JP6114209B2 - モデル処理装置、モデル処理方法、およびプログラム - Google Patents

Description

この発明は、状況のモデル処理技術に関する。

非特許文献１に開示された従来技術では、連続する有限個の短時間フレーム毎の音響信号が何の音を表しているか（例えば、足音や水が流れる音など。以後、「音響イベント」とする）を示す音響イベント列の生成過程を、長時間音響信号から状況が生成される過程と、状況から音響イベントが生成される過程とを考慮してモデル化し、そのパラメータを推定する。

井本他，"音響イベント列の確率的生成モデルを利用した音響トピックとユーザ行動との関係分析"，日本音響学会，２０１３年春期音響学会

従来技術では、状況を分析、推定するためのモデルと音響イベントラベルを作成するためのモデルとが別々に作成されていた。そのため、これらのモデルの同時最適化ができず、音響信号列や音響特徴量列から状況をモデル化する際に誤差が生じるという問題点があった。

また従来技術では、事前に大規模なモデル作成用の長時間音響信号に対応する音響イベント列を用意しておき、それら全てを利用してモデルのパラメータを推定していた。そのため、モデル作成用の音響イベント列が事前に全て得られない場合はモデルの作成が困難であるという問題があった。また、全ての音響信号列に対応する音響イベント列を用いてモデルを作成するため、大規模な音響信号列に対しては、モデルの作成に要する時間や一時記憶装置が非常に大規模になるという問題点があった。

本発明の課題は、逐次的に得られる音響特徴量列から、状況を推定するためのモデルと音響イベントラベルを作成するためのモデルとを同時最適化することである。

状況が音響イベントを生成する確率に対応する第１の状況−音響イベントパラメータ、および音響イベントが音響特徴量を生成する確率に対応する第１の音響イベント−音響特徴量パラメータを初期化する。第１の状況−音響イベントパラメータと、入力された音響特徴量列に応じて第１の状況−音響イベントパラメータを更新して得られる第２の状況−音響イベントパラメータと、の重み付け和を第３の状況−音響イベントパラメータとして得、音響特徴量列に応じて第１の音響イベント−音響特徴量パラメータを更新して第２の音響イベント−音響特徴量パラメータを得る処理を、音響特徴量列を逐次的に更新し、第３の状況−音響イベントパラメータを第１の状況−音響イベントパラメータとし、かつ、第２の音響イベント−音響特徴量パラメータを第１の音響イベント−音響特徴量パラメータとして繰り返し、第３の状況−音響イベントパラメータに対応する状況−音響イベント生成モデル、および第２の音響イベント−音響特徴量パラメータに対応する音響イベント−音響特徴量生成モデルを出力する。

本発明では、逐次的に得られる音響特徴量列から、状況を推定するためのモデルと音響イベントラベルを作成するためのモデルとを同時最適化することができる。

実施例１−１のモデル処理装置を例示したブロック図。 実施例１−１，２のモデル処理方法を例示するためのフロー図。 実施例１−２のモデル処理装置を例示したブロック図。 実施例２−１のモデル処理装置を例示したブロック図。 実施例２−１，２のモデル処理方法を例示するためのフロー図。 実施例２−２のモデル処理装置を例示したブロック図。

以下、図面を参照して本発明の実施形態を説明する。
＜用語の定義＞
実施例で用いる用語を定義する。
「音響イベント」とは、音の事象を意味する。例えば、所定の時間区間（短時間フレーム）における音響信号が表している音の事象を「音響イベント」と呼ぶ。「音響イベント」の具体例は、「包丁の音」「水が流れる音」「水音」「着火音」「火の音」「足音」「掃除機の排気音」などである。「音響イベント列」とは、時系列に並んだ所定の時間区間ごとの音響イベントからなる列を意味する。各時間区間の音響イベントを表す要素（ラベル等）からなる時系列を「音響イベント列」と呼ぶ。音響イベント列は１個以上の要素からなる。「音響信号列」とは、各時間区間の音響信号からなる時系列である。音響信号列は１個以上の音響信号からなる。「音響特徴量列」とは、各時間区間の音響特徴量からなる時系列である。音響特徴量列は、１個以上の音響特徴量からなる。「音響特徴量」とは、音響の特徴を表す値やベクトルである。音響特徴量の例は、音圧レベル、音響パワー、ＭＦＣＣ（Mel-Frequency Cepstrum Coefficient）特徴量、ＬＰＣ（Linear Predictive Coding）特徴量、立ち上がり特性、調波性、時間周期（例えば、「井本他，「複数の生活音の出現頻度に基づくユーザ行動の識別手法とコミュニケーションへの応用」，画像電子学会第３２回ＶＭＡ研究会」参照）の少なくとも一部を要素とするベクトルである。

「状況」とは、音響イベント列の組み合わせによって規定される、潜在的な音響状態を意味する。言い換えると、「状況」とは、音響イベントによって規定される、潜在的な場の状況を意味する。予め定められた有限個の「状況」が存在することにする。

「ＸがＹを生成する確率」とは、事象Ｘが起こるという条件のもとでの事象Ｙが起こる確率をいう。「ＸがＹを生成する確率」は、「ＸのもとでのＹの条件付き確率」や「ＸにおけるＹの条件付き確率」や「ＸのもとでのＹの生成確率」や「ＸにおけるＹの生成確率」とも表現できる。

［実施例１−１］
本実施例では、逐次的に得られる音響特徴量列から、少なくとも、状況−音響イベント生成モデルおよび音響イベント−音響特徴量生成モデルを作成する。

初期化部で、状況が音響イベントを生成する確率に対応する第１の状況−音響イベントパラメータ、および音響イベントが音響特徴量を生成する確率に対応する第１の音響イベント−音響特徴量パラメータを初期化する。その後、更新部で、第１の状況−音響イベントパラメータと、入力された音響特徴量列に応じて第１の状況−音響イベントパラメータを更新して得られる第２の状況−音響イベントパラメータ（状況が音響イベントを生成する確率に対応する）と、の重み付け和を第３の状況−音響イベントパラメータとして得、音響特徴量列に応じて第１の音響イベント−音響特徴量パラメータを更新して第２の音響イベント−音響特徴量パラメータ（音響イベントが音響特徴量を生成する確率に対応する）を得る。制御部は、更新部に入力される音響特徴量列を逐次的に更新し、第３の状況−音響イベントパラメータを第１の状況−音響イベントパラメータとし、かつ、第２の音響イベント−音響特徴量パラメータを第１の音響イベント−音響特徴量パラメータとして、更新部の処理を再び実行させる。モデル出力部は、第３の状況−音響イベントパラメータに対応する状況−音響イベント生成モデル、および第２の音響イベント−音響特徴量パラメータに対応する音響イベント−音響特徴量生成モデルを出力する。

以上により、逐次的に得られる音響特徴量列（リアルタイムな音響特徴量列）から、状況−音響イベント生成モデルおよび音響イベント−音響特徴量生成モデルを同時に得ることができる。ここで、更新部には逐次的に得られる音響特徴量列しか入力されない。しかしながら、各時間区間での「状況が音響イベントを生成する確率」はその時間区間の音響特徴量列のみによって規定されるものではなく、その時間区間を含む長時間の音響特徴量列によって規定されるものである。そのため、逐次的に得られる一部の音響特徴量列のみを用いて状況−音響イベント生成モデルを生成したのでは、適切なモデル化を行うことができない。本実施例では、過去に得られた第１の状況−音響イベントパラメータと、逐次的に得られる音響特徴量列に応じて第１の状況−音響イベントパラメータを更新して得られる第２の状況−音響イベントパラメータと、の重み付け和を第３の状況−音響イベントパラメータとし、それから状況−音響イベント生成モデルを生成する。これにより、逐次的に得られる音響特徴量列を用いつつ、適切なモデル化を行うことが可能となる。一方、各時間区間での「音響イベントが音響特徴量を生成する確率」はその時間区間の音響特徴量列によって規定されるため、逐次的に得られる音響特徴量列を単純に用いて音響イベント−音響特徴量生成モデルを得ても、適切なモデル化を行うことができる。ただし、音響イベント−音響特徴量生成モデルについても同様に、過去に得られた第１の音響イベント−音響特徴量パラメータと逐次的に得られる音響特徴量列から得られた音響イベント−音響特徴量パラメータとの重み付け和を第２の音響イベント−音響特徴量パラメータとしてもよい。

なお、更新部の処理の繰り返し回数が多いほど、上記の重み付け和における第２の状況−音響イベントパラメータの重みを小さくすること（言い換えると、上記の重み付け和における第１の状況−音響イベントパラメータの重みを大きくすること）が望ましい。繰り返し回数が多いほど第１の状況−音響イベントパラメータが適切な値に近いことが推測され、第２の状況−音響イベントパラメータの重みを小さくしたほうが、適切な値へ収束する可能性が高いからである。

上記の過程において、解析部で状況や音響イベントの分析および推定を行ってもよい。この場合、初期化部は、さらに、音響特徴量列の各時点での各音響イベントの確率に対応する第１の音響イベントパラメータ、および音響特徴量列の各時点での各状況の確率に対応する第１の状況パラメータを初期化する。更新部は、逐次的に得られる音響特徴量列および第１の音響イベント−音響特徴量パラメータに基づいて、第１の音響イベントパラメータを更新して第２の音響イベントパラメータ（音響特徴量列の各時点での各音響イベントの確率に対応する）を得、第１の音響イベント−音響特徴量パラメータに基づいて、第１の状況パラメータを更新して第２の状況パラメータ（音響特徴量列の各時点での各状況の確率に対応する）を得、第２の音響イベントパラメータおよび第２の状況パラメータに基づいて得られる第２の状況−音響イベントパラメータから、第３の状況−音響イベントパラメータを得、逐次的に得られる音響特徴量列、第２の音響イベントパラメータおよび第２の状況パラメータに基づいて、第２の音響イベント−音響特徴量パラメータを得る。制御部は、更新部の処理を再び実行させる際に、第２の音響イベントパラメータを第１の音響イベントパラメータとし、かつ、第２の状況パラメータを第１の状況パラメータとする。そして、解析部で、第２の状況パラメータから得られる状況の推定情報（状況ラベル列）、および、第２の音響イベントパラメータから得られる音響イベントの推定情報（音響イベントラベル列）の少なくとも一方を出力する。状況ラベル列や音響イベントラベル列を分析することにより、入力された音響特徴量列に対応する音響イベントや状況を推定できる。

以下に本実施例の詳細を説明する。図１に例示するように、本実施例のモデル処理装置１１０は、音響イベント列合成部１１１、モデル化部１１２、および記憶部１１３を有する。モデル化部１１２は、例えば、初期化部１１２１、更新部１１２２、制御部１１２３、およびモデル出力部１１２４を有する。さらにモデル化部１１２が解析部１１２５を有していてもよい。更新部１１２２は、第１〜４更新部１１２２ａ〜１１２２ｄを有する。モデル処理装置１１０は、例えば、ＣＰＵ（central processing unit）やＲＡＭ（random-access memory）等を備えた汎用又は専用のコンピュータに所定のプログラムが読み込まれることで構成される。

音響特徴量列合成部１１１には、音響特徴量列の集合１１_ｋが逐次的に入力される。ただし、音響特徴量列の集合１１_ｋは、単数個または複数個の音響特徴量列１１_ｋ−ＭＩＮ_ｋ，１１_ｋ−（ＭＩＮ_ｋ＋１），・・・，１１_ｋ−ＭＡＸ_ｋから構成される。ＭＩＮ_ｋおよびＭＡＸ_ｋは１以上の整数（正整数）であり、ＭＩＮ_ｋ≦ＭＡＸ_ｋかつＭＩＮ_ｋ’≦ＭＩＮ_ｋ’＋１かつＭＡＸ_ｋ’≦ＭＡＸ_ｋ’＋１を満たす。例えば、ＭＡＸ_ｋ’＋１＝ＭＩＮ_ｋ’＋１であるがこれは本発明を限定しない。ｋは０以上の整数ｋ＝０，・・・，Ｋであり、時間インデックスを表す。ｋの値が大きいほど後の時刻に対応する。Ｋは１以上の整数である。また、ｋは０以上の整数ｋ’＝０，・・・，Ｋ−１である。また、Ｓ_ｋ＝ＭＡＸ_ｋ−ＭＩＮ_ｋ＋１は、音響特徴量列の集合１１_ｋを構成する音響特徴量列１１_ｋ−ｓ_ｋ（ただし、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ）の個数を表す。すなわち、音響特徴量列合成部１１１には、時系列に沿った音響特徴量列の集合１１_０，・・・，１１_Ｋの一部である音響特徴量列の集合１１_ｋが逐次的に入力される。音響特徴量列の集合１１_ｋを構成する各音響特徴量列１１_ｋ−ｓ_ｋ（ただし、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ）は、短時間区間ごと（数１０ｍｓｅｃ〜数ｓｅｃ程度ごと）の１個の音響特徴量または２個以上の音響特徴量を時系列方向（例えば、時系列順）につなぎ合わせた列であり、単一または複数の音響特徴量を含む。各音響特徴量は、短時間区間ごとの音響信号から得られる。各音響特徴量は複数個の要素からなるベクトルであってもよいし、単数の要素からなるスカラーであってもよい。ただし、ｓ_ｋは入力された音響特徴量列１１_ｋ−ｓ_ｋに対応するインデックスである。

音響特徴量列の集合１１_ｋが複数個の音響特徴量列１１_ｋ−ＭＩＮ_ｋ，・・・，１１_ｋ−ＭＡＸ_ｋから構成される場合、音響特徴量列合成部１１１は、例えば、音響特徴量列１１_ｋ−ＭＩＮ_ｋ，・・・，１１_ｋ−ＭＡＸ_ｋを時系列順につなぎ合わせ、それによって得られた１個の音響特徴量列１_ｋを得て出力する。音響特徴量列の集合１１_ｋが単数個の音響特徴量列１１_ｋ−１のみから構成される場合、音響特徴量列合成部１１１は、音響特徴量列１１_ｋ−１を音響特徴量列１_ｋとして出力する。音響特徴量列合成部１１１から出力された音響特徴量列１_ｋは、逐次的にモデル化部１１２に入力される。なお、音響特徴量列合成部１１１が、音響特徴量列１１_ｋ−ＭＩＮ_ｋ，・・・，１１_ｋ−ＭＡＸ_ｋを時系列順以外の順序でつなぎ合わせ、それによって得られた１個の音響特徴量列１_ｋを得て出力してもよい。また、音響特徴量列合成部１１１を経由することなく、１個の音響特徴量列１_ｋがそのままモデル化部１１２に入力されてもよい。

モデル化部１１２は、逐次的に入力される音響特徴量列１_ｋから、例えば、以下の手順に従って、逐次的に、音響信号列が状況を生成する確率を表す音響信号−状況生成モデル１２、状況が音響イベントを生成する確率を表す状況−音響イベント生成モデル１３、および音響イベントが音響特徴量を生成する確率を表す音響イベント−音響特徴量モデル１４、状況の推定情報である状況ラベル列１５、および音響イベントの推定情報である音響イベントラベル列１６を算出し、これらを記憶部１１３に保存する。なお、記憶部１１３は単一の記憶装置であってもよいし、複数個の記憶装置の集合であってもよい。音響信号−状況生成モデル１２、状況−音響イベント生成モデル１３、および音響イベント−音響特徴量モデル１４、状況ラベル列１５、および音響イベントラベル列１６は、同一の記憶装置に格納されてもよいし、別個の記憶装置に格納されてもよい。また、算出されたすべての音響信号−状況生成モデル１２、状況−音響イベント生成モデル１３、および音響イベント−音響特徴量モデル１４、状況ラベル列１５、および音響イベントラベル列１６を記憶部１１３に保存しておいてもよいし、新たな音響信号−状況生成モデル１２、状況−音響イベント生成モデル１３、および音響イベント−音響特徴量モデル１４、状況ラベル列１５、および音響イベントラベル列１６が算出されるたびに、記憶部１１３に上書き保存してもよい。なお、音響信号−状況生成モデル１２、状況ラベル列１５、および音響イベントラベル列１６の算出や保存は必須ではない。

＜状況から音響特徴量が生成される過程の理論的説明＞
本実施例のモデル化部１１２は、逐次的に、音響特徴量列１１_ｋ−ｓ_ｋ（ただし、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ）に対応する音響信号列が状況ｔ（ただし、ｔ＝１，・・・，Ｔ）を生成する確率と、状況ｔが音響イベントｍ（ただし、ｍ＝１，・・・，Ｍ）を生成する確率と、音響イベントｍが音響特徴量を生成する確率を同時に算出し、それぞれを音響信号‐状況生成モデル１２、状況‐音響イベント生成モデル１３、および音響イベント−音響特徴量生成モデル１４とする。つまり、本実施例では、各音響信号が状況の生成確率を規定し、各状況が音響イベントの生成確率を規定し、音響イベントが音響特徴量の生成確率を規定すると考え、これらの関係を生成モデルとして記述する。

モデル化部１１２に入力されるすべての音響特徴量列１_１，・・・，１_Ｋからなる集合である音響特徴量列１を構成する各音響特徴量列１１_ｋ−ｓ_ｋ（ただし、ｋ＝１，・・・，Ｋ、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ）に対応する音響信号が状況ｔ（ただし、ｔ＝１，・・・，Ｔ）を生成する確率の集合θ（例えばＳ×Ｔ行列で表現可能）、各状況ｔ（ただし、ｔ＝１，・・・，Ｔ）が音響イベントｍ（ただし、ｍ＝１，・・・，Ｍ）を生成する確率の集合φ（例えばＴ×Ｍ行列で表現可能）、および各音響イベントｍ（ただし、ｍ＝１，・・・，Ｍ）が音響特徴量を生成する確率Ｐ（μ，Σ）（例えば、Ｍ×Ｄの平均行列とＭ個のＤ×Ｄの精度行列（分散行列の逆行列）で表現可能）が与えられたときの、音響特徴量列１１_ｋの生成確率Ｐ（ｆ｜θ，Φ，μ，Σ，Λ）は以下の通りである。

ただし、Ｓは１以上の整数であり、すべての音響特徴量列１_１，・・・，１_Ｋからなる集合である音響特徴量列１を構成する音響特徴量列１１_ｋ−ｓ_ｋの個数を表す。Ｓ＝Ｓ_１＋Ｓ_２＋・・・＋Ｓ_Ｋを満たす。Ｔは１以上の整数であり、潜在的な状況の種類の数（状況の種類の総数）を表す。Ｍは１以上の整数であり、音響イベントの種類の数（音響イベントの種類の総数）を表す。Ｄは１以上の整数定数であり、音響特徴量の次元数を表す。ｆは音響特徴量列１を構成する音響特徴量を要素とする集合である。θは各音響特徴量列１１_ｋ−ｓ_ｋが状況ｔを生成する確率の集合を表し、例えば、各音響特徴量列１１_ｋ−ｓ_ｋが状況ｔを生成する確率をｓ行ｔ列の要素とするＳ×Ｔ行列で表現できる。φは状況ｔが音響イベントｍを生成する確率の集合を表し、例えば状況ｔが音響イベントｍを生成する確率をｔ行ｍ列の要素とするＴ×Ｍ行列で表現できる。μは音響イベントｍによって発生した音響信号の音響特徴量の平均値μ_ｍからなる列μ_１，・・・，μ_Ｍを表す。例えば、音響イベントｍによって発生した各音響特徴量が複数の要素ｖｃ_ｍｄ（ただし、ｄ＝１，・・・，Ｄ）からなるベクトル（ｖｃ_ｍ１，・・・，ｖｃ_ｍＤ）である場合（Ｄ≧２の場合）、μ_ｍは要素ｖｃ_ｍ１ｄからｖｃ_ｍＥｄ（ただし、ｖｃ_ｍｄ∈｛ｖｃ_ｍ１ｄ，・・・，ｖｃ_ｍＥｄ｝であり、Ｅは音響イベントｍに割り当てられる音響特徴量の数を表す）についてのｖｃ_ｍｄの期待値ｍｅａｎ（ｖｃ_ｍｄ）を要素とするベクトル（ｍｅａｎ（ｖｃ_ｍ１），・・・，ｍｅａｎ（ｖｃ_ｍＤ））である。Σは音響イベントｍによって発生した音響信号の音響特徴量の分散の逆数（精度）Σ_ｍからなる列Σ_１，・・・，Σ_Ｍを表す。例えば、音響イベントｍによって発生した各音響特徴量が複数の要素ｖｃ_ｍｄからなるベクトル（ｖｃ_ｍ１，・・・，ｖｃ_ｍＤ）である場合（Ｄ≧２の場合）、Σ_ｍは要素ｖｃ_ｍ１ｄからｖｃ_ｍＥｄ（ただし、Ｅは音響イベントｍに割り当てられる音響特徴量の数を表す）の分散ｖｅｒ（ｖｃ_ｍｄ）の逆数１／ｖｅｒ（ｖｃ_ｍｄ）を要素とするベクトル（１／ｖｅｒ（ｖｃ_ｍ１），・・・，１／ｖｅｒ（ｖｃ_ｍＤ））である。Λは音響特徴量列１を表す。ｆ_ｓは音響特徴量列１を構成する音響特徴量列１１−ｓを表し、音響特徴量列１１−ｓが含むＮ_ｓ個の音響特徴量からなる列（ベクトル）を表す。Ｎ_ｓは１以上の整数であり、音響特徴量列１１−ｓが含む短時間区間ごとの音響特徴量の個数を表す。言い換えると、Ｎ_ｓは音響特徴量列１１−ｓに含まれる音響特徴量の個数を表す。ただし、ＭＩＮ_１＝１、ＭＡＸ_Ｋ＝Ｓであり、｛音響特徴量列１１−１，・・・，１１−Ｓ｝＝｛音響特徴量列１１_１−ＭＩＮ_１，・・・，１１_１−ＭＡＸ_１，・・・，１１_Ｋ−ＭＩＮ_Ｋ，・・・，１１_Ｋ−ＭＡＸ_Ｋ｝である。

また、音響特徴量列１１−ｓの生成確率Ｐ（ｆ_ｓ）は、例えば、各音響信号が状況を生成する確率θの事前分布（Ｄｉｒｃｈｌｅｔ分布に従うものとする）のパラメータα_０（例えば１．０等の値をとるものとする)、各状況が音響イベントを生成する確率φの事前分布（Ｄｉｒｃｈｌｅｔ分布に従うものとする）のパラメータγ_０（例えば１．０等の値をとるものとする)、各音響イベントにおける音響特徴量の平均の超パラメータβ_０（例えば３．０等の値をとるものとする)，μ_０（Ｄ次元ベクトル。例えばゼロベクトル等のベクトル値をとるものとする）、各音響イベントにおける音響特徴量の精度の超パラメータν_０（例えば音響特徴量の次元数Ｄ＋１．０等の値をとるものとする），Ｂ_０（Ｄ×Ｄ行列。例えば単位行列等を設定ものとする）を用いて以下のように表すことができる。

ただし、ｆ_ｓ，ｉは音響特徴量列１１−ｓに含まれる先頭からｉ番目の短時間区間での音響特徴量を表し、Ｎ_ｓは音響特徴量列１１−ｓに含まれる音響特徴量の個数（短時間区間の個数）を表し、ｚ_ｓ，ｉは音響特徴量列１１−ｓに含まれる先頭からｉ番目の短時間区間での音響特徴量に対応する状況、ｍ_ｓ，ｉは音響特徴量列１１−ｓに含まれる先頭からｉ番目の短時間区間での音響特徴量に対応する音響イベントを表す。θ_ｓは音響特徴量列１１−ｓが何れかの状況ｔ（ただし、ｔ＝１，・・・，Ｔ）を生成する確率を表す。例えば、音響特徴量列１１−ｓが状況ｔを生成する確率θ_ｓｔをｓ行ｔ列の要素とするＳ×Ｔ行列で確率の集合θを表現した場合、θ_ｓはθのｓ行の要素の和で表現できる。φ_ｔは状況ｔが何れかの音響イベントｍ（ｍ＝１，・・・，Ｍ）を生成する確率を表す。例えば、状況ｔが音響イベントｍを生成する確率φ_ｔｍをｔ行ｍ列の要素とするＴ×Ｍ行列で確率の集合φを表現した場合、φ_ｔはφのｔ行の要素の和で表現できる。Ｄｉｒ（・），Ｎ（・），Ｗ（・）は、それぞれ、Ｄｉｒｉｃｈｌｅｔ分布の確率密度関数、Ｎｏｒｍａｌ分布の確率密度関数、Ｗｉｓｈａｒｔ分布の確率密度関数を表す。

ここでＨ’−１次（Ｈ’は２以上の整数）のＤｉｒｉｃｈｌｅｔ分布の確率密度関数Ｄｉｒ（ι｜τ）、およびＤ次のＧａｕｓｓ−Ｗｉｓｈａｒｔ分布の確率密度関数Ｎ（μ｜β_０，μ_０，Σ）Ｗ（Σ｜ν_０，Ｂ_０）は以下の通りである。

ただし、τはτ_ｈ’（ただし、ｈ’＝１，・・・，Ｈ’）からなるパラメータ、ιは確率変数、Γはガンマ関数を表す。（・）^Ｔは（・）の転置を表す。また、

である。また、μ_ｍは音響イベントｍによって発生した音響信号の音響特徴量の平均値を表し、Σ_ｍは音響イベントｍによって発生した音響信号の音響特徴量の分散の逆数（精度）を表す。また、｜Ｂ_０｜は行列Ｂ_０の行列式を表す。

＜生成モデルの算出過程の説明＞
モデル化部１１２は、音響信号が状況を生成する確率と、状況が音響イベントを生成する確率と、音響イベントが音響特徴量を生成する確率とを、入力された音響特徴量列について、入力された音響特徴量列が示す状況ｚ＝ｔ、入力された音響特徴量列が示す音響イベントｍ、各音響特徴量列１１−ｓに対する状況の生成確率θ_ｓ、各状況ｔに対する音響イベントの生成確率φ_ｔ、各音響イベントｍに対する音響特徴量の生成確率を制御するパラメータμ_ｍ，Σ_ｍの同時確率に対する事後確率を最大化することにより算出し、それぞれを音響信号‐状況生成モデル１２、状況‐音響イベント生成モデル１３、および音響イベント−音響特徴量生成モデル１４とする。ただし、ｚは状況ｔ（ｔ＝１，・・・，Ｔ）を表す変数（潜在変数）である。

このような学習には、上記の生成過程に基づいたマルコフ連鎖モンテカルロ法（ＭＣＭＣ法，Ｍａｒｋｏｖ Ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ ｍｅｔｈｏｄｓ）や変分ベイズ法（ＶＢ法，Ｖａｒｉａｔｉｏｎａｌ Ｂａｙｅｓ ｍｅｔｈｏｄｓ）などの手法を用いることができる。ここでは変分ベイズ法による生成モデルのパラメータ算出手法について例示する。

＜生成モデルの算出のための準備＞
確率ｐ（ｆ，ｍ，ｚ，μ，Σ，φ，θ｜α_０，γ_０，μ_０，β_０，ν_０，Ｂ_０）に対するｌｏｇ ｐ（ｆ，ｍ，ｚ，μ，Σ，φ，θ｜α_０，γ_０，μ_０，β_０，ν_０，Ｂ_０）の未知のパラメータｍ，ｚ，μ，Σ，φ，θを確率変数として扱い、音響特徴量列１を構成する音響特徴量を要素とする集合ｆについての対数尤度関数を最大化することを考える。ここでモデルの新たな分布ｑ（ｍ，ｚ，μ，Λ，φ，θ）（以下、「変分事後分布」と呼ぶ）を導入すると、Ｊｅｎｓｅｎの不等式によって、以下のような対数周辺尤度の下限値（Ｌｏｗｅｒ Ｂｏｕｎｄ）Ｌ［ｆ］を求めることができる。

ただし、＜Ｐ（・）＞_ｑ（・）はＰ（・）のｑ（・）に関する期待値を表す。また、「≡」は「≡」の左辺と右辺が等しいと定義することを意味する。

また、上記の式から以下が成り立つ。

よって、以下の関係が成り立つ。
Ｌ（ｆ）＝Ｆ［ｑ］＋ＫＬ（ｑ（ｍ，ｚ，μ，Σ，φ，θ），ｐ（ｍ，ｚ，μ，Σ，φ，θ｜ｆ））
ただし、ＫＬ（・）は、ＫＬはダイバージェンスを表す。

上記の関係より、下限値Ｆ［ｑ］を最大化することは、ｑ（ｍ，ｚ，μ，Σ，φ，θ）とｐ（ｍ，ｚ，μ，Σ，φ，θ｜ｆ）とのＫＬダイバージェンスを最小化することと等価であることがわかる。言い換えると、下限値Ｆ［ｑ］を最大化する変分事後分布ｑ（ｍ，ｚ，μ，Σ，φ，θ）は、真の事後分布ｐ（ｍ，ｚ，μ，Σ，φ，θ｜ｆ）の最良近似となる。ここで，変分事後分布についてｑ（ｍ，ｚ，μ，Σ，φ，θ）＝ｑ（ｍ，ｚ）ｑ（μ，Σ，φ，θ）を仮定する。すると、下限値Ｆ［ｑ］は以下のように変形できる。

まず、ｑ（ｍ，ｚ）＝ｑ（ｍ｜ｚ）ｑ（ｚ）とし、下限値Ｆ［ｑ］を最大化するｍ，ｚ（隠れ変数に相当）の変分事後分布の導出を行う。Ｆ［ｑ］はｑ（ｚ）について上に凸である。ｚに依存しない項を定数項とみなすと、Ｆ［ｑ］を最大化するｚの変分事後分布ｑ（ｚ）は以下を満たす。

このような変分事後分布ｑ（ｚ）をラグランジュの未定乗数法などを用いて導出するとｑ（ｚ）は多項分布の積で表現可能であることがわかる。そこで、ｑ（ｚ）のパラメータｒ_ｓｎｔを導入する。すると、ｑ（ｚ）は以下のように表現できる。

ただし、ｚ_ｓｎｔは音響特徴量列１１−ｓに含まれる先頭からｎ番目の音響特徴量が状況ｔに対応する場合に１となり、そうでない場合に０となる。

同様に、下限値Ｆ［ｑ］を最大化するｍの変分事後分布ｑ（ｍ｜ｚ）を導出すると、ｑ（ｍ｜ｚ）は多項分布の積で表現可能であることが分かる。そこで、ｑ（ｍ｜ｚ）のパラメータｕ_ｓｎｍを導入する。すると、ｑ（ｍ｜ｚ）は以下のように表現できる。

ただし、ｙ_ｓｎｍは音響特徴量列１１−ｓに含まれる先頭からｎ番目の音響特徴量が音響イベントｍに対応する場合に１となり、そうでない場合に０となる。

次に、ｑ（μ，Σ，φ，θ）＝ｑ（φ）ｑ（θ）ｑ（μ｜Σ）ｑ（Σ）と仮定し、同様に下限値Ｆ［ｑ］を最大化するパラメータμ，Σ，φ，θの変分事後分布を導出する。
下限値Ｆ［ｑ］を最大化するパラメータθの変分事後分布ｑ（θ_ｓ）は、以下の形のディリクレ分布となる。

ただし、

である。また、θ_ｓｔは音響信号ｓが状況ｔを生成する確率を表し、Ｃ_θｓはｑ（θ_ｓ）の規格化定数である（例えば、ｑ（θ_ｓ）のθ_ｓについての全空間積分値を１とするための規格化定数）。

下限値Ｆ［ｑ］を最大化するパラメータφの変分事後分布ｑ（φ_ｔ）は、以下の形のディリクレ分布となる。

ただし、

であり、Ｃ_φｔはｑ（φ_ｔ）の規格化定数である（例えば、ｑ（φ_ｔ）のφ_ｔについての全空間積分値を１とするための規格化定数）。

下限値Ｆ［ｑ］を最大化するμ_ｍの変分事後分布ｑ（μ_ｍ｜Σ_ｍ）は以下のようになる。

つまり、ｑ（μ_ｍ｜Σ_ｍ）は平均がμ_ｍ、共分散がβ_ｍΣ_ｍのガウス分布であることが分かる。なお、μ_ｍ，μ_０はＤ次元の縦ベクトルである。また、ｆ_ｓｎは音響特徴量列１１−ｓが含む短時間区間ごとのｎ番目（ただし、ｎ＝１，・・・，Ｎ_ｓ）の音響特徴量を表す。すなわち、ｆ_ｓ＝｛ｆ_ｓ１，・・・，ｆ_ｓＮｓ｝の関係を満たす。

さらに、下限値Ｆ［ｑ］を最大化するΣ_ｍの変分事後分布ｑ（Σ_ｍ）は以下の様に記述可能である。

ただし、以下を満たす。

ｆ⁻ _ｓｎはＤ次元の縦ベクトルである。また、Ｔｒ（・）は行列（・）のトレースを表す。以上より、ｑ（Σ_ｍ）はν_０およびＢ_ｍをパラメータとするＷｉｓｈａｒｔ分布であることが分かる。

以上によって下限値Ｆ［ｑ］を最大化するパラメータμ，Σ，φ，θの変分事後分布ｑ（μ，Σ，φ，θ）が導出できたので、再び、隠れ変数ｍ，ｚの変分事後分布の導出に戻り、パラメータｒ_ｓｎｔおよびｕ_ｓｎｍを導出する。まず、Ｆ［ｑ］を最大化する（例えば、変分事後分布ｑ（ｚ）のｚについての全空間積分値が１であるとの制約条件のもとで）ｑ（ｚ）は以下のようになる。

ただし、Ｃ_ｚはｑ（ｚ）の規格化定数である（例えば、ｑ（ｚ）のｚについての全空間積分値を１とするための規格化定数）。

ここで以下の関係を満たす。

また、Ψはディガンマ関数を表す。

同様に以下の関係を満たす。

よって最終的に、式（１）のパラメータｒ_ｓｎｔは以下のように表現できる。

ただし、

である。

また、Ｆ［ｑ］を最大化する（例えば、変分事後分布ｑ（ｍ｜ｚ）のｍについての全空間積分値が１であるとの制約条件のもとで）ｑ（ｍ｜ｚ）は以下のようになる。

ただし、Ｃ_ｍ，ｚはｑ（ｍ，ｚ）の規格化定数である（例えば、ｑ（ｍ，ｚ）の（ｍ，ｚ）についての全空間積分値を１とするための規格化定数）。

この各項をｚの変分事後分布ｑ（ｚ）の場合と同様に算出していくと、以下のようになる。

最終的に、式（２）のパラメータｕ_ｓｎｍは以下のように表現できる。

ただし、

である。

以上のようにパラメータμ，Σ，φ，θおよび潜在変数ｍ，ｚを更新することで、下限値Ｆ［ｑ］を最大化する変分事後分布ｑ（ｍ，ｚ，μ，Σ，φ，θ）を得ることができる。つまり、ある時刻における生成モデルを推定する際は、パラメータμ，Σ，φ，θおよび潜在変数ｍ，ｚを上述に沿って更新すればよい。

ただし、本実施例では、すべての音響特徴量列１を一度に用いるのではなく、逐次的に入力される音響特徴量列１_ｋから生成モデルを算出する。そのために、過去の時点の音響特徴量列に対する、状況が音響イベントを生成する確率を考慮しつつも、逐次的に得られる音響信号に対して、効率的に生成モデルを算出するための処理を行う。すなわち、過去の時点の音響特徴量列に対して得られた生成モデルのパラメータと逐次的に得られる音響特徴量列に対して得られるパラメータとの重み付け和を新たなパラメータとして更新する。ここで、更新のための重み係数ρ_ｋは、例えば以下の式（３）または式（４）のように設定する。
ρ_ｋ＝κ （３）
ρ_ｋ＝（τ_０＋ｋ）^−κ （４）
ただし、κは正の忘却係数（κ∈（０．５，１．０］等）を表し、τ_０は更新の時間重みを制御するパラメータ（τ_０≧０等）を表し、ｋは時間インデックスを表す。

本実施例では、以上の点を考慮し、音響信号‐状況生成モデル１２、状況‐音響イベント生成モデル１３、音響イベント−音響特徴量生成モデル１４、状況ラベル列１５、および音響イベントラベル列１６を算出する。

［生成モデル算出の流れ］
モデル化部１１２の初期化部１１２１は、状況が音響イベントを生成する確率に対応する第１の状況−音響イベントパラメータ（γ_ｔｍ ^（ｋ））、および音響イベントが音響特徴量を生成する確率に対応する第１の音響イベント−音響特徴量パラメータ（μ_ｍ ^（ｋ），Ｂ_ｍ ^（ｋ），ｇ_μｍ ^（ｋ），Σ_μｍ ^（ｋ））を初期化する。更新部１１２２は、第１の状況−音響イベントパラメータ（γ_ｔｍ ^（ｋ））と、入力された音響特徴量列（１_ｋ）に応じて第１の状況−音響イベントパラメータ（γ_ｔｍ ^（ｋ））を更新して得られる第２の状況−音響イベントパラメータ（γ^〜 _ｔｍ ^（ｋ））と、の重み付け和を第３の状況−音響イベントパラメータ（γ_ｔｍ ^{（ｋ＋１）}）として得、音響特徴量列１_ｋに応じて第１の音響イベント−音響特徴量パラメータ（μ_ｍ ^（ｋ），Ｂ_ｍ ^（ｋ），ｇ_μｍ ^（ｋ），Σ_μｍ ^（ｋ））を更新して第２の音響イベント−音響特徴量パラメータ（μ_ｍ ^{（ｋ＋１）}，Ｂ_ｍ ^{（ｋ＋１）}，ｇ_μｍ ^{（ｋ＋１）}，Σ_μｍ ^{（ｋ＋１）}）を得る。ただし、下付け添え字の「μｍ」は「μ_ｍ」を表す。制御部１１２３は、更新部１１２２に入力される音響特徴量列１_ｋを逐次的に更新し、第３の状況−音響イベントパラメータ（γ_ｔｍ ^{（ｋ＋１）}）を第１の状況−音響イベントパラメータ（γ_ｔｍ ^（ｋ））とし、かつ、第２の音響イベント−音響特徴量パラメータ（μ_ｍ ^{（ｋ＋１）}，Ｂ_ｍ ^{（ｋ＋１）}，ｇ_μｍ ^{（ｋ＋１）}，Σ_μｍ ^{（ｋ＋１）}）を第１の音響イベント−音響特徴量パラメータ（μ_ｍ ^（ｋ），Ｂ_ｍ ^（ｋ），ｇ_μｍ ^（ｋ），Σ_μｍ ^（ｋ））として、更新部１１２２の処理を再び実行させることを繰り返す。モデル出力部１１２４は、更新部１１２２で得られる第３の状況−音響イベントパラメータ（γ_ｔｍ ^{（ｋ＋１）}）に対応する状況−音響イベント生成モデル、および第２の音響イベント−音響特徴量パラメータ（μ_ｍ ^{（ｋ＋１）}，Ｂ_ｍ ^{（ｋ＋１）}，ｇ_μｍ ^{（ｋ＋１）}，Σ_μｍ ^{（ｋ＋１）}）に対応する音響イベント−音響特徴量生成モデルを出力する。

本実施例では、初期化部１１２１が、さらに、音響特徴量列（１_ｋ）の各時点（ｎ）での各音響イベント（ｍ）の確率に対応する第１の音響イベントパラメータ（Ｕ_ｓｋｎｍ ^（ｋ））、および音響特徴量列（１_ｋ）の各時点（ｎ）での各状況（ｔ）の確率に対応する第１の状況パラメータ（Ｒ_ｓｋｎｔ ^（ｋ））を初期化する。ただし、下付け添え字の「ｓｋｎｍ」は「ｓ_ｋｎｍ」を表し、下付け添え字の「ｓｋｎｔ」は「ｓ_ｋｎｔ」を表す。また、上付き添え字の「（ｋ）」は下付き添え字の真上に記載すべきであるが、記載表記の制約上、下付き添え字の右上に記載している。下付き添え字の右上に記載した（ｋ）は下付き添え字の真上に記載した（ｋ）（ただし、ｋ＝０，・・・，Ｋ）と同義である。また、更新部１１２２の第１更新部１１２２ａは、音響特徴量列（１_ｋ）および第１の音響イベント−音響特徴量パラメータ（μ_ｍ ^（ｋ），Ｂ_ｍ ^（ｋ），ｇ_μｍ ^（ｋ），Σ_μｍ ^（ｋ））に基づいて、第１の音響イベントパラメータ（Ｕ_ｓｋｎｍ ^（ｋ））を更新して第２の音響イベントパラメータ（Ｕ_ｓｋｎｍ ^{（ｋ＋１）}）を得る。第２更新部１１２２ｂは、第１の音響イベント−音響特徴量パラメータ（μ_ｍ ^（ｋ），Ｂ_ｍ ^（ｋ），ｇ_μｍ ^（ｋ），Σ_μｍ ^（ｋ））に基づいて、第１の状況パラメータ（Ｒ_ｓｋｎｔ ^（ｋ））を更新して第２の状況パラメータ（Ｒ_ｓｋｎｔ ^{（ｋ＋１）}）を得る。また、第３更新部１１２２ｃは、第２の状況パラメータ（Ｒ_ｓｋｎｔ ^{（ｋ＋１）}）に基づいて、音響特徴量列（１_ｋ）を構成する各音響特徴量列（１１_ｋ−ｓ_ｋ）が状況（ｔ）を生成する確率に対応するパラメータ（α_ｓｋｔ ^{（ｋ＋１）}）を得る。ただし、下付け添え字の「ｓｋｔ」は「ｓ_ｋｔ」を表す。第４更新部１１２２ｄは、第１の状況−音響イベントパラメータ（γ_ｔｍ ^（ｋ））と、第２の音響イベントパラメータ（Ｕ_ｓｋｎｍ ^{（ｋ＋１）}）および第２の状況パラメータ（Ｒ_ｓｋｎｔ ^{（ｋ＋１）}）に基づいて得られる第２の状況−音響イベントパラメータ（γ^〜 _ｔｍ ^（ｋ））とから、第３の状況−音響イベントパラメータ（γ_ｔｍ ^{（ｋ＋１）}）を得る。さらに第４更新部１１２２ｄは、音響特徴量列（１_ｋ）、第２の音響イベントパラメータ（Ｕ_ｓｋｎｍ ^{（ｋ＋１）}）および第２の状況パラメータ（Ｒ_ｓｋｎｔ ^{（ｋ＋１）}）に基づいて、第２の音響イベント−音響特徴量パラメータ（μ_ｍ ^{（ｋ＋１）}，Ｂ_ｍ ^{（ｋ＋１）}，ｇ_μｍ ^{（ｋ＋１）}，Σ_μｍ ^{（ｋ＋１）}）を得る。制御部１１２３は、更新部１１２２の処理を再び実行させる際に、第２の音響イベントパラメータ（Ｕ_ｓｋｎｍ ^{（ｋ＋１）}）を第１の音響イベントパラメータ（Ｕ_ｓｋｎｍ ^（ｋ））とし、かつ、第２の状況パラメータ（Ｒ_ｓｋｎｔ ^{（ｋ＋１）}）を第１の状況パラメータ（Ｒ_ｓｋｎｔ ^（ｋ））とする。なお、以下では、更新部１１２２の処理の繰り返し回数（ｋ）が多いほど、上記の重み付け和における第２の状況−音響イベントパラメータ（γ^〜 _ｔｍ ^（ｋ））の重みを小さくする。さらに、更新部１１２が解析部１１２５を有する場合には、例えば、解析部１１２５が、第２の状況パラメータ（Ｒ_ｓｋｎｔ ^{（ｋ＋１）}）から得られる状況の推定情報（状況ラベル列１５）、および、第２の音響イベントパラメータ（Ｕ_ｓｋｎｍ ^{（ｋ＋１）}）から得られる音響イベントの推定情報（音響イベントラベル列１６）の少なくとも一方を出力してもよい。

以下、図２を用いてこれらの処理の具体例を示す。
（ｉ）初期化部１１２１は、事前分布の超パラメータα_０，γ_０，β_０，μ_０，ν_０，Ｂ_０，τ_０および更新のための忘却係数κを設定し、それらを用い、各変分事後分布の超パラメータγ_ｔｍ ^（ｋ），Ｎ_ｔｍ ^（ｋ），Ｎ_ｍ ^（ｋ），μ_ｍ ^（ｋ），ν_ｍ ^（ｋ），Ｂ_ｍ ^（ｋ），ｇ_μｍ ^（ｋ），Σ_μｍ ^（ｋ）および重み係数ρ_ｋを以下のように初期化し、ｋ＝０とする（ステップＳ１０１）。

（ｉ−１）ｔ＝１，・・・，Ｔおよびｍ＝１，・・・，Ｍについて、
γ_ｔｍ ^（０）＝γ_０
Ｎ_ｔｍ ^（０）＝Ｎ／（Ｔ×Ｍ）
Ｎ_ｍ ^（０）＝Ｎ／Ｍ
μ_ｍ ^（０）＝μ_０
ν_ｍ ^（０）＝ν_０
Ｂ_ｍ ^（０）＝Ｂ_０

と初期化する。

（ｉ−２）ｋ＝０について、
ρ_０＝（τ_０）^−κ
と初期化する。

（ｉｉ）制御部１１２３は、音響特徴量列１_１，・・・，１_Ｋの一部である音響特徴量列１_ｋをモデル化部１１２に入力させる（ステップＳ１０２）。

（ｉｉ−０）初期化部１１２１は、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ、ｎ＝１，・・・，Ｎ_ｓｋ、ｔ＝１，・・・，Ｔ、およびｍ＝１，・・・Ｍについて、

と初期化する（ステップＳ１０３）。ただし、Ｎ_ｓｋは１以上の整数であり、音響特徴量列１１_ｋ−ｓ_ｋが含む短時間区間ごとの音響特徴量の個数を表す。ただし、「Ｎ_ｓｋ」の下付き添え字の「ｓｋ」は「ｓ_ｋ」を表す。

（ｉｉ−１）制御部１１２３は、更新部１１２２に音響特徴量列１_ｋを入力し、以下の（ｉｉ−１−１）、（ｉｉ−１−２）、および（ｉｉ−１−３）を、終了条件を満たすまで繰り返し実行させる。終了条件の例は、（ｉｉ−１−１）、（ｉｉ−１−２）、および（ｉｉ−１−３）を規定の回数（正値、例えば１〜３０００回程度）繰り返すこと、または、所望の結果が得られこと（例えば、更新の前後において、ｔに対するγ_ｓｋｎｔの変化が一定の閾値（例えば０．０１％）以下になること等）である。

（ｉｉ−１−１）第１更新部１１２２ａは、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ、ｎ＝１，・・・，Ｎ_ｓｋ、およびｍ＝１，・・・Ｍについて、ν_０，Ｎ_ｍ ^（ｋ），Ｂ_ｍ ^（ｋ），ν_ｍ ^（ｋ），ｇ_μｍ ^（ｋ），Σ_μｍ ^（ｋ），μ_ｍ ^（ｋ），Ｒ_ｓｋｎｔ ^（ｋ），γ_０，Ｎ_ｔｍ ^（ｋ）、および音響特徴量列１１_ｋ−ｓ_ｋのｎ番目の音響特徴量ｆ_ｓｋｎを入力とし、以下のように潜在変数の事後分布を更新し、新たなｕ_ｓｋｎｍ ^（ｋ）およびＵ_ｓｋｎｍ ^（ｋ）（音響イベントパラメータ）を出力する。なお、各演算の順序に制約はなく、各入力に対応する出力が得られるのであれば、どのような順序で演算が行われてもよい。以降のその他の演算についても同様である。

ただし、ｕ_ｓｋｎｍ ^（ｋ）およびＵ_ｓｋｎｍ ^（ｋ）の下付き添え字「ｓｋｎｍ」は「ｓ_ｋｎｍ」を表す。ｆ_ｓｋｎの下付き添え字「ｓｋｎ」は「ｓ_ｋｎ」を表す。以後の処理で用いられるｕ_ｓｋｎｍ ^（ｋ）およびＵ_ｓｋｎｍ ^（ｋ）は、これらの新たなｕ_ｓｋｎｍ ^（ｋ）およびＵ_ｓｋｎｍ ^（ｋ）である（ステップＳ１０４）。

（ｉｉ−１−２）次に、第２更新部１１２２ｂは、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ、ｎ＝１，・・・，Ｎ_ｓｋ、およびｔ＝１，・・・Ｔについて、Ｕ_ｓｋｎｍ ^（ｋ），γ_０，Ｎ_ｔｍ ^（ｋ），α_０，Ｎ_ｓｋｍを入力とし、以下のように潜在変数の事後分布を更新し、新たなｒ_ｓｋｎｔ ^（ｋ）およびＲ_ｓｋｎｔ ^（ｋ）（状況パラメータ）を得て出力する。

ただし、ｒ_ｓｋｎｔ ^（ｋ）およびＲ_ｓｋｎｔ ^（ｋ）の下付き添え字「ｓｋｎｔ」は「ｓ_ｋｎｔ」を表す。Ｎ_ｓｋｔ ^（ｋ）の下付き添え字「ｓｋｔ」は「ｓ_ｋｔ」を表す。以後の処理で用いられるｒ_ｓｋｎｔ ^（ｋ）およびＲ_ｓｋｎｔ ^（ｋ）は、これらの新たなｒ_ｓｋｎｔ ^（ｋ）およびＲ_ｓｋｎｔ ^（ｋ）である（ステップＳ１０５）。

（ｉｉ−１−３）次に、第３更新部１１２２ｃは、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ、ｎ＝１，・・・，Ｎ_ｓｋ、およびｔ＝１，・・・Ｔについて、Ｒ_ｓｋｎｔ ^（ｋ）およびα_０を入力とし、以下のようにパラメータの変分事後分布を更新し、新たなＮ_ｓｋｔ ^（ｋ）およびα_ｓｋｔ ^（ｋ）を得て出力する。

ただし、Ｎ_ｓｋｔ ^（ｋ）およびα_ｓｋｔ ^（ｋ）の下付き添え字「ｓｋｔ」は「ｓ_ｋｔ」を表す。以後の処置で用いられるＮ_ｓｋｔ ^（ｋ）およびα_ｓｋｔ ^（ｋ）は、これらの新たなＮ_ｓｋｔ ^（ｋ）およびα_ｓｋｔ ^（ｋ）である（ステップＳ１０６）。

次に、制御部１１２３は、前述の終了条件を満たすかを判定する（ステップＳ１０７）。前述の終了条件を満たさないと判定した場合、制御部１１２３は、処理をステップＳ１０４に戻す。前述の終了条件を満たす判定した場合、制御部１１２３は、

とみなし、処理をステップＳ１０８に進める。

（ｉｉ−２）ステップＳ１０８では、第４更新部１１２２ｄが、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ、ｎ＝１，・・・，Ｎ_ｓｋ、ｔ＝１，・・・Ｔ、およびｍ＝１，・・・Ｍについて、以下のように変分事後分布を更新する。まず、第４更新部１１２２ｄは、Ｕ_ｓｋｎｍ ^{（ｋ＋１）}およびＲ_ｓｋｎｔ ^{（ｋ＋１）}を入力とし、以下のようにＮ_ｔｍ ^{（ｋ＋１）}，γ_ｔｍ ^{（ｋ＋１）}（状況−音響イベントパラメータ）を得て出力する。

ただし、Ｓ_ｋ＝ＭＡＸ_ｋ−ＭＩＮ_ｋ＋１である。

次に、第４更新部１１２２ｄは、Ｎ_ｔｍ ^{（ｋ＋１）}，Ｕ_ｓｋｎｍ ^{（ｋ＋１）}，Ｒ_ｓｋｎｔ ^{（ｋ＋１）}，ｕ_ｓｋｎｍ ^{（ｋ＋１）}，ｒ_ｓｋｎｔ ^{（ｋ＋１）}，β_０，μ_０，ν_０，Ｂ_０および音響特徴量列１１_ｋ−ｓ_ｋのｎ番目の音響特徴量ｆ_ｓｋｎを入力とし、以下のようにμ_ｍ ^{（ｋ＋１）}，Ｂ_ｍ ^{（ｋ＋１）}，ｇ_μｍ ^{（ｋ＋１）}，Σ_μｍ ^{（ｋ＋１）}，ν_ｍ ^{（ｋ＋１）}（音響イベント−音響特徴量パラメータ）を得て出力する。

（ｉｉｉ）次にモデル出力部１１２４は、上述のように得られたパラメータα_ｓｋｔ ^{（ｋ＋１）}（式（５））に対応する音響信号−状況生成モデル１２、パラメータλ_ｔｍ ^{（ｋ＋１）}（式（８））に対応する状況−音響イベント生成モデル１３、およびパラメータμ_ｍ ^{（ｋ＋１）}，Ｂ_ｍ ^{（ｋ＋１）}，ｇ_μｍ ^{（ｋ＋１）}，Σ_μｍ ^{（ｋ＋１）}（式（９）〜（１２））に対応する音響イベント−音響特徴量生成モデル１４を生成して出力する（ステップＳ１０９）。例えば、モデル出力部１１２４は、音響信号−状況生成モデル１２として以下の式（１３）を得て出力し、状況−音響イベント生成モデル１３として以下の式（１４）を得て出力し、音響イベント−音響特徴量生成モデル１４として以下の式（１５）を得て出力する。

また、モデル化部１１２が解析部１１２５を備える場合、解析部１１２５が、上述のように得られたパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}（式（７））から状況の推定情報である状況ラベル列１５を得て出力してもよいし、パラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}（式（６））から音響イベントの推定情報である音響イベントラベル列１６を得て出力してもよい（ステップＳ１１０）。これにより、音響特徴量列１_ｋがどの状況や音響イベントにより生成されたものかを分析することが可能となる。

例えば、各（ｓ_ｋ，ｎ）についてパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}（式（７））を最大化する状況ｔ（ただし、ｔ＝１，・・・，Ｔ）を各音響特徴量列１１_ｋ−ｓ_ｋにおけるｎ番目の短時間区間での状況ｔと推定し、各（ｓ_ｋ，ｎ）について推定された状況ｔの列を状況ラベル列１５として出力してもよい。或いは、パラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}を最大化するｔのみならず、各（ｓ_ｋ，ｎ）について大きい順に複数個のパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}を選択し、選択したパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}に対応する状況ｔ（ただし、ｔ＝１，・・・，Ｔ）を各音響特徴量列１１_ｋ−ｓ_ｋにおけるｎ番目の短時間区間での状況ｔと推定し、それらを状況ラベル列１５として出力してもよい。或いは、各（ｓ_ｋ，ｎ）についてパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}が閾値を超えるパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}を選択し、選択したパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}に対応する状況ｔ（ただし、ｔ＝１，・・・，Ｔ）を各音響特徴量列１１_ｋ−ｓ_ｋにおけるｎ番目の短時間区間での状況ｔと推定し、それらを状況ラベル列１５として出力してもよい。また、各ｋについてそれぞれ状況ラベル列１５を出力するのではなく、（ｓ_ｋ，ｎ）についてパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}がこれまでで最大であった場合のみに、その（ｓ_ｋ，ｎ）について状況ラベル列１５を出力してもよい。或いは、（ｓ_ｋ，ｎ）についてパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}がこれまでの最大値から所定番目までであった場合や閾値を超える場合にのみ、その（ｓ_ｋ，ｎ）について状況ラベル列１５を出力してもよい。

同様に、例えば、各（ｓ_ｋ，ｎ）についてパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}（式（６））を最大化する音響イベントｍ（ただし、ｍ＝１，・・・，Ｍ）を各音響特徴量列１１_ｋ−ｓ_ｋにおけるｎ番目の短時間区間での音響イベントｍと推定し、各（ｓ_ｋ，ｎ）について推定された音響イベントｍの列を音響イベントラベル列１６として出力してもよい。或いは、パラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}を最大化するｍのみならず、各（ｓ_ｋ，ｎ）について大きい順に複数個のパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}を選択し、選択したパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}に対応する音響イベントｍ（ただし、ｍ＝１，・・・，Ｍ）を各音響特徴量列１１_ｋ−ｓ_ｋにおけるｎ番目の短時間区間での音響イベントｍと推定し、それらを音響イベントラベル列１６として出力してもよい。或いは、各（ｓ_ｋ，ｎ）についてパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}が閾値を超えるパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}を選択し、選択したパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}に対応する音響イベントｍ（ただし、ｍ＝１，・・・，Ｍ）を各音響特徴量列１１_ｋ−ｓ_ｋにおけるｎ番目の短時間区間での音響イベントｍと推定し、それらを音響イベントラベル列１６として出力してもよい。また、各ｋについてそれぞれ音響イベントラベル列１６を出力するのではなく、（ｓ_ｋ，ｎ）についてパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}がこれまでで最大であった場合のみに、その（ｓ_ｋ，ｎ）について音響イベントラベル列１６を出力してもよい。或いは、（ｓ_ｋ，ｎ）についてパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}がこれまでの最大値から所定番目までであった場合や閾値を超える場合にのみ、その（ｓ_ｋ，ｎ）について音響イベントラベル列１６を出力してもよい。

以上のように出力された音響信号−状況生成モデル１２、状況−音響イベント生成モデル１３、音響イベント−音響特徴量生成モデル１４、状況ラベル列１５、音響イベントラベル列１６は、記憶部１１３に格納される。なお、前述のように、音響信号−状況生成モデル１２、状況ラベル列１５、および音響イベントラベル列１６の算出や保存は必須ではない。

次に、制御部１１２３は、ｋ＝Ｋであるか（入力されたのが最後の音響特徴量列１_Ｋであるか）を判定する（ステップＳ１１１）。ｋ＝Ｋでなければ、制御部１１２３は、ｋ＋１を新たなｋとし（ステップＳ１１２）、ρ_ｋ＝（τ_０＋ｋ）^−κによって重み係数ρ_ｋを更新して（ステップＳ１１３）、処理をステップＳ１０２に戻す。一方、ｋ＝Ｋであれば処理を終了する。

＜本実施例の特徴＞
本実施例では、逐次的に得られた音響特徴量列を用い、それらに対応する音響信号列が状況を生成する確率や状況が音響イベントを生成する確率のみでなく、音響イベントが音響特徴量列を生成する確率を同時にモデルに組み込んだ。これにより、音響イベント間の類似度を精度良くモデルに組み込むことが可能となり、精度の高いモデル化が可能となる。

また、本実施例のモデル処理装置１１０をモデル推定器として捉えた場合、例えば、状況‐音響イベント生成モデル１３および音響イベント−音響特徴量生成モデル１４の出力（およびそれらに対応するパラメータの更新部１１２２への再入力）が必須となる。一方で、本実施例のモデル処理装置１１０を状況及び音響イベント推定器として捉えた場合には、例えば、状況ラベル列１５および音響イベントラベル列１６の少なくとも一方の出力が必須となる。

なお、上述の説明では、各ｋについてステップＳ１０９やＳ１１０を実行する例を示したがこれは本発明を限定しない。すなわち、ステップＳ１１１でｋ＝Ｋであると判定されるまではステップＳ１０９やＳ１１０の処理を実行せず、ステップＳ１１１でｋ＝Ｋであると判定されてから、各ｋについてステップＳ１０９やＳ１１０の処理をまとめて実行してもよいし、一部のｋのみについてステップＳ１０９やＳ１１０の処理を実行してもよい。例えば、ｋ＝ＫのみについてステップＳ１０９やＳ１１０の処理を実行してもよい。或いは、また、各（ｓ_ｋ，ｎ）について最大のパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}のみについて、その（ｓ_ｋ，ｎ）について状況ラベル列１５を出力してもよい。或いは、各（ｓ_ｋ，ｎ）について最大値から所定番目までのパラメータＲ_ｓｋｎｔ ^{（ｋ＋１）}のみまたは所定の閾値以上のＲ_ｓｋｎｔ ^{（ｋ＋１）}のみについて、それらの（ｓ_ｋ，ｎ）について状況ラベル列１５を出力してもよい。同様に、各（ｓ_ｋ，ｎ）について最大のパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}のみについて、その（ｓ_ｋ，ｎ）について音響イベントラベル列１６を出力してもよい。或いは、各（ｓ_ｋ，ｎ）について最大値から所定番目までのパラメータＵ_ｓｋｎｍ ^{（ｋ＋１）}のみまたは所定の閾値以上のＵ_ｓｋｎｍ ^{（ｋ＋１）}のみについて、それらの（ｓ_ｋ，ｎ）について音響イベントラベル列１６を出力してもよい。

［実施例１−２］
実施例１−２では、逐次的に入力された音響信号列を用い、学習処理によって、状況−音響イベント生成モデル１３、および音響イベント−音響特徴量生成モデル１４を生成する。さらに、音響信号−状況生成モデル１２、状況ラベル列１４、音響イベントラベル列１６を生成してもよい。ただし、モデル化部１１２が、音響信号−状況生成モデル１２や状況ラベル列１４や音響イベントラベル列１６を生成することは必須ではない。以降、同一のものには同じ参照符号を付し、説明は繰り返さない。

図２に例示するように、本実施例のモデル処理装置１２０は、音響特徴量算出部１２１、音響イベント列合成部１１１、モデル化部１１２、及び記憶部１１３を有する。モデル処理装置１２０は、例えば、汎用又は専用のコンピュータに所定のプログラムが読み込まれることで構成される。

まず音響特徴量算出部１２１に、音響信号列の集合１０_ｋが逐次的に入力される。ただし、音響信号列の集合１０_ｋは、単数個または複数個の音響信号列１０_ｋ−ＭＩＮ_ｋ，１０_ｋ−（ＭＩＮ_ｋ＋１），・・・，１０_ｋ−ＭＡＸ_ｋから構成される。すなわち、音響特徴量算出部１２１には、時系列に沿った音響信号列の集合１０_０，・・・，１０_Ｋの一部である音響信号列の集合１１_ｋが逐次的に入力される。音響信号列の集合１０_ｋを構成する各音響信号列１０_ｋ−ｓ_ｋ（ただし、ｓ_ｋ＝ＭＩＮ_ｋ，・・・，ＭＡＸ_ｋ）は、短時間区間ごとの音響信号を時系列方向（例えば、時系列順）につなぎ合わせた列であり、単一または複数の音響信号を含む。

音響特徴量算出部１２１は、各音響信号列１０_ｋ−ｓ_ｋから、音響特徴量列（ベクトル）を逐次的に算出して出力する。例えば音響特徴量算出部１２１は、入力された音響信号列１０_ｋ−ｓ_ｋに対し、前述の短時間区間ごとに、音圧レベル、音響パワー、ＭＦＣＣ（Mel-Frequency Cepstrum Coefficient）特徴量、ＬＰＣ（Linear Predictive Coding）特徴量などを算出し、これらを音響特徴量列１１_ｋ−ｓ_ｋとして出力する。さらに立ち上がり特性、調波性、時間周期性などの音響特徴量が音響特徴量列に加えられてもよい。

得られた音響特徴量列１１_ｋ−ＭＩＮ_ｋ，・・・，１１_ｋ−ＭＡＸ_ｋからなる音響特徴量列の集合１１_ｋは、音響特徴量列合成部１１１に入力される。以降の処理は、実施例１−１と同じである。なお、音響特徴量算出部１２１が各音響信号列１０_ｋ−ｓ_ｋから音響特徴量列を算出する前に、音響信号列１０_ｋ−ＭＩＮ_ｋ，１０_ｋ−（ＭＩＮ_ｋ＋１），・・・，１０_ｋ−ＭＡＸ_ｋを時系列順につなぎ合わせて１個の音響信号列１_ｋを得、各音響信号列１０_ｋ−ｓ_ｋから音響特徴量列を算出することに代えて、音響信号列１_ｋから音響特徴量列を算出することで音響特徴量列１_ｋを得てもよい。このように得られた音響特徴量列１_ｋは、モデル化部１１２に入力され、それ以降、実施例１−１と同じ処理が実行される。

［実施例２−１］
実施例２−１では、実施例１−１で説明したように得られた状況−音響イベント生成モデル１３および音響イベント−音響特徴量生成モデル１４を用い、新たに入力された音響信号列から状況を推定する。

図４に例示するように、本形態のモデル処理装置２１０は、記憶部２１３及び生成モデル比較部２１１を有する。生成モデル比較部２１１は、例えば、音響イベント推定部２１１ａおよび比較部２１１ｂを有する。モデル処理装置２１０は、例えば、汎用又は専用のコンピュータに所定のプログラムが読み込まれることで構成される。また記憶部２１３には、実施例１−１で説明したように得られた状況−音響イベント生成モデル１３および音響イベント−音響特徴量生成モデル１４が格納されている。

図５に例示するように、音響イベントの種類の総数Ｍ、状況の種類の総数Ｔ、音響特徴量列２１（第２の音響特徴量列）が生成モデル比較部２１１に入力される（ステップＳ２１１）。音響特徴量列２１は、１個の音響特徴量または２個以上の音響特徴量を時系列方向（例えば、時系列順）につなぎ合わせた列である。実施例１−１で説明したように、各音響特徴量は、短時間区間ごとの音響信号から得られたものである。各音響特徴量は複数個の要素からなるベクトルであってもよいし、単数の要素からなるスカラーであってもよい。生成モデル比較部２１１は、例えば、入力された情報を用い、音響特徴量列２１と、状況−音響イベント生成モデル１３とを比較し、最も近いと判断された状況、若しくは近いと判断された状況から複数個、またはある尤度よりも高いと判断された状況を判定結果として出力する。また、生成モデル比較部２１１が、音響特徴量列２１と音響イベント−音響特徴量生成モデル１４とを用い、音響特徴量列２１に対応する音響イベント列を推定して出力してもよい。以下に、生成モデル比較部２１１の処理を例示する。

まず、生成モデル比較部２１１の音響イベント推定部２１１ａは、記憶部２１３から読み込んだ音響イベント−音響特徴量生成モデル１４を用い、音響特徴量列２１を構成する各音響特徴量について音響イベントが音響特徴量を生成する確率Ｐ（音響特徴量｜音響イベント）を最大にする音響イベント列（入力された第２の音響特徴量列に対する生成確率が最大となる音響イベント列）を得て出力する（ステップＳ２１２）。例えば、音響特徴量列２１の音響イベント推定部２１１ａは、以下のように音響イベント列ｍ_１，・・・，ｍ_Ｎ’を得る。

ただし、ｆ_ｉは音響特徴量列２１に対応する時間区間の先頭からｉ番目（ｉ＝１，・・・，Ｎ’）の短時間区間に対応する音響特徴量を表す（音響特徴量列２１は音響特徴量ｆ_１，・・・，ｆ_Ｎ’の列である）。ｍ_ｉは音響特徴量列２１に対応する時間区間の先頭からｉ番目の短時間区間に対応する音響イベントを表す。また、Ｎ’は正の整数であり、音響特徴量列２１に対応する時間区間が含む短時間区間の数を表す。Ｎ’＝Ｎであってもよいし、Ｎ’≠Ｎであってもよい。ｐ（ｆ_ｉ｜ｍ_ｉ，μ_ｍ，Λ_ｍ）は音響イベント−音響特徴量生成モデル１４から得られる。例えば、μ_ｍは平均ν_ｍ ^{（ｋ＋１）}であり、Λ_ｍはΣ_μｍ ^{（ｋ＋１）}の要素の逆数を要素とするＤ×Ｄの行列である。例えばｐ（ｆ_ｉ｜ｍ_ｉ，μ_ｍ，Λ_ｍ）は、ν_ｍ ^{（ｋ＋１）}を平均、Λ_ｍを分散、ｇ_μｍ ^{（ｋ＋１）}を自由度とするＳｔｕｄｅｎｔ−ｔ分布に従う確率密度関数によって算出可能である。ｐ（ｍ_ｉ）は予め定められた事象ｍ_ｉの事前確率である。また、音響イベント推定部２１１ａは、音響特徴量列２１を構成する各音響特徴量について確率Ｐ（音響特徴量｜音響イベント）が大きい方から選択された複数個の音響イベントからなる音響イベント列を音響イベント判定結果としてもよいし、当該確率Ｐ（音響特徴量｜音響イベント）が閾値以上（又は閾値を超える）１個または複数個の音響イベントからなる音響イベント列を音響イベント判定結果としてもよい。

生成モデル比較部２１１の比較部２１１ｂは、音響イベント推定部２１１ａで得られた音響イベント列ｍ_１，・・・，ｍ_Ｎ’から得られる音響イベントの分布と、状況−音響イベント生成モデル１３が表す音響イベントを確率変数としたＰ（音響イベント｜状況）の各状況に対応する分布（各状況についての音響イベントを確率変数とした確率Ｐ（音響イベント｜状況）の分布）とを比較し、これらの分布の距離に基づいて音響特徴量列２１に対応する状況または状況の列を推定し（ステップＳ２１３）、その推定結果を状況判定結果として出力する（ステップＳ２１４）。なお、音響イベントを確率変数としたＰ（音響イベント｜状況）の各状況に対応する分布は、状況ごとに定まる、音響イベントを確率変数としたＰ（音響イベント｜状況）の分布である。例えば、これらの分布が最も近くなる状況を状況判定結果として出力してもよいし、これらの分布が近いほうから選択した複数個の状況を状況判定結果として出力してもよいし、これらの分布の距離が閾値以下（または未満）となる１個または複数個の状況を状況判定結果として出力してもよい。

＜比較部２１１ｂの処理の具体例１＞
まず比較部２１１ｂが、入力された音響イベント列から、以下のように音響イベントの分布ｐ’（ｍ）（ただし、ｍ＝１，・・・，Ｍ）を算出する。

ただし、γ’は事前に設定された緩和パラメータ（例えば０．０１などの非負値）を表し、Ｃ_ｍは、入力された音響イベント列のうち音響イベントｍを表す音響イベントの個数を表す。

次に比較部２１１ｂは、ｐ’（ｍ）と状況−音響イベント生成モデル１３を、下記に記すカルバックライブラー情報量（Kullback-Leibler divergence: KL divergence）やイェンセンシャノン情報量（Jensen-Shannon divergence: JS divergence）などの情報量基準に基づいて比較することで、入力された音響イベント列ｍ_１，・・・，ｍ_Ｎ’に対応する状況を推定する。

式（１７）又は（１８）の例の場合、比較部２１１ｂは、Ｐ（ｍ）にｐ’（ｍ）（ただし、ｍ＝１，・・・，Ｍ）を代入し、Ｑ_ｔ（ｍ）にγ_ｔｍ ^{（ｋ＋１）}（式（８））または

（ただし、ｍ＝１，・・・，Ｍ，ｔ＝１，・・・，Ｔ）（音響イベントｍ＝１，・・・，Ｍを確率変数とした確率Ｐ（音響イベントｍ｜状況ｔ）の各状況ｔに対応する分布）を代入する。これにより、比較部２１１ｂは、各状況ｔ＝１，・・・，Ｔに対応する情報量（合計Ｔ個の情報量）を得る。比較部２１１ｂは、各状況ｔ＝１，・・・，Ｔについて算出された情報量のうち、最も小さな情報量に対応する状況、または、最も小さな情報量から順番に選択した複数個の情報量に対応する複数個の状況、または、閾値以下（又は未満）の１個または複数個に対応する状況を、音響特徴量列２１に対応する状況（状況判定結果）として出力する。

＜比較部２１１ｂの処理の具体例２＞
比較部２１１ｂは、状況−音響イベント生成モデル１３と入力された音響イベント列との比較を以下のように行ってもよい。この手法では、比較部２１１ｂが、入力された音響イベント列に対し、状況−音響イベント生成モデル１３のもとでの状況の尤度の和や積を求める。比較部２１１ｂは、尤度の和や積が最大となる状況を状況判定結果として出力してもよいし、尤度の和や積が大きい順に選択した複数個の状況を状況判定結果として出力してもよいし、尤度の和や積が閾値以上（又は閾値を超える）の１個または複数個の状況を、状況判定結果として出力してもよい。

≪状況−音響イベント生成モデル１３のもとでの状況ｔの尤度の和の例≫

ただし、ｚ_ｉは音響特徴量列２１に対応する時間区間の先頭からｉ番目の短時間区間に対応する状況を表し、ｍ_ｉは音響特徴量列２１に対応する時間区間の先頭からｉ番目の短時間区間に対応する音響イベントを表す。

≪状況−音響イベント生成モデル１３のもとでの状況ｔの尤度の積の例≫

［実施例２−２］
実施例２−２では、実施例１−１で説明したように得られた状況−音響イベント生成モデル１３および音響イベント−音響特徴量生成モデル１４を用い、新たに入力された音響信号列から状況を推定する。

図６に例示するように、本形態のモデル処理装置２２０は、記憶部２１３、特徴量算出部２１１、及び生成モデル比較部２１１を有する。モデル処理装置２２０は、例えば、公知又は専用のコンピュータに所定のプログラムが読み込まれることで構成される。

まず特徴量算出部２１１に音響信号列２０が入力される。音響信号列２０は、短時間区間ごとに区分された要素からなり、各要素には要素番号が付されている。特徴量算出部２１１は、音響信号列２０から前述のように音響信号列２１を算出して出力する。音響信号列２１は、生成モデル比較部２１１に入力される。これ以降の処理は実施例２−１と同じであるため説明を省略する。

［その他の変形例等］
なお、本発明は上述の各実施例に限定されるものではない。例えば、例えば、生成モデルの作成処理や状況／音響イベント判定処理が複数の装置で分散処理されてもよいし、生成モデルやデータが複数の記憶部に分散して格納されてもよい。また、短時間区間ごとに区分された各要素に対応する要素番号が、音響特徴量列や音響信号列に含まれていてもよい。また上述の各種の処理は、記載に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能であることはいうまでもない。

上述の構成をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。このプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体の例は、非一時的な（non-transitory）記録媒体である。このような記録媒体の例は、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等である。

このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。

このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。処理の実行時、このコンピュータは、自己の記録装置に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。

上記実施形態では、コンピュータ上で所定のプログラムを実行させて本装置の処理機能が実現されたが、これらの処理機能の少なくとも一部がハードウェアで実現されてもよい。

１１０，１２０，２１０，２２０ モデル処理装置

Claims (8)

1. 状況が音響イベントを生成する確率に対応する第１の状況−音響イベントパラメータ、および音響イベントが音響特徴量を生成する確率に対応する第１の音響イベント−音響特徴量パラメータを初期化する初期化部と、
   前記第１の状況−音響イベントパラメータと、入力された音響特徴量列に応じて前記第１の状況−音響イベントパラメータを更新して得られる第２の状況−音響イベントパラメータと、の重み付け和を第３の状況−音響イベントパラメータとして得、前記音響特徴量列に応じて前記第１の音響イベント−音響特徴量パラメータを更新して第２の音響イベント−音響特徴量パラメータを得る更新部と、
   前記更新部に入力される前記音響特徴量列を逐次的に更新し、前記第３の状況−音響イベントパラメータを前記第１の状況−音響イベントパラメータとし、かつ、前記第２の音響イベント−音響特徴量パラメータを前記第１の音響イベント−音響特徴量パラメータとして、前記更新部の処理を再び実行させる制御部と、
   前記第３の状況−音響イベントパラメータに対応する状況−音響イベント生成モデル、および前記第２の音響イベント−音響特徴量パラメータに対応する音響イベント−音響特徴量生成モデルを出力するモデル出力部と、
   を有するモデル処理装置。
2. 請求項１のモデル処理装置であって、
   前記初期化部は、
   さらに、前記音響特徴量列の各時点での各音響イベントの確率に対応する第１の音響イベントパラメータ、および前記音響特徴量列の各時点での各状況の確率に対応する第１の状況パラメータを初期化し、
   前記更新部は、
   前記音響特徴量列および前記第１の音響イベント−音響特徴量パラメータに基づいて、前記第１の音響イベントパラメータを更新して第２の音響イベントパラメータを得、
   前記第１の音響イベント−音響特徴量パラメータに基づいて、前記第１の状況パラメータを更新して第２の状況パラメータを得、
   前記第１の状況−音響イベントパラメータと、前記第２の音響イベントパラメータおよび前記第２の状況パラメータに基づいて得られる前記第２の状況−音響イベントパラメータとから、前記第３の状況−音響イベントパラメータを得、
   前記音響特徴量列、前記第２の音響イベントパラメータおよび前記第２の状況パラメータに基づいて、前記第２の音響イベント−音響特徴量パラメータを得、
   前記制御部は、
   前記更新部の処理を再び実行させる際に、前記第２の音響イベントパラメータを前記第１の音響イベントパラメータとし、かつ、前記第２の状況パラメータを前記第１の状況パラメータとする、モデル処理装置。
3. 請求項２のモデル処理装置であって、
   前記第２の状況パラメータから得られる状況の推定情報、および、前記第２の音響イベントパラメータから得られる音響イベントの推定情報の少なくとも一方を出力する解析部をさらに有するモデル処理装置。
4. 請求項１から３の何れかのモデル処理装置であって、
   入力された音響信号列から前記音響特徴量列を得て出力する音響特徴量算出部をさらに有するモデル処理装置。
5. 請求項１から４の何れかのモデル処理装置で得られた前記音響イベント−音響特徴量生成モデルに基づいて、入力された第２の音響特徴量列に対する生成確率が最大となる音響イベント列を得る音響イベント推定部と、
   前記音響イベント列から得られる音響イベントの分布と、請求項１から４の何れかのモデル処理装置で得られた前記状況−音響イベント生成モデルに対応する、各状況についての音響イベントを確率変数とした確率Ｐ（音響イベント｜状況）の分布と、の距離に基づいて、前記第２の音響特徴量列に対応する状況または状況の列を得る比較部と、
   を有するモデル処理装置。
6. 請求項５のモデル処理装置であって、
   入力された第２の音響信号列から前記第２の音響特徴量列を得て出力する第２の音響特徴量算出部をさらに有するモデル処理装置。
7. 状況が音響イベントを生成する確率に対応する第１の状況−音響イベントパラメータ、および音響イベントが音響特徴量を生成する確率に対応する第１の音響イベント−音響特徴量パラメータを初期化する初期化ステップと、
   前記第１の状況−音響イベントパラメータと、入力された音響特徴量列に応じて前記第１の状況−音響イベントパラメータを更新して得られる第２の状況−音響イベントパラメータと、の重み付け和を第３の状況−音響イベントパラメータとして得、前記音響特徴量列に応じて前記第１の音響イベント−音響特徴量パラメータを更新して第２の音響イベント−音響特徴量パラメータを得る更新ステップと、
   前記第３の状況−音響イベントパラメータに対応する状況−音響イベント生成モデル、および前記第２の音響イベント−音響特徴量パラメータに対応する音響イベント−音響特徴量生成モデルを出力するモデル出力ステップと、を有し、
   前記音響特徴量列を逐次的に更新し、前記第３の状況−音響イベントパラメータを前記第１の状況−音響イベントパラメータとし、かつ、前記第２の音響イベント−音響特徴量パラメータを前記第１の音響イベント−音響特徴量パラメータとして、前記更新ステップが再び実行される、モデル処理方法。
8. 請求項１から６の何れかのモデル処理装置としてコンピュータを機能させるためのプログラム。

Images