JP6396829B2 - 情報処理装置、判定方法及びコンピュータプログラム - Google Patents

Description

本発明は、エコーキャンセラによって既にエコー成分が除去されているか否か判定する技術に関する。

従来、アコースティックエコー又はハウリング（以下、まとめて「エコー」という。）の発生を防止する技術としてエコーキャンセラが提案されている（例えば特許文献１参照）。エコーキャンセラは、発話者が使用するマイク（以下、「遠端マイク」という。）によって取得された音声信号（以下、「遠端音声信号」という。）と、受話者が使用するマイク（以下、「近端マイク」という。）によって取得された音声信号と、に基づいて、近端マイクによって取得された音声信号に含まれるエコー成分を推定する。エコーキャンセラは、近端マイクによって取得された音声信号から、推定されたエコー成分を削除することによって、エコーの発生を抑制する。

特開２０１４−３６２９１号公報

近年提供されている端末装置やアプリケーションには、独自にエコーキャンセラが搭載されていることが多い。そのため、複数のエコーキャンセラが重複して動作してしまう場合がある。このような場合、すでにエコー成分が削除された音声信号を取得するエコーキャンセラは、正しくエコー成分を推定できない。そのため、本来除去されるべきではない音声信号が除去されてしまう等の不具合が生じるという問題があった。従来は、このような問題に対し、人手で調査することによってエコーキャンセラが動作しているか否か判断していた。

上記事情に鑑み、本発明は、エコーキャンセラが動作しているか否かをより容易に判定することを可能とする技術の提供を目的としている。

本発明の一態様は、発話者が使用するマイクによって取得された音声信号である遠端音声信号と、受話者が使用するマイクによって取得された音声信号であってエコーキャンセラによってエコー成分が除去されている可能性がある音声信号である近端音声信号と、のパワー値の差に関する情報に基づいて、前記近端音声信号において前記エコー成分が除去されているか否か判定する判定部、を備える情報処理装置である。

本発明の一態様は、上記の情報処理装置であって、前記判定部は、遠端音声信号と、前記遠端音声信号に由来するエコー成分が含まれている可能性のある近端音声信号と、のパワー値の差を表す第一特徴量を、複数の遠端音声信号について取得し、前記判定部は、前記第一特徴量の時間変化に基づいて前記エコー成分が除去されているか否か判定する。

本発明の一態様は、上記の情報処理装置であって、前記判定部は、前記発話者と前記受話者との間の通話が開始されてから所定の時間が経過するまでの間に判定する。

本発明の一態様は、上記の情報処理装置であって、前記判定部は、前記遠端音声信号及び前記近端音声信号を、人間の声が含まれる周波数帯域である音声帯域と人間の声が含まれない周波数帯域である非音声帯域とに分離し、前記遠端音声信号の前記音声帯域の信号と、前記近端音声信号の前記音声帯域の信号とのパワー値の差を表す音声帯域特徴量と、前記遠端音声信号の前記非音声帯域の信号と、前記近端音声信号の前記非音声帯域の信号とのパワー値の差を表す非音声帯域特徴量と、を取得し、前記音声帯域特徴量と前記非音声帯域特徴量とのパワー値の差を表す情報に基づいて前記エコー成分が除去されてるか否か判定する。

本発明の一態様は、上記の情報処理装置であって、前記判定部は、前記発話者と前記受話者との間の通話が開始されてから所定の時間が経過してから判定する。

本発明の一態様は、発話者が使用するマイクによって取得された音声信号である遠端音声信号と、受話者が使用するマイクによって取得された音声信号であってエコーキャンセラによってエコー成分が除去されている可能性がある音声信号である近端音声信号と、のパワー値の差に関する情報を取得するステップと、前記近端音声信号において前記エコー成分が除去されているか否か判定するステップと、を有する判定方法である。

本発明の一態様は、発話者が使用するマイクによって取得された音声信号である遠端音声信号と、受話者が使用するマイクによって取得された音声信号であってエコーキャンセラによってエコー成分が除去されている可能性がある音声信号である近端音声信号と、のパワー値の差に関する情報を取得するステップと、前記近端音声信号において前記エコー成分が除去されているか否か判定するステップと、をコンピュータに実行させるためのコンピュータプログラムである。

本発明により、エコーキャンセラが動作しているか否かをより容易に判定することを可能となる。

第一実施形態の通話システム１００の概念を示すシステム概念図である。 検出部２００の動作の流れの例を示すフローチャートである。 第二実施形態の通話システム１００ａの概念を示すシステム概念図である。 第二実施形態の検出部２００ａの動作の原理を示す図である。 検出部２００ａの動作の流れの例を示すフローチャートである。 第三実施形態の通話システム１００ｂの概念を示すシステム概念図である。 上述した本発明における検出部２００が適用された通話システム９００の例を示す図である。 通話サーバ５００の機能構成例を示す概略ブロック図である。 通話サーバ５００の動作の流れを示す図である。 検出部２００に相当する機能を備えた通話端末７００の機能構成を示す概略ブロック図である。

［第一実施形態］
図１は、第一実施形態の通話システム１００の概念を示すシステム概念図である。通話システム１００は、遠端マイク１０、発話者に対して音声を出力するスピーカー（以下、「遠端スピーカー」という。）２０、受話者に対して音声を出力するスピーカー（以下、「近端スピーカー」という。）３０、近端マイク４０、検出部２００を備える。図１に示す概念図では、通話システム１００にはエコーキャンセラ３００が具備されている。図１に示されるように、発話者の位置を遠端と呼び、受話者の位置を近端と呼ぶ。また、発話者とは、自身が発話した音声が、スピーカーからエコーとして聞こえる者を指す。受話者とは、発話者の通話相手の者を指す。検出部２００は、エコーキャンセラ３００よりも遠端側に設けられる。検出部２００は、自装置よりも近端側にエコーキャンセラが設けられているか否かを判定する。なお、第一実施形態における検出部２００の処理は、発話者と受話者との間における通話が開始された直後から所定の時間内に実行されることが望ましい。言い換えると、第一実施形態における検出部２００の処理は、発話者と受話者との間で動作する可能性のあるエコーキャンセラによるエコーの除去が安定する前に実行されることが望ましい。

検出部２００の具体的な処理について説明する。検出部２００は、遠端マイク１０によって取得された音声信号を含む音声フレーム（以下、「遠端音声フレーム」という。）を、ネットワーク４００を介して取得する。検出部２００は、近端マイク４０によって取得された音声信号であって既にエコーキャンセラによってエコー成分が除去されている可能性がある音声信号（以下、「近端音声信号」という。）を含む音声フレーム（以下、「近端音声フレーム」という。）を取得する。検出部２００は、取得された遠端音声フレームと近端音声フレームとを記憶する。検出部２００は、遠端音声フレームと、この遠端音声フレームに由来するエコーが含まれる可能性のある近端音声フレーム（以下、「対応フレーム」という。）と、に基づいて第一特徴量を取得する。ある遠端音声フレームに由来するエコーがどの近端音声フレームに含まれる可能性があるかについては、検出部２００が設けられる位置に応じて予め検出部２００に設定されている。例えば、検出部２００がある遠端音声フレームを取得してから、この遠端音声フレームの音声信号が近端スピーカー３０から出力され、その時点で近端マイク４０によって取得された音声信号を含む近端音声フレームが検出部２００によって取得されるまでに要する時間に基づいて、上記設定がなされる。

第一特徴量は、遠端音声フレームの音声信号と、対応フレームの音声信号とのパワー値の差が現れる量であれば、どのような量であってもよい。パワー値とは、音声信号の振幅に基づく値である。パワー値は、例えば音声信号の振幅の二乗として定義されてもよい。検出部２００は、例えば遠端音声フレームに含まれる音声信号のパワー値の平均値と、対応フレームに含まれる音声信号のパワー値の平均値との比を第一特徴量として取得してもよい。検出部２００は、遠端音声フレーム及び対応フレームの複数の組み合わせについて第一特徴量を取得する。

検出部２００は、複数の第一特徴量に基づいて第二特徴量を取得する。第二特徴量は、第一特徴量の時間変化が表れる量であれば、どのような量であってもよい。検出部２００は、例えば時刻ｔに取得された遠端音声フレームに関する第一特徴量と、時刻ｔ＋ｎに取得された遠端音声フレームに関する第一特徴量との比を第二特徴量として取得する。検出部２００は、第二特徴量が所定の閾値以上である場合、自装置よりも近端側でエコーキャンセラが動作していると判定する。検出部２００は、第二特徴量が所定の閾値未満である場合、自装置よりも近端側でエコーキャンセラが動作していないと判定する。

一般的に、エコーキャンセラは、通話が開始されてからある程度の時間が経過するまでは、適切にエコー成分を削除することができない。その理由は、エコーキャンセラがエコー成分を適切に推定することができないためである。エコー成分の推定精度は、時間の経過と共に向上していく。そのため、ある程度の時間が経過するまでは、近端音声フレームの音声信号に含まれるエコー成分の量が時間に応じて変化（減少）する。第一実施形態における検出部２００は、この時間変化に基づいてエコーキャンセラの動作を検出する。

なお、ある程度の時間が経過すると、エコー成分の推定精度が充分に高くなり、安定してエコー成分を削除することが可能となる。そのため、第一実施形態における検出部２００は、エコー成分の削除が安定する前に動作することによってエコーキャンセラの動作を検出する。

図１の場合、検出部２００は、エコーキャンセラ３００が動作しているか否かについて判定することができる。なお、検出部２００は、エコーキャンセラ３００が実装されている装置と同じ装置に実装されてもよいし、異なる装置に実装されてもよい。例えば、検出部２００が通話サーバに実装され、エコーキャンセラ３００が端末装置に実装されてもよい。

図２は、検出部２００の動作の流れの例を示すフローチャートである。検出部２００は、遠端音声フレームを取得する（ステップＳ１０１）。検出部２００は、取得された遠端音声フレームを記憶する（ステップＳ１０２）。検出部２００は、近端音声フレームを取得する（ステップＳ１０３）。検出部２００は、取得された近端音声フレームを記憶する（ステップＳ１０４）。検出部２００は、記憶されている遠端音声フレーム及び対応フレームの複数の組み合わせに基づいて複数の第一特徴量を取得する（ステップＳ１０５）。検出部２００は、複数の第一特徴量（例えば２つの第一特徴量）に基づいて、第二特徴量を取得する（ステップＳ１０６）。検出部２００は、予め記憶している閾値と第二特徴量とを比較する（ステップＳ１０７）。第二特徴量が所定の閾値以上である場合（ステップＳ１０７−ＹＥＳ）、検出部２００は自装置よりも近端側でエコーキャンセラが動作していると判定する（ステップＳ１０８）。第二特徴量が所定の閾値未満である場合（ステップＳ１０７−ＮＯ）、検出部２００は自装置よりも近端側でエコーキャンセラが動作していないと判定する（ステップＳ１０９）。

［第二実施形態］
図３は、第二実施形態の通話システム１００ａの概念を示すシステム概念図である。通話システム１００ａは、検出部２００に代えて検出部２００ａを備える点で第一実施形態と相違する。第二実施形態の通話システム１００ａの検出部２００ａを除く構成は、第一実施形態の通話システム１００と同様である。第二実施形態における検出部２００ａの処理は、発話者と受話者との間における通話が開始されてから所定の時間が経過した後に実行されることが望ましい。言い換えると、第二実施形態における検出部２００ａの処理は、発話者と受話者との間で動作する可能性のあるエコーキャンセラによるエコーの除去が安定した後に実行されることが望ましい。

検出部２００ａの具体的な処理について説明する。検出部２００ａは、遠端音声フレームを、ネットワーク４００を介して取得する。検出部２００ａは、近端音声フレームを取得する。検出部２００ａは、取得された遠端音声フレームと近端音声フレームとを記憶する。検出部２００ａは、遠端音声フレームの音声信号を、音声帯域の信号と非音声帯域の信号とに分離する。また、検出部２００ａは、対応フレームの音声信号を、音声帯域の信号と非音声帯域の信号とに分離する。音声帯域とは、一般的な人間の声が含まれる周波数帯域を表す。非音声帯域とは、一般的な人間の声が含まれない周波数帯域を表す。

検出部２００ａは、遠端音声フレームの音声帯域の信号と、対応フレームの音声帯域の信号とに基づいて第一特徴量を取得する。さらに、検出部２００ａは、遠端音声フレームの非音声帯域の信号と、対応フレームの非音声帯域の信号とに基づいて第一特徴量を取得する。

検出部２００ａは、一組の遠端音声フレーム及び対応フレームから取得された音声帯域の第一特徴量と非音声帯域の第一特徴量とに基づいて第三特徴量を取得する。第三特徴量は、音声帯域の第一特徴量と非音声帯域の第一特徴量とのパワー値の差が表れる量であれば、どのような量であってもよい。検出部２００ａは、音声帯域の第一特徴量と、非音声帯域の第一特徴量との比を第三特徴量として取得する。検出部２００ａは、第三特徴量が所定の閾値以上である場合、自装置よりも近端側でエコーキャンセラが動作していると判定する。検出部２００ａは、第三特徴量が所定の閾値未満である場合、自装置よりも近端側でエコーキャンセラが動作していないと判定する。

図４は、第二実施形態の検出部２００ａの動作の原理を示す図である。図４（Ａ）〜（Ｃ）において、横軸は音声信号の周波数を示し、縦軸は各周波数における信号成分のパワー値を示す。図４（Ａ）は、遠端マイクにおいてホワイトノイズが入力された場合の遠端音声信号の例を示す。図４（Ｂ）及び図４（Ｃ）は、図４（Ａ）に示される遠端音声信号が近端スピーカー３０から出力されて近端マイクによって入力された場合の近端音声信号の例を示す。ただし、図４（Ｂ）ではエコーキャンセラが動作しておらず、図４（Ｃ）ではエコーキャンセラが動作している。一般的に、エコーキャンセラは音声帯域において機能する。そのため、以下のような現象が生じる。

エコーキャンセラが動作していない場合、音声帯域と非音声帯域とで信号のパワー値に大きな差は生じない（図４（Ｂ）参照）。一方、エコーキャンセラが動作している場合、音声帯域においてのみ、信号のパワー値が減衰している。そのため、音声帯域と非音声帯域とで信号のパワー値に差が生じる（図４（Ｃ）参照）。このような性質があるため、エコーキャンセラが動作している場合、第三特徴量の値が大きくなる。したがって、第三特徴量の値を閾値と比較することによって、エコーキャンセラが動作しているか否か判定することが可能となる。

第二実施形態における検出部２００ａは、このような原理に基づいてエコーキャンセラの動作を検出する。

図３の場合、検出部２００ａは、エコーキャンセラ３００が動作しているか否かについて判定することができる。なお、検出部２００ａは、エコーキャンセラ３００が実装されている装置と同じ装置に実装されてもよいし、異なる装置に実装されてもよい。例えば、検出部２００ａが通話サーバに実装され、エコーキャンセラ３００が端末装置に実装されてもよい。

図５は、検出部２００ａの動作の流れの例を示すフローチャートである。検出部２００ａは、遠端音声フレームを取得する（ステップＳ１０１）。検出部２００ａは、取得された遠端音声フレームを記憶する（ステップＳ１０２）。検出部２００ａは、近端音声フレームを取得する（ステップＳ１０３）。検出部２００ａは、取得された近端音声フレームを記憶する（ステップＳ１０４）。検出部２００ａは、記憶されている遠端音声フレーム及び対応フレームの音声信号をそれぞれ音声帯域と非音声帯域とに分割する。検出部２００ａは、音声帯域の第一特徴量と非音声帯域の第一特徴量とを取得する（ステップＳ２０２）。検出部２００ａは、音声帯域の第一特徴量と非音声帯域の第一特徴量とに基づいて、第三特徴量を取得する（ステップＳ２０３）。検出部２００ａは、予め記憶している閾値と第三特徴量とを比較する（ステップＳ２０４）。第三特徴量が所定の閾値以上である場合（ステップＳ２０４−ＹＥＳ）、検出部２００ａは自装置よりも近端側でエコーキャンセラが動作していると判定する（ステップＳ１０８）。第三特徴量が所定の閾値未満である場合（ステップＳ２０４−ＮＯ）、検出部２００ａは自装置よりも近端側でエコーキャンセラが動作していないと判定する（ステップＳ１０９）。

［第三実施形態］
図６は、第三実施形態の通話システム１００ｂの概念を示すシステム概念図である。通話システム１００ｂは、検出部２００ａに代えて検出部２００ｂを備える点で第二実施形態と相違する。第三実施形態の通話システム１００ｂの検出部２００ｂを除く構成は、第二実施形態の通話システム１００ａと同様である。第三実施形態における検出部２００ｂは、自装置において生成した所定の音声信号を、遠端音声信号に追加する。所定の音声信号は、例えばホワイトノイズであってもよい。検出部２００ｂがエコーキャンセラの動作の有無を判定する処理は、第一実施形態における検出部２００と同じであってもよいし、第二実施形態における検出部２００ａと同じであっても良い。第三実施形態では、検出部２００ｂが遠端音声信号に所定の音声信号を追加するため、発話者が無言であってもエコーキャンセラの動作の有無を判定することが可能となる。

［変形例］
検出部２００は、第一実施形態における検出部２００と第二実施形態における検出部２００ａとの動作を実行可能に構成されてもよい。この場合、たとえば検出部２００は、通話が開始された直後から所定の時間が経過するまでは第一実施形態における検出部２００の動作によってエコーキャンセラの動作の有無を判定する。検出部２００は、通話が開始されてから所定の時間が経過した後は、第二実施形態における検出部２００ａの動作によってエコーキャンセラの動作の有無を判定する。
第一特徴量を取得する際には、必ずしも音声信号のパワー値を用いる必要は無い。例えば、音声信号のパワー値に代えて、音圧の絶対値、対数パワー、絶対値のパワーなどが用いられてもよい。

［適用例］
図７は、上述した本発明における検出部２００が適用された通話システム９００の例を示す図である。通話システム９００は、通話サーバ５００、通話端末６００及び通話端末７００を備える。以下の説明では、通話端末６００のユーザが発話した際に生じるエコーを除去するエコーキャンセラの動作の有無の判定について説明する。

図８は、通話サーバ５００の機能構成例を示す概略ブロック図である。通話サーバ５００は、通信部５０１、通話制御部５０２、エコーキャンセラ５０３及び検出部５０４を備える。通信部５０１は、ネットワークを介して通話端末６００及び通話端末７００と通信する。通話制御部５０２は、通話端末６００及び通話端末７００との間で行われる通話を実現するための処理を実行する。エコーキャンセラ５０３は、通話端末６００及び通話端末７００との間で行われる通話で生じるエコーを除去する。検出部５０４は、上述した第一実施形態から第三実施形態のいずれかにおける検出部２００として機能する。

図９は、通話サーバ５００の動作の流れを示す図である。図９の例では、検出部５０４に第一実施形態の検出部２００が適用されている。図１のステップＳ１０１〜ステップＳ１０９に関しては、図２に示される処理と同じである。通話サーバ５００では、検出部５０４がエコーキャンセラの動作が無いと判定した場合に、エコーキャンセラ５０３が起動する。一方、検出部５０４がエコーキャンセラの動作が有ると判定した場合、エコーキャンセラ５０３は起動されない。このように通話サーバ５００が動作することによって、重複してエコーキャンセラが動作してしまうことを防止することができる。

上述した説明では、検出部２００に相当する機能が通話サーバ５００に具備されている。検出部２００に相当する機能は、通話端末７００に具備されてもよい。図１０は、検出部２００に相当する機能を備えた通話端末７００の機能構成を示す概略ブロック図である。

通話端末７００は、通信部７０１、通話制御部７０２、音声出力部７０３、音声入力部７０４及びエコーキャンセラ制御部７１０を備える。通信部７０１は、ネットワークを介して通話サーバ５００及び通話端末６００と通信する。通話制御部７０２は、通話端末６００と自装置との間で行われる通話を実現するための処理を実行する。音声出力部７０３は、スピーカーである。音声出力部７０３は、通話により生じる音声（遠端音声信号により表される音声）を出力する。音声入力部はマイクである。音声入力部７０４は、通話端末７００のユーザの発話音声等の音声を入力する。音声入力部７０４から入力される音声には、音声出力部７０３によって出力された音声も含まれる。エコーキャンセラ制御部７１０は、通話端末６００及び通話端末７００との間で行われる通話で生じるエコーを除去するための処理を行う。

以下、エコーキャンセラ制御部７１０について詳細に説明する。エコーキャンセラ制御部７１０は、検出部７１１及びエコーキャンセラ７１２を備える。検出部７１１は、上述した第一実施形態から第三実施形態のいずれかにおける検出部２００として機能する。検出部７１１は、検出結果をエコーキャンセラ７１２に通知する。検出部７１１が、他のエコーキャンセラの動作が無いと判定した場合、エコーキャンセラ７１２は起動する。一方、検出部７１１が、他のエコーキャンセラの動作が有ると判定した場合、エコーキャンセラ７１２は起動しない。このように通話端末７００におけるエコーキャンセラ制御部７１０が動作することによって、重複してエコーキャンセラが動作してしまうことを防止することができる。

通話端末７００において、エコーキャンセラ制御部７１０は、どのような形で実装されてもよい。例えば、通話端末７００のＯＳ（Operating System）にエコーキャンセラ制御部７１０が組み込まれていてもよい。例えば、通話端末７００にアプリケーションとしてエコーキャンセラ制御部７１０が組み込まれていてもよい。例えば、通話端末７００にハードウェアとしてエコーキャンセラ制御部７１０が組み込まれていてもよい。また、エコーキャンセラ制御部７１０に相当する機能が、通話サーバ５００に設けられてもよい。

上述した実施形態における検出部２００、２００ａ、２００ｂ及びエコーキャンセラ制御部７１０の機能をコンピュータで実現するようにしても良い。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１００，１００ａ，１００ｂ…通話システム， １０…遠端マイク， ２０…遠端スピーカ， ３０…近端スピーカ， ４０…近端マイク， ２００，２００ａ，２００ｂ…検出部， ３００…エコーキャンセラ， ５００…通話サーバ， ６００…通話端末， ７００…通話端末， ５０１…通信部， ５０２…通話制御部， ５０３…エコーキャンセラ， ５０４…検出部， ７０１…通信部， ７０２…通話制御部， ７０３…音声出力部， ７０４…音声入力部， ７１０…エコーキャンセラ制御部， ７１１…検出部， ７１２…エコーキャンセラ， ９００…通話システム

Claims (4)

1. 発話者が使用するマイクによって取得された音声信号である遠端音声信号と、受話者が使用するマイクによって取得された音声信号であってエコーキャンセラによってエコー成分が除去されている可能性がある音声信号である近端音声信号と、のパワー値の差に関する情報に基づいて、前記近端音声信号において前記エコー成分が除去されているか否か判定する判定部、を備え、
   前記判定部は、
   前記遠端音声信号及び前記近端音声信号を、人間の声が含まれる周波数帯域である音声帯域と人間の声が含まれない周波数帯域である非音声帯域とに分離し、
   前記遠端音声信号の前記音声帯域の信号と、前記近端音声信号の前記音声帯域の信号とのパワー値の差を表す音声帯域特徴量と、前記遠端音声信号の前記非音声帯域の信号と、前記近端音声信号の前記非音声帯域の信号とのパワー値の差を表す非音声帯域特徴量と、を取得し、
   前記音声帯域特徴量と前記非音声帯域特徴量とのパワー値の差を表す情報に基づいて前記エコー成分が除去されているか否か判定する、情報処理装置。
2. 前記判定部は、前記発話者と前記受話者との間の通話が開始されてから所定の時間が経過してから判定する、請求項１に記載の情報処理装置。
3. 発話者が使用するマイクによって取得された音声信号である遠端音声信号と、受話者が使用するマイクによって取得された音声信号であってエコーキャンセラによってエコー成分が除去されている可能性がある音声信号である近端音声信号と、のパワー値の差に関する情報を取得するステップと、
   前記近端音声信号において前記エコー成分が除去されているか否か判定するステップと、を有し、
   前記パワー値の差に関する情報を取得するステップでは、
   前記遠端音声信号及び前記近端音声信号を、人間の声が含まれる周波数帯域である音声帯域と人間の声が含まれない周波数帯域である非音声帯域とに分離し、
   前記遠端音声信号の前記音声帯域の信号と、前記近端音声信号の前記音声帯域の信号とのパワー値の差を表す音声帯域特徴量と、前記遠端音声信号の前記非音声帯域の信号と、前記近端音声信号の前記非音声帯域の信号とのパワー値の差を表す非音声帯域特徴量と、を取得し、
   前記判定するステップでは、前記音声帯域特徴量と前記非音声帯域特徴量とのパワー値の差を表す情報に基づいて前記エコー成分が除去されているか否か判定する、
   判定方法。
4. 発話者が使用するマイクによって取得された音声信号である遠端音声信号と、受話者が使用するマイクによって取得された音声信号であってエコーキャンセラによってエコー成分が除去されている可能性がある音声信号である近端音声信号と、のパワー値の差に関する情報に基づいて、前記近端音声信号において前記エコー成分が除去されているか否か判定する判定部、を備え、
   前記判定部は、
   前記遠端音声信号及び前記近端音声信号を、人間の声が含まれる周波数帯域である音声帯域と人間の声が含まれない周波数帯域である非音声帯域とに分離し、
   前記遠端音声信号の前記音声帯域の信号と、前記近端音声信号の前記音声帯域の信号とのパワー値の差を表す音声帯域特徴量と、前記遠端音声信号の前記非音声帯域の信号と、前記近端音声信号の前記非音声帯域の信号とのパワー値の差を表す非音声帯域特徴量と、を取得し、
   前記音声帯域特徴量と前記非音声帯域特徴量とのパワー値の差を表す情報に基づいて前記エコー成分が除去されているか否か判定する情報処理装置、としてコンピュータを機能させるためのコンピュータプログラム。

Images