JP2014130251A - 会話保護システム及び会話保護方法 - Google Patents

Abstract

【課題】適切なマスキング音を選択して再生して会話の内容が第三者に聞き取られることを防止する。
【解決手段】マイクロホンで集音した会話の音声から生成した防聴音をスピーカから出力することにより第三者に会話の内容を聞かれることを防止する会話保護システムを、複数の周波数域で各周波数域に対応する音声から生成したマスキング音が予め保存された記憶部と、マイクロホンにより集音した会話音声の声の高さを解析する入力音解析部と、入力音解析部により解析された声の高さに基づいて対応するマスキング音を選択して再生しスピーカに出力するマスキング音制御部とにより構成する。
【選択図】 図３

Description

この発明は、会話当事者以外の第三者によって会話の内容を聞き取られることを防止するための会話保護システム及び会話保護方法に関する。

従来、銀行や病院等では、会話の音声が漏れて第三者に聞き取られることを防止するために様々なシステムが利用されている。例えば、銀行内で行われる行員と顧客の会話や、病院内で行われる患者と、受付担当者、医師又は薬剤師との会話には、第三者には聞かれたくない個人情報が含まれる場合があるため、第三者に向けて、マスキング音を再生することにより会話音声を聞き取り難いようにしている。

マスキング音の生成方法として、例えば、特許文献１では、マイクロホンによって会話の音声を集音して、この音を表す包絡線信号を複数の包絡線に分割し、所定条件を満たす包絡線の配列位置を変更することによってマスキング音を生成する技術が開示されている。また、マスキング音を再生する際の音量の制御方法として、例えば、特許文献２では、会話音声のピークと一致するようにマスキング音の音量を大きくした後、緩やかに減衰させる技術が開示されている。

特開２０１０−２１７８８３号公報 特開２０１２−５３３３５号公報

しかしながら、上記従来技術によれば、集音される音声の音質による影響を受けて、マスキング性能が低くなる場合があるという問題があった。具体的には、例えば、話者と集音用のマイクロホンとの距離が離れているために集音された音声の音質が悪い場合でも、この音声を元にマスキング音が生成される。このため、生成したマスキング音を再生しても、会話音声を効果的にマスキングできない場合がある。また、マスキング音が耳障りな音となって、この音を聞く第三者が不快に感じる場合がある。

また、マスキング音の再生音量を制御する際に、音声のピークに合わせてマスキング音の再生音量を大きくすれば第三者の注意を引くことができるが、その後、マスキング音を緩やかに減衰させる間に、音量が変化する会話音声に気付くと、この会話音声の方に集中してしまいマスキング効果を十分に発揮できない場合がある。

本発明は、上述した従来技術による問題点を解消するためになされたもので、会話音声に合わせて適切なマスキング音を再生することにより高いマスキング効果を得ることができる会話保護システム及び会話保護方法を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明は、会話を聞き取り難くするようにマイクロホンで集音した会話音声から周波数を変成して生成した音声である防聴音をスピーカから出力することにより第三者に前記会話の内容を聞かれることを防止する会話保護システムであって、複数の周波数域で各周波数域に対応する音声から生成したマスキング音が予め保存された記憶部と、前記マイクロホンにより集音した会話音声の声の高さを解析する入力音解析部と、前記入力音解析部により解析された声の高さに基づいて、対応するマスキング音を選択して再生し、前記スピーカに出力するマスキング音制御部とを備えることを特徴とする。

また、本発明は、上記発明において、前記入力音解析部は、前記会話音声の抑揚を解析して、前記マスキング音制御部は、前記入力音解析部によって解析された前記会話音声の抑揚に合わせて前記スピーカから出力する前記マスキング音の再生音量を制御することを特徴とする。

また、本発明は、上記発明において、各周波数域のマスキング音は、声の高さが前記周波数域に含まれる音声から言葉を認識できない時間長さで切り出した複数の音をランダムに選択して、時間軸上で一部をオーバーラップさせて合成した音であることを特徴とする。

また、本発明は、上記発明において、前記会話保護システムの利用者の声の高さに対応する周波数域では、前記マスキング音は当該利用者の音声を使用して生成されることを特徴とする。

また、本発明は、上記発明において、前記防聴音の再生音量と前記マスキング音の再生音量との関係を設定するための設定入力部をさらに有し、該設定入力部による設定に基づいて前記スピーカに出力される前記防聴音及び前記マスキング音の再生音量が制御されることを特徴とする。

また、本発明は、マイクロホンで集音した会話の音声から生成した防聴音をスピーカから出力することにより第三者に前記会話の内容を聞かれることを防止する会話保護方法であって、前記マイクロホンにより集音した会話音声の声の高さを解析する入力音解析工程と、各周波数域に対応する音声から予め生成された複数のマスキング音の中から前記入力音解析工程で解析された声の高さに対応するマスキング音を選択するマスキング音選択工程と、前記マスキング音選択工程で選択されたマスキング音を再生して前記スピーカに出力するマスキング音再生工程とを含んだことを特徴とする。

また、本発明は、上記発明において、前記入力音解析工程は、前記マイクロホンにより集音した前記会話音声の抑揚を解析する工程を含み、前記マスキング音再生工程では、前記入力音解析工程で解析された前記会話音声の抑揚に合わせて前記スピーカに出力する前記マスキング音の再生音量が制御されることを特徴とする。

本発明によれば、複数の周波数域で各周波数域に対応する高音質な音声から予めマスキング音を生成して記憶部に保存しておいて、会話音声の声の高さに基づいて、対応する周波数域のマスキング音を選択して再生することができるので、高いマスキング効果を得ることができる。

また、本発明によれば、会話音声の声の高さに応じて選択したマスキング音を、声の抑揚に合わせて音量を制御しながら出力するので、一定音量で出力したり徐々に減衰したりする場合に比べて高いマスキング効果を得ることができる。また、会話のないときにはマスキング音を出力しないのでうるささを抑えることができる。

また、本発明によれば、マスキング音は、該マスキング音の音源となる音声から言葉を認識できないように切り出した音を時間軸方向にずらしながら合成して生成されるので、言葉を聞き取ることはできないが複数人が何かを話しているような音になり、高いマスキング効果を得ることができる。

また、本発明によれば、会話保護システムを利用する利用者、すなわち保護対象となる会話を行う当事者の声を集音して、高音質な音声から予め生成したマスキング音を利用することができるので、会話音声に近い声質の声をマスキング音として出力することにより高いマスキング効果を得ることができる。

また、本発明によれば、会話保護を重視してマスキング音に比べて防聴音の再生音量を大きくしたり、防聴音に係る違和感低減を重視して防聴音に比べてマスキング音の再生音量を大きくしたりすることができるので、会話保護システムの利用状況や利用目的に柔軟に対応することができる。

図１は、本実施形態に係る会話保護システムの利用例を説明する図である。 図２は、本実施形態に係る会話保護システムの設置例を説明する図である。 図３は、本実施形態に係る会話保護システムの機能構成概略を示すブロック図である。 図４は、本実施形態に係る記憶部に保存されたマスキング音について説明する図である。 図５は、本実施形態に係るマスキング音について説明する図である。 図６は、本実施形態に係るマスキング音の選択及び再生を行うための音声解析の例を説明する図である。 図７は、本実施形態に係るマスキング音の選択方法を説明するフローチャートである。 図８は、本実施形態に係るマスキング音の選択の例を示す図である。

以下に添付図面を参照して、この発明に係る会話保護システム及び会話保護方法の好適な実施形態について詳細に説明する。会話保護システムは、例えば、銀行等の金融機関や、病院や薬局等の医療機関で行われる会話内容が第三者によって聞き取られることを防止して、プライバシーを保護するために利用するシステムである。

図１は、会話保護システムの利用例を説明する図である。この例では、ブース内で会話を行う当事者１及び２の音声が、第三者３に聞き取られることを防止している。例えば、ブースを仕切るために設けられたパーティション５１の外側で待合席５２に座っている人物や、隣のブースに居る人物が第三者３に該当する。

会話保護システムは、音声処理装置１０と、マイクロホン（以下「マイク」と記載する）２０と、スピーカ３０とによって構成される。マイク２０は、例えば、ブース内で会話当事者１及び２が座るテーブル５０又はその近傍に設置され、保護対象となる会話音声を集音するために利用される。音声処理装置１０は、マイク２０によって集音された音声に基づいて、防聴音を生成すると共に、予め準備された気をそらせるような効果をもたらす効果音及びマスキング音の中から適切な音を選択して、これらの音をスピーカ３０によって出力する機能を有する。スピーカ３０は第三者３に向けて音を出力するように設置されている。

なお、防聴音、効果音及びマスキング音は、全て、第三者によって会話音声を聴き取られることがないようにマスキングするための音であるが、本実施形態では、マイク２０で集音した会話音声からリアルタイムに生成した音を防聴音、曲や楽器の音等を効果音、所定の周波数域毎に複数の音声から予め生成した音をマスキング音として区別する。各音の詳細は後述するが、防聴音が会話音声の周波数特性に基づいてリアルタイムに生成して再生される音であるのに対して、効果音及びマスキング音は予め準備された複数の音データであり、会話音声に応じて選択して再生される音である。

図２は、会話保護システムの設置例を説明する図である。図２（ａ）はシステムを上方から見た模式図であり、同図（ｂ）には待合席５２の第三者３から見たシステムの外観図を示している。このように、会話保護システムは、音声処理装置１０、マイク２０及びスピーカ３０（３０Ａ及び３０Ｂ）に加えて、スピーカ３０から出力する音を制御するための出力音操作部４０を備える。この出力音操作部４０によって、例えば、スピーカ３０から出力される音の再生開始及び再生停止の制御、再生音量の制御等を行うことができる。なお、図２では、説明を簡略化するために、１つのブースの会話を保護するためのシステムのみを示しているが、複数のブースが設置される場合もある。スピーカ３０については、隣のブースの会話当事者である第三者３に向けて音を出力するスピーカ３０Ａと、ブースの外側にある待合席５２の第三者３に向けて音を出力するためのスピーカ３０Ｂとが含まれる。

図３は、会話保護システムの機能構成概略を示すブロック図である。図３を参照しながら音声処理装置１０について詳細を説明する。音声処理装置１０は、マイク２０によって集音された会話音声を解析する入力音解析部１１と、会話音声に基づいて防聴音を生成する防聴音生成部１２と、防聴音とは別に再生する効果音及びマスキング音の選択等を行うマスキング音制御部１３と、効果音及びマスキング音を含む音データやこれらの音の再生を制御するための設定等が保存されている記憶部１４と、会話音声に応じてスピーカ３０で出力される防聴音、効果音及びマスキング音の再生制御を行う出力音制御部１５とを有している。入力音解析部１１、防聴音生成部１２、マスキング音制御部１３及び出力音制御部１５は、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）によって構成されている。また、音声処理装置１０は、ＤＳＰを含む専用のハードウェアによって構成されてもよいし、コンピュータ装置を利用して構成されてもよい。

なお、図３では、会話保護システムの説明に必要な構成要素のみを示しているが、音声処理装置１０は、この他に、例えば、マイク２０からの入力信号及びスピーカ３０への出力信号を処理するためのＡ／Ｄ，Ｄ／Ａコンバータ及びアンプを有している。また、外部装置との間で有線又は無線で通信を行うための通信インターフェイスを有する場合もある。

入力音解析部１１は、マイク２０から入力され、Ａ／Ｄコンバータでデジタル化された保護対象となる会話音声をリアルタイムに解析して、音量、周波数特性、声の高さ等を解析する機能を有する。会話音声に基づいて得られた周波数特性は、防聴音生成部１２によって防聴音を生成する処理に利用される。また、声の高さは、マスキング音制御部１３によってマスキング音を選択するために利用される。また、音声パワーは、マスキング音制御部１３及び出力音制御部１５によって防聴音、効果音及びマスキング音を再生するタイミングの制御や再生音量の制御を行うために利用される。

防聴音生成部１２は、会話音声に合わせてスピーカ３０から出力することで会話音声の音韻性を壊すことができる防聴音を生成する機能を有する。防聴音は、会話音声の周波数特性を示すスペクトルから抽出した包絡線及び微細構造に係る特徴に基づいてリアルタイムに生成される。具体的には、会話音声から得られた音声スペクトルからスペクトル包絡及びスペクトル微細構造を抽出して、スペクトル包絡を上下に入れ替えるための周波数方向に延びる反転軸を設定する。そして、当該反転軸を中心としてスペクトル包絡を反転させることによりスペクトル包絡に対して変形を施した変形スペクトル包絡を生成する。そして、さらに、この変形スペクトル包絡及びスペクトル微細構造を合成した変形スペクトルを生成して、これを防聴音とするものである。なお、防聴音は、特許第４７６１５０６号公報によって開示された従来技術によって生成することができるので詳細な説明は省略する。

マスキング音制御部１３は、会話音声に基づいて再生する効果音及びマスキング音を選択すると共に、選択した効果音の再生音量を制御する機能を有する。マスキング音についての詳細は後述することとして、ここで効果音について説明する。

効果音は、ベース効果音とアテンション効果音の２種類の音によって構成される。ベース効果音は会話音声が続く間途切れることなく続けて再生される音であり、アテンション効果音は会話音声の音圧が所定のしきい値を超える度に再生される音である。ベース効果音として、例えば、オルゴールによる曲、打楽器や弦楽器等の楽器による曲、川のせせらぎ、波の音又は小鳥のさえずり等の音を利用する。利用者は、記憶部１４に保存された効果音データベース１４ｂの中から、再生したいベース音を選択したり、再生音量を制御したりすることができる。アテンション効果音として、例えば、鉄琴、木琴等の打楽器を叩いた音、ギターやハープ等の弦楽器を弾いた音、ベルや鐘等を鳴らした音等を利用する。様々な音色の様々な高さの音が、アテンション効果音として、記憶部１４の効果音データベース１４ｂに保存されている。アテンション効果音は、記憶部１４に保存されたデータの中から、マスキング音制御部１３によってランダムに選択される。そして、会話音声の音量が所定のしきい値を超えたタイミングで、ベース効果音に重ねてアテンション効果音が再生される。防聴音は人工的に操作された周波数特性を有するため、聞いたときに違和感を覚える場合があるが、ベース効果音やアテンション効果音は心地よい印象を受ける音であるため、これらの音を再生することにより防聴音に対する違和感を和らげることができる。また、ベース効果音を続けて再生しながら会話音声の音量に応じてアテンション効果音を再生するので、会話音量が大きくなったときにアテンション効果音に注意を引くことができる。また、アテンション効果音はランダムなタイミングで再生されるので、ベース効果音のみを再生する場合に比べて効果音に変化を与えて、第三者３が効果音に慣れることを回避することができる。ベース効果音の再生開始及び停止の制御と再生音量の制御とは、マスキング音制御部１３及び出力音制御部１５によって行われる態様の他、出力音操作部４０等によって行うことも可能である。

記憶部１４は、半導体メモリやハードディスク等から成る記憶装置であって、ベース効果音及びアテンション効果音を含む効果音データベース１４ｂの他に、予め生成された複数のマスキング音を含むマスキング音データベース１４ａを保存するために利用される。また、記憶部１４は、防聴音の生成や再生を行うために必要な各種の情報や、効果音及びマスキング音を再生するために必要な各種の情報を含む再生音出力設定１４ｃを保存するために利用される。

出力音制御部１５は、Ｄ／Ａコンバータ及びアンプを有し、防聴音生成部１２で生成された防聴音をスピーカ３０から出力する機能を有する。防聴音は、会話の内容を聞き取ることができないように、会話音声に被せて音声の音韻性を壊すように再生される。また、出力音制御部１５は、マスキング音制御部１３によって選択された効果音及びマスキング音を再生する機能を有する。

防聴音、効果音及びマスキング音のうち、いずれの音を再生するかは設定により変更できるようになっている。また、各音を再生する音量についても設定により変更できるようになっている。具体的には、例えば、会話保護システムが設置される環境に応じて、ハウリングが生じないように、予め、各音の再生音量を設定する。また、例えば、会話保護を優先するために、会話音声から生成された防聴音の再生音量を大きくして、効果音やマスキング音の再生音量を小さくするように設定する。また、逆に、防聴音による違和感の低減を優先して、効果音やマスキング音の再生音量を大きく設定することもできる。これらの設定は、再生音出力設定１４ｃとして記憶部１４に保存されている。再生音量に関する設定変更は、事前に行うこともできるし、各音の再生中にリアルタイムに行うことも可能である。設定変更は、設定入力部として機能する出力音操作部４０によって行われる。また、音声処理装置１０の備える図示しない通信インターフェイスと無線接続された携帯電話やタブレット端末等の携帯端末を操作して設定を変更することもできる。この場合、出力音操作部４０や携帯端末が、設定変更を行うための設定入力部として機能することになる。

本実施形態に係る会話保護システムは、従来利用されている防聴音に加えて、防聴音と同様に音声から生成したマスキング音を利用する点に１つの特徴を有している。まず、マスキング音による会話保護の方法について概要を説明する。

人が会話を聞き取ろうとする場合に、会話の声とは全く異なる別の声が聞こえている場合と、会話の声と同じような別の声が聞こえている場合とでは、同じような声が聞こえている場合の方が会話の内容を聞き取り難い。これを利用して、会話保護システムでは、保護対象となる会話音声の音量及び声の高さ（基本周波数、ピッチ）を求めて、会話音声と同様の声の高さで複数人が会話をしているかのように聞こえる音をマスキング音として再生する。マスキング音は、会話音声の声の高さに対応するように複数準備されており、会話音声の声の高さが変化すれば、この変化に応じて再生するマスキング音を変更する。これにより、常に、保護対象となる会話音声の声の高さに対応するマスキング音を再生して、会話の内容を保護することができる。また、会話保護システムでは、マスキング音の再生音量を、保護対象となる会話音声の抑揚に合わせて変化させるので、会話が続く間、高いマスキング効果を維持することができる。以下では、マスキング音及びその再生方法について詳細を説明する。

防聴音は、マイク２０によって集音した会話音声から生成される。このため、高いマスキング効果を得ることが可能であるが、集音した会話音声の音質による影響を受ける。これに対して、マスキング音は、防聴音と同様に人間の会話音声に基づいて生成されるが、高音質な会話音声を利用して予め生成された音であるため、その音質が保護対象として集音された会話音声の音質による影響を受けることがない。マスキング音として、予め複数種類の音が生成されて、記憶部１４のマスキング音データベース１４ａに登録されている。

図４は、記憶部１４のマスキング音データベース１４ａに登録されたマスキング音について説明する図である。例えば、図４に示すように、Ｎｏ．１〜１０の１０種類のマスキング音を予め準備して利用する。図４に示す声の高さは、各マスキング音Ｎｏ．１〜１０が、保護対象となる会話音声の声の高さがどの周波数域にあるときに選択されるかを示している。また、同図に示す音源は、各マスキング音Ｎｏ．１〜１０が、どのような音源から生成された音であるかを示している。

会話時の音声の基本周波数は、男性の場合で８０〜２００Ｈｚ、女性の場合で１５０〜３００Ｈｚの範囲に分布する。そこで、この音声の周波数分布域を、１１０Ｈｚ未満の周波数域と、１１０Ｈｚ〜２７０Ｈｚの間を２０Ｈｚ刻みで分割した周波数域と、２７０Ｈｚを超える周波数域とに分割する。そして、分割したＮｏ．１〜１０の各周波数域に対応するように１０種類のマスキング音を準備する。図４は、Ｎｏ．１のマスキング音が二人の男性Ａ及びＢの会話音声から生成された音であり、Ｎｏ．２のマスキング音が男性Ｃ及びＤの会話音声から生成された音であることを示している。具体的には、例えば、声の高さが１００Ｈｚの男性Ａの会話音声及び１１０Ｈｚの男性Ｂの会話音声から、保護対象となる会話音声の声の高さが１１０Ｈｚ未満の場合に再生するＮｏ．１のマスキング音を生成する。また、１２０Ｈｚの男性Ｃの会話音声及び１３０Ｈｚの男性Ｄの会話音声から、保護対象となる会話音声の声の高さが１１０〜１３０Ｈｚの場合に再生するＮｏ．２のマスキング音を生成する。

なお、ここでは、周波数域を２０Ｈｚ刻みで分割して各周波数域でマスキング音を生成する例を示したが、周波数域の刻み幅は等間隔でなくとも構わず適宜変更される。例えば、保護対象となる会話音声に応じて刻み幅を変更する。具体的には、会話保護システムによる保護対象のほぼ全てが女性の会話音声である場合には、女性の音声の基本周波数域をより細かい刻み幅で分割してマスキング音を準備する態様であっても構わない。

次に、マスキング音の生成方法について説明する。図５は、二人の会話音声から１つのマスキング音を生成する方法を説明する図である。以下では、男性Ａ及びＢの会話音声からＮｏ．１のマスキング音を生成する場合を例に説明する。

マスキング音の音源となる男性Ａ及びＢの会話音声は、例えば、マイクに向かって、マスキング音を生成するために準備した所定の文章を読み上げてもらうことにより集音する。このため、図１に示すように会話当事者の音声を会話時に集音するものとは異なり、明瞭で高音質な音声を集音することができる。こうして集音した二人の会話音声を利用してマスキング音の生成を開始する。

まず、図５（ａ）に示す男性Ａの音声から、同図（ｂ）に示すように音声パワーを求める。そして、図５（ｂ）に示すように、予め設定された音声切出しきい値を超えてから所定時間経過した場合に、音声切出しきい値を超えた時点から所定時間分の音声データを切り出す。高音質のデータを得るために音声切出しきい値を設定すると共に、ノイズ等により瞬間的に音声パワーが高くなった際の音を利用せず発話時の音声を切り出すために音声パワーが音声切出しきい値を超える状態が所定時間以上続いた場合に音声データを切り出すものである。具体的には、例えば、−３０ｄＢを音声切出しきい値として、このしきい値を超えた状態がｔ１（ｍＳｅｃ）経過したことを確認してから、図５（ａ）の矩形窓で示すようにｔ２（ｍＳｅｃ）分の音声を切り出す。こうして、男性Ａの会話音声から、多数の音声データが切り出される。また、男性Ｂの会話音声からも同様に多数の音声データが切り出される。

そして、切り出した男性Ａの音声データ及び男性Ｂの音声データに、図５（ｃ）に示すような窓関数を適用する。窓関数は、横軸を時間軸として、図示したように音声パワーを変更するための関数で、予め、複数の窓関数が準備されている。そして、準備された窓関数の中からランダムに選択された窓関数が利用される。具体的には、例えば、図５（ｃ）に示すように、２種類の窓関数Ａ及びＢを準備して、この２種類からランダムに選択した窓関数Ａ又はＢを、男性Ａ及び男性Ｂの会話音声から得られた全ての音声データに適用する。

この結果、図５（ｄ）に示すように、マスキング音の生成に利用するマスキング要素として、男性Ａ及び男性Ｂの会話音声から切り出して、ランダムに選択された窓関数が適用されたｔ２（ｍＳｅｃ）の音声データが多数生成される。

こうして、マスキング要素を生成した後、図５（ｅ）に示すように、各マスキング要素を所定時間分だけずらしながらランダムに並べて合成して、得られた音をマスキング音とする。具体的には、例えば、ｎ＋１個のマスキング要素をｔ３（ｍＳｅｃ）ずつずらしてランダムに並べた後、これらを合成することによりマスキング音を生成する。言い換えれば、ランダムに選択した複数のマスキング要素を、時間軸上で一部が重なるように並べて合成した音がマスキング音である。例えば、ｔ２＝２５６ｍＳｅｃ、ｔ３＝６４ｍＳｅｃ、ｎ＝６０とすると、約４秒間のマスキング音を生成することができる。このように、各周波数域で、二人の会話音声を利用してマスキング音を生成する。生成されたマスキング音は、記憶部１４のマスキング音データベース１４ａに登録される。

マスキング音は、マスキング要素を複数並べて合成した音であるが、短い時間で切り出した音声データに窓関数を適用した音であるため、言葉として聞き取れる音とはならない。

なお、マスキング音の生成に会話当事者の音声を利用することもできる。例えば、薬局で会話保護システムを利用する薬剤師が、マイク２０に向かって所定の文章を読み上げた音声を利用して、この薬剤師の会話音声を保護するためのマスキング音を生成する。例えば、この薬剤師が女性で声の高さが２１０Ｈｚである場合には、この女性がマイク２０に向かって所定の文章を読み上げた会話音声と、別途同様に準備された声の高さが２００Ｈｚの女性の会話音声とを利用して、図５に示す方法により、図４に示すＮｏ．６のマスキング音を生成することができる。このとき、２１０Ｈｚの女性の声と、これを変換した２００Ｈｚの声とを利用してマスキング音を生成することもできる。なお、装置利用時の女性の会話音声を高音質な状態で集音できる場合には、集音した会話音声を利用してマスキング音を生成することもできる。また、マスキング音を生成するための会話音声として、所定の文章を読み上げた音声を利用する他、高音質な音声であれば、日常会話等から集音した音声を利用することもできる。保護対象となる会話当事者の音声を利用してマスキング音を生成すれば、より高いマスキング効果を得ることが可能となる。

次に、マスキング音の選択方法及び再生方法について説明する。図６は、マスキング音の選択及び再生を行うために入力音解析部１１によって行われる音声解析の例を示す図である。図６（ａ）に示すように、マイク２０から保護対象となる会話音声が入力されると、入力音解析部１１は、この音声波形から、同図（ｂ）に示すように音声パワーを求めると共に、同図（ｃ）に示すように会話音声の声の高さを解析する。会話音声の声の高さの解析は、例えば、ケプストラム分析等の従来技術を利用して行うので詳細な説明は省略する。

会話音声の声の高さの解析結果は、マスキング音制御部１３に入力される。マスキング音制御部１３は、会話音声の声の高さに応じて再生するマスキング音を選択して、これを記憶部１４のマスキング音データベース１４ａから読み出して出力音制御部１５に入力する。例えば、会話音声の声の高さが１１０〜１３０Ｈｚの間であれば、図４に示すＮｏ．２のマスキング音が選択され、１３０〜１５０Ｈｚの間であればＮｏ．３のマスキング音が選択される。

音声パワーの解析結果は、マスキング音制御部１３及び出力音制御部１５に入力される。出力音制御部１５は、マスキング音制御部１３によって選択されたマスキング音を再生してスピーカ３０に出力する。このとき、出力音制御部１５は、会話音声の音声パワーに基づいてマスキング音の再生開始及び再生停止を制御すると共に、マスキング音制御部１３からの指示に基づいて再生音量を制御する。具体的には、会話音声の音声パワーが予め設定された所定のしきい値（図６（ｂ）では−３０ｄＢ）を超えるとマスキング音の再生を開始して、音声パワーが所定しきい値を下回るとマスキング音の再生を停止する。また、会話音声の音声パワーが所定しきい値を超えている間、音声パワーに応じて、すなわち会話音声の抑揚に合わせて、マスキング音の再生音量を制御する。マスキング音の再生音量を、会話音声の音量よりどの程度大きく又は小さく再生するかについては、予め、再生音出力設定１４ｃとして記憶部１４に設定されている。

次に、マスキング音選択処理の詳細について説明する。図７は、マスキング音の選択方法を説明するフローチャートである。まず、マイク２０に入力された会話音声の音声パワーが所定のしきい値を超えると（ステップＳ１；Ｙｅｓ）、入力音解析部１１は、しきい値を超えた際の音声データが、声の高さの解析に利用できるものであるか否かを判定する（ステップＳ２）。

具体的には、例えば、図６（ｂ）に示す音声パワーが所定しきい値として設定された−３０ｄＢを超えた状態がｔ６（ｍＳｅｃ）続いたことを確認して、しきい値を超えてからｔ７（ｍＳｅｃ）分の音声データを切り出す。そして、この音声データにおける零交差数の数に基づいて、この音声データが摩擦音を含む場合には、声の高さの解析には適さないと判定する（ステップＳ２；Ｎｏ）。なお、音声パワーが所定しきい値を超えるまでの間（ステップＳ１；Ｎｏ及びステップＳ６；Ｎｏ）、及び声の高さの解析に適した音声データが得られるまでの間（ステップＳ２；Ｎｏ及びステップＳ６；Ｎｏ）は、音声パワーの監視のみを行う。

音声データを声の高さの解析に利用できると判定すると（ステップＳ２；Ｙｅｓ）、この音声データを利用して、ケプストラム分析により声の高さを解析する（ステップＳ３）。得られた声の高さは、入力音解析部１１からマスキング音制御部１３に入力される。マスキング音制御部１３は、入力された声の高さに対応するマスキング音を選択する（ステップＳ４）。そして、マスキング音制御部１３は、マスキング音の選択回数をカウントする（ステップＳ５）。

このように、会話音声が所定しきい値を超えた際の有効な音声データから声の高さを解析して対応するマスキング音の選択回数をカウントする処理（ステップＳ１〜Ｓ５）は、所定時間ｔ５（ｍＳｅｃ）毎に継続して行われる（ステップＳ６；Ｎｏ）。

音声パワーがしきい値を超えてからｔ５（ｍＳｅｃ）を経過すると（ステップＳ６；Ｙｅｓ）、マスキング音制御部１３が、この間にカウントされた回数に基づいて選択回数が最も多かったマスキング音を選択して、出力音制御部１５が、選択されたマスキング音を再生してスピーカ３０から出力する（ステップＳ７）。再生するマスキング音が選択されると、計数していた時間及び選択回数のカウントをリセットする（ステップＳ８）。そして、ステップＳ１に戻って、新たに、会話音声の監視及びマスキング音の選択回数のカウントを開始する。

図８は、図７に示したマスキング音の選択処理の具体例を示す図である。図８（ａ）はマイク２０で集音された会話音声の音声波形であり、同図（ｂ）は音声波形の声の高さに基づいて選択されたマスキング音の選択回数を示すカウント結果を示し、同図（ｃ）はカウント結果に基づいて再生されるマスキング音を示している。

図８（ａ）に示すように、会話音声の音声パワーが所定しきい値を超えてから最初の区間１では、同図（ｃ）に示すように、Ｎｏ．５のマスキング音が再生される。会話音声が所定しきい値を超えてから最初に再生されるマスキング音については、会話音声の声の高さに係る情報がないために、会話音声に対応するマスキング音を選択することができない。このため、会話音声が男性である場合でも女性である場合でも、ある程度のマスキング効果を得ることができるように、図４に示す全周波数域の中間位置に当たるＮｏ．５のマスキング音を再生するものである。最初に再生するマスキング音の種類は、記憶部１４の再生音出力設定１４ｃによって設定することができる。

会話音声の音声パワーが所定しきい値を超えてからｔ５（例えば５００ｍＳｅｃ）の時間が経過するまでの区間１で、図７に示したように、会話音声の声の高さに応じてマスキング音Ｎｏ．１〜１０を選択して回数をカウントする。この結果、図８（ｂ）に示すようにＮｏ．１のマスキング音のカウント数が最も多かった場合、次の区間２では、同図（ｃ）に示すように、Ｎｏ．１のマスキング音が再生される。また、区間２でＮｏ．１のマスキング音を再生している間に会話音声の声の高さに応じて選択されたマスキング音をカウントして、Ｎｏ．２のカウント数が最も多かった場合には、次の区間３ではＮｏ．２のマスキング音が再生される。同様に、次の区間４では、区間３でのカウント数が最も多かったＮｏ．５のマスキング音が再生される。

区間４の後に会話音声が途切れるとマスキング音の再生も停止される。このため、区間４でＮｏ．７のマスキング音のカウント数が最も多かった場合でも、区間４でＮｏ．５のマスキング音が再生された後、Ｎｏ．７のマスキング音は再生されないことになる。

このように、所定時間ｔ５（ｍＳｅｃ）毎に区切った各区間で会話音声の声の高さに合わせて選択されたマスキング音をカウントして、このカウント結果に基づいて、次のｔ５（ｍＳｅｃ）の間に再生するマスキング音を決定する。会話音声の声の高さの変化に応じてマスキング音が変更されるので、高いマスキング効果を得ることができる。

上述してきたように、本実施形態によれば、会話音声の声の高さに応じたマスキング音を再生することにより、高いマスキング効果を得ることができる。また、マスキング音の再生音量を、会話音声の抑揚に合わせて制御することにより、会話音声が続く間、高いマスキング効果を維持することができる。

また、マスキング音は、言葉として聞き取ることができない音ではあるが、会話音声から切り出した音データを合成して生成した音であり、防聴音のように周波数を加工して生成した防聴音に比べて違和感のない音とすることができる。

また、マスキング音は、マスキング音を生成することを目的として集音した高音質な会話音声から生成されるので、高音質のマスキング音を生成することができる。

以上のように、本発明は、第三者に会話音声を聞き取られないように別の音を再生して会話内容を保護するために有用な技術である。

１０ 音声処理装置
１１ 入力音解析部
１２ 防聴音生成部
１３ マスキング音制御部
１４ 記憶部
１５ 出力音制御部
２０ マイク
３０、３０Ａ、３０Ｂ スピーカ
４０ 出力音操作部
５０ テーブル
５１ パーティション
５２ 待合席

Claims (7)

1. マイクロホンで集音した会話音声から生成した防聴音をスピーカから出力することにより第三者に前記会話の内容を聞かれることを防止する会話保護システムであって、
   複数の周波数域で各周波数域に対応する音声から生成したマスキング音が予め保存された記憶部と、
   前記マイクロホンにより集音した会話音声の声の高さを解析する入力音解析部と、
   前記入力音解析部により解析された声の高さに基づいて、対応するマスキング音を選択して再生し、前記スピーカに出力するマスキング音制御部と
   を備えることを特徴とする会話保護システム。
2. 前記入力音解析部は、前記会話音声の抑揚を解析して、
   前記マスキング音制御部は、前記入力音解析部によって解析された前記会話音声の抑揚に合わせて前記スピーカに出力する前記マスキング音の再生音量を制御する
   ことを特徴とする請求項１に記載の会話保護システム。
3. 各周波数域のマスキング音は、声の高さが前記周波数域に含まれる音声から言葉を認識できない時間長さで切り出した複数の音をランダムに選択して、時間軸上で一部をオーバーラップさせて合成した音であることを特徴とする請求項１又は２に記載の会話保護システム。
4. 前記会話保護システムの利用者の声の高さに対応する周波数域では、前記マスキング音は当該利用者の音声を使用して生成されることを特徴とする請求項１、２又は３に記載の会話保護システム。
5. 前記防聴音の再生音量と前記マスキング音の再生音量との関係を設定するための設定入力部をさらに有し、該設定入力部による設定に基づいて前記スピーカに出力される前記防聴音及び前記マスキング音の再生音量が制御されることを特徴とする請求項１〜４のいずれか１項に記載の会話保護システム。
6. マイクロホンで集音した会話の音声から生成した防聴音をスピーカから出力することにより第三者に前記会話の内容を聞かれることを防止する会話保護方法であって、
   前記マイクロホンにより集音した会話音声の声の高さを解析する入力音解析工程と、
   各周波数域に対応する音声から予め生成された複数のマスキング音の中から前記入力音解析工程で解析された声の高さに対応するマスキング音を選択するマスキング音選択工程と、
   前記マスキング音選択工程で選択されたマスキング音を再生して前記スピーカに出力するマスキング音再生工程と
   を含んだことを特徴とする会話保護方法。
7. 前記入力音解析工程は、前記マイクロホンにより集音した前記会話音声の抑揚を解析する工程を含み、
   前記マスキング音再生工程では、前記入力音解析工程で解析された前記会話音声の抑揚に合わせて前記スピーカに出力する前記マスキング音の再生音量が制御される
   ことを特徴とする請求項６に記載の会話保護方法。

Images