JP4787674B2 - テレビ会議システム - Google Patents

Description

本発明は、テレビ会議システムに関し、特に、多くの端末装置に接続され、音声制御に重点を置いたテレビ会議システムに関する。

従来、テレビ会議システムは、カメラ等で撮影した画像及びマイクロホン等で入力した音声を、符号化及び多重化して通信回線を介して相手側の端末装置に送信し、受信側の端末装置でその多重化信号を分離し、復号化してモニタやスピーカから再生する。

３地点以上に配置された端末装置を接続して会議を行う場合には、各端末装置（以下、「端末」という）から一旦多地点テレビ会議制御装置（Multi point Control Unit、以下、「ＭＣＵ」という）に接続し、ＭＣＵで各端末の画像データ及び音声データを処理して各端末に再び送信する。その際、画像データを縮小して１画面に複数の端末分の画像を表示し、１つの端末の画像を固定的に、又は、切り替えながら表示するよう制御する。また、各端末から受信した音声データは、ミキサーで加算され、各端末に配信される。

また、３地点以上に配置された端末を接続して会議を行う場合には、表示する画像を決めて合成表示する端末を選択するため、音声レベルを検出し、決められたアルゴリズムに基づいて主話者を決定し、その主話者の映像を表示する方法が一般的である。

さらに、例えば、特許文献１には、インターネットに接続され、音声入出力手段及び画像入出力手段を具備するクライアント装置と、これらクライアント装置によるテレビ会議の接続・切断等を制御する制御サーバと、クライアント装置からの画像を収集し、クライアント装置に分配する画像サーバと、クライアント装置からの音声を収集し、クライアント装置に分配する音声サーバと、音声データを各クライアント装置に送信するときに、その音声の音像定位情報を付加して各クライアント装置に送信する音声サーバとで構成され、各クライアント装置は、受信した音を、その音像定位情報に従った音像位置になるように再生する音声伝送システム及び音声再生装置が提案されている。

また、特許文献２には、複数のマイクロホンで集音した各送話者の音声信号を音声信号混合器で混合し、当該混合音声信号を出力信号切替器へ伝送するとともに、前記音声信号の音圧レベルを複数の音圧レベル測定器で測定し、最大音圧レベルマイクロホン判定器により音圧が最大となるマイクロホンを特定し、当該マイクロホン番号を示す制御信号を伝送路を介して出力信号切替器へ伝送し、出力信号切替器によって前記制御信号に応じて、複数のスピーカのうち音圧レベルが最大となったマイクロホンに対応するスピーカを選択し、当該スピーカに前記混合音声信号を与え、当該スピーカから前記混合音声信号を再生するテレビ会議音像定位装置が提案されている。

特開２００１−０３６８８１号公報 特開平０８−１４００６８号公報

しかし、上記従来のテレビ会議システム等においては、主話者の発言中に他の人が発言すると、その音声が加算されるため、主話者の発言が聞き取りづらくなるという問題があった。

そこで、本発明は、上記従来のテレビ会議システムにおける問題点に鑑みてなされたものであって、主話者の発言中に他の人が発言しても、主話者の発言をより明瞭に聞き取ることができるテレビ会議システムを提供することを目的とする。

上記目的を達成するため、本発明は、複数の地点に各々配置された端末と、該複数の端末と通信するテレビ会議制御装置とで構成されるテレビ会議システムであって、前記複数の端末の中から、所定のプログラムに基づいて１機の主話者の端末を選択し、該選択された主話者の端末から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より延長するか、前記選択された主話者の端末以外の端末から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より短縮するか、又は、これらの両方を同時に行い、前記変更された圧縮を開始するまでの時間又は所定の時間に基づいて、前記複数の端末から入力された音声データを圧縮し、該圧縮された音声データを加算して前記各々の端末に出力することを特徴とする。

そして、本発明によれば、前記複数の端末の中から、所定のプログラムに基づいて１機の議長等の主話者の端末を選択し、該選択された端末から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より延長するか、前記選択された端末以外の端末、すなわち他の話者から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より短縮するか、又は、これらの両方を同時に行うことができるため、議長等の主話者の音声の聴覚上の音場を他の話者より前方に位置付けることができ、また、主話者の音声の立ち上がり部分を他の話者の立ち上がり部分より大きくすることができるとともに、主話者の音声の子音を強調することができるため、主話者の音声を聞き取りやすくすることが可能となる。

前記テレビ会議システムにおいて、前記複数の端末の各々から入力された音声データを所定の音量に均一化することができる。これによって、主話者の音声が小さく、他の話者の音声が大きい場合でも、主話者の音声を聞き取りやすくすることができる。

また、本発明は、複数の地点に各々配置された端末と、該複数の端末と通信するテレビ会議制御装置とで構成されるテレビ会議システムを制御するためのプログラムであって、前記複数の端末の中から、所定のプログラムに基づいて１機の主話者の端末を選択するステップと、該選択された主話者の端末から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より延長するか、前記選択された主話者の端末以外の端末から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より短縮するか、又は、これらの両方を同時に行うステップと、前記変更された圧縮を開始するまでの時間又は所定の時間に基づいて、前記複数の端末から入力された音声データを圧縮するステップと、該圧縮された音声データを加算して各々の端末に出力するステップとで構成されることを特徴とする。

そして、本発明によれば、上述のように、前記テレビ会議システム制御プログラムを用いることによって、前記複数の端末の中から、所定のプログラムに基づいて１機の議長等の主話者の端末を選択し、該選択された端末から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より延長するか、前記選択された端末以外の端末から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より短縮するか、又は、これらの両方を同時に行うことができるため、議長等の主話者の音声の聴覚上の音場を他の話者より前方に位置付けることができ、また、主話者の音声の立ち上がり部分を他の話者の立ち上がり部分より大きくすることができるとともに、主話者の音声の子音を強調することができるため、主話者の音声を聞き取りやすくすることが可能となる。

前記テレビ会議システム制御プログラムにおいて、前記複数の端末の各々から入力された音声データを所定の音量に均一化するステップを備えることができる。これによって、主話者の音声が小さく、他の話者の音声が大きい場合でも、主話者の音声を聞き取りやすくすることができる。

また、本発明は、複数の地点に各々配置された端末と通信するテレビ会議制御装置であって、前記複数の端末の中から所定のプログラムに基づいて１機の主話者の端末を選択する選択手段と、該選択手段によって選択された主話者の端末の音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より延長するか、前記選択された主話者の端末以外の端末の音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より短縮するか、又は、これらの両方を同時に行う圧縮開始時間変更手段と、前記複数の端末から入力された音声データを、前記圧縮開始時間変更手段が変更した圧縮を開始するまでの時間又は所定の時間に基づいて圧縮する圧縮手段と、該圧縮手段によって圧縮された音声データを加算する加算手段と、該加算手段によって加算された音声データを各々の端末に出力する出力手段とで構成されることを特徴する。

そして、本発明によれば、上述のように、前記テレビ会議制御装置を用いることによって、前記複数の端末の中から、所定のプログラムに基づいて１機の議長等の主話者の端末を選択し、該選択された端末から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より延長するか、前記選択された端末以外の端末から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より短縮するか、又は、これらの両方を同時に行うことができるため、議長等の主話者の音声の聴覚上の音場を他の話者より前方に位置付けることができ、また、主話者の音声の立ち上がり部分を他の話者の立ち上がり部分より大きくすることができるとともに、主話者の音声の子音を強調することができるため、主話者の音声を聞き取りやすくすることが可能となる。

前記テレビ会議制御装置において、前記複数の端末の各々から入力された音声データを所定の音量に均一化することができる。これによって、主話者の音声が小さく、他の話者の音声が大きい場合でも、主話者の音声を聞き取りやすくすることができる。

以上のように、本発明によれば、主話者が発言している際に、他の話者が発言したとしても、主話者の音声を明瞭に聞き取ることなどを可能とするテレビ会議システム等を提供することができる。

次に、本発明の実施の形態について図面を参照しながら説明する。

本発明にかかるテレビ会議システムは、大別して、複数の端末１（１Ａ〜１Ｄ）と、この複数の端末１と通信するテレビ会議制御装置２とで構成される。

テレビ会議制御装置２は、音声入力１０１〜１０４の音声レベルを計測し、決められたアルゴリズムに基づいて主話者となる端末１を決定し、その情報（主話者情報）３００をアタックタイム設定部３０に伝達するレベル比較部１０と、レベル比較部１０からの主話者情報３００に基づいて、コンプレッサ部２１〜２４に設定するアタックタイム（コンプレッサ部２１〜２４が圧縮を開始するまでの時間）を決定して設定するアタックタイム設定部３０と、音声入力１０１〜１０４が入力され、各端末１の音声レベルが均一になるように、また、アタックタイム設定部３０からのアタックタイムの設定に従って各々圧縮を行うコンプレッサ部２１〜２４と、コンプレッサ部２１〜２４で圧縮された音声データを加算する加算部４０とで構成される。

アタックタイム設定部３０は、アタックタイムを、主話者となる端末１は長め（例えば１００ｍ／ｓ程度）に設定し、主話者以外の端末１は短め（例えば数ｍ／ｓ程度）に設定するために備えられる。

尚、端末１には、一般に使用されているテレビ電話等を使用することができるため説明を省略する。

次に、本発明にかかるテレビ会議システムの動作について図面を参照しながら説明する。

レベル比較部１０は、音声入力１０１〜１０４の音声レベルや持続時間を計測し、例えば、「決められた音声レベルを超え、ある一定時間そのレベルを持続した場合に主話者と判定する」というような、予め決められたアルゴリズムに基づいて主話者の端末１を決定し、その情報（主話者情報３００）をアタックタイム設定部３０に伝達する。

音声入力１０１〜１０４は、コンプレッサ部２１〜２４にも入力され、コンプレッサ部２１〜２４は、図２に示すように、ある決められた入力レベル（閾値レベル）を超えた入力が入ってきた場合に出力レベルを減衰させる特性を備えた増幅器であり、コンプレッサ部２１〜２４に各々同じ閾値レベルを設定することで、各端末１の音声レベルの大小差を少なくすることができる。

図３（ａ）がコンプレッサ部２１〜２４に入力される音声信号２０１〜２０４、図３（ｂ）がコンプレッサ部２１〜２４から出力される音声信号４０１〜４０４の大きさを示す。この機能により、例えば、主話者の発言中に、他の端末１の話者がより大きな声で発言したような場合でも、他の話者の音声レベルが抑えられるため、主話者の音声を聞き取りやすくすることができる。

尚、コンプレッサ部２１〜２４は、図４に示すように、閾値レベルを越えてから圧縮を開始するまでの時間（アタックタイム）を設定（アタックタイム設定情報５０１〜５０４）によって変更する機能を有する。テストトーンを入力した場合のアタックタイムの違いによる出力波形を図５（ａ）〜（ｃ）に示す。図５（ａ）は入力波形、図５（ｂ）はアタックタイムが短めの場合の出力波形、図５（ｃ）はアタックタイムが長めの場合の出力波形を示している。圧縮された音声レベルを原音のレベルに増幅すると、相対的に音の立ち上がり部分が強調されることになり、しかもアタックタイムが長めの方が強調される立ち上がり時間が長くなる。したがって、人間の言葉が入力された場合は、アタックタイムが長めの方が言葉の立ち上がり部分、すなわち子音部分がより強調される。

また、コンプレッサを使用して音の立ち上がり部分を強調することにより、聴感上の音場をより前方に定位させることもできる。例えば、音楽ＣＤの制作現場では、バックの楽器の音にボーカルが埋もれてしまうのを防ぐため、図６に示すように、アタックタイムが長めのコンプレッサをボーカルにかけて音場を前方に定位する手法が一般的に用いられている（図６（ａ））。本発明においても、主話者の音声の立ち上がり部分を、その他の発言者より強調することによって、主話者が一歩前に出て発言しているかのような音場定位を作り出している（図６（ｂ））。

コンプレッサ部２１〜２４から出力された圧縮音声信号４０１〜４０４は、加算部で加算され、各端末１へ送信される。その際、主話者の音声は他の端末１の音声よりも立ち上がり部分が強調されて再生されるため、主話者が他者よりも一歩前に出たような音場定位となり、主話者の音声がより聞き取りやすくなる。

尚、図１に示した実施の形態は、複数の参加者が同等の立場で発言する場合を示すが、例えば、予め決められた議長が存在し、その議長の発言が他の参加者の発言よりも優先される場合、又は、講義形態で講師と受講者が参加し、講師の発言が受講者の発言よりも優先される場合等、特定の話者の発言を他者よりも優先させる必要があるような用途においても本発明を適用することができる。その場合には、レベル比較部１０は必要なく、優先されるべき話者の端末を特定してアタックタイム設定部３０に通知すればよい。尚、その後の動作は前述の実施の形態と同様であるため説明を省略する。

本発明にかかるテレビ会議システムの一実施の形態の全体構成を示すブロック図である。 本発明におけるコンプレッサ部の基本動作を示す図である。 本発明におけるコンプレッサ部の動作結果を示す図であり、（ａ）は、コンプレッサ部に入力される音声信号のレベルを示し、（ｂ）は、コンプレッサ部から出力される音声信号のレベルを示す。 本発明におけるコンプレッサ部のアタックタイムを示す図である。 本発明におけるコンプレッサ部のアタックタイムの違いによる動作の違いを示す図であり、（ａ）は、コンプレッサ部への入力レベルを示し、（ｂ）は、アタックタイムが短めの場合のコンプレッサ部からの出力波形を示し、（ｃ）は、アタックタイムが長めの場合のコンプレッサ部からの出力波形を示す。 コンプレッサを使用した場合の音場定位を示す図であり、（ａ）は、音楽ＣＤ制作現場でコンプレッサが使用された場合の音場定位を示し、（ｂ）は、本発明のテレビ会議システムにおける音場定位を示す。

符号の説明

１（１Ａ〜１Ｄ） 端末
２ テレビ会議制御装置
１０ レベル比較部
２１〜２４ コンプレッサ部
３０ アタックタイム設定部
４０ 加算部
１０１〜１０４ 入力音声信号
２０１〜２０４ コンプレッサ部への入力信号
３００ 主話者情報
４０１〜４０４ コンプレッサ部からの出力信号
５０１〜５０４ アタックタイム設定情報

Claims (6)

1. 複数の地点に各々配置された端末装置と、該複数の端末装置と通信するテレビ会議制御装置とで構成されるテレビ会議システムであって、
   前記複数の端末装置の中から、所定のプログラムに基づいて１機の主話者の端末装置を選択し、
   該選択された主話者の端末装置から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より延長するか、前記選択された主話者の端末装置以外の端末装置から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より短縮するか、又は、これらの両方を同時に行い、
   前記変更された圧縮を開始するまでの時間又は所定の時間に基づいて、前記複数の端末装置から入力された音声データを圧縮し、
   該圧縮された音声データを加算して前記各々の端末装置に出力することを特徴とするテレビ会議システム。
2. 前記複数の端末装置の各々から入力された音声データを所定の音量に均一化することを特徴とする請求項１に記載のテレビ会議システム。
3. 複数の地点に各々配置された端末装置と、該複数の端末装置と通信するテレビ会議制御装置とで構成されるテレビ会議システムを制御するためのプログラムであって、
   前記複数の端末装置の中から、所定のプログラムに基づいて１機の主話者の端末装置を選択するステップと、
   該選択された主話者の端末装置から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より延長するか、前記選択された主話者の端末装置以外の端末装置から入力された音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より短縮するか、又は、これらの両方を同時に行うステップと、
   前記変更された圧縮を開始するまでの時間又は所定の時間に基づいて、前記複数の端末装置から入力された音声データを圧縮するステップと、
   該圧縮された音声データを加算して各々の端末装置に出力するステップとで構成されることを特徴とするテレビ会議システム制御プログラム。
4. 前記複数の端末装置の各々から入力された音声データを所定の音量に均一化するステップを備えることを特徴とする請求項３に記載のテレビ会議システム制御プログラム。
5. 複数の地点に各々配置された端末装置と通信するテレビ会議制御装置であって、
   前記複数の端末装置の中から所定のプログラムに基づいて１機の主話者の端末装置を選択する選択手段と、
   該選択手段によって選択された主話者の端末装置の音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より延長するか、前記選択された主話者の端末装置以外の端末装置の音声データのレベルを減衰させる圧縮を開始するまでの時間を所定の時間より短縮するか、又は、これらの両方を同時に行う圧縮開始時間変更手段と、
   前記複数の端末装置から入力された音声データを、前記圧縮開始時間変更手段が変更した圧縮を開始するまでの時間又は所定の時間に基づいて圧縮する圧縮手段と、
   該圧縮手段によって圧縮された音声データを加算する加算手段と、
   該加算手段によって加算された音声データを各々の端末装置に出力する出力手段とで構成されることを特徴するテレビ会議制御装置。
6. 前記複数の端末装置の各々から入力された音声データを所定の音量に均一化する音量均一化手段を備えることを特徴とする請求項５に記載のテレビ会議制御装置。

Images