JP6472823B2

JP6472823B2 - 信号処理装置、信号処理方法および属性付与装置

Info

Publication number: JP6472823B2
Application number: JP2017054936A
Authority: JP
Inventors: 誠広畑; 谷口　徹; 徹谷口; 増田　太郎; 太郎増田
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2017-03-21
Filing date: 2017-03-21
Publication date: 2019-02-20
Anticipated expiration: 2037-03-21
Also published as: CN108630223A; US10366706B2; JP2018156047A; US20180277141A1; CN108630223B

Description

本発明の実施形態は、信号処理装置、信号処理方法およびラベル付与装置に関する。

近年、ＶｏＣ（Voice of customer）などと称される、顧客の声を収集・分析して業務改善などを図る活動が広く行われている。また、このような状況に伴い、様々な集音技術が提案されるに至っている。

特許第５１１７０１２号公報

本発明が解決しようとする課題は、たとえば面倒な事前設定などを必要とせずに、特定話者の音声と非特定話者の音声とを区別することができる信号処理装置、信号処理方法および属性付与装置を提供することである。

実施形態によれば、信号処理装置は、分離手段と、推定手段と、を具備する。前記分離手段は、異なる方位から到来する信号を含む複数の信号を分離フィルタにより分離して複数の分離信号を出力する。前記推定手段は、前記複数の分離信号ごとに到来方位を推定し、前記複数の分離信号と到来方位との対応づけを行う。前記推定手段は、第１の期間のうちの第１の割合以上の期間において第１の値以上の確信度で到来方位が推定された分離信号に第１の属性を対応づけ、その他の分離信号に第２の属性を対応づける。

実施形態の信号処理装置の外観の一例を示す図。実施形態の信号処理装置の利用シーンの一例を示す図。実施形態の信号処理装置のハードウェア構成の一例を示す図。実施形態の音声レコーダ・アプリケーションプログラムの機能ブロックの一構成例を示す図。実施形態の音声レコーダ・アプリケーションプログラムにより計算される分離信号の方位特性分布の一例を示す図。実施形態の音声レコーダ・アプリケーションプログラムが表示する初期画面の一例を示す図。実施形態の音声レコーダ・アプリケーションプログラムが表示する録音中画面の一例を示す図。実施形態の信号処理装置の特定話者の音声と非特定話者の音声との区別に関する処理の流れの一例を示すフローチャート。実施形態の信号処理装置の特定話者の音声と非特定話者の音声との区別に関する処理の流れの一変形例を示すフローチャート。

以下、実施形態について図面を参照して説明する。
図１は、実施形態の信号処理装置の外観の一例を示す図である。
この信号処理装置１０は、たとえば、指またはペン（スタイラス）による表示画面上でのタッチ操作を受け付け可能な電子機器として実現される。たとえば、この信号処理装置１０は、タブレットコンピュータやスマートフォンなどとして実現され得る。なお、この信号処理装置１０は、表示画面上でのタッチ操作のみならず、たとえば、外部接続されるキーボードやポインティングデバイス、筐体周壁に設けられる操作ボタンなどの操作を受け付け可能である。ここでは、信号処理装置１０が、表示画面上でのタッチ操作を受け付け可能であることを想定するが、この信号処理装置１０において、表示画面上でのタッチ操作を受け付け可能であることは必須ではなく、たとえば、キーボード、ポインティングデバイス、操作ボタンなどの操作を受け付け可能であるのみであっても構わない。

図１に示すように、この信号処理装置１０は、タッチスクリーンディスプレイ１１を有する。この信号処理装置１０は、たとえばスレート状の筐体を有し、タッチスクリーンディスプレイ１１は、その筐体のたとえば上面に配置される。タッチスクリーンディスプレイ１１は、フラットパネルディスプレイと、センサとを有する。センサは、指またはペンが接触するフラットパネルディスプレイの画面上の位置を検出する。フラットパネルディスプレイは、たとえばＬＣＤ（Liquid crystal display）などである。センサは、たとえば静電容量方式のタッチパネルや電磁誘導方式のデジタイザなどである。ここでは、タッチスクリーンディスプレイ１１が、タッチパネルとデジタイザとの両方を有することを想定する。

また、この信号処理装置１０は、図１には示されない音声入力端子を有しており、音声入力端子を介して音声入力機器（マイクアレイ）１２を接続することができる。音声入力機器１２は、複数のマイクを有する。また、音声入力機器１２は、信号処理装置１０の筐体の一角に取り外し自在に装着可能な形状に形成されている。図１は、音声入力端子を介して信号処理装置１０に接続された音声入力機器１２が、信号処理装置１０の本体の一角に装着されている状態を示している。なお、音声入力機器１２は、この形に限らない。複数のマイクから信号処理装置１０が音声を取得できればよく、たとえば、通信を介して信号処理装置１０と接続されてもよい。

図２は、この信号処理装置１０の利用シーンの一例を示す図である。
この信号処理装置１０は、たとえば、ＶｏＣのための音声収集システムなどとして適用され得る。図２は、スタッフａ２と顧客ａ１との間で交わされる会話の音声を、信号処理装置１０に接続した音声入力機器１２により収集している様子を示している。収集された音声は、信号処理装置１０により話者（スタッフａ２，顧客ａ１）ごとに分離され、たとえば、スタッフａ２の音声は、接客マニュアルの改善に役立てるために利用され、顧客ａ１の音声は、顧客ニーズの把握に役立てるために利用される。収集された音声の話者ごとの分離については後述する。

ところで、たとえば、分離後のスタッフａ１の音声と顧客ａ２の音声とを区別するために、スタッフａ１の音声を事前に登録しておく必要があったり、スタッフａ１と顧客ａ２との位置関係を事前に設定しておく必要があったり、などといったことは、ユーザビリティを低下させる要因となりかねない。

そこで、この信号処理装置１０は、たとえば面倒な事前設定などを必要とせずに、特定話者（スタッフａ１または顧客ａ２の一方）の音声と非特定話者（スタッフａ１または顧客ａ２の他方）の音声とを区別することができるようにしたものであり、以下、この点について詳述する。

図３は、この信号処理装置１０のハードウェア構成の一例を示す図である。
図３に示すように、この信号処理装置１０は、ＣＰＵ（Central processing unit）１０１、システムコントローラ１０２、主メモリ１０３、ＧＰＵ（Graphics processing unit）１０４、ＢＩＯＳ（Basic input/output system）−ＲＯＭ１０５、不揮発性メモリ１０６、無線通信デバイス１０７、ＥＣ（Embedded controller）１０８などを有する。

ＣＰＵ１０１は、信号処理装置１０内の様々なコンポーネントの動作を制御するプロセッサである。ＣＰＵ１０１は、不揮発性メモリ１０６から主メモリ１０３に様々なプログラムをロードして実行する。これらプログラムには、ＯＳ（Operating system）２１０や、音声レコーダ・アプリケーションプログラム２２０を含む様々なアプリケーションプログラムが含まれている。音声レコーダ・アプリケーションプログラム２２０については後述するが、音声レコーダ・アプリケーションプログラム２２０は、音声入力機器１２が収集した音声を話者ごとに分離し、その話者が特定話者か非特定話者かを示すラベル情報を付与して、音声データ３００として不揮発性メモリ１０６に格納する機能を有する。また、ＣＰＵ１０１は、ＢＩＯＳ−ＲＯＭ１０５に格納されたＢＩＯＳも実行する。ＢＩＯＳは、ハードウェア制御のためのプログラムである。

システムコントローラ１０２は、ＣＰＵ１０１のローカルバスと各種コンポーネントとの間を接続するデバイスである。システムコントローラ１０２には、主メモリ１０３をアクセス制御するメモリコントローラも内蔵されている。また、システムコントローラ１０２は、ＰＣＩｅ規格のシリアルバスなどを介してＧＰＵ１０４との通信を実行する機能も有している。さらに、システムコントローラ１０２は、前述した、音声入力端子を介して接続される音声入力機器１２から音声を入力する機能も有している。

ＧＰＵ１０４は、タッチスクリーンディスプレイ１１に組み込まれているＬＣＤ１１Ａを制御する表示プロセッサである。ＬＣＤ１１Ａは、ＧＰＵ１０４によって生成される表示信号に基づいて画面イメージを表示する。このＬＣＤ１１Ａの上面側にはタッチパネル１１Ｂが配置され、下面側にはデジタイザ１１Ｃが配置されている。指が接触されるＬＣＤ１１Ａの画面上の接触位置や接触位置の動きなどはタッチパネル１１Ｂによって検出される。また、ペン（スタイラス）が接触されるＬＣＤ１１Ａの画面上の接触位置や接触位置の動きなどはデジタイザ１１Ｃによって検出される。

無線通信デバイス１０７は、無線通信を実行するように構成されたデバイスである。ＥＣ１０８は、電力管理のためのエンベデッドコントローラを含むワンチップマイクロコンピュータである。ＥＣ１０８は、電源スイッチの操作に応じて信号処理装置１０を電源オンまたは電源オフする機能を有している。また、ＥＣ１０８は、キーボード、ポインティングデバイス、操作ボタンなどの操作を受け付けるキーボードコントローラを含む。

図４は、以上のようなハードウェア構成を持つ信号処理装置１０上で動作する音声レコーダ・アプリケーションプログラム２２０の機能ブロックの一例を示す図である。
図４に示すように、音声レコーダ・アプリケーションプログラム２２０は、音源分離部２２１、話者推定部２２２、ユーザインタフェース部２２３などを有する。なお、ここでは、音声レコーダ・アプリケーションプログラム２２０が、ＣＰＵ１０１により不揮発性メモリ１０６から主メモリ１０３にロードされて実行されることを想定している。換言すれば、音源分離部２２１、話者推定部２２２およびユーザインタフェース部２２３の各処理部は、プログラムがプロセッサにより実行されることにより実現されることを想定している。図３においては、１つのＣＰＵ１０１のみ示したが、各処理部は、複数のプロセッサにより実現されてもよい。また、各処理部は、プログラムがプロセッサにより実行されることにより実現されることに限定されず、たとえば、専用の電子回路により実現されるものであってもよい。

いま、スタッフである話者１（ｂ１）と、顧客である話者２（ｂ２−１）および話者３（ｂ２−２）との３者の間で交わされる会話の音声が、音声入力機器１２により収集されているシーンを想定する。
前述したように、音声入力機器１２は、複数のマイクを有している。音源分離部２２１は、これら複数のマイクから複数の音声信号を入力し、これら複数の音声信号を分離して複数の分離信号を出力する。より詳細には、音源分離部２２１は、複数の音声信号を音源ごとの信号に分離するためのフィルタ（分離フィルタ）である分離行列を当該複数の音声信号から推定し、その分離行列を当該複数の音声信号に乗算することにより複数の分離信号を得る。なお、複数の音声信号を音源ごとの信号に分離するためのフィルタ（分離フィルタ）は分離行列に限定されない。つまり、分離行列を用いずに複数の音声信号にＦＩＲ
フィルタ（Finite impulse response, FIR）を適用し音源ごとの信号を強調（に分離）する手法も適用し得る。

話者推定部２２２は、音源分離部２２１が出力する複数の分離信号それぞれの到来方位を推定する。より詳細には、話者推定部２２２は、音源分離部２２１により推定された分離行列を用いて複数の分離信号それぞれの方位特性分布を計算し、その方位特性分布から複数の分離信号それぞれの到来方位を推定する。方位特性は、ある角度から到来したという確信度（尤度）であり、方位特性分布は、方位特性を広範囲の角度について求めることで得られる分布である。話者推定部２２２は、この推定結果に基づき、話者（音源）数と、各話者の方位とを得ることができ、また、分離信号と話者との対応づけを行うことができる。

図５は、話者推定部２２２により計算される分離信号の方位特性分布の一例を示す図である。
図５には、分離信号１〜４の方位特性分布が示されている。分離信号２，４は、あらかじめ定められた基準値以上の確信度の方位特性を含まないため、話者推定部２２２は、雑音と判断する。分離信号１は、４５°の角度の方位特性が最大値であり、かつ、あらかじめ定められた基準値以上の値であるため、話者推定部２２２は、４５°の角度から到来したと判断する。分離信号３は、−４５°の角度の方位特性が最大値であり、かつ、あらかじめ定められた基準値以上の確信度であるため、話者推定部２２２は、−４５°の角度から到来したと判断する。換言すると、分離信号１，３は、あらかじめ定められた基準値以上の確信度で到来方位が推定された分離信号である。この話者推定部２２２による推定の結果、話者ごとの音声信号（分離信号）が、音声データ３００として不揮発性メモリ３００に格納される。

また、話者推定部２２２は、この推定結果に基づき、スタッフである話者１（ｂ１）の音声信号であると推定される分離信号には、特定話者であることを示すラベル情報を付与し、顧客である話者２（ｂ２−１）または話者３（ｂ２−２）の音声信号であると推定される分離信号には、非特定話者であることを示すラベル情報を付与する。スタッフである話者１（ｂ１）を特定話者、顧客である話者２（ｂ２−１）または話者３（ｂ２−２）を非特定話者とする対応づけについては後述する。このようなラベル情報を付与することにより、スタッフの音声と顧客の音声とを区別して取り扱うことができ、後段の処理の効率が向上する。なお、顧客（話者２（ｂ２−１），話者３（ｂ２−２））を特定話者、スタッフ（話者１（ｂ１））を非特定話者としてもよい。つまり、ラベル情報は、話者の属性を示す情報である。属性とは、一般にあるものに共通して備わっているとされる性質や特徴のことを指す。そして、ここでは、特定話者（スタッフまたは顧客の一方）または非特定話者（スタッフまたは顧客の他方）を意味する。例えば、会議をした場合の会議内容では、進行役（ファシリテーター）をする人を特定話者（または非特定話者）とし、会議参加者を非特定話者（または特定話者）としてもよい。

ユーザインタフェース部２２３は、タッチスクリーンディスプレイ１１を介してユーザに情報を出力し、また、タッチスクリーンディスプレイ１１を介してユーザから情報を入力する入出力処理を実行する。なお、ユーザインタフェース部２２３は、たとえば、キーボード、ポインティングデバイス、操作ボタンなどを介してユーザから情報を入力することもできる。

次に、図５および図６を参照して、この信号処理装置１０が、たとえば面倒な事前設定などを必要とせずに、特定話者の音声と非特定話者の音声とを区別する仕組みの概要について説明する。
図６は、音声レコーダ・アプリケーションプログラム２２０の起動時、ユーザインタフェース部２２３がタッチスクリーンディスプレイ１１に表示する初期画面の一例を示す図である。

図５中、符号ｃ１は、音声の収集、つまり録音を開始するための録音ボタンである。録音ボタンｃ１が操作されると、ユーザインタフェース部２２３は、処理の開始を音源分離部２２１および話者推定部２２２に通知する。これにより、音声レコーダ・アプリケーションプログラム２２０による録音が開始される。タッチスクリーンディスプレイ１１上でのタッチ操作が録音ボタンｃ１の表示領域に対応するものである場合、ＯＳ２１０から音声レコーダ・アプリケーションプログラム２２０、より詳細には、ユーザインタフェース部２２３への通知が行われるので、ユーザインタフェース部２２３は、録音ボタンｃ１が操作されたことを認識することができる。なお、録音ボタンｃ１の表示領域上に置かれた指などがタッチスクリーンディスプレイ１１から離れた場合も、ＯＳ２１０からユーザインタフェース部２２３への通知が行われるので、ユーザインタフェース部２２３は、録音ボタンｃ１の操作が解除されたことを認識することができる。録音ボタンｃ１以外の他のボタンについても同様である。

一方、図６は、録音が開始された後、ユーザインタフェース部２２３がタッチスクリーンディスプレイ１１に表示する録音中画面の一例を示す図である。
図６中、符号ｄ１は、音声の収集、つまり録音を停止するための停止ボタンである。停止ボタンｄ１が操作されると、ユーザインタフェース部２２３は、処理の停止を音源分離部２２１および話者推定部２２２に通知する。

また、図６中、符号ｄ２は、特定話者の音声を収集する期間を設定するための設定ボタンである。以下では、この期間に収集される音声を、学習音声と称することがある。たとえば、録音の開始後、スタッフは、自分のみが発言する機会を捉え、その発言期間中、設定ボタンｄ２を操作し続ける。この場合、設定ボタンｄ２を操作し続けた期間が、学習音声の収集期間として設定される。また、スタッフは、発言を開始する時に設定ボタンｄ２を操作し、発言を終了する時に設定ボタンｄ２を再度操作してもよい。この場合、１回目に設定ボタンｄ２を操作してから２回目に設定ボタンｄ２を操作するまでの期間が、学習音声の収集期間として設定される。発言を開始する時に操作するボタンと、発言を終了する時に操作するボタンとを、各々設けてもよい。または、設定ボタンｄ２が操作されてから一定の時間が経過するまでを、学習音声の収集期間として設定してもよい。さらには、設定ボタンｄ２の役割を図５の録音ボタンｃ１が兼ねて、録音ボタンｃ１が操作されて録音が開始されてから一定の時間が経過するまでを、学習音声の収集期間として設定してもよい。

ここでは、学習音声の収集期間を設定する場合、設定ボタンｄ２を操作し続けることを想定する。
設定ボタンｄ２が操作されると、ユーザインタフェース部２２３は、学習音声の収集の開始を話者推定部２２２に通知する。また、設定ボタンｄ２の操作が終了した際も、ユーザインタフェース部２２３は、学習音声の収集の終了を話者推定部２２２に通知する。

話者推定部２２２は、複数の分離信号の中から、学習音声の収集期間のうちのあらかじめ定められた割合以上の期間においてあらかじめ定められた基準値以上の確信度で到来方位が推定された分離信号を選び出す。話者推定部２２２は、当該選び出した分離信号に対して、特定話者であることを示すラベル情報を付与する。また、話者推定部２２２は、その他の分離信号に対して、非特定話者であることを示すラベル情報を付与する。前述したように、特定話者と非特定話者との位置づけを逆転させてもよい。

つまり、この信号処理装置１０においては、特定話者の発言が大勢を占める期間が対象期間となるように設定ボタンｄ２を操作するだけで、特定話者の音声と非特定話者の音声とを区別することができる。これにより、ユーザビリティを向上させることができる。
すなわち、信号処理装置１０は、異なる方向からの複数の音声を取得し、複数の分離音を生成する生成部と、第１の期間における到来方向の推定結果に基づき、特定話者の属性を示す第１のラベル情報または特定話者とは異なる非特定話者の属性を示す第２のラベル情報のいずれかを前記分離音に付与する付与部とを有するラベル付与装置として機能する。また、信号処理装置１０は、第１の期間と、第１のラベル情報の付与対象を指示するユーザ指示受付部をさらに有し、付与部が、ユーザの指示に応じて第１のラベル情報を付与するラベル付与装置として機能する。

図８は、この信号処理装置１０の特定話者の音声と非特定話者の音声との区別に関する処理の流れの一例を示すフローチャートである。
信号処理装置１０は、所定のボタンが操作されると（ステップＡ１；ＹＥＳ）、信号処理装置１０は、学習音声の収集を開始する（ステップＡ２）。信号処理装置１０は、所定のボタンが操作され続けている間（ステップＡ３；ＮＯ）、ステップＡ２の学習音声の収集を継続する。

一方、所定のボタンの操作が解除されると（ステップＡ３；ＹＥＳ）、信号処理装置１０は、ステップＡ２の学習音声の収集を終了し、収集した学習音声に基づき、特定話者の方位情報を取得する（ステップＡ４）。より詳細には、学習音声の収集期間のうちのあらかじめ定められた割合以上の期間においてあらかじめ定められた基準値以上の確信度で到来方位が推定された分離信号を、特定話者の音声信号と判定する。

この判定により、信号処理装置１０は、特定話者の音声信号と判定された分離信号に対して、特定話者であることを示すラベル情報を付与し、その他の分離信号に対して、非特定話者であることを示すラベル情報を付与することができる。
ところで、以上の説明では、この信号処理装置１０を使って顧客との間で交わされる会話の音声を収集するスタッフが、自分のみが発言する機会を捉え、設定ボタンｄ２を操作する例を説明した。

たとえば業種などによっては、会話の開始時、（信号処理装置１０のユーザである）スタッフや社員が発言する機会が多い場合もあれば、顧客や来客が発言する機会が多い場合もある。この点を考慮し、さらに、設定ボタンｄ２の操作すら行う必要がなく、特定話者の音声と非特定話者の音声とを区別する一変形例について説明する。

設定ボタンｄ２の操作を不要とするために、ユーザインタフェース部２２３は、録音ボタンｃ１が操作されて録音が開始された後の一定期間に多く発言する話者を特定話者とするか非特定話者とするかの設定を受け付ける。たとえば、会話の開始時にスタッフや社員が発言する機会が多い場合を想定した、録音ボタンｃ１が操作されて録音が開始された後の一定期間に多く発言する話者を特定話者とする第１のモードと、会話の開始時に顧客や来客が発言する機会が多い場合を想定した、録音ボタンｃ１が操作されて録音が開始された後の一定期間に多く発言する話者を非特定話者とする第２のモードとのいずれかのモードとするかの設定を受け付ける。なお、前述したように、特定話者と非特定話者との位置づけを逆転させてもよい。

もし、第１のモードが設定されていたならば、信号処理装置１０は、録音ボタンｃ１が操作されて録音が開始された後、一定期間、学習音声を収集し、その収集期間のうちのあらかじめ定められた割合以上の期間においてあらかじめ定められた基準値以上の確信度で到来方位が推定された分離信号を、特定話者の音声信号と判定する。

一方、第２のモードが設定されていたならば、信号処理装置１０は、録音ボタンｃ１が操作されて録音が開始された後、一定期間、学習音声を収集し、その収集期間のうちのあらかじめ定められた割合以上の期間においてあらかじめ定められた基準値以上の確信度で到来方位が推定された分離信号を、非特定話者の音声信号と判定する。

図９は、この信号処理装置１０の特定話者の音声と非特定話者の音声との区別に関する処理の流れの一変形例を示すフローチャートである。
信号処理装置１０は、録音ボタンが操作され、録音を開始した際（ステップＢ１；ＹＥＳ）、学習音声の収集を開始する（ステップＢ２）。信号処理装置１０は、一定期間、ステップＢ２の学習音声の収集を継続する。つまり、所定の期間が経過すると（ステップＢ３；ＹＥＳ）、信号処理装置１０は、ステップＢ２の学習音声の収集を終了する。

次に、信号処理装置１０は、第１モードまたは第２モードのいずれのモードが設定されているのかを調べる（ステップＢ４）。第１のモードが設定されている場合（ステップＢ４；ＹＥＳ）、信号処理装置１０は、収集した学習音声に基づき、特定話者の方位情報を取得する（ステップＢ５）。より詳細には、学習音声の収集期間のうちのあらかじめ定められた割合以上の期間においてあらかじめ定められた基準値以上の確信度で到来方位が推定された分離信号を、特定話者の音声信号と判定する。

一方、第２のモードが設定されている場合（ステップＢ４；ＮＯ）、信号処理装置１０は、収集した学習音声に基づき、非特定話者の方位情報を取得する（ステップＢ６）。より詳細には、学習音声の収集期間のうちのあらかじめ定められた割合以上の期間においてあらかじめ定められた基準値以上の確信度で到来方位が推定された分離信号を、非特定話者の音声信号と判定する。

以上説明したように、この信号処理装置１０によれば、たとえば面倒な事前設定などを必要とせずに、特定話者の音声と非特定話者の音声とを区別することができる。
なお、特定話者の音声と非特定話者の音声とを区別する手法としては、たとえば、音声認識部を備えて、前述のように設定される学習音声の収集期間においてあらかじめ定められたキーワードが認識された音声（分離信号）を特定話者の音声と推定する手法などを適用してもよい。

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。

１０…信号処理装置、１１…タッチスクリーンディスプレイ、１１Ａ…ＬＣＤ、１１Ｂ…タッチパネル、１１Ｃ…デジタイザ、１２…音声入力機器、１０１…ＣＰＵ、１０２…システムコントローラ、１０３…主メモリ、１０４…ＧＰＵ、１０５…ＢＩＯＳ−ＲＯＭ、１０６…不揮発性メモリ、１０７…無線通信デバイス、１０８…ＥＣ、２１０…ＯＳ、２２０…音声レコーダ・アプリケーションプログラム、２２１…音源分離部、２２２…話者推定部、２２３…ユーザインタフェース部、３００…音声データ。

Claims

異なる方位から到来する信号を含む複数の信号を分離フィルタにより分離して複数の分離信号を出力する分離手段と、
前記複数の分離信号ごとに到来方位を推定し、前記複数の分離信号と到来方位との対応づけを行う推定手段と、
を具備し、
前記推定手段は、第１の期間のうちの第１の割合以上の期間において第１の値以上の確信度で到来方位が推定された分離信号に第１の属性を対応づけ、その他の分離信号に第２の属性を対応づける、
信号処理装置。
異なる方位から到来する信号を含む複数の信号を分離フィルタにより分離して複数の分離信号を出力する分離手段と、
前記複数の分離信号ごとに到来方位を推定し、前記複数の分離信号と到来方位との対応づけを行う推定手段と、
を具備し、
前記推定手段は、第１のボタンが操作されている期間における到来方位の推定結果に基づき、第１の属性または第２の属性のいずれかを、到来方位との対応づけが行われる分離信号それぞれに対応づける、
信号処理装置。
異なる方位から到来する信号を含む複数の信号を分離フィルタにより分離して複数の分離信号を出力する分離手段と、
前記複数の分離信号ごとに到来方位を推定し、前記複数の分離信号と到来方位との対応づけを行う推定手段と、
を具備し、
前記推定手段は、第１のボタンが操作されてから第１の時間が経過するまでの期間における到来方位の推定結果に基づき、第１の属性または第２の属性のいずれかを、到来方位との対応づけが行われる分離信号それぞれに対応づける、
信号処理装置。
異なる方位から到来する信号を含む複数の信号を分離フィルタにより分離して複数の分離信号を出力する分離手段と、
前記複数の分離信号ごとに到来方位を推定し、前記複数の分離信号と到来方位との対応づけを行う推定手段と、
を具備し、
前記推定手段は、第１のボタンが操作されてから第２のボタンが操作されるまでの期間または前記第１のボタンに対する第１の操作が行われてから前記第１のボタンに対する第２の操作が行われるまでの期間における到来方位の推定結果に基づき、第１の属性または第２の属性のいずれかを、到来方位との対応づけが行われる分離信号それぞれに対応づける、
信号処理装置。
異なる方位から到来する信号を含む複数の信号を分離フィルタにより分離して複数の分離信号を出力する分離手段と、
前記複数の分離信号ごとに到来方位を推定し、前記複数の分離信号と到来方位との対応づけを行う推定手段と、
前記分離信号を音声として認識する認識手段と、
を具備し、
前記推定手段は、第１の期間内に第１の信号が認識された分離信号に第１の属性を対応づけ、その他の分離信号に第２の属性を対応づける、
信号処理装置。
異なる方位から到来する信号を含む複数の信号を分離フィルタにより分離して複数の分離信号を出力する分離手段と、
前記複数の分離信号ごとに到来方位を推定し、前記複数の分離信号と到来方位との対応づけを行う推定手段と、
を具備し、
前記推定手段は、前記複数の信号が供給され始めてから第１の時間が経過するまでの期間における到来方位の推定結果に基づき、第１の属性または第２の属性のいずれかを、到来方位との対応づけが行われる分離信号それぞれに対応づける、
信号処理装置。
異なる方位から到来する信号を含む複数の信号を分離フィルタにより分離して複数の分離信号を出力する分離手段と、
前記複数の分離信号ごとに到来方位を推定し、前記複数の分離信号と到来方位との対応づけを行う推定手段と、
を具備し、
前記推定手段は、前記複数の信号が供給され始めてから第１の時間が経過するまでの第１の期間のうちの第１の割合以上の期間において第１の値以上の確信度で到来方位が推定された分離信号に第１の属性または第２の属性のうちのあらかじめ設定された一方を対応づける信号処理装置。
前記第１の期間のうちの前記第１の割合以上の期間において前記第１の値以上の確信度で到来方位が推定された分離信号に前記第１の属性または前記第２の属性のいずれを対応づけるのかの設定を受け付けるユーザインタフェース手段を具備する請求項７に記載の信号処理装置。
異なる方位から到来する信号を含む複数の信号を分離フィルタにより分離して複数の分離信号を出力することと、
前記複数の分離信号ごとに到来方位を推定し、前記複数の分離信号と到来方位との対応づけを行うことと、
第１の期間のうちの第１の割合以上の期間において第１の値以上の確信度で到来方位が推定された分離信号に第１の属性を対応づけ、その他の分離信号に第２の属性を対応づけることと、
を具備する信号処理方法。
異なる方向からの複数の音声を取得し、複数の分離音を生成する生成部と、
第１の期間における到来方向の推定結果に基づき、特定話者を示す第１の属性または前記特定話者とは異なる非特定話者を示す第２の属性のいずれかを前記分離音に付与する付与部と、
前記第１の期間と、前記第１の属性の付与対象を指示するユーザ指示受付部と、
を有し、
前記付与部は、ユーザの指示に応じて前記第１の属性を付与する、
属性付与装置。