、装着者からみて前方(回転方向90°)からの音声に対する感度が、装着者からみて後方(回転方向270°)からの音声に対する感度よりも高い指向性を有すればよい。したがって、例えば、単一指向性の一態様として、装着者からみた前方のより狭い範囲において感度が高い、所謂鋭指向性を有するマイクロフォン(図17(b)参照)や、所謂超指向性を有するマイクロフォン(図17(c)参照)であってもよい。
付言すると、第3マイクロフォン11cは、周囲に筒状の集音部材を設け、さらに指向性を高める構成であってももちろんよい。
付言すると、第3マイクロフォン11cは、周囲に筒状の集音部材を設け、さらに指向性を高める構成であってももちろんよい。
ここで、上述の実施形態においては、図2に示したように、第2マイクロフォン11bおよび第3マイクロフォン11cが提げ紐40に設けられる構成として説明をしたが、これに限定されない。装着者が端末装置10を装着する向きに応じて、装着者からみた第2マイクロフォン11bと第3マイクロフォン11cとの左右の配置が入れ替わる構成であればよい。
したがって、例えば、本実施形態のような提げ紐40ではなく、クリップやベルトにより装着者の衣服や体に装着するように構成してもよい。
また、第2マイクロフォン11bおよび第3マイクロフォン11cのいずれか一方または両方がケース31に設けられる構成であってもよい。なお、ケース31に第3マイクロフォン11cに設ける態様の場合には、第2マイクロフォン11bおよび第3マイクロフォン11cそれぞれの取得音声を比較することにより、ケース31が裏返しに配置されていることを検知し得る。
また、第2マイクロフォン11bおよび第3マイクロフォン11cのいずれか一方または両方がケース31に設けられる構成であってもよい。なお、ケース31に第3マイクロフォン11cに設ける態様の場合には、第2マイクロフォン11bおよび第3マイクロフォン11cそれぞれの取得音声を比較することにより、ケース31が裏返しに配置されていることを検知し得る。
さらに、第3マイクロフォン11cが、提げ紐40を装着者の首に掛けたときに装着者からみて左右方向(回転方向0°および180°)からの音声に対する感度が異なる指向性を有するように配置する構成であってもよい。このことにより、例えば捩じれない程度の剛性で形成されている提げ紐が仮に捩じれた場合に、その捩じれを検知し得る。
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、20…ホスト装置、30…装置本体、40…提げ紐
Claims (6)
- 装置本体と、
前記装置本体に接続され、当該装置本体を装着者に取付ける取付け手段と、
前記装置本体または前記取付け手段に配置され音声を取得するとともに、装着者からみて前方からの音声に対する感度が装着者からみて後方からの音声に対する感度よりも高い第1の指向性を有する第1音声取得手段と、
前記装置本体または前記取付け手段に配置され音声を取得するとともに、前記第1の指向性とは異なる第2の指向性を有する第2音声取得手段と、
前記第1音声取得手段により取得された音声と前記第2音声取得手段により取得された音声とを比較することにより、当該第1音声取得手段および当該第2音声取得手段についての装着者からみた左右方向の配置を認識する配置認識手段と
を備えることを特徴とする音声解析装置。 - 装着者の口から前記第1音声取得手段または前記第2音声取得手段までの距離とは装着者の口からの距離が異なる位置に配置され、音声を取得する第3音声取得手段を備え、
前記第3音声取得手段とは装着者の口からの距離が異なる前記第1音声取得手段または前記第2音声取得手段と、当該第3音声取得手段とにより取得された音声に基づき、当該取得された音声が装着者の発話音声か他者の発話音声かを識別する発話者識別手段を備えることを特徴とする請求項1記載の音声解析装置。 - 前記第1音声取得手段および前記第2音声取得手段により取得された音声に基づき、装着者と他者との向き合う角度である対面角度を算出する算出手段を備えることを特徴とする請求項1記載の音声解析装置。
- 前記第1音声取得手段および前記第2音声取得手段についての装着者からみた左右方向が予め定めた向きと逆向きであると前記配置認識手段により認識された場合に、逆向きに配置されていることを表示する表示手段を備えることを特徴とする請求項1記載の音声解析装置。
- 前記取付け手段は、装着者に装着された状態で装着者に対する向きを安定させる安定部を備えることを特徴とする請求項1記載の音声解析装置。
- 装置本体と、
前記装置本体に接続され、当該装置本体を装着者に取付ける取付け手段と、
前記装置本体または前記取付け手段に配置され単一指向性を有する単一指向性マイクロフォンと、
前記装置本体または前記取付け手段に配置され全指向性を有する全指向性マイクロフォンと、
前記単一指向性マイクロフォンにより取得された音声と前記全指向性マイクロフォンにより取得された音声とを比較することにより、装置の装着状態を認識する装着状態認識手段と
を備えることを特徴とする音声解析装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012193495A JP2014050048A (ja) | 2012-09-03 | 2012-09-03 | 音声解析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012193495A JP2014050048A (ja) | 2012-09-03 | 2012-09-03 | 音声解析装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2014050048A true JP2014050048A (ja) | 2014-03-17 |
Family
ID=50609267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012193495A Pending JP2014050048A (ja) | 2012-09-03 | 2012-09-03 | 音声解析装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2014050048A (ja) |
-
2012
- 2012-09-03 JP JP2012193495A patent/JP2014050048A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5772447B2 (ja) | 音声解析装置 | |
JP5772448B2 (ja) | 音声解析システムおよび音声解析装置 | |
JP6031761B2 (ja) | 音声解析装置および音声解析システム | |
JP6003472B2 (ja) | 音声解析装置、音声解析システムおよびプログラム | |
JP2013135325A (ja) | 音声解析装置 | |
JP6003510B2 (ja) | 音声解析装置、音声解析システムおよびプログラム | |
JP5867066B2 (ja) | 音声解析装置 | |
US8983843B2 (en) | Motion analyzer having voice acquisition unit, voice acquisition apparatus, motion analysis system having voice acquisition unit, and motion analysis method with voice acquisition | |
JP6007487B2 (ja) | 情報処理装置、情報処理システムおよびプログラム | |
JP5862318B2 (ja) | 音解析装置、音解析システムおよびプログラム | |
JP6160042B2 (ja) | 位置特定システム | |
JP6476938B2 (ja) | 音声解析装置、音声解析システムおよびプログラム | |
JP6031767B2 (ja) | 音声解析装置、音声解析システムおよびプログラム | |
JP6191747B2 (ja) | 音声解析装置および音声解析システム | |
JP2014050048A (ja) | 音声解析装置 | |
US9014395B2 (en) | Audio analysis apparatus and audio analysis system | |
JP2013140534A (ja) | 音声解析装置、音声解析システムおよびプログラム | |
JP2013164468A (ja) | 音声解析装置、音声解析システムおよびプログラム | |
JP5929810B2 (ja) | 音声解析システム、音声端末装置およびプログラム | |
JP6369022B2 (ja) | 信号解析装置、信号解析システムおよびプログラム | |
JP2014048618A (ja) | 音声解析装置、音声解析システムおよびプログラム |