JP4891805B2 - 残響除去装置、残響除去方法、残響除去プログラム、記録媒体 - Google Patents

Description

この発明は残響を伴った音響信号から、残響を取り除いた音声信号を抽出する残響除去装置、残響除去方法、残響除去プログラム、このプログラムを記録した記録媒体に関する。

音声信号は、残響のある環境で収音されると、本来の音声信号に残響が重畳された信号として観測される。このため、本来の音声信号の性質を抽出することが困難になるとともに、音声自体の明瞭度が低下する。これに対し、残響除去処理は、重畳した残響を取り除くことで、音声本来の性質を抽出しやすくするとともに、音声の明瞭度を回復することができる。
これは他のさまざまな音響信号処理システムの要素技術として用いることで、そのシステム全体の性能向上につながる技術である。残響除去処理が要素技術として性能向上に寄与できるような音響信号処理システムには、例えば、以下のようなものが列挙できる。
１．残響除去を前処理として用いる音声認識システム。
２．残響除去により音声の明瞭度を向上させるＴＶ会議システムなどの通信システム。
３．講演の録音に含まれる残響を除去することで、録音された音声の明瞭度を向上させる再生システム。
４．残響を除去することで聞き取りやすさを向上させる補聴器。
５．人が発した声に反応して機械にコマンドをわたす機械制御インターフェース、および機械と人間との対話装置。

残響除去方法の従来例１を図４を参照して説明する。図４において、１はマイクロホン、２は逆フィルタ処理部、３は逆フィルタ計算部を示す。従来例１では、あらかじめ音源からマイクロフォン１までの室内インパルス応答を測定しておいて、ムーアペンローズ擬似逆行列に基づき室内インパルス応答の逆フィルタを逆フィルタ計算部３において求め、逆フィルタ計算部３で算出した逆フィルタを逆フィルタ処理部２に設定し、観測信号に適用することで残響除去を行う（非特許文献１）。

残響除去方法の従来例２を図５を参照して説明する。図５において１はマイクロホン、４は死角型指向性形成部、５−１は目的音源位置推定部、５−２は残響反射位置推定部を示す。従来例２では、マイクロフォン１で測定された観測信号を入力として用いて、目的音源位置推定部５−１では音源の位置を推定し、残響反射位置推定部５−２では壁などの反射位置を推定し、これらの推定位置により死角型指向性形成部４は話者の方向から到来する音は強調し、壁などに反射した音が到来する方向には死角を向けるような指向特性を形成することで残響の除去を行う（非特許文献２）。
Miyoshi, M., and Kaneda, Y., "Inverse filtering of room acoustics," IEEE Trans. ASSP, 36(2), pp. 145-152, 1988. Schmidt, R. O., "Multiple emitter location and signal parameter estimation," IEEE Trans. AP, 34(3), pp. 276-280, 1986.

上述した残響除去方法の従来例１では、あらかじめ用意しておいた室内インパルス応答の推定値を用いて、観測された音響信号に室内インパルス応答の逆フィルタを適用することで、少数のマイクロフォンによる観測信号から残響を除去することができる。しかし、一般に、室内インパルス応答の逆フィルタは、背景雑音に敏感で、背景雑音が収音時に影響を与える実際的な環境では、雑音のレベルがかなり小さくても残響除去後の音声の音質を劣化させる結果につながる。

一方、上述した残響除去方法の従来例２では、ディジタル信号処理により形成する死角の数をｎとすると、原理的にｎ個以上のマイクロフォンが必要になる。したがって、残響が周囲のいたるところから到来するような環境においては、非常に多数のマイクロフォンによる観測信号が必要になる。さらに、目的音と同じ方向から来る残響についてはこの方法では除去することはできない。

このように、従来用いられてきた残響除去方法では、室内伝達関数の変動や背景雑音により性能が大きく劣化したり、または、充分な残響除去性能を達成するためには非常に多くのマイクロフォンが必要であった。

従来法の課題を解決するために、本発明では、単一もしくは複数のマイクロフォンで観測された観測信号に対し、室内インパルス応答の推定値や背景雑音の統計量を利用しながら、音声の確率モデルに基づき各短時間区間に含まれる音声の自己相関関数（もしくは、自己回帰係数やパワースペクトルなどの自己相関関数と等価な情報）を推定することで、雑音などの要因の影響をあまり受けない残響除去法を構成する。また、残響を含む観測信号から、音声の確率モデルに基づき各短時間区間に含まれる音声の自己相関関数（もしくはそれと等価な情報）を推定し、推定した自己相関関数に基づき室内インパルス応答の逆フィルタを推定することで、少ないマイクロフォンで残響除去を実現する残響除去法を構成する。

より具体的に本発明による残響除去装置の特徴とする構成は、音声信号の初期推定値もしくは音声信号推定手段が推定した音声信号の推定値を受け取り、音声信号の確率モデルに従って各短時間区間ごとの音声の自己相関関数を推定する音声自己相関推定手段と、話者の位置からマイクロフォンまでの室内インパルス応答の推定値と上記音声自己相関推定手段が推定した短時間区間ごとの音声の自己相関を受け取り、逆フィルタを推定する逆フィルタ推定手段と、観測信号と逆フィルタ推定手段が推定した逆フィルタの推定値を受け取り、音声信号を推定する音声信号推定手段と、音声自己相関推定手段、逆フィルタ推定手段、および音声信号推定手段が順に各推定を繰り返すことで各推定の精度を向上させ、音声信号推定手段が推定した音声信号の推定値を受け取り、繰り返しによる推定の収束を判定し、推定の繰り返しを終了させると共に、音声信号の推定値を出力する収束判定手段とを備えることを特徴とする。

本発明では更に前記記載の残響除去装置において、観測信号を受け取り、観測信号に含まれる背景雑音の統計量を推定する背景雑音推定手段を備え、この背景雑音推定手段が推定した背景雑音の統計量と音声自己相関推定手段が推定する音声自己相関推定値とを逆フィルタ推定手段が受け取って逆フィルタを推定することを特徴とする。

本発明では更に、音声信号の初期推定値もしくは後記音声信号推定部が推定した音声信号の推定値を受け取り、音声信号の確率モデルに基づき各短時間区間ごとの音声の自己相関関数を推定する音声自己相関推定手段と、観測信号と音声自己相関推定手段が推定した短時間区間ごとの音声の自己相関を受け取り逆フィルタを推定する逆フィルタ推定手段と、観測信号と逆フィルタ推定手段が推定した逆フィルタの推定値を受け取り、音声信号を推定する音声信号推定手段と、音声自己相関推定手段、逆フィルタ推定手段、音声信号推定手段が順に各推定を繰り返すことで各推定精度を向上させ、音声信号推定手段が推定した音声信号の推定値を受け取り、繰り返しによる推定の収束を判定し、推定の繰り返しを終了させると共に、音声信号の当該推定値を出力する収束判定手段とを備えることを特徴とする。

本発明によれば、音声信号の確率モデルに基づき、残響除去処理結果として得られる音声信号がより音声らしい信号になるように室内インパルス応答の逆フィルタを推定する手段を与える。音声の確率モデルを利用することの利点は、音声らしさを定量的に評価できるようになること、すなわち、確率に基づく評価関数を定義できることにある。これにより、背景雑音下で逆フィルタを求める際に、「音声の品質を劣化させる」とするような逆フィルタは、結果として得られる音声信号の推定値の音声らしさを確率的に下げることになる。したがって、音声の確率モデルを利用することで、音声の劣化を制御しながら残響を除去する逆フィルタを推定できるようになる。

また、室内インパルス応答の推定値が与えられていない場合でも、音声の確率モデルに基づき観測信号を確率的により音声信号らしい信号に変換するフィルタを求めることで、比較的少ない数のマイクロフォンでも高品質な残響除去を実現できる逆フィルタを推定することができるようになる。

本発明による残響除去装置はハードウェアによって構成することも可能であるが、最も簡素に実現するにはコンピュータに本発明による残響除去プログラムをインストールし、コンピュータに残響除去装置として機能させる実施形態が最良である。
本発明による残響除去装置で機能する残響除去方法は音声の確率モデルに基づく残響除去方法として、自己相関コードブックに基づく残響除去方法を採る点を特徴とする。
自己相関コードブックに基づく残響除去の原理

単一の音声信号が単一もしくは複数のマイクロフォンで収音されているとする。簡単のため、以下では二つのマイクロフォンで収音されたものとして説明を進める。s_t,x_t ^(l),およびd_t ^(l)を音声信号、観測信号、および背景雑音をディジタル化した時系列とする。tとlは、それぞれ、時間とマイクロフォンのインデックスを表すものとする。さらにs_t ^￣,x_t ^￣,およびd_t ^￣を、各信号に対応するベクトル表現（それぞれ長さK,2L,2L）とし、以下で定義されるものとする。

ここで、H_t ^￣は後述する音声信号の時刻tにおける状態を表す確率変数である。s_t ^￣は、推定の目的である音声信号であるので、本発明を通じてθに含まれているものとみなされる。関係式（１）により、確率密度関数p(X_t ^￣|A^￣,S_t ^￣;θ)は、背景雑音D_t ^￣の統計量を表す確率密度関数、すなわちp(D_t ^￣;θ)のみから特定することができる。

以下では、この背景雑音の確率密度関数p(D_t ^￣;θ)は、平均０のガウス分布に従うと仮定する。この確率密度関数は、例えば、雑音のレベルが充分に小さい環境では、比較的レベルの小さな白色雑音を想定することで統計量としては充分である。また、常に同じ環境で用いられる残響除去システムの場合、事前に背景雑音の統計量を測定して定めておくことが可能である。

もしくは、事前に雑音の統計量が想定できない状況では、従来から用いられているスペクトル減算において採用されている多くの方法と同様に、音声信号を含まない背景雑音だけを含んだ時間区間の観測信号をもとに、背景雑音の統計量を残響除去処理と平行して推定することが可能である。
本発明では、音声の確率モデルを表現するために、事後確率密度関数p(S_t ^￣|H_t ^￣;θ)を用いる。後述するように、音声信号の波形は、短時間区間ごとに平均０の定常ガウス過程に基づくと仮定し、各時間区間ごとに変化する音声の自己相関行列（定常ガウス過程では共分散行列と等価）だけで特定することができる。

定常ガウス過程の状態が短時間区間ごとに変化するような確率モデルを表現する一方法として、以下では、コードブックに基づく実現法について説明を進める。この方法では、短時間区間の音声の自己相関関数の集合に相当する特徴ベクトルの集合を、事前に何らかの音声データベースから抽出しておいて、音声の事後確率密度関数を表現するために用いる。（以下、この自己相関関数の集合のことを自己相関コードブックと呼ぶ）その結果、上記の尤度関数を最大化するθは、条件式（１）と音声の確率モデルの両方を反映するものと期待される。

なお、上記では、音声信号や背景雑音の波形は平均値０と仮定したが、それらの平均値が０でない場合は、残響除去の前処理として信号の直流成分を減算するなどの方法を用いて、平均値をほぼ０にすることができる。以下では、特に断りが無い限り必要に応じて同様の処理をしているものと仮定して説明を進める。
自己相関コードブックを用いた音声の確率モデル

短時間区間の音声の時変特徴を合理的に表現することができるモデルを構築するために、本発明では以下の仮定を導入する。

上記の仮定に従って、音声の確率モデルは自己相関行列ｒ_ｈの集合ｈ＝１〜Ｎ_ｓ、もしくはそれと等価な情報である自己相関関数の集合によってモデル化することができる。この自己相関関数の集合のことを自己相関コードブックと呼ぶ。音声の時間変化する特徴は、各短時間区間ごとに自己相関関数を適切に切り替えることで実現することができる。残響除去においては、音声の状態ｈ_ｔは事前に与えられないので、ｈ_ｔは、尤度最大化の過程において決定されるべきパラメータに含まれていると考えられる。

ここで音声信号の表現において二種類の異なる時間区間ｓ_ｔ ^￣とｓ_ｔ ^＝を式（１）と（３）において導入したことに注意されたい。式（１）中のｓ_ｔ ^￣は長さＫの長時間区間で、およそ室内インパルス応答の長さと同程度になり、式（３）中のｓ_ｔ ^＝は長さＮの短時間区間で、音声信号の特徴量を抽出するのに適した長さである。両者の関係として、ｓ_ｔ ^￣は短時間区間ｓ_ｔ ^＝を連結したものに一致し、また、これに準じて、長時間区間ｓ_ｔ ^￣の状態ｈ_ｔ ^￣を、ｓ_ｔ ^￣に含まれる各短時間区間ｓ_ｔ ^＝に対応する状態ｈ_ｔを連結した系列として定義する。その結果、Ｈ_ｔが与えられた条件のもとで、Ｓ_ｔ ^＝は時間的に独立な系列になると仮定すると、式（２）の第２項は、以下のように書き換えることができる。

図６は、本発明における自己相関コードブックの構築法の一例を示す。音声信号は、まず、時間窓処理部６で窓処理を適用して短時間区間に切り分けられる。次に、自己相関計算部８で自己相関関数を各区間について求める。最後に、例えば、LBGアルゴリズムなどのクラスタリング手法を用いてクラスタリング部１１において自己相関関数をクラスタリングし、自己相関の集合を生成する。

クラスタリングにおける距離は、クラスタリングのよさを決定する大きな要因となりうる。特に、信号のレベルの取り扱いは注意が必要である。例えば、信号のレベルと自己相関の形状は別々に距離を測定するなどの方法が有効である。
このため、一つの実施例として、クラスタリングの前に音声の短時間区間をエネルギーに関してエネルギー正規化部７で正規化するとともに、エネルギーの対数値を時間差０の項の置き換え部１０において当該短時間区間の自己相関の時間差ゼロのラグの値と置き換えておき、クラスタリング部１１におけるクラスタリングをユークリッド距離尺度に基づいて行う方法などが挙げられる。

こうすることで、信号のレベルのみを対数変換後のユークリッド距離として評価することができ、信号のレベルのクラスタリングに与える影響を低減することができる。クラスタリング後に、コードブック中の自己相関のエネルギーを、時間差ゼロのラグの値をもとに復元することで、通常の自己相関関数に戻すことが出来る。（正規化と距離尺度の他の例としては、残差正規化自己相関関数の尤度のひずみなどがあげられる。）式（３）の自己相関行列は、コードブック中の自己相関関数に基づきToeplitz行列を構成することで生成することができる。

以下では、自己相関コードブックを用いた二つの残響除去の実施例を説明する。

室内インパルス応答が既知の場合の雑音環境下での残響除去
図１を用いて、本発明の実施例１で提案する残響除去装置の構成を説明する。実施例１で提案する残響除去装置は音声信号推定手段２１と、収束判定手段２２と、音声自己相関推定手段２３と、逆フィルタ推定手段２４とによって構成される。
音声信号推定手段２１は観測信号と逆フィルタ推定手段２４が推定した逆フィルタの推定値を受け取り、音声信号を推定する。
音声自己相関推定手段２３は音声信号の初期推定値もしくは音声信号推定手段が推定した音声信号の推定値を受け取り、音声信号の確率モデルにしたがって各短時間区間ごとの音声の自己相関関数を推定する。

逆フィルタ推定手段２４は話者の位置からマイクロホン１までの室内インパルス応答の推定値と音声自己相関推定手段２３が推定した短時間区間ごとの音声の自己相関を受け取り、逆フィルタを推定する。
収束判定手段２２は音声自己相関推定手段２３と、逆フィルタ推定手段２４と、音声信号推定手段２１が順に各推定を繰り返すことで各推定の精度を向上させ、音声信号推定手段２１が推定した音声信号の推定値を受け取り、繰り返しによる推定の収束を判定し、推定の繰り返しを終了させるとともに、音声信号の当該推定値を出力する。

以下では各部の動作を詳細に説明する。
まず、もし、音源信号が平均０分散１の白色ガウス過程であり、室内インパルス応答が事前に観測できる場合、式（２）を最大にする解は以下のように与えることができる。

およびs_tのどれか一つが初期値として与えられると、以後は、式（４）から式（６）に従い、その初期値から初めて、各値を交互に繰り返し更新することで、尤度関数をある定常点まで最大化することができる。例えば初期値の一例として、音声信号s_tの初期推定に観測信号x_tを用いることができる。

繰り返し推定の収束判定については、様々な方法を用いることができる。例えば、一回の繰り返しで音声または自己相関関数の推定値が変更される絶対値を毎回測定しておき、この絶対量がある閾値より小さくなった場合に収束したと判断することができる。また、繰り返しごとの尤度関数の増加量をモニターしておいて、増加量が閾値以下になった場合に収束したと判断する方法もある。さらに、もっとシンプルな方法として、あらかじめ繰り返し回数を決めておいて、繰り返しがその回数に達したら収束したと判断するという方法をとることも可能である。

なお、式（５）、（６）は、逆フィルタだけではなく自己相関領域でのウィーナフィルタとみることもできる。すなわち、残響除去と雑音除去を同時に実現することができるといえる。このことは、σ_d＝０としたとき（すなわち雑音がないとき）当該式がムーアペンローズ擬似逆行列に一致すること、および、

図２は図１に示した実施例１の変形例を示す。この変形実施例では図１に示した構成に加えてマイクロフォン１と逆フィルタ推定手段２４との間に背景雑音推定手段２５を設けた構成を特徴とする。

この背景雑音推定手段２５はマイクロフォン１から観測信号を受け取り、観測信号に含まれる背景雑音の統計量を推定する。逆フィルタ推定手段２４は背景推定手段２５が推定した背景雑音の統計量と音声自己相関推定手段２３が推定する音声自己相関推定値とを受け取って逆フィルタを推定する。これ以外の動作は図１の場合と同じである。

この図２の実施例によれば逆フィルタ推定部２４では音声自己相関推定値に背景雑音統計量を加味して逆フィルタを推定するから、背景雑音の除去率を高めることができる効果が得られる。

室内インパルス応答が既知でない場合の残響除去
もう一つの残響除去の構成法として、室内インパルス応答が既知でない場合に自己相関コードブックに基づき逆フィルタを推定し残響除去を行う方法について、図３を用いて説明する。図１とこの構成の違いはインパルス応答が既知でないことから、逆フィルタ推定部２４に観測信号を入力している点である。その他の構成は図１と同じである。

まず、単純化のため、背景雑音はないと仮定する。また、音源位置で各時刻に生成された音声信号が最初に到達するマイクロフォンのインデックスｌは既知であると仮定し、ｌ＝１とする。もしくは、そのようなマイクロフォンが既知でない場合は、どれか一つのマイクロフォンを選び、それ以外のマイクロフォンで受音される観測信号に充分に長い時間遅延を付加することで、仮想的に選択したチャンネルに音声が最初に到達するように定めるとする。この場合は、この遅延を付加した室内インパルス応答の系をまとめて、以下では室内インパルス応答と呼ぶことにする。さらに、観測信号のゲインと初期遅延を適切に調節することで、一般性を失わずにチャンネル１に関してa₁ ⁽¹⁾=1と正規化されているものとする。すると、室内インパルス応答a^￣の逆フィルタはｗ^￣＝[1 (ｗ^￣(1))^T 0 (ｗ^￣(2))^T]^Tの形で書くことができる。これを用いて式（１）を以下のように書き換える。

式（８）、式（９）、式（１０）は、それぞれ、音声の短時間区間の自己相関と一対一に対応する状態ｈ_ｔ、逆フィルタｗ^￣、および音声信号を推定する式である。ｈ_ｔ，ｗ^￣，およびｓ_ｔ ^￣のどれか一つが初期値として与えられると、以後は、式（８）から式（１０）に従い、その初期値から始めて、各値を交互に繰り返し更新することで、尤度関数をある定常点まで最大化することができる。例えば、初期値の一例として、音声信号ｓ_ｔの初期推定値に観測信号ｘ_ｔを用いることができる。

実施例１と同様、繰り返し推定の収束判定については、様々な方法を用いることができる。例えば一回の繰り返しで音声、逆フィルタまたは自己相関関数の推定値が変更される絶対量を毎回測定しておき、この絶対量がある閾値より小さくなった場合に収束したと判断することができる。また、繰り返しごとの尤度関数の増加量をモニターしておいて、増加量が閾値以下になった場合に収束したと判断する方法もある。さらに、もっとシンプルな方法として、あらかじめ繰り返し回数を決めておいて、繰り返しがその回数に達したら収束したと判断する方法をとることも可能である。

音声の確率モデルに基づく残響除去法の効果を確認するために二つの実験結果を示す。効果の確認のため、ＡＴＲ音声データベースの女性話者（ＦＫＭ）による５２４０単語の発話を用いて、図６に従い自己相関コードブックを作成した。観測信号は、事前に測定した２チャンネルの室内インパルス応答（ＲＴ６０＝０．５秒）を女性の発話音声に畳み込むことで合成した。標本化周波数を8kH、K=9216,L=5217,M=4000,N=64,およびN_s=1024とした。

実験１：実施例１の効果
実施例１の効果を確認するために、室内インパルス応答を畳み込んだ音声に、白色雑音を付加したものを観測信号として用意した。このとき、平均の信号対雑音比（SNR）を10dBとした。ムーアペンローズ擬似逆行列、Tikhonov正則化法、および実施例１による残響除去性能を比較した。以下、簡単のため、ムーアペンローズ擬似逆行列に基づく方法をMPI、Tikhonov正則化法をCRI、および実施例１をPROP1と表記することとする。PROP1では、s_t ^￣の初期値としてCRIが残響除去した後の信号を用いた。また、PROP1の繰り返し数は５回に固定した。図７は、残響除去前後の音声のスペクトログラムを示している。MPIは音声信号が完全に埋もれてしまう程まで背景雑音を増幅してしまうのに対し、CRIは背景雑音を増幅することなく適切に残響除去が行えている。

一方、PROP1は、残響だけではなく背景雑音も低減することができている。興味深いことに、SNRが極端に低い時間領域において、PROP1は信号の全エネルギーを低減している。図８のＡは、残響や背景雑音を付加する前のクリーンな音声信号と残響除去後の信号のケプストラム距離の時間遷移を示している。PROP1は、信号の全エネルギーを低減する時間領域を除いて、ケプストラム距離を最も低減することができている。この結果から、PROP1は、時間変化する音声の特徴とSNRに依存しながら、効果的に信号の品質を回復することができているといえる。

実験２：実施例２の効果
実施例２の効果を残響除去後の音声の品質に基づいて評価した。以後、簡単化のため、実施例２をPROP2と表記する。この実験においては、各チャンネルの逆フィルタのフィルタ長を3000とした。１単語の列、および５単語の列からなる２種類の観測信号を用意した。また、PROP2ではs_t ^￣の初期値として、観測信号x_t ^￣をそのまま用いた。クリーン音声と、５回繰り返し推定後の残響除去後の音声とのケプストラム距離、残響除去後の信号のスペクトログラムを、それぞれ、図８のBおよび図９に示す。図より、明らかなようにPROP2は、信号の品質を大変良く回復できていることがわかる。特に、５単語列の観測信号を用いた実験の結果得られたケプストラム距離はほとんど常に２ｄB以下である。１単語観測の場合も、耳で実際に聴取した音声の品質は大変良い。200msおよび800ms付近のケプストラム距離が大変大きくなっているが、実際には、この時間領域の信号のエネルギーは充分に小さいため、音声を耳で聴取した品質にはほとんど影響を与えていなかった。

以上説明した本発明による残響除去装置はコンピュータに図１、図２、図３に示した音声信号推定手段２１、収束判定手段２２、音声自己相関推定手段２３、逆フィルタ推定手段２４として機能させる音響除去プログラムをインストールすることにより実現することができる。音響除去プログラムはコンピュータに備えたＣＰＵが解読可能なプログラム言語によって記述され、コンピュータが読み取り可能な磁気ディスク、ＣＤ−ＲＯＭ、半導体メモリ等に記録され、これらの記録媒体からコンピュータにインストールするかまたは通信回線を通じてコンピュータにインストールすることができる。

残響除去処理を必要とする、音声認識システムの分野、ＴＶ会議システムのような通信システムの分野、録音、再生機器の分野、補聴器の分野、機械と人間との対話装置の分野に広く活用される。

本発明の実施例１を説明するためのブロック図。 図１の変形実施例を説明するためのブロック図。 本発明の実施例２を説明するためのブロック図。 従来例１を説明するためのブロック図。 従来例２を説明するためのブロック図。 本発明で用いる自己相関コードブックの作成方法を説明するためのブロック図。 本発明の作用効果を説明するためのグラフ。 本発明の作用効果を説明するためのグラフ。 図７、図８と同様に本発明の作用効果を説明するためのグラフ。

符号の説明

１ マイクロフォン ２３ 音声自己相関推定手段
２１ 音声信号推定手段 ２４ 逆フィルタ推定手段
２２ 収束判定手段

Claims (10)

1. 音声信号の確率モデルを、短時間区間ごとの音声信号の自己相関関数に対応する状態変数をパラメータとして持つ確率密度関数で表現し、音声信号の初期推定値もしくは音声信号推定手段が推定した音声信号の推定値を受け取り、前記確率密度関数を含む尤度関数を最大化する前記パラメータを求めることで、各短時間区間ごとの音声信号の自己相関関数を推定する音声自己相関推定手段と、
   話者の位置からマイクロフォンまでの室内インパルス応答の推定値と上記音声自己相関推定手段が推定した短時間区間ごとの音声の自己相関を受け取り、逆フィルタを推定する逆フィルタ推定手段と、
   観測信号と上記逆フィルタ推定手段が推定した逆フィルタの推定値を受け取り、音声信号を推定する音声信号推定手段と、
   上記音声自己相関推定手段、逆フィルタ推定手段、および音声信号推定手段が順に各推定を繰り返すことで各推定の精度を向上させ、上記音声信号推定手段が推定した音声信号の推定値を受け取り、上記繰り返しによる推定の収束を判定し、推定の繰り返しを終了させると共に、音声信号の推定値を出力する収束判定手段と、
   を備えることを特徴とする残響除去装置。
2. 請求項１記載の残響除去装置において、観測信号を受け取り、観測信号に含まれる背景雑音の統計量を推定する背景雑音推定手段を備え、この背景雑音推定手段が推定した背景雑音の統計量と音声自己相関推定手段が推定する音声自己相関推定値とを上記逆フィルタ推定手段が受け取って逆フィルタを推定することを特徴とする残響除去装置。
3. 音声信号の確率モデルを、短時間区間ごとの音声信号の自己相関関数に対応する状態変数をパラメータとして持つ確率密度関数で表現し、音声信号の初期推定値もしくは後記音声信号推定手段が推定した音声信号の推定値を受け取り、前記確率密度関数を含む尤度関数を最大化する前記パラメータを求めることで、各短時間区間ごとの音声信号の自己相関関数を推定する音声自己相関推定手段と、
   観測信号と上記音声自己相関推定手段が推定した短時間区間ごとの音声の自己相関を受け取り逆フィルタを推定する逆フィルタ推定手段と、
   観測信号と上記逆フィルタ推定手段が推定した逆フィルタの推定値を受け取り、音声信号を推定する音声信号推定手段と、
   上記音声自己相関推定手段、逆フィルタ推定手段、音声信号推定手段が順に各推定を繰り返すことで各推定精度を向上させ、上記音声信号推定手段が推定した音声信号の推定値を受け取り上記繰り返しによる推定の収束を判定し、推定の繰り返しを終了させると共に、音声信号の当該推定値を出力する収束判定手段と、
   を備えることを特徴とする残響除去装置。
4. 請求項１または３記載の残響除去装置において、
   

   

   と表現することを特徴とする残響除去装置。
5. 音声信号の確率モデルを、短時間区間ごとの音声信号の自己相関関数に対応する状態変数をパラメータとして持つ確率密度関数で表現し、音声信号の初期推定値もしくは音声信号推定手段が推定した音声信号の推定値を受け取り、前記確率密度関数を含む尤度関数を最大化する前記パラメータを求めることで、各短時間区間ごとの音声信号の自己相関関数を推定する音声自己相関推定処理ステップと、
   話者の位置からマイクロフォンまでの室内インパルス応答の推定値と上記音声自己相関推定処理ステップが推定した短時間区間ごとの音声の自己相関を受け取り、逆フィルタを推定する逆フィルタ推定処理ステップと、
   観測信号と上記逆フィルタ推定処理ステップが推定した逆フィルタの推定値を受け取り、音声信号を推定する音声信号推定処理ステップと、
   上記音声自己相関推定処理ステップ、逆フィルタ推定処理ステップ、および音声信号推定処理ステップが順に各推定を繰り返すことで各推定の精度を向上させ、上記音声信号推定処理ステップで推定した音声信号の推定値を受け取り、上記繰り返しによる推定の収束を判定し、推定の繰り返しを終了させると共に、音声信号の推定値を出力する収束判定処理ステップと、
   を実行させる残響除去方法。
6. 請求項５記載の残響除去方法において、観測信号を受け取り、観測信号に含まれる背景雑音の統計量を推定する背景雑音推定処理ステップを含み、この背景雑音推定処理ステップが推定した背景雑音の統計量と音声自己相関推定処理ステップで推定する音声自己相関推定値とを上記逆フィルタ推定処理ステップが受け取って逆フィルタを推定することを特徴とする残響除去方法。
7. 音声信号の確率モデルを、短時間区間ごとの音声信号の自己相関関数に対応する状態変数をパラメータとして持つ確率密度関数で表現し、音声信号の初期推定値もしくは後記音声信号推定部が推定した音声信号の推定値を受け取り、前記確率密度関数を含む尤度関数を最大化する前記パラメータを求めることで、各短時間区間ごとの音声信号の自己相関関数を推定する音声自己相関推定処理ステップと、
   観測信号と上記音声自己相関推定処理ステップで推定した短時間区間ごとの音声の自己相関を受け取り逆フィルタを推定する逆フィルタ推定処理ステップと、
   観測信号と上記逆フィルタ推定処理ステップで推定した逆フィルタの推定値を受け取り、音声信号を推定する音声信号推定処理ステップと、
   上記音声自己相関推定処理ステップ、逆フィルタ推定処理ステップ、音声信号推定処理ステップが順に各推定処理を繰り返すことで各推定精度を向上させ、上記音声信号推定処理ステップが推定した音声信号の推定値を受け取り上記繰り返しによる推定の収束を判定し、推定の繰り返しを終了させると共に、音声信号の当該推定値を出力する収束判定処理ステップと、
   を実行させることを特徴とする残響除去方法。
8. 請求項５または７記載の残響除去方法において、
   

   

   と表現することを特徴とする残響除去方法。
9. コンピュータが解読可能なプログラム言語によって記述され、コンピュータに請求項１乃至４の何れかに記載の残響除去装置として機能させる残響除去プログラム。
10. コンピュータが読み取り可能な記録媒体によって構成され、この記録媒体に請求項９記載の残響除去プログラムを記録した記録媒体。

Images