JP2019176332A - 音声抽出装置及び音声抽出方法 - Google Patents

Abstract

【課題】本発明は、ユーザが発話した音声についての音声認識の精度の向上を図ることを目的とする。【解決手段】音声抽出装置１０は、物体の種類及び位置を含む配置物体情報に基づいて、音源が存在する方向を抽出する音源方向抽出部１１と、音源方向抽出部１１が抽出した音源の方向に対して収音感度を向上させて周囲の音声を収音可能な収音制御部１００と、を備える。【選択図】図１

Description

本発明は、音声抽出装置及び音声抽出方法に関する。

スマートスピーカ（ＡＩスピーカ）等を一例とするネットワーク型の音声認識器機が急速に普及しつつある。ネットワーク型の音声認識器機は、従来、会議室等において参加者の音声を漏れなく収音するといった状況を想定しており、全方位の音声を収音可能となるように円形状に複数（５〜８個程度）のマイク（収音装置）を有するマイクロフォンアレイを搭載していた。しかしながら、近年、一般家庭にＡＩスピーカ等の普及が進むと、マイクロフォンアレイが例えばテレビからの音声等の雑音を収音してしまい、本来収音すべき有効音声（例えばユーザが発話した音声）に関して十分な精度の音声認識が行われない事態が生じている。例えば文献１には、音声入力装置において、ノイズを低減し、ユーザから発話される音声情報を取得する技術が開示されている。

特許第６２５０２９７号公報

しかしながら、従来の技術は、ユーザが発話した音声に対する音声認識の精度を十分に向上できていないという問題がある。
本発明は、このような点に鑑みてなされたものであり、有効音声についての音声認識の精度の向上を図ることができる音声抽出装置を提供することを目的とする。

上記目的を達成するために、本発明の一態様に係る音声抽出装置は、物体の種類及び位置を含む配置物体情報に基づいて、音源が存在する方向を抽出する音源方向抽出部と、前記音源方向抽出部が抽出した前記音源の方向に対して収音感度を向上させて周囲の音声を収音可能な収音制御部と、を備えることを特徴とする。

また、本発明の一態様に係る音声抽出方法は、物体の種類及び位置を含む配置物体情報に基づいて、音源が存在する方向を抽出する音源方向抽出工程と、前記音源方向抽出工程において抽出した前記音源の方向に対して収音感度を向上させて周囲の音声を収音する収音制御工程と、を含むことを特徴とする。

本発明の一態様によれば、ユーザが発話した音声についての音声認識の精度の向上を図ることができる。

本発明の第１実施形態の音声抽出装置を含む音声処理装置の概略構成図である。 （ａ）は、本発明の第１実施形態の音声抽出装置において画像処理部が生成する輪郭画像の一例を示す図であり、（ｂ）は、画像処理部が生成する物体認識情報の一例を説明する図である。 本発明の第１実施形態の音声抽出装置における音源方向の特定方法を説明する図である。 本発明の第１実施形態のビームフォーミング演算部によるビームフォーミング演算の一例を示す図である。 本発明の第１実施形態のビームフォーミング制御処理の流れの一例を示すフローチャートである。 本発明の第２実施形態の音声抽出装置を含む音声処理装置の概略構成図である。 本発明の第１実施形態の音声抽出装置における表示装置４０を構成するＬＥＤランプを模式的に示す図である。

１．第１実施形態
本発明の第１実施形態に係る音声抽出装置について、図１から図５を参照して説明する。まず、第１実施形態に係る音声抽出装置を含む音声処理装置の構成について図１を用いて説明する。

（１−１）音声処理装置の構成
図１は、本実施形態による音声抽出装置１０を含む音声処理装置１の概略構成を示す図である。
図１に示すように、音声処理装置１は、収音装置（後述するマイクロフォンアレイ１２）に入力された音声のうち有効音声（ユーザの発話した音声）を強調して抽出する音声抽出装置１０と、音声抽出装置１０によって抽出された音声について発話内容等の認識を行う音声認識装置２０とを備えている。音声処理装置１は、例えばスマートフォン、スマートスピーカ、対話式ロボットやスマート家電等の音声認識機能とネットワーク通信機能とを有する装置（ネットワーク型音声認識機器）である。音声処理装置１は、音声認識装置２０での音声認識結果（ユーザの発話に基づく音声データ）を、ネットワーク（不図示）を介して所定のサーバ（不図示）に送信する。音声認識装置２０での音声認識結果を受信した所定のサーバは、送信された音声認識結果に基づいて情報検索等の処理を行うと、ユーザが要求した情報を取得し、取得した情報（処理結果）をネットワークを介して音声処理装置１に返す。これにより、音声処理装置１は、所定のサーバから返された情報をユーザに対して出力できる。このようにして、音声処理装置１は、ユーザの発話内容に応じたサービス（例えば、情報検索サービス）を提供できる。したがって、音声処理装置１において適切なサービスをユーザに提供するために、ユーザが発話した音声の音声認識の精度を向上することが重要である。

図１に示す音声処理装置１の構成は一例であって、これに限られない。例えば、音声処理装置１は、音声認識装置２０を内部構成には含まず、ネットワークを介して接続された音声認識サーバにおいて音声抽出装置１０が抽出した音声の認識を実行してもよい。
なお、音声処理装置１は、ネットワーク通信機能を有していなくてもよい。例えば、音声処理装置１は、ネットワークへの接続によらないサービス（例えば、アラーム、対話、メモ機能等）を提供する装置であってもよい。

（１−２）音声抽出装置の構成
本実施形態による音声抽出装置１０は、音声処理装置１に入力された音声のうち、ユーザが存在すると推定される特定方向からの音声を強調して抽出する音声抽出処理を実行する。これにより、音声抽出装置１０を備える音声処理装置１は、音声認識装置２０においてユーザの発話に対する音声認識の精度を向上させることができる。ここで、音声抽出装置１０が実行する音声抽出処理には、複数のマイクロフォンについて指向性の制御を行うことで、特定の方向に対する収音感度を向上させる信号処理技術（ビームフォーミング）が用いられる。

図１に示すように、音声抽出装置１０は、音声処理装置１の周囲に配置された物体の種類及び位置を含む配置物体情報に基づいて、音源が存在する方向を抽出する音源方向抽出部１１と、音源方向抽出部１１が抽出した音源の方向に対して収音感度を向上させて周囲の音声を収音可能な収音制御部１００と、を備える。さらに、音声抽出装置１０は、収音制御部１００が収音した音声について音声認識装置２０における音声認識が可能か否かを判断する音声認識制御部１５を備えている。

［音源方向抽出部］
図１に示すように、音源方向抽出部１１は、配置物体を撮影した画像（配置画像）に対して画像処理を行う画像処理部１１１と、画像処理部１１１における画像処理結果に基づいて音声処理装置１に入力される音声の音源の方向を特定可能な音源方向特定部１１２と、を有している。

配置画像には、配置物体と音声抽出装置１０を備える音声処理装置１との位置関係が示されている。配置画像は、例えば音声処理装置１が配置された部屋の中を音声処理装置１のユーザがパノラマ撮影した画像（パノラマ画像）であって、静止画像であってもよいし、動画像であってもよい。配置画像は、音声処理装置１と接続された外部装置から画像処理部１１１に送信される。本例において外部装置は、音声処理装置１と接続された情報端末装置５００とする。また、音声処理装置１は、例えばカメラ機能付きの情報端末装置と通信を行い、配置画像の撮影方法を指示するように構成されていてもよい。

画像処理部１１１は、外部装置から配置画像を受信すると、配置画像から物体の輪郭線を表すデータを抽出する処理（輪郭抽出処理）を実行し、配置画像に基づいた輪郭画像を生成する。図２（ａ）は、画像処理部１１１が生成した輪郭画像の一例を模式的に示す図である。図２（ａ）に示すように、輪郭画像は、音声処理装置１を含めて配置画像に映っている物体の位置関係を表す配置図を、各物体の輪郭線によって示す画像である。本例において、輪郭画像は、音声処理装置１が配置された室内の俯瞰による配置図である。図２（ａ）に示すように、本例の輪郭画像には、音声処理装置１を囲むようにして、右上から反時計回り方向に、物体ｏｂ１，ｏｂ２，ｏｂ３，ｏｂ４，ｏｂ５が輪郭線で表示されている。

また、画像処理部１１１は、輪郭画像に基づいて、配置画像に映った物体のカテゴリを認識する処理（一般物体認識処理）を実行する。画像処理部１１１は、例えば輪郭画像に輪郭線で表示された各物体に識別番号を付すとともに、各物体の特徴点を抽出する。以下、符号「ｏｂ１」は物体ｏｂ１の識別番号として使用し、符号「ｏｂ２」は物体ｏｂ２の識別番号として使用し、符号「ｏｂ３」は物体ｏｂ３の識別番号として使用し、符号「ｏｂ４」は物体ｏｂ４の識別番号として使用し、符号「ｏｂ５」は物体ｏｂ５の識別番号として使用する。また、画像処理部１１１は、各物体について抽出した特徴点を用いて一般物体認識処理を行う。図２（ｂ）は、画像処理部１１１による一般物体認識処理の結果（物体認識情報）を示す図である。図２（ｂ）に示すように本例において画像処理部１１１は、一般物体検出処理結果として、識別番号と物体の種類（カテゴリ）とを対応付けた物体認識情報を生成する。具体的には、画像処理部１１１は、物体ｏｂ１にはテレビ受像機を対応付け、物体ｏｂ２には棚を対応付け、物体ｏｂ３にはテーブルを対応付け、ｏｂ４にはソファを対応付け、物体ｏｂ５にはオーディオ機器を対応付ける。画像処理部１１１は、輪郭画像と、物体認識情報とを含む配置物体情報を音源方向特定部１１２に出力する。

音源方向特定部１１２は、画像処理部１１１から入力された配置物体情報に基づいて、音源が存在する方向（音源方向）を特定可能である。本実施形態による音声抽出装置１０において音源方向特定部１１２は、画像処理部１１１から配置物体情報が入力される度に、音声処理装置１を中心とした場合における音声の発生源（音源）の存在方向を特定する音源方向特定処理を実行する。本例において、音声処理装置１のユーザは、少なくとも音声処理装置を初めて利用する前に情報端末装置５００から配置画像を送信する。したがって、音源方向特定部１１２は、音声処理装置１が初めて利用される際には、音源方向を特定済みである。

まず、音源方向特定処理において、音源方向特定部１１２は、配置物体情報に含まれる物体認識情報に基づいて、輪郭画像に表示される物体のうち音源となり得る物体（音源物体）を特定する（音源物体判定ステップ）。ここで、音源物体には、雑音源物体と対象音源物体とがある。雑音源物体は、それ自体が音源となる物体（テレビ受像機、オーディオ機器等）であり、対象音源物体は、音声抽出装置１０が抽出すべき音声を発話する音声処理装置１のユーザ（対象音源）が存在すると推定される位置に配置された物体である。本例において、音源方向特定部１１２は、物体認識情報（図２（ｂ）参照）においてテレビ受像機と認識されている物体ｏｂ１と、オーディオ機器と認識されている物体ｏｂ５とを雑音源物体に特定する。さらに、音源方向特定部１１２は、物体認識情報においてテーブルと認識されている物体ｏｂ３と、ソファと認識されている物体ｏｂ４とを、対象音源物体に特定する。これは、テーブルやソファのような椅子類といった家具が配置された場所には、ユーザ（有効音声の発生源）が存在する確率が高いと推測されるためである。なお、音源方向特定部１１２は、棚と認識されている物体ｏｂ２については、音源物体ではないと判定する。

音源物体判定ステップに続いて、音源方向特定部１１２は、輪郭画像内において音源物体が存在する座標を特定する（音源座標取得ステップ）。具体的には、音源座標取得ステップにおいて音源方向特定部１１２は、輪郭画像内において音声処理装置１の中心を原点（Ｏ）とする座標軸を設定し、設定した座標軸上において音源物体が存在する座標を取得する。本例において、音源方向特定部１１２は、音源物体判定ステップにおいて音源物体であると判定された物体ｏｂ１，оｂ３〜ｏｂ５のそれぞれについて、輪郭画像（図２（ａ）参照）内の座標を取得する。

音源座標取得ステップに続いて、音源方向特定部１１２は、取得した音源物体の座標に基づいて音声の発生源となる方向（音源方向）を決定する（音源方向決定ステップ）。ここで、図３を用いて、音源方向決定ステップにおける音源方向の決定方法を説明する。図３に示すように、音源方向特定処理の実行時において音源方向特定部１１２は、輪郭画像内に音声処理装置１の中心を原点Оとするｘｙ直交座標系を定義する。音源方向決定ステップにおいて、音源方向特定部１１２は、まず音声処理装置１の中心（座標軸の原点Ｏ）を頂点として、音源物体の輪郭を示す座標の分布範囲（例えば、輪郭の特徴点となる座標）を挟んで延伸する２本の半直線を設定する。次に、音源方向特定部１１２は、原点Оを起点として正方向のｘ軸に重なる仮想直線を基準線として、上述の２本の半直線のそれぞれについて、基準線に対する反時計回り方向への回転角度を算出する。

図３に示すように、本例において音源方向特定部１１２は、座標軸の原点Оを頂点とし、音源物体（本例では、テレビ受像機）と認識されている物体ｏｂ１の輪郭を示す座標の分布範囲を挟む２本の半直線Ｌ１−１，Ｌ１−２を設定する。また、例えば音源方向特定部１１２は、基準線に対する半直線Ｌ１−１の反時計回り方向への回転角度は略１０度であり、基準線に対する半直線Ｌ１−２の反時計回り方向への回転角度は略５５度であると算出する。さらに、音源方向特定部１１２は半直線Ｌ１−１，Ｌ１−２で形成された角度θ１が４５度（＝５５度−１０度）であると算出する。音源方向特定部１１２は、半直線Ｌ１−１，Ｌ１−２の反時計回り方向への回転角度及び角度θ１の情報を、音源物体である物体ｏｂ１に対応する音源方向情報として所定の記憶領域に記憶する。

また、本例において、音源方向特定部１１２は、物体ｏｂ１と同様に、音源物体と判定された物体ｏｂ３の輪郭を示す座標の分布範囲を挟む半直線Ｌ３−１，Ｌ３−２の反時計回り方向への回転角度及び半直線Ｌ３−１，Ｌ３−２によって形成される角度θ３を算出し、物体ｏｂ３に対応する音源方向情報として所定の記憶領域に記憶する。さらに、音源方向特定部１１２は、音源物体と判定された物体ｏｂ４について半直線Ｌ４−１，Ｌ４−２の回転角度及び半直線Ｌ４−１，Ｌ４−２によって形成される角度θ４を算出して物体ｏｂ４に対応する音源方向情報として所定の記憶領域に記憶し、物体ｏｂ５について半直線Ｌ５−１，Ｌ５−２の回転角度及び半直線Ｌ５−１，Ｌ５−２によって形成される角度θ５を算出して物体ｏｂ５に対応する音源方向情報として所定の記憶領域に記憶する。このようにして、音源物体である物体ｏｂ１，ｏｂ３〜ｏｂ５に対応する音源方向が決定される。

音源方向決定ステップに続いて、音源方向特定部１１２は、音源方向の種別を決定する（方向種別決定ステップ）。音源方向特定部１１２は、音源物体判定ステップにおいて雑音源物体と判定された物体に対応する音源方向を雑音源方向に決定し、音源物体判定ステップにおいて対象音源物体と判定された物体に対応する音源方向を対象音源方向に決定する。本例において、音源方向特定部１１２は、雑音源物体と判定された物体ｏｂ１，ｏｂ５に対応する音源方向を雑音源方向に決定し、対象音源物体と判定された物体ｏｂ３，ｏｂ４に対応する音源方向を対象音源方向に決定する。このように、音源方向特定部１１２は、マイクロフォンアレイ１２において収音対象とする音声の発生源に対応する対象音源方向と、マイクロフォンアレイ１２において収音対象としない音声の発生源に対応する雑音源方向（対象外音源方向の一例）とを決定可能である。音源方向特定部１１２は、音源種別決定ステップにおいて決定した対象音源方向及び雑音源方向を含む音源方向情報をビームフォーミング制御部１４に出力する。なお、雑音源物体と対象音源物体の方向が重なっている場合、音源方向特定部１１２は、この重なっている方向を雑音源方向に決定する。これは、雑音源から発せられた音声（無効音声）と対象音源物体の近傍にいるユーザが発した音声（有効音声）とが重畳した場合、音声抽出装置１０において有効音声の抽出が困難となるためである。

このように、音源方向抽出部１１は、外部装置（本例では、情報端末装置５００）から受信した配置画像の輪郭を抽出する画像処理部（輪郭抽出部の一例）１１１を有し、画像処理部１１１が抽出した輪郭に基づいて、音源方向特定部１１２が音源（雑音源及び対象音源）の方向を抽出する。

［収音制御部］
図１に示すように、収音制御部１００は、音声処理装置１に入力される音声の発生源の方向（音源方向）を抽出する音源方向抽出部１１と、複数のマイクロフォン（収音部の一例）を有するマイクロフォンアレイ１２と、音源方向に基づいて収音感度を向上させる方向を決定するビームフォーミング制御部１４と、ビームフォーミング制御部１４により決定された方向の音声の感度が向上するように演算（ビームフォーミング演算）を実行するビームフォーミング演算部１３と、を有している。

マイクロフォンアレイ１２は、音声処理装置１の周囲の音声を収音可能な収音装置であって、複数のマイクロフォン１２−１〜１２−ｎにより形成されている。マイクロフォン１２−１〜１２−ｎのそれぞれは、例えば全指向性（無指向性）のマイクロフォンである。マイクロフォンアレイ１２は、空間中の特定方向の音源からの音を選択的に取り出すこと（目的音抽出）や、特定方向の音源の音を抑圧すること（雑音除去）及び音源の方向を推定すること（音源定位）が可能に構成されている。マイクロフォンアレイ１２を形成するマイクロフォン１２−１〜１２−ｎのそれぞれは、収音した音声から収音信号を生成すると、生成した収音信号をビームフォーミング演算部１３に出力する。

ビームフォーミング演算部１３は、特定方向に対する収音感度を向上するために、マイクロフォンアレイ１２を形成する各マイクロフォン（マイクロフォン１２−１〜１２−ｎ）が生成した収音信号について、ビームフォーミング演算を実行する。本実施形態による音声抽出装置１０において、収音感度を向上させる特定方向（以降、「ビーム方向」と称する）は、ビームフォーミング制御部１４によって決定され、ビームフォーミング演算部１３は、ビームフォーミング制御部１４が決定したビーム方向から収音された音声に基づく収音信号に対して、例えば遅延和法によるビームフォーミング演算を実行する。これにより、音声抽出装置１０は、ビーム方向の音声を強調して抽出することができる。

図４は、ビームフォーミング演算部１３において実行される遅延和法によるビームフォーミング演算の一例を説明する図である。図４に示すように、ビームフォーミング演算部１３は、複数の遅延回路（本例では、遅延回路Ｄ１〜Ｄ−ｎ）と加算器Ａとを有している。遅延回路Ｄ１〜Ｄ−ｎは、マイクロフォンアレイ１２を構成するマイクロフォン１２−１〜１２−ｎのそれぞれと対応している。ビームフォーミング演算部１３は、例えば図４中の太矢印で示すビーム方向から到来した音声に基づいてマイクロフォンアレイ１２の複数のマイクロフォン（マイクロフォン１２−１〜１２−ｎ）のそれぞれが生成した収音信号を、伝搬遅延を補償するように遅延回路Ｄ１〜Ｄ−ｎにおいて遅延させる。これにより、複数のマイクロフォン１２−１〜１２−ｎのそれぞれが生成した収音信号について位相を合わせる（位相差が無い状態にする）ことができる。さらに、ビームフォーミング演算部１３は、位相を合わせた収音信号を加算器Ａにおいて加算する。これにより、ビームフォーミング演算部１３は、ビーム方向から到来した音声を強調することができる。ここで、音声の強調とは、例えば音声パワーの強調を示す。ビームフォーミング演算部１３は、ビームフォーミング演算によって音声パワーの強調を実施した音声データ（収音信号）を音声認識制御部１５に出力する。音声認識制御部１５の詳細は後述する。

ビームフォーミング制御部１４は、音源方向抽出部１１の音源方向特定部１１２から入力された音源方向情報に基づいてビーム方向を決定し、ビームフォーミング演算部１３によるビームフォーミング演算によって収音感度を向上させるビームフォーミング制御処理を実行可能である。ここで、図３を参照しつつ図５を用いて、ビームフォーミング制御処理の流れの一例を説明する。図５は、ビームフォーミング制御処理の一例を説明するフローチャートである。ビームフォーミング制御部１４は、所定の時間間隔でビームフォーミング制御処理を繰り返し実行する。

（ステップＳ１）
ステップＳ１においてビームフォーミング制御部１４は、制御対象角度に初期値（本例では、０度）を設定してステップＳ２の処理に移る。制御対象角度は、ビームフォーミング制御処理の対象となる角度であって、音源方向特定部１１２による音源方向特定処理での音源方向決定ステップと同様に、図３に示す座標の＋方向のｘ軸上を初期値（０度）とする。ビームフォーミング制御部１４は、制御対象角度を初期値から時計回り方向に一定角度（例えば５度）ずつ加算して更新していく。これにより、ビームフォーミング制御部１４は、音声処理装置１の周囲３６０度について一定角度ごとに、音源方向情報に基づいてビーム方向に該当するか否かを判定し、適切な方向をビーム方向とすることができる。

（ステップＳ２）
ステップＳ２においてビームフォーミング制御部１４は、所定の記憶領域に記憶されている音源方向情報のうち雑音源方向を読み出し、現在の制御対象角度が、雑音源方向に該当する否かを判定する。ビームフォーミング制御部１４は、現在の制御対象角度が雑音源方向に該当すると判定するとステップＳ５の処理に移る。また、ビームフォーミング制御部１４は、現在の制御対象角度が雑音源方向に該当しないと判定するとステップＳ３に処理を移す。

（ステップＳ３）
ステップＳ３においてビームフォーミング制御部１４は、所定の記憶領域に記憶されている音源方向情報のうち対象音源方向を読み出し、現在の制御対象角度が、対象音源方向に該当するか否かを判定する。ビームフォーミング制御部１４は、現在の制御対象角度が対象音源方向に該当し、制御対象角度が示す方向に音声処理装置１のユーザがいる可能性があると判定するとステップＳ４の処理に移る。また、ビームフォーミング制御部１４は、現在の制御対象角度が対象音源方向に該当せず、制御対象角度が示す方向に音声処理装置１のユーザがいる可能性がない（または極めて低い）と判定するとステップＳ５に処理を移す。

（ステップＳ４）
ステップＳ４においてビームフォーミング制御部１４は、現在の制御対象角度が示す方向が対象音源方向に該当し、音声処理装置１のユーザがいる可能性があると判定したことに基づいて、現在の制御対象角度に対してビームフォーミング演算部１３がビームフォーミング演算を実行するように制御し、ステップＳ６の処理に移る。具体的には、ビームフォーミング制御部１４は、ビームフォーミング演算部１３にビームフォーミング演算を実行するように指示する信号（演算実行信号）を出力する。演算実行信号には、ビームフォーミング演算におけるビーム方向を示す角度（ビーム対象角度）として現在の制御対象角度が含まれている。ビームフォーミング演算部１３は、演算実行信号に基づいてビーム対象角度をビーム方向に設定し、以降この制御対象角度の方向から収音した音声を強調するようにビームフォーミング演算を実行する。

（ステップＳ５）
ステップＳ５においてビームフォーミング制御部１４は、現在の制御対象角度が示す方向が対象音源方向に該当せず、音声処理装置１のユーザがいる可能性がない（又は極めて低い）と判定したことに基づいて、現在の制御対象角度に対してビームフォーミング演算部１３がビームフォーミング演算を実行しないように制御し、ステップＳ６の処理に移る。このため、本実施形態による音声抽出装置１０においてビームフォーミング演算部１３は、対象音源方向に該当しない方向をビーム方向とせず、対象音源方向に該当しない方向から収音した音声についてビームフォーミング演算を行わない。

（ステップＳ６）
ステップＳ６においてビームフォーミング制御部１４は、制御対象角度の値を更新して、ステップＳ７の処理に移る。具体的には、ビームフォーミング制御部１４は、現在の制御対象角度に一定値（例えば５度）を加算した値を、新たな制御対象角度として所定の記憶領域に記憶する。なお、本例では制御対象角度の更新間隔を５度としているが、本発明はこれに限られず、５度より小さい値（１度以上）であってもよいし、５度より大きい値であってもよい。制御対象角度の更新間隔を５度より大きくする場合、少なくとも音声処理装置１を中心とする四方についてビーム方向か非ビーム方向かを決定するため、更新間隔を最大で９０度とする。

（ステップＳ７）
ステップＳ７においてビームフォーミング制御部１４は、更新後の制御対象角度が３６０度を超過しているか否かを判定する。ビームフォーミング制御部１４は、更新後の制御対象角度が３６０度を超過していると判定するとビームフォーミング制御処理を終了する。一方、ビームフォーミング制御部１４は、更新後の制御対象角度が３６０度を超過していないと判定すると、ステップＳ２の処理に戻る。これにより、制御対象角度が３６０度に到達するまでの間、ビームフォーミング制御処理が繰り返し実行される。

このように、ビームフォーミング制御部１４は、音源方向抽出部１１が決定した雑音源方向以外の方向に対して収音感度を向上させて周囲の音声を収音するようにビームフォーミング演算部１３におけるビームフォーミング演算の実行を制御する。具体的には、ビームフォーミング制御部１４は、ビーム対象角度とビーム対象外角度とを決定し、ビームフォーミング演算部１３に通知することにより、ビームフォーミング演算部１３におけるビームフォーミング演算の実行を制御することができる。

図３に示す例では、対象音源方向として物体ｏｂ３の方向を示す角度θ３及び物体ｏｂ４の方向を示す角度θ４が記憶されている。したがって、ビームフォーミング制御部１４は、制御角度が角度θ３に該当する場合及び制御角度が角度θ４に該当する場合に制御角度がビーム対象角度であると決定し、ビームフォーミング演算部１３に通知する（ステップＳ２のＮＯ→ステップＳ３のＹＥＳ→ステップＳ４→ステップＳ６のＹＥＳ→ステップＳ７の流れ）。ビームフォーミング演算部１３は、角度θ３及び角度θ４がビーム対象角度として通知されたことに基づいて、角度θ３，θ４をビーム方向に設定する。これにより、音声抽出装置１０は、音声処理装置１のユーザが存在する可能性のある方向からの音声を強調することができる。さらに、ビームフォーミング演算部１３は、ビームフォーミング演算を実行後に収音信号（ビームフォーミング演算によって強調された音声データ）を音声認識制御部１５に出力する。

また、図３に示す例では、雑音源方向として物体ｏｂ１の方向を示す角度θ１及び物体ｏｂ２の方向を示す角度θ２が記憶されている。したがって、ビームフォーミング制御部１４は、制御角度が角度θ１に該当する場合及び制御角度が角度θ２に該当する場合に制御角度がビーム対象外角度であると決定し、ビームフォーミング演算部１３に通知する（ステップＳ２のＹＥＳ→ステップＳ５→ステップＳ６のＮＯ→ステップＳ８の流れ）。さらに、本例においてビームフォーミング制御部１４は、雑音源方向及び対象音源方向のいずれにも該当しない方向もビーム対象外角度であると決定する。したがって、ビームフォーミング制御部１４は、制御角度が角度θ３，θ４以外の方向に該当する場合、制御角度がビーム対象外角度であると決定する。ビームフォーミング演算部１３は、ビーム対象外角度が示す方向から収音した音声データ（収音信号）については、ビームフォーミング演算による強調を行わずに音声認識制御部１５に出力する。

このように、ビームフォーミング演算部１３は、ビーム方向から収音した音声データであってビームフォーミング演算による音声パワーの強調を実施した音声データ（強調音声データ）及びビーム方向以外から収音した音声データであってビームフォーミング演算による音声パワーの強調を実施していない音声データ（非強調音声データ）の両方を音声認識制御部１５に出力する。

［音声認識制御部］
音声認識制御部１５は、ビームフォーミング演算部１３から入力された収音信号（音声データ）に基づいて、マイクロフォンアレイ１２により収音された音声について、音声認識装置２０における音声認識の実行を制御する。具体的には、音声認識制御部１５は、入力された音声データ（強調音声データ及び非強調音声データ）に対して音声パワー算出を行い、音声パワーが所定の閾値以上であって相対的に強いと判定された音声データについて、音声認識装置２０において音声認識が可能であると判断して音声認識装置２０に出力する。また、音声認識制御部１５は、音声パワー算出において音声パワーが所定の閾値未満であって相対的に弱いと判定された音声データについて、音声認識装置２０において音声認識が不可能であると判定して音声認識装置２０に出力しない。

上述のように、本実施形態による音声抽出装置１０において、ユーザが発話した音声（有効音声）が含まれる可能性の高い対象音源方向に該当するビーム対象角度からの音声は、強調音声データとして音声認識制御部１５に出力される。強調音声データは、音声パワーが強調されているため、音声認識制御部１５によって、音声パワーが所定の閾値以上であって音声認識装置２０における音声認識が実行可能であると判断される確率が高い。

また、音声抽出装置１０において、雑音源から発生した音声（無効音声）が含まれる可能性の高い雑音源方向に該当するビーム対象外角度からの音声は、非強調音声データとして音声認識制御部１５に出力される。非強調音声データは、音声パワーが強調されていないため、音声認識制御部１５によって、音声認識装置２０における音声認識が実行可能であると判断される確率が低い。したがって、音声抽出装置１０を備える音声処理装置１では、有効音声が音声認識装置２０において音声認識される可能性が高くなるとともに、例えばテレビ受像機やオーディオ機器等が発する雑音である無効音声が音声認識装置２０において音声認識されるおそれを低減することができる。

このように、音声抽出装置１０は、ユーザが存在する可能性がある方向からの音声を強調することで音声認識装置２０における音声認識が実行可能である判断する確率を向上させることで音声認識装置２０においてユーザが発話した音声に対する音声認識の精度を向上させることができる。

また、本実施形態による音声抽出装置１０は、雑音源方向以外の方向、具体的には対象音源方向に限定してビームフォーミング演算を実行するため、音声処理装置１を中心とした全方位（３６０度）に対してビームフォーミング演算を実行する場合に比べて演算量を削減できる。このため音声抽出装置１０は、音声処理装置１の処理負荷を軽減して処理速度を向上させることができる。さらに、ビームフォーミング演算の演算量が削減されることにより、音声抽出装置１０を備える音声処理装置１は、廉価な演算処理回路の実装によって製作コストを低減することができる。

（１−３）音声抽出方法
ここで、本実施形態による音声抽出方法について説明する。本実施形態による音声抽出方法は、物体の種類及び位置を含む配置物体情報に基づいて、音源が存在する方向を抽出する音源方向抽出工程と、音源方向抽出工程において抽出した音源の方向に対して収音感度を向上させて周囲の音声を収音する収音制御工程と、を含む。音源方向抽出工程は、本実施形態による音声抽出装置１０における音源方向抽出部１１が実行する処理に相当する。また、収音制御工程は、音声抽出装置１０における収音制御部１００が実行する処理に相当する。音源方向抽出部１１および収音制御部１００が実行する処理については、上述のとおりであるため、説明は省略する。

（１−４）変形例
第１実施形態による音声抽出装置１０は、外部装置（情報端末装置５００）が撮影した配置画像を受信して画像処理部１１１における輪郭画像の生成に用いるとしたが、本発明はこれに限られない。例えば、音声処理装置１は撮影装置を搭載しており、画像処理部１１１は、この撮影装置がパノラマ撮影した画像を配置画像として用いてもよい。例えば、音声処理装置１がロボットであれば、ロボットの頭部に撮影装置を設け、ロボットが頭部を動かしながら撮影することによりパノラマ画像の撮影が可能となる。また、例えば、音声処理装置１は、複数の撮影装置（例えば広角カメラ）を搭載しており、画像処理部１１１は、これら複数の撮影装置で撮影された画像から音声処理装置１が配置された室内の俯瞰図を生成して、配置画像として用いてもよい。

また、音声処理装置１と接続された情報端末装置５００は、部屋の簡易的な配置図（マップ）を作成するアプリケーションを用いて、音声処理装置１の設置された室内の家具等の配置図を生成して音声処理装置１に送信し、この配置図を音声抽出装置１０の画像処理部１１１が配置画像として利用してもよい。

また、本実施形態による音声抽出装置１０において、ビームフォーミング制御部１４は、ビームフォーミング制御処理において、対象音源方向（角度θ３，θ４）に該当する方向をビームフォーミング対象角度に決定している（ステップＳ３のＹＥＳ→ステップＳ４→ステップＳ６のＹＥＳの流れ）が、本発明はこれに限られない。ビームフォーミング制御部１４は、対象音源方向以外（角度θ３，θ４）の方向であり、かつ雑音源方向（角度θ１，θ２）でない方向をビーム対象角度に設定してもよい。これにより、音声抽出装置１０は、雑音源方向以外の全ての方向に対してビームフォーミング演算部１３によるビームフォーミング演算を実行して、収音感度を向上させることができる。この場合も、音声処理装置１を中心とした全方位に対してビームフォーミング演算を実行する場合に比べて演算量を削減でき、かつ雑音源方向に対してビームフォーミングを実行しないことにより、音声認識装置２０における有効音声の音声認識の精度を向上させることができる。

また、本実施形態においてビームフォーミング制御部１４は、所定の時間間隔で、図５に示すビームフォーミング制御処理を実行するとしたが、本発明はこれに限られない。ビームフォーミング制御部１４は、例えば音源方向特定部１１２から音源方向情報が入力されたことを契機として、ビームフォーミング制御処理を実行してもよい。

また、ビームフォーミング演算部１３は、ビーム方向に対するビームフォーミング演算結果（音声評価結果）として強調音声データ及び非強調音声データをビームフォーミング制御部１４に出力し、ビームフォーミング制御部１４は、入力された音声評価結果に基づいて、ビームフォーミング制御処理を実行してもよい。例えば、ビームフォーミング制御部１４は、音声評価結果と配置画像から得られた音源方向情報とが矛盾すると判定した場合に、ビーム方向（ビーム対象角度）の見直しを実行してもよい。具体的には、ビームフォーミング制御部１４は、強調音声データの音声パワーが所定値未満でありビーム方向から一定程度以上の音声パワーを有する音声が抽出できないという音声評価結果が入力された場合に、音声評価結果と音源方向情報とが矛盾すると判定してビーム方向（ビーム対象角度）の見直しを実行してもよい。また、ビームフォーミング制御部１４は、音声評価結果と配置画像から得られた音源方向情報とが矛盾する場合に、音源方向特定部１１２に音源方向情報の見直しを指示する信号（方向再検出信号）を出力してもよい。方向再検出信号が入力されると、音源方向特定部１１２を有する音源方向抽出部１１は、情報端末装置５００に対して新たな配置画像の送信を促すメッセージを送信してもよい。また、上述のように、音声処理装置１が撮影装置を搭載している場合、音源方向抽出部１１は方向再検出信号が入力されたことに基づいて、撮影装置が配置画像の撮影を実施するように制御してもよい。配置画像が更新されると、画像処理部１１１は配置物体情報を更新して音源方向特定部１１２に出力し、音源方向特定部１１２は更新された配置物体情報に基づいて音源方向情報を更新する。さらに、ビームフォーミング制御部１４は更新された音源方向情報に基づいてビームフォーミング制御処理を実行する。これにより、音声抽出装置１０は、音声処理装置１のユーザが発話した音声を適切に抽出して音声認識装置２０における音声認識精度を向上させることができる。

また、ビームフォーミング制御部１４は、音声評価結果である強調音声データ及び非強調音声データに対して、音声ピーク検出を実行し、強調音声データ及び非強調音声データのそれぞれに音声が含まれる（有音）か否（無音）かを判定してもよい。この場合、ビームフォーミング制御部１４は、強調音声データに音声が含まれない（無音である）又は、非強調音声データに音声が含まれる（無音でない）場合に、ビーム方向にユーザが存在しないと判断して、ビーム方向（ビーム対象角度）の見直し（ビームフォーミング制御処理の再実行）をしてもよい。

また、音声抽出装置１０は、人感センサが設けられた所定の外部装置（エア・コンディショナー、照明装置、防犯装置等）から人の位置情報を取得する人感センサ情報取得部を備えていてもよい。この場合、音源方向抽出部１１の音源方向特定部１１２は、人感センサによって感知された人の位置情報と画像処理部１１１から入力された配置物体情報とに基づいて音源が存在する方向を抽出してもよい。

２．第２実施形態
次に、本発明の第２実施形態による音声抽出装置について図６及び図７を用いて説明する。図６は、第２実施形態による音声抽出装置３０を備える音声処理装置２の概略構成図である。図６に示すように、本実施形態による音声抽出装置３０は、収音感度を向上させる方向（ビーム方向）をユーザに提示する対象方向範囲提示部（提示部の一例）１６を備えており、この点で、第１実施形態による音声抽出装置１０と異なる。音声抽出装置３０において、第１実施形態による音声抽出装置１０と同一の作用効果を有する構成は、図１に示す音声抽出装置１０と同一の符号を付し、詳細な説明は省略する。

また、音声抽出装置３０において音源方向特定部１１２は、対象音源方向及び雑音源方向を含む音源方向情報を、ビームフォーミング制御部１４に加えて対象方向範囲提示部１６にも出力する。また、音声抽出装置３０においてビームフォーミング制御部１４は、ビームフォーミング演算部１３に加えて対象方向範囲提示部１６にも、ビーム対象角度及びビーム対象外角度の情報を出力する。さらに、音声抽出装置３０におけるビームフォーミング演算部１３は、音声認識制御部１５に加えて対象方向範囲提示部１６にも、強調音声データ及び非強調音声データを出力する。

（２−１）対象方向範囲提示部
対象方向範囲提示部１６は、音源方向特定部１１２から入力された音源方向情報、ビームフォーミング制御部１４から入力されたビーム対象角度及びビーム対象外角度、ビームフォーミング演算部１３から入力された強調音声データ及び非強調音声データに基づいて、ビーム方向を音声処理装置２のユーザに提示する対象方向範囲提示処理を実行する。対象方向範囲提示処理については後述する。

また、本実施形態の音声抽出装置３０を有する音声処理装置２は、音声抽出装置３０及び音声認識装置２０に加えて表示装置４０を備える点で、第１実施形態による音声処理装置１と異なる。表示装置４０は、例えば、複数のＬＥＤランプで構成されており、対象方向範囲提示部１６からの指示に基づいてビーム方向を示す表示（対象方向範囲表示）を行う。

（２−２）表示装置
図７は、表示装置４０を構成する光源が配置された音声処理装置２を模式的に示す図である。本例において、音声処理装置２は、円筒形状を有している。図７に示すように表示装置４０は、音声処理装置２の円形状の上面の周縁に沿って設けられた複数の光源（ＬＥＤランプ）で構成されている。本例において表示装置４０は、ＬＥＤランプ４００ａ〜４００ｌの１２個のＬＥＤランプで構成されている。ＬＥＤランプ４００ａ〜４００ｌのそれぞれには、音声処理装置２の周囲３６０度を１２分割した角度（方向）が対応付けられている。より詳細には、ＬＥＤランプ４００ａ〜４００ｌには、ＬＥＤランプ４００ａを基準位置（０度）として反時計回り方向に３０度ずつの範囲（方向）が、順次対応付けられている。

例えば、ＬＥＤランプ４００ａは、図３に示す座標軸のｘ軸上の正方向に該当しており、基準位置（０度）から反時計回りに３０度の範囲に対応する。また、ＬＥＤランプ４００ｂは基準位置から反時計回りに３１度の位置から６０度の範囲に対応し、ＬＥＤランプ４００ｃは基準位置から反時計回りに６１度の位置から９０度の範囲に対応し、ＬＥＤランプ４００ｄは基準位置から反時計回りに９１度の位置から１２０度の範囲に対応し、ＬＥＤランプ４００ｅは基準位置から反時計回りに１２１度の位置から１５０度の範囲に対応し、ＬＥＤランプ４００ｆは基準位置から反時計回りに１５１度の位置から１８０度の範囲に対応する。また、ＬＥＤランプ４００ｇは基準位置から反時計回りに１８１度の位置から２１０度の範囲に対応し、ＬＥＤランプ４００ｈは基準位置から反時計回りに２１１度の位置から２４０度の範囲に対応し、ＬＥＤランプ４００ｉは基準位置から反時計回りに２４１度の位置から２７０度の範囲に対応し、ＬＥＤランプ４００ｊは基準位置から反時計回りに２７１度の位置から３００度の範囲に対応し、ＬＥＤランプ４００ｋは基準位置から反時計回りに３０１度の位置から３３０度の範囲に対応し、ＬＥＤランプ４００ｌは基準位置から反時計回りに３３１度の位置から３６０度の範囲に対応している。

表示装置４０は、後述する対象方向範囲提示処理において対象方向範囲提示部１６から入力された信号に基づいてビーム方向に該当するビーム対象角度に対応するＬＥＤランプを点灯させ、且つ非ビーム方向に該当するビーム対象外角度に対応するＬＥＤランプを消灯させる（対象方向表示）。これにより、表示装置４０は、音声処理装置２のユーザに現在のビーム方向と非ビーム方向とを提示することができる。

（２−３）対象方向範囲提示処理
ここで、対象方向提示処理の詳細について、図３及び図７を参照して説明する。対象方向提示処理において、まず対象方向範囲提示部１６は、対象音源方向以外から音声が検出されたか否かを判定する。具体的には、対象方向範囲提示部１６は、ビームフォーミング演算部１３から入力された強調音声データの音声パワーが所定の閾値以上か否かを判定する（音声パワー判定ステップ）。対象方向範囲提示部１６は、音声パワー判定ステップにおいて強調音声データの音声パワーが所定値未満であると判定すると、音声処理装置２のユーザがビーム対象角度に示す方向、すなわち現在のビーム方向に存在しないと判断し、これに基づいて、現在のビーム方向の範囲を表示装置４０に出力する（対象範囲出力ステップ）。また、対象方向範囲提示部１６は、強調音声データの音声パワーが所定値以上であると判定すると、ユーザがビーム対象角度に示す方向に存在すると判定し、対象範囲出力ステップは実行せずに対象方向提示処理を終了する。

対象方向範囲提示部１６は、対象範囲出力ステップにおいて、ビーム対象角度に対応するＬＥＤランプを点灯させ、且つビーム対象外角度に対応するＬＥＤランプを消灯させることを表示装置に指示する信号（表示指示信号）を表示装置４０に出力する。表示装置４０は、表示指示信号が入力されると、この表示指示信号を点灯又は消灯を示す制御信号に変換して各ＬＥＤ基板（不図示）に送信する。これにより、ビーム対象角度に対応するＬＥＤランプが点灯し、ビーム対象外角度に対応するＬＥＤランプが消灯する。

例えば、現在のビーム方向（ビーム対象角度）が図３に示す角度θ３，θ４であると仮定する。この場合、対象方向範囲提示部１６は、角度θ３，θ４に対応するＬＥＤランプ４００ｅ，４００ｆ及びＬＥＤランプ４００ｈ，４００ｉを点灯させ、且つ角度θ３，θ４に対応しないＬＥＤランプ４００ａ〜４００ｄ，４００ｇ，４００ｋ，４００ｌを消灯させることを表示装置４０に指示する表示指示信号を表示装置４０に出力する。

表示装置４０は、表示指示信号が入力されたことに基づいて、点灯を示す制御信号をＬＥＤランプ４００ｅ，４００ｆ及びＬＥＤランプ４００ｈ，４００ｉが設けられたＬＥＤ基板のそれぞれに出力する。これにより、ビーム対象角度に対応するＬＥＤランプが点灯される。また、表示装置４０は、表示指示信号が入力されたことに基づいて、消灯を示す制御信号をＬＥＤランプ４００ａ〜４００ｄ，４００ｇ，４００ｋ，４００ｌが設けられたＬＥＤ基板のそれぞれに出力する。これにより、ビーム対象外角度に対応するＬＥＤランプが消灯される。

このようにして、対象方向範囲提示部１６は、表示装置４０におけるＬＥＤランプの点灯状態を制御して、音声処理装置２のユーザに現在のビーム方向と非ビーム方向とを提示することができる。したがって、音声抽出装置３０を備える音声処理装置２は、ユーザの音声が正しく音声認識され易い方向にユーザを案内して、ユーザが発話した音声（有効音声）の音声認識の精度を向上させることができる。

（２−１）変形例
第２実施形態による音声抽出装置３０において対象方向範囲提示部１６は、対象方向範囲提示処理において、マイクロフォンアレイ１２を構成するマイクロフォン１２−１〜１２−ｎのうち少なくとも１つにおいて音声が入力された可能性があるか否かにより、対象音源方向以外から音声が検出されたか否かの判定を行ってもよい。マイクロフォン１２−１〜１２−ｎのいずれかにおいて音声が収音されたか否かは、例えば音声ピーク検出によって判定される。具体的には、対象方向範囲提示部１６は、対象方向範囲提示処理における音声パワー判定ステップに代えて、ビームフォーミング演算部１３から入力された強調音声データ及び非強調音声データに対して音声ピーク検出を行い、強調音声データ及び非強調音声データのそれぞれに音声が含まれる（有音）か否（無音）かを判定してもよい（音声検出ステップ）。この場合、対象方向範囲提示部１６は、音声検出ステップにおいて強調音声データに音声が含まれない（無音である）又は、非強調音声データに音声が含まれる（無音でない）場合に、対象範囲出力ステップを実行してもよい。

また、第２実施形態による音声抽出装置３０は、表示装置４０だけでなく、音声処理装置２が備える不図示の音声出力装置（例えばスピーカ）を用いて、ビーム方向にユーザを案内してもよい。例えば、音声出力装置は、「ＬＥＤランプで示す方向から話してください」のような音声メッセージを出力して、音声処理装置２のユーザにビーム方向に移動するように促してもよい。この場合、対象方向範囲提示部１６は、表示指示信号を表示装置４０に出力する際に、音声出力装置に対してメッセージの出力を指示する信号（メッセージ出力信号）を出力する。音声出力装置は、メッセージ出力信号が入力されたことに基づいて、上述のような音声メッセージを出力する。これにより、音声処理装置２は、ユーザに対してより明確に、ビーム方向を提示することができる。

また、音声処理装置２がロボットである場合には、対象方向範囲提示部１６が対象音源方向以外から音声が検出されたと判定したことに基づいて、実際に音声が収音された方向に向けてマイクロフォンアレイ１２を回転させてもよい。例えば、ロボットの頭部にマイクロフォンアレイ１２が搭載されている場合には、対象方向範囲提示部１６は、ロボットの頭部を音声が収音された方向に向けて回転させる制御を行ってもよい。

以上、各実施形態により本発明を説明したが、本発明の範囲は、図示され記載された例示的な実施形態に限定されるものではなく、本発明が目的とするものと均等な効果をもたらす全ての実施形態をも含む。さらに、本発明の範囲は、請求項により画される発明の特徴の組み合わせに限定されるものではなく、全ての開示されたそれぞれの特徴のうち特定の特徴のあらゆる所望する組み合わせによって画されうる。

１、２ 音声処理装置
１０、３０ 音声抽出装置
１１ 音源方向抽出部
１２ マイクロフォンアレイ
１３ ビームフォーミング演算部
１４ ビームフォーミング制御部
１５ 音声認識制御部
２０ 音声認識装置
４０ 表示装置
１００ 収音制御部
１１１ 画像処理部
１１２ 音源方向特定部
оｂ１〜оｂ５ 物体
４００ａ〜４００ｌ ＬＥＤランプ

Claims (8)

1. 物体の種類及び位置を含む配置物体情報に基づいて、音源が存在する方向を抽出する音源方向抽出部と、
   前記音源方向抽出部が抽出した前記音源の方向に対して収音感度を向上させて周囲の音声を収音可能な収音制御部と、
   を備えることを特徴とする音声抽出装置。
2. 前記音源方向抽出部は、前記音源の方向を複数抽出した場合に、複数の前記音源の方向から収音対象とする対象音源方向と収音対象としない対象外音源方向とを決定すること
   を特徴とする請求項１記載の音声抽出装置。
3. 前記収音制御部は、前記音源方向抽出部が決定した対象外音源方向以外の方向に対して収音感度を向上させて周囲の音声を収音すること
   を特徴とする請求項２記載の音声抽出装置。
4. 前記収音制御部は、
   複数の収音部と、
   前記音源の方向に基づいて収音感度を向上させる方向を決定する収音方向決定部と、
   前記複数の収音部のそれぞれについて前記収音方向決定部により決定された方向の音声の感度が向上するように演算する演算部と、を有すること
   を特徴とする請求項１から３のいずれか１項に記載の音声抽出装置。
5. 前記音源方向抽出部は、外部から受信した画像の輪郭を抽出する輪郭抽出部を有し、前記輪郭抽出部が抽出した輪郭に基づいて前記音源の方向を抽出すること
   を特徴とする請求項１から４のいずれか１項に記載の音声抽出装置。
6. 収音感度を向上させる方向をユーザに提示する提示部を備えること
   を特徴とする請求項１から５のいずれか１項に記載の音声抽出装置。
7. 人感センサが設けられた所定の外部装置から人の位置情報を取得する人感センサ情報取得部を備え、
   前記音源方向抽出部は、前記人感センサによって感知された前記人の位置情報と、前記配置物体情報とに基づいて前記音源が存在する方向を抽出すること
   を特徴とする請求項１から６のいずれか１項に記載の音声抽出装置。
8. 物体の種類及び位置を含む配置物体情報に基づいて、音源が存在する方向を抽出する音源方向抽出工程と、
   前記音源方向抽出工程において抽出した前記音源の方向に対して収音感度を向上させて周囲の音声を収音する収音制御工程と、
   を含むことを特徴とする音声抽出方法。

Images