JP4757158B2

JP4757158B2 - 音信号処理方法、音信号処理装置及びコンピュータプログラム

Info

Publication number: JP4757158B2
Application number: JP2006254931A
Authority: JP
Inventors: 太介伊藤; 昭二早川
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2006-09-20
Filing date: 2006-09-20
Publication date: 2011-08-24
Anticipated expiration: 2026-09-20
Also published as: JP2008076676A; CN101149928B; CN101149928A; DE102007001255B4; US20080069364A1; KR20080026456A; DE102007001255A1; KR100870889B1

Description

本発明は、取得した音に基づく音信号をスペクトルに変換して信号処理を実行する音信号処理方法、該音信号処理方法を適用した音信号処理装置、及び該音信号処理装置を実現するためのコンピュータプログラムに関し、特にマイク等の入力手段から入力された音に含まれる装置の電子音、緊急自動車のサイレン等の非定常的な雑音の抑制に関する。

例えばカーナビゲーション装置等の装置に搭載される音声認識機能においては、音声が含まれる音声区間を正しく検出することができるか否かが音声認識の性能に大きく影響する。音声区間の検出方法としては、例えば音信号をＦＦＴ（高速フーリエ変換）等の変換方法にて変換したスペクトルの時間軸方向の振幅の二乗として求められるパワーが所定の閾値以上の場合に音声と判定することで音声区間を検出する方法、ピッチと呼ばれる音信号の周期性の抽出を行い、ピッチが存在する場合に音声と判定することで音声区間を検出する方法、これら両方法の組合せ等の方法が主流である。

ここで従来の音声認識システムにおける音声認識処理を説明する。図７は、従来の音声認識処理を示すフローチャートである。音声認識システムは、音声及び雑音を含む音をマイクにて取得し（Ｓ１０１）、取得した音に基づく音信号を所定時間毎に区分したフレーム単位でスペクトルに変換し、変換したスペクトルからパワー、ピッチ、ケプストラム等の特徴量を抽出する（Ｓ１０２）。

さらに音声認識システムは、抽出した特徴量であるパワー及びピッチから音声区間検出用の閾値以上となるフレームを検出し、検出したフレームが一定時間以上連続するか否かを判定することにより、取得した音から音声区間を判定する（Ｓ１０３）。

そして音声認識システムは、音声区間と判定したフレームの特徴量を、音響モデル及び言語辞書と照合することで音声区間の音声を認識する（Ｓ１０４）。

図７に示す様な音声認識処理において、カーナビゲーションシステムのボタン操作音等の電子音は或る程度のパワー及びピッチを有するため、音声認識システムが単独の電子音を取得した場合、電子音を音声であると誤判定し易いという問題がある。

そこで特許文献１には、電子音（トーン信号）には少ない数のピークが存在するという性質を利用し、スペクトルのピークが検出された場合に電子音として判定する方法が開示されている。

また特許文献２には、緊急自動車のサイレン音を抑圧する雑音抑圧方法が開示されている。

さらに電子音、サイレン音等の非定常雑音だけでなく、周期性のノイズを抑圧する方法が特許文献３に開示されている。
特開平８−２６５４５７号公報特開２００３−５８１８６号公報特開２００５−２５７８０５号公報

しかしながら特許文献１に開示されている従来の方法では、車両のエンジン音、エアコン音等の雑音が発生している環境下では、電子音のスペクトルのピークを検出する精度が低下するという問題がある。

ここで特許文献１が有する問題について図を用いて説明する。図８は、スペクトルを示す図である。図８（ａ）は、車両のエンジン音による雑音が発生していない環境下での周波数及びパワーの関係を示す波形図であり、図８（ｂ）は、エンジン音による雑音が発生している環境下での周波数及びパワーの関係を示す波形図である。図８（ａ）に示すように、エンジン音による雑音が発生していない環境下では、パワーが点線で示す閾値以上となる２本の帯域幅の少ない鋭いピークが明確に出現しており、電子音による雑音であるとして高精度に検出することが可能である。しかしながら図８（ｂ）に示すように、点線で示すエンジン音による雑音が発生している環境下では、低周波数帯にエンジン音に起因する帯域幅の広い緩やかなピークが発生するため電子音に起因する２本のピークが不明確となるため、単に閾値とパワーとを比較するだけの方法では、ピークを検出する精度が低下する。

特許文献２に記載した方法では、サイレン音の基本周波数の抽出が必要となり、過去のフレームから平均スペクトルを計算しなければならず、従って事前に学習した周期性雑音しか抑制することができないという問題がある。

特許文献３に記載した方法では、抑制する雑音収集用のマイクが別途必要となるという問題がある。

本発明は斯かる事情に鑑みてなされたものであり、スペクトルからスペクトル包絡を算出し、スペクトルからスペクトル包絡を除去し、スペクトル包絡を除去したスペクトルに基づいてスペクトルピークを検出して抑制することにより、エンジン音、エアコン音等の定常雑音が発生する環境下でも高精度に電子音、サイレン音等の非定常雑音のピークを検出して抑制することが可能であり、また事前の学習を必要とせず、更には雑音収集用のマイクを要しない音信号処理方法、該音信号処理方法を適用した音信号処理装置、及び該音信号処理装置を実現するためのコンピュータプログラムの提供を目的とする。

本発明に係る音信号処理方法は、取得した音に基づく音信号を変換した原スペクトルに対して信号処理を実行する音信号処理方法において、前記原スペクトルに基づくスペクトル包絡を算出し、前記原スペクトルからスペクトル包絡を除去し、スペクトル包絡を除去した包絡除去スペクトルからスペクトルピークを検出し、前記原スペクトルから、前記スペクトルピークを抑制することを特徴とする。

本発明では、スペクトル包絡を除去後、スペクトルピークを検出することにより、エンジン音、エアコン音等の低周波域で発生する緩やかなピークによる悪影響を受けることなく、電子音等の鋭いピークを検出することができるので、高精度にピークを検出し、雑音を除去することが可能である。また事前の学習を必要とせず、更には雑音収集用のマイクを必要としない。

本発明に係る音信号処理装置は、取得した音に基づく音信号を変換した原スペクトルに対して信号処理を実行する音信号処理装置において、前記原スペクトルに基づくスペクトル包絡を算出する包絡算出手段と、前記原スペクトルからスペクトル包絡を除去する包絡除去手段と、スペクトル包絡を除去した包絡除去スペクトルからスペクトルピークを検出する検出手段と、前記原スペクトルから、前記スペクトルピークを抑制する抑制手段とを備えることを特徴とする。

本発明に係る音信号処理装置は、前記包絡算出手段は、音信号を第１変換により変換した変換スペクトルからケプストラムを算出し、算出したケプストラムに係る所定の次数より低次の成分を、第１変換の逆変換である第２変換により変換してスペクトル包絡を算出する様に構成してあることを特徴とする。

本発明では、ＦＦＴ等の第１変換及び逆ＦＦＴ等の第２変換により、スペクトルの概形を示す包絡スペクトルを算出する。

本発明に係る音信号処理装置は、前記検出手段は、前記包絡除去スペクトルについて、所定の閾値より大きい値を示す帯域を、前記スペクトルピークを含む帯域として検出する様に構成してあることを特徴とする。

本発明では、閾値との比較により、スペクトルピークを検出することが可能である。

本発明に係る音信号処理装置は、前記検出手段は、前記包絡除去スペクトルについて、所定幅の帯域中の値の集計値と、他の全帯域の値の集計値との比の値が所定の閾値より大きい値を示す帯域を、前記スペクトルピークを含む帯域として検出する様に構成してあることを特徴とする。

本発明では、単にスペクトルピークが高い帯域ではなく、全帯域のスペクトルパワーと比較してパワーが強い帯域からピークを抽出することにより、帯域全体から見て顕著なピークを検出することが可能である。

本発明に係る音信号処理装置は、前記抑制手段は、前記スペクトルピークを含む帯域の前記原スペクトルの値で、閾値以上である値を、閾値に基づく値に置換して前記スペクトルピークを抑制する様に構成してあることを特徴とする。

本発明では、電子音等の雑音に基づくスペクトルピークの値を、閾値に置換することにより、ピークを除去して雑音を抑制することが可能である。

本発明に係る音信号処理装置は、前記抑制手段は、前記スペクトルピークを含む帯域の前記原スペクトルの値で、スペクトル包絡以上である値を、スペクトル包絡に基づく値に置換して前記スペクトルピークを抑制する様に構成してあることを特徴とする。

本発明では、電子音等の雑音に基づくスペクトルピークの値を、スペクトル包絡に基づく値に置換することにより、ピークを除去して雑音を抑制することが可能である。

本発明に係る音信号処理装置は、前記抑制手段は、前記スペクトルピークを含む帯域の前記原スペクトルの値を、前記スペクトルピークを含む帯域より広い帯域の値の集計値に置換して前記スペクトルピークを抑制する様に構成してあることを特徴とする。

本発明では、電子音等の雑音に基づくスペクトルピークの値を、例えばスペクトルピークを中心とする数１００Ｈｚ幅の帯域の値の平均値等の集計値に置換することにより、ピークを除去して雑音を抑制することが可能である。

本発明に係る信号処理装置は、前記スペクトルピークを抑制した音信号に基づいて、音声認識処理を実行する手段を更に備えることを特徴とする。

本発明では、電子音等の雑音を除去した音信号に基づいて高精度に音声認識処理を実行することが可能である。

本発明に係るコンピュータプログラムは、コンピュータに、取得した音に基づく音信号を変換した原スペクトルに対して信号処理を実行させるコンピュータプログラムにおいて、コンピュータに、前記原スペクトルに基づくスペクトル包絡を算出させる手順と、コンピュータに、前記原スペクトルからスペクトル包絡を除去させる手順と、コンピュータに、スペクトル包絡を除去した包絡除去スペクトルからスペクトルピークを検出させる手順と、コンピュータに、前記原スペクトルから、前記スペクトルピークを抑制させる手順とを実行させることを特徴とする。

本発明では、ナビゲーション装置等のコンピュータにて実行することにより、コンピュータが音信号検出装置として動作し、スペクトル包絡を除去後、スペクトルピークを検出することにより、エンジン音、エアコン音等の低周波域で発生する緩やかなピークによる悪影響を受けることなく、電子音等の鋭いピークを検出することができるので、高精度にピークを検出し、雑音を除去することが可能である。また事前の学習を必要とせず、更には雑音収集用のマイクを必要としない。

本発明に係る音信号検出方法、音信号検出装置及びコンピュータプログラムは、取得した音に基づく音信号をＦＦＴ等の処理により、スペクトルに変換し、スペクトルからスペクトル包絡を算出し、スペクトルからスペクトル包絡を除去し、スペクトル包絡を除去したスペクトルからスペクトルピークを検出し、検出したスペクトルピークを抑制する。

この構成により、本発明では、スペクトル包絡を除去後、スペクトルピークを検出することにより、スペクトルの概形であるスペクトル包絡を除去して、スペクトルの微細構造をスペクトルピークの検出に用いることができることから、エンジン音、エアコン音等の低周波域で発生する緩やかなピークによる悪影響を受けることなく、電子音等の鋭いピークを検出することができるので、高精度にピークを検出し、雑音を除去することが可能である等、優れた効果を奏する。また事前の学習を必要とせず、更には雑音収集用のマイクを必要としない等、優れた効果を奏する。

特に車両に搭載される音声認識機能を備えたカーナビゲーションシステムに適用した場合には、車両のエンジン音、エアコン音等の定常雑音が発生している環境下においても、電子音、サイレン音等の非定常雑音のスペクトルピークの検出及び抑制を高精度に実現するため、電子音、サイレン音等の雑音を音声と誤認識することがないので、音声認識精度を向上させることが可能である等、優れた効果を奏する。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。

実施の形態１．
図１は、本発明の実施の形態１に係る音信号処理装置の構成例を示すブロック図である。図１中１は、例えば車両に搭載されるナビゲーション装置等のコンピュータを用いた音信号処理装置であり、音信号処理装置１は、少なくとも、装置全体を制御するＣＰＵ(Central Processing Unit) 、ＤＳＰ(Digital Signal Processor)等の制御手段１０と、プログラム及びデータ等の各種情報を記録するハードディスク、ＲＯＭ等の記録手段１１と、一時的に発生するデータを記憶するＲＡＭ等の記憶手段１２と、外部から音を取得するマイクロホン等の音取得手段１３と、音を出力するスピーカ等の音出力手段１４と、液晶モニタ等の表示手段１５と、目的地までの経路指示等のナビゲーションに係る処理を実行するナビゲーション手段１６とを備えている。

記録手段１１には、本発明のコンピュータプログラム１１ａが記録されており、記録されているコンピュータプログラム１１ａに含まれる各種手順を記憶手段１２に記憶して制御手段１０の制御にて実行することにより、コンピュータは、本発明の音信号処理装置１として動作する。

また記録手段１１の記録領域の一部は、音声認識用の音響モデルを記録している音響モデルデータベース（音響モデルＤＢ）１１ｂ、音響モデルに対応する音素又は音節定義で表記された認識語彙及び文法を記録している言語辞書１１ｃ等の各種データベースとして用いられている。

記憶手段１２の記憶領域の一部は、音取得手段１３が取得したアナログ信号である音を所定の周期で標本化（サンプリング）してデジタル化した音データを記憶する音データバッファ１２ａ、及び音データを所定の時間長に区分したフレームを記憶するフレームバッファ１２ｂとして用いられる。

ナビゲーション手段１６は、ＧＰＳ(Global Positioning System) 等の位置検出機構と、地図情報を記録するＤＶＤ(Digital Versatile Disk)、ハードディスク等の記録媒体とを有し、現在地からの目的地までの経路探索、経路指示等のナビゲーション処理を実行し、地図及び経路を表示手段１５に表示し、音声による案内を音出力手段１４から出力する。

なお図１に示した構成例はあくまでも一例であり、様々な形態に展開することが可能である。例えば音信号処理に係る機能を一又は複数のＶＬＳＩチップとして構成し、ナビゲーション装置に組み込むことも可能であり、音信号処理用の専用装置をナビゲーション装置に外付けすることも可能である。また制御手段１０を音信号処理及びナビゲーションの双方の処理で共用する様にしても、夫々専用の回路を設ける様にしても良く、更には音信号処理に関する特定の演算、例えば後述するＦＦＴ（高速フーリエ変換:Fast Fourier Transformation）、逆ＦＦＴ等の処理を実行するコプロセッサを制御手段１０に組み込んでも良い。また音データバッファ１２ａを音取得手段１２の付属回路とし、フレームバッファ１２ｂを制御手段１０が備えるメモリ上に構成する様にしても良い。さらに本発明の音信号処理装置１は、ナビゲーション装置等の車載装置に限らず、電話器等の音声認識を行う様々な用途の装置に用いることが可能である。

次に本発明の実施の形態１に係る音信号処理装置１の処理について説明する。図２は、本発明の実施の形態１に係る音信号処理装置１の処理の一例を示すフローチャートである。音信号処理装置１は、コンピュータプログラム１１ａを実行する制御手段１０の制御により、音取得手段１３にて外部の音を取得し（ステップＳ１）、アナログ信号である取得した音を所定の周期で標本化してデジタル化した音データを音データバッファ１２ａに記憶する（ステップＳ２）。ステップＳ１にて取得する外部の音とは、人が発声する音声、定常雑音、非定常雑音等の様々な音が重畳した音である。人が発声する音声とは、音信号処理装置１による認識の対象となる音声である。定常雑音とは、車両のエンジン音、エアコン音等の雑音である。非定常雑音とは、電子機器の操作時に発生する電子音、サイレン音等の雑音である。

そして音信号処理装置１は、制御手段１０の制御により、音データバッファ１２ａに記憶した音データから所定長のフレームを生成する（ステップＳ３）。ステップＳ３では、音データを、例えば２０ｍｓ〜３０ｍｓの所定長の単位でフレーム化する。なお各フレームは、１０ｍｓ〜１５ｍｓずつオーバーラップしている。そして各フレームに対しては、ハミング窓、ハニング窓等の窓関数、高域強調フィルタによるフィルタリング等の音声認識の分野で一般的なフレーム処理が施される。この様にして生成された各フレームに対し、以降の処理が行われる。

音信号処理装置１は、制御手段１０の制御により、フレーム単位の音データに基づく音信号をＦＦＴ処理してスペクトルに変換する（ステップＳ４）。ステップＳ４では、音信号をＦＦＴ処理して得られた振幅スペクトルＸ（ω）を二乗してパワースペクトルを求め、求めたパワースペクトルの対数である対数パワースペクトル２０ｌｏｇ₁₀｜Ｘ（ω）｜を計算する。この様にして音信号を対数パワースペクトルに変換する。なおステップＳ１０４において、音信号をＦＦＴ処理して得られた振幅スペクトルＸ（ω）の対数である対数振幅スペクトル１０ｌｏｇ₁₀｜Ｘ（ω）｜を計算し、計算した対数振幅スペクトルを変換後のスペクトルとして用いてもよい。

音信号処理装置１は、制御手段１０の制御により、音信号のフーリエ変換に基づくスペクトルをケプストラムに変換し、変換したケプストラムに係る所定の次数より低次の成分を逆ＦＦＴ処理してスペクトル包絡を算出する（ステップＳ５）。

ステップＳ５の処理について説明する。音信号をＦＦＴ処理した振幅スペクトル｜Ｘ（ω）｜は、高次成分及び低次成分のＦＦＴを夫々示すＧ（ω）及びＨ（ω）を用いた下記の式１で示すことができる。

Ｘ（ω）＝Ｇ（ω）Ｈ（ω） …式１

式１の対数は、下記の式２で示すことができる。

ｌｏｇ₁₀｜Ｘ（ω）｜＝ｌｏｇ₁₀｜Ｇ（ω）｜＋ｌｏｇ₁₀｜Ｈ（ω）｜ …式２

式２を、周波数ωを変数として逆ＦＦＴしたものがケプストラムｃ（τ）である。なお式２の右辺第１項は、スペクトルの高次の成分である微細構造を示し、右辺第２項は、スペクトルの低次の成分であるスペクトル包絡を示す。即ちステップＳ５では、ＦＦＴスペクトルから算出したＦＦＴケプストラムの１０次以下、２０次以下等の所定の次数より低次の成分を逆ＦＦＴすることにより、スペクトル包絡を算出する。なおＬＰＣ(Linier Predictive Coding)ケプストラムを用いたスペクトル包絡を用いる方法もあるが、この場合、ピークが強調された包絡となるので、ＦＦＴケプストラムが望ましい。

そして音信号処理装置１は、制御手段１０の制御により、ステップＳ４にて求めたスペクトルから、ステップＳ５にて算出したスペクトル包絡を除去する（ステップＳ６）。ステップＳ６の除去は、ステップＳ４にて求めたスペクトルの各周波数における値から、スペクトル包絡の各周波数における値を減算することにより行われる。ステップＳ６にてスペクトルからスペクトル包絡を除去することにより、スペクトルの傾きが除去されて平坦になるため、スペクトルの微細構造が処理結果として求められる。なおスペクトル微細構造は、スペクトルからスペクトル包絡を除去する代わりに、スペクトル包絡を計算する際に使用しなかったＦＦＴケプストラムの１１次以上、２１次以上等の高次の成分を逆ＦＦＴすることにより算出しても良い。

そして音信号処理装置１は、制御手段１０の制御により、スペクトル包絡を除去したスペクトルにおいて、スペクトルピークを検出し（ステップＳ７）、検出したスペクトルピークを抑制する（ステップＳ８）。

ステップＳ７において、スペクトルピークの検出は、記録手段１１に記録されている所定の閾値より大きい値を示すスペクトルピークを含む帯域を、抑制すべきスペクトルピークを含む帯域として検出する。またスペクトルピークが大きい順からｎ（ｎは自然数）個のピークを、抑制すべきスペクトルピークとして、その帯域を検出する様にしても良い。更には所定の閾値より大きい値を示すスペクトルピークの中で、スペクトルピークの値が大きい順から最大ｎ個のピークを抑制すべきスペクトルピークとし、その帯域を検出する様にしても良い。なおｎの値としては、２〜４程度が適当である。

ステップＳ８のスペクトルピークの抑制方法として、幾つかの方法を以下に例示列挙する。第１の抑制方法は、検出したスペクトルピークを含む帯域で、パワーの値が閾値以上である値を、閾値に置換する方法、即ち閾値以上となるパワー相当分をスペクトルから減算する方法である。なお必ずしも閾値に置換するのではなく、閾値に基づく値、例えば閾値から所定値分高い値に置換する様にしても良い。

第２の抑制方法は、検出したスペクトルピークを含む周辺の帯域、例えばスペクトルピークを中心とする数１００Ｈｚ幅の帯域で、パワーの値がスペクトル包絡以上である値を、対応するスペクトル包絡の値に置換する方法である。

第３の抑制方法は、検出したスペクトルピークがスペクトル包絡と交差する点間の帯域、即ちスペクトルピークを形成するパワーの値が、スペクトル包絡を上回ってから下回るまでの帯域の値を、対応するスペクトル包絡の値に置換する方法である。

第４の抑制方法は、検出したスペクトルピークを含む帯域のパワーの値を、検出したスペクトルピークを含む帯域より広い帯域、例えばスペクトルピークを中心とする数１００Ｈｚ幅の帯域の値の平均値等の集計値に置換してスペクトルピークを置換する方法である。

そして信号処理装置１は、制御手段１０の制御により、スペクトルピークを抑制したパワースペクトルを周波数軸方向に積分したパワー、ピッチ、ケプストラム等の特徴成分を抽出し（ステップＳ９）、抽出したスペクトルパワー及びピッチに基づいて音声区間を判定する（ステップＳ１０）。ステップＳ１０における音声区間の判定は、ステップＳ９にて計算したスペクトルパワーを、記録手段１１に記録している音声検出用の閾値と比較して閾値以上のスペクトルパワーが存在し、かつピッチが存在する場合に、音声区間であると判定する。

そして音信号処理装置１は、制御手段１０の制御により、音声区間と判定したフレームにおいて、スペクトルピークを抑制したスペクトルから抽出した特徴成分である特徴ベクトルに基づいて、音響モデルデータベース１１ｂに記録している音響モデル及び言語辞書１１ｃに記録している認識語彙及び文法を参照し、音声認識処理を実行する（ステップＳ１１）。ステップＳ１１の音声認識処理は、音響モデルとの類似度を計算し、認識語彙に関する言語的情報を参照することにより行われる。

図３は、本発明の実施の形態１に係る音信号処理装置１のスペクトルの一例を示す図である。図３では、横軸に周波数をとり、縦軸にスペクトルのパワーをとって、その関係を示している。図３中実線がパワースペクトルＳ１を示し、一点鎖線がパワースペクトルＳ１に基づき算出されたスペクトル包絡Ｓ２を示し、点線がパワースペクトルＳ１からスペクトル包絡Ｓ２を除去して求められたスペクトルの微細構造Ｓ３を示している。またＴＬ(Threshold Level) として示している様に３０ｄＢが、閾値として設定されている。図３に示す様にパワースペクトルＳ１からスペクトル包絡Ｓ２を除去することにより、パワースペクトルＳ１の低周波数域側から高周波数域側へかけての傾きが除去され、スペクトルの微細構造Ｓ３に含まれる３本のスペクトルピークが明確になっている。なお微細構造Ｓ３からスペクトルピークを検出する際、周波数の下端及び上端の帯域数１００Ｈｚは、デジタル信号処理時の帯域フィルタの影響があること、電子音は低周波数域には存在しないこと、スペクトル包絡Ｓ２の精度が低下すること等の理由により、検出の対象から除くことが望ましい。

図４は、本発明の実施の形態１に係る音信号処理装置１の音信号の一例を示す波形図である。図４（ａ）は、フレームとして区分した音信号の振幅の経時変化を示しており、図４（ｂ）は、図４（ａ）の音信号の振幅を二乗したパワーの概形を示している。図４（ｂ）中、Ｐ１がスペクトル包絡除去前のパワーの概形を示しており、Ｐ２がスペクトル包絡除去後のパワーの概形を示している。図４（ｂ）に示す様に図４（ａ）に重畳しているエンジン音等の定常雑音に起因する緩やかなピークが区間Ｒ中、Ｐ１では現れているが、Ｐ２では除去されている。

この様に本発明の実施の形態１では、エンジン音、エアコン音等の緩やかなピークを有する定常雑音環境下においても、定常雑音を排除して電子音、サイレン音等の鋭いピークを有する非定常雑音によるピークを検出し、検出したピークを抑制することができるので、非定常雑音を音声として誤認識することを防止することが可能である。なお音声（母音）のスペクトルも複数のピークを有するが、電子音と比べてピークが鋭くないため、スペクトル包絡として除去されるので、母音のピークを誤って抑制することはない。

実施の形態２．
実施の形態２は、実施の形態１において、スペクトルピークの検出方法を変更した形態である。実施の形態２における音信号処理装置の構成例は、実施の形態１と同様であるので、実施の形態１を参照するものとし、その説明を省略する。なお以降の説明において、音信号処理装置の構成については、実施の形態１と同様の符号を付すものとする。また実施の形態２における音信号処理装置１の処理は、実施の形態１と同様であるので、実施の形態１を参照するものとし、その説明を省略する。なお以降の説明において、音信号処理装置１の各処理については、実施の形態１と同様のステップ番号を付して説明する。

図５は、本発明の実施の形態２に係る音信号処理装置１のスペクトルの一例を示す図である。図５では、横軸に周波数をとり、縦軸にスペクトルのパワーをとって、その関係を示している。図５中実線がパワースペクトルＳ１を示し、一点鎖線がパワースペクトルＳ１に基づき算出されたスペクトル包絡Ｓ２を示し、点線がパワースペクトルＳ１からスペクトル包絡Ｓ２を除去して求められたスペクトルの微細構造Ｓ３を示している。

実施の形態２における音信号処理装置１は、スペクトル包絡を除去したスペクトルから、スペクトルピークを検出するステップＳ７の処理として、所定幅の帯域中の値の集計値と、他の全帯域の値の集計値との比の値が、所定の閾値より大きい値を示す帯域を、スペクトルピークを含む帯域として検出する。具体的には、スペクトルのパワーの値が最大となる周波数を検出し、検出した周波数を中心とする１００Ｈｚ等の所定幅の帯域中のパワーの集計値、例えば平均値を求める。図５では、ｆ１として示した帯域中のパワーの平均値Ｐ１を求める。さらにｆ１以外の全帯域のパワーの集計値、例えば平均値を求める。図５では、ｆ２として示した帯域中のパワーの平均値Ｐ２を求める。そしてＰ１及びＰ２の比の値Ｐ１／Ｐ２が所定の閾値より大きい場合、帯域ｆ１を、スペクトルピークを含む帯域として検出する。更にスペクトルのパワーが２番目に大きい周波数を検出するという処理を繰り返し、比の値が閾値より大きくなるスペクトルピークを、所定個数ｎを上限として検出する。検出したスペクトルピークに対する抑制等の処理は、実施の形態１と同様である。

実施の形態３．
実施の形態３は、実施の形態１において、スペクトルピークの検出方法を変更した形態である。実施の形態３における音信号処理装置の構成例は、実施の形態１と同様であるので、実施の形態１を参照するものとし、その説明を省略する。なお以降の説明において、音信号処理装置の構成については、実施の形態１と同様の符号を付すものとする。また実施の形態３における音信号処理装置１の処理は、実施の形態１と同様であるので、実施の形態１を参照するものとし、その説明を省略する。なお以降の説明において、音信号処理装置１の各処理については、実施の形態１と同様のステップ番号を付して説明する。

図６は、本発明の実施の形態３に係る音信号処理装置１のスペクトルの一例を示す図である。図６では、横軸に周波数をとり、縦軸にスペクトルのパワーをとって、その関係を示している。図６中実線がパワースペクトルＳ１を示し、一点鎖線がパワースペクトルＳ１に基づき算出されたスペクトル包絡Ｓ２を示し、点線がパワースペクトルＳ１からスペクトル包絡Ｓ２を除去して求められたスペクトルの微細構造Ｓ３を示している。

実施の形態３における音信号処理装置１は、スペクトル包絡を除去したスペクトルから、スペクトルピークを検出するステップＳ７の処理として、第１所定幅の第１帯域中の値の集計値と、第１帯域の近傍の第２所定幅の第２帯域中の値の集計値との比が所定の閾値より大きい値を示す第１帯域を、スペクトルピークを含む帯域として検出する。具体的には、スペクトルのパワーの値が最大となる周波数を検出し、検出した周波数を中心とする１００Ｈｚ等の所定幅の帯域中のパワーの集計値、例えば平均値を求める。図６では、ｆ１として示した帯域中のパワーの平均値Ｐ１を求める。さらにｆ１の前後の夫々１５０Ｈｚの帯域のパワーの集計値、例えば平均値を求める。図６では、ｆ２として示した帯域中のパワーの平均値Ｐ２を求める。そしてＰ１及びＰ２の比の値Ｐ１／Ｐ２が所定の閾値より大きい場合、帯域ｆ１を、スペクトルピークを含む帯域として検出する。更にスペクトルのパワーが２番目に大きい周波数を検出するという処理を繰り返し、比の値が閾値より大きくなるスペクトルピークを、所定個数ｎを上限として検出する。検出したスペクトルピークに対する抑制等の処理は、実施の形態１と同様である。

前記実施の形態１乃至３では、音声認識に係る発明として、非定常雑音を除去後、音声認識を行う形態を示したが、本発明はこれに限らず、音声処理に係る様々な分野に展開することが可能である。例えば電話通信に適用し、受話器が取得した音に基づく音信号を通話相手へ送信する場合に、本発明の処理により、音信号から非定常雑音を除去した上で、通話相手へ送信する様にしても良い。

以上の実施の形態に関し、更に以下の付記を開示する。

（付記１）
取得した音に基づく音信号をスペクトルに変換して信号処理を実行する音信号処理方法において、
スペクトルに基づくスペクトル包絡を算出し、
スペクトルからスペクトル包絡を除去し、
スペクトル包絡を除去したスペクトルからスペクトルピークを検出し、
検出したスペクトルピークを抑制する
ことを特徴とする音信号処理方法。

（付記２）
取得した音に基づく音信号をスペクトルに変換して信号処理を実行する音信号処理装置において、
スペクトルに基づくスペクトル包絡を算出する包絡算出手段と、
スペクトルからスペクトル包絡を除去する包絡除去手段と、
スペクトル包絡を除去したスペクトルからスペクトルピークを検出する検出手段と、
検出したスペクトルピークを抑制する抑制手段と
を備えることを特徴とする音信号処理装置。

（付記３）
前記包絡算出手段は、音信号を第１変換により変換したスペクトルからケプストラムを算出し、算出したケプストラムに係る所定の次数より低次の成分を、第１変換の逆変換である第２変換により変換してスペクトル包絡を算出する様に構成してあることを特徴とする付記２に記載の音信号処理装置。

（付記４）
前記包絡除去手段は、スペクトルの値からスペクトル包絡の値を減算する様に構成してあることを特徴とする付記２又は付記３に記載の音信号処理装置。

（付記５）
前記検出手段は、スペクトル包絡を除去したスペクトルについて、所定の閾値より大きい値を示す帯域を、スペクトルピークを含む帯域として検出する様に構成してあることを特徴とする付記２乃至付記４のいずれかに記載の音信号処理装置。

（付記６）
前記検出手段は、スペクトル包絡を除去したスペクトルについて、所定幅の帯域中の値の集計値と、他の全帯域の値の集計値との比の値が所定の閾値より大きい値を示す帯域を、スペクトルピークを含む帯域として検出する様に構成してあることを特徴とする付記２乃至付記４のいずれかに記載の音信号処理装置。

（付記７）
前記検出手段は、スペクトル包絡を除去したスペクトルについて、第１所定幅の第１帯域中の値の集計値と、第１帯域の近傍の第２所定幅の第２帯域中の値の集計値との比が所定の閾値より大きい値を示す第１帯域を、スペクトルピークを含む帯域として検出する様に構成してあることを特徴とする付記２乃至付記４のいずれかに記載の音信号処理装置。

（付記８）
前記検出手段は、所定の個数を上限としてスペクトルピークを含む帯域を検出する様に構成してあることを特徴とする付記２乃至付記７のいずれかに記載の音信号処理装置。

（付記９）
前記抑制手段は、検出したスペクトルピークを含む帯域のスペクトルの値で、閾値以上である値を、閾値に基づく値に置換してスペクトルピークを抑制する様に構成してあることを特徴とする付記２乃至付記８のいずれかに記載の音信号処理装置。

（付記１０）
前記抑制手段は、検出したスペクトルピークを含む帯域のスペクトルの値で、スペクトル包絡以上である値を、スペクトル包絡に基づく値に置換してスペクトルピークを抑制する様に構成してあることを特徴とする付記２乃至付記８のいずれかに記載の音信号処理装置。

（付記１１）
前記抑制手段は、検出したスペクトルピークを含む帯域のスペクトルの値を、検出したスペクトルピークを含む帯域より広い帯域の値の集計値に置換してスペクトルピークを抑制する様に構成してあることを特徴とする付記２乃至付記８のいずれかに記載の音信号処理装置。

（付記１２）
スペクトルピークを抑制した音信号に基づいて、音声認識処理を実行する手段を更に備えることを特徴とする付記２乃至付記１１のいずれかに記載の音信号処理装置。

（付記１３）
コンピュータに、取得した音に基づく音信号をスペクトルに変換して信号処理を実行させるコンピュータプログラムにおいて、
コンピュータに、スペクトルに基づくスペクトル包絡を算出させる手順と、
コンピュータに、スペクトルからスペクトル包絡を除去させる手順と、
コンピュータに、スペクトル包絡を除去したスペクトルからスペクトルピークを検出させる手順と、
コンピュータに、検出したスペクトルピークを抑制させる手順と
を実行させることを特徴とするコンピュータプログラム。

本発明の実施の形態１に係る音信号処理装置の構成例を示すブロック図である。本発明の実施の形態１に係る音信号処理装置の処理の一例を示すフローチャートである。本発明の実施の形態１に係る音信号処理装置のスペクトルの一例を示す図である。本発明の実施の形態１に係る音信号処理装置の音信号の一例を示す波形図である。本発明の実施の形態２に係る音信号処理装置のスペクトルの一例を示す図である。本発明の実施の形態３に係る音信号処理装置のスペクトルの一例を示す図である。従来の音声認識処理を示すフローチャートである。スペクトルを示す図である。

符号の説明

１音信号処理装置
１０制御手段
１１記録手段
１１ａコンピュータプログラム
１１ｂ音響モデルデータベース
１１ｃ言語辞書
１２記録手段
１２ａ音データバッファ
１２ｂフレームバッファ
１３音取得手段
１４音出力手段
１５表示手段
１６ナビゲーション手段

Claims

取得した音に基づく音信号を変換した原スペクトルに対して信号処理を実行する音信号処理方法において、
前記原スペクトルに基づくスペクトル包絡を算出し、
前記原スペクトルからスペクトル包絡を除去し、
スペクトル包絡を除去した包絡除去スペクトルからスペクトルピークを検出し、
前記原スペクトルから、前記スペクトルピークを抑制する
ことを特徴とする音信号処理方法。
取得した音に基づく音信号を変換した原スペクトルに対して信号処理を実行する音信号処理装置において、
前記原スペクトルに基づくスペクトル包絡を算出する包絡算出手段と、
前記原スペクトルからスペクトル包絡を除去する包絡除去手段と、
スペクトル包絡を除去した包絡除去スペクトルからスペクトルピークを検出する検出手段と、
前記原スペクトルから、前記スペクトルピークを抑制する抑制手段と
を備えることを特徴とする音信号処理装置。
前記包絡算出手段は、音信号を第１変換により変換した変換スペクトルからケプストラムを算出し、算出したケプストラムに係る所定の次数より低次の成分を、第１変換の逆変換である第２変換により変換してスペクトル包絡を算出する様に構成してあることを特徴とする請求項２に記載の音信号処理装置。
前記検出手段は、前記包絡除去スペクトルについて、所定の閾値より大きい値を示す帯域を、前記スペクトルピークを含む帯域として検出する様に構成してあることを特徴とする請求項２又は請求項３に記載の音信号処理装置。
前記検出手段は、前記包絡除去スペクトルについて、所定幅の帯域中の値の集計値と、他の全帯域の値の集計値との比の値が所定の閾値より大きい値を示す帯域を、前記スペクトルピークを含む帯域として検出する様に構成してあることを特徴とする請求項２又は請求項３に記載の音信号処理装置。
前記抑制手段は、前記スペクトルピークを含む帯域の前記原スペクトルの値で、閾値以上である値を、閾値に基づく値に置換して前記スペクトルピークを抑制する様に構成してあることを特徴とする請求項２乃至請求項５のいずれかに記載の音信号処理装置。
前記抑制手段は、前記スペクトルピークを含む帯域の前記原スペクトルの値で、スペクトル包絡以上である値を、スペクトル包絡に基づく値に置換して前記スペクトルピークを抑制する様に構成してあることを特徴とする請求項２乃至請求項５のいずれかに記載の音信号処理装置。
前記抑制手段は、前記スペクトルピークを含む帯域の前記原スペクトルの値を、前記スペクトルピークを含む帯域より広い帯域の値の集計値に置換して前記スペクトルピークを抑制する様に構成してあることを特徴とする請求項２乃至請求項５のいずれかに記載の音信号処理装置。
前記スペクトルピークを抑制した音信号に基づいて、音声認識処理を実行する手段を更に備えることを特徴とする請求項２乃至請求項８のいずれかに記載の音信号処理装置。
コンピュータに、取得した音に基づく音信号を変換した原スペクトルに対して信号処理を実行させるコンピュータプログラムにおいて、
コンピュータに、前記原スペクトルに基づくスペクトル包絡を算出させる手順と、
コンピュータに、前記原スペクトルからスペクトル包絡を除去させる手順と、
コンピュータに、スペクトル包絡を除去した包絡除去スペクトルからスペクトルピークを検出させる手順と、
コンピュータに、前記原スペクトルから、前記スペクトルピークを抑制させる手順と
を実行させることを特徴とするコンピュータプログラム。