JP2019220973A - Reproduction device, reproduction method, and program - Google Patents
Reproduction device, reproduction method, and program Download PDFInfo
- Publication number
- JP2019220973A JP2019220973A JP2019150421A JP2019150421A JP2019220973A JP 2019220973 A JP2019220973 A JP 2019220973A JP 2019150421 A JP2019150421 A JP 2019150421A JP 2019150421 A JP2019150421 A JP 2019150421A JP 2019220973 A JP2019220973 A JP 2019220973A
- Authority
- JP
- Japan
- Prior art keywords
- music
- speech
- lyrics
- vocal
- terminal device
- 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
Links
Landscapes
- Reverberation, Karaoke And Other Acoustics (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
Description
本発明は、楽曲の再生に伴って歌詞の情報を出力する手法に関する。 The present invention relates to a technique for outputting lyric information as music is played.
カラオケの演奏曲に先行して歌詞データを音声合成して出力するカラオケ装置が知られている(例えば、特許文献1、2)。 2. Description of the Related Art A karaoke apparatus that synthesizes and outputs lyrics data prior to a karaoke music piece is known (for example, Patent Documents 1 and 2).
カラオケ装置の場合、再生される楽曲に歌詞が含まれないため、先行技術により出力される歌詞音声が聞き取りにくくなることはない。しかし、カラオケではなく通常の音楽を再生して聞いているような場合には、先行技術の手法により歌詞を音声出力すると、出力された歌詞音声が元の音楽に含まれる歌詞の部分と重なって聞き取りにくくなってしまうことがある。また、例えば車両の運転中に音楽を聞いている場合には、先行技術の手法により出力される歌詞音声が車載用ナビゲーション装置による道案内の音声メッセージなどと重なって聞き取りにくくなってしまうこともある。 In the case of a karaoke apparatus, since the reproduced music does not include the lyrics, the lyrics voice output according to the prior art does not become difficult to hear. However, in the case where the user listens to normal music instead of karaoke, if the lyrics are output by the prior art method, the output lyrics sound overlaps with the lyrics included in the original music. It may be difficult to hear. In addition, for example, when listening to music while driving a vehicle, the lyric sound output by the prior art method may be difficult to hear because it overlaps with a voice message for guidance provided by the in-vehicle navigation device. .
本発明の解決しようとする課題としては、上記のものが一例として挙げられる。本発明は、歌詞を含む音楽を再生している際に、ユーザがその曲を歌うための歌詞音声を聞き取り易く提供することを目的とする。 The problems to be solved by the present invention include, for example, those described above. SUMMARY OF THE INVENTION It is an object of the present invention to provide a user who can easily hear a lyric voice for singing a song while playing music including the lyrics.
請求項1に記載の発明は、音楽信号と当該音楽信号の歌詞を表す歌詞音声信号とを出力する再生装置であって、前記音楽信号の歌詞を出力する歌詞区間と前記歌詞音声信号の出力が重複する重複区間に対して、前記音楽信号の歌詞音声のレベルを下げるレベル調整手段を備えることを特徴とする。 The invention according to claim 1 is a playback device that outputs a music signal and a lyrics audio signal representing lyrics of the music signal, wherein a lyrics section that outputs lyrics of the music signal and an output of the lyrics audio signal are output. It is characterized in that a level adjusting means for lowering the level of the lyric sound of the music signal is provided for an overlapping section.
請求項4に記載の発明は、音楽信号と当該音楽信号の歌詞を表す歌詞音声信号とを出力する再生装置により実行される再生方法であって、前記音楽信号の歌詞を出力する歌詞区間と前記歌詞音声信号の出力が重複する重複区間に対して、前記音楽信号の歌詞音声のレベルを下げるレベル調整工程を備えることを特徴とする。 The invention according to claim 4 is a reproducing method executed by a reproducing device that outputs a music signal and a lyric sound signal representing the lyric of the music signal, wherein the lyric section for outputting the lyric of the music signal and the A level adjusting step is provided for lowering the level of the lyric sound of the music signal in an overlapping section where the output of the lyric sound signal overlaps.
請求項5に記載の発明は、コンピュータを備え、音楽信号と当該音楽信号の歌詞を表す歌詞音声信号とを出力する再生装置により実行されるプログラムであって、前記音楽信号の歌詞を出力する歌詞区間と前記歌詞音声信号の出力が重複する重複区間に対して、前記音楽信号の歌詞音声のレベルを下げるレベル調整手段として前記コンピュータを機能させることを特徴とする。 The invention according to claim 5 is a program that is executed by a playback device that includes a computer and outputs a music signal and a lyric sound signal representing the lyrics of the music signal, wherein the lyric outputs the lyrics of the music signal. The computer is caused to function as level adjusting means for lowering the level of the lyric sound of the music signal in an overlapping section in which the output of the lyric sound signal overlaps with the section.
本発明の好適な実施形態では、音楽信号と当該音楽信号の歌詞を表す歌詞音声信号とを出力する再生装置は、前記音楽信号の歌詞を出力する歌詞区間と前記歌詞音声信号の出力が重複する重複区間に対して、前記音楽信号の歌詞音声のレベルを下げるレベル調整手段を備える。 In a preferred embodiment of the present invention, in the playback device that outputs a music signal and a lyrics audio signal representing the lyrics of the music signal, the output of the lyrics audio signal overlaps with the lyrics section that outputs the lyrics of the music signal. A level adjusting unit is provided for lowering the level of the lyric sound of the music signal for the overlapping section.
上記の再生装置は、音楽信号と、その音楽信号の歌詞を示す歌詞音声信号とを出力する。ここで、音楽信号に歌詞が含まれる歌詞区間と、歌詞音声信号の出力とが重複する重複区間においては、再生装置は音楽信号の歌詞音声のレベルを下げる。これにより、ユーザは歌詞音声信号が再生された歌詞音声を聞き取り易くなる。 The playback device outputs a music signal and a lyrics audio signal indicating the lyrics of the music signal. Here, in the overlap section in which the output of the lyrics signal overlaps with the lyrics section in which the music signal includes the lyrics, the playback device lowers the level of the lyrics voice of the music signal. This makes it easier for the user to hear the lyric sound reproduced from the lyric sound signal.
上記の再生装置の一態様では、前記レベル調整手段は、前記重複区間において、前記音楽信号の歌詞音声のレベルをフェードアウトする。これにより、音楽信号の歌詞音声のレベルを違和感なく低下させることができる。 In one aspect of the playback device, the level adjustment unit fades out the level of the lyric sound of the music signal in the overlapping section. As a result, the level of the lyric sound of the music signal can be reduced without discomfort.
上記の再生装置の他の一態様では、前記レベル調整手段は、前記重複区間において、前記音楽信号の歌詞音声のレベルをゼロにする。これにより、重複区間においては歌詞音声信号のみが再生されるので、ユーザは歌詞音声を確実に聞き取ることができる。 In another aspect of the playback device, the level adjustment unit sets the level of the lyric sound of the music signal to zero in the overlapping section. As a result, only the lyrics voice signal is reproduced in the overlapping section, so that the user can surely hear the lyrics voice.
本発明の他の好適な実施形態では、音楽信号と当該音楽信号の歌詞を表す歌詞音声信号とを出力する再生装置により実行される再生方法は、前記音楽信号の歌詞を出力する歌詞区間と前記歌詞音声信号の出力が重複する重複区間に対して、前記音楽信号の歌詞音声のレベルを下げるレベル調整工程を備える。この方法によっても、ユーザは歌詞音声信号が再生された歌詞音声を聞き取り易くなる。 In another preferred embodiment of the present invention, the reproducing method executed by the reproducing device that outputs a music signal and a lyric sound signal representing the lyric of the music signal includes a lyric section that outputs the lyric of the music signal, A level adjusting step is provided for lowering the level of the lyric sound of the music signal in an overlapping section where the output of the lyric sound signal overlaps. This method also makes it easier for the user to hear the lyric sound reproduced from the lyric sound signal.
本発明の他の好適な実施形態では、コンピュータを備え、音楽信号と当該音楽信号の歌詞を表す歌詞音声信号とを出力する再生装置により実行されるプログラムは、前記音楽信号の歌詞を出力する歌詞区間と前記歌詞音声信号の出力が重複する重複区間に対して、前記音楽信号の歌詞音声のレベルを下げるレベル調整手段として前記コンピュータを機能させる。このプログラムをコンピュータで実行することにより上記の再生装置を実現することができる。このプログラムは、記憶媒体に記憶して取り扱うことができる。 In another preferred embodiment of the present invention, a program that is executed by a playback device that includes a computer and outputs a music signal and a lyric sound signal representing the lyrics of the music signal includes a lyric that outputs the lyrics of the music signal. The computer is caused to function as level adjusting means for lowering the level of the lyric sound of the music signal in an overlapping section in which the output of the lyric sound signal overlaps with the section. By executing this program on a computer, the above-described reproducing apparatus can be realized. This program can be stored in a storage medium and handled.
以下、図面を参照して本発明の好適な実施例について説明する。 Hereinafter, preferred embodiments of the present invention will be described with reference to the drawings.
[1]アシストボーカル
[1.1]アシストボーカルの概念
車両を運転しているユーザが車内で音楽を再生して聞いている際、聞いている曲を歌いたくなることがある。しかし、運転中は歌詞の情報を見ることができないため、ユーザはその曲の歌詞を記憶していないと歌うことはできない。
[1] Assist Vocal [1.1] Concept of Assist Vocal When a user driving a vehicle plays and listens to music in the vehicle, the user may want to sing the song being listened to. However, since the user cannot see the lyrics information while driving, the user cannot sing unless the lyrics of the song are stored.
本実施例では、歌詞を含む楽曲を再生している際に、その楽曲に含まれる歌詞を音声信号として出力し、ユーザに教える。具体的には、端末装置のメモリなどに記憶されている楽曲を再生している際に、その楽曲に含まれる歌詞を、その歌詞がその楽曲中で再生される前に、音声として出力してユーザに伝える。これにより、ユーザは、運転中であっても、再生中の曲を歌うことができる。また、運転手以外のユーザも、歌詞集などを見ることなく曲を歌うことができる。 In the present embodiment, when a song including lyrics is being reproduced, the lyrics included in the song are output as an audio signal to inform the user. Specifically, when a song stored in a memory or the like of a terminal device is being played, lyrics included in the song are output as audio before the lyrics are played in the song. Tell the user. Thereby, the user can sing the song being reproduced even while driving. Also, a user other than the driver can sing a song without looking at a lyrics collection or the like.
このように、楽曲中で歌詞が再生されるタイミングに先行して、その歌詞の内容を音声出力してユーザに伝える機能を「アシストボーカル」と呼ぶ。なお、本実施例では、再生される楽曲はカラオケではなく、歌詞を含む通常の曲であるものとする。 The function of outputting the contents of the lyrics as voice and transmitting them to the user prior to the timing at which the lyrics are reproduced in the music is called "assist vocal". In this embodiment, it is assumed that the reproduced music is not a karaoke but a normal music including lyrics.
図1は、アシストボーカルの概念を示す。図1は、1つの楽曲を模式的に示したものである。図1の横軸は時間を示す。1つの楽曲中には、複数のブロックに分けて歌詞の部分が含まれている。再生される楽曲に含まれる歌詞の部分を「ボーカル」と呼ぶ。また、楽曲中において、ボーカル以外の部分を「間奏」と呼ぶ。よって、通常1つの楽曲は、複数の間奏と複数のボーカルとにより構成される。 FIG. 1 illustrates the concept of assist vocals. FIG. 1 schematically shows one music piece. The horizontal axis in FIG. 1 indicates time. One music piece includes a lyrics portion divided into a plurality of blocks. The part of the lyrics included in the reproduced music is called “vocal”. In the music, a portion other than the vocals is called an “interlude”. Therefore, one music is usually composed of a plurality of interludes and a plurality of vocals.
図1の例では、楽曲は、3つのボーカル1〜3と、複数の間奏とにより構成されている。ボーカル1の内容(歌詞)は「あいうえお」であり、ボーカル2の内容は「かきくけこ」であり、ボーカル3の内容は「さしすせそ」であるものとする。 In the example of FIG. 1, the music is composed of three vocals 1 to 3 and a plurality of interludes. The content (lyrics) of vocal 1 is "aiueo", the content of vocal 2 is "kakikukeko", and the content of vocal 3 is "sashisuseso".
このような楽曲が再生されている状況において、本実施例では、楽曲中のボーカル1が再生されるタイミングに先行して、ボーカル1に対応する歌詞「あいうえお」が音声出力される。なお、本明細書では、アシストボーカルにより音声出力される歌詞音声を「スピーチ」と呼んで、楽曲中に含まれる「ボーカル」と区別する。 In a situation where such a song is being played, in the present embodiment, the lyrics “Aioeo” corresponding to the vocal 1 are output as sound prior to the timing at which the vocal 1 in the song is played. In the present specification, the lyrics voice output by the assist vocal is called "speech" and is distinguished from "vocal" included in the music.
図1の例では、ボーカル1に先行して、ボーカル1に対応するスピーチ1が出力される。同様に、ボーカル2に先行してスピーチ2が出力され、ボーカル3に先行してスピーチ3が出力される。 In the example of FIG. 1, the speech 1 corresponding to the vocal 1 is output prior to the vocal 1. Similarly, speech 2 is output prior to vocal 2, and speech 3 is output prior to vocal 3.
スピーチは、曲に含まれるボーカルの歌詞のみを音声信号として出力するものであり、基本的に音程やリズムなどの要素を含まない。また、後述するように、スピーチは基本的に対応するボーカルの前の間奏に挿入されるので、必要に応じてその長さが調整され、通常は楽曲の再生中にボーカルとして再生される場合よりも短い時間とされる。典型的な例では、スピーチは対応するボーカルの歌詞を早口で話した音声となる。 The speech outputs only the vocal lyrics included in the song as an audio signal, and basically does not include elements such as pitch and rhythm. Also, as will be described later, the speech is basically inserted into the interlude before the corresponding vocal, so its length is adjusted as necessary, and it is usually easier to play the song as a vocal during playback. Is also short. In a typical example, the speech is a voice that speaks the lyrics of the corresponding vocal in a buzz.
[1.2]アシストボーカル処理
次に、スピーチを出力するためのアシストボーカル処理について説明する。図2は、アシストボーカル処理のフローチャートである。なお、この処理は、車両に搭載された端末装置、典型的にはスマートフォンなどの携帯端末などにより実行されるが、その詳細については後述する。以下の説明では、端末装置が処理を実行するものとして説明する。
[1.2] Assist Vocal Processing Next, assist vocal processing for outputting speech will be described. FIG. 2 is a flowchart of the assist vocal process. Note that this process is executed by a terminal device mounted on the vehicle, typically, a mobile terminal such as a smartphone, and the details thereof will be described later. In the following description, it is assumed that the terminal device executes the processing.
まず、端末装置は、アシストボーカルがオンになっているか否かを判定する(ステップS1)。ここで、アシストボーカルのオン/オフは、ユーザが手動で行う場合と、自動で行う場合とがある。手動で行う場合、ユーザはアシストボーカルによりスピーチの再生を行いたいときに所定のボタンなどを操作してアシストボーカルをオンに設定し、端末装置はこれを検出する。一方、自動で行う場合、端末装置は例えばマイクなどを利用してユーザの声を判定し、ユーザが歌唱している又は歌唱に準ずる行為を行っている場合に、自動的にアシストボーカルをオンに設定する。なお、アシストボーカルの自動設定方法についてはさらに後述する。 First, the terminal device determines whether or not the assist vocal is turned on (step S1). Here, the assist vocal is turned on / off manually by the user or automatically. In the case of performing manually, when the user wants to reproduce the speech by the assist vocal, the user operates a predetermined button or the like to turn on the assist vocal, and the terminal device detects this. On the other hand, when performing automatically, the terminal device determines the voice of the user using, for example, a microphone, and automatically turns on the assist vocal when the user is singing or performing an act similar to the singing. Set. The automatic setting method of the assist vocal will be further described later.
アシストボーカルがオンに設定されていない場合(ステップS1:No)、処理は終了する。一方、アシストボーカルがオンに設定されている場合(ステップS1:Yes)、端末装置は、再生中の楽曲を特定する(ステップS2)。この場合に、車内で再生されている楽曲は、サーバからダウンロードされるなどして端末装置の内部に記憶されている楽曲、CDや車載器のメモリなどの記憶媒体に記憶されている楽曲、ラジオなどから再生されている楽曲などを含む。端末装置の内部に記憶されている楽曲を再生している場合、端末装置はその再生中の楽曲を容易に特定することができる。一方、CDなどの記憶媒体に記憶されている楽曲が再生されている場合やラジオから楽曲が再生されている場合には、端末装置は、車内のスピーカから再生されている楽曲をマイクで集音し、そのオーディオデータを外部の音楽検索サーバに送信する。音楽検索サーバは、多数の楽曲のデータをデータベース化して記憶しており、端末装置から受信したオーディオデータと一致する楽曲を特定してその楽曲を示す情報(例えば、曲名、アーティスト名など、以下、「楽曲特定情報」と呼ぶ。)を端末装置に送信する。こうして、端末装置は、現在再生されている楽曲の楽曲特定情報を取得する。 If the assist vocal is not set to ON (step S1: No), the process ends. On the other hand, when the assist vocal is set to ON (step S1: Yes), the terminal device specifies the music being reproduced (step S2). In this case, the music played in the car is downloaded from a server and stored in the terminal device, a music stored in a storage medium such as a CD or a memory of an on-board unit, a radio, or the like. Includes music that is being played back from When music stored in the terminal device is being played, the terminal device can easily specify the music being played. On the other hand, when music stored in a storage medium such as a CD is being played or music is being played from the radio, the terminal device collects the music played from the speaker in the car with a microphone. Then, the audio data is transmitted to an external music search server. The music search server stores a large number of music data in a database and stores the data. The music search server specifies a music that matches the audio data received from the terminal device and indicates the music (for example, a song name, an artist name, etc. (Referred to as “song identification information”) to the terminal device. In this way, the terminal device acquires the music identification information of the music currently being played.
こうして、再生中の楽曲が特定されると、端末装置は、スピーチ情報生成処理を実行する(ステップS3)。図3は、スピーチ情報生成処理のフローチャートである。また、図4は、スピーチ情報生成処理の概要を示す。 When the music being reproduced is specified in this way, the terminal device executes a speech information generation process (step S3). FIG. 3 is a flowchart of the speech information generation process. FIG. 4 shows an outline of the speech information generation process.
図3において、端末装置は、ステップS2で特定された楽曲の歌詞データを外部サーバなどから取得する(ステップS31)。ここで、「歌詞データ」とは、その楽曲において、どのタイミングにどのような歌詞が再生されるかを規定する情報であり、具体的には、楽曲に含まれる歌詞を示す歌詞テキストデータと、その歌詞が再生される再生時刻(曲の開始時刻からの経過時間)を示す再生時刻データとを対応付けた情報である。 In FIG. 3, the terminal device acquires the lyrics data of the music piece specified in step S2 from an external server or the like (step S31). Here, “lyric data” is information that defines what lyrics are reproduced at which timing in the music, and specifically, lyrics text data indicating the lyrics included in the music, This is information associated with playback time data indicating the playback time (elapsed time from the start time of the song) at which the lyrics are played.
次に、端末装置は、楽曲解析データを取得する(ステップS32)。楽曲解析データとは、その楽曲における拍位置、小節位置などの音楽的特徴を示す情報であり、再生された楽曲のオーディオデータに基づいて生成される。具体的には、端末装置は内部に楽曲解析アプリケーションを内蔵しておき、車両のスピーカから再生された楽曲をマイクで集音してオーディオデータを取得し、そのオーディオデータを解析することにより拍位置などの楽曲解析データを取得する。なお、端末装置に楽曲解析アプリケーションを内蔵する代わりに、外部の楽曲解析装置やサーバなどを利用して楽曲解析データを取得してもよい。 Next, the terminal device acquires music analysis data (step S32). The music analysis data is information indicating musical features such as beat positions and bar positions in the music, and is generated based on audio data of the reproduced music. Specifically, the terminal device has a music analysis application built therein, collects the music reproduced from the speaker of the vehicle with a microphone, obtains audio data, and analyzes the audio data to obtain a beat position. Get music analysis data such as Instead of incorporating the music analysis application in the terminal device, music analysis data may be acquired using an external music analysis device or server.
次に、端末装置は、歌詞ブロック化を行う(ステップS33)。歌詞ブロック化とは、ステップS31で取得した歌詞データに含まれる歌詞テキストデータをブロック化する処理であり、1つのブロックは、1つのスピーチに対応する。即ち、歌詞ブロック化は、歌詞テキストデータを、スピーチの単位に分割する処理である。 Next, the terminal device performs lyrics block formation (step S33). The lyrics blocking is a process of blocking lyrics text data included in the lyrics data acquired in step S31, and one block corresponds to one speech. That is, the lyrics block is a process of dividing lyrics text data into speech units.
図4の例では、端末装置は、歌詞テキストデータとして「あいうえおかきくけこさしすせそ」を取得しており、端末装置は、これを「あいうえお」、「かきくけこ」、「さしすせそ」の3つのブロックに分割してブロック歌詞データを生成する。 In the example of FIG. 4, the terminal device has acquired “Aioe Okaki Koke Kosa Sisseso” as lyric text data, and the terminal device has obtained the three blocks of “Ai Ue O”, “Kaki Koke Seso”, and “Sashi Sesso”. To generate block lyrics data.
図5は、歌詞ブロック化の例を示す。図5(A)に第1の方法を示す。この方法では、楽曲に含まれる間奏と間奏との間を1つのブロックとする。なお、「間奏」は、楽曲のうち「ボーカル」以外の部分である。具体的には、端末装置は、ボーカル以外の区間(非ボーカル区間)の長さItが所定長さt1よりも長い場合に、その区間を間奏と判定する。 FIG. 5 shows an example of lyrics block. FIG. 5A shows the first method. In this method, one block is set between the interludes included in the music. The “interlude” is a part of the music other than “vocal”. Specifically, when the length It of the section other than the vocal (non-vocal section) is longer than the predetermined length t1, the terminal device determines that section as an interlude.
但し、例外的に、間奏の長さとの関係で複数のブロックを1つのブロックにまとめる場合がある。図5(B)に示す例のように、ボーカル3の長さVt3に対して、その直前の間奏2の長さIt2が非常に短い(It2<α1・Vt3;α1は任意の係数)場合、間奏2の間にボーカル3のスピーチを出力することは難しい。このような場合に、その1つの前の間奏1の長さIt1が所定長より長ければ、端末装置は、ボーカル2とボーカル3を1つのブロックとする。これにより、ボーカル2とボーカル3に対応するスピーチは間奏1においてされる。 However, exceptionally, there are cases where a plurality of blocks are combined into one block depending on the length of the interlude. As in the example shown in FIG. 5B, when the length It2 of the interlude 2 immediately before the length Vt3 of the vocal 3 is very short (It2 <α1 · Vt3; α1 is an arbitrary coefficient), It is difficult to output the speech of vocal 3 during interlude 2. In such a case, if the length It1 of the preceding interlude 1 is longer than a predetermined length, the terminal device sets the vocals 2 and 3 as one block. Thereby, the speech corresponding to vocal 2 and vocal 3 is performed in interlude 1.
図5(C)に第2の方法を示す。この方法では、端末装置は、歌詞データに含まれる区切りに基づいて各ブロックを決定する。即ち、歌詞データに含まれる歌詞テキストデータに予め区切りの情報が含まれている場合には、端末装置はその区切りに従って歌詞テキストデータをブロック化することができる。 FIG. 5C shows the second method. In this method, the terminal device determines each block based on a break included in the lyrics data. In other words, when the lyrics text data included in the lyrics data includes the information of the segment in advance, the terminal device can block the lyrics text data according to the segment.
次に、端末装置は、歌詞スピーチ化を行う(ステップS34)。歌詞ブロック化により得られたブロック歌詞データはあくまで歌詞を示すテキストデータであり、歌詞スピーチ化はブロック歌詞データを音声データに変換する処理である。具体的には、端末装置は、テキスト−音声変換(TTS:TextToSpeech)ソフトウェアを内蔵し、ステップS33で得られた各ブロック歌詞データを音声データに変換する。これにより、図4に示すように、各ブロック歌詞データから、音声データであるスピーチ1〜3が生成される。なお、端末装置にTTSソフトウェアを内蔵する代わりに、外部サーバなどによるTTS変換を利用してもよい。 Next, the terminal device performs lyrics speech (step S34). The block lyrics data obtained by the lyrics block conversion is text data indicating lyrics only, and the lyrics speech conversion is a process of converting the block lyrics data into audio data. Specifically, the terminal device incorporates text-to-speech conversion (TTS: TextToSpeech) software, and converts each block lyrics data obtained in step S33 into speech data. As a result, as shown in FIG. 4, speech data 1 to 3 are generated from the block lyrics data. Instead of incorporating the TTS software in the terminal device, TTS conversion by an external server or the like may be used.
次に、端末装置は、スピーチ長変更を行う(ステップS35)。スピーチ長変更とは、歌詞スピーチ化により得られた各スピーチの時間的な長さを短縮して、短い時間で再生できるようにする処理である。既に述べたように、各スピーチは対応するボーカルに先行する間奏において再生されるが、間奏の時間的な長さには制限があるので、スピーチを短くして再生する必要がある。このため、スピーチ長変更が行われる。 Next, the terminal device changes the speech length (step S35). The speech length change is a process of shortening the temporal length of each speech obtained by lyric speech conversion so that the speech can be reproduced in a short time. As described above, each speech is reproduced in the interlude preceding the corresponding vocal. However, since the length of the interlude is limited, it is necessary to reproduce the speech in a short time. Therefore, the speech length is changed.
基本的には、人間により聞き取り可能な範囲で、各スピーチの再生時間を短く(再生速度を速く)する。例えば、ステップS34で得られた各スピーチの時間的な長さ(「オリジナルスピーチ長」と呼ぶ。)を「St」とし、スピーチ長変換係数を「α2」とすると、スピーチ長変更による変更後の長さ「Stv」は、
Stv=St・α2 (α2<1.0) (1)
で与えられる。例えば、α2=0.7とすれば、スピーチ長変更により各スピーチは元の3割増しの速さで再生されることになる。
Basically, the reproduction time of each speech is shortened (the reproduction speed is increased) within a range that can be heard by a human. For example, if the temporal length of each speech (referred to as “original speech length”) obtained in step S34 is “St” and the speech length conversion coefficient is “α2”, the speech length after the change by changing the speech length is assumed. The length "Stv" is
Stv = St · α2 (α2 <1.0) (1)
Given by For example, if α2 = 0.7, each speech is reproduced at 30% of the original speed by changing the speech length.
また、上記のような一括変更に加えて、各スピーチ毎に対応する間奏の時間に応じてさらに再生時間を短くしてもよい。なお、この場合、同じ文字数のスピーチ、又は、同じ歌詞の言葉であっても、曲中の位置(先行する間奏の長さ)に応じて、再生時間が異なることになる。 In addition to the above-described batch change, the playback time may be further shortened according to the interlude time corresponding to each speech. In this case, even if the speech has the same number of characters or the words of the same lyrics, the playback time differs depending on the position in the music (length of the preceding interlude).
次に、端末装置は、スピーチ挿入タイミングを算出する(ステップS36)。端末装置は、あるボーカルに対応するスピーチを、そのボーカルの再生タイミングに先行して挿入する。図4に示す例では、ボーカル1に対応するスピーチ1はボーカルの再生タイミングより前に挿入される。同様に、ボーカル2に対応するスピーチ2はボーカル2の再生タイミングより前に挿入され、ボーカル3に対応するスピーチ3はボーカル3の再生タイミングより前に挿入される。 Next, the terminal device calculates speech insertion timing (step S36). The terminal device inserts a speech corresponding to a certain vocal prior to the reproduction timing of the vocal. In the example shown in FIG. 4, the speech 1 corresponding to the vocal 1 is inserted before the vocal reproduction timing. Similarly, speech 2 corresponding to vocal 2 is inserted before the reproduction timing of vocal 2, and speech 3 corresponding to vocal 3 is inserted before the reproduction timing of vocal 3.
スピーチを挿入する方法の具体例を図6に示す。図6は、ボーカル2に対応するスピーチ2を挿入するタイミングの例を示す。 FIG. 6 shows a specific example of a method for inserting speech. FIG. 6 shows an example of the timing at which the speech 2 corresponding to the vocal 2 is inserted.
方法1では、スピーチは、対応するボーカルの開始タイミングよりも一定時間前に終了する。具体的に、図6に示すように、スピーチ2は、ボーカル2の再生開始タイミングより一定時間T2前に終了するように挿入される。即ち、スピーチ2はボーカル2の再生開始より一定時間T2前に終了する。この場合、スピーチ2の再生開始タイミングはスピーチ2の長さに応じて決まる。方法1では、スピーチの再生が終了してから、対応するボーカルが再生されるまでに一定時間が確保されるので、ユーザは余裕を持ってボーカル部分を歌うことができる。 In method 1, the speech ends a fixed time before the start timing of the corresponding vocal. Specifically, as shown in FIG. 6, the speech 2 is inserted so as to end a predetermined time T2 before the reproduction start timing of the vocal 2. That is, the speech 2 ends a predetermined time T2 before the reproduction of the vocal 2 starts. In this case, the reproduction start timing of speech 2 is determined according to the length of speech 2. According to the method 1, since a certain time is secured from the end of the speech reproduction to the reproduction of the corresponding vocal, the user can sing the vocal part with a margin.
方法2では、スピーチの終了タイミングを楽曲の拍位置と一致させる。具体的に、図6の例では、スピーチ2は、ボーカル2の再生開始タイミングよりN拍前(Nは任意の整数;本例ではN=1)に終了するように挿入される。この場合、スピーチ2の再生開始タイミングはスピーチ2の長さに応じて決まる。なお、楽曲の拍の位置は、前述の楽曲解析データから取得される。 In the method 2, the end timing of the speech is matched with the beat position of the music. Specifically, in the example of FIG. 6, the speech 2 is inserted so as to end N beats before the vocal 2 reproduction start timing (N is an arbitrary integer; N = 1 in this example). In this case, the reproduction start timing of speech 2 is determined according to the length of speech 2. The beat position of the music is obtained from the music analysis data described above.
方法3では、スピーチの再生開始タイミングと再生終了タイミングの両方を楽曲の拍位置と一致させる。具体的に、図6の例では、スピーチ2の再生開始タイミング及び再生終了タイミングをともに4拍子の3拍目に一致させている。 In method 3, both the playback start timing and the playback end timing of the speech coincide with the beat position of the music. Specifically, in the example of FIG. 6, the reproduction start timing and the reproduction end timing of the speech 2 are made to coincide with the third beat of the quadruple.
方法2、3のように、スピーチの終了タイミング、又は、開始/終了タイミングの両方を楽曲の拍位置と一致させると、スピーチが楽曲と連動するのでユーザが楽曲を歌いやすくなる。 When the speech end timing or both the start / end timings are matched with the beat position of the music as in the methods 2 and 3, the speech is linked to the music, so that the user can easily sing the music.
以上のようにして、端末装置は、スピーチの挿入タイミングを決定する。具体的には、各スピーチについて、その再生開始タイミングと再生終了タイミングとを、楽曲の先頭からの経過時間により規定する。各スピーチの再生開始タイミングと再生終了タイミングは、スピーチ情報の一部として記憶される。即ち、スピーチ情報は、各スピーチに対応する音声信号(以下、「スピーチ信号」とも呼ぶ。)と、各スピーチの再生開始タイミング/再生終了タイミングとを含む。 As described above, the terminal device determines the speech insertion timing. Specifically, the reproduction start timing and the reproduction end timing of each speech are defined by the elapsed time from the beginning of the music. The reproduction start timing and the reproduction end timing of each speech are stored as a part of the speech information. That is, the speech information includes an audio signal (hereinafter, also referred to as “speech signal”) corresponding to each speech, and reproduction start timing / reproduction end timing of each speech.
次に、処理は図2に示すメインルーチンに戻り、端末装置は、再生中の楽曲の現在の再生位置を取得する(ステップS4)。具体的には、端末装置は、再生中の楽曲の再生開始時刻からの経過時間をカウントすることにより、現在の再生位置を取得する。 Next, the process returns to the main routine shown in FIG. 2, and the terminal device acquires the current playback position of the music being played (step S4). Specifically, the terminal device acquires the current playback position by counting the elapsed time from the playback start time of the music being played back.
次に、端末装置は、スピーチ強調処理を行う(ステップS5)。スピーチ強調処理は、楽曲に含まれるボーカルと、スピーチとを区別して聞き取り易くする処理であるが、その詳細は後述する。 Next, the terminal device performs a speech enhancement process (step S5). The speech emphasizing process is a process of distinguishing vocals included in the music from speech and making it easier to hear, and details thereof will be described later.
次に、端末装置は、スピーチ情報に含まれる各スピーチの再生開始タイミング/再生終了タイミングと、現在の再生位置とに基づいて、スピーチを再生する(ステップS6)。具体的には、スピーチの再生開始タイミングでスピーチの再生を開始し、スピーチの再生終了タイミングでスピーチの再生を終了する。これにより、楽曲中のボーカルに先行して、対応するスピーチが再生されることになる。 Next, the terminal device reproduces the speech based on the reproduction start timing / reproduction end timing of each speech included in the speech information and the current reproduction position (step S6). Specifically, the speech playback is started at the speech playback start timing, and the speech playback is ended at the speech playback end timing. As a result, the corresponding speech is reproduced prior to the vocal in the music.
次に、端末装置は、スピーチの再生を終了すべきか否かを判定する(ステップS7)。スピーチの再生を終了すべき場合とは、スピーチ情報が無くなった場合、楽曲の再生自体が終了した場合、ユーザの操作によりアシストボーカルがオフされた場合、などが挙げられる。スピーチの再生を終了すべきでない場合(ステップS7:No)、処理はステップS4へ戻り、スピーチの再生を継続する。一方、スピーチの再生を終了すべきである場合(ステップS7:Yes)、アシストボーカル処理は終了する。 Next, the terminal device determines whether or not to end the speech reproduction (Step S7). The case where the speech reproduction should be ended includes a case where the speech information has been lost, a case where the music reproduction itself has ended, a case where the assist vocal has been turned off by a user operation, and the like. If the speech reproduction should not be ended (step S7: No), the process returns to step S4, and continues the speech reproduction. On the other hand, if the speech reproduction should be ended (Step S7: Yes), the assist vocal process ends.
[1.3]アシストボーカルの自動オン設定方法
次に、図2に示すアシストボーカル処理のステップS1においてアシストボーカルを自動的にオンに設定する方法について説明する。
[1.3] Method of Setting Assist Vocal Automatically On Next, a method of automatically setting the assist vocal on in step S1 of the assist vocal process shown in FIG. 2 will be described.
基本的な方法としては、端末装置は、ユーザが発している音声をマイクで集音し、ユーザが楽曲に合わせて歌唱している(歌を歌っている)又は歌唱に準ずる行為を行っていると判定される場合にアシストボーカルを自動的にオンにする。例えば、マイクにより集音した音声データを解析した結果、鼻歌を歌っている、断片的に曲を歌っている、ハミングしているなどと判定される場合には、アシストボーカルをオンにする。一方、音声データが歌唱しているのではなく、同乗者との会話である場合にはアシストボーカルをオンにしない。音声データが鼻歌を歌っている部分を含んでいるような場合でも、大部分が会話であるような場合にもアシストボーカルをオンにはしない。 As a basic method, the terminal device collects a voice uttered by the user with a microphone, and the user sings (songs) to the music or performs an action similar to the singing. Automatically turns on the assist vocal if it is determined. For example, if the voice data collected by the microphone is analyzed and it is determined that the user is humming, singing a piece of music, or humming, the assist vocal is turned on. On the other hand, if the voice data is not singing but a conversation with a fellow passenger, the assist vocal is not turned on. The assist vocal is not turned on even when the voice data includes a humming portion or when most of the speech is a conversation.
なお、音声データに含まれるユーザの音声が歌唱であるか否かは、音声データに含まれるリズムや音程の有無に基づいて判断することができる。例えばリズムが規則的である場合や音程の変化が大きい場合には歌唱であると判断し、リズムが不規則である場合は音程の変化が小さい場合に歌唱ではない(会話である)と判断することができる。また、前述の楽曲解析アプリケーションを利用し、音声データから拍や小節が抽出できた場合に歌唱であると判断し、抽出できない場合に歌唱ではないと判断してもよい。また、前述の音楽検索サーバ又は音楽検索機能を利用し、音声データから楽曲が特定できた場合に歌唱であると判断し、楽曲が特定できない場合に歌唱ではないと判断してもよい。 Whether or not the user's voice included in the voice data is a singing can be determined based on the presence or absence of a rhythm or a pitch included in the voice data. For example, if the rhythm is regular or the pitch change is large, it is determined that the song is singing, and if the rhythm is irregular, the pitch is small and the song is not singing (it is a conversation). be able to. Also, using the above-described music analysis application, it may be determined that the song is a singing when a beat or a bar can be extracted from the audio data, and it may be determined that the song is not a singing when it cannot be extracted. In addition, using the above-described music search server or music search function, it may be determined that the song is singing when the song can be identified from the voice data, and it may be determined that the song is not singing when the song cannot be identified.
また、端末装置は、集音した音声データと、再生中の楽曲との相関を算出し、一定値以上の相関がある場合に、ユーザが歌唱していると判断してアシストボーカルをオンにしてもよい。また、端末装置が再生中の曲の歌詞データを既に取得している場合には、マイクにより集音した音声データと歌詞データとの相関が一定値以上である場合に、ユーザが歌っていると判断してもよい。また、歌詞データに基づいて、歌詞が存在しないはずの楽曲の間奏位置においてもユーザの音声が出力されている場合には、それは会話であると判断してもよい。 Further, the terminal device calculates a correlation between the collected audio data and the music being played, and when there is a correlation equal to or more than a certain value, determines that the user is singing and turns on the assist vocal. Is also good. Further, when the terminal device has already acquired the lyrics data of the song being reproduced, if the correlation between the voice data collected by the microphone and the lyrics data is equal to or greater than a certain value, the user may sing. You may decide. Further, if the user's voice is output even at the interlude position of a song where no lyrics should exist, based on the lyrics data, it may be determined that it is a conversation.
また、マイクで集音したリズムの情報を利用してもよい。例えば、ユーザが楽曲のリズムに合わせて手や指でステアリングなどを叩いているとか、足で床を踏んでリズムを取っていると判断される場合には、ユーザが歌唱に準ずる行為を行っていると判定し、アシストボーカルをオンにしてもよい。この場合、マイクで集音したリズムと再生中の楽曲のリズムとの相関を算出し、相関が一定値以上である場合にアシストボーカルをオンにしてもよい。また、再生中の楽曲のリズムとの相関を算出しなくても、マイクで集音されたリズムが、一定のリズムの繰り返しになっているような場合には、アシストボーカルをオンにしてもよい。 Also, rhythm information collected by a microphone may be used. For example, if it is determined that the user is hitting the steering wheel or the like with the hand or finger in accordance with the rhythm of the music, or if the user is stepping on the floor and taking the rhythm, the user performs an act similar to singing May be determined and assist vocals may be turned on. In this case, the correlation between the rhythm collected by the microphone and the rhythm of the music being reproduced may be calculated, and if the correlation is equal to or greater than a certain value, the assist vocal may be turned on. Also, even if the correlation with the rhythm of the music being played is not calculated, if the rhythm collected by the microphone repeats a certain rhythm, the assist vocal may be turned on. .
さらには、車内を撮影するカメラでユーザの状態を撮影し、ユーザが楽曲に合わせて首を振っているような場合に、アシストボーカルをオンにしてもよい。また、車内を撮影するカメラにより、助手席や後部座席に同乗者がいるか否かを検出し、同乗者の有無により、ユーザが歌っているのか会話しているのかの判定基準を変化させてもよい。 Furthermore, the assist vocal may be turned on when the user captures the state of the user with a camera that captures the inside of the vehicle and shakes his / her head in time with the music. Also, the camera that captures the inside of the car detects whether or not there is a passenger in the passenger seat or the rear seat, and depending on the presence or absence of the passenger, it is possible to change the determination standard whether the user is singing or talking. Good.
また、上記の例では、ユーザが歌唱していると判断した場合に、アシストボーカルをオンにする例を説明したが、ユーザが歌唱していても、ユーザが歌詞を知っていてアシストボーカルを再生する必要がないと判断した場合には、アシストボーカルをオンにしなくてもよい。具体的には、例えば集音した音声データと、再生中の楽曲との相関が一定値以上であり、かつ歌詞データとの相関が一定値以上である場合には、ユーザが歌詞を知っていると判断し、歌唱していてもアシストボーカルをオンにしない。 Also, in the above example, an example in which the assist vocal is turned on when it is determined that the user is singing has been described. However, even if the user sings, the user knows the lyrics and plays the assist vocal. If it is determined that there is no need to perform, the assist vocal need not be turned on. Specifically, for example, when the correlation between the collected audio data and the music being reproduced is equal to or greater than a certain value and the correlation with the lyrics data is equal to or greater than a certain value, the user knows the lyrics. Assist vocals are not turned on even when singing.
ただしこの場合、ユーザが途中から歌詞が分からなくなる可能性があるため、スピーチ情報を生成し、出力する準備をしておいてもよい。そのあとに、集音した音声データと、再生中の楽曲との相関が一定値未満であり、または歌詞データとの相関が一定値未満である場合には、ユーザは歌詞を知らないと判断し、アシストボーカルを出力する。 However, in this case, since the user may not be able to understand the lyrics in the middle, preparations may be made to generate and output the speech information. Thereafter, if the correlation between the collected audio data and the music being reproduced is less than a certain value or the correlation with the lyrics data is less than a certain value, it is determined that the user does not know the lyrics. And output assist vocals.
また、上記の例では、アシストボーカルの自動オン設定の方法について説明したが、アシストボーカルの自動オフ設定も行うことができる。アシストボーカルをオンしている間に、ユーザが楽曲に合わせて歌唱していない(歌を歌っていない)又は歌唱に準ずる行為(鼻歌を歌っている、断片的に曲を歌っている、ハミングをしている等)を行っていないと判定された場合に、アシストボーカルを自動的にオフにしてもよい。同様に、会話が検出されたら、アシストボーカルを自動的にオフにしてもよいし、リズムをとっていないと判断されたり、ユーザが楽曲に合わせて頭を振っていないと判断された場合、アシストボーカルを自動的にオフにしてもよい。 Further, in the above example, the method of automatically turning on the assist vocal has been described, but the automatic turning off of the assist vocal can also be performed. While the assist vocal is turned on, the user does not sing to the music (not singing a song) or acts in accordance with the singing (singing humming, singing a piece of music, humming) Assist Vocal may be automatically turned off when it is determined that the vocal is not performed. Similarly, if a conversation is detected, the assist vocal may be automatically turned off, or if it is determined that the rhythm is not being taken or the user is not shaking his head to the music, the assist vocal may be automatically turned off. Vocals may be turned off automatically.
また、上記の例では、ユーザが歌唱しているもしくは歌唱に準ずる行為をしているか否かに基づき、アシストボーカルの自動オン設定もしくは自動オフ設定を行うことを説明したが、再生されている楽曲の構成に基づき自動オン設定もしくは自動オフ設定してもよい。 例えば、楽曲のサビの部分だけ歌唱したいというユーザに対しては、楽曲のサビの部分を再生する際に、アシストボーカルを自動的にオン設定し、楽曲のサビ以外の部分を再生する際に、アシストボーカルを自動的にオフ設定してもよい。逆に、サビの部分は知っていてサビ以外の部分を練習したいというユーザに対しては、楽曲のサビ以外の部分を再生する際に、アシストボーカルを自動的にオン設定し、楽曲のサビの部分を再生する際に、アシストボーカルを自動的にオフ設定してもよい。 Further, in the above example, the automatic vocal setting of the assist vocal or the automatic off setting of the assist vocal is described based on whether the user is singing or performing an act similar to the singing. The automatic on setting or the automatic off setting may be performed based on the configuration described above. For example, for a user who wants to sing only the chorus part of the music, when playing the chorus part of the music, the assist vocal is automatically set to on and when playing the parts other than the chorus of the music, The assist vocal may be automatically turned off. Conversely, for a user who knows the rust part and wants to practice the part other than the rust, the assist vocal is automatically turned on when playing the part other than the rust, and When playing a portion, the assist vocal may be automatically turned off.
[1.4]スピーチ強調処理
次に、図2に示すアシストボーカル処理のステップS5において実行されるスピーチ強調処理について説明する。スピーチ強調処理は、ユーザがスピーチとボーカルとを区別して聞き取り易くする方法であり、以下のいくつかの方法を示す。
[1.4] Speech emphasis processing Next, the speech emphasis processing executed in step S5 of the assist vocal processing shown in FIG. 2 will be described. The speech emphasis process is a method for the user to distinguish between speech and vocal to make it easier to hear, and shows the following several methods.
[1.4.1]スピーチとボーカルが重なる場合の処理
スピーチは基本的に対応するボーカルの直前の間奏中に再生され、ボーカルとは時間的に重ならないことが好ましい。このために前述のスピーチ長変更処理(ステップS35)を行うのであるが、スピーチの長さと間奏の長さによっては、スピーチ長を短縮してもスピーチを間奏中に再生しきれないこともある。即ち、間奏の長さよりも、スピーチの長さの方が長い場合、スピーチとボーカルとが部分的に重なって再生される。このようにスピーチとボーカルとを重ねて再生することに代えて、以下のいずれかの処理を行ってもよい。
[1.4.1] Processing when speech and vocal overlap The speech is basically reproduced during the interlude immediately before the corresponding vocal, and preferably does not overlap with the vocal in time. For this purpose, the above-described speech length changing process (step S35) is performed. Depending on the length of the speech and the length of the interlude, even if the speech length is reduced, the speech may not be reproduced during the interlude. That is, when the length of the speech is longer than the length of the interlude, the speech and the vocal are partially overlapped and reproduced. Instead of reproducing the speech and the vocal in such a manner, any of the following processes may be performed.
(1)ボーカルのレベルを調整する。 (1) Adjust the vocal level.
スピーチとボーカルとが重なってしまう場合、ボーカルの音量レベルを下げる方法がある。図7(A)は、スピーチの後方部分と、ボーカルの先頭部分とが重なり、重複部分Xが生じる場合を示す。この場合、重複部分Xにおいてボーカルの音量を調整する。具体的には、ボーカルの音量をスピーチが聞こえる程度まで低下させる、もしくはゼロにする。これにより、重複部分Xでは、スピーチの再生が優先され、スピーチが聞き取り易くなる。 If the speech and the vocal overlap, there is a method of lowering the volume level of the vocal. FIG. 7A shows a case where the rear part of the speech and the beginning of the vocal overlap and an overlapping part X occurs. In this case, the volume of the vocal is adjusted in the overlapping portion X. Specifically, the volume of the vocal is reduced to a level at which speech can be heard, or set to zero. Thereby, in the overlapping portion X, the reproduction of the speech is prioritized, and the speech is easily heard.
図7(B)は、逆にスピーチの先頭部分と、1つ前のボーカルの後方部分とが重なり、重複部分Xが生じる場合を示す。この場合にも、重複部分Xにおいて、ボーカルの音量を調整する。具体的には、ボーカルの音量をスピーチが聞こえる程度まで低下させる、もしくはゼロにする。また、重複部分Xにおいて、急にボーカルの音量レベルを下げるのではなく、ボーカルをフェードアウトさせて徐々に音量レベルを下げるようにしてもよい。これにより、重複部分Xでは、スピーチの再生が優先され、スピーチが聞き取り易くなる。 FIG. 7B shows a case where the beginning of the speech and the back of the previous vocal overlap, and an overlap X occurs. Also in this case, the volume of the vocal is adjusted in the overlapping portion X. Specifically, the volume of the vocal is reduced to a level at which speech can be heard, or set to zero. Also, in the overlapping portion X, instead of suddenly lowering the volume level of the vocal, the vocal may be faded out to gradually lower the volume level. Thereby, in the overlapping portion X, the reproduction of the speech is prioritized, and the speech is easily heard.
具体的に上記のレベル調整は、楽曲信号においてボーカルの成分と楽器などの演奏の成分とが分離している場合には、ボーカルの成分の音量レベルを低下させればよい。一方、ボーカルの部分が楽器などの演奏の部分と合成されており、ボーカルのみの音量を調整できない場合には、楽曲信号全体の音量レベルを低下させてもよいし、又は、楽曲信号のうち一般的にボーカル(人間の声)に相当する周波数帯域の成分のみ音量レベルを低下させるようにしてもよい。 Specifically, in the above-described level adjustment, when the vocal component and the performance component of an instrument or the like are separated in the music signal, the volume level of the vocal component may be reduced. On the other hand, when the vocal portion is synthesized with the performance portion of the musical instrument or the like and the volume of only the vocal cannot be adjusted, the volume level of the entire music signal may be lowered, or the general music signal may be used. Alternatively, the volume level of only the frequency band component corresponding to vocals (human voice) may be reduced.
(2)スピーチのレベルを調整する。 (2) Adjust the level of speech.
スピーチとボーカルとが重なってしまう場合、逆にスピーチの音量レベルを下げる方法もある。図7(C)は、スピーチの後方部分と、ボーカルの先頭部分とが重なり、重複部分Xが生じる場合を示す。この場合、重複部分Xにおいて、スピーチの音量を調整する。具体的には、スピーチの音量を低下させる、もしくはゼロにする。急にスピーチの音量を下げるのではなく、スピーチをフェードアウトさせて徐々に音量を下げるようにしてもよい。この場合、重複部分Xでは、スピーチが聞き取れなくなるが、一般的にユーザがある程度知っている楽曲を聞く場合には、歌詞の全てを覚えてはいないものの、歌詞の先頭部分がわかれば、その後は歌詞を思い出して歌うことができるということも多い。よって、図7(C)のように、スピーチの先頭部分が聞き取れれば、スピーチの後方部分が聞き取りにくくなっても構わないということも多い。この手法はそのような場合に有効である。 If the speech and the vocal overlap, there is a converse way to lower the volume level of the speech. FIG. 7C shows a case where the rear part of the speech and the head part of the vocal overlap and an overlapping part X occurs. In this case, in the overlapping portion X, the volume of the speech is adjusted. Specifically, the volume of the speech is reduced or set to zero. Instead of suddenly lowering the volume of the speech, the volume of the speech may be gradually lowered by fading out the speech. In this case, the speech cannot be heard at the overlapping portion X, but generally, when listening to a song that the user knows to some extent, the user does not remember all of the lyrics, but once the head of the lyrics is known, In many cases, you can sing while remembering the lyrics. Therefore, as shown in FIG. 7 (C), if the head of the speech can be heard, the rear part of the speech may not be easily heard. This method is effective in such a case.
[1.4.2]スピーチとボーカルを異なる方向から聞かせる処理
人間には、同時に異なる方向から到来する音を聞き分ける能力がある(いわゆるカクテルパーティ効果)。これを利用し、ユーザがスピーチとボーカルとを聞き分けることができるようにする手法が考えられる。なお、この手法は、スピーチとボーカルとが時間的に重なるか否かに拘わらず実行される。
[1.4.2] Processing to hear speech and vocals from different directions Humans have the ability to distinguish sounds coming from different directions at the same time (so-called cocktail party effect). Using this, a method of allowing the user to distinguish between speech and vocal can be considered. This method is executed regardless of whether the speech and the vocal overlap in time.
(1)左右のスピーカで位相を調整する方法
図8(A)は、左右のスピーカから出力されるスピーチの位相を反転させる構成を示す。左(L)チャンネルの楽曲信号は加算器32に供給され、右(R)チャンネルの楽曲信号は加算器33に供給される。一方、スピーチ信号は、そのまま加算器33に供給されるとともに、位相反転器31で位相が反転されて加算器32に供給される。加算器32の出力は左スピーカ30Lに供給され、加算器33の出力は右スピーカ30Rに供給される。
(1) Method of Adjusting Phase with Left and Right Speakers FIG. 8A shows a configuration in which the phases of speech output from the left and right speakers are inverted. The music signal of the left (L) channel is supplied to an adder 32, and the music signal of the right (R) channel is supplied to an adder 33. On the other hand, the speech signal is supplied to the adder 33 as it is, and the phase is inverted by the phase inverter 31 and supplied to the adder 32. The output of the adder 32 is supplied to the left speaker 30L, and the output of the adder 33 is supplied to the right speaker 30R.
この構成によれば、ボーカルを含む楽曲の音像は左右スピーカの間に定位するのに対し、スピーチの音像はユーザの耳回りに定位することになり、ユーザはスピーチと楽曲中のボーカルとを聞き分けやすくなる。なお、図8(A)の例では、位相反転器31により左スピーカ30Lに供給されるスピーチ信号の位相のみを反転しているが、逆に右スピーカ30Rに供給されるスピーチ信号の位相のみを反転させてもよい。また、左右のスピーカに供給されるスピーチ信号の間に一定の位相差があればスピーチの音像位置と楽曲の音像位置とを異ならせることができるので、一方のスピーカに供給されるスピーチ信号を必ずしも反転(180°変化)させる必要はない。即ち、一方のスピーカに供給されるスピーチ信号と、他方のスピーカに供給されるスピーチ信号との間に一定の位相差を与えてやればよい。 According to this configuration, the sound image of the music including the vocals is localized between the left and right speakers, whereas the sound image of the speech is localized around the user's ear, and the user can distinguish between the speech and the vocals in the music. It will be easier. In the example of FIG. 8A, only the phase of the speech signal supplied to the left speaker 30L is inverted by the phase inverter 31, but only the phase of the speech signal supplied to the right speaker 30R is inverted. It may be reversed. In addition, if there is a certain phase difference between the speech signals supplied to the left and right speakers, the sound image position of the speech and the sound image position of the music can be made different. There is no need to invert (change 180 °). That is, a fixed phase difference may be given between the speech signal supplied to one speaker and the speech signal supplied to the other speaker.
(2)音像の定位を制御する方法
図8(B)は、スピーチの音像を任意の位置に設定可能な構成を示す。左(L)チャンネルの楽曲信号は加算器32に供給され、右(R)チャンネルの楽曲信号は、加算器33に供給される。一方、スピーチ信号は、音像定位制御演算部34、クロストークキャンセル部35を経由して加算器32、33に供給される。音像定位制御演算部34は、目標のスピーカ位置と聴取位置(ユーザの位置)との間の伝達関数をスピーチ信号に畳み込み、クロストークキャンセル部35は楽曲を出力しているスピーカと聴取位置との間の伝達関数をキャンセルする処理を行う。これにより、楽曲の音像は左右のスピーカ30L、30Rの間に定位させるとともに、スピーチの音像を目標のスピーカ位置に定位させることができるので、ユーザはスピーチとボーカルとを聞き分けやすくなる。
(2) Method of Controlling Localization of Sound Image FIG. 8B shows a configuration in which a sound image of a speech can be set at an arbitrary position. The music signal of the left (L) channel is supplied to an adder 32, and the music signal of the right (R) channel is supplied to an adder 33. On the other hand, the speech signal is supplied to adders 32 and 33 via a sound image localization control calculation unit 34 and a crosstalk cancellation unit 35. The sound image localization control calculation unit 34 convolves the transfer function between the target speaker position and the listening position (the position of the user) into the speech signal, and the crosstalk canceling unit 35 determines the difference between the speaker outputting the music and the listening position. A process for canceling the transfer function between them is performed. Thereby, the sound image of the music can be localized between the left and right speakers 30L and 30R, and the sound image of the speech can be localized at the target speaker position, so that the user can easily distinguish between the speech and the vocal.
(3)ヘッドレストスピーカを利用する方法
車両のスピーカに加えて車両のシートにヘッドレストスピーカが搭載されている場合、車両のスピーカからボーカルを含む楽曲を出力し、ヘッドレストスピーカからスピーチを出力することができる。この場合の構成例を図9に示す。
(3) Method of Using Headrest Speaker When a headrest speaker is mounted on a vehicle seat in addition to the vehicle speaker, music including vocals can be output from the vehicle speaker, and speech can be output from the headrest speaker. . FIG. 9 shows a configuration example in this case.
左右チャンネルの楽曲信号はそれぞれ車両のスピーカ30L、30Rに供給される。また、スピーチ信号は、そのまま右のヘッドレストスピーカ35Rに供給されるとともに、位相反転器31で位相が反転されて左のヘッドレストスピーカ35Lに供給される。この場合も、2つのヘッドレストスピーカ35L、35Rに供給されるスピーチ信号に位相差が与えられているため、スピーチの音像は楽曲の音像と異なる位置に定位し、ユーザはスピーチと楽曲中のボーカルとを聞き分けやすくなる。なお、この例においても、図8(A)の例と同様に、一方のヘッドレストスピーカに供給されるスピーチ信号と、他方のヘッドレストスピーカに供給されるスピーチ信号との間に一定の位相差を与えてやればよい。 The music signals of the left and right channels are supplied to the speakers 30L and 30R of the vehicle, respectively. The speech signal is supplied to the right headrest speaker 35R as it is, and the phase is inverted by the phase inverter 31 and supplied to the left headrest speaker 35L. Also in this case, since the phase difference is given to the speech signals supplied to the two headrest speakers 35L and 35R, the sound image of the speech is localized at a position different from the sound image of the music, and the user can hear the speech and the vocals in the music. Can be easily distinguished. In this example, as in the example of FIG. 8A, a fixed phase difference is given between the speech signal supplied to one headrest speaker and the speech signal supplied to the other headrest speaker. Just do it.
ヘッドレストスピーカを利用する場合には、運転席のヘッドレストスピーカの代わりに、助手席のヘッドレストスピーカを利用してスピーチを再生してもよい。また、車両の複数の座席にヘッドレストスピーカが搭載されている場合には、各座席毎にスピーチの再生の要否を選択して設定できるようにしてもよい。こうすると、スピーチを聞いて楽曲を歌いたい搭乗者の座席のヘッドレストスピーカのみからスピーチが再生されるように設定することができる。 When a headrest speaker is used, speech may be reproduced using a headrest speaker in a passenger seat instead of a headrest speaker in a driver seat. Further, when headrest speakers are mounted on a plurality of seats of the vehicle, the necessity of speech reproduction may be selected and set for each seat. By doing so, it is possible to set so that the speech is reproduced only from the headrest speaker at the seat of the passenger who wants to listen to the speech and sing the music.
また、位相差を与えることに代えて、図8(B)で説明した処理と同様に、音像定位制御演算部34と、クロストークキャンセル部35とを用いることで、スピーチの音像を任意の位置に定位させてもよい。これにより、ユーザがスピーチとボーカルとを聞き分けやすくすることができる。 Also, instead of giving a phase difference, similarly to the processing described with reference to FIG. 8B, by using the sound image localization control calculating unit 34 and the crosstalk canceling unit 35, the sound image of the speech can be shifted to an arbitrary position. May be localized. This makes it easier for the user to distinguish between speech and vocals.
[2]システム構成
次に、上述のアシストボーカルを実現する楽曲再生システムの構成例を説明する。
[2] System Configuration Next, a description will be given of a configuration example of a music reproduction system that realizes the above-described assist vocal.
[2.1]第1実施例
第1実施例では、アシストボーカル処理を主として端末装置側で実行する。第1実施例による楽曲再生システムの全体構成を図10に示す。第1実施例の楽曲再生システムでは、複数の車両1と、コンテンツプロバイダ2と、ゲートサーバ3とがネットワーク4を介して通信可能とされる。なお、複数の車両1は、無線通信によりネットワーク4を介してコンテンツサーバ2、ゲートサーバ3と通信可能となっている。
[2.1] First Embodiment In the first embodiment, the assist vocal process is mainly executed on the terminal device side. FIG. 10 shows the overall configuration of the music reproduction system according to the first embodiment. In the music reproduction system according to the first embodiment, a plurality of vehicles 1, a content provider 2, and a gate server 3 can communicate with each other via a network 4. Note that the plurality of vehicles 1 can communicate with the content server 2 and the gate server 3 via the network 4 by wireless communication.
コンテンツプロバイダ2は、音楽配信業者などのサーバであり、楽曲データ、楽曲のメタデータ、歌詞データなどを提供する。ゲートサーバ3は、本実施例によるアシストボーカルを実現するために機能するサーバであり、コンテンツプロバイダ2から必要な楽曲の楽曲データ、メタデータ、歌詞データなどを取得して、図示しないデータベースに記憶している。 The content provider 2 is a server such as a music distributor, and provides music data, music metadata, lyrics data, and the like. The gate server 3 is a server that functions to realize the assist vocal according to the present embodiment. The gate server 3 acquires music data, metadata, lyrics data, and the like of necessary music from the content provider 2 and stores the data in a database (not shown). ing.
車両1の内部構成の一例を図11(A)に示す。車両1は、端末装置10と、音楽再生装置20と、スピーカ30とを備える。 FIG. 11A shows an example of the internal configuration of the vehicle 1. The vehicle 1 includes a terminal device 10, a music playback device 20, and a speaker 30.
端末装置10は、典型的にはスマートフォンなどの携帯端末であり、通信部11と、制御部12と、記憶部13と、マイク14と、操作部15とを備える。通信部11は、ネットワーク4を通じてゲートサーバ3と通信する。制御部12は、CPUなどからなり、端末装置10の全体を制御する。 The terminal device 10 is typically a mobile terminal such as a smartphone, and includes a communication unit 11, a control unit 12, a storage unit 13, a microphone 14, and an operation unit 15. The communication unit 11 communicates with the gate server 3 via the network 4. The control unit 12 includes a CPU or the like, and controls the entire terminal device 10.
記憶部13は、ROM、RAMなどのメモリであり、制御部12が各種の処理を実行するためのプログラムを記憶するとともに、ワークメモリとしても機能する。記憶部13に記憶されたプログラムを制御部12が実行することにより、アシストボーカル処理を含む処理が実行される。また、記憶部13は、ユーザが保存した楽曲の楽曲データを記憶していてもよい。 The storage unit 13 is a memory such as a ROM and a RAM, and stores programs for the control unit 12 to execute various processes, and also functions as a work memory. When the control unit 12 executes the program stored in the storage unit 13, processing including assist vocal processing is performed. The storage unit 13 may store music data of music stored by the user.
マイク14は、車内で再生されている楽曲、ユーザによる歌唱、会話などの音声を集音して音声データを生成する。操作部15は、典型的にはタッチパネルなどであり、ユーザによる操作、選択の入力を受け付ける。 The microphone 14 generates sound data by collecting sounds reproduced in the car, voices of a user singing, talking, and the like. The operation unit 15 is typically a touch panel or the like, and receives an operation and a selection input by a user.
音楽再生装置20は、例えばカーオーディオなどであり、アンプなどを含む。スピーカ30は、車両に搭載されたスピーカである。音楽再生装置20は、端末装置10から供給される楽曲データに基づいて楽曲をスピーカ30から再生する。 The music reproducing device 20 is, for example, a car audio, and includes an amplifier. The speaker 30 is a speaker mounted on a vehicle. The music playback device 20 plays music from the speaker 30 based on music data supplied from the terminal device 10.
車両1の内部構成の他の例を図11(B)に示す。この例では、車両1は端末装置10xを備える。端末装置10xは、図11(A)に示す携帯端末などの端末装置10とカーオーディオなどの音楽再生装置20の機能を併せ持つ装置である。端末装置10xは、端末装置10と同様に通信部11、制御部12、記憶部13、マイク14、操作部15を備えるとともに、音楽再生装置20に相当する音楽再生部16を備える。端末装置10xはスピーカ30に接続され、楽曲データに基づいて楽曲をスピーカ30から再生する。 Another example of the internal configuration of the vehicle 1 is shown in FIG. In this example, the vehicle 1 includes a terminal device 10x. The terminal device 10x is a device having both functions of the terminal device 10 such as the portable terminal shown in FIG. 11A and the music reproducing device 20 such as car audio. The terminal device 10 x includes a communication unit 11, a control unit 12, a storage unit 13, a microphone 14, and an operation unit 15, similarly to the terminal device 10, and includes a music playback unit 16 corresponding to the music playback device 20. The terminal device 10x is connected to the speaker 30, and reproduces music from the speaker 30 based on music data.
次に、第1実施例の楽曲再生システムによるアシストボーカル処理について説明する。図12は、第1実施例に係るアシストボーカル処理のフローチャートである。この処理では、アシストボーカル処理を主として端末装置10又は10x(以下、代表して単に「端末装置10」と記す。)により実行する。 Next, an assist vocal process performed by the music reproduction system according to the first embodiment will be described. FIG. 12 is a flowchart of the assist vocal process according to the first embodiment. In this process, the assist vocal process is mainly executed by the terminal device 10 or 10x (hereinafter, simply referred to as “terminal device 10”).
まず、ゲートサーバ3は、ネットワーク4を介してコンテンツプロバイダ2に接続し、複数の楽曲について、楽曲データ及び歌詞データを取得し、内部のデータベースに保存しておく(ステップS101)。 First, the gate server 3 connects to the content provider 2 via the network 4, acquires song data and lyrics data for a plurality of songs, and stores them in an internal database (step S101).
端末装置10は、ユーザによる操作部15の操作により、再生すべき楽曲の指定を受け取り(ステップS102)、その楽曲を指定する楽曲指定情報をゲートサーバ3へ送信する(ステップS103)。ゲートサーバ3は、受け取った楽曲指定情報に対応する楽曲の楽曲データ及び歌詞データをデータベースから取得し、端末装置10へ送信する(ステップS104)。 The terminal device 10 receives the designation of the music to be reproduced by the operation of the operation unit 15 by the user (Step S102), and transmits the music designation information for designating the music to the gate server 3 (Step S103). The gate server 3 acquires the song data and the lyrics data of the song corresponding to the received song designation information from the database, and transmits them to the terminal device 10 (Step S104).
次に、端末装置10は、受信した楽曲データ及び歌詞データを利用して、ステップS105〜S109の処理を行う。ここで、ステップS105〜S109の処理は、図2におけるステップS3〜S7と同様であるので、説明を省略する。 Next, the terminal device 10 performs the processing of steps S105 to S109 using the received music data and lyrics data. Here, the processing of steps S105 to S109 is the same as that of steps S3 to S7 in FIG.
こうして、第1実施例の楽曲再生システムにおいては、車両1に搭載された端末装置10が主としてアシストボーカル処理を実行する。 Thus, in the music reproduction system of the first embodiment, the terminal device 10 mounted on the vehicle 1 mainly executes the assist vocal process.
上記の例では、ステップS101でゲートサーバ3はコンテンツプロバイダから楽曲データを取得しているが、楽曲データが端末装置10に保存されている場合には、ゲートサーバ3は端末装置10から楽曲データを取得してもよい。また、ゲートサーバ3内のデータベースに楽曲データが保存されている場合には、そこから楽曲データを取得してもよい。 In the above example, the gate server 3 acquires the music data from the content provider in step S101. However, when the music data is stored in the terminal device 10, the gate server 3 transmits the music data from the terminal device 10. May be acquired. When music data is stored in the database in the gate server 3, music data may be acquired therefrom.
[2.2]第2実施例
第2実施例では、アシストボーカル処理の一部をゲートサーバ3側で実行する。第2実施例による楽曲再生システムの全体構成は、図10に示す第1実施例と同様であるので、説明を省略する。
[2.2] Second Embodiment In the second embodiment, a part of the assist vocal process is executed on the gate server 3 side. The overall configuration of the music reproduction system according to the second embodiment is the same as that of the first embodiment shown in FIG.
次に、第2実施例の楽曲再生システムによるアシストボーカル処理について説明する。図13は、第2実施例に係るアシストボーカル処理のフローチャートである。この処理では、ゲートサーバ3がスピーチ情報を生成し、さらにスピーチ付楽曲データを生成して端末装置10へ送信する。端末装置10は、スピーチ付楽曲データを受信して再生する。以下、詳しく説明する。 Next, an assist vocal process by the music reproduction system according to the second embodiment will be described. FIG. 13 is a flowchart of the assist vocal process according to the second embodiment. In this processing, the gate server 3 generates speech information, generates music data with speech, and transmits the generated music data to the terminal device 10. The terminal device 10 receives and reproduces the music data with speech. The details will be described below.
まず、ゲートサーバ3は、ネットワーク4を介してコンテンツプロバイダ2に接続し、複数の楽曲について、楽曲データ及び歌詞データを取得し、内部のデータベースに保存する(ステップS201)。そして、ゲートサーバ3は、各楽曲について、取得した楽曲データと歌詞データとに基づいてスピーチ情報を生成する(ステップS202)。このスピーチ情報生成処理は、図2のステップS3と同一であるので、説明を省略する。 First, the gate server 3 connects to the content provider 2 via the network 4, acquires song data and lyrics data for a plurality of songs, and stores them in an internal database (step S201). Then, the gate server 3 generates speech information for each song based on the acquired song data and lyrics data (step S202). This speech information generation process is the same as step S3 in FIG.
スピーチ情報を生成すると、ゲートサーバ3は、楽曲データにスピーチを付加してスピーチ付楽曲データを生成する(ステップS203)。具体的に、ゲートサーバ3は、生成したスピーチ情報に基づいて、各スピーチに対応するスピーチ信号を、図3のステップS36の処理により算出したタイミングで楽曲データに合成し、スピーチ付楽曲データを生成してデータベースに記憶する。つまり、スピーチ付楽曲データは、そのまま再生することにより、楽曲に加えてスピーチが再生されるデータである。 After generating the speech information, the gate server 3 generates speech-added music data by adding speech to the music data (step S203). Specifically, based on the generated speech information, the gate server 3 combines the speech signal corresponding to each speech with the music data at the timing calculated by the process of step S36 in FIG. 3 to generate music data with speech. And store it in the database. That is, the music data with speech is data in which speech is reproduced in addition to the music by being reproduced as it is.
端末装置10は、ユーザによる操作部15の操作により、再生すべき楽曲の指定を受け取り(ステップS204)、その楽曲を指定する楽曲指定情報をゲートサーバ3へ送信する(ステップS205)。ゲートサーバ3は、受け取った楽曲指定情報に対応する楽曲のスピーチ付楽曲データを端末装置10へ送信する(ステップS206)。 The terminal device 10 receives the designation of the music to be reproduced by the operation of the operation unit 15 by the user (step S204), and transmits the music designation information designating the music to the gate server 3 (step S205). The gate server 3 transmits the music data with speech of the music corresponding to the received music designation information to the terminal device 10 (Step S206).
次に、端末装置10は、受信したスピーチ付楽曲データを再生する(ステップS207)。これにより、楽曲の再生中の適切なタイミングで、スピーチが再生される。次に、端末装置10は、楽曲の再生を終了すべきか否かを判定する(ステップS208)。その楽曲が最後まで再生された場合、又は、ユーザが再生を中止した場合など、再生を終了すべき場合には(ステップS208:Yes)、端末装置10は再生を終了する。一方、楽曲の再生を終了すべきではない場合(ステップS208:No)、処理はステップS207へ戻り、スピーチ付楽曲データの再生が継続される。 Next, the terminal device 10 reproduces the received music data with speech (step S207). Thereby, the speech is reproduced at an appropriate timing during the reproduction of the music. Next, the terminal device 10 determines whether or not to end the reproduction of the music (Step S208). When the music has been played to the end, or when the user has stopped the playing, or when the playing should be ended (Step S208: Yes), the terminal device 10 ends the playing. On the other hand, when the reproduction of the music should not be ended (step S208: No), the process returns to step S207, and the reproduction of the music data with speech is continued.
こうして、第2実施例の楽曲再生システムにおいては、ゲートサーバ3側でスピーチ付楽曲データが生成され、端末装置10へ提供される。端末装置10は、受信したスピーチ付楽曲データを再生することにより、スピーチを含む楽曲を聞くことができる。 Thus, in the music reproduction system of the second embodiment, the music data with speech is generated on the gate server 3 side and provided to the terminal device 10. The terminal device 10 can listen to music including speech by reproducing the received music data with speech.
上記の例では、ステップS201でゲートサーバ3はコンテンツプロバイダから楽曲データを取得しているが、楽曲データが端末装置10に保存されている場合には、ゲートサーバ3は端末装置10から楽曲データを取得してもよい。また、ゲートサーバ3内のデータベースに楽曲データが保存されている場合には、そこから楽曲データを取得してもよい。 In the above example, the gate server 3 acquires the music data from the content provider in step S201. However, when the music data is stored in the terminal device 10, the gate server 3 transmits the music data from the terminal device 10. May be acquired. When music data is stored in the database in the gate server 3, music data may be acquired therefrom.
[3]スピーチのみを再生するアシストボーカル
上述のアシストボーカル処理では、端末装置10により再生している楽曲に対して、スピーチを付加して再生している。しかし、端末装置10以外のソース、例えば車内のラジオ、CDなど(以下、「外部ソース」と呼ぶ。)から再生されている楽曲に対してスピーチを付加することができれば便利である。この場合、端末装置10は、基本的に上述の方法でスピーチ情報を生成し、外部ソースから再生されている楽曲の再生位置に応じたタイミングでスピーチのみを再生すればよい。
[3] Assist Vocal Playing Only Speech In the assist vocal process described above, the music being played by the terminal device 10 is played with speech added. However, it is convenient if speech can be added to music played from a source other than the terminal device 10, for example, an in-car radio, a CD, or the like (hereinafter, referred to as an “external source”). In this case, the terminal device 10 basically generates the speech information by the above-described method, and only needs to reproduce the speech at a timing corresponding to the reproduction position of the music being reproduced from the external source.
この場合のアシストボーカル処理のフローチャートを図14に示す。まず、端末装置10は、外部ソースから再生されている楽曲をマイク14により集音して再生楽曲データを取得し(ステップS151)、これをゲートサーバ3へ送信する(ステップS152)。 FIG. 14 shows a flowchart of the assist vocal process in this case. First, the terminal device 10 collects music reproduced from an external source by the microphone 14 to obtain reproduced music data (step S151), and transmits the data to the gate server 3 (step S152).
ゲートサーバ153は、端末装置10から再生楽曲データを受信し、対応する楽曲及びその再生位置を特定する(ステップS153)。具体的には、ゲートサーバ3は、前述の音楽検索サーバの機能を有する音楽検索部を備え、再生楽曲データに基づいて、その楽曲を特定するとともに、その再生楽曲データの部分に対応する再生位置を特定する。そして、ゲートサーバ3は、特定した楽曲の楽曲名やアーティスト名とともに、歌詞データと、再生位置情報とを端末装置10へ送信する(ステップS154)。 The gate server 153 receives the reproduced music data from the terminal device 10, and specifies the corresponding music and its reproduction position (Step S153). Specifically, the gate server 3 includes a music search unit having the function of the above-described music search server, specifies the music based on the reproduced music data, and sets a reproduction position corresponding to the reproduced music data portion. To identify. Then, the gate server 3 transmits the lyrics data and the reproduction position information to the terminal device 10 together with the song name and the artist name of the identified song (step S154).
端末装置10は、受信した歌詞データを利用して、スピーチ情報を生成する(ステップS155)。なお、スピーチ情報の生成は、図3を参照して説明したのと同様の方法で行われる。なお、端末装置10は、マイク14で取得した再生楽曲データを解析することにより、楽曲解析データを取得することができる(図3のステップS32の処理)。 The terminal device 10 generates speech information using the received lyrics data (step S155). The generation of the speech information is performed in the same manner as described with reference to FIG. Note that the terminal device 10 can acquire music analysis data by analyzing the reproduced music data acquired by the microphone 14 (the process of step S32 in FIG. 3).
次に、端末装置10は、ゲートサーバ3から取得した再生位置情報に基づいて、その楽曲における現在の再生位置を算出する(ステップS156)。この方法については後述する。次に、端末装置10は、スピーチ強調処理を行い(ステップS157)、外部ソースにより再生されている楽曲に合わせて適切なタイミングでスピーチを再生する(ステップS158)。これにより、外部ソースから再生されている楽曲に合わせて、スピーチが再生される。 Next, the terminal device 10 calculates the current playback position in the music based on the playback position information acquired from the gate server 3 (Step S156). This method will be described later. Next, the terminal device 10 performs a speech emphasizing process (step S157), and reproduces the speech at an appropriate timing in accordance with the music being reproduced by the external source (step S158). As a result, the speech is reproduced according to the music being reproduced from the external source.
そして、端末装置10は、スピーチの再生を終了すべきか否かを判定し(ステップS159)、終了させるべきでない場合には、ステップS156へ戻って処理を継続する。一方、外部ソースからの楽曲の再生が終了した場合、再生されている楽曲が別の楽曲に変わった場合、再生すべきスピーチが無くなった場合など、スピーチの再生を終了すべき場合には(ステップS159:Yes)、処理を終了する。 Then, the terminal device 10 determines whether or not to end the speech reproduction (step S159). If not, the terminal device 10 returns to step S156 to continue the processing. On the other hand, when the reproduction of the speech from the external source is completed, when the music being reproduced is changed to another music, when there is no more speech to be reproduced, or when the reproduction of the speech should be completed (step S159: Yes), the process ends.
次に、図15を参照して、ステップS156において楽曲の現在の再生位置を特定する方法を説明する。端末装置10からゲートサーバ3へ送信される再生楽曲データは、実際には複数のオーディオフレームのデータとなる。即ち、端末装置10は、外部ソースにより再生されている楽曲をマイク14で集音し、複数のオーディオフレームとして順次ゲートサーバ3へ送信する。 Next, a method of specifying the current playback position of the music in step S156 will be described with reference to FIG. The playback music data transmitted from the terminal device 10 to the gate server 3 is actually data of a plurality of audio frames. That is, the terminal device 10 collects the music played by the external source with the microphone 14 and sequentially transmits the music to the gate server 3 as a plurality of audio frames.
図15の例では、端末装置10は、外部ソースにより再生されている楽曲のオーディオフレームn、(n+1)、(n+2)、...を、再生楽曲データとして順次ゲートサーバ3へ送信する。この際、端末装置10は、最初に再生楽曲データを送信した時刻、図15の例ではオーディオフレームnを送信した時刻(以下、「基準時刻t0」と呼ぶ。)を記憶しておく。 In the example of FIG. 15, the terminal device 10 outputs audio frames n, (n + 1), (n + 2),. . . Are sequentially transmitted to the gate server 3 as reproduction music data. At this time, the terminal device 10 stores the time when the reproduced music data is transmitted first, in the example of FIG. 15, the time when the audio frame n is transmitted (hereinafter, referred to as “reference time t0”).
ゲートサーバ3の音楽検索部は、データベースに記憶された多数の楽曲の情報を参照し、受信した複数のオーディオフレームに基づいて楽曲を特定する。図15の例では、ゲートサーバ3の音楽検索部は、オーディオフレームn〜(n+4)に基づいて楽曲を特定できたものとする。この場合、ゲートサーバ3は、楽曲判定結果として、楽曲名、アーティスト名などに加えて、端末装置10から最初に受信したオーディオフレームnの曲先頭からの再生時間(tn)を再生位置情報として端末装置10へ送信する。即ち、図14のステップS154でゲートサーバ3から端末装置10へ送信される再生位置情報は、端末装置10がゲートサーバ3へ最初に送信したオーディオフレームnの、その楽曲の先頭からの経過時間となっている。そこで、ステップS156において、端末装置10は、予め記憶していた基準時刻t0から現在までの経過時間の経過時間Δtを算出し、これを再生時間tnに加算する。即ち、ゲートサーバ3から送信される再生時間tnは、その楽曲の先頭からオーディオフレームnまでの時間であり、経過時間Δtはオーディオフレームnから現在までの時間である。よって、現在の再生位置(再生時間)Tcは、以下の式で算出される。 The music search unit of the gate server 3 refers to information of a large number of music pieces stored in the database, and specifies a music piece based on a plurality of received audio frames. In the example of FIG. 15, it is assumed that the music search unit of the gate server 3 has been able to specify a music piece based on audio frames n to (n + 4). In this case, the gate server 3 uses the playback time (tn) from the beginning of the tune of the audio frame n first received from the terminal device 10 as the playback position information in addition to the tune name and the artist name as the tune determination result. Transmit to the device 10. In other words, the reproduction position information transmitted from the gate server 3 to the terminal device 10 in step S154 of FIG. 14 includes the elapsed time from the beginning of the music of the audio frame n first transmitted by the terminal device 10 to the gate server 3. Has become. Therefore, in step S156, the terminal device 10 calculates the elapsed time Δt of the elapsed time from the reference time t0 to the present, which is stored in advance, and adds this to the reproduction time tn. That is, the reproduction time tn transmitted from the gate server 3 is the time from the beginning of the music to the audio frame n, and the elapsed time Δt is the time from the audio frame n to the present. Therefore, the current reproduction position (reproduction time) Tc is calculated by the following equation.
Tc=tn+Δt (2)
以上のように、ゲートサーバ3に音楽検索機能を設け、再生楽曲データに基づいて楽曲及びその再生位置を特定することにより、外部ソースから再生されている楽曲に合わせてスピーチを再生することができる。また、ゲートサーバ3に音楽検索機能を設ける代わりに、外部の音楽検索サーバを利用しても良い。
Tc = tn + Δt (2)
As described above, by providing the music search function in the gate server 3 and specifying the music and its reproduction position based on the reproduced music data, the speech can be reproduced in accordance with the music reproduced from the external source. . Instead of providing the gate server 3 with the music search function, an external music search server may be used.
なお、ステップS159では、1つの楽曲が終了したときに再生を終了してもよいが、1つの楽曲が終了した後で別の楽曲が再生されているような場合には、処理を継続してもよい。即ち、端末装置10からゲートサーバ3への楽曲再生データの送信を継続している間は、スピーチの再生を継続することとしてもよい。これにより、外部ソースから再生される曲が変わっても、それに追従してスピーチの再生を継続することが可能となる。 In step S159, the reproduction may be ended when one music ends, but if another music is being reproduced after one music ends, the processing is continued. Is also good. That is, while the transmission of the music reproduction data from the terminal device 10 to the gate server 3 is continued, the reproduction of the speech may be continued. As a result, even if the music reproduced from the external source changes, it is possible to continue the reproduction of the speech following the change.
1 車両
2 コンテンツプロバイダ
3 ゲートサーバ
4 ネットワーク
10、10x 端末装置
12 制御部
13 記憶部
14 マイク
20 音楽再生装置
30 スピーカ
Reference Signs List 1 vehicle 2 content provider 3 gate server 4 network 10, 10x terminal device 12 control unit 13 storage unit 14 microphone 20 music playback device 30 speaker
Claims (1)
前記音楽信号の歌詞を出力する歌詞区間と前記歌詞音声信号の出力が重複する重複区間に対して、前記音楽信号の歌詞音声のレベルを下げるレベル調整手段を備えることを特徴とする再生装置。 A playback device that outputs a music signal and a lyrics audio signal representing lyrics of the music signal,
A reproducing apparatus, comprising: a level adjusting means for lowering the level of the lyric sound of the music signal in an overlap section in which the output of the lyric sound signal overlaps with the lyric section in which the lyrics of the music signal are output.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019150421A JP6810773B2 (en) | 2019-08-20 | 2019-08-20 | Playback device, playback method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019150421A JP6810773B2 (en) | 2019-08-20 | 2019-08-20 | Playback device, playback method, and program |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015036701A Division JP2016157085A (en) | 2015-02-26 | 2015-02-26 | Reproduction device, reproduction method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019220973A true JP2019220973A (en) | 2019-12-26 |
JP6810773B2 JP6810773B2 (en) | 2021-01-06 |
Family
ID=69097155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019150421A Active JP6810773B2 (en) | 2019-08-20 | 2019-08-20 | Playback device, playback method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6810773B2 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000010574A (en) * | 1998-06-19 | 2000-01-14 | Victor Co Of Japan Ltd | Karaoke sing-along machine |
JP2000267677A (en) * | 1999-03-16 | 2000-09-29 | Daiichikosho Co Ltd | Karaoke device having feature in volume control of model vocal |
JP2001215979A (en) * | 2000-02-04 | 2001-08-10 | Yamaha Corp | Karaoke device |
JP2014167519A (en) * | 2013-02-28 | 2014-09-11 | Daiichikosho Co Ltd | Communication karaoke system allowing continuation of duet singing during communication failure |
-
2019
- 2019-08-20 JP JP2019150421A patent/JP6810773B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000010574A (en) * | 1998-06-19 | 2000-01-14 | Victor Co Of Japan Ltd | Karaoke sing-along machine |
JP2000267677A (en) * | 1999-03-16 | 2000-09-29 | Daiichikosho Co Ltd | Karaoke device having feature in volume control of model vocal |
JP2001215979A (en) * | 2000-02-04 | 2001-08-10 | Yamaha Corp | Karaoke device |
JP2014167519A (en) * | 2013-02-28 | 2014-09-11 | Daiichikosho Co Ltd | Communication karaoke system allowing continuation of duet singing during communication failure |
Also Published As
Publication number | Publication date |
---|---|
JP6810773B2 (en) | 2021-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6691737B2 (en) | Lyrics sound output device, lyrics sound output method, and program | |
JP4916005B2 (en) | Karaoke system | |
US7834261B2 (en) | Music composition reproducing device and music composition reproducing method | |
JP6810773B2 (en) | Playback device, playback method, and program | |
WO2016135921A1 (en) | Vehicle-mounted music reproduction device, music reproduction method, and program | |
JP6944357B2 (en) | Communication karaoke system | |
JP2019215570A (en) | Reproduction device, reproduction method, and program | |
JP2019219675A (en) | Sound signal output device, sound signal output method, and program | |
JP2016157088A (en) | Music reproduction system, terminal device, music data providing method, and program | |
JP2016157084A (en) | Reproduction device, reproduction method, and program | |
JP2016157087A (en) | Music reproduction system, server, music data providing method and program | |
JP4171680B2 (en) | Information setting device, information setting method, and information setting program for music playback device | |
JP2016157082A (en) | Reproduction device, reproduction method, and program | |
WO2016157377A1 (en) | Communication system, playback system, terminal device, server, content communication method, and program | |
WO2016135920A1 (en) | Reproduction device, reproduction method, and program | |
JP6260565B2 (en) | Speech synthesizer and program | |
JP2016157085A (en) | Reproduction device, reproduction method, and program | |
JP2016157083A (en) | Reproduction device, reproduction method, and program | |
JP2016158221A (en) | Audio signal output device, audio signal output method and program | |
JP6798561B2 (en) | Signal processing equipment, signal processing methods and programs | |
JP4397330B2 (en) | Music playback device and music playback program | |
JP2016188920A (en) | Terminal device, server, singing data generation method, and program | |
WO2022018864A1 (en) | Sound data processing device, sound data processing method, and sound data processing program | |
JP6114492B2 (en) | Data processing apparatus and program | |
JP2006331533A (en) | Automatic voice content selecting device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190820 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200519 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200709 |
|
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: 20201117 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201211 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6810773 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |