JP4113481B2 - 音声品質客観評価装置および音声品質客観評価方法 - Google Patents

Description

本発明は，音声品質の評価技術に関し，特に，人間が音声を聴いてその品質を評価する主観評価試験を行うことなく，音声信号の物理的特徴量の測定から主観品質を推定する音声品質客観評価装置および音声品質客観評価方法に関する。

従来の音声品質客観評価装置のブロック構成を図７に示す。図７において，２は音声品質が伝送によりどの程度劣化するかの評価対象となる評価対象系，４は音声品質客観評価装置である。音声品質客観評価装置４内において，４１は評価音源が保持されている音声データベース（ＤＢ），４２は評価対象系２において生じる歪量を測定する歪量測定部，４３は歪量測定部４２が測定した歪時系列を時間平均する平均処理部である。評価対象系２としては，例えば固定電話システム，携帯電話システム，ＩＰ電話システム等が対象となる。

従来の音声品質客観評価装置４では，評価音源が保持されている音声ＤＢ４１から評価対象系２への入力信号と評価対象系２からの出力信号（以下，劣化音声という）を用い，歪量測定部４２が音声品質客観評価アルゴリズム（例えば，ＩＴＵ−Ｔ勧告Ｐ．８６２に規定される音声品質客観評価法）に基づいて歪量の時系列を算出する。

ＩＴＵ−Ｔ勧告Ｐ．８６２に規定される音声品質客観評価法では，具体的には評価音源と，評価対象系２を通した劣化音声の周波数スペクトル分析を行い，これらの差分を求め，人間の聴覚特性に基づく重み付けをすることにより，知覚される歪量を定量化する。

この際，試験信号としては双方向通話における片方向音声信号のみを用いる。平均処理部４３によっで，歪量測定部４２の出力である歪時系列を時間平均することにより最終的な客観評価値を得る。

一般に，双方向通話（地点Ａと地点Ｂの通話）は，図２に示すように，
（１）：双方無音区間，
（２）−Ａ：地点Ａ単独発話区間，
（２）−Ｂ：地点Ｂ単独発話区間，
（３）：双方発話区間，
の４状態に分類される。

従来の方法では，例えば地点Ａに着目した場合，図７に示す平均処理部４３が，地点Ａ発話区間（つまり地点Ａ単独発話区間と双方発話区間）と，地点Ａ無音区間（つまり地点Ｂ単独発話区間と双方無音区間）とを区別し，両者の間で音声信号の歪量に対する重み付けを変えることにより，主観品質評価特性と整合した劣化の定量化を行っていた。

なお，図７に示す歪量測定部４２において用いる音声品質客観評価アルゴリズムについては，例えば下記の非特許文献１に記載されている。本アルゴリズムは，ＩＴＵ−Ｔ勧告Ｐ．８６２として採用されている。
Perceptual evaluation of speech quality (PESQ)-a new method for speech quality assessment of telephone networks and codecsRix,A.W.；Beerends,J.G.;Hollier,M.P.;Hekstra,A.P.;Acoustics,speech，and Signal Processing,2001.Proceedings. (ICASSP '01). 2001 IEEE International Conference on,Volume：2,7-11 May 2001 Page(s):749-752 vol.2 ．

しかし，実際には，地点Ａ発話区間においても地点Ａ単独発話区間と双方発話区間とでは，地点Ｂの話者が感じる地点Ａの話者の音声品質に対する感度は異なる。つまり，双方発話区間の場合，地点Ｂの話者が発話中であるため，地点Ａの話者の音声が歪んでいる場合でも，地点Ｂの話者自身の音声にマスクされ，地点Ａの話者の音声歪を知覚しにくくなり，結果として，同一の歪量であっても主観品質の劣化は地点Ａ単独発話区間に比べて軽減される。従来の方法では，この効果を考慮していないため，推定主観品質は実際の通話において地点Ｂの話者が感じる主観品質より厳しい評価となり，品質推定精度の点で問題があった。

本発明の目的は，品質を評価する側の話者の発話状態が品質評価に与える影響を考慮し，現実の通話における音声の主観品質を精度良く推定可能な音声品質客観評価装置および音声品質客観評価方法を提供することにある。

上記課題を解決するため，本発明は，地点Ａ，Ｂ間の通話において，地点Ａの音声品質を評価（つまり，地点Ｂの話者が感じる音声品質を評価）する際に，地点Ｂの話者の発話状態を考慮し，これに基づいて地点Ａの話者の音声歪量に重み付けすることを主要な特徴とする。

すなわち，本発明は，音声信号の主観品質（人間が信号を聴いたときに感じる品質）を，音声信号の物理的特徴量の測定結果から推定する音声品質客観評価装置において，双方発話区間の品質劣化量に対する重み付けを，単独発話区間に比べて軽減することを特徴とする。また，双方発話率がエンドエンドの伝送遅延時間に相関があることを考慮し，評価に用いる音声信号の双方発話率を評価対象系の伝送遅延時間から決定することを特徴とする。

従来法では，地点Ａの話者の音声信号を分析した結果のみに基づいて歪量を定量化し，主観品質を推定しており，この点が本発明との差異である。本発明では，地点Ｂの話者が感じる地点Ａの話者の音声品質を，地点Ｂの話者の発話状態を考慮して評価するため，これを考慮していない従来法に比べて精度の良い主観品質推定が可能となる。

本発明の音声品質客観評価装置によれば，音声品質を評価する側の話者の発話状態が品質評価に与える影響を考慮した音声品質の客観評価が可能となり，結果として，現実の通話における音声の主観品質を精度良く推定可能となる。また，特に評価に用いる音声信号の双方発話率を伝送遅延時間に応じて決定し，その双方発話率の音声信号を評価音源として用いることにより，さらに精度の良い主観品質の推定が可能となる。

本発明の第１の実施例のブロック構成を図１に示す。図１において，１は本発明に係る音声品質客観評価装置である。また，上述したように，評価対象系２としては，例えば，ＩＰ電話システム，固定電話システム，携帯電話システム等を想定する。

音声品質客観評価装置１は，地点Ａ，Ｂ双方の音声信号を保持する音声ＤＢ１１，音声ＤＢ１１から得られる地点Ａの音声信号とこれを評価対象系２に通して得られる劣化音声とを比較することにより劣化音声の歪量を時系列として定量化する歪量測定部１２，音声ＤＢ１１から得られる地点Ａの音声信号と地点Ｂの音声信号とを比較することにより双方発話区間を検出する双方発話区間検出部１３，および双方発話区間検出部１３から得られる情報に基づいて歪量測定部１２が出力する歪量時系列に重み付けを行う重み付け部１４を備える。

音声ＤＢ１１は，各地点の話者の音声信号を蓄えている。具体的な音声信号としてはＩＴＵ−Ｔ勧告Ｐ．５９擬似会話音声を用いることができる。この擬似音声信号は，図２に示すような２チャネルの音声信号から構成される。

図２は，双方向通話の特徴を説明する図である。地点Ａまたは地点Ｂにおける発話区間が斜線部に示される。図２において，（１）の区間は双方無音区間，（２）−Ａの区間は地点Ａ単独発話区間，（２）−Ｂの区間は地点Ｂ単独発話区間，（３）の区間は双方発話区間である。

歪量測定部１２における歪量の算出には，例えばＩＴＵ−Ｔ勧告Ｐ．８６２に規定されるアルゴリズムを適用する。双方発話区間検出部１３は，図２に示すような地点Ａ音声信号と地点Ｂ音声信号の２チャネル信号のパワーを比較することにより，双方発話区間を検出し，その情報を重み付け部１４に提供する。

重み付け部１４は，双方発話区間検出部１３から得た情報に基づいて，地点Ａ発話区間のうち，地点Ａ単独発話区間（図２の（２）−Ａ）と双方発話区間（図２の（３））とを区別して歪量測定部１２の出力である歪量時系列を重み付け平均する。

評価に用いる地点Ａ単独発話区間集合をΩｓ，双方発話区間集合をΩｄ，双方無音区間集合をΩｅ，歪量時系列をＤ（ｔ）（ｔ：時間）とした時に，例えば，客観評価値Ｙを以下のように決定する。

具体的な重み係数αは，主観評価実験により得られる主観評価値（学習データ）と上記客観評価値Ｙの相関が最も高くなるように予め最適化する。

図３は，本発明の第１の実施例に係る音声品質客観評価処理フローの一例を示す図である。まず，歪量測定部１２が，音声ＤＢ１１から得られる地点Ａの音声信号とこれを評価対象系２に通して得られる劣化音声とを比較することにより劣化音声の歪量を時系列として定量化する（ステップＳ１）。

双方発話区間検出部１３が，音声ＤＢ１１から得られる地点Ａの音声信号と地点Ｂの音声信号とを比較することにより双方発話区間を検出する（ステップＳ２）。そして，重み付け部１４が，双方発話区間検出部１３から得られる情報に基づいて歪量測定部１２が出力する歪量時系列を，上記式に従って重み付け平均し，客観評価値Ｙを算出する（ステップＳ３）。

本発明の第２の実施例のブロック構成を図４に示す。音声品質客観評価装置３は，地点Ａ，Ｂ間における評価対象系２の伝送遅延時間の測定に用いる試験信号を保持する試験信号データベース（ＤＢ）３１，地点Ａから試験信号を送信した時刻と地点Ｂでこれを受信した時刻とを比較することにより伝送遅延時間を測定する遅延時間測定部３２，伝送遅延時間と双方発話率との対応情報を保持する双方発話率テーブル３４，遅延時間測定部３２の出力である伝送遅延時間から双方発話率テーブル３４を参照することにより双方発話率を決定する双方発話率決定部３３，この双方発話率を実現する２チャネルの音声信号を生成する音声信号生成部３５，地点Ａの音声信号とこれを評価対象系に通して得られる劣化音声とを比較することにより劣化音声の歪量を時系列として定量化する歪量測定部３６，音声信号生成部３５から得られる地点Ａの音声信号と地点Ｂの音声信号とを比較することにより双方発話区間を検出する双方発話区間検出部３７，および双方発話区間検出部３７から得られる情報に基づいて歪量測定部３６が出力する歪量時系列に重み付けを行う重み付け部３８を備える。

第１の実施例では，双方発話率が一定であることを前提として，これを実現する音声信号を予め図１中に示す音声ＤＢ１１に蓄えておく方法を用いた。しかし，一般に地点Ａ，Ｂ間の伝送遅延時間が長くなるほど会話がしにくくなり，会話の衝突が起きやすくなるという性質がある。つまり，伝送遅延時間が長くなるほど双方発話率が高くなる。

そこで本実施例では，予め伝送遅延時間と双方発話率の関係をテーブル（双方発話率テーブル３４）として用意し，伝送遅延時間を測定した結果に基づいて，適切な双方発話率を決定している。

図５は，双方発話率テーブル３４のデータ構成例を示す図である。双方発話率テーブル３４には，例えば図５に示すように，伝送の遅延時間（ｍｓｅｃ）と双方発話率（％）との対応情報が格納されている。この双方発話率テーブル３４は，伝送遅延時間をパラメータとした会話実験を行い，このときの会話音声の双方発話率を分析することにより，両者の対応関係を調べ，結果をテーブル化することによって作成することができる。

双方発話率決定部３３によって決定された双方発話率を実現する音声信号を得るために，音声信号生成部３５では，例えばＩＴＵ−Ｔ勧告Ｐ．５９に準拠したアルゴリズムに従って擬似的な２チャネル音声信号を生成する。この音声信号の生成では，話者Ａ単独発話，話者Ｂ単独発話，双方発話，双方無音の４つの状態間の状態遷移確率を，上記双方発話率を満たすように定め，各状態に対応する擬似音声信号を，ＩＴＵ−Ｔ勧告Ｐ．５０に定められる生成法を用いて，長時間平均スペクトル，瞬時振幅分布，ピッチ周波数等の音声特徴量が平均的な特性となるように信号を生成する。

音声信号生成部３５を備える代わりに，様々な双方発話率を有する２チャネル音声信号を音声データベースとして予め用意しておき，適切な双方発話率の音声信号を選択して用いることも可能である。

以後の動作は第１の実施例に準ずる。すなわち，双方発話区間検出部３７が，音声信号生成部３５から得られる地点Ａ音声信号と地点Ｂの音声信号とを比較することにより双方発話区間を検出し，重み付け部３８が，双方発話区間検出部３７から得られる情報に基づいて歪量測定部３６が出力する歪量時系列に重み付けを行う。

図６は，本発明の第２の実施例に係る音声品質客観評価処理フローの一例を示す図である。まず，遅延時間測定部３２が，地点Ａから試験信号を送信した時刻と地点Ｂでこれを受信した時刻とを比較することにより伝送遅延時間を測定する（ステップＳ１１）。

双方発話率決定部３３が，測定された伝送遅延時間から双方発話率テーブル３４を参照することにより双方発話率を決定する（ステップＳ１２）。その結果をもとに，音声信号生成部３５が，決定された双方発話率を実現する２チャネルの音声信号（地点Ａの音声信号と地点Ｂの音声信号）を生成する（ステップＳ１３）。

歪量測定部３６が，地点Ａの音声信号とこれを評価対象系に通して得られる劣化音声とを比較することにより劣化音声の歪量を時系列として定量化する（ステップＳ１４）。双方発話区間検出部３７が，音声信号生成部３５から得られる地点Ａの音声信号と地点Ｂの音声信号とを比較することにより双方発話区間を検出する（ステップＳ１５）。重み付け部３８が，双方発話区間検出部３７から得られる情報に基づいて歪量測定部３６が出力する歪量時系列を，前述した式に従って重み付け平均し，客観評価値Ｙを算出する（ステップＳ１６）。

本発明の第１の実施例のブロック構成を示す図である。 双方向通話の特徴を説明する図である。 音声品質客観評価処理フローの一例を示す図である。 本発明の第２の実施例のブロック構成を示す図である。 双方発話率テーブルのデータ構成例を示す図である。 音声品質客観評価処理フローの一例を示す図である。 従来の音声品質客観品質評価装置のブロック構成を示す図である。

符号の説明

１，３，４ 音声品質客観評価装置
２ 評価対象系
１１，４１ 音声データベース（ＤＢ）
１２，３６，４２ 歪量測定部
１３，３７ 双方発話区間検出部
１４，３８ 重み付け部
３１ 試験信号データベース（ＤＢ）
３２ 遅延時間測定部
３３ 双方発話率決定部
３４ 双方発話率テーブル
３５ 音声信号生成部
４３ 平均処理部

Claims (4)

1. 第１地点から第２地点までの評価対象系を通した音声信号の物理的特徴量の測定結果から音声品質を客観評価する音声品質客観評価装置であって，
   第１地点の音声信号とこれを評価対象系に通して得られる劣化音声とを比較することにより劣化音声の歪量を測定し，歪量時系列として定量化する歪量測定手段と，
   第１地点の音声信号と第２地点の音声信号とを比較することにより双方発話区間を検出する双方発話区間検出手段と，
   前記検出された双方発話区間の歪量に対する重みを，単独発話区間に比べて軽減した重み付け値を用いて，前記歪量測定手段が出力する歪量時系列の重み付け平均を算出する重み付け手段とを備える
   ことを特徴とする音声品質客観評価装置。
2. 第１地点から第２地点までの評価対象系を通した音声信号の物理的特徴量の測定結果から音声品質を客観評価する音声品質客観評価装置であって，
   前記第１地点から第２地点までの評価対象系の伝送遅延時間を測定する遅延時間測定手段と，
   前記測定された伝送遅延時間に基づいて，予め定められた伝送遅延時間と通話における双方発話率との対応情報から双方発話率を決定する双方発話率決定手段と，
   前記決定された双方発話率を実現する音声信号を評価音源として生成または予め用意された音声データベースから選択する音声信号生成／選択手段と，
   前記評価音源の第１地点の音声信号とこれを評価対象系に通して得られる劣化音声とを比較することにより劣化音声の歪量を測定し，歪量時系列として定量化する歪量測定手段と，
   前記評価音源の第１地点の音声信号と第２地点の音声信号とを比較することにより双方発話区間を検出する双方発話区間検出手段と，
   前記検出された双方発話区間の歪量に対する重みを，単独発話区間に比べて軽減した重み付け値を用いて，前記歪量測定手段が出力する歪量時系列の重み付け平均を算出する重み付け手段とを備える
   ことを特徴とする音声品質客観評価装置。
3. 第１地点から第２地点までの評価対象系を通した音声信号の物理的特徴量の測定結果から音声品質を客観評価する音声品質客観評価方法であって，
   第１地点の音声信号とこれを評価対象系に通して得られる劣化音声とを比較することにより劣化音声の歪量を測定し，歪量時系列として定量化する歪量測定ステップと，
   第１地点の音声信号と第２地点の音声信号とを比較することにより双方発話区間を検出する双方発話区間検出ステップと，
   前記検出された双方発話区間の歪量に対する重みを，単独発話区間に比べて軽減した重み付け値を用いて，前記歪量時系列の重み付け平均を算出する重み付けステップとを有する
   ことを特徴とする音声品質客観評価方法。
4. 第１地点から第２地点までの評価対象系を通した音声信号の物理的特徴量の測定結果から音声品質を客観評価する音声品質客観評価方法であって，
   前記第１地点から第２地点までの評価対象系の伝送遅延時間を測定する遅延時間測定ステップと，
   前記測定された伝送遅延時間に基づいて，予め定められた伝送遅延時間と通話における双方発話率との対応情報から双方発話率を決定する双方発話率決定ステップと，
   前記決定された双方発話率を実現する音声信号を評価音源として生成または予め用意された音声データベースから選択する音声信号生成／選択ステップと，
   前記評価音源の第１地点の音声信号とこれを評価対象系に通して得られる劣化音声とを比較することにより劣化音声の歪量を測定し，歪量時系列として定量化する歪量測定ステップと，
   前記評価音源の第１地点の音声信号と第２地点の音声信号とを比較することにより双方発話区間を検出する双方発話区間検出ステップと，
   前記検出された双方発話区間の歪量に対する重みを，単独発話区間に比べて軽減した重み付け値を用いて，前記歪量時系列の重み付け平均を算出する重み付けステップとを有する
   ことを特徴とする音声品質客観評価方法。

Images