JP6213324B2 - 音声信号処理装置及びプログラム - Google Patents

Description

本発明は音声信号処理装置及びプログラムに関し、例えば、電話機やテレビ会議装置などの音声信号（この明細書では、音声信号や音響信号等の音信号を「音声信号」と呼んでいる）を扱う通信機や通信ソフトウェアに適用し得るものである。

マイクロホン正面にいる話者の声（目的音声）と周囲にいる人の話し声（妨害音声）とが混ざり合った音声信号から目的音声を抽出する方法（目的音声抽出方法、雑音抑圧方法）として、例えば、ボイススイッチと呼ばれる技術がある（例えば、特許文献１参照）。ボイススイッチでは、入力音声から、目的音声区間と妨害音声区間とを区別することを要する。そのため、目的音声だけを抽出するためには妨害音声の到来方位（妨害音声の音源方位）の正確な推定が重要である。妨害音声等の音源方位を推定する方法として、コヒーレンスを利用する方法が種々提案されている（特許文献２参照）。

特開２００６−３３３２１５号公報 特開２００９−０４２５５２号公報

ところで、コヒーレンスは、（ａ）音源方位が正面に近付くほど値が大きくなり、横に逸れるほど値が小さくなる、（ｂ）母音などの大振幅部では値が大きく子音などの小振幅部では値が小さい、という挙動をとる。そのため、目的音声の方位が正面に近くても子音部ではコヒーレンス値が小さく、横から到来する妨害音声の母音部ではコヒーレンス値が大きくなり、場合によっては、目的音声区間と妨害音声区間とでコヒーレンスの値が逆転し、妨害音声若しくは目的音声の到来方位の誤判定が生じる恐れがある。

そのため、所望する音源方位をより正確に推定することができる音声信号処理装置及びプログラムが望まれている。

第１の本発明は、入力音声信号から、入力音声信号に含まれている成分の音源方位を推定する音声信号処理装置において、（１）入力音声信号に遅延減算処理を施すことで、所定方位に死角を有する指向性特性を付与した複数の指向性信号であって、死角を有する所定方位が異なる複数の指向性信号を形成する指向性形成手段と、（２）形成された複数の指向性信号を用いてコヒーレンスを得るコヒーレンス計算手段と、（３）得られたコヒーレンスを時間変化信号と捉え、その信号波形の傾き方向が変化する回数とその大きさを表すコヒーレンス特徴量を得るコヒーレンス特徴量算出手段と、（４）得られたコヒーレンス特徴量の大小に応じて、上記音源方位を推定する方位推定手段とを有することを特徴とする。

第２の本発明は、入力音声信号から、入力音声信号に含まれている成分の音源方位を推定する音声信号処理プログラムであって、コンピュータを、（１）入力音声信号に遅延減算処理を施すことで、所定方位に死角を有する指向性特性を付与した複数の指向性信号であって、死角を有する所定方位が異なる複数の指向性信号を形成する指向性形成手段と、（２）形成された複数の指向性信号を用いてコヒーレンスを得るコヒーレンス計算手段と、（３）得られたコヒーレンスを時間変化信号と捉え、その信号波形の傾き方向が変化する回数とその大きさを表すコヒーレンス特徴量を得るコヒーレンス特徴量算出手段と、（４）得られたコヒーレンス特徴量の大小に応じて、上記音源方位を推定する方位推定手段として機能させることを特徴とする。

本発明によれば、音源方位をより正確に推定できる音声信号処理装置及びプログラムを実現できる。

第１の実施形態に係る音声信号処理装置の全体構成を示すブロック図である。 第１の実施形態のる音声信号処理装置における到来方位判定部の内部構成を示すブロック図である。 図２の到来方位判定部における記憶部の記憶情報の構成例を示す説明図である。 第１の実施形態のる音声信号処理装置におけるｍｏｄＧＩ計算部が計算した到来方位ごとのｍｏｄＧＩの時間変化を示す特性図である。 第２の実施形態に係る音声信号処理装置の全体構成を示すブロック図である。

（Ａ）修正されたグラディエント・インデックス（ｍｏｄＧＩ）について
まず、各実施形態の音声信号処理装置を説明する前に、これら実施形態で信号の特徴を表す指標として適用されている修正グラディエント・インデックス（ｍｏｄｉｆｉｅｄ Ｇｒａｄｉｅｎｔ Ｉｎｄｅｘ：以下、ｍｏｄＧＩと呼ぶ）について説明する。

以下では、基本的なグラディエント・インデックス（Ｇｒａｄｉｅｎｔ Ｉｎｄｅｘ：以下、ＧＩと呼ぶ）を説明した後に、ｍｏｄＧＩについて説明する。

なお、ＧＩについては、参照文献「Ｎａｏｆｕｍｉ Ａｏｋｉ，”Ａ Ｂａｎｄ Ｅｘｔｅｎｓｉｏｎ Ｔｅｃｈｎｉｑｕｅ ｆｏｒ Ｎａｒｒｏｗ−Ｂａｎｄ Ｔｅｌｅｐｈｏｎｙ Ｓｐｅｅｃｈ Ｂａｓｅｄ ｏｎ Ｆｕｌｌ Ｗａｖｅ Ｒｅｃｔｉｆｉｃａｔｉｏｎ”， ＩＥＩＣＥ Ｔｒａｎｓ． Ｃｏｍｍｕｎ．，Ｖｏｌ．Ｅ９３−Ｂ（３），ｐｐ．７２９−７３１，２０１０」に記載されている。また、ｍｏｄＧＩは、本願の特許出願人が、特許出願人である特願２０１２−２５８６５１号で提案された特徴量である。

ＧＩは、信号波形の傾き方向が変化する回数とその大きさを測る指標である。時間の要素番号をｎ、ＧＩの算出に供する特徴量算出対象の信号をｓ（ｎ）とすると、ＧＩは、（４）式によって算出される。（１）式〜（３）式は、（４）式における変数ΔΨ（ｎ）を規定している式である。ＧＩは、例えば、特徴量算出対象の信号ｓ（ｎ）の所定数（Ｎ個）のサンプルが利用されてサンプル毎に算出される。（１）式〜（４）式においては、利用するＮ個のサンプル（Ｎ個のサンプルをフレームと呼ぶこともある）の要素番号ｎを０〜（Ｎ−１）で表している。

（１）式及び（２）式は、特徴量算出対象信号の相前後するサンプルの差分が正（０を含む）（増加する傾き方向）のときに１に、負（減少する傾き方向）のときに−１に符号化することを表している。（３）式は、同じ傾き方向が続いたときに０をとり、傾き方向が変化したときに１をとる変数ΔΨ（ｎ）を定義している。ＧＩは、傾き方向が変化したときの、相前後するサンプルの差分絶対値の総和を、そのフレームのパワーの平方根で除算したものとして求められる。従って、ＧＩは、１フレーム内の傾きの変化回数が多いほど大きくなり易く、また、傾きが変化したときの変化量が大きいほど大きくなり易いものである。

しかしながら、（３）式及び（４）式から明らかなように、ＧＩは、変数ΔΨ（ｎ）という０又は２の２値しかとらない、時系列的に値の大きな飛び跳ねが多発するパラメータを算出要素としているため、値が不規則に大きくなったり小さくなったりするという特徴がある。このような特徴を、この明細書では「値が暴れる」と表現する。ＧＩの値が暴れると、ＧＩを利用する値も暴れる（大きく変動する）。

ＧＩは、その値が暴れる（値の大きな飛び跳ねを有する）という性質を有することに鑑み、ＧＩに代えて、ＧＩと高い相関を持ちながら、値の大きな飛び跳ねを抑制した変化が安定した新しい特徴量であるｍｏｄＧＩが提案された。

ｍｏｄＧＩは、特徴量算出対象の任意の信号（本願では後述するコヒーレンス）に関し、その「算出対象信号のパワー」で正規化された、その「算出対象信号の２階差分のパワー」（これに定数倍したものも含まれる）として定義される。

「算出対象信号の２階差分のパワー」としては、算出対象信号の２階差分の２乗和、算出対象信号の２階差分の２乗和の平方根、算出対象信号の２階差分の絶対値の和、これら３つの値のそれぞれに関し、和を行ったサンプル数で割った値など、算出対象信号の２階差分のパワーが反映された値（上述した６種類以外の値であっても良い）であれば、いずれの値を適用することができる。

「算出対象信号のパワー」としては、算出対象信号の２乗和、算出対象信号の２乗和の平方根、算出対象信号の絶対値の和、これら３つの値のそれぞれに関し、和を行ったサンプル数で割った値など、算出対象信号のパワーが反映された値（上述した６種類以外の値であっても良い）であれば、いずれの値を適用することができる。

ｍｏｄＧＩの具体的な算出式の種類は、「算出対象信号の２階差分のパワー」の算出式として複数種類があり、「算出対象信号のパワー」の算出式として複数種類があるので、「算出対象信号の２階差分のパワー」の算出式の種類と、「算出対象信号のパワー」の算出式の種類の組み合わせ数だけ存在する。

次に、ｍｏｄＧＩが、ＧＩと強い相関を有しつつ、値の大きな飛び跳ねが抑制された（値が暴れ難い）特徴量となっていることを説明する。

ｍｏｄＧＩ（数式中ではＭＧＩと記す）を、（５）式で定義する。なお、（５）式では、ＧＩとの比較の便宜を考えて、「算出対象信号の２階差分のパワー」として入力信号の２階差分の絶対値の和を適用し、「算出対象信号のパワー」として入力信号の２乗和に平方根を適用した場合を示しているが、上述した通り、ｍｏｄＧＩの算出式は（５）式に限定されるものではない。

一方、ＧＩに関する変数ΔΨ（ｎ）は、（２）式を（３）式に代入することにより（６）式で算出される。（５）式の分子の積分（総和処理）の要素（積分要素）は、（６）式と似ていることが分かる。

より詳細に比較するために、ＧＩとｍｏｄＧＩの分子における積分要素をそれぞれ、（８）式、（９）式に示すように、ＧＩｎｕｍ、ＭＧＩｎｕｍとして定義する。なお、比例定数を重要ではないので除外した。また、（７）式は、１階差分ｄ（ｎ）の計算式である。

まず、ｓ（ｎ−２）＜ｓ（ｎ−１）＜ｓ（ｎ）又はｓ（ｎ−２）＞ｓ（ｎ−１）＞ｓ（ｎ）、すなわち、相前後するサンプルから捉えた傾き方向が２サンプル期間で変化しない場合を考える。この場合、ＧＩｎｕｍ（ｎ）の２つのｓｉｇｎ関数は同じ値となるので、ＧＩｎｕｍ（ｎ）＝０となる。一方、ｄ（ｎ）とｄ（ｎ−１）は同符号となるので、その差の絶対値は比較的小さくなるから、ＭＧＩｎｕｍ（ｎ）も小さな値をとる。

次に、ｓ（ｎ−２）＜ｓ（ｎ−１）＞ｓ（ｎ）又はｓ（ｎ−２）＞ｓ（ｎ−１）＜ｓ（ｎ）、すなわち、相前後するサンプルから捉えた傾き方向が２サンプル期間で変化する場合を考える。この場合、ＧＩｎｕｍ（ｎ）の２つのｓｉｇｎ関数は異なる値となるので、ＧＩｎｕｍ（ｎ）＝２｜ｄ（ｎ）｜となる。一方、ｄ（ｎ）とｄ（ｎ−１）は異符号となるので、ＭＧＩｎｕｍ（ｎ）＝｜ｄ（ｎ）｜＋｜ｄ（ｎ−１）｜となり、比較的大きな値をとる。

以上より、ＧＩｎｕｍ（ｎ）とＭＧＩｎｕｍ（ｎ）は、両者とも、２サンプル期間で傾き方向が変化しない場合には小さな値を取り、傾き方向が変化する場合には大きな値をとるから、高い相関を持つことがわかる。一方で、ＧＩｎｕｍ（ｎ）が０又は非０の不連続な系列となるのに対して、ＭＧＩｎｕｍ（ｎ）は２階差分の絶対値ゆえに非０が連続する系列（なお、０をとることがあるが、０にする操作は実行されていない）となるので、積分要素の総和処理（積分）を行った後の比較でも、ｍｏｄＧＩの方が値の飛び跳ねが平均的に小さくなる（値が暴れ難い）ことが分かる。

（１０）式〜（１２）式はそれぞれ、（５）式以外のｍｏｄＧＩの算出式の例を示しており、（１０）式〜（１２）式のいずれかを適用してｍｏｄＧＩを算出しても良いことは勿論である。（１０）式は、「算出対象信号の２階差分のパワー」として算出対象信号の２階差分の２乗和の平方根を適用し、「算出対象信号のパワー」として算出対象信号の２乗和の平方根を適用した算出式である。（１１）式は、「算出対象信号の２階差分のパワー」として算出対象信号の２階差分の絶対値の和を適用し、「算出対象信号のパワー」として算出対象信号の絶対値の和適用した算出式である。（１２）式は、「算出対象信号の２階差分のパワー」として算出対象信号の２階差分の２乗和を適用し、「算出対象信号のパワー」として算出対象信号の２乗和を適用した算出式である。

（５）式、（１０）式〜（１２）式はそれぞれ、ｍｏｄＧＩの算出式の導入概念が見えるように記述しているが、これらの式を変形した式に従うようにしても良いことは勿論である。（１３）式は、（５）式を変形したｍｏｄＧＩの算出式を示しており、（１３）式を適用してｍｏｄＧＩを算出しても良いことは勿論である。

また、（５）式、（１０）式〜（１２）式に関し、同じ技術思想下で、その一部を変更したｍｏｄＧＩの算出式を適用するようにしても良い。例えば、（５）式、（１０）式〜（１２）式共に、分子の総和では、ｎが２から（Ｎ−１）の（Ｎ−２）個の総和を求めているが、分子の総和を、ｎが２から（Ｎ＋１）のＮ個の総和を求めるようにしても良い。

（Ｂ）第１の実施形態
次に、本発明による音声信号処理装置及びプログラムの第１の実施形態を、図面を参照しながら詳述する。第１の実施形態の音声信号処理装置及びプログラムは、ある音源方位（例えば、妨害音声の到来方位）を推定しようとしたものである。

（Ｂ−１）第１の実施形態の構成
図１は、第１の実施形態に係る音声信号処理装置の構成を示すブロック図である。ここで、一対のマイクロホンｍ１及びｍ２を除いた部分は、ハードウェアで構成することも可能であり、また、ＣＰＵが実行するソフトウェア（音声信号処理プログラム）とＣＰＵとで実現することも可能であるが、いずれの実現方法を採用した場合であっても、機能的には図１で表すことができる。

図１において、第１の実施形態に係る音声信号処理装置１０は、一対のマイクロホンｍ１、ｍ２、ＦＦＴ（高速フーリエ変換）部１１、第１の指向性形成部１２、第２の指向性形成部１３、コヒーレンス計算部１４、ｍｏｄＧＩ計算部１５及び到来方位判定部１６を有する。

一対のマイクロホンｍ１、ｍ２は、所定距離（若しくは任意の距離）だけ離れて配置され、それぞれ、周囲の音声を捕捉するものである。各マイクロホンｍ１、ｍ２は、無指向のもの（若しくは、正面方向にごくごく緩やかな指向性を有するもの）である。各マイクロホンｍ１、ｍ２で捕捉された音声信号（入力信号）は、図示しない対応するＡ／Ｄ変換器を介してデジタル信号ｓ１（ｎ）、ｓ２（ｎ）に変換されてＦＦＴ部１１に与えられる。なお、ｎはサンプルの入力順を表すインデックスであり、正の整数で表現される。本文中では、ｎが小さいほど古い入力サンプルであり、大きいほど新しい入力サンプルであるとする。

ＦＦＴ部１１は、マイクロホンｍ１及びｍ２から入力信号系列ｓ１（ｎ）及びｓ２（ｎ）を受け取り、その入力信号ｓ１及びｓ２に高速フーリエ変換（あるいは離散フーリエ変換）を行うものである。これにより、入力信号ｓ１及びｓ２を周波数領域で表現することができる。なお、高速フーリエ変換を実施するにあたり、入力信号ｓ１（ｎ）及びｓ２（ｎ）から、所定のＮ個のサンプルからなる分析フレームＦＲＡＭＥ１（Ｋ）及びＦＲＡＭＥ２（Ｋ）を構成して適用する。入力信号ｓ１（ｎ）から分析フレームＦＲＡＭＥ１（Ｋ）を構成する例を以下の（１４）式に示すが、分析フレームＦＲＡＭＥ２（Ｋ）も同様である。

なお、Ｋはフレームの順番を表すインデックスであり、正の整数で表現される。本文中では、Ｋが小さいほど古い分析フレームであり、大きいほど新しい分析フレームであるとする。また、以降の説明において、特に但し書きがない限りは、分析対象となる最新の分析フレームを表すインデックスはＫであるとする。

ＦＦＴ部１１は、分析フレームごとに高速フーリエ変換処理を施すことで、周波数領域信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）に変換し、得られた周波数領域信号Ｘ１（ｆ，Ｋ）及びＸ２（ｆ，Ｋ）をそれぞれ、対応する第１の指向性形成部１２、第２の指向性形成部１３に与える。なお、ｆは周波数を表すインデックスである。また、Ｘ１（ｆ，Ｋ）は単一の値ではなく、（１５）式に示すように、複致の周波数ｆ１〜ｆｍのスペクトル成分から構成されるものである。Ｘ２（ｆ，Ｋ）や後述するＢ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）も同様である。

Ｘ１（ｆ，Ｋ）
＝{（ｆ１，Ｋ），（ｆ２，Ｋ），…，（ｆｍ，Ｋ）｝ …（１５）
第１の指向性形成部１１は、周波数領域信号Ｘ１（ｆ，Ｋ）及びＸ２（ｆ，Ｋ）から特定方向に指向性が強い信号Ｂ１（ｆ，Ｋ）を形成し、第２の指向性形成部１２は、周波数領域信号Ｘ１（ｆ，Ｋ）及びＸ２（ｆ，Ｋ）から特定方向（上述の特定方向とは異なる）に指向性が強い信号Ｂ２（ｆ，Ｋ）を形成するものである。特定方向に指向性が強い信号Ｂ１（ｆ，Ｋ）、Ｂ２（ｆ，Ｋ）の形成方法としては既存の方法を適用でき、例えば、（１６）式を適用して右方向に指向性が強いＢ１（ｆ，Ｋ）や（１７）式を適用して左方向に指向性が強いＢ２（ｆ，Ｋ）が形成できる。（１６）式及び（１７）式では、フレームインデックスＫは演算に関与しないので省略している。

コヒーレンス計算部１４は、上述した２つの指向性信号Ｂ１（ｆ）、Ｂ２（ｆ）に基づいて、（１８）式、（１９）式のような演算を施すことでコヒーレンスＣＯＨを得るものである。なお、（１８）式におけるＢ２（ｆ）^＊はＢ２（ｆ）の共役複素数である。

コヒーレンスの概念は、右から到来する信号と左から到来する信号の相関と言い換えられる（上述した（１８）式はある周波数成分についての相関を算出する式であり、（１９）式は全ての周波数成分の相関値の平均を計算している）。従って、コヒーレンスＣＯＨが小さい場合とは、２つの指向性信号Ｂ１及びＢ２の相関が小さい場合であり、反対にコヒーレンスＣＯＨが大きい場合とは相関が大きい場合と言い換えることができる。そして、相関が小さい場合の入力信号は、入力音声の到来方向が右又は左のどちらかに大きく偏った場合か、偏りがなくても雑音のような相関が現れ難い明確な規則性の少ない信号の場合である。そのため、コヒーレンスＣＯＨが小さい区間は妨害音声区間（背景雑音区間を含む）であるといえる。一方、コヒーレンスＣＯＨの値が大きい場合は、到来方向の偏りがないため、入力信号が正面から到来する場合であるといえる。この第１の実施形態では、目的音声は正面から到来すると仮定している。この仮定下では、コヒーレンスＣＯＨが大きい場合は目的音声区間といえる。このようなコヒーレンスの性質に基づいて、音源方位（例えば、妨害音声の到来方位）の推定にコヒーレンスを利用することとしている。

ｍｏｄＧＩ計算部１５は、コヒーレンスＣＯＨ（Ｋ）についてのｍｏｄＧＩを計算し、得られたｍｏｄＧＩを到来方位判定部１６に与えるものである。ｍｏｄＧＩの計算式として、上述した（５）式、（１０）式〜（１３）式のいずれを適用しても良く、算出式の算出対象信号ｓ（ｎ）にコヒーレンスＣＯＨ（Ｋ）を代入してｍｏｄＧＩを算出する。なお、後述する図４は、ｍｏｄＧＩの計算式として（１３）式を適用した場合の値を示している。

到来方位判定部１６は、算出されたｍｏｄＧＩの値が属する範囲に応じて、妨害音声の到来方位を決定（推定）するものである。なお、決定された妨害音声の到来方位をどのように利用するかは問われないものである。例えば、上述したボイススイッチに適用できる。

コヒーレンスＣＯＨに代えて、そのｍｏｄＧＩの値に基づいて、妨害音声の到来方位を決定するようにしたのは、以下の考え方による。

コヒーレンスを適用した場合には、「課題」の項で説明した課題を有する。コヒーレンスＣＯＨについてのｍｏｄＧＩを適用した場合には、そのような課題が生じない。ｍｏｄＧＩは、算出対象信号における波形の傾きの正負が変動する頻度を表している。また、ｍｏｄＧＩは、波形に含まれる高周波数成分の量と直結している。コヒーレンスＣＯＨは、妨害音声の到来方位が正面に近付くほど傾きの正負の変動が小さくなるので、そのｍｏｄＧＩが小さくなる。これに対し、コヒーレンスＣＯＨは、到来方位が横に逸れると傾きの正負の変動が大きくなるので、そのｍｏｄＧＩは大きくなる。そのため、コヒーレンスＣＯＨについてｍｏｄＧＩも到来方位ごとに異なるレンジとなり、しかも、方位ごとの差はコヒーレンス値を用いた場合よりも大きくなるため、課題の項で言及した値の逆転現象は生じない（後述する図４参照）。

図２は、到来方位判定部１６の内部構成を示すブロック図である。図２において、到来方位判定部１６は、ｍｏｄＧＩ受信部２１、問合せ部２２、記憶部２３及び到来方位送信部２４を有する。

ｍｏｄＧＩ受信部２１は、算出されたｍｏｄＧＩを取り込むものである。記憶部２３は、図３に示すようなｍｏｄＧＩの値の範囲と到来方位とを対応付けた情報を記憶しているものである。問合せ部２２は、記憶部２３に取り込んだｍｏｄＧＩを与えてそれに対応する到来方位Ａｎｇｌｅを問い合わせ、到来方位Ａｎｇｌｅを取得するものである。到来方位送信部２４は、取得した到来方位Ａｎｇｌｅを到来方位判定部１６の外部へ出力するものである。

図３は、記憶部２３の記憶情報の構成例を示す説明図である。図３に示す例では、記憶部２３は、問い合わせのｍｏｄＧＩの値がＡ以上Ｂ（但し、Ａ＜Ｂ）未満ならば到来方位Ａｎｇｌｅとして３０°を返信し、問い合わせのｍｏｄＧＩの値がＢ以上Ｃ（但し、Ｂ＜Ｃ）未満ならば到来方位Ａｎｇｌｅとして６０°を返信し、問い合わせのｍｏｄＧＩの値がＣ以上Ｄ（但し、Ｃ＜Ｄ）未満ならば到来方位Ａｎｇｌｅとして９０°を返信する構成となっている。

ここで、範囲の境界値Ａ、Ｂ、Ｃ、Ｄは、到来方位が正面に近付くほどｍｏｄＧＩが小さくなるという上述した挙動に基づいて設定されている。例えば、シミュレーションの結果に応じて、範囲の境界値Ａ、Ｂ、Ｃ、Ｄが定められている。

（Ｂ−２）第１の実施形態の動作
次に、第１の実施形態の音声信号処理装置１０の動作を、図面を参照しながら、全体動作、到来方位判定部１６における動作の順に説明する。

一対のマイクロホンｍ１及びｍ２から入力された信号ｓ１（ｎ）、ｓ２（ｎ）はそれぞれ、ＦＦＴ部１１によって時間領域から周波数領域の信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）に変換された後、第１及び第２の指向性形成部１２及び１３のそれぞれによって、所定の方位に死角を有する指向性信号Ｂ１(ｆ，Ｋ)、Ｂ２（ｆ，Ｋ）が生成される。そして、コヒーレンス計算部１４において、指向性信号Ｂ１（ｆ，Ｋ）及びＢ２（ｆ，Ｋ）を適用して、（１８）式及び（１９）式の演算が実行され、コヒーレンスＣＯＨ（Ｋ）が算出され、ｍｏｄＧＩ計算部１５に与えられる。

ｍｏｄＧＩ計算部１５においては、コヒーレンスＣＯＨ（Ｋ）についてのｍｏｄＧＩの値が例えば(１３)式に従って算出され、到来方位判定部１６において、算出されたｍｏｄＧＩの値が属する範囲に応じて、妨害音声の到来方位が決定（推定）される。

次に、到来方位判定部１６における詳細動作を説明する。

ｍｏｄＧＩ受信部２１にｍｏｄＧＩ計算部１５が計算したコヒーレンスについてのｍｏｄＧＩの値が与えられると、問合せ部２２によって、記憶部２３から、与えられたｍｏｄＧＩの値に対応する到来方位Ａｎｇｌｅが取り出されて到来方位送信部２４から出力される。

図４は、一対のマイクロホンｍ１及びｍ２に対する正面（ｍ１及びｍ２を結ぶ線分に直角な方位）から、３０°、６０°、９０°だけずれた方位から妨害音声が到来した場合におけるｍｏｄＧＩの時間変化を示している。ここでのｍｏｄＧＩは、上述した（１３）式に従って算出されている。

この図４から明らかなように、到来方位３０°、６０°、９０°ごとのｍｏｄＧＩの値は、時間経過と共に変化しても交差することはなく、ｍｏｄＧＩの値によって、到来方位３０°、６０°、９０°を切り分けられることが分かる。上述したｍｏｄＧＩの値の範囲の境界値Ａ、Ｂ、Ｃ、Ｄを、図４に示すようなシミュレーション結果や実測値に応じて設定することにより、到来方位３０°、６０°、９０°を精度良く推定することができる。

因みに、到来方位３０°、６０°、９０°ごとのコヒーレンスの値の時間変化曲線は、図４とは異なり、交差することもあるため、到来方位を誤って推定することもあり得る。

（Ｂ−３）第１の実施形態の効果
以上のように、第１の実施形態の音声信号処理装置及びプログラムによれば、コヒーレンスについてのｍｏｄＧＩの値に基づいて、所望の音源方位（例えば、妨害音声の到来方位）を推定するようにしたので、単に、コヒーレンスを音源方位の推定に用いる場合に比較し、より正確に音源方位を推定することができる。

音源方位をより正確に推定できるので、第１の実施形態の音声信号処理装置やプログラムを適用した装置の特質等を向上させることに寄与できる。例えば、第１の実施形態の音声信号処理装置の後段に、音源分離処理部を接続し、到来方位に応じた抑圧係数のフロアリング処理や閾値を制御する場合であれば、第１の実施形態の音声信号処理装置は、音質や抑圧性能の改善に貢献することができる。

以上の効果により、第１の実施形態の音声信号処理装置若しくはプログラムを適用した、テレビ会議装置や携帯電話機やスマートフォンなどの通信装置における通話音質の向上が期待できる。

（Ｃ）第２の実施形態
次に、本発明による音声信号処理装置及びプログラムの第２の実施形態を、第１の実施形態との相違点を中心に説明する。

図５は、第２の実施形態に係る音声信号処理装置の構成を示すブロック図であり、上述した第１の実施形態に係る図１との同一、対応部分には同一符号を付して示している。

第２の実施形態の音声信号処理装置１０Ａは、図５及び図１の比較から明らかなように、第１の実施形態の構成に平滑化部１７を追加したものである。

ｍｏｄＧＩ計算部１５及び到来方位判定部１６間に介挿された平滑化部１７は、ｍｏｄＧＩ計算部１５から出力されたｍｏｄＧＩを平滑化し、平滑化ｍｏｄＧＩを到来方位判定部１６に与えるものである。平滑化部１７による平滑化方法は、既存のいかなる方法を適用しても良い。

第２の実施形態の場合、到来方位判定部１６は平滑化ｍｏｄＧＩに応じた妨害音声の到来方位を推定するものである。ｍｏｄＧＩではなく平滑化ｍｏｄＧＩに基づく点は、第１の実施形態と異なっているが、推定方法自体は、第１の実施形態の推定方法と同様である（上述した図２、図３参照）。

コヒーレンスＣＯＨほどではないが、図４における到来方位９０°の時間変化のようにｍｏｄＧＩも瞬時変動が多少大きいこともあり得る。第２の実施形態は、このような瞬時変動を平滑化によって丸め、到来方位判定部１６による推定精度を一段と高めようとしたものである。

第２の実施形態によっても、単に、コヒーレンスを音源方位（例えば、妨害音声の到来方位）の推定に用いる場合に比較して、より正確に音源方位を推定することができるという効果を奏する。

（Ｄ）他の実施形態
上記各実施形態においては、妨害音声の到来方位の推定にコヒーレンスについてのｍｏｄＧＩを利用するものを示したが、ｍｏｄＧＩに代え、上述した（４）式に従って算出できるコヒーレンスについてのＧＩを、妨害音声の到来方位の推定に利用するようにしても良い。

上記第２の実施形態においては、平滑化部１７を、ｍｏｄＧＩ計算部１５及び到来方位判定部１６間に介挿したものを示したが、平滑化部１７を、コヒーレンス計算部１４及びｍｏｄＧＩ計算部１５間に介挿するようにしても良く、このようにしても、第２の実施形態と同様な効果を奏することができる。

上記各実施形態で説明した到来方位の推定方法は、その用途は、ボイススイッチに従った雑音抑圧（目的音強調）に限定されるものではなく、妨害音の到来方位の情報を必要とする種々の信号処理に適用することができる。例えば、ボイススイッチ以外の雑音抑圧処理、音源分離処理、音声符号化処理などに、上記各実施形態で説明した到来方位の推定方法を適用することができる。

上記各実施形態で説明した到来方位の推定方法では、正面とのずれ角度（の絶対値）として到来方位が推定されるものを示したが、右側からの到来か左側からの到来かの情報を必要とする場合には、（２０）式の計算を行い、得られた値が正であれば右側からの到来、得られた値が負であれば左側からの到来と定めるようにしても良い。

上記各実施形態において、周波数領域の信号で処理していた処理を、可能ならば時間領域の信号で処理するようにしても良く、逆に、時間領域の信号で処理していた処理を、可能ならば周波数領域の信号で処理するようにしても良い。

上記各実施形態では、到来方位判定部が変換テーブルを利用するものを示したが、ｍｏｄＧＩ若しくはＧＩから到来方位を得ることができるのであれば、他の方法（例えば関数）を適用するようにしても良い。

本発明は、コヒーレンスを得た後の構成に特徴を有し、それ以前の構成は、上記各実施形態のものに必ずしも限定されるものではない。例えば、マイクロホンとして３つ以上を有するマイクロホンアレイの信号を処理してコヒーレンスを得、その後、ｍｏｄＧＩやＧＩを算出して妨害音声の到来方位を推定するようにしても良い。

上記各実施形態では、一対のマイクロホンが捕捉した信号を直ちに処理する音声信号処理装置やプログラムを示したが、本発明の処理対象の音声信号はこれに限定されるものではない。例えば、記録媒体から読み出した一対の音声信号を処理する場合にも、本発明を適用することができ、また、対向装置から送信されてきた一対の音声信号を処理する場合にも、本発明を適用することができる。

１０、１０Ａ…音声信号処理装置、ｍ１、ｍ２…マイクロホン、１１…ＦＦＴ（高速フーリエ変換）部、１２、１３…指向性形成部、１４…コヒーレンス計算部、１５…ｍｏｄＧＩ計算部、１６…到来方位判定部、１７…平滑化部。

Claims (5)

1. 入力音声信号から、入力音声信号に含まれている成分の音源方位を推定する音声信号処理装置において、
   入力音声信号に遅延減算処理を施すことで、所定方位に死角を有する指向性特性を付与した複数の指向性信号であって、死角を有する所定方位が異なる複数の指向性信号を形成する指向性形成手段と、
   形成された複数の指向性信号を用いてコヒーレンスを得るコヒーレンス計算手段と、
   得られたコヒーレンスを時間変化信号と捉え、その信号波形の傾き方向が変化する回数とその大きさを表すコヒーレンス特徴量を得るコヒーレンス特徴量算出手段と、
   得られたコヒーレンス特徴量の大小に応じて、上記音源方位を推定する方位推定手段と
   を有することを特徴とする音声信号処理装置。
2. 上記コヒーレンス特徴量算出手段は、上記コヒーレンスの２階差分のパワーを、上記コヒーレンスのパワーで正規化した値をコヒーレンス特徴量として算出することを特徴とする請求項１に記載の音声信号処理装置。
3. 上記方位推定手段は
   コヒーレンス特徴量と音源方位との対応情報を記憶している記憶部と、
   コヒーレンス特徴量に基づいて、上記記憶部から、対応する音源方位を取り出す問合せ部と
   を有することを特徴とする請求項１又は２に記載の音声信号処理装置。
4. 上記コヒーレンス計算手段及び上記コヒーレンス特徴量算出手段の間、若しくは、上記コヒーレンス特徴量算出手段及び方位推定手段の間に、自己への入力を平滑化して出力する平滑化手段を介挿したことを特徴とする請求項１〜３のいずれかに記載の音声信号処理装置。
5. 入力音声信号から、入力音声信号に含まれている成分の音源方位を推定する音声信号処理プログラムであって、
   コンピュータを、
   入力音声信号に遅延減算処理を施すことで、所定方位に死角を有する指向性特性を付与した複数の指向性信号であって、死角を有する所定方位が異なる複数の指向性信号を形成する指向性形成手段と、
   形成された複数の指向性信号を用いてコヒーレンスを得るコヒーレンス計算手段と、
   得られたコヒーレンスを時間変化信号と捉え、その信号波形の傾き方向が変化する回数とその大きさを表すコヒーレンス特徴量を得るコヒーレンス特徴量算出手段と、
   得られたコヒーレンス特徴量の大小に応じて、上記音源方位を推定する方位推定手段と
   して機能させることを特徴とする音声信号処理プログラム。

Images