JP5200764B2 - 電話通信システム、並びに、音声データ処理装置、プログラム及び方法 - Google Patents

Description

本発明は、電話通信システム、並びに、音声データ処理装置、プログラム及び方法に関し、例えば、電話会議システムに適用することができる。

特許文献１には、複数の接続相手を対象に音声情報を送受する際に、回線接続相手によって音声情報の音量を適正化制御する音量自動制御機能をもつことにより、複数の通話相手を対象に、常に、円滑に適正音量で通話を開始することの出来るマルチメディア情報通信システムが示されている。

特許文献２には、ダイナミックに音量調整し、一定の音量で聞くことが可能な音量調整装置が示されている。
特開２００１−９４６０４号公報 特開２００６−１４０５４２号公報

しかしながら、特許文献１、２に記載の方法では、複数の話者が会話を行う電話会議システムで、会議に参加する複数の話者のうち任意の話者の音声量（音声のボリューム）を、音声を受信する側から適宜に制御することができない。すなわち、会議システムでＡ者、Ｂ者、Ｃ者、および、Ｄ者により会議が開始され、それぞれの話者の間で通話の対向関係が確立された状態で、Ａ者がＢ者、Ｃ者、および、Ｄ者の音声を聞くとき（Ａ者にＢ者、Ｃ者、および、Ｄ者の音声が同時に流入するとき）、Ａ者がＤ者の音声量を適宜に制御しようとした場合、従来の方法を会議システムに適用したとしても行えない。特許文献１、２に記載の方法では、例えば、ＰｏＣ（Ｐｕｓｈ ｔｏ ｔａｌｋ ｏｖｅｒ Ｃｅｌｌｕｌａｒ）などの、複数の話者が交代で話す形態の電話会議に適用するものであり、通常の対面での会議のように複数の話者が同時に話す場合に、任意の話者の音量を適宜に制御することはできないからである。

そのため、複数の電話端末から送出された音声データを合成（ミキシング）する際に、任意の電話端末の音声データに係る音量を制御することができる電話通信システム、並びに、音声データ処理装置、プログラム及び方法が望まれている。

第１の本発明の電話通信システムは、（１）複数の第１の電話端末と、全ての上記第１の電話端末から与えられた音声データを合成して合成音声データを作成する音声データ処理装置と、上記音声データ処理装置が作成した合成音声データの音声を出力する第２の電話端末とを有する電話通信システムにおいて、（２）上記音声データ処理装置は、（２−１）上記各第１の電話端末の識別情報と指定音量値とを対応付けて登録する指定音量値登録手段と、（２−２）上記各第１の電話端末から与えられた音声データを、上記指定音量値登録手段に登録されている指定音量値に基づいて音量調整した音量データに加工する音声データ加工手段と、（２−３）上記音声データ加工手段により加工された音声データを合成して、合成音声データを作成する音声データ合成手段とを有し、（３）上記各第１の電話端末から上記第２の電話端末に与えられる音声データは、上記各第１の電話端末の電話端末から上記第２の電話端末に与えられるパケットに挿入されており、（４）上記音声データ処理装置は、（４−１）上記各第１の電話端末からパケットが与えられると、そのパケットに挿入されている送信元の第１の電話端末の識別情報に対応する指定音量値を、上記指定音量値登録手段に登録されている情報から検出し、検出した指定音量値のデータを、そのパケットに挿入する指定音量値挿入手段を有し、（４−２）上記音声データ加工手段は、上記指定音量値挿入手段により指定音量値が挿入されたパケットから、挿入されている音声データと指定音量値を抽出し、抽出した音声データを、抽出した指定音量値に基づいて音量を調整した音声データに加工することを特徴とする。

第２の本発明の音声データ処理装置は、（１）複数の第１の電話端末と、全ての上記第１の電話端末から与えられた音声データを合成して合成音声データを作成する音声データ処理装置と、上記音声データ処理装置が作成した合成音声データの音声を出力する第２の電話端末とを有する電話通信システムを構成する上記音声データ処理装置において、（２）上記各第１の電話端末の識別情報と指定音量値とを対応付けて登録する指定音量値登録手段と、（３）上記各第１の電話端末から与えられた音声データを、上記指定音量値登録手段に登録されている指定音量値に基づいて音量調整した音量データに加工する音声データ加工手段と、（４）上記音声データ加工手段により加工された音声データを合成して、合成音声データを作成する音声データ合成手段とを有し、（５）上記各第１の電話端末から上記第２の電話端末に与えられる音声データは、上記各第１の電話端末の電話端末から上記第２の電話端末に与えられるパケットに挿入されており、（６）上記各第１の電話端末からパケットが与えられると、そのパケットに挿入されている送信元の第１の電話端末の識別情報に対応する指定音量値を、上記指定音量値登録手段に登録されている情報から検出し、検出した指定音量値のデータを、そのパケットに挿入する指定音量値挿入手段をさらに有し、（７）上記音声データ加工手段は、上記指定音量値挿入手段により指定音量値が挿入されたパケットから、挿入されている音声データと指定音量値を抽出し、抽出した音声データを、抽出した指定音量値に基づいて音量を調整した音声データに加工することを特徴とする。

第３の本発明の音声データ処理プログラムは、（１）複数の第１の電話端末と、全ての上記第１の電話端末から与えられた音声データを合成して合成音声データを作成する音声データ処理装置と、上記音声データ処理装置が作成した合成音声データの音声を出力する第２の電話端末とを有する電話通信システムを構成する上記音声データ処理装置に搭載されたコンピュータを、（２）上記各第１の電話端末の識別情報と指定音量値とを対応付けて登録する指定音量値登録手段と、（３）上記各第１の電話端末から与えられた音声データを、上記指定音量値登録手段に登録されている指定音量値に基づいて音量調整した音量データに加工する音声データ加工手段と、（４）上記音声データ加工手段により加工された音声データを合成して、合成音声データを作成する音声データ合成手段として機能させ、（５）上記各第１の電話端末から上記第２の電話端末に与えられる音声データは、上記各第１の電話端末の電話端末から上記第２の電話端末に与えられるパケットに挿入されており、（６）上記各第１の電話端末からパケットが与えられると、そのパケットに挿入されている送信元の第１の電話端末の識別情報に対応する指定音量値を、上記指定音量値登録手段に登録されている情報から検出し、検出した指定音量値のデータを、そのパケットに挿入する指定音量値挿入手段としてさらに機能させ、（７）上記音声データ加工手段は、上記指定音量値挿入手段により指定音量値が挿入されたパケットから、挿入されている音声データと指定音量値を抽出し、抽出した音声データを、抽出した指定音量値に基づいて音量を調整した音声データに加工することを特徴とする。

第４の本発明の音声データ処理方法は、（１）複数の第１の電話端末と、全ての上記第１の電話端末から与えられた音声データを合成して合成音声データを作成する音声データ処理装置と、上記音声データ処理装置が作成した合成音声データの音声を出力する第２の電話端末とを有する電話通信システムにおける音声データ処理方法において、（２）指定音量値登録手段、音声データ加工手段、音声データ合成手段、指定音量値挿入手段を有し、（３）上記指定音量値登録手段は、上記音声データ処理装置において、上記各第１の電話端末の識別情報と指定音量値とを対応付けて登録し、（４）上記音声データ加工手段は、上記音声データ処理装置において、上記各第１の電話端末から与えられた音声データを、上記指定音量値登録手段に登録されている指定音量値に基づいて音量調整した音量データに加工し、（５）上記音声データ合成手段は、上記音声データ処理装置において、上記音声データ加工手段により加工された音声データを合成して、合成音声データを作成し、（７）上記各第１の電話端末から上記第２の電話端末に与えられる音声データは、上記各第１の電話端末の電話端末から上記第２の電話端末に与えられるパケットに挿入されており、（８）上記指定音量値挿入手段は、上記音声データ処理装置において、上記各第１の電話端末からパケットが与えられると、そのパケットに挿入されている送信元の第１の電話端末の識別情報に対応する指定音量値を、上記指定音量値登録手段に登録されている情報から検出し、検出した指定音量値のデータを、そのパケットに挿入し、（９）上記音声データ加工手段は、上記音声データ処理装置において、上記指定音量値挿入手段により指定音量値が挿入されたパケットから、挿入されている音声データと指定音量値を抽出し、抽出した音声データを、抽出した指定音量値に基づいて音量を調整した音声データに加工することを特徴とする。

本発明によれば、複数の電話端末から送出された音声データを合成（ミキシング）する際に、任意の電話端末の音声データに係る音量を制御することができる。

（Ａ）第１の実施形態
以下、本発明による電話通信システム、並びに、音声データ処理装置、プログラム及び方法の第１の実施形態を、図面を参照しながら詳述する。

（Ａ−１）第１の実施形態の構成
図１は、この実施形態の電話通信システム１の全体構成を示すブロック図である。

電話通信システム１は、図１において、ＩＰ網Ｎに、４台の電話端末２０、３０、４０、５０が接続されている。電話端末間において、音声データは、ＲＴＰ（Ｒｅａｌ-ｔｉｍｅ Ｔｒａｎｓｐｏｒｔ Ｐｒｏｔｏｃｏｌ；ＩＥＴＦ ＲＦＣ１８８９参照）の形式のパケット（以下、「ＲＴＰパケット」という）で伝送されるものとして説明する。

電話端末２０は、ＩＰ網Ｎに接続されている電話端末であり、通話処理装置２１を有している。電話端末２０は、電話端末３０〜５０と接続し、各電話端末のユーザとの電話会議を提供するものである。なお、図１において図示は省略しているが、電話端末２０には、スピーカやマイクロフォンなど、電話端末が有している他の構成も有しているものとする。

通話処理装置３１は、電話端末２０において、電話会議などの通話に係る処理を行う機能を担っているものであり、電話機能部２２、会議機能部２３、音声データ処理装置２４を有している。

通話処理装置３１は、電話端末に搭載されたものであっても良いし、ソフトフォンとして構築されたパソコンなどの情報処理装置上に実現するようにしても良い。

電話機能部２２は、通話処理装置２１において、音声通話を行う機能を担っている。

会議機能部２３は、通話処理装置２１において、複数の通話相手（電話端末３０〜５０）と同時に通話するための会議機能（例えば、会議参加する電話端末とのセッション管理など）を提供する機能を担っている。会議機能部２３は、既存の電話会議システムにおける、会議機能と同様のものを適用することができる。

図２は、音声データ処理装置２４内部の機能的構成について示したブロック図である。

音声データ処理装置２４は、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＥＥＰＲＯＭ、ハードディスクなどのプログラムの実行構成有する情報処理装置（１台に限定されず、複数台を分散処理し得るようにしたものであっても良い。）上に、実施形態の音声データ処理プログラム等をインストールすることにより構築されるものであり、機能的には上述の図２のように示すことができる。例えば、電話端末２０が、パソコンなどの情報処理装置上に実現されている場合には、音声データ処理装置２４もその情報処理装置上に、実施形態の音声データ処理プログラム等をインストールすることにより構築しても良い。

音声データ処理装置２４は、複数の通話相手（電話端末３０〜５０）から受信したＲＴＰパケットの音声データを相手先ごとに音量を指定してミキシングを行い、一つの音声データに合成して出力するものであり、制御部２４３、音量制御部２４４、パケット処理部２４５（２４５−１〜２４５−３）を有している。

ＵＤＰ／ＩＰ制御部２４６は、ＲＴＰパケットを受信する汎用ソケットの機能を担っている。

パケット処理部２４５（２４５−１〜２４５−３）は、ＵＤＰ／ＩＰ制御部２４６が受信したＲＴＰパケットについて、バッファリングや送信元の解析などの処理を行うものであり、パケット解析部２４５ａ（２４５ａ−１〜２４５ａ−３）、バッファ部２４５ｂ（２４５ｂ−１〜２４５ｂ−３）を有している。

音声データ処理装置２４において、パケット処理部２４５は、通信相手先ごとに配置されるものであり、通信相手は、電話端末３０〜５０と３つあるので、図２では３つのパケット処理部２４５−１〜２４５−３が配置されている。なお、音声データ処理装置２４においては、パケット処理部２４５の数は固定でも良いし、動的に変動させるようにしても良い。例えば、それぞれのパケット処理部２４５を、プログラム上における一つのスレッドとして生成し、動的にそのスレッドの数を変動させるようにしても良い。この実施形態においては、ＵＤＰ／ＩＰ制御部２４６が、ＲＴＰ（Ｒｅａｌ−ｔｉｍｅ Ｔｒａｎｓｐｏｒｔ Ｐｒｏｔｏｃｏｌ）パケットを受信した場合に、パケットの送信元ごとにパケット処理部２４５のスレッドが生成されるものとして説明する。また、音声データ処理装置２４において、予めパケット処理部２４５を複数配置しておいて、通信相手の数だけ利用するようにしても良い。このように、音声データ処理装置２４において、パケット処理部２４５の配置（生成）や管理方法は限定されないものである。

バッファ部２４５ｂ−１〜２４５ｂ−３は、ＲＴＰパケットを受信した際に、相手先ごとにＶｏＩＰ特有の、遅延・揺らぎを吸収して、パケット解析部２４５ａ−１〜２４５ａ−３にＲＴＰパケットを供給するジッタバッファの機能を担っている。

パケット解析部２４５ａ−１〜２４５ａ−３は、バッファ部２４５ｂ−１〜２４５ｂ−３から与えられたＲＴＰパケットの送信元を解析する。この実施形態においては、例として、パケット解析部２４５ａ−１〜２４５ａ−３は、ＲＴＰパケットのヘッダ情報から送信元に係る情報として、送信元ＩＰアドレスを抽出することにより、送信元を解析するものとして説明する、そして、パケット解析部２４５ａ−１〜２４５ａ−３は、ＲＴＰパケットと、そのＲＴＰパケットから抽出した送信元ＩＰアドレスを組として、音量制御部２４４に与える。なお、以下の説明においては、電話端末３０のＩＰドレスをＡ、電話端末４０のＩＰドレスをＢ、電話端末５０のＩＰアドレスをＣとして説明する。

制御部２４３は、上位機能部（電話機能部２２、会議機能部２３など）との間で音量調整用のインタフェースを備え、現在通話中の相手先（複数）に係る情報を保持するものであり、音量制御指定部２４３ａを有している。

音量制御指定部２４３ａでは、現在電話端末２０において、電話会議の接続中の相手先の電話端末の識別情報と、相手先の電話端末ごとの音量値（以下、「指定音量値」という）を対応付けて登録する。指定音量値としては、例えば、１０ｄｂ、２０ｄｂなどの具体的な音量値を設定しても良いし、１、２、３…などの係数を設定するようにしても良いが、この実施形態においては係数を設定するものとして説明する。また、音量制御指定部２４３ａでは、例えば、指定音量値としてデフォルト値を予め設定しておき、ユーザの操作に応じて、指定音量値をそのデフォルト値から上下させるようにしても良い。

音量制御指定部２４３ａに設定される指定音量値は、予め設定された内容であっても良いし、ユーザの操作に応じて変更するようにしても良い。例えば、電話端末２０において、電話会議の相手先の電話端末（ＩＰアドレス）ごとに指定音量値をより高くしたり、低くしたりするボタンを備えたり、指定音量値を設定するテンキーを備えるようにしても良いし、通話処理装置２１が、ソフトフォンとして構築されたパソコンなどの情報処理装置上に実現されている場合には、その情報処理装置（パソコン）上でマウス操作やキー操作などにより、ユーザに電話会議の相手先の電話端末（ＩＰアドレス）ごとの指定音量値を入力させるようにしても良く、ユーザに指定音量値を入力させる構成は限定されないものである。また、音量制御指定部２４３ａに設定される指定音量値は、電話端末２０において、電話会議を接続中に、ユーザの操作に応じて変更するようにしても良い。

また、音量制御指定部２４３ａにおいて、設定する対象の相手先の電話端末に係る識別情報は、例えば、上位機能部（電話機能部２２、会議機能部２３など）において、電話会議の設定（接続）をする際に適用されるセッション情報などから抽出して適用するようにしても良い。

音量制御部２４４は、パケット処理部２４５−１〜２４５−３から与えられたＲＴＰパケットについて、音量制御の処理を行うものであり、Ｇａｉｎ調整部２４４ａ、パケット制御部２４４ｂを有している。

図３は、パケット制御部２４４ｂの処理について示した説明図である。

パケット制御部２４４ｂは、図３に示すように、パケット解析部２４５ａ−１〜２４５ａ−３から、送信元ＩＰアドレスと組となったＲＴＰパケットが与えられると、音量制御指定部２４３ａに登録されている指定音量値を、そのＲＴＰパケットに挿入して、Ｇａｉｎ調整部２４４ａに与える。

パケット制御部２４４ｂは、図３に示すように、パケット解析部２４５ａ−１〜２４５ａ−３から、送信元ＩＰアドレスと組となったＲＴＰパケットが与えられると、音量制御指定部２４３ａに登録されている情報から、その送信元ＩＰアドレスに対応する指定音量値を検索し、その指定音量値をＲＴＰパケットに設挿入する。

図４は、Ｇａｉｎ調整部２４４ａ及び、ミキシング部２４２の処理について示した説明図である。

Ｇａｉｎ調整部２４４ａは、図４に示すように、パケット制御部２４４ｂから与えられたＲＴＰパケットから、音声データ（例えば、ＰＣＭのデータ）を抽出し、さらにその音声データの音量を、パケット制御部２４４ｂにより挿入された指定音量値により指定された音量に変更（Ｇａｉｎ調整）し、ミキシング部２４２に与えるものである。Ｇａｉｎ調整部２４４ａは、ＲＴＰパケットにおいて挿入されている指定音量値が、より大きいＲＴＰパケットに係る音声データの音量を大きく調整する。例えば、Ｇａｉｎ調整部２４４ａは、指定音量値が１のＲＴＰパケットの音声データよりも、指定音量値が３のＲＴＰパケットの音声データの方が大きな音量になるように調整する。

Ｇａｉｎ調整部２４４ａは、例えば、指定音量値として、１、２、３、…などの係数が割当られていた場合には、指定音量値が１の場合には１０ｄｂ、２の場合には２０ｄｂなど、係数に対応する音量を予めＧａｉｎ調整部２４４ａに設定しておき、該当する音量に音声データの音量を調整するようにしても良い。

また、Ｇａｉｎ調整部２４４ａは、例えば、指定音量値に応じた音量の比率で音声データの音量を設定するようにしても良い。例えば、送信元ＩＰアドレスＡのＲＴＰパケットの指定音量値が２でＧａｉｎ調整後の音量値がＸ、送信元ＩＰアドレスＢの指定音量値が１でＧａｉｎ調整後の音量値がＹ、送信元ＩＰアドレスＣの指定音量値が１でＧａｉｎ調整後の音量値がＺであった場合には、Ｘ、Ｙ、Ｚの音量の比率が、２：１：１になるように調整することが挙げられる。

ミキシング部２４２は、図４に示すように、送信元のＩＰドレスごとの音声データが、Ｇａｉｎ調整部２４４ａから与えられると、それらの音声データを一つの音声データにミキシング（合成）し、サウンド出力部２４１に与える。ミキシング部２４２において、複数の音声データを合成する方法としては、例えば、既存のＰＣＭデータを合成する方法や、既存のＶｏＩＰを用いた電話会議システムなどにおいて、複数の電話端末からの音声を合成する方法などを適用することができる。

サウンド出力部２４１は、ミキシング部２４２から与えられた音声データを、音声出力装置（スピーカ）を用いて出力する。

（Ａ−２）第１の実施形態の動作
次に、以上のような構成を有する第１の実施形態の電話通信システム１の全体の動作（実施形態の音声データ処理方法）を説明する。

図５は、電話通信システム１における、通話処理装置２１の動作について説明したフローチャートである。

図５の説明では、音声データ処理装置２４において、ＵＤＰ／ＩＰ制御部２４６の制御により、３つのパケット処理部２４５−１〜２４５−３（のスレッド）が生成されているものとして説明する。パケット処理部２４５−１は、電話端末３０向けに生成されたものであり、パケット処理部２４５−２は、電話端末４０向けに生成されたものであり、パケット処理部２４５−３は、電話端末５０向けに生成されたものであるものとして説明する。

まず、ＵＤＰ／ＩＰ制御部２４６により、他の電話端末３０〜５０からＲＴＰパケットが受信されると（Ｓ１０１）、バッファ部２４５ｂ−１〜２４５ｂ−３に与えられ、バッファ部２４５ｂ−１〜２４５ｂ−３において一定量のＲＴＰパケットがバッファリングされると、パケット解析部２４５ａ−１〜２４５ａ−３において、ＲＴＰパケットの送信元ＩＰアドレスが解析される（Ｓ１０２）。

そして、パケット制御部２４４ｂにおいて、制御部２４３（音量制御指定部２４３ａ）に設定されている音量指定値に基づいて、送信元のＩＰアドレスごとに、パケット解析部２４５ａ−１〜２４５ａ−３により解析されたＲＴＰパケットに指定音量値が挿入される（Ｓ１０３）。

そして、Ｇａｉｎ調整部２４４ａにおいて、パケット制御部２４４ｂで指定音量値が挿入されたＲＴＰパケットから、音声データが抽出され、指定音量値に応じて音量が調整される（Ｓ１０４）。

そして、ミキシング部２４２において、Ｇａｉｎ調整部２４４ａにおいて音量が調整された音声データが、Ｇａｉｎ調整部２４４ａにより調整された音量比でミキシング（合成）が行われ、ミキシングされた音声データが生成される（Ｓ１０５）。

そして、ミキシング部２４２でミキシングされた音声データが、サウンド出力部２４１において、適切な出力形式に変換され（Ｓ１０６）、電話端末２０のスピーカにより出力される。

（Ａ−３）第１の実施形態の効果
第１の実施形態によれば、以下のような効果を奏することができる。

音声データ処理装置では、指定音量値が大きく設定されているほど大きな音量でミキシングするため、特定の相手先の音声を明瞭に出力させることができる。特に、相手先ごとに、背景雑音の大きさが異なる場合には、背景雑音の大きな相手先の音声を小さくする必要が生じる場合もあるため、そのような場合にも対応できる。

また、パケット制御部により、それぞれのＲＴＰパケットに送信元ＩＰアドレスに応じた指定音量値の情報を挿入し、Ｇａｉｎ調整部では、その挿入された指定音量値に基づいて、音声データの音量を調整している。これにより、ＰｏＣなどの、複数の話者が交代で話す形態の電話会議だけでなく、複数の電話端末における話者が同時に話す形態の電話会議であっても、任意の電話端末の話者の音声量をユーザの操作に応じて制御することができる。

（Ｂ）第２の実施形態
以下、電話通信システム、並びに、音声データ処理装置、プログラム及び方法の第２の実施形態を、図面を参照しながら詳述する。

（Ｂ−１）第２の実施形態の構成
図６は、第２の実施形態の電話通信システムの全体構成を示すブロック図である。

第１の実施形態では、通話処理装置２１が、電話端末２０自体に搭載されている例について示したが、第２の実施形態においては、図６に示すように第１の実施形態の音声データ処理装置に相当する手段を、ＩＰ網Ｎ上の別の装置であるサーバ６０上に、音声データ処理装置６１として配置した場合の例について示している。以下、第２の実施形態について、第１の実施形態との差異について説明する。

ＩＰ網Ｎは、第１の実施形態と同様のものであるので詳しい説明は省略する。

第２の実施形態においては、電話端末２０Ａ、３０Ａ、４０Ａは、直接他の電話端末と音声パケットのやりとりをせずに、音声データ処理装置６１を搭載したサーバ６０を介して音声パケットに係る通信を行う。第１の実施形態においては、電話端末２０Ａは、他の電話端末３０Ａ、４０Ａから音声パケットを受信して、それらの音声パケットに係る音声をミキシングして出力しているが、第２の実施形態においては、サーバ６０（通話処理装置４１）が、電話端末２０Ａ〜４０ＡからＲＴＰパケットを受信して、ミキシングした音声データを生成してから、それぞれの電話端末にその音声データを配信する。そして、サーバ６０（音声データ処理装置６１）は、音声データをミキシングする際に、各電話端末（ユーザ）において指定された音量値でミキシングを行う。

電話端末２０Ａは、通話処理装置２１Ａを有しており、通話処理装置２１Ａは、電話機能部２２、会議機能部２３、多入力音声制御部２４、音量制御指定部２５を有している。第１の実施形態の通話処理装置は、音声データ処理装置を有していたが、第２の実施形態では、音声データ処理装置は有しておらず、音量制御指定部２５のみを有している。なお、電話機能部２２、会議機能部２３については、第１の実施形態とほぼ同様のものであるので詳しい説明を省略するが、通話相手の電話端末に直接ＲＴＰパケットを送信せずに、サーバ６０（音声データ処理装置６１）を介する点で異なっている。

音量制御指定部２５は、第１の実施形態における、音量制御指定部２４３ａとほぼ同様のものであるが、外部装置であるサーバ６０に対して、指定音量値を与える点において、第１の実施形態と異なっている。音量制御指定部２５からサーバ６０（音声データ処理装置６１）に与えられた指定音量値は、サーバ６０（音声データ処理装置６１）において保持されるようにしても良い。また、音量制御指定部２５が、サーバ６０に対して指定音量値を与えるタイミングは、定期的でも良いし、指定音量値がユーザの操作に応じて変更された場合のみであっても良く、そのタイミングは限定されないものである。

図７は、この実施形態の音声データ処理装置内部の機能的構成について説明したブロック図である。

音声データ処理装置６１は、ミキシング処理部６１１−１〜６１１−３、パケット制御部６１２、パケット処理部６１３（６１３−１〜６１３−３）、ＵＤＰ／ＩＰ制御部６１４を有している。

ＵＤＰ／ＩＰ制御部６１４は、電話端末２０Ａ〜４０Ａと、ＲＴＰパケット等のデータの送受信を行う通信インタフェースの機能を担っている。また、電話端末２０Ａ〜４０Ａから、音量指定に係るパケットが与えられると、そのパケットを、パケット制御部６１２に与える。

パケット処理部６１３（６１３−１〜６１３−３）は、第１の実施形態のパケット処理部２４５（２４５−１〜２４５−３）とほぼ同様のものであるので詳しい説明を省略する。音声データ処理装置６１においては、３つの電話端末２０Ａ〜電話端末４０Ａに係る音声データを処理するので、図７に示すように、３つのパケット処理部６１３−１〜６１３−３（のスレッド）が生成配置されることになる。

パケット制御部６１２は、第１の実施形態のパケット制御部２４４ｂとほぼ同様のものであるが、第２の実施形態では、音声データ処理装置６１は、複数の電話端末に係る音声データを処理するので、それぞれの電話端末２０Ａ〜４０Ａから指定音量値のデータが与えられると、そのデータを保持して音量指定に係る処理を行う。

ミキシング処理部６１１−１（６１１−１〜６１１−３）は、パケット制御部６１２から与えられた音声データについてミキシングの処理を行うものであり、ミキシング部６１１ａ（６１１ａ−１〜６１１ａ−３）、音量制御部６１１ｂ（６１１ｂ−１〜６１１ｂ−３）を有している。また、音量制御部６１１ｂ（６１１ｂ−１〜６１１ｂ−４）は、Ｇａｉｎ調整部６１１ｃ（６１１ｃ−１〜６１１ｃ−４）を有している。

ミキシング処理部６１１−１（６１１−１〜６１１−３）は、パケット処理部６１３と同様に、少なくとも音声データを処理する対象の電話端末の数が配置される。音声データ処理装置６１においては、３つの電話端末２０Ａ〜電話端末４０Ａに係る音声データを処理するので、図７に示すように、３つのミキシング処理部６１１−１〜６１１−３配置されている。なお、音声データ処理装置６１においては、ミキシング処理部６１１の数は固定でも良いし、動的に変動させるようにしても良い。例えば、それぞれのミキシング処理部６１１を、プログラム上における一つのスレッドとして生成し、動的にそのスレッドの数を変動させるようにしても良い。この実施形態においては、ＵＤＰ／ＩＰ制御部６１４が、ＲＴＰパケットを受信した場合に、パケットの送信元ごとにミキシング処理部６１１のスレッドが生成されるものとして説明する。また、音声データ処理装置６１において、予めミキシング処理部６１１を複数配置しておいて、通信相手の数だけ利用するようにしても良い。このように、音声データ処理装置６１において、ミキシング処理部６１１の配置や管理方法は限定されないものである。

ミキシング部６１１ａ、Ｇａｉｎ調整部６１１ｃは、第１の実施形態のミキシング部２４２、Ｇａｉｎ調整部２４４ａとほぼ同様のものであるので詳しい説明を省略する。第２の実施形態では、それぞれのミキシング処理部６１１−１〜６１１−３（ミキシング部６１１ａ−１〜６１１ａ−３、Ｇａｉｎ調整部６１１ｃ−１〜６１１ｃ−３）が、それぞれ対応する電話端末２０Ａ〜電話端末４０Ａに係る音声データの音量調整及びミキシングの処理を行う点で、第１の実施形態のものとは異なっている。なお、図７においては、ミキシング処理部６１１−１〜６１１−３が、それぞれ電話端末２０Ａ〜電話端末４０Ａに係る音声データのミキシングを行うものとする。また、ミキシング処理部６１１−１〜６１１−３は、ミキシングした音声データに係るパケットを、ＵＤＰ／ＩＰ制御部６１４を介して、それぞれの電話端末２０Ａ〜電話端末４０Ａに配信する。

（Ｂ−２）第２の実施形態の動作
次に、以上のような構成を有する第２の実施形態の電話通信システムの動作（この実施形態の音声データ処理方法）を説明する。

図８は、第２の実施形態の電話通信システム１Ａの動作について示したフローチャートである。

図８の説明では、音声データ処理装置６１において、ＵＤＰ／ＩＰ制御部６１４の制御により、３つのパケット処理部６１３−１〜６１３−３（のスレッド）が生成されているものとして説明する。また、パケット処理部６１３−１〜６１３−３は、それぞれ電話端末２０Ａ〜電話端末４０Ａに対応するものとして生成されたものとして説明する。

まず、ＵＤＰ／ＩＰ制御部６１４により、電話端末２０Ａ〜４０ＡからＲＴＰパケットが受信されると（Ｓ２０１）、パケット処理部６１３−１〜６１３−３に与えられて、パケット処理部６１３−１〜６１３−３において一定量ＲＴＰパケットがバッファリングされ、パケット解析部６１３ａ−１〜６１３ａ−３において、ＲＴＰパケットの送信元が解析される（Ｓ２０２）。

そして、パケット制御部６１２において、電話端末２０Ａ〜電話端末４０Ａから与えられた音量指定値に基づいて、電話端末ごとに、パケット解析部６１３ａ−１〜６１３ａ−３により解析されたＲＴＰパケットに音量値が挿入される（Ｓ２０３）。

次に、Ｇａｉｎ調整部６１１ｃ−１〜６１１ｃ−３において、パケット制御部６１２で付加された音声パケットの音量値によって、音量が変更される（Ｓ２０４）。

次に、Ｇａｉｎ調整部６１１ｃ−１〜６１１ｃ−３において音量が変更されたＲＴＰパケットを、一つの音声出力とするために、ミキシング部２４２において、Ｇａｉｎ調整部６１１ｃ−１〜６１１ｃ−３により調整された音量比でミキシングが行われ、ミキシングされた音声データが生成される（Ｓ２０５）。

次に、ミキシング部６１１ａ−１〜６１１ａ−３でミキシングされた音声データが、ＵＤＰ／ＩＰ制御部６１４を介して、それぞれの電話端末２０Ａ〜電話端末４０Ａに配信され、それぞれの電話端末２０Ａ〜電話端末４０Ａにおいて出力される（Ｓ２０６）。

（Ｂ−３）第２の実施形態の効果
第２の実施形態によれば、第１の実施形態における効果に加えて、さらに以下のような効果を奏することができる。

第２の実施形態では、音声データ処理装置を外部装置として構築しているため、第１の実施形態のように音声データ処理装置を電話端末自体に備えなくても良い。

電話端末上で音量調整のミキシングに係る処理を行わずに、サーバ上で行っているため、電話端末において、必要となる情報処理量や記憶容量などのリソースを低減することができる。

（Ｃ）他の実施形態
本発明は、上記の各実施形態に限定されるものではなく、以下に例示するような変形実施形態も挙げることができる。

（Ｃ−１）上記の各実施形態においては、電話端末から送出される音声データはＲＴＰパケットの形式を用いる例について説明したが、例えば、ＲＴＳＰ（Ｒｅａｌ Ｔｉｍｅ Ｓｔｒｅａｍｉｎｇ Ｐｒｏｔｏｃｏｌ；ＩＥＴＦ ＲＦＣ２３２６参照）などその他の形式のパケットを用いても良い。

（Ｃ−２）第１の実施形態においては、音声データ処理装置を電話端末に搭載する例について説明し、第２の実施形態においては、音声データ処理装置を電話端末の外部に配置する例について説明したが、電話通信システム上で、内部に音声データ処理装置を搭載する電話端末と、外部に配置する電話端末の両方を組み合わせて配置するようにしても良い。この場合、音声データ処理装置を搭載していない電話端末は、ＲＴＰパケットをサーバ（外部の音声データ処理装置）と、音声データ処理装置を内蔵している電話端末の両方に送信し、音声データ処理装置を内蔵している電話端末は、ＲＴＰパケットを他の音声データ処理装置を内蔵している電話端末と、サーバ（外部の音声データ処理装置）に送信する。

これにより、例えば、処理能力や機能が異なる電話端末が混在していた場合であっても、第１及び第２の実施形態と同様の効果を奏することができる。

第１の実施形態に係る電話通信システムの全体構成を示すブロック図である。 第１の実施形態に係る音声データ処理装置の機能的構成について示したブロック図である。 第１の実施形態に係るパケット制御部の処理について示した説明図である。 第１の実施形態に係るＧａｉｎ調整部及びミキシング部の処理について示した説明図である。 第１の実施形態に係る電話通信システムの動作について説明したフローチャートである。 第２の実施形態に係る電話通信システムの全体構成を示すブロック図である。 第２の実施形態に係る音声データ処理装置の機能的構成について示したブロック図である。 第２の実施形態に係る電話通信システムの動作について説明したフローチャートである。

符号の説明

１…電話通信システム、Ｎ…ＩＰ網、２０、３０、４０、５０…電話端末、２１…通話処理装置、２２…電話機能部、２３…会議機能部、２４…音声データ処理装置、２４１…サウンド出力部、２４２…ミキシング部、２４３…制御部、２４３ａ…音量制御指定部、２４４…音量制御部、２４４ａ…Ｇａｉｎ調整部、２４４ｂ…パケット制御部、２４５、２４５−１〜２４５−３…パケット処理部、２４５ａ、２４５ａ−１〜２４５ａ−３…パケット解析部、２４５ｂ、２４５ｂ−１〜２４５ｂ−３…バッファ部、２４６…ＵＤＰ／ＩＰ制御部。

Claims (5)

1. 複数の第１の電話端末と、全ての上記第１の電話端末から与えられた音声データを合成して合成音声データを作成する音声データ処理装置と、上記音声データ処理装置が作成した合成音声データの音声を出力する第２の電話端末とを有する電話通信システムにおいて、
   上記音声データ処理装置は、
   上記各第１の電話端末の識別情報と指定音量値とを対応付けて登録する指定音量値登録手段と、
   上記各第１の電話端末から与えられた音声データを、上記指定音量値登録手段に登録されている指定音量値に基づいて音量調整した音量データに加工する音声データ加工手段と、
   上記音声データ加工手段により加工された音声データを合成して、合成音声データを作成する音声データ合成手段とを有し、
   上記各第１の電話端末から上記第２の電話端末に与えられる音声データは、上記各第１の電話端末の電話端末から上記第２の電話端末に与えられるパケットに挿入されており、
   上記音声データ処理装置は、
   上記各第１の電話端末からパケットが与えられると、そのパケットに挿入されている送信元の第１の電話端末の識別情報に対応する指定音量値を、上記指定音量値登録手段に登録されている情報から検出し、検出した指定音量値のデータを、そのパケットに挿入する指定音量値挿入手段を有し、
   上記音声データ加工手段は、上記指定音量値挿入手段により指定音量値が挿入されたパケットから、挿入されている音声データと指定音量値を抽出し、抽出した音声データを、抽出した指定音量値に基づいて音量を調整した音声データに加工する
   ことを特徴とする電話通信システム。
2. 上記第２の電話端末は、
   ユーザから指定音量値が入力されると、その指定音量値のデータを取り込んで、上記音声データ処理装置に通知する指定音量値入力手段をさらに有し、
   上記音声データ処理装置は、
   上記第２の電話端末から指定音量値が通知されると、上記音量値登録手段に、指定音量値を登録、又は、登録されている指定音量値を更新する指定音量値更新登録手段をさらに有する
   ことを特徴とする請求項１に記載の電話通信システム。
3. 複数の第１の電話端末と、全ての上記第１の電話端末から与えられた音声データを合成して合成音声データを作成する音声データ処理装置と、上記音声データ処理装置が作成した合成音声データの音声を出力する第２の電話端末とを有する電話通信システムを構成する上記音声データ処理装置において、
   上記各第１の電話端末の識別情報と指定音量値とを対応付けて登録する指定音量値登録手段と、
   上記各第１の電話端末から与えられた音声データを、上記指定音量値登録手段に登録されている指定音量値に基づいて音量調整した音量データに加工する音声データ加工手段と、
   上記音声データ加工手段により加工された音声データを合成して、合成音声データを作成する音声データ合成手段とを有し、
   上記各第１の電話端末から上記第２の電話端末に与えられる音声データは、上記各第１の電話端末の電話端末から上記第２の電話端末に与えられるパケットに挿入されており、
   上記各第１の電話端末からパケットが与えられると、そのパケットに挿入されている送信元の第１の電話端末の識別情報に対応する指定音量値を、上記指定音量値登録手段に登録されている情報から検出し、検出した指定音量値のデータを、そのパケットに挿入する指定音量値挿入手段をさらに有し、
   上記音声データ加工手段は、上記指定音量値挿入手段により指定音量値が挿入されたパケットから、挿入されている音声データと指定音量値を抽出し、抽出した音声データを、抽出した指定音量値に基づいて音量を調整した音声データに加工する
   ことを特徴とする音声データ処理装置。
4. 複数の第１の電話端末と、全ての上記第１の電話端末から与えられた音声データを合成して合成音声データを作成する音声データ処理装置と、上記音声データ処理装置が作成した合成音声データの音声を出力する第２の電話端末とを有する電話通信システムを構成する上記音声データ処理装置に搭載されたコンピュータを、
   上記各第１の電話端末の識別情報と指定音量値とを対応付けて登録する指定音量値登録手段と、
   上記各第１の電話端末から与えられた音声データを、上記指定音量値登録手段に登録されている指定音量値に基づいて音量調整した音量データに加工する音声データ加工手段と、
   上記音声データ加工手段により加工された音声データを合成して、合成音声データを作成する音声データ合成手段として機能させ、
   上記各第１の電話端末から上記第２の電話端末に与えられる音声データは、上記各第１の電話端末の電話端末から上記第２の電話端末に与えられるパケットに挿入されており、
   上記各第１の電話端末からパケットが与えられると、そのパケットに挿入されている送信元の第１の電話端末の識別情報に対応する指定音量値を、上記指定音量値登録手段に登録されている情報から検出し、検出した指定音量値のデータを、そのパケットに挿入する指定音量値挿入手段としてさらに機能させ、
   上記音声データ加工手段は、上記指定音量値挿入手段により指定音量値が挿入されたパケットから、挿入されている音声データと指定音量値を抽出し、抽出した音声データを、抽出した指定音量値に基づいて音量を調整した音声データに加工する
   ことを特徴とする音声データ処理プログラム。
5. 複数の第１の電話端末と、全ての上記第１の電話端末から与えられた音声データを合成して合成音声データを作成する音声データ処理装置と、上記音声データ処理装置が作成した合成音声データの音声を出力する第２の電話端末とを有する電話通信システムにおける音声データ処理方法において、
   指定音量値登録手段、音声データ加工手段、音声データ合成手段、指定音量値挿入手段を有し、
   上記指定音量値登録手段は、上記音声データ処理装置において、上記各第１の電話端末の識別情報と指定音量値とを対応付けて登録し、
   上記音声データ加工手段は、上記音声データ処理装置において、上記各第１の電話端末から与えられた音声データを、上記指定音量値登録手段に登録されている指定音量値に基づいて音量調整した音量データに加工し、
   上記音声データ合成手段は、上記音声データ処理装置において、上記音声データ加工手段により加工された音声データを合成して、合成音声データを作成し、
   上記各第１の電話端末から上記第２の電話端末に与えられる音声データは、上記各第１の電話端末の電話端末から上記第２の電話端末に与えられるパケットに挿入されており、
   上記指定音量値挿入手段は、上記音声データ処理装置において、上記各第１の電話端末からパケットが与えられると、そのパケットに挿入されている送信元の第１の電話端末の識別情報に対応する指定音量値を、上記指定音量値登録手段に登録されている情報から検出し、検出した指定音量値のデータを、そのパケットに挿入し、
   上記音声データ加工手段は、上記音声データ処理装置において、上記指定音量値挿入手段により指定音量値が挿入されたパケットから、挿入されている音声データと指定音量値を抽出し、抽出した音声データを、抽出した指定音量値に基づいて音量を調整した音声データに加工する
   ことを特徴とする音声データ処理方法。

Images