JP4044916B2

JP4044916B2 - 音声入力装置

Info

Publication number: JP4044916B2
Application number: JP2004180841A
Authority: JP
Inventors: 直樹関根
Original assignee: Toshiba TEC Corp
Current assignee: Toshiba TEC Corp
Priority date: 2004-06-18
Filing date: 2004-06-18
Publication date: 2008-02-06
Anticipated expiration: 2024-06-18
Also published as: JP2006003697A

Description

本発明は、音声入力装置に関する。

図３は、従来の物流センターにおける仕分け作業を簡略的に示す説明図である。図３に示すように、物流センターに設けられた平行な各ラインａ，ｂ，ｃからは、物流センターに入荷された品物Ｘが流れてくる。各ラインａ，ｂ，ｃの後方には仕分け担当者Ａ，Ｂ，Ｃがそれぞれ配されており、仕分け担当者Ａ，Ｂ，Ｃが入荷された品物Ｘの個数の確認及び仕分けを行う仕組みになっている。そして、仕分け担当者Ａ，Ｂ，Ｃは、音声を発声しながら入荷された品物Ｘの個数の確認を行う。このようにして仕分け担当者Ａ，Ｂ，Ｃが発生した音声は、音声認識処理されて各種の処理に供される。図３に示す例によれば、仕分け担当者Ａ，Ｂ，Ｃは、各ラインａ，ｂ，ｃに直交する方向に一列に並んでおり、仕分け担当者Ａ，Ｂ，Ｃがそれぞれ発声する音声の方向も各ラインａ，ｂ，ｃに直交する方向となる。

このような仕分け担当者Ａ，Ｂ，Ｃからの発声を拾う手法としては、複数のマイクを利用した手法が提案されている（例えば、特許文献１参照）。より具体的には、特許文献１は、各マイクロフォンに入力される音声の位相差を元に、特定方向の発声のみを取得する手法である。なお、図３においては、各仕分け担当者に対し、２つのマイクロフォンが設けられている。これらの２つのマイクロフォンは、仕分け担当者の口が向いている方向（以降、発声方向と表記する）に対して線対称に設けられている。例えば、仕分け担当者Ａに対してはマイクロフォンＡ１，Ａ２が設けられており、マイクロフォンＡ１及びマイクロフォンＡ２は仕分け担当者Ａから等距離に配置されている。この場合、仕分け担当者Ａの発声は、マイクロフォンＡ１及びマイクロフォンＡ２に同時に到達することになる。すなわち、各仕分け担当者に対して２つのマイクロフォンを設けた場合には、仕分け担当者Ａの発声以外の音についてはマイクロフォンＡ１及びマイクロフォンＡ２に同時に到達することがないことから、仕分け担当者Ａの発声以外の音を除去することができるようになっている。

特開２００３−６１１８１公報

ところで、図３に示すように各仕分け担当者に対して２つのマイクロフォンを設けた場合、仕分け担当者Ａ，Ｂ，Ｃは、各ラインａ，ｂ，ｃに直交する方向に一列に並んでいることから、仕分け担当者Ｂに対して設けられているマイクロフォンＢ１，Ｂ２も仕分け担当者Ａから等距離に配置されていることになる。そのため、仕分け担当者Ａの発声は、マイクロフォンＢ１及びマイクロフォンＢ２にも同時に到達することになる。したがって、各ラインａ，ｂ，ｃに直交する方向に仕分け担当者Ａ，Ｂ，Ｃが一列に並ぶような状態で、平行な各ラインに配される各仕分け担当者の発声方向に対して線対称に２つのマイクロフォンを設けるようにした場合、発声方向と同方向（指向性方向の垂面）の音を除去することができず、誤認識が引き起こされてしまうという問題がある。

本発明は、仕分け担当者が各ラインに直交する方向に一列に並んでいる場合において、対応する仕分け担当者以外の仕分け担当者からの音声を雑音として排除することができ、対応する仕分け担当者の発声についての音声強調や雑音低減の効果が期待できる音声入力装置を提供することを目的とする。

本発明は、音源の周りに並べられ、かつ、音源から同一距離だけ離間した位置に設けられた３つのマイクロフォンで構成されているマイクロフォン群と、このマイクロフォン群を構成する前記各マイクロフォンにおける周波数帯域毎のパワースペクトルを算出する手段と、前記各マイクロフォンにおける周波数帯域毎のパワースペクトルの最大値及びパワースペクトルの最小値をそれぞれ求める手段と、前記パワースペクトルの最大値に対する前記パワースペクトルの最小値の比率を、音源の周りに並べられた前記３つのマイクロフォンの中で２つのマイクロフォン間に設けられた前記マイクロフォンにおける周波数帯域毎の前記パワースペクトルに乗算する手段と、を備える。

本発明によれば、仕分け担当者が各ラインに直交する方向に一列に並んでいる場合において、対応する仕分け担当者以外の仕分け担当者からの音声を雑音として排除することができ、対応する仕分け担当者の発声についての音声強調や雑音低減の効果が期待できる。

本発明の実施の一形態を図１および図２に基づいて説明する。本実施の形態の音声入力装置は、物流センターでの仕分け作業において用いられる音声入力装置に適用した例である。

図１は、物流センターにおける仕分け作業を簡略的に示す説明図である。図１に示すように、物流センターに設けられた平行な各ラインａ，ｂ，ｃからは、物流センターに入荷された品物Ｘが流れてくる。各ラインａ，ｂ，ｃの後方には仕分け担当者Ａ，Ｂ，Ｃがそれぞれ配されており、仕分け担当者Ａ，Ｂ，Ｃが入荷された品物Ｘの個数の確認及び仕分けを行う仕組みになっている。そして、仕分け担当者Ａ，Ｂ，Ｃは、音声を発声しながら入荷された品物Ｘの個数の確認を行う。このような仕分け担当者Ａ，Ｂ，Ｃからの発声は、マイクロフォンによって拾われて音声認識処理を施されることになる。図１に示す例によれば、仕分け担当者Ａ，Ｂ，Ｃは、各ラインａ，ｂ，ｃに直交する方向に一列に並んでおり、仕分け担当者Ａ，Ｂ，Ｃがそれぞれ発声する音声の方向も各ラインａ，ｂ，ｃに直交する方向となる。

図１に示すように、本実施の形態の音声入力装置は、３つのマイクロフォンで構成されるマイクロフォン群１００と音声処理部１０とにより構成されている。このような音声入力装置は、仕分け担当者毎に設けられている。これら３つのマイクロフォンは、音源である各仕分け担当者の位置の周りに並べられ、かつ、３つのマイクロフォンはそれぞれ、仕分け担当者の位置から同一距離だけ離間した位置に設けられる。例えば、仕分け担当者Ａに対しては、各仕分け担当者の位置を中心とした同一円周上にマイクロフォンＡ１，Ａ２，Ａ３が並べられ、マイクロフォンＡ１とＡ３は、仕分け担当者の発声方向（換言すれば、音源からの音の発生方向）に対して線対称に、マイクロフォンＡ２は、音源である仕分け担当者の発声方向の正面に設けられる。同様に、仕分け担当者Ｂに対しては、仕分け担当者Ｂの位置を中心とした同一円周上にマイクロフォンＢ１，Ｂ２，Ｂ３が並べられ、マイクロフォンＢ１とＢ３は、仕分け担当者の発声方向に対して線対称に、マイクロフォンＡ２は、音源である仕分け担当者の発声方向の正面に設けられる。同様に、担当者Ｃに対しては、３つのマイクロフォンＣ１，Ｃ２，Ｃ３が並べて設けられる。このような音声入力装置においては、仕分け担当者Ａの発声は、仕分け担当者の位置からマイクロフォンＡ１，Ａ２，Ａ３に同時刻に到達する。一方、仕分け担当者ＡとマイクロフォンＢ１（Ｂ２）間の距離と、仕分け担当者ＡとマイクロフォンＢ３間の距離とは異なるため、マイクロフォンＢ１，Ｂ２，Ｂ３に到達する仕分け担当者Ａの音声は、同時刻にはならない。

また、図１に示すように、各仕分け担当者に対して設けられている３つのマイクロフォンには、各マイクロフォンに入力された音声に対する処理を実行する音声処理部１０が接続されている。次に、音声処理部１０における処理の流れについて説明する。ここでは、仕分け担当者Ａに対して設けられているマイクロフォンＡ１，Ａ２，Ａ３に入力された音声を例に図２を参照して説明する。図２に示すように、音声処理部１０は、Ａ／Ｄ変換部１１、フレーム切出部１２、時間−周波数変換部１３、帯域分割部１４、パワースペクトル比較部１５により構成されている。なお、Ａ／Ｄ変換部１１、フレーム切出部１２、時間−周波数変換部１３、帯域分割部１４は、各マイクロフォンＡ１，Ａ２，Ａ３毎に設けられている。このような構成の音声処理部１０は、各マイクロフォンＡ１，Ａ２，Ａ３に入力された音声をそれぞれＡ／Ｄ変換部１１にてデジタル信号に変換する。さらに、音声処理部１０は、デジタル信号に変換された音声をフレーム切出部１２でフレーム化した後、時間−周波数変換部１３によりフーリエ変換する。その後、音声処理部１０は、帯域分割部１４により周波数帯域毎にパワースペクトルを算出する。ここでは、簡単のために、４つの周波数帯域に分割したと仮定する。４つの周波数帯域に分割した場合、マイクロフォンＡ１に連設されている帯域分割部１４から出力される信号をｐｗ11〜ｐｗ14、マイクロフォンＡ２に連設されている帯域分割部１４から出力される信号をｐｗ21〜ｐｗ24、マイクロフォンＡ３に連設されている帯域分割部１４から出力される信号をｐｗ31〜ｐｗ34とする。このようなパワースペクトルの対数の逆フーリエ変換したものがケプストラム（cepstrum）であり、音声認識に用いる特徴量となる。

以上のようにして出力された信号（ｐｗ11〜ｐｗ14，ｐｗ21〜ｐｗ24，ｐｗ31〜ｐｗ34）は、パワースペクトル比較部１５に入力される。

パワースペクトル比較部１５においては、以下の量を定義する。

μ１＝ｍｉｎ［ｐｗ11,ｐｗ21,ｐｗ31］／ｍａｘ［ｐｗ11,ｐｗ21,ｐｗ31］
μ２＝ｍｉｎ［ｐｗ12,ｐｗ22,ｐｗ32］／ｍａｘ［ｐｗ12,ｐｗ22,ｐｗ32］
μ３＝ｍｉｎ［ｐｗ13,ｐｗ23,ｐｗ33］／ｍａｘ［ｐｗ13,ｐｗ23,ｐｗ33］
μ４＝ｍｉｎ［ｐｗ14,ｐｗ24,ｐｗ34］／ｍａｘ［ｐｗ14,ｐｗ24,ｐｗ34］
なお、ｍｉｎは、［＊］の値を比較し、最小値を取り出すものである。ｍａｘは、［＊］の値を比較し、最大値を取り出すものである。このようにして定義されたμ（μ１〜μ４）は、分割された周波数帯域毎で、各マイクロフォンＡ１，Ａ２，Ａ３からの入力音のパワースペクトルを比較する値である。分割された周波数帯域において、各マイクロフォンＡ１，Ａ２，Ａ３のパワースペクトルの差が小さければμは１に近く、パワースペクトルの差が大きければμは０に近い値をとる。

次いで、定義されたμ（μ１〜μ４）を、音源の周りに並べて設けられた３つのマイクロフォンの中で２つのマイクロフォンの間に設けられたマイクロフォンＡ３に連設されている帯域分割部１４から出力される信号のパワースペクトルに乗算する。

ｐｗ１＝ｐｗ31＊μ１
ｐｗ２＝ｐｗ32＊μ２
ｐｗ３＝ｐｗ33＊μ３
ｐｗ４＝ｐｗ34＊μ４
μ（μ１〜μ４）の値が１に近ければ、すなわち、各マイクロフォンＡ１，Ａ２，Ａ３間のパワースペクトルの差が小さければ、マイクロフォンＡ３のパワースペクトルの値は保たれる。一方、μ（μ１〜μ４）の値が０に近ければ、すなわち、各マイクロフォンＡ１，Ａ２，Ａ３間のパワースペクトルの差が大きければ、マイクロフォンＡ３のパワースペクトルの値は減少することになる。

例えば、仕分け担当者Ａの発声がマイクロフォンＡ１，Ａ２，Ａ３経由で音声処理部１０に入力された場合、仕分け担当者Ａを中心とした同一円周上にマイクロフォンＡ１，Ａ２，Ａ３が存在するため、マイクロフォンＡ１，Ａ２，Ａ３間のパワースペクトルの差は小さくなる。したがって、μの値は１に近く、マイクロフォンＡ３の変更後のパワースペクトルの値（ｐｗ１，ｐｗ２，ｐｗ３，ｐｗ４）は、変更前のパワースペクトルの値（ｐｗ31，ｐｗ32，ｐｗ33，ｐｗ34）を保つ。つまり、仕分け担当者Ａの発声は、マイクロフォンＡ１，Ａ２，Ａ３経由では抑圧されない。一方、仕分け担当者Ａの発声がマイクロフォンＢ１，Ｂ２，Ｂ３経由で音声処理部１０に入力された場合、仕分け担当者ＡとマイクロフォンＢ１（Ｂ２）間の距離と、仕分け担当者ＡとマイクロフォンＢ３間の距離とは異なるため、マイクロフォンＢ１（Ｂ２）に対してマイクロフォンＢ３のパワースペクトルの差が大きくなる。したがって、μの値は０に近く、マイクロフォンＢ３の変更後のパワースペクトルの値（ｐｗ１，ｐｗ２，ｐｗ３，ｐｗ４）は、変更前のパワースペクトルの値（ｐｗ31，ｐｗ32，ｐｗ33，ｐｗ34）よりも小さくなる。つまり、仕分け担当者Ａの発声は、マイクロフォンＢ１，Ｂ２，Ｂ３経由では抑圧されることになる。すなわち、仕分け担当者Ａ，Ｂ，Ｃが各ラインａ，ｂ，ｃに直交する方向に一列に並んでいる場合において、仕分け担当者Ｂを中心とした同一円周上に配置された３本のマイクロフォン（Ｂ１，Ｂ２，Ｂ３）に対応する仕分け担当者Ｂ以外の仕分け担当者（例えば、仕分け担当者Ａ）からの音声が入力された場合には、仕分け担当者Ｂ以外の仕分け担当者（例えば、仕分け担当者Ａ）の発声はマイクロフォンＢ１，Ｂ２，Ｂ３経由では抑圧されることになり、対応する仕分け担当者Ｂ以外の仕分け担当者（例えば、仕分け担当者Ａ）からの音声を雑音として排除することができるので、仕分け担当者Ｂの発声についてのマイクロフォンＢ１，Ｂ２，Ｂ３における音声強調やマイクロフォンＢ１，Ｂ２，Ｂ３における雑音低減の効果が期待できる。

そして、図２に示すように、音声処理部１０で処理された音声のパワースペクトルの値（ｐｗ１，ｐｗ２，ｐｗ３，ｐｗ４）は、音声認識処理部２０に出力され、ケプストラム（cepstrum）に変換されて音声認識処理に供される。音声認識処理部２０における音声認識処理においては、マイクロフォン群１００における音声強調やマイクロフォン群１００における雑音低減の効果により、認識率の向上が期待できる。

このように本実施の形態によれば、音源の周りに並べられ、かつ、音源から同一距離だけ離間した位置に設けられている３つのマイクロフォンから構成されているマイクロフォン群１００を備え、マイクロフォン群１００を構成する各マイクロフォンにおける周波数帯域毎のパワースペクトルを算出し、各マイクロフォンにおける周波数帯域毎のパワースペクトルの最大値及びパワースペクトルの最小値をそれぞれ求め、パワースペクトルの最大値に対するパワースペクトルの最小値の比率を、音源の周りに並べられた前記３つのマイクロフォンの中で２つのマイクロフォン間に設けられたマイクロフォンにおける周波数帯域毎のパワースペクトルに乗算するようにした。これにより、仕分け担当者が各ラインに直交する方向に一列に並んでいる場合において、仕分け担当者（例えば、仕分け担当者Ｂ）を中心とした同一円周上に配置された３本のマイクロフォン（例えば、マイクロフォンＢ１，Ｂ２，Ｂ３）に対応する仕分け担当者Ｂ以外の仕分け担当者（例えば、仕分け担当者Ａ）からの音声が入力された場合には、仕分け担当者Ｂ以外の仕分け担当者（例えば、仕分け担当者Ａ）の発声はマイクロフォンＢ１，Ｂ２，Ｂ３経由では抑圧されることになり、対応する仕分け担当者Ｂ以外の仕分け担当者（例えば、仕分け担当者Ａ）からの音声を雑音として排除することができるので、仕分け担当者Ｂの発声についてのマイクロフォンＢ１，Ｂ２，Ｂ３における音声強調やマイクロフォンＢ１，Ｂ２，Ｂ３における雑音低減の効果が期待できる。また、音声認識処理部２０における音声認識処理においては、マイクロフォン群１００における音声強調やマイクロフォン群１００における雑音低減の効果により、認識率の向上が期待できる。

なお、ｗ（ｘ）＝（ｅｘｐ（ｘ）−１）／（ｅｘｐ（１）−１）であると定義し、マイクロフォンＡ３に連設されている帯域分割部１４から出力される信号のパワースペクトルについて、以下の式により変更を加えるようにしても良い。

ｐｗ１＝ｐｗ31＊ｗ（μ１）
ｐｗ２＝ｐｗ32＊ｗ（μ２）
ｐｗ３＝ｐｗ33＊ｗ（μ３）
ｐｗ４＝ｐｗ34＊ｗ（μ４）
ｗ（ｘ）は、指数増加関数である。その性質上、０≦μ≦１でμ≧ｗ（μ）であり、例えば仕分け担当者Ａの音声がマイクロフォンＢ１，Ｂ２，Ｂ３に到達した場合、より効率的な抑圧が行える重み付け関数となっている。

また、本実施の形態においては、物流センターに設けられた平行なラインａ，ｂ，ｃに配置される仕分け担当者Ａ，Ｂ，Ｃの音声をノイズ源とし、仕分け担当者Ａ（もしくはＢ，Ｃ）の周りに配置されているマイクロフォンＡ３（Ｂ３，Ｃ３）に連設されている帯域分割部１４から出力される信号のパワースペクトルについて変更を加えるようにしたが、これに限るものではない。例えば、マイクロフォンＡ１（Ｂ１，Ｃ１）の近傍にノイズ源がある場合には、マイクロフォンＡ１（Ｂ１，Ｃ１）に連設されている帯域分割部１４から出力される信号のパワースペクトルについて変更を加えるようにしても良い。

さらに、本実施の形態においては、マイクロフォン群１００を構成する各マイクロフォンを音源である仕分け担当者を中心とした同一円周上に配置するようにしたが、これに限るものではなく、マイクロフォン群１００を構成する各マイクロフォンを音源である仕分け担当者を中心とした同一球面上に配置するようにしても良い。

本発明における実施の一形態である物流センターにおける仕分け作業を簡略的に示す説明図である。音声処理部における処理の流れを示す機能ブロック図である。従来の物流センターにおける仕分け作業を簡略的に示す説明図である。

符号の説明

１００マイクロフォン群
Ａ１，Ａ２，Ａ３マイクロフォン
Ｂ１，Ｂ２，Ｂ３マイクロフォン
Ｃ１，Ｃ２，Ｃ３マイクロフォン

Claims

音源の周りに並べられ、かつ、音源から同一距離だけ離間した位置に設けられた３つのマイクロフォンで構成されているマイクロフォン群と、
このマイクロフォン群を構成する前記各マイクロフォンにおける周波数帯域毎のパワースペクトルを算出する手段と、
前記各マイクロフォンにおける周波数帯域毎のパワースペクトルの最大値及びパワースペクトルの最小値をそれぞれ求める手段と、
前記パワースペクトルの最大値に対する前記パワースペクトルの最小値の比率を、音源の周りに並べられた前記３つのマイクロフォンの中で２つのマイクロフォン間に設けられた前記マイクロフォンにおける周波数帯域毎の前記パワースペクトルに乗算する手段と、
を備えることを特徴とする音声入力装置。
音源の周りに並べられ、かつ、音源から同一距離だけ離間した位置に設けられた３つのマイクロフォンで構成されているマイクロフォン群と、
このマイクロフォン群を構成する前記各マイクロフォンにおける周波数帯域毎のパワースペクトルを算出する手段と、
前記各マイクロフォンにおける周波数帯域毎のパワースペクトルの最大値及びパワースペクトルの最小値をそれぞれ求める手段と、
前記パワースペクトルの最大値に対する前記パワースペクトルの最小値の比率を、前記マイクロフォン群を構成する前記各マイクロフォンの中でノイズ源に最も近い前記マイクロフォンにおける周波数帯域毎の前記パワースペクトルに乗算する手段と、
を備えることを特徴とする音声入力装置。
音源の周りに並べられ、かつ、音源から同一距離だけ離間した位置に設けられた３つのマイクロフォンで構成されているマイクロフォン群と、
このマイクロフォン群を構成する前記各マイクロフォンにおける周波数帯域毎のパワースペクトルを算出する手段と、
前記各マイクロフォンにおける周波数帯域毎のパワースペクトルの最大値及びパワースペクトルの最小値をそれぞれ求める手段と、
前記パワースペクトルの最大値に対する前記パワースペクトルの最小値の比率に応じた指数増加関数を、音源の周りに並べられた前記３つのマイクロフォンの中で２つのマイクロフォン間に設けられた前記マイクロフォンにおける周波数帯域毎の前記パワースペクトルに乗算する手段と、
を備えることを特徴とする音声入力装置。
音源の周りに並べられ、かつ、音源から同一距離だけ離間した位置に設けられた３つのマイクロフォンで構成されているマイクロフォン群と、
このマイクロフォン群を構成する前記各マイクロフォンにおける周波数帯域毎のパワースペクトルを算出する手段と、
前記各マイクロフォンにおける周波数帯域毎のパワースペクトルの最大値及びパワースペクトルの最小値をそれぞれ求める手段と、
前記パワースペクトルの最大値に対する前記パワースペクトルの最小値の比率に応じた指数増加関数を、前記マイクロフォン群を構成する前記各マイクロフォンの中でノイズ源に最も近い前記マイクロフォンにおける周波数帯域毎の前記パワースペクトルに乗算する手段と、
を備えることを特徴とする音声入力装置。
前記マイクロフォン群を構成する前記各マイクロフォンは、前記音源を中心とした同一円周上に配置されている、
ことを特徴とする請求項１ないし４のいずれか一記載の音声入力装置。
前記マイクロフォン群を構成する前記各マイクロフォンは、前記音源を中心とした同一球面上に配置されている、
ことを特徴とする請求項１ないし４のいずれか一記載の音声入力装置。