JP2016039407A - 音声処理システム及び音声処理方法 - Google Patents

Abstract

【課題】マイクアレイ装置により収音された音声を用いて指定方向の音声を強調処理した後に音声の音量を調整し、強調処理の前後における音量の大きな差異の発生を抑制し、ユーザへの利便性を向上させる。【解決手段】音声処理システムは、複数の収音素子を用いて無指向状態で音声を収音する収音部と、無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付ける操作部と、指定方向の入力に応じて、収音部により収音された音声データを用いて、収音部から指定方向の音声データを強調処理した有指向状態の音声データを生成する強調処理部と、有指向状態の音声データの音量を調整する音量調整部と、収音部により収音された無指向状態の音声データ、又は音量調整部により音量が調整された後の有指向状態の音声データを出力する音声出力部と、を備える。【選択図】図１

Description

本発明は、マイクアレイ装置において収音された音声の音量を調整する音声処理システム及び音声処理方法に関する。

従来、工場、店舗（例えば小売店、銀行）或いは公共の場（例えば図書館）の所定位置（例えば天井）に設置される監視システムでは、ネットワークを介して複数のカメラ装置（例えばパンチルトカメラ装置又は全方位カメラ装置）を接続することで、監視対象の所定範囲の映像データ（静止画像及び動画像を含む。以下同様）の広画角化が図られている。

映像だけの監視では得られる情報量がどうしても限界があるため、カメラ装置だけでなくマイクアレイ装置も配置することで、カメラ装置が特定の被写体を撮像している方向の音声データを得る監視システムの要請が高い。

ここで、複数のマイクロホンで録音したデータを再生する際に、再生画像の注目する点を指示することにより、その方向への音の焦点を当てた再生を行う先行技術として、例えば特許文献１に示す情報処理装置が知られている。

特許文献１に示す情報処理装置は、複数のマイクロホンからなるマイクロホンアレーと、マイクロホンアレーを構成する個々のマイクロホンからの入力音響信号をマイクロホン毎に保持する複数の保持手段と、位置情報を入力する入力手段と、保持された複数チャンネルの音響信号を用いて、取得した位置方向へ音響的なフォーカスを行うフォーカス手段と、フォーカス後の音響信号に対し、音響効果を与えるために音響信号を加工する加工手段とを有する。なお、音響信号の加工の種類としては、例えばエコー、ビブラート、ディストーションなど一般に用いられる音響的な処理であれば構わない。

特開２００４−１８０１９７号公報

特許文献１では、目的方向以外の音声信号と比べて、目的方向の音声信号の出力（音量）は強調処理（例えば指向性形成処理のこと。以下同様。）されるので相対的に大きくなるが、目的方向の音声信号の強調処理の前後における出力（例えば音量のこと。以下同様。）の差異については考慮されていない。

例えば特許文献１では、遅延和方式を用いた強調処理が使用されており、強調処理前の音声（無指向音声）と、強調処理後の音声（有指向音声）とを比較すると、各マイクロホンにより収音された音声信号に含まれるノイズはマイクロホン毎の相関性が低いので、マイクロホン毎の音声信号が加算された分だけ、有指向音声の出力が大きくなる。

また、遅延和方式を用いた強調処理では、１つのマイクロホンの出力と同等になるように、加算処理後の音声信号の出力をマイクロホンの個数で除算して平均化することもある。この場合、遅延和方式を用いた強調処理によって、目的方向以外の音声信号の音量が抑圧されるため、無指向音声の出力と有指向音声の出力とを比較すると、有指向音声の出力の方が小さくなる。

従って、特許文献１を含む従来技術では、加算処理後の音声信号の出力をマイクロホンの個数で除算して平均化することの有無に拘わらず、強調処理により、無指向音声の出力と有指向音声の出力とに大きな差異が生じるという課題がある。

特に、上述したような監視システムでは、通常時（例えば監視対象のイベントが何も生じていない場合）では、監視者（例えば監視システムのユーザ）は、強調処理前（即ち、指向性が形成される前）の無指向状態で監視エリア全体の音声を聞き、もし異常音が生じた場合やカメラ装置の画像上に異常行動が確認された場合に、自ら指定した特定方向に指向性を向けた（即ち、指向性が形成された後の）有指向状態で音声を聞くという使用状況が考えられる。このような無指向状態と有指向状態との間を切り替える際、マイクアレイ装置により収音された音声の出力に大きな差異があると、監視者における監視業務に支障が生じる。

本発明は、上述した従来の課題を解決するために、マイクアレイ装置により収音された音声を用いて指定方向の音声を強調処理した後に音声の音量を調整し、強調処理の前後における音量の大きな差異の発生を抑制し、ユーザへの利便性を向上させる音声処理システム及び音声処理方法を提供することを目的とする。

本発明は、複数の収音素子を含み、前記収音素子を用いて無指向状態で音声を収音する収音部と、前記無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付ける操作部と、前記指定方向の入力に応じて、前記収音部により収音された音声データを用いて、前記収音部から、前記指定方向の音声データを強調処理した前記有指向状態の音声データを生成する強調処理部と、前記強調処理部により生成された前記有指向状態の音声データの音量を調整する音量調整部と、前記収音部により収音された前記音声の前記無指向状態の音声データ、又は前記音量調整部により音量が調整された後の前記有指向状態の音声データを出力する音声出力部と、を備える、音声処理システムである。

また、本発明は、複数の収音素子を用いて無指向状態で音声を収音する収音部を有する音声処理システムにおける音声処理方法であって、前記無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付けるステップと、前記指定方向の入力に応じて、前記収音部により収音された音声データを用いて、前記収音部から、前記指定方向の音声データを強調処理した前記有指向状態の音声データを生成するステップと、生成された前記有指向状態の音声データの音量を調整するステップと、前記収音部により収音された前記音声の前記無指向状態の音声データ、又は音量が調整された後の前記有指向状態の音声データを出力するステップと、を有する、音声処理方法である。

本発明によれば、マイクアレイ装置により収音された音声を用いて指定方向の音声を強調処理した後に音声の音量を調整することで、強調処理の前後における音量の大きな差異の発生を抑制することができ、ユーザへの利便性を向上させることができる。

（Ａ），（Ｂ）各実施形態の音声処理システムの動作概要を示す模式図 第１の実施形態の音声処理システムのシステム構成の一例を示すブロック図 （Ａ）従来の音声信号の強調処理の有無に応じて出力される無指向音声、有指向音声の各音量の第１例を示す図、（Ｂ）各実施形態の指向性制御装置における音声信号の強調処理の有無に応じて出力される無指向音声、有指向音声の各音量の第１例を示す図 （Ａ）従来の音声信号の強調処理の有無に応じて出力される無指向音声、有指向音声の各音量の第２例を示す図、（Ｂ）各実施形態の指向性制御装置における音声信号の強調処理の有無に応じて出力される無指向音声、有指向音声の各音量の第２例を示す図 （Ａ）〜（Ｅ）全方位マイクアレイ装置の外観図 全方位マイクアレイ装置により収音された音声に対して方向θの音声を強調処理する原理の一例の説明図 第１の実施形態の音声処理システムの実運用時における動作手順の一例を説明するフローチャート 第２の実施形態の音声処理システムのシステム構成の一例を示すブロック図 （Ａ）音量調整値の事前設定に関する動作手順の一例を説明するフローチャート、（Ｂ）第２の実施形態の音声処理システムの実運用時における動作手順の一例を説明するフローチャート （Ａ）第２の実施形態の第１変形例の音声処理システムのシステム構成の一例を示すブロック図、（Ｂ）音量調整値の事前設定に関する動作手順の一例を説明するフローチャート （Ａ）第２の実施形態の第２変形例の音声処理システムが設置された収音領域の収音時の様子の一例を示す図、（Ｂ）ディスプレイ装置の画面に表示されたカメラ装置の出力画像の一例を示す図 第２の実施形態の第２変形例の音声処理システムのシステム構成の一例を示すブロック図 （Ａ）エリア毎の音量調整値の事前設定に関する動作手順の一例を説明するフローチャート、（Ｂ）第２の実施形態の第２変形例の音声処理システムの実運用時における動作手順の一例を説明するフローチャート 第２の実施形態の第３変形例の音声処理システムのシステム構成の一例を示すブロック図 （Ａ）全方位マイクアレイ装置毎の音量調整値の事前設定に関する動作手順の一例を説明するフローチャート、（Ｂ）第２の実施形態の第３変形例の音声処理システムの実運用時における動作手順の一例を説明するフローチャート （Ａ）第３の実施形態の音声処理システムのシステム構成の一例を示すブロック図、（Ｂ）レコーダ装置に画像データ及び音声データを記録する動作手順の一例を説明するフローチャート 第３の実施形態の音声処理システムの実運用時における動作手順、並びに音量調整値の算出に関する動作手順の各一例を説明するフローチャート （Ａ）第３の実施形態の第１変形例の音声処理システムのシステム構成の一例を示すブロック図、（Ｂ）指向角設定値の事前設定に関する動作手順の一例を説明するフローチャート 第３の実施形態の第１変形例の音声処理システムの実運用時における動作手順、並びに音量調整値の算出に関する動作手順の各一例を説明するフローチャート （Ａ），（Ｂ）第３の実施形態の第２変形例の音声処理システムの動作概要を示す模式図 第３の実施形態の第２変形例の音声処理システムの実運用時における動作手順、並びに音量調整値の算出に関する動作手順の各一例を説明するフローチャート （Ａ）第４の実施形態の音声処理システムのシステム構成の一例を示すブロック図、（Ｂ）音量設定値の事前設定に関する動作手順の一例を説明するフローチャート、（Ｃ）第４の実施形態の音声処理システムの実運用時における強調処理前の無指向音声の音量調整に関する動作手順の一例を説明するフローチャート 第４の実施形態の音声処理システムの実運用時における強調処理後の有指向音声の音量調整に関する動作手順の一例を説明するフローチャート （Ａ）第５の実施形態の音声処理システムのシステム構成の一例を示すブロック図、（Ｂ）音量調整係数値の事前設定に関する動作手順の一例を説明するフローチャート （Ａ）音量調整係数値の周波数特性の第１例を示す図、（Ｂ）音量調整係数値の周波数特性の第２例を示す図 第５の実施形態の音声処理システムの実運用時における動作手順の一例を説明するフローチャート

以下、本発明に係る音声処理システム及び音声処理方法の各実施形態について、図面を参照して説明する。各実施形態の音声処理システムは、例えば工場、公共施設（例えば図書館、イベント会場）、又は店舗（例えば小売店、銀行）に設置される監視システム（有人監視システム及び無人監視システムを含む）として用いられるが、特に限定されない。以下の各実施形態では、各実施形態の指向性制御システムは、例えば店舗に設置されるとして説明する。

なお、本発明は、音声処理システムを構成する各装置（例えば後述する指向性制御装置又は全方位マイクアレイ装置）、又は指向性制御システムを構成する各装置（例えば後述する指向性制御装置又は全方位マイクアレイ装置）が行う各動作（ステップ）を含む方法として表現することも可能である。

以下の説明では、音声データに対して特定の方向への指向性が形成されていない状態又は特定の方向に強調処理が行われていない状態を「無指向状態」と定義し、音声データに対して特定の方向に指向性が形成された状態又は特定の方向に強調処理が行われた状態を「有指向状態」と定義する。

また、以下の説明では、強調処理が行われる前の無指向状態において収音された音声を「無指向音声」と定義し、強調処理が行われた後の有指向状態の音声を「有指向音声」と定義する。

（各実施形態に共通の動作概要）
先ず、各実施形態の音声処理システムの動作概要について、図１（Ａ）及び（Ｂ）を参照して説明する。図１（Ａ）及び（Ｂ）は、各実施形態の音声処理システムの動作概要を示す模式図である。図１（Ａ）では、例えば第１の実施形態の音声処理システム１０が設置された収音領域Ｋ内において、カメラ装置Ｃ１が対象物（例えば床ＢＬに立っている２人の人物）を撮像する様子と、全方位マイクアレイ装置２が全方位マイクアレイ装置２からの指向方向に存在する対象物（２人の人物）の会話と全方位マイクアレイ装置２からの指向方向に存在しないスピーカ装置ＳＰからの出力音（例えば「♪〜」）とを収音する様子とが示されている。

図１（Ｂ）では、全方位マイクアレイ装置２から、ディスプレイ装置３６の画面に表示された画像上に対してユーザの指ＦＧにより指定された指定位置Ａ’に対応する音声位置Ａ（即ち、実際の位置のことを言い、以下同様とする。）に向かう指向方向の音声データ（例えば「Ｈｅｌｌｏ」）の音量がスピーカ装置ＳＰからの出力音（例えば「♪」）の音声データの音量よりも大きくスピーカ装置３７から出力される様子が示されている。

図１（Ａ）に示す音声処理システム１０では、カメラ装置Ｃ１は、例えばカメラ装置Ｃ１の画角の範囲内に映る被写体（例えば図１（Ａ）に示す２人の人物）を撮像する。全方位マイクアレイ装置２は、収音領域Ｋ内において、全方位マイクアレイ装置２の設置位置の周囲の音声を収音する。図１（Ａ）では、対象物としての２人の人物は会話を行っており、「Ｈｅｌｌｏ」は会話内容の一例である。カメラ装置Ｃ１の撮像により得られた画像データは、図２に示す指向性制御装置３のディスプレイ装置３６に表示され（図１（Ｂ）参照）、２人の人物とスピーカ装置ＳＰとが表示されている。

図１（Ｂ）において、ユーザの指ＦＧにより、ディスプレイ装置３６に表示された画像上の指定位置Ａ’が指定されると、指向性制御装置３は、指定位置Ａ’の座標データを用いて、全方位マイクアレイ装置２の設置位置から音声位置Ａに向かう指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）を算出する。なお、指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）の算出例及び音声位置の詳細については後述する。

また、指向性制御装置３は、算出された指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）の座標データを用いて、全方位マイクアレイ装置２の設置位置から音声位置Ａに向かう方向に、収音された音声の指向性を形成する。言い換えると、指向性制御装置３は、指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）の座標データを用いて、全方位マイクアレイ装置２の設置位置から音声位置Ａに向かう方向の音声データを強調処理する。以下、音声データの指向性を形成する処理を、「音声データを強調処理する」という。

（第１の実施形態）
図２は、第１の実施形態の音声処理システム１０のシステム構成の一例を示すブロック図である。図２に示す音声処理システム１０は、カメラ装置Ｃ１と、全方位マイクアレイ装置２と、指向性制御装置３とを含む構成である。図１に示す音声処理システム１０では、全方位マイクアレイ装置２と、カメラ装置Ｃ１と、指向性制御装置３とが、ネットワークＮＷを介して相互に接続されている。ネットワークＮＷは、有線ネットワーク（例えばイントラネット、インターネット）でも良いし、無線ネットワーク（例えば無線ＬＡＮ（Local Area Network））でも良く、以下の各実施形態においても同様である。

撮像部の一例としてのカメラ装置Ｃ１は、例えば店舗の天井面に固定して設置され、例えば監視カメラとしての機能を有し、ネットワークＮＷに接続された中央監視制御室（不図示）からの遠隔操作によって、ズーム機能（例えばズームイン処理、ズームアウト処理）や光軸移動機能（パン、チルト）を用いて、カメラ装置Ｃ１の画角内の画像を撮像する。

カメラ装置Ｃ１の設置位置や方向は指向性制御装置３のメモリ３８に登録されており、パン・チルト・ズームに関する制御情報は、指向性制御装置３に随時送信されて、画像位置と指向方向との位置関係は常に関連付けが行われている。また、カメラ装置Ｃ１は、例えば全方位カメラである場合には、収音領域Ｋの全方位の画像を示す画像データ（即ち、全方位画像データ）、又は全方位画像データに所定の歪み補正処理を施してパノラマ変換して生成した平面画像データを、ネットワークＮＷを介して指向性制御装置３に送信する。以下、説明を簡単にするために、カメラ装置Ｃ１が全方位カメラであるとして説明する。

カメラ装置Ｃ１は、ディスプレイ装置３６に表示された画像（即ち、カメラ装置Ｃ１の撮像により得られた画像（以下、「出力画像」ともいう））上で、ユーザの指ＦＧによって任意の位置が指定されると、指定位置Ａ’の座標データを指向性制御装置３から受信し、カメラ装置Ｃ１から、指定位置Ａ’に対応する実空間上の位置（以下、単に「音声位置」と略記する）までの距離、方向（水平角及び垂直角を含む。以下同様。）のデータを算出して指向性制御装置３に送信する。なお、カメラ装置Ｃ１１における距離、方向のデータ算出処理は公知技術であるため、説明は省略する。

収音部の一例としての全方位マイクアレイ装置２は、全方位マイクアレイ装置２が設置される収音領域における音声を収音し、例えば収音領域に存在する音源の一例としての人物（例えば図１（Ａ）中の２人の人物参照）の発する音声（例えば２人の人物の会話音声）を収音する。

全方位マイクアレイ装置２は、収音素子の一例としてのマイクロホンを複数含み、複数のマイクロホンを用いて、全方位マイクアレイ装置２の設置位置を中心として３６０°の方向（全方位）からの音声を無指向状態で収音する。従って、全方位マイクアレイ装置２により収音された音声データは、特定の方向に強調処理されていない。全方位マイクアレイ装置２の筐体形状の例については、図５（Ａ）〜（Ｅ）を参照して後述する。

全方位マイクアレイ装置２は、等間隔毎に配置されたマイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎと、各マイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎにより収音された音声のデジタルの音声信号（音声データ）に変換するＡ／Ｄ変換器２４１，２４２，２４３，…，２４（ｎ−１），２４ｎと、Ａ／Ｄ変換器２４１，２４２，２４３，…，２４（ｎ−１），２４ｎの出力に対して所定の信号処理を施す制御部（不図示）とを少なくとも含む構成である。

全方位マイクアレイ装置２は、各々のマイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎにより収音された音声データを含む音声パケット（不図示）を、ネットワークＮＷを介して、指向性制御装置３に送信する。

ここで、全方位マイクアレイ装置２の外観について、図５（Ａ）〜（Ｅ）を参照して説明する。図５（Ａ）〜（Ｅ）は、全方位マイクアレイ装置２，２Ａ，２Ｂ，２Ｃ，２Ｄの外観図である。図２（Ａ）〜（Ｅ）に示す全方位マイクアレイ装置２，２Ａ，２Ｂ．２Ｃ，２Ｄは、外観及び複数のマイクロホンの配置位置が異なるが、それぞれの全方位マイクアレイ装置自身の機能は同等である。

図５（Ａ）〜（Ｅ）において、各全方位マイクアレイ装置２，２Ａ，２Ｂ，２Ｃ，２Ｄに用いられるマイクロホンは、例えば無指向性の高音質小型エレクトレットコンデンサーマイクロホン（ＥＣＭ： Electret Condenser Microphone）１１７ａが用いられ、以下の各実施形態においても同様である。

図５（Ａ）に示す全方位マイクアレイ装置２は、円盤状の筐体２１を有する。筐体２１には、複数のマイクロホン２２ｉ，２３ｉ（ｉ：１〜ｎ、ｎは全方位マイクアレイ装置において使用されるマイクロホン数を示す。以下同様。）が同心円状に配置されている。具体的には、複数のマイクロホン２２ｉが、筐体２１と同一の中心を有する大きな円形状に沿って同心円状に配置され、複数のマイクロホン２３ｉが、筐体２１と同一の中心を有する小さい円形状に沿って同心円状に配置されている。複数のマイクロホン２２ｉは、互いの間隔が広く、直径が大きく、低い音域に適した特性を有する。一方、複数のマイクロホン２３ｉは、互いの間隔が狭く、直径が小さく、高い音域に適した特性を有する。

図５（Ｂ）に示す全方位マイクアレイ装置２Ａは、円盤状の筐体２１を有する。筐体２１には、複数のマイクロホン２２ｉが、水平方向の縦方向と横方向との中心が筐体２１の中心において交わるように一様な間隔毎に直線上に配置されている。全方位マイクアレイ装置２Ａは、複数のマイクロホン２２ｉが縦横の直線状に配置されているので、音声データの強調処理時の演算量を低減できる。なお、縦方向又は横方向の１列だけに、複数のマイクロホン２２ｉが配置されても良い。

図５（Ｃ）に示す全方位マイクアレイ装置２Ｂは、図２（Ａ）に示す全方位マイクアレイ装置２Ａに比べ、直径の小さい円盤状の筐体２１Ｃを有する。筐体２１Ｃには、複数のマイクロホン２２ｉが、円周方向に沿って一様に配置されている。図５（Ｃ）に示す全方位マイクアレイ装置２Ｂは、各々のマイクロホン２２ｉの間隔が短いので、高い音域に適した特性を有する。

図５（Ｄ）に示す全方位マイクアレイ装置２Ｃは、筐体中心に所定の直径を有する開口部２１ａが形成されたドーナツ型形状又はリング型の形状の筐体２１Ｄを有する。筐体２１Ｄでは、複数のマイクロホン２２ｉが、筐体２１Ｄの円周方向において、一様な間隔毎に同心円状に配置されている。

図５（Ｅ）に示す全方位マイクアレイ装置２Ｅは、矩形状の筐体２１Ｅを有する。筐体２１Ｅには、複数のマイクロホン２２ｉが、筐体２１Ｅの外周方向に沿って一様な間隔毎に配置されている。図５（Ｅ）に示す全方位マイクアレイ装置２Ｄでは、筐体２１Ｅが矩形に形成されているので、例えばコーナー等の場所であっても全方位マイクアレイ装置２Ｄの設置を簡易化できる。

指向性制御装置３は、例えば中央監視制御室（不図示）に設置される据置型のＰＣ（Personal Computer）でも良いし、ユーザが携帯可能な携帯電話機、タブレット端末、スマートフォン等のデータ通信端末でも良い。

指向性制御装置３は、通信部３１と、操作部３２と、信号処理部３３と、ディスプレイ装置３６と、スピーカ装置３７と、メモリ３８とを少なくとも含む構成である。信号処理部３３は、指向方向算出部３４ａと、強調処理部３４ｂと、音量調整部３４ｃとを少なくとも含む構成である。

通信部３１は、ネットワークＮＷを介して、全方位マイクアレイ装置２から送信されたパケットＰＫＴ（例えば図６（Ａ）参照）を受信して信号処理部３３に出力する。

操作部３２は、ユーザの操作の内容を信号処理部３３に通知するためのユーザインターフェース（ＵＩ：User Interface）であり、例えばマウス、キーボード等のポインティングデバイスである。また、操作部３２は、例えばディスプレイ装置３６の画面に対応して配置され、ユーザの指ＦＧ又はスタイラスペンによって操作が可能なタッチパネル又はタッチパッドを用いて構成されても良い。

操作部３２は、ディスプレイ装置３６に表示された画像（即ち、カメラ装置Ｃ１により撮像された画像。以下同様。）に対し、ユーザの操作によって指定された位置（即ち、スピーカ装置３７から出力される音声データの音量の増大又は低減を所望する位置）を示す座標データを取得して信号処理部３３に出力する。

音量操作部３２ｖは、後述の音量調整部３４ｃにより調整された後の有指向状態（後述参照）の音声データの音量をユーザの好みに応じて更に変更するための入力操作を受け付け、この入力操作によって入力された音量に関する情報を信号処理部３３に通知する。信号処理部３３は、音量調整部３４ｃにより調整された後の有指向状態の音声データの音量を、音量操作部３２ｖの操作によって更に変更し、以下の各実施形態においても同様である。

信号処理部３３は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）又はＤＳＰ（Digital Signal Processor）を用いて構成され、指向性制御装置３の各部の動作を全体的に統括するための制御処理、他の各部との間のデータの入出力処理、データの演算（計算）処理及びデータの記憶処理を行う。

例えば、信号処理部３３は、ディスプレイ装置３６及びスピーカ装置３７の動作を制御し、例えばユーザの操作に応じて、カメラ装置Ｃ１から送信された画像データをディスプレイ装置３６に表示させ、全方位マイクアレイ装置２から送信された音声パケットに含まれる音声データをスピーカ装置３７から出力させる。

指向方向算出部３４ａは、ディスプレイ装置３６に表示された画像からユーザの位置の指定操作に応じて、全方位マイクアレイ装置２から、指定位置Ａ’に対応する音声位置Ａに向かう指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）を算出する。指向方向算出部３４ａの具体的な算出方法は、上述したように公知技術であるため、詳細な説明を省略する。

指向方向算出部３４ａは、カメラ装置Ｃ１の設置位置から音声位置Ａまでの距離、方向のデータを用いて、全方位マイクアレイ装置２の設置位置から音声位置Ａに向かう指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）を算出する。例えばカメラ装置Ｃ１の筐体を囲むように全方位マイクアレイ装置２の筐体とカメラ装置Ｃ１とが一体的に取り付けられている場合には、カメラ装置Ｃ１から音声位置Ａまでの方向（水平角，垂直角）は、全方位マイクアレイ装置２から音声位置Ａまでの指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）として用いることができる。

なお、カメラ装置Ｃ１の筐体と全方位マイクアレイ装置２の筐体とが離れて取り付けられている場合には、指向方向算出部３４ａは、事前に算出されたキャリブレーションパラメータのデータと、カメラ装置Ｃ１から音声位置Ａまでの方向（水平角，垂直角）のデータとを用いて、全方位マイクアレイ装置２から音声位置Ａまでの指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）を算出する。なお、キャリブレーションとは、指向性制御装置３の指向方向算出部３４ａが指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）を算出するために必要となる所定のキャリブレーションパラメータを算出又は取得する動作であり、公知技術により予め行われているとする。

指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）のうち、θ_ＭＡｈは全方位マイクアレイ装置２から音声位置Ａに向かう指向方向の水平角を表し、θ_ＭＡｖは全方位マイクアレイ装置２から音声位置Ａに向かう指向方向の垂直角を表す。なお、音声位置Ａは、操作部３２がディスプレイ装置３６に表示された画像においてユーザの指ＦＧ又はスタイラスペンによって指定された指定位置Ａ’に対応する実際の監視対象又は収音対象となる現場の位置である（図１（Ａ）参照）。

強調処理部３４ｂは、全方位マイクアレイ装置２から送信された音声パケットに含まれる音声データを用いて、指向方向算出部３４ａにより算出された指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）が示す指向方向の音声データを強調処理し、強調処理後の有指向状態の音声データを生成する。言い換えると、強調処理部３４ｂは、全方位マイクアレイ装置２から送信された音声パケットに含まれる音声データを用いて、指向方向算出部３４ａにより算出された指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）が示す指向方向に音声データの指向性を形成する。なお、強調処理部３４ｂにおける強調処理は、例えば全方位マイクアレイ装置２により行われても良い。

音量調整部３４ｃは、予め音量調整部３４ｃの動作において規定されている音量調整値３４ｃ１を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を加算する又は減算するように調整する。信号処理部３３は、音量調整部３４ｃにより音量が調整された後の音声データをスピーカ装置３７から出力する。

表示部の一例としてのディスプレイ装置３６は、例えばユーザの操作に応じて、信号処理部３３の制御の下で、例えばカメラ装置Ｃ１から送信された画像データを画面に表示する。

音声出力部の一例としてのスピーカ装置３７は、全方位マイクアレイ装置２から送信された音声パケットに含まれる音声データ（言い換えると、無指向状態の音声データ）、又は音量調整部３４ｃにより音量が調整された後の音声データを出力する。なお、ディスプレイ装置３６及びスピーカ装置３７は、指向性制御装置３とは別々の構成としても良い。

記憶部の一例としてのメモリ３８は、例えばＲＡＭ（Random Access Memory）を用いて構成され、指向性制御装置３の各部の動作時のワークメモリとして機能し、更に、指向性制御装置３の各部の動作時に必要なデータを記憶する。

図６は、全方位マイクアレイ装置２により収音された音声に対して方向θの音声を強調処理する原理の一例の説明図である。図６では、例えば遅延和方式を用いた指向性形成処理の原理について簡単に説明する。音源８０から発した音波は、全方位マイクアレイ装置２に内蔵される各マイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎに対し、ある一定の角度（入射角＝（９０−θ）［度］）で入射する。図６に示す入射角θは、全方位マイクアレイ装置２から音声位置に向かう収音方向の水平角θ_ＭＡｈでも垂直角θ_ＭＡｖでも良い。

音源８０は、例えば全方位マイクアレイ装置２が収音する方向に存在するカメラ装置Ｃ１の被写体（例えば図１（Ａ）に示すいずれかの人物）であり、全方位マイクアレイ装置２の筐体２１の面上に対し、所定角度θの方向に存在する。また、各マイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎ間の間隔ｄは一定とする。

音源８０から発した音波は、最初にマイクロホン２２１に到達して収音され、次にマイクロホン２２２に到達して収音され、同様に次々に収音され、最後にマイクロホン２２ｎに到達して収音される。

なお、全方位マイクアレイ装置２の各マイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎの位置から音源８０に向かう方向は、例えば音源８０が人物の会話時の音声である場合に、全方位マイクアレイ装置２の各マイクロホンから、ユーザがディスプレイ装置３６の画面上に指定した指定位置に対応する音声位置に向かう方向と同じである。

ここで、音波がマイクロホン２２１，２２２，２２３，…，２２（ｎ−１）に到達した時刻から最後に収音されたマイクロホン２２ｎに到達した時刻までには、到達時間差τ１，τ２，τ３，…，τｎ−１が生じる。このため、各々のマイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎが収音した音声データがそのまま加算された場合には、位相がずれたまま加算されるため、音波の音量レベルが全体的に弱め合う。

なお、τ１は音波がマイクロホン２２１に到達した時刻と音波がマイクロホン２２ｎに到達した時刻との差分の時間であり、τ２は音波がマイクロホン２２２に到達した時刻と音波がマイクロホン２２ｎに到達した時刻との差分の時間であり、同様に、τｎ−１は音波がマイクロホン２２（ｎ−１）に到達した時刻と音波がマイクロホン２２ｎに到達した時刻との差分の時間である。

本実施形態の強調処理では、マイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎ毎に対応して設けられるＡ／Ｄ変換器２４１，２４２，２４３，…，２４（ｎ−１），２４ｎにおいて、アナログの音声信号がデジタルの音声信号に変換される。更に、デジタルの音声信号は、マイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎ毎に対応して設けられる遅延器２５１，２５２，２５３，…，２５（ｎ−１），２５ｎにおいて所定の遅延時間が加算される。各遅延器２５１，２５２，２５３，…，２５（ｎ−１），２５ｎの出力は加算器２６において加算される。なお、各遅延器２５１，２５２，２５３，…，２５（ｎ−１），２５ｎと加算器２６とは、強調処理部３４ｂに設けられても良いし、強調処理が全方位マイクアレイ装置２により行われる場合には全方位マイクアレイ装置２に設けられても良い。

更に、図６に示す強調処理では、遅延器２５１，２５２，２５３，…，２５（ｎ−１），２５ｎは、各々のマイクロホン２２１，２２２，２２２，…，２２（ｎ−１），２２ｎにおける到達時間差に対応する遅延時間を付与して全ての音波の位相を揃えた後、加算器２６において遅延処理後の音声データが加算される。これにより、強調処理部３４ｂ又は全方位マイクアレイ装置２は、各マイクロホン２２１，２２２，２２３,…，２２（ｎ−１）,２２ｎにより収音された音声に対し、角度θの方向の音声を強調することができる。

例えば図６では、遅延器２５１，２５２，２５３，…，２５（ｎ−１），２５ｎにおいて付与される各遅延時間Ｄ１，Ｄ２，Ｄ３，…，Ｄ（ｎ−１），Ｄｎは、それぞれ到達時間差τ１，τ２，τ３，…，τ（ｎ−１）に相当し、数式（１）により示される。

Ｌ１は、マイクロホン２２１とマイクロホン２２ｎとにおける音波到達距離の差である。Ｌ２は、マイクロホン２２２とマイクロホン２２ｎとにおける音波到達距離の差である。Ｌ３は、マイクロホン２２３とマイクロホン２２ｎとにおける音波到達距離の差であり、同様に、Ｌ（ｎ−１）は、マイクロホン２２（ｎ−１）とマイクロホン２２ｎとにおける音波到達距離の差である。Ｖｓは音波の音速である。この音速Ｖｓは全方位マイクアレイ装置２により算出されても良いし、指向性制御装置３により算出されても良い（後述参照）。Ｌ１,Ｌ２，Ｌ３，…，Ｌ（ｎ−１）は既知の値である。図６では、遅延器２５ｎに設定される遅延時間Ｄｎは０（ゼロ）である。

このように、強調処理部３４ｂ又は全方位マイクアレイ装置２は、遅延器２５１，２５２，２５３，…，２５（ｎ−１），２５ｎにおいて付与される遅延時間Ｄ１，Ｄ２，Ｄ３，…，Ｄｎ−１，Ｄｎを変更することで、各々のマイクロホン２２１，２２２，２２３，…，２２（ｎ−１），２２ｎにより収音された音声に対し、任意の方向の音声を簡易に強調することができる。

（強調処理及び音量調整による音量への影響について）
次に、各実施形態の音声処理システムにおける強調処理及び音量調整による音声データの音量への影響について、図３（Ａ），（Ｂ）及び図４（Ａ），（Ｂ）を参照して説明する。図３（Ａ）は、従来の音声信号の強調処理の有無に応じて出力される無指向音声、有指向音声の各音量の第１例を示す図である。図３（Ｂ）は、各実施形態の指向性制御装置３における音声信号の強調処理の有無に応じて出力される無指向音声、有指向音声の各音量の第１例を示す図である。

図３（Ａ）に示す従来技術では、マイクアレイにより収音された音声（無指向音声）は波形ＷＶ１のように示され、信号処理の切替（即ち、強調処理の有無に応じた出力である無指向音声と有指向音声との切替のこと。以下同様。）において無指向音声が選択された場合には、スピーカ装置からは、無指向音声の波形ＷＶ１に対応した音声が出力される。

ところが、信号処理の切替において有指向音声が選択された場合には、スピーカ装置からは、波形ＷＶ１の無指向音声が強調処理された後の波形ＷＶ２に対応した音声が出力される。従って、図６に示す遅延和方式の強調処理が行われると、強調処理によってマイクロホン毎の音声信号（無指向音声の信号）が単純に加算され、有指向音声の音量は無指向音声の音量よりも大きくなり、無指向音声（波形ＷＶ１参照）の音量と有指向音声（波形ＷＶ２参照）の音量とは異なってしまう。

一方、図３（Ｂ）に示す各実施形態では、全方位マイクアレイ装置２により収音された音声（無指向音声）は波形ＷＶ１のように示され、信号処理の切替において無指向音声が選択された場合には、図３（Ａ）と同様に、スピーカ装置３７からは、無指向音声の波形ＷＶ１に対応した音声が出力される。

ところが、信号処理の切替において有指向音声が選択された場合には、スピーカ装置３７からは、波形ＷＶ２の無指向音声が強調処理された後の波形ＷＶ２に対し、更に、音量調整の処理が行われることによって、音量が調整された後の波形ＷＶ３に対応した音声が出力される。従って、図６に示す遅延和方式の強調処理が行われると、強調処理によってマイクロホン毎の音声信号（無指向音声の信号）が単純に加算され、有指向音声の音量は無指向音声の音量よりも大きくなるが、音量調整の処理によって、無指向音声（波形ＷＶ１参照）の音量と有指向音声（波形ＷＶ３参照）の音量とは同程度となる。

図４（Ａ）は、従来の音声信号の強調処理の有無に応じて出力される無指向音声、有指向音声の各音量の第２例を示す図である。図４（Ｂ）は、各実施形態の指向性制御装置３における音声信号の強調処理の有無に応じて出力される無指向音声、有指向音声の各音量の第２例を示す図である。

図４（Ａ）に示す従来技術では、マイクアレイにより収音された音声（無指向音声）は波形ＷＶ１のように示され、信号処理の切替において無指向音声が選択された場合には、スピーカ装置からは、無指向音声の波形ＷＶ１に対応した音声が出力される。

ところが、信号処理の切替において有指向音声が選択された場合には、スピーカ装置からは、波形ＷＶ１の無指向音声が強調処理された後の波形ＷＶ２に対し、更に、マイクアレイを構成するマイクロホンの個数に応じた平均化処理が行われるので、平均化処理後の出力を示す波形ＷＶ４に対応した音声が出力される。従って、図６に示す遅延和方式の強調処理が行われると、強調処理によってマイクロホン毎の音声信号（無指向音声の信号）が加算され、更に、マイクロホンの個数に応じた平均化処理が行われる結果、有指向音声の音量は無指向音声の音量よりも小さくなり、無指向音声（波形ＷＶ１参照）の音量と有指向音声（波形ＷＶ４参照）の音量とは異なってしまう。

一方、図４（Ｂ）に示す各実施形態では、全方位マイクアレイ装置２により収音された音声（無指向音声）は波形ＷＶ１のように示され、信号処理の切替において無指向音声が選択された場合には、図４（Ａ）と同様に、スピーカ装置３７からは、無指向音声の波形ＷＶ１に対応した音声が出力される。

ところが、信号処理の切替において有指向音声が選択された場合には、スピーカ装置３７からは、波形ＷＶ２の無指向音声が強調処理された後の波形ＷＶ２に対し、マイクアレイを構成するマイクロホンの個数に応じた平均化処理が行われるが、更に、平均化処理後の音声に対して音量調整の処理が行われることによって、音量が調整された後の波形ＷＶ５に対応した音声が出力される。従って、図６に示す遅延和方式の強調処理が行われると、強調処理によってマイクロホン毎の音声信号（無指向音声の信号）が加算され、マイクロホンの個数に応じた平均化処理が行われる結果、有指向音声の音量は無指向音声の音量よりも小さくなるが、音量調整の処理によって、無指向音声（波形ＷＶ１参照）の音量と有指向音声（波形ＷＶ５参照）の音量とは同程度となる。

次に、本実施形態の音声処理システム１０の実運用時の動作手順について、図７を参照して説明する。図７は、第１の実施形態の音声処理システム１０の実運用時における動作手順の一例を説明するフローチャートである。以下の説明において、音声処理システムの実運用時とは、例えば全方位マイクアレイ装置２が設置された収音領域において実際に音声を収音している状態を示す。

図７において、全方位マイクアレイ装置２は、各マイクロホンにより収音された音声の音声データを含む音声パケットを指向性制御装置３に送信する。また、カメラ装置Ｃ１は、撮像により得られた画像データを含む画像パケットを指向性制御装置３に送信する。信号処理部３３は、全方位マイクアレイ装置２から送信された音声パケットに含まれる強調処理前の無指向状態の音声（無指向音声）の音声データをスピーカ装置３７から出力させ（Ｓ１）、更に、カメラ装置Ｃ１から送信された画像パケットに含まれる画像データをディスプレイ装置３６に表示させる。

ステップＳ１の後、無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向として、例えばユーザの入力操作に従って操作部３２から、ディスプレイ装置３６に表示されている画像データ上の任意の指定位置Ａ’が指定されたとする（Ｓ２）。

この場合、指向方向算出部３４ａは、カメラ装置Ｃ１から、指定位置Ａ’に対応する音声位置Ａまでの距離、方向（水平角，垂直角）のデータを取得し、更に、このデータを用いて、全方位マイクアレイ装置２から、指定位置Ａ’に対応する音声位置Ａに向かう指向方向（指定方向）を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）を算出する（Ｓ３）。なお、上述したように、指向方向算出部３４ａにおける指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）の算出処理は公知技術であるため、詳細な説明を省略する。

ステップＳ３の後、強調処理部３４ｂは、全方位マイクアレイ装置２から送信された音声パケットに含まれる音声データを用いて、指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）の方向に対する音声の強調処理を実行し、強調処理後の有指向状態の音声データを生成する（Ｓ４）。ステップＳ４の音声の強調処理は、例えば図６に示す遅延和方式を用いることができる。

ステップＳ４の後、音量調整部３４ｃは、予め音量調整部３４ｃの動作において規定されている音量調整値３４ｃ１を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を加算する又は減算するように調整する（Ｓ５）。

例えば、図３（Ｂ）に示すように、マイクロホンの個数に応じた音量の平均化処理が例えば強調処理部３４ｂにより行われない場合には、ステップＳ５では、音量調整部３４ｃは、有指向状態の音声データの音量から音量調整値３４ｃ１を減算するように調整する。一方、図４（Ｂ）に示すように、マイクロホンの個数に応じた音量の平均化処理が例えば強調処理部３４ｂにより行われる場合には、ステップＳ５では、音量調整部３４ｃは、有指向状態の音声データの音量に音量調整値３４ｃ１を加算するように調整する。

信号処理部３３は、音量調整部３４ｃにより音量が調整された後の音声データをスピーカ装置３７から出力する（Ｓ６）。

以上により、本実施形態の音声処理システム１０では、全方位マイクアレイ装置２は、複数のマイクロホン２２ｉを用いて無指向状態で音声を収音する。操作部３２は、無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付ける。強調処理部３４ｂは、操作部３２により指定方向（指定位置Ａ’）が入力されると、収音された音声データを用いて、全方位マイクアレイ装置２から指定方向の音声データを強調処理した有指向状態の音声データを生成する。音量調整部３４ｃは、固定の音量調整値３４ｃ１を用いて、強調処理後の有指向状態の音声データの音量を調整する。スピーカ装置３７は、無指向状態の音声データ、又は音量が調整された後の有指向状態の音声データを出力する。

これにより、音声処理システム１０は、全方位マイクアレイ装置２により収音された音声を用いて、指定方向の音声データを強調処理した後に音声データの音量を調整することで、無指向状態の音声データの音量と音量が調整された後の有指向状態の音声データの音量との差異の増大を抑制することができる（例えば図３（Ｂ）又は図４（Ｂ）参照）。また、音声処理システム１０は、無指向状態から有指向状態への切り替えの際に、音声データの音量が大きく低下したり増大したりすることを抑制することができるので、ユーザに音量の調整を都度行わせる手間を省くことができ、ユーザの業務（例えば監視業務）への利便性を向上させることができる。

なお、音声処理システム１０は、指定方向の入力の解除（例えば指定位置Ａ’の指定操作の解除）の操作が行われると、強調処理後の有指向状態の音声データの音量から音量調整値３４ｃ１を減算又は加算することによって、強調処理前の無指向状態の音声データの音量に調整しても良い。つまり、音声処理システム１０は、指定方向の入力の操作が行われた場合とは反対に、音量調整値３４ｃ１を用いて、強調処理後の有指向状態の音声データの音量から、強調処理前の無指向状態の音声データの音量に調整する。これにより、音声処理システム１０は、有指向状態から無指向状態への切り替えの際に、音声データの音量が大きく増大したり低下したりすることを抑制することができる。

また、本実施形態の音声処理システム１０は、音量調整部３４ｃにおいて予め決められた所定（固定）の音量調整値３４ｃ１を用いて、有指向状態の音声データの音量を調整するので、例えば音声処理システム１０の設置環境に応じて一定の目安となる固定の音量調整値３４ｃ１を予め決めておくことで、有指向状態の音声データの音量を簡易に調整することができる。

（第２の実施形態）
第２の実施形態では、信号処理部３３Ａは、所定の音量調整値設定画面（不図示）に対してユーザの入力操作に応じて操作部３２から入力された値を、音量調整値３８１としてメモリ３８Ａに記憶する（図８参照）。図８は、第２の実施形態の音声処理システム１０Ａのシステム構成の一例を示すブロック図である。図８に示す音声処理システム１０Ａでは、図１に示す音声処理システム１０と比べて、指向性制御装置３が指向性制御装置３Ａに置き換わっており、その他の構成は同一であるため、同一の内容の説明は簡略化又は省略し、異なる内容について説明する。

音量調整部３４ｃＡは、メモリ３８Ａに記憶される音量調整値３８１を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する。音量調整値３８１を用いた音量調整の方法は第１の実施形態と同様であるため、詳細な説明は省略する。

次に、本実施形態の音声処理システム１０Ａの動作手順について、図９（Ａ）及び（Ｂ）を参照して説明する。図９（Ａ）は、音量調整値３８１の事前設定に関する動作手順の一例を説明するフローチャートである。図９（Ｂ）は、第２の実施形態の音声処理システム１０Ａの実運用時における動作手順の一例を説明するフローチャートである。なお、図９（Ｂ）において、第１の実施形態の音声処理システム１０に対応する図７の各処理の説明と同一の処理に対しては同一のステップ番号を付与して説明を簡略化又は省略し、異なる内容について説明する。

図９（Ａ）において、ユーザの入力操作によって、操作部３２から音量調整値設定画面の呼び出しの指示を受けると（Ｓ１１）、信号処理部３３Ａは、操作部３２からの指示に応じて、音量調整値設定画面をディスプレイ装置３６に表示させる。ユーザの入力操作によって、操作部３２から音量調整値が入力されると、信号処理部３３Ａは、入力された音量調整値３８１をメモリ３８に書き込んで記憶する（Ｓ１２）。これにより、音量調整値３８１のメモリ３８への事前設定の処理が終了する。

図９（Ｂ）において、ステップＳ４の後、音量調整部３４ｃＡは、図９（Ａ）に示す事前設定の処理によってメモリ３８Ａに記憶された音量調整値３８１を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する（Ｓ５Ａ）。ステップＳ５Ａ以降の処理は図７に示すステップＳ６と同一であるため、説明を省略する。

以上により、本実施形態の音声処理システム１０Ａは、所定の音量調整値設定画面に対して入力された音量調整値３８１をメモリ３８Ａから読み出して、この音量調整値３８１を用いて、強調処理後の有指向状態の音声データの音量を調整するので、有指向状態の音声データの音量を簡易に調整することができる。また、音量調整値３８１はメモリ３８Ａに書き込まれているので、音声処理システム１０Ａの設置環境の変化に応じて、音量調整値３８１を適宜（例えば実運用中に）変更することもできる。

（第２の実施形態の第１変形例）
第２の実施形態の第１変形例では、信号処理部３３Ａは、所定の音量調整値が書き込まれた設定ファイルをメモリ３８Ａ’に記憶する（図１０（Ａ）参照）。図１０（Ａ）は、第２の実施形態の第１変形例の音声処理システム１０Ａ’のシステム構成の一例を示すブロック図である。図１０（Ａ）に示す音声処理システム１０Ａ’では、図１に示す音声処理システム１０と比べて、指向性制御装置３が指向性制御装置３Ａ’に置き換わっており、その他の構成は同一であるため、同一の内容の説明は簡略化又は省略し、異なる内容について説明する。

音量調整部３４ｃＡは、メモリ３８Ａ’に記憶された設定ファイルＳＴＦに書き込まれた音量調整値３８１を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する。音量調整値３８１を用いた音量調整の方法は第１の実施形態と同様であるため、詳細な説明は省略する。

次に、本実施形態の音声処理システム１０Ａ’における音量調整値３８１の事前設定に関する動作手順について、図１０（Ｂ）を参照して説明する。図１０（Ｂ）は、音量調整値の事前設定に関する動作手順の一例を説明するフローチャートである。なお、第２の実施形態の第１変形例では、音声処理システム１０Ａ’の実運用時における動作手順は第２の実施形態の音声処理システム１０Ａの実運用時における動作手順（図９（Ｂ）参照）と同一であるため、説明を省略する。

図１０（Ｂ）において、ユーザの入力操作によって、操作部３２から音量調整値３８１が設定ファイルＳＴＦの中に書き込まれ（Ｓ２１）、信号処理部３３Ａは、操作部３２からの指示に応じて、音量調整値３８１が書き込まれた設定ファイルＳＴＦをメモリ３８Ａ’に書き込むことで、音量調整値３８１をメモリ３８Ａ’に設定する（Ｓ２２）。これにより、音量調整値３８１のメモリ３８Ａ’への事前設定の処理が終了する。

以上により、第２の実施形態の第１変形例の音声処理システム１０Ａ’は、所定の音量調整値３８１が書き込まれた設定ファイルＳＴＦをメモリ３８Ａ’から読み出して、強調処理後の有指向状態の音声データの音量を調整するので、有指向状態の音声データの音量を簡易に調整することができる。また、音量調整値３８１が書き込まれた設定ファイルＳＴＦはメモリ３８Ａ’に書き込まれているので、音声処理システム１０Ａ’の設置環境の変化に応じて、音量調整値３８１を適宜（例えば実運用中に）変更することもできる。

（第２の実施形態の第２変形例）
第２の実施形態の第２変形例では、信号処理部３３Ｂは、所定の音量調整値設定画面(不図示)に対してユーザの入力操作に応じて操作部３２から入力された値を、ディスプレイ装置３６に表示された収音領域Ｋに対するカメラ装置Ｃ１の出力画像のエリア毎の音量調整値としてメモリ３８Ｂに記憶する（図１１（Ａ），（Ｂ），図１２参照）。

図１１（Ａ）は、第２の実施形態の第２変形例の音声処理システム１０Ｂが設置された収音領域Ｋの収音時の様子の一例を示す図である。図１１（Ｂ）は、ディスプレイ装置３６の画面に表示されたカメラ装置Ｃ１の出力画像の一例を示す図である。図１２は、第２の実施形態の第２変形例の音声処理システム１０Ｂのシステム構成の一例を示すブロック図である。図１２に示す音声処理システム１０Ｂでは、図１に示す音声処理システム１０と比べて、指向性制御装置３が指向性制御装置３Ｂに置き換わっており、その他の構成は同一であるため、同一の内容の説明は簡略化又は省略し、異なる内容について説明する。

図１１（Ａ）では、カメラ装置Ｃ１と全方位マイクアレイ装置２とが天井面８５に一体的に取り付けられた例が示され、収音領域Ｋの床ＢＬ上には、４人の人物９１ａ，９２ａ，９３ａ，９４ａが立っている。人物９１ａ，９２ａは、例えばお互いに「Ｈｅｌｌｏ」及び「Ｈｉ！」のように会話をしており、人物９３ａは人物９４ａに向かって例えば「Ｇｏｏｄ ｍｏｒｎｉｎｇ！」と挨拶をしている。

図１１（Ｂ）では、ディスプレイ装置３６に、カメラ装置Ｃ１により撮像された画像（例えば全方位画像）が表示されており、この全方位画像の中では、例えば全方位画像の座標に応じて４個のエリアＡＲ１，ＡＲ２，ＡＲ３，ＡＲ４が予め決められている。エリアＡＲ１には２人の人物９１ａ，９２ａが表示され、エリアＡＲ４には２人の人物９３ａ，９４ａが表示されている。第２の実施形態の第２変形例では、図１１（Ｂ）に示すエリア毎に、同一又は異なる音量調整値がそれぞれ予め決められて設定されている。これらのエリア毎の音量調整値はメモリ３８Ｂに記憶されている。

音量調整部３４ｃＢは、指定位置Ａ’の座標が含まれるエリアに対応する音量調整値３８２をメモリ３８Ｂから読み出して、読み出した音量調整値３８２を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する。エリア毎の音量調整値３８２を用いた音量調整の方法は第１の実施形態と同様であるため、詳細な説明は省略する。

次に、本実施形態の音声処理システム１０Ｂの動作手順について、図１３（Ａ）及び（Ｂ）を参照して説明する。図１３（Ａ）は、エリア毎の音量調整値３８２の事前設定に関する動作手順の一例を説明するフローチャートである。図１３（Ｂ）は、第２の実施形態の第２変形例の音声処理システム１０Ｂの実運用時における動作手順の一例を説明するフローチャートである。なお、図１３（Ｂ）において、第１の実施形態の音声処理システム１０に対応する図７の各処理の説明と同一の処理に対しては同一のステップ番号を付与して説明を簡略化又は省略し、異なる内容について説明する。

図１３（Ａ）において、ユーザの入力操作によって、操作部３２から音量調整値設定画面の呼び出しの指示を受けると（Ｓ１１）、信号処理部３３Ｂは、操作部３２からの指示に応じて、音量調整値設定画面をディスプレイ装置３６に表示させる。ユーザの入力操作によって、操作部３２からエリア毎の音量調整値３８２がそれぞれ入力されると、信号処理部３３Ｂは、入力されたエリア毎の音量調整値３８２をメモリ３８Ｂに書き込んで記憶する（Ｓ１２Ｂ）。これにより、エリア毎の音量調整値３８２のメモリ３８Ｂへの事前設定の処理が終了する。

図１３（Ｂ）において、ステップＳ４の後、音量調整部３４ｃＢは、ステップＳ２において指定された指定位置Ａ’の座標が含まれるエリアに対応する音量調整値３８２をメモリ３８Ｂから読み出して、読み出した音量調整値３８２を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する（Ｓ５Ｂ）。ステップＳ５Ｂ以降の処理は図７に示すステップＳ６と同一であるため、説明を省略する。

以上により、第２の実施形態の第２変形例の音声処理システム１０Ｂは、ディスプレイ装置３６に表示されたカメラ装置Ｃ１の出力画像上の指定位置Ａ’の座標が含まれる収音領域Ｋの画像上のエリアに応じて、エリア毎に予め入力された音量調整値３８２をメモリ３８Ｂから読み出して、強調処理後の有指向状態の音声データの音量を調整するので、収音領域Ｋにおける人物（例えば話者）の位置に応じて音量調整値３８２を選択することができ、強調処理後の有指向状態の音声データの音量を適切に調整することができる。また、エリア毎の音量調整値３８２はメモリ３８Ｂに書き込まれているので、音声処理システム１０Ｂの設置環境の変化に応じて、音量調整値３８２を適宜（例えば実運用中に）変更することもできる。

（第２の実施形態の第３変形例）
第２の実施形態の第３変形例では、音声処理システム１０Ｃは、複数のカメラ装置及び全方位マイクアレイ装置を有しており、１個のカメラ装置と１個の全方位マイクアレイ装置とは対応付けられている。即ち、１個のカメラ装置が撮像する場所の音声を収音する全方位マイクアレイ装置が予め決められている（図１４参照）。図１４は、第２の実施形態の第３変形例の音声処理システム１０Ｃのシステム構成の一例を示すブロック図である。

図１４に示すように、例えば収音領域の部屋Ｍ１を撮像するカメラ装置はカメラ装置Ｃ１であり、部屋Ｍ１の音声を収音する全方位マイクアレイ装置は全方位マイクアレイ装置２である。同様に、収音領域の部屋Ｍ２を撮像するカメラ装置はカメラ装置Ｃ１Ａであり、部屋Ｍ２の音声を収音する全方位マイクアレイ装置は全方位マイクアレイ装置２Ａである。図１４に示す音声処理システム１０Ｃでは、図１に示す音声処理システム１０と比べて、指向性制御装置３が指向性制御装置３Ｃに置き換わっており、その他の構成は同一であるため、同一の内容の説明は簡略化又は省略し、異なる内容について説明する。

音量調整部３４ｃＣは、ユーザの入力操作に応じて操作部３２により選択された全方位マイクアレイ装置に応じて、全方位マイクアレイ装置毎に書き込まれた音量調整値３８３をメモリ３８Ｃから読み出して、読み出した音量調整値３８３を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する。全方位マイクアレイ装置毎の音量調整値３８３を用いた音量調整の方法は第１の実施形態と同様であるため、詳細な説明は省略する。

次に、本実施形態の音声処理システム１０Ｃの動作手順について、図１５（Ａ）及び（Ｂ）を参照して説明する。図１５（Ａ）は、全方位マイクアレイ装置毎の音量調整値３８３の事前設定に関する動作手順の一例を説明するフローチャートである。図１５（Ｂ）は、第２の実施形態の第３変形例の音声処理システム１０Ｃの実運用時における動作手順の一例を説明するフローチャートである。なお、図１５（Ｂ）において、第１の実施形態の音声処理システム１０に対応する図７の各処理の説明と同一の処理に対しては同一のステップ番号を付与して説明を簡略化又は省略し、異なる内容について説明する。

図１５（Ａ）において、ユーザの入力操作によって、操作部３２から音量調整値設定画面（不図示）の呼び出しの指示を受けると（Ｓ１１）、信号処理部３３Ｃは、操作部３２からの指示に応じて、音量調整値設定画面をディスプレイ装置３６に表示させる。ユーザの入力操作によって、操作部３２から全方位マイクアレイ装置毎の音量調整値３８３がそれぞれ入力されると、信号処理部３３Ｃは、入力されたエリア毎の音量調整値３８３をメモリ３８Ｃに書き込んで記憶する（Ｓ１２Ｃ）。これにより、全方位マイクアレイ装置毎の音量調整値３８３のメモリ３８Ｃへの事前設定の処理が終了する。

図１５（Ｂ）において、先ず、ユーザの入力操作によって、使用される全方位マイクアレイ装置（例えば全方位マイクアレイ装置２）が操作部３２から選択されると（Ｓ１Ｃ−Ｂ）、信号処理部３３Ｃは、ステップＳ１Ｃ−Ｂにおいて選択された全方位マイクアレイ装置２から送信された音声パケットに含まれる強調処理前の無指向状態の音声（無指向音声）の音声データをスピーカ装置３７から出力させ（Ｓ１Ｃ）、更に、選択された全方位マイクアレイ装置２に対応するカメラ装置Ｃ１から送信された画像パケットに含まれる画像データをディスプレイ装置３６に表示させる。

ステップＳ１Ｃの後、無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向として、例えばユーザの入力操作に従って操作部３２から、ステップＳ１Ｃ−Ｂにおいて選択された全方位マイクアレイ装置２に対応するカメラ装置Ｃ１の出力画像の画像データ上の任意の指定位置Ａ’が指定されたとする（Ｓ２Ｃ）。

また、ステップＳ４の後、音量調整部３４ｃＣは、ユーザの入力操作に応じて操作部３２により選択された全方位マイクアレイ装置２に応じて、全方位マイクアレイ装置毎に書き込まれた音量調整値３８３をメモリ３８Ｃから読み出して、読み出した音量調整値３８３を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する（Ｓ５Ｃ）。ステップＳ５Ｃ以降の処理は図７に示すステップＳ６と同一であるため、説明を省略する。

以上により、第２の実施形態の第３変形例の音声処理システム１０Ｃは、全方位マイクアレイ装置と収音領域Ｋを撮像するカメラ装置とが１対１に対応付けられた複数の組合せが設けられており、いずれかの全方位マイクアレイ装置の選択に応じて、選択された全方位マイクアレイ装置に対応する音量調整値をメモリ３８Ｃから読み出して、強調処理後の有指向状態の音声データの音量を調整するので、例えば複数の拠点を中央監視室等において監視する場合でも、各拠点の全方位マイクアレイ装置の設置環境に応じて音量調整値３８３を選択することができ、有指向状態の音声データの音量を適切に調整することができる。

（第３の実施形態）
上述した各実施形態又はその変形例では、音量調整値は、予めユーザの入力操作に応じて操作部３２から入力された値が用いられた。第３の実施形態では、信号処理部３３Ｄは、全方位マイクアレイ装置２から、操作部３２により入力された指定位置Ａ’に対応する音声位置Ａに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出された場合に、強調処理の前後における音声データの音響レベルの差分を基にして、音量調整値を音量調整値算出部３４ｄにおいて算出する（図１６（Ａ）参照）。

図１６（Ａ）は、第３の実施形態の音声処理システム１０Ｄのシステム構成の一例を示すブロック図である。図１６（Ａ）に示す音声処理システム１０Ｄでは、図１に示す音声処理システム１０と比べて、レコーダ装置４が新しく追加され、更に、指向性制御装置３が指向性制御装置３Ｄに置き換わっており、その他の構成は同一であるため、同一の内容の説明は簡略化又は省略し、異なる内容について説明する。

レコーダ装置４は、ネットワークＮＷに接続され、全方位マイクアレイ装置２から送信された音声パケットに含まれる音声データとカメラ装置Ｃ１から送信された画像パケットに含まれる画像データとを対応付けて記憶する。

信号処理部３３Ｄは、指向方向算出部３４ａと、強調処理部３４ｂと、音量調整部３４ｃと、音量調整値算出部３４ｄとを含む構成である。音量調整値算出部３４ｄは、音量調整値算出部３４ｄの算出結果である音量調整値３４ｄ１を保持し、更に、発話区間判定部３４ｄ２を有する。なお、発話区間判定部３４ｄ２は、信号処理部３３Ｄの内部に含まれた構成であれば、音量調整値算出部３４ｄとは別に設けられても良い。

音量調整値算出部３４ｄは、全方位マイクアレイ装置２から、操作部３２により入力された指定位置Ａ’に対応する音声位置Ａに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出されたと発話区間判定部３４ｄ２により判定された場合に、強調処理の前後における音声データの音響レベルの差分を基にして、音量調整値を算出する。音量調整値の算出例については、図１７を参照して後述する。

発話区間判定部３４ｄ２は、強調処理部３４ｂにより生成された強調処理後の有指向状態の音声データを基に、操作部３２により入力された指定位置Ａ’に対応する音声位置Ａに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出されるか否かを判定する。例えば、発話区間判定部３４ｄ２は、人間の可聴帯域の一例としての３００Ｈｚ〜３４００Ｈｚ（図２５（Ａ）参照）の周波数帯域において所定の音響レベルを超える音声信号が出現するか否かに応じて判定する。

次に、本実施形態の音声処理システム１０Ｄの動作手順について、図１６（Ｂ）及び図１７を参照して説明する。図１６（Ｂ）は、レコーダ装置に画像データ及び音声データを記録する動作手順の一例を説明するフローチャートである。図１７は、第３の実施形態の音声処理システム１０Ｄの実運用時における動作手順、並びに音量調整値の算出に関する動作手順の各一例を説明するフローチャートである。なお、図１７において、第１の実施形態の音声処理システム１０に対応する図７の各処理の説明と同一の処理に対しては同一のステップ番号を付与して説明を簡略化又は省略し、異なる内容について説明する。

図１６（Ｂ）において、音声処理システム１０Ｄの実際の運用が開始されると、カメラ装置Ｃ１は、収音領域Ｋの画像を撮像し（Ｓ３１）、全方位マイクアレイ装置２は、収音領域Ｋの音声を収音する（Ｓ３２）。ステップＳ３１の撮像により得られた画像データはカメラ装置Ｃ１からレコーダ装置４に送信され、更に、ステップＳ３２の収音により得られた音声データは全方位マイクアレイ装置２からレコーダ装置４に送信される。なお、ステップＳ３１，Ｓ３２は同時に行われても良いし、順不同でも良い。

レコーダ装置４は、全方位マイクアレイ装置２から送信された音声パケットに含まれる音声データとカメラ装置Ｃ１から送信された画像パケットに含まれる画像データとを対応付けて記憶する（Ｓ３３）。

図１７において、信号処理部３３Ｄは、レコーダ装置４から画像データ及び音声データを取得し、画像データをディスプレイ装置３６に表示させ、音声データ（正確には、無指向状態の音声データ）をスピーカ装置３７から出力させる（Ｓ７）。

ステップＳ４の後、音量調整値算出部３４ｄによって、音量調整値が算出される（Ｓ８）。より具体的には、発話区間判定部３４ｄ２は、強調処理部３４ｂにより生成された強調処理後の有指向状態の音声データを基に、操作部３２により入力された指定位置Ａ’に対応する音声位置Ａに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出されるか否かを判定する（Ｓ８−１）。

音量調整値算出部３４ｄは、全方位マイクアレイ装置２から、操作部３２により入力された指定位置Ａ’に対応する音声位置Ａに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出されたと発話区間判定部３４ｄ２により判定された場合には（Ｓ８−１、ＹＥＳ）、強調処理前の無指向状態の音声データの所定時間における音響レベル（例えば７０ｄＢ）を算出する（Ｓ８−２）。

また、音量調整値算出部３４ｄは、強調処理後の有指向状態の音声データの所定時間における音響レベル（例えば６０ｄＢ）を算出する（Ｓ８−３）。つまり、強調処理部３４ｂの強調処理によって、音響レベルが１０ｄＢほど低下したことになる。そこで、音量調整値算出部３４ｄは、強調処理の前後の所定時間における音響レベルの差分（９ｄＢ）に比例する値（例えば９０％分に対応する９ｄＢ（＝１０ｄＢ×９０％））を音量調整値３４ｄ１として算出する（Ｓ８−４）。これにより、音量調整値算出部３４ｄによる音量調整値の算出処理が終了する。

ステップＳ８の後、音量調整部３４ｃは、ステップＳ８において算出された音量調整値３４ｄ１を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する（Ｓ５Ｄ）。ステップＳ５Ｄ以降の処理は図７に示すステップＳ６と同一であるため、説明を省略する。

以上により、本実施形態の音声処理システム１０Ｄは、強調処理後の有指向状態の音声データを基に、指定方向に所定の音声データ（例えば人物の音声データのこと）が検出されるか否かを判定し、検出したと判定した場合に、強調処理の前後における音声データの音響レベルの差分を基にして音量調整値３４ｄ１を算出し、算出された音量調整値３４ｄ１を用いて、強調処理後の有指向状態の音声データの音量を調整する。

これにより、音声処理システム１０Ｄは、指定方向に検出された所定の音声データの強調処理の前後における音響レベルの差分（言い換えると、人物の発話音声の音量の抑圧量）に比例した値を音量調整値３４ｄ１として算出することができるので、音量調整値３４ｄ１をユーザに事前設定させることなく、音声処理システム１０Ｄの設置環境の変化に応じて、適切な音量調整値３４ｄ１を用いて有指向状態の音声データの音量を調整することができる。例えば、音量調整部３４ｃは、音量調整値算出部３４ｄにより算出された音量調整値である９ｄＢを、強調処理後の有指向状態の音声データの所定時間における音響レベルに加算することによって６９ｄＢの音量が得られるので、無指向状態の音声データの所定時間における音響レベルのである７０ｄＢとの差分が限りなく小さくなり、有指向状態の音声データの音量の自動調整が可能となる。

（第３の実施形態の第１変形例）
第３の実施形態の第１変形例では、信号処理部３３Ｅは、強調処理における指向性のメインローブのビーム幅を示す指向角の設定値（指向角設定値３８４）に応じて音量調整値を音量調整値算出部３４ｄＥにおいて算出する（図１８（Ａ）参照）。図１８（Ａ）は、第３の実施形態の第１変形例の音声処理システム１０Ｅのシステム構成の一例を示すブロック図である。図１８（Ａ）に示す音声処理システム１０Ｅでは、図１に示す音声処理システム１０と比べて、指向性制御装置３が指向性制御装置３Ｅに置き換わっており、その他の構成は同一であるため、同一の内容の説明は簡略化又は省略し、異なる内容について説明する。

音量調整値算出部３４ｄＥは、音量調整値対応テーブル３４ｄ３を保持し、この音量調整値対応テーブル３４ｄ３を用いて、メモリ３８Ｅに設定された指向角設定値３８４に対応する音量調整値を算出する。音量調整値対応テーブル３４ｄ３には、例えば指向角設定値３８４と音量調整値との対応関係（例えば関係式）が格納されている。

ここで、指向角設定値３８４と音量調整値との大小関係について説明する。

指向角設定値３８４が小さいと、強調処理部３４ｂにおける強調処理によって指向性のメインローブのビーム幅が狭く、音量の抑圧範囲が広くなる。また、音量の抑圧範囲を広くするためには、マイクロホンの数が多くなるので、平均化処理に用いるマイクロホンの数も多くなって強調処理によって音量が小さくなりがちである。

一方、指向角設定値３８４が大きいと、強調処理部３４ｂにおける強調処理によって指向性のメインローブのビーム幅が広く、音量の抑圧範囲が狭くなる。また、音量の抑圧範囲を狭くするためには、マイクロホンの数が少なくて良いので、平均化処理に用いるマイクロホンの数も少なく強調処理によって音量がそれほど小さくならない傾向となる。

次に、本実施形態の音声処理システム１０Ｅの動作手順について、図１８（Ｂ）及び図１９を参照して説明する。図１８（Ｂ）は、指向角設定値３８４の事前設定に関する動作手順の一例を説明するフローチャートである。図１９は、第３の実施形態の第１変形例の音声処理システム１０Ｅの実運用時における動作手順、並びに音量調整値の算出に関する動作手順の各一例を説明するフローチャートである。なお、図１９において、第１の実施形態の音声処理システム１０に対応する図７の各処理の説明と同一の処理に対しては同一のステップ番号を付与して説明を簡略化又は省略し、異なる内容について説明する。

図１６（Ｂ）において、ユーザの入力操作によって、操作部３２から指向角設定画面（不図示）の呼び出しの指示を受けると（Ｓ４１）、信号処理部３３Ｅは、操作部３２からの指示に応じて、指向角設定画面をディスプレイ装置３６に表示させる。ユーザの入力操作によって、操作部３２から指向角設定値３８４が入力されると、信号処理部３３Ｅは、入力された指向角設定値３８４をメモリ３８Ｅに書き込んで記憶する（Ｓ４２）。これにより、指向角設定値３８４のメモリ３８Ｅへの事前設定の処理が終了する。

図１９において、ステップＳ４の後、音量調整値算出部３４ｄＥによって、音量調整値が算出される（Ｓ８Ｅ）。より具体的には、音量調整値算出部３４ｄＥは、メモリ３８Ｅに設定された指向角設定値３８４を読み出し（Ｓ８Ｅ−１）、音量調整値対応テーブル３４ｄ３を用いて、メモリ３８Ｅに設定された指向角設定値３８４に対応する音量調整値を算出する（Ｓ８Ｅ−２）。

ステップＳ８Ｅの後、音量調整部３４ｃは、ステップＳ８Ｅにおいて算出された音量調整値を用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する（Ｓ５Ｅ）。ステップＳ５Ｅ以降の処理は図７に示すステップＳ６と同一であるため、説明を省略する。

以上により、第３の実施形態の第１変形例の音声処理システム１０Ｅは、所定の指向角設定画面（不図示）に対して入力された指向性のビーム幅を示す指向角設定値３８４をメモリ３８Ｅから読み出して、強調処理後の有指向状態の音声データの音量を調整するので、ユーザが必要とする指向性能に応じて、強調処理後の有指向状態の音声データの音量を適切に調整することができる。また、指向角設定値３８４はメモリ３８Ｅに書き込まれているので、音声処理システム１０Ｅの設置環境の変化に応じて、指向角設定値３８４を適宜変更することもできる。

なお、音量調整値算出部３４ｄＥは、指向角設定値３８４の事前設定又は音声処理システム１０Ｅの実運用中に、ユーザの入力操作によって操作部３２から指向角設定値が入力されると、音量調整値対応テーブル３４ｄ３を用いて、入力された指向角設定値に対応する音量調整値をリアルタイムに算出しても良い。また、音量調整値算出部３４ｄＥは、音量調整値を都度算出することなく、前回の音量調整時に用いた音量調整値をメモリ３８Ｅから読み出して音量調整値として使用しても良い。

なお、信号処理部３３Ｅは、カメラ装置Ｃ１が予め備えるマイクロホンのマイク感度の設定値を全方位マイクアレイ装置２の各マイクロホンのマイク感度として用いて、このマイク感度に応じて、指向角設定値を一意に定めても良い。

また、音量調整値算出部３４ｄＥは、カメラ装置Ｃ１の撮像モード、収音領域Ｋにおける撮像地点、カメラ装置Ｃ１のズーム度合いに応じて、音量調整値を算出しても良い。

また、信号処理部３３Ｅは、例えば収音領域Ｋにおいて既に設置されているマイクロホン（全方位マイクアレイ装置２とは異なるマイクロホン）に設定されているマイク感度に応じて、指向角設定値を一意に定めても良い。

（第３の実施形態の第２変形例）
第３の実施形態の第２変形例では、ユーザの入力操作によって操作部３２から、ディスプレイ装置３６に表示された画像上の指定位置が複数（例えば２個。以下同様。）指定された場合に、信号処理部３３Ｅは、指向性の数（即ち、ディスプレイ装置３６に表示された画像上の指定位置の数）に応じて、強調処理の前後において、各指定方向の音声が強調処理された個別の音声データの音響レベルが略同一となり、かつ、無指向音声の音響レベルと各指定方向の音声が強調処理された音声データの合成処理後の音響レベルとが一定範囲内となるように制御する（図２０（Ａ）及び（Ｂ）参照）。

図２０（Ａ）及び（Ｂ）は、第３の実施形態の第２変形例の音声処理システム１０Ｆの動作概要を示す模式図である。図２０（Ａ）の説明では、図１（Ａ）の説明と異なる内容について説明し、同一の内容の説明は省略する。図２０（Ａ）では、対象物としての２人の人物は会話を行っており、「Ｈｅｌｌｏ」と「Ｈｉ！！」とは会話内容の一例である。

図２０（Ｂ）において、ユーザの指ＦＧにより、ディスプレイ装置３６に表示された画像上の２個の指定位置Ａ’，Ｂ’がそれぞれ指定されると、指向性制御装置３Ｄは、指定位置Ａ’の座標データを用いて、全方位マイクアレイ装置２の設置位置から音声位置Ａに向かう指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ）を算出し、この座標（θ_ＭＡｈ，θ_ＭＡｖ）が示す指向方向への強調処理を行う。

更に、指向性制御装置３Ｄは、指定位置Ｂ’の座標データを用いて、全方位マイクアレイ装置２の設置位置から音声位置Ｂに向かう指向方向を示す座標（θ_ＭＢｈ，θ_ＭＢｖ）を算出し、この座標（θ_ＭＢｈ，θ_ＭＢｖ）が示す指向方向への強調処理を行う。従って、図２０（Ｂ）に示すように、スピーカ装置３７からは、２人の人物の会話内容（「Ｈｅｌｌｏ」，「Ｈｉ！！」）がスピーカ装置ＳＰの出力音（「♪〜」）に比べて出力時の音量が相対的に大きい。

また、第３の実施形態の第２変形例の音声処理システム１０Ｆのシステム構成は第３の実施形態の音声処理システム１０Ｄのシステム構成と同一であるため、音声処理システム１０Ｆの各部の説明に用いる符号は音声処理システム１０Ｄの各部の符号と同一の符号を用いて、各部の詳細な説明は省略し、異なる内容について説明する。

次に、本実施形態の音声処理システム１０Ｆの動作手順について、図２１を参照して説明する。図２１は、第３の実施形態の第２変形例の音声処理システム１０Ｆの実運用時における動作手順、並びに音量調整値の算出に関する動作手順の各一例を説明するフローチャートである。なお、図２１において、第１の実施形態の音声処理システム１０に対応する図７の各処理の説明と同一の処理に対しては同一のステップ番号を付与して説明を簡略化又は省略し、異なる内容について説明する。

図２１において、ステップＳ１の後、無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向として、例えばユーザの入力操作に従って操作部３２から、ディスプレイ装置３６に表示されている画像データ上の任意の指定位置Ａ’，Ｂ’が指定されたとする（Ｓ２Ｆ）。

この場合、指向方向算出部３４ａは、カメラ装置Ｃ１から、指定位置Ａ’，Ｂ’に対応する音声位置Ａ，Ｂまでの各距離、各方向（水平角，垂直角）のデータを取得し、更に、これらのデータを用いて、全方位マイクアレイ装置２から、指定位置Ａ’，Ｂ’に対応する音声位置Ａ，Ｂに向かう指向方向（指定方向）を示す座標（θ_ＭＡｈ，θ_ＭＡｖ），（θ_ＭＢｈ，θ_ＭＢｖ）を算出する（Ｓ３Ｆ）。

ステップＳ３Ｆの後、強調処理部３４ｂは、全方位マイクアレイ装置２から送信された音声パケットに含まれる音声データを用いて、指向方向を示す座標（θ_ＭＡｈ，θ_ＭＡｖ），（θ_ＭＢｈ，θ_ＭＢｖ）の方向に対する各音声の強調処理を実行し、強調処理後の有指向状態の音声データをそれぞれ生成する（Ｓ４Ｆ）。ステップＳ４Ｆの後、音量調整値算出部３４ｄ，音量調整部３４ｃによって、音量調整値の算出処理，音量調整処理がそれぞれ行われる（Ｓ８Ｆ）。

より具体的には、発話区間判定部３４ｄ２は、ステップＳ４Ｆにおいて強調処理部３４ｂにより生成されたそれぞれの強調処理後の有指向状態の音声データを基に、操作部３２により入力された指定位置Ａ’，Ｂ’に対応する音声位置Ａ，Ｂに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出されるか否かを判定する（Ｓ８Ｆ−１）。

音量調整値算出部３４ｄは、全方位マイクアレイ装置２から、操作部３２により入力された指定位置Ａ’，Ｂ’に対応する音声位置Ａ，Ｂに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出されたと発話区間判定部３４ｄ２により判定された場合には（Ｓ８Ｆ−１、ＹＥＳ）、強調処理前の無指向状態の音声データの所定時間における音響レベル（例えば６５ｄＢ）を算出する（Ｓ８Ｆ−２）。

また、音量調整値算出部３４ｄは、全方位マイクアレイ装置２から音声位置Ａ，Ｂにそれぞれ向かう指定方向に強調処理された後の有指向状態の音声データの所定時間における音響レベル（例えば音声位置Ａ：５５ｄＢ，音声位置Ｂ：５０ｄＢ）をそれぞれ算出する（Ｓ８Ｆ−３）。

音量調整値算出部３４ｄは、ステップＳ８Ｆ−３において算出された各音響レベルを比較し、例えば基準音量が音響レベルの大きい音声位置Ａにおける音量である場合には、音響レベルが小さい音声位置Ｂにおける音声の音量を調整するための音量調整値３４ｄ１として、各音響レベルの差分（例えば５ｄＢ）に比例する値（例えば９０％分に対応する４．５ｄＢ（＝５ｄＢ×９０％））を算出する（Ｓ８Ｆ−４）。

また、音量調整値算出部３４ｄは、例えば基準音量が音響レベルの大きい音声位置Ａにおける音量である場合には、音響レベルが大きい音声位置Ａにおける音声の音量を調整するための音量調整値３４ｄ１として、０ｄＢを算出する（Ｓ８Ｆ−４）。

このように、音量調整値算出部３４ｄは、ステップＳ２Ｆにおいて指定された各指定位置が複数ある場合には、基準音量（例えば指定位置がＡ’，Ｂ’の２つである場合に、音声位置Ａ，Ｂのうち音響レベルが高い音声位置Ａにおける音量）に近い音量に調整するための音量調整値３４ｄ１を、音声位置毎に算出する。

更に、音量調整部３４ｃは、ステップＳ８Ｆ−４において算出した音量調整値３４ｄ１を用いて、例えば音量が小さい音声位置Ｂにおける強調処理後の有指向状態の音声の音量を加算するように調整し、更に、音量が大きい音声位置Ａにおける強調処理後の有指向状態の音声の音量を調整する（Ｓ８Ｆ−４）。これにより、音量調整部３４ｃによってそれぞれの音声位置Ａ，Ｂにおける音量が調整された後では、音声位置Ａにおける強調処理後の有指向状態の音声の音量（例えば５５ｄＢ（＝５５ｄＢ＋０ｄＢ））と音声位置Ｂにおける強調処理後の有指向状態の音声の音量（例えば５４．５ｄＢ（＝５０ｄＢ＋４．５ｄＢ））が略同一となる。

更に、ステップＳ８Ｆ−４の後、音量調整値算出部３４ｄ又は強調処理部３４ｂは、音声位置Ａにおける強調処理後の有指向状態の音声データと音声位置Ｂにおける強調処理後の有指向状態の音声データとを合成処理する（Ｓ８Ｆ−５）。

音量調整値算出部３４ｄは、ステップＳ８Ｆ−５において合成処理された後の有指向状態の音声データの所定時間における音響レベル（例えば５７．８ｄＢ）を算出する（Ｓ８Ｆ−６）。音量調整値算出部３４ｄは、ステップ８Ｆ−６において算出された合成処理後の有指向状態の音声データの所定時間における音響レベルと、ステップ８Ｆ−２において算出された強調処理前の無指向状態の音声データの所定時間における音響レベルとを比較し、各音響レベルの差分（例えば７．２ｄＢ（＝６５ｄＢ−５７．８ｄＢ））に比例する値（例えば９０％分に対応する６．５ｄＢ（＝７．２ｄＢ×９０％））を音量調整値３４ｄ１として算出する（Ｓ８Ｆ−７）。更に、音量調整部３４ｃは、ステップＳ８Ｆ−７において算出した音量調整値３４ｄ１を用いて、例えば音量が小さい合成処理後の有指向状態の音声の音量を加算するように調整する（Ｓ８Ｆ−７）。これにより、強調処理前の無指向状態の音声の音量（例えば６５ｄＢ）と合成処理後の有指向状態の音声の音量（例えば６４．３ｄＢ（＝５７．８ｄＢ＋６．５ｄＢ））が一定範囲内に収まるようになる。

以上により、第３の実施形態の第２変形例の音声処理システム１０Ｆは、複数の指定方向が入力され、指定方向毎に強調処理後の有指向状態の音声データの各音響レベルの差分に応じた値である第１音量調整値（例えば上述した４．５ｄＢと０ｄＢ）を用いて、指定方向毎の強調処理後の有指向状態の音声データの音量を調整し、更に、複数の指定方向毎に強調処理した後の有指向状態の音声データを合成処理し、合成処理後の音声データの音響レベルと無指向状態の音声データの音響レベルとの差分に応じた値である第２音量調整値（例えば上述した６．５ｄＢ）を用いて、合成処理後の有指向状態の音声データの音量を調整する。

これにより、音声処理システム１０Ｆは、強調処理の対象となる指定方向が複数あり、それぞれの強調処理後の音声データの音量が異なる場合でも、各指定方向に対応する個別の音声データの音量が略同一となるように、指定方向毎に、音声データ（例えば音量が小さい音声データ）の音量を当該音声データに対応する第１音量調整値（例えば上述した４．５ｄＢ）を用いて調整することができ、また、他の少なくとも１つの音声データ（例えば音量が大きい音声データ）の音量を当該他の少なくとも１つの音声データに対応する第１音量調整値（例えば上述した０ｄＢ）を用いて調整することができ、更に、強調処理前の無指向状態の音声データと合成処理後の有指向状態の音声データとの音量が異なる場合でも、第２音量調整値（例えば上述した６．５ｄＢ）を用いて有指向状態の音声データの音量を調整することができるので、無指向状態時の音声データの音量と有指向状態時の合成処理後の音声データの音量とをほぼ同様の音量にすることができる。

なお、図２１に示すステップＳ８Ｆ−３において、基準音量は、例えばステップＳ２Ｆにおいて指定された指定位置Ａ’，Ｂ’に対応する各音声位置Ａ，Ｂにおける音響レベルが高い音響レベルに限定されず、予め決められた音量設定値又は任意に変更可能な音量設定値（例えば後述する第４の実施形態参照）や、無指向状態の音声データの音響レベル（ステップＳ８Ｆ−２において算出された音響レベル参照）でも良い。

この場合、音量調整値算出部３４ｄは、図２１に示すステップＳ８Ｆ−４において説明したように、各音声位置Ａ，Ｂにおける音声データの音量調整値３４ｄ１の一方を０ｄＢとせずに、各音声位置Ａ，Ｂにおける音声データの音響レベルと基準音量との差分に比例する値（例えば９０％分に対応する値。上述参照。）を、各音声位置Ａ，Ｂにおける音声データの音量調整値３４ｄ１として算出する。更に、音量調整部３４ｃは、音声位置Ａ，Ｂ毎に算出された各音量調整値３４ｄ１を用いて、各音声位置Ａ，Ｂにおける有指向状態の音声データの音量を調整する。

また、図２１のステップＳ２Ｆでは複数の指定位置としてＡ’，Ｂ’の２つが指定された例を説明したが、３つ以上の指定位置が指定されても良い。３つ以上の指定位置が指定された場合でも、上述した図２１のステップＳ８Ｆの処理は、２つの指定位置Ａ’，Ｂ’が指定された場合と同様である。

（第４の実施形態）
第４の実施形態では、信号処理部３３Ｇは、所定の音量設定画面（不図示）に対してユーザの入力操作に応じて操作部３２から入力された値を、スピーカ装置３７から出力された音声の音量設定値３８５としてメモリ３８Ｇに記憶する（図２２（Ａ）参照）。図２２（Ａ）は、第４の実施形態の音声処理システム１０Ｇのシステム構成の一例を示すブロック図である。図２２（Ａ）に示す音声処理システム１０Ｇでは、図１に示す音声処理システム１０と比べて、指向性制御装置３が指向性制御装置３Ｇに置き換わっており、その他の構成は同一であるため、同一の内容の説明は簡略化又は省略し、異なる内容について説明する。

信号処理部３３Ｇは、指向方向算出部３４ａと、強調処理部３４ｂと、音量調整部３４ｃと、音量調整値算出部３４ｄＧとを含む構成である。音量調整値算出部３４ｄＧは、音量調整値算出部３４ｄＧの算出結果である音量調整値３４ｇ１を保持し、更に、発話区間判定部３４ｇ２を有する。なお、発話区間判定部３４ｇ２は、信号処理部３３Ｇの内部に含まれた構成であれば、音量調整値算出部３４ｄＧとは別に設けられても良い。

音量調整値算出部３４ｄＧは、全方位マイクアレイ装置２から、操作部３２により入力された指定位置Ａ’に対応する音声位置Ａに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出されたと発話区間判定部３４ｇ２により判定された場合に、無指向状態や有指向状態に拘わらず、音声データの音響レベルと音量設定値３８５との差分を音量調整値３４ｇ１として算出する。

次に、本実施形態の音声処理システム１０Ｇの動作手順について、図２２（Ｂ），（Ｃ）及び図２３を参照して説明する。図２２（Ｂ）は、音量設定値３８５の事前設定に関する動作手順の一例を説明するフローチャートである。図２２（Ｃ）は、第４の実施形態の音声処理システム１０Ｇの実運用時における強調処理前の無指向音声の音量調整に関する動作手順の一例を説明するフローチャートである。図２３は、第４の実施形態の音声処理システム１０Ｇの実運用時における強調処理後の有指向音声の音量調整に関する動作手順の一例を説明するフローチャートである。なお、図２３において、第１の実施形態の音声処理システム１０に対応する図７の各処理の説明と同一の処理に対しては同一のステップ番号を付与して説明を簡略化又は省略し、異なる内容について説明する。

図２２（Ｂ）において、ユーザの入力操作によって、操作部３２から音量設定画面の呼び出しの指示を受けると（Ｓ４１）、信号処理部３３Ｇは、操作部３２からの指示に応じて、音量設定画面をディスプレイ装置３６に表示させる。ユーザの入力操作によって、操作部３２から音量設定値３８５が入力されると、信号処理部３３Ｇは、入力された音量設定値３８５をメモリ３８Ｇに書き込んで記憶する（Ｓ４２）。これにより、音量設定値３８５のメモリ３８Ｇへの事前設定の処理が終了する。

図２２（Ｃ）において、音量調整値算出部３４ｄＧは、強調処理部３４ｂにより強調処理が行われていない無指向状態では、無指向状態の音声データの所定時間における音響レベルを算出する（Ｓ６１）。音量調整値算出部３４ｄＧは、ステップＳ６１において算出した音響レベルとメモリ３８Ｇに書き込まれた音量設定値３８５との差分を音量調整値３４ｇ１として算出する（Ｓ６２）。

音量調整部３４ｃは、ステップＳ６２において算出された音量調整値３４ｇ１を用いて、強調処理部３４ｂにより強調処理が行われていない無指向状態の音声データの音量に音量調整値３４ｇ１を加算又は減算することによって、無指向状態の音声データの音量を調整する（Ｓ６３）。信号処理部３３Ｇは、音量調整部３４ｃにより音量が調整された後の音声データをスピーカ装置３７から出力する（Ｓ６４）。

図２３において、ステップＳ４の後、音量調整値算出部３４ｄＧによって、音量調整値が算出される（Ｓ８Ｇ）。より具体的には、発話区間判定部３４ｇ２は、強調処理部３４ｂにより生成された強調処理後の有指向状態の音声データを基に、操作部３２により入力された指定位置Ａ’に対応する音声位置Ａに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出されるか否かを判定する（Ｓ８Ｇ−１）。

音量調整値算出部３４ｄＧは、全方位マイクアレイ装置２から、操作部３２により入力された指定位置Ａ’に対応する音声位置Ａに向かう指定方向に所定の音声データ（例えば人物の音声データ）が検出されたと発話区間判定部３４ｇ２により判定された場合には（Ｓ８Ｇ−１、ＹＥＳ）、強調処理後の有指向状態の音声データの所定時間における音響レベルを算出する（Ｓ８Ｇ−２）。

音量調整値算出部３４ｄＧは、ステップＳ８Ｇ−２において算出された有指向状態の音声データの音響レベルとメモリ３８Ｇに書き込まれた音量設定値３８５との差分を音量調整値３４ｇ１として算出する（Ｓ８Ｇ−３）。これにより、音量調整値算出部３４ｄＧによる音量調整値の算出処理が終了する。なお、ステップＳ８Ｇ以降の処理は図７に示すステップＳ５以降の各処理と同一であるため、説明を省略する。

以上により、本実施形態の音声処理システム１０Ｇは、強調処理後の有指向状態の音声データを基に、指定方向に所定の音声データが検出されるか否かを判定し、検出したと判定した場合に、強調処理後の有指向状態の音声データの音響レベルと所定の音量設定値との差分を第３音量調整値（音量調整値３４ｇ１）として算出し、算出された音量調整値３４ｇ１を用いて有指向状態の音声データの音量を調整することができるので、無指向状態から有指向状態に切り替えられた場合に、出力される有指向状態の音声データの音量を一定範囲（より具体的には、所定の音量設定値を含む所定範囲のこと）に固定することができる。

また、音声処理システム１０Ｇは、無指向状態の音声データの音響レベルと所定の音量設定値との差分を第４音量調整値（音量調整値３４ｇ１）として算出し、算出された音量調整値３４ｇ１を用いて無指向状態の音声データの音量を調整することができるので、有指向状態や無指向状態に拘わらず、出力される無指向状態の音声データの音量を、音量設定値３８５を含む一定範囲に固定することができる。

（第５の実施形態）
第５の実施形態では、信号処理部３３Ｈは、音量調整値を特定の周波数帯域において一定に保持し又は減衰させる周波数毎の音量調整係数値３８６と固定の音量調整値３４ｃ１とを用いて、有指向状態の音声データの音量を調整する（図２４（Ａ）参照）。図２４（Ａ）は、第５の実施形態の音声処理システムのシステム構成の一例を示すブロック図である。図２４（Ａ）に示す音声処理システム１０Ｈでは、図１に示す音声処理システム１０と比べて、指向性制御装置３が指向性制御装置３Ｈに置き換わっており、その他の構成は同一であるため、同一の内容の説明は簡略化又は省略し、異なる内容について説明する。

音量調整部３４ｃＨは、メモリ３８Ｈに記憶される周波数毎の音量調整係数値３８６と音量調整部３４ｃＨの動作において予め規定されている音量調整値３４ｃ１（第１の実施形態参照）とを用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する。音量調整値３８１を用いた音量調整の方法は第１の実施形態と同様であるため、詳細な説明は省略する。

ここで、周波数毎の音量調整係数値３８６について、図２５（Ａ）及び（Ｂ）を参照して説明する。図２５（Ａ）は、音量調整係数値３８６の周波数特性の第１例を示す図である。図２５（Ｂ）は、音量調整係数値３８６の周波数特性の第２例を示す図である。

図２５（Ａ）に示す第１例では、例えば人間の主な可聴帯域である３００Ｈｚ〜３４００Ｈｚの間では音量調整値を一定に保持するために音量調整係数値が１００％となっている。３００Ｈｚ〜３４００Ｈｚを除く周波数帯では、音量調整係数値が１００％から低下しているので、音量調整値は減衰する。

一方、図２５（Ｂ）に示す第２例では、例えば特定の周波数（例えばノイズ源が存在する５００Ｈｚの周波数）を含む所定範囲の周波数帯では音量調整値を減衰させるために音量調整値が限りなく０％に近い値となっている。この周波数帯を除く周波数帯では、音量調整係数値が１００％となっているので、音量調整値は一定に保持される。

次に、本実施形態の音声処理システム１０Ｈの動作手順について、図２４（Ｂ）及び図２６を参照して説明する。図２４（Ｂ）は、音量調整係数値３８６の事前設定に関する動作手順の一例を説明するフローチャートである。図２６は、第５の実施形態の音声処理システム１０Ｈの実運用時における動作手順の一例を説明するフローチャートである。なお、図２６において、第１の実施形態の音声処理システム１０に対応する図７の各処理の説明と同一の処理に対しては同一のステップ番号を付与して説明を簡略化又は省略し、異なる内容について説明する。

図２４（Ｂ）において、ユーザの入力操作によって、操作部３２から音量調整係数値設定画面の呼び出しの指示を受けると（Ｓ７１）、信号処理部３３Ｈは、操作部３２からの指示に応じて、音量調整係数値設定画面をディスプレイ装置３６に表示させる。ユーザの入力操作によって、操作部３２から周波数毎の音量調整係数値３８６が入力されると、信号処理部３３Ｈは、入力された周波数毎の音量調整係数値３８６をメモリ３８Ｈに書き込んで記憶する（Ｓ７２）。これにより、音量調整係数値３８６のメモリ３８Ｈへの事前設定の処理が終了する。

図２６において、ステップＳ４の後、音量調整部３４ｃＨは、図２４（Ｂ）に示す事前設定の処理によってメモリ３８Ｈに記憶された音量調整係数値３８６と音量調整部３４ｃＨの動作において予め規定されている音量調整値３４ｃ１とを用いて、強調処理部３４ｂにより強調処理された後の有指向状態の音声データの音量を調整する（Ｓ５Ｈ）。ステップＳ５Ｈ以降の処理は図７に示すステップＳ６と同一であるため、説明を省略する。

以上により、本実施形態の音声処理システム１０Ｈは、所定の音量調整係数値設定画面に対して入力された周波数毎の音量調整値の音量調整係数値３８６をメモリ３８Ｈから読み出して、音量調整係数値３８６と音量調整値３４ｇ１とを用いて、有指向状態の音声データの音量を調整することができるので、音声処理システム１０Ｈの設置環境に応じて、有指向状態の音声データの適切な音量を出力することができる。

また、音声処理システム１０Ｈは、音量調整係数値３８６が所定の周波数帯域以外の音量調整値を低下させるので、所定の周波数帯域以外の音声データの音量による影響（例えば人物の会話音声を除く音声帯域の音の影響）を排除した状態で、所定の周波数帯域における有指向状態の音声データの適切な音量を出力することができる。

また、音声処理システム１０Ｈは、音量調整係数値３８６が所定の周波数を含む一定範囲の周波数帯域の音量調整値を低下させるので、所定の周波数を含む一定範囲の周波数帯域における音声データの音量による影響（例えばノイズ源の影響）を排除した状態で、所定の周波数を含む一定範囲の周波数帯域以外の周波数帯域における有指向状態の音声データの適切な音量を出力することができる。

最後に、本発明に係る音声処理システム及び音声処理方法の構成、作用、効果について説明する。

本発明の一実施形態は、複数の収音素子を含み、前記収音素子を用いて無指向状態で音声を収音する収音部と、前記無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付ける操作部と、前記指定方向の入力に応じて、前記収音部により収音された音声データを用いて、前記収音部から、前記指定方向の音声データを強調処理した前記有指向状態の音声データを生成する強調処理部と、前記強調処理部により生成された前記有指向状態の音声データの音量を調整する音量調整部と、前記収音部により収音された前記無指向状態の音声データ、又は前記音量調整部により音量が調整された後の前記有指向状態の音声データを出力する音声出力部と、を備える、音声処理システムである。

この構成では、収音部は、複数の収音素子を用いて無指向状態で音声を収音する。操作部は、無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付ける。強調処理部は、操作部により指定方向が入力されると、収音された音声データを用いて、収音部から指定方向の音声データを強調処理した有指向状態の音声データを生成する。音量調整部は、強調処理後の有指向状態の音声データの音量を調整する。音声出力部は、無指向状態の音声データ、又は音量が調整された後の有指向状態の音声データを出力する。

これにより、音声処理システムは、収音部により収音された音声を用いて、指定方向の音声データを強調処理した後に音声データの音量を調整することで、無指向状態の音声データの音量と音量が調整された後の有指向状態の音声データの音量との差異の増大を抑制することができる。また、音声処理システムは、無指向状態から有指向状態への切り替えの際に、音声データの音量が大きく低下したり増大したりすることを抑制することができるので、ユーザに音量の調整を都度行わせる手間を省くことができ、ユーザの業務（例えば監視業務）への利便性を向上させることができる。

また、本発明の一実施形態は、前記操作部は、前記有指向状態から前記無指向状態に切り替えるための前記指定方向の解除を受け付け、前記音量調整部は、前記指定方向の解除に応じて、前記有指向状態の音声データの音量を、前記強調処理部により強調処理される前に前記収音部により収音された前記無指向状態の音声データの音量に調整する、音声処理システムである。

この構成によれば、音声処理システムは、指定方向の入力が解除されると、強調処理後の有指向状態の音声データの音量を、強調処理前の無指向状態の音声データの音量に調整するので、有指向状態から無指向状態への切り替えの際に、音声データの音量が大きく増大したり低下したりすることを抑制することができる。

また、本発明の一実施形態は、前記音量調整部は、所定の音量調整値を用いて、前記有指向状態の音声データの音量を調整する、音声処理システムである。

この構成によれば、音声処理システムは、音量調整部において予め決められた所定（固定）の音量調整値を用いて、有指向状態の音声データの音量を調整するので、例えば音声処理システムの設置環境に応じて一定の目安となる固定の音量設定値を予め決めておくことで、有指向状態の音声データの音量を簡易に調整することができる。

また、本発明の一実施形態は、所定の音量調整値設定画面に対して前記操作部により入力された音量調整値を記憶する記憶部、を更に備え、前記音量調整部は、前記記憶部に記憶された前記音量調整値を用いて、前記有指向状態の音声データの音量を調整する、音声処理システムである。

この構成によれば、音声処理システムは、所定の音量調整値設定画面に対して入力された音量調整値を記憶部から読み出して、この音量調整値を用いて、有指向状態の音声データの音量を調整するので、有指向状態の音声データの音量を簡易に調整することができ、また、音量調整値は記憶部に書き込まれているので、音声処理システムの設置環境の変化に応じて、音量調整値を適宜変更することもできる。

また、本発明の一実施形態は、所定の音量調整値が書き込まれた設定ファイルを記憶する記憶部、を更に備え、前記音量調整部は、前記記憶部に記憶された前記設定ファイルに書き込まれた前記所定の音量調整値を用いて、前記有指向状態の音声データの音量を調整する、音声処理システムである。

この構成によれば、音声処理システムは、所定の音量調整値が書き込まれた設定ファイルを記憶部から読み出して、有指向状態の音声データの音量を調整するので、有指向状態の音声データの音量を簡易に調整することができ、また、音量調整値が書き込まれた設定ファイルは記憶部に書き込まれているので、音声処理システムの設置環境の変化に応じて、音量調整値を適宜変更することもできる。

また、本発明の一実施形態は、前記収音部の収音領域の画像を撮像する撮像部と、前記撮像部により撮像された前記収音領域の画像を表示する表示部と、所定の音量調整値設定画面に対して前記操作部により入力された、前記収音領域の画像のエリア毎の音量調整値を記憶する記憶部と、を更に備え、前記音量調整部は、前記表示部に表示された前記収音領域の画像上の前記指定位置に対応する前記収音領域の画像のエリアに応じて、前記記憶部に記憶された前記エリア毎の音量調整値を用いて、前記有指向状態の音声データの音量を調整する、音声処理システムである。

この構成によれば、音声処理システムは、表示部に表示された撮像部の出力画像上の指定位置に対応する収音領域の画像のエリアに応じて、エリア毎に予め入力された音量調整値を記憶部から読み出して、有指向状態の音声データの音量を調整するので、収音領域における人物（例えば話者）の位置に応じて音量調整値を選択することができ、有指向状態の音声データの音量を適切に調整することができる。また、エリア毎の音量調整値は記憶部に書き込まれているので、音声処理システムの設置環境の変化に応じて、音量調整値を適宜変更することもできる。

また、本発明の一実施形態は、所定の音量調整値設定画面に対して前記操作部により入力された、前記収音部毎の音量調整値を記憶する記憶部と、前記収音部に対応付けられ、前記収音部の収音領域の画像を撮像する撮像部と、前記撮像部により撮像された前記収音領域の画像を表示する表示部と、を更に備え、前記収音部と前記撮像部とが対応付けられた複数の組合せが設けられ、前記音量調整部は、いずれかの前記収音部の選択に応じて、前記記憶部に記憶された、選択された前記収音部に対応する音量調整値を用いて、前記有指向状態の音声データの音量を調整する、音声処理システムである。

この構成によれば、音声処理システムは、収音部と収音領域を撮像する撮像部とが対応付けられた複数の組合せが設けられており、いずれかの収音部の選択に応じて、選択された収音部に対応する音量調整値を記憶部から読み出して、有指向状態の音声データの音量を調整するので、例えば複数の拠点を中央監視室等において監視する場合でも、各拠点の収音部の設置環境に応じて音量調整値を選択することができ、有指向状態の音声データの音量を適切に調整することができる。

また、本発明の一実施形態は、前記強調処理部により生成された前記有指向状態の音声データを基に、前記操作部により入力された前記指定方向に所定の音声データが検出されるか否かを判定する発話判定部と、前記指定方向に所定の音声データが検出されたと判定された場合に、前記強調処理部による強調処理の前後における前記所定の音声データの音響レベルの差分を基に、音量調整値を算出する音量調整値算出部と、を備え、前記音量調整部は、前記音量調整値算出部により算出された前記音量調整値を用いて、前記有指向状態の音声データの音量を調整する、音声処理システムである。

この構成では、音声処理システムは、強調処理後の有指向状態の音声データを基に、指定方向に所定の音声データ（例えば人物の音声データのこと。以下同様。）が検出されるか否かを判定し、検出したと判定した場合に、強調処理の前後における音声データの音響レベルの差分を基にして音量調整値を算出し、算出された音量調整値を用いて、有指向状態の音声データの音量を調整する。

これにより、音声処理システムは、指定方向に検出された所定の音声データの強調処理の前後における音響レベルの差分（言い換えると、人物の発話音声の音量の抑圧量）に比例した値を音量調整値として算出することができるので、音量調整値をユーザに事前設定させることなく、音声処理システムの設置環境の変化に応じて、適切な音量調整値を用いて有指向状態の音声データの音量を調整することができる。

また、本発明の一実施形態は、所定の指向角設定画面に対して前記操作部により入力された、前記有指向状態における指向性のビーム幅を示す指向角を記憶する記憶部と、前記記憶部に記憶された前記指向角を基に、音量調整値を算出する音量調整値算出部と、を更に備え、前記音量調整部は、前記音量調整値算出部により算出された前記音量調整値を用いて、前記有指向状態の音声データの音量を調整する、音声処理システムである。

この構成によれば、音声処理システムは、所定の指向角設定画面に対して入力された指向性のビーム幅を示す指向角を記憶部から読み出して、有指向状態の音声データの音量を調整するので、ユーザが必要とする指向性能に応じて、有指向状態の音声データの音量を適切に調整することができ、また、指向角の設定値は記憶部に書き込まれているので、音声処理システムの設置環境の変化に応じて、指向角の設定値を適宜変更することもできる。

また、本発明の一実施形態は、前記操作部により複数の前記指定方向が入力され、前記音量調整値算出部は、複数の前記指定方向毎に、基準音量と前記強調処理部により強調処理された後の音声データの各音響レベルとの差分に応じた各値を、前記強調処理後の各音声データの第１音量調整値として算出し、前記音量調整部は、前記音量調整値算出部により算出された前記強調処理後の各音声データの第１音量調整値を用いて、複数の前記指定方向毎に、前記強調処理部により強調処理された後の音声データの各音量を調整し、更に、前記強調処理部は、複数の前記指定方向毎に強調処理した後の音声データを合成処理し、前記音量調整値算出部は、前記強調処理部により合成処理された後の音声データの音響レベルと前記無指向状態の音声データの音響レベルとの差分に応じた値を第２音量調整値として算出し、前記音量調整部は、前記音量調整値算出部により算出された前記第２音量調整値を用いて、前記強調処理部により合成処理された後の音声データの音量を調整する、音声処理システムである。

この構成では、音声処理システムは、複数の指定方向が入力され、指定方向毎に、基準音量と強調処理後の有指向状態の音声データの各音響レベルとの差分に応じた値である強調処理後の各音声データの第１音量調整値を用いて、強調処理後の有指向状態の各音声データの音量を調整し、更に、複数の指定方向毎に強調処理した後の有指向状態の音声データを合成処理し、合成処理後の音声データの音響レベルと無指向状態の音声データの音響レベルとの差分に応じた値である第２音量調整値を用いて、合成処理後の有指向状態の音声データの音量を調整する。

これにより、音声処理システムは、強調処理の対象となる指定方向が複数あり、それぞれの強調処理後の音声データの音量が異なる場合でも、各指定方向に対応する個別の音声データの音量が略同一となるように、指定方向毎に、音声データ（例えば音量が小さい音声データ）の音量を当該音声データに対応する第１音量調整値を用いて調整することができ、また、他の少なくとも１つの音声データ（例えば音量が大きい音声データ）の音量を当該他の少なくとも１つの音声データに対応する第１音量調整値を用いて調整することができ、更に、強調処理前の無指向状態の音声データと合成処理後の有指向状態の音声データとの音量が異なる場合でも、第２音量調整値を用いて有指向状態の音声データの音量を調整することができるので、無指向状態時の音声データの音量と有指向状態時の合成処理後の音声データの音量とをほぼ同様の音量にすることができる。

また、本発明の一実施形態は、前記強調処理部により生成された前記有指向状態の音声データを基に、前記操作部により入力された前記指定方向に所定の音声データが検出されるか否かを判定する発話判定部と、前記指定方向に所定の音声データが検出されたと判定された場合に、前記強調処理部により生成された前記有指向状態の音声データの音響レベルと所定の音量設定値との差分を第３音量調整値として算出する音量調整値算出部と、を備え、前記音量調整部は、前記音量調整値算出部により算出された前記第３音量調整値を用いて、前記有指向状態の音声データの音量を調整する、音声処理システムである。

この構成によれば、音声処理システムは、強調処理後の有指向状態の音声データを基に、指定方向に所定の音声データが検出されるか否かを判定し、検出したと判定した場合に、強調処理後の有指向状態の音声データの音響レベルと所定の音量設定値との差分を第３音量調整値として算出し、算出された第３音量調整値を用いて有指向状態の音声データの音量を調整することができるので、無指向状態から有指向状態に切り替えられた場合に、出力される有指向状態の音声データの音量を一定範囲（より具体的には、所定の音量設定値を含む所定範囲のこと。以下同様。）に固定することができる。

また、本発明の一実施形態は、前記音量調整値算出部は、前記収音部により収音された前記無指向状態の音声データの音響レベルと前記所定の音量設定値との差分を第４音量調整値として算出し、前記音量調整部は、前記音量調整値算出部により算出された前記第４音量調整値を用いて、前記無指向状態の音声データの音量を調整する、音声処理システムである。

この構成によれば、音声処理システムは、無指向状態の音声データの音響レベルと所定の音量設定値との差分を第４音量調整値として算出し、算出された第４音量調整値を用いて無指向状態の音声データの音量を調整することができるので、有指向状態や無指向状態に拘わらず、出力される無指向状態の音声データの音量を一定範囲に固定することができる。

また、本発明の一実施形態は、所定の音量調整係数値設定画面に対して前記操作部により入力された、周波数毎の音量調整値の音量調整係数を記憶する記憶部、を更に備え、前記音量調整部は、前記記憶部に記憶された前記周波数毎の音量調整値の音量調整係数と所定の音量調整値とを用いて、前記有指向状態の音声データの音量を調整する、音声処理システムである。

この構成によれば、音声処理システムは、所定の音量調整係数値設定画面に対して入力された周波数毎の音量調整値の音量調整係数値を記憶部から読み出して、音量調整係数と音量調整値とを用いて、有指向状態の音声データの音量を調整することができるので、音声処理システムの設置環境に応じて、有指向状態の音声データの適切な音量を出力することができる。

また、本発明の一実施形態は、前記周波数毎の音量調整値の音量調整係数は、所定の周波数帯域以外の音量調整値を低下させる特性を有する、音声処理システムである。

この構成によれば、音声処理システムは、音量調整係数値が所定の周波数帯域以外の音量調整値を低下させるので、所定の周波数帯域以外の音声データの音量による影響（例えば人物の会話音声を除く音声帯域の音の影響）を排除した状態で、所定の周波数帯域における有指向状態の音声データの適切な音量を出力することができる。

また、本発明の一実施形態は、前記周波数毎の音量調整値の音量調整係数は、所定の周波数を含む一定範囲の周波数帯域の音量調整値を低下させる特性を有する、音声処理システムである。

この構成によれば、音声処理システムは、音量調整係数値が所定の周波数を含む一定範囲の周波数帯域の音量調整値を低下させるので、所定の周波数を含む一定範囲の周波数帯域における音声データの音量による影響（例えばノイズ源の影響）を排除した状態で、所定の周波数を含む一定範囲の周波数帯域以外の周波数帯域における有指向状態の音声データの適切な音量を出力することができる。

また、本発明の一実施形態は、複数の収音素子を用いて無指向状態で音声を収音する収音部を有する音声処理システムにおける音声処理方法であって、前記無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付けるステップと、前記指定方向の入力に応じて、前記収音部により収音された音声データを用いて、前記収音部から、前記指定方向の音声データを強調処理した前記有指向状態の音声データを生成するステップと、生成された前記有指向状態の音声データの音量を調整するステップと、前記収音部により収音された前記無指向状態の音声データ、又は音量が調整された後の前記有指向状態の音声データを出力するステップと、を有する、音声処理方法である。

この方法では、音声処理システムは、複数の収音素子を用いて無指向状態で音声を収音し、無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付け、指定方向が入力されると、収音された音声データを用いて、収音部から指定方向の音声データを強調処理した有指向状態の音声データを生成し、強調処理後の有指向状態の音声データの音量を調整し、無指向状態の音声データ、又は音量が調整された後の有指向状態の音声データを出力する。

これにより、音声処理システムは、収音部により収音された音声を用いて、指定方向の音声データを強調処理した後に音声データの音量を調整することで、無指向状態の音声データの音量と音量が調整された後の有指向状態の音声データの音量との差異の増大を抑制することができる。また、音声処理システムは、無指向状態から有指向状態への切り替えの際に、音声データの音量が大きく低下したり増大したりすることを抑制することができるので、ユーザに音量の調整を都度行わせる手間を省くことができ、ユーザの業務（例えば監視業務）への利便性を向上させることができる。

以上、図面を参照しながら各種の実施形態について説明したが、本発明はかかる例に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

本発明は、マイクアレイ装置により収音された音声を用いて指定方向の音声を強調処理した後に音声の音量を調整し、強調処理の前後における音量の大きな差異の発生を抑制し、ユーザへの利便性を向上させる音声処理システム及び音声処理方法として有用である。

２、２Ａ 全方位マイクアレイ装置
３、３Ａ、３Ａ’、３Ｂ、３Ｃ、３Ｄ、３Ｅ、３Ｇ、３Ｈ 指向性制御装置
４ レコーダ装置
１０、１０Ａ、１０Ｂ、１０Ｃ、１０Ｄ、１０Ｅ、１０Ｆ、１０Ｇ、１０Ｈ 音声処理システム
３１ 通信部
３２ 操作部
３２ｖ 音量操作部
３３、３３Ａ、３３Ｂ、３３Ｃ、３３Ｄ、３３Ｅ、３３Ｇ、３３Ｈ 信号処理部
３４ａ 指向方向算出部
３４ｂ 強調処理部
３４ｃ、３４ｃＡ、３４ｃＢ、３４ｃＣ、３４ｃＨ 音量調整部
３４ｄ、３４ｄＥ、３４ｄＧ 音量調整値算出部
３４ｄ２、３４ｇ２ 発話区間判定部
３６ ディスプレイ装置
３７ スピーカ装置
３８、３８Ａ、３８Ａ’、３８Ｂ、３８Ｃ、３８Ｅ、３８Ｇ、３８Ｈ メモリ

Claims (16)

1. 複数の収音素子を含み、前記収音素子を用いて無指向状態で音声を収音する収音部と、
   前記無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付ける操作部と、
   前記指定方向の入力に応じて、前記収音部により収音された音声データを用いて、前記収音部から、前記指定方向の音声データを強調処理した前記有指向状態の音声データを生成する強調処理部と、
   前記強調処理部により生成された前記有指向状態の音声データの音量を調整する音量調整部と、
   前記収音部により収音された前記無指向状態の音声データ、又は前記音量調整部により音量が調整された後の前記有指向状態の音声データを出力する音声出力部と、を備える、
   音声処理システム。
2. 請求項１に記載の音声処理システムであって、
   前記操作部は、
   前記有指向状態から前記無指向状態に切り替えるための前記指定方向の解除を受け付け、
   前記音量調整部は、
   前記指定方向の解除に応じて、前記有指向状態の音声データの音量を、前記強調処理部により強調処理される前に前記収音部により収音された前記無指向状態の音声データの音量に調整する、
   音声処理システム。
3. 請求項１に記載の音声処理システムであって、
   前記音量調整部は、
   所定の音量調整値を用いて、前記有指向状態の音声データの音量を調整する、
   音声処理システム。
4. 請求項１に記載の音声処理システムであって、
   所定の音量調整値設定画面に対して前記操作部により入力された音量調整値を記憶する記憶部、を更に備え、
   前記音量調整部は、
   前記記憶部に記憶された前記音量調整値を用いて、前記有指向状態の音声データの音量を調整する、
   音声処理システム。
5. 請求項１に記載の音声処理システムであって、
   所定の音量調整値が書き込まれた設定ファイルを記憶する記憶部、を更に備え、
   前記音量調整部は、
   前記記憶部に記憶された前記設定ファイルに書き込まれた前記所定の音量調整値を用いて、前記有指向状態の音声データの音量を調整する、
   音声処理システム。
6. 請求項１に記載の音声処理システムであって、
   前記収音部の収音領域の画像を撮像する撮像部と、
   前記撮像部により撮像された前記収音領域の画像を表示する表示部と、
   所定の音量調整値設定画面に対して前記操作部により入力された、前記収音領域の画像のエリア毎の音量調整値を記憶する記憶部と、を更に備え、
   前記音量調整部は、
   前記表示部に表示された前記収音領域の画像上の指定位置に対応する前記収音領域の画像のエリアに応じて、前記記憶部に記憶された前記エリア毎の音量調整値を用いて、前記有指向状態の音声データの音量を調整する、
   音声処理システム。
7. 請求項１に記載の音声処理システムであって、
   所定の音量調整値設定画面に対して前記操作部により入力された、前記収音部毎の音量調整値を記憶する記憶部と、
   前記収音部に対応付けられ、前記収音部の収音領域の画像を撮像する撮像部と、
   前記撮像部により撮像された前記収音領域の画像を表示する表示部と、を更に備え、
   前記収音部と前記撮像部とが対応付けられた複数の組合せが設けられ、
   前記音量調整部は、
   いずれかの前記収音部の選択に応じて、前記記憶部に記憶された、選択された前記収音部に対応する音量調整値を用いて、前記有指向状態の音声データの音量を調整する、
   音声処理システム。
8. 請求項１に記載の音声処理システムであって、
   前記強調処理部により生成された前記有指向状態の音声データを基に、前記操作部により入力された前記指定方向に所定の音声データが検出されるか否かを判定する発話判定部と、
   前記指定方向に所定の音声データが検出されたと判定された場合に、前記強調処理部による強調処理の前後における前記所定の音声データの音響レベルの差分を基に、音量調整値を算出する音量調整値算出部と、を備え、
   前記音量調整部は、
   前記音量調整値算出部により算出された前記音量調整値を用いて、前記有指向状態の音声データの音量を調整する、
   音声処理システム。
9. 請求項１に記載の音声処理システムであって、
   所定の指向角設定画面に対して前記操作部により入力された、前記有指向状態における指向性のビーム幅を示す指向角を記憶する記憶部と、
   前記記憶部に記憶された前記指向角を基に、音量調整値を算出する音量調整値算出部と、を更に備え、
   前記音量調整部は、
   前記音量調整値算出部により算出された前記音量調整値を用いて、前記有指向状態の音声データの音量を調整する、
   音声処理システム。
10. 請求項８に記載の音声処理システムであって、
    前記操作部により複数の前記指定方向が入力され、
    前記音量調整値算出部は、
    複数の前記指定方向毎に、基準音量と前記強調処理部により強調処理された後の音声データの各音響レベルとの差分に応じた各値を、前記強調処理後の各音声データの第１音量調整値として算出し、
    前記音量調整部は、
    前記音量調整値算出部により算出された前記強調処理後の各音声データの第１音量調整値を用いて、複数の前記指定方向毎に、前記強調処理部により強調処理された後の音声データの各音量を調整し、
    更に、
    前記強調処理部は、
    複数の前記指定方向毎に強調処理した後の音声データを合成処理し、
    前記音量調整値算出部は、
    前記強調処理部により合成処理された後の音声データの音響レベルと前記無指向状態の音声データの音響レベルとの差分に応じた値を第２音量調整値として算出し、
    前記音量調整部は、
    前記音量調整値算出部により算出された前記第２音量調整値を用いて、前記強調処理部により合成処理された後の音声データの音量を調整する、
    音声処理システム。
11. 請求項１に記載の音声処理システムであって、
    前記強調処理部により生成された前記有指向状態の音声データを基に、前記操作部により入力された前記指定方向に所定の音声データが検出されるか否かを判定する発話判定部と、
    前記指定方向に所定の音声データが検出されたと判定された場合に、前記強調処理部により生成された前記有指向状態の音声データの音響レベルと所定の音量設定値との差分を第３音量調整値として算出する音量調整値算出部と、を備え、
    前記音量調整部は、
    前記音量調整値算出部により算出された前記第３音量調整値を用いて、前記有指向状態の音声データの音量を調整する、
    音声処理システム。
12. 請求項１１に記載の音声処理システムであって、
    前記音量調整値算出部は、
    前記収音部により収音された前記無指向状態の音声データの音響レベルと前記所定の音量設定値との差分を第４音量調整値として算出し、
    前記音量調整部は、
    前記音量調整値算出部により算出された前記第４音量調整値を用いて、前記無指向状態の音声データの音量を調整する、
    音声処理システム。
13. 請求項１に記載の音声処理システムであって、
    所定の音量調整係数値設定画面に対して前記操作部により入力された、周波数毎の音量調整値の音量調整係数を記憶する記憶部、を更に備え、
    前記音量調整部は、
    前記記憶部に記憶された前記周波数毎の音量調整値の音量調整係数と所定の音量調整値とを用いて、前記有指向状態の音声データの音量を調整する、
    音声処理システム。
14. 請求項１３に記載の音声処理システムであって、
    前記周波数毎の音量調整値の音量調整係数は、所定の周波数帯域以外の音量調整値を低下させる特性を有する、
    音声処理システム。
15. 請求項１３に記載の音声処理システムであって、
    前記周波数毎の音量調整値の音量調整係数は、所定の周波数を含む一定範囲の周波数帯域の音量調整値を低下させる特性を有する、
    音声処理システム。
16. 複数の収音素子を用いて無指向状態で音声を収音する収音部を有する音声処理システムにおける音声処理方法であって、
    前記無指向状態から有指向状態に切り替えるための１つ以上の音声強調の指定方向の入力を受け付けるステップと、
    前記指定方向の入力に応じて、前記収音部により収音された音声データを用いて、前記収音部から、前記指定方向の音声データを強調処理した前記有指向状態の音声データを生成するステップと、
    生成された前記有指向状態の音声データの音量を調整するステップと、
    前記収音部により収音された前記無指向状態の音声データ、又は音量が調整された後の前記有指向状態の音声データを出力するステップと、を有する、
    音声処理方法。

Images