JP4540600B2 - 音声検出装置および音声検出方法 - Google Patents

Description

この発明は、報知音が鳴動している環境において、利用者による応答音声を検出する音声検出装置および音声検出方法に関する。

従来、音声によって着信の応答を行う電話や、音声によって報知中のアラームを停止させるような装置には、音声を検出するための音声検出装置が備えられている。通常、着信音が鳴動中に、電話に内蔵された音声検出装置によって音声による応答（例えば、「ハーイ」など）を検出する際には、スピーカから出力される着信音がマイクへ混入していまい、音響結合が生じ、音声検出の妨害になる。そこで着信音を適応フィルタで構成されたエコーキャンセラで除去する技術が知られている（例えば、下記特許文献１，２参照。）。

図１１は、従来の音声検出装置の構成を示す説明図である。図１１に示すように、音声検出装置１０００は、マイク１００１と、適応フィルタ１００２と、オフフック音声検出部１００３と、切り替えパス１００４と、着信音生成部１００５と、送受信部１００６と、回線接続部１００７と、スピーカ１００８と、から構成されている。音声検出装置１０００は、回線接続部１００７を介して送受信部１００６が着信を検出すると、着信音生成部１００５により着信音を生成する。同時に、切り替えパス１００４を、着信音生成部１００５側に接続して、スピーカ１００８から着信音を出力する。出力した着信音は、音響結合によりマイク１００１へ入力されるので、適応フィルタ１００２を用いて、入力音から回り込んだ着信音の成分を除去・低減させる。

適応フィルタ１００２により着信音の成分が除去・低減された入力音が入力された、オフフック音声検出部１００３は、入力音に応じて応答音声を検出する。ここで、応答音声が検出されると、切り替えパス１００４を送受信部１００６側に切り替えて、受話音をスピーカ１００８に出力させる。また、受話音の出力と同時に、着信音生成部１００５による着信音の生成を停止し、利用者は、通話を開始する。

特開平４−２８７５４９号公報 特開２００３−８７２９号公報

しかしながら、上記の特許文献１，２の技術で利用されているような、出力音のエコー成分のみをキャンセルする適応フィルタでは、音響結合特性の時間変化や、スピーカの非線形特性などの影響に対応して、着信音を完全に除去することは難しい。着信音の消し残があると、応答音声を検出する際の妨害となり、正確に応答音声を検出できないという問題があった。

この発明は、上述した従来技術による問題点を解消するため、利用者による応答音声を確実に検出することができる音声検出装置および音声検出方法を提供することを目的とする。

上述した課題を解決し、目的を達成するため、本発明にかかる音声検出装置は、利用者への通知音を出力する通知音出力手段と、前記通知音に対する前記利用者の応答音声と、当該応答音声とともに混入される前記通知音出力手段により出力された前記通知音と、を入力音として取得する入力音取得手段と、前記通知音出力手段により出力した前記通知音の周波数に応じた減衰特性を有して、前記入力音取得手段により取得した前記入力音を減衰させる減衰手段と、前記減衰手段を透過した前記入力音を用いて前記応答音声を検出する音声検出手段と、を備え、前記音声検出手段が、前記応答音声以外の音声を検出した場合に、前記通知音出力手段は、前記通知音の音量を下げることを特徴とする。

この発明によれば、減衰手段は、通知音の出力にあわせて、通知音と同じ音を除去するように減衰特性が変化する。このような減衰手段に入力音を透過させて、入力音に混入した通知音を取り除くことができる。したがって、音声検出手段は、応答音声のみで構成された入力音を用いて応答音声を検出することができる。また、応答音声以外の音声を検出するまでは十分な音量で通知音を鳴動させて利用者の注意を促すとともに、応答音声以外の音声を抽出すると通知音の音量を下げて応答音声を正確に検出することができる。

本発明によれば、通知音の入り込みなどの妨害要因に影響されることなく、正確に応答音声を検出できるという効果を奏する。

以下に添付図面を参照して、この発明にかかる音声検出装置および音声検出方法の好適な実施の形態を詳細に説明する。以下に説明する実施の形態１〜３では、電話機に内蔵した音声検出装置について説明する。

この音声検出装置は、着信を検出すると、利用者への通知音として着信音を生成し、スピーカから出力する。すると、利用者は、着信音に応答し、声で返事をする。この返事が、いわゆる応答音声であり、音声検出装置は、この応答音声を検出して、利用者の応答を確認する。応答が確認できると、スピーカから通話相手の受話音が出力されるように切り替え、通話を開始する（オフフック応答）。

（実施の形態１）
実施の形態１では、マイクに入力される利用者の応答音声と、応答音声とともに混入する着信音のうち、フィルタを用いて、着信音のみを削除する。したがって、音声検出に用いる音声には、余分な音が含まれておらず、正確に検出することができる。

特に、出力した着信音が単音や、少ない和音で構成されている場合は、周波数特性の狭い帯域に出力レベルの高い音が集中している。したがって、ノッチフィルタやコム（櫛型）フィルタを用いることによって、着信音の除去が容易となり、応答音声の検出の精度を高めることができる。

図１は、本発明の実施の形態１にかかる音声検出装置の構成を示す説明図である。図１に示す音声検出装置１００は、入力音取得手段としてのマイク１０１と、適応フィルタ１０２と、減衰手段としてのノッチフィルタ１０３と、音声検出手段としてのオフフック音声検出部１０４と、着信音生成部１０５と、送受信部１０６と、回線接続部１０７と、通知音出力手段としてのスピーカ１０８と、切り替えパス１０９と、から構成される。

マイク１０１は、音声検出装置１００の周辺の音を取得して入力音として、適応フィルタ１０２へ出力する。音声検出装置１００の周辺の音とは、具体的には、利用者による応答音声と、音声検出装置１００のスピーカ１０８から出力された着信音が回り込んだ音を指す。また、利用者が着信に応答すると、マイク１０１には、利用者の通話音声（送話音）が入力される。

適応フィルタ１０２は、マイク１０１から入力された入力音のエコー成分を除去する。
エコー成分を除去された入力音は、ノッチフィルタ１０３と、送受信部１０６へ、それぞれ入力される。適応フィルタ１０２の具体例としては、エコーキャンセルフィルタを利用する。エコーキャンセルフィルタは、応答音声や着信音がマイク１０１に拾われてエコーやハウリングを起こすのを防止するフィルタである。

ノッチフィルタ１０３は、適応フィルタ１０２から入力された入力音を、着信音生成部１０５から入力された着信音の音階情報に対応して、基本周波数の音を除去するように帯域ごとの減衰量を設定する。また、ノッチフィルタ１０３に替わり、櫛形の減衰特性をもつコムフィルタを用いてもよい。コムフィルタは、減衰するように設定した帯域の倍数帯域の音も除去・低減する機能をもったフィルタである。また、ノッチフィルタ（コムフィルタ）１０３による入力音の除去・低減の度合は、音響結合特性の強度に応じて変化させてもよい。具体的には、音響結合が弱い帯域では元々エコーも弱いので、軽く低減する、もしくは、低減しないように設定してもよい。

オフフック音声検出部１０４は、ノッチフィルタ１０３から入力された入力音を用いて、所定の音声を検出する。この所定の音声とは、具体的には、「ハーイ」などの、利用者の応答音声である。オフフック音声検出部１０４には、応答音声の周波数に応じたパターンが設定されている。入力音が設定されたパターンと同じ波形の音であれば、応答音声を検出したと判断する。オフフック音声検出部１０４の検出結果は、着信音生成部１０５と、切り替えパス１０９とに入力される。

また、オフフック音声検出部１０４で検出される応答音声のパターンは、「ハーイ」という音声を示す波形のなかから、性別や年齢を問わない共通部分の波形を用いている。したがって、音声検出装置１００の近くにいる人は、誰でも利用者として応答することができる。このような利用方法の他にも、携帯電話機に組み込まれた音声検出装置など、限定された利用者が利用する、もしくは他の人には利用できないようにしたい場合は、オフフック音声検出部１０４の音声検出のパターンを利用者ごとに登録してもよい。

着信音生成部１０５は、送受信部１０６によって着信が検出されると、利用者に着信を通知するための着信音を生成する。生成した着信音は、切り替えパス１０９を経由して、スピーカ１０８へ出力される。また、着信音生成部１０５は、生成した着信音の音階の情報をノッチフィルタ（コムフィルタ）１０３へ出力する。なお、着信音生成の動作制御は、オフフック音声検出部１０４から入力された検出結果に応じて行われる。

送受信部１０６は、マイク１０１から入力された利用者の送話音を通信用の信号に変換して回線接続部１０７に出力する。また、回線接続部１０７を介して着信を検出し着信音生成部１０５に着信音生成の指示を行う。また、オフフック音声検出部１０４によって利用者による応答音声を検出されると、回線接続部１０７から通話相手からの受話音の信号を受信する。受信した受話音の信号は、音声に変換して、スピーカ１０８に出力する。

回線接続部１０７は、電話回線と接続して他の電話機と通話するための接続を行う。なお、回線接続部１０７が接続する電話回線とは、有線、無線を問わない。さらに、ＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）電話であれば、インターネット網に接続してもよい。また、回線接続部１０７は、音声検出装置１００の構成として必須な機能部ではなく、電話回線に接続して同様の機能を実現する外部の装置や、接続環境に代替してもよい。

スピーカ１０８は、切り替えパス１０９の切り替えに応じて、着信音もしくは受話音を出力音として出力する。スピーカ１０８から出力される出力音の一部は、エコーとしてマイク１０１に入力される。

切り替えパス１０９は、音声検出装置１００の着信応答にあわせて、スピーカ１０８から出力させる出力音を切り替える。具体的には、利用者に対して着信を通知する際には、着信音生成部１０５に接続して、出力音として着信音をスピーカ１０８から出力させる。また、利用者が着信に応答して通話を開始する際には、送受信部１０６に接続して、出力音として回線接続部１０７から受信した受話音をスピーカ１０８から出力させる。

続いて、音声検出装置１００のノッチフィルタ（コムフィルタ）１０３の透過特性について説明する。まず、音声検出装置１００へ入力される入力音が、同様な音であるかを説明する。図２−１は、音声検出装置に入力される入力音の波形を説明する図表である。

図２−１に示す図表２００は、横軸が周波数を表し、縦軸が着信音の出力レベル（ｐｏｗｅｒ）を表すことによって、着信音の波形を示す。また、図表２１０は、横軸が周波数を表し、縦軸が着信音のエコーの出力レベル（ｐｏｗｅｒ）を表すことによって、着信音のエコーの波形を示す。また、図表２２０は、横軸が周波数を表し、縦軸が応答音声の出力レベル（ｐｏｗｅｒ）を表すことによって、利用者による応答音声の波形を示す。さらに、図表２３０は、横軸が周波数を表し、縦軸が入力音の出力レベル（ｐｏｗｅｒ）を表すことによって、マイク１０１への入力音を示す。

図表２００の波形２０１は、着信音の音種として正弦波を用いた場合の、ある時刻での着信音の周波数特性を表す正弦波である。着信音生成部１０５で生成される着信音は、波形２０１のような正弦波の周波数特性が音符情報にあわせて時間変化する。この波形２０１の着信音が音響結合してマイク１０１に回り込んだエコーが、波形２１１のような周波数特性を表す正弦波となる。音響結合特性は装置や外部状況によって多少の変化は生じるが、ピークの周波数はほとんど変化しない。

一方、利用者からの応答音声は、図表２２０に示した波形２２１のような周波数特性をもつ。したがって、オフフック音声検出部１０４では、波形２２１のような波形の入力音が入力されると、応答音声として検出する。しかしながら、実施の入力音は、図表２１０に示した波形２１１のエコーが含まれている。つまり、図表２３０に示した、波形２３１のような周波数特性をもった音声がマイク１０１に入力音として入力されている。波形２３１は、着信音のエコーの波形２１１と、応答音声の波形２２１とが重なり合った周波数特性をもつ。つまり、波形２３１のような入力音をそのままオフフック音声検出部１０４に入力しても、応答音声として検出するのは難しい。

そこで、着信音のエコー対策として、本発明では、入力音からエコーの波形のみを取り除くようなノッチフィルタ１０３を用いる。図２−２は、ノッチフィルタの特性と、入力音への影響を説明する図表である。図２−２に示す図表２４０は、横軸が周波数を表し、縦軸がフィルタ透過後の利得（ｇａｉｎ）を表すことによって、ノッチフィルタ１０３の減衰特性を示す。また、図表２５０は、横軸が周波数を表し、縦軸がノッチフィルタ１０３を透過した入力音の出力レベル（ｐｏｗｅｒ）を表すことによって、ノッチフィルタ１０３を透過した入力音の波形を示す。

図表２４０に示した波形２４１は、ノッチフィルタ１０３の減衰特性を表す。波形２４１は、図２−１に示した着信音のエコーを表す波形２１１のピーク部分が最も減衰するよう、着信音の波形に応じて設定されている。したがって、ノッチフィルタ１０３を透過した入力音は図表２５０に示した波形２５１のようにエコー成分を削除され、応答音声の検出が容易となる。

続いて、コムフィルタ１０３について説明する。図３は、着信音波形と対応するコムフィルタの特性を説明する図表である。図３に示す図表３１０は、横軸が周波数を表し、縦軸が着信音の出力レベル（ｐｏｗｅｒ）を表すことによって、三角波の着信音の波形を示す。また、図表３２０は、横軸が周波数を表し、縦軸がフィルタ透過後の利得（ｇａｉｎ）を表すことによって、コムフィルタの減衰特性を示す。図表３１０に示したような三角波による着信音の波形３１１は、基本周波数と３倍波、５倍波など奇数倍の成分で形成されている。

したがって、着信音を取り除くコムフィルタ１０３は、図表３２０に示した奇数倍の周波数の音声を削除するような減衰特性を示す波形３２１を有したフィルタを使用する。このコムフィルタ１０３により入力音に含まれている通知音のエコーを削減することによって、オフフック音声検出部１０４による応答音声の検出が容易となる。なお、正弦波の場合と同様、除去する帯域は通知音の変化に伴って通知音の各ピークを削除できる帯域に変更して、通知音のエコーが残らないようにする。

つぎに、本発明の実施の形態１にかかる音声検出装置の処理の内容を説明する。図４は、本発明の実施の形態１にかかる音声検出装置の処理の内容を示すフローチャートである。図４に示したフローチャートでは、まず、回線接続部１０７により、着信を検出したか否かを判断する（ステップＳ４０１）。ここで、着信を検出するまで待ち（ステップＳ４０１：Ｎｏのループ）、検出した場合は（ステップＳ４０１：Ｙｅｓ）、続いて、着信音生成部１０５により、着信音の生成を開始する（ステップＳ４０２）。

続いて、同じく着信音生成部１０５により、ステップＳ４０２で生成した着信音の音階・音調を読み出す（ステップＳ４０３）。このステップＳ４０３の処理は、１音ごとの処理である。つぎに、ノッチフィルタ１０３により、コムフィルタ１０３の係数設定を行う（ステップＳ４０４）。なお、すでにステップＳ４０４の処理が行われ、コムフィルタ１０３の係数が設定されている場合は、設定した係数を変更する処理に替わる。

コムフィルタ１０３の係数設定が終了すると、続いて、スピーカ１０８により、着信音の鳴動を開始する（ステップＳ４０５）。このステップＳ４０５の処理も、すでに、着信音が鳴動している場合は、着信音のメロディに応じて音階を変更し、鳴動を継続する。

続いて、オフフック音声検出部１０４により、マイク１０１から入力された、外部の音声情報からオフフック応答音声を検出したか否かを判断する（ステップＳ４０６）。オフフック応答音声を検出した場合は（ステップＳ４０６：Ｙｅｓ）は、着信音の鳴動を停止し、通話を開始して（ステップＳ４０７）、一連の処理を終了する。

ステップＳ４０６によって、オフフック応答音声を検出しなかった場合は（ステップＳ４０６：Ｎｏ）、続いて、現在の着信音の鳴動が終了したか否かを判断する（ステップＳ４０８）。現在の着信音とは、着信音生成部１０５によって生成された着信音のメロディを構成する１音を意味する。これらの１音が連続して鳴動することによって、着信音はメロディを構成している。

ステップＳ４０８によって、現在の着信音の鳴動が終了したと判断された場合は（ステップＳ４０８：Ｙｅｓ）、ステップＳ４０３の処理に戻り、つぎの着信音を鳴動させるための処理に移る。また、ステップＳ４０８によって、現在の着信音の鳴動が終了していないと判断された場合は（ステップＳ４０８：Ｎｏ）、引き続き、音階・音調の同じ着信音を鳴動させ、ステップＳ４０６の処理に戻る。以上の処理は、オフフック応答音声が検出されるか、着信が終了するまで継続される。

（タイマー機能に適応した音声検出装置）
また、本発明にかかる音声検出装置は、電話機だけでなく、他の応答音声を用いて操作を行う他の装置についても活用することができる。図５は、タイマー機能に適応した音声検出装置の構成を示す説明図である。

図５に示す音声検出装置５００は、タイマーに応じて鳴動した通知音や、警告音を、音声応答を検出して停止させるような使用を想定している。音声検出装置５００は、マイク１０１と、ノッチフィルタ１０３と、スピーカ１０８と、停止命令音声検出部５０１と、時刻管理部５０２と、ボタン入力部５０３と、メロディ生成部５０４と、から構成される。

マイク１０１と、ノッチフィルタ１０３とおよびスピーカ１０８は、音声検出装置１００の機能と同じであるため説明を省略する。停止命令音声検出部５０１は、ノッチフィルタ１０３から入力されたエコーを取り除かれた入力音から、停止命令に対応する音声を検出する。検出結果つまり、停止情報は、時刻管理部５０２へ入力される。

時刻管理部５０２は、ボタン入力部５０３からの入力情報に応じてメロディを出力するタイマー時刻を設定する。また、時刻管理部５０２は停止命令音声検出部５０１から入力された停止情報に応じてメロディ生成部５０４への鳴動停止制御を行う。

ボタン入力部５０３は、利用者によるタイマー設定の入力が行われる。入力情報は、時刻管理部５０２へ入力される。メロディ生成部５０４は、時刻管理部５０２からの鳴動停止制御に応じてメロディを生成する。生成したメロディは、スピーカ１０８へ出力される。また、メロディ生成部５０４からはノッチフィルタ１０３へ音階情報を出力する。ノッチフィルタ１０３は、音階情報に応じて減衰特性を変化させる。

音声検出装置５００は、利用者によるタイマー設定に応じて、メロディ生成部５０４によって生成したメロディをスピーカ１０８から出力する。メロディ生成部５０４で生成される通知音や、警告音のメロディは、狭帯域の信号のため、エコーキャンセルフィルタとしての適応フィルタ１０２が不要な構成となっている。

以上説明したように実施の形態１では、ノッチフィルタ（コムフィルタ）１０３は、通知音の出力にあわせて、通知音と同じ音を除去するように減衰特性が変化する。このようなノッチフィルタ（コムフィルタ）１０３に入力音を透過させることによって、入力音に混入した着信音を取り除くことができる。したがって、オフフック音声検出部１０４は、応答音声のみで構成された入力音を用いて応答音声を検出することができる。
ことができる。

（実施の形態２）
実施の形態２では、応答音声を検出する際に、あらかじめ着信音が混入することを想定して検出を行う。つまり、フィルタを用いて着信音のエコーを取り除くのではなく、応答音声として検出する音声の波形に着信音のエコーを上乗せした波形を検出する。

図６は、本発明の実施の形態２にかかる音声検出装置の構成を示す説明図である。図６に示す音声検出装置６００は、実施の形態１の音声検出装置１００からノッチフィルタ（コムフィルタ）１０３を除いた構成であり、オフフック音声検出部１０４は、実施の形態１とは異なる処理を行う。以下、オフフック音声検出部１０４の処理について説明し、他の構成は、音声検出装置１００と同じ符号を付けて説明を省略する。

オフフック音声検出部１０４は、適応フィルタ１０２から入力された入力音を周波数パターン（応答音声の波形）照合して、応答音声を検出する。この、周波数パターンとは、事前登録した、応答音声の周波数パターンに着信音の周波数パターンを重ね合わせた（加算・重畳）周波数パターンである。なお、事前に測定した音響結合特性を加味するとさらに、応答音声の検出の精度が上がる。

また、実施の形態２の音声検出装置６００では、オフフック音声検出部１０４による音声検出中に、適応フィルタ１０２におけるエコー低減を停止することも考えられる。これは、着信音の周波数パターンの考慮が十分に行われていれば、必ずしも着信音を除去しなくても応答音声の検出が可能となるためである。この場合、オフフック応答後のハンズフリー通話に備えて、適応フィルタ１０２の係数を適応設定するとよい。

つぎに、本発明の実施の形態２にかかる音声検出装置の処理の内容を説明する。図７は、本発明の実施の形態２にかかる音声検出装置の処理の内容を示すフローチャートである。図７に示したフローチャートでは、まず、回線接続部１０７により、着信を検出したか否かを判断する（ステップＳ７０１）。ここで、着信を検出するまで待ち（ステップＳ７０１：Ｎｏのループ）、検出した場合は（ステップＳ７０１：Ｙｅｓ）、続いて、着信音生成部１０５により、着信音の生成を開始する（ステップＳ７０２）。

続いて、同じく着信音生成部１０５により、ステップＳ７０２で生成した着信音の音階・音調を読み出す（ステップＳ７０３）。このステップＳ７０３の処理は、１音ごとの処理である。続いて、音声検出用の照合パターンを読み出し（ステップＳ７０４）、着信音の鳴動を開始する（ステップＳ７０５）。ここでも、すでに着信音の鳴動が開始されている場合は、ステップＳ７０３によって読み出した情報に応じて音階を変更する。

ステップＳ７０５の処理が終了すると、つぎに、オフフック音声検出部１０４により、マイク１０１から入力された、外部の音声情報からオフフック応答音声を検出したか否かを判断する（ステップＳ７０６）。オフフック応答音声を検出した場合は（ステップＳ７０６：Ｙｅｓ）は、着信音の鳴動を停止し、通話を開始して（ステップＳ７０７）、一連の処理を終了する。

ステップＳ７０６によって、オフフック応答音声を検出しなかった場合は（ステップＳ７０６：Ｎｏ）、続いて、現在の着信音の鳴動が終了したか否かを判断する（ステップＳ７０８）。現在の着信音とは、着信音生成部１０５によって生成された着信音のメロディを構成する１音を意味する。これらの１音が連続して鳴動することによって、着信音はメロディを構成している。

ステップＳ７０８によって、現在の着信音の鳴動が終了したと判断された場合は（ステップＳ７０８：Ｙｅｓ）、ステップＳ７０３の処理に戻り、つぎの着信音を鳴動させるための処理に移る。また、ステップＳ７０８によって、現在の着信音の鳴動が終了していないと判断された場合は（ステップＳ７０８：Ｎｏ）、引き続き、音階・音調の同じ着信音を鳴動させ、ステップＳ７０６の処理に戻る。以上の処理は、オフフック応答音声が検出されるか、着信が終了するまで継続される。

以上説明したように実施の形態２では、音声検出装置６００のマイク１０１によって取得した入力音に着信音が混入するのを考慮して、オフフック音声検出部１０４では、応答音声として、利用者の応答音声に着信音を重ねた音声を検出するようになっている。したがって、着信音の混入に妨げられることなく応答音声を検出することができる。

（実施の形態３）
実施の形態３では、誤検出のリスクをさらに低減するために、音声応答を検出し始めた場合、つまり応答音声か否かが判別できない場合は、ノッチフィルタ（コムフィルタ）１０３による着信音を除去し易いように処理を行う。

応答音声を検出し易くする方法としては、以下の３つの方法を用いると効果的である。まず、１つめには、着信音の音量を下げる。２つめには、着信音を周波数の帯域の狭い音に変更する。３つめに、着信音を構成する和音数を減少する。

つぎに、本発明の実施の形態３にかかる音声検出装置の処理の内容を説明する。図８は、本発明の実施の形態３にかかる音声検出装置の構成を示す説明図である。図８に示す音声検出装置８００は、実施の形態１に示した音声検出装置１００と、同じ構成であるが、ノッチフィルタ（コムフィルタ）１０３およびオフフック音声検出部１０４の処理の内容が異なっている。以下、音声検出装置１００の処理と異なる部分について説明する。

ノッチフィルタ１０３は、着信音の変化の情報も加味してフィルタの減衰特性を調整する。オフフック音声検出部１０４は、ノッチフィルタ１０３から入力された入力音を用いて応答音声する際に、応答音声を検出したか否かの判断の他に、応答音声以外の音声を検出したか否を判断する。オフフック音声らしい応答音声以外の音声を検出した場合には、着信音生成部１０５に対して、低音量または狭帯域の信号に変化させる指令を出す。着信音生成部１０５は、低音量または狭帯域の信号に変化させると同時に、ノッチフィルタ１０３に出力する音階の情報に信号変化の情報も付加する。

図９は、本発明の実施の形態３にかかる音声検出装置の処理の内容を示すフローチャートである。図９のフローチャートにおいて、まず、回線接続部１０７により、着信を検出したか否かを判断する（ステップＳ９０１）。ここで、着信を検出するまで待ち（ステップＳ９０１：Ｎｏのループ）、検出した場合は（ステップＳ９０１：Ｙｅｓ）、続いて、着信音生成部１０５により、着信音の生成を開始する（ステップＳ９０２）。

続いて、同じく着信音生成部１０５により、ステップＳ９０２で生成した着信音の音階・音調・音量を読み出し、設定する（ステップＳ９０３）。このステップＳ９０３の処理は、１音ごとの処理である。つぎに、コムフィルタ１０３により、コムフィルタ１０３の係数設定を行う（ステップＳ９０４）。なお、すでにステップＳ９０４の処理が行われ、コムフィルタ１０３の係数が設定されている場合は、設定した係数を変更する処理に替わる。

コムフィルタ１０３の係数設定が終了すると、続いて、スピーカ１０８により、着信音の鳴動を開始する（ステップＳ９０５）。このステップＳ９０５の処理も、すでに、着信音が鳴動している場合は、着信音のメロディに応じて音階・音調・音量を変更し、鳴動を継続する。

続いて、オフフック音声検出部１０４によって音声を検出したか否かを判断する（ステップＳ９０６）。音声を検出した場合は（ステップＳ９０６：Ｙｅｓ）、つぎに、検出した音声がオフフック応答か否かを判断する（ステップＳ９０７）。ここで、検出した音声がオフフック応答である場合は（ステップＳ９０７：Ｙｅｓ）、着信音の鳴動を停止し、通話を開始し（ステップＳ９０８）、一連の処理を終了する。

ステップＳ９０６によって音声を検出していない場合は（ステップＳ９０６：Ｎｏ）、続いて、現在の着信音の鳴動が終了したか否かを判断する（ステップＳ９０９）。現在の着信音とは、実施の形態１，２と同様に、着信音生成部１０５によって生成された着信音のメロディを構成する１音を意味する。これらの１音が連続して鳴動することによって、着信音はメロディを構成している。

ステップＳ９０９によって、現在の着信音の鳴動が終了したと判断された場合は（ステップＳ９０９：Ｙｅｓ）、ステップＳ９０３の処理に戻り、つぎの着信音を鳴動させるための処理に移る。また、ステップＳ９０９によって、現在の着信音の鳴動が終了していないと判断された場合は（ステップＳ９０９：Ｎｏ）、引き続き、音階・音調の同じ着信音を鳴動させ、ステップＳ９０６の処理に戻る。以上の処理は、オフフック応答音声が検出されるか、着信が終了するまで継続される。

また、ステップＳ９０７において検出した音声がオフフック音声ではないと判断された場合は（ステップＳ９０７：Ｎｏ）、応答音声を確実に検出するために、オフフック音声検出部１０４から着信音生成部１０５へ着信量の音量を減衰するよう設定される（ステップＳ９１０）。つまり、オフフック音声検出部１０４から着信音生成部１０５へ着信音の音量設定を変更させるための指示が出力される。

ステップＳ９１０の処理が終了するとステップＳ９０３の処理に移行して、音量が小さくなった状態で、着信音の鳴動を継続する。なお、ステップ９１０の処理は、音量の減衰設定に限らず、着信音を周波数の帯域の狭い音に変更する、または、着信音を構成する和音数を減少するなどの処理を行ってもよい。

以上説明したように、実施の形態１の音声検出装置１００では、マイク１０１に入力された音声が利用者の応答音声か、応答とは関係のない音声かを判別できない場合は、応答音声を検出できなかった。そこで、実施の形態３の音声検出装置８００は、着信音以外の音を検出した場合には、オフフック音声検出部１０４が応答音声を検出し易いように、着信音を変化させる。したがって、確実に利用者の応答音声を検出することができる。

（和音に対応させた構成）
つぎに、上述した実施の形態１，実施の形態２の音声検出装置１００，５００，８００で、特に和音の着信音を出力する場合のフィルタ構成について説明する。ノッチフィルタ１０３もしくはコムフィルタ１０３以下、Ａ音、Ｂ音およびＣ音の３和音の着信音を出力する場合のコムフィルタ１０３の構成である。

図１０は、和音に対応したフィルタ構成の一例を示すブロック図である。ここではコムフィルタ１０３は、Ａ音対応のコムフィルタ１０３ａと、Ｂ音対応のコムフィルタ１０３ｂと、Ｃ音対応のコムフィルタ１０３ｃと、から構成されている。Ａ音対応のコムフィルタ１０３ａ、Ｂ音対応のコムフィルタ１０３ｂおよびＣ音対応のコムフィルタ１０３ｃは、従属接続されている。

上述した実施の形態１，３と同様にコムフィルタ１０３には、適応フィルタ１０２から入力音が入力される。入力音は、応答音声と、Ａ音、Ｂ音およびＣ音の３和音によって構成された着信音の漏れ込み音とを含んでいる。入力音は、まず、Ａ音対応のコムフィルタ１０３ａへ入力され、Ａ音の着信音のみが減衰される（取り除かれる）。続いて、入力音は、Ｂ音対応のコムフィルタ１０３ｂへ入力され、Ｂ音の着信音のみが減衰される。最後に、入力音は、Ｃ音対応のコムフィルタ１０３ｃへ入力され、Ｃ音の着信音のみが減衰される。したがって、コムフィルタ１０３からは、和音の着信音を取り除いた、応答音声のみを含む入力音が出力される。図１０に示したフィルタ構成では、３音による和音に対応して３個のコムフィルタ１０３ａ〜１０３ｃを従属させたが、和音数の増加、減少に応じて、従属させるフィルタの数を変化させる。

また、図１０に示したフィルタ構成は、和音への対応に限らず、着信音の残響時間が長く、音符の遷移時に１音前の音と１音後ろの音との両方のエコーが混入する場合にも適している。このような場合は、音符の遷移時に、１音前の音と１音後ろの音との両方音の帯域を除去するようにコムフィルタ１０３もしくはノッチフィルタ１０３を従属に接続するとよい。

また、実施の形態２のように、オフフック音声検出部１０４によって応答音声として検出するパターンを着信音にあわせて変化させる場合には、各和音の波形を重ね合わせた波形と、応答音声の波形とを重ね合わせたパターンを検出している。

以上説明したように、音声検出装置および音声検出方法によれば、通知音の入り込みなどの妨害要因に影響されることなく、正確に応答音声を検出できる。

なお、本実施の形態で説明した音声検出方法は、あらかじめ用意されたプログラムをパーソナル・コンピュータやワークステーションなどのコンピュータで実行することにより実現することができる。このプログラムは、ハードディスク、フレキシブルディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤなどのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。またこのプログラムは、インターネットなどのネットワークを介して配布することが可能な伝送媒体であってもよい。

（付記１）利用者への通知音を出力する通知音出力手段と、
前記通知音に対する前記利用者の応答音声と、当該応答音声とともに混入される前記通知音出力手段により出力された前記通知音と、を入力音として取得する入力音取得手段と、
前記通知音出力手段により出力した前記通知音の周波数に応じた減衰特性を有して、前記入力音取得手段により取得した前記入力音を減衰させる減衰手段と、
前記減衰手段を透過した前記入力音を用いて前記応答音声を検出する音声検出手段と、
を備えることを特徴とする音声検出装置。

（付記２）前記減衰手段は、前記通知音の出力レベルに比例した減衰量により、前記入力音を減衰することを特徴とする付記１に記載の音声検出装置。

（付記３）前記減衰手段は、前記通知音の音程の変化に応じて前記入力音を減衰することを特徴とする付記１または２に記載の音声検出装置。

（付記４）前記減衰手段の前記減衰特性は、さらに、前記通知音出力手段の出力特性と、前記入力音取得手段の入力特性とに応じて変化することを特徴とする付記１〜３のいずれか一つに記載の音声検出装置。

（付記５）前記音声検出手段が、前記応答音声以外の音声を検出した場合に、
前記通知音出力手段は、前記通知音の音量を下げることを特徴とする付記１〜４のいずれか一つに記載の音声検出装置。

（付記６）前記音声検出手段が、前記応答音声以外の音声を検出した場合に、
前記通知音出力手段は、前記通知音の周波数特性を変化させることを特徴とする付記１〜４のいずれか一つに記載の音声検出装置。

（付記７）前記音声検出手段が、前記応答音声以外の音声を検出した場合に、
前記通知音出力手段は、前記通知音の和音の数を減少させることを特徴とする付記１〜６のいずれか一つに記載の音声検出装置。

（付記８）前記減衰手段は、前記通知音の周波数の音を減衰するノッチフィルタであることを特徴とする付記１〜７のいずれか一つに記載の音声検出装置。

（付記９）前記減衰手段は、前記通知音の周波数の整数倍の音を減衰するコムフィルタであることを特徴とする付記１〜８のいずれか一つに記載の音声検出装置。

（付記１０）前記報知音出力手段が出力する前記通知音が和音によって構成されている場合に、
前記減衰手段は、各和音に対応した複数の減衰手段を用意し、前記複数の減衰手段を従属接続することを特徴とする付記１〜９のいずれか一つに記載の音声検出装置。

（付記１１）前記検出手段によって検出する前記応答音声は、あらかじめ登録した利用者の応答音声であることを特徴とする付記１〜１０のいずれか一つに記載の音声検出装置。

（付記１２）利用者への通知音を出力する通知音出力手段と、
前記通知音に対する前記利用者の応答音声と、当該応答音声とともに混入される前記通知音出力手段によって出力された前記通知音と、を入力音として取得する入力音取得手段と、
前記入力音を用いて、前記通知音と、前記応答音声とが重なり合った音声を検出する音声検出手段と、
を備えることを特徴とする音声検出装置。

（付記１３）前記音声検出手段は、前記重なり合った音声をさらに、前記通知音出力手段の出力特性と、前記入力音取得手段の入力特性とを用いて調整した音声を検出することを特徴とする付記１１に記載の音声検出装置。

（付記１４）前記入力音取得手段の後段に、エコーキャンセルフィルタを備えることを特徴とする付記１〜１３のいずれか一つに記載の音声検出装置。

（付記１５）利用者への通知音を出力する通知音出力工程と、
前記通知音に対する前記利用者の応答音声と、当該応答音声とともに混入される前記通知音出力工程により出力された前記通知音と、を入力音として取得する入力音取得工程と、
前記通知音出力工程により出力した前記通知音の周波数に応じた減衰特性を有して、前記入力音取得工程により取得した前記入力音を減衰させる減衰工程と、
前記減衰工程によって減衰した前記入力音を用いて前記応答音声を検出する音声検出工程と、
を含むことを特徴とする音声検出方法。

（付記１６）利用者への通知音を出力する通知音出力工程と、
前記通知音に対する前記利用者の応答音声と、当該応答音声とともに混入される前記通知音出力工程によって出力された前記通知音と、を入力音として取得する入力音取得工程と、
前記入力音を用いて、前記通知音と、前記応答音声とが重なり合った音声を検出する音声検出工程と、
を含むことを特徴とする音声検出方法。

以上のように、本発明にかかる音声検出装置および音声検出方法は、通知音鳴動下の音声による応答操作の検出に有用であり、特に、和音によって構成されている着信音を出力する電話や、タイマーに対する音声による応答の検出に適している。

本発明の実施の形態１にかかる音声検出装置の構成を示す説明図である。 音声検出装置に入力される入力音の波形を説明する図表である。 ノッチフィルタの特性と、入力音への影響を説明する図表である。 着信音波形と対応するコムフィルタの特性を説明する図表である。 本発明の実施の形態１にかかる音声検出装置の処理の内容を示すフローチャートである。 タイマー機能に適応した音声検出装置の構成を示す説明図である。 本発明の実施の形態２にかかる音声検出装置の構成を示す説明図である。 本発明の実施の形態２にかかる音声検出装置の処理の内容を示すフローチャートである。 本発明の実施の形態３にかかる音声検出装置の構成を示す説明図である。 本発明の実施の形態３にかかる音声検出装置の処理の内容を示すフローチャートである。 和音に対応したフィルタ構成の一例を示すブロック図である。 従来の音声検出装置の構成を示す説明図である。

符号の説明

１００，５００，６００，８００ 音声検出装置
１０１ マイク
１０２ 適応フィルタ
１０３ ノッチフィルタ
１０４ オフフック音声検出部
１０５ 着信音生成部
１０６ 送受信部
１０７ 回線接続部
１０８ スピーカ
１０９ 切り替えパス

Claims (8)

1. 利用者への通知音を出力する通知音出力手段と、
   前記通知音に対する前記利用者の応答音声と、当該応答音声とともに混入される前記通知音出力手段により出力された前記通知音と、を入力音として取得する入力音取得手段と、
   前記通知音出力手段により出力した前記通知音の周波数に応じた減衰特性を有して、前記入力音取得手段により取得した前記入力音を減衰させる減衰手段と、
   前記減衰手段を透過した前記入力音を用いて前記応答音声を検出する音声検出手段と、
   を備え、
   前記音声検出手段が、前記応答音声以外の音声を検出した場合に、
   前記通知音出力手段は、前記通知音の音量を下げることを特徴とする音声検出装置。
2. 前記減衰手段の前記減衰特性は、さらに、前記通知音出力手段の出力特性と、前記入力音取得手段の入力特性とに応じて変化することを特徴とする請求項１に記載の音声検出装置。
3. 前記音声検出手段が、前記応答音声以外の音声を検出した場合に、
   前記通知音出力手段は、前記通知音の周波数特性を狭くすることを特徴とする請求項１または２に記載の音声検出装置。
4. 前記音声検出手段が、前記応答音声以外の音声を検出した場合に、
   前記通知音出力手段は、前記通知音の和音の数を減少させることを特徴とする請求項１〜３のいずれか一つに記載の音声検出装置。
5. 前記減衰手段は、前記通知音の周波数の音を減衰するノッチフィルタであることを特徴とする請求項１〜４のいずれか一つに記載の音声検出装置。
6. 前記減衰手段は、前記通知音の周波数の整数倍の音を減衰するコムフィルタであることを特徴とする請求項１〜５のいずれか一つに記載の音声検出装置。
7. 前記報知音出力手段が出力する前記通知音が和音によって構成されている場合に、
   前記減衰手段は、各和音に対応した複数の減衰手段を用意し、前記複数の減衰手段を従属接続することを特徴とする請求項１〜６のいずれか一つに記載の音声検出装置。
8. 利用者への通知音を出力する通知音出力工程と、
   前記通知音に対する前記利用者の応答音声と、当該応答音声とともに混入される前記通知音出力工程により出力された前記通知音と、を入力音として取得する入力音取得工程と、
   前記通知音出力工程により出力した前記通知音の周波数に応じた減衰特性を有して、前記入力音取得工程により取得した前記入力音を減衰させる減衰工程と、
   前記減衰工程によって減衰した前記入力音を用いて前記応答音声を検出する音声検出工程と、
   を含み、
   前記音声検出工程において前記応答音声以外の音声を検出した場合に、
   前記通知音出力工程は、前記通知音の音量を下げることを特徴とする音声検出方法。

Images