JP2015125184A - 音声信号処理装置及びプログラム - Google Patents

Abstract

【課題】 一対のマイクロホンの間隔が大きくても、適切なボイススイッチの処理結果を得ることができる音声信号処理装置を提供する。【解決手段】 本発明の装置は、一対のマイクロホンが捕捉して得た入力音声信号から低域コヒーレンスを得る手段と、得られた低域コヒーレンスの統計量を算出する手段と、算出された低域コヒーレンス統計量を閾値と比較し、入力音声信号の区間が妨害音声信号の区間か否かを決定する手段と、妨害音声信号の区間と他の区間とで異なる抑圧ゲインを設定し、入力音声信号に乗算する算手段とを有する。【選択図】 図４

Description

本発明は音声信号処理装置及びプログラムに関し、、例えば、電話機やテレビ会議装置などの音声信号（この明細書では、音声信号や音響信号等の音信号を「音声信号」と呼んでいる）を扱う通信機や通信ソフトウェアに適用し得るものである。

マイクロホン正面にいる話者の声（目的音声）と周囲にいる人の話し声（妨害音声）や背景雑音とが混ざり合った音声信号から目的音声を抽出する技術として、特許文献１や特許文献２に記載のボイススイッチと呼ばれる技術がある。

ボイススイッチでは、２つのマイクロホンで得られた時間領域信号である音声信号（入力信号）ｓ１（ｎ）、ｓ２（ｎ）を周波数領域信号Ｘ１（ｆ、Ｋ）、Ｘ２（ｆ、Ｋ）に変換した後、右から到来する成分のみを含む第１の指向性信号Ｂ１（ｆ、Ｋ）と左から到来する成分のみを含む第２の指向性信号Ｂ２（Ｆ、Ｋ）を生成し、両者の相関係数であるコヒーレンスフィルタ係数ｃｏｅｆ（ｆ、Ｋ）を算出する。そして、コヒーレンスフィルタ係数ｃｏｅｆ（ｆ、Ｋ）を全周波数で平均をとったコヒーレンスＣＯＨ（Ｋ）を計算し、ＣＯＨ（Ｋ）が所定の閾値より大きいか否かに基づいて目的音声区間か否かを判定し、判定結果に基づいて抑圧ゲインＧａｉｎ（Ｋ）を設定する。抑圧ゲインＧａｉｎ（Ｋ）として、目的音声区間ならば１．０で、非目的音声区間（妨害音声区間と背景雑音区間とでなる）ならば０．０以上１．０未満の任意の値を設定し、入力信号に乗算することにより、ボイススイッチ処理後の信号を得る。

特開２０１３−１２５０８５号公報 特開２０１３−１８２０４４号公報

浅野太著、日本音響学会編集、「音のアレイ信号処理」、コロナ社、２０１１年２月初版発行

ボイススイッチ法を適用した音声信号処理装置は、例えば、スマートフォンの音声入力・認識装置に適用される。２つのマイクロホンをスマートフォンの長手方向に距離（例えば１４ｃｍ程度）を置いて設けることも考えられ、この場合、スマートフォンの幅方向に距離（例えば３ｃｍ程度）を置いて設けるより２つのマイクロホンの間隔（以下、マイクロホン間隔と呼ぶ）はかなり大きくなる。

マイクロホン間隔が大きくなると、空間エイリアスという一種の誤差成分が混入し、形成する指向性の形状が変形するという課題がある（非特許文献１の７６頁参照）。図５は、空間エイリアスによる指向性の変化の例を示している。図５は、第１の指向性信号におけるある周波数における指向性を示している。点線曲線は、マイクロホン間隔が狭い場合の指向性を示しており、カージオイド状の形状になっている。一方、実線曲線は、マイクロホン間隔が広い場合の指向性を示しており、空間エイリアスにより、様々な方位に死角を有する独特な形状を呈している。なお、図５における円は、指向性の強度の目安を与える目盛として描いている。

すなわち、第１の指向性信号は、空間エイリアスなしであれば左方向から到来する成分のみを含むのに対し、空間エイリアスありの場合には様々な方位（全方位ではないが）から到来する成分を含むようになる。第２の指向性信号も左右の違いはあるが同様である。これにより、ボイススイッチ技術における『コヒーレンスＣＯＨ（Ｋ）は非目的音声区間では小さい』という前提が狂い、正確に非目的音声区間を検出できなくなってしまうという課題がある。非目的音声のうち、妨害音声は、無意識のうちに内容を聞き取ろうとする可能性が高く、背景雑音以上に抑圧できないことの課題は大きい。

そのため、マイクロホン間隔が大きくても、適切な処理結果を得ることができる音声信号処理装置及びプログラムが望まれている。

第１の本発明は、一対のマイクロホンが捕捉して得た入力音声信号から、当該入力音声信号に含まれている妨害音声信号の区間を特定する音声信号処理装置において、（１）一対の上記入力音声信号から低域コヒーレンスを得る低域コヒーレンス取得手段と、（２）得られた低域コヒーレンスの統計量を算出する低域コヒーレンス統計量算出手段と、（３）算出された低域コヒーレンス統計量を閾値と比較し、上記入力音声信号の区間が妨害音声信号の区間か否かを決定する妨害音声判定手段とを有することを特徴する。

ここで、妨害音声信号の区間と他の区間とで異なる抑圧ゲインを設定し、上記入力音声信号に乗算するゲイン設定・乗算手段をさらに有することが好ましい。

第２の本発明は、一対のマイクロホンが捕捉して得た入力音声信号から、当該入力音声信号に含まれている妨害音声信号の区間を特定する音声信号処理プログラムであって、コンピュータを、（１）一対の上記入力音声信号から低域コヒーレンスを得る低域コヒーレンス取得手段と、（２）得られた低域コヒーレンスの統計量を算出する低域コヒーレンス統計量算出手段と、（３）算出された低域コヒーレンス統計量を閾値と比較し、上記入力音声信号の区間が妨害音声信号の区間か否かを決定する妨害音声判定手段として機能させることを特徴とする。

ここで、コンピュータをさらに、妨害音声信号の区間と他の区間とで異なる抑圧ゲインを設定し、上記入力音声信号に乗算するゲイン設定・乗算手段として機能させることが好ましい。

本発明によれば、マイクロホン間隔が大きくても、適切な処理結果を得ることができる音声信号処理装置及びプログラムを実現できる。

マイクロホン間隔がある所定値以上に広がると、指向性信号における低域成分の指向性の鋭さが増すことの説明図である。 マイクロホン間隔が広い場合における低域コヒーレンスの挙動を示す説明図である。 第１の実施形態の音声信号処理装置の全体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ボイススイッチ処理部の詳細構成を示すブロック図である。 空間エイリアスによる指向特性の変化の例を示す説明図である。

（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詳述する。第１の実施形態の音声処理装置は、ボイススイッチ法を適用して、音声信号中に含まれる目的音声成分を抽出する（言い換えると、非目的音声成分を抑圧する）ものである。

（Ａ−１）第１の実施形態の考え方
マイクロホン間隔がある所定値以上に広がると、上述した空間エイリアスが生じるだけでなく、第１及び第２の指向性信号の低域成分の指向性の鋭さが増す。図１は、このことの説明図である。図１は、第１の指向性信号におけるある低域成分（例えば５００Ｈｚ程度）についての指向性を表している。破線曲線はマイクロホン間隔が狭い場合を表し、実線曲線はマイクロホン間隔が広い場合を示しており、正面から９０°右側にずれた方位の指向性はマイクロホン間隔が広い方が数倍（図１では４倍程度）指向性が鋭くなっている。なお、図１における円は、指向性の強度の目安を与える目盛として描いている。

鋭い指向性を有する第１及び第２の指向性信号に基づいてコヒーレンスフィルタ係数を算出した場合、マイクロホン間隔が狭い場合と比較して、コヒーレンスフィルタ係数の挙動は大きく変わる。なぜならば、例えば、妨害音声が左から到来した場合に、第１の指向性信号は死角にあたるので信号値は小さくなるが、第２の指向性信号は左側の信号成分がこれまで（狭いマイクロホン間隔の場合）以上に優勢に含まれるためである。そのため、第１及び第２の指向性信号の特性差が極端に大きくなるため、相関（コヒーレンスフィルタ係数）は極めて小さくなる。そのため、妨害音声区間でのコヒーレンスＣＯＨ（Ｋ）は異常に小さくなる。

図２は、第１及び第２の指向性信号の低域成分から求めたコヒーレンス（以下、低域コヒーレンスと呼ぶ）の挙動である。図２は、背景雑音区間と妨害音声区間とを含んでいる。図２から、妨害音声区間では背景雑音区間よりもさらに低域コヒーレンスの値や分散が小さくなっていることが分かる。

第１の実施形態は、この低域コヒーレンスの特性を利用し、マイクロホン間隔が広い場合にも、正確に妨害音声区間を検出して、少なくとも妨害音声区間についてはボイススイッチ処理によって抑圧しようとしたものである。

（Ａ−２）第１の実施形態の構成
図３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る。ここで、一対のマイクロホンｍ１及びｍ２を除いた部分は、ハードウェアで構成することも可能であり、また、ＣＰＵが実行するソフトウェア（音声信号処理プログラム）とＣＰＵとで実現することも可能であるが、いずれの実現方法を採用した場合であっても、機能的には図３で表すことができる。

図３において、第１の実施形態に係る音声信号処理装置１０は、一対のマイクロホンｍ１、ｍ２、ＦＦＴ（高速フーリエ変換）部１１、ボイススイッチ処理部１２及びＩＦＦＴ（逆高速フーリエ変換）部１３を有する。

一対のマイクロホンｍ１、ｍ２は、上述した課題が生じる程度に広い所定距離（若しくは任意の距離）だけ離れて配置され、それぞれ、周囲の音声を捕捉するものである。各マイクロホンｍ１、ｍ２は、無指向のもの（若しくは、正面方向にごくごく緩やかな指向性を有するもの）である。各マイクロホンｍ１、ｍ２で捕捉された音声信号（入力信号）は、図示しない対応するＡ／Ｄ変換器を介してデジタル信号ｓ１（ｎ）、ｓ２（ｎ）に変換されてＦＦＴ部１１に与えられる。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。音声信号（入力信号）の帯域は、例えば、０Ｈｚ〜８０００Ｈｚである。この帯域内の部分帯域として後述する低域がある。

ＦＦＴ部１１は、マイクロホンｍ１及びｍ２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１１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、ボイススイッチ処理部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、複数の周波数ｆ１〜ｆｍのスペクトル成分から構成されるものであり、周波数ｆ１が最も低い周波数で周波数ｆ１より所定数の周波数を低域に含む周波数としている（なお、以下の説明においては、低域に属する最も高い周波数をｆＬとする）。さらに、Ｘ１（ｆ，Ｋ）は複素数であり、実部と虚部からなる。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）＝｛Ｘ１（ｆ１，Ｋ），Ｘ１（ｆ２，Ｋ），…，Ｘ１（ｆｍ，Ｋ）｝ …（２）
後述するボイススイッチ処理部１２においては、周波数領域信号Ｘ１（ｆ，Ｋ）及びＸ２（ｆ，Ｋ）のうち、周波数領域信号Ｘ１（ｆ，Ｋ）をメインとし、周波数領域信号Ｘ２（ｆ，Ｋ）をサブとしてボイススイッチ処理を行うが、周波数領域信号Ｘ２（ｆ，Ｋ）をメインとし、周波数領域信号Ｘ１（ｆ，Ｋ）をサブとしてボイススイッチ処理を行っても良い。

ボイススイッチ処理部１２は、後述する図４に示す詳細構成を有し、ボイススイッチ処理を実行し、少なくとも妨害音声成分が抑圧された信号Ｙ（ｆ，Ｋ）を得て、ＩＦＦＴ部１３に与えるものである。

ＩＦＦＴ部１３は、ボイススイッチ処理後の信号Ｙ（ｆ，Ｋ）に対して、逆高速フーリエ変換を施して時間領域信号である出力信号ｙ（ｎ）を得るものである。

図４は、ボイススイッチ処理部１２の詳細構成を示すブロック図である。

図４において、ボイススイッチ処理部１２は、入力信号受信部２１、指向性形成部２２、低域コヒーレンスフィルタ係数計算部２３、低減コヒーレンス計算部２４、低減コヒーレンス統計量計算部２５、入力信号区間判定部２６、ゲイン設定・乗算部２７及び処理後信号送信部２８を有する。

入力信号受信部２１は、ＦＦＴ部１１から出力された周波数領域信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）を受け取るものである。

指向性形成部２２は、第１及び第２の指向性信号Ｂ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）を形成するものである。指向性信号Ｂ１（ｆ，Ｋ）、Ｂ２（ｆ，Ｋ）を形成する方法は、既存の方法を適用することができ、例えば、（３）式及び（４）式に従った演算により求める方法を適用することができる。

低域コヒーレンスフィルタ係数計算部２３は、第１及び第２の指向性信号Ｂ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）に基づいて、（５）式に従って、低域（ｆ＝ｆ１〜ｆＬ）のコヒーレンスフィルタ係数ｃｏｅｆ（ｆ１，Ｋ）〜ｃｏｅｆ（ｆＬ，Ｋ）を計算するものである。

低域コヒーレンス計算部２４は、低域のコヒーレンスフィルタ係数ｃｏｅｆ（ｆ１，Ｋ）〜ｃｏｅｆ（ｆＬ，Ｋ）に基づいて、（６）式に従って、低域コヒーレンスＣＯＨＬ（Ｋ）を計算するものである。低域コヒーレンスＣＯＨＬ（Ｋ）は、（６）式に示すように、低域のコヒーレンスフィルタ係数ｃｏｅｆ（ｆ１，Ｋ）〜ｃｏｅｆ（ｆＬ，Ｋ）を算術平均した値である。

低減コヒーレンス統計量計算部２５は、公知の算出方法を適用して、低域コヒーレンスＣＯＨＬ（Ｋ）の長期平均値ＡＶＥ＿ＣＯＨＬ（Ｋ）と分散ＶＡＲ＿ＣＯＨＬ（Ｋ）を算出するものである。

入力信号区間判定部２６は、低域コヒーレンスＣＯＨＬ（Ｋ）の長期平均値ＡＶＥ＿ＣＯＨＬ（Ｋ）と分散ＶＡＲ＿ＣＯＨＬ（Ｋ）に基づいて、入力信号区間が妨害音声区間か否かを判定するものである。入力信号区間判定部２６は、例えば、長期平均値ＡＶＥ＿ＣＯＨＬ（Ｋ）が長期平均値用の閾値Θより小さく、かつ、分散ＶＡＲ＿ＣＯＨＬ（Ｋ）が分散用の閾値Ψより小さい場合を妨害音声区間と判定する。すなわち、入力信号区間判定部２６は、『ＡＶＥ＿ＣＯＨＬ＜Θ』かつ『ＶＡＲ＿ＣＯＨＬ＜Ψ』ならば妨害音声区間と判定する。

ここで、長期平均値用の閾値Θや分散用の閾値Ψは、上述した図２に示すような低域コヒーレンスＣＯＨＬ（Ｋ）の挙動における妨害音声区間の実測値と、他の区間の実測値とから、両区間を弁別できるように定めている。

ゲイン設定・乗算部２７は、判定結果に基づいて抑圧ゲインＧａｉｎ（Ｋ）を設定して周波数領域信号Ｘ１（ｆ，Ｋ）に乗算するものである。ゲイン設定・乗算部２７は、抑圧ゲインＧａｉｎ（Ｋ）として、妨害音声区間以外ならば１．０で、妨害音声区間ならば０．０以上１．０未満の任意の値を設定し、周波数領域信号Ｘ１（ｆ，Ｋ）に乗算する。

処理後信号送信部２８は、ゲイン設定・乗算部２７から出力されたボイススイッチ処理が施された信号Ｙ（ｆ，Ｋ）を後段のＩＦＦＴ部１３に与えるものである。また、処理後信号送信部２８は、Ｋを１だけ増加させて次のフレームの処理を起動させるものである。

（Ａ−３）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１０の動作を、図面を参照しながら、全体動作、ボイススイッチ処理部１２における詳細動作の順に説明する。

一対のマイクロホンｍ１及びｍ２から入力された信号ｓ１（ｎ）、ｓ２（ｎ）はそれぞれ、ＦＦＴ部１１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、ボイススイッチ処理部１２に与えられる。これにより、ボイススイッチ処理部１２において、ボイススイッチ処理が実行され、得られた処理後信号Ｙ（ｆ，Ｋ）がＩＦＦＴ部１３に与えられる。ＩＦＦＴ部１３においては、周波数領域信号であるボイススイッチ処理後信号Ｙ（ｆ，Ｋ）が、逆高速フーリエ変換によって、時間領域信号ｙ（ｎ）に変換され、この時間領域信号ｙ（ｎ）が出力される。

次に、ボイススイッチ処理部１２における詳細動作を説明する。なお、ボイススイッチ処理部１２の詳細構成を示す上述した図４は、ボイススイッチ処理部１２の処理を示すフローチャートと見ることもできる。以下では、あるフレームの処理を説明するが、フレームごとに、以下に説明する処理が繰り返される。

新たなフレームになり、新たなフレーム（現フレームＫ）の周波数領域信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）がＦＦＴ部１１から与えられると、（３）式及び（４）式に従って、第１及び第２の指向性信号Ｂ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）が計算され、さらに、これらの指向性信号Ｂ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）に基づき、（５）式に従って、低域のコヒーレンスフィルタ係数ｃｏｅｆ（ｆ１，Ｋ）〜ｃｏｅｆ（ｆＬ，Ｋ）が計算される。さらにまた、低域のコヒーレンスフィルタ係数ｃｏｅｆ（ｆ１，Ｋ）〜ｃｏｅｆ（ｆＬ，Ｋ）に基づき、（６）式に従って、低域コヒーレンスＣＯＨＬ（Ｋ）が計算される。

その後、低減コヒーレンス統計量計算部２５において、低域コヒーレンスＣＯＨＬ（Ｋ）の長期平均値ＡＶＥ＿ＣＯＨＬ（Ｋ）及び分散ＶＡＲ＿ＣＯＨＬ（Ｋ）が算出され、それぞれ、対応する閾値Θ、Ψと比較される。

この比較の結果が『ＡＶＥ＿ＣＯＨＬ＜Θ』かつ『ＶＡＲ＿ＣＯＨＬ＜Ψ』である場合には妨害音声区間と判定され、上記以外の場合には、妨害音声区間以外と判定される。

妨害音声区間では、抑圧ゲインＧａｉｎ（Ｋ）として０．０以上１．０未満の任意の値が設定され、周波数領域信号Ｘ１（ｆ，Ｋ）に乗算されて、妨害音声成分が抑圧された処理後信号Ｙ（ｆ，Ｋ）が得られてＩＦＦＴ部１３に出力される。一方、妨害音声区間以外では、抑圧ゲインＧａｉｎ（Ｋ）として１．０が設定され、周波数領域信号Ｘ１（ｆ，Ｋ）に乗算されて、周波数領域信号Ｘ１（ｆ，Ｋ）そのものである処理後信号Ｙ（ｆ，Ｋ）が得られてＩＦＦＴ部１３に出力される。

そして、フレーム変数Ｋが１だけ増加されて、次のフレームの処理に移行する。

（Ａ−４）第１の実施形態の効果
以上のように、第１の実施形態によれば、マイクロホン間隔が広く、空間エイリアス成分がコヒーレンスに混入した場合でも、低減の極端に強い指向性に基づいて、正確に妨害音声区間を検出することができ、ボイススイッチ処理を適切に実行させることができる。

以上の効果により、第１の実施形態の音声信号処理装置若しくはプログラムを適用した、テレビ会議装置や携帯電話機やスマートフォンなどの通信装置における通話音質の向上が期待できる。

（Ｂ）他の実施形態
上記第１の実施形態では、長期平均値ＡＶＥ＿ＣＯＨＬ（Ｋ）が長期平均値用の閾値Θより小さく、かつ、分散ＶＡＲ＿ＣＯＨＬ（Ｋ）が分散用の閾値Ψより小さい場合を妨害音声区間と判定するものを示したが、他の判定基準を適用するようにしても良い。

例えば、低域コヒーレンスの分散を算出することなく、長期平均値ＡＶＥ＿ＣＯＨＬ（Ｋ）が長期平均値用の閾値Θより小さい場合を妨害音声区間と判定するようにしても良い。

また例えば、長期平均値ＡＶＥ＿ＣＯＨＬ（Ｋ）が長期平均値用の閾値Θより小さく、かつ、分散ＶＡＲ＿ＣＯＨＬ（Ｋ）が分散用の閾値Ψより小さい場合を妨害音声区間と判定し、長期平均値ＡＶＥ＿ＣＯＨＬ（Ｋ）が長期平均値用の閾値Θより小さいが、分散ＶＡＲ＿ＣＯＨＬ（Ｋ）が分散用の閾値Ψ以上の場合や、分散ＶＡＲ＿ＣＯＨＬ（Ｋ）が分散用の閾値Ψより小さいが、長期平均値ＡＶＥ＿ＣＯＨＬ（Ｋ）が長期平均値用の閾値Θ以上の場合を、妨害音声区間に準じた区間と判定し、妨害音声区間の抑圧ゲインより大きいが、１．０未満の任意の値の抑圧ゲインを設定して抑圧するようにしても良い。

また、長期平均値用の閾値若しくは分散用の閾値の少なくとも一方の閾値を２段以上設けて、最大の閾値未満の場合をも、妨害音声区間に準じた区間と判定し、妨害音声区間の抑圧ゲインより大きいが、１．０未満の任意の値の抑圧ゲインを設定して抑圧するようにしても良い。

上記第１の実施形態では、一対のマイクロホンｍ１及びｍ２の間隔が固定のものを示したが、少なくとも一方のマイクロホンを移動可能とし、マイクロホンｍ１及びｍ２の間隔が可変のものであっても良い。この場合において、マイクロホン間隔に応じて、長期平均値用の閾値若しくは分散用の閾値の少なくとも一方の閾値を切り替えるようにしても良い。例えば、マイクロホン間隔が８ｃｍ〜１０ｃｍ用の閾値、マイクロホン間隔が１０ｃｍ〜１２ｃｍ用の閾値、マイクロホン間隔が１２ｃｍ〜１４ｃｍ用の閾値など、複数の閾値を用意しておき、そのときのマイクロホン間隔に応じて適用する閾値を選択すれば良い。ここで、マイクロホン間隔を利用者が入力しても良く、マイクロホンの移動可能位置を段階的に設け、各段階に設けられたセンサによりマイクロホン間隔を自動的に得るようにしても良い。

第１の実施形態では、マイクロホン間隔によらずに低域が同じものを示したが、マイクロホン間隔に応じて低域の幅を変えるようにしても良い。例えば、マイクロホン間隔がＸのときは１０００Ｈｚまでを低域とし、マイクロホン間隔がＹのときは１１００Ｈｚまでを低域とするようにしても良い。

第１の実施形態で説明した妨害音声区間の判定方法は、その用途は、ボイススイッチ法に従った目的音声の抽出に限定されるものではなく、妨害音声区間の判定を必要とする種々の信号処理に適用することができる。例えば、妨害音声の到来方位を推定する際の前処理として適用することができる。

第１の実施形態において、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。

第１の実施形態では、目的音声抽出技術（言い換えると、非目的音声抑圧技術）として、ボイススイッチ法を単独で適用したものを示したが、他の雑音抑制技術、例えば、コヒーレンスフィルタ法、ウィーナーフィルタ法、周波数減算法と併用するようにしても良い。

上記各実施形態では、一対のマイクロホンが捕捉した信号を直ちに処理する音声信号処理装置やプログラムを示したが、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。

１０…音声信号処理装置、１１…ＦＦＴ部、１２…ボイススイッチ処理部、１３…ＩＦＦＴ部、ｍ１、ｍ２…マイクロホン、２１…入力信号受信部、２２…指向性形成部、２３…低域コヒーレンスフィルタ係数計算部、２４…低減コヒーレンス計算部、２５…低減コヒーレンス統計量計算部、２６…入力信号区間判定部、２７…ゲイン設定・乗算部、２８…処理後信号送信部。

Claims (7)

1. 一対のマイクロホンが捕捉して得た入力音声信号から、当該入力音声信号に含まれている妨害音声信号の区間を特定する音声信号処理装置において、
   一対の上記入力音声信号から低域コヒーレンスを得る低域コヒーレンス取得手段と、
   得られた低域コヒーレンスの統計量を算出する低域コヒーレンス統計量算出手段と、
   算出された低域コヒーレンス統計量を閾値と比較し、上記入力音声信号の区間が妨害音声信号の区間か否かを決定する妨害音声判定手段と
   を有することを特徴する音声信号処理装置。
2. 妨害音声信号の区間と他の区間とで異なる抑圧ゲインを設定し、上記入力音声信号に乗算するゲイン設定・乗算手段をさらに有することを特徴する請求項１に記載の音声信号処理装置。
3. 上記低域コヒーレンスの統計量は、低域コヒーレンスの長期平均値であり、
   上記妨害音声判定手段は、算出された低域コヒーレンスの長期平均値が長期平均値用の閾値より小さい場合、上記入力音声信号の現時刻は妨害音声信号の区間内にあると判定する
   ことを特徴する請求項１又は２に記載の音声信号処理装置。
4. 上記低域コヒーレンスの統計量は、低域コヒーレンスの分散であり、
   上記妨害音声判定手段は、算出された低域コヒーレンスの分散が分散用の閾値より小さい場合、上記入力音声信号の現時刻は妨害音声信号の区間内にあると判定する
   ことを特徴する請求項１又は２に記載の音声信号処理装置。
5. 上記低域コヒーレンスの統計量は、低域コヒーレンスの長期平均値と分散であり、
   上記妨害音声判定手段は、算出された低域コヒーレンスの長期平均値が長期平均値用の閾値より小さく、かつ、算出された低域コヒーレンスの分散が分散用の閾値より小さい場合、上記入力音声信号の現時刻は妨害音声信号の区間内にあると判定する
   ことを特徴する請求項１又は２に記載の音声信号処理装置。
6. 一対のマイクロホンが捕捉して得た入力音声信号から、当該入力音声信号に含まれている妨害音声信号の区間を特定する音声信号処理プログラムであって、
   コンピュータを、
   一対の上記入力音声信号から低域コヒーレンスを得る低域コヒーレンス取得手段と、
   得られた低域コヒーレンスの統計量を算出する低域コヒーレンス統計量算出手段と、
   算出された低域コヒーレンス統計量を閾値と比較し、上記入力音声信号の区間が妨害音声信号の区間か否かを決定する妨害音声判定手段と
   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。
7. 上記コンピュータをさらに、妨害音声信号の区間と他の区間とで異なる抑圧ゲインを設定し、上記入力音声信号に乗算するゲイン設定・乗算手段として機能させることを特徴する請求項４に記載の音声信号処理装置。

Images