JP4352875B2

JP4352875B2 - 音声区間検出器

Info

Publication number: JP4352875B2
Application number: JP2003394669A
Authority: JP
Inventors: 実福島; 靖久井平; 博昭竹山; 武正庄司
Original assignee: Panasonic Corp; Matsushita Electric Works Ltd
Current assignee: Panasonic Corp; Panasonic Electric Works Co Ltd
Priority date: 2003-11-25
Filing date: 2003-11-25
Publication date: 2009-10-28
Anticipated expiration: 2023-11-25
Also published as: JP2005156887A

Description

本発明は、住宅、事務所、工場等で用いられる拡声通話装置（インターホン、電話機、ＰＨＳなど）における通話回路に騒音除去機能や音声切換機能等を搭載するために必要となる音声区間検出器に関するものである。

一般に音声区間検出器は、マイクロホンにより集音された音響信号が音声又は非音声の何れであるかを検出するために用いられる（特許文献１参照）。このような音声区間検出器の典型的な構成例を図１３に示す。この音声区間検出器は、瞬時パワー推定部１、背景騒音パワー推定部２並びに判定部３を備える。瞬時パワー推定部１は、立ち上がりが急峻であり且つ立ち下がりが緩やかな特性、すなわち、立ち上がり時定数が相対的に小さく且つ立ち下がり時定数が相対的に大きい応答特性を有するフィルタ（積分回路又はデジタルフィルタ等）により実現され、参照信号（マイクロホンにより集音される音響信号）ｘの短時間平均パワーを推定するものである。また背景騒音パワー推定部２は、立ち上がりが緩やかであり且つ立ち下がりが急峻な特性、すなわち、立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタ（積分回路又はデジタルフィルタ等）により実現され、参照信号ｘ中に定常的に存在する暗騒音（背景騒音）レベルを推定するものである。さらに判定部３は、瞬時パワー推定部１により求められる瞬時パワー推定値Ｐｓと、背景騒音パワー推定部２により求められる背景騒音パワー推定値Ｐｎの比（Ｐｓ／Ｐｎ）を所定のしきい値と比較することにより、参照信号ｘが音声か非音声かを判定（検出）してＨ又はＬの２値信号（音声検出信号）ＳＤＦを出力する。
特開２０００−３０５５７９号公報

上述のような音声区間検出器においては、参照信号ｘのパワーの時間的変動が少ない場合、すなわち参照信号ｘが定常騒音の場合には判定部３にて非音声（非検出状態）と成ることが期待される。ところが上記従来例では、参照信号ｘが定常騒音である場合、参照信号ｘの入力直後は瞬時パワー推定値Ｐｓの立ち上がりに対して背景騒音パワー推定値Ｐｎの立ち上がりが遅いことから両者の比Ｐｓ／Ｐｎの値が大きいために音声検出状態となり、背景騒音パワー推定値Ｐｎが徐々に増加して比Ｐｓ／Ｐｎがしきい値を下回って非検出状態に移行するまでの間は音声検出状態が継続することになる（図１４参照）。そして、参照信号ｘの騒音レベルが大きくなれば瞬時パワー推定値Ｐｓも大きくなるため、前記音声検出状態の継続時間（以下、「騒音判別時間」と呼ぶ）Ｔｎが騒音レベルに比例し、高レベルの騒音が参照信号ｘとして入力された場合に騒音判別時間Ｔｎが長くなるという問題が生じる。

ここで、拡声通話系の拡声通話端末に音声区間検出器を適用する場合、マイクロホン付近の周囲騒音（背景騒音）レベルが高い状況においては、動作を開始してから暫くの間は音声区間として検出してしまうことになる。その結果、例えば上述のような音声区間検出器を音声スイッチにおける通話状態の推定処理に用いる場合には、通話開始後暫くの間は通話方向が片倒れ状態になってしまうことがある。また、ノイズキャンセラに上述のような音声区間検出器を適用する場合においても、処理開始後暫くの間は音声区間として検出してしまうことにより、騒音抑圧処理が行われない虞がある。このように従来の音声区間検出器においては、騒音判別時間が騒音レベルに比例して長くなることにより、種々の適用事例において問題が生じることがあった。

本発明は上記事情に鑑みて為されたものであり、その目的は、参照信号のレベルによらずに騒音判別時間を一定にすることが可能な音声区間検出器を提供することにある。

請求項１の発明は、上記目的を達成するために、マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部を備え、前記時定数更新部は、前記瞬時パワー推定値が所定の基準値よりも小さいときに前記立ち上がり時定数を所定の定数とし、当該基準値より大きいときに前記立ち上がり時定数を適応的に更新することを特徴とする。

この発明によれば、前記瞬時パワー推定値と負の相関を持つように時定数更新部にて立ち上がり時定数を適応的に更新することにより、参照信号のレベルが大きくなれば立ち上がり時定数が小さくなり、且つ参照信号のレベルが小さくなれば立ち上がり時定数が大きくなるから、参照信号のレベルが変動しても判定部にて非音声と検出されてしまう騒音判別時間を一定にすることが可能となる。その結果、本発明に係る音声区間検出器を音声スイッチやノイズキャンセラに適用した場合、従来と比較して背景騒音のレベルが高い環境下における通話性能や応答性能の改善が図れる。しかも、低レベルの背景騒音が入力された場合の立ち上がり時定数が定数に固定されるから、定常的な背景騒音のレベルが低い場合の騒音判別時間を短縮することができる。

請求項２の発明は、上記目的を達成するために、マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部を備え、前記判定部は、所定の時間間隔を空けて算出された２つの瞬時パワー推定値の差分の絶対値を求め、該差分の絶対値と所定のしきい値の比較結果を参照して判定することを特徴とする。

この発明によれば、前記瞬時パワー推定値と負の相関を持つように時定数更新部にて立ち上がり時定数を適応的に更新することにより、参照信号のレベルが大きくなれば立ち上がり時定数が小さくなり、且つ参照信号のレベルが小さくなれば立ち上がり時定数が大きくなるから、参照信号のレベルが変動しても判定部にて非音声と検出されてしまう騒音判別時間を一定にすることが可能となる。その結果、本発明に係る音声区間検出器を音声スイッチやノイズキャンセラに適用した場合、従来と比較して背景騒音のレベルが高い環境下における通話性能や応答性能の改善が図れる。しかも、音声以外の非定常的な騒音のうちで瞬時パワーの時間的な変動が少ない騒音を非音声と判定することができて音声区間の誤検出が抑制できる。

請求項３の発明は、上記目的を達成するために、マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部と、前記背景騒音パワー推定値が収束したか否かを判定し、収束したと判定した場合に前記背景騒音パワー推定部における背景騒音パワー推定値の更新を停止する収束判定部とを備えたことを特徴とする。

この発明によれば、前記瞬時パワー推定値と負の相関を持つように時定数更新部にて立ち上がり時定数を適応的に更新することにより、参照信号のレベルが大きくなれば立ち上がり時定数が小さくなり、且つ参照信号のレベルが小さくなれば立ち上がり時定数が大きくなるから、参照信号のレベルが変動しても判定部にて非音声と検出されてしまう騒音判別時間を一定にすることが可能となる。その結果、本発明に係る音声区間検出器を音声スイッチやノイズキャンセラに適用した場合、従来と比較して背景騒音のレベルが高い環境下における通話性能や応答性能の改善が図れる。しかも、背景騒音のレベル変動が少ない環境で使用される場合、一旦収束した背景騒音パワー推定値の変動も少ないから、収束後の背景騒音パワー推定値の更新を停止し、瞬時パワー推定値のみを更新して音声区間が検出できて演算量の削減が図れる。

請求項４の発明は、上記目的を達成するために、マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値から参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部を備え、前記時定数更新部は、前記瞬時パワー推定値が所定の基準値よりも小さいときに前記立ち上がり時定数を所定の定数とし、当該基準値より大きいときに前記立ち上がり時定数を適応的に更新することを特徴とする。

この発明によれば、前記瞬時パワー推定値と負の相関を持つように時定数更新部にて立ち上がり時定数を適応的に更新することにより、参照信号のレベルが大きくなれば立ち上がり時定数が小さくなり、且つ参照信号のレベルが小さくなれば立ち上がり時定数が大きくなるから、参照信号のレベルが変動しても判定部にて非音声と検出されてしまう騒音判別時間を一定にすることが可能となる。その結果、本発明に係る音声区間検出器を音声スイッチやノイズキャンセラに適用した場合、従来と比較して背景騒音のレベルが高い環境下における通話性能や応答性能の改善が図れる。しかも、背景騒音パワー推定値が請求項１の発明に比較して相対的に大きい値に収束するから、騒音に対して誤って音声検出してしまうような誤検出の発生を抑えることができる。さらに、低レベルの背景騒音が入力された場合の立ち上がり時定数が定数に固定されるから、定常的な背景騒音のレベルが低い場合の騒音判別時間を短縮することができる。

請求項５の発明は、上記目的を達成するために、マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値から参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部を備え、前記判定部は、所定の時間間隔を空けて算出された２つの瞬時パワー推定値の差分の絶対値を求め、該差分の絶対値と所定のしきい値の比較結果を参照して判定することを特徴とする。

この発明によれば、前記瞬時パワー推定値と負の相関を持つように時定数更新部にて立ち上がり時定数を適応的に更新することにより、参照信号のレベルが大きくなれば立ち上がり時定数が小さくなり、且つ参照信号のレベルが小さくなれば立ち上がり時定数が大きくなるから、参照信号のレベルが変動しても判定部にて非音声と検出されてしまう騒音判別時間を一定にすることが可能となる。その結果、本発明に係る音声区間検出器を音声スイッチやノイズキャンセラに適用した場合、従来と比較して背景騒音のレベルが高い環境下における通話性能や応答性能の改善が図れる。しかも、背景騒音パワー推定値が請求項１の発明に比較して相対的に大きい値に収束するから、騒音に対して誤って音声検出してしまうような誤検出の発生を抑えることができる。さらに、音声以外の非定常的な騒音のうちで瞬時パワーの時間的な変動が少ない騒音を非音声と判定することができて音声区間の誤検出が抑制できる。

請求項６の発明は、上記目的を達成するために、マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値から参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部と、前記背景騒音パワー推定値が収束したか否かを判定し、収束したと判定した場合に前記背景騒音パワー推定部における背景騒音パワー推定値の更新を停止する収束判定部とを備えたことを特徴とする。

この発明によれば、前記瞬時パワー推定値と負の相関を持つように時定数更新部にて立ち上がり時定数を適応的に更新することにより、参照信号のレベルが大きくなれば立ち上がり時定数が小さくなり、且つ参照信号のレベルが小さくなれば立ち上がり時定数が大きくなるから、参照信号のレベルが変動しても判定部にて非音声と検出されてしまう騒音判別時間を一定にすることが可能となる。その結果、本発明に係る音声区間検出器を音声スイッチやノイズキャンセラに適用した場合、従来と比較して背景騒音のレベルが高い環境下における通話性能や応答性能の改善が図れる。しかも、背景騒音パワー推定値が請求項１の発明に比較して相対的に大きい値に収束するから、騒音に対して誤って音声検出してしまうような誤検出の発生を抑えることができる。さらに、背景騒音のレベル変動が少ない環境で使用される場合、一旦収束した背景騒音パワー推定値の変動も少ないから、収束後の背景騒音パワー推定値の更新を停止し、瞬時パワー推定値のみを更新して音声区間が検出できて演算量の削減が図れる。

本発明によれば、前記瞬時パワー推定値と負の相関を持つように時定数更新部にて立ち上がり時定数を適応的に更新することにより、参照信号のレベルが大きくなれば立ち上がり時定数が小さくなり、且つ参照信号のレベルが小さくなれば立ち上がり時定数が大きくなるから、参照信号のレベルが変動しても判定部にて非音声と検出されてしまう騒音判別時間を一定にすることが可能となり、その結果、本発明に係る音声区間検出器を音声スイッチやノイズキャンセラに適用した場合、従来と比較して背景騒音のレベルが高い環境下における通話性能や応答性能の改善が図れるという効果がある。

以下、本発明の実施形態を説明する前に、本実施形態と基本構成が共通である参考例について説明する。
（参考例１）
図１は本発明の参考例１における音声区間検出器ＶＤを有する拡声通話機Ａを示すブロック図である。この拡声通話機Ａは、マイクロホン１０、スピーカ１１、音声区間検出器ＶＤ並びに音声スイッチＶＳを備え、回線を通じて他の拡声通話機等と接続される。ここで音声スイッチＶＳは、スピーカ１１からマイクロホン１０への音響結合、及び回線側での回り込みにより形成される閉ループの利得を低減させることによりハウリングを抑圧するものであり、マイクロホン１０で集音する音響信号（送話信号）を回線へ伝送するための通話路上に挿入される送話側減衰器１２と、回線から受信した音響信号（受話信号）をスピーカ１１へ伝送するための通話路上に挿入される受話側減衰器１３と、音声区間検出器ＶＤによる音声の検出結果（音声を検出すればＳＤＦ＝１、音声を検出しなければＳＤＦ＝０）を参照して送話側減衰器１２並びに受話側減衰器１３の挿入損失量を制御する挿入損失量制御部１４とを備える。而して、挿入損失量制御部１４においては、音声区間検出器ＶＤから出力される音声検出信号ＳＤＦを参照するとともに送受話信号を観測して通話状態を判定し、通話状態に応じて送話側減衰器１２の利得及び受話側減衰器１３の利得を適切に設定する。

一方、本参考例の音声区間検出器ＶＤは、送話側の通話路から取り出した参照信号（送話信号）ｘの瞬時パワーを推定する瞬時パワー推定部１と、参照信号ｘに含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部２と、瞬時パワー推定部１で推定した瞬時パワー推定値Ｐｓ並びに背景騒音パワー推定部２で推定した背景騒音パワー推定値Ｐｎに基づいて参照信号ｘが音声か非音声かを判定する判定部３とを備える点で従来例と共通するが、立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで背景騒音パワー推定部２が構成され、瞬時パワー推定値Ｐｓと負の相関を持つように立ち上がり時定数を適応的に更新する時定数更新部４を備えた点に特徴がある。なお、音声区間検出器ＶＤを構成する前記各部は、ＤＳＰあるいはＣＰＵなどの汎用のハードウェア（プロセッサ）と専用のソフトウェアを組み合わせて実現されるものである。

図２は本参考例の音声区間検出器ＶＤを示すブロック図である。瞬時パワー推定部１は、参照信号ｘ（ｎ）を２乗した２乗値を時間平均した２乗平均値Ｐｘ（ｎ）を求める２乗平均値算出部２１と、２乗平均値算出部２１で算出される時系列の２乗平均値Ｐｘ（ｎ）を平滑化する２乗平均値平滑部２２とから構成される。２乗平均値算出部２１は、所定のサンプリング時間でサンプリングされた参照信号ｘ（ｎ）の２乗値を求める２乗値算出部２１ａと、所定の時間フレーム（サンプリング数Ｍ）における２乗値の総和を求める総和算出部２１ｂと、算出された総和をサンプリング数Ｍで除して２乗平均値Ｐｘ（ｎ）を求める除算部２１ｃとからなり、結局のところ、２乗平均値算出部２１では下記の式（１）の演算を行っている。

また２乗平均値平滑部２２は、正の定数α（＜１）を２乗平均値Ｐｘ（ｎ）に乗算する乗算器２２ａと、遅延シフトレジスタ２２ｂと、遅延シフトレジスタ２２ｂで遅延させた瞬時パワー推定値Ｐｓ（ｎ−１）に正の定数（１−α）を乗算する乗算器２２ｃと、２つの乗算器２２ａ，２２ｃの出力を加算する加算器２２ｄとからなり、結局のところ、２乗平均値平滑部２２では下記の式（２）の演算を行っている。

ところで、従来ソフトウェアにより瞬時パワーを推定する場合には２乗平均値算出部２１のみで実現する、すなわち、２乗平均値Ｐｘを瞬時パワー推定値Ｐｓとすることが多かった。この場合、サンプリング数Ｍが大きいほど２乗平均値Ｐｘが平滑化され、騒音を非音声と判定する音声検出精度の向上が図れるが、判定部３における判定処理がサンプリング数Ｍ毎にしか実行されないために遅延が大きくなる。一方、サンプリング数Ｍを小さくすれば遅延は少なくなるが、２乗平均値Ｐｘの平滑化効果が足りないため、定常的な背景騒音が入力された場合にもしばしば音声検出してしまう場合がある。これに対して本参考例では、２乗平均値算出部２１にてサンプリング数Ｍを小さくしても後段の２乗平均値平滑部２２にて２乗平均値Ｐｘ（ｎ）を平滑化できるため、音声区間の検出に要する時間（検出遅延時間）が短く且つ良好な検出精度が確保できるという利点がある。

一方、背景騒音パワー推定部２は、参照信号ｘの２乗平均値Ｐｘ（ｎ）を算出する２乗平均値算出部２３と、瞬時パワー推定値Ｐｎ（ｎ）を遅延する遅延シフトレジスタ２４と、２乗平均値Ｐｘ（ｎ）と遅延シフトレジスタ２４で遅延された瞬時パワー推定値Ｐｎ（ｎ−１）とを比較する比較器２５と、比較器２５による比較結果に応じてそれぞれカウント値Ｃｕ，Ｃｄをインクリメントする第１および第２のカウンタ２６，２７と、第１および第２のカウンタ２６，２７のカウント値Ｃｕ，Ｃｄとしきい値Ｕｓ，Ｕｄの大小関係に応じて３つの補正値β（ｎ），０，−β（ｎ）（但し、β（ｎ）＞０）の何れかを選択して出力するセレクタ２８と、セレクタ２８から出力される補正値に遅延された瞬時パワー推定値Ｐｎ（ｎ−１）を加算する加算器２９とで構成される。ここで、第１および第２のカウンタ２６，２７は、それぞれ参照信号ｘのサンプリング時間毎に以下の規則に則ってカウント値Ｃｕ，Ｃｄを更新する。

Ｐｘ（ｎ）≧Ｐｎ（ｎ−１）ならば、Ｃｕ＝Ｃｕ＋１，Ｃｄ＝０
Ｐｘ（ｎ）＜Ｐｎ（ｎ−１）ならば、Ｃｕ＝０，Ｃｄ＝Ｃｄ＋１
また、セレクタ２８は以下の規則に則って３つの補正値のうちの何れか１つを選択して出力する。

Ｃｕ＝Ｕｓならば、β（ｎ）
Ｃｄ＝Ｄｓならば、−β（ｎ）
Ｃｕ≠Ｕｓ且つＣｄ≠Ｄｓならば、０
したがって、第１および第２のカウンタ２６，２７のカウント値Ｃｕ，Ｃｄと比較されるしきい値Ｕｓ，Ｄｓが、Ｕｓ≫Ｄｓとなるように設定すれば、立ち上がり時定数が大きく且つ立ち下がり時定数が小さい応答特性を有するフィルタが実現できる（藤井，大賀，「音響エコーキャンセラに有用な無音声雑音区間における適応フィルタ係数の更新継続法」，電子情報通信学会論文誌Ａ Vol.J78-A No.11 pp.1403-1409 1995年11月参照）。なお、前記立ち上がり時定数は正の補正値β（ｎ）とそのしきい値Ｕｓによってきまり、補正値β（ｎ）が大きいほどあるいはしきい値Ｕｓが小さいほど、小さくなる。

ところで、従来の音声区間検出器では背景騒音パワー推定部２における立ち上がり時定数が一定値に固定されていたため、従来技術で説明したように参照信号ｘ（ｎ）が高レベルの定常騒音である場合に騒音判別時間Ｔｎが騒音レベルに応じて長くなってしまうという問題があった。これに対して本参考例では、背景騒音パワー推定部２における立ち上がり時定数を瞬時パワー推定値Ｐｓ（ｎ）と負の相関を持つように適応的に更新する時定数更新部４を備えている。時定数更新部４は、セレクタ２８で選択される補正値β（ｎ）を瞬時パワー推定値Ｐｎ（ｎ）に比例して増減するようにサンプリング時間毎に更新することで立ち上がり時定数を瞬時パワー推定値Ｐｓ（ｎ）と負の相関を持つように適応的に更新している。このように時定数更新部４で立ち上がり時定数を瞬時パワー推定値Ｐｓ（ｎ）と負の相関を持つように適応的に更新しているため、図３に示すように参照信号ｘ（ｎ）のレベルが大きくなれば立ち上がり時定数が小さく（図３における背景騒音パワー推定値Ｐｎの傾きが大きく）なり、且つ参照信号ｘ（ｎ）のレベルが小さくなれば立ち上がり時定数が大きく（図３における背景騒音パワー推定値Ｐｎの傾きが小さく）なるから、参照信号ｘ（ｎ）のレベルが変動しても判定部３にて非音声と検出されてしまう騒音判別時間Ｔｎを従来の騒音判別時間Ｔｎ’よりも短く且つ一定にすることが可能となる。従って、本参考例の音声区間検出器ＶＤを音声スイッチやノイズキャンセラに適用した場合、従来と比較して背景騒音のレベルが高い環境下における通話性能や応答性能の改善が図れるものである。

（参考例２）
図４は本参考例の音声区間検出器ＶＤを示すブロック図であり、基本的な構成は参考例１と共通である。よって、参考例１と共通の構成要素については同一の符号を付して説明を省略する。

本参考例が参考例１と異なる点は、背景騒音パワー推定部２が瞬時パワー推定部１で推定した瞬時パワー推定値Ｐｓ（ｎ）から参照信号ｘ（ｎ）に含まれる背景騒音パワー推定値Ｐｎ（ｎ）を求める点にあり、具体的には、２乗平均値算出部２３で参照信号ｘの２乗平均値Ｐｘ（ｎ）を算出する代わりに瞬時パワー推定値Ｐｓ（ｎ）を取り込んで比較器２５に入力している。なお、２乗平均値Ｐｘ（ｎ）の代わりに瞬時パワー推定値Ｐｓ（ｎ）を用いることを除けば、背景騒音パワー推定部２による背景騒音パワー推定値Ｐｎ（ｎ）を求める処理は参考例１と共通であるから説明を省略する。

而して、本参考例における背景騒音パワー推定部２で求められる背景騒音パワー推定値Ｐｎ（ｎ）は瞬時パワー推定値Ｐｓ（ｎ）の最小値に収束する。ところが、瞬時パワー推定部１の２乗平均値平滑部２２で平滑化処理を行っているため、通常、瞬時パワー推定値Ｐｓ（ｎ）と２乗平均値Ｐｘ（ｎ）の平均値はほぼ等しくなるが分散は２乗平均値Ｐｘ（ｎ）よりも瞬時パワー推定値Ｐｓ（ｎ）の方が小さくなる。したがって、参照信号ｘ（ｎ）が定常騒音である場合、背景騒音パワー推定値Ｐｎの収束値は参考例１における背景騒音パワー推定値Ｐｎ’よりも大きくなり（図５参照）、背景騒音パワー推定値Ｐｎ（ｎ）が収束した後の瞬時パワー推定値Ｐｓ（ｎ）と背景騒音パワー推定値Ｐｎ（ｎ）の比Ｐｓ（ｎ）／Ｐｎ（ｎ）の値が参考例１の場合よりも小さくなる。その結果、同じレベルの背景騒音に対して音声区間を誤検出する可能性が参考例１の場合よりも低くなり、誤検出の発生を抑えることができる。

（実施形態１）
ところで、参照信号ｘ（ｎ）に含まれる背景騒音が非常に低いレベルであって、騒音判別時間Ｔｎがほとんどゼロあるいは非常に短い時間となる状況においても、時定数更新部４で補正値β（ｎ）を適応的に更新する場合には常に一定の騒音判別時間Ｔｎが確保されてしまう。

そこで本実施形態の時定数更新部４は、図６のフローチャートに示すように瞬時パワー推定値Ｐｓ（ｎ）を所定の基準値Ｐ₀と比較し（ステップ１）、瞬時パワー推定値Ｐｓ（ｎ）が基準値Ｐ₀より小さいときに補正値β（ｎ）を所定の定数β₀に固定して立ち上がり時定数を定数に設定し（ステップ２）、瞬時パワー推定値Ｐｓ（ｎ）が基準値Ｐ₀以上のときには瞬時パワー推定値Ｐｓ（ｎ）に係数αを乗算した値を補正値β（ｎ）とすることで立ち上がり時定数を適応的に更新するようにしている（ステップ３）。したがって、図７に示すように瞬時パワー推定値Ｐｓ（ｎ）が基準値Ｐ₀以上の場合には参考例１，２と同様に背景騒音のレベルによらずに騒音判別時間Ｔｎが一定となるが、瞬時パワー推定値Ｐｓ（ｎ）が基準値Ｐ₀より小さい場合には、従来例と同様に背景騒音のレベルに応じて騒音判別時間Ｔｎの増減するから、参考例１，２に比較して定常的な背景騒音のレベルが低い場合の騒音判別時間Ｔｎを短縮することができる。

なお、定数β₀や係数α並びに基準値Ｐ₀の各パラメータは、本実施形態の音声区間検出器ＶＤが適用される拡声通話系に応じた適切な値に設定すればよいが、音声区間検出器ＶＤをＤＳＰ等のプロセッサで構成する場合に、このプロセッサに対して外部（例えば、音声区間検出器ＶＤを搭載した拡声通話機が備える制御用のＣＰＵなど）から前記パラメータの設定が行えるようにして汎用性を高めることが望ましい。

（実施形態２）
本実施形態は判定部３における判定処理に特徴があり、全体の構成は参考例１又は２と共通であるから図示並びに説明は省略する。

本実施形態における判定部３は、（１）瞬時パワー推定値Ｐｓ（ｎ）が所定のしきい値Ｐth以上であること、（２）瞬時パワー推定値Ｐｓ（ｎ）と背景騒音パワー推定値Ｐｎ（ｎ）の比Ｐｓ（ｎ）／Ｐｎ（ｎ）がしきい値δ以上であること、（３）所定の時間間隔Ｋを空けて算出された２つの瞬時パワー推定値Ｐｓ（ｎ），Ｐｓ（ｎ−Ｋ）の差分の絶対値が所定のしきい値χ以上であること、の３つの条件が全て満たされたときにのみ参照信号ｘ（ｎ）を音声と判定する。なお、時間間隔Ｋは、例えば瞬時パワー推定値Ｐｓを算出する際の時間フレーム（サンプル数）である。

次に、判定部３における具体的な判定処理を、図８のフローチャートに基づいて説明する。まず、瞬時パワー推定部１で算出された瞬時パワー推定値Ｐｓ（ｎ）をしきい値Ｐthと比較し（ステップ１）、しきい値Ｐth以上であれば、瞬時パワー推定値Ｐｓ（ｎ）と背景騒音パワー推定値Ｐｎ（ｎ）の比Ｐｓ（ｎ）／Ｐｎ（ｎ）をしきい値δと比較する（ステップ２）。そして、比Ｐｓ（ｎ）／Ｐｎ（ｎ）がしきい値δ以上であれば、２つの瞬時パワー推定値Ｐｓ（ｎ），Ｐｓ（ｎ−Ｋ）の差分の絶対値｜Ｐｓ（ｎ）−Ｐｓ（ｎ−Ｋ）｜をしきい値χと比較し（ステップ３）、しきい値χ以上であれば音声と判定する（ステップ４）。また、瞬時パワー推定値Ｐｓ（ｎ）がしきい値Ｐth未満、比Ｐｓ（ｎ）／Ｐｎ（ｎ）がしきい値δ未満、若しくは差分の絶対値｜Ｐｓ（ｎ）−Ｐｓ（ｎ−Ｋ）｜がしきい値χ未満の何れかであれば非音声と判定する（ステップ５）。

ここで、上述の（１）および（２）の２つの条件については従来から一般に用いられており、本発明者らは、（３）の条件を加えることによって音声以外の非定常的な周囲騒音が音声として誤検出されなくなることを実験により確認した。すなわち、非定常的な周囲騒音として赤ちゃんの泣き声を想定し、通話者の音声（男性の音声並びに女性の音声）と赤ちゃんの泣き声をそれぞれ含む参照信号ｘ（ｎ）に対して、瞬時パワー推定値Ｐｓと、（１）および（２）の２つの条件で判定した場合の判定結果と、瞬時パワー推定値の差分絶対値｜Ｐｓ（ｎ）−Ｐｓ（ｎ−Ｋ）｜とを求めたので、その結果を図９〜図１１に示す。図９（ａ）、図１０（ａ）および図１１（ａ）はそれぞれ参照信号ｘ（ｎ）に赤ちゃんの泣き声、男性の音声、女性の音声が含まれるときの瞬時パワー推定値Ｐｓと判定部３の判定結果（音声検出信号ＳＤＦ）を示し、各図の（ｂ）は瞬時パワー推定値の差分の絶対値をそれぞれ示している。なお、時間間隔Ｋは４ｍｓ、参照信号ｘ（ｎ）のレベルは男性および女性の音声の平均音圧が等しく、それぞれ赤ちゃんの泣き声に対して４ｄＢ程度大きかった。

而して、図９（ａ）、図１０（ａ）並びに図１１（ａ）を比較すると、赤ちゃんの泣き声に対して通話者の音声は瞬時パワー推定値Ｐｓ（ｎ）の時間変動が大きいことが分かる。このため、図９（ｂ）、図１０（ｂ）並びに図１１（ｂ）に示すように瞬時パワー推定値の差分絶対値｜Ｐｓ（ｎ）−Ｐｓ（ｎ−Ｋ）｜に有意な差が認められる。したがって、差分絶対値｜Ｐｓ（ｎ）−Ｐｓ（ｎ−Ｋ）｜を判定条件に加えることで赤ちゃんの泣き声を騒音（非音声）と判定することができ、言い換えれば音声と誤判定することが防止できる。但し、非定常的な周囲騒音のうちで赤ちゃんの泣き声と同様に通話音声と比較して時間変動が小さいもの、例えばクラシック音楽や犬の遠吠えなども本実施形態により非音声と判定できると考えられる。なお、ケプストラム分析やＬＰＣ分析などの高度な音声認識技術を用いれば、本実施形態と同様にこれらの通話音声以外の周囲騒音を非音声として判定できるが、演算処理量としては本実施形態の方が圧倒的に少ないのでコスト面で有利である。

（実施形態３）
図１２は本実施形態のブロック図を示している。本実施形態は、背景騒音パワー推定値Ｐｎが収束したか否かを判定し、収束したと判定した場合に背景騒音パワー推定部２における背景騒音パワー推定値Ｐｎの更新を停止する収束判定部５を備えた点に特徴があり、その他の構成および動作は参考例１と共通である。よって、参考例１と共通の構成要素には同一の符号を付して説明を省略する。

収束判定部５は、時間フレーム毎に背景騒音パワー推定部２で算出される背景騒音パワー推定値Ｐｎの差分の絶対値｜Ｐｎ（ｎ）−Ｐｎ（ｎ−１）｜が所定のしきい値以下に収束したときに背景騒音パワー推定値Ｐｎが収束したと判定して収束判定フラグを０から１に変更する。この収束判定フラグはモード制御部７に入力されており、モード制御部７では収束判定フラグが１となったら、背景騒音パワー推定部２に対する参照信号ｘ（ｎ）の入力を入／切するスイッチ６をオンからオフに切り替えることで背景騒音パワー推定部２を更新モードから停止モードに切り替える。ここで更新モードにおいては、背景騒音パワー推定部２がサンプリング時間毎に背景騒音パワー推定値Ｐｎ（ｎ）を更新し、停止モードにおいては、背景騒音パワー推定部２が背景騒音パワー推定値の演算処理を停止し、背景騒音パワー推定値Ｐｎ（ｎ）としてそれ以前に求められた値を保持する。

また、モード制御部７はカウンタ部８のカウント値が所定のしきい値を超えたらスイッチ６をオフからオンに切り換えて背景騒音パワー推定部２を停止モードから更新モードに復帰させる。このカウンタ部８は判定部３の音声検出信号ＳＤＦが０のとき（非音声区間と判定されたとき）にカウント値をインクリメントし、音声検出信号ＳＤＦが１のとき（音声区間と判定されたとき）、並びにモード制御部７がスイッチ６をオンからオフに切り替えたときにカウント値を０にリセットする。

而して、本実施形態を搭載した拡声通話機を周囲騒音のレベル変動が少ない環境で使用する場合、動作開始から数秒の間だけスイッチ６をオンして背景騒音パワー推定部２を更新モードとして背景騒音パワー推定値Ｐｎを更新し、やがて背景騒音パワー推定値Ｐｎが収束すれば収束判定部５がモード制御部７を介してスイッチ６をオフして停止モードに切り替え、それ以降は非音声区間の継続期間が所定時間を超えるまで、保持された背景騒音パワー推定値Ｐｎと、瞬時パワー推定部１で更新される瞬時パワー推定値Ｐｓとから判定部３が音声区間の検出を行う。すなわち、背景騒音のレベル変動が少ない環境で使用される場合には、一旦収束した背景騒音パワー推定値Ｐｎの変動も少ないから、収束後の背景騒音パワー推定値Ｐｎの更新を停止し、瞬時パワー推定値Ｐｓのみを更新して音声区間が検出できて演算量の削減が図れるものである。但し、一旦収束した周囲騒音が使用環境の変化などによってレベル変動する場合も考えられるので、本実施形態では判定部３で非音声区間と判定される期間が所定時間以上継続した場合にモード制御部７が再びスイッチ６をオンして背景騒音パワー推定部２を停止モードから更新モードに切り替えて背景騒音パワー推定値Ｐｎを更新するようにしている。このようにすれば、会話の途中の無音区間のように判定部３の判定結果が所定時間以上継続して非音声区間となる場合においてのみ背景騒音パワー推定値Ｐｎが更新されるから、通話中も継続して背景騒音パワー推定値Ｐｎを更新する場合に比較して推定値の精度が向上し、連続的に音声が入力されたときに背景騒音パワー推定値Ｐｎが増大するのを防止することができる。

なお、本実施形態で説明した音声区間検出のアルゴリズムを実装したＡＳＩＣ（特定用途向け集積回路）などのデバイスを開発する場合に動作中の不要な演算を減らすことにより消費電流の削減が可能になるなどの効果が期待できる。

本発明の参考例１を含む拡声通話機のブロック図である。参考例１のブロック図である。同上の動作説明図である。本発明の参考例２のブロック図である。同上の動作説明図である。実施形態１の動作説明用のフローチャートである。同上の動作説明図である。実施形態２の動作説明用のフローチャートである。同上における赤ちゃんの泣き声に対する実験結果を示す波形図である。同上における男性の音声に対する実験結果を示す波形図である。同上における女性の音声に対する実験結果を示す波形図である。実施形態３のブロック図である。従来例を示すブロック図である。同上の動作説明図である。

１瞬時パワー推定部
２背景騒音パワー推定部
３判定部
４時定数更新部

Claims

マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部を備え、前記時定数更新部は、前記瞬時パワー推定値が所定の基準値よりも小さいときに前記立ち上がり時定数を所定の定数とし、当該基準値より大きいときに前記立ち上がり時定数を適応的に更新することを特徴とする音声区間検出器。
マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部を備え、前記判定部は、所定の時間間隔を空けて算出された２つの瞬時パワー推定値の差分の絶対値を求め、該差分の絶対値と所定のしきい値の比較結果を参照して判定することを特徴とする音声区間検出器。
マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部と、前記背景騒音パワー推定値が収束したか否かを判定し、収束したと判定した場合に前記背景騒音パワー推定部における背景騒音パワー推定値の更新を停止する収束判定部とを備えたことを特徴とする音声区間検出器。
マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値から参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部を備え、前記時定数更新部は、前記瞬時パワー推定値が所定の基準値よりも小さいときに前記立ち上がり時定数を所定の定数とし、当該基準値より大きいときに前記立ち上がり時定数を適応的に更新することを特徴とする音声区間検出器。
マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値から参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部を備え、前記判定部は、所定の時間間隔を空けて算出された２つの瞬時パワー推定値の差分の絶対値を求め、該差分の絶対値と所定のしきい値の比較結果を参照して判定することを特徴とする音声区間検出器。
マイクロホンおよびスピーカを有する拡声通話端末が他の通話端末又は拡声通話端末に接続されてなる拡声通話系の前記拡声通話端末に用いられ、通話路に伝送される音響信号が音声か非音声かを検出する音声区間検出器であって、前記通話路から取り出した参照信号の瞬時パワーを推定する瞬時パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値から参照信号に含まれる背景騒音成分のパワーを推定する背景騒音パワー推定部と、前記瞬時パワー推定部で推定した瞬時パワー推定値並びに前記背景騒音パワー推定部で推定した背景騒音パワー推定値に基づいて当該参照信号が音声か非音声かを判定する判定部とを備えた音声区間検出器において、前記背景騒音パワー推定部が立ち上がり時定数が相対的に大きく且つ立ち下がり時定数が相対的に小さい応答特性を有するフィルタで構成され、前記瞬時パワー推定値と負の相関を持つように前記立ち上がり時定数を適応的に更新する時定数更新部と、前記背景騒音パワー推定値が収束したか否かを判定し、収束したと判定した場合に前記背景騒音パワー推定部における背景騒音パワー推定値の更新を停止する収束判定部とを備えたことを特徴とする音声区間検出器。