JP2021007216A5 - - Google Patents

Claims (10)

1. 複数の音声入力デバイスによって検出された音声入力を備える多チャンネル音声信号を受信することと、
   映像入力デバイスによって撮像された画像を受信することと、
   前記画像に少なくとも部分的に基づいて、対象音源に関する確からしさを示す第１信号を規定することと、
   前記多チャンネル音声信号と前記第１信号とに少なくとも部分的に基づいて、前記対象音源に由来する音声成分に関する確からしさを示す第２信号を規定することと、
   前記第２信号に少なくとも部分的に基づいて、出力音声信号を生成するように前記多チャンネル音声信号を処理することと、
   を含む
   方法。
2. 更に、
   複数の画像を受信することと、
   前記複数の画像において或る音源を前記対象音源として識別することと、
   前記複数の画像に少なくとも部分的に基づいて前記音源について口唇動き検出を行うことと、
   を含み、
   前記第２信号が、前記口唇動き検出に更に基づいている
   請求項１に記載の方法。
3. 前記多チャンネル音声信号を処理することは、
   前記多チャンネル音声信号を処理して、前記対象音源が前記画像にいると判定されたか、前記映像入力デバイスに対する前記対象音源の位置、前記対象音源の凝視の方向、及び／又は、前記対象音源の唇の動きが検出されたかに少なくとも部分的に基づいてミュートされた音声を生成することを含む
   請求項１または２に記載の方法。
4. 更に、
   前記画像において少なくとも一の顔を検出することと、
   事前に定義された顔識別子に少なくとも部分的に基づいて、前記少なくとも一の顔の一つが、前記対象音源であると識別することと
   を含む
   請求項１から３のいずれか１項に記載の方法。
5. 更に、前記多チャンネル音声信号に対して音声アクティビティ検出（ＶＡＤ）を行ってＶＡＤ信号を生成することを含み、
   前記第２信号が、前記ＶＡＤ信号に少なくとも部分的に基づいて規定される
   請求項１から４のいずれか１項に記載の方法。
6. 更に、
   前記画像における前記対象音源の位置を特定することと、
   前記画像を処理して前記位置に少なくとも部分的に基づいて出力映像信号を生成することを備える
   請求項１から５のいずれか１項に記載の方法。
7. 前記画像を処理することが、前記位置に少なくとも部分的に基づいて前記画像の一部をぼかして前記出力映像信号を生成することを含む
   請求項６に記載の方法。
8. 前記対象音源が前記画像にいないと判定された場合、前記出力映像信号が、全体がぼかされた画像又は全体が空白にされた画像を含んでいる
   請求項６または７に記載の方法。
9. 更に、
   前記画像に少なくとも部分的に基づいて前記対象音源の凝視の方向を特定することを含み、
   前記第１信号及び／又は前記第２信号が、前記凝視の前記方向に更に基づいている
   請求項１から８のいずれか１項に記載の方法。
10. 映像入力デバイスによって撮像された画像を受信するように構成された映像サブシステムであって、前記画像に少なくとも部分的に基づいて、対象音源に関する確からしさを示す第１信号を規定するように構成された識別コンポーネントを備える映像サブシステムと、
    複数の音声入力デバイスによって検出された音声入力を含む多チャンネル音声信号を受信するように構成された音声サブシステムと
    を備え、
    前記音声サブシステムが、
    前記多チャンネル音声信号と前記第１信号とに少なくとも部分的に基づいて、前記対象音源に由来する音声成分に関する確からしさを示す第２信号を規定するように構成されたロジックコンポーネントと、
    前記第２信号に少なくとも部分的に基づいて前記多チャンネル音声信号を処理して出力音声信号を生成するように構成された音声処理コンポーネントと
    を備える
    システム。