JP6544182B2 - 音声処理装置、プログラム及び方法 - Google Patents

Description

この発明は、音声処理装置、プログラム及び方法に関し、例えば、電話やテレビ会議などにおける音声処理や、音声認識処理に際して、目的音以外の非目的音（例えば、妨害音声）の抑圧処理（抑圧処理）に適用し得る。

近年、スマートフォンやカーナビゲーションなどの音声通話機能や音声認識機能などの様々な音声処理機能に対応する装置（以下、これらの装置を総称して「音声処理装置」と呼ぶものとする）が普及している。しかし、これらの音声処理装置が普及したことで、混雑した街中や走行中の車内など、以前よりも過酷な雑音環境下で音声処理装置が用いられるようになってきている。そのため、雑音環境下でも通話音質や音声認識性能を維持できるような、音声処理装置の需要が高まっている。

従来の音声処理装置において、目的音を抽出して取得する際には、目的音以外の非目的音を抑圧する処理が行われる。従来の非目的音を抑圧する音声処理装置としては、例えば、特許文献１に記載された技術がある。

特許文献１に記載された装置では、入力音声信号に遅延減算処理を施して、第１、第２の所定方位に死角を有する第１、第２の指向性信号を形成し、これら２つの指向性信号のコヒーレンスを取得する。そして、特許文献１に記載された装置ではでは、取得したコヒーレンスと判定閾値とを比較して、入力音声信号が、目的方位から到来している目的音声の区間か、それ以外の非目的音声区間かを判定し、この判定結果に応じてゲインを設定し、ゲインを入力音声信号に乗算して非目的音声を減衰する。

特開２０１３−１８２０４４号公報

ところで、通常非目的音に含まれる成分としては、例えば、背景雑音（例えば、街中での雑踏や、自動車の走行雑音など）と、妨害音声（例えば、当該音声処理装置の使用者以外の人の話し声）に大別できる。従来、背景雑音は周波数特性やパワーが定常であることを前提に、様々な有効な抑圧方法が提案されている。一方で、妨害音声は信号パワーや周波数特性が非定常であるうえに、目的音声（音声処理機能使用者の声）と同様に人間の声である。したがって、従来の音声処理装置において、妨害音声を検出しようとする場合、背景雑音のように目的音声との挙動の差異に基づいて存在の有無を判定することが困難である。このため、従来の音声処理装置で、妨害音を抑圧しようとすると、妨害音の有無によらず、過度に抑圧処理を施して音質の歪が顕著になったり、抑圧不足で妨害音の残留成分によって通話音質や音声認識性能が所定の水準に達しない、といった問題が生じる。

以上のような問題に鑑みて、過不足なく妨害音声を抑圧する音声処理装置、プログラム及び方法が望まれている。

第１の本発明の音声処理装置は、（１）複数のマイクから得られた入力信号を時間領域から周波数領域に変換された周波数領域入力信号を取得し、取得した前記マイクごとの周波数領域入力信号の差に基づいて、正面に死角を有する正面抑圧信号を生成する正面抑圧信号生成部と、（２）前記複数のマイクから得られた入力信号からコヒーレンスを計算するコヒーレンス計算部と、（３）前記正面抑圧信号と、前記コヒーレンスとの関係性を表す特徴量を算出し、前記特徴量に基づいて、前記入力信号の妨害音声を抑圧して、抑圧後信号を取得する妨害音声抑圧処理部とを有することを特徴とする。

第２の本発明の音声処理プログラムは、コンピュータを、（１）複数のマイクから得られた入力信号を時間領域から周波数領域に変換された周波数領域入力信号を取得し、取得した前記マイクごとの周波数領域入力信号の差に基づいて、正面に死角を有する正面抑圧信号を生成する正面抑圧信号生成部と、（２）前記複数のマイクから得られた入力信号からコヒーレンスを計算するコヒーレンス計算部と、（３）前記正面抑圧信号と、前記コヒーレンスとの関係性を表す特徴量を算出し、前記特徴量に基づいて、前記入力信号の妨害音声を抑圧して、抑圧後信号を取得する妨害音声抑圧処理部として機能させることを特徴とする。

第３の本発明は、複数のマイクから得られた入力信号から妨害音声を抑圧する音声処理方法において、（１）正面抑圧信号生成部、コヒーレンス計算部、及び妨害音声抑圧処理部を備え、（２）前記正面抑圧信号生成部は、前記複数のマイクから得られた前記入力信号を時間領域から周波数領域に変換された周波数領域入力信号を取得し、取得した前記マイクごとの周波数領域入力信号の差に基づいて、正面に死角を有する正面抑圧信号を生成し、（３）前記コヒーレンス計算部は、前記複数のマイクから得られた入力信号からコヒーレンスを計算し、（４）前記妨害音声抑圧処理部は、前記正面抑圧信号と、前記コヒーレンスとの関係性を表す特徴量を算出し、前記特徴量に基づいて、前記入力信号の妨害音声を抑圧して、抑圧後信号を取得することを特徴とする。

本発明によれば、過不足なく妨害音声を抑圧する音声処理装置を提供することができる。

実施形態に係る音声処理装置の機能的構成について示したブロック図である。 実施形態に係るマイクの配置例について示した説明図である。 実施形態に係る音声処理装置で適用される指向性信号の特性について示した図（その１）である。 実施形態に係る音声処理装置で適用される指向性信号の特性について示した図（その２）である。 実施形態に係る音声処理装置の動作の例について示したフローチャートである。

（Ａ）主たる実施形態
以下、本発明による音声処理装置、プログラム及び方法の一実施形態を、図面を参照しながら詳述する。

（Ａ−１）実施形態の構成
図１は、この実施形態の音声処理装置１の全体構成を示すブロック図である。

音声処理装置１は、一対のマイクｍ＿１、ｍ＿２のそれぞれから、図示しないＡＤ変換器を介して入力信号ｓ１（ｎ）、ｓ２（ｎ）を取得する。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ものとする。

音声処理装置１は、マイクｍ＿１、ｍ＿２で補足される入力信号に含まれる非目的音（例えば、妨害音声）を抑圧する処理を行うものである。音声処理装置１が出力する音声信号の出力形式については限定されないものであり、任意の形式のディジタル音声データとして出力するようにしてもよいし、アナログ音声信号として出力するようにしてもよい。この実施形態では、音声処理装置１は、例えば、ＰＣＭ（Ｐｕｌｓｅ−ｃｏｄｅ ｍｏｄｕｌａｔｉｏｎ）形式等のディジタル音声データをフレーム単位で出力するものとして説明する。音声処理装置１は、例えば、テレビ会議システムや携帯電話端末などの通信装置や音声認識機能で用いられる音声信号の前処理（例えば、妨害音声の抑圧処理等）に利用される。

図２は、マイクｍ＿１、ｍ＿２の配置の例について示した説明図である。

図２に示すように、この実施形態では、マイクｍ＿１、ｍ＿２は、２つのマイクｍ＿１、ｍ＿２を含む面が目的音の到来する方向（目的音の音源の方向）に対して垂直となるように配置されているものとする。また、以下では、図２に示すように、２つのマイクｍ＿１、ｍ＿２の間の位置から見て、目的音の到来方向を前方向又は正面方向と呼ぶものとする。また、以下では、図２に示すように、右方向、左方向、後方向と呼ぶ場合は、２つのマイクｍ＿１、ｍ＿２の間の位置から目的音の到来方向を見た場合の各方向を示すものとして説明する。なお、この実施形態では、目的音がマイクｍ＿１、ｍ＿２の正面方向から到来し、妨害音声を含む非目的音が左右方向（横方向）から到来するものとして説明する。

音声処理装置１は、ＦＦＴ部１０、正面抑圧信号生成部２０、コヒーレンス計算部３０、妨害音声抑圧処理部４０、及びＩＦＦＴ部５０を有している。

音声処理装置１は、プロセッサやメモリ等を有するコンピュータにプログラム（実施形態に係る音声判定プログラムを含むプログラム）をインストールして実現するようにしてもよいが、この場合でも、音声処理装置１は機能的には図１を用いて示すことができる。なお、音声処理装置１については一部又は全部をハードウェア的に実現するようにしてもよい。

ＦＦＴ部１０は、マイクｍ１及びマイクｍ２から入力信号系列ｓ１及びｓ２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が周波数領域で表現されることになる。なお、ＦＦＴ部１０は、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（Ｎは任意の整数）のサンプルから成る、分析フレームＦＲＡＭＥ１（Ｋ）及びＦＲＡＭＥ２（Ｋ）を構成するものとする。入力信号ｓ１からＦＲＡＭＥ１を構成する例を以下の（１）式に示す。なお、以下の（１）式において、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。以下では、Ｋの値が小さいほど古い分析フレームであり、Ｋの値が大きいほど新しい分析フレームであるものとする。また、以降の動作説明において、特に但し書きが無い限りは、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。
ＦＲＡＭＥ１（１）＝｛ｓ１（１）、ｓ１（２）・・、ｓ１（i）、・・ｓ１（ｎ）｝
ＦＲＡＭＥ１（Ｋ）＝｛ｓ１（Ｎ×Ｋ＋１）、ｓ１（Ｎ×Ｋ＋２）・・、ｓ１（Ｎ×Ｋ＋ｉ）、・・ｓ１（Ｎ×Ｋ＋Ｎ）｝ …（１）

ＦＦＴ部１０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、入力信号ｓ１から構成した分析フレームＦＲＡＭＥ１（Ｋ）にフーリエ変換して得た周波数領域信号Ｘ１（ｆ，Ｋ）と、入力信号ｓ２から構成した分析フレームＦＲＡＭＥ２（Ｋ）をフーリエ変換して得た周波数領域信号Ｘ２（ｆ，Ｋ）とを取得する。なおｆは周波数を表すインデックスである。またＸ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）は単一の値ではなく、以下の（２）式のように、複数の周波数ｆ１〜ｆｍのｍ個（ｍは任意の整数）の成分（スペクトル成分）から構成されるものであるものとする。

ＦＦＴ部１０は、周波数領域信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）を、正面抑圧信号生成部２０及びコヒーレンス計算部３０に供給する。

なお、Ｘ１（ｆ，Ｋ）は複素数であり、実部と虚部で構成される。これは、Ｘ２（ｆ，Ｋ）及び、後述する正面抑圧信号生成部２０で説明するＮ（ｆ，Ｋ）等についても同様である。
Ｘ１（ｆ，Ｋ）＝｛Ｘ１（ｆ１，Ｋ）、Ｘ１（ｆ２，Ｋ）、・・Ｘ１（ｆｉ，Ｋ）・・、Ｘ１（ｆｍ，Ｋ）｝ …（２）

次に、正面抑圧信号生成部２０について説明する。

正面抑圧信号生成部２０は、ＦＦＴ部１０から供給された信号について、周波数成分ごとに正面方向の信号成分を抑圧する処理を行う。言い換えると、正面抑圧信号生成部２０は、正面方向の成分を抑圧する指向性フィルタとして機能する。

例えば、正面抑圧信号生成部２０は、図３に示すように、正面方向に死角を有する８の字型の双指向性のフィルタを用いて、ＦＦＴ部１０から供給された信号から正面方向の成分を抑圧する指向性フィルタを形成する。

具体的には、正面抑圧信号生成部２０は、ＦＦＴ部１０から供給された信号「Ｘ１（ｆ，Ｋ）」、「Ｘ２（ｆ，Ｋ）」に基づいて以下の（３）式のような計算を行って、周波数成分ごとの正面抑圧信号Ｎ（ｆ，Ｋ）を生成する。以下の（３）式の計算は、上述の図３のような、正面方向に死角を有する８の字型の双指向性のフィルタを形成する処理に相当する。
Ｎ（ｆ，Ｋ）＝Ｘ１（ｆ，Ｋ）−Ｘ２（ｆ，Ｋ） …（３）

以上のように、正面抑圧信号生成部２０は、周波数ｆ１〜ｆｍの各周波数成分（各周波数帯の１フレーム分のパワーの変化を表した信号）を取得する。

次に、コヒーレンス計算部３０の処理について説明する。

コヒーレンス計算部３０は、周波数領域信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）について、左方向（第１の方向）に強い指向性（例えば、図４（ａ）に示すような単一指向性）のフィルタで処理された信号（以下、「指向性信号Ｂ１（ｆ）」と呼ぶ）と、右方向（第２の方向）に強い指向性（例えば、図４（ｂ）に示すような単一指向性）のフィルタで処理された信号（以下、「指向性信号Ｂ２（ｆ）」と呼ぶ）とに基づくコヒーレンス（コヒーレンス係数）ｃｏｅｆ（ｆ，Ｋ）を取得するものとする。

ｃｏｅｆ（ｆ，Ｋ）は、インデックスが任意のインデックス値Ｋのフレーム（分析フレームＦＲＡＭＥ１（Ｋ）及びＦＲＡＭＥ２（Ｋ））を構成する任意の周波数ｆ（周波数ｆ１〜ｆｍのいずれかの周波数）の成分におけるコヒーレンス（すなわち、指向性信号Ｂ１（ｆ）と、指向性信号Ｂ２（ｆ）とのコヒーレンス）を表しているものとする。

なお、ｃｏｅｆ（ｆ，Ｋ）を求める際に指向性信号Ｂ１（ｆ）及び指向性信号Ｂ２（ｆ）に係る指向性の方向は正面方向以外の任意の方向（ただし、Ｂ１（ｆ）とＢ２（ｆ）とで異なる方向とする必要がある）とするようにしてもよい。

コヒーレンスｃｏｅｆ（ｆ，Ｋ）を算出する具体的な算出処理（例えば、計算式）については限定されないものであるが、例えば、特許文献１と同様の処理（例えば、特許文献１に記載された（３）式〜（６）式の計算処理）を適用することができるため、詳細については省略する。

以上のように、コヒーレンス計算部３０は、各フレームの各周波数成分（周波数ｆ１〜ｆｍの成分）について、コヒーレンスｃｏｅｆ（ｆ，Ｋ）を求めて、妨害音声抑圧処理部４０に供給する。

次に、妨害音声抑圧処理部４０の処理について説明する。

妨害音声抑圧処理部４０は、正面以外に指向性を有する正面抑圧信号Ｎ（ｆ，Ｋ）と、コヒーレンスｃｏｅｆ（ｆ，Ｋ）を用いて、非目的音としての妨害音声（例えば、妨害音声の有無や妨害音声の大きさ）を判定し、その判定結果を利用して、入力された音声信号（例えば、Ｘ１（ｆ，Ｋ）及び又はＸ２（ｆ，Ｋ））に対して妨害音声の成分を抑圧した妨害音声抑圧信号Ｏ（ｆ，Ｋ）を生成して出力する。

図１に示すように、この実施形態の妨害音声抑圧処理部４０は、Ｘ１（ｆ，Ｋ）に対して妨害音声の成分を抑圧した音声信号を生成するものとして説明する。したがって、この実施形態では、妨害音声抑圧信号Ｏ（ｆ，Ｋ）は、Ｘ１（ｆ，Ｋ）に対して、妨害音声抑圧処理を行った信号となる。

なお、妨害音声抑圧処理部４０は、Ｘ１（ｆ，Ｋ）及びＸ２（ｆ，Ｋ）の両方について妨害音声の成分を抑圧する処理を行うようにしてもよい。また、妨害音声抑圧処理部４０は、Ｘ１（ｆ，Ｋ）とＸ２（ｆ，Ｋ）とを合成した信号（例えば、複数の信号の平均値）を取得して、取得した信号について妨害音声の成分を抑圧する処理を行うようにしてもよい。妨害音声抑圧処理部４０が雑音抑圧する具体的処理内容については後述する。

以上のように、妨害音声抑圧処理部４０は、各フレームの各周波数成分（周波数ｆ１〜ｆｍの成分）について、妨害音声抑圧信号Ｏ（ｆ，Ｋ）を求めて、ＩＦＦＴ部５０に供給する。

次に、ＩＦＦＴ部５０の処理について説明する。

ＩＦＦＴ部５０は、供給されたＯ（ｆ，Ｋ）を周波数領域から時間領域の信号に変換して、妨害音声抑圧信号ｏ（ｎ）を生成する処理を行う。ＩＦＦＴ部５０は、ＦＦＴ部１０で行った変換処理に対する逆変換処理を行う。この実施形態では、ＦＦＴ部１０はＦＦＴ（高速フーリエ変換）を行っているため、ＩＦＦＴ部５０は、ＩＦＦＴ（逆フーリエ変換）を行う。

次に、妨害音声抑圧処理部４０が行う妨害音声抑圧処理の詳細について説明する。

ここでは、目的音がマイクｍ＿１、ｍ＿２の正面方向から到来し、妨害音声を含む非目的音が左右方向（横方向）から到来するものとして説明する。例えば、マイクｍ＿１、ｍ＿２を電話端末（例えば、携帯電話端末等）の受話器のマイク部分に適用した場合には、目的音としての話者（ユーザ）の音声はマイクｍ＿１、ｍ＿２の正面方向から到来し、当該電話端末の話者以外の音声は、左右方向（横方向）から到来することになる。

したがって、例えば、「妨害音声が存在せず」かつ「目的音が存在する」場合は、正面抑圧信号Ｎ（ｆ，Ｋ）は、目的音成分の大きさに比例した値となる。図２に示すように、正面抑圧信号Ｎ（ｆ，Ｋ）生成時の指向性特性には、「妨害音声が存在せず」かつ「目的音が存在する」場合でも、正面方向から到来する信号成分も含まれることになるためである。ただし、図２に示すように、正面抑圧信号Ｎ（ｆ，Ｋ）生成時の指向性特性には、正面方向から到来する信号成分も含まれるが、横方向のゲインと比較すると非常に小さい。また、「妨害音声が存在せず」かつ「目的音が存在する」場合の正面抑圧信号Ｎ（ｆ，Ｋ）のゲインは、妨害音声が存在する場合よりも小さくなる。

また、コヒーレンスｃｏｅｆ（ｆ，Ｋ）は、簡単に述べれば、第１の方向（右方向）から到来する信号と第２の方向（左方向）から到来する信号の相関（特徴量）と言える。従って、コヒーレンスｃｏｅｆ（ｆ，Ｋ）が小さい場合とは、２つの指向性信号Ｂ１（ｆ）、Ｂ２（ｆ）の相関が小さい場合であり、反対にコヒーレンスｃｏｅｆ（ｆ，Ｋ）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、相関が小さい場合は、目的音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明確な規則性の少ない信号の場合である。また、例えば、マイクｍ＿１、ｍ＿２を電話端末（例えば、携帯電話端末等）の受話器のマイク部分に適用した場合には、話者の音声（目的音声）は正面から到来し、妨害音声は正面以外から到来する傾向が強い。以上のようにコヒーレンスｃｏｅｆ（ｆ，Ｋ）は、入力信号の到来方向と深い関係を持つ特徴量となる。したがって、「妨害音声が存在せず」かつ「目的音が存在する」場合には、コヒーレンスｃｏｅｆ（ｆ，Ｋ）の値は大きくなる傾向となり、「妨害音声が存在する」場合には、コヒーレンスｃｏｅｆ（ｆ，Ｋ）の値は小さくなる傾向となる。

以上の各値の挙動を妨害音声の有無に着目して整理すると以下のような条件で、妨害音声の有無を判断することができる。以下では、「妨害音声が存在せず」かつ「目的音が存在する」という条件（以下、「第１の条件」と呼ぶ）と、「妨害音声が存在する」という条件（以下、「第２の条件」と呼ぶ）に場合分けして、妨害音声の有無の判定方法について説明する。

第１の条件の場合（「妨害音声が存在せず」かつ「目的音が存在する」場合）には、コヒーレンスｃｏｅｆ（ｆ，Ｋ）が比較的大きな値となり、正面抑圧信号Ｎ（ｆ，Ｋ）は、目的音成分の大きさに比例した値となる。

一方、第２の条件の場合（「妨害音声が存在する」場合）には、コヒーレンスｃｏｅｆ（ｆ，Ｋ）の値は小さい値となり、正面抑圧信号Ｎ（ｆ，Ｋ）は大きな値となる傾向にある。

そこで、妨害音声抑圧処理部４０では、非目的音としての妨害音を抑圧する処理に、正面抑圧信号Ｎ（ｆ，Ｋ）とコヒーレンスｃｏｅｆ（ｆ，Ｋ）の相関係数ｃｏｒ（ｆ，Ｋ）を導入するものとする。なお、相関係数ｃｏｒ（ｆ，Ｋ）は、任意のインデックス値Ｋの任意の周波数ｆ（周波数ｆ１〜ｆｍのいずれかの周波数）の成分における、正面抑圧信号Ｎ（ｆ，Ｋ）とコヒーレンスｃｏｅｆ（ｆ，Ｋ）との相関係数を示している。すなわち、妨害音声抑圧処理部４０は、周波数ｆ１〜ｆｍの周波数成分ごとに、相関係数ｃｏｒ（ｆ，Ｋ）を求めるものとする。

そして、相関係数ｃｏｒ（ｆ，Ｋ）と妨害音声の有無との関係は以下のような関係となる。妨害音声が存在しない場合は、相関係数ｃｏｒ（ｆ，Ｋ）は正の値（相関性が高いことを示す所定値以上の値）となる傾向となる。一方、妨害音声が存在する場合には、相関係数ｃｏｒ（ｆ，Ｋ）は負の値（相関性が低いことを示す所定値未満の値）となる傾向となる。

すなわち、正面抑圧信号Ｎ（ｆ，Ｋ）とコヒーレンスｃｏｅｆ（ｆ，Ｋ）との相関係数ｃｏｒ（ｆ，Ｋ）を導入することにより、例えば、相関係数ｃｏｒ（ｆ，Ｋ）の正負判断というシンプルな処理で、周波数成分ごとの妨害音声（妨害音声の度合や大きさ）を判定することができる。

そこで、この実施形態の妨害音声抑圧処理部４０は、まず、周波数成分ごとに相関係数ｃｏｒ（ｆ，Ｋ）を求め、周波数成分ごとに相関係数ｃｏｒ（ｆ，Ｋ）に基づいて妨害音声を抑圧する処理を行うものとする。すなわち、妨害音声抑圧処理部４０は、周波数成分ごとに求めた相関係数ｃｏｒ（ｆ，Ｋ）を、妨害音声を抑圧するための抑圧係数（フィルタ係数）として用いるものとする。これにより、この実施形態の妨害音声抑圧処理部４０では、妨害音が存在しない周波数では抑圧係数が大きい値となるので、過度な抑圧はされない。また、この実施形態の妨害音声抑圧処理部４０では、妨害音が存在する周波数では抑圧係数が小さい値となるので妨害音成分が抑圧されることになる。

妨害音声抑圧処理部４０が、周波数成分ごとに相関係数ｃｏｒ（ｆ，Ｋ）を求める際の算出方法については限定されないものであるが、例えば、参考文献１（平岡 和幸、堀 玄著、「プログラミングのための確率統計」、オーム社、２００９／１０／２０発行）に記載された計算方法を適用することができる。具体的には、妨害音声抑圧処理部４０は、例えば、以下の（５）式を用いて、周波数成分ごとに相関係数ｃｏｒ（ｆ，Ｋ）を求めるようにしてもよい。なお、以下の（５）式において、Ｃｏｖ［Ｎ（ｆ，Ｋ），ｃｏｅｆ（ｆ，Ｋ）］は、正面抑圧信号Ｎ（ｆ，Ｋ）とコヒーレンスｃｏｅｆ（ｆ，Ｋ）の共分散を示している。また、以下の（５）式において、σＮ（ｆ，Ｋ）は、正面抑圧信号Ｎ（ｆ，Ｋ）の標準偏差を示している。さらに、以下の（５）式において、σｃｏｅｆ（ｆ，Ｋ）は、コヒーレンスｃｏｅｆ（ｆ，Ｋ）の標準偏差を示している。

ところで、相関係数ｃｏｒ（ｆ，Ｋ）は−１．０〜１．０の値をとるが、音声信号の周波数主成分は正の値しかとらないので、負の値の係数を乗算することはできない。そこで、妨害音声抑圧処理部４０は、相関係数ｃｏｒ（ｆ，Ｋ）を求める際に、なんらかの関数演算を施すといった手段で正の値に変換するようにしてもよい。具体的には、この実施形態の妨害音声抑圧処理部４０は、相関係数ｃｏｒ（ｆ，Ｋ）を求める際に、定数を加算する処理（いわゆるフロアリング処理）を施すものとする。

以下では、相関係数ｃｏｒ（ｆ，Ｋ）に基づいてフロアリング処理等を施して生成したものを抑圧係数ｒ（ｆ，Ｋ）と表すものとする。なお、抑圧係数ｒ（ｆ，Ｋ）は、任意のインデックス値に係る任意の周波数成分（周波数ｆ１〜ｆｍのいずれかの周波数の成分）の妨害音声抑圧処理を行うための抑圧係数を示している。

妨害音声抑圧処理部４０が行うフロアリング処理の具体的方法については限定されないものであるが、例えば、参考文献２（特開２０１５−２６９５６号公報）に記載された方式等を適用することができる。具体的には、妨害音声抑圧処理部４０は、例えば、以下の（６）式のように、相関係数ｃｏｒ（ｆ，Ｋ）として負の値が算出された場合に、当該値に０以上の任意の正の定数α（α＞０）を加算する処理を適用するようにしてもよい。
ｒ（ｆ，Ｋ）＝ｃｏｒ（ｆ，Ｋ）＋α …（６）

以下では、相関係数ｃｏｒ（ｆ，Ｋ）に基づいてフロアリング処理等を施して生成したものを抑圧係数ｒ（ｆ，Ｋ）と表すものとする。なお、抑圧係数ｒ（ｆ，Ｋ）は、任意のインデックス値に係る任意の周波数成分（周波数ｆ１〜ｆｍのいずれかの周波数の成分）の妨害音声抑圧処理を行うための抑圧係数を示している。

以上のように、この実施形態の妨害音声抑圧処理部４０は、周波数成分ごとに、相関係数ｃｏｒ（ｆ，Ｋ）を算出し、算出した相関係数ｃｏｒ（ｆ，Ｋ）について必要に応じてフロアリング処理を施して抑圧係数ｒ（ｆ，Ｋ）を取得するものとする。

そして、妨害音声抑圧処理部４０は、周波数成分ごとに、抑圧係数ｒ（ｆ，Ｋ）を用いて、入力信号（この実施形態ではＸ１（ｆ，Ｋ））に含まれる妨害音（妨害音成分）を抑圧して、妨害音声抑圧信号Ｏ（ｆ，Ｋ）を生成する。この実施形態の例では、妨害音声抑圧処理部４０は、は、以下の（７）式のように、周波数成分ごとに、入力信号Ｘ１（ｆ，Ｋ）に抑圧係数ｒ（ｆ，Ｋ）を乗じることで、妨害音声抑圧信号Ｏ（ｆ，Ｋ）を求めるものとする。
妨害音声抑圧信号Ｏ（ｆ，Ｋ）
＝ 入力信号Ｘ１（ｆ，Ｋ） × 抑圧係数ｒ（ｆ，Ｋ） …（７）

（Ａ−２）実施形態の動作
次に、以上のような構成を有するこの実施形態の音声処理装置１の動作（実施形態の判定方法）を説明する。

まず、音声処理装置１の全体の動作について図１を用いて説明する。

マイクｍ＿１、ｍ＿２のそれぞれから図示しないＡＤ変換器を介して、１フレーム分（１つの処理単位分）の入力信号ｓ１（ｎ）及びｓ２（ｎ）がＦＦＴ部１０に供給されたものとする。そして、ＦＦＴ部１０は、１フレーム分の入力信号ｓ１（ｎ）及びｓ２（ｎ）に基づく分析フレームＦＲＡＭＥ１（Ｋ）、ＦＲＡＭＥ２（Ｋ）についてフーリエ変換し、周波数領域で示される信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）を取得する。そして、ＦＦＴ部１０で生成された信号Ｘ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）が、正面抑圧信号生成部２０及びコヒーレンス計算部３０に供給される。また、ＦＦＴ部１０で生成された信号Ｘ１（ｆ，Ｋ）が妨害音声抑圧処理部４０に供給される。

正面抑圧信号生成部２０は、供給されたＸ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）に基づいて、正面抑圧信号Ｎ（ｆ，Ｋ）を算出する。そして、正面抑圧信号生成部２０は、正面抑圧信号Ｎ（ｆ，Ｋ）に基づいて正面抑圧信号Ｎ（ｆ，Ｋ）を算出し、妨害音声抑圧処理部４０に供給する。

一方、コヒーレンス計算部３０は、供給されたＸ１（ｆ，Ｋ）、Ｘ２（ｆ，Ｋ）に基づいて、コヒーレンスｃｏｅｆ（ｆ，Ｋ）を生成し、妨害音声抑圧処理部４０に供給する。

妨害音声抑圧処理部４０は、周波数成分ごとに、相関係数ｃｏｒ（ｆ，Ｋ）を算出し、算出した相関係数ｃｏｒ（ｆ，Ｋ）について必要に応じてフロアリング処理を施して抑圧係数ｒ（ｆ，Ｋ）を取得する。そして、妨害音声抑圧処理部４０は、周波数成分ごとに、抑圧係数ｒ（ｆ，Ｋ）を用いて、入力信号Ｘ１（ｆ，Ｋ）の妨害音声（妨害音声成分）を抑圧して、妨害音声抑圧信号Ｏ（ｆ，Ｋ）を生成しＩＦＦＴ部５０に供給する。

ＩＦＦＴ部５０は、供給された妨害音声抑圧信号Ｏ（ｆ，Ｋ）に逆フーリエ変換（ＩＦＦＴ）の処理を行って時間領域の妨害音声抑圧信号ｏ（ｎ）に変換して出力する。

次に、妨害音声抑圧処理部４０の動作詳細について図５のフローチャートを用いて説明する。

図５は、妨害音声抑圧処理部４０の処理について示したフローチャートである。妨害音声抑圧処理部４０は、正面抑圧信号Ｎ（ｆ，Ｋ）、コヒーレンスｃｏｅｆ（ｆ，Ｋ）、及び入力信号Ｘ１（ｆ，Ｋ）が供給されるごとに、図５のフローチャートの処理を行い、妨害音声抑圧信号Ｏ（ｆ，Ｋ）を出力するものとする。

まず、妨害音声抑圧処理部４０に、正面抑圧信号Ｎ（ｆ，Ｋ）、コヒーレンスｃｏｅｆ（ｆ，Ｋ）、及び入力信号Ｘ１（ｆ，Ｋ）が供給されたものとする（Ｓ１０１）。

次に、妨害音声抑圧処理部４０は、Ｎ（ｆ，Ｋ）とｃｏｅｆ（ｆ，Ｋ）とに基づいて相関係数ｃｏｒ（ｆ，Ｋ）を算出する（Ｓ１０２）。具体的には、妨害音声抑圧処理部４０は、上記の（５）式を用いて相関係数ｃｏｒ（ｆ，Ｋ）を求めることができる。

次に、妨害音声抑圧処理部４０は、算出した相関係数ｃｏｒ（ｆ，Ｋ）に対して必要に応じてフロアリング処理を行い、抑圧係数ｒ（ｆ，Ｋ）を取得する（Ｓ１０３）。この実施形態の例では、妨害音声抑圧処理部４０は、上記の（６）式のように、相関係数ｃｏｒ（ｆ，Ｋ）として負の値が算出された場合に、当該値に定数α（α＞０）を加算するフロアリング処理を行うものとする。なお、妨害音声抑圧処理部４０は、フロアリング処理に替えて、相関係数ｃｏｒ（ｆ，Ｋ）として負の値が算出された場合に、各相関係数ｃｏｒ（ｆ，Ｋ）の大小関係を維持した状態で正の値に変換する種々の処理を行うようにしてもよい。

次に、妨害音声抑圧処理部４０は、抑圧係数ｒ（ｆ，Ｋ）を用いて、入力信号Ｘ１（ｆ，Ｋ）の妨害音成分を抑圧する処理を行って、妨害音声抑圧信号ｏ（ｎ）を生成する（Ｓ１０４）。具体的には、妨害音声抑圧処理部４０は、は、上記の（７）式のように、周波数成分ごとに、入力信号Ｘ１（ｆ，Ｋ）に抑圧係数ｒ（ｆ，Ｋ）を乗じる（乗算する）ことで、妨害音声抑圧信号Ｏ（ｆ，Ｋ）を求める。

次に、妨害音声抑圧処理部４０は、求めた妨害音声抑圧信号Ｏ（ｆ，Ｋ）を出力（ＩＦＦＴ部５０に送信）する（Ｓ１０５）。

（Ａ−３）実施形態の効果
この実施形態によれば、以下のような効果を奏することができる。

この実施形態の音声処理装置１では、妨害音声が存在する場合は小さい値で、妨害音声が存在しない場合には大きい値をとるという相関係数ｃｏｒ（ｆ，Ｋ）のの特徴的な挙動を利用して、入力信号の妨害音声（非目的音）を抑圧している。これにより、この実施形態の音声処理装置１では、入力信号に対して過不足なく妨害音成分を抑圧することができる。すなわち、音声処理装置１の音声処理（例えば、テレビ会議システムや携帯電話などの通信装置や音声認識機能の前処理）では、性能向上（例えば、妨害音声等の非目的音の抑圧性能の向上）が期待できる。

（Ｂ）他の実施形態
本発明は、上記の実施形態に限定されるものではなく、以下に例示するような変形実施形態も挙げることができる。

（Ｂ−１）上記の実施形態の音声処理装置１は、２つのマイクから供給される入力信号に基づいた処理を行う例について説明したが、音声処理装置１では３つ以上のマイクから供給される入力信号に基づいて判定処理を行うようにしてもよい。例えば、音声処理装置１において、３つ以上のマイクから供給される入力信号に基づき、正面方向に死角を有する正面抑圧信号Ｎ（ｆ，Ｋ）や、正面以外の所定の方向に指向性を有する指向性信号Ｂ１（ｆ）、Ｂ２（ｆ）を取得して上記の実施形態と同様の処理を行うようにしてもよい。すなわち、音声処理装置１において、正面抑圧信号Ｎ（ｆ，Ｋ）や、指向性信号Ｂ１（ｆ）、Ｂ２（ｆ）を取得するためのマイクの構成等は限定されないものである。

（Ｂ−２）上記の実施形態の妨害音声抑圧処理部４０では、正面抑圧信号Ｎ（ｆ，Ｋ）とコヒーレンスｃｏｅｆ（ｆ，Ｋ）との関係性を表す特徴量として、正面抑圧信号Ｎ（ｆ，Ｋ）とコヒーレンスｃｏｅｆ（ｆ，Ｋ）との相関係数ｃｏｒ（ｆ，Ｋ）を適用しているが、他の種類の値を特徴量として適用するようにしてもよい。例えば、妨害音声抑圧処理部４０では、正面抑圧信号Ｎ（ｆ，Ｋ）とコヒーレンスｃｏｅｆ（ｆ，Ｋ）との関係性を表す特徴量として、正面抑圧信号Ｎ（ｆ，Ｋ）とコヒーレンスｃｏｅｆ（ｆ，Ｋ）との共分散を適用するようにしてもよい。

１…音声処理装置、１０…ＦＦＴ部、２０…正面抑圧信号生成部、３０…コヒーレンス計算部、４０…妨害音声抑圧処理部、５０…ＩＦＦＴ部、ｍ＿１、ｍ＿２…マイク。

Claims (6)

1. 複数のマイクから得られた入力信号を時間領域から周波数領域に変換された周波数領域入力信号を取得し、取得した前記マイクごとの周波数領域入力信号の差に基づいて、正面に死角を有する正面抑圧信号を生成する正面抑圧信号生成部と、
   前記複数のマイクから得られた入力信号からコヒーレンスを計算するコヒーレンス計算部と、
   前記正面抑圧信号と、前記コヒーレンスとの関係性を表す特徴量を算出し、前記特徴量に基づいて、前記入力信号の妨害音声を抑圧して、抑圧後信号を取得する妨害音声抑圧処理部と
   を有することを特徴とする音声処理装置。
2. 前記妨害音声抑圧処理部は、前記特徴量に基づいて前記入力信号の妨害音声を抑圧するための妨害音声抑圧係数を算出し、算出した妨害音声抑圧係数に基づいて、前記入力信号の妨害音声を抑圧して前記抑圧後信号を取得する処理を行うことを特徴とする請求項１に記載の音声処理装置。
3. 前記妨害音声抑圧係数は正面抑圧信号とコヒーレンスとの相関に基づいて算出されること、を特徴とする請求項２に記載の音声処理装置。
4. 前記妨害音声抑圧係数は正面抑圧信号とコヒーレンスとの相関値について大小関係を維持したまま正の値に変換する処理を施して正の値に変換して算出されること、を特徴とする請求項３に記載の音声処理装置。
5. コンピュータを、
   複数のマイクから得られた入力信号を時間領域から周波数領域に変換された周波数領域入力信号を取得し、取得した前記マイクごとの周波数領域入力信号の差に基づいて、正面に死角を有する正面抑圧信号を生成する正面抑圧信号生成部と、
   前記複数のマイクから得られた入力信号からコヒーレンスを計算するコヒーレンス計算部と、
   前記正面抑圧信号と、前記コヒーレンスとの関係性を表す特徴量を算出し、前記特徴量に基づいて、前記入力信号の妨害音声を抑圧して、抑圧後信号を取得する妨害音声抑圧処理部と
   して機能させることを特徴とする音声処理プログラム。
6. 複数のマイクから得られた入力信号から妨害音声を抑圧する音声処理方法において、
   正面抑圧信号生成部、コヒーレンス計算部、及び妨害音声抑圧処理部を備え、
   前記正面抑圧信号生成部は、前記複数のマイクから得られた前記入力信号を時間領域から周波数領域に変換された周波数領域入力信号を取得し、取得した前記マイクごとの周波数領域入力信号の差に基づいて、正面に死角を有する正面抑圧信号を生成し、
   前記コヒーレンス計算部は、前記複数のマイクから得られた入力信号からコヒーレンスを計算し、
   前記妨害音声抑圧処理部は、前記正面抑圧信号と、前記コヒーレンスとの関係性を表す特徴量を算出し、前記特徴量に基づいて、前記入力信号の妨害音声を抑圧して、抑圧後信号を取得する
   ことを特徴とする音声処理方法。

Images