JP2023145144A - 放送システム、受信機、受信方法、及びプログラム - Google Patents

Abstract

【課題】受信機の能力に応じて、適切な音声再生を行うことができる。【解決手段】ＭＰＥＧ－Ｈオーディオを音声コンポーネントに含む放送を受信する受信機であって、放送の放送波から、ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報を、多重化レイヤーで取得し、識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択し、選択された音声コンポーネントの音声データを復号化する。【選択図】図１５

Description

本発明は、放送システム、受信機、受信方法、及びプログラムに関する。

放送において、ＭＰＥＧ－Ｈオーディオ等のオブジェクトベースの音声信号を用いることが検討されている。
特許文献１には、音声オブジェクトの音声信号（オブジェクトベースの音声信号）を優先信号とし、優先して再生することが記載されている。

特開２０２１－１２４７１９号公報

特許文献１では、音声符号装置がオブジェクトベースの音声信号を符号化し、そのビットストリームを対象にして、音声復号装置が復号処理を行う。
しかしながら、放送を受信する受信機には、オブジェクトベースの音声信号を処理する能力を有しないものも存在する。受信機の能力に応じて、適切な音声再生を行うことができることが望まれる。

本発明は上記の点に鑑みてなされたものであり、受信機の能力に応じて、適切な音声再生を行うことができる放送システム、受信機、受信方法、及びプログラムを提供する。

（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、ＭＰＥＧ－Ｈオーディオを音声コンポーネントに含む放送を行う放送システムであって、受信機が、前記放送の放送波から、ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報を、多重化レイヤーで取得する分離部と、前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択する制御部と、選択された音声コンポーネントの音声データを復号化する復号化部と、を備える、放送システムである。

（２）また、本発明の一態様は、ＭＰＥＧ－Ｈオーディオを音声コンポーネントに含む放送を受信する受信部と、前記放送の放送波から、ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報を、多重化レイヤーで取得する分離部と、前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択する制御部と、選択された音声コンポーネントの音声データを復号化する復号化部と、を備える、受信機である。

（３）また、本発明の一態様は、受信機における受信方法であって、ＭＰＥＧ－Ｈオーディオを音声コンポーネントに含む放送を受信し、前記放送の放送波から、ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報を、多重化レイヤーで取得し、前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択し、選択された音声コンポーネントの音声データを復号化する受信方法である。

（４）また、本発明の一態様は、ＭＰＥＧ－Ｈオーディオを音声コンポーネントに含む放送を受信する受信部と、前記放送の放送波から、ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報を、多重化レイヤーで取得する取得部と、を備える受信機のコンピュータに、前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択する選択手順を実行させ、選択された音声コンポーネントの音声データを復号化させる、を実行させるためのプログラムである。

本発明によれば、受信機の能力に応じて、適切な音声再生を行うことができる。

本発明の実施形態に係る放送システムＳｙｓの構成の一例を示す図である。 本実施形態に係る放送システムの一例を示す図である。 本実施形態に係る放送システムの比較例を示す図である。 本実施形態に係る放送システムＳｙｓの別の一例を示す図である。 本実施形態に係る放送システムＳｙｓの概略を説明する説明図である。 本実施形態に係るプロトコルスタックの構造の一例を示す図である。 本実施形態に係るＭＰＴのデータ構造を示す図である。 本実施形態に係る受信機のハードウェア構成を示す概略図である。 本実施形態に係る音声モードの一覧の一例を表す図である。 本実施形態に係る受信機内の信号処理の流れの一例を表す概略図である。 本実施形態に係る音声切替メニューの一例を示す図である。 本実施形態に係るＭＨ－音声コンポーネント記述子の構造の一例を示す概略図である。 本実施形態に係る送出運用規則の一例を表す概略図である。 本実施形態に係る受信処理規準の一例を表す概略図である。 本実施形態に係る切替えの詳細例を表すフローチャートである。 本実施形態に係る切替えの別の詳細例を表すフローチャートである。 本変形例に係るＭＨ－ＭＰＥＧ－Ｈオーディオ記述子の構造の一例を示す概略図である。 本変形例に係る送出運用規則の一例を表す概略図である。 本変形例に係る受信処理規準の一例を表す概略図である。 本実施形態に係るサイマル音声の運用の一例を示す概略図である。 本実施形態に係るサイマル音声の運用の別の一例を示す概略図である。

以下、図面を参照しながら本発明の実施形態について詳しく説明する。

［システム構成］
図１は、本発明の実施形態に係る放送システムＳｙｓの構成の一例を示す図である。
放送システムＳｙｓは、放送局の放送装置１（「放送局１」という）、中継局Ｓａ、受信機２、放送局サーバ３、及び事業者サーバ４を具備する。放送は、例えば地上デジタル放送であるが、例えば高度ＢＳ（Ｂｒｏａｄｃａｓｔｉｎｇ Ｓａｔｅｌｌｉｔｅｓ）デジタル放送又は高度広帯域ＣＳ（Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓａｔｅｌｌｉｔｅｓ）デジタル放送であってもよい。また本発明は、これらの放送に限られず、放送は、中継局Ｓａを用いない放送であってもよい。また放送は、ケーブルテレビ等の有線放送であってもよい。中継局Ｓａは、例えば、デジタル中継局であるが、放送衛星であってもよい。

放送システムＳｙｓでは、放送局の放送局１から放送波によってデジタル放送信号、アプリケーション制御情報、提示に関する制御情報などを送出する。サービス事業者は、事業者サーバ４から、番組に関連するメタデータや動画コンテンツ等を提供する。
アプリケーション制御情報は、番組と連動するアプリケーション等を本システム対応受信機に周知するとともに起動・終了のためのコマンド、制御情報を送るものである。
提示に関する制御情報は、アプリケーションと放送番組の同一ＴＶ画面上での重ね合わせやアプリケーションの提示の可否に関する制御情報を送るものである。
放送局は、放送システムＳｙｓにおいて、放送局サーバ３を運営する。放送局サーバ３は、番組タイトル、番組ＩＤ、番組概要、出演者、放送日時などのメタデータの提供を行う。放送局がサービス事業者に提供する情報は、放送局サーバ３が備えるＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）を通して提供される。

サービス事業者は、放送システムＳｙｓによるサービスを提供する者であり、サービスを提供するためのコンテンツ、アプリケーションの制作・配信、個々のサービスを実現するための放送局サーバ３の運営を行う。ここで、サービスには、放送と通信を連携させる放送通信連携サービスが含まれる。
放送局サーバ３は、「アプリケーションの管理・配布」のため、受信機２に対してアプリケーションの送出を行う。放送局サーバ３は、「サービス毎のサーバ」として、個々のサービス（ＭＰＥＧ－Ｈサービス、ＶＯＤ番組レコメンドサービス、多言語字幕サービス等）を実現するためのサーバ機能を提供する。

ＭＰＥＧ－Ｈは、デジタルコンテナ標準、動画圧縮標準、音声圧縮標準、そして2つの順応試験標準のため、ＩＳＯ／ＩＥＣ Ｍｏｖｉｎｇ Ｐｉｃｔｕｒｅ Ｅｘｐｅｒｔｓ Ｇｒｏｕｐ（ＭＰＥＧ）の開発下にある一連の標準である。ＭＰＥＧ－Ｈオーディオでは、例えば、オブジェクトベース音響が可能である。オブジェクトベース音響の「オブジェクト」とは、音楽や人の声などの番組を構成する音の素材一つ一つである。オブジェクトベース音響では、音の素材ごとに音声信号が記録され、素材ごとの音声制御が可能である。また、受信機２で再生する時に、素材の再生位置情報を基に、実際に置かれているスピーカーの位置に合わせて番組を再生することも可能である。

放送局サーバ３は、こうしたサービスの機能面を実現するだけでなく、サービスを構成するコンテンツ（ＭＰＥＧ－Ｈオーディオデータ、ＶＯＤコンテンツ、字幕データなど）の送出も行う。放送局サーバ３は、「リポジトリ」として、放送システムＳｙｓのアプリケーションを配布するために登録し、受信機２からの問い合わせに応じて提供可能なアプリケーションの一覧の提供や検索を行う。

受信機２には、既存デジタル放送の受信機能に加えて、放送通信連携サービスを実現するための機能を備えたものも含まれる。受信機２には、ブロードバンドネットワーク接続機能に加え、次の機能を有している。
・放送からのアプリケーション制御信号に応じてアプリケーションを実行する機能
・放送と通信間の連携による提示を行う機能
・端末連携機能
ここで、端末には、例えば、スマートフォンやスマートスピーカー等のユーザー端末が含まれる。受信機２の端末連携機能は、他の端末の要求に応じて番組情報などの放送リソースにアクセスしたり、再生制御当の受信機機能を呼び出したりする。
また、アプリケーションの例としては、ＭＰＥＧ－Ｈオーディオのデジタルミキサーが含まれる。ユーザー（「受信者」ともいう）は、事業者サーバ４から受信したデジタルミキサーを用いて、音の素材ごとの音声信号に対して音の強弱又はエフェクト等の調整や音の素材間のバランスを調整できる。これらの調整は、スピーカーごとに行うこともできる。

より具体的には、受信機２は、次の機能を有する。
受信機２は、「放送受信再生」機能として、放送電波を受信し、特定の放送サービスを選局して、サービスを構成する映像、音声、字幕、データ放送を同期再生する機能を有する。
受信機２は、「通信コンテンツ受信再生」機能として、通信ネットワーク上のサーバ（例えば事業者サーバ４）に置かれた映像コンテンツにアクセスし、ＶＯＤストリーミングとして受信し、コンテンツを構成する映像、音声、字幕を同期再生する機能を有する。
受信機２は、「アプリケーション制御」機能として、通信ネットワーク上のサーバあるいは放送信号から取得したアプリケーション制御情報に基づき、主にマネージドアプリケーションに関してアプリケーションエンジンに対して働きかけ、アプリケーション単位のライフサイクル及びイベントの制御・管理を行う機能を有する。
受信機２は、「アプリケーションエンジン」機能として、アプリケーションを取得し、実行する機能を有する。この機能は、例えばＨＴＭＬ５ブラウザで実現される。
受信機２は、「提示同期制御」機能として、放送受信による映像・音声等のストリームと、ストリーミング受信による映像・音声等のストリーム提示同期を制御する機能を有する。
受信機２は、「アプリケーションロンチャー」機能として、主に放送外マネージドアプリケーションをユーザーが選択、起動するためのナビゲーション機能を有する。

図２は、本実施形態に係る放送システムＳｙｓの一例を示す図である。
図２の受信機２は、ＭＰＥＧ－Ｈの音声に対応した受信機である。

放送局１は、映像信号と音声信号を多重化し、多重化された信号を送信する。多重化方式としてＭＭＴ（ＭＰＥＧ Ｍｅｄｉａ Ｔｒａｎｓｐｏｒｔ）・ＴＬＶ（Ｔｙｐｅ Ｌｅｎｇｔｈ Ｖａｌｕｅ）が用いられる。
放送局１は、ＭＰＥＧ－４の音声（チャンネルベースの音声：例えば音声１２～音声１４）の信号とＭＰＥＧ－Ｈの音声（オブジェクトベースの音声：音声１１）の信号の両方を含む音声信号Ａ１１（「高度オーディオ信号」とも称する）を生成して送信する。
このように、放送局１は、高度オーディオ信号と、ＭＰＥＧ－４オーディオ信号と、を並列して送出する。

より具体的には、放送局１は、ＭＰＥＧ－Ｈの音声を音声コンポーネント（アセット）とし、この音声コンポーネントとＭＰＥＧ－４の音声の各音声コンポーネントとが多重化された高度オーディオ信号Ａ１１を、生成する。この多重化は、各音声コンポーネントの音声データ列が符号化された後に行われる。放送局１は、この高度オーディオ信号Ａ１１が多重化された放送波を送出する。
放送局１は、アセット情報を記述するテーブルにおいて、ＭＰＥＧ－Ｈオーディオ信号（オブジェクトベースの音声：音声１１）が存在するかどうかを記述子で記述する（図１２参照）。なお、ＭＰＥＧ－Ｈオーディオ信号が存在するかどうかを記述子は、高度オーディオ信号Ａ１１が存在するかどうかの記述子であってもよく、ＭＰＥＧ－Ｈオーディオ信号が含まれているかどうかを示してもよい。
ＭＭＴでは、映像や音声などのコンポーネントをアセットと定義する。

ＭＰＥＧ－Ｈの音声１１の一例は、レベル３として、チャンネル音声が最大１１．１ｃｈ、セリフ音声が日本語又は英語、解説音声が日本語の音声である。受信機２は、レベル３では、ＭＰＥＧ－Ｈの再生処理に加えて、同時に１６ｃｈの復号処理の能力が必要となる。ＭＰＥＧ－Ｈの音声１１の別の一例は、レベル４として、チャンネル音声が最大２２．２ｃｈ、セリフ音声が日本語又は英語、解説音声が日本語の信号である。受信機２は、レベル４では、ＭＰＥＧ－Ｈの再生処理に加えて、同時に２８ｃｈの復号処理の能力が必要となる。
ＭＰＥＧ－４の音声の一例は、音声１２が７．１ｃｈの日本語、音声１３がステレオの日本語、音声１４が７．１ｃｈの英語の音声である。音声１３は、音声１２のサイマル放送（同時並行放送）の音声である。

受信機２は、チューナー２１１、Ｄｅｍｕｘ（デマルチプレクサ）２２、セレクタ２３１、音声デコーダー２３２、ミキサー２３３、及び映像デコーダー２４１を含んで構成される。受信機２の詳細な構成については、後述する。

チューナー２１１は、アンテナを介して放送波を受信し、ユーザー操作に基づいて選択されていているチャンネルに同調（選局）する。同調された信号は復調され、データとしてＤｅｍｕｘ２２へ入力される。
Ｄｅｍｕｘ２２は、入力されたデータを、映像データ列、音声データ列、文字スーパーデータ列、字幕データ列等に分離する。分離された音声データ列は、セレクタ２３１へ出力される。分離された映像データ列は、映像デコーダー２４１へ出力される。

ここで、Ｄｅｍｕｘ２２は、音声データ列について、ＭＰＥＧ－Ｈの音声１１と、ＭＰＥＧ－４の各音声１２、１３、１４と、の各音声コンポーネントの音声データ列に分離する。より具体的には、Ｄｅｍｕｘ２２は、アセット情報を記述するテーブルにおいて、ＭＰＥＧ－Ｈオーディオ信号が存在するかどうかを記述子で判断する。Ｄｅｍｕｘ２２は、ＭＰＥＧ－Ｈオーディオ信号が存在すると判断した場合、受信機２がＭＰＥＧ－Ｈの音声デコード能力があるときには、高度オーディオ信号のデータから音声１１、音声１２、音声１３、及び音声１４を分離する。Ｄｅｍｕｘ２２は、ＭＰＥＧ－Ｈオーディオ信号が存在しないと判断した場合、音声１２、音声１３、及び音声１４だけを分離する。

Ｄｅｍｕｘ２２から出力された各音声コンポーネントの音声データ列は、セレクタ２３１に入力される。セレクタ２３１は、ユーザー操作又は受信機２の能力に応じて、音声コンポーネントの音声データ列を選択する。受信機２の能力には、例えば、同時にデコードできるチャンネル数、又は再生できるスピーカーの種類や能力が含まれる。セレクタ２３１は、選択した音声データ列を音声デコーダー２３２へ出力する。
音声デコーダー２３２は、セレクタ２３１から入力された音声コンポーネントの音声データ列を復号化する。
ミキサー２３３は、音声デコーダー２３２に復号化された音声データ列がＭＰＥＧ－Ｈの音声データ列である場合には、音の素材ごとの音声を合成して、ダウンミックス処理を行う。ダウンミックス処理をされた音声データ列は、音声に変換されてスピーカーから出力される。音声デコーダー２３２に復号化された音声データ列がＭＰＥＧ－４の音声データ列である場合には、その音声データ列は、音声に変換されてスピーカーから出力される。つまり、ＭＰＥＧ－４の音声データ列に対しては、音の素材ごとの音声の合成や、ダウンミックス処理が行われない。

Ｄｅｍｕｘ２２から出力された映像データ列は、映像デコーダー２４１に入力される。
映像デコーダー２４１は、入力された映像データ列を復号化する。復号化された映像データ列は、必要に応じた色空間変換処理が行われ、ディスプレイでの映像の表示に用いられる。なお、Ｄｅｍｕｘ２２に分離された文字スーパーデータ列及び字幕データ列は、それぞれ、文字スーパーデコーダー及び字幕デコーダー（不図示）で復号化され、復号かされた文字列は、映像に重畳される。

以上のとおり、本実施形態に係る受信機２は、ＭＰＥＧ－Ｈオーディオ（音声）を音声コンポーネントに含む放送で、ＭＰＥＧ－Ｈオーディオ信号が存在することを示す情報を、多重化レイヤーで取得する。受信機２は、自装置の能力に応じた音声コンポーネントを選択するので、受信機２の能力に応じて、適切な音声再生を行うことができる。

図３は、本実施形態に係る放送システムＳｙｓの比較例を示す図である。
この図は、放送局Ｃ１が、ＭＰＥＧ－Ｈの音声のみを送出する場合の一例である。この例では、ＭＰＥＧ－Ｈの音声は、ＭＰＥＧ－４の音声と多重化もされない。
この例は、ＭＰＥＧ－Ｈの音声は、唯一の音声コンポーネントとして運用されている例である。そのため、アセット情報を記述するテーブルにおいて、ＭＰＥＧ－Ｈオーディオ信号が存在するかどうかを記述子も含まれていない。この場合、ＤｅｍｕｘＣ２２は、ＭＰＥＧ－Ｈの音声を音声コンポーネント（音声の構成）として取得ができるが、処理可能かどうか（レベル等）が判断できない。ＤｅｍｕｘＣ２２から出力された音声データ列は、音声デコーダーＣ２３２にて復号され、ミキサーＣ２３３へ出力される。

図３の比較例に対して、本実施形態に係る放送局１は、ＭＰＥＧ－Ｈオーディオ信号とＭＰＥＧ－４オーディオ信号を並行して送出する。受信機２は、まずＭＰＥＧ－Ｈオーディオ信号が存在するかどうかを記述子で判断し、音声デコード能力に応じて、ＭＰＥＧ－ＨまたはＭＰＥＧ－４の音声を選択する。
これにより、受信機２は、自装置のの能力に応じて、ＭＰＥＧ－ＨまたはＭＰＥＧ－４のうち、適切な音声再生を行うことができる。

図４は、本実施形態に係る放送システムＳｙｓの別の一例を示す図である。この図において、受信機２は、ＭＰＥＧ－Ｈに対応していない受信機である。
この図の受信機２は、チューナー２１１、Ｄｅｍｕｘ２２ａ、セレクタ２３１ａ、音声デコーダー２３２ａ、及び音声デコーダー２４１を含んで構成される。この図において、図３の受信機２と同じ機能部については同じ符号を付し、その説明を省略する。

Ｄｅｍｕｘ２２ａは、入力されたデータを、映像データ列、音声データ列、文字スーパーデータ列、字幕データ列等に分離する。分離された音声データ列は、セレクタ２３１ａへ出力される。分離された映像データ列は、映像デコーダー２４１へ出力される。
ここで、Ｄｅｍｕｘ２２ａは、音声データ列について、ＭＰＥＧ－４の各音声１２、１３、１４と、の各音声コンポーネントの音声データ列に分離する。より具体的には、Ｄｅｍｕｘ２２ａは、アセット情報を記述するテーブルにおいて、ＭＰＥＧ－４オーディオ信号Ａ１１が存在するかどうかをを記述子で判断する。Ｄｅｍｕｘ２２ａは、ＭＰＥＧ－Ｈオーディオ信号Ａ１１は再生可能ではないと判定する。
Ｄｅｍｕｘ２２は、オーディオ信号Ａ１１のデータから、音声１１、音声１２、及び音声１３を分離する。
なお、このような信号の選択（ＭＰＥＧ－４オーディオ信号の選択、又はＭＰＥＧ－４オーディオ信号のみのサイマル放送の選択）は、セレクタ２３１で行われてもよい。

図５は、本実施形態に係る放送システムＳｙｓの概略を説明する説明図である。
放送システムＳｙｓにおいて、放送局１は、ＭＰＥＧ－Ｈエンコーダ１１、ＭＰＥＧ－４エンコーダ１１１～１１３、Ｍｕｘ（マルチプレクサ）１２を含んで構成される。なお、放送局１は、その他放送に必要な機能部を有する。この図のＭＰＥＧ－４エンコーダは、３個の例をしめすが、放送局１は、ＭＰＥＧ－４エンコーダを２個以下備えるものであってもよいし、４個以上備えるものであってもよい。

受信機２は、Ｄｅｍｕｘ２２、セレクタ２３１、ＭＰＥＧ－Ｈオーディオコアデコーダー２３２－１、ＭＰＥＧ－４デコーダー２３２－２、ＭＰＥＧ－Ｈオーディオレンダラー２３３－１、及び、ミキサー２３３－２を含んで構成される。この図において、図２の受信機２と同じ機能部については同じ符号を付す。なお、ＭＰＥＧ－Ｈオーディオコアデコーダー２３２－１及びＭＰＥＧ－４デコーダー２３２－２は、図２の音声デコーダー２３２に対応する。ＭＰＥＧ－Ｈオーディオレンダラー２３３－１及びミキサー２３３－２は、図２のミキサー２３３に対応する。

放送局１では、ＭＰＥＧ－Ｈの音声の音素材として、背景音（２２．２ｃｈ／１１．１ｃｈ）、セリフ（日本語）、セリフ（英語）、及び、解説音声（日本語）のデータが、ＭＰＥＧ－Ｈエンコーダ１１へ入力される。また、ＭＰＥＧ－４の音声の音素材として、日本語のセリフを含む７．１ｃｈの音声、日本語のセリフを含むステレオの音声、及び英語のセリフを含むステレオのデータが、それぞれ、ＭＰＥＧ－４エンコーダ１１１、１１２、１１３へ入力される。

ＭＰＥＧ－Ｈエンコーダ１１は、入力された音声を符号化することで、ＭＰＥＧ－Ｈの音声ストリームＳｔ１を出力する。このストリームを、ＭＰＥＧ－Ｈ ３Ｄオーディオストリームともいう。
ＭＰＥＧ－４エンコーダ１１１、１１２、及び１１３は、入力された音声を符号化することで、それぞれ、ＭＰＥＧ－４の音声ストリームＳｔ２、Ｓｔ３及びＳｔ４を出力する。

Ｍｕｘ１２には、映像ストリーム、ＳＩ（Ｓｉｇｎａｌｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ）、ＭＰＥＧ－Ｈの音声ストリームＳｔ１、ＭＰＥＧ－４の音声ストリームＳｔ２、Ｓｔ３及びＳｔ４が入力される。Ｍｕｘ１２は、これらのデータを多重化する。多重化されたデータは、変調され、変調後の信号が放送波として放送される。

受信機２に受信された放送波は復調され、復調後のデータはＤｅｍｕｘ２２に入力される。Ｄｅｍｕｘ２２は、入力されたデータを、映像ストリーム、ＳＩ、ＭＰＥＧ－Ｈの音声ストリームＳｔ１、ＭＰＥＧ－４の音声ストリームＳｔ２、Ｓｔ３及びＳｔ４に分離する。ＭＰＥＧ－Ｈの音声ストリームＳｔ１、ＭＰＥＧ－４の音声ストリームＳｔ２、Ｓｔ３及びＳｔ４は、セレクタ２３１に入力される。ＳＩのＭＰＴ（ＭＭＴ Ｐａｃｋａｇｅ Ｔａｂｌｅ）からは、ＭＰＥＧ－Ｈオーディオ信号が存在するかどうかを示す記述子が抽出される。

セレクタ２３１は、抽出された記述子に基づいて、ＭＰＥＧ－Ｈオーディオ信号が存在するかどうかを判断する。ＭＰＥＧ－Ｈオーディオ信号が存在する場合、セレクタ２３１は、ＭＰＥＧ－Ｈの音声ストリームＳｔ１を、ＭＰＥＧ－Ｈオーディオコアデコーダー２３２－１へ出力する。
セレクタ２３１は、ＭＰＴに基づいて、ＭＰＥＧ－４の音声ストリームＳｔ２、Ｓｔ３又はＳｔ４を、ＭＰＥＧ－４デコーダー２３２－２へ出力する。

ＭＰＥＧ－Ｈオーディオコアデコーダー２３２－１は、ＭＰＥＧ－Ｈオーディオコアデコーダー２３２－１を復号化することで、背景音（２２．２ｃｈ／１１．１ｃｈ）、セリフ（日本語）、セリフ（英語）、及び、解説音声（日本語）のデータを抽出する。
ＭＰＥＧ－Ｈオーディオレンダラー２３３－１は、ＭＰＥＧ－Ｈオーディオのオーディオレンダラーであり、ＭＰＥＧ－Ｈオーディオコアデコーダー２３２－１が抽出したデータの音声をレンダリング処理（ダウンコンバート、或いはアップコンバートを含む）し、ミキサー２３３へ出力する。
ＭＰＥＧ－４デコーダー２３２－２は、ＭＰＥＧ－４の音声ストリームＳｔ２、Ｓｔ３又はＳｔ４を復号化することで、日本語のセリフを含む７．１ｃｈの音声、日本語のセリフを含むステレオの音声、及び英語のセリフを含むステレオのデータを抽出し、ミキサー２３３へ出力する。
ミキサー２３３－２は、入力されたデータの音声を合成し、合成された音声は、各スピーカー又はヘッドホン等から出力される。

［放送波の制御情報について］
本実施形態に係る放送波について、説明する。
放送波において、制御情報は、各放送事業者がその放送信号であるＴＬＶストリームに重畳して送出される。制御情報には、ＴＬＶ多重化方式に関わるＴＬＶ－ＳＩ（ＴＬＶ－Ｓｉｇｎａｌｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ）と、メディアトランスポート方式であるＭＭＴに関わるＭＭＴ－ＳＩ（ＭＭＴ－Ｓｉｇｎａｌｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ）がある。
以下では、（映像又は音声の）「コンポーネント」を「アセット」ともいう。

＜ＭＭＴを用いるシステムのプロトコルスタックの構造＞
ＭＭＴを用いるシステムにおいて、制御情報が配置されるプロトコルスタックの構造の例について説明する。
図６は、本実施形態に係るプロトコルスタックの構造の一例を示す図である。
この図に示すように、放送システムに用いるプロトコルスタックは、ＴＭＣＣ（Ｔｒａｎｓｍｉｓｓｉｏｎ ａｎｄ Ｍｕｌｔｉｐｌｅｘｉｎｇ Ｃｏｎｆｉｇｕｒａｔｉｏｎ Ｃｏｎｔｒｏｌ）、時刻情報、符号化された映像データ、符号化された音声データ、符号化された字幕データ、ＭＭＴ－ＳＩ、ＨＴＭＬ５規格で記述されたアプリケーション（単にアプリともいう）、ＥＰＧ（電子番組ガイド）、コンテンツダウンロードデータ等を含んで構成される。放送番組の映像信号及び音声信号の符号はＭＦＵ（Ｍｅｄｉａ Ｆｒａｇｍｅｎｔ Ｕｎｉｔ）／ＭＰＵである。そして、ＭＦＵ／ＭＰＵは、ＭＭＴＰペイロードに乗せて放送局１によってＭＭＴＰパケット化され、ＩＰパケットで放送局１によって伝送される。データコンテンツの伝送は、データが放送局１によってＭＭＴＰパケット化され、ＩＰパケットで放送局１によって伝送される。このように構成されたＩＰパケットは、放送伝送路を用いて放送される場合、ＴＬＶパケットの形式で放送局１によって伝送される。一つのＩＰパケットあるいは一つのヘッダー圧縮したＩＰパケットは、一つのＴＬＶパケットで放送局１によって伝送する。

さらに、放送システムに用いるプロトコルスタックでは、ＭＭＴ－ＳＩ、ＴＬＶ－ＳＩの２種類の制御情報が設けられている。ＭＭＴ－ＳＩとは、放送番組の構成などを示す制御情報である。ＭＭＴ－ＳＩでは、ＭＭＴの制御メッセージの形式とし、放送局１によってＭＭＴＰペイロードに乗せられてＭＭＴＰパケット化され、放送局１によってＩＰパケットで伝送される。ＴＬＶ－ＳＩとは、ＩＰパケットの多重に関する制御情報であり、選局のための情報やＩＰアドレスとサービスの対応情報を提供する。

また、ＴＭＣＣとは、伝送路上の信号の単位（スロット）ごとに変調方式やエラー訂正方式を指定する階層変調方式において、伝送フレームに挿入して伝送するこれらの制御情報である。ＨＥＶＣ（Ｈｉｇｈ Ｅｆｆｉｃｉｅｎｃｙ ＶＩＤｅｏ Ｃｏｄｉｎｇ）とは、映像信号の符号化の手法である。ＡＡＣ（Ａｄｖａｎｃｅｄ Ａｕｄｉｏ Ｃｏｄｉｎｇ）及びＡＬＳ（Ａｕｄｉｏ Ｌｏｓｓｌｅｓｓ Ｃｏｄｉｎｇ）とは、音声信号の符号化の手法である。ＵＤＰ／ＩＰ（Ｕｓｅｒ Ｄａｔａｇｒａｍ Ｐｒｏｔｏｃｏｌ／Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）とは、通信に使われるプロトコルの１つである。ＴＬＶ（ＴＹＰＥ ＬＥＮＧＴＨ ＶＡＬＵＥ）とは、データの多重化手法の１つである。
ＴＬＶは、データの符号化をデータタイプ（Ｔｙｐｅ）、長さ（Ｌｅｎｇｔｈ）、値（Ｖａｌｕｅ）の３つで構成される。

＜メッセージの種類と識別＞
ＭＭＴ－ＳＩには、メッセージ、テーブル、記述子が含まれている。
メッセージには、Ｐａｃｋａｇｅ Ａｃｃｅｓｓ（ＰＡ）メッセージ、Ｍ２セクションメッセージ、ＣＡメッセージ、Ｍ２短セクションメッセージ、データ伝送メッセージ、及び事業者が設定するメッセージが含まれる。
放送で使用するＭＭＴ－ＳＩのメッセージは、次の通りである。

「ＰＡメッセージ」は、サービスのエントリーポイントを示すために、ＰＬＴ およびＭＰＴ を伝送する。
「Ｍ２セクションメッセージ」は、ＭＰＥＧ－２ Ｓｙｓｔｅｍｓのセクション拡張形式を伝送する。
「ＣＡ メッセージ」は、限定受信方式に関する情報を伝送する。
「Ｍ２ 短セクションメッセージ」は、ＭＰＥＧ－２ Ｓｙｓｔｅｍｓ のセクション短形式を伝送する。
「データ伝送メッセージ」は、データ伝送に関するテーブルを伝送する。

＜テーブルの種類と識別＞
放送で使用するＴＬＶ－ＳＩのテーブルは、次の通りである。

「ＴＬＶ－ＮＩＴ（Ｎｅｔｗｏｒｋ Ｉｎｆｏｒｍａｔｉｏｎ Ｔａｂｌｅ ｆｏｒ ＴＬＶ）」は、ＴＬＶ パケットによる伝送において、変調周波数など伝送路の情報と放送番組を関連付ける情報を伝送する。
「ＡＭＴ(Ａｄｄｒｅｓｓ Ｍａｐ Ｔａｂｌｅ)」は、放送番組番号を識別するサービス識別子とＩＰ パケットとを関連付ける情報を伝送する。
「ＭＰＴ（ＭＭＴ Ｐａｃｋａｇｅ Ｔａｂｌｅ）」は、アセットのリストやその位置などパッケージを構成する情報を与える。
「ＰＬＴ（Ｐａｃｋａｇｅ Ｌｉｓｔ Ｔａｂｌｅ）」は、放送サービスとして提供されるサービスのＭＰＴを含むＰＡメッセージを伝送するパケットＩＤ の一覧を示す。
「ＥＣＭ（ＥｎｔｉｔＬｅｍｅｎｔ ＣｏｎｔｒｏＬ Ｍｅｓｓａｇｅ）」は、番組情報（番組に関する情報とデスクランブルのための鍵など）及び制御情報（デコーダーのスクランブル機能の強制オン／オフ指令）からなる共通情報を伝送する。

「ＥＭＭ（ＥｎｔｉｔＬｅｍｅｎｔ Ｍａｎａｇｅｍｅｎｔ Ｍｅｓｓａｇｅ）は、加入者毎の契約情報及び共通情報の暗号を解くためのワーク鍵を含む個別情報を伝送する。
「ＣＡＴ（ＭＨ）（ＣｏｎｄｉｔｉｏｎａＬ Ａｃｃｅｓｓ Ｔａｂｌｅ）」は、限定受信放送を構成する関連情報のうち個別情報を伝送するＭＭＴＰパケットのパケット識別子を指定する。
「ＭＨ－ＥＩＴ（ＭＨ－Ｅｖｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｔａｂｌｅ）」は、番組の名称、放送日時、内容の説明など、番組に関する情報を伝送する。
「ＭＨ－ＡＩＴ（ＭＨ－ＡｐｐＬｉｃａｔｉｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔａｂｌｅ）」は、アプリケーションに関する動的制御情報及び実行に必要な付加情報を伝送する。
「ＭＨ－ＢＩＴ（ＭＨ－Ｂｒｏａｄｃａｓｔｅｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｔａｂｌｅ）」は、ネットワーク上に存在するブロードキャスタの情報を提示するために用いる。

「ＭＨ－ＳＤＴＴ（ＭＨ－Ｓｏｆｔｗａｒｅ ＤｏｗｎＬｏａｄ ＴｒｉｇｇｅｒＴａｂｌｅ）」は、ダウンロードのサービスＩＤ、スケジュール情報、更新対象の受信機種別などの告知情報を伝送する。
「ＭＨ－ＳＤＴ（ＭＨ－Ｓｅｒｖｉｃｅ Ｄｅｓｃｒｉｐｔｉｏｎ Ｔａｂｌｅ）」は、編成チャンネルの名称、放送事業者の名称など、編成チャンネルに関する情報を伝送する。
「ＭＨ－ＴＯＴ（ＭＨ－Ｔｉｍｅ Ｏｆｆｓｅｔ Ｔａｂｌｅ）」は、現在の日付時刻の指示、及び、実際の時刻と人間系への表示時刻の差分時間を伝送する。
「ＭＨ－ＣＤＴ（ＭＨ－Ｃｏｍｍｏｎ Ｄａｔａ Ｔａｂｌｅ）」は、事業者ロゴマークなど、受信機で共通に必要であり、不揮発性メモリに格納する事を前提としたデータを伝送する。
「ＤＤＭＴ（Ｄａｔａ Ｄｉｒｅｃｔｏｒｙ Ｍａｎａｇｅｍｅｎｔ Ｔａｂｌｅ）」は、アプリケーションを構成するファイルのディレクトリ構成を提供する。

「ＤＡＭＴ（Ｄａｔａ Ａｓｓｅｔ Ｍａｎａｇｅｍｅｎｔ Ｔａｂｌｅ）」は、アセット内のＭＰＵ の構成とＭＰＵ 毎のバージョン情報を提供する。
「ＤＣＣＴ（Ｄａｔａ Ｃｏｎｔｅｎｔ Ｃｏｎｆｉｇｕｒａｔｉｏｎ Ｔａｂｌｅ）」は、データコンテンツとしてのファイルの構成情報を提供する。
「ＥＭＴ（Ｅｖｅｎｔ Ｍｅｓｓａｇｅ Ｔａｂｌｅ）」は、イベントメッセージに関する情報を伝送するために用いる。

＜ＭＭＴパッケージテーブル＞
ＭＰＴ（ＭＭＴパッケージテーブル）は、アセットのリストやアセットのネットワーク上の位置などパッケージを構成する情報を与える。
図７は、本実施形態に係るＭＰＴのデータ構造を示す図である。
「ｔａｂＬｅ_ＩＤ」（テーブル識別子）は、テーブル識別子は８ビットのフィールドで、各テーブルを識別する。
「ｖｅｒｓｉｏｎ」（バージョン）は、テーブルのバージョン番号を書き込む領域である。
「Ｌｅｎｇｔｈ」（テーブル長）は、このフィールドより後に続くデータバイト数を書き込む領域である。

「ＭＭＴ_ｐａｃｋａｇｅ_ＩＤ_Ｌｅｎｇｔｈ」は、パッケージＩＤバイトの長さをバイト単位で示す。
「ＭＭＴ_ｐａｃｋａｇｅ_ＩＤ_ｂｙｔｅ」は、パッケージＩＤを示す。サービスを識別するためのサービス識別と同じ値とする。
「ＭＰＴ_ｄｅｓｃｒｉｐｔｏｒｓ_Ｌｅｎｇｔｈ」は、ＭＰＴ記述子領域の長さをバイト単位で示す。
「ＭＰＴ＿ｄｅｓｃｒｉｐｔｏｒｓ＿ｂｙｔｅ」（ＭＰＴ記述子領域）は、ＭＰＴの記述子を格納する領域である。
なお、番組がマルチビュー番組である場合、ＭＰＴの記述子領域には、ＭＨ－コンポーネントグループ記述子（ＭＨ－Ｃｏｍｐｏｎｅｎｔ＿Ｇｒｏｕｐ＿Ｄｅｓｃｒｉｐｔｏｒ（））が含まれる。これに対して、番組がマルチビュー番組ではない場合、ＭＰＴの記述子領域には、ＭＨ－コンポーネントグループ記述子が含まれない。
「ｎｕｍｂｅｒ＿ｏｆ＿ａｓｓｅｔｓ」（アセット数）は、本テーブルが情報を与えるアセットの数を示す。
「ＩＤｅｎｔｉｆｉｅｒ＿ｔｙｐｅ」（識別子タイプ）は、ＭＭＴＰパケットフローのＩＤ体系を示す。アセットＩＤを示すＩＤ体系であれば特定値（０ｘ００） とする。

ＭＰＴは、１又は複数のアセットの各々を記述する領域を有する。この領域には、アセット毎に、次のフィールドが格納される。
「ａｓｓｅｔ＿ＩＤ＿ｓｃｈｅｍｅ」（アセットＩＤ 形式）は、アセットＩＤ の形式を示す。「ａｓｓｅｔ_ＩＤ」について、受信機２は、ｃｏｍｐｏｎｅｎｔ_ｔａｇ値を受信動作に使う。受信機２は、アセットの識別に、ｃｏｍｐｏｎｅｎｔ_ｔａｇ値を用いる。
「ａｓｓｅｔ＿ＩＤ＿ｌｅｎｇｔｈ」（アセットＩＤ 長）は、アセットＩＤバイトの長さをバイト単位で示す。
「ａｓｓｅｔ＿ＩＤ＿ｂｙｔｅ」（アセットＩＤ バイト）は、アセットＩＤを示す。

「ａｓｓｅｔ＿ｔｙｐｅ」（アセットタイプ）は、アセットの種類を示す。
アセットタイプには、例えば、ＨＥＶＣで符号化された映像データを示すｈｃｖ１、ＭＰＥＧ－４オーディオで符号化された音声データを示すｍｐ４ａ、又は、ＭＰＥＧ－Ｈオーディオで符号化された音声データを示すｍｈａ１、ｍｈａ２、ｍｈｍ１、ｍｈｍ２などが記述される。

「ａｓｓｅｔ＿ｃｌｏｃｋ＿ｒｅｌａｔｉｏｎ＿ｆｌａｇ」（クロック情報フラグ）は、アセットのクロック情報フィールドの有無を示す。
「ｌｏｃａｔｉｏｎ＿ｃｏｕｎｔ」（ロケーション数）は、アセットのロケーション情報の数を示す。
「ＭＭＴ＿ｇｅｎｅｒａｌ＿ｌｏｃａｔｉｏｎ＿ｉｎｆｏ」（ロケーション情報）は、アセットのロケーション情報を示す。
「ａｓｓｅｔ＿ｄｅｓｃｒｉｐｔｏｒｓ＿ｌｅｎｇｔｈ」（アセット記述子長）は、後続の記述子の全バイト長を示す。
「ａｓｓｅｔ＿ｄｅｓｃｒｉｐｔｏｒｓ＿ｂｙｔｅ」（アセット記述子領域）は、アセットの記述子を格納する領域とする。

＜記述子の種類と識別＞
放送で使用するＴＬＶ－ＳＩの記述子は、次の通りである。
「サービスリスト記述子（Ｓｅｒｖｉｃｅ Ｌｉｓｔ Ｄｅｓｃｒｉｐｔｏｒ）」は、編成チャンネルとその種別の一覧の記述である。
「衛星分配システム記述子（ＳａｔｅＬＬｉｔｅ ＤｅＬｉｖｅｒｙ Ｓｙｓｔｅｍ Ｄｅｓｃｒｉｐｔｏｒ）」は、衛星伝送路の物理的条件の記述である。
「システム管理記述子（Ｓｙｓｔｅｍ Ｍａｎａｇｅｍｅｎｔ Ｄｅｓｃｒｉｐｔｏｒ）」は、 放送／非放送などの識別である。
「ネットワーク名記述子（Ｎｅｔｗｏｒｋ Ｎａｍｅ Ｄｅｓｃｒｉｐｔｏｒ）」 は、ネットワーク名の記述である。

放送で使用するＭＭＴ－ＳＩの記述子は、次の通りである。
「リモートコントロールキー記述子」は、受信機用リモコン（リモートコントローラー）のワンタッチキーに割り当てるサービスをユニークに提供する。
「アセットグループ記述子」は、アセットのグループ関係とグループ内での優先度を提供する。
「ＭＰＵタイムスタンプ記述子」は、ＭＰＵの提示時刻を提供する。
「アクセス制御記述子」は、限定受信方式を識別する。
「スクランブル方式記述子」は、スクランブルサブシステムを識別する。
「緊急情報記述子（ＭＨ）」は、緊急警報信号としての必要な情報及び機能の記述を提供する。
「ＭＨ－イベントグループ記述子」は、複数イベントのグループ化情報を記述する。
「ＭＨ－サービスリスト記述子」は、編成チャンネルとその種別の一覧を記述する。
「ＭＨ－短形式イベント記述子」は、番組名と番組の簡単な説明を記述する。
「ＭＨ－拡張形式イベント記述子」は、番組に関する詳細情報を記述する。

「映像コンポーネント記述子」は、番組要素信号のうち映像信号に関するパラメータ、説明などを記述する。
「ＭＨ－ストリーム識別記述子」は、個々の番組要素信号の識別に用いる。
「ＭＨ－コンテント記述子」は、番組ジャンルを記述する。
「ＭＨ－パレンタルレート記述子」は、 視聴許可年齢制限を記述する。
「ＭＨ－音声コンポーネント記述子」は、番組要素のうち音声信号に関するパラメータを記述する。
「ＭＨ－対象地域記述子」は、対象とする地域を記述する。
「ＭＨ－シリーズ記述子」は、複数イベントにまたがるシリーズ情報を記述する。
「ＭＨ－ＳＩ伝送パラメータ記述子」は、ＳＩ伝送のパラメータ（周期グループや再送周期等）を記述する。
「ＭＨ－ブロードキャスタ名記述子」は、ブロードキャスタ名を記述する。
「ＭＨ－サービス記述子」は、編成チャンネル名とその事業者名を記述する。

「ＭＨ－データ符号化方式記述子」は、データ符号化方式を識別するために使用する。
「ＵＴＣ－ＮＰＴ参照記述子」は、ＮＰＴとＵＴＣの関係を伝達する。
「イベントメッセージ記述子」は、イベントメッセージ一般に関する情報を伝達する。
「ＭＨ－ローカル時間オフセット記述子」は、サマータイム制度実行時の、実際の時刻と人間系への表示時刻との差分時間を記述する。
「ＭＨ－ロゴ伝送記述子」は、簡易ロゴ用文字列、ＣＤＴ 形式のロゴへのポインティングなどを記述する。
「ＭＰＵ拡張タイムスタンプ記述子」は、 ＭＰＵ内のアクセスユニットの復号時刻等を提供する。
「ＭＰＵダウンロードコンテンツ記述子」は、ＭＰＵを用いてダウンロードされるコンテンツの属性情報を記述する。
「ＭＨ－アプリケーション記述子」は、アプリケーションの情報を記述する。
「ＭＨ－伝送プロトコル記述子」は、伝送プロトコルの指定と伝送プロトコルに依存したアプリケーションのロケーション情報を記述する。
「ＭＨ－簡易アプリケーションロケーション記述子」は、アプリケーションの取得先の詳細を記述する。

「ＭＨ－アプリケーション境界権限設定記述子」は、アプリケーションバウンダリの設定、領域(ＵＲＬ)毎の放送リソースアクセス権限の設定を記述する。
「リンク先ＰＵ記述子」は、リンク先プレゼンテーションユニットの情報を記述する。
「アプリケーションサービス記述子」は、サービスに関連するアプリケーションのエントリー情報等を記述する。
「ＭＰＵノード記述子」は、当該ＭＰＵ がデータディレクトリ管理テーブルにて規定されるディレクトリノードに対応することを示す。
「ＰＵ構成記述子」は、プレゼンテーションユニットを構成するＭＰＵのリストを示す。
「ＭＨ－階層符号化記述子」は、階層符号化された映像ストリームコンポーネントを識別するための情報を記述する。

「コンテンツコピー制御記述子」は、当該サービス全体に対して、デジタルコピーに関
する制御情報を示す場合か、あるいは最大伝送レートを記述する場合に配置する。
「コンテンツ利用制御記述子」は、当該番組に対して、蓄積や出力に関する制御情報を記述する場合に配置する。また当該番組またはアセットに対して、「個数制限コピー可」を運用するかどうかの指定を行う場合に配置する。
「関連ブロードキャスタ記述子」は、ＮＶＲＡＭへのアクセスに必要なＢＳ／広帯域ＣＳ デジタル放送のブロードキャスタおよび地上デジタル放送の系列の識別値を示す。
「マルチメディアサービス情報記述子」は、データコンテンツの有無や字幕の有無などマルチメディアサービスの個々のコンテンツに関する詳細情報を記述する。
「緊急ニュース記述子」は、安心安全に関わる緊急ニュース速報（緊急地震速報、臨時ニュース、速報スーパー）が放送中であることを示す。
「ＭＨ－ＣＡ契約情報記述子」は、サービス又はイベントが予約可能であることを確認する情報を記述する。
「ＭＨ－ＣＡ サービス記述子」は、自動表示メッセージを運用する事業体の編成チャンネルを示し、当該メッセージの表示制御情報を記述する。

＜ＭＨ－音声コンポーネント記述子の配置＞
「ＭＨ－音声コンポーネント記述子」は、次のテーブルに配置される。
・ＭＰＴ（アセット記述子領域）
・ＭＨ－ＥＩＴ[ｐ/ｆ ａｃｔｕａｌ] （ＭＨ－ＥＩＴ[ｐ/ｆ]）
・ＭＨ－ＥＩＴ[ｓｃｈｅｄｕｌｅ ａｃｔｕａｌ ｂａｓｉｃ]（ＭＨ－ＥＩＴ[ｓｃｈｅｄｕｌｅ ｂａｓｉｃ]）

「ＭＰＴ」は、「ＰＡメッセージ」に格納される。
「ＭＨ－ＥＩＴ[ｐ/ｆ]」は、現在と次のイベントに関する時系列情報であり、前者をｐｒｅｓｅｎｔ、後者をｆｏｌｌｏｗｉｎｇ という。
「ＭＨ－ＥＩＴ[ｐ/ｆ ａｃｔｕａｌ]」及び「ＭＨ－ＥＩＴ[ｓｃｈｅｄｕｌｅ ａｃｔｕａｌ ｂａｓｉｃ]」は、自ＴＬＶストリームで運用しているサービスに含まれるイベントに関して記述したテーブルであり、「Ｍ２セクションメッセージ」に格納される。

なお、「ＭＨ－ＡＩＴ」は、アプリケーションのライフサイクル、制約等を指示する制御情報を示すテーブルでもある。「ＭＭＴ」は、複数の伝送路での一体的な伝送を可能とする多重化方式でもある。「ＭＰ４ ＡＣＣ」は、ＩＳＯ/ＩＥＣ １４４９６－３により規定される音声符号化方式である。「ＭＰ４ ＡＬＳ」（ＡＬＳ：Ａｕｄｉｏ Ｌｏｓｓｌｅｓｓ Ｃｏｄｉｎｇ）は、ＩＳＯ/ＩＥＣ １４４９６－３により規定される音声ロスレス符号化方式である。「ＭＰＴ」は、ＭＭＴパッケージテーブルの略である。「ＭＰＴ」は、アセットのリストやその位置等サービス（パッケージ）を構成する情報を与えるテーブルである。特定の情報を示す要素や属性をもつ。「テーブル」は、メッセージに格納され、ＭＭＴＰパケットにて伝送される。「テーブル」は、テーブルを格納するメッセージはテーブルに応じて決まっている。「パッケージ」とは、ＭＭＴ規格では、コンテンツの単位のことを表す。「メッセージ」は、テーブルや記述子を格納する。メッセージは、ＭＭＴＰペイロードに格納され、ＭＭＴＰパケットを用いて伝送される。

「ＳＩ情報」は、多重化された情報の内容、識別情報などを記述した情報でもある。受信機２は、例えば「地上デジタル放送受信機」であり、ＩＦ信号の中から受信チャンネルの選局・復調、希望番組を選択・デコードしてベースバンド信号を出力する機能をもつ。ただし、受信機２は、「高度ＢＳデジタル放送受信機」であってもよく、この場合、これらの機能をもつことに加えて、１１.７ＧＨｚ～１２.７５ＧＨｚの周波数帯の高度ＢＳデジタル放送が受信可能な機器である。受信機２は、ＳＴＢ、ＩＲＤとの呼称もある。
「アイテム」は、ＭＭＴ伝送方式に基づくアプリケーションデータ伝送においてＭＰＵを構成する伝送の最小単位である。「アイテム」は、ファイルに相当する。「ＭＰＵ」は、１つのコンポーネント内に含まれる、アイテムの集合で構成される伝送単位である。「ＭＰＵ」は、提示単位（ＰＵ）或いは更新単位、蓄積制御単位に対応させる運用が想定される。

「コンポーネント」（アセット）は、１つのＩＰデータフローにおいて同一のパケットＩＤを持つ単位である。ＭＰＴにおいて、アセットとして参照される。「コンポーネント」は、後述するｃｏｍｐｏｎｅｎｔ＿ｔａｇで識別される。
データイベントにより伝送するアプリケーションセットが切り替わる。「アセット」は、ＭＭＴ方式により多重化された映像、音声などの伝送単位である。「アセットタイプ」は、各アセットにおいて伝送されている内容を示す種類である。「サイマル音声」は、同一イベント内において、異なる複数の音声モードで同時に伝送することである。「イベント」は、ニュース、ドラマなど、同一サービス（編成チャンネル）内で開始・終了時刻の決まったストリームの集合である。

［受信機２のハードウェア構成］
図８は、本実施形態に係る受信機２のハードウェア構成を示す概略図である。
受信機２は、チューナー２１１、復調器２１２、分離器２２、セレクタ２３１、音声デコーダー２３２、スピーカー２３４、映像デコーダー２４１、提示処理器２４２、ディスプレイ２４３、入出力装置２５１、補助記憶装置２５２、ＲＯＭ（Ｒｅａｄ ＯｎＬｙ Ｍｅｍｏｒｙ）２５３、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２５４、ＣＰＵ（中央演算処理装置）２５５、及び、通信チップ２５６を含んで構成される。
復調器２１２、分離器２２、セレクタ２３１、音声デコーダー２３２、スピーカー２３４を、音声処理部Ｍとも呼ぶ。なお、データを処理する構成（例えば、分離器２２、セレクタ２３１、音声デコーダー２３２、映像デコーダー２４１、提示処理器２４２）については、ソフトウェア（ＣＰＵ２５５による演算処理）で実現されてもよい。
図２、図４、又は図５の受信機２の各構成に対応するハードウェア構成については、図８において、図２、図４、又は図５の構成に付した番号の数字部分と同じ番号を付す。

アンテナで受信されたデジタル放送信号は入力端子経由で受信機２に入力され、チューナー２１１、復調器２１２によりＴＬＶストリームに変換され、分離器２２によるＴＬＶ／ＭＭＴ分離処理を経て映像、音声、その他のアセット、及びＭＭＴの各種メッセージ・テーブルに分離される。スクランブルされたアセットは、ＴＬＶ／ＭＭＴ分離処理で抽出したＥＭＭ／ＥＣＭをＣＡＳモジュール（不図示）で処理し、得られた鍵によってデスクランブラにて復号される。映像アセットは、映像デコーダー２４１による映像デコード処理が行われ、文字及びグラフィックス画像の提示処理を経て出力される。音声アセットは、音声デコーダー２３２による音声デコード処理の後、出力される。映像・音声の出力については、受信機本体に映像・音声出力手段（ディスプレイ２４３・スピーカー２３４）を備えてもよいし、デコードされた映像音声信号を外部装置に出力するデジタル映像音声出力や、音声のみを外部装置に出力するデジタル音声出力を備えてもよい。さらに高速デジタルインタフェースを備えてもよい。
また、受信機内部に補助記憶装置２５２（ＨＤＤ等）等の蓄積手段を備え、放送の蓄積機能を備えてもよい。受信機２は、ＥＰＧに代表される受信機アプリやマルチメディアサービスで使用されるＲＡＭ２５４、サービスのロゴデータやＥＰＧデータを保存する補助記憶装置２５２（不揮発性メモリ：ＮＶＲＡＭ等）、フォントなどを保存するＲＯＭ２５３（ＮＶＲＡＭ で代用も可）のメモリを持つ。

分離器２２は、アセット情報を記述するテーブルにおいて、ＭＰＥＧ－Ｈオーディオ信号が存在するかどうかを記述子で判断する。ＭＰＥＧ－Ｈオーディオ信号は、ＭＰＥＧ－Ｈの音声のアセット（「ＭＰＥＧ－Ｈ音声アセット」とも称する）を含む。
分離器２２は、ＭＰＥＧ－Ｈオーディオ信号が存在すると判断した場合、受信機２がＭＰＥＧ－Ｈの音声デコード能力があるときには、ＭＰＥＧ－Ｈオーディオ信号のデータからＭＰＥＧ－Ｈ音声アセット、及び、１又は複数のＭＰＥＧ－４の音声のアセット（ＭＰＥＧ－４アセット）の各々を分離する。分離器２２は、ＭＰＥＧ－Ｈオーディオ信号が存在しないと判断した場合、ＭＰＥＧ－４オーディオ信号のデータから、１又は複数のＭＰＥＧ－４音声アセットの各々を分離する。

＜入力端子・チューナー・復調器＞
受信機２には、デジタル放送信号を入力するための端子として、ＩＦ入力と光入力の２ 種類を有する。ただし、受信機はこのうちＩＦ入力を有し、光入力は有しなくてもよい。
チューナー２１１は、右旋帯域用ＩＦ周波数か左旋帯域用ＩＦ周波数、あるいはその両方に対応する。
復調器２１２は、フロントエンド信号処理を行う。

＜分離器・映像デコーダー＞
分離器２２によるＴＬＶ／ＭＭＴ分離処理は、ＴＬＶ分離、ＭＭＴ分離の２つの処理で構成される。放送伝送における受信機２は、最小でも１サービスあたり１２本のアセットを同時処理する能力を有する。受信機２は、１サービスあたりのアセット数は最大２２とされてもよい。映像アセットは、画面分割符号化が行われてもよい。また、受信機２は、本体に映像復号処理を内蔵せず、高速デジタルインタフェースからストリーム配信する機能等を搭載してもよい。受信機２は、ＳＤＲ（Ｓｔａｎｄａｒｄ Ｄｙｎａｍｉｃ Ｒａｎｇｅ）対応ディスプレイへＨＤＲ（Ｈｉｇｈ Ｄｙｎａｍｉｃ Ｒａｎｇｅ）映像を出力してもよい。映像伝達特性による映像切替受信機２は、映像コンポーネント記述子のｖＩＤｅｏ_ｔｒａｎｓｆｅｒ_ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ値を監視し、受信した映像信号の伝達特性を識別する。

＜音声デコーダー＞
外部擬似サラウンドプロセッサ用ダウンミックス処理及びステレオ音場拡大用ダウンミックス処理をオプションとして追加している受信機２においては、提示処理部２４２は、ダウンミックス設定状態をディスプレイ２４３に表示する。これにより、受信者は、設定状態を把握できる。
受信機２は、ＭＰＥＧ－４ ＡＡＣ（Ａｄｖａｎｃｅｄ Ａｕｄｉｏ Ｃｏｄｉｎｇ）音声ストリームのデジタル音声出力を装備する場合は、ＡＡＣ拡張に準拠し、放送の形式であるＬＡＴＭ/ＬＯＡＳ（Ｌｏｗ－ｏｖｅｒｈｅａｄ ＭＰＥＧ－４ Ａｕｄｉｏ Ｔｒａｎｓｐｏｒｔ Ｍｕｌｔｉｐｌｅｘ／Ｌｏｗ Ｏｖｅｒｈｅａｄ Ａｕｄｉｏ Ｓｔｒｅａｍ）によって多重化された形式で出力する。受信機２は、ＭＰＥＧ－４ ＡＬＳ音声ストリームのデジタル音声出力を装備する場合は、ＡＬＳ拡張に準拠し、放送の形式であるＬＡＴＭ/ＬＯＡＳによって多重化された形式で出力する。

＜出力端子＞
受信機２が備える出力端子として、デジタル映像音声出力端子、デジタル音声出力端子について以下に記載する。ただし、受信機２は、これらの出力端子の代わりに高速デジタルインタフェースを搭載してもよい。
なお、表示装置を本体に内蔵する受信機２の場合は、デジタル映像音声出力端子の装備をしなくてもよい。受信機２は、ＳＴＢなど表示装置（ディスプレイ２４３）を搭載しない受信機２の場合は、デジタル映像音声出力端子として、ＨＤＭＩ（登録商標、以下同じ）端子、ＭＨＬ／ｓｕｐｅｒＭＨＬ出力用の端子、又は、無線によるデジタル映像音声出力機能の端子のいずれかを装備する。

受信機はデジタル音声出力端子として、光デジタル音声出力端子あるいは同軸デジタル音声出力端子を備えてもよい。またＨＤＭＩ端子を搭載し、ＨＤＭＩ１.４で定義されたＨＤＭＩオーディオリターンチャンネル（ＨＤＭＩ－ＡＲＣ）によるデジタル音声出力機能を設けてもよい。
デジタル音声出力端子に ＭＰＥＧ－４ ＡＡＣ音声ストリームを出力する場合には、ＡＡＣ拡張に準拠するが、２２.２ｃｈのマルチチャンネル音声の出力については、ＴＢＤとしてもよい。デジタル音声出力端子に ＭＰＥＧ－４ ＡＬＳ音声ストリームを出力する場合には、ＡＬＳ拡張に準拠するが、ＭＰＥＧ－４ ＡＬＳストリームの出力については、ＴＢＤとしてもよい。

ＮＶＲＡＭは、受信機ソフトウェアや全受信機共通データのダウンロード用のメモリ、ロゴデータなどＭＨ－ＣＤＴ方式で送信されるデータのダウンロード用メモリとして用いられる。ＮＶＲＡＭには、データの種類、全受信機共通データ（ジャンルコード表、番組特性コード表、予約語表）、ロゴデータ、マルチメディアサービス、メール受信等が保存され、例えば、ＭＰＥＧ－Ｈオーディオのデジタルミキサーが保存される。

［音声アセットの選択と切替処理］
図９は、本実施形態に係る音声モードの一覧の一例を表す図である。
放送においては、音声モードとして図９のモードが運用される。このうち、受信機２単体で復号できる必要があるものはＭＰＥＧ－４ ＡＡＣ１ｃｈ（高度広帯域ＣＳデジタル放送のみで運用）、ＡＡＣ２ｃｈ、ＡＡＣ５.１ｃｈ（２ｃｈ ダウンミックス処理可）の３つである。他のモードの音声アセットは受信機２内部で復号せず外部アンプにストリーム形式で出力し、外部アンプで復号してもよい。一方、ＡＡＣ１ｃｈ、ＡＡＣ２ｃｈ、ＡＡＣ５.１ｃｈ以外の音声モードが主音声として使用されている番組を、外部アンプが接続されていない受信機２で受信する場合を想定し、この３モード以外の音声を放送する場合は、すべての受信機２で復号可能なサイマル音声が異なる音声アセットで同時に放送される。

例えば、音声コーデックが「ＭＰＥＧ－Ｈ」の場合には、ＭＰＥＧ－４ ＡＡＣ１ｃｈ、２ｃｈ、５．１ｃｈのいずれかがサイマル音声の組合せとして、異なる音声アセットで同時に放送される。なお、音声モードには、複数のＭＰＥＧ－Ｈ音声アセットが含まれてもよく、この場合、それぞれ、異なる音声アセットには異なるレベルのＭＰＥＧ－Ｈ音声アセットが含まれてもよい。例えばレベル（Ｌｅｖｅ３）が高い音声モードが放送される場合、それよりも低い特定のレベル（例えば、Ｌｅｖｅｌ１、２：チャンネル数が少ないレベル）の音声モードのサイマル音声が、異なる音声アセットで同時に放送されてもよい。
これにより、特定レベル（例えば、レベル３）のＭＰＥＧ－Ｈの放送を行うとき、そのレベルより低いレベル（例えば、レベル２）にしか対応していない受信機２でも、その低いレベルの音声アセットを選択することで、ＭＰＥＧ－Ｈ音声を再生できる。

外部アンプが接続されていない受信機２は、このような複数の音声アセットの中から出音するアセットを１つ選択し、音声出力（スピーカー２３４など）に出力する。出力するアセットは、受信者が任意に選択可能とする、もしくは受信機２が対応可能な音声モードのアセットを自動的に選択する。自動選択の場合は、対応可能な音声モードのアセットの中で、コンポーネントタグ値の小さいアセットを優先することを基本とするが、言語や音声種別（解説音声など）の選択状況によって判断を変えてもよい。
受信機２は、ＭＰＥＧ－Ｈのアセットのコンポーネントタグ値を最小にすることで、ＭＰＥＧ－Ｈのアセットを自動選択してもよい。逆に、受信機２は、ＭＰＥＧ－４のアセットのコンポーネントタグ値を最小にすることで、ＭＰＥＧ－４のアセットを自動選択してもよい。ＭＰＥＧ－Ｈのアセットが存在する場合に、ＭＰＥＧ－４のアセットを選択した場合、受信機２は、ＭＰＥＧ－Ｈのアセットが存在する旨のメッセージを表示してもよい。

＜音声処理部Ｍにおける信号処理の流れ＞
図１０は、本実施形態に係る受信機内の信号処理の流れの一例を表す概略図である。
この図は、音声処理部Ｍの一例である。音声処理部Ｍは、復調部２１２、ＴＬＶ／ＭＭＴ分離部２２、音声アセット選択部２３１、デコーダー部２３２、ミキサー部２３３１、ダウンミキサー（ＤＭＩＸ）部２３３２、スイッチ（ＳＷ）部２３３３、ＤＡＣ（Ｄｉｇｉｔａｌ－Ａｎａｌｏｇ Ｃｏｎｖｅｒｔｅｒ）部２３３４、外部出力Ｉ／Ｆ（インターフェース）部２５１を含んで構成される。
図２、図４、又は図５の受信機２の各構成に対応する構成については、図１０において、図２、図４、又は図５の構成に付した番号の数字部分と同じ番号を付す。なお、ミキサー部２３３１、ダウンミキサー部２３３２、スイッチ部２３３３、及びＤＡＣ部２３３４は、図２のミキサー２３３に対応する。

この図は、受信機２内における音声の信号処理の流れを示す。受信機２は、ＴＬＶ／ＭＭＴ分離処理部２２を経て、複数の音声アセットを取り出す。音声アセット選択部２３１は、この中から出音する音声アセットを選択し、デコーダー部２３２で復号し、出音する。ここで、デコーダー部２３２には、音声アセット選択部２３１で選択された音声アセットが入力され、その音声モード（音声コーデック）に応じた復号化が行われる。

なお、スイッチ部２３３３は、複数の音声アセットの中から外部のＡＶアンプに適応するアセットを選択し、デコーダー部２３２と外部出力Ｉ／Ｆ部２５１に出力する。
デコーダー部２３２は、入力された音声アセットに応じて、音声アセットを復号化する。復号化されたデータ列がＭＰＥＧ－Ｈのデータ列の場合、つまり、音声アセットががＭＰＥＧ－Ｈ音声アセットの場合、デコーダー部２３２は、そのデータ列を、データ列をミキサー部２３３１に出力する。復号化されたデータ列が５．１ｃｈのＰＣＭデータ列である場合、デコーダー部２３２は、そのデータ列を、ダウンミキサー部２３３１へ出力する。復号化されたデータ列が２ｃｈのＰＣＭデータ列である場合、デコーダー部２３２は、そのデータ列を、スイッチ部２３３３へ出力する。
ミキサー部２３３１は、入力されたデータ列に対して、ＭＰＥＧ－Ｈ音声アセット内の音の素材ごとの音声を合成し、ダウンミックス処理を行う。ダウンミキサー部２３３１は、入力されたデータ列を、２ｃｈのＰＣＭデータに変換するダウンミックス処理を行う。ダウンミックス処理が行われたデータ列は、スイッチ部２３３３へ出力される。
スイッチ部２３３３は、音声アセット選択部２３１からの制御情報に基づく指示に応じて、ＤＡＣ部２３３４又は外部出力Ｉ／Ｆ（インターフェース）部２５１へ、データ列を出力する。ＤＡＣ部２３３４は、入力されたデータ列をアナログ音声信号に変換し、スピーカー２３４へ出力する。

＜音声切替メニュー＞
図１１は、本実施形態に係る音声切替メニューの一例を示す図である。
音声切替メニューＦ８１は、ＭＰＥＧ－Ｈに対応している受信機２で表示される音声切替メニューの一例である。音声切替メニューＦ８２は、ＭＰＥＧ－Ｈに対応していない受信機２ａで表示される音声切替メニューの一例である。なお、音声切替メニューＦ８１は、ＭＰＥＧ－Ｈに対応している受信機２において、ＭＰＥＧ－Ｈ音声アセットが存在している場合（ＭＰＥＧ－Ｈ音声アセットとＭＰＥＧ－４音声アセットが存在する）に表示される音声切替メニューの一例でもある。音声切替メニューは、サイマル音声のいずれかの音声種別を選択するためのメニューである。なお、ＭＰＥＧ－Ｈ音声アセットを選択した場合、受信機２は、１つのアセットから、言語の異なる音声種別を分離して、音声切替メニューに再度表示するといった方法が考えられる。

音声種別Ｆ８１１は、音声がＭＰＥＧ－Ｈの音声を選択するための音声種別である。２つの音声種別Ｆ８１２は、言語が日本語、音声がＭＰＥＧ－４、５．１ｃｈ或いは２ｃｈの音声を選択するための音声種別である。音声種別Ｆ８１３は、言語が英語、音声がＭＰＥＧ－４、５．１ｃｈ或いは２ｃｈの音声を選択するための音声種別である。
なお、５．１ｃｈに対応している受信機２は、２ｃｈを選択するための音声種別は、表示してもしなくてもよい。また、音声種別は、ＭＨ－音声コンポーネント記述子のｔｅｘｔ＿ｃｈａｒ領域に記載の音声表記が用いられる。ＭＰＥＧ－Ｈ音声アセットにおいて、言語が複数存在する場合、ｔｅｘｔ＿ｃｈａｒ領域には、複数の音声種別（音声表記）が記載されてもよい。音声がＭＰＥＧ－Ｈである場合、メニュー画面では言語を選択させなくてもよい。この場合、例えば、音声種別Ｆ８１１は、音声がＭＰＥＧ－Ｈの音声を選択するための音声種別となる。

［ＭＨ－音声コンポーネント記述子］
図１２は、本実施形態に係るＭＨ－音声コンポーネント記述子の構造の一例を示す概略図である。
ＭＨ－音声コンポーネント記述子は、アセットに音声エレメンタリストリームの各パラメータを記述し、エレメンタリストリームを文字形式で表現するためにも使用される。ＭＰＥＧ－４オーディオは、音声構成（例えば、言語、チャンネル数）ごとに音声エレメンタリストリームとして多重化されている。ＭＰＥＧ－Ｈオーディオは、１つの音声エレメンタリストリームに、様々な音声構成が含まれる。

ＭＨ－音声コンポーネント記述子において、各フィールドの意味は、次の通りである。
「ｄｅｓｃｒｉｐｔｏｒ＿ｔａｇ」は、ＭＨ－音声コンポーネント記述子であることを示す固定値を記述する。
「ｄｅｓｃｒｉｐｔｏｒ＿ｌｅｎｇｔｈ」は、ＭＨ－音声コンポーネント記述子の記述子長を記述する。

「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」（フィールドＦ９１）は、ＭＰＥＧ－Ｈ音声アセットが存在するか否か（ＭＰＥＧ－Ｈオーディオの有無）を示す。また、ＭＰＥＧ－Ｈが存在する場合には、そのプロファイル及びレベルを示す。
プロファイルは、目的用途別に定義された機能の集合を表す。プロファイルには、「Ｂａｓｉｃ Ｐｒｏｆｉｌｅ」と「Ｌｏｗ Ｃｏｍｐｌｅｘｉｔｙ Ｐｒｏｆｉｌｅ」（ＬＣ）の２種類がある。ＬＣは、標準的なプロファイルである。ＬＣから特定機能を省略したものが「Ｂａｓｅｌｉｎｅ Ｐｒｏｆｉｌｅ」である。なお、プロファイルは、３種類以上あってもよい。レベルは、処理能力を表し、処理能力に応じた情報である。レベルは、例えば処理の負荷や使用メモリ量であるが、チャンネル数に対応してもよい。プロファイルとレベルの組によって、例えば、機器の性能やビットストリームをデコードするのに必要な性能が特定されてもよい。

「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」には、ＭＰＥＧ－４ ＡＡＣの音声ストリームに対しては特定値（０ｘ０３）、ＭＰＥＧ－４ ＡＬＳ の音声ストリームに対しては別の値（０ｘ０４）が設定される。なお、ＭＰＥＧ－Ｈの音声ストリームに対しては、さらに別の値（例えば、０ｘ０５）が設定されてもよい。

「ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ」は、音声コンポーネントの種別を規定し、８ビット（ｂ７－ｂ０）を、ｂ７: ダイアログ制御、ｂ６－ｂ５：障がい者用音声、ｂ４－ｂ０:音声モードと定義する。なお、「ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ」は、ビット数を増やされ、値（例えばｂ８）を追加してもよく、追加された値をＭＰＥＧ－Ｈと定義してもよい。
「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」（コンポーネントタグ）は、コンポーネントストリームを識別するためのラベルであり、ＭＨ－ストリーム識別記述子内のコンポーネントタグと同一の値である。
「ｓｔｒｅａｍ＿ｔｙｐｅ」は、 ＬＡＴＭ／ＬＯＡＳストリーム形式であることを示す固定値を記載する。

「ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ」は、サイマルキャスト（同一内容を異なる符号化方式や音声モードで伝送）を行なっているコンポーネントに対して同じ番号を与える。サイマルキャストを行なっていないコンポーネントに対しては、特定値（０ｘＦＦ） に設定する。
「ｍａｉｎ＿ｃｏｍｐｏｎｅｎｔ＿ｆｌａｇ」は、その音声コンポーネントが主音声であるとき、特定値とする。
「ｑｕａｌｉｔｙ＿ｉｎｄｉｃａｔｏｒ」は、音質モードを表す。
「ｓａｍｐｌｉｎｇ＿ｒａｔｅ」は、サンプリング周波数を示す。
「ＩＳＯ＿６３９＿ｌａｎｇｕａｇｅ＿ｃｏｄｅ」は、音声コンポーネントの言語を示す。ＥＳ多言語モードのときは、第１音声コンポーネントの言語を示す。言語コードは、アルファベット３文字コードで表す。各文字は８ビットで記述し、その順で２４ビットフィールドに挿入される。
「ｔｅｘｔ＿ｃｈａｒ」は、音声種類名を記述する。この記述がデフォルトの文字列である場合はこのフィールドを省略してもよい。

ＭＰＥＧ－Ｈ、２２．２ｃｈサラウンド、又は５．１ｃｈサラウンドとサイマルで送出されるステレオ音声や、ＡＬＳ符号化方式とサイマルで送出されるＭＰＥＧ－４ ＡＡＣステレオ音声などを受信機側で区別するために、ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ（サイマルキャストグループ識別）を運用する。サイマルで送出する音声ではｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ 値を同じ値で送出する。

＜送出運用規則・受信処理規準＞
図１３は、本実施形態に係る送出運用規則の一例を表す概略図である。
図１４は、本実施形態に係る受信処理規準の一例を表す概略図である。
図１３は、ＭＨ－音声コンポーネント記述子の送出運用規則の一例であり、図１４は、ＭＨ－音声コンポーネント記述子の受信処理規準の一例である。

これらの例では、「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」は、ＭＰＥＧ－Ｈの有無、プロファイル、及びレベルを識別するためのラベルである。「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」は、４ビットのうち、先頭の１ビットにプロファイル、残りの３ビットにＭＰＥＧ－Ｈの有無及びレベルが設定される。プロファイルを表すフィールドは、「ｎｇａ＿ｐｒｏｆｉｌｅ」であり、ｂｓｌｂｆ（ｂｉｔ ｓｔｒｉｎｇ、ｌｅｆｔ ｂｉｔ ｆｉｒｓｔ：ビット列、左ビットが先頭)である。「ｎｇａ＿ｐｒｏｆｉｌｅ」は、値が「１」の場合にプロファイルが「Ｂａｓｉｃ Ｐｒｏｆｉｌｅ」であることを示し、値が「０」の場合にプロファイルが「Ｌｏｗ Ｃｏｍｐｌｅｘｉｔｙ Ｐｒｏｆｉｌｅ」であることを示す。
ＭＰＥＧ－Ｈの有無及びレベルを表すフィールドは、「ｎｇａ＿ｌｅｖｅｌ」であり、ｕｉｍｓｂｆ（ｕｎｓｉｇｎｅｄ ｉｎｔｅｇｅｒ ｍｏｓｔ ｓｉｇｎｉｆｉｃａｎｔ ｂｉｔ ｆｉｒｓｔ：符号無し整数、最上位ビットが先頭）である。「ｎｇａ＿ｌｅｖｅｌ」は、値が「０」の場合、ＭＰＥＧ－Ｈオーディオ信号が存在しない（ＭＰＥＧ－Ｈオーディオでない）ことを示し、それ以外の値の場合、ＭＰＥＧ－Ｈオーディオ信号が存在する（ＭＰＥＧ－Ｈオーディオである）ことを示す。また、「ｎｇａ＿ｌｅｖｅｌ」は、値が「１」の場合にレベルが「Ｌｅｖｅｌ １」、値が「２」の場合にレベルが「Ｌｅｖｅｌ ２」、値が「３」の場合にレベルが「Ｌｅｖｅｌ ３」、値が「４」の場合にレベルが「Ｌｅｖｅｌ ４」であることを示す。「ｎｇａ＿ｌｅｖｅｌ」の値が「５」～「７」については未使用であり、将来、これらの値を割り当てることができる。

「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」では、ＭＰＥＧ－４ ＡＡＣの音声ストリームに対しては０ｘ０３、ＭＰＥＧ－４ ＡＬＳの音声ストリームに対しては０ｘ０４、ＭＰＥＧ－Ｈの音声ストリームに対しては０ｘ０５を設定する。受信機２は、「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」の値がこれらの値以外である場合、記述子を無効とする。

「ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ」については、ＭＰＥＧ－Ｈオーディオを送出・受信する場合には、ＭＰＥＧ－Ｈ音声アセットと１又は複数のＭＰＥＧ－４音声アセットに、同じ値の「ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ」が設定される。この場合に、この値とは異なる値の「ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ」が、１又は複数のＭＰＥＧ－４音声アセットに設定される。後者の「ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ」は、ＭＰＥＧ－Ｈ音声アセットには設定されない。つまり、後者のサイマル音声は、ＭＰＥＧ－４音声アセットのみであり、ＭＰＥＧ－Ｈ音声アセットを含まない。
「ＩＳＯ＿６３９＿ｌａｎｇｕａｇｅ＿ｃｏｄｅ２」は、ＭＰＥＧ－Ｈ音声アセットの１又は複数の言語名を示してもよい。具体的には、「ＩＳＯ＿６３９＿ｌａｎｇｕａｇｅ＿ｃｏｄｅ」に第１言語（例えば、日本語）、「ＩＳＯ＿６３９＿ｌａｎｇｕａｇｅ＿ｃｏｄｅ２」に第２言語（例えば、英語）を記述してもよい。また、ＭＰＥＧ－Ｈ音声アセットについては、「ＩＳＯ＿６３９＿ｌａｎｇｕａｇｅ＿ｃｏｄｅ２」に複数の言語（例えば、日本語と英語）を記述してもよい。

ＭＨ－音声コンポーネント記述子の送出運用において、放送局１は、同一イベント内における音声ストリームのパラメータ更新時は、原則としてＭＰＴのＭＨ－音声コンポーネント記述子の内容を変更しＭＰＴのバージョン更新を行うが、例外として、本記述子を更新しない送出運用を行うことがある。この場合、音声ストリームとＭＨ－音声コンポーネント記述子の内容が一時的に不一致となる。例えば、番組本編からＣＭ等に移行する時や流動編成時などが想定される。この場合、放送局１は、ＭＰＴのバージョン更新をしないため、受信機側では同じコンポーネントタグ値の音声ストリームを再生し続ける。
このような音声ストリームのパラメータ更新時に本記述子を更新しない運用は、音声符号化方式がＡＡＣで、５．１ｃｈ以下の音声モード間で音声モードを切り替えるときに限り許容される。

ＭＨ－音声コンポーネント記述子の受信処理において、ＭＰＴのバージョンが更新し、音声ストリーム数や本記述子の内容が更新された場合は、受信機２は、本記述子の内容に従い、適切に音声再生を行う。受信機２は、ＭＰＴのバージョン更新が行われていなければ、原則として、同じコンポーネントタグ値の音声ストリームを再生し続ける。５．１ｃｈ以下の音声モード間での切り替えでは、音声ストリームと本記述子の内容が異なる場合がある。その時は、受信機２は、音声ストリームの内容を優先してデコードする。

［音声アセットの選択］
放送では複数の音声モード（ＭＰＥＧ－Ｈ、ＭＰＥＧ－４ ＡＡＣ２ｃｈ、ＡＡＣ５．１ｃｈ、ＡＡＣ７．１ｃｈ、ＡＡＣ２２．２ｃｈ、ＡＬＳ２ｃｈ、ＡＬＳ５．１ｃｈ）を運用する。モノラル、デュアルモノラルは運用しない。

受信機２は、音声デコード機能として次の機能を有する。
・ＭＰＥＧ－４ ＡＡＣ２ｃｈ 再生
・ＭＰＥＧ－４ ＡＡＣ５．１ｃｈから２ｃｈへのダウンミックス再生機能
これらの条件を満たすため、ＭＰＥＧ－Ｈ、ＭＰＥＧ－４ ＡＡＣ７．１ｃｈ、又はＡＡＣ２２．２ｃｈの音声モードではＡＡＣ２ｃｈをサイマル運用とする（ＡＡＣ５．１ｃｈがサイマル運用となる場合も有る）。また、ＭＰＥＧ－Ｈオーディオモード又はＡＬＳ音声モードではＡＡＣ２ｃｈ、又はＡＡＣ５．１ｃｈをサイマル運用とする。

受信機２は、複数の音声アセット運用時は下記に従い切替・選択できる機能を有する。
受信機２は、受信機２本体における再生の際、受信機２本体で再生できる音声モードを判別して、その内コンポーネントタグ値の小さい順にアセットを優先して切替え再生する。なお、選局時には再生可能な一番小さいコンポーネントタグ値のアセットをデフォルト音声として再生する。
受信機２は、２ｃｈまでの再生環境の場合で、ＭＰＥＧ－Ｈ又はＡＡＣ５．１ｃｈに合わせＡＡＣ２ｃｈ音声がサイマル運用されている場合はＡＡＣ２ｃｈ音声を優先して再生する。受信機２は、特定のレベルまでの再生環境の場合で、ＭＰＥＧ－Ｈが運用されている場合は、特定レベル以下のレベルのうち、最大のレベル或いは最小のレベルを優先して再生する。
ただし、ＭＰＴのバージョン更新なく音声モードが切り替わった場合は、再生中のアセットをそのまま再生し続ける。

受信機２は、サイマルキャストグループ識別を参照して複数言語運用を判別し、コンポーネントタグ値の小さいアセット（言語）をデフォルト言語として再生する。受信機２は、ＭＰＥＧ－Ｈについては、予め定められたデフォルト言語で、音声を再生してもよい。受信機２は、言語切り替えを行った場合でも、再選局の場合はデフォルト言語に復帰する。受信機２は、ＭＰＥＧ－Ｈについては、言語固定モードを設けてもよい。
受信機２では、リモコンの音声ボタン等で、有効な音声アセットの選択がサイクリックに切り換えられる。例えば、受信機２では、ＭＰＥＧ－Ｈ音声アセットと１又は複数のＭＰＥＧ－４音声アセットの選択が、サイクリックに切り換えられる。
受信者がメニュー上で音声を選択するユーザーインタフェースでは、ＭＨ－音声コンポーネント記述子の情報に従い、音声情報を表示すること。なお、音声種別の表記文字にはＭＨ－音声コンポーネント記述子内のｔｅｘｔ＿ｃｈａｒ領域に記載の音声表記を優先する。ただし、受信機２は、ＭＰＥＧ－Ｈについては、予め定められた音声表記を優先してもよい。

受信機２は、同一音声アセット内で音声モードが切り替わる場合、及び受信機が自動的に異なるアセットの音声に切り替える場合、受信者に不自然さを感じさせないように切り替える。受信機２の切替動作は、次のような動作である。
（１）約０．５秒前のＭＰＴ更新により音声モードやアセットの切替を把握した受信機２は、先行音声の出力をフェード処理後ミュートする。
（２）受信機２は、切替に必要な処理を実行後、ミュートを解除し後続音声の出力を再開する。切替処理にかかる時間は、音声アセットの切替有無や、更新される音声モードの種類によって異なる。一般的には、符号化方式の切替時間が最も長くかかる。切替処理の間は、送出側にて無音区間が設けられる。
（３）受信機２は、ＭＰＥＧ－４音声アセットから、ＭＰＥＧ－Ｈ音声アセットに切り替わる場合、ＭＰＥＧ－Ｈオーディオのデジタルミキサーを表示する。

［音声の切替動作］
図１５は、本実施形態に係る切替えの詳細例を表すフローチャートである。
この図は、受信機２の音声の切替動作を表す。次のステップＳ１０１～Ｓ１０４、Ｓ１１、Ｓ１１２、Ｓ１２１の処理、及びステップＳ１２２、Ｓ１２３の制御は、受信機２のコンピュータ（ＣＰＵ２５５：制御部）が行う。

（ステップＳ１０１）受信者がリモコン等で、又は、受信機２が自動で選局を行う。その後、ステップＳ１０２の処理が行われる。
（ステップＳ１０２）受信機２は、ＭＰＴを更新する。その後、ステップＳ１０３の処理が行われる。
（ステップＳ１０３）受信機２は、デフォルトアセットを確認する。具体的には、デフォルトアセットは、「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」が特定値のアセットである。デフォルトアセットは、アセット種別ごとに予め定められている。アセット種別が「放送伝送音声」の場合、特定値「０ｘ００１０」がデフォルトアセットに割り当てられている。この特定値が、変数ｉの初期値（ｉ＝０ｘ００１０）に設定される。その後、ステップＳ１０４の処理が行われる。

（ステップＳ１０４）受信機２は、「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」が放送伝送音声のアセットであるか否かを判定する。アセット種別が「放送伝送音声」のアセットには、「０ｘ００１０」～「０ｘ００２Ｆ」の値が割り当てられている。受信機２は、変数ｉの値が、「０ｘ００２Ｆ」以下であるか否かを判定することで、放送伝送音声のアセットであるか否かを判定する。
なお、ＭＰＥＧ－Ｈ音声アセットには、「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」において、ＭＰＥＧ－４音声アセットよりも、小さい値が割り当てられている。この場合、先に、ＭＰＥＧ－Ｈ音声アセットの再生可能性が判定される。ただし、ＭＰＥＧ－Ｈ音声アセットには、「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」において、ＭＰＥＧ－４音声アセットよりも、大きい値が割り当てられてもよい。
放送伝送音声のアセットであると判定された場合（Ｙｅｓ）、ステップＳ１１１の処理が行われる。一方、放送伝送音声のアセットでないと判定された場合（Ｎｏ）、ステップＳ１２１の処理が行われる。

（ステップＳ１０５）受信機２は、自装置が再生可能なストリームであるか否かを判定する。具体的には、受信機２は、「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」、「ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ」、「ｓｔｒｅａｍ＿ｔｙｐｅ」、及び「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」を用いて、自装置が再生可能なストリームであるか否かを判定する。

ＭＰＥＧ－Ｈオーディオが再生可能であるか否かについては、受信機２は、次の判定を行う。

受信機２は、「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」から、「ｎｇａ＿ｐｒｏｆｉｌｅ」及び「ｎｇａ＿ｌｅｖｅｌ」を分離する。受信機２は、「ｎｇａ＿ｌｅｖｅｌ」が「０」であるかを判定することで、ＭＰＥＧ－Ｈオーディオ信号が存在しない（ＭＰＥＧ－Ｈオーディオでない）か否かを判定する。換言すれば、受信機２は、「ｎｇａ＿ｌｅｖｅｌ」が「０」でないか否かを判定することで、ＭＰＥＧ－Ｈオーディオ信号が存在する（ＭＰＥＧ－Ｈオーディオである）か否かを判定する。

受信機２は、「ｎｇａ＿ｌｅｖｅｌ」が「０」である場合、ＭＰＥＧ－Ｈ音声アセットが存在しないＭＰＥＧ－４オーディオストリームであるので、自装置がこのＭＰＥＧ－４オーディオストリーム（ＭＰＥＧ－４オーディオ）を再生可能であるか否かを判定する。受信機２は、このＭＰＥＧ－４オーディオストリームを再生可能ではない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。一方、再生可能である場合（Ｙｅｓ）、ステップＳ１１２の処理が行われる。

受信機２は、「ｎｇａ＿ｌｅｖｅｌ」が「０」でない場合（「１」～「４」である場合、「１」以上である場合）、ＭＰＥＧ－Ｈ音声アセットが存在するＭＰＥＧ－Ｈオーディオストリームであるので、自装置がこのＭＰＥＧ－Ｈオーディオストリーム（ＭＰＥＧ－Ｈオーディオ）を再生可能であるか否かを判定する。受信機２は、このＭＰＥＧ－Ｈオーディオストリームを再生可能ではない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。

一方、再生できる場合、受信機２は、「ｎｇａ＿ｌｅｖｅｌ」が示すレベルが、自装置が再生可能なレベルであるか（再生可能なレベル以下であるか）を判定する。受信機２は、再生可能なレベルでない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。
再生可能なレベルである場合、受信機２は、「ｎｇａ＿ｐｒｏｆｉｌｅ」が示すプロファイルが、自装置が再生可能なプロファイルであるかを判定する。再生可能なプロファイルでない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。一方、再生可能なプロファイルである場合（Ｙｅｓ）、ステップＳ１１２の処理が行われる。
なお、ステップＳ１１１の判定の少なくとも１つで再生可能ではないと判定された場合（Ｎｏ）、変数ｉを１加算し、次の「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」値のアセットに対して、ステップＳ１０４の処理が行われる。

（ステップＳ１１２）受信機２は、サイマルの有無、及び言語の確認等を行う。具体的には、受信機２は、「ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ」、「ＥＳ＿ｍｕｌｔｉ＿ｌｉｎｇｕａｌ＿ｆｌａｇ」、「ｍａｉｎ＿ｃｏｍｐｏｎｅｎｔ＿ｆｌａｇ」、「ＩＳＯ＿６３９＿ｌａｎｇｕａｇｅ＿ｃｏｄｅ」、「ＩＳＯ＿６３９＿ｌａｎｇｕａｇｅ＿ｃｏｄｅ２」、及び「ｔｅｘｔ＿ｃｈａｒ」を用いて、この処理が行われる。
受信機２は、ＭＰＥＧ－Ｈオーディオの言語について、「ＩＳＯ＿６３９＿ｌａｎｇｕａｇｅ＿ｃｏｄｅ」又は「ＩＳＯ＿６３９＿ｌａｎｇｕａｇｅ＿ｃｏｄｅ２」のいずれか或いは組み合わせをもちいてもよい。

（ステップＳ１１３）受信機２は、Ｓ１１２の処理で取得したアセットの情報を、メモリ（ＲＡＭ２５４又は補助記憶装置２５２）において、リストに追加する。これにより、再生可能なストリームがリスト化される。その後、ステップＳ１０４の処理が行われる。ここで、受信機２は、変数ｉを１加算し、次の「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」値のアセットに対して、ステップＳ１０４の処理が行われる。

（ステップＳ１２１）受信機２は、再生可能なストリームのリスト（Ｓ１１３の処理でリスト化されたリスト）から、ストリームを選択する。選択は、受信機２が自動選択してもよいし、受信者が手動で選択してもよい。その後、ステップＳ１２２の処理が行われる。
（ステップＳ１２２）受信機２は、選択された言語等の表示を行う。選択は、受信機２に自動選択されてもよいし、受信者に手動で選択されてもよい。その後、ステップＳ１２３へ進む。
なお、ＭＰＥＧ－Ｈオーディオにおいて、１つのアセットに多言語の音声のデータ列が格納される場合がある。この場合、ステップＳ１２１でＭＰＥＧ－Ｈオーディオストリームが選択された場合、受信機２は、アセットを変更（選択）せずに、言語を選択できる。
（ステップＳ１２３）受信機２は、ステップＳ１２１及びＳ１２２で選択された音声ストリームを再生する。その後、ステップＳ１０２の処理が行われることで、受信機２は、このフローチャートの動作を繰り返す。

なお、受信機２は、特に指定しない場合は、最も小さい値のｃｏｍｐｏｎｅｎｔ＿ｔａｇ値のストリームを選択する（例えば、ステップＳ１２１の処理）。また、受信機２は、リストから受信者が任意に選択できるようにする（図１１参照）。受信機２は、任意に選択した場合は、その値を保持（ストリームを再生）しつづける。ただし、受信機２は、ｃｏｍｐｏｎｅｎｔ＿ｔａｇ値（再生しているストリーム）がなくなった場合、または、サイマル有無、言語等の条件が変化した場合には、適切な切り替え処理後、直ちに再生可能な最も小さい値のｃｏｍｐｏｎｅｎｔ＿ｔａｇ値のストリームを選択し再生する。

図１６は、本実施形態に係る切替えの別の詳細例を表すフローチャートである。
この図において、図１５と同じ処理については、同じ符号を付し、説明を省略する。

（ステップＳ１１１１）受信機２は、「ｎｇａ＿ｌｅｖｅｌ」が「０」であるかを判定することで、ＭＰＥＧ－Ｈオーディオ信号が存在しないか否かを判定する。受信機２は、「ｎｇａ＿ｌｅｖｅｌ」が「０」である場合（Ｙｅｓ）、ステップＳ１１１４の処理が行われる。一方、ｎｇａ＿ｌｅｖｅｌ」が「０」でない場合（Ｎｏ）、ステップＳ１１１２の処理が行われる。
（ステップＳ１１１２）受信機２は、「ｎｇａ＿ｐｒｏｆｉｌｅ」が示すプロファイルが、自装置が再生（対応）可能なプロファイルであるかを判定する。受信機２は、再生可能なプロファイルでない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。一方、再生可能なプロファイルである場合（Ｙｅｓ）、ステップＳ１１１３の処理が行われる。

（ステップＳ１１１３）受信機２は、「ｎｇａ＿ｌｅｖｅｌ」が示すレベルが、自装置が再生（対応）可能なレベルであるか（再生可能なレベル以下であるか）を判定する。再生可能なレベルでない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。再生可能なレベルである場合（Ｙｅｓ）、ステップＳ１１３の処理が行われる。
（ステップＳ１１１４）受信機２は、自装置が再生可能なストリームであるか否かを判定する。具体的には、受信機２は、「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」、「ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ」、及び「ｓｔｒｅａｍ＿ｔｙｐｅ」を用いて、自装置が再生可能なストリームであるか否かを判定する。再生可能なストリームでない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。再生可能なストリームである場合（Ｙｅｓ）、ステップＳ１１２の処理が行われる。
なお、ステップＳ１１３の処理において、再生可能なレベルである場合（Ｙｅｓ）、ステップＳ１１１４又はＳ１１２の処理が行われてもよい。

［ユースケース］
以下、本実施形態における放送（アセット）パターン、受信機、受信機における音声選択について、ユースケースの一例を示す。
放送パターン１（例えば番組Ａ）は、次の音声（アセット）１１～１４が放送されるパターンである。
放送パターン１：
（１Ａ）音声１１：ＭＰＥＧ－Ｈ レベル４（２２．２ｃｈ（９／１０／３）、セリフ 日本語／英語、解説音声 日本語）
（１Ｂ）音声１２：ＭＰＥＧ－４（７．１ｃｈ、日本語）
（１Ｃ）音声１３：ＭＰＥＧ－４（ステレオ 日本語）
（１Ｄ）音声１４：ＭＰＥＧ－４（ステレオ 英語）
音声１１は、ＭＰＥＧ－Ｈオーディオの音声であり、レベル４、２２．２ｃｈの音声（ＢＧＭ）であり、セリフとして日本語と英語、解説音声として日本語の音声がある。音声１３は、音声１２とサイマルで送出される音声である。

放送パターン２（例えば、番組Ａ以外の番組Ｂ）は、次の音声１１～１４が放送されるパターンである。
放送パターン２：
（２Ａ）音声１１：ＭＰＥＧ－Ｈ レベル３（１１．１ｃｈ（４／７／０）、セリフ 日本語／英語、解説音声 日本語）
（２Ｂ）音声１２：ＭＰＥＧ－４（７．１ｃｈ、日本語）
（２Ｃ）音声１３：ＭＰＥＧ－４（ステレオ 日本語）
（２Ｄ）音声１４：ＭＰＥＧ－４（ステレオ 英語）
放送パターン１と放送パターン２を比較すると、ＭＰＥＧ－Ｈ（音声１１）のレベルが「レベル４」と「レベル３」であることと、チャンネル音声の数が「２２．２ｃｈ」と「１１．１ｃｈ」であることが異なる。なお、音声１３は、音声１２とサイマルで送出される音声である。

受信機２には、下記の能力を持つ受信機が存在する。
受信機Ａは、ＭＰＥＧ－Ｈオーディオのレベル４に対応（再生）できる受信機である。
受信機Ｂは、ＭＰＥＧ－Ｈオーディオのレベル３に対応（再生）できる受信機である。
受信機Ｃは、ＭＰＥＧ－Ｈオーディオに対応していない（再生できない）受信機である。

各受信機Ａ～Ｃにおける音声選択については、次の通りとなる。
受信機Ａは、ＭＰＥＧ－Ｈのレベル４以下及びＭＰＥＧ－４に対応できる。よって、受信機Ａは、放送パターン１、２の両方で、ＭＰＥＧ－Ｈの音声１１を選択する。
受信機Ｂは、ＭＰＥＧ－Ｈのレベル３以下及びＭＰＥＧ－４に対応できるが、ＭＰＥＧ－Ｈのレベル４には対応できない。よって、受信機Ｂは、放送パターン１では、ＭＰＥＧ－４の音声１２、１３、又は１４のいずれかを選択するが、放送パターン２では、ＭＰＥＧ－Ｈの音声１１を選択する。
受信機Ｃは、放送パターン１、２の両方でＭＰＥＧ－４の音声１２、１３、１４のいずれかを選択する。
なお、受信機２は、ＭＰＥＧ－Ｈの音声を選択する（できる）場合でも、ユーザー操作や設定により、ＭＰＥＧ－４の音声を選択してもよい。

より具体的には、次の通りである。
＜受信機Ｂ：ＭＰＥＧ－Ｈ レベル３に対応＞
放送パターン１の場合、受信機Ｂは、ＭＰＥＧ－４の音声１２、１３、又は１４のいずれかを選択できる。ここで、受信機Ｂは、サイマル音声（音声１２と音声１３）からの選択が重複しないようにするため、音声１２と音声１４の組、又は、音声１３と音声１４の組から、音声を選択する。
放送パターン２の場合、受信機Ｂは、ＭＰＥＧ－Ｈの音声１１を選択できる。

放送パターン２の場合、受信機Ｂは、例えば７．１スピーカーを備えているときには、音声１１を選択し、選択した音声１１のレンダリング処理（ダウンコンバート）により、７．１ｃｈの音声を生成する。この場合、受信機Ｂは、次の音声（Ｂ１１）～（Ｂ１３）を再生できる。
（Ｂ１１）７．１ｃｈ セリフ 日本語
（Ｂ１２）７．１ｃｈ セリフ 英語
（Ｂ１３）７．１ｃｈ セリフ 日本語＋解説音声 日本語

放送パターン２の場合、受信機Ｂは、例えばステレオヘッドホンを利用するときには、音声１１を選択し、選択した音声１１のレンダリング処理（ダウンコンバート）により、ステレオの音声を生成する。この場合、受信機Ｂは、次の音声（Ｂ２１）～（Ｂ２３）を再生できる。
（Ｂ２１）ステレオ セリフ 日本語
（Ｂ２２）ステレオ セリフ 英語
（Ｂ２３）ステレオ セリフ 日本語＋解説音声 日本語

＜受信機Ａ：ＭＰＥＧ－Ｈ レベル４に対応＞
受信機Ａが、２２．２ｃｈのスピーカーを備えている場合について説明する。
放送パターン１の場合、受信機Ａは、音声１１を選択し、選択した音声１１のレンダリング処理により、次の音声（Ａ１１）～（Ｂ１３）を再生できる。
（Ａ１１）２２．２ｃｈ セリフ 日本語
（Ａ１２）２２．２ｃｈ セリフ 英語
（Ａ１３）２２．２ｃｈ セリフ 日本語＋解説音声 日本語

放送パターン２の場合、受信機Ａは、音声１１を選択し、選択した音声１１のレンダリング処理（アップコンバート）により、次の音声（Ａ２１）～（Ｂ２３）を再生できる。
（Ａ２１）２２．２ｃｈ セリフ 日本語
（Ａ２２）２２．２ｃｈ セリフ 英語
（Ａ２３）２２．２ｃｈ セリフ 日本語＋解説音声 日本語

以上のように、本実施形態では、放送システムＳｙｓは、ＭＰＥＧ－Ｈオーディオを音声アセット（コンポーネントの一例）に含む放送を行う。受信機２の分離器２２は、放送の放送波から、ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ（ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報の一例）を、多重化レイヤーで取得する。ＣＰＵ２５５（制御部の一例）は、ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌに基づいて、受信機２の能力に応じた音声アセットを選択する。音声デコーダー２３２は、選択された音声アセットの音声データを復号化する。
これにより、放送システムＳｙｓでは、受信機２は、自装置の能力に応じて、適切な音声再生を行うことができる。

また、本実施形態では、ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌは、ＭＭＴ（ＭＰＥＧ Ｍｅｄｉａ Ｔｒａｎｓｐｏｒｔ）の記述子であって、番組要素のうち音声信号に関するパラメータを記述する記述子であるＭＨ－音声コンポーネント記述子に配置される。分離器２２は、ＭＨ－音声コンポーネント記述子を取得する。ＣＰＵ２５５は、ＭＨ－音声コンポーネント記述子に配置されたｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌに基づいて、受信機２の能力に応じた音声コンポーネントを選択する。

これにより、受信機２は、ＭＨ－音声コンポーネント記述子からｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌを読み出すことで、自装置の能力に応じて、適切な音声再生を行うことができる。また、受信機２は、音声デコーダー２３２へ音声データを入力する前（復号化を行う前）に、ＭＰＥＧ－Ｈオーディオが存在するか否かを判定できる。これにより、ＭＰＥＧ－Ｈに受信機２は、ＭＰＥＧ－Ｈオーディオを復号化できない場合や、復号化しなくてもよい場合（受信者がＭＰＥＧ－４オーディオを選択している場合等）に、ＭＰＥＧ－Ｈオーディオのデータの復号化を回避できる。

また、本実施形態では、放送は、ＭＰＥＧ－Ｈオーディオ音声アセットと、ＭＰＥＧ－４オーディオ音声アセットと、を含む。音声デコーダー２３２は、ＭＰＥＧ－Ｈ音声アセットの音声データを復号化するミキサー部２３３１（第１復号化部の一例）と、ＭＰＥＧ－４音声アセットの音声データを復号化するダウンミキサー部２３３２（第２復号化部の一例）を備える。分離器２２は、ＭＰＥＧ－ＨオーディオとＭＰＥＧ－４オーディオを分離する。
ＣＰＵ２５５は、ＭＨ－音声コンポーネント記述子に配置されたｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌに基づいて、ＭＰＥＧ－Ｈオーディオを再生可能であると判定した場合に、ＭＰＥＧ－ＨオーディオとＭＰＥＧ－４オーディオのいずれかの音声アセットを選択する。音声デコーダー２３２は、選択されたＭＰＥＧ－Ｈオーディオ又はＭＰＥＧ－４オーディオのいずれかの音声アセットの音声データを復号化する。

これにより、受信機２は、ＭＰＥＧ－Ｈオーディオ又はＭＰＥＧ－４オーディオを選択でき、受信機２は、自装置の能力に応じて、ＭＰＥＧ－Ｈオーディオ又はＭＰＥＧ－４の音声再生を行うことができる。ＭＰＥＧ－Ｈオーディオを再生可能である受信機２において、受信者は、ＭＰＥＧ－Ｈオーディオ又はＭＰＥＧ－４の音声を選択できる。

また、本実施形態では、放送は、ＭＰＥＧ－Ｈオーディオ音声アセットと、ＭＰＥＧ－４音声アセットと、を含む。音声デコーダー２３２は、ＭＰＥＧ－４音声アセットの音声データを復号化する。分離器２２は、ＭＰＥＧ－ＨオーディオとＭＰＥＧ－４オーディオを分離する。ＣＰＵ２５５は、ＭＨ－音声コンポーネント記述子に配置されたｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌに基づいて、ＭＰＥＧ－Ｈオーディオを再生可能ではないと判定した場合に、ＭＰＥＧ－４音声アセットを選択する。音声デコー２３２は、選択されたＭＰＥＧ－４オーディオアセットの音声データを復号化する。
これにより、受信機２は、自装置（外部アンプ、外部スピーカーを含む）がＭＰＥＧ－Ｈオーディオに対応していない場合に、ＭＰＥＧ－４オーディオを選択でき、受信機２は、自装置の能力に応じて、ＭＰＥＧ－Ｈオーディオ又はＭＰＥＧ－４の音声再生を行うことができる。

また、本実施形態では、音声アセットの各々は、ｃｏｍｐｏｎｅｎｔ＿ｔａｇで識別される。ＭＰＥＧ－４オーディオは、１又は複数の音声アセットから構成される（多重化されて送出される）。分離器２２は、ｃｏｍｐｏｎｅｎｔ＿ｔａｇの順序に従って、ＭＰＥＧ－Ｈ音声アセットと、ＭＰＥＧ－４音声アセットと、のＭＨ－音声コンポーネント記述子（構成情報の一例）を読み込み、ＭＨ－音声コンポーネント記述子からｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌを取得する。
これにより、受信機２は、音声アセットごとに、音声アセットの情報とともに、ＭＰＥＧ－Ｈオーディオであるか否かを判定できる。

また、本実施形態では、ＭＨ－音声コンポーネント記述子には、ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ（ｎｇａ＿ｌｅｖｅｌが０であるか否か）と、ｎｇａ＿ｌｅｖｅｌ（ＭＰＥＧ－Ｈオーディオの処理能力を表すレベルの一例）或いはｎｇａ＿ｐｒｏｆｉｌｅ（機能の集合を表すプロファイルの一例）と、が配置される。ＣＰＵ２５５は、ｎｇａ＿ｌｅｖｅｌ又はｎｇａ＿ｐｒｏｆｉｌｅに基づいて、受信機２の能力に応じた音声コンポーネントを選択する。
これにより、受信機２は、ＭＰＥＧ－Ｈオーディオが存在するか否かを判定できるとともに、ＭＰＥＧ－Ｈオーディオのレベル又はプロファイルを取得できる。受信機２は、レベルやプロファイルと自装置の能力に応じて、適切な音声再生を行うことができる。

［変形例：ＭＰＥＧ－Ｈの再生可能判定］
受信機２は、ＭＰＥＧ－Ｈが再生可能であるか否かを、次のように判定してもよい。
＜ケース１＞
受信機２は、ＭＰＥＧ－Ｈオーディオであるか否かを、「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」を用いて判定してもよい。この場合、「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」において、ＭＰＥＧ－Ｈ音声アセットには特定値が割り当てられる。例えば、０ｘ００１０～０ｘ００１ＦにはＭＰＥＧ－４音声アセットのうち言語が日本語であるものを割り当て、０ｘ００２０～０ｘ００２５にはＭＰＥＧ－４音声アセットのうち言語が英語であるものを割り当てる。０ｘ００２６～０ｘ００２Ｆに、ＭＰＥＧ－Ｈ音声アセットを割り当てる。受信機２は、「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」が０ｘ００２６～０ｘ００２Ｆのいずれかである場合、ＭＰＥＧ－Ｈ音声アセットであると判定する。「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」が０ｘ００２６～０ｘ００２Ｆのいずれでもない場合、受信機２は、ＭＰＥＧ－Ｈ音声アセットでないと判定する。この場合、受信機２は、ＭＰＥＧ－Ｈのプロファイルとレベルも識別可能に「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」を割り当ててもよい。受信機２は、ＭＰＥＧ－Ｈのプロファイルとレベルを、「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」に割り当ててもよい。

本変形例のケース１では、ステップＳ１０４の処理で（ステップＳ１１１の処理を行わなくても）、受信機２は、アセットがＭＰＥＧ－Ｈ音声アセットであるか否かを判定できる。また、新たなフィールドを設けなくても、受信機２は、アセットがＭＰＥＧ－Ｈ音声アセットであるか否かを判定できる。
なお、上記実施形態と本変形例１を比較すると、上記実施形態では、「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」に、ＭＰＥＧ－Ｈオーディオであるか否か、ＭＰＥＧ－Ｈのプロファイル及びレベルを格納するので、他のフィールド（本変形例では、ｃｏｍｐｏｎｅｎｔ＿ｔａｇ）の値の内容、制限（個数やバイト数等）、又はその規則を、既存の運用を保ったまま、運用することが可能である。

＜ケース２＞
受信機２は、ＭＰＥＧ－Ｈオーディオであるか否かを、「ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ」を用いて判定してもよい。例えば、「ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ」値に、ｂ８：ＭＰＥＧ－Ｈと定義する。受信機２は、「ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ」がｂ８である場合、ＭＰＥＧ－Ｈ音声アセットと判定する。「ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ」がｂ８でない場合、受信機２は、ＭＰＥＧ－Ｈ音声アセットでないと判定する。この場合、受信機２は、ＭＰＥＧ－Ｈのプロファイルとレベルも識別可能に「ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ」を割り当ててもよい。受信機２は、ＭＰＥＧ－Ｈのプロファイルとレベルを、「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」に割り当ててもよい。
本変形例のケース２では、新たなフィールドを設けなくても、受信機２は、アセットがＭＰＥＧ－Ｈ音声アセットであるか否かを判定できる。
なお、上記実施形態と本変形例２を比較すると、上記実施形態では、「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」に、ＭＰＥＧ－Ｈオーディオであるか否か、ＭＰＥＧ－Ｈのプロファイル及びレベルを格納するので、他のフィールド（本変形例では、ｃｏｍｐｏｎｅｎｔ＿ｔｙｐｅ）の値の内容、制限（個数やバイト数等）、又はその規則を、既存の運用を保ったまま、運用することが可能である。

＜ケース３＞
受信機２は、ＭＰＥＧ－Ｈオーディオであるか否かを、「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」を用いて判定してもよい。上述のとおり、「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」値には、ＭＰＥＧ－４ ＡＡＣの音声ストリームに対しては特定値（０ｘ０３）、ＭＰＥＧ－４ ＡＬＳ の音声ストリームに対しては別の値（０ｘ０４）が設定される。さらに、ＭＰＥＧ－Ｈの音声ストリームに対しては、さらに別の値（例えば、０ｘ０５）が設定する。
受信機２は、「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」が０ｘ０５である場合、ＭＰＥＧ－Ｈ音声アセットと判定する。「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」が０ｘ０５でない場合、受信機２は、ＭＰＥＧ－Ｈ音声アセットでないと判定する。この場合、受信機２は、ＭＰＥＧ－Ｈのプロファイルとレベルも識別可能に「ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ」を割り当ててもよい。受信機２は、ＭＰＥＧ－Ｈのプロファイルとレベルを、「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」に割り当ててもよい。
本変形例のケース３でも、新たなフィールドを設けなくても、受信機２は、アセットがＭＰＥＧ－Ｈ音声アセットであるか否かを判定できる。
なお、上記実施形態と本変形例３を比較すると、上記実施形態では、「ｎｇａ＿ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」に、ＭＰＥＧ－Ｈオーディオであるか否か、ＭＰＥＧ－Ｈのプロファイル及びレベルを格納するので、他のフィールド（本変形例では、ｓｔｒｅａｍ＿ｃｏｎｔｅｎｔ）の値の内容、制限（個数やバイト数等）、又はその規則を、既存の運用を保ったまま、運用することが可能である。

同様に、その他、ステップＳ１１１、Ｓ１１２で参照されるフィールド、例えば「ｓｔｒｅａｍ＿ｔｙｐｅ」又は「ａｓｓｅｔ＿ｔｙｐｅ」に、ＭＰＥＧ－Ｈオーディオであるか否かを示す情報、又は、プロファイル及びレベルを識別可能な情報を、設定してもよい。

＜ケース４＞
本変形例では、新たな記述子として、「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」を導入する。受信機２は、「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」を用いて、ＭＰＥＧ－Ｈオーディオであるか否かの判定、及びプロファイル及びレベルを識別する。

図１７は、本変形例に係るＭＨ－ＭＰＥＧ－Ｈオーディオ記述子の構造の一例を示す概略図である。なお、「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」（ＭＨ－ＭＰＥＧ－Ｈ Ａｕｄｉｏ Ｄｉｓｃｒｉｐｔｏｒ（））は、ＭＭＴ－ＳＩの記述子の１つであり、「ＭＨ－音声コンポーネント記述子」等の上記記述子に加えて、ＭＭＴ－ＳＩに記述される。

「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」において、各フィールドの意味は、次の通りである。
「ｄｅｓｃｒｉｐｔｏｒ＿ｔａｇ」は、ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子であることを示す固定値を記述する。
「ｄｅｓｃｒｉｐｔｏｒ＿ｌｅｎｇｔｈ」は、ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子の記述子長を記述する。

「ｎｇａ＿ｔｙｐｅ」は、次世代オーディオのタイプを示す。例えば、ＭＰＥＧ－Ｈオーディオには’１’が設定される。なお、ＭＰＥＧ－Ｈオーディオ以外の場合（ＭＰＥＧ－４の場合）、’０’が設定されてもよいし、他の次世代オーディオのタイプが設定されてもよい。
「ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」は、プロファイルとレベルを示す。「ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」では、３ビットのうち、先頭の１ビットがプロファイル、残りの２ビットがレベルを示す。例えば、先頭の１ビットは、値が「１」の場合にプロファイルが「Ｂａｓｉｃ Ｐｒｏｆｉｌｅ」であることを示し、値が「０」の場合にプロファイルが「Ｌｏｗ Ｃｏｍｐｌｅｘｉｔｙ Ｐｒｏｆｉｌｅ」である。残りの２ビットは、値が「００」の場合にレベルが「Ｌｅｖｅｌ １」、値が「０１」の場合にレベルが「Ｌｅｖｅｌ ２」、値が「１０」の場合にレベルが「Ｌｅｖｅｌ ３」、値が「１１」の場合にレベルが「Ｌｅｖｅｌ ４」である。
なお、プロファイルとレベルは別のフィールドであってもよい。

「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」は、「ＭＨ－音声コンポーネント記述子」内のｃｏｍｐｏｎｅｎｔ＿ｔａｇと同一の値である。なお、「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」の「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」は、ＭＨ－ストリーム識別記述子内のｃｏｍｐｏｎｅｎｔ＿ｔａｇとも、同一の値である。

「ｐｒｅｓｅｔ（）」は、プリセットの有無や数を示す。プリセットは、例えば、複数の音の素材ごとに、音声の値（音声を調整する値）が予め設定されたものである。プリセットの値が異なると、音の素材間の音声バランス等が異なる。プリセットには、例えば、音声の再生環境（スピーカーの種類や配置）に応じたプリセット、アクセス性改善のためのプリセット、視聴者の好みに合わせたプリセットが予め設定される。のためのプリセットには、ダイアログの音量だけを大きく（或いは小さく）調整する、音声解説を挿入する、又は、セカンドデバイス（例えば手元のスピーカー）で再生するプリセットがある。
プリセットを選択することにより、受信者は、全ての音の素材に対して細かい設定をしなくても、好みの音声（音のバランス等）を選択して、楽しむことができる。

「ｉｎｔｅｒａｃｔｉｖｅ（）」は、インタラクティブの有無と操作内容を示す。
インタラクティブの有無は、受信者が各音の素材に対して調整できるか否かを示す。操作内容には、各音の素材を調整する操作内容を示す。操作内容には、例えば素材（音声調整対象のオブジェクト）の情報、調整内容（強弱やエフェクト等の種類、ユーザーインタフェースの種類、上限値や下限値等の条件）、調整ツール（ツール名、提供元、ダウンロード先等）等である。受信者は、放送番組に応じて、ＭＰＥＧ－Ｈの音声を調整することができる。

＜送出運用規則・受信処理規準＞
図１８は、本変形例に係る送出運用規則の一例を表す概略図である。
図１９は、本変形例に係る受信処理規準の一例を表す概略図である。
図１８は、ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子の送出運用規則の一例であり、図１９は、ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子の受信処理規準の一例である。

「ｄｅｓｃｒｉｐｔｏｒ＿ｔａｇ」には、固定値「０ｘ８０４０」が設定されている。この値は、「ＭＨ－音声コンポーネント記述子」内の「ｄｅｓｃｒｉｐｔｏｒ＿ｔａｇ」の固定値「０ｘ８０１４」よりも大きな値となっている。この場合、受信機２は、「ＭＨ－音声コンポーネント記述子」を、「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」よりも優先順位が高いものとして取り扱われ、先に読み込む。換言すれば、「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」を、「ＭＨ－音声コンポーネント記述子」の補助データとする。なお、「ｄｅｓｃｒｉｐｔｏｒ＿ｔａｇ」の値は、「０ｘ８０１４」よりも小さな値であってもよい。

受信機２は、ＭＰＴ（図７参照）において、「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」がある（ｄｅｓｃｒｉｐｔｏｒ＿ｔａｇ値が「０ｘ８０４０」の記述子がある）と判定した場合、ＭＰＥＧ－Ｈ音声アセットがあると判定する。
この場合、受信機２は、「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」に記述された「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」の音声アセットを、ＭＰＥＧ－Ｈ音声アセットを識別する。
なお、「ＭＨ－ＭＰＥＧ－Ｈオーディオ記述子」に、ＭＰＥＧ－Ｈ音声アセット以外の音声アセットについても記述される場合、受信機２は、「ｎｇａ＿ｔｙｐｅ」値（例えば、値が「０」：ＭＰＥＧ－Ｈ）に対応する「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」のアセットを、ＭＰＥＧ－Ｈ音声アセットとして識別してもよい。

受信機２は、図１５のステップＳ１１１の処理において、変数ｉが、ＭＰＥＧ－Ｈ音声アセットとして識別した音声アセットの「ｃｏｍｐｏｎｅｎｔ＿ｔａｇ」値と一致する場合に、ＭＰＥＧ－Ｈオーディオ信号が存在すると判定する。一方、一致しない場合にはＭＰＥＧ－Ｈオーディオ信号が存在しないと判定する。
受信機２は、ＭＰＥＧ－Ｈオーディオ信号が存在すると判定する場合、自装置がこのＭＰＥＧ－Ｈオーディオストリームを再生可能であるか否かを判定する。受信機２は、このＭＰＥＧ－Ｈオーディオストリームを再生可能ではない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。一方、再生できる場合、受信機２は、「ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」が示すレベルが、自装置が再生可能なレベルであるかを判定する。受信機２は、再生可能なレベルでない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。再生可能なレベルである場合、受信機２は、「ｐｒｏｆｉｌｅ＿ｌｅｖｅｌ」が示すプロファイルが、自装置が再生可能なプロファイルであるかを判定する。受信機２は、再生可能なプロファイルでない場合（Ｎｏ）、ステップＳ１０４の処理が行われる。一方、再生可能なプロファイルである場合（Ｙｅｓ）、ステップＳ１１２の処理が行われる。

受信機２は、図１５のステップＳ１１３の処理において、Ｓ１１２の処理で取得したアセットの情報を、メモリにおいて、リストに追加する。ここで、受信機２は、ＭＰＥＧ－Ｈ音声アセットに対しては、「ｐｒｅｓｅｔ（）」及び「ｉｎｔｅｒａｃｔｉｖｅ（）」の情報も、リストに記載することで、メモリに格納する。
なお、受信機２は、ステップＳ１２２又はＳ１２３の処理において、「ｐｒｅｓｅｔ（）」の情報に基づいて、自動でプリセットを選択してもよいし、プリセットの内容を表示して受信者にプリセットを選択させてもよい。受信機２は、ステップＳ１２２又はＳ１２３の処理において、「ｉｎｔｅｒａｃｔｉｖｅ（）」の情報に基づいて、ＭＰＥＧ－Ｈオーディオのデジタルミキサーを表示してもよい。これらの場合、受信機２は、ステップＳ１２３において、選択されてプリセット、又は、デジタルミキサーによる調整結果に基づいて、音声ストリームを再生する。

このように、本変形例では、放送には、ＭＭＴ（ＭＰＥＧ Ｍｅｄｉａ Ｔｒａｎｓｐｏｒｔ）の記述子であって、番組要素のうち音声信号に関するパラメータを記述する記述子であるＭＨ－音声コンポーネント記述子と、ＭＰＥＧ－Ｈオーディオに関するパラメータを記述する記述であるＭＰＥＧ－Ｈオーディオ記述子が含まれる。ｎｇａ＿ｔｙｐｅは、ＭＰＥＧ－Ｈオーディオ記述子に配置される。分離器２２は、ＭＨ－音声コンポーネント記述子とＭＰＥＧ－Ｈオーディオ記述子を取得する。ＣＰＵ２５５は、ＭＰＥＧ－Ｈオーディオ記述子に配置されたｎｇａ＿ｔｙｐｅに基づいて、受信機２の能力に応じた音声コンポーネントを選択する。
これにより、受信機２は、ＭＰＥＧ－Ｈオーディオ記述子からｎｇａ＿ｔｙｐｅを読み出すことで、自装置の能力に応じて、適切な音声再生を行うことができる。

また、本変形例では、ｐｒｅｓｅｔ（）とｉｎｔｅｒａｃｔｉｖｅ（）は、ＭＰＥＧ－Ｈオーディオ記述子に配置される。分離器２２は、ＭＨ－音声コンポーネント記述子とＭＰＥＧ－Ｈオーディオ記述子を取得する。ＣＰＵ２５５は、ＭＰＥＧ－Ｈオーディオ記述子に配置されたｐｒｅｓｅｔ（）又はｉｎｔｅｒａｃｔｉｖｅ（）に基づいて、音声再生を行う。
これにより、受信機２は、ｐｒｅｓｅｔ（）に基づいて、音声再生を行うことができる。受信者は、全ての音の素材に対して細かい設定をしなくても、好みの音声（音のバランス等）を選択して、楽しむことができる。受信機２は、ｉｎｔｅｒａｃｔｉｖｅ（）に基づいて、音声を調整して、音声再生を行うことができる。受信者は、放送番組に応じて、ＭＰＥＧ－Ｈベースの音声を調整することができる。

なお、上記実施形態（変形例を含む）において、アセットの優先順位は、以下のとおりであってもよい。映像および音声アセットについて、同一のａｓｓｅｔ＿ｔｙｐｅのアセットが１つのＭＰＴ中に複数定義されている場合、および複数のコンポーネント記述子（ＭＨ－音声コンポーネント記述子）がＭＨ－ＥＩＴに配置されている場合は、受信機２は、そのアセットの優先順位については、ｃｏｍｐｏｎｅｎｔ＿ｔａｇ値の小さい順とする。つまり、受信機２は、デフォルトアセットの優先順位がもっとも高く、値が大きくなるに従って優先度は低くなると判定する。この優先度は、例えばＥＰＧ上にストリーム一覧を表示する場合や、ストリーム切り替えボタンを押したときの表示順などに利用することができる。ただし、ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ値が同じアセットでサイマル送出されている音声において、２ｃｈまでの再生環境の場合で、ＡＡＣ５．１ｃｈに合わせＡＡＣ２ｃｈ音声がサイマル運用されている場合は、受信機２は、ＡＡＣ２ｃｈ音声を優先して再生する。

図２０は、本実施形態（変形例を含む）に係るサイマル音声の運用の一例を示す概略図である。この図は、サイマルで送出する音声でのｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ値の運用例である。
この図において、音声モードが「ＭＰＥＧ－Ｈ」であるアセットは、ＭＰＥＧ－Ｈ音声アセットであり、言語が複数の言語（日本語と英語）である。この音声アセットには、ｃｏｍｐｏｎｅｎｔ＿ｔａｇ値「０ｘ００２６」が割り当てられている。この値は、他の音声アセット（ＭＰＥＧ－４音声アセット：０ｘ００１０～０ｘ００１３、０ｘ００２０～０ｘ００２３）よりも、大きい値が割り当てられている。つまり、この図の一例は、ＭＰＥＧ－Ｈ音声アセットの優先順位は、ＭＰＥＧ－４音声アセットよりも低く設定されている。

この図には、２つのサイマル音声を運用する場合の一例である。第１サイマル音声は、ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ値が「０ｘ００」のものであり、第２サイマル音声は、ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ値が「０ｘ０１」のものである。
第１サイマル音声は、４個のＭＰＥＧ－４音声アセット（０ｘ００１０、０ｘ００１１、０ｘ００２０、０ｘ００２１）と１個のＭＰＥＧ－Ｈ音声アセット（０ｘ００２６）から構成されている。つまり、ＭＰＥＧ－４音声アセットとＭＰＥＧ－Ｈ音声アセットが含まれるサイマル音声である。
第２サイマル音声は、４個のＭＰＥＧ－４音声アセット（０ｘ００１２、０ｘ００１３、０ｘ００２２、０ｘ００２３）から構成されている。つまり、ＭＰＥＧ－４音声アセットのみのサイマル音声である。
この図は、音声が、第１サイマル音声と第２サイマル音声から構成されることを示す。

図２１は、本実施形態（変形例を含む）に係るサイマル音声の運用の別の一例を示す概略図である。この図は、サイマルで送出する音声でのｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ値の運用例である。
この図において、音声モードが「ＭＰＥＧ－Ｈ」であるアセットは、ＭＰＥＧ－Ｈ音声アセットであり、言語が複数の言語（日本語と英語）である。この音声アセットには、ｃｏｍｐｏｎｅｎｔ＿ｔａｇ値「０ｘ００１０」が割り当てられている。この値は、他の音声アセット（ＭＰＥＧ－４音声アセット：０ｘ００１０、０ｘ００１２、０ｘ００２０、０ｘ００２１）よりも、小さい値が割り当てられている。つまり、この図の一例は、ＭＰＥＧ－Ｈ音声アセットの優先順位は、ＭＰＥＧ－４音声アセットよりも高く設定されている。
この図のサイマル音声は、ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ値が「０ｘ００」のものであり、４個のＭＰＥＧ－４音声アセット（０ｘ００１０、０ｘ００１１、０ｘ００２０、０ｘ００２１）と１個のＭＰＥＧ－Ｈ音声アセット（０ｘ００２６）から構成されている。この図は、１つのサイマル音声で運用する場合の一例である。

なお、図２１において、図２０のように、複数のサイマル音声が存在してもよい。例えば、図２１の音声アセットには、図２０の４つのＭＰＥＧ－４音声アセット（０ｘ００１２、０ｘ００１３、０ｘ００２２、０ｘ００２３、ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ値が「０ｘ０１」）が追加されてもよい。
また、図２０において、図２１のように、１つのサイマル音声（ＭＰＥＧ－Ｈ音声アセットの優先順位が低い）であってもよく、ｓｉｍｕｌｃａｓｔ＿ｇｒｏｕｐ＿ｔａｇ値が「０ｘ０１」の４つの音声アセットが除かれていてもよい。

なお、上記実施形態（変形例を含む）において、「ＭＨ－音声コンポーネント記述子」に、ｐｒｅｓｅｔ（）又はｉｎｔｅｒａｃｔｉｖｅ（）が含まれてもよい。
なお、上記実施形態において、「音声」は「オーディオ」と置き換えてもよい。「アセット」は「コンポーネント」に、「コンポーネント」は「アセット」に置き換えられてもよい。

なお、上述した実施形態における放送局１（放送装置１）、受信機２、放送局サーバ３、事業者サーバ４の一部、例えば、受信機２の分離器（Ｄｅｍｕｘ、ＴＬＶ／ＭＭＴ分離部）２２、２２ａ、セレクタ（音声アセット選択部）２３１、音声デコーダー（デコーダー部）２３２、ミキサー部２３３１、ダウンミキサー部２３３２、スイッチ部２３３３、ＤＡＣ部２３３４、ミキサー２３３、映像デコーダー２４１、提示処理器２４２、入出力装置２５１、ＣＰＵ２５５、通信チップ２５６の少なくとも一部をコンピュータで実現するようにしてもよい。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、放送局１、受信機２、放送局サーバ３、又は事業者サーバ４に内蔵されたコンピュータシステムであって、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、上述した実施形態における放送局１、受信機２、放送局サーバ３、及び事業者サーバ４の一部、または全部を、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現してもよい。放送局１、受信機２、放送局サーバ３、及び事業者サーバ４の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。

以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。

放送システム Ｓｙｓ
中継局 Ｓａ
放送局、放送装置 １
ＭＰＥＧ－Ｈエンコーダ １１
ＭＰＥＧ－４エンコーダ １１１、１１２、１１３
Ｍｕｘ（マルチプレクサ） １２
受信機 ２
放送局サーバ ３
事業者サーバ ４
チューナー ２１１
復調器 ２１２
分離器（Ｄｅｍｕｘ、ＴＬＶ／ＭＭＴ分離部） ２２、２２ａ
セレクタ（音声アセット選択部） ２３１
音声デコーダー（デコーダー部） ２３２
ＭＰＥＧ－Ｈオーディオコアデコーダー ２３２－１
ＭＰＥＧ－４デコーダー ２３２－２
ミキサー部 ２３３１
ダウンミキサー部 ２３３２
ＭＰＥＧ－Ｈオーディオレンダラー ２３３－１
ミキサー ２３３－２
スイッチ部 ２３３３
ＤＡＣ部 ２３３４
ミキサー ２３３
スピーカー ２３４
映像デコーダー ２４１
提示処理器 ２４２
ディスプレイ ２４３
入出力装置（外部出力Ｉ／Ｆ） ２５１
補助記憶装置 ２５２
ＲＯＭ ２５３
ＲＡＭ ２５４
ＣＰＵ ２５５
通信チップ ２５６

Claims (10)

1. ＭＰＥＧ－Ｈオーディオを音声コンポーネントに含む放送を行う放送システムであって、
   受信機が、
   前記放送の放送波から、ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報を、多重化レイヤーで取得する分離部と、
   前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択する制御部と、
   選択された音声コンポーネントの音声データを復号化する復号化部と、
   を備える、
   放送システム。
2. 前記識別情報は、ＭＭＴ（ＭＰＥＧ Ｍｅｄｉａ Ｔｒａｎｓｐｏｒｔ）の記述子であって、番組要素のうち音声信号に関するパラメータを記述する記述子である音声コンポーネント記述子に配置され、
   前記分離部は、前記音声コンポーネント記述子を取得し、
   前記制御部は、前記音声コンポーネント記述子に配置された前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択する
   請求項１に記載の放送システム。
3. 前記放送は、ＭＰＥＧ－Ｈオーディオの音声コンポーネントと、ＭＰＥＧ－４オーディオの音声コンポーネントと、を含み、
   前記復号化部は、ＭＰＥＧ－Ｈオーディオの音声コンポーネントの音声データを復号化する第１復号化部と、ＭＰＥＧ－４オーディオの音声コンポーネントの音声データを復号化する第２復号化部と、を備え、
   前記分離部は、ＭＰＥＧ－ＨオーディオとＭＰＥＧ－４オーディオを分離し、
   前記制御部は、前記音声コンポーネント記述子に配置された前記識別情報に基づいて、ＭＰＥＧ－Ｈオーディオを再生可能であると判定した場合に、ＭＰＥＧ－ＨオーディオとＭＰＥＧ－４オーディオのいずれかの音声コンポーネントを選択し、
   前記復号化部は、選択されたＭＰＥＧ－Ｈオーディオ又はＭＰＥＧ－４オーディオのいずれかの音声コンポーネントの音声データを復号化する
   請求項２に記載の放送システム。
4. 前記放送は、ＭＰＥＧ－Ｈオーディオの音声コンポーネントと、ＭＰＥＧ－４オーディオの音声コンポーネントと、を含み、
   前記復号化部は、ＭＰＥＧ－４オーディオの音声コンポーネントの音声データを復号化し、
   前記分離部は、ＭＰＥＧ－ＨオーディオとＭＰＥＧ－４オーディオを分離し、
   前記制御部は、前記音声コンポーネント記述子に配置された前記識別情報に基づいて、ＭＰＥＧ－Ｈオーディオを再生可能ではないと判定した場合に、ＭＰＥＧ－４オーディオの音声コンポーネントを選択し、
   前記復号化部は、選択されたＭＰＥＧ－４オーディオの音声コンポーネントの音声データを復号化する
   請求項２に記載の放送システム。
5. 前記音声コンポーネントの各々は、コンポーネント識別子で識別され、
   前記ＭＰＥＧ－４オーディオは、１又は複数の音声コンポーネントから構成され、
   前記分離部は、コンポーネント識別子の順序に従って、ＭＰＥＧ－Ｈオーディオの音声コンポーネントと、ＭＰＥＧ－４オーディオの音声コンポーネントと、の構成情報を読み込み、前記構成情報から前記識別情報を取得する
   請求項３又は請求項４に記載の放送システム。
6. 前記音声コンポーネント記述子には、前記識別情報と、ＭＰＥＧ－Ｈオーディオの処理能力を表すレベル或いは機能の集合を表すプロファイルと、が配置され、
   前記制御部は、前記レベル又は前記プロファイルに基づいて、受信機の能力に応じた音声コンポーネントを選択する
   請求項２に記載の放送システム。
7. 前記放送には、ＭＭＴ（ＭＰＥＧ Ｍｅｄｉａ Ｔｒａｎｓｐｏｒｔ）の記述子であって、番組要素のうち音声信号に関するパラメータを記述する記述子である音声コンポーネント記述子と、前記ＭＰＥＧ－Ｈオーディオに関するパラメータを記述する記述であるＭＰＥＧ－Ｈオーディオ記述子が含まれ、
   前記識別情報は、前記ＭＰＥＧ－Ｈオーディオ記述子に配置され、
   前記分離部は、前記音声コンポーネント記述子と前記ＭＰＥＧ－Ｈオーディオ記述子を取得し、
   前記制御部は、前記ＭＰＥＧ－Ｈオーディオ記述子に配置された前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択する
   請求項１に記載の放送システム。
8. ＭＰＥＧ－Ｈオーディオを音声コンポーネントに含む放送を受信する受信部と、
   前記放送の放送波から、ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報を、多重化レイヤーで取得する分離部と、
   前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択する制御部と、
   選択された音声コンポーネントの音声データを復号化する復号化部と、
   を備える、受信機。
9. 受信機における受信方法であって、
   ＭＰＥＧ－Ｈオーディオを音声コンポーネントに含む放送を受信し、
   前記放送の放送波から、ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報を、多重化レイヤーで取得し、
   前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択し、
   選択された音声コンポーネントの音声データを復号化する
   受信方法。
10. ＭＰＥＧ－Ｈオーディオを音声コンポーネントに含む放送を受信する受信部と、
    前記放送の放送波から、ＭＰＥＧ－Ｈオーディオが存在するか否かを示す識別情報を、多重化レイヤーで取得する取得部と、
    を備える受信機のコンピュータに、
    前記識別情報に基づいて、受信機の能力に応じた音声コンポーネントを選択する選択手順を実行させ、
    選択された音声コンポーネントの音声データを復号化させる、
    を実行させるためのプログラム。

Images