JP5170218B2 - オーディオ信号処理装置 - Google Patents

Description

本発明は、オーディオ信号の処理技術に関する。

ある音（対象音）が聞こえているときに、対象音に近い周波数を持つ別の音（マスキングサウンド）が存在すると、その対象音が聞こえにくくなるという現象が一般に知られており、マスキング効果と呼ばれている。マスキング効果は、人間の聴覚特性に根ざしたものであり、マスキングサウンドと対象音の周波数が近いほど、また、マスキングサウンドの音量レベルが対象音の音量レベルに対して相対的に高いほど、顕著になることが知られている。

このマスキング効果を利用した音響技術は、従来種々提案されており、その一例として特許文献１に開示された技術が挙げられる。特許文献１には、自動車において車内にまで届くギアのノイズをマスキング効果により聞こえにくくする技術が開示されている。

特開２００５−３４３４０１号公報

ところで、ホールや喫茶店などにおいては、たとえばエリアごとに異なった音声コンテンツ（情報や音楽など）を提供するという必要性が生じることがある。そのような場合、従来はスピーカの配置や音量レベルを調整したり、遮音壁を設置したりするなどの方法がとられてきた。しかしながら、これらの方法を用いたとしても周囲のエリアにおける音声コンテンツが全く聞こえないわけではない。このため、自身に向けられたコンテンツの音量レベルが高い時には聴取者はそのコンテンツに意識を集中しやすいが、曲と曲の間など音量レベルの低い時に、周囲の音に注意をそらしてしまう傾向があった。

本発明は、上記の問題に鑑みてなされたものであり、その目的は、聴取者が音声コンテンツの途切れ目などで周囲の音に注意をそらしてしまうことを回避する技術を提供することにある。

上述した課題を解決するため、本発明に係るオーディオ信号処理装置は、音声に応じた第１オーディオ信号を受取る受取り手段と、前記受取り手段が受取る第１オーディオ信号から前記音声の音量レベルを検出する検出手段と、前記検出手段により検出される前記音声の音量レベルが低いほど音量レベルが高くなるように連動して連続的に音量レベルが変化させられたマスキングサウンドに応じた第２オーディオ信号を生成する生成手段と、前記受取り手段により受取られた第１オーディオ信号と前記生成手段により生成された第２オーディオ信号を出力する出力手段とを有する。

本発明に係るオーディオ信号処理装置およびホールにより、自身に向けられたコンテンツの音量レベルが低いときなどにも聴取者が周囲の音に注意をそらすことを回避し、コンテンツに集中しやすくすることができる。

実施形態に係るオーディオ信号処理装置１が設置されたホール２００の全体構成を示した図である。 実施形態に係るオーディオ信号処理装置１を含む、コンテンツの生成に係る装置の機能構成を示すブロック図である。 コンテンツＡの音量レベルを示したグラフである。 実施形態に係るオーディオ信号処理装置１が実行する処理を示したフローチャートである。 変形例（４）におけるオーディオ信号処理装置１の機能構成を示すブロック図である。 変形例（８）におけるオーディオ信号処理装置１の機能構成を示すブロック図である。

以下、本発明の実施形態について図面を用いて説明する。
（構成）
図１は、本発明の実施形態に係るオーディオ信号処理装置が設置されたホール２００の概観を示す図である。図１に示すように、ホール２００は、１５メートル四方で天井の高さは３メートルである。ホール２００には、テーブル５００Ａ、５００Ｂおよび５００Ｃの３つのテーブルが、各々の中心間の距離が７メートルになるように互いに離されて設置されている。各テーブルには、椅子６００が４脚ずつ設置されている。なお、本実施形態では、ホール２００は１５メートル四方であり、高さが３ｍである場合について説明するが、ホールの大きさはこのような値に限定されるものではないことは言うまでもない。また、本実施形態では、ホール２００に３つのテーブルが配置される場合について説明するが、ホール内に配置されるテーブルの数は２つであってもよく、また、４つ以上であっても勿論良い。同様に、各テーブルに配置される椅子の数も４に限定されるものではなく、また、テーブル毎に椅子の数が異なっていても勿論良い。

図１に示すように、テーブル５００Ａ、５００Ｂおよび５００Ｃの各々の上方には、照明３００Ａ、３００Ｂおよび３００Ｃが天井から釣り下げられ設置されている。各々の照明において、電球は“かさ”で覆われている。それら照明３００Ａ、３００Ｂおよび３００Ｃの“かさ”の内側には、それぞれスピーカ４００Ａ、４００Ｂおよび４００Ｃが設置されている。
スピーカ４００Ａ、４００Ｂおよび４００Ｃの各々には、それぞれ個別に音声コンテンツを出力するオーディオ信号処理装置１Ａ、１Ｂおよび１Ｃが接続されている。

なお以下では、テーブル５００Ａ、５００Ｂおよび５００Ｃの各々を区別する必要がない場合には、「テーブル５００」と表記する。同様に上記３つのスピーカについても、その各々を区別する必要がない場合には、「スピーカ４００」と表記し、上記３つの照明の各々を区別する必要がない場合には、「照明３００」と表記する。また、上記３つのオーディオ信号処理装置の各々を区別する必要がない場合には、「オーディオ信号処理装置１」と表記する。

さて、本実施形態に係るオーディオ信号処理装置１は、コンテンツの音量レベルが低くなったときに聴取者が周囲の音に注意をそらしてしまうことを回避するといった課題を、前述したマスキング効果を利用して解決するものである。具体的には、オーディオ信号処理装置１は、音声コンテンツの音量レベルが低くなったときに、上記マスキングサウンドとしてホワイトノイズを再生することによって、上記課題を解決するものである。ここで、ホワイトノイズとは、連続スペクトルを有し、かつ、単位周波数帯域に含まれる各周波数成分の強さがその周波数とは無関係に一定であるノイズのことである。

本実施形態において、マスキングサウンドとしてホワイトノイズを用いる理由は、以下の通りである。例えば、スピーカ４００Ａにより再生される音楽コンテンツの聴取者にとっては、スピーカ４００Ｂや４００Ｃにより再生される他の音声コンテンツや、周囲の人々の会話やざわめきなどの環境音が、注意をそらす原因となり得る。このような他の音声コンテンツや環境音（または、これらを重ね合わせた音）には様々な周波数成分が含まれていることが一般的であり、それらを一括してマスクするマスキングサウンドとしては、連続的な周波数スペクトルを有するホワイトノイズが好適だからである。

オーディオ信号処理装置１には、マスキングサウンドとして使用するホワイトノイズの周波数帯域および音量レベルを適宜設定するマスキングサウンド設定手段（図示省略）が設けられている。このため、オーディオ信号処理装置１の操作者は、上記マスキングサウンド設定手段を適宜操作することによって、周囲のエリアにおける音声コンテンツや環境音の周波数帯域をカバーするのに十分な周波数帯域のホワイトノイズを使用するとともに、上記他の音声コンテンツや環境音の音量を考慮して、そのホワイトノイズの音量レベルを適切な値に設定することができる。
以下、本発明の実施形態に係るオーディオ信号処理装置１の構成を詳細に説明する。

図２に示すように、オーディオ信号処理装置１には、オーディオ信号出力部１０とスピーカ４００とが接続されている。オーディオ信号出力部１０は、たとえばステレオなどにおけるＣＤ（登録商標）ドライブであり、ＣＤに記録された情報や音楽などのデータを読取り、そのデジタル方式のオーディオ信号を出力する。なお、オーディオ信号出力部１０は、ＣＤドライブに限定されるものではなく、ラジオの電波受信部や、マイクなどの音声入力機器なども含まれる。要するに、オーディオ信号出力部１０は、オーディオ信号を出力するものであればよい。なお、オーディオ信号出力部１０がアナログ方式の信号を出力する機器である場合には、オーディオ信号出力部１０とオーディオ信号処理装置１の間に、アナログ方式の信号をデジタル方式に変換する機能を持つＡ／Ｄコンバータを設け、オーディオ信号出力部１０により出力されるアナログ方式の信号をＡ／Ｄコンバータによってデジタル方式へ変換して、オーディオ信号処理装置１へ受け渡すようにすればよい。

オーディオ信号処理装置１は、図２において一点鎖線で囲まれた構成、すなわちバッファ２０、音量レベル検出部３０、判断部４０、マスキングサウンド信号生成部５０、信号合成部６０、Ｄ／Ａコンバータ７０、アンプ８０を有する。また、オーディオ信号処理装置１は、これら構成要素のほかに図示せぬ制御部を備える。この制御部はオーディオ信号処理装置１の各部から動作に関する情報を受取り、各部の作動制御を行う。
バッファ２０は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）であり、オーディオ信号出力部１０から出力されたオーディオ信号が書き込まれる。なお、バッファ２０に記憶されているオーディオ信号は、その時点で再生されているオーディオ信号よりも時間ｔｘだけ後に再生されるオーディオ信号である。
音量レベル検出部３０は、バッファ２０に記憶されたオーディオ信号を読取り、そのオーディオ信号からコンテンツの音量レベルを検出する。

判断部４０は、音量レベル検出部３０によって検出されたコンテンツの音量レベルから、マスキングサウンドを重ね合わせるコンテンツ部分を後述する基準により特定し、マスキングサウンド信号生成部５０に対しマスキングサウンドを重ね合わせるコンテンツ部分を示す信号（たとえば該当するコンテンツ部分の開始および終了時刻を示す信号）を送る。

具体的には、判断部４０はコンテンツの音量レベルを参照し、次の２点の基準を満たすコンテンツ部分を特定する。
（１）コンテンツの音量レベルが予め規定された規定値を下回る。
（２）（１）を満たすコンテンツ部分について、音量レベルが規定値を継続して下回る期間が予め規定された時間ｔｍを越える。
判断部４０は、上記２点の基準を満たすコンテンツ部分を、マスキングサウンドを重ね合わせるコンテンツ部分と特定する。

図３ｄは、時刻ｔ１からｔ１０におけるコンテンツＡの音量レベルを示すグラフである。縦軸にコンテンツの音量レベルを、横軸に時刻（コンテンツＡの再生開始時からの経過時間）をとっている。図に示すように、コンテンツＡは時刻ｔ１からｔ１０において楽曲１と曲間部分と楽曲２を含み、時刻ｔ１において再生途中の楽曲１は時刻ｔ３に終了し、続いて楽曲２は時刻ｔ４に始まり時刻ｔ１０に終了する。以下ではこのコンテンツＡについて、判断部４０がマスキングサウンドを重ね合わせるコンテンツ部分を決定する方法について、具体的に説明する。

図３ａにおいて前述の音量レベルの規定値は破線で示されている。この場合、時刻ｔａからｔａ＋ｔｘにおいて、コンテンツＡの音量レベルは、時刻ｔ２からｔ５において規定値を継続して下回り（条件（１））また下回る期間は時間ｔｍを越える（条件（２））。従って判断部４０は、時刻ｔ２からｔ５においてコンテンツＡに対しマスキングサウンドを重ね合わせることを決定する。
マスキングサウンド信号生成部５０は、判断部４０から受信した信号で示されるコンテンツ部分に対応するようにマスキングサウンドのオーディオ信号を生成し、それを前述のコンテンツ部分を示す信号と共に信号合成部６０に出力する。
信号合成部６０は、生成されたマスキングサウンドのオーディオ信号を、バッファ２０に記憶されたコンテンツのオーディオ信号において前述の信号で示されるコンテンツ部分に重ねあわせる。

Ｄ／Ａコンバータ７０は、信号合成部６０により生成されたオーディオ信号をアナログ信号に変換してアンプ８０へ出力する。アンプ８０は該アナログオーディオ信号を所定の増幅率で増幅してスピーカ４００へ出力する。その結果、スピーカ４００からは、オーディオ信号処理装置１により信号処理がなされたオーディオ信号に応じた音声が再生（放音）されることになる。

（動作）
次に、本実施形態の動作について、図３ｄに示すように音量レベルが経時変化するコンテンツＡを取り上げて具体的に説明する。
図４は、オーディオ信号処理装置１が実行するオーディオ信号処理の流れを示すフローチャートである。

オーディオ信号出力部１０でコンテンツＡのオーディオ信号が出力され、バッファ２０には、その時点で再生されているオーディオ信号よりも時間ｔｘだけ後のオーディオ信号まで記憶されている。図３ａの時刻ｔａの時点において、音量レベル検出部３０はバッファ２０に記憶された時刻ｔａからｔａ＋ｔｘにおけるオーディオ信号を読取り、その音量レベルを検出する。（ステップＳＡ１０）図３ａには、そのようにして検出された音量レベルが実線で示されている。

判断部４０は検出された音量レベルと前述した２つの基準とから、マスキングサウンドを重ねあわせる部分が存在するか否か判断し（ステップＳＡ２０）、その判断の結果“Ｙｅｓ”ならば、ステップＳＡ３０以降の処理を行い、“Ｎｏ”ならばステップＳＡ６０以降の処理を行う。

本動作例では、時刻ｔａからｔａ＋ｔｘの間では、時刻ｔ２からｔ５においてコンテンツＡは上記判断基準（１）および（２）を満たすことから（図３ａ参照）、ステップＳＡ２０における判断は“Ｙｅｓ”となり、ステップＳＡ３０の処理が実行される。このステップＳＡ３０において、判断部４０は、マスキングサウンドを重ねあわせるコンテンツＡの部分は時刻ｔ２からｔ５であることを特定し、マスキングサウンドを重ね合わせるコンテンツ部分を示す信号をマスキングサウンド信号生成部５０に対し送信する。

マスキングサウンド信号生成部５０は、判断部４０から受信した信号に記されたコンテンツ部分に対応するようにマスキングサウンドのオーディオ信号を生成し（ステップＳＡ４０）、生成したマスキングサウンドのオーディオ信号を信号合成部６０に送信する。
信号合成部６０は、バッファ２０からコンテンツＡのオーディオ信号を、マスキングサウンド信号生成部５０からマスキングサウンドのオーディオ信号を受信し、両者を重ねあわせる（ステップＳＡ５０）。信号合成部６０により生成されたオーディオ信号は、Ｄ／Ａコンバータ７０およびアンプ８０における処理を経て、スピーカ４００から再生される（ステップＳＡ６０）。

次いで、オーディオ信号処理装置１の制御部は、ステップＳＡ６０が完了し尚コンテンツが継続しているかどうか判断する（ステップＳＡ７０）。コンテンツが継続している場合、ステップＳＡ７０における判断は“Ｙｅｓ”となり、コンテンツの続きの部分に対してステップＳＡ１０から一連の処理を行う。従って、コンテンツが継続している間は、以上に説明したステップＳＡ１０以降の処理が繰り返し実行される。
一方コンテンツが終了した場合、すなわちオーディオ信号出力部１０で読取ったＣＤの楽曲が全て終了したり、ＣＤの再生が停止されたりした場合、ステップＳＡ７０における判断は“Ｎｏ”となり、動作を終了する。
以上で説明したように、コンテンツに対してマスキングサウンドを重ねあわせ再生する動作が、コンテンツの終了まで繰り返される。その結果、コンテンツの音量レベルが低いときにコンテンツに対してマスキングサウンドが重ねあわされ、周囲のノイズはマスクされる。

上記ステップＳＡ２０において、“Ｎｏ”と判断される場合を以下に説明する。図３ｂは、音量レベル検出部３０が検出した時刻ｔｂからｔｂ＋ｔｘにおけるコンテンツＡの音量レベルである。この場合、時刻ｔ６前後において音量レベルに一時的な低下が見られるものの規定値を下回ることはないため、上記判断基準（１）を満たさない。従って判断部４０は、時刻ｔｂからｔｂ＋ｔｘにおいてコンテンツＡにはマスキングサウンドを重ねあわせる部分はないと判断する。その結果、マスキングサウンドは重ねあわされることはない。

また、図３ｃには、音量レベル検出部３０が検出した時刻ｔｃからｔｃ＋ｔｘにおけるコンテンツＡの音量レベルが示されている。この場合、時刻ｔ７からｔ８においてコンテンツ中に無音部分が検出される。しかし、音量レベルが規定値を継続して下回る期間は、時間ｔｍを下回っているため、上記判断基準（２）を満たさない。従って判断部４０は、時刻ｔｃからｔｃ＋ｔｘにおいてもコンテンツＡにはマスキングサウンドを重ね合わせる部分はないと判断する。その結果、マスキングサウンドは重ねあわされることはない。

（変形例）
以上、本発明の一実施形態について説明したが、かかる実施形態に以下に述べるような変形を加えても良いことは勿論である。また、以下に述べる変形を組み合わせて用いてもよい。

（１）上記実施例において、判断部４０は音量レベルが規定値を下回るコンテンツ部分に対してマスキングサウンドを重ね合わせるよう制御を行った。しかし、上記実施例に示した制御方法以外に、以下に述べる制御方法を用いても良い。すなわち、音量レベル検出部３０は、音量レベルを先読みする時間ｔｘを更に複数の期間に分割しそれぞれの期間ごとに音量レベルの平均値を検出し、判断部４０は、その平均値が規定値を下回った場合に、その期間のコンテンツに対してマスキングサウンドを重ね合わせるという制御を行っても良い。

（２）また上記実施例においては、ホワイトノイズをマスキングサウンドとして用いた。しかし、ホワイトノイズ以外の人工的に作成された音や、録音された環境音をホワイトノイズの代わりに用いても良い。この場合、環境音はホール２００やその他の場所で予め録音されたものを用いても良いし、別途設けられた録音装置（図示省略）でコンテンツ再生中にホール２００の環境音を録音し、それを用いても良い。

（３）また上記実施例においては、マスキングサウンドの音量レベルが矩形波状になるように、マスキングサウンドのＯＮ／ＯＦＦの制御をする場合について説明した。しかし、マスキングサウンドのＯＮ/ＯＦＦの際に、その音量にフェードインフェードアウトの効果を付しても良い。

（４）オーディオ信号処理装置１に、ノイズの音量レベルおよび周波数特性などを検出するノイズ検出部９０を設け（図５参照）、ノイズ検出部９０により検出されたノイズの特性をマスキングサウンドの制御に反映させても良い。具体的には、検出されたノイズの音量レベルが高いときマスキングサウンドの音量レベルを高くする、もしくは検出されたノイズの周波数に基づき、効果的にノイズをマスクする周波数帯域からなるホワイトノイズを生成すると良い。

（５）また上記実施例においては、コンテンツの音量レベルのみに基づいてマスキングサウンドを再生するか否かの制御を行う態様について説明した。しかしながら、コンテンツの音量レベルとノイズのレベルのバランスに基づいて上記の制御を行っても良い。具体的には、コンテンツの音量レベルをノイズの音量レベルで除した比の値が所定の閾値より小さくなった場合にマスキングサウンドを重ね合わせるという制御を行っても良い。なお、上記閾値はオーディオ信号処理装置１の操作者が値を適宜設定できるようにしてもよい。

（６）上記実施例においては、コンテンツの音量レベルに規定値を設け、その規定値と比較することによりマスキングサウンドの重ねあわせを行うか否かを決定した。しかし、規定値を設けずにコンテンツの音量レベルに連動して連続的にマスキングサウンドの音量レベルを変化させても良い。具体的には、コンテンツの音量レベルが低いときにはマスキングサウンドの音量レベルを高くするというように、コンテンツの音量レベルとマスキングサウンドの音量レベルに負の相関を持たせるように制御を行うと良い。

（７）上述した実施例では、音声コンテンツの音量レベルを、バッファ２０および音量レベル検出部３０を用いて検出する場合について説明した。しかしながら、コンテンツの音量レベルがどのように経時変化するか予めわかっている場合（たとえば、音声コンテンツに含まれる各楽曲の再生開始時刻、再生終了時刻が記録されたタイムチャートを取得できる場合）、バッファ２０および音量レベル検出部３０は必須ではない。その場合、判断部４０は予めわかっている音量レベルを参照してマスキングサウンドの制御を行えばよい。

（８）上記実施形態においては、マスキングサウンドを用いることによりノイズに対して意識が向かないようにすることが可能になるが、マスキングサウンドと併せて、もしくはマスキングサウンドの代わりに振動や光を制御することにより同様の効果を奏することもできる。
具体的には、図６に示すように判断部４０に体感振動発生部１００および照明制御部１１０を接続する。体感振動発生部１００は、椅子６００の内部に設けられた図示せぬ振動体の振動を行う。判断部４０は、マスキングサウンドの再生と同じ期間、体感振動発生部１００を介し椅子６００の振動を行う。その振動の様式（振幅、周波数および振動パターンなど）は、さまざまな制御をおこなっても良い。一方照明制御部１１０は、照明の明滅および光量を制御する。判断部４０は、マスキングサウンドの再生と同じ期間、照明制御部１１０を介し照明３００を制御する。光の明滅パターンや光量変化などは、さまざまな制御をおこなっても良い。振動や光はノイズに対してマスキング効果を持つものではないが、コンテンツの音量レベルが低い時に振動や照明に対して聴取者の意識が向けられることにより、結果的にノイズに意識が向かないようにする効果がある。

（９）上記実施例においては、コンテンツのオーディオ信号に対しマスキングサウンドのオーディオ信号を重ねあわせて再生した。しかし、コンテンツとマスキングサウンドのオーディオ信号を重ねあわせることなく近接して設置された別々のスピーカから再生することも可能である。

１…オーディオ信号処理装置、１０…オーディオ信号出力部、２０…バッファ、３０…音量レベル検出部、４０…判断部、５０…マスキングサウンド信号生成部、６０…信号合成部、７０…Ｄ／Ａコンバータ、８０…アンプ、９０…ノイズ検出部、１００…体感振動発生部、１１０…照明制御部、２００…ホール、３００…照明、４００…スピーカ、５００…テーブル、６００…椅子

Claims (1)

1. 音声に応じた第１オーディオ信号を受取る受取り手段と、
   前記受取り手段が受取る第１オーディオ信号から前記音声の音量レベルを検出する検出手段と、
   前記検出手段により検出される前記音声の音量レベルが低いほど音量レベルが高くなるように連動して連続的に音量レベルが変化させられたマスキングサウンドに応じた第２オーディオ信号を生成する生成手段と、
   前記受取り手段により受取られた第１オーディオ信号と前記生成手段により生成された第２オーディオ信号を出力する出力手段と
   を有するオーディオ信号処理装置。

Images