JP5493611B2 - 情報処理装置、情報処理方法およびプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法およびプログラムに関する。

ＶｏＩＰ（Ｖｏｉｃｅ ｏｖｅｒ Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）を用いたＩＰ電話システム、会議システム等の音声処理システムでは、遠隔地に送信する送信音声の入力にビームフォーミングが用いられる場合がある。この場合、ビームフォーミングに対応するマイクアレイを用いて、特定方向からの音声が送信音声として選択的に入力される。これにより、発話者および発話者と同一線上にある音源の音声（以下、特定音声とも称する。）を維持する一方で、環境音（ノイズ）である不特定音源の音声（以下、不特定音声とも称する。）を弱めることで、送信音声を良好な状態で入力することができる。

特開平０６−２３３３８８号公報

ビームフォーミングでは、マイクアレイの各マイクにより収音された音声が音声間の位相差、音量差等に基づいて処理される。このため、送信音声の品質は、各マイク間の感度バランスの差、各マイクの感度自体のバラツキ、入力音声の周波数範囲等、各種の処理パラメータの影響を受ける。

しかし、従来、処理パラメータの変更には回路的な調整等が要求されるため、ユーザーは、使用環境に応じて処理パラメータを設定して、送信音声の品質を向上させることが困難であった。

そこで、本発明は、ビームフォーミングを用いて入力される送信音声の品質を向上可能な、情報処理装置、情報処理方法およびプログラムを提供しようとするものである。

本発明のある実施形態によれば、少なくとも一対で設けられ、外部の音声を収音して音声信号に変換する収音部と、少なくともユーザーの指示に応じて、少なくとも収音部の感度を規定する処理パラメータを設定するパラメータ設定部と、処理パラメータに基づいて、収音部から入力される音声信号にビームフォーミング処理を含む処理を施す音声信号処理部と、を備える情報処理装置が提供される。

かかる構成によれば、少なくとも一対で設けられる収音部により収音された外部の音声信号に、少なくとも収音部の感度を規定し、少なくともユーザーの指示に応じて設定された処理パラメータに基づいて、ビームフォーミング処理を含む音声処理が施される。これにより、使用環境に応じて、少なくとも収音部の感度を規定する処理パラメータを設定することで、特定音声が良好な状態で選択的に入力可能となり、送信音声の品質を向上させることができる。

また、本発明の別の実施形態によれば、少なくともユーザーの指示に応じて、音声信号の処理条件を規定する処理パラメータを設定するステップと、少なくとも一対で設けられる収音部から入力される外部の音声信号に、処理パラメータに基づいて、ビームフォーミング処理を含む音声処理を施すステップと、を含む情報処理方法が提供される。

また、本発明の別の実施形態によれば、上記情報処理方法をコンピュータに実行させるためのプログラムが提供される。プログラムは、コンピュータ読取り可能な記録媒体を用いて提供されてもよく、通信手段を介して提供されてもよい。

本発明によれば、ビームフォーミングを用いて入力される送信音声の品質を向上可能な、情報処理装置、情報処理方法およびプログラムを提供することができる。

ビームフォーミングの原理を示す図である。 ビームフォーミングに用いられる音声間の位相差の算定方法を示す図である。 情報処理装置の主要なハードウェア構成例を示す図である。 音声信号処理部の主要な機能構成を示す図である。 処理パラメータ設定用の設定パネルを示す図である。 感度バランス調整の設定処理を説明する図（１／２）である。 感度バランス調整の設定処理を説明する図（２／２）である。 感度調整の設定処理を説明する図（１／２）である。 感度調整の設定処理を説明する図（２／２）である。 感度調整補正の設定処理を説明する図（１／２）である。 感度調整補正の設定処理を説明する図（２／２）である。 周波数調整の設定処理を説明する図である。 特定音源の追跡処理を説明する図（１／２）である。 特定音源の追跡処理を説明する図（２／２）である。 処理パラメータの遠隔設定処理を説明する図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

［１．ビームフォーミング］
まず、図１および図２を参照しながら、ビームフォーミングの原理について説明する。図１は、ビームフォーミングの原理を示す図である。図２は、ビームフォーミングに用いられる音声間の位相差Δθの算定方法を示す図である。

図１には、発話者Ｕが装着するヘッドホンＨＰの左右ユニットに、マイクアレイを構成する一対の無指向性マイクＭ１、Ｍ２を設ける場合が示されている。なお、マイクＭ１、Ｍ２は、ヘッドホンＨＰに限定されず、ヘッドバンドの左右ユニット、帽子の左右等に設けられてもよく、２以上で設けられてもよい。

発話者ＵがヘッドホンＨＰを装着した状態で発話すると、マイクＭ１、Ｍ２から略等距離に位置する発話者Ｕの口元を特定音源Ｓｓとして、発話者Ｕの音声（特定音声Ｖｓ）がマイクＭ１、Ｍ２により略同時に、略同音量かつ略同位相で収音される。一方、ノイズ等の環境音（不特定音声Ｖｎ）は、概してマイクＭ１、Ｍ２から異なる距離に位置する不特定音源Ｓｎから発せられるので、マイクＭ１、Ｍ２により異なる時点、異なる音量かつ異なる位相で収音される。特に、ヘッドホンＨＰにマイクＭ１、Ｍ２を設ける場合、発話者Ｕが動作等しても、マイクＭ１、Ｍ２から略等距離の位置に特定音源Ｓｓが位置しているので、特定音声Ｖｓと不特定音声Ｖｎを容易に判別することができる。

ここで、マイクＭ１、Ｍ２により収音される音声Ｖ間の位相差Δθは、図２を用いて算定される。音源ＳとマイクＭ１、Ｍ２の距離ＳＭ１、ＳＭ２が次式により得られる。
ＳＭ１＝√（（Ｌ・ｔａｎα＋ｄ）^２＋Ｌ^２）
ＳＭ２＝√（（Ｌ・ｔａｎα−ｄ）^２＋Ｌ^２）
ｄ：マイクＭ１、Ｍ２間の距離の１／２
Ｌ：音源Ｓとマイクアレイ間の垂直距離
α：音源Ｓとマイクアレイ中心との角度
よって、マイクＭ１、Ｍ２の音声Ｖ間の位相差Δθが次式により得られる。
Δθ＝２πｆ・（ＳＭ１−ＳＭ２）／ｃ
ｃ：音速（３４２ｍ／ｓ）
ｆ：音声の周波数（Ｈｚ）

ビームフォーミングでは、マイクＭ１、Ｍ２により収音される音声Ｖの位相差Δθ等に基づいて、特定音声Ｖｓを維持する一方で、不特定音声Ｖｎを弱めることで、特定音声Ｖｓを送信音声として選択的に入力することができる。

マイクＭ１、Ｍ２により収音される音声Ｖは、音声Ｖの位相差Δθを閾値θｔと比較することで、特定音声Ｖｓまたは不特定音声Ｖｎとして判別される。例えばｄ＝５ｃｍ、Ｌ＝１００ｃｍ、ｆ＝８００Ｈｚの場合、位相差Δθ＝４２°を閾値θｔとして、閾値θｔ未満の音声Ｖが特定音声Ｖｓとして、閾値θｔ以上の音声Ｖが不特定音声Ｖｎとして判別される。ここで、判別に用いる閾値θｔは、ｄ、Ｌ等の条件に応じて異なる値となる。なお、閾値θｔは、絶対値が同一の正値／負値として定義されるが、以下では、｜Δθ｜＜θｔを閾値θｔ未満、θｔ≦｜Δθ｜を閾値θｔ以上と各々に称する。

［２．情報処理装置１００の構成］
次に、図３および図４を参照しながら、本発明の一実施形態に係る情報処理装置１００について説明する。図３は、情報処理装置１００の主要なハードウェア構成例を示す図である。図４は、音声信号処理部１５０の主要な機能構成を示す図である。

図３に示すように、情報処理装置１００は、例えば、パーソナルコンピュータ、ＰＤＡ、ゲーム装置、携帯電話等であるが、以下では、情報処理装置１００がパーソナルコンピュータである場合を想定する。

情報処理装置１００は、主に、ＣＰＵ１０１、ＲＯＭ１０３、ＲＡＭ１０５、ホストバス１０７、ブリッジ１０９、外部バス１１１、インタフェース１１３、音声入出力装置１１５、操作装置１１７、表示装置１１９、ストレージ装置１２１、ドライブ１２３、接続ポート１２５、通信装置１２７を含んで構成される。

ＣＰＵ１０１は、演算処理装置および制御装置として機能し、ＲＯＭ１０３、ＲＡＭ１０５、ストレージ装置１２１、またはリムーバブル記録媒体１２９に記録された各種プログラムに従って、情報処理装置１００の動作を少なくとも部分的に制御する。ＣＰＵ１０１は、少なくともユーザーの指示に応じて、音声信号の処理条件を規定する処理パラメータを設定するパラメータ設定部としても機能する。ＲＯＭ１０３は、ＣＰＵ１０１が用いるプログラムやパラメータ等を記憶する。ＲＡＭ１０５は、ＣＰＵ１０１が実行するプログラム、プログラム実行時のパラメータ等を一時記憶する。

ＣＰＵ１０１、ＲＯＭ１０３、ＲＡＭ１０５は、ホストバス１０７により互いに接続される。ホストバス１０７は、ブリッジ１０９を介して外部バス１１１に接続される。

音声入出力装置１１５は、ヘッドホンＨＰ、マイク、スピーカ等を含む、音声信号を入出力可能な入出力手段である。音声入出力装置１１５は、各種フィルタ１８１、１８５、Ａ／Ｄ変換器１８３、Ｄ／Ａ変換器（不図示）等の前処理部１１６を含む（図４参照）。特に、本実施形態に係る音声入出力装置１１５では、ヘッドホンＨＰの左右ユニットに一対のマイクＭ１、Ｍ２が設けられている。音声入出力装置１１５は、マイクＭ１、Ｍ２により収音された外部の音声信号を音声信号処理部１５０に供給し、音声信号処理部１５０により処理された音声信号をヘッドホンＨＰに供給する。

操作装置１１７は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ等、ユーザーが操作可能な操作手段である。操作装置１１７は、例えば上記の操作手段を用いてユーザーにより入力された操作情報に基づいて入力信号を生成し、ＣＰＵ１０１に出力する入力制御回路等を含んで構成される。ユーザーは、操作装置１１７の操作を介して、情報処理装置１００に対して各種のデータを入力し、処理動作を指示する。

表示装置１１９は、例えば、液晶ディスプレイ等の表示手段である。表示装置１１９は、情報処理装置１００の処理結果を出力する。例えば、表示装置１１９は、後述する各種パラメータ設定用の設定パネルＣＰを含む情報処理装置１００による処理結果を、テキスト情報または画像情報として表示する。

ストレージ装置１２１は、データ格納用の装置であり、例えば、ＨＤＤ等の磁気記憶デバイス等を含む。ストレージ装置１２１は、ＣＰＵ１０１が実行するプログラム、各種データ、外部から取得された各種データ等を格納する。

ドライブ１２３は、記録媒体用リーダライタであり、情報処理装置１００に内蔵または外付けされる。ドライブ１２３は、装着される磁気ディスク等のリムーバブル記録媒体１２９に対して、記録済みデータを読出してＲＡＭ１０５に出力し、記録対象のデータを書き込む。

接続ポート１２５は、例えば、ＵＳＢポート等、外部機器１３１を情報処理装置１００に直接接続するためのポートである。情報処理装置１００は、接続ポート１２５に接続された外部機器１３１に対して、接続ポート１２５を介してデータを取得し、データを提供する。

通信装置１２７は、通信網Ｎに接続するための通信デバイス等から構成される通信インタフェース１１３である。通信装置１２７は、例えば、有線または無線ＬＡＮ用の通信カード等である。通信装置１２７に接続される通信網Ｎは、有線または無線により接続されたネットワーク等により構成される。

［３．音声信号処理部１５０の構成］
図４に示すように、情報処理装置１００は、マイクＭ１、Ｍ２の音声信号を処理する音声信号処理部１５０を含む。音声信号処理部１５０は、ハードウェア、ソフトウェア、または両者の組合せにより実現される。なお、図４には、本発明に関係する音声入力処理を行うための構成のみが示されている。

音声信号処理部１５０は、マイクＭ１、Ｍ２の入力系統毎に、感度調整部１５１、感度調整補正部１５３、および周波数調整部１５５を含む。また、音声信号処理部１５０は、マイクＭ１、Ｍ２の入力系統の後段に、時間差分析部１５７、周波数分析部１５９、位相差分析部１６１、ビームフォーミング処理部１６３（ＢＦ処理部１６３とも称する。）、ノイズ生成部１６５、ノイズ除去部１６７、および加算器１６９を含む。なお、ノイズ除去処理を行わない場合、ノイズ生成部１６５、ノイズ除去部１６７、および加算器１６９が省略されてもよい。

マイクＭ１、Ｍ２は、外部の音声を収音してアナログの音声信号に変換し、前処理部１１６に供給する。前処理部１１６では、マイクＭ１、Ｍ２の音声信号がフィルタ１８１に入力される。フィルタ１８１は、音声信号に含まれる所定の信号成分をフィルタリングし、Ａ／Ｄ変換器１８３に供給する。Ａ／Ｄ変換器１８３は、フィルタリング後の音声信号をデジタルの音声信号（音声データ）にＰＣＭ変換し、音声信号処理部１５０に供給する。

音声信号処理部１５０では、マイクＭ１、Ｍ２の入力系統毎に、感度調整部１５１、感度調整補正部１５３、および周波数調整部１５５による信号処理が施され、時間差分析部１５７および周波数分析部１５９に供給される。なお、感度調整部１５１、感度調整補正部１５３、および周波数調整部１５５による信号処理の詳細については、後述する。

時間差分析部１５７は、各入力系統から供給される音声信号に基づいて、各マイクＭ１、Ｍ２に到達する音声の時間差を分析する。音声の到達時間差は、各マイクＭ１、Ｍ２の音声信号の時系列を対象として、例えば、位相変化、レベル変化等に基づく相互相関分析を行うことで分析される。

周波数分析部１５９は、各入力系統から供給される音声信号に基づいて、音声信号の周波数を分析する。周波数分析では、ＦＦＴ（高速フーリエ変換）等を用いて音声信号の時系列を様々な周期・振幅のサイン波信号に分解し、音声信号の周波数スペクトルを分析する。

位相差分析部１６１は、時間差分析および周波数分析の結果に基づいて、各マイクＭ１、Ｍ２により収音された音声間の位相差Δθを分析する。位相差分析では、周波数成分毎に音声の位相差Δθが分析される。位相差分析により、周波数成分毎の位相差Δθを所定の閾値θｔと比較し、閾値θｔ以上の周波数成分をノイズ成分（不特定音声Ｖｎ）として判別することができる。

ＢＦ処理部１６３は、位相差分析の結果に基づいて、各入力系統から供給される音声信号にビームフォーミング処理を施して加算器１６９に供給する。ビームフォーミング処理では、各マイクＭ１、Ｍ２により収音された音声間の位相差Δθが閾値θｔ未満である場合に、信号レベルが維持され、閾値θｔ以上である場合に、信号レベルが減少される。

これにより、特定音声Ｖｓは、マイクＭ１、Ｍ２から略等距離の位置を音源Ｓｓとしており、位相差Δθが小さいので、信号レベルが維持される。一方、不特定音声Ｖｎは、概してマイクＭ１、Ｍ２から異なる距離の位置を音源Ｓｎとしており、位相差Δθが大きいので、信号レベルが減少される。

ノイズ生成部１６５は、位相差分析の結果に基づいて、マイクＭ１、Ｍ２により収音された音声に含まれるノイズ（不特定音声Ｖｎ）を表すノイズ信号を生成する。

ノイズ除去部１６７は、不特定音声Ｖｎに相当する信号成分を除去するために、ノイズ信号の反転により表される信号を生成して加算器１６９に供給する。ここで、ノイズ除去部１６７は、加算処理後の音声信号をフィードバックされ、フィードバック信号にノイズ信号を適応させる。

加算器１６９は、ＢＦ処理部１６３から供給される音声信号とノイズ除去部１６７から供給される信号を合算してフィルタ１８５に供給する。これにより、ＢＦ処理後の音声信号からノイズ成分が除去され、特定音声がさらに選択的に入力されるようになる。合算後の音声信号は、後段のフィルタ１８５を介して送信音声として入力され、通信装置１２７により通信網Ｎを介して不図示の再生装置１００´に送信されて再生される。

［４．処理パラメータの設定処理］
次に、図５〜図１１を参照しながら、処理パラメータの設定処理について説明する。図５は、処理パラメータ設定用の設定パネルＣＰを示す図である。図６Ａ、６Ｂおよび図７Ａ、７Ｂは、感度バランス調整および感度調整の設定処理を各々に説明する図である。図８Ａ、８Ｂおよび図９は、感度調整補正および周波数調整の設定処理を各々に説明する図である。図１０Ａ、１０Ｂおよび図１１は、特定音源Ｓｓの追跡処理、および処理パラメータの遠隔設定処理を各々に説明する図である。

処理パラメータの設定に際して、ＣＰＵ１０１は、プログラムの実行により図５に示すような設定パネルＣＰを表示装置１１９に表示させる。設定パネルＣＰには、感度バランス調整、感度調整、感度調整補正、周波数調整の各パラメータを設定するためのスライダＣ１、Ｃ２、Ｃ３、Ｃ４が表示されている。また、設定パネルＣＰには、音源追跡処理、遠隔設定処理の有効／無効を切替えるためのスイッチＣ５、Ｃ６とともに、レベルメータＬＭが表示されている。なお、設定パネルＣＰに表示される操作用アイコンは、スライダ、スイッチ以外のアイコンでもよい。

感度バランス調整用のスライダＣ１では、ノブＩ１の操作によりパラメータが設定される。感度調整、感度調整補正、周波数調整用のスライダＣ２、Ｃ３、Ｃ４では、ノブＩ２１、Ｉ２２、Ｉ３１、Ｉ３２、Ｉ４１、Ｉ４２、Ｉ４３、Ｉ４４の操作により、マイクＭ１、Ｍ２毎にパラメータが設定される。なお、感度調整、感度調整補正、周波数調整用のスライダＣ２、Ｃ３、Ｃ４は、マイクＭ１、Ｍ２毎に設けられる代わりに、マイクＭ１、Ｍ２に共通して設けられてもよい。レベルメータＬＭには、マイクＭ１、Ｍ２毎に特定音声Ｖｓおよび不特定音声Ｖｎの信号レベルＬ１〜Ｌ４が表示される。

発話者Ｕは、所定の操作により設定パネルＣＰを表示させ、設定パネルＣＰ上でスライダＣ１〜Ｃ４およびスイッチＣ５、Ｃ６を操作して、各パラメータおよびモードを設定することができる。

［４−１．感度バランス調整処理］
感度調整部１５１は、感度バランス調整パラメータに基づいて、マイクＭ１、Ｍ２の信号間のレベルバランスを変化させて、マイクＭ１、Ｍ２間の感度バランスを調整する。

装着用のマイクＭ１、Ｍ２の感度には、製造条件により、＋／−３ｄＢ程度のバラツキが生じることが知られている。例えば、音量差のパラメータを用いて音源位置の特定精度を向上させるアルゴリズムを適用する場合等を想定する。この場合、マイクＭ１、Ｍ２に感度差が存在すると、収音される音声の音量に差が生じ、発話者Ｕの正面に位置する音源の音声が発話者Ｕの正面からずれて位置する音源の音声として収音されてしまう。また、同一感度のマイクＭ１、Ｍ２を用いることも考えられるが、マイク部品の製造歩留まりが低下し、コスト増加の要因となってしまう。

例えば、図６Ａに示すように、マイクＭ１の感度がマイクＭ２よりも高い場合、マイクＭ１の信号レベルが相対的に高くなる。よって、例えば、発話者Ｕの正面に位置する音源Ｓｓの特定音声Ｖｓは、マイクＭ１の側に位置する音源Ｓｓ´の音声Ｖｓ´として収音されてしまう。そして、特定音源Ｓｓの音声は、受話者Ｕ´により音源Ｓｓ´の音声Ｖｓ´として聴取されてしまう。

この場合、図６Ｂに示すように、感度バランス調整用スライダＣ１を用いて、マイクＭ１、Ｍ２の信号間のレベルバランスがマイクＭ２の側にシフトするように、感度バランス調整パラメータが設定される。ここで、レベルバランスのシフトは、マイクＭ２の信号レベルの増加、マイクＭ１の信号レベルの減少、または（例えばマイクＭ１、Ｍ２の信号レベルの合計が調整前後で変化しないような）両者の組合せにより実現される。例えばマイクＭ２の信号レベルを増加する場合、マイクＭ２の信号レベルに所定の増加率が乗算され、マイクＭ１、Ｍ２間で信号レベル差が低減される。これにより、感度バランスのバラツキ等に拘らずに、特定音源Ｓｓの音声を発話者Ｕの正面に位置する音源の音声として入力することができる。

［４−２．感度調整処理］
また、感度調整部１５１は、感度調整パラメータに基づいて、マイクＭ１、Ｍ２の信号レベルを変化させて、マイクＭ１、Ｍ２の感度を調整する。マイクの感度を上げると、マイクから離れた音源の音声が入力可能となるが、不特定音声Ｖｎも入力され易くなる。一方、マイクの感度を下げると、マイクに近い音源の音声のみが入力可能となり、特定音声Ｖｓを選択的に入力し易くなる。

また、感度調整では、特定音声Ｖｓおよび不特定音声Ｖｎについて、信号レベルをリアルタイムに表示するレベルメータＬＭが利用される。レベルメータＬＭは、周波数分析された信号レベルをリアルタイムに表示することで実現される。一般に、送信音声が受話者Ｕ´の側でしか再生されないので、発話者Ｕは、感度調整の結果を容易に確認することができない。しかし、レベルメータＬＭを用いることで、特定音声Ｖｓと不特定音声Ｖｎの入力状況が確認可能となり、感度調整を容易に行うことができる。

図７Ａに示す例では、マイクＭ１、Ｍ２の感度が高いので、特定音声Ｖｓとともに、不特定音声Ｖｎが相当程度で入力されている。ここで、発話者Ｕは、レベルメータＬＭを通じて音声の入力状況（Ｌ１、Ｌ３：Ｖｓの入力状況、Ｌ２、Ｌ４：Ｖｎの入力状況）を確認することができる。

この場合、図７Ｂに示すように、感度調整用スライダＣ２を用いて、マイクＭ１、Ｍ２の感度を低下させるように、感度調整パラメータが設定される（なお、図７Ａ、７Ｂ中では、マイクＭ１のスライダのみが示されている。）。そして、マイクＭ１、Ｍ２の信号レベルに、感度調整パラメータの設定に応じて所定の低減率が乗算され、マイクＭ１、Ｍ２の信号レベルが低減される。ここで、発話者Ｕは、レベルメータＬＭを通じて音声の入力状況を確認しながら、感度調整を適切に行うことで、特定音声Ｖｓを良好な状態で選択的に入力することができる。

［４−３．感度調整補正処理］
感度調整補正部１５３は、感度調整補正パラメータに基づいて、マイクＭ１、Ｍ２の感度調整を補正する。ここで、感度調整補正パラメータは、信号レベルが継続して所定の閾値Ｌｔ未満である場合に、音声信号の入力を中止するまでの継続時間ｔｔを示すパラメータである。ここで、所定の閾値Ｌｔは、マイクＭ１、Ｍ２の感度調整結果に応じて設定される。

発話音声は、一定の音量で継続するものではない。よって、特定音声Ｖｓの音量が一時的に下がると、低い音量の音声が入力されず、特定音声Ｖｓが断続的に入力されてしまう。しかし、マイクの感度を上げ過ぎると、低い音量の不特定音声Ｖｎも入力され、信号ノイズ比（Ｓ／Ｎ）が低下してしまう。

このため、感度調整補正部１５３は、所定の閾値Ｌｔ未満の信号レベルが検出されると、音声信号の入力を中止するか否かの判定を開始する。そして、判定時間ｔｔに亘って所定の閾値Ｌｔ未満の信号レベルが検出された場合に、音声信号の入力を中止する。一方、判定時間ｔｔ内に所定の閾値Ｌｔ以上の信号レベルが再び検出された場合に、判定時間ｔｔを初期化し、音声信号の入力を継続する。

図８Ａに示す例では、信号レベルが所定の閾値Ｌｔを境として上下に変動している。また、閾値Ｌｔ未満の区間長Δｔが継続時間ｔｔ以上となっている。このため、閾値Ｌｔ未満の区間の音声信号が入力されず、特定音声Ｖｓが断続的に入力されている。

この場合、図８Ｂに示すように、感度調整補正用スライダＣ３を用いて、継続時間ｔｔが長くなるように、感度調整補正パラメータが設定される（なお、図８Ａ、８Ｂ中では、マイクＭ１のスライダのみが示されている。）。これにより、閾値Ｌｔ未満の区間の音声信号が入力され、特定音声Ｖｓを継続的に入力することができる。

［４−４．周波数調整処理］
周波数調整部１５５は、周波数調整パラメータに基づいて、各マイクＭ１、Ｍ２から入力される音声信号の周波数範囲を調整する。固定電話では、発話音声の周波数帯域として３００〜３４００Ｈｚ程度が利用されている。一方、環境音（ノイズ）の周波数帯域は、発話音声の周波数帯域よりも広いことが知られている。

このため、図９に示すように、周波数調整用スライダＣ４を用いて、入力される音声信号の周波数範囲が設定される。ここで、周波数範囲は、周波数範囲の上限および下限を各々に示すタブＩ４１、Ｉ４２を操作することで設定される（なお、図９では、マイクＭ１のスライダのみが示されている。）。周波数調整部１５５は、設定された周波数範囲に基づいて、音声信号から所定の信号成分をフィルタリングして後段に供給する。これにより、特定音声Ｖｓを良好な状態で選択的に入力することができる。

［４−５．音源追跡処理］
音源追跡処理では、マイクＭ１、Ｍ２と特定音源Ｓｓの相対的な位置変化に追従して、感度バランス調整パラメータが自動設定される。ここで、感度バランスは、特定音声Ｖｓの音量が最大となるように、つまり、マイクＭ１、Ｍ２の音声間の位相差Δθが閾値θｔ未満となるように調整される。これにより、特定音声Ｖｓの収音が継続可能となり、特定音源Ｓｓを追跡することができる。

例えば、図１０Ａに示す例では、発話者Ｕの会話相手等の特定音源Ｓｓ´が発話者Ｕの正面に位置し、マイクＭ１、Ｍ２の音声間の位相差Δθが閾値θｔ未満であるので、特定音声Ｖｓが維持され、不図示の不特定音声Ｖｎが弱められて入力される。しかし、音源がマイクＭ２の側に大きく移動して特定音源Ｓｓとなり、位相差Δθが閾値θｔ以上になると、特定音声Ｖｓが弱められて入力できなくなる。

このため、図１０Ｂに示すように、マイクＭ１、Ｍ２の信号間のレベルバランスがマイクＭ２の側にシフトするように、感度バランスが自動的に調整される。ここで、感度バランスは、マイクＭ１、Ｍ２と特定音源Ｓｓの相対的な位置変化に追従して、マイクＭ１、Ｍ２の音声間の位相差Δθが閾値θｔ未満となるように調整される。これにより、発話者Ｕと特定音源Ｓｓの相対位置が変化しても、特定音声Ｖｓを連続的に入力することができる。

［４−６．遠隔設定処理］
遠隔設定処理では、受話者Ｕ´による各種パラメータの遠隔設定が可能となる。例えば、受話者Ｕ´は、図５に示した設定パネルＣＰと同様な設定パネルＣＰ´を用いて、各種パラメータを遠隔設定する。

例えば図１１に示すように、受話者Ｕ´は、再生装置１００´が発話者Ｕの送信音声を再生すると、再生音声の品質に応じて、設定パネルＣＰ´上で各種パラメータを指定（設定）する。再生装置１００´は、受話者Ｕ´の操作に応じて、パラメータ指定情報を通信網Ｎを介して情報処理装置１００に送信する。情報処理装置１００は、パラメータ指定情報に基づいて各種パラメータを設定し、設定状況を設定パネルＣＰに反映させる。これにより、発話者Ｕと受話者Ｕ´の間で、パラメータの設定を最適化することで、送信音声の品質をさらに向上させることができる。

［５．まとめ］
以上説明したように、本実施形態によれば、少なくとも一対で設けられるマイクＭ１、Ｍ２により収音された外部の音声信号に、少なくともマイクＭ１、Ｍ２の感度を規定し、少なくともユーザーの指示に応じて設定された処理パラメータに基づいて、ビームフォーミング処理を含む音声処理が施される。これにより、使用環境に応じて、少なくとも収音部の感度を規定する処理パラメータを設定することで、特定音声Ｖｓが良好な状態で選択的に入力可能となり、送信音声の品質を向上させることができる。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

例えば、上記実施形態の説明では、使用環境に応じて処理パラメータを設定することで、特定音声Ｖｓの音声信号のレベルを維持し、不特定音声Ｖｎの音声信号のレベルを弱める場合について説明した。しかし、特定音声Ｖｓの音声信号のレベルを弱め、不特定音声Ｖｎの音声信号のレベルを維持してもよい。これにより、不特定音声Ｖｎが良好な状態で選択的に入力可能となり、発話者周辺の音声を明瞭に聴取することができる。

１００ 情報処理装置
１５０ 音声信号処理部
１５１ 感度調整部
１５３ 感度調整補正部
１５５ 周波数調整部
１５７ 時間差分析部
１５９ 周波数分析部
１６１ 位相差分析部
１６３ ビームフォーミング処理部（ＢＦ処理部）
Ｕ 発話者
Ｓｓ 特定音源
Ｖｓ 特定音声

Claims (13)

1. ユーザーの頭部の左右に位置するユニットに少なくとも対をなして設けられ、当該ユーザーが発話した音声を少なくとも含む外部の音声を収音して音声信号に変換する収音部と、
   少なくともユーザーの指示に応じて、少なくとも前記収音部の感度を規定する処理パラメータを設定するパラメータ設定部と、
   前記処理パラメータに基づいて、前記収音部から入力される音声信号にビームフォーミング処理を含む音声処理を施す音声信号処理部と、
   を備え、
   前記処理パラメータは、当該ユーザーの指示に応じて随時設定可能であり、
   前記ビームフォーミング処理においては、音源と一対の前記収音部の各々との距離の差に応じた、当該収音部の各々によって収音される音声の位相差を、所定のしきい値と比較することにより、前記ユーザーが発話した音声と他の音声とが判別される、情報処理装置。
2. 前記音声信号処理部は、前記処理パラメータに基づいて、前記収音部間の感度バランスを調整する、請求項１に記載の情報処理装置。
3. 前記音声信号処理部は、前記処理パラメータに基づいて、前記収音部の感度を調整する、請求項１に記載の情報処理装置。
4. 前記音声信号処理部は、前記処理パラメータに基づいて、前記収音部から入力される音声信号のレベルが継続して所定の閾値未満である場合に、音声信号の入力を中止するまでの継続時間を調整する、請求項１に記載の情報処理装置。
5. 前記音声信号処理部は、前記処理パラメータに基づいて、前記収音部から入力される音声信号の周波数範囲を調整する、請求項１に記載の情報処理装置。
6. 前記収音部と特定音源の相対的な位置変化に追従して、前記特定音源に対応する音声信号のレベルが最大となるように、前記収音部間の感度バランスを自動設定する、請求項１に記載の情報処理装置。
7. 前記音声処理を施された音声信号を通信網を介して再生装置に送信する送信部と、
   前記処理パラメータを指定するパラメータ指定情報を前記再生装置から受信する受信部と、
   をさらに備え、
   前記パラメータ設定部は、前記受信されたパラメータ指定情報に従って、前記処理パラメータを設定する、請求項１に記載の情報処理装置。
8. 前記音声信号処理部は、前記収音部の各々から入力される音声信号の位相差が所定の閾値未満である場合に、音声信号のレベルを維持し、所定の閾値以上である場合に、音声信号のレベルを減少させる、請求項１に記載の情報処理装置。
9. 前記音声信号処理部は、前記収音部から入力される音声信号のうち特定音源以外に対応する音声信号以外の信号を除去するための信号を、前記収音部から入力される音声信号に合成する、請求項１に記載の情報処理装置。
10. 前記収音部は、ヘッドホンの左右ユニットに対をなして設けられる、請求項１に記載の情報処理装置。
11. 前記音声信号処理部は、前記処理パラメータを設定するための設定画面を通じて入力されるユーザーの指示に応じて、前記処理パラメータを調整する、請求項１に記載の情報処理装置。
12. ユーザーの頭部の左右に位置するユニットに少なくとも対をなして設けられ、当該ユーザーが発話した音声を少なくとも含む外部の音声を収音して音声信号に変換する収音部の感度を規定する処理パラメータを、少なくともユーザーの指示に応じて設定することと、
    前記処理パラメータに基づいて、前記音声信号にビームフォーミング処理を含む音声処理を施すことと、
    を含み、
    前記処理パラメータは、当該ユーザーの指示に応じて随時設定可能であり、
    前記ビームフォーミング処理においては、音源と一対の前記収音部の各々との距離の差に応じた、当該収音部の各々によって収音される音声の位相差を、所定のしきい値と比較することにより、前記ユーザーが発話した音声と他の音声とが判別される、情報処理方法。
13. ユーザーの頭部の左右に位置するユニットに少なくとも対をなして設けられ、当該ユーザーが発話した音声を少なくとも含む外部の音声を収音して音声信号に変換する収音部の感度を規定する処理パラメータを、少なくともユーザーの指示に応じて設定することと、
    前記処理パラメータに基づいて、前記音声信号にビームフォーミング処理を含む音声処理を施すことと、
    を含み、
    前記処理パラメータは、当該ユーザーの指示に応じて随時設定可能であり、
    前記ビームフォーミング処理においては、音源と一対の前記収音部の各々との距離の差に応じた、当該収音部の各々によって収音される音声の位相差を、所定のしきい値と比較することにより、前記ユーザーが発話した音声と他の音声とが判別される、情報処理方法をコンピュータに実行させるプログラム。
    
    

Images