JP2016194657A - Sound source separation device, sound source separation method, and sound source separation program - Google Patents

Sound source separation device, sound source separation method, and sound source separation program Download PDF

Info

Publication number
JP2016194657A
JP2016194657A JP2015075262A JP2015075262A JP2016194657A JP 2016194657 A JP2016194657 A JP 2016194657A JP 2015075262 A JP2015075262 A JP 2015075262A JP 2015075262 A JP2015075262 A JP 2015075262A JP 2016194657 A JP2016194657 A JP 2016194657A
Authority
JP
Japan
Prior art keywords
sound source
posterior probability
microphone
existence
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2015075262A
Other languages
Japanese (ja)
Other versions
JP6339520B2 (en
Inventor
慶介 木下
Keisuke Kinoshita
慶介 木下
智広 中谷
Tomohiro Nakatani
智広 中谷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2015075262A priority Critical patent/JP6339520B2/en
Publication of JP2016194657A publication Critical patent/JP2016194657A/en
Application granted granted Critical
Publication of JP6339520B2 publication Critical patent/JP6339520B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Obtaining Desirable Characteristics In Audible-Bandwidth Transducers (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

PROBLEM TO BE SOLVED: To effectively separate a sound source even in a distributed microphone array environment.SOLUTION: A process for estimating sound source existence posterior probability pertaining to each sound source in each microphone node on the basis of a microphone node observation signal and correction information, and a process for modeling the co-occurrence relation of sound source existence posterior probability, estimating a parameter in a model in which the co-occurrence relation of sound source existence posterior probability becomes large, and calculating correction information for correcting the sound source existence posterior probability on the basis of the parameter are repeated until an output value converges, and finally, the microphone node observation signal is filtered with the sound source existence posterior probability or updated information, whereby a sound source signal is estimated.SELECTED DRAWING: Figure 1

Description

本発明は、音源分離装置、音源分離方法および音源分離プログラムに関する。   The present invention relates to a sound source separation device, a sound source separation method, and a sound source separation program.

複数の目的音源が存在する環境で音響信号を収音すると、しばしば目的信号同士が互いに重なり合った混合信号が観測される。この時、注目している目的音源が音声信号である場合、その他の音源信号がその目的信号に重畳した影響により、目的音声の明瞭度は大きく低下してしまう。   When an acoustic signal is collected in an environment where a plurality of target sound sources exist, a mixed signal in which the target signals overlap each other is often observed. At this time, when the target sound source of interest is an audio signal, the clarity of the target sound is greatly reduced due to the influence of other sound source signals superimposed on the target signal.

また、目的の音声信号(以下、目的信号)にその他の音源信号が重畳する形で観測されると、観測信号から目的信号の性質を正確に抽出することが困難となり、自動音声認識(以下、音声認識)システムの認識率も著しく低下する。よって認識率の低下を防ぐためには、複数の目的信号をそれぞれ分離し、目的信号の明瞭度を回復する工夫(方法)が必要である。   In addition, when other sound source signals are superposed on the target speech signal (hereinafter referred to as the target signal), it becomes difficult to accurately extract the nature of the target signal from the observed signal, and automatic speech recognition (hereinafter referred to as The recognition rate of the speech recognition system is also significantly reduced. Therefore, in order to prevent the recognition rate from decreasing, it is necessary to devise a method (method) for separating a plurality of target signals and restoring the clarity of the target signals.

複数の目的信号をそれぞれ分離する要素技術は、さまざまな音響信号処理システムに用いることが可能である。例えば、実環境下で収音された音から目的信号を抽出して聞き取り易さを向上させる補聴器、目的信号を抽出することで音声の明瞭度を向上させるTV会議システム、実環境で用いられる音声認識システム、機械制御インタフェースにおける機械と人間との対話装置などに利用することが出来る。   The elemental technology for separating a plurality of target signals can be used for various acoustic signal processing systems. For example, a hearing aid that extracts the target signal from the sound collected in the real environment to improve ease of hearing, a TV conference system that improves the intelligibility of the voice by extracting the target signal, and audio used in the real environment It can be used in a recognition system and a machine-human interaction device in a machine control interface.

図7に、従来の音源分離装置(例えば、非特許文献1参照)の機能構成を示してその動作を簡単に説明する。図7は、従来の音源分離装置を示す図である。図7に示すように、音源分離装置50は、全マイク共通音源存在事後確率推定部51およびフィルタリング部52を備える。   FIG. 7 shows a functional configuration of a conventional sound source separation device (for example, see Non-Patent Document 1), and its operation will be briefly described. FIG. 7 is a diagram showing a conventional sound source separation device. As shown in FIG. 7, the sound source separation device 50 includes a sound source existence posterior probability estimation unit 51 and a filtering unit 52 for all microphones.

全マイク共通音源存在事後確率推定部51は、複数の音源から発せられる音源信号を複数のマイクロホンで収音した複数チャネルの観測信号を入力として、当該各観測信号の各時間周波数ビンを特徴付ける特徴ベクトルを算出し、その特徴ベクトルを分類することで各音源に関する存在確率である音源存在事後確率を計算する。フィルタリング部52は、複数のマイクロホンで収音した複数チャネルの観測信号に、上記存在確率を乗算することで音源信号を回復する。   The sound source existence posterior probability estimation unit 51 for all microphones receives a sound source signal emitted from a plurality of sound sources by a plurality of microphones as input, and a feature vector characterizing each time frequency bin of each observation signal And categorizing the feature vectors to calculate the sound source existence posterior probability that is the existence probability for each sound source. The filtering unit 52 recovers the sound source signal by multiplying the observation signals of a plurality of channels collected by a plurality of microphones by the existence probability.

H. Sawada, S. Araki, and S. Makino, “Underdetermined Convolutive Blind Source Separation via Frequency Bin-Wise Clustering and Permutation Alignment,” IEEE Trans. Audio, Speech and Lang. Process., vol. 19, pp.516-527, March 2011.H. Sawada, S. Araki, and S. Makino, “Underdetermined Convolutive Blind Source Separation via Frequency Bin-Wise Clustering and Permutation Alignment,” IEEE Trans. Audio, Speech and Lang. Process., Vol. 19, pp.516- 527, March 2011.

しかしながら、従来の音源分離技術では、全マイクロホンが密集して配置されていることが想定されており、マイクロホンが空間的に分散配置されている状況(以下、分散マイクアレイ環境)は想定されていなかった。すなわち、複数のマイクロホンノードが空間的に大きく分散された形で配置されていると、各マイクロホンノードで観測されるある音源の音圧は同程度にならない。極端な場合は、ある音源はあるマイクロホンノードにおいて実質的に観測不可能な状況も起こり得る。このような状況では、各マイクロホンノードで異なる音源存在確率(アクティビティパタン)を仮定することが妥当である。なお、マイクロホンノードとは、2つ以上のマイクからなるマイクロホンアレイを指す。例えば、複数のマイクロホンを具備するICレコーダは1マイクロホンノードに相当する。   However, in the conventional sound source separation technology, it is assumed that all microphones are densely arranged, and a situation where the microphones are spatially distributed (hereinafter referred to as a distributed microphone array environment) is not assumed. It was. That is, if a plurality of microphone nodes are arranged in a spatially dispersed manner, the sound pressure of a certain sound source observed at each microphone node does not become comparable. In extreme cases, a situation may occur where a sound source is substantially unobservable at a microphone node. In such a situation, it is appropriate to assume different sound source existence probabilities (activity patterns) at each microphone node. Note that the microphone node refers to a microphone array including two or more microphones. For example, an IC recorder having a plurality of microphones corresponds to one microphone node.

ところが、従来の方法では、録音現場にあるすべてのマイクロホンノードで得られたすべての観測を用いると、全マイクロホンノードに共通な音源存在確率を計算することしかできなかった。また、従来法をマイクロホンノードごとに独立に適用し処理を行えば、マイクロホンノード別に音源存在確率を計算することは可能であったが、この場合は、各マイクロホンノード間に存在するであろう有益な情報が有効活用されず、結果、分散マイクロホンアレイ環境において、効果的な音源分離を行うことができないという課題があった。   However, in the conventional method, if all observations obtained at all microphone nodes at the recording site are used, the sound source existence probability common to all microphone nodes can only be calculated. Moreover, if the conventional method is applied independently for each microphone node, the sound source existence probability can be calculated for each microphone node. In this case, however, it is beneficial to exist between each microphone node. As a result, there is a problem that effective sound source separation cannot be performed in a distributed microphone array environment.

この発明は、このような課題に鑑みてなされたものであり、分散マイクロホンアレイ環境においても効果的に音源分離を行うことを目的とする。   The present invention has been made in view of such problems, and an object thereof is to perform sound source separation effectively even in a distributed microphone array environment.

本発明の音源分離装置は、複数の音源から発せられる音源信号を複数のマイクロホンで収音した複数チャネルの観測信号であるマイクロホンノード観測信号に基づいて各マイクロホンノードにおける各音源に関する音源存在事後確率を推定し、また、前記音源存在事後確率を更新するための情報である更新情報に基づいて前記音源存在事後確率を更新するマイクノード別音源存在事後確率推定部と、同一時間周波数ビンにおいては前記各マイクロホンノード間での前記各音源に関する前記音源存在事後確率が共起すると仮定し、前記音源存在事後確率の共起関係をモデル化し、前記各マイクロホンノードの前記音源存在事後確率の共起性が大きくなるように前記モデルにおけるパラメータを推定し、前記パラメータを基に前記更新情報を算出するマイクノード間音源存在事後確率共起パタン検出部と、前記マイクノード別音源存在事後確率推定部における前記音源存在事後確率の更新および前記マイクノード間音源存在事後確率共起パタン検出部における前記更新情報の算出を、前記音源存在事後確率または前記パラメータが収束するまで繰り返し実行させる収束判定部と、前記マイクロホンノード観測信号に対し、前記音源存在事後確率または前記更新情報を用いてフィルタリングすることで、前記各音源の前記音源信号を推定する出力音推定部と、を有することを特徴とする。   The sound source separation device according to the present invention calculates a sound source existence posterior probability for each sound source at each microphone node based on a microphone node observation signal that is a multi-channel observation signal obtained by collecting sound source signals emitted from a plurality of sound sources by a plurality of microphones. A sound source presence posterior probability estimation unit for each microphone node that updates and updates the sound source presence posterior probability based on update information that is information for updating the sound source presence posterior probability; Assuming that the sound source existence posterior probability of each sound source between microphone nodes co-occurs, the co-occurrence relationship of the sound source existence posterior probability is modeled, and the co-occurrence of the sound source existence posterior probability of each microphone node is large. The parameters in the model are estimated so that the update information is calculated based on the parameters. The sound source presence posterior probability co-occurrence pattern detection unit between the microphone nodes, the update of the sound source presence posterior probability in the sound source existence posterior probability estimation unit for each microphone node, and the update in the sound source presence posterior probability co-occurrence pattern detection unit between the microphone nodes By filtering the calculation of information using the sound source existence posterior probability or the update information, with respect to the convergence determination unit that repeatedly executes the sound source posterior probability or until the parameter converges, and the microphone node observation signal, An output sound estimator for estimating the sound source signal of each sound source.

また、本発明の音源分離方法は、音源分離装置で実行される音源分離方法であって、複数の音源から発せられる音源信号を複数のマイクロホンで収音した複数チャネルの観測信号であるマイクロホンノード観測信号に基づいて各マイクロホンノードにおける各音源に関する音源存在事後確率を推定し、また、前記音源存在事後確率を更新するための情報である更新情報に基づいて前記音源存在事後確率を更新するマイクノード別音源存在事後確率推定工程と、同一時間周波数ビンにおいては前記各マイクロホンノード間での前記各音源に関する前記音源存在事後確率が共起すると仮定し、前記音源存在事後確率の共起関係をモデル化し、前記各マイクロホンノードの前記音源存在事後確率の共起性が大きくなるように前記モデルにおけるパラメータを推定し、前記パラメータを基に前記更新情報を算出するマイクノード間音源存在事後確率共起パタン検出工程と、前記マイクノード別音源存在事後確率推定工程における前記音源存在事後確率の更新および前記マイクノード間音源存在事後確率共起パタン検出工程における前記更新情報の算出を、前記音源存在事後確率または前記パラメータが収束するまで繰り返し実行させる収束判定工程と、前記マイクロホンノード観測信号に対し、前記音源存在事後確率または前記更新情報を用いてフィルタリングすることで、前記各音源の前記音源信号を推定する出力音推定工程と、を含んだことを特徴とする。   The sound source separation method of the present invention is a sound source separation method executed by a sound source separation device, and is a microphone node observation that is a multi-channel observation signal obtained by collecting sound source signals emitted from a plurality of sound sources by a plurality of microphones. For each microphone node that estimates the sound source presence posterior probability for each sound source in each microphone node based on the signal, and updates the sound source presence posterior probability based on update information that is information for updating the sound source presence posterior probability Assuming that the sound source presence posterior probability of each sound source between the microphone nodes in the same time frequency bin in the sound source existence posterior probability estimation step, models the co-occurrence relationship of the sound source presence posterior probability, The parameters in the model are set so that the co-occurrence of the sound source presence posterior probability of each microphone node increases. A sound source existence posterior probability co-occurrence pattern detecting step for calculating the update information based on the parameter, and updating the sound source presence posterior probability in the sound source presence posterior probability estimating step for each microphone node; For the microphone node observation signal, a convergence determination step that repeatedly executes the calculation of the update information in the sound source presence posterior probability co-occurrence pattern detection step between the microphone nodes until the sound source presence posterior probability or the parameter converges, And an output sound estimation step of estimating the sound source signal of each sound source by filtering using a sound source posterior probability or the update information.

本発明によれば、分散マイクロホンアレイ環境においても効果的に音源分離を行うことができる。   According to the present invention, sound source separation can be performed effectively even in a distributed microphone array environment.

図1は、実施形態に係る音源分離装置の構成の概要を示す図である。FIG. 1 is a diagram illustrating an outline of a configuration of a sound source separation device according to an embodiment. 図2は、実施形態に係る音源分離装置の詳細な構成を示すブロック図である。FIG. 2 is a block diagram illustrating a detailed configuration of the sound source separation device according to the embodiment. 図3は、実施形態に係る音源分離装置が用いられる音響環境を示す図である。FIG. 3 is a diagram illustrating an acoustic environment in which the sound source separation device according to the embodiment is used. 図4は、実施形態に係る音源分離装置の音源分離性能を示す図である。FIG. 4 is a diagram illustrating the sound source separation performance of the sound source separation device according to the embodiment. 図5は、実施形態に係る音源分離装置の処理を示すフローチャートである。FIG. 5 is a flowchart illustrating processing of the sound source separation device according to the embodiment. 図6は、音源分離プログラムを実行するコンピュータを示す図である。FIG. 6 is a diagram illustrating a computer that executes a sound source separation program. 図7は、従来の音源分離装置を示す図である。FIG. 7 is a diagram showing a conventional sound source separation device.

以下に、本願に係る音源分離装置、音源分離方法および音源分離プログラムの実施形態を図面に基づいて詳細に説明する。なお、この実施形態により本願に係る音源分離装置、音源分離方法および音源分離プログラムが限定されるものではない。まず、観測信号のモデル化について説明する。   Embodiments of a sound source separation device, a sound source separation method, and a sound source separation program according to the present application will be described below in detail with reference to the drawings. Note that the sound source separation device, the sound source separation method, and the sound source separation program according to the present application are not limited by this embodiment. First, observation signal modeling will be described.

[観測信号のモデル化]
観測信号のモデル化においては、初めに変数を定義する。Iはマイクロホンノードの総数、Jは各マイクロホンノード内のクラスタの数、Kは音源の数(本明細書の中ではJ=Kとしているが、JとKは異なる値でも構わない)、xiはi番目のマイクロホンノードの観測特徴量、xは全マイクロホンノードの観測特徴量をまとめたxiの集合、ni,jはi番目のマイクロホンノードのj番目のクラスタに対応する音源のアクティビティを表すバイナリ変数(1の場合は音源がアクティブ、0の場合は音源がアクティブではない状態を指す)、nはni,jの集合、akは全マイクロホンノードに共通した潜在的な音源アクティビティを表す変数(1の場合は音源がアクティブ、0の場合は音源がアクティブではない状態を指す)、aはakの集合を表す。
[Modeling of observed signals]
In modeling observation signals, variables are first defined. I is the total number of microphone nodes, J is the number of clusters in each microphone node, K is the number of sound sources (J = K in this specification, but J and K may be different values), x i Is the observed feature value of the i-th microphone node, x is a set of x i that summarizes the observed feature values of all microphone nodes, n i, j is the activity of the sound source corresponding to the j-th cluster of the i-th microphone node Binary variable to represent (1 means the sound source is active, 0 means the sound source is not active), n is a set of n i, j , a k is the potential sound source activity common to all microphone nodes A variable to represent (in the case of 1, the sound source is active, in the case of 0, the sound source is not active), and a represents a set of a k .

なお、以降の説明における処理は、すべて各周波数ビンについて独立に行うものであるため、周波数インデックスは簡単のため省略する。従来のクラスタリングベース音源分離(例えば、非特許文献1参照)をi番目のマイクロホンノード観測信号xi(xiは、正規化観測ベクトルに対応)に適用する場合、マイクロホンノード観測信号xiは式(1)に示すような混合分布型の確率モデルで表されていた。 In addition, since all the processes in the following description are performed independently for each frequency bin, the frequency index is omitted for simplicity. When conventional clustering-based sound source separation (see, for example, Non-Patent Document 1) is applied to the i-th microphone node observation signal x i (x i corresponds to the normalized observation vector), the microphone node observation signal x i It was expressed by a mixed distribution type probability model as shown in (1).

Figure 2016194657
Figure 2016194657

この時、式(1)のp(ni,j)は、j番目の音源がi番目のノードでアクティブになる事前確率を表す。また、式(1)のp(xi|ni,j(n i ))はワトソン分布などの分布を表し、θ(n i )は分布のパラメータ(ワトソン分布の場合は平均方向パラメータ、密度パラメータに対応し、ガウス分布の場合は平均や分散等に対応する)を表す。この式で表される尤度を最大化するように分布パラメータを調整した後に得られるp(ni,j|xi)は、i番目以外のマイクロホンノードから得られる情報を使わなかった場合に得ることのできる、i番目のノードでのj番目の音源に関する音源存在事後確率である。 At this time, p (n i, j ) in Expression (1) represents the prior probability that the j-th sound source is active at the i-th node. In the equation (1), p (x i | n i, j ; θ (n i ) ) represents a distribution such as a Watson distribution, and θ (n i ) represents a distribution parameter (an average direction parameter in the case of Watson distribution ). Corresponds to the density parameter, and in the case of Gaussian distribution, it corresponds to the mean, variance, etc.). The p (n i, j | x i ) obtained after adjusting the distribution parameters to maximize the likelihood represented by this formula is obtained when information obtained from microphone nodes other than the i-th is not used. This is the sound source existence posterior probability for the j th sound source at the i th node that can be obtained.

一方、実施形態においては、観測信号xの確率モデル(つまり、観測信号に関する尤度p(x;θ))を式(2)のように表す。   On the other hand, in the embodiment, the probability model of the observation signal x (that is, the likelihood p (x; θ) related to the observation signal) is expressed as in Expression (2).

Figure 2016194657
Figure 2016194657

式(2)の3段目は、各マイクロホンノードの観測値xiは独立であるとの仮定の元に得られている。式(2)を見ると、本発明は、音源のアクティビティを示す事前確率の部分(つまり、p(n,a;θ(w))の部分に、新たに全マイクロホンノードに共通した潜在的な音源アクティビティを表す変数であるaが追加され、各ノードでの音源アクティビティ情報nと全ノードに共通する潜在的な音源アクティビティ情報aの同時確率で事前確率が表されていることが分かる。 The third stage of Equation (2) is obtained on the assumption that the observation values x i of each microphone node are independent. Looking at equation (2), the present invention shows a new potential common to all microphone nodes in the part of the prior probability indicating the activity of the sound source (ie, p (n, a; θ (w) )). It can be seen that a, which is a variable representing the sound source activity, is added, and the prior probability is represented by the joint probability of the sound source activity information n at each node and the potential sound source activity information a common to all nodes.

音源のアクティビティを示す事前確率p(n,a;θ(w))は、様々な形を取ることができるが、ここでは、マイクロホンノード間の音源アクティビティの共起性(つまり、n1,j ,n2,j ,... ,nI,jの共起性)に注目したモデルとなるよう、式(3)〜(5)に示すような制限付きボルツマンマシン(RBM:Restricted Boltzman Machine)の形で表す。 Prior probabilities p (n, a; θ (w) ) indicating sound source activity can take various forms, but here the co-occurrence of sound source activity between microphone nodes (ie, n 1, j , n 2, j , ..., n I, j co-occurrence) (Restricted Boltzman Machine (RBM) as shown in equations (3) to (5)) In the form of

Figure 2016194657
Figure 2016194657

式(3)のθ(w)は、RBMの中で使われるパラメータ{Wi, bi, c}を表す。制限付きボルツマンマシンは協調フィルタに使われるなど、ノード間での観測信号(実施形態におけるノード間での音源存在事後確率に相当)の共起性を捉えることのできるモデルである。RBMでは一般的に入力層への入力nが与えられた場合の隠れ層での値akに関する事後確率、また隠れ層での値akが与えられた場合の入力層での値nに関する事後確率を定義し、それをパラメータ推定アルゴリズムの中で用いる。それらの事後確率を式(6)〜(8)のように定義する。 Θ (w) in Equation (3) represents parameters {W i , b i , c} used in the RBM. A restricted Boltzmann machine is a model that can capture the co-occurrence of observation signals between nodes (corresponding to sound source existence posterior probabilities between nodes in the embodiment), such as being used in a collaborative filter. Posterior probability for the value a k of at the hidden layer when input n to common input layer is given in RBM, also post for the value n in the input layer when given the value a k of at the hidden layer Define the probability and use it in the parameter estimation algorithm. Those posterior probabilities are defined as in equations (6) to (8).

Figure 2016194657
Figure 2016194657

[本発明の考え]
実施形態の詳細な説明の前に、本発明の考えの概略について説明する。本発明は、各マイクロホンノードのそれぞれにおいて、音源分離のためのフィルタである音源存在事後確率を計算するものである。従来法では、この値を計算するために、他のマイクロホンノードからの情報を取り入れることはできなかった。
[Concept of the present invention]
Prior to detailed description of the embodiments, an outline of the idea of the present invention will be described. The present invention calculates a sound source presence posterior probability that is a filter for sound source separation in each microphone node. In the conventional method, information from other microphone nodes cannot be taken in to calculate this value.

しかし、提案方法では、マイクロホンノード間で情報をやり取りし、あるマイクロホンノードで観測されている音源アクティビティと共起するような音源アクティビティパタンが他のマイクロホンノードで観測されれば、それらの共起性が増す様に、マイクノード間音源存在事後確率共起パタン検出部12にてパラメータ推定が進む。結果、ある音源が複数のマイクロホンノードで観測されていれば、その音源に関する存在事後確率は互いに共起性が増すようにパラメータが調整され、より精度の高い推定が可能となる。   However, in the proposed method, if a sound source activity pattern that exchanges information between microphone nodes and co-occurs with a sound source activity observed at a certain microphone node is observed at other microphone nodes, their co-occurrence The parameter estimation proceeds at the sound source presence posterior probability co-occurrence pattern detection unit 12 between the microphone nodes. As a result, if a certain sound source is observed at a plurality of microphone nodes, the parameters of the existence posterior probabilities related to the sound source are adjusted so as to increase the co-occurrence with each other, and more accurate estimation becomes possible.

例えば、マイクロホンノード1、2、3の同一時間周波数ビンで、多くの場合、ある音源に関する事後確率が共起しているとする。そのような状況下で、ある時間周波数ビンでは、その音源に関してマイクロホンノード1と2のみで共起関係が確認され、マイクロホンノード3では共起していないとする。すると、マイクロホンノード3のこの時間周波数ビンでの推定値は誤りである確率が高い。   For example, it is assumed that posterior probabilities relating to a certain sound source often co-occur in the same time frequency bin of the microphone nodes 1, 2, and 3. Under such circumstances, in a certain time frequency bin, it is assumed that the co-occurrence relationship is confirmed only with the microphone nodes 1 and 2 with respect to the sound source, and the microphone node 3 does not co-occur. Then, there is a high probability that the estimated value in the time frequency bin of the microphone node 3 is an error.

このような誤りは、マイクロホンノード1、2、3でのこの音源に関する存在事後確率の共起性を高めるようにパラメータを推定することで解消される。逆に、マイクロホンノード1のみで同音源がアクティブであり、マイクロホンノード2と3ではアクティブでない場合、その時間周波数ビンでは本来同音源はアクティブでない可能性が高い。そのような場合も「アクティブではない」という共起性が高まることで、マイクロホンノード1の誤りが訂正される。マイクロホンノード間での音源存在事後確率の共起性を高めるようにパラメータを学習する具体的手順については、実施形態の説明において詳細に説明する。   Such an error is eliminated by estimating the parameters so as to enhance the co-occurrence of existence posterior probabilities related to this sound source at the microphone nodes 1, 2, and 3. Conversely, if the same sound source is active only at the microphone node 1 and is not active at the microphone nodes 2 and 3, it is highly likely that the same sound source is not active at that time frequency bin. In such a case as well, the co-occurrence of “not active” increases, so that the error of the microphone node 1 is corrected. A specific procedure for learning parameters so as to increase the co-occurrence of sound source presence posterior probabilities between microphone nodes will be described in detail in the description of the embodiment.

[実施形態]
図1を用いて、実施形態に係る音源分離装置の構成について説明する。図1は、実施形態に係る音源分離装置の構成の概要を示す図である。音源分離装置10は、マイクノード別音源存在事後確率推定部11と、マイクノード間音源存在事後確率共起パタン検出部12と、収束判定部13と、出力音推定部14と、を具備する。
[Embodiment]
The configuration of the sound source separation device according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an outline of a configuration of a sound source separation device according to an embodiment. The sound source separation device 10 includes a sound source presence posterior probability estimation unit 11 for each microphone node, a sound source presence posterior probability co-occurrence pattern detection unit 12 between microphone nodes, a convergence determination unit 13, and an output sound estimation unit 14.

図1に示すように、音源分離装置10は、複数の音源から発せられる音源信号を複数のマイクロホンで収音した複数チャネルの観測信号を入力とする。なお、特に音源分離装置10における処理を説明する際に、入力される複数チャネルの観測信号をマイクロホンノード観測信号と呼ぶ場合がある。   As shown in FIG. 1, the sound source separation device 10 receives a plurality of channels of observation signals obtained by collecting sound source signals emitted from a plurality of sound sources with a plurality of microphones. In particular, when the processing in the sound source separation device 10 is described, the input observation signals of a plurality of channels may be referred to as microphone node observation signals.

マイクノード別音源存在事後確率推定部11は、複数の音源から発せられる音源信号を複数のマイクロホンで収音した複数チャネルの観測信号であるマイクロホンノード観測信号に基づいて各マイクロホンノードにおける各音源に関する音源存在事後確率を推定し、また、前記音源存在事後確率を更新するための情報である更新情報に基づいて音源存在事後確率を更新する。   The sound source existence posterior probability estimation unit 11 for each microphone node is a sound source related to each sound source in each microphone node based on a microphone node observation signal which is a multi-channel observation signal obtained by collecting sound source signals emitted from a plurality of sound sources by a plurality of microphones. The existence posterior probability is estimated, and the sound source existence posterior probability is updated based on update information that is information for updating the sound source existence posterior probability.

例えば、マイクノード別音源存在事後確率推定部11は、マイクロホンノード観測信号である時間フレームtにおける複数の音源から発せられる音源信号をi番目のマイクロホンノードで収音した観測特徴量xiに基づいて式(2)のp(xi|ni(n i ))を推定することによって音源存在事後確率であるj番目の音源のi番目のマイクロホンノードでの存在事後確率p(ni,j|xi)を推定し、更新情報に基づいて観測信号の尤度p(x;θ)が最大になるようにp(xi|ni(n i ))を再推定することによって音源存在事後確率であるj番目の音源のi番目のマイクロホンノードでの存在事後確率p(ni,j|xi)を更新する。 For example, the microphone node-specific sound source existence posterior probability estimation unit 11 is based on an observation feature value x i obtained by collecting sound source signals emitted from a plurality of sound sources in a time frame t, which is a microphone node observation signal, at an i-th microphone node. By estimating p (x i | n i ; θ (n i ) ) in Equation (2), the existence posterior probability p (n i, j | x i ) and re-estimate p (x i | n i ; θ (n i ) ) based on the update information so that the likelihood of the observed signal p (x; θ) is maximized To update the existence a posteriori probability p (n i, j | x i ) at the i th microphone node of the j th sound source, which is the sound source existence a posteriori probability.

マイクノード間音源存在事後確率共起パタン検出部12は、同一時間周波数ビンにおいては各マイクロホンノード間での各音源に関する音源存在事後確率が共起すると仮定し、音源存在事後確率の共起関係をモデル化し、各マイクロホンノードの音源存在事後確率の共起性が大きくなるようにモデルにおけるパラメータを推定し、パラメータを基に更新情報を算出する。   The sound source presence posterior probability co-occurrence pattern detection unit 12 between the microphone nodes assumes that the sound source presence posterior probability of each sound source between the microphone nodes co-occurs in the same time frequency bin, and determines the co-occurrence relationship of the sound source presence posterior probabilities. Modeling is performed, parameters in the model are estimated so that the co-occurrence of the sound source existence posterior probability of each microphone node is increased, and update information is calculated based on the parameters.

例えば、マイクノード間音源存在事後確率共起パタン検出部12は、全てのi、全てのj、全てのtにおける音源存在事後確率の全ての時間フレームtに関するp(ni,j|xi,t)の集合を用いて、各マイクロホンノードにおける音源アクティビティ情報nおよび全ノードに共通する潜在的な音源アクティビティ情報aの同時確率であって、音源のアクティビティを示す事前確率p(n,a;θ(w))が最大になるように、音源存在事後確率の共起性を示すモデルのパラメータであるθ(w)を推定し、更新情報を算出する。 For example, the inter-microphone sound source existence posterior probability co-occurrence pattern detection unit 12 generates p (n i, j | x i, i for all time frames t of sound source existence posterior probabilities for all i, all j, and all t . t ), the prior probability p (n, a; θ indicating the activity of the sound source, which is the joint probability of the sound source activity information n at each microphone node and the potential sound source activity information a common to all nodes. (w) ) is estimated so that θ (w) , which is a parameter of the model indicating the co-occurrence of the sound source posterior probability, is calculated so that update information is calculated.

収束判定部13は、マイクノード別音源存在事後確率推定部11における音源存在事後確率の更新およびマイクノード間音源存在事後確率共起パタン検出部12における更新情報の算出を、音源存在事後確率またはパラメータが収束するまで繰り返し実行させる。   The convergence determination unit 13 updates the sound source presence posterior probability in the sound source presence posterior probability estimation unit 11 by microphone node and calculates update information in the sound source presence posterior probability co-occurrence pattern detection unit 12 between the microphone nodes. Is executed repeatedly until.

出力音推定部14は、マイクロホンノード観測信号に対し、音源存在事後確率または更新情報を用いてフィルタリングすることで、各音源の音源信号を推定する。   The output sound estimation unit 14 estimates the sound source signal of each sound source by filtering the microphone node observation signal using the sound source existence posterior probability or the update information.

次に、図2を参照しながら、音源分離装置10の各部について詳細に説明する。図2は、実施形態に係る音源分離装置の詳細な構成を示すブロック図である。音源分離装置10は、複数のマイクロホンノード20からマイクロホンノード観測信号を入力され、各音源の音源イメージを推定し、出力装置21等に出力する。なお、音源分離装置10は、推定した音源イメージをスピーカ等の出力装置に出力してもよいし、記憶装置等に出力し記憶させるようにしてもよい。   Next, each part of the sound source separation device 10 will be described in detail with reference to FIG. FIG. 2 is a block diagram illustrating a detailed configuration of the sound source separation device according to the embodiment. The sound source separation device 10 receives microphone node observation signals from a plurality of microphone nodes 20, estimates a sound source image of each sound source, and outputs it to the output device 21 and the like. The sound source separation device 10 may output the estimated sound source image to an output device such as a speaker, or may output and store it in a storage device or the like.

図2に示すように、音源分離装置10は、マイクノード別音源存在事後確率推定部11と、マイクノード間音源存在事後確率共起パタン検出部12と、収束判定部13と、出力音推定部14と、入力部15と、出力部16と、を有する。また、マイクノード別音源存在事後確率推定部11は、第一音源存在事後確率初期値算出部111と、第一音源存在事後確率更新部112と、を有する。また、マイクノード間音源存在事後確率共起パタン検出部12は、共起関係モデルパラメータ算出部121と、第二音源存在事後確率算出部122と、を有する。   As illustrated in FIG. 2, the sound source separation device 10 includes a microphone node-specific sound source presence posterior probability estimation unit 11, an inter-microphone sound source presence posterior probability co-occurrence pattern detection unit 12, a convergence determination unit 13, and an output sound estimation unit. 14, an input unit 15, and an output unit 16. The sound source presence posterior probability estimation unit 11 by microphone node includes a first sound source presence posterior probability initial value calculation unit 111 and a first sound source presence posterior probability update unit 112. The microphone node sound source presence posterior probability co-occurrence pattern detection unit 12 includes a co-occurrence relation model parameter calculation unit 121 and a second sound source presence posterior probability calculation unit 122.

まず、入力部15には、複数の音源から発せられる音源信号を複数のマイクロホンノード20で収音した観測信号が入力される。そして、第一音源存在事後確率初期値算出部111は、複数の音源から発せられる音源信号を複数のマイクロホンノードで収音した観測信号を用いて、各マイクロホンノードから得られる情報を使って得られる各音源がアクティブな確率である第一音源存在事後確率を算出する。   First, an observation signal obtained by collecting sound source signals emitted from a plurality of sound sources by a plurality of microphone nodes 20 is input to the input unit 15. Then, the first sound source presence posterior probability initial value calculation unit 111 is obtained by using information obtained from each microphone node using observation signals obtained by collecting sound source signals emitted from a plurality of sound sources at a plurality of microphone nodes. A first sound source existence posterior probability, which is a probability that each sound source is active, is calculated.

次に、共起関係モデルパラメータ算出部121は、各マイクロホンノードの第一音源存在事後確率同士の共起関係をモデル化し、共起関係が大きくなるようにモデルのパラメータを算出し、既に算出したパラメータが存在する場合は、最新のパラメータに更新する。   Next, the co-occurrence relationship model parameter calculation unit 121 models the co-occurrence relationship between the first sound source existence posterior probabilities of each microphone node, calculates the parameters of the model so that the co-occurrence relationship becomes large, and has already calculated it. If parameters exist, update to the latest parameters.

さらに、第二音源存在事後確率算出部122は、パラメータを用いて、複数のマイクロホンノードから得られる情報を使った音源存在事後確率である第二音源存在事後確率を算出する。そして、第一音源存在事後確率更新部112は、第二音源存在事後確率を用いて、第一音源存在事後確率を更新する。   Furthermore, the second sound source presence posterior probability calculation unit 122 calculates a second sound source presence posterior probability, which is a sound source presence posterior probability using information obtained from a plurality of microphone nodes, using parameters. Then, the first sound source presence posterior probability update unit 112 updates the first sound source presence posterior probability using the second sound source presence posterior probability.

ここで、収束判定部13は、第一音源存在事後確率更新部112および共起関係モデルパラメータ算出部121における更新量が、所定の閾値以下であるか否かを判定し、更新量が所定の閾値以下でない場合は、更新量が所定の閾値以下となるまで第一音源存在事後確率更新部112および共起関係モデルパラメータ算出部121における処理を繰り返し実行させる。   Here, the convergence determination unit 13 determines whether or not the update amount in the first sound source presence posterior probability update unit 112 and the co-occurrence relation model parameter calculation unit 121 is equal to or less than a predetermined threshold, and the update amount is predetermined. If it is not less than the threshold value, the processes in the first sound source presence posterior probability update unit 112 and the co-occurrence relation model parameter calculation unit 121 are repeatedly executed until the update amount becomes equal to or less than the predetermined threshold value.

最後に、出力音推定部141は、収束判定部13において、更新量が所定の閾値以下であると判定された場合に、観測信号に対し、第二音源存在事後確率を用いてフィルタリングを行い、各音源に関する音源イメージを推定する。以降、各部における処理について説明する。   Finally, the output sound estimation unit 141 performs filtering on the observation signal using the second sound source existence posterior probability when the convergence determination unit 13 determines that the update amount is equal to or less than a predetermined threshold. Estimate the sound source image for each sound source. Hereinafter, processing in each unit will be described.

[マイクノード別音源存在事後確率推定部11での処理(初期値の計算)]
まず、マイクノード間音源存在事後確率共起パタン検出部12で処理を行う前のマイクノード別音源存在事後確率推定部11における処理について説明する。この時、マイクノード別音源存在事後確率推定部11は、第一音源存在事後確率の初期値を算出する。なお、マイクノード間音源存在事後確率共起パタン検出部12から出力される補正情報を用いた第一音源存在事後確率の更新処理については後述する。
[Processing by microphone node-specific sound source existence posterior probability estimation unit 11 (calculation of initial values)]
First, the processing in the microphone node-specific sound source presence posterior probability estimation unit 11 before processing by the microphone node sound source presence posterior probability co-occurrence pattern detection unit 12 will be described. At this time, the microphone node-specific sound source presence posterior probability estimation unit 11 calculates an initial value of the first sound source presence posterior probability. In addition, the update process of the 1st sound source presence posterior probability using the correction information output from the sound source presence posterior probability co-occurrence pattern detection unit 12 will be described later.

最初に、マイクノード別音源存在事後確率推定部11の第一音源存在事後確率初期値算出部111は、複数の音源から発せられる音源信号をi番目のマイクロホンノードで収音した観測特徴量xiおよび式(1)を用いて、j番目の音源のi番目のマイクロホンノードでの存在事後確率p(ni,j|xi)を計算する。具体的には、第一音源存在事後確率初期値算出部111は、式(1)の値を最大化するよう、最尤推定で分布パラメータθ(n i )を推定することで初期値を算出する。式(1)の混合分布パラメータの最尤推定は、期待値最大化アルゴリズムを用いて行うことができることが知られており、そのアルゴリズムの中でp(ni,j|xi)は計算される。 First, the first sound source existence posterior probability initial value calculation unit 111 of the sound source existence posterior probability estimation unit 11 by microphone node collects sound source signals emitted from a plurality of sound sources at the i-th microphone node, and is an observed feature amount x i. And the existence posterior probability p (n i, j | x i ) at the i-th microphone node of the j-th sound source is calculated using the equation (1). Specifically, the first sound source presence posterior probability initial value calculation unit 111 calculates the initial value by estimating the distribution parameter θ (n i ) by maximum likelihood estimation so as to maximize the value of Equation (1). To do. It is known that the maximum likelihood estimation of the mixture distribution parameter in Equation (1) can be performed using an expectation maximization algorithm, in which p (n i, j | x i ) is calculated. The

[マイクノード間音源存在事後確率共起パタン検出部12での処理]
次に、マイクノード間音源存在事後確率共起パタン検出部12の共起関係モデルパラメータ算出部121は、上記で得られた第一音源存在事後確率の集合、つまり全てのi(マイクロホンノードインデックス)、全てのj(各マイクロホンノードにおけるクラスタインデックス)、すべての時間フレームtに関するp(ni,j|xj,t)(xに時間フレームインデックスtを追加)を用いて、各事後確率の共起関係をモデル化(学習)する。具体的に、共起関係モデルパラメータ算出部121は、式(4)等で示されるRBMのパラメータ{Wi, bi, c}をp(n,a;θ(w))が最大となるように学習する。この学習には、一般的にはcontrastive divergenceを用いた最急降下法(参考文献1:G. E. Hinton, “A practical guide to training restricted Boltzmann machines,” Univ. of Toronto, Toronto, ON, Canada, Tech. Rep., 2010.)が用いられる。ここで、最急降下法で推定する各パラメータ{Wi, bi, c}の勾配は式(9)〜(11)によって計算される。
[Processing at the sound source existence posterior probability co-occurrence pattern detection unit 12 between microphone nodes]
Next, the co-occurrence relation model parameter calculation unit 121 of the sound source existence posterior probability co-occurrence pattern detection unit 12 between the microphone nodes performs a set of the first sound source existence posterior probabilities obtained above, that is, all i (microphone node indexes). , All j (cluster index at each microphone node), and p (n i, j | x j, t ) (adding time frame index t to x) for all time frames t Model (learn) the relationship. Specifically, the co-occurrence relationship model parameter calculation unit 121 maximizes the RBM parameters {W i , b i , c} represented by the equation (4) or the like, p (n, a; θ (w) ). To learn. This learning is generally performed by the steepest descent method using contrastive divergence (Reference 1: GE Hinton, “A practical guide to training restricted Boltzmann machines,” Univ. Of Toronto, Toronto, ON, Canada, Tech. Rep. ., 2010.) is used. Here, the gradient of each parameter {W i , b i , c} estimated by the steepest descent method is calculated by equations (9) to (11).

Figure 2016194657
Figure 2016194657

そして、共起関係モデルパラメータ算出部121は、各勾配を計算した後、各パラメータは、通常の最急降下法により式(12)〜(14)によって更新する。   Then, after calculating each gradient, the co-occurrence relation model parameter calculation unit 121 updates each parameter according to formulas (12) to (14) by a normal steepest descent method.

Figure 2016194657
Figure 2016194657

ここで、μはパラメータ更新のためのステップサイズであり、0.0001など比較的小さな値が用いられる。さらに、共起関係モデルパラメータ算出部121は、後述のように、収束判定部13に制御されることで、式(12)〜(14)の計算を十分にパラメータの更新量が小さくなるまで繰り返す。なお、各パラメータの勾配計算を表した式(9)〜(11)中のn^およびn~は、計算を繰り返すごとに、以下のように計算する。   Here, μ is a step size for parameter update, and a relatively small value such as 0.0001 is used. Further, the co-occurrence relation model parameter calculation unit 121 repeats the calculations of Expressions (12) to (14) until the update amount of the parameter becomes sufficiently small by being controlled by the convergence determination unit 13 as described later. . Note that n ^ and n ~ in the equations (9) to (11) representing the gradient calculation of each parameter are calculated as follows each time the calculation is repeated.

[n^t,i,jの計算]
<手順a1>
まず、p(ni,j=1|xj)を従来のクラスタリングベース音源分離等を用いて計算する。
<手順a2>
次に、n^t,i,jの初期値をp(ni,j|xj,t)からサンプリングする。ここで、サンプリングの具体的な処理例について説明する。まず、時間t、ノードiの観測特徴量x^t,iがクラスタjに帰属する事後確率をクラスタ1〜Jについて計算する。この時、1〜Jまでの事後確率の値を合算すれば1となる。次に、これらの事後確率を基に、0〜1の区間を分割する。例えば、クラスタ1,2,3で計算される帰属事後確率がそれぞれ、0.1,0.7,0.2であれば、0〜1の区間を[0.0 0.1),[0.1 0.8),[0.8 1.0]に分割し、各区間を各クラスタと紐づける。その後、1〜0の範囲の乱数を一つ発生させ、その乱数がどの区間に帰属するかを検出する。その該当区間に対応するクラスのn^t,i,jを1とし、それ以外の同一マイクロホンノード内のn^t,i,jを0とする。
<手順a3>
以下の(a3.1)および(a3.2)を所定の回数繰り返す。(本実施例では1回)
(a3.1)現在求められているn^t,i,jを基に、式(6)を用いてa^t,kを計算する。
(a3.2)a^t,kとxt,i(マイクロホンノードi、時間tの観測特徴量)とマイクノード別音源存在事後確率推定部11で推定されたp(xi|ni,j=1)を基に、式(7)および式(8)を用いて、n^t,i,jを計算する。
<手順a4>
手順a3で計算されたn^t,i,jを利用して式(9)〜(11)の計算を行う。
[Calculation of n ^ t, i, j ]
<Procedure a1>
First, p (n i, j = 1 | x j ) is calculated using conventional clustering-based sound source separation or the like.
<Procedure a2>
Next, the initial value of n ^ t, i, j is sampled from p (n i, j | x j, t ). Here, a specific processing example of sampling will be described. First, the posterior probabilities that the observed feature quantity x ^ t, i at time t and node i belong to cluster j are calculated for clusters 1 to J. At this time, the sum of the posterior probability values from 1 to J is 1. Next, based on these posterior probabilities, the 0 to 1 section is divided. For example, if the attribution posterior probabilities calculated for clusters 1, 2, and 3 are 0.1, 0.7, and 0.2, respectively, the interval from 0 to 1 is divided into [0.0 0.1), [0.1 0.8), and [0.8 1.0]. Associate each section with each cluster. Then, one random number in the range of 1 to 0 is generated, and it is detected to which section the random number belongs. As appropriate corresponding to the segment class n ^ t to, i, and 1 j, is n ^ t in the same microphone node otherwise, i, a j and 0.
<Procedure a3>
The following (a3.1) and (a3.2) are repeated a predetermined number of times. (In this example, once)
(A3.1) Based on the currently obtained n ^ t, i, j , a ^ t, k is calculated using equation (6).
(A3.2) a ^ t, k and x t, i (observed feature quantity at microphone node i, time t) and p (x i | n i, Based on j = 1), n ^ t, i, j is calculated using Equation (7) and Equation (8).
<Procedure a4>
Equations (9) to (11) are calculated using n ^ t, i, j calculated in step a3.

[n~t,i,jの計算]
<手順b1>
n~t,i,jの初期値をp(ni,j|xj,t)からサンプリングする。(具体的な処理例は、手順a2と同様)
<手順b2>
以下の(b3.1)および(b3.2)を所定の回数繰り返す。(本実施例では1回)
(b3.1)現在求められているn~t,i,jを基に、式(6)を用いてa~t,kを計算する。
(b3.2)a~t,kを基に、式(7)を用いて、n~t,i,jを計算する。
<手順b3>
手順b3で計算されたn~t,i,jを利用して式(9)〜(11)の計算を行う。
[Calculation of n ~ t, i, j ]
<Procedure b1>
The initial values of n ~ t, i, j are sampled from p (n i, j | x j, t ). (Specific processing examples are the same as in step a2)
<Procedure b2>
The following (b3.1) and (b3.2) are repeated a predetermined number of times. (In this example, once)
(B3.1) Calculate a to t, k using equation (6) based on the currently obtained n to t, i, j .
(B3.2) Based on a to t, k , n to t, i, j is calculated using Equation (7).
<Procedure b3>
Equations (9) to (11) are calculated using n to t, i, j calculated in step b3.

そして、マイクノード間音源存在事後確率共起パタン検出部12の第二音源存在事後確率算出部122は、求められたパラメータ{Wi, bi, c}から式(8)を基に更新情報である第二音源存在事後確率p(ni,j=1|a^t,xt)を計算する。 Then, the second sound source existence posterior probability calculation unit 122 of the sound source existence posterior probability co-occurrence pattern detection unit 12 between the microphone nodes updates the update information based on Expression (8) from the obtained parameters {W i , b i , c}. The second sound source existence posterior probability p (n i, j = 1 | a ^ t , x t ) is calculated.

[マイクノード別音源存在事後確率推定部11での処理(初期値計算以降の処理)]
マイクノード別音源存在事後確率推定部11の第一音源存在事後確率更新部112は、マイクノード間音源存在事後確率共起パタン検出部12で得られた更新情報である第二音源存在事後確率p(ni,j=1|a^t,xt)を用いて、式(2)が最大となるようにp(xi|ni(n i ))の分布パラメータを更新する。以下では、更新方法の一例を示す。
[Processing by sound source existence posterior probability estimation unit 11 by microphone node (processing after initial value calculation)]
The first sound source existence posterior probability update unit 112 of the sound source existence posterior probability estimation unit 11 by microphone node is a second sound source existence posterior probability p which is update information obtained by the microphone node sound source existence posterior probability co-occurrence pattern detection unit 12. Using (n i, j = 1 | a ^ t , x t ), the distribution parameter of p (x i | n i ; θ (n i ) ) is updated so that Equation (2) is maximized. Below, an example of the update method is shown.

はじめに、第一音源存在事後確率更新部112は、式(2)におけるp(xi|ni(n i ))を式(15)のように表す。 First, the first sound source presence posterior probability update unit 112 represents p (x i | n i ; θ (n i ) ) in Expression (2) as Expression (15).

Figure 2016194657
Figure 2016194657

式(15)は、p(xi|ni(n i ))を一般的な指数型分布族の関数で表している。ここで、式(15)の尤度式の対数をとったもの(対数尤度関数)のθ(n i )に関する勾配は、以下の式(16)のようになる。 Equation (15) represents p (x i | n i ; θ (n i ) ) as a general exponential distribution family function. Here, the gradient related to θ (n i ) of the logarithm of the likelihood formula of Formula (15) (log likelihood function) is expressed by the following Formula (16).

Figure 2016194657
Figure 2016194657

この時、第一音源存在事後確率更新部112は、p(n,a|x)を以下の式(17)に示すように近似的に求める。   At this time, the first sound source presence posterior probability update unit 112 approximately obtains p (n, a | x) as shown in the following equation (17).

Figure 2016194657
Figure 2016194657

式(17)の値は、前段のマイクノード間音源存在事後確率共起パタン検出部12での処理の最終段階で求めた、式(8)を基に計算される第二音源存在事後確率p(ni,j=1|a^t,xt)をすべての時間フレームtについて平均した値に相当する。最終的に、第一音源存在事後確率更新部112は、式(17)の値が0となるように下記の式(18)のように置き、方程式を解くことでθ(n i )の値を計算する。 The value of the equation (17) is the second sound source existence posterior probability p calculated based on the equation (8) obtained at the final stage of the processing in the microphone stage sound source existence posterior probability co-occurrence pattern detection unit 12 in the previous stage. This corresponds to an average value of (n i, j = 1 | a ^ t , x t ) for all time frames t. Finally, the first sound source presence posterior probability updating unit 112 places the value of equation (17) as shown in the following equation (18) so that the value of equation (17) becomes 0, and solves the equation to obtain the value of θ (n i ) . Calculate

Figure 2016194657
Figure 2016194657

式(18)のθ(n i )の値が計算されれば、再度第一音源存在事後確率p(ni,j|xi)を計算することが可能となり、その値をマイクノード間音源存在事後確率共起パタン検出部12に出力すれば、マイクノード間音源存在事後確率共起パタン検出部12にて再度パラメータ{Wi, bi, c}の更新処理が行われる。 If the value of θ (n i ) in equation (18) is calculated, the first sound source existence posterior probability p (n i, j | x i ) can be calculated again, and this value is used as the sound source between microphone nodes. When output to the existence posterior probability co-occurrence pattern detection unit 12, the parameter {W i , b i , c} is updated again by the sound source existence posterior probability co-occurrence pattern detection unit 12.

[収束判定部13での処理]
収束判定部13は、第一音源存在事後確率更新部112、共起関係モデルパラメータ算出部121および第二音源存在事後確率算出部122における処理を繰り返し行い、式(18)のマイクノード別音源存在事後確率推定部11のパラメータθ(n i )や式(2)のマイクノード間音源存在事後確率共起パタン検出部12のパラメータθ(w)の更新量が所定の閾値以下となったところで、収束したと判定し、繰り返しを終了するように制御する。また、式(2)に示す尤度が十分に大きな値となったところで収束したと判定してもよい。
[Processing at convergence determination unit 13]
The convergence determination unit 13 repeatedly performs the processes in the first sound source presence posterior probability update unit 112, the co-occurrence relation model parameter calculation unit 121, and the second sound source presence posterior probability calculation unit 122, and the sound source existence by microphone node of Expression (18) When the update amount of the parameter θ (n i ) of the posterior probability estimation unit 11 and the parameter θ (w) of the sound source presence posterior probability co-occurrence pattern detection unit 12 of Equation (2) is equal to or less than a predetermined threshold, It determines that it has converged, and controls to end the repetition. Moreover, you may determine with having converged when the likelihood shown to Formula (2) became a sufficiently large value.

[評価実験]
実施形態に係る音源分離装置の性能を評価する目的で評価実験を行った。実験条件は次の通りとした。図3に、シミュレーションに用いた音響環境を示す。図3は、実施形態に係る音源分離装置が用いられる音響環境を示す図である。部屋のサイズは10m(W)×5m(D)×5m(H)であり、残響時間は0.2、0.4、0.6、0.8秒の4条件とした。この音響環境を鏡像法(参考文献2:J.B.Allen and D.A.Berkeley, “Image method for efficiently simulating small-room acoustics, ”J.Acoust.Soc.Am.,vol.65(4),pp.943-950,1979.)を用いてシミュレーションした。
[Evaluation experiment]
An evaluation experiment was performed for the purpose of evaluating the performance of the sound source separation device according to the embodiment. The experimental conditions were as follows. FIG. 3 shows the acoustic environment used for the simulation. FIG. 3 is a diagram illustrating an acoustic environment in which the sound source separation device according to the embodiment is used. The size of the room was 10 m (W) × 5 m (D) × 5 m (H), and the reverberation time was four conditions of 0.2, 0.4, 0.6, and 0.8 seconds. This acoustic environment is mirror image method (Reference 2: JB Allen and DA Berkeley, “Image method for efficiently simulating small-room acoustics,” J. Acoust. Soc. Am., Vol. 65 (4), pp. 943-950, 1979. .).

また、背景雑音のある環境を模擬するため、コンピュータ上で白色雑音を発生させ、SN比が10dBとなるよう信号に足し合わせ、観測信号を作成した。話者は、6人おり、6人中3人の話者が半径80cmの円状に等間隔を開けて部屋の左側に座り、その他の3人は同様に半径80cmの円状に等間隔を開けて部屋の右側に座り、全員が同時会話している状況を想定した。これは、会議室や飲食店などでの会話状況を模擬している。収音機器としては、図3に示すように、3つのマイクからなるマイクロホンノードが2つある状況を想定した。   In order to simulate an environment with background noise, white noise was generated on a computer and added to the signal so that the S / N ratio was 10 dB to create an observation signal. There are 6 speakers, and 3 out of 6 speakers sit on the left side of the room in a circle with a radius of 80 cm, and the other 3 people are equally spaced in a circle with a radius of 80 cm. I assumed the situation where everyone was talking at the same time. This simulates a conversation situation in a conference room or a restaurant. As the sound collection device, as shown in FIG. 3, a situation is assumed in which there are two microphone nodes including three microphones.

本発明と比較する従来法は、すべてのマイクロホンにおいて共通の音源存在事後確率を仮定して、ソフトマスクを用いた音源分離を行う非特許文献1に示された方法とした。
評価指標としては音源分離性能を示すSIR(Signal-to-interference ratio)を用いた。音源分離性能はSIRの値が大きいほど、性能が良いことを示す。評価音声としては、TIMIT(参考文献3:W.Fisher, G.R.Doddington, and K.M.Goudie-Marshall, “The DARPA speech recognition research database: specifications and status, ”inProc. DARPA workshop on Speech Recognition, 7986, pp.96-99.)から無作為に抽出した音声を用い、各音響環境において計20個の異なる混合音声を用意し、結果はそれらの平均値として算出した。
The conventional method compared with the present invention is the method shown in Non-Patent Document 1 that performs sound source separation using a soft mask, assuming a common sound source posterior probability in all microphones.
SIR (Signal-to-interference ratio) indicating sound source separation performance was used as an evaluation index. The sound source separation performance indicates that the larger the SIR value, the better the performance. For evaluation speech, TIMIT (Reference 3: W. Fisher, GRDoddington, and KMGoudie-Marshall, “The DARPA speech recognition research database: specifications and status,” in Proc. DARPA workshop on Speech Recognition, 7986, pp. 96-99. .) Was randomly extracted from each sound environment, a total of 20 different mixed sounds were prepared in each acoustic environment, and the result was calculated as an average value thereof.

図4に、評価実験の結果を示す。図4は、実施形態に係る音源分離装置の音源分離性能を示す図である。横軸は残響時間、縦軸はSIR値、つまり音源分離性能(dB)を表している。全残響環境において、本発明は従来法よりも高い性能を達成していることが示されている。このように本発明の音源分離装置によれば、分散マイクロホンアレイ環境においても効率的に音源分離を行うことが確認できた。   FIG. 4 shows the results of the evaluation experiment. FIG. 4 is a diagram illustrating the sound source separation performance of the sound source separation device according to the embodiment. The horizontal axis represents the reverberation time, and the vertical axis represents the SIR value, that is, the sound source separation performance (dB). In all reverberant environments, the present invention has been shown to achieve higher performance than conventional methods. Thus, according to the sound source separation apparatus of the present invention, it was confirmed that sound source separation was performed efficiently even in a distributed microphone array environment.

[出力音推定部14での処理]
収束判定部13によって更新量が収束したと判定された場合は、出力音推定部14は、第二音源存在事後確率を用いてフィルタリングを行い、各音源に関する音源イメージを推定する。
[Processing in output sound estimation unit 14]
When the convergence determination unit 13 determines that the update amount has converged, the output sound estimation unit 14 performs filtering using the second sound source existence posterior probability, and estimates a sound source image related to each sound source.

[実施形態の処理の流れ]
図5を用いて、実施形態に係る音源分離装置10の処理の流れについて説明する。図5は、実施形態に係る音源分離装置の処理を示すフローチャートである。まず、マイクノード別音源存在事後確率推定部11は、第一音源存在事後確率の初期値を算出する(ステップS101)。次に、マイクノード間音源存在事後確率共起パタン検出部12は、第一音源存在事後確率の共起関係をモデル化するパラメータを算出し、既に算出された既存のパラメータが存在している場合は、既存のパラメータを更新する(ステップS102)。そして、マイクノード間音源存在事後確率共起パタン検出部12は、算出したパラメータを基に第二音源存在事後確率を算出する(ステップS103)。
[Processing flow of the embodiment]
A processing flow of the sound source separation device 10 according to the embodiment will be described with reference to FIG. FIG. 5 is a flowchart illustrating processing of the sound source separation device according to the embodiment. First, the sound source presence posterior probability estimation unit 11 for each microphone node calculates an initial value of the first sound source presence posterior probability (step S101). Next, the sound source presence posterior probability co-occurrence pattern detection unit 12 between the microphone nodes calculates a parameter for modeling the co-occurrence relationship of the first sound source presence posterior probability, and the already calculated existing parameter exists. Updates the existing parameters (step S102). Then, the sound source presence posterior probability co-occurrence pattern detection unit 12 between the microphone nodes calculates the second sound source presence posterior probability based on the calculated parameters (step S103).

ここで、収束判定部13が、各更新量が閾値以下でないと判定した場合(ステップS104、No)は、マイクノード別音源存在事後確率推定部11は、第二音源存在事後確率を基に第一音源存在事後確率を更新する(ステップS105)。そして、マイクノード間音源存在事後確率共起パタン検出部12は、更新された第一音源存在事後確率を用いて再び処理を行う。   Here, when the convergence determination unit 13 determines that each update amount is not equal to or less than the threshold (No in step S104), the microphone node-specific sound source existence posterior probability estimation unit 11 performs the first determination based on the second sound source presence posterior probability. The posterior probability of one sound source is updated (step S105). Then, the inter-microphone sound source presence posterior probability co-occurrence pattern detection unit 12 performs the process again using the updated first sound source presence posterior probability.

これに対して、収束判定部13が、各更新量が閾値以下であると判定した場合(ステップS104、Yes)は、マイクノード間音源存在事後確率共起パタン検出部12は、第二音源存在事後確率を出力音推定部14に出力する(ステップS106)。最後に、出力音推定部14は、時間ごとの音源存在事後確率をフィルタとして音源分離を行う(ステップS107)。   On the other hand, when the convergence determination unit 13 determines that each update amount is equal to or less than the threshold (Yes in step S104), the inter-microphone sound source existence posterior probability co-occurrence pattern detection unit 12 determines that the second sound source exists. The posterior probability is output to the output sound estimation unit 14 (step S106). Finally, the output sound estimation unit 14 performs sound source separation using the sound source existence posterior probability for each time as a filter (step S107).

[実施形態の効果]
まず、音源分離装置10は、複数の音源から発せられる音源信号を複数のマイクロホンで収音した複数チャネルの観測信号であるマイクロホンノード観測信号に基づいて各マイクロホンノードにおける各音源に関する音源存在事後確率を推定し、また、前記音源存在事後確率を更新するための情報である更新情報に基づいて音源存在事後確率を更新する。そして、音源分離装置10は、同一時間周波数ビンにおいては各マイクロホンノード間での各音源に関する音源存在事後確率が共起すると仮定し、音源存在事後確率の共起関係をモデル化し、各マイクロホンノードの音源存在事後確率の共起性が大きくなるようにモデルにおけるパラメータを推定し、パラメータを基に更新情報を算出する。さらに、音源分離装置10は、音マイクノード別音源存在事後確率推定部における音源存在事後確率の更新およびマイクノード間音源存在事後確率共起パタン検出部における更新情報の算出を、音源存在事後確率またはパラメータが収束するまで繰り返し実行させる。最後に、音源分離装置10は、マイクロホンノード観測信号に対し、音源存在事後確率または更新情報を用いてフィルタリングすることで、各音源の音源信号を推定する。
[Effect of the embodiment]
First, the sound source separation device 10 calculates a sound source existence posterior probability for each sound source in each microphone node based on a microphone node observation signal that is a multi-channel observation signal obtained by collecting sound source signals emitted from a plurality of sound sources by a plurality of microphones. The sound source existence posterior probability is updated based on update information that is information for updating the sound source existence posterior probability. Then, the sound source separation device 10 assumes that the sound source existence posterior probabilities for each sound source co-occur in each microphone node in the same time frequency bin, models the co-occurrence relationship of the sound source existence posterior probabilities, and The parameters in the model are estimated so that the co-occurrence of the sound source posterior probability increases, and update information is calculated based on the parameters. Furthermore, the sound source separation device 10 performs the update of the sound source presence posterior probability in the sound source existence posterior probability estimation unit by sound microphone node and the calculation of update information in the sound source presence posterior probability co-occurrence pattern detection unit between microphone nodes, Repeat until the parameters converge. Finally, the sound source separation apparatus 10 estimates the sound source signal of each sound source by filtering the microphone node observation signal using the sound source existence posterior probability or the update information.

これにより、共起性を考慮した音源存在事後確率のモデルの作成を行うことができ、複数のマイクロホンノードから得られる情報を音源分離に利用することが可能となる。その結果、分散マイクロホンアレイ環境においても効果的に音源分離を行うことができるようになる。   As a result, it is possible to create a model of a sound source posterior probability in consideration of co-occurrence, and it is possible to use information obtained from a plurality of microphone nodes for sound source separation. As a result, sound source separation can be performed effectively even in a distributed microphone array environment.

[装置構成等]
音声分離装置10における処理手段をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、各装置における処理手段がコンピュータ上で実現される。
[Equipment configuration]
When the processing means in the sound separation device 10 is realized by a computer, the processing contents of the functions that each device should have are described by a program. Then, by executing this program on the computer, the processing means in each apparatus is realized on the computer.

なお、効率的にRBMのパラメータ推定を行う目的で、contrastive divergence法を用いた方法について説明を行ったが、この発明はこの実施例に限定されない。また、マイクノード別音源存在事後確率推定部11での分布パラメータの推定のために式(16)の値をゼロと置く方法について説明を行ったが、この発明はこの実施例に限定されない。例えば式(2)の値を最大化するために、全パラメータの全ての組み合わせを探索する全組み合わせ探索法を用いても、この発明の技術思想の範囲に含まれる。   Although the method using the contrastive divergence method has been described for the purpose of efficiently estimating RBM parameters, the present invention is not limited to this embodiment. Moreover, although the method of setting the value of Formula (16) to zero for the estimation of the distribution parameter in the sound source existence posterior probability estimation unit 11 by microphone node has been described, the present invention is not limited to this embodiment. For example, in order to maximize the value of the expression (2), the use of the all combination search method for searching all combinations of all parameters is included in the scope of the technical idea of the present invention.

この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、DVD(Digital Versatile Disc)、DVD−RAM(Random Access Memory)、CD−ROM(Compact Disc Read Only Memory)、CD−R(Recordable)/RW(Re Writable)等を、光磁気記録媒体として、MO(Magneto Opticaldisc)等を、半導体メモリとしてEEP−ROM(Electronically Erasableand Programmable-Read Only Memory)等を用いることができる。   The program describing the processing contents can be recorded on a computer-readable recording medium. As the computer-readable recording medium, for example, any recording medium such as a magnetic recording device, an optical disk, a magneto-optical recording medium, and a semiconductor memory may be used. Specifically, for example, as a magnetic recording device, a hard disk device, a flexible disk, a magnetic tape or the like, and as an optical disk, a DVD (Digital Versatile Disc), a DVD-RAM (Random Access Memory), a CD-ROM (Compact Disc Read Only). Memory), CD-R (Recordable) / RW (Re Writable), etc., MO (Magneto Optical Disc) etc. as the magneto-optical recording medium, EEP-ROM (Electronically Erasable and Programmable-Read Only Memory) etc. as the semiconductor memory be able to.

また、このプログラムの流通は、例えば、そのプログラムを記録したDVD、CD−ROM等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記録装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。   The program is distributed by selling, transferring, or lending a portable recording medium such as a DVD or CD-ROM in which the program is recorded. Further, the program may be distributed by storing the program in a recording device of a server computer and transferring the program from the server computer to another computer via a network.

また、各手段は、コンピュータ上で所定のプログラムを実行させることにより構成することにしてもよいし、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。   Each means may be configured by executing a predetermined program on a computer, or at least a part of these processing contents may be realized by hardware.

音源分離装置10は、内包する各機能(装置)を物理的・仮想的に分散可能であり、その際は両装置内の各機能(装置)が各々一つの単位として分散されることとしてもよい。また、例えば、収束判定部13は省略可能であり、マイクノード別音源存在事後確率推定部11、またはマイクノード間音源存在事後確率共起パタン検出部12に組み込まれることとしてもよい。また各装置内の各部は、有効に機能する程度において別の各装置に組み込まれる構成をとってもよい。   The sound source separation device 10 can physically and virtually disperse each function (device) included, and in this case, each function (device) in both devices may be dispersed as one unit. . For example, the convergence determination unit 13 may be omitted, and may be incorporated in the microphone node-specific sound source presence posterior probability estimation unit 11 or the inter-microphone node sound source presence posterior probability co-occurrence pattern detection unit 12. In addition, each unit in each device may be configured to be incorporated in another device to the extent that it functions effectively.

[プログラム]
また、上記実施の形態に係る音源分離装置10が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。この場合、コンピュータがプログラムを実行することにより、上記実施の形態と同様の効果を得ることができる。さらに、かかるプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータに読み込ませて実行することにより上記実施の形態と同様の処理を実現してもよい。以下に、音源分離装置10と同様の機能を実現する音源分離プログラムを実行するコンピュータの一例を説明する。
[program]
It is also possible to create a program in which processing executed by the sound source separation device 10 according to the above embodiment is described in a language that can be executed by a computer. In this case, the same effect as the above-described embodiment can be obtained by the computer executing the program. Further, such a program may be recorded on a computer-readable recording medium, and the program recorded on the recording medium may be read by a computer and executed to execute the same processing as in the above embodiment. Hereinafter, an example of a computer that executes a sound source separation program that realizes the same function as the sound source separation device 10 will be described.

図6は、音源分離プログラムを実行するコンピュータを示す図である。図6に示すように、コンピュータ1000は、例えば、メモリ1010と、CPU(Central Processing Unit)1020と、ハードディスクドライブインタフェース1030と、ディスクドライブインタフェース1040と、シリアルポートインタフェース1050と、ビデオアダプタ1060と、ネットワークインタフェース1070とを有する。これらの各部は、バス1080によって接続される。   FIG. 6 is a diagram illustrating a computer that executes a sound source separation program. As shown in FIG. 6, a computer 1000 includes, for example, a memory 1010, a CPU (Central Processing Unit) 1020, a hard disk drive interface 1030, a disk drive interface 1040, a serial port interface 1050, a video adapter 1060, a network Interface 1070. These units are connected by a bus 1080.

メモリ1010は、ROM(Read Only Memory)1011およびRAM(Random Access Memory)1012を含む。ROM1011は、例えば、BIOS(Basic Input Output System)等のブートプログラムを記憶する。ハードディスクドライブインタフェース1030は、ハードディスクドライブ1090に接続される。ディスクドライブインタフェース1040は、ディスクドライブ1100に接続される。ディスクドライブ1100には、例えば、磁気ディスクや光ディスク等の着脱可能な記憶媒体が挿入される。シリアルポートインタフェース1050には、例えば、マウス1110およびキーボード1120が接続される。ビデオアダプタ1060には、例えば、ディスプレイ1130が接続される。   The memory 1010 includes a ROM (Read Only Memory) 1011 and a RAM (Random Access Memory) 1012. The ROM 1011 stores a boot program such as BIOS (Basic Input Output System). The hard disk drive interface 1030 is connected to the hard disk drive 1090. The disk drive interface 1040 is connected to the disk drive 1100. A removable storage medium such as a magnetic disk or an optical disk is inserted into the disk drive 1100, for example. For example, a mouse 1110 and a keyboard 1120 are connected to the serial port interface 1050. For example, a display 1130 is connected to the video adapter 1060.

ここで、図6に示すように、ハードディスクドライブ1090は、例えば、OS1091、アプリケーションプログラム1092、プログラムモジュール1093およびプログラムデータ1094を記憶する。上記実施の形態で説明した各テーブルは、例えばハードディスクドライブ1090やメモリ1010に記憶される。   Here, as shown in FIG. 6, the hard disk drive 1090 stores, for example, an OS 1091, an application program 1092, a program module 1093, and program data 1094. Each table described in the above embodiment is stored in, for example, the hard disk drive 1090 or the memory 1010.

また、音源分離プログラムは、例えば、コンピュータ1000によって実行される指令が記述されたプログラムモジュールとして、ハードディスクドライブ1090に記憶される。具体的には、上記実施の形態で説明した音源分離装置10が実行する各処理が記述されたプログラムモジュールが、ハードディスクドライブ1090に記憶される。   The sound source separation program is stored in the hard disk drive 1090 as a program module in which a command executed by the computer 1000 is described, for example. Specifically, a program module describing each process executed by the sound source separation device 10 described in the above embodiment is stored in the hard disk drive 1090.

また音源分離プログラムによる情報処理に用いられるデータは、プログラムデータとして、例えば、ハードディスクドライブ1090に記憶される。そして、CPU1020が、ハードディスクドライブ1090に記憶されたプログラムモジュール1093やプログラムデータ1094を必要に応じてRAM1012に読み出して、上述した各手順を実行する。   Data used for information processing by the sound source separation program is stored as program data, for example, in the hard disk drive 1090. Then, the CPU 1020 reads out the program module 1093 and the program data 1094 stored in the hard disk drive 1090 to the RAM 1012 as necessary, and executes the above-described procedures.

なお、音源分離プログラムに係るプログラムモジュール1093やプログラムデータ1094は、ハードディスクドライブ1090に記憶される場合に限られず、例えば、着脱可能な記憶媒体に記憶されて、ディスクドライブ1100等を介してCPU1020によって読み出されてもよい。あるいは、音源分離プログラムに係るプログラムモジュール1093やプログラムデータ1094は、LAN(Local Area Network)やWAN(Wide Area Network)等のネットワークを介して接続された他のコンピュータに記憶され、ネットワークインタフェース1070を介してCPU1020によって読み出されてもよい。   The program module 1093 and the program data 1094 related to the sound source separation program are not limited to being stored in the hard disk drive 1090. For example, the program module 1093 and the program data 1094 are stored in a removable storage medium and read by the CPU 1020 via the disk drive 1100 or the like. May be issued. Alternatively, the program module 1093 and the program data 1094 related to the sound source separation program are stored in another computer connected via a network such as a LAN (Local Area Network) or a WAN (Wide Area Network), and are transmitted via the network interface 1070. May be read by the CPU 1020.

10 音源分離装置
11 マイクノード別音源存在事後確率推定部
12 マイクノード間音源存在事後確率共起パタン検出部
13 収束判定部
14 出力音推定部
15 入力部
20 マイクロホンノード
21 出力装置
DESCRIPTION OF SYMBOLS 10 Sound source separation apparatus 11 Sound source existence posterior probability estimation part according to microphone node 12 Sound source existence posterior probability co-occurrence pattern detection part 13 Convergence determination part 14 Output sound estimation part 15 Input part 20 Microphone node 21 Output apparatus

Claims (5)

複数の音源から発せられる音源信号を複数のマイクロホンで収音した複数チャネルの観測信号であるマイクロホンノード観測信号に基づいて各マイクロホンノードにおける各音源に関する音源存在事後確率を推定し、また、前記音源存在事後確率を更新するための情報である更新情報に基づいて前記音源存在事後確率を更新するマイクノード別音源存在事後確率推定部と、
同一時間周波数ビンにおいては前記各マイクロホンノード間での前記各音源に関する前記音源存在事後確率が共起すると仮定し、前記音源存在事後確率の共起関係をモデル化し、前記各マイクロホンノードの前記音源存在事後確率の共起性が大きくなるように前記モデルにおけるパラメータを推定し、前記パラメータを基に前記更新情報を算出するマイクノード間音源存在事後確率共起パタン検出部と、
前記マイクノード別音源存在事後確率推定部における前記音源存在事後確率の更新および前記マイクノード間音源存在事後確率共起パタン検出部における前記更新情報の算出を、前記音源存在事後確率または前記パラメータが収束するまで繰り返し実行させる収束判定部と、
前記マイクロホンノード観測信号に対し、前記音源存在事後確率または前記更新情報を用いてフィルタリングすることで、前記各音源の前記音源信号を推定する出力音推定部と、
を有することを特徴とする音源分離装置。
Estimate the sound source existence posterior probability for each sound source at each microphone node based on the microphone node observation signal, which is a multi-channel observation signal obtained by collecting sound source signals emitted from a plurality of sound sources with a plurality of microphones, and A sound source existence posterior probability estimation unit for each microphone node that updates the sound source existence posterior probability based on update information that is information for updating the posterior probability;
Assuming that the sound source existence posterior probabilities for each sound source between the respective microphone nodes co-occur in the same time frequency bin, the co-occurrence relationship of the sound source existence posterior probabilities is modeled, and the sound source existence of each microphone node Estimating the parameters in the model so that the co-occurrence of the posterior probability is large, and calculating the update information based on the parameters, the sound source presence posterior probability co-occurrence pattern detection unit between microphone nodes,
The update of the sound source presence posterior probability in the sound source existence posterior probability estimation unit for each microphone node and the calculation of the update information in the sound source presence posterior probability co-occurrence pattern detection unit between the microphone nodes converge the sound source posterior probability or the parameter. A convergence determination unit that is repeatedly executed until
An output sound estimation unit that estimates the sound source signal of each sound source by filtering the sound source presence posterior probability or the update information with respect to the microphone node observation signal;
A sound source separation device comprising:
前記マイクノード別音源存在事後確率推定部は、
前記マイクロホンノード観測信号である時間フレームtにおける前記複数の音源から発せられる前記音源信号をi番目のマイクロホンノードで収音した観測特徴量xiに基づいてp(xi|ni(n i ))を推定することによって前記音源存在事後確率であるj番目の音源の前記i番目のマイクロホンノードでの存在事後確率p(ni,j|xi)を推定し、前記更新情報に基づいて前記観測信号の尤度p(x;θ)が最大になるようにp(xi|ni(n i ))を再推定することによって前記音源存在事後確率であるj番目の音源の前記i番目のマイクロホンノードでの存在事後確率p(ni,j|xi)を更新し、
前記マイクノード間音源存在事後確率共起パタン検出部は、
全てのi、全てのj、全てのtにおける前記音源存在事後確率の全ての時間フレームtに関するp(ni,j|xi,t)の集合を用いて、前記各マイクロホンノードにおける音源アクティビティ情報nおよび全ノードに共通する潜在的な音源アクティビティ情報aの同時確率であって、音源のアクティビティを示す事前確率p(n,a;θ(w))が最大になるように、前記音源存在事後確率の共起性を示す前記モデルの前記パラメータであるθ(w)を推定し、前記更新情報を算出することを特徴とする請求項1に記載の音源分離装置。
The sound source existence posterior probability estimation unit for each microphone node is:
P (x i | n i ; θ (n) based on the observation feature quantity x i obtained by collecting the sound source signals emitted from the plurality of sound sources in the time frame t as the microphone node observation signal at the i-th microphone node. i )) ) to estimate the existence posterior probability p (n i, j | x i ) of the j th sound source at the i th microphone node, which is the sound source existence posterior probability, and based on the update information Re-estimating p (x i | n i ; θ (n i ) ) so that the likelihood p (x; θ) of the observed signal is maximized. Update the existence posterior probability p (n i, j | x i ) at the i-th microphone node of
The sound source presence posterior probability co-occurrence pattern detection unit between the microphone nodes is
Sound source activity information at each microphone node using a set of p (n i, j | x i, t ) for all time frames t of the sound source existence posterior probabilities at all i, all j, and all t n and the potential probability of sound source activity common to all nodes a, and the sound source existence posterior so that the prior probability p (n, a; θ (w) ) indicating the sound source activity is maximized. The sound source separation apparatus according to claim 1, wherein θ (w) that is the parameter of the model indicating the co-occurrence of probability is estimated, and the update information is calculated.
音源分離装置で実行される音源分離方法であって、
複数の音源から発せられる音源信号を複数のマイクロホンで収音した複数チャネルの観測信号であるマイクロホンノード観測信号に基づいて各マイクロホンノードにおける各音源に関する音源存在事後確率を推定し、また、前記音源存在事後確率を更新するための情報である更新情報に基づいて前記音源存在事後確率を更新するマイクノード別音源存在事後確率推定工程と、
同一時間周波数ビンにおいては前記各マイクロホンノード間での前記各音源に関する前記音源存在事後確率が共起すると仮定し、前記音源存在事後確率の共起関係をモデル化し、前記各マイクロホンノードの前記音源存在事後確率の共起性が大きくなるように前記モデルにおけるパラメータを推定し、前記パラメータを基に前記更新情報を算出するマイクノード間音源存在事後確率共起パタン検出工程と、
前記マイクノード別音源存在事後確率推定工程における前記音源存在事後確率の更新および前記マイクノード間音源存在事後確率共起パタン検出工程における前記更新情報の算出を、前記音源存在事後確率または前記パラメータが収束するまで繰り返し実行させる収束判定工程と、
前記マイクロホンノード観測信号に対し、前記音源存在事後確率または前記更新情報を用いてフィルタリングすることで、前記各音源の前記音源信号を推定する出力音推定工程と、
を含んだことを特徴とする音源分離方法。
A sound source separation method executed by a sound source separation device,
Estimate the sound source existence posterior probability for each sound source at each microphone node based on the microphone node observation signal, which is a multi-channel observation signal obtained by collecting sound source signals emitted from a plurality of sound sources with a plurality of microphones, and Sound source presence posterior probability estimation step for each microphone node that updates the sound source presence posterior probability based on update information that is information for updating the posterior probability;
Assuming that the sound source existence posterior probabilities for each sound source between the respective microphone nodes co-occur in the same time frequency bin, the co-occurrence relationship of the sound source existence posterior probabilities is modeled, and the sound source existence of each microphone node Estimating the parameters in the model so that the co-occurrence of the posterior probability is large, and calculating the update information based on the parameters, the sound source presence posterior probability co-occurrence pattern detection step between microphone nodes;
The update of the sound source existence posterior probability in the sound source existence posterior probability estimation step for each microphone node and the calculation of the update information in the sound source presence posterior probability co-occurrence pattern detection step between the microphone nodes converge the sound source presence posterior probability or the parameter. A convergence determination step that is repeatedly executed until
An output sound estimation step of estimating the sound source signal of each sound source by filtering the microphone node observation signal using the sound source existence posterior probability or the update information;
A sound source separation method comprising:
前記マイクノード別音源存在事後確率推定工程は、
前記マイクロホンノード観測信号である時間フレームtにおける前記複数の音源から発せられる前記音源信号をi番目のマイクロホンノードで収音した観測特徴量xiに基づいてp(xi|ni(n i ))を推定することによって前記音源存在事後確率であるj番目の音源の前記i番目のマイクロホンノードでの存在事後確率p(ni,j|xi)を推定し、前記更新情報に基づいて前記観測信号の尤度p(x;θ)が最大になるようにp(xi|ni(n i ))を再推定することによって前記音源存在事後確率であるj番目の音源の前記i番目のマイクロホンノードでの存在事後確率p(ni,j|xi)を更新し、
前記マイクノード間音源存在事後確率共起パタン検出工程は、
全てのi、全てのj、全てのtにおける前記音源存在事後確率の全ての時間フレームtに関するp(ni,j|xi,t)の集合を用いて、前記各マイクロホンノードにおける音源アクティビティ情報nおよび全ノードに共通する潜在的な音源アクティビティ情報aの同時確率であって、音源のアクティビティを示す事前確率p(n,a;θ(w))が最大になるように、前記音源存在事後確率の共起性を示す前記モデルの前記パラメータであるθ(w)を推定し、前記更新情報を算出することを特徴とする請求項3に記載の音源分離方法。
The microphone node-specific sound source existence posterior probability estimation step includes:
P (x i | n i ; θ (n) based on the observation feature quantity x i obtained by collecting the sound source signals emitted from the plurality of sound sources in the time frame t as the microphone node observation signal at the i-th microphone node. i )) ) to estimate the existence posterior probability p (n i, j | x i ) of the j th sound source at the i th microphone node, which is the sound source existence posterior probability, and based on the update information Re-estimating p (x i | n i ; θ (n i ) ) so that the likelihood p (x; θ) of the observed signal is maximized. Update the existence posterior probability p (n i, j | x i ) at the i-th microphone node of
The microphone node sound source existence posterior probability co-occurrence pattern detection step includes:
Sound source activity information at each microphone node using a set of p (n i, j | x i, t ) for all time frames t of the sound source existence posterior probabilities at all i, all j, and all t n and the potential probability of sound source activity common to all nodes a, and the sound source existence posterior so that the prior probability p (n, a; θ (w) ) indicating the sound source activity is maximized. The sound source separation method according to claim 3, wherein θ (w) that is the parameter of the model indicating the co-occurrence of probability is estimated, and the update information is calculated.
コンピュータを請求項1または2に記載の音源分離装置として機能させるための音源分離プログラム。   A sound source separation program for causing a computer to function as the sound source separation device according to claim 1.
JP2015075262A 2015-04-01 2015-04-01 Sound source separation device, sound source separation method, and sound source separation program Active JP6339520B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2015075262A JP6339520B2 (en) 2015-04-01 2015-04-01 Sound source separation device, sound source separation method, and sound source separation program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015075262A JP6339520B2 (en) 2015-04-01 2015-04-01 Sound source separation device, sound source separation method, and sound source separation program

Publications (2)

Publication Number Publication Date
JP2016194657A true JP2016194657A (en) 2016-11-17
JP6339520B2 JP6339520B2 (en) 2018-06-06

Family

ID=57323126

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015075262A Active JP6339520B2 (en) 2015-04-01 2015-04-01 Sound source separation device, sound source separation method, and sound source separation program

Country Status (1)

Country Link
JP (1) JP6339520B2 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610718A (en) * 2018-06-15 2019-12-24 炬芯(珠海)科技有限公司 Method and device for extracting expected sound source voice signal

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013054258A (en) * 2011-09-06 2013-03-21 Nippon Telegr & Teleph Corp <Ntt> Sound source separation device and method, and program
JP2014157261A (en) * 2013-02-15 2014-08-28 Nippon Telegr & Teleph Corp <Ntt> Sound source separating device, sound source separating method, and program
JP2015040934A (en) * 2013-08-21 2015-03-02 日本電信電話株式会社 Sound source separation device, and method and program of the same

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013054258A (en) * 2011-09-06 2013-03-21 Nippon Telegr & Teleph Corp <Ntt> Sound source separation device and method, and program
JP2014157261A (en) * 2013-02-15 2014-08-28 Nippon Telegr & Teleph Corp <Ntt> Sound source separating device, sound source separating method, and program
JP2015040934A (en) * 2013-08-21 2015-03-02 日本電信電話株式会社 Sound source separation device, and method and program of the same

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ソウデンメレズ 他: "ノード内・ノード間情報の統合に基づく分散マイクアレイ音源分離", 日本音響学会2013年春季研究発表会, JPN6018014919, 5 March 2013 (2013-03-05), pages 797 - 798 *
木下慶介 他: "音源信号の距離減衰・局在性を考慮した大規模分散マイク音源分離に関する一検討", 日本音響学会2013年秋季研究発表会, JPN6018014918, 17 September 2013 (2013-09-17), pages 597 - 600 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610718A (en) * 2018-06-15 2019-12-24 炬芯(珠海)科技有限公司 Method and device for extracting expected sound source voice signal
CN110610718B (en) * 2018-06-15 2021-10-08 炬芯科技股份有限公司 Method and device for extracting expected sound source voice signal

Also Published As

Publication number Publication date
JP6339520B2 (en) 2018-06-06

Similar Documents

Publication Publication Date Title
US11900947B2 (en) Method and system for automatically diarising a sound recording
JP6235938B2 (en) Acoustic event identification model learning device, acoustic event detection device, acoustic event identification model learning method, acoustic event detection method, and program
JP5842056B2 (en) Noise estimation device, noise estimation method, noise estimation program, and recording medium
JP6927419B2 (en) Estimator, learning device, estimation method, learning method and program
JP5568530B2 (en) Sound source separation device, method and program thereof
CN106710599A (en) Particular sound source detection method and particular sound source detection system based on deep neural network
KR20200145219A (en) Method and apparatus for combined learning using feature enhancement based on deep neural network and modified loss function for speaker recognition robust to noisy environments
JP5634959B2 (en) Noise / dereverberation apparatus, method and program thereof
Nandwana et al. Robust unsupervised detection of human screams in noisy acoustic environments
CN109949821B (en) Method for removing reverberation of far-field voice by using U-NET structure of CNN
JP2016143043A (en) Speech model learning method, noise suppression method, speech model learning system, noise suppression system, speech model learning program, and noise suppression program
JP7218601B2 (en) LEARNING DATA ACQUISITION DEVICE, MODEL LEARNING DEVICE, THEIR METHOD, AND PROGRAM
JP6723120B2 (en) Acoustic processing device and acoustic processing method
CN109410956A (en) A kind of object identifying method of audio data, device, equipment and storage medium
KR102069699B1 (en) Apparatus and method for recognizing speech
KR102401959B1 (en) Joint training method and apparatus for deep neural network-based dereverberation and beamforming for sound event detection in multi-channel environment
KR20190130533A (en) Hearing Aid Having Voice Activity Detector and Method thereof
Chettri et al. A study on convolutional neural network based end-to-end replay anti-spoofing
JP6505346B1 (en) Computer system for unsupervised speaker adaptation of DNN speech synthesis, method and program implemented in the computer system
JP6339520B2 (en) Sound source separation device, sound source separation method, and sound source separation program
JP6059112B2 (en) Sound source separation device, method and program thereof
JP5731929B2 (en) Speech enhancement device, method and program thereof
JP6673861B2 (en) Signal processing device, signal processing method and signal processing program
CN113643710A (en) Attention-based multi-channel speaker confirmation method under self-organized microphone array
JP6114053B2 (en) Sound source separation device, sound source separation method, and program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170621

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180412

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180508

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180510

R150 Certificate of patent or registration of utility model

Ref document number: 6339520

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150