JP2015143805A - 雑音抑圧装置、雑音抑圧方法、及びプログラム - Google Patents

Abstract

【課題】複数のチャネル間でボーカル信号等の雑音に偏りがあっても、観測信号から雑音を適切に抑圧することができる。
【解決手段】制御部１は、左観測信号ｘ_L(ｎ)から抽出した左音声帯域信号ｓ_L(ｎ)についての左音声特徴量Ψ[ｓ_L(ｎ)]の大きさに応じて左推定ボーカル信号ｄ^_L(ｎ)を推定する。また、制御部１は、右観測信号ｘ_R(ｎ)から抽出した右音声帯域信号ｓ_R(ｎ)についての右音声特徴量Ψ[ｓ_R(ｎ)]の大きさに応じて右推定ボーカル信号ｄ^_R(ｎ)を推定する。そして、制御部１は、左推定ボーカル信号ｄ^_L(ｎ)に基づいて算出した左分散値σ^２ _dLと、右推定ボーカル信号ｄ^_R(ｎ)に基づいて算出した右分散値σ^２ _dRと、楽曲信号を駆動源として含む状態空間モデルに基づく予測法を用いて、左観測信号ｘ_L(ｎ)と右観測信号ｘ_R(ｎ)とからボーカル音を抑圧する処理を実行する。
【選択図】図１

Description

本発明は、少なくとも２チャネルから入力され、雑音が混在した観測信号から、音声信号を駆動源として含む状態空間モデルに基づく予測法を用いて、観測信号から雑音を抑圧する雑音抑圧装置、方法、及びプログラムに関する。

従来、多チャネルの入力信号に含まれる特定の信号を抑圧する技術が知られている。例えば、特許文献１に開示された多チャネル信号処理装置は、左チャネル及び右チャネルから入力された各観測信号を周波数領域の観測スペクトルに変換し、その観測スペクトルの比に基づいて推定したボーカル信号と、前記観測信号とに、有色駆動源付カルマンフィルタを適用するように構成される。これにより、多チャネル信号処理装置では、観測信号からボーカル信号を雑音として抑圧して楽曲信号を推定している。

特開２０１３−２０１７２２号公報

ところで、特許文献１に開示された従来技術では、設置された左右のマイクに対して、ボーカル（歌唱者）により発せられたボーカル音がボーカル信号として左右偏り無く入力されると仮定している。つまり、従来技術では、左右のマイクの中央付近をボーカル音の音源位置とすることを前提としている。このため、ボーカルが左右のマイクのどちらかに偏って定位する場合、左チャネルのボーカル信号と右チャネルのボーカル信号とに偏りが生じることになる。この場合、従来技術では、観測信号からボーカル信号を適切に抑圧することは困難であった。

そこで、本発明は、複数のチャネル間でボーカル信号等の雑音に偏りがあっても、観測信号から雑音を適切に抑圧することが可能な雑音抑圧装置、雑音抑圧方法及びプログラムを提供することを目的とする。

上記課題を解決するために、請求項１に記載の発明は、少なくとも２チャネルから入力され、雑音が混在した観測信号から、音声信号を駆動源として含む状態空間モデルに基づく予測法を用いて、前記観測信号から前記雑音を抑圧する雑音抑圧装置であって、少なくとも第１チャネル及び第２チャネルから入力された第１観測信号及び第２観測信号を取得する取得手段と、所定の特定帯域における前記第１観測信号から第１抽出信号を抽出し、且つ、前記特定帯域における前記第２観測信号から第２抽出信号を抽出する抽出手段と、前記第１抽出信号についての第１特徴量と、前記第２抽出信号についての第２特徴量とを決定する第１決定手段と、前記第１特徴量の大きさに応じて、前記第１観測信号に適用する第１抽出手段の第１抽出度合を決定し、且つ、前記第２特徴量の大きさに応じて、前記第２観測信号に適用する第２抽出手段の第２抽出度合を決定する第２決定手段と、前記第１抽出度合が決定された前記第１抽出手段の適用により前記第１観測信号から抽出された第３抽出信号に基づいて第１分散値を決定し、且つ、前記第２抽出度合が決定された前記第２抽出手段の適用により前記第２観測信号から抽出された第４抽出信号に基づいて第２分散値を決定する第３決定手段と、前記第１分散値と前記第２分散値と前記予測法とを用いて、前記第１観測信号と前記第２観測信号とから雑音を抑圧する処理を実行する処理手段と、を備えることを特徴とする。

請求項２に記載の発明は、請求項１に記載の雑音抑圧装置において、前記取得手段は、前記第１チャネルのマイクから入力された第１観測信号と、前記第２チャネルのマイクから入力された第２観測信号とを取得し、前記抽出手段は、人の音声帯域の信号を通過する音声帯域フィルタを用いて、人により発せられた第１ボーカル音に対応する第１抽出信号を抽出し、且つ、前記人により発せられた第２ボーカル音に対応する第２抽出信号を抽出し、前記第１決定手段は、前記第１抽出信号についての第１特徴量と、前記第２抽出信号についての第２特徴量とを決定し、前記第２決定手段は、前記第１特徴量の大きさに応じて、前記第１観測信号に適用する第１抽出手段としての第１バンドパスフィルタの第１抽出度合を決定し、且つ、前記第２特徴量の大きさに応じて、前記第２観測信号に適用する第２抽出手段としての第２バンドパスフィルタの第２抽出度合を決定し、前記第３決定手段は、前記第１抽出度合が決定された前記第１バンドパスフィルタの適用により前記第１観測信号から抽出された第３抽出信号に基づいて前記第１分散値を決定し、且つ、前記第２抽出度合が決定された前記第２バンドパスフィルタの適用により前記第２観測信号から抽出された第４抽出信号に基づいて前記第２分散値を決定し、前記処理手段は、前記第１分散値と前記第２分散値と前記予測法とを用いて、前記第１観測信号と前記第２観測信号とから前記第１ボーカル音と前記第２ボーカル音とを抑圧する処理を実行することを特徴とする。

請求項３に記載の発明は、請求項１または２に記載の雑音抑圧装置において、前記第２決定手段は、前記第１特徴量と前記第２特徴量との大小関係に応じて、前記第１抽出度合及び前記第２抽出度合を決定することを特徴とする。

請求項４に記載の発明は、請求項１乃至３の何れか一項に記載の雑音抑圧装置において、前記第１特徴量と前記第２特徴量に所定の差がある場合であって、前記第１特徴量よりも前記第２特徴量が大きい場合、前記第２決定手段は、前記第１観測信号に適用する第１抽出手段の第１抽出度合よりも、前記第２観測信号に適用する第２抽出手段の第２抽出度合を大きく決定し、前記第１特徴量と前記第２特徴量に所定の差がある場合であって、前記第１特徴量よりも前記第２特徴量が小さい場合、前記第２決定手段は、前記第１観測信号に適用する第１抽出手段の第１抽出度合よりも、前記第２観測信号に適用する第２抽出手段の第２抽出度合を小さく決定することを特徴とする。

請求項５に記載の発明は、請求項４に記載の雑音抑圧装置において、前記第１特徴量と前記第２特徴量に所定の差がない場合、前記第２決定手段は、前記第１観測信号に適用する第１抽出手段の第１抽出度合と、前記第２観測信号に適用する第２抽出手段の第２抽出度合として、所定の抽出度合を決定することを特徴とする。

請求項６に記載の発明は、少なくとも２チャネルから入力され、雑音が混在した観測信号から、音声信号を駆動源として含む状態空間モデルに基づく予測法を用いて、前記観測信号から前記雑音を抑圧するコンピュータに、少なくとも第１チャネル及び第２チャネルから入力された第１観測信号及び第２観測信号を取得するステップと、所定の特定帯域における前記第１観測信号から第１抽出信号を抽出し、且つ、前記特定帯域における前記第２観測信号から第２抽出信号を抽出するステップと、前記第１抽出信号についての第１特徴量と、前記第２抽出信号についての第２特徴量とを決定するステップと、前記第１特徴量の大きさに応じて、前記第１観測信号に適用する第１抽出手段の第１抽出度合を決定し、且つ、前記第２特徴量の大きさに応じて、前記第２観測信号に適用する第２抽出手段の第２抽出度合を決定するステップと、前記第１抽出度合が決定された前記第１抽出手段の適用により前記第１観測信号から抽出された第３抽出信号に基づいて第１分散値を決定し、且つ、前記第２抽出度合が決定された前記第２抽出手段の適用により前記第２観測信号から抽出された第４抽出信号に基づいて第２分散値を決定するステップと、前記第１分散値と前記第２分散値と前記予測法とを用いて、前記第１観測信号と前記第２観測信号とから雑音を抑圧する処理を実行するステップと、を実行させるプログラムである。

請求項７に記載の発明は、少なくとも２チャネルから入力され、雑音が混在した観測信号から、音声信号を駆動源として含む状態空間モデルに基づく予測法を用いて、前記観測信号から前記雑音を抑圧する雑音抑圧装置により実行される雑音抑圧方法であって、少なくとも第１チャネル及び第２チャネルから入力された第１観測信号及び第２観測信号を取得するステップと、所定の特定帯域における前記第１観測信号から第１抽出信号を抽出し、且つ、前記特定帯域における前記第２観測信号から第２抽出信号を抽出するステップと、前記第１抽出信号についての第１特徴量と、前記第２抽出信号についての第２特徴量とを決定するステップと、前記第１特徴量の大きさに応じて、前記第１観測信号に適用する第１抽出手段の第１抽出度合を決定し、且つ、前記第２特徴量の大きさに応じて、前記第２観測信号に適用する第２抽出手段の第２抽出度合を決定するステップと、前記第１抽出度合が決定された前記第１抽出手段の適用により前記第１観測信号から抽出された第３抽出信号に基づいて第１分散値を決定し、且つ、前記第２抽出度合が決定された前記第２抽出手段の適用により前記第２観測信号から抽出された第４抽出信号に基づいて第２分散値を決定するステップと、前記第１分散値と前記第２分散値と前記予測法とを用いて、前記第１観測信号と前記第２観測信号とから雑音を抑圧する処理を実行するステップと、を含むことを特徴とする。

請求項１、６及び７に記載の発明によれば、複数のチャネル間で雑音に偏りがあっても、観測信号から雑音を適切に抑圧することができる。

請求項２に記載の発明によれば、複数のチャネル間でボーカル信号に偏りがあっても、観測信号からボーカル音を適切に抑圧することができる。

請求項３に記載の発明によれば、第１観測信号と第２観測信号とから、複数のチャネル間での雑音の偏りが反映された第３抽出信号と第４抽出信号の抽出精度を高めることができる。

請求項４に記載の発明によれば、第１特徴量と第２特徴量との大小関係に応じて、第１抽出手段の第１抽出度合と、第２抽出手段の第２抽出度合とを適正に設定することができる。

請求項５に記載の発明によれば、第１特徴量と第２特徴量に所定の差がない場合、第１抽出手段の第１抽出度合と、第２抽出手段の第２抽出度合とを同じ度合に設定することができる。

（Ａ）は、本実施形態の端末装置Ｓの概要構成例を示す図である。（Ｂ）は、制御部１が雑音抑圧処理を実行する際の機能ブロックの一例を示す図である。 観測信号の観測状況を説明するための概念図である。 左音声帯域信号及び左ＴＥＯ値と、右音声帯域信号及び右ＴＥＯ値との比較例を示す図である。 左ＴＥＯ値と右ＴＥＯとの大小関係に応じた定位情報の一例を示す概念図である。 定位情報と重み係数との関係を示す概念図である。 定位情報と重み係数との関係を示す概念図である。 定位情報と重み係数との関係を示す概念図である。 観測信号を状態空間モデルに置き換えたときの概念図である。 左楽曲信号及び右楽曲信号を適用した状態方程式と、左観測信号及び右観測信号を適用した観測方程式の一例を示す図である。 制御部１により実行される雑音抑圧処理の一例を示すフローチャートである。 制御部１により実行される雑音抑圧処理の一例を示すフローチャートである。

以下、本発明の実施形態を図面に基づいて説明する。なお、以下に説明する実施形態は、本発明を端末装置に適用した場合の実施形態である。

始めに、図１等を参照して、本実施形態の端末装置の構成及び動作概要について説明する。図１（Ａ）は、本実施形態の端末装置Ｓの概要構成例を示す図である。なお、端末装置Ｓの例として、携帯電話機、スマートフォン、カラオケ端末、パーソナルコンピュータ等がある。端末装置Ｓは、有線又は無線によりネットワークを介して所定のサーバにアクセス可能であってもよい。

図１（Ａ）に示すように、本実施形態の端末装置Ｓは、制御部１、記憶部２、左チャネル入力処理部３ａ、右チャネル入力処理部３ｂ、左チャネル出力処理部４ａ、及び右チャネル出力処理部４ｂ等を含んで構成される。なお、端末装置Ｓには、図示しないが、ユーザの操作指示を入力する操作部、及びネットワークに接続するための通信部が備えられる場合もある。また、本実施形態では、左チャネルと右チャネルの２チャネルから入力される観測信号を例にとって説明する。左チャネルは、第１チャネルの一例である。また、右チャネルは、第２チャネルの一例である。

図２は、観測信号の観測状況を説明するための概念図である。図２に示すように、左チャネルの左マイクから入力される左観測信号ｘ_L(ｎ)は、時刻ｎにおいて、左ボーカル信号ｄ_L(ｎ)と左楽曲信号ｉ_L(ｎ)とが混在する信号である。一方、右チャネルの右マイクから入力される右観測信号ｘ_R(ｎ)は、時刻ｎにおいて、右ボーカル信号ｄ_R(ｎ)と右楽曲信号ｉ_R(ｎ)とが混在する信号である。左観測信号ｘ_L(ｎ)は、第１観測信号の一例である。右観測信号ｘ_R(ｎ)は、第２観測信号の一例である。ボーカル信号ｄ_L(ｎ)，ｄ_R(ｎ)は、ボーカルである人により発せられたボーカル音に対応する音声信号である。一方、楽曲信号ｉ_L(ｎ)，ｉ_R(ｎ)は、楽器等から出力された楽曲音に対応する音声信号である。観測信号ｘ_L(ｎ)，ｘ_R(ｎ)は、それぞれ、下記（１）式及び（２）式で表される。

本実施形態では、ボーカル音は、後述する雑音抑圧処理により雑音として抑圧される。図２の例では、ボーカルが右マイク側に偏って定位するため、左ボーカル信号ｄ_L(ｎ)と右ボーカル信号ｄ_R(ｎ)との間で偏りが生じることになる。本実施形態では、このような状況であっても、観測信号から雑音を適切に抑圧することができる。

制御部１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、及びＲＡＭ（Random Access Memory）等により構成される。制御部１は、本発明の雑音抑圧装置及びコンピュータの一例である。制御部１（ＣＰＵ）は、記憶部２に記憶されているプログラムに従って、雑音抑圧処理等の各種処理を実行する。この雑音抑圧処理により、観測信号から、ボーカル信号及び楽曲信号が推定される。このように、観測信号から推定される楽曲信号を、以下、推定楽曲信号という。また、観測信号から推定されるボーカル信号を、以下、推定ボーカル信号という。

記憶部２は、例えばハードディスクドライブ等により構成される。記憶部２には、例えばオペレーティングシステム、及び雑音抑圧処理を制御部１に実行させる本発明のプログラム等が記憶される。また、記憶部２には、楽曲データが保存される。楽曲データは、雑音抑圧処理によりボーカル音が抑圧された観測信号からなるデータである。また、記憶部２には、雑音抑圧処理によりボーカル音が抑圧されていない観測信号からなる楽曲データが保存される場合もある。例えば、端末装置Ｓ以外の録音機器により記録された楽曲データが、端末装置Ｓへ転送されて保存される場合がある。

左チャネル入力処理部３ａ及び右チャネル入力処理部３ｂは、それぞれ、Ａ／Ｄ変換器等を備える。左チャネル入力処理部３ａは、左マイクから入力された左観測信号ｘ_L(ｎ)をアナログ信号からディジタル信号に変換する。そして、左チャネル入力処理部３ａは、ディジタル信号に変換した左観測信号ｘ_L(ｎ)を制御部１へ出力する。右チャネル入力処理部３ｂは、右マイクから入力された右観測信号ｘ_R(ｎ)をアナログ信号からディジタル信号に変換する。そして、右チャネル入力処理部３ｂは、ディジタル信号に変換した右観測信号ｘ_R(ｎ)を制御部１へ出力する。

左チャネル出力処理部４ａ及び右チャネル出力処理部４ｂは、それぞれ、Ｄ／Ａ変換器及びアンプ等を備える。左チャネル出力処理部４ａは、制御部１から出力された左推定楽曲信号ｉ^_L(ｎ)をディジタル信号からアナログ信号に変換する。そして、左チャネル出力処理部４ａは、ディジタル信号に変換した左推定楽曲信号ｉ^_L(ｎ)を増幅して左チャネルの左スピーカへ出力する。一方、右チャネル出力処理部４ｂは、制御部１から出力された右推定楽曲信号ｉ^_R(ｎ)をディジタル信号からアナログ信号に変換する。そして、右チャネル出力処理部４ｂは、ディジタル信号に変換した右推定楽曲信号ｉ^_R(ｎ)を増幅して右チャネルの右スピーカへ出力する。

図１（Ｂ）は、制御部１が雑音抑圧処理を実行する際の機能ブロックの一例を示す図である。図１（Ｂ）に示すように、制御部１は、音声帯域抽出係数決定部１１、左チャネル音声帯域抽出部１２ａ、右チャネル音声帯域抽出部１２ｂ、左チャネル音声特徴量算出部１３ａ、右チャネル音声特徴量算出部１３ｂ、定位情報算出部１４、音声信号抽出重み係数算出部１５、左チャネル音声信号抽出部１６ａ、右チャネル音声信号抽出部１６ｂ、左チャネル音声信号分散値算出部１７ａ、右チャネル音声信号分散値算出部１７ｂ、楽曲信号推定部１８等を含んで構成される。ここで、左チャネル音声帯域抽出部１２ａ及び右チャネル音声帯域抽出部１２ｂは、本発明の取得手段及び抽出手段の一例である。左チャネル音声特徴量算出部１３ａ及び右チャネル音声特徴量算出部１３ｂは、本発明の第１決定手段の一例である。音声信号抽出重み係数算出部１５は、本発明の第２決定手段の一例である。左チャネル音声信号分散値算出部１７ａ及び右チャネル音声信号分散値算出部１７ｂは、本発明の第３決定手段の一例である。楽曲信号推定部１８は、本発明の処理手段の一例である。なお、本実施形態では、図１（Ｂ）に示す各構成部位をソフトウェアにより実現した。しかし、図１（Ｂ）に示す各構成部位の全部又は一部を半導体集積回路等のハードウェアにより構成してもよい。

左チャネル音声帯域抽出部１２ａは、左チャネルから入力された左観測信号ｘ_L(ｎ)を取得する。例えば、左チャネル音声帯域抽出部１２ａは、左チャネル入力処理部３ａから出力された左観測信号ｘ_L(ｎ)を取得する。そして、左チャネル音声帯域抽出部１２ａは、人の音声帯域における左観測信号ｘ_L(ｎ)から、音声帯域信号を抽出するための係数を用いて、左音声帯域信号ｓ_L(ｎ)を抽出する。人の音声帯域は、所定の特定帯域の一例である。左音声帯域信号ｓ_L(ｎ)は、第１ボーカル音に対応する第１抽出信号の一例である。一方、右チャネル音声帯域抽出部１２ｂは、右チャネルから入力された右観測信号ｘ_R(ｎ)を取得する。例えば、右チャネル音声帯域抽出部１２ｂは、右チャネル入力処理部３ｂから出力された右観測信号ｘ_R(ｎ)を取得する。そして、右チャネル音声帯域抽出部１２ｂは、人の音声帯域における右観測信号ｘ_R(ｎ)から、音声帯域信号を抽出するための係数を用いて、右音声帯域信号ｓ_R(ｎ)を抽出する。右音声帯域信号ｓ_R(ｎ)は、第２ボーカル音に対応する第２抽出信号の一例である。

また、音声帯域信号を抽出するための係数の例として、例えば、人の音声帯域の信号を通過する音声帯域フィルタがある。このような音声帯域フィルタには、例えば、Ｇａｂｏｒフィルタやバンドパスフィルタ（ＢＰＦ）がある。本実施形態では、特に、Ｇａｂｏｒフィルタを用いる。Ｇａｂｏｒフィルタは、最適な時間−周波数識別性を有する帯域通過フィルタである。Ｇａｂｏｒフィルタｇ（ｎ）は、下記（３）式で表される。

ここで、ω₀は、中心周波数を示す。γは、帯域幅を示す。Ｇａｂｏｒフィルタが用いられる場合、音声帯域抽出係数決定部１１が、中心周波数ω₀と帯域幅γを、人の声の成分が集中するフォルマント帯域に基づいて決定する。フォルマント帯域は、例えば人の音声のスペクトルにおいてフォルマントと呼ばれる複数のピークの中の何れか１以上のピークに対応する周波数を含む帯域である。そして、音声帯域抽出係数決定部１１は、中心周波数ω₀と帯域幅γを用いてＧａｂｏｒフィルタｇ（ｎ）を算出する。この場合、左チャネル音声帯域抽出部１２ａは、下記（４）式で表すように、Ｇａｂｏｒフィルタｇ（ｎ）と左観測信号ｘ_L(ｎ)との畳み込み演算を行うことで左音声帯域信号ｓ_L(ｎ)を抽出する。つまり、左チャネル音声帯域抽出部１２ａは、ｘ_L(ｎ)を時間軸方向に平行移動しながらｇ（ｎ）を積和演算してｓ_L(ｎ)を算出する。一方、右チャネル音声帯域抽出部１２ｂは、下記（５）式で表すように、Ｇａｂｏｒフィルタｇ（ｎ）と右観測信号ｘ_R(ｎ)との畳み込み演算を行うことで右音声帯域信号ｓ_R(ｎ)を抽出する。

左チャネル音声特徴量算出部１３ａは、左チャネル音声帯域抽出部１２ａにより抽出された左音声帯域信号ｓ_L(ｎ)についての左音声特徴量Ψ[ｓ_L(ｎ)]を決定する。左音声特徴量Ψ[ｓ_L(ｎ)]は、第１特徴量の一例である。一方、右チャネル音声特徴量算出部１３ｂは、右チャネル音声帯域抽出部１２ｂにより抽出された右音声帯域信号ｓ_R(ｎ)についての右音声特徴量Ψ[ｓ_R(ｎ)]を決定する。右音声特徴量Ψ[ｓ_R(ｎ)]は、第２特徴量の一例である。ここで、人の発話時に声道内に渦が発生するが、この渦は非線形である。非線形な瞬時的エネルギーを反映する演算子として、ＴＥＯ（Teager Energy Operator）がある。このようなＴＥＯを用いれば、音声帯域内の楽曲信号成分に左右されないボーカル信号成分の特徴量を得ることができる。より具体的には、左チャネル音声特徴量算出部１３ａは、下記（６）式により左ＴＥＯ値を算出する。左チャネル音声特徴量算出部１３ａは、このように算出した左ＴＥＯ値を左音声特徴量Ψ[ｓ_L(ｎ)]として決定する。一方、右チャネル音声特徴量算出部１３ｂは、下記（７）式により右ＴＥＯ値を算出する。右チャネル音声特徴量算出部１３ｂは、このように算出した右ＴＥＯ値を右音声特徴量Ψ[ｓ_R(ｎ)]として決定する。

図３は、左音声帯域信号及び左ＴＥＯ値と、右音声帯域信号及び右ＴＥＯ値との比較例を示す図である。図３の例では、Ｇａｂｏｒフィルタの実行条件として、中心周波数ω₀を２４０Ｈｚとし、帯域幅γを２００Ｈｚとした場合において抽出された左音声帯域信号ｓ_L(ｎ)及び右音声帯域信号ｓ_R(ｎ)を示している。また、図３に示す左ＴＥＯ値Ψ[ｓ_L(ｎ)]と右ＴＥＯ値Ψ[ｓ_R(ｎ)]とを比較すると、右ＴＥＯ値Ψ[ｓ_R(ｎ)]の方が左ＴＥＯ値Ψ[ｓ_L(ｎ)]よりも全体的に大きくなっている。これは、ボーカルが右マイク側に偏って定位していることを示している。

なお、上記例では、左チャネル音声特徴量算出部１３ａ及び右チャネル音声特徴量算出部１３ｂは、ＴＥＯにより音声特徴量を決定するように構成した。しかし、左チャネル音声特徴量算出部１３ａ及び右チャネル音声特徴量算出部１３ｂは、ＴＥＯ以外の例えばケプストラム解析または自己相関手法等を用いて音声特徴量を決定するように構成してもよい。ケプストラム解析は、フォルマント帯域に絞って周波数解析を行うことで音声特徴量を決定する手法である。音声帯域信号は、声帯の振動や摩擦による乱流等の音源信号に、声道等の形状等によって決まる調音フィルタがたたみこまれたものであるということができる。ケプストラム解析によれば、音源信号と調音フィルタとを分離して調音フィルタの振幅伝達特性に基づき音声特徴量が決定される。自己相関手法は、観測信号または音声帯域信号の自己相関を計算することで音声特徴量を決定する手法である。自己相関手法によれば、観測信号または音声帯域信号に含まれる人の声の周期的なパターンに基づき音声特徴量が決定される。

定位情報算出部１４は、左チャネル音声特徴量算出部１３ａにより決定された左音声特徴量Ψ[ｓ_L(ｎ)]と、右チャネル音声特徴量算出部１３ｂにより決定された右音声特徴量Ψ[ｓ_R(ｎ)]とを用いて、ボーカルの定位情報ｖ_ｐ(ｎ)を算出する。例えば、定位情報算出部１４は、下記（８）式により定位情報ｖ_ｐ(ｎ)を算出する。

ここで、−１≦ｖ_ｐ(ｎ)≦１である。

図４は、左ＴＥＯ値と右ＴＥＯ値との大小関係に応じた定位情報の一例を示す概念図である。図４に示す例では、ｖ_ｐ(ｎ)が１に近いほど、ボーカルが左マイク側に偏って定位し、ｖ_ｐ(ｎ)が−１に近いほど、ボーカルが右マイク側に偏って定位していることがわかる。

音声信号抽出重み係数算出部１５は、左音声特徴量Ψ[ｓ_L(ｎ)]の大きさに応じて、左観測信号ｘ_L(ｎ)に適用する左チャネルバンドパスフィルタ（ＢＰＦ）の左重み係数Ｇ_L(ｎ)を算出する。左チャネルバンドパスフィルタ（ＢＰＦ）は、第１抽出手段及び第１バンドパスフィルタの一例である。左チャネルバンドパスフィルタは、左観測信号ｘ_L(ｎ)から、ボーカル帯域幅Ｗ_０の信号を通過させるフィルタである。なお、ボーカル帯域幅Ｗ_０は、例えば男性のボーカルと女性のボーカルとで異なるように設定されてもよい。左重み係数Ｇ_L(ｎ)は、第１抽出度合の一例である。左重み係数Ｇ_L(ｎ)は、左チャネルバンドパスフィルタのゲイン（dB）ともいう。音声信号抽出重み係数算出部１５は、例えば、定位情報算出部１４により算出された定位情報ｖ_ｐ(ｎ)を用いることで、下記（９）式で表すように、左重み係数Ｇ_L(ｎ)を決定することができる。つまり、音声信号抽出重み係数算出部１５は、左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]との大小関係に応じて、左重み係数Ｇ_L(ｎ)を決定する。これにより、左チャネルと右チャネル間でのボーカル音の偏りが反映された左ボーカル信号と右ボーカル信号の抽出精度を高めることができる。

更に、音声信号抽出重み係数算出部１５は、右音声特徴量Ψ[ｓ_R(ｎ)]の大きさに応じて、右観測信号ｘ_R(ｎ)に適用する右チャネルバンドパスフィルタ（ＢＰＦ）の右重み係数Ｇ_R(ｎ)を算出する。右チャネルバンドパスフィルタ（ＢＰＦ）は、第２抽出手段及び第２バンドパスフィルタの一例である。右チャネルバンドパスフィルタは、右観測信号ｘ_R(ｎ)から、ボーカル帯域幅Ｗ_０の信号を通過させるフィルタである。右重み係数Ｇ_R(ｎ)は、第２抽出度合の一例である。右重み係数Ｇ_R(ｎ)は、右チャネルバンドパスフィルタのゲイン（dB）ともいう。音声信号抽出重み係数算出部１５は、例えば、定位情報算出部１４により算出された定位情報ｖ_ｐ(ｎ)を用いることで、下記（１０）式で表すように、右重み係数Ｇ_R(ｎ)を決定することができる。つまり、音声信号抽出重み係数算出部１５は、左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]との大小関係に応じて、右重み係数Ｇ_R(ｎ)を決定する。

ここで、−α≦ｖ_ｐ(ｎ)≦αは、ボーカルが定位する中央付近の範囲を示す。αは、例えば０．１〜０．３の間で設定される。ｖ_ｐ(ｎ)が、この範囲にあるとき、左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]とに所定の差がない、つまり、差が小さいことを意味する。一方、ｖ_ｐ(ｎ)が、この範囲にないとき、左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]とに所定の差があることを意味する。なお、（９）式及び（１０）式によれば、左重み係数Ｇ_L(ｎ)と右重み係数Ｇ_R(ｎ)は、それぞれ、定位情報ｖ_ｐ(ｎ)の大きさに応じて段階的に変化する。しかし、左重み係数Ｇ_L(ｎ)及び右重み係数Ｇ_R(ｎ)は、それぞれ、所定の関数により、例えばリニアに連続的に変化するように構成してもよい。

左チャネル音声信号抽出部１６ａは、左重み係数Ｇ_L(ｎ)が決定された左チャネルバンドパスフィルタを、左観測信号ｘ_L(ｎ)に適用することにより、左推定ボーカル信号ｄ^_L(ｎ)を抽出する。つまり、左観測信号ｘ_L(ｎ)から左推定ボーカル信号ｄ^_L(ｎ)が推定される。左推定ボーカル信号ｄ^_L(ｎ)は、第３抽出信号の一例である。例えば、左チャネル音声信号抽出部１６ａは、下記（１１）式で表すように、左観測信号ｘ_L(ｎ)と左音声信号抽出係数ｈ_L(ｎ)との畳み込み演算を行うことで左推定ボーカル信号ｄ^_L(ｎ)を推定する。なお、左音声信号抽出係数ｈ_L(ｎ)は、左重み係数Ｇ_L(ｎ)に基づいて算出される。一方、右チャネル音声信号抽出部１６ｂは、右重み係数Ｇ_R(ｎ)が決定された右チャネルバンドパスフィルタを、右観測信号ｘ_R(ｎ)に適用することにより、右推定ボーカル信号ｄ^_R(ｎ)を抽出する。つまり、右観測信号ｘ_R(ｎ)から右推定ボーカル信号ｄ^_R(ｎ)が推定される。右推定ボーカル信号ｄ^_R(ｎ)は、第４抽出信号の一例である。例えば、右チャネル音声信号抽出部１６ｂは、下記（１２）式で表すように、右観測信号ｘ_R(ｎ)と右音声信号抽出係数ｈ_R(ｎ)との畳み込み演算を行うことで右推定ボーカル信号ｄ^_R(ｎ)を推定する。なお、右音声信号抽出係数ｈ_R(ｎ)は、右重み係数Ｇ_R(ｎ)に基づいて算出される。

図５〜図７は、定位情報と重み係数との関係を示す概念図である。図５に示すように、ボーカルが左マイク側に偏って定位している場合、左重み係数Ｇ_L(ｎ)が大きく、右重み係数Ｇ_R(ｎ)が小さく決定されることになる。一方、図６に示すように、ボーカルが中央付近に定位している場合、左重み係数Ｇ_L(ｎ)と右重み係数Ｇ_R(ｎ)とは、ともに中程度に決定されることになる。一方、図７に示すように、ボーカルが右マイク側に偏って定位している場合、左重み係数Ｇ_L(ｎ)が小さく、右重み係数Ｇ_R(ｎ)が大きく決定されることになる。

左チャネル音声信号分散値算出部１７ａは、左重み係数Ｇ_L(ｎ)が決定された左チャネルバンドパスフィルタの適用により左観測信号ｘ_L(ｎ)から抽出された左推定ボーカル信号ｄ^_L(ｎ)に基づいて左分散値σ^２ _dLを算出する。左分散値σ^２ _dLは、第１分散値の一例である。例えば、左チャネル音声信号分散値算出部１７ａは、下記（１３）式により左分散値σ^２ _dLを決定する。一方、右チャネル音声信号分散値算出部１７ｂは、右重み係数Ｇ_R(ｎ)が決定された右チャネルバンドパスフィルタの適用により右観測信号ｘ_R(ｎ)から抽出された右推定ボーカル信号ｄ^_R(ｎ)に基づいて右分散値σ^２ _dRを算出する。右分散値σ^２ _dRは、第２分散値の一例である。例えば、右チャネル音声信号分散値算出部１７ｂは、下記（１４）式により右分散値σ^２ _dRを決定する。

ここで、Ｌは、分散値算出に使用するサンプル数を示す。

楽曲信号推定部１８は、左分散値σ^２ _dLと右分散値σ^２ _dRと状態空間モデルに基づく予測法を用いて、左観測信号ｘ_L(ｎ)と右観測信号ｘ_R(ｎ)とからボーカル音を抑圧する処理を実行する。これにより、楽曲信号推定部１８は、左推定楽曲信号ｉ^_L(ｎ)と右推定楽曲信号ｉ^_R(ｎ)とを推定する。なお、本実施形態の状態空間モデルは、楽曲信号を駆動源δ(ｎ＋１)として含む状態空間モデルである。つまり、駆動源δ(ｎ＋１)として有色信号を適用する。

図８は、観測信号を状態空間モデルに置き換えたときの概念図である。図８に示すように、状態空間モデルは、状態遷移過程と観測過程とからなる。状態遷移過程は、下記（１５）式で表すように、状態方程式で表される。一方、観測過程は、下記（１６）式で表すように、観測方程式で表される。ここで、ｉ（ｎ)は、時刻ｎまでの左楽曲信号と右楽曲信号からなる状態ベクトルである。Φは、状態遷移行列である。ｘ（ｎ)は、時刻ｎまでの左観測信号と右観測信号からなる状態ベクトルである。ｄ（ｎ)は、時刻ｎまでの左ボーカル信号と右ボーカル信号からなる状態ベクトルである。Ｍは、観測遷移行列である。

図９は、左楽曲信号及び右楽曲信号を適用した状態方程式と、左観測信号及び右観測信号を適用した観測方程式の一例を示す図である。楽曲信号推定部１８は、このような状態方程式及び観測方程式より、左チャネル及び右チャネル結合型の状態空間モデルに基づく予測法を導出する。この予測法において、楽曲信号推定部１８は、初期設定［Initialization］と、反復演算［Iteration］とを実行する。初期設定［Initialization］は、下記（１７）〜（１９）式に基づき実行される。

ここで、ｉ^(０｜０）は、推定楽曲信号の状態ベクトルの最適推定値の初期値を示す。Ｐ(０｜０)は、推定楽曲信号の状態ベクトルを推定したときの誤差の共分散行列の初期値を示す。Ｉは、単位行列を示す。Ｒ_δ(ｎ)[i,j]は、推定楽曲信号の分散行列を示す。Ｒ_ε(ｎ)[i,j]は、ボーカル信号の分散行列を示す。iは行を、jは列をそれぞれ示す。なお、推定楽曲信号の分散行列は、左観測信号の分散値から左ボーカル信号の分散値を差し引いたもの、及び右観測信号の分散値から右ボーカル信号の分散値を差し引いたものより構成される。

一方、反復演算［Iteration］は、下記（２０）〜（２４）式に基づき実行される。なお、反復演算［Iteration］１〜５の手順が繰り返される。

ここで、Ｐ(ｎ＋１｜ｎ)は、時刻ｎまでの推定楽曲信号からなる状態ベクトルにより、時刻ｎ＋１での推定楽曲信号の状態ベクトルを推定したときの誤差の共分散行列（以下、事前誤差共分散行列という）を示す。Ｐ(ｎ｜ｎ)は、時刻ｎまでの推定楽曲信号からなる状態ベクトルにより、時刻ｎでの推定楽曲信号の状態ベクトルを推定したときの誤差の共分散行列（以下、事後誤差共分散行列という）を示す。Ｋ(ｎ＋１)は、状態空間モデルに基づく予測法におけるゲイン行列を示す。i ^(ｎ＋１｜ｎ)は、時刻ｎまでの推定楽曲信号からなる状態ベクトルにより推定される「時刻ｎ＋１での推定楽曲信号の状態ベクトルの推定値」（以下、事前状態推定値という）を示す。i ^(ｎ＋１｜ｎ＋１)は、時刻ｎ＋１までの推定楽曲信号からなる状態ベクトルにより推定される「時刻ｎ＋１での推定楽曲信号の状態ベクトルの推定値」（以下、事後状態推定値という）を示す。

楽曲信号推定部１８は、上記手順４により計算された推定楽曲信号の事後状態推定値i ^(ｎ＋１｜ｎ＋１)の所定行所定列目を左推定楽曲信号ｉ^_L(ｎ)として出力し、且つ、推定楽曲信号の事後状態推定値i ^(ｎ＋１｜ｎ＋１) の所定行所定列目を右推定楽曲信号ｉ^_R(ｎ)として出力する。

次に、図１０及び図１１を参照して、本実施形態の端末装置Ｓにおける雑音抑圧処理フローについて説明する。図１０及び図１１は、制御部１により実行される雑音抑圧処理の一例を示すフローチャートである。なお、図１０に示す処理例では、音声帯域信号を抽出するための係数として、Ｇａｂｏｒフィルタを用いる。図１０に示す処理は、例えば端末装置Ｓのユーザからの開始指示に応じて開始される。

図１０に示す処理において、左チャネル音声帯域抽出部１２ａは、左チャネルから入力された左観測信号ｘ_L(ｎ)を取得する（ステップＳ１）。また、右チャネル音声帯域抽出部１２ｂは、右チャネルから入力された右観測信号ｘ_R(ｎ)を取得する（ステップＳ１）。なお、左観測信号ｘ_L(ｎ)及び右観測信号ｘ_R(ｎ)は、左チャネル入力処理部３ａ及び右チャネル入力処理部３ｂから入力される場合と、記憶部２に保存されている楽曲データが再生されて入力される場合とがある。この楽曲データは、ボーカル音が抑圧されていない観測信号からなる楽曲データである。

次いで、音声帯域抽出係数決定部１１は、音声帯域抽出設定値として中心周波数ω₀と帯域幅γを設定する（ステップＳ２）。音声帯域抽出設定値は、Ｇａｂｏｒフィルタの設定値である。次いで、音声帯域抽出係数決定部１１は、ステップＳ２で設定された中心周波数ω₀と帯域幅γを用いて、上記（３）式に示すように、Ｇａｂｏｒフィルタｇ（ｎ）を算出する（ステップＳ３）。なお、ステップＳ２及びＳ３の処理は、初回のみ実行されるように構成してもよい。

次いで、左チャネル音声帯域抽出部１２ａは、ステップＳ３で算出されたＧａｂｏｒフィルタｇ（ｎ）と、ステップＳ１で取得された左観測信号ｘ_L(ｎ)との畳み込み演算を上記（４）式に示すように行うことで左音声帯域信号ｓ_L(ｎ)を抽出する（ステップＳ４）。また、右チャネル音声帯域抽出部１２ｂは、ステップＳ３で算出されたＧａｂｏｒフィルタｇ（ｎ）と、ステップＳ１で取得された右観測信号ｘ_R(ｎ)との畳み込み演算を上記（５）式に示すように行うことで右音声帯域信号ｓ_R(ｎ)を抽出する（ステップＳ４）。

次いで、左チャネル音声特徴量算出部１３ａは、上記（６）式に示すように、ステップＳ４で抽出された左音声帯域信号ｓ_L(ｎ)についての左音声特徴量Ψ[ｓ_L(ｎ)]を算出する（ステップＳ５）。また、右チャネル音声特徴量算出部１３ｂは、上記（７）式に示すように、ステップＳ４で抽出された右音声帯域信号ｓ_R(ｎ)についての右音声特徴量Ψ[ｓ_R(ｎ)]を算出する（ステップＳ５）。次いで、定位情報算出部１４は、ステップＳ５で決定された左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]とを用いて、上記（８）式に示すように、定位情報ｖ_ｐ(ｎ)を算出する（ステップＳ６）。

次いで、音声信号抽出重み係数算出部１５は、ステップＳ６で算出された定位情報ｖ_ｐ(ｎ)が、０．５より大きく１以下であるかを判定する（ステップＳ７）。定位情報ｖ_ｐ(ｎ)が、０．５より大きく１以下であると判定された場合（ステップＳ７：ＹＥＳ）、ステップＳ８へ進む。一方、定位情報ｖ_ｐ(ｎ)が、０．５より大きく１以下でないと判定された場合（ステップＳ７：ＮＯ）、ステップＳ９へ進む。ステップＳ８では、音声信号抽出重み係数算出部１５は、左重み係数Ｇ_L(ｎ)＝｜ｖ_ｐ(ｎ)｜として決定し、且つ、右重み係数Ｇ_R(ｎ)＝０として決定する。つまり、左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]とに所定の差がある場合であって、左音声特徴量Ψ[ｓ_L(ｎ)]よりも右音声特徴量Ψ[ｓ_R(ｎ)]が小さい場合、音声信号抽出重み係数算出部１５は、左重み係数Ｇ_L(ｎ)よりも右重み係数Ｇ_R(ｎ)を小さく決定する。これにより、左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]との大小関係に応じて、左重み係数Ｇ_L(ｎ)と、右重み係数Ｇ_R(ｎ)とを適正に設定することができる。

ステップＳ９では、音声信号抽出重み係数算出部１５は、ステップＳ６で算出された定位情報ｖ_ｐ(ｎ)が、αより大きく０．５以下であるかを判定する。定位情報ｖ_ｐ(ｎ)が、αより大きく０．５以下であると判定された場合（ステップＳ９：ＹＥＳ）、ステップＳ１０へ進む。一方、定位情報ｖ_ｐ(ｎ)が、αより大きく０．５以下でないと判定された場合（ステップＳ９：ＮＯ）、ステップＳ１１へ進む。ステップＳ１０では、音声信号抽出重み係数算出部１５は、左重み係数Ｇ_L(ｎ)＝｜ｖ_ｐ(ｎ)｜＋０．５として決定し、且つ、右重み係数Ｇ_R(ｎ)＝｜ｖ_ｐ(ｎ)｜−０．５として決定する。この場合も、左音声特徴量Ψ[ｓ_L(ｎ)]よりも右音声特徴量Ψ[ｓ_R(ｎ)]が小さいため、音声信号抽出重み係数算出部１５は、左重み係数Ｇ_L(ｎ)よりも右重み係数Ｇ_R(ｎ)を小さく決定する。

ステップＳ１１では、音声信号抽出重み係数算出部１５は、ステップＳ６で算出された定位情報ｖ_ｐ(ｎ)が、−αより大きくα以下であるかを判定する。定位情報ｖ_ｐ(ｎ)が、−αより大きくα以下であると判定された場合（ステップＳ１１：ＹＥＳ）、ステップＳ１２へ進む。一方、定位情報ｖ_ｐ(ｎ)が、−αより大きくα以下でないと判定された場合（ステップＳ１１：ＮＯ）、ステップＳ１３へ進む。ステップＳ１２では、音声信号抽出重み係数算出部１５は、左重み係数Ｇ_L(ｎ)＝｜ｖ_ｐ(ｎ)｜／２として決定し、且つ、右重み係数Ｇ_R(ｎ) ＝｜ｖ_ｐ(ｎ)｜／２として決定する。つまり、左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]とに所定の差がない場合、音声信号抽出重み係数算出部１５は、左重み係数Ｇ_L(ｎ)と右重み係数Ｇ_R(ｎ)として、所定の同じ重み係数を決定する。これにより、左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]とに所定の差がない場合、左重み係数Ｇ_L(ｎ)と、右重み係数Ｇ_R(ｎ)とを同じ度合に設定することができる。

ステップＳ１３では、音声信号抽出重み係数算出部１５は、ステップＳ６で算出された定位情報ｖ_ｐ(ｎ)が、−０．５より大きく−α以下であるかを判定する。定位情報ｖ_ｐ(ｎ)が、−０．５より大きく−α以下であると判定された場合（ステップＳ１３：ＹＥＳ）、ステップＳ１４へ進む。一方、定位情報ｖ_ｐ(ｎ)が、−０．５より大きく−α以下でないと判定された場合（ステップＳ１３：ＮＯ）、ステップＳ１５へ進む。ステップＳ１４では、音声信号抽出重み係数算出部１５は、左重み係数Ｇ_L(ｎ)＝｜ｖ_ｐ(ｎ)｜−０．５として決定し、且つ、右重み係数Ｇ_R(ｎ)＝｜ｖ_ｐ(ｎ)｜＋０．５として決定する。一方、ステップＳ１５では、音声信号抽出重み係数算出部１５は、左重み係数Ｇ_L(ｎ)＝０として決定し、且つ、右重み係数Ｇ_R(ｎ)＝｜ｖ_ｐ(ｎ)｜として決定する。つまり、左音声特徴量Ψ[ｓ_L(ｎ)]と右音声特徴量Ψ[ｓ_R(ｎ)]とに所定の差がある場合であって、左音声特徴量Ψ[ｓ_L(ｎ)]よりも右音声特徴量Ψ[ｓ_R(ｎ)]が大きい場合、音声信号抽出重み係数算出部１５は、左重み係数Ｇ_L(ｎ)よりも右重み係数Ｇ_R(ｎ)を大きく決定する。

次いで、左チャネル音声信号抽出部１６ａは、ステップＳ８、Ｓ１０、Ｓ１２、Ｓ１４、またはＳ１５で決定された左重み係数Ｇ_L(ｎ)に基づいて、左音声信号抽出係数ｈ_L(ｎ)を算出する（ステップＳ１６）。また、右チャネル音声信号抽出部１６ｂは、ステップＳ８、Ｓ１０、Ｓ１２、Ｓ１４、またはＳ１５で決定された右重み係数Ｇ_R(ｎ)に基づいて、右音声信号抽出係数ｈ_R(ｎ)を算出する（ステップＳ１６）。

次いで、左チャネル音声信号抽出部１６ａは、ステップＳ１で取得された左観測信号ｘ_L(ｎ)と、ステップＳ１６で算出された左音声信号抽出係数ｈ_L(ｎ)との畳み込み演算を上記（１１）式に示すように行うことで左推定ボーカル信号ｄ^_L(ｎ)を抽出する（ステップＳ１７）。また、右チャネル音声信号抽出部１６ｂは、ステップＳ１で取得された右観測信号ｘ_R(ｎ)と、ステップＳ１６で算出された右音声信号抽出係数ｈ_R(ｎ)との畳み込み演算を上記（１２）式に示すように行うことで右推定ボーカル信号ｄ^_R(ｎ)を抽出する（ステップＳ１７）。

次いで、図１１に示すように、左チャネル音声信号分散値算出部１７ａ及び右チャネル音声信号分散値算出部１７ｂは、分散値算出に使用するサンプル数Ｌを決定する（ステップＳ１８）。次いで、左チャネル音声信号分散値算出部１７ａは、上記（１３）式に示すように、上記決定されたサンプル数Ｌの左推定ボーカル信号ｄ^_L(ｎ)に基づいて左分散値σ^２ _dLを算出する（ステップＳ１９）。また、右チャネル音声信号分散値算出部１７ｂは、上記（１４）式に示すように、上記決定されたサンプル数Ｌの右推定ボーカル信号ｄ^_R(ｎ)に基づいて右分散値σ^２ _dRを算出する（ステップＳ１９）。

次いで、楽曲信号推定部１８は、上述した状態空間モデルに基づく予測法における初期設定［Initialization］を実行する（ステップＳ２０）。初期設定［Initialization］において、楽曲信号推定部１８は、推定楽曲信号の状態ベクトルの最適推定値の初期値ｉ^(０｜０）を０に初期化する。また、楽曲信号推定部１８は、推定楽曲信号の状態ベクトルを推定したときの誤差の共分散行列の初期値Ｐ(０｜０)をＩ_2Lに初期化する。また、楽曲信号推定部１８は、ステップＳ１９で算出された左分散値σ^２ _dLと右分散値σ^２ _dRとを用いて、ボーカル信号の分散行列Ｒ_ε(ｎ)[i,j]を算出する。また、楽曲信号推定部１８は、ボーカル信号の分散行列と同様に、上記サンプル数Ｌの左観測信号ｘ_L(ｎ)及び右観測信号ｘ_R(ｎ)に基づいて観測信号の分散値を算出する。そして、楽曲信号推定部１８は、上記（１８）式に示すように、観測信号の分散値からボーカル信号の分散値を差し引いた推定楽曲信号の分散行列Ｒ_δ(ｎ)[i,j]を算出する。

次いで、楽曲信号推定部１８は、上述した状態空間モデルに基づく予測法における反復演算［Iteration］を実行する。反復演算［Iteration］において、先ず、楽曲信号推定部１８は、事後誤差共分散行列Ｐ(ｎ｜ｎ)と、ステップＳ２０で算出された推定楽曲信号の分散行列Ｒ_δ(ｎ＋１)[i,j]とを用いて、上記（２０）式に示すように、事前誤差共分散行列Ｐ(ｎ＋１｜ｎ)を更新する（ステップＳ２１）。次いで、楽曲信号推定部１８は、ステップＳ２１で更新された共分散行列Ｐ(ｎ＋１｜ｎ)と、ステップＳ２０で算出されたボーカル信号の分散行列Ｒ_ε(ｎ)[i,j]とを用いて、上記（２１）式に示すように、状態空間モデルに基づく予測法におけるゲイン行列Ｋ(ｎ＋１)を算出する（ステップＳ２２）。ゲイン行列Ｋ(ｎ＋１)は、推定楽曲信号の事前状態推定値i ^(ｎ＋１｜ｎ)から、推定楽曲信号の事後状態推定値i ^(ｎ＋１｜ｎ＋１)を推定するためのパラメータである。

次いで、楽曲信号推定部１８は、状態量の更新を行う（ステップＳ２３）。この状態量の更新において、先ず、楽曲信号推定部１８は、上記（２２）式に示すように、推定楽曲信号の事前状態推定値i ^(ｎ＋１｜ｎ)を算出する。次いで、楽曲信号推定部１８は、この事前状態推定値i ^(ｎ＋１｜ｎ)と、観測信号の状態ベクトルと、ステップＳ２２で算出されたゲイン行列Ｋ(ｎ＋１)とを用いて、上記（２３）式に示すように、事後状態推定値i ^(ｎ＋１｜ｎ＋１)を算出する。次いで、楽曲信号推定部１８は、事前誤差共分散行列Ｐ(ｎ＋１｜ｎ)と、ゲイン行列Ｋ(ｎ＋１)とを用いて、上記（２４）式に示すように、事後誤差共分散行列Ｐ(ｎ＋１｜ｎ＋１)を更新する（ステップＳ２４）。次いで、楽曲信号推定部１８は、例えば、ステップＳ２３で算出された推定楽曲信号の事後状態推定値i ^(ｎ＋１｜ｎ＋１)の１行１列目を左推定楽曲信号ｉ^_L(ｎ)として左チャネル出力処理部４ａへ出力する。また、楽曲信号推定部１８は、例えば、ステップＳ２３で算出された推定楽曲信号の事後状態推定値i ^(ｎ＋１｜ｎ＋１)の（Ｌ＋１）行１列目を右推定楽曲信号ｉ^_R(ｎ)として右チャネル出力処理部４ｂへ出力する（ステップＳ２５）。こうして出力された左推定楽曲信号ｉ^_L(ｎ)及び右推定楽曲信号ｉ^_R(ｎ)は、左観測信号ｘ_L(ｎ)と右観測信号ｘ_R(ｎ)とからボーカル音が抑圧された信号である。また、制御部１は、左推定楽曲信号ｉ^_L(ｎ)及び右推定楽曲信号ｉ^_R(ｎ)を、ボーカル音が抑圧された楽曲データとして記憶部２に記憶保存する。なお、ステップＳ２４より前にステップＳ２５が実行されてもよい。

次いで、制御部１は、処理を終了する否かを判定する（ステップ２６）。例えば、左観測信号ｘ_L(ｎ)及び右観測信号ｘ_R(ｎ)の入力がなくなった場合、或いは、ユーザからの終了指示があった場合に、処理を終了すると判定される（ステップＳ２６：ＹＥＳ）。この場合、図９及び図１０に示す雑音抑圧処理が終了する。一方、処理を終了しないと判定された場合（ステップＳ２６：ＮＯ）、ステップＳ１に戻り、処理が継続される。

以上説明したように、上記実施形態によれば、制御部１は、左観測信号ｘ_L(ｎ)から抽出した左音声帯域信号ｓ_L(ｎ)についての左音声特徴量Ψ[ｓ_L(ｎ)]の大きさに応じて左推定ボーカル信号ｄ^_L(ｎ)を推定する。また、制御部１は、右観測信号ｘ_R(ｎ)から抽出した右音声帯域信号ｓ_R(ｎ)についての右音声特徴量Ψ[ｓ_R(ｎ)]の大きさに応じて右推定ボーカル信号ｄ^_R(ｎ)を推定する。そして、制御部１は、左推定ボーカル信号ｄ^_L(ｎ)に基づいて算出した左分散値σ^２ _dLと、右推定ボーカル信号ｄ^_R(ｎ)に基づいて算出した右分散値σ^２ _dRと、楽曲信号を駆動源として含む状態空間モデルに基づく予測法を用いて、左観測信号ｘ_L(ｎ)と右観測信号ｘ_R(ｎ)とからボーカル音を抑圧する処理を実行するように構成した。そのため、上記実施形態によれば、複数のチャネル間でボーカル信号に偏りがあっても、観測信号からボーカル音を適切に抑圧することができる。従って、ボーカル信号が精度良く除去された楽曲信号を得ることができる。これにより、例えばカラオケ端末用として、より臨場感のある楽曲データを提供することが可能となる。雑音抑圧装置は、例えば、カラオケ装置であっても良い。

なお、上記実施形態においては、雑音としてボーカル音を例にとった場合の端末装置Ｓに対して本発明を適用した例を説明した。しかし、本発明は、ステレオ補聴器や、車両等に搭載される音声認識システム等に対しても適用可能である。例えば、ステレオ補聴器は、上述した端末装置Ｓの構成に加え、左右のマイク、及び左右のスピーカを含むイヤホンを備える。そして、上述した「所定の特定帯域」は、雑音の帯域に設定される。この場合、本発明によれば、左右のマイクからそれぞれ入力された観測信号から、例えば使用者の周囲で発せられる騒音等の雑音を抑圧して、使用者の周囲の人の声に対応する音声信号を左右のスピーカへ出力することができる。これにより、雑音の多い状況下であっても、使用者に、周囲の人の声をより鮮明に聞きやすくさせることができる。また、例えば、音声認識システムは、上述した端末装置Ｓの構成に加え、左右のマイク、及び音声認識処理部を備える。左右のマイクは、それぞれ、例えば車両の運転者の声を集音可能なハンドル等の位置に取り付けられる。そして、上述した「所定の特定帯域」は、雑音の帯域に設定される。この場合、本発明によれば、左右のマイクからそれぞれ入力された観測信号から、例えば車外で発せられるロードノイズ等の雑音を抑圧して、運転者の声に対応する音声信号を音声認識処理部へ出力することができる。これにより、雑音の多い状況下であっても、音声認識処理部に、運転者の声をより認識し易くさせることができる。

１ 制御部
１１ 音声帯域抽出係数決定部
１２ａ 左チャネル音声帯域抽出部
１２ｂ 右チャネル音声帯域抽出部
１３ａ 左チャネル音声特徴量算出部
１３ｂ 右チャネル音声特徴量算出部
１４ 定位情報算出部
１５ 音声信号抽出重み係数算出部
１６ａ 左チャネル音声信号抽出部
１６ｂ 右チャネル音声信号抽出部
１７ａ 左チャネル音声信号分散値算出部
１７ｂ 右チャネル音声信号分散値算出部
１８ 楽曲信号推定部

Claims (7)

1. 少なくとも２チャネルから入力され、雑音が混在した観測信号から、音声信号を駆動源として含む状態空間モデルに基づく予測法を用いて、前記観測信号から前記雑音を抑圧する雑音抑圧装置であって、
   少なくとも第１チャネル及び第２チャネルから入力された第１観測信号及び第２観測信号を取得する取得手段と、
   所定の特定帯域における前記第１観測信号から第１抽出信号を抽出し、且つ、前記特定帯域における前記第２観測信号から第２抽出信号を抽出する抽出手段と、
   前記第１抽出信号についての第１特徴量と、前記第２抽出信号についての第２特徴量とを決定する第１決定手段と、
   前記第１特徴量の大きさに応じて、前記第１観測信号に適用する第１抽出手段の第１抽出度合を決定し、且つ、前記第２特徴量の大きさに応じて、前記第２観測信号に適用する第２抽出手段の第２抽出度合を決定する第２決定手段と、
   前記第１抽出度合が決定された前記第１抽出手段の適用により前記第１観測信号から抽出された第３抽出信号に基づいて第１分散値を決定し、且つ、前記第２抽出度合が決定された前記第２抽出手段の適用により前記第２観測信号から抽出された第４抽出信号に基づいて第２分散値を決定する第３決定手段と、
   前記第１分散値と前記第２分散値と前記予測法とを用いて、前記第１観測信号と前記第２観測信号とから雑音を抑圧する処理を実行する処理手段と、
   を備えることを特徴とする雑音抑圧装置。
2. 前記取得手段は、前記第１チャネルのマイクから入力された第１観測信号と、前記第２チャネルのマイクから入力された第２観測信号とを取得し、
   前記抽出手段は、人の音声帯域の信号を通過する音声帯域フィルタを用いて、人により発せられた第１ボーカル音に対応する第１抽出信号を抽出し、且つ、前記人により発せられた第２ボーカル音に対応する第２抽出信号を抽出し、
   前記第１決定手段は、前記第１抽出信号についての第１特徴量と、前記第２抽出信号についての第２特徴量とを決定し、
   前記第２決定手段は、前記第１特徴量の大きさに応じて、前記第１観測信号に適用する第１抽出手段としての第１バンドパスフィルタの第１抽出度合を決定し、且つ、前記第２特徴量の大きさに応じて、前記第２観測信号に適用する第２抽出手段としての第２バンドパスフィルタの第２抽出度合を決定し、
   前記第３決定手段は、前記第１抽出度合が決定された前記第１バンドパスフィルタの適用により前記第１観測信号から抽出された第３抽出信号に基づいて前記第１分散値を決定し、且つ、前記第２抽出度合が決定された前記第２バンドパスフィルタの適用により前記第２観測信号から抽出された第４抽出信号に基づいて前記第２分散値を決定し、
   前記処理手段は、前記第１分散値と前記第２分散値と前記予測法とを用いて、前記第１観測信号と前記第２観測信号とから前記第１ボーカル音と前記第２ボーカル音とを抑圧する処理を実行することを特徴とする請求項１に記載の雑音抑圧装置。
3. 前記第２決定手段は、前記第１特徴量と前記第２特徴量との大小関係に応じて、前記第１抽出度合及び前記第２抽出度合を決定することを特徴とする請求項１または２に記載の雑音抑圧装置。
4. 前記第１特徴量と前記第２特徴量に所定の差がある場合であって、前記第１特徴量よりも前記第２特徴量が大きい場合、前記第２決定手段は、前記第１観測信号に適用する第１抽出手段の第１抽出度合よりも、前記第２観測信号に適用する第２抽出手段の第２抽出度合を大きく決定し、
   前記第１特徴量と前記第２特徴量に所定の差がある場合であって、前記第１特徴量よりも前記第２特徴量が小さい場合、前記第２決定手段は、前記第１観測信号に適用する第１抽出手段の第１抽出度合よりも、前記第２観測信号に適用する第２抽出手段の第２抽出度合を小さく決定することを特徴とする請求項１乃至３の何れか一項に記載の雑音抑圧装置。
5. 前記第１特徴量と前記第２特徴量に所定の差がない場合、前記第２決定手段は、前記第１観測信号に適用する第１抽出手段の第１抽出度合と、前記第２観測信号に適用する第２抽出手段の第２抽出度合として、所定の抽出度合を決定することを特徴とする請求項４に記載の雑音抑圧装置。
6. 少なくとも２チャネルから入力され、雑音が混在した観測信号から、音声信号を駆動源として含む状態空間モデルに基づく予測法を用いて、前記観測信号から前記雑音を抑圧するコンピュータに、
   少なくとも第１チャネル及び第２チャネルから入力された第１観測信号及び第２観測信号を取得するステップと、
   所定の特定帯域における前記第１観測信号から第１抽出信号を抽出し、且つ、前記特定帯域における前記第２観測信号から第２抽出信号を抽出するステップと、
   前記第１抽出信号についての第１特徴量と、前記第２抽出信号についての第２特徴量とを決定するステップと、
   前記第１特徴量の大きさに応じて、前記第１観測信号に適用する第１抽出手段の第１抽出度合を決定し、且つ、前記第２特徴量の大きさに応じて、前記第２観測信号に適用する第２抽出手段の第２抽出度合を決定するステップと、
   前記第１抽出度合が決定された前記第１抽出手段の適用により前記第１観測信号から抽出された第３抽出信号に基づいて第１分散値を決定し、且つ、前記第２抽出度合が決定された前記第２抽出手段の適用により前記第２観測信号から抽出された第４抽出信号に基づいて第２分散値を決定するステップと、
   前記第１分散値と前記第２分散値と前記予測法とを用いて、前記第１観測信号と前記第２観測信号とから雑音を抑圧する処理を実行するステップと、
   を実行させることを特徴とするプログラム。
7. 少なくとも２チャネルから入力され、雑音が混在した観測信号から、音声信号を駆動源として含む状態空間モデルに基づく予測法を用いて、前記観測信号から前記雑音を抑圧する雑音抑圧装置により実行される雑音抑圧方法であって、
   少なくとも第１チャネル及び第２チャネルから入力された第１観測信号及び第２観測信号を取得するステップと、
   所定の特定帯域における前記第１観測信号から第１抽出信号を抽出し、且つ、前記特定帯域における前記第２観測信号から第２抽出信号を抽出するステップと、
   前記第１抽出信号についての第１特徴量と、前記第２抽出信号についての第２特徴量とを決定するステップと、
   前記第１特徴量の大きさに応じて、前記第１観測信号に適用する第１抽出手段の第１抽出度合を決定し、且つ、前記第２特徴量の大きさに応じて、前記第２観測信号に適用する第２抽出手段の第２抽出度合を決定するステップと、
   前記第１抽出度合が決定された前記第１抽出手段の適用により前記第１観測信号から抽出された第３抽出信号に基づいて第１分散値を決定し、且つ、前記第２抽出度合が決定された前記第２抽出手段の適用により前記第２観測信号から抽出された第４抽出信号に基づいて第２分散値を決定するステップと、
   前記第１分散値と前記第２分散値と前記予測法とを用いて、前記第１観測信号と前記第２観測信号とから雑音を抑圧する処理を実行するステップと、
   を含むことを特徴とする雑音抑圧方法。