JP5643686B2 - 音声判別装置、音声判別方法および音声判別プログラム - Google Patents

Description

本発明の実施形態は、音声判別装置、音声判別方法および音声判別プログラムに関する。

音声認識の前処理として用いられる音声判別では、自動車のロードノイズやシステムが発するシステム音（例えば、ビープ音やガイダンス音声）などの様々な妨害音の中から利用者の音声を正確に検出することが求められる。例えば、システム音に対する頑健性を高めた音声判別として、システム音の主要なパワーが含まれる周波数帯域を特定し、音響信号から特徴量を抽出する際に当該周波数帯域における周波数スペクトルを除外する方法が提案されている。このようにすることで、妨害音（システム音）の影響を取り除いた特徴量を抽出することができる。

しかしながら、上述した方法は、除外対象となる周波数帯域を決定する際に、システム音の周波数スペクトルしか利用していなかった。このため、利用者音声の主要な成分がシステム音と同じ周波数帯域に含まれていた場合、システム音の主要な成分が含まれる周波数帯域を除外すると利用者音声の主要な成分までも除外されてしまい、音声／非音声の判別精度が低下するという問題があった。

特開２００５−８４２５３号公報

鈴木、「割り込み発話に頑健な音声認識エンジンの開発」、日本音響学会2010 年秋季研究報告会、日本、日本音響学会、2010年09月、2-9-2

発明が解決しようとする課題は、利用者音声の主要な成分を除外せずに妨害音の影響を除外する音声判別装置を提供することである。

実施形態の音声判別装置は、利用者の音声を含む第１の音響信号の周波数スペクトルと妨害音を含む第２の音響信号の周波数スペクトルに基づいて、周波数帯域別の重みを付与する重み付与手段と、前記重み付与手段で付与された周波数帯域別の重みを利用して、前記第１の音響信号の周波数スペクトルから特徴量を抽出する特徴抽出手段と、前記特徴抽出手段で抽出された特徴量に基づいて、前記第１の音響信号の音声／非音声を判別する音声／非音声判別手段とを備える。

第１の実施形態の音声認識システムを示すブロック図。 実施形態の音声判別装置を示すブロック図。 実施形態の音声判別装置のフローチャート。 変形例１の音声判別装置を示すブロック図。 変形例１の音声判別装置のフローチャート。 第２の実施形態の音声認識システムを示すブロック図。 実施形態の音声判別装置を示すブロック図。 実施形態の音声判別装置のフローチャート。 変形例２の音声判別装置を示すブロック図。 変形例２の音声判別装置のフローチャート。 変形例３の音声判別装置を示すブロック図。

以下、本発明の実施形態について図面を参照しながら説明する。

（第１の実施形態）
第１の実施形態の音声判別装置は、音声認識の前処理に利用されるものであり、所定区間長に分割した音響信号の各区間に認識対象となる利用者の音声が含まれるか否かを判別する。音声判別装置は、利用者の近くに設置された主マイクロホンで取得した第１の音響信号と、主マイクロホンと比べて相対的に利用者から遠い位置に設置された副マイクロホンで取得した第２の音響信号の２つの音響信号を取得する。マイクロホンの位置関係から、第１の音響信号には利用者の音声が、第２の音響信号には妨害音の方が主として含まれる。音声判別装置は、第１および第２の音響信号の周波数スペクトルの大きさを利用して、周波数帯域別の重みを付与する。本実施形態では、利用者音声を含まず、かつ妨害音を含む周波数帯域には小さな重みを、それ以外の周波数帯域には大きな重みを付与する。そして、音声判別装置は、重みの小さな周波数帯域を除外して第１の音響信号から特徴量を抽出する。このように、第１および第２の音響信号の周波数スペクトルの大きさを利用して重みを付与することにより、利用者音声の主要な成分を含む周波数帯域の周波数スペクトルが特徴抽出時に除外されることを防止する。

（ブロック構成）
図１は、第１の実施形態にかかる音声判別装置を備えた音声認識システムを示すブロック図である。この音声認識システムは、利用者の近くに設置された主マイクロホン１３０−１と、主マイクロホン１３０−１と比べて相対的に利用者から遠い位置に設置された副マイクロホン１３０−２と、主マイクロホン１３０−１で取得した第１の音響信号の音声／非音声を判別する音声判別装置１００と、音声／非音声の判別結果を利用して音声判別装置１００が出力した音響信号ｅ（ｔ）（ｔは時間インデックス）を認識する音声認識部１１０とを備える。

主マイクロホン１３０−１で取得した第１の音響信号ｄ（ｔ）と副マイクロホン１３０−２で取得した第２の音響信号ｘ（ｔ）には、利用者音声と妨害音がともに含まれるが、その設置位置により、第１の音響信号には利用者音声が、第２の音響信号には妨害音が相対的に強く含まれる。

音声判別装置１００は、第１の音響信号を所定区間長に分割し、各区間に利用者音声が含まれるか否かを判別する。また、音声判別装置１００は、第１の音響信号ｄ（ｔ）をそのまま音響信号ｅ（ｔ）として音声認識部１１０に出力する。

音声認識部１１０は、音声判別装置１００が出力した所定区間ごとの音声／非音声判別情報から利用者の音声区間（始端から終端までの区間）を特定し、音響信号ｅ（ｔ）の音声認識を実行する。

図２は、音声判別装置１００の構成を示すブロック図である。音声判別装置１００は、第１および第２の音響信号の周波数スペクトルの大きさを利用して、利用者音声の主要な成分は含まれないが妨害音が含まれる蓋然性が高い周波数帯域（妨害主要周波数帯域）に重み０を、それ以外の周波数帯域に重み１を付与する重み付与部１０１と、第１の音響信号から妨害主要周波数帯域における周波数スペクトルを除いて特徴量を抽出する特徴抽出部１０２と、特徴抽出部１０２で抽出された特徴量を利用して、所定区間ごとの音声／非音声情報を求める音声／非音声判別部１０３とを備える。

（フローチャート）
図３は、本実施形態にかかる音声認識システムのフローチャートである。まず、ステップＳ４０１では、重み付与部１０１が、第１の音響信号ｄ（ｔ）と第２の音響信号ｘ（ｔ）の周波数スペクトルの大きさを利用して、特徴抽出部１０２で特徴量を抽出する際に利用する各周波数帯域ｆの重みＲ_ｆ（ｋ）を算出する（ｋは、フレーム番号）。

重み付与部１０１は、まず、１６０００Ｈｚのサンプリングで取得された第１の音響信号ｄ（ｔ）および第２の音響信号ｘ（ｔ）を、フレーム長２５ｍｓ（４００サンプル）、間隔８ｍｓ（１２８サンプル）のフレームにそれぞれ分割する。フレーム分割にはハミング窓を使用する。次に、重み付与部１０１は、各フレームに対して１１２点の零詰めを行った後、５１２点の離散フーリエ変換を適用して第１の音響信号ｄ（ｔ）のパワースペクトルＤ_f（ｋ）と第２の音響信号ｘ（ｔ）のパワースペクトルＸ_ｆ（ｋ）を求める。そして、重み付与部１０１は、得られたパワースペクトルＤ_ｆ（ｋ）とＸ_ｆ（ｋ）を、（１）式の再帰式で時間方向に平滑化した平滑化パワースペクトルＤ’_ｆ（ｋ）とＸ’_ｆ（ｋ）を計算する。

ここで、Ｄ’_ｆ（ｋ）とＸ’_ｆ（ｋ）は周波数帯域ｆにおける平滑化パワースペクトルを、μは平滑化の度合いを調整する忘却係数を表している。μは０．３〜０．５程度に設定する。

次に、重み付与部１０１は、第１の音響信号の平滑化パワースペクトルＤ’_ｆ（ｋ）を利用して、利用者音声の主要な成分を含まない周波数帯域に重み０を、それ以外の周波数帯域に重み１を付与する。具体的には、第１の音響信号の平滑化パワースペクトルＤ’_ｆ（ｋ）と第１閾値ＴＨ_Ｄ（ｋ）を比較して、（２）式により重みを付与する。

第１閾値ＴＨ_Ｄ（ｋ）は、利用者の音声が含まれる周波数帯域の検出に適した大きさが必要である。例えば、第１閾値ＴＨ_Ｄ（ｋ）を第１の音響信号の無音区間（例えば、起動直後の100msec区間など）の周波数スペクトルより大きな値に設定することができる。

次に、重み付与部１０１は、第２の音響信号の平滑化パワースペクトルＸ’_ｆ（ｋ）を利用して、利用者音声の主要な成分が含まれていない周波数帯域のうち妨害音が混入している蓋然性が高い周波数帯域（妨害主要周波数帯域）を検出する。具体的には、（２）式で重みを付与した結果Ｒ_ｆ（ｋ）が０となっている周波数帯域について、（３）式によりＲ_ｆ（ｋ）を更新する。

第２閾値は、第１の音響信号の無音区間のパワーより大きな値に設定することができる。また、（４）式のように、各フレームにおける周波数スペクトルの平均値を第２閾値とすることもできる。

ここで、Ｐは周波数帯域ｆの数である。この場合、第２閾値はフレームごとに動的に変化する。

Ｒ_ｆ（ｋ）は最終的に０か１の値を持つ。Ｒ_ｆ（ｋ）＝０となる周波数帯域が、利用者音声の主要な成分は含まれないが妨害音が含まれる蓋然性が高い妨害主要周波数帯域である。

この他にも、重み付与部１０１は、第１の音響信号の平滑化パワースペクトルＤ’_ｆ（ｋ）に適当な係数を掛けた後、これを第２の音響信号の平滑化パワースペクトルから差し引いたパワースペクトルを計算し、このパワースペクトルにおいて所定閾値を超える周波数帯域に重み０を、それ以外の周波数帯域に重み１を付与するなどしてもよい。

ステップＳ４０２では、特徴抽出部１０２は、重み付与部１０１で得られた周波数帯域別の重みＲ_ｆ（ｋ）を利用して、第１の音響信号ｄ（ｔ）から利用者の音声らしさを表す特徴量を抽出する。

本実施形態では、特徴量として（５）式で計算される周波数帯域別ＳＮＲの平均値ＳＮＲ_ａｖｒｇ（ｋ）（以下、平均ＳＮＲと記す）を用いる。

ここで、Ｍ（ｋ）はｋ番目のフレームで妨害主要周波数帯域ではないと判定された（つまり、Ｒ_ｆ（ｋ）＝１となる）周波数帯域ｆの数を表している。また、Ｎ_ｆ（ｋ）は第１の音響信号に含まれる妨害音のみのパワースペクトルの推定値であり、例えば、第１の音響信号の先頭２０フレームにおけるパワースペクトルの平均値から求める。一般に、利用者音声が含まれる区間における第１の音響信号は、利用者音声が含まれない区間における第１の音響信号と比較して大きくなる。したがって、平均ＳＮＲが大きいほど、第１の音響信号に利用者音声が含まれている蓋然性が高いといえる。なお、特徴量は平均ＳＮＲに限らず、例えば、非特許文献１に開示された正規化スペクトルエントロピーやスペクトル間余弦値を用いることができる。

（５）式より、特徴抽出部１０２は、重み付与部１０１で妨害主要周波数帯域（Ｒ_ｆ（ｋ）＝０）として特定された周波数帯域における周波数スペクトルを除外して特徴量を抽出している。妨害主要周波数帯域は、利用者音声の主要な成分は含まれないが妨害音が含まれる蓋然性の高い周波数帯域である。したがって、特徴量を抽出する際に妨害主要周波数における周波数スペクトルを除外することで、利用者音声の主要な成分を含み、かつ妨害音の影響を取り除いた特徴量の抽出が可能になる。

ステップＳ４０３では、音声／非音声判別部１０３は、（６）式のように特徴抽出部１０２で抽出された特徴量と第３閾値ＴＨ_ＶＡ（ｋ）を比較することで、フレーム単位の音声／非音声を判別する。

ステップＳ４０４では、音声認識部１１０は、音声判別装置１００が出力するフレーム単位の判別結果を使って認識対象となる利用者の音声区間を特定する。また、音声認識部１１０は、音声判別装置１００が出力する音響信号ｅ（ｔ）（本実施形態では、ｅ（ｔ）＝ｄ（ｔ））について音声認識処理を実行する。

以上の説明では、周波数スペクトルとしてパワースペクトルを用いたが、振幅スペクトルを用いてもよい。

（効果）
このように、本実施形態にかかる音声判別装置は、第１および第２の音響信号のパワースペクトルの大きさを利用して周波数帯域別の重みを付与することにより、利用者音声の主要な成分を含む周波数帯域に小さな重みが付与されることを防止する。これにより、利用者音声の主要な成分を含む周波数帯域が特徴抽出時に除外されることを防ぐことができる。

（変形例１）
本実施形態における音声判別装置１００を、次に述べる音声判別装置２００に置き換えることもできる。図４は、音声判別装置２００の構成を示すブロック図である。音声判別装置１００と異なるのは、第１の音響信号ｄ（ｔ）から妨害音を除外する適応フィルタ部２０４（雑音抑圧部）を有する点である。これに伴い、重み付与部１０１は、妨害音を除外した後の第１の音響信号ｅ（ｔ）および雑音抑圧のフィルタ特性を畳み込んだ後の第２の音響信号ｙ（ｔ）のパワースペクトルの大きさを利用して周波数帯域別の重みを付与する。また、特徴抽出部１０２はｅ（ｔ）から特徴量を抽出する。

図５は、本変形例にかかる音声認識システムのフローチャートである。第１の実施形態と異なる処理は、ステップＳ４２１である。

ステップＳ４２１では、適応フィルタ部２０４は、ｘ（ｔ）をフィルタ処理して、ｄ（ｔ）に混入する妨害音を抑圧する音響信号ｙ（ｔ）を生成する。減算部２０５は、ｄ（ｔ）からｙ（ｔ）を差し引くことで第１の音響信号に含まれる妨害音を抑圧したｅ（ｔ）を生成する。ｅ（ｔ）は、（７）式で計算できる。

適応フィルタ部２０４のフィルタ係数の数Ｌは、妨害音が副マイクロホン１３０−２に到達してから主マイクロホン１３０−１に到達するまでの遅延時間τ１と使用環境の残響時間τ２の大きい方で決まる。また、適応フィルタ部２０４のフィルタ係数値ｗは、例えば、ＮＬＭＳアルゴリズムを用いて、（８）式で更新する。

ここで、αは更新速度を調整するステップサイズ、γは分母項が零になることを防ぐための小さな正の値である。αは０．１〜０．３程度に設定する。このとき、適応フィルタ部２０４は、（９）式のように特徴抽出部２０２によって抽出されたＳＮＲ_ａｖｒｇ（ｋ）と第４の閾値ＴＨ_ＤＴの比較結果を利用してフィルタ係数の更新を制御してもよい。

これにより、適応フィルタ部２０４は、第１の音響信号ｄ（ｔ）に利用者音声が含まれる区間でフィルタ係数を更新してしまうことを防止することができる。

ステップＳ４２２では、重み付与部１０１は、雑音抑圧後の第１の音響信号ｅ（ｔ）およびフィルタ処理後の第２の音響信号ｙ（ｔ）のパワースペクトルの大きさに基づいて、周波数帯域別の重みを付与する。ステップ４２３からステップＳ４２５までの処理は、第１の実施形態のステップＳ４０２からステップＳ４０４までの処理と同様であるため、説明を省略する。

このように、本変形例では、第１の音響信号に含まれる妨害音を適応フィルタ部２０４（雑音抑圧部）で抑圧している。これにより、音声判別部２００の音声／非音声判別の精度を向上させることができる。

（第２の実施形態）
図６は、第２の実施形態にかかる音声判別装置を備えた音声認識システムを示すブロック図である。この音声認識システムの音声判別装置３００は、マイクロホン３３０−１からマイクロホン３３０−ｎまでのｎ本のマイクロホンを用いてｎチャンネルの音響信号を取得する。

図７は、音声判別装置３００の構成を示すブロック図である。第１の実施形態と異なるのは、音声判別装置３００が、遅延和アレイ３０４（目的音強調部）と死角型アレイ３０５（妨害音強調部）を有する点である。遅延和アレイ３０４は、ｍ_１（ｔ）〜ｍ_ｎ（ｔ）までのｎチャンネルの音響信号を同相加算して利用者音声を主として含む第１の音響信号ｄ（ｔ）を生成する。死角型アレイ３０５は、音響信号ｍ_１（ｔ）とｍ_ｎ（ｔ）を同相減算して妨害音を主として含む第２の音響信号ｅ（ｔ）を生成する。

（フローチャート）
図８は、本変形例にかかる音声認識システムのフローチャートである。第１の実施形態と異なる処理は、ステップＳ４１１およびステップＳ４１２である。

ステップＳ４１１では、遅延和アレイ部３０４は、ｎチャンネルの音響信号ｍ_１（ｔ）〜ｍ_ｎ（ｔ）を同相加算して、第１の音響信号ｄ（ｔ）を生成する。また、ステップＳ４１２では、死角型アレイ３０５は、音響信号ｍ_１（ｔ）とｍ_ｎ（ｔ）を同相減算して第２の音響信号ｘ（ｔ）を生成する。ここで、ｐ番目の音響信号に与えるべき同相化のための遅延量をＤ_ｐとしたとき、第１および第２の音響信号を求める演算は、（１０）式と（１１）式でそれぞれ表すことができる。

第１の音響信号ｄ（ｔ）は、ｎチャンネルの音響信号ｍ_１（ｔ）〜ｍ_ｎ（ｔ）を同相加算した信号であり、Ｄ_ｐで定まる同相化の方向に指向性を向けたｍ_１（ｔ）〜ｍ_ｎ（ｔ）の遅延和アレイ出力である。同相化の方向は利用者の方向に設定される。第２の音響信号ｘ（ｔ）は、２つの音響信号ｍ_１（ｔ）とｍ_ｎ（ｔ）を同相減算した信号であり、同相化の方向から到来する音声を除去した死角型アレイ出力である。同相化の方向は前述の利用者の方向に設定される。この結果、第１の音響信号は利用者音声を強調した音響信号になり、第２の音響信号は利用者音声を抑圧して妨害音を強調した音響信号になる。

なお、ｐ番目の音響信号に与えるべき同相化のための遅延量Ｄ_ｐは、０以上の値でなければならない。これが負の場合、ｍ_ｐ（ｔ−Ｄ_ｐ）がまだ観測されていない未来の信号値を指すことになる（因果律の成立しなくなる）からである。そこで、遅延量Ｄ_ｐを（１２）式によって決定することで０以上の値になることを保証する。

同相化の方向から到来する利用者音声がｐ番目のマイクロホン３３０−ｐに到達する時刻をｔ_ｐとすると、マイクロホン３３０−１を基準にした到達時間差Δｔ_ｐ−１＝ｔ_ｐ−ｔ_１は図計算により求めることができる。こここで最も単純には、ｐ番目のチャンネル信号に与えるべき同相化のための遅延量Ｄ_ｐをΔｔ_ｐ−１とすることであるが、Δｔ_ｐ−１が負値だと前述の因果律の不成立が発生するので、何らかのオフセットを与えることになる。このオフセット値をτ３とすると、必要なτ３の値は−（Δｔ_ｐ−１）の最大値として与えることができる。

なお、本実施形態では、遅延和アレイ３０４が出力した第１の音響信号ｄ（ｔ）をそのまま音声判別装置３００が出力するｅ（ｔ）として用いる。また、ステップ４１３からステップＳ４１６までの処理は、第１の実施形態のステップＳ４０１からステップＳ４０４までの処理と同様であるため、説明を省略する。

このように本実施形態の音声判別装置３００は、複数の音響信号を利用したアレイ処理により、利用者音声を含む第１の音響信号と妨害音を含む第２の音響信号を生成する。これにより、第１の実施形態にあるようなマイクロホン配置に関する制約（副マイクロホンが主マイクロホンと比べて相対的に利用者から遠い位置に設置されること）を取り除くことができる。

（変形例２）
本実施形態における音声判別装置３００を、次に述べる音声判別装置４００に置き換えることもできる。図９は、音声判別装置４００の構成を示すブロック図である。音声判別装置３００と異なるのは、遅延和アレイ３０４が出力した音響信号から妨害音を更に除外する適応フィルタ部２０４（雑音抑圧部）を有する点である。

図１０は、本変形例にかかる音声認識システムのフローチャートである。第２の実施形態と異なる処理は、ステップＳ４３３である。

ステップＳ４３３では、適応フィルタ部２０４は、死角型アレイ３０５が出力した第２の音響信号ｘ（ｔ）をフィルタ処理して号ｙ（ｔ）を生成する。そして、遅延和アレイ３０４が出力した第１の音響信号ｄ（ｔ）からｙ（ｔ）を差し引くことで第１の音響信号ｄ（ｔ）に含まれる妨害音を抑圧する。適応フィルタ部２０４により妨害音を抑圧した後のｅ（ｔ）は、（１３）式で計算できる。

ｄ（ｔ）に含まれるｘ（ｔ）の成分は、ｘ（ｔ）に対して先行したり遅延したりする。（１３）式のτ４はこの先行による因果律の不成立を防止するためにｄ（ｔ）に与える遅延である。分散配置されたｎ個のマイクロホンの重心位置から最も離れたマイクロホンまでの距離を音波が伝播する時間をＴｍａｘとすると、このτ４の値を２Ｔｍａｘとすることができる。音波が各マイクロホンに到達する時刻には、同じ音波が前記重心位置に到達する時刻を基準にして±Ｔｍａｘの遅延（負値は先行）を生じ得る。すなわち、最初に音波が到達したマイクロホンの信号と最後に音波の到達したマイクロホンの信号とでは、この音波の成分は最大２Ｔｍａｘの時間ずれを生じ得る。よって、τ４を２Ｔｍａｘとしてｄ（ｔ）をこのτ４だけ遅延させれば、ｄ（ｔ）に含まれるｘ（ｔ）の成分がｘ（ｔ）に対して確実に遅延するため、因果律の不成立を防止することができる。

適応フィルタ部４０６のフィルタ係数の数Ｌは、最大先行時間τ４と使用環境の残響時間τ２の合計時間で決定される。なお、適応フィルタ部２０４におけるフィルタ係数ｗの更新、ならびにフィルタ係数の更新制御は、前述の音声判別装置２００における（８）式と（９）式に示した演算と同様に行われる。

以上の処理により、利用者音声がないときのｅ（ｔ）を可能な限り小さくするフィルタ係数ｗを求めることができ、ｄ（ｔ）に混入する妨害音は前記音声判別装置３００よりも少なくなる。

ステップＳ４３４では、重み付与部１０１は、雑音抑圧後の第１の音響信号ｅ（ｔ）および死角型アレイ３０５（妨害音強調部）が出力した第２の音響信号ｘ（ｔ）のパワースペクトルの大きさに基づいて、周波数帯域別の重みを付与する。ステップ４３５からステップＳ４３７までの処理は、第１の実施形態のステップＳ４０２からステップＳ４０４までの処理と同様であるため、説明を省略する。

このように、本変形例では、第１の音響信号に含まれる妨害音を適応フィルタ部２０４（雑音抑圧部）で抑圧している。これにより、音声判別部４００の音声／非音声判別の精度を向上させることができる。

（変形例３）
本実施形態における音声判別装置３００を、図１１に示す音声判別装置５００に置き換えることもできる。この構成では、変形例２の音声判別装置４００に加えて、第２の音響信号ｘ（ｔ）にシステム音を混合する混合部５０８を更に設けている。この音声判別装置５００は、スピーカから拡声出力されたシステム音が妨害音（エコー）として第１の音響信号に混入するような場合にも対応できるよう改良されている。

混合部５０８は、（１４）式の演算によって第２の音響信号ｘ（ｔ）とシステム音ｘ_１（ｔ）〜ｘ_ｑ（ｔ）を混合した音響信号ｘ’（ｔ）を生成する。

ここで、β_１はｘ’（ｔ）全体のゲインを定める係数であり、β_２はｘ（ｔ）とシステム音の混合比を定める係数である。この混合処理は、図１０におけるステップＳ４３３において行うことができる。

適応フィルタ部２０４におけるフィルタ係数ｗの更新、ならびにフィルタ係数の更新制御は、前述の音声判別装置２００及び音声判別装置４００における（８）式、（９）式、（１３）式に示した演算と同様に行われる。この結果、利用者音声がないときの音響信号ｅ（ｔ）を小さくするフィルタ係数が求められることになり、ｅ（ｔ）に混入する妨害音を抑圧することができる。

なお、（１４）式のβ_２を０にすれば音声判別装置５００は前述の音声判別装置４００と同じ働きをする。また、β_２を１にすれば適応フィルタ部２０４と減算部２０５は、システム音の音響エコーを第１の音響信号ｄ（ｔ）から抑圧するよう動作する。周囲の環境が静かなときには妨害音の主成分が音響エコーとなるので、後者の設定を選択するとよい。

（変形例４）
本実施形態では、重み付与部１０１は、妨害主要周波数帯域には重み０を、それ以外の周波数帯域には重み１を付与している。付与する重みはこれに限定されず、例えば、妨害主要周波数帯域に重み−１００を、それ以外の周波数帯域に重み１００を付与し、特徴抽出部１０２で特徴量を抽出する際に重み−１００が付与された周波数帯域における周波数スペクトルを除外するようにしてもよい。また、特徴抽出時に利用する重みの値を連続的に変化させてもよい。

（効果）
以上述べた少なくとも一つの実施形態の音声判別装置によれば、第１および第２の音響信号のパワースペクトルの大きさを利用して周波数帯域別の重みを付与することにより、利用者音声の主要な成分を含む周波数帯域に小さな重みが付与されることを防止する。これにより、利用者音声の主要な成分を含む周波数帯域が特徴抽出時に除外されることを防止する。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００、２００、３００、４００、５００ 音声判別装置
１０１ 重み付与部
１０２ 特徴抽出部
１０３ 音声／非音声判別部
１１０ 音声認識部
１３０−１ 主マイクロホン
１３０−２ 副マイクロホン
２０４ 適応フィルタ部（雑音抑圧部）
２０５ 減算部
３０４ 遅延和アレイ（目的音強調部）
３０５ 死角型アレイ（妨害音強調部）
３３０−１〜３３０−ｎ アレイマイクロホン
５０８ 混合部
５４０−１〜５４０−ｑ スピーカ

Claims (10)

1. 利用者の音声を含む第１の音響信号の周波数スペクトルと妨害音を含む第２の音響信号の周波数スペクトルに基づいて、周波数帯域別の重みを付与する重み付与手段と、
   前記重み付与手段で付与された周波数帯域別の重みを利用して、前記第１の音響信号の周波数スペクトルから特徴量を抽出する特徴抽出手段と、
   前記特徴抽出手段で抽出された特徴量に基づいて、前記第１の音響信号の音声／非音声を判別する音声／非音声判別手段と、
   を備え、
   前記重み付与手段が、前記第１の音響信号の周波数スペクトルの大きさが第１の閾値より小さく、かつ、前記第２の音響信号の周波数スペクトルの大きさが第２の閾値より大きくなるような周波数帯域に予め決められた所定の重みを付与する音声判別装置。
2. 利用者の音声を含む第１の音響信号の周波数スペクトルと妨害音を含む第２の音響信号の周波数スペクトルに基づいて、周波数帯域別の重みを付与する重み付与手段と、
   前記重み付与手段で付与された周波数帯域別の重みを利用して、前記第１の音響信号の周波数スペクトルから特徴量を抽出する特徴抽出手段と、
   前記特徴抽出手段で抽出された特徴量に基づいて、前記第１の音響信号の音声／非音声を判別する音声／非音声判別手段と、
   を備え、
   前記特徴抽出手段が、前記重み付与手段で所定の重みが付与された周波数帯域における周波数スペクトルを除外して特徴量を抽出する音声判別装置。
3. 前記第２の音響信号を利用して、前記第１の音響信号に含まれる妨害音を抑圧する雑音抑圧手段を更に備え、
   前記重み付与手段が、前記雑音抑圧手段で妨害音が抑圧された第１の音響信号の周波数スペクトルの大きさを利用する請求項１乃至請求項２記載の音声判別装置。
4. 複数チャンネルの音響信号を処理して利用者の音声を強調した第１の音響信号を抽出する目的音強調手段と、
   複数チャンネルの音響信号を処理して妨害音を強調した第２の音響信号を抽出する妨害音強調手段を更に備え、
   前記重み付与手段が、前記目的音強調手段で抽出された第１の音響信号の周波数スペクトルと、前記妨害音強調手段で抽出された第２の音響信号の周波数スペクトルを利用する請求項１乃至請求項２に記載の音声判別装置。
5. 複数チャンネルの音響信号を処理して利用者の音声を強調した第１の音響信号を抽出する目的音強調手段と、
   複数チャンネルの音響信号を処理して妨害音を強調した第２の音響信号を抽出する妨害音強調手段を更に備え、
   前記雑音抑圧手段が、前記妨害音強調手段で抽出された第２の音響信号を利用して、前記目的音強調手段で抽出された第１の音響信号に含まれる妨害音を抑圧する請求項３記載の音声判別装置。
6. 第２の音響信号にシステム音を混合する混合手段を更に備え、
   前記重み付与手段が、前記システム音が混合された第２の音響信号の周波数スペクトルを利用する請求項１から請求項５の何れか１項に記載の音声判別装置。
7. 利用者の音声を含む第１の音響信号の周波数スペクトルと妨害音を含む第２の音響信号の周波数スペクトルに基づいて、周波数帯域別の重みを付与する重み付与工程と、
   前記重み付与工程で付与された周波数帯域別の重みを利用して、前記第１の音響信号の周波数スペクトルから特徴量を抽出する特徴抽出工程と、
   前記特徴抽出工程で抽出された特徴量に基づいて、前記第１の音響信号の音声／非音声を判別する音声／非音声判別工程と、
   を備え、
   前記重み付与工程が、前記第１の音響信号の周波数スペクトルの大きさが第１の閾値より小さく、かつ、前記第２の音響信号の周波数スペクトルの大きさが第２の閾値より大きくなるような周波数帯域に予め決められた所定の重みを付与する音声判別方法。
8. 利用者の音声を含む第１の音響信号の周波数スペクトルと妨害音を含む第２の音響信号の周波数スペクトルに基づいて、周波数帯域別の重みを付与する重み付与工程と、
   前記重み付与工程で付与された周波数帯域別の重みを利用して、前記第１の音響信号の周波数スペクトルから特徴量を抽出する特徴抽出工程と、
   前記特徴抽出工程で抽出された特徴量に基づいて、前記第１の音響信号の音声／非音声を判別する音声／非音声判別工程と、
   を備え、
   前記特徴抽出工程が、前記重み付与手段で所定の重みが付与された周波数帯域における周波数スペクトルを除外して特徴量を抽出する音声判別方法。
9. 利用者の音声を含む第１の音響信号の音声／非音声を判別する判別装置に、
   前記第１の音響信号の周波数スペクトルと妨害音を含む第２の音響信号の周波数スペクトルに基づいて、周波数帯域別の重みを付与する重み付与工程と、
   前記重み付与工程で付与された周波数帯域別の重みを利用して、前記第１の音響信号の周波数スペクトルから特徴量を抽出する特徴抽出工程と、
   前記特徴抽出工程で抽出された特徴量に基づいて、前記第１の音響信号の音声／非音声を判別する音声／非音声判別工程と、
   を実現させるための音声判別プログラムであって、
   前記重み付与工程が、前記第１の音響信号の周波数スペクトルの大きさが第１の閾値より小さく、かつ、前記第２の音響信号の周波数スペクトルの大きさが第２の閾値より大きくなるような周波数帯域に予め決められた所定の重みを付与する音声判別プログラム。
10. 利用者の音声を含む第１の音響信号の音声／非音声を判別する判別装置に、
    前記第１の音響信号の周波数スペクトルと妨害音を含む第２の音響信号の周波数スペクトルに基づいて、周波数帯域別の重みを付与する重み付与工程と、
    前記重み付与工程で付与された周波数帯域別の重みを利用して、前記第１の音響信号の周波数スペクトルから特徴量を抽出する特徴抽出工程と、
    前記特徴抽出工程で抽出された特徴量に基づいて、前記第１の音響信号の音声／非音声を判別する音声／非音声判別工程と、
    を実現させるための音声判別プログラムであって、
    前記特徴抽出工程が、前記重み付与手段で所定の重みが付与された周波数帯域における周波数スペクトルを除外して特徴量を抽出する音声判別プログラム。

Images