JP2022017740A

JP2022017740A - 無音区間検出装置および無音区間検出方法

Info

Publication number: JP2022017740A
Application number: JP2020120453A
Authority: JP
Inventors: 康之冨森; Yasuyuki Tomimori
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 2020-07-14
Filing date: 2020-07-14
Publication date: 2022-01-26
Anticipated expiration: 2040-07-14
Also published as: JP7518681B2

Abstract

【課題】音声デコーダによる復号後の音声信号を用いることなく、無音区間を検出する。【解決手段】無音区間検出装置は、音声データが圧縮された圧縮音声データを取得する取得部と、前記取得部により取得された前記圧縮音声データの所定の時間ごとのデータ量を算出する算出部と、前記所定の時間ごとのデータ量に基づいて、前記音声データの無音区間を検出する検出部と、を備える。【選択図】図１

Description

本発明は、無音区間検出装置および無音区間検出方法に関する。

コンテンツの音声信号の出力に基づいて無音区間を検出するとともに、該無音区間の開始位置あるいは終了位置を検出する映像再生装置が知られている（例えば、特許文献１参照）。

特開２００７－２６５４６０号公報

従来技術において、映像再生装置は、テレビジョン（テレビ）放送等の圧縮音声データを音声デコーダにより復号した音声信号の無音区間から、コマーシャル（Commercial Message（ＣＭ））を検出している。そのため、例えば、映像再生装置に音声デコーダが１つしかなく、当該音声デコーダをテレビ放送以外の別のコンテンツを再生するために使用している場合など、音声デコーダが不足している場合は、復号したテレビ放送の音声信号が得られないため、無音区間を検出することができない。それにより、従来、音声デコーダが不足している場合は、テレビ放送のＣＭの検出を行うことができないという問題がある。

本発明の一態様は、音声デコーダによる復号後の音声信号を用いることなく、無音区間を検出することを目的とする。

本発明の一態様に係る無音区間検出装置は、音声データが圧縮された圧縮音声データを取得する取得部と、前記取得部により取得された前記圧縮音声データの所定の時間ごとのデータ量を算出する算出部と、前記所定の時間ごとのデータ量に基づいて、前記音声データの無音区間を検出する検出部と、を備える。

本発明の一態様に係る無音区間検出装置は、音声データが圧縮された圧縮音声データを取得する取得部と、前記取得部により取得された前記圧縮音声データから特定パターンのデータを除去する除去部と、前記特定パターンのデータが除去された前記圧縮音声データの所定の時間ごとのデータ量を算出する算出部と、前記所定の時間ごとのデータ量に基づいて、前記音声データの無音区間を検出する検出部と、を備える。

本発明の一態様に係る無音区間検出装置は、音声データが圧縮された圧縮音声データを含むＰＥＳパケットが分割されて格納された複数のＴＳパケットを取得する取得部と、前記複数のＴＳパケットのうち前記ＰＥＳパケットの先頭が含まれるＴＳパケットを検出する先頭検出部と、前記ＰＥＳパケットの先頭が含まれるＴＳパケットに含まれる特定パターンのデータを検出するパディングデータ検出部と、前記パディングデータ検出部による前記特定パターンのデータの検出結果に基づいて、前記音声データの無音区間を検出する検出部と、を備える。

本発明の一態様に係る無音区間検出方法は、音声データが圧縮された圧縮音声データを取得し、前記圧縮音声データの所定の時間ごとのデータ量を算出し、前記所定の時間ごとのデータ量に基づいて、前記音声データの無音区間を検出する、処理を備える。

本発明の一態様に係る無音区間検出方法は、音声データが圧縮された圧縮音声データを取得し、前記圧縮音声データから特定パターンのデータを除去し、前記特定パターンのデータが除去された前記圧縮音声データの所定の時間ごとのデータ量を算出し、前記所定の時間ごとのデータ量に基づいて、前記音声データの無音区間を検出する、処理を備える。

本発明の一態様に係る無音区間検出方法は、音声データが圧縮された圧縮音声データを含むＰＥＳパケットが分割されて格納された複数のＴＳパケットを取得し、前記複数のＴＳパケットのうち前記ＰＥＳパケットの先頭が含まれるＴＳパケットを検出し、前記ＰＥＳパケットの先頭が含まれるＴＳパケットに含まれる特定パターンのデータを検出し、前記特定パターンのデータの検出結果に基づいて、前記音声データの無音区間を検出する、処理を備える。

第１の実施の形態に係るＣＭ検出装置の構成図の一例である。実施の形態に係るＣＭ区間の検出を説明する図である。第１の実施の形態に係る圧縮音声データのデータ量のグラフの一例である。第２の実施の形態に係るＣＭ検出装置の構成図の一例である。第２の実施の形態に係る圧縮音声データのデータ量のグラフの一例である。第３の実施の形態に係るＣＭ検出装置の構成図の一例である。第３の実施の形態に係る無音区間検出装置の処理の一例を示す図である。第４の実施の形態に係るＣＭ検出装置の構成図の一例である。第５の実施の形態に係るＣＭ検出装置の構成図の一例である。

以下、実施の形態について、図面を参照しつつ説明する。なお、図面については、同一又は同等の要素には同一の符号を付し、重複する説明は省略する。

（第1の実施の形態）
図１は、第１の実施の形態に係るＣＭ検出装置の構成図の一例である。

ＣＭ検出装置１０１は、放送受信部１１１、デスクランブル部１２１、デマックス部１３１、無音区間検出装置１４１、ＣＭ区間検出部１５１、および記憶部１６１を有する。ＣＭ検出装置１０１は、例えば、テレビ受像機、映像録画装置、またはＰＣ（Personal Computer）等のコンピュータである。

放送受信部１１１は、アンテナ（不図示）で受信したテレビ放送（例えば、地上デジタルテレビ放送）の信号を復調し、スクランブルされたＭＰＥＧ－２ＴＳ（Moving Picture Experts Group phase 2 Transport Stream）のＴＳパケットをデスクランブル部１２１に出力する。尚、テレビ放送がスクランブル放送でない場合、放送受信部１１１は、復調により得られたＴＳパケットをデマックス部１３１に出力してもよい。また、テレビ放送は、コンテンツの本編の間にＣＭが挟まれて放送されている。放送受信部１１１は、例えば、チューナーである。

デスクランブル部１２１は、スクランブルされたＴＳパケットのデスクランブル処理を行い、デスクランブルされたＴＳパケットをデマックス部１３１に出力する。尚、ＴＳパケットには、テレビ放送の映像データが圧縮符号化された圧縮映像データを含む映像パケット、またはテレビ放送の音声データが圧縮符号化された圧縮音声データを含む音声パケットなどが含まれる。

デマックス部１３１は、ＴＳパケットを映像パケットと音声パケットに分離し、映像パケットおよび音声パケットを記憶部１６１に出力し、映像パケットおよび音声パケットを記憶部１６１に記憶する。さらに、デマックス部１３１は、音声パケットを無音区間検出装置１４１に出力する。

無音区間検出装置１４１は、音声パケットに含まれる圧縮音声データに基づいて、テレビ放送の無音である無音区間を検出し、無音区間を示す無音区間情報をＣＭ区間検出部１５１に出力する。無音区間情報は、例えば、無音区間の開始時間である。また、無音区間情報は、例えば、無音区間の終了時間、または無音区間の開始時間および終了時間であってもよい。尚、無音区間検出装置１４１の詳細については後述する。

ＣＭ区間検出部１５１は、複数の無音区間それぞれの複数の無音区間情報に基づいて、１以上のＣＭが連続して存在する区間（ＣＭ区間）を検出し、検出したＣＭ区間を示すＣＭ区間情報を記憶部１６１に記憶する。ＣＭ区間情報は、例えば、１以上のＣＭが連続して存在する区間の開始時間と終了時間である。

記憶部１６１は、ＣＭ検出装置１０１で利用されるデータやプログラム等を記憶する記憶装置である。記憶部１６１は、例えば、ＨＤＤ（Hard Disk Drive）またはフラッシュメモリ等である。記憶部１６１は、デマックス部１３１から入力される映像パケットおよび音声パケットを記憶する。また、記憶部１６１は、１以上のＣＭが連続して存在する区間を示すＣＭ区間情報を記憶する。

ここで、ＣＭ区間の検出について図２を用いて説明する。

図２は、実施の形態に係るＣＭ区間の検出を説明する図である。

図２は、テレビ放送のコンテンツの時間的な構成を示し、コンテンツ本編の間にそれぞれ１５秒のＣＭが３つ放送されている態様を示す。また、図２において、無音区間を示す無音区間情報の時間を黒丸（●）で示す。

通常、テレビ放送のＣＭでは、ＣＭの開始部分と終了部分それぞれにおいて、０．５秒の音声がない無音区間が存在する。これは、広告会社などからテレビ社にＣＭ素材が搬入される際の留意事項が記載された「テレビＣＭ素材搬入基準」に基づいている。

図２において、本編の間の最初のＣＭの開始部分と終了部分、２番目のＣＭの終了部分、および３番目のＣＭの終了部分で無音区間が検出される。尚、２番目のＣＭの開始部分は、最初のＣＭの終了部分と連続しているため、２番目のＣＭの開始部分に相当する無音区間は、最初のＣＭの終了部分に相当する無音区間とまとめて検出されている。３番目のＣＭの開始部分に相当する無音区間についても同様である。

一般的に、１つのＣＭの長さは、例えば１５秒または３０秒のように、１５秒の所定の整数倍（例えば、１～６倍）となっている。すなわち、一般的に、1つＣＭの長さは、例えば、１５秒、３０秒、４５秒、６０秒、７５秒、または９０秒となっている。上記の所定の整数は一例であり、９０秒よりも長いＣＭがある場合には、適宜変更してもよい。

ＣＭ区間検出部１５１は、無音区間検出装置１４１により検出された第１の無音区間と、第１の無音区間に次に検出された第２無音区間との間の時間間隔が１５秒の所定の整数倍である所定の秒数（例えば、１５秒、３０秒、４５秒、６０秒、７５秒、または９０秒）となっているか判定し、時間間隔が所定の秒数となっている場合、第１の無音区間と第２の無音区間との間の区間はＣＭであると判定する。具体的には、例えば、図２において、時間ｔ１の第１の無音区間と時間ｔ２の第２の無音区間との間の区間（第１区間）、時間ｔ２の第２の無音区間と時間ｔ３の第３の無音区間との間の区間（第２区間）、および時間ｔ３の第３の無音区間と時間ｔ４の第４の無音区間との間の区間（第３区間）はそれぞれＣＭと判定される。

そして、ＣＭ区間検出部１５１は、１以上の連続してＣＭと判定された区間をＣＭ区間として検出し、ＣＭが放送されている区間であるＣＭ区間を示すＣＭ区間情報を出力し、記憶部１６１に記憶する。ＣＭ区間情報は、例えば、ＣＭ区間の最初の無音区間の時間と最後の無音区間の時間である。具体的には、例えば、図２において、連続する第１区間～第３区間はそれぞれＣＭと判定されているので、ＣＭ区間検出部１５１は、第１区間～第３区間をＣＭ区間として検出し、ＣＭ区間を示す時間ｔ１と時間ｔ４をＣＭ区間情報として出力し、記憶部１６１に記憶する。

次に、無音区間検出装置１４１の処理の詳細について図１および図３を用いて説明する。

無音区間検出装置１４１は、圧縮音声データ取得部１４２、データ量算出部１４３、および無音区間検出部１４４を有する。

圧縮音声データ取得部１４２は、デマックス部１３１から音声パケットを受信し、音声パケットに含まれる圧縮音声データを取得する。圧縮音声データの形式は、例えば、ＭＰＥＧ－２ＡＡＣである。

データ量算出部１４３は、取得した圧縮音声データの所定時間（例えば、数十ミリ秒～数百ミリ秒）毎の所定時間当たりのデータ量を算出する。所定時間毎の所定時間当たりのデータ量をグラフで示すと、例えば、図３に示すようなグラフが得られる。

図３は、第１の実施の形態に係る圧縮音声データのデータ量のグラフの一例である。図３において、縦軸はデータ量、横軸は圧縮音声データの再生時間を示し、データ量は、所定時間毎の所定時間当たりの圧縮音声データのデータ量である。例えば、地上デジタル放送では、圧縮音声データは、適当な塊に区切られて、ＰＥＳパケットに格納され、ＰＥＳパケットは分割されて複数のＴＳパケットに格納されて送信される。圧縮音声データの再生時間は、例えば、ＰＥＳパケットに含まれる受信側での再生時刻を示すＰＴＳ(Presentation Time Stamp)から得られる。

音声データの圧縮符号化の際に、無音区間は圧縮率が高くなり、圧縮符号化後の無音区間に相当する圧縮音声データはデータ量が小さくなる。無音区間検出部１４４は、下記のように、データ量に基づいて無音区間を検出する。

無音区間検出部１４４は、算出した所定時間当たりのデータ量に基づいて、無音区間を検出する。具体的には、例えば、無音区間検出部１４４は、算出した所定時間当たりのデータ量を閾値と比較し、データ量が閾値以下の区間（時間）を無音として判定し、無音区間として検出する。尚、閾値は、予め定められており、例えば、ＣＭ検出装置１０１のメモリ（不図示）に記憶されている。閾値は、例えば、所定時間が２０ミリ秒の場合５０バイト、または所定時間が４００ミリ秒の場合１０００バイト等である。

例えば、図３において、時間ｔ１１におけるデータ量（すなわち、時間ｔ１１から所定時間後までのデータ量）は、閾値よりも小さいので、時間ｔ１１は無音と判定される。同様に、時間ｔ１１から所定時間後の次の区間も無音と判定され、さらに所定時間経過後の時間ｔ１２の区間も無音と判定され、無音区間として検出される。同様に、図３において、時間ｔ２１から時間ｔ２２のそれぞれの区間も無音と判定され無音区間として検出される。

無音区間検出部１４４は、検出した無音区間を示す無音区間情報をＣＭ区間検出部１５１に出力する。無音区間情報は、例えば、無音区間の開始時間である。また、無音区間が連続する場合は、連続する無音区間の最初の無音区間の時間（時刻）を無音区間情報とする。

例えば、図３において、無音区間検出部１４４は、時間ｔ１１と時間ｔ２１を無音区間情報としてＣＭ区間検出部１５１に出力する。

無音区間検出装置１４１は、圧縮音声データの所定時間当たりのデータ量から無音区間を算出している。このように無音区間検出装置１４１は、音声デコーダによる復号後の音声信号を用いることなく、無音区間を算出している。

第１の実施の形態のＣＭ検出装置によれば、音声デコーダによる復号後の音声信号を用いることなく、無音区間を検出することができ、ＣＭ区間を検出することができる。

（第２の実施の形態）
図４は、第２の実施の形態に係るＣＭ検出装置の構成図の一例である。

ＣＭ検出装置２０１は、放送受信部１１１、デスクランブル部１２１、デマックス部１３１、無音区間検出装置２４１、ＣＭ区間検出部１５１、および記憶部１６１を有する。ＣＭ検出装置２０１は、例えば、テレビ受像機、映像録画装置、またはＰＣ等のコンピュータである。

放送受信部１１１、デスクランブル部１２１、デマックス部１３１、ＣＭ区間検出部１５１、および記憶部１６１の機能は、第１の実施の形態で説明したものと同様であるため、説明は省略する。

次に、無音区間検出装置２４１の処理の詳細について図４および図５を用いて説明する。

無音区間検出装置２４１は、音声パケットに含まれる圧縮音声データに基づいて、テレビ放送の無音である無音区間を検出し、無音区間を示す無音区間情報をＣＭ区間検出部１５１に出力する。

無音区間検出装置２４１は、圧縮データ取得部２４２、パディングデータ除去部２４３、データ量算出部２４４、無音区間検出部２４５を有する。

圧縮音声データ取得部２４２は、デマックス部１３１から音声パケットを受信し、音声パケットに含まれる圧縮音声データを取得する。圧縮音声データの形式は、例えば、ＭＰＥＧ－２ＡＡＣである。

ここで、パディングデータについて説明する。パディングデータは、意味を持たないデータであり、無意味なことを示す特定のパターンのデータである。音声データを固定ビットレートで圧縮符号化する際に、圧縮された音声データ（圧縮音声データ）のサイズが小さく、圧縮音声データのビットレートが目標ビットレートに満たない場合、ビットレートが目標ビットレートになるように意味を持たないデータ（パディングデータ）が付加される。よって、圧縮音声データ取得部１４２が取得した圧縮音声データには、パディングデータが含まれている場合がある。

パディングデータ除去部２４３は、圧縮音声データからパディングデータである特定のパターンを検出し、圧縮音声データからパディングデータを除去する。

データ量算出部２４４は、パディングデータが除去された圧縮音声データの所定時間（例えば、数十ミリ秒～数百ミリ秒）毎の所定時間当たりのデータ量を算出する。所定時間毎の所定時間当たりのデータ量をグラフで示すと、例えば、図５に示すようなグラフが得られる。

図５は、第２の実施の形態に係る圧縮音声データのデータ量のグラフの一例である。図５において、縦軸はデータ量、横軸は圧縮音声データの再生時間を示し、黒色で示される各データ量は、パディングデータが除去された圧縮音声データの所定時間毎の所定時間当たりのデータ量である。また、図５において、参考として、パディングデータの所定時間毎の所定時間当たりのデータ量を斜線で示す。

無音区間検出部２４５は、算出した所定時間当たりのデータ量を閾値と比較し、所定時間当たりのデータ量が閾値以下である区間を無音区間と判定し、検出する。尚、閾値は、予め定められており、例えば、ＣＭ検出装置１０１のメモリ（不図示）に記憶されている。閾値は、例えば、所定時間が２０ミリ秒の場合５０バイト、または所定時間が４００ミリ秒の場合１０００バイト等である。

例えば、図５において、時間ｔ１１におけるパディングデータが除去された圧縮音声データのデータ量（すなわち、時間ｔ１１から所定時間後までのデータ量）は、閾値よりも小さいので、時間ｔ１１は無音と判定される。同様に、時間ｔ１１から所定時間後の次の区間も無音と判定され、さらに所定時間経過後の時間ｔ１２の区間も無音と判定され、無音区間として検出される。同様に、図５において、時間ｔ２１から時間ｔ２２のそれぞれの区間も無音と判定され無音区間として検出される。

無音区間検出部２４５は、検出した無音区間を示す無音区間情報をＣＭ区間検出部１５１に出力する。無音区間情報は、例えば、無音区間の開始時間である。また、無音区間が連続する場合は、連続する無音区間の最初の無音区間の時間（時刻）を無音区間情報とする。

例えば、図５において、無音区間検出部２４５は、時間ｔ１１と時間ｔ２１を無音区間情報としてＣＭ区間検出部１５１に出力する。

図５に示すように、音声データが固定ビットレートで圧縮されている場合は、単位時間当たりのパディングデータとパディングデータが除去された圧縮音声データの合計のデータ量は一定となる。

パディングデータを除去しない場合、音声データが固定ビットレートで圧縮符号化されていると、所定時間当たりのデータ量は一定であるため、無音区間を検出することができない。第２の実施の形態の無音区間検出装置２４１は、パディングデータを除去することで、無音区間のデータ量が小さくなるため、無音区間を検出することができる。

無音区間検出装置２４１は、パディングデータを除去した圧縮音声データの所定時間当たりのデータ量から無音区間を算出している。このように無音区間検出装置２４１は、音声デコーダによる復号後の音声信号を用いることなく、無音区間を算出している。

第２の実施の形態のＣＭ検出装置によれば、音声デコーダによる復号後の音声信号を用いることなく、無音区間を検出することができ、ＣＭ区間を検出することができる。また、第２の実施の形態のＣＭ検出装置によれば、固定ビットレートで圧縮符号化されている場合、すなわち圧縮音声データにパディングデータが付加されている場合でも、無音区間を検出することができる。

（第３の実施の形態）
図６は、第３の実施の形態に係るＣＭ検出装置の構成図の一例である。

ＣＭ検出装置３０１は、放送受信部１１１、デスクランブル部１２１、デマックス部１３１、無音区間検出装置３４１、ＣＭ区間検出部１５１、および記憶部１６１を有する。ＣＭ検出装置３０１は、例えば、テレビ受像機、映像録画装置、またはＰＣ等のコンピュータである。

ここで、地上デジタル放送で用いられているパケットの形式について簡単に説明する。

地上デジタル放送で用いられているＭＰＥＧ－２ＴＳ（Moving Picture Experts Group phase 2 Transport Stream）の規格におけるＴＳパケットは、ＴＳパケットヘッダと、ペイロードから構成される。ＴＳパケットヘッダは、当該ＴＳパケットに関する様々な制御情報を含む。ペイロードは、圧縮された映像データや圧縮された音声データを含むＰＥＳ（Packetized Elementary Stream）パケット、各種サービス情報等を含むセクションデータ、時間情報を含むアダプテーションフィールド等を有する。

圧縮音声データは、適当な塊に区切られて、ＰＥＳパケットに格納される。そして、ＰＥＳパケットは分割され、複数のＴＳパケットに格納される。ＴＳパケットのＴＳパケットヘッダは、ＰＥＳパケットの先頭が含まれるか否かを示すペイロードユニットスタートインジケータを含む。ＰＥＳパケットの先頭が含まれるＴＳパケットのペイロードユニットスタートインジケータの値は「１」に設定される。

次に、無音区間検出装置３４１の処理の詳細について図６および図７を用いて説明する。

図７は、第３の実施の形態に係る無音区間検出装置の処理の一例を示す図である。

無音区間検出装置３４１は、音声パケットに含まれる圧縮音声データに基づいて、テレビ放送の無音である無音区間を検出し、無音区間を示す無音区間情報をＣＭ区間検出部１５１に出力する。

無音区間検出装置３４１は、圧縮データ取得部３４２、ユニットスタートインジケータ検出部３４３、パディングデータ検出部３４４、無音区間検出部３４５を有する。

圧縮音声データ取得部３４２は、デマックス部１３１から圧縮音声データが含まれるＴＳパケット（音声パケット）を受信する。それにより、圧縮音声データ取得部３４２は、圧縮音声データを取得する。圧縮音声データ取得部３４２は、受信したＴＳパケットをユニットスタートインジケータ検出部３４３に出力する。圧縮音声データの形式は、例えば、ＭＰＥＧ－２ＡＡＣである。

例えば、図７に示すように、圧縮音声データ取得部３４２は、ＴＳパケット７１１～７１３、７２１～７２３を受信し、ユニットスタートインジケータ検出部３４３に出力する。ＴＳパケット７１１～７１３、７２１～７２３は、それぞれＴＳパケットヘッダおよびペイロードとして分割されたＰＥＳパケットを含む。ＴＳパケット７１１～７１３は、圧縮音声データが格納されたＰＥＳパケット＃１が分割されたＰＥＳパケット＃１－１～＃１－３をそれぞれ含む。ＴＳパケット７２１～７２３は、圧縮音声データが格納されたＰＥＳパケット＃２が分割されたＰＥＳパケット＃２－１～＃２－３をそれぞれ含む。ＰＥＳパケット＃１－１は、ＰＥＳパケット＃１の先頭を含み、ＰＥＳパケット＃２－１は、ＰＥＳパケット＃２の先頭を含む。よって、ＴＳパケット７１１，７２１それぞれのペイロードユニットスタートインジケータの値は「１」である。

ユニットスタートインジケータ検出部（先頭検出部）３４３は、ＰＥＳパケットの先頭を含むＴＳパケットを検出する。具体的には、ユニットスタートインジケータ検出部３４３は、ＴＳパケットのペイロードユニットスタートインジケータの値が１であるＴＳパケットを検出する。そして、ユニットスタートインジケータ検出部３４３は、検出したＰＥＳパケットの先頭を含むＴＳパケットをパディングデータ検出部３４４に出力する。

例えば、図７に示すように、ユニットスタートインジケータ検出部３４３は、ＴＳパケット７１１～７１３、７２１～７２３のうち、ＰＥＳパケットの先頭を含むＴＳパケットを検出する。具体的には、ＴＳパケット７１１～７１３、７２１～７２３のうち、ペイロードユニットスタートインジケータの値が１であるＴＳパケットを検出する。上述のように、ＴＳパケット７１１，７２１それぞれのペイロードユニットスタートインジケータの値は「１」であるので、ＴＳパケット７１１，７２１が検出される。

パディングデータ検出部３４４は、ＴＳパケットに含まれるＰＥＳパケットの所定位置（例えば、ＰＥＳパケットの先頭から５０バイトの位置）にパディングデータである特定のパターンがあるか否か検出し、特定のパターンを検出したか否かを示す検出結果を無音区間検出部３４５に出力する。さらに、パディングデータ検出部３４４は、特定のパターンを検出した場合、当該特定のパターンを検出したＰＥＳパケットの再生時刻（例えば、ＰＥＳパケットのヘッダに含まれる再生時刻の情報であるＰＴＳ(Presentation Time Stamp)）を無音区間検出部３４５に出力する。

例えば、図７は、ＰＥＳパケット＃１－１、＃２－１がパディングデータ（特定のパターン）を含んでいる場合を示し、パディングデータ検出部３４４は、ＴＳパケット７１１，７２１に対して特定のパターンを検出したことを示す検出結果とＰＥＳパケット＃１、＃２の再生時刻を無音区間検出部３４５に出力する。

無音区間検出部３４５は、パディングデータ検出部３４４による検出結果に基づいて、無音区間を検出し、無音区間を示す無音区間情報をＣＭ区間検出部１５１に出力する。具体的には、例えば、無音区間検出部３４５は、特定のパターンを検出したことを示す検出結果を一定回数連続して受信した場合、無音と判定し、連続した特定のパターンを検出したことを示す検出結果のうちの最初の検出結果に対応するＰＥＳパケットの再生時刻から、連続した特定のパターンを検出したことを示す検出結果のうちの最後の検出結果に対応するＰＥＳパケットの再生時刻までを無音区間として検出する。

無音区間検出部３４５は、例えば、連続した特定のパターンを検出したことを示す検出結果のうちの最初の検出結果に対応するＰＥＳパケットの再生時刻を無音区間情報として出力する。

現行の地上デジタル放送では、圧縮音声データが格納される音声ＰＥＳパケットは１パケットのサイズが１００～１０００バイト程度で、約２０ミリ秒に１回の頻度で送出されている。

上述のように音声ＰＥＳパケットは１８８バイトのＴＳパケットに格納されて伝送される。１つのＰＥＳパケットは、例えば、１～６個程度のＴＳパケットに分割される。

無音区間の音声ＰＥＳパケットでは音声圧縮データは数十バイトであり、残りはパディングデータである。よって、分割されたＰＥＳパケットの先頭部分（例えば先頭から５０バイトの位置）のパディングデータの有無を検出するだけで無音検出が可能である。例えば、ＣＭの開始部分と終了部分それぞれの無音区間が５００ミリ秒とすると、約２０回連続でＰＥＳパケットのパディングデータが検出される。

第３の実施の形態のＣＭ検出装置によれば、先頭のＰＥＳパケットが含まれるＴＳパケットの指定位置のパディングデータの有無を検出するだけで無音区間を検出できるので、簡易な演算で無音区間を検出でき、無音区間検出装置の負荷が軽減される。

（第４の実施の形態）
次に、２つのチャンネルを同時に録画しながら、当該２つのチャンネルのうちの１つのチャンネルを視聴する第４の実施形態について説明する。

図８は、第４の実施の形態に係るＣＭ検出装置の構成図の一例である。

ＣＭ検出装置４０１は、放送受信部１１１－ｉ（ｉ＝１，２）、デスクランブル部１２１－ｉ、デマックス部１３１－ｉ、無音区間検出装置４４１－ｉ、ＣＭ区間検出部１５１－ｉ、記憶部１６１、ビデオデコーダ１７１、および音声デコーダ１８１を有する。

放送受信部１１１－ｉ、デスクランブル部１２１－ｉ、デマックス部１３１－ｉ、ＣＭ区間検出部１５１－ｉ、および記憶部１６１のそれぞれの機能は、第１の実施の形態で説明した放送受信部１１１、デスクランブル部１２１、デマックス部１３１は、ＣＭ区間検出部１５１、および記憶部１６１のそれぞれの機能と同様であるため、説明は省略する。また、放送受信部１１１－１と放送受信部１１１－２は、互いに異なるチャンネルのテレビ放送を受信する。例えば、放送受信部１１１－１は、第１のチャンネルのテレビ放送を受信し、放送受信部１１１－２は、第２のチャンネルのテレビ放送を受信する。

デマックス部１３１－１は、さらに映像パケットをビデオデコーダ１７１に出力し、音声パケットを音声デコーダ１８１に出力する。

無音区間検出装置４４１－ｉは、音声パケットに含まれる圧縮音声データに基づいて、テレビ放送の無音である無音区間を検出し、無音区間を示す無音区間情報をＣＭ区間検出部１５１―ｉに出力する。無音区間検出装置４４１－ｉは、例えば、第１～３の実施の形態の無音区間検出装置１４１、２４１、３４１のいずれかと同様の機能および構成を有する。

音声デコーダ１７１は、音声パケットに含まれる圧縮音声データを復号し、復号された音声データ（音声信号）をスピーカー等の音声出力部（不図示）に出力する。それにより、放送受信部１１１－１で受信された第１のチャンネルのテレビ放送の音声が出力される。

ビデオデコーダ１７１は、映像パケットに含まれる圧縮映像データを復号し、復号された映像データ（映像信号）をディスプレイ等の表示装置（不図示）に出力する。それにより、放送受信部１１１－１で受信された第１のチャンネルのテレビ放送の映像が表示される。

ＣＭ検出装置４０１は、第１のチャンネルのテレビ放送のＣＭ区間を無音区間に基づいて検出しつつ記憶部１６１に記憶しながら、第１のチャンネルのテレビ放送の映像パケットと音声パケットをビデオデコーダ１７１および音声デコーダ１８１でそれぞれ復号し、同時に第２のチャンネルのテレビ放送のＣＭ区間を無音区間に基づいて検出しつつ記憶部１６１に記憶している。すなわち、ユーザは、２つのチャンネルのテレビ放送を同時に録画しながら、同時に当該２つのチャンネルのうちの１つのチャンネルのテレビ放送を視聴することができる。

第４の実施の形態のＣＭ検出装置によれば、音声デコーダによる復号後の音声信号を用いることなく、無音区間を検出することができ、ＣＭ区間を検出することができる。それにより、音声デコーダが１つしかない場合でも、第１のチャンネルのテレビ放送を音声デコーダを用いて出力しながら、同時に第１のチャンネルのテレビ放送のＣＭ区間を無音区間に基づいて検出しつつ録画し、さらに第２のチャンネルのテレビ放送のＣＭ区間を無音区間に基づいて検出しつつ録画することができる。

（第５の実施の形態）
次に、テレビ放送のＣＭ区間を検出しつつ録画しながら、当該録画しているテレビ放送以外の録画済みのコンテンツを同時に再生視聴する第５の実施形態について説明する。

図９は、第５の実施の形態に係るＣＭ検出装置の構成図の一例である。

ＣＭ検出装置５０１は、放送受信部１１１、デスクランブル部１２１、デマックス部１３１、無音区間検出装置５４１、ＣＭ区間検出部１５１、記憶部１６１、ビデオデコーダ１７１、音声デコーダ１８１、および再生制御部１９１を有する。

放送受信部１１１、デスクランブル部１２１、デマックス部１３１、ＣＭ区間検出部１５１、および記憶部１６１の機能は、第１の実施の形態で説明したものと同様であるため、説明は省略する。ビデオデコーダ１７１および音声デコーダ１８１は、第４の実施の形態で説明したものと同様であるため、説明は省略する。

無音区間検出装置５４１は、音声パケットに含まれる圧縮音声データに基づいて、テレビ放送の無音である無音区間を検出し、無音区間を示す無音区間情報をＣＭ区間検出部１５１に出力する。無音区間検出装置５４１は、例えば、第１～３の実施の形態の無音区間検出装置１４１、２４１、３４１のいずれかと同様の機能および構成を有する。

再生制御部１９１は、記憶部１９１から録画済みのコンテンツ（例えば、以前に録画したテレビ放送の番組）を読み出し、再生する。具体的には、再生制御部１９１は、記憶部１９１に記憶（録画）されているコンテンツの映像パケットと音声パケットを読み出し、映像パケットをビデオデコーダ１７１に出力し、音声パケットを音声デコーダ１８１に出力する。尚、再生制御部１９１が読み出すコンテンツは、放送受信部１１１でテレビ放送を受信中である場合、当該受信中であり記憶部１６１に録画中のテレビ放送（コンテンツ）とは異なるコンテンツである。

また、再生制御部１９１は、記憶部１９１から録画済みのコンテンツに対応付けられたＣＭ区間情報を読み出し、録画済みのコンテンツの再生時に、ユーザの指示または予め設定された再生時の動作設定情報に従って、ＣＭ区間情報で示されるＣＭ区間をスキップするように、コンテンツを再生してもよい。

第５の実施の形態のＣＭ検出装置によれば、音声デコーダによる復号後の音声信号を用いることなく、無音区間を検出することができ、ＣＭ区間を検出することができる。それにより、音声デコーダが１つしかない場合でも、録画済みのコンテンツを音声デコーダを用いて再生しながら、同時にテレビ放送のＣＭ区間を無音区間に基づいて検出しつつ録画することができる。

（ソフトウェアによる実現例）
ＣＭ検出装置１０１、２０１、３０１、４０１、５０１の制御ブロック（特に、デスクランブル部１２１、デマックス部１３１、無音区間検出装置１４１、２４１、３４１、４４１、５４１、ＣＭ区間検出部１５１、ビデオデコーダ１７１、音声デコーダ１８１、および再生制御部１９１）は、集積回路（ＩＣ（Integrated Circuit）チップ）等に形成された論理回路（ハードウェア）によって実現可能であり、またＣＰＵ（Central Processing Unit）等のプロセッサを用いてソフトウェアによって実現してもよい。後者の場合、例えば、コンピュータであるＣＭ検出装置１０１、２０１、３０１、４０１、５０１は、各機能を実現するソフトウェアであるプログラムの命令を実行するＣＰＵ、上記プログラムおよび各種データがコンピュータ（またはＣＰＵ）で読み取り可能に記録されたＲＯＭまたは記憶装置（これらを「記録媒体」と称する）、上記プログラムを展開するＲＡＭ等を備えている。そして、コンピュータ（またはＣＰＵ）が上記プログラムを上記記録媒体から読み取って実行することにより、デスクランブル部１２１、デマックス部１３１、無音区間検出装置１４１、２４１、３４１、４４１、５４１、ＣＭ区間検出部１５１、ビデオデコーダ１７１、音声デコーダ１８１、および再生制御部１９１として動作し、本発明の目的が達成される。上記記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路等を用いることができる。また、上記プログラムは、伝送可能な任意の伝送媒体を介して上記コンピュータに供給されてよい。

なお、本発明は、上述した実施の形態に限定されるものではなく変形可能であり、上記の構成は、実質的に同一の構成、同一の作用効果を奏する構成又は同一の目的を達成することができる構成で置き換えることができる。

１０１，２０１，３０１，４０１，５０１ＣＭ検出装置
１１１放送受信部
１２１デスクランブル部
１３１デマックス部
１４１，２４１，３４１，４４１，５４１無音区間検出装置
１５１ＣＭ区間検出部
１６１記憶部
１７１ビデオデコーダ
１８１音声デコーダ
１９１再生制御部

Claims

音声データが圧縮された圧縮音声データを取得する取得部と、
前記取得部により取得された前記圧縮音声データの所定の時間ごとのデータ量を算出する算出部と、
前記所定の時間ごとのデータ量に基づいて、前記音声データの無音区間を検出する検出部と、
を備える無音区間検出装置。
音声データが圧縮された圧縮音声データを取得する取得部と、
前記取得部により取得された前記圧縮音声データから特定パターンのデータを除去する除去部と、
前記特定パターンのデータが除去された前記圧縮音声データの所定の時間ごとのデータ量を算出する算出部と、
前記所定の時間ごとのデータ量に基づいて、前記音声データの無音区間を検出する検出部と、
を備える無音区間検出装置。
前記検出部は、前記所定の時間ごとのデータ量のうち、データ量が閾値以下の区間を無音区間として検出する請求項１または２に記載の無音区間検出装置。
音声データが圧縮された圧縮音声データを含むＰＥＳパケットが分割されて格納された複数のＴＳパケットを取得する取得部と、
前記複数のＴＳパケットのうち前記ＰＥＳパケットの先頭が含まれるＴＳパケットを検出する先頭検出部と、
前記ＰＥＳパケットの先頭が含まれるＴＳパケットに含まれる特定パターンのデータを検出するパディングデータ検出部と、
前記パディングデータ検出部による前記特定パターンのデータの検出結果に基づいて、前記音声データの無音区間を検出する無音区間検出部と、
を備える無音区間検出装置。
前記圧縮音声データは、コマーシャルを含むテレビジョン放送の圧縮された音声データであり、
請求項１から４のいずれか１項に記載の無音区間検出装置と、
前記無音区間検出装置により検出された複数の無音区間の間の時間間隔に基づいて、前記テレビジョン放送の前記コマーシャルの区間を検出するＣＭ区間検出部と、
を備えるＣＭ検出装置。
音声データが圧縮された圧縮音声データを取得し、
前記圧縮音声データの所定の時間ごとのデータ量を算出し、
前記所定の時間ごとのデータ量に基づいて、前記音声データの無音区間を検出する、
処理を備える無音区間検出方法。
音声データが圧縮された圧縮音声データを取得し、
前記圧縮音声データから特定パターンのデータを除去し、
前記特定パターンのデータが除去された前記圧縮音声データの所定の時間ごとのデータ量を算出し、
前記所定の時間ごとのデータ量に基づいて、前記音声データの無音区間を検出する、
処理を備える無音区間検出方法。
音声データが圧縮された圧縮音声データを含むＰＥＳパケットが分割されて格納された複数のＴＳパケットを取得し、
前記複数のＴＳパケットのうち前記ＰＥＳパケットの先頭が含まれるＴＳパケットを検出し、
前記ＰＥＳパケットの先頭が含まれるＴＳパケットに含まれる特定パターンのデータを検出し、
前記特定パターンのデータの検出結果に基づいて、前記音声データの無音区間を検出する、
処理を備える無音区間検出方法。