JP4580409B2 - 音量制御装置および方法 - Google Patents

Description

本発明は、音声信号の音量を自動的に調整する音量制御装置および方法に関する。

近年、携帯電話機、ＩＰ（Internet Protocol ）電話機、テレビ会議装置等を用いて２つ以上の拠点間で通話を行う、多地点通話システムが利用されるようになっている。多地点通話システムでは、受信側装置の再生音量が一定に設定されていても、それぞれの拠点における送信側装置のマイク感度によって、受信信号の音量が拠点毎に異なる場合がある。

図１９は、このような多地点通話システムの構成例を示している。送信側電話機１０１、１０２と受信側電話機１０４は、通信ネットワーク１０３に接続されており、電話機１０４は、電話機１０１からの音声信号Ｓ１と電話機１０２からの音声信号Ｓ２を受信し、スピーカ１０５は、出力信号を音声に変換して出力する。

このとき、音声信号Ｓ１の音量が大きく、音声信号Ｓ２の音量が小さければ、スピーカ１０５から出力される音声の音量が、電話機１０１と電話機１０２の間で異なってしまう。そこで、受信信号の音量を自動的に調整し、すべての拠点の音量を同じにしたいという要望がある。

図２０は、自動ゲイン制御（ＡＧＣ）を用いた従来の音量制御方法を示している。ＡＧＣとは、入力信号の振幅が変動する場合においても出力の音量が所望のレベルになるように、自動的に増幅回路の増幅率（ゲイン）を調整する機能である。

この音量制御方法では、各拠点の受信信号Ｓ１およびＳ２の音量を、それぞれＡＧＣ２０１および２０２により一定にしてから、ミキサ２０３によりミキシング（加算）が行われる。これにより、拠点間の音量差を補正することができる。ＡＧＣ２０１および２０２の構成としては、様々な構成が提案されている。

図２１は、下記の非特許文献１に記載されたＡＧＣの構成図である。この構成では、まず、フレーム電力算出部３０１が、入力信号を２０ｍｓ毎のフレームに分割し、各フレーム内でのエネルギー（フレーム電力）を計算する。次に、最大値算出部３０２は、過去から現在までのフレーム電力の最大値を計算し、ゲイン算出部３０３は、その最大値と目標レベルの電力差からゲインを計算する。そして、乗算器３０４は、入力信号にゲインを乗算して、出力信号を生成する。

しかしながら、図２０に示した音量制御方法では、ＡＧＣの出力信号における話者の音声の音量は、全拠点で同程度となるが、周囲の環境に依存する雑音の音量は拠点毎に異なる。また、それぞれの拠点のＳＮＲ（Signal-to-Noise Ratio ）は変化しない。したがって、ミキシング後の出力信号のＳＮＲは、全拠点の受信信号のＳＮＲの中で最も小さい拠点の値に調整される。このため、ＳＮＲが小さい拠点があると、すべての拠点のＳＮＲが小さくなり、音声が聞き取りにくくなる。

下記の特許文献１は、複数の音声や雑音が混在した会話状況の中から、会話が成立している音声を抽出して、その音声の出力音量を上げたり、他の音声の音量を下げたりする音声信号処理装置に関する。

特許文献２は、音声信号にとって無関係な背景雑音を克服するために音声信号を処理する方法に関し、特許文献３は、周囲の背景雑音に埋もれず、不快感を改善した受話音声を得る音声制御装置に関し、特許文献４は、現在通話中の雑音を検出し除去する適応型雑音抑圧音声符号化装置に関する。
特開２００４−１３３４０３号公報 特表２００４−５０７１４１号公報 特開２００２−２２３２６８号公報 特開２００２−１７５１００号公報 Peter L. Chu, "VOICE-ACTIVATED AGC FOR TELECONFERENCING," Proceedings ICASSP96, vol.2, pp.929-932, 1996

本発明の課題は、複数の拠点間で音声通話をするための多地点通話システムにおいて、雑音を増幅させることなく、拠点間の音量差を低減することである。

本発明の第１の局面において、音量制御装置は、雑音音量推定部、拠点間音量制御部、複数のゲイン制御部、および信号合成部を備える。
雑音音量推定部は、複数の拠点のそれぞれから受信する、音声を含む複数の受信信号から、拠点毎の雑音音量を算出する。拠点間音量制御部は、それらの拠点の雑音音量が同じになるように、拠点毎の雑音音量に基づいてそれらの受信信号の音量を制御する。各ゲイン制御部は、スペクトル生成部、雑音スペクトル推定部、信号対雑音比推定部、ゲイン算出部、乗算器、および帯域合成部を有し、拠点間音量制御部から出力される各受信信号のゲインを制御する。信号合成部は、複数のゲイン制御部からそれぞれ出力される複数の出力信号を合成する。

各ゲイン制御部のスペクトル生成部は、拠点間音量制御部から出力される受信信号を複数の帯域に分割して、帯域毎の信号レベルを表す入力スペクトルを生成する。雑音スペクトル推定部は、帯域毎の信号レベルから、帯域毎の雑音レベルを表す雑音スペクトルを求める。信号対雑音比推定部は、入力スペクトルと雑音スペクトルの比から、帯域毎の信号対雑音比を求める。ゲイン算出部は、目標ゲインと帯域毎の信号対雑音比から、帯域毎のゲインを求める。乗算器は、帯域毎のゲインを帯域毎の信号レベルに乗算して、帯域毎の出力レベルを求める。帯域合成部は、帯域毎の出力レベルを合成して、出力信号を生成する。

拠点間音量制御部により複数の拠点の雑音音量を一定に揃えることで、各拠点の雑音音量を所望の音量に合わせることが可能になる。また、各ゲイン制御部において、帯域毎のＳＮＲに基づき帯域毎に異なるゲインを設定することで、ＳＮＲの低い雑音成分を増幅することなく、ＳＮＲの高い音声成分のみを増幅することが可能になる。したがって、信号合成部から出力される信号のＳＮＲが向上し、音声が聞き取りやすくなる。

本発明の第２の局面において、音量制御装置は、スペクトル生成部、雑音スペクトル推定部、信号対雑音比推定部、ゲイン算出部、乗算器、および帯域合成部を備える。
スペクトル生成部は、音声を含む入力信号を複数の帯域に分割して、帯域毎の信号レベルを表す入力スペクトルを生成する。雑音スペクトル推定部は、帯域毎の信号レベルから、帯域毎の雑音レベルを表す雑音スペクトルを求める。信号対雑音比推定部は、入力スペクトルと雑音スペクトルの比から、帯域毎の信号対雑音比を求める。ゲイン算出部は、目標ゲインと帯域毎の信号対雑音比から、帯域毎のゲインを求める。乗算器は、帯域毎のゲインを帯域毎の信号レベルに乗算して、帯域毎の出力レベルを求める。帯域合成部は、帯
域毎の出力レベルを合成して、出力信号を生成する。

このような音量制御装置によれば、第１の局面における音量制御装置と同様に、ＳＮＲの低い雑音成分を増幅することなく、ＳＮＲの高い音声成分のみを増幅することが可能になる。したがって、出力信号のＳＮＲが向上し、音声が聞き取りやすくなる。

本発明によれば、複数の拠点の雑音音量を一定に揃えることで、各拠点の雑音音量を所望の音量に合わせることが可能になる。また、帯域毎のＳＮＲに基づき帯域毎に異なるゲインを設定することで、ＳＮＲの低い雑音成分を増幅することなく、ＳＮＲの高い音声成分のみを増幅することが可能になる。したがって、出力信号のＳＮＲが向上し、音声が聞き取りやすくなる。

以下、図面を参照しながら、本発明を実施するための最良の形態を詳細に説明する。
図１は、多地点電話会議システムに適用される音量制御装置（多地点電話会議装置）の構成例を示している。この例では、３拠点間で電話会議が行われる。この多地点電話会議装置は、雑音音量推定部４０１、４０２、拠点間音量制御部４０３、ＡＧＣ４０４、４０５、およびミキサ４０６を備え、２拠点からの受信信号の音量（レベル）を調整して出力する。

雑音音量推定部４０１および４０２は、受信信号Ｓ１およびＳ２に含まれる雑音のレベルをそれぞれ算出し、計算結果を拠点間音量制御部４０３に出力する。拠点間音量制御部４０３は、雑音レベルの計算結果に基づいて、受信信号Ｓ１およびＳ２の雑音レベルが同じになるように、受信信号Ｓ１およびＳ２のレベルを制御し、ＡＧＣ４０４および４０５にそれぞれ出力する。

ＡＧＣ４０４および４０５は、目標レベルに合わせて、拠点間音量制御部４０３から出力される信号のゲインを調整し、ミキサ４０６は、ＡＧＣ４０４および４０５からの出力信号をミキシングして出力する。

図２は、図１の拠点間音量制御部４０３の構成例を示している。この拠点間音量制御部は、増幅器５０１、５０２とゲイン算出部５０３を備える。増幅器５０１および５０２は、受信信号Ｓ１およびＳ２をそれぞれ増幅して、ＡＧＣ４０４および４０５に出力する。ゲイン算出部５０３は、雑音音量推定部４０１および４０２の計算結果に基づいて、増幅器５０１および５０２のゲインを調整する。

ゲイン算出部５０３は、例えば、ＳＮＲが最も高い拠点の雑音レベルを基準として、各受信信号の雑音レベルをその基準レベルに合わせるような、増幅器５０１および５０２のゲインを算出し、得られたゲインをそれぞれの増幅器に設定する。これにより、ＳＮＲの大きな拠点の音声が聞き取りやすくなり、かつ、拠点間で音声レベルが同程度になる。なお、ＳＮＲが最も高い拠点の雑音レベルの代わりに、複数の拠点の雑音レベルの最小値またはあらかじめ決められた雑音レベルを、基準レベルとして用いてもよい。

図３は、図１のＡＧＣ４０４および４０５の構成例を示している。このＡＧＣは、高速フーリエ変換部６０１（ＦＦＴ）、雑音スペクトル推定部６０２、ＳＮＲ推定部６０３、目標ゲイン算出部６０４、ゲイン算出部６０５、乗算器６０６、および逆高速フーリエ変換部６０７（ＩＦＦＴ）を備え、周波数領域でＳＮＲと目標レベルに応じて帯域毎の増幅量を制御する。各帯域は、例えば、周波数の各離散値に対応する。

ＦＦＴ６０１は、直交変換により入力信号を時間領域から周波数領域に変換し、入力音のパワースペクトル（入力スペクトル）を求める。具体的には、入力信号を複数の帯域に分割して各帯域の帯域信号を算出し、各帯域信号から帯域毎のパワーを求めて、入力スペクトルを算出する。

雑音スペクトル推定部６０２は、入力スペクトルのうち、雑音信号のみを含む非音声区間のスペクトルを雑音スペクトルとして出力し、ＳＮＲ推定部６０３は、入力スペクトルと雑音スペクトルの比であるＳＮＲスペクトルを求める。ＳＮＲスペクトルは、帯域毎のＳＮＲを表している。

目標ゲイン算出部６０４は、入力スペクトルと目標レベルから、出力信号の音量が目標レベルになるような目標ゲインを算出し、ゲイン算出部６０５は、目標ゲインとＳＮＲスペクトルから帯域毎のゲインを算出する。このとき、ＳＮＲが高い帯域ではゲインが目標ゲインになり、ＳＮＲが低い帯域ではゲインが１になるように、つまり、増幅されないように、帯域毎のゲインが算出される。

乗算器６０６は、入力スペクトルのそれぞれの帯域に帯域毎のゲインを乗算して、帯域毎のレベルを調整する。ＩＦＦＴ６０７は、直交逆変換により入力信号を周波数領域から時間領域に変換して、出力信号を生成する。

このようなＡＧＣによれば、ＳＮＲの低い雑音成分を変化させることなく、ＳＮＲの高い音声成分のみを目標レベルに調整することができる。
図４は、話者の音声等の雑音以外の音声を含む音声区間におけるパワースペクトルを示している。ＡＧＣの入力音のパワースペクトル７０１には、音声成分のパワースペクトル７０２が含まれている。

図２１に示した従来のＡＧＣでは、全帯域が一様に増幅されるので、パワースペクトル７０１がパワースペクトル７０３のように変化する。この場合、音声成分とともに雑音成分も増幅されてしまい、耳障りな音声が出力される。それに加えて、音声区間と非音声区間とでゲインが変化するため、雑音成分のレベル変動が発生し、さらに耳障りとなる。

一方、図３のＡＧＣでは、ＳＮＲの低い帯域は増幅されず、ＳＮＲの高い帯域のみが選択的に増幅されるので、パワースペクトル７０１がパワースペクトル７０４のように変化する。したがって、雑音成分を増幅することなく、音声成分のみを増幅することができる。

図５は、２つの拠点の受信信号をミキシングした後の出力信号のパワーを示している。図２０に示した従来の音量制御方法では、受信信号Ｓ１およびＳ２をＡＧＣにより調整することで音声レベルは一定になるが、ミキシング後のＳＮＲが低くなる。一方、図１の音量制御方法では、拠点間の雑音レベルを合わせてからＡＧＣを行うことで、ミキシング後のＳＮＲが従来に比べて大きくなる。

図１では、２拠点からの受信信号を処理する構成が示されているが、３拠点以上の受信信号を処理する構成についても同様である。
図６は、図３のＡＧＣを携帯電話機の受信部に適用した場合の構成例を示している。復号部９０１は、受信信号を復号してＡＧＣ９０２に出力し、ＡＧＣ９０２は、復号部９０１から出力される信号のゲインを調整して、スピーカ９０３に出力する。

図７は、図６のＡＧＣ９０２の構成例を示している。このＡＧＣは、ＦＦＴ６０１、雑音スペクトル推定部６０２、ＳＮＲ推定部６０３、ゲイン算出部６０５、乗算器６０６、
ＩＦＦＴ６０７、音声動作検出部１００１（ＶＡＤ）、平均音声レベル算出部１００２、および目標ゲイン算出部１００３を備える。

ＶＡＤ１００１は、入力信号から音声区間と非音声区間を検出し、平均音声レベル算出部１００２は、音声区間の平均レベルから平均音声レベルを算出する。目標ゲイン算出部１００３は、平均音声レベルと目標レベルの比から目標ゲインＧ０を算出する。

ＦＦＴ６０１は、入力信号のＦＦＴを行って、入力スペクトルを算出する。雑音スペクトル推定部６０２は、入力スペクトルから音声動作検出により音声区間と非音声区間を検出し、非音声区間の平均レベルから雑音スペクトルを算出する。ＳＮＲ推定部６０３は、入力スペクトルと雑音スペクトルからＳＮＲスペクトルを算出する。

ゲイン算出部６０５は、目標ゲインＧ０とＳＮＲスペクトルから、次式によりｉ番目の帯域のゲインＧ（ｉ）を算出する。

Ｇ（ｉ）＝Ｇ０×β（ｉ） （ｉ＝１，２，．．．，ｎ）

ここで、ｉ番目の係数β（ｉ）は、ＳＮＲスペクトルに含まれるｉ番目の帯域のＳＮＲに応じて決められる。

Ｇ０およびＧ（ｉ）を対数ゲインで表すと、β（ｉ）は、例えば、図８に示すような値をとる。この場合、ＳＮＲが０〜２ｄＢの帯域のβ（ｉ）は０となり、ＳＮＲが６ｄＢを超える帯域のβ（ｉ）は１となる。また、ＳＮＲが２〜６ｄＢの帯域のβ（ｉ）は０〜１の値になる。したがって、ＳＮＲが０〜２ｄＢの帯域のＧ（ｉ）は０になり、ＳＮＲが６ｄＢを超える帯域のＧ（ｉ）はＧ０に一致し、ＳＮＲが２〜６ｄＢの帯域のＧ（ｉ）は０〜Ｇ０の値になる。

乗算器６０６は、入力スペクトルにおけるｉ番目の帯域のパワーにＧ（ｉ）を乗算して、出力スペクトルを算出し、ＩＦＦＴ６０７は、出力スペクトルのＩＦＦＴを行って、出力信号を生成する。

図９は、図７のＡＧＣを多地点電話会議装置に適用した場合の構成例を示している。この例では、３拠点間で電話会議が行われる。この多地点電話会議装置は、雑音音量推定部１２０１、拠点間音量制御部１２０２、ＡＧＣ１２０３、１２０４、およびミキサ１２０５を備える。

雑音音量推定部１２０１の動作は、図１の雑音音量推定部４０１および４０２と同様であり、拠点間音量制御部１２０２およびミキサ１２０５の動作は、図１の拠点間音量制御部４０３およびミキサ４０６とそれぞれ同様である。また、ＡＧＣ１２０３および１２０４は、図７と同様の構成を有する。

図１０は、図９の多地点電話会議装置における音量制御の例を示している。まず、雑音音量推定部１２０１は、拠点毎に雑音レベルを算出する。受信信号Ｓ１のパワー１３０１から雑音レベル１３０３（−６０ｄＢｏｖ）が算出され、受信信号Ｓ２のパワー１３０２から雑音レベル１３０４（−８０ｄＢｏｖ）が算出される。この場合、雑音レベル１３０４が雑音レベルの最小値に相当する。

そこで、拠点間音量制御部１２０２は、雑音レベル１３０３が雑音レベル１３０４に一致するように、受信信号Ｓ１を減衰させる。これにより、受信信号Ｓ１のパワー１３０１は、パワー１３０５のように変化する。

次に、ＡＧＣ１２０３は、受信信号Ｓ１の音声成分のみを目標レベル１３０６（−２６ｄＢｏｖ）まで増幅する。これにより、受信信号Ｓ１のパワー１３０５は、パワー１３０７のように変化する。一方、受信信号Ｓ２の音声成分は、すでに目標レベル１３０６に達している。

次に、ミキサ１２０５は、ＡＧＣ１２０３および１２０４からの調整された信号をミキシングして、出力信号を生成する。生成された出力信号の音声レベルは−２６ｄＢｏｖになり、雑音レベルは−８０ｄＢｏｖになる。

これに対して、図２０に示した従来の音量制御方法では、図１１に示すように、ＡＧＣ２０１は、受信信号Ｓ１を目標レベル１３０６まで増幅する。これにより、受信信号Ｓ１のパワー１３０１は、パワー１４０１のように変化し、雑音レベル１３０３は雑音レベル１４０２（−４０ｄＢｏｖ）まで上昇する。

次に、ミキサ２０３は、ＡＧＣ２０１および２０２からの調整された信号をミキシングして、出力信号を生成する。生成された出力信号の音声レベルは−２６ｄＢｏｖになり、雑音レベルは−４０ｄＢｏｖになる。

このように、本発明では、ミキシング後の雑音レベルが−８０ｄＢｏｖとなるが、従来技術では−４０ｄＢｏｖとなり、本発明の方が雑音レベルを小さくすることができる。
図１２は、多地点電話会議装置の別の構成例を示している。この多地点電話会議装置は、図９の構成において、拠点間音量制御部１２０２を拠点間音量制御部１５０２に置き換え、ＳＮＲ推定部１５０１を追加した構成を有する。

ＳＮＲ推定部１５０１は、受信信号Ｓ１およびＳ２のＳＮＲを算出して拠点間音量制御部１５０２に出力する。拠点間音量制御部１５０２は、ＳＮＲ推定部１５０１からのＳＮＲの最大値を求め、ＳＮＲの最大値と目標レベルの差から目標雑音レベルを算出する。そして、すべての拠点の雑音レベルが目標雑音レベルになるように、拠点毎の受信信号のレベルを調整する。

図１３は、図１２の多地点電話会議装置における音量制御の例を示している。まず、雑音音量推定部１２０１は、拠点毎に雑音レベルを算出し、ＳＮＲ推定部１５０１は、拠点毎にＳＮＲを算出する。受信信号Ｓ１のパワー１６０１から音声レベル１６０３（−５０ｄＢｏｖ）および雑音レベル１６０５（−６０ｄＢｏｖ）が算出され、受信信号Ｓ１のＳＮＲは１０ｄＢになる。また、受信信号Ｓ２のパワー１６０２から音声レベル１６０４（−６０ｄＢｏｖ）および雑音レベル１６０６（−８０ｄＢｏｖ）が算出され、受信信号Ｓ２のＳＮＲは２０ｄＢになる。

次に、拠点間音量制御部１５０２は、目標レベル１６０７（−２６ｄＢｏｖ）からＳＮＲの最大値２０ｄＢを減算して、目標雑音レベル１６０８（−４６ｄＢｏｖ）を算出する。そして、雑音レベル１６０５および１６０６が目標雑音レベル１６０８に一致するように、受信信号Ｓ１およびＳ２をそれぞれ増幅する。これにより、受信信号Ｓ１のパワー１６０１は、パワー１６０９のように変化し、その音声レベル１６１１は−３６ｄＢｏｖになる。また、受信信号Ｓ２のパワー１６０２は、パワー１６１０のように変化し、その音声レベルは目標レベル１６０７（−２６ｄＢｏｖ）に一致する。

次に、ＡＧＣ１２０３は、受信信号Ｓ１の音声成分のみを目標レベル１６０７（−２６ｄＢｏｖ）まで増幅する。これにより、受信信号Ｓ１のパワー１６０９は、パワー１６１２のように変化する。一方、受信信号Ｓ２の音声成分は、すでに目標レベル１６０７に達
している。

次に、ミキサ１２０５は、ＡＧＣ１２０３および１２０４からの調整された信号をミキシングして、出力信号を生成する。生成された出力信号の音声レベルは−２６ｄＢｏｖになり、雑音レベルは−４６ｄＢｏｖになる。

これに対して、図２０に示した従来の音量制御方法では、図１４に示すように、ＡＧＣ２０１は、受信信号Ｓ１を目標レベル１６０７まで増幅し、ＡＧＣ２０２は、受信信号Ｓ２を目標レベル１６０７まで増幅する。これにより、受信信号Ｓ１のパワー１６０１は、パワー１７０１のように変化し、雑音レベル１６０５は雑音レベル１７０３（−３６ｄＢｏｖ）まで上昇する。また、受信信号Ｓ２のパワー１６０２は、パワー１７０２のように変化し、雑音レベル１６０６は雑音レベル１７０４（−４６ｄＢｏｖ）まで上昇する。

次に、ミキサ２０３は、ＡＧＣ２０１および２０２からの調整された信号をミキシングして、出力信号を生成する。生成された出力信号の音声レベルは−２６ｄＢｏｖになり、雑音レベルは−３６ｄＢｏｖになる。

このように、本発明では、ミキシング後の雑音レベルが−４６ｄＢｏｖとなるが、従来技術では−３６ｄＢｏｖとなり、本発明の方が雑音レベルを小さくすることができる。
図１５は、多地点電話会議装置のさらに別の構成例を示している。この例では、４拠点間で電話会議が行われる。この多地点電話会議装置は、雑音音量推定部１８０１、ＳＮＲ推定部１８０２、拠点間音量制御部１８０３、ＡＧＣ１８０４〜１８０６、およびミキサ１８０７を備え、図１２の多地点電話会議装置と同様にして、３つの受信信号Ｓ１〜Ｓ３から出力信号を生成する。

図１６は、図１５の多地点電話会議装置における音量制御の例を示している。まず、雑音音量推定部１８０１は、拠点毎に雑音レベルを算出し、ＳＮＲ推定部１８０２は、拠点毎にＳＮＲを算出する。受信信号Ｓ１、Ｓ２、およびＳ３の音声レベルは、それぞれ、−１０ｄＢｏｖ、−３０ｄＢｏｖ、および−４０ｄＢｏｖになり（１９０１）、雑音レベルは、それぞれ、−３０ｄＢｏｖ、−６０ｄＢｏｖ、および−８０ｄＢｏｖになる（１９０２）。したがって、ＳＮＲは、それぞれ、２０ｄＢ、３０ｄＢ、および４０ｄＢになる（１９０３）。

次に、拠点間音量制御部１８０３は、目標レベル（−２５ｄＢｏｖ）からＳＮＲの最大値４０ｄＢを減算して、目標雑音レベル（−６５ｄＢｏｖ）を算出する。そして、それぞれの雑音レベルが目標雑音レベルに一致するように、受信信号Ｓ１、Ｓ２、およびＳ３をそれぞれ調整する。これにより、受信信号Ｓ１、Ｓ２、およびＳ３の音声レベルは、それぞれ、−４５ｄＢｏｖ、−３５ｄＢｏｖ、および−２５ｄＢｏｖになり（１９０４）、雑音レベルは−６５ｄＢｏｖになる（１９０５）。

次に、ＡＧＣ１８０４および１８０５は、それぞれ、受信信号Ｓ１およびＳ２の音声成分のみを目標レベル（−２５ｄＢｏｖ）まで増幅する。これにより、受信信号Ｓ１、Ｓ２、およびＳ３の音声レベルは−２５ｄＢｏｖになる（１９０６）。一方、雑音レベルは−６５ｄＢｏｖのままである（１９０７）。

次に、ミキサ１８０７は、ＡＧＣ１８０４〜１８０６からの調整された信号をミキシングして、出力信号を生成する。生成された出力信号の音声レベルは−２５ｄＢｏｖになり（１９０８）、雑音レベルは−６５ｄＢｏｖになる（１９０９）。

図１７は、図２０に示した従来の音量制御の例を示している。この例では、受信信号Ｓ
１、Ｓ２、およびＳ３の音声レベル（２００１）および雑音レベル（２００２）は、図１６と同様である。これらの受信信号は、ＡＧＣにより目標レベル（−２５ｄＢｏｖ）に調整される。これにより、受信信号Ｓ１、Ｓ２、およびＳ３の音声レベルは−２５ｄＢｏｖになり（２００３）、雑音レベルは、それぞれ、−４５ｄＢｏｖ、−５５ｄＢｏｖ、および−６５ｄＢｏｖになる（２００４）。

次に、調整された信号がミキシングされ、出力信号が生成される。生成された出力信号の音声レベルは−２５ｄＢｏｖになり（２００５）、雑音レベルは−４５ｄＢｏｖになる（２００６）。

このように、本発明では、ミキシング後の雑音レベルが−６５ｄＢｏｖとなるが、従来技術では−４５ｄＢｏｖとなり、本発明の方が雑音レベルを小さくすることができる。
図１２および図１５では、それぞれ、２拠点および３拠点からの受信信号を処理する構成が示されているが、４拠点以上の受信信号を処理する構成についても同様である。

図１８は、図６、図９、図１２、および図１５に示したＡＧＣの別の構成例を示している。この構成では、受信信号の代わりに入力スペクトルに基づいて、音声動作検出が行われる。

このＡＧＣは、ＦＦＴ６０１、ＳＮＲ推定部６０３、ゲイン算出部６０５、乗算器６０６、ＩＦＦＴ６０７、雑音スペクトル推定部２１０１、ＶＡＤ２１０２、および目標ゲイン算出部２１０３を備える。このうち、ＦＦＴ６０１、ＳＮＲ推定部６０３、ゲイン算出部６０５、乗算器６０６、およびＩＦＦＴ６０７の動作は、図７の場合と同様である。

ＶＡＤ２１０２は、入力スペクトルから音声区間と非音声区間を検出し、雑音スペクトル推定部２１０１は、非音声区間の平均レベルから雑音スペクトルを算出して、ＳＮＲ推定部６０３に出力する。目標ゲイン算出部２１０３は、音声区間の平均レベルから平均音声レベルを算出し、平均音声レベルと目標レベルの比から目標ゲインＧ０を算出して、ゲイン算出部６０５に出力する。

ところで、ＡＧＣにより音声を増幅しすぎると音声が歪むことがあり、音声を減衰させるとＳＮＲが低下する。そこで、算出された目標ゲインに上限および下限を設けることが望ましい。この場合、算出された目標ゲインが上限を超えていれば、目標ゲインはその上限の値に置き換えられ、算出された目標ゲインが下限を下回っていれば、目標ゲインはその下限の値に置き換えられる。目標ゲインの下限としては、例えば、０ｄＢが用いられる。

また、多地点電話会議装置において、ある拠点の雑音レベルが小さすぎるとＳＮＲが大きくなるため、大きなゲインが設定されて音声が歪むことがあり、雑音レベルが大きすぎると音声がクリップされる。そこで、拠点間音量制御部に入力される受信信号に低レベルの雑音を重畳する雑音重畳部を設けることが望ましい。これにより、拠点毎に一定以上の雑音レベルを確保することができる。

低レベルの雑音を重畳する代わりに、拠点毎の雑音レベルに上限および下限を設けてもよい。この場合、雑音レベルが上限を超えていれば、雑音レベルはその上限の値に置き換えられ、雑音レベルが下限を下回っていれば、雑音レベルはその下限の値に置き換えられる。

以上説明した実施形態においては、ＡＧＣ内の目標ゲイン算出部において、全帯域に共通の目標レベルから目標ゲインを算出しているが、その代わりに、帯域毎に異なる目標レ
ベルから帯域毎に異なる目標ゲインを算出してもよい。

さらに、ＡＧＣにおいては、入力音のパワースペクトルに基づいて自動ゲイン制御を行っているが、その代わりに、入力音の振幅スペクトルに基づいて自動ゲイン制御を行ってもよい。この場合、ＦＦＴは、入力音の振幅スペクトルを入力スペクトルとして出力し、乗算器は、入力スペクトルにおけるｉ番目の帯域の信号にＧ（ｉ）を乗算して、出力スペクトルを生成する。

（付記１）複数の拠点のそれぞれから受信する、音声を含む複数の受信信号から、拠点毎の雑音音量を算出する雑音音量推定部と、
前記複数の拠点の雑音音量が同じになるように、前記拠点毎の雑音音量に基づいて前記複数の受信信号の音量を制御する拠点間音量制御部と、
前記拠点間音量制御部から出力される複数の受信信号のゲインをそれぞれ制御する複数のゲイン制御部と、
前記複数のゲイン制御部からそれぞれ出力される複数の出力信号を合成する信号合成部とを備え、
前記複数のゲイン制御部の各々は、
前記拠点間音量制御部から出力される受信信号を複数の帯域に分割して、帯域毎の信号レベルを表す入力スペクトルを生成するスペクトル生成部と、
前記帯域毎の信号レベルから、帯域毎の雑音レベルを表す雑音スペクトルを求める雑音スペクトル推定部と、
前記入力スペクトルと前記雑音スペクトルの比から、帯域毎の信号対雑音比を求める信号対雑音比推定部と、
目標ゲインと前記帯域毎の信号対雑音比から、帯域毎のゲインを求めるゲイン算出部と、
前記帯域毎のゲインを前記帯域毎の信号レベルに乗算して、帯域毎の出力レベルを求める乗算器と、
前記帯域毎の出力レベルを合成して、出力信号を生成する帯域合成部とを有することを特徴とする音量制御装置。
（付記２）前記複数の受信信号から拠点毎の信号対雑音比を求める信号対雑音比推定部をさらに備え、前記拠点間音量制御部は、該拠点毎の信号対雑音比から最も大きな信号対雑音比を求め、該最も大きな信号対雑音比と目標音量から目標雑音音量を求め、前記複数の拠点の雑音音量が該目標雑音音量になるように、前記複数の受信信号の音量を制御することを特徴とする付記１記載の音量制御装置。
（付記３）前記拠点間音量制御部は、前記拠点毎の雑音音量から最も小さな雑音音量を求め、前記複数の拠点の雑音音量が該最も小さな雑音音量になるように、前記複数の受信信号の音量を制御することを特徴とする付記１記載の音量制御装置。
（付記４）前記拠点間音量制御部は、前記複数の拠点の雑音音量があらかじめ決められた雑音音量になるように、前記複数の受信信号の音量を制御することを特徴とする付記１記載の音量制御装置。
（付記５）前記複数の受信信号に低レベルの雑音を重畳する雑音重畳部をさらに備えることを特徴とする付記１乃至４のいずれかに記載の音量制御装置。
（付記６）前記拠点間音量制御部は、前記拠点毎の雑音音量が上限値より大きければ、該雑音音量を該上限値に置き換え、前記拠点毎の雑音音量が下限値より小さければ、該雑音音量を該下限値に置き換えることを特徴とする付記１乃至４のいずれかに記載の音量制御装置。
（付記７）前記複数のゲイン制御部の各々は、目標音量と前記入力信号の音量から前記目標ゲインを求める目標ゲイン算出部をさらに有することを特徴とする付記１乃至６のいずれかに記載の音量制御装置。
（付記８）前記複数のゲイン制御部の各々は、目標音量と前記帯域毎の信号レベルから前
記目標ゲインを求める目標ゲイン算出部をさらに有することを特徴とする付記１乃至６のいずれかに記載の音量制御装置。
（付記９）音声を含む入力信号を複数の帯域に分割して、帯域毎の信号レベルを表す入力スペクトルを生成するスペクトル生成部と、
前記帯域毎の信号レベルから、帯域毎の雑音レベルを表す雑音スペクトルを求める雑音スペクトル推定部と、
前記入力スペクトルと前記雑音スペクトルの比から、帯域毎の信号対雑音比を求める信号対雑音比推定部と、
目標ゲインと前記帯域毎の信号対雑音比から、帯域毎のゲインを求めるゲイン算出部と、
前記帯域毎のゲインを前記帯域毎の信号レベルに乗算して、帯域毎の出力レベルを求める乗算器と、
前記帯域毎の出力レベルを合成して、出力信号を生成する帯域合成部と
を備えることを特徴とする音量制御装置。
（付記１０）目標音量と前記入力信号の音量から前記目標ゲインを求める目標ゲイン算出部をさらに備えることを特徴とする付記９記載の音量制御装置。
（付記１１）目標音量と前記帯域毎の信号レベルから前記目標ゲインを求める目標ゲイン算出部をさらに備えることを特徴とする付記９記載の音量制御装置。
（付記１２）前記目標ゲイン算出部は、前記目標ゲインが上限値より大きければ、該目標ゲインを該上限値に設定し、前記目標ゲインが下限値より小さければ、該目標ゲインを該下限値に設定することを特徴とする付記１０または１１記載の音量制御装置。
（付記１３）音声を含む入力信号を複数の帯域に分割して、帯域毎の信号レベルを表す入力スペクトルを生成し、
前記帯域毎の信号レベルから、帯域毎の雑音レベルを表す雑音スペクトルを求め、
前記入力スペクトルと前記雑音スペクトルの比から、帯域毎の信号対雑音比を求め、
目標ゲインと前記帯域毎の信号対雑音比から、帯域毎のゲインを求め、
前記帯域毎のゲインを前記帯域毎の信号レベルに乗算して、帯域毎の出力レベルを求め、
前記帯域毎の出力レベルを合成して、出力信号を生成する
ことを特徴とする音量制御方法。

第１の多地点電話会議装置の構成図である。 拠点間音量制御部の構成図である。 第１のＡＧＣの構成図である。 音声区間のパワースペクトルを示す図である。 ミキシング後のパワーを示す図である。 携帯電話機の受信部の構成図である。 第２のＡＧＣの構成図である。 乗算係数とＳＮＲの関係を示す図である。 第２の多地点電話会議装置の構成図である。 本発明における第１の音量制御を示す図である。 従来における第１の音量制御を示す図である。 第３の多地点電話会議装置の構成図である。 本発明における第２の音量制御を示す図である。 従来における第２の音量制御を示す図である。 第４の多地点電話会議装置の構成図である。 本発明における第３の音量制御を示す図である。 従来における第３の音量制御を示す図である。 第３のＡＧＣの構成図である。 従来の多地点通話システムの構成図である。 従来の音量制御方法を示す図である。 従来のＡＧＣの構成図である。

符号の説明

１０１、１０２、１０４ 電話機
１０３ 通信ネットワーク
１０５、９０３ スピーカ
２０１、２０２、４０４、４０５、９０２、１２０３、１２０４、１８０４、１８０５、１８０６ ＡＧＣ
２０３、４０６、１２０５、１８０７ ミキサ
３０１ フレーム電力算出部
３０２ 最大値算出部
３０３ ゲイン算出部
３０４ 乗算器
４０１、４０２、１２０１、１８０１ 雑音音量推定部
４０３、１２０２、１５０２、１８０３ 拠点間音量制御部
５０１、５０２ 増幅器
５０３ ゲイン算出部
６０１ 高速フーリエ変換部
６０２、２１０１ 雑音スペクトル推定部
６０３、１５０１、１８０２ ＳＮＲ推定部
６０４ 目標ゲイン算出部
６０５ ゲイン算出部
６０６ 乗算器
６０７ 逆高速フーリエ変換部
７０１、７０２、７０３、７０４ パワースペクトル
９０１ 復号部
１００１、２１０２ 音声動作検出部
１００２ 平均音声レベル算出部
１００３、２１０３ 目標ゲイン算出部
１３０１、１３０２、１３０５、１３０７、１４０１、１６０１、１６０２、１６０９、１６１０、１６１２、１７０１、１７０２ パワー
１３０３、１３０４、１４０２、１６０５、１６０６、１７０３、１７０４、１９０２、１９０５、１９０７、１９０９、２００２、２００４、２００６ 雑音レベル
１３０６、１６０７ 目標レベル
１６０３、１６０４、１６１１、１９０１、１９０４、１９０６、１９０８、２００１、２００３、２００５ 音声レベル
１６０８ 目標雑音レベル
１９０３ ＳＮＲ

Claims (5)

1. 複数の拠点のそれぞれから受信する、音声を含む複数の受信信号から、拠点毎の雑音音量を算出する雑音音量推定部と、
   前記複数の拠点の雑音音量が同じになるように、前記拠点毎の雑音音量に基づいて前記複数の受信信号の音量を制御する拠点間音量制御部と、
   前記拠点間音量制御部から出力される複数の受信信号のゲインをそれぞれ制御する複数のゲイン制御部と、
   前記複数のゲイン制御部からそれぞれ出力される複数の出力信号を合成する信号合成部とを備え、
   前記複数のゲイン制御部の各々は、
   前記拠点間音量制御部から出力される受信信号を複数の帯域に分割して、帯域毎の信号レベルを表す入力スペクトルを生成するスペクトル生成部と、
   前記帯域毎の信号レベルから、帯域毎の雑音レベルを表す雑音スペクトルを求める雑音スペクトル推定部と、
   前記入力スペクトルと前記雑音スペクトルの比から、帯域毎の信号対雑音比を求める信号対雑音比推定部と、
   目標ゲインと前記帯域毎の信号対雑音比から、帯域毎のゲインを求めるゲイン算出部と、
   前記帯域毎のゲインを前記帯域毎の信号レベルに乗算して、帯域毎の出力レベルを求める乗算器と、
   前記帯域毎の出力レベルを合成して、出力信号を生成する帯域合成部とを有することを特徴とする音量制御装置。
2. 前記複数の受信信号から拠点毎の信号対雑音比を求める信号対雑音比推定部をさらに備え、前記拠点間音量制御部は、該拠点毎の信号対雑音比から最も大きな信号対雑音比を求め、該最も大きな信号対雑音比と目標音量から目標雑音音量を求め、前記複数の拠点の雑音音量が該目標雑音音量になるように、前記複数の受信信号の音量を制御することを特徴とする請求項１記載の音量制御装置。
3. 前記拠点間音量制御部は、前記拠点毎の雑音音量から最も小さな雑音音量を求め、前記複数の拠点の雑音音量が該最も小さな雑音音量になるように、前記複数の受信信号の音量を制御することを特徴とする請求項１記載の音量制御装置。
4. 前記拠点間音量制御部は、前記複数の拠点の雑音音量があらかじめ決められた雑音音量になるように、前記複数の受信信号の音量を制御することを特徴とする請求項１記載の音量制御装置。
5. 前記複数の受信信号に低レベルの雑音を重畳する雑音重畳部をさらに備えることを特徴とする請求項１乃至４のいずれかに記載の音量制御装置。

Images