JP4769663B2 - 音声区間検出装置及び音声区間検出方法 - Google Patents

Description

本発明は、音声区間検出装置及び音声区間検出方法に関する。詳しくは、スペクトル引き算法及び確率分布モデルを用いて入力信号から音声信号が存在する区間を検出する音声区間検出装置及び音声区間検出方法に関する。

電子、通信、機械など多様な分野の技術が発達するにつれて、人間の生活をさらに便利にする多様な装置が開発されている。特に人間の音声を認識し、認識された音声情報によって適切な反応を示す装置の発達は著しい。このような音声認識分野の主要技術としては、入力された信号から音声が存在する区間を検出する技術分野と、検出された音声信号に含まれた内容を把握する技術分野とがある。このうち、音声が存在する区間を検出する技術は、音声認識及び音声圧縮などにおいて、必須に要求される技術であって、入力される信号から音声信号とノイズ信号とを区別することがその中核となっている。

このような技術の代表的な例が、非特許文献１に記載されている。この非特許文献１のアルゴリズムによれば、ノイズが除去された音声信号に対して特徴パラメータの時間的変化を用いることによって音声周波数帯域のエネルギー情報に基づく音声区間を検出することができるが、ノイズレベルが大きい場合には性能が低下するという問題がある。

また、特許文献１では、複素ガウス分布（ｃｏｍｐｌｅｘ Ｇａｕｓｓｉａｎ ｄｉｓｔｒｉｂｕｔｉｏｎ）のような統計的モデリング手法を用いてノイズが混ざっている音声信号からノイズ信号と音声信号の各成分をリアルタイムで推定することによって、音声区間を検出する方法が記載されている。しかし、特許文献１による方法によっても、ノイズ信号が音声信号より大きくなれば、理論的に音声が存在する区間を推定し難くなるという問題がある。

前記した従来技術によれば、信号対ノイズ比（Ｓｉｇｎａｌ ｔｏ ｎｏｉｓｅ ｒａｔｉｏ：以下、「ＳＮＲ」という）が小さくなるほど（ノイズが大きくなるほど）、音声が存在する区間とノイズだけ存在する区間とを区別し難くなる。

図１Ａないし図１Ｄは、従来技術における前記問題点を示すＳＮＲの変化によるノイズが混ざっている音声信号とノイズ信号との分布を示すヒストグラムである。符号１１０は、音声信号を示し、符号１２０は、ノイズ信号を示している。
図１Ａないし図１Ｄにおいて、Ｘ軸は、音声信号の大きさと雑音信号の大きさを相対的に比較した値を示すものであって、１ｋＨｚないし１．０３ｋＨｚの周波数帯域に対するバンドエネルギーの大きさを示し、Ｙ軸はこれに対する確率を示している。
図１Ａは、ＳＮＲが２０ｄＢである場合を、図１Ｂは、ＳＮＲが１０ｄＢである場合を、図１Ｃは、ＳＮＲが５ｄＢである場合を、図１Ｄは、ＳＮＲが０ｄＢである場合を各々示している。図１Ａないし図１Ｄを参照すれば、ＳＮＲの値が小さくなるほど、ノイズが混ざっている音声信号１１０がノイズ信号１２０によりかき消されて、ノイズが混ざっている音声信号１１０をノイズ信号１２０から区別し難くなることがわかる。

したがって、音声が存在する区間を検出する技術において、従来技術によれば、低いＳＮＲの値を有する入力信号に対しては音声が存在する区間とノイズだけ存在する区間とを区別し難いという問題がある。

韓国登録特許第１０−３０４６６６号公報 "Ｅｘｔｅｎｄｅｄ ａｄｖａｎｃｅｄ ｆｒｏｎｔ−ｅｎｄ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ"（２００３年１１月ＥＴＳＩ（Ｅｕｒｏｐｅａｎ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｔａｎｄａｒｄ Ｉｎｓｔｉｔｕｔｅ）により選択）

本発明は、低いＳＮＲでも音声が存在する区間とノイズだけ存在する区間との分布を推定し、推定された音声スペクトルの分布について統計的モデリング技法を使用ことにより分布推定のエラーを少なくすることができる音声区間検出装置及び音声区間検出方法を提供することを目的とする。

本発明の目的は、以上で言及した目的に制限されず、言及されていない他の目的は下の記載から当業者に明確に理解されうる。

前記目的を達成するための本発明の実施形態による音声区間検出装置は、受信された入力信号を所定の時間間隔に分けたフレーム単位で周波数領域の信号に変換するドメイン変換モジュールと、前記変換された周波数領域の信号から所定のノイズスペクトルを差し引いたスペクトル引き算信号を生成する引き算スペクトル生成モジュールと、前記スペクトル引き算信号を所定の確率分布モデルに適用するモデリングモジュール及び前記モデリングモジュールにより演算された確率分布を通じて現在のフレーム区間に音声信号が存在しているか否かを決定する音声検出モジュールを備えることを特徴とする。

また、前記目的を達成するための本発明の実施形態による音声区間検出方法は、受信された入力信号を所定の時間間隔に分けたフレーム単位で周波数領域の信号に変換する（ａ）ステップと、前記変換された周波数領域の信号から所定のノイズスペクトルを差し引いたスペクトル引き算信号を生成する（ｂ）ステップと、前記スペクトル引き算信号を所定の確率分布モデルに適用する（ｃ）ステップと、前記確率分布モデルの適用による確率分布を通じて現在のフレーム区間に音声信号が存在しているか否かを決定する（ｄ）ステップと、を含むことを特徴とする。

本発明によれば、入力信号から音声信号が存在する区間を検出するに当たって、さらに向上した性能を提供する。
低いＳＮＲでも音声が存在する区間とノイズだけ存在する区間との分布を推定し、推定した音声スペクトルの分布について統計的モデリング技法を使用することにより分布推定のエラーを少なくすることができる。

以下、図面を参照しながら、発明を実施するための最良の形態について説明する。
なお、同一の符号は、同一の構成を示している。

図２は、本発明の一実施形態による音声区間を検出する装置の構造を示すブロック図である。図３は、本発明の一実施形態による音声区間を検出する方法を示すフローチャートである。図４及び図５は、本発明の一実施形態によるノイズスペクトルの引き算効果を示すヒストグラムであって、Ｘ軸は、１ｋＨｚないし１．０３ｋＨｚの周波数帯域に対するバンドエネルギーの大きさを示し、Ｙ軸は、これに対する確率を示している。

図２に示すモジュール実行内容の流れは、図３のフロ−チャートに示すように本実施形態に係る方法の各ステップにより実行可能となる。

本実施形態に係る方法の各ステップは、コンピュータプログラムインストラクションとなり、汎用コンピュータ、用途を限定した専用コンピュータまたはその他のプログラミングが可能なデータプロセッシング装備のプロセッサーに搭載されうる。このように、コンピュータまたはその他のプログラミングが可能なデータプロセッシング装備のプロセッサーを通じて実行されるそのインストラクションによって、前記説明した機能を行う手段を生成するような構成を作ることができる。

これらのコンピュータプログラムインストラクションは、汎用コンピュータ、用途を限定した専用コンピュータ、又はコンピュータの部品となるプログラム可能なデータプロセッシング装置に搭載される。コンピュータのプロセッサーを経由して、もしくはその他プログラム可能なデータプロセッシング装置を経由して実行される前記インストラクションは、図５、図６のブロックやフローチャートにおいて示す機能を提供している。

前記コンピュータプログラムインストラクションは、コンピュータが利用可能な、もしくはコンピュータが判読可能な記憶媒体に保存してもよい。前記記憶媒体は、特定の方法で機能するコンピュータ又はプログラム可能なデータプロセッシング装置を管理する。前記インストラクションは、コンピュータが利用可能な、もしくはコンピュータが判読可能な記憶媒体に搭載される。前記インストラクションには、図５、図６のブロックやフローチャートにおいて示す機能を提供するインストラクションが含まれる。

また、各ブロックは、特定の論理的機能を行うための一つ以上の実行可能なインストラクションを含むモジュール等の一部を示すこともできる。他の実施形態では、図２に示した機能ブロックの順番（矢印の方向に従うことをいう）通りではない場合でも実行可能であり、例えば、図２において、連続した順序となっている２つのブロックは、実質的に同時に行われてもよく、または、当該２つのブロックについて、逆の順序で行われてもよい。

図２に示すように、本発明の実施に係る音声区間検出装置は、信号入力モジュール２１０、ドメイン変換モジュール２２０、引き算スペクトル生成モジュール２３０、モデリングモジュール２４０、及び音声検出モジュール２５０によって構成されている。

ここで、本実施形態に係る「モジュール」という用語は、ソフトウェアまたはＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）または注文型半導体（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ；ＡＳＩＣ）のようなハードウェア構成要素を意味し、モジュールは所定の役割を担う。しかし、モジュールは前記ソフトウェアまたは前記ハードウェアに限定されるものではない。モジュールは、アドレッシング可能な記憶媒体に保存できるように構成されていても良く、１つまたはそれ以上のプロセッサーを実行させるように構成されていても良い。

前記モジュールは、例えば、ソフトウェア構成要素、客体指向ソフトウェア構成要素、クラス構成要素及びタスク構成要素のような構成要素と、プロセス、関数、属性、プロシージャ、サブルーチン、プログラムコードのセグメント、ドライバー、ファームウェア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレイ、及び変数等を含むものをいう。

前記種々の構成要素やモジュールから提供される機能は、より少数の構成要素及びモジュールに結合されるか、もしくは、付加的な構成要素及びモジュールに分離されうる。
さらに、前記種々の構成要素やモジュールは、装置に搭載される１または２以上のＣＰＵを実行するために実装してもよい。

信号入力モジュール２１０は、マイクのような機器を用いて対象となる入力信号を受信する。
ドメイン変換モジュール２２０は、受信された入力信号を周波数領域の信号に変換する。すなわち、時間ドメイン方式での入力信号を周波数ドメイン方式での信号に変換することである。

ドメイン変換モジュール２２０は、前記受信された入力信号を所定の時間間隔に分けたフレーム単位でドメイン変換動作を行うことが望ましい。このような場合には、１つのフレームが１つの信号区間を形成し、ｎ番目のフレームについての音声検出動作が完了した後、ｎ＋１番目のフレームについてのドメイン変換動作を行う。

引き算スペクトル生成モジュール２３０は、入力信号についての入力周波数スペクトルから以前フレームについての所定のノイズスペクトルを差し引いた信号（以下、「スペクトル引き算信号」という。）を生成する。

このとき、前記ノイズスペクトルは、前記モデリングモジュール２４０から受信した音声不存在確率についての情報を用いて演算することができる。

モデリングモジュール２４０は、確率分布に関する所定のモデルを設定し、引き算スペクトル生成モジュール２３０から受信したスペクトル引き算信号を前記設定された確率分布モデルに適用して、確率分布を演算する。このとき、音声検出モジュール２５０は、モデリングモジュール２４０により演算された確率分布を通じて現在のフレーム区間で音声信号が存在しているか否かを決定する。

音声区間検出装置２００を構成するモジュールの具体的な動作関係を、図３のフローチャートを用いて具体的に説明する。

まず、信号入力モジュール２１０を通じて信号が入力される（Ｓ３１０）。
次に、ドメイン変換モジュール２２０により前記入力された信号についてのフレームが生成される（Ｓ３２０）。このとき、前記入力された信号についてのフレームは、信号入力モジュール２１０により生成された後、ドメイン変換モジュール２２０に伝えられうる。

生成されたフレームは、ドメイン変換モジュール２２０により高速フーリエ変換（Ｆａｓｔ Ｆｏｕｒｉｅ Ｔｒａｎｓｆｏｒｍ。以下「ＦＦＴ」という。）されて周波数領域の信号として表現される（Ｓ３３０）。すなわち、時間ドメインでの入力信号が周波数ドメインでの入力信号に変換されることである。

ＦＦＴ演算により周波数スペクトルの絶対値Ｙが生成され、引き算スペクトル生成モジュール２３０は、ＹからノイズスペクトルＮ_ｅを引き算（Ｓ３５０）し、Ｕを生成する。

ここで、前記ノイズスペクトルＮ_ｅは、前記フレームに対するノイズスペクトルの推定値を示すものであって、フレームインデックスをｔとすれば、Ｕは、式（１）のように示すことができる。

ここで、（ｔ）は、式（２）のようにモデリングされる。

ここで、ηはノイズ更新比率を示すものであって、０と１との間の値を有する。そして、Ｐ_０はｔ番目のフレームで音声信号が存在していない確率を示すものであって、モデリングモジュール２４０により演算された値である。

以上から、引き算スペクトル生成モジュール２３０は、Ｙ及びモデリングモジュール２４０から受信したＰ_０を用いてノイズスペクトルを更新し（Ｓ３４０）、数式１によって更新されたノイズスペクトルＮ_ｅ（ｔ）は、次のフレームで引き算されるノイズスペクトルとして利用される。

前記方法でノイズスペクトルを差し引いた結果の一例を、図４Ａ及び図４Ｂで示している。

図４Ａは、入力信号のＳＮＲが５ｄＢである場合を示している。ノイズが混ざっている音声信号４１０とノイズ信号４２０とが本発明による更新されたノイズスペクトルＮ_ｅにより引き算されれば、引き算された音声信号４１２とノイズ信号４２２の交差する点は、バンドエネルギーレベル（Ｘ軸）が０となる地点に偏る。そのため入力信号から音声信号４１２とノイズ信号４２２とを区分することがノイズスペクトルＮ_ｅを引き算する以前より容易になる。

図４Ｂは、入力信号のＳＮＲが０ｄＢである場合を示している。この場合にもノイズが混ざっている音声信号４３０とノイズ信号４４０が本実施形態に係る更新されたノイズスペクトルＮ_ｅにより引き算されれば、引き算された音声信号４３２とノイズ信号４４２は、その交差点が図４Ａと同様にバンドエネルギーレベル（Ｘ軸）が０となる地点に偏るために、入力信号から音声信号４１２とノイズ信号４２２とを区分するのが、ノイズスペクトルＮ_ｅを引き算する以前より容易になる。

すなわち、入力信号のＳＮＲが０ｄＢ程度となっても、音声信号とノイズ信号との分布において重畳される領域が減り、音声信号とノイズ信号とをさらに容易に区分しうる。

モデリングモジュール２４０は、引き算スペクトル生成モジュール２３０から引き算されたスペクトルＵを受信し、Ｕに音声が存在する確率を演算する（Ｓ３６０）。

本実施形態では、音声が存在する確率を演算するために統計学的なモデリング方法を使用する。
図４Ａ及び図４Ｂに示されているように、入力信号からノイズスペクトルを差し引いた結果、音声信号とノイズ信号との交差点は、バンドエネルギーレベル（Ｘ軸）が０となる地点に偏る傾向を有するために、ピークがバンドエネルギーレベルの０に近くなり、ヒストグラムのテールが長い統計的モデルを適用することによって、確率誤差を減らすことができる。

本実施形態では、レイリーラプラス分布モデルを前記統計学的モデルとして適用している。
レイリーラプラス分布モデルは、レイリー分布モデルにラプラス分布（Ｌａｐｌａｃｅ ｄｉｓｔｒｉｂｕｔｉｏｎ）を適用したものであり、その過程を具体的に説明する。

まず、レイリー分布は、複素ランダム変数（ｃｏｍｐｌｅｘ ｒａｎｄｏｍ ｖａｒｉａｂｌｅ）ｚの確率密度関数（ｐｒｏｂａｂｉｌｉｔｙ ｄｅｎｓｉｔｙ ｆｕｎｃｔｉｏｎ）として定義される。ここで、複素ランダム変数ｚを式（３）に示す。

ここで、ｒは大きさまたは包絡線を示し、θは、位相を示す。
もし、２つのランダムプロセスｘとｙとが同じ偏差と平均０であるガウス分布による場合には、ｘとｙ各々に対する確率密度関数Ｐ（ｘ）とＰ（ｙ）は、式（４）のように示される。ここで、σ^２は分散を示す。

ここで、ｘとｙとが統計学的独立であると仮定する場合には、ｘとｙとを変数とする確率密度関数Ｐ（ｘ，ｙ）は、式（５）のように示される。

ここで、微小領域ｄｘｄｙに対してｄｘｄｙ＝ｒｄｒｄθのように直交座標から曲座標に変換を行えば、ｒとθに対するジョイント確率密度関数は、式（６）のように示される。

次いで、Ｐ（ｒ，θ）をθに対して積分すれば、ｒに対する確率密度関数Ｐ（ｒ）は、式（７）のように示される。

この際、ｒに対するσ_ｒ ^２分散は、式（８）のように示すので、Ｐ（ｒ）は、式（９）のように示される。

一方、本発明によるレイリーラプラス分布は、レイリー分布と同様に式（３）のような複素ランダム変数ｚの確率密度関数として定義される。

しかし、レイリーラプラス分布の場合、前記レイリー分布とは違って、２つのランダムプロセスが、同一の分散を有しかつ平均として０となるガウス分布に依存しないときには、公知のラプラス分布に依存する。この場合にｘとｙ各々に対する確率密度関数Ｐ（ｘ）、Ｐ（ｙ）は、式（１０）のように示すことができる。

ここで、ｘとｙが、統計学的独立（ｓｔａｔｉｓｔｉｃａｌｌｙ ｉｎｄｅｐｅｎｄｅｎｔ）であると仮定する場合には、ｘとｙとを変数とする確率密度関数Ｐ（ｘ，ｙ）は、式（１１）のように示される。

ここで、微小領域（ｄｉｆｆｅｒｅｎｔｉａｌ ａｒｅａｓ）ｄｘｄｙに対してｄｘｄｙ＝ｒｄｘｄθに変換し、｜ｘ｜+｜ｙ｜＝ｒ（｜ｓｉｎθ｜+｜ｃｏｓθ｜）≒ｒと仮定すれば、ｒとθに対するジョイント確率密度関数は式（１２）のように示すことができる。

次に、Ｐ（ｒ，θ）をθに対して積分すれば、ｒに対する確率密度関数Ｐ（ｒ）は、式（１３）のように示される。

ここで、ｒに対するσ_ｒ ^２分散は、式（１４）のように示され、Ｐ（ｒ）は、式（１５）のように示される。

したがって、本発明の実施によって現在のフレーム区間で音声信号が存在する確率をＰ（Ｙ_ｋ（ｔ）｜Ｈ_１）とすれば、Ｐ（Ｙ_ｋ（ｔ）｜Ｈ_１）は、式（１５）を用いて式（１６）のようにモデリングされうる。

ここで、λ_Ｓ，Ｋ（ｔ）は、ｔ番目のフレームで、ｋ番目の周波数ビン（ｆｒｅｑｕｅｎｃｙ ｂｉｎ）での分散推定値である。このような分散推定値はフレーム毎に更新されうる。

一方、ｋ番目のフレームで音声信号が存在しない確率は、前述した公知のレイリー分布モデルを使用できる。この場合、レイリー分布モデルは、複素ガウス分布のような統計的モデルと等価な特性を有する。

ｋ番目のフレームで音声信号が存在しない確率をＰ（Ｙ_ｋ（ｔ）｜Ｈ_０）とすれば、Ｐ（Ｙ_ｋ（ｔ）｜Ｈ_０）は式（９）を用いて式（１７）のようにモデリングされうる。

ここで、λ_ｎ，ｋ（ｔ）は、ｔ番目のフレームで、ｋ番目の周波数ビンでの分散推定値である。このような分散推定値は、フレーム毎に更新されうる。以後、説明の便宜上、Ｐ（Ｙ_ｋ（ｔ）｜Ｈ_１）はＰ_１と、Ｐ（Ｙ_ｋ（ｔ）｜Ｈ_０）はＰ_０と示す。

図５は、レイリーラプラス分布モデルの確率分布曲線を示す。レイリー分布モデルと比較してバンドエネルギーレベルが０側にさらに偏っている。これは、式（９）と式（１５）とを比較すれば自明である。

一方、モデリングモジュール２４０は、現在のフレーム区間に音声信号が存在していない確率Ｐ_０を引き算スペクトル生成モジュール２３０に伝達して、ノイズスペクトルを更新させる。

また、モデリングモジュール２４０は、Ｐ_０とＰ_１とを用いて現在のフレーム区間に音声信号が存在しているか否かを示す指標となる値を生成する。

例えば、現在のフレーム区間に音声信号が存在しているか否かについての指標値をＡとすれば、Ａは、式（１８）のように示される。

音声検出モジュール２５０は、前記モデリングモジュール２４０により生成された指標値を所定の基準値と比較して所定の基準値以上である場合、現在のフレーム区間に音声信号が存在すると判断する（Ｓ３７０）。

図６は、本発明の一実施形態による性能評価結果を示すグラフである。
本発明についての実験資料として、音声信号は、男女各８人が、人名、地名、商号名など１００個の単語を発話して総数１６００個の単語を発話した。また、ノイズとして自動車環境ノイズを用いたが、高速道路を時速１００±１０ｋｍの定速走行中の車両で録音した自動車ノイズを用いた。

そして、実験のためにノイズが混ざっていない音声信号に録音されたノイズ信号をＳＮＲ＝０ｄＢとして付加し、録音されたノイズが混ざっている音声信号から音声が存在する区間を検出し、これを手動で記載された終点情報と比較した。一方、測定指標としては、音声検出確率エラー（Ｅｒｒｏｒ ｏｆ Ｓｐｅｅｃｈ Ｐｒｅｓｅｎｃｅ Ｐｒｏｂａｂｉｌｉｔｙ：以下、ＥＳＰＰと称する）と音声検出エラー（Ｅｒｒｏｒ ｏｆ Ｖｏｉｃｅ Ａｃｔｉｖｉｔｙ Ｄｅｔｅｃｔｉｏｎ：以下、「ＥＶＡＤ」という。）を利用した。

前記音声検出確率エラーは、人が記載した音声区間から類推された確率と検出された音声検出確率との差を示し、音声検出エラーは、人が記載した音声区間と検出された区間との差をｍｓで表現したものである。

図６で図示したグラフのうち、符号６１０で表示される区間は、人が記載した音声区間を示すものであって、人が発話する単語を聞いて音声信号の開始と終了を手動で指定したものである。

これと比較して、符号６２０で表示されるグラフは、本発明の実施による音声検出確率から検出された音声区間を示しており、符号６３０で表示されるグラフは、音声が存在する確率を示す。

図６から分かるように、人により手動で記載された音声区間と本実施形態に係る音声区間とがほぼ一致するということが分かる。

一方、ＥＳＰＰについての本実施形態の性能を前述した第１非特許文献及び第１特許文献と比較した結果を表１に示す。ここで、Ｙは、入力信号であって、ノイズが混ざっている音声信号を示す。すなわち、Ｙ＝Ｓ（ｓｐｅｅｃｈ）＋Ｎ（ｎｏｉｓｅ）となる。そして、Ｕは、適切なノイズ抑制アルゴリズムにより得た音声信号の推定値である。すなわち、Ｕ＝Ｙ−Ｎｅ（Ｎｅ：ノイズ推定）となる。

また、ＥＶＡＤについての本実施形態の性能を前述した非特許文献１及び特許文献１と比較すると、表２及び表３となる。

前記表１ないし表３から分かるように、本実施形態は、音声区間検出において 非特許文献１及び特許文献１に比べて優れた効果を奏していることが分かる。

以上、図を参照して本発明の実施例を説明したが、本発明が属する技術分野で当業者ならば本発明がその技術的思想や必須の技術的特徴を変更せずに他の実施形態を実現することは容易である。 したがって、前述した実施例は全ての面で例示的なものであって、限定的なものではなく、本発明は、これまでに説明した実施例に限定されるものではなく、この実施例から外れて多様な形に具現できる。
すなわち、本発明の技術的範囲は、特許請求の範囲の記載に基づいて定められ、発明を実施するための最良の形態の記載により制限されるものではない。

本発明は、音声区間検出関連の技術分野に好適に適用されうる。

ＳＮＲの変化によるノイズが混ざっている音声信号とノイズ信号との分布を示すヒストグラムである。 ＳＮＲの変化によるノイズが混ざっている音声信号とノイズ信号との分布を示すヒストグラムである。 ＳＮＲの変化によるノイズが混ざっている音声信号とノイズ信号との分布を示すヒストグラムである。 ＳＮＲの変化によるノイズが混ざっている音声信号とノイズ信号との分布を示すヒストグラムである。 本発明の一実施形態による音声区間を検出する装置の構造を示すブロック図である。 本発明の一実施形態による音声区間を検出する方法を示すフローチャートである。 本発明の一実施形態によるノイズスペクトルの引き算効果を示すヒストグラムである。 本発明の一実施形態によるノイズスペクトルの引き算効果を示すヒストグラムである。 本発明の一実施形態によるレイリーラプラス分布を示すグラフである。 本発明の一実施形態による性能評価結果を示すグラフである。

符号の説明

２００ 音声区間検出装置
２１０ 信号入力モジュール
２２０ ドメイン変換モジュール
２３０ 引き算スペクトル生成モジュール
２４０ モデリングモジュール
２５０ 音声検出モジュール

Claims (15)

1. 受信した音声入力信号を所定の時間間隔に分けたフレーム単位で周波数領域の信号に変換するドメイン変換モジュールと、
   前記変換された周波数領域の信号から、前のフレームの所定のノイズスペクトルを差し引いたスペクトル引き算信号を生成する引き算スペクトル生成モジュールと、
   前記スペクトル引き算信号を所定の確率分布モデルに適用するモデリングモジュールと、
   前記モデリングモジュールにより演算された確率分布を通じて現在のフレーム区間に音声信号が存在しているか否かを決定する音声検出モジュールと、
   を備え、
   前記モデリングモジュールは、前記確率分布モデルから現在のフレームに音声が存在しない確率を演算し、演算された確率情報を前記引き算スペクトル生成モジュールへ伝送し、前記引き算スペクトル生成モジュールは、前記伝送される確率情報を利用して前記ノイズスペクトルを更新し、更新したノイズスペクトルを次のフレームで引き算されるノイズスペクトルとして利用することを特徴とする音声区間検出装置。
2. 前記ドメイン変換モジュールは、高速フーリエ変換（ＦＦＴ）を用いて周波数領域の信号に変換することを特徴とする請求項１に記載の音声区間検出装置。
3. 前記ノイズスペクトルは、前記変換された周波数領域の信号と前記モデリングモジュールから受信した音声不存在確率についての情報とを用いて演算することを特徴とする請求項１に記載の音声区間検出装置。
4. 前記確率分布モデルは、ピークがバンドエネルギーレベルの０に近く、ヒストグラムのテールが長い統計的モデルを含むことを特徴とする請求項１に記載の音声区間検出装置。
5. 前記確率分布モデルは、レイリー分布にラプラス分布を適用した確率分布モデルを含むことを特徴とする請求項１に記載の音声区間検出装置。
6. 前記音声検出モジュールは、前記確率分布モデルによる確率分布から現在のフレームに音声が存在しているか否かを決定することを特徴とする請求項５に記載の音声区間検出装置。
7. 前記確率分布モデルは、レイリー分布モデルを含むことを特徴とする請求項１に記載の音声区間検出装置。
8. コンピュータを用いて音声区間を検出する音声検出方法であって、
   ドメイン変換モジュールが、受信した入力信号を所定の時間間隔に分けたフレーム単位で周波数領域の信号に変換する（ａ）ステップと、
   引き算スペクトル生成モジュールが、前記変換された周波数領域の信号から、前のフレームの所定のノイズスペクトルを差し引いたスペクトル引き算信号を生成する（ｂ）ステップと、
   モデリングモジュールが、前記スペクトル引き算信号を所定の確率分布モデルに適用する（ｃ）ステップと、
   音声検出モジュールが、前記確率分布モデルの適用による確率分布を通じて現在のフレーム区間に音声信号が存在しているか否かを決定する（ｄ）ステップと、
   を含み、
   前記（ｃ）ステップは、前記確率分布モデルから現在のフレームに音声が存在しない確率の、前記演算された確率情報の伝送を含み、前記（ｂ）ステップは、伝送された音声不存在確率についての情報を利用した前記ノイズスペクトルを更新し、更新したノイズスペクトルの、次のフレームで引き算されるノイズスペクトルとしての利用を含む音声区間検出方法。
9. 前記（ａ）ステップは、前記ドメイン変換モジュールが、高速フーリエ変換（ＦＦＴ）を用いて周波数領域の信号に変換するステップを含むことを特徴とする請求項８に記載の音声区間検出方法。
10. 前記ノイズスペクトルは、前記変換された周波数信号と前記確率分布モデルの適用に係る音声不存在確率についての情報とを用いて演算することを特徴とする請求項８に記載の音声区間検出方法。
11. 前記確率分布モデルは、ピークがバンドエネルギーレベルの０に近く、ヒストグラムのテールが長い統計的モデルを含むことを特徴とする請求項８に記載の音声区間検出方法。
12. 前記確率分布モデルは、レイリー分布にラプラス分布を適用した確率分布モデルを含むことを特徴とする請求項８に記載の音声区間検出方法。
13. 前記（ｄ）ステップは、前記音声検出モジュールが、前記確率分布モデルの確率分布から現在のフレームに音声が存在しているか否かを決定することを特徴とする請求項１２に記載の音声区間検出方法。
14. 前記確率分布モデルは、レイリー分布モデルを含むことを特徴とする請求項８に記載の音声区間検出方法。
15. 請求項８〜１４に記載の音声区間検出方法をコンピュータに実行させることを特徴とする音声区間検出プログラム。
    
    

Images