JP6581054B2 - Sound source separation apparatus, sound source separation method, and sound source separation program - Google Patents

Sound source separation apparatus, sound source separation method, and sound source separation program Download PDF

Info

Publication number
JP6581054B2
JP6581054B2 JP2016173580A JP2016173580A JP6581054B2 JP 6581054 B2 JP6581054 B2 JP 6581054B2 JP 2016173580 A JP2016173580 A JP 2016173580A JP 2016173580 A JP2016173580 A JP 2016173580A JP 6581054 B2 JP6581054 B2 JP 6581054B2
Authority
JP
Japan
Prior art keywords
sound source
distribution
source separation
observation
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2016173580A
Other languages
Japanese (ja)
Other versions
JP2018040880A (en
Inventor
卓哉 樋口
卓哉 樋口
拓也 吉岡
拓也 吉岡
中谷 智広
智広 中谷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2016173580A priority Critical patent/JP6581054B2/en
Publication of JP2018040880A publication Critical patent/JP2018040880A/en
Application granted granted Critical
Publication of JP6581054B2 publication Critical patent/JP6581054B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Circuit For Audible Band Transducer (AREA)

Description

本発明は、音源分離装置、音源分離方法及び音源分離プログラムに関する。   The present invention relates to a sound source separation device, a sound source separation method, and a sound source separation program.

従来、音声認識などの応用に適用するため、1つ以上の目的音源から出た音響信号と、背景雑音や干渉音が混ざった観測信号と、に基づいて、各目的音源を分離する装置が提案されている(例えば、非特許文献1,2参照)。   Conventionally, an apparatus for separating each target sound source based on an acoustic signal from one or more target sound sources and an observation signal mixed with background noise or interference sound has been proposed for application to applications such as speech recognition. (For example, see Non-Patent Documents 1 and 2).

N.Ito, S.Araki, T.Yoshioka, and T.Nakatani, “Relaxed Disjointness Based Clustering for Joint Blind Source Separation and Dereverberation”, in Proc. Int. Worksh. Acoust. Echo, Noise Contr., pp. 268-272, 2014.N.Ito, S.Araki, T.Yoshioka, and T.Nakatani, “Relaxed Disjointness Based Clustering for Joint Blind Source Separation and Dereverberation”, in Proc. Int. Worksh. Acoust. Echo, Noise Contr., Pp. 268- 272, 2014. P.Smaragdis and J.C.Brown, “Non-Negative Matrix Factorization for Polyphonic Music Transcription”, in IEEE Workshop on Applications of Signal Processing to Audio and Acoustics, pp. 177-180, 2003P. Smaragdis and J. C. Brown, “Non-Negative Matrix Factorization for Polyphonic Music Transcription”, in IEEE Workshop on Applications of Signal Processing to Audio and Acoustics, pp. 177-180, 2003

例えば、非特許文献1に記載の音源分離装置について説明する。図4は、従来の音源分離装置の構成の一例を示すブロック図である。図4には、非特許文献1に開示された音源分離装置の機能構成を示す。図4に示す従来の音源分離装置1Pは、時間周波数分析部11P、パラメータ推定部12P、音源分離部13P及び初期値生成部14Pを有する。なお、残響除去部については、記載を省略する。   For example, a sound source separation device described in Non-Patent Document 1 will be described. FIG. 4 is a block diagram showing an example of the configuration of a conventional sound source separation device. FIG. 4 shows a functional configuration of the sound source separation device disclosed in Non-Patent Document 1. A conventional sound source separation device 1P shown in FIG. 4 includes a time frequency analysis unit 11P, a parameter estimation unit 12P, a sound source separation unit 13P, and an initial value generation unit 14P. Note that the description of the dereverberation unit is omitted.

時間周波数分析部11Pは、N(N>1)個の目的音源に対応する音響信号が混在する状況において、異なる位置で収録されたM(M>1)個の観測信号を受け取り、各観測信号に短時間信号分析を適用して時間周波数点ごとの観測音響信号を抽出する。その後、時間周波数分析部11Pは、時間周波数点ごとに、全ての観測音響信号をまとめたM次元縦ベクトルである観測ベクトルを構成する。言い換えると、時間周波数分析部11Pは、2つ以上のマイクによって録音された音響信号を入力とし、短時間信号分析を適用して観測ベクトルを得る。   The time-frequency analyzer 11P receives M (M> 1) observation signals recorded at different positions in a situation where acoustic signals corresponding to N (N> 1) target sound sources are mixed, and receives each observation signal. And applying the short-time signal analysis to extract the observed acoustic signal for each time frequency point. Thereafter, the time-frequency analysis unit 11P configures an observation vector that is an M-dimensional vertical vector in which all observation acoustic signals are collected for each time-frequency point. In other words, the time-frequency analysis unit 11P receives an acoustic signal recorded by two or more microphones as input, and obtains an observation vector by applying short-time signal analysis.

パラメータ推定部12Pは、時間周波数分析部11Pから観測ベクトルを受け取る。パラメータ推定部12Pは、初期値生成部14Pからパラメータの初期値を受け取る。そして、パラメータ推定部12Pは、周波数ごとに、観測ベクトルの確率分布を、N個の音響信号のそれぞれに対応するN個の要素分布からなる混合分布でモデル化する。ここで、この分布パラメータのうち、各音源のパワーに相当するパラメータは、各時間周波数点で個別なパラメータとしてモデル化されている。そして、パラメータ推定部12Pでは、分布パラメータ推定部121Pが、モデル化された混合分布が、時間周波数分析部11Pから受け取った観測ベクトルの分布に近くなるように、混合分布のパラメータを推定する。その後、マスク推定部122Pは、各要素分布の事後確率を各音響信号に対応するマスクの推定値とする。   The parameter estimation unit 12P receives the observation vector from the time frequency analysis unit 11P. The parameter estimation unit 12P receives the initial value of the parameter from the initial value generation unit 14P. Then, the parameter estimation unit 12P models the probability distribution of the observation vector for each frequency with a mixed distribution including N element distributions corresponding to the N acoustic signals. Here, among the distribution parameters, a parameter corresponding to the power of each sound source is modeled as an individual parameter at each time frequency point. In the parameter estimation unit 12P, the distribution parameter estimation unit 121P estimates the parameters of the mixture distribution so that the modeled mixture distribution is close to the distribution of the observation vector received from the time-frequency analysis unit 11P. Thereafter, the mask estimation unit 122P sets the posterior probability of each element distribution as an estimated value of the mask corresponding to each acoustic signal.

音源分離部13Pは、観測ベクトルと目的音源に関するマスクを受け取り、観測ベクトルの1つの要素と、n番目の要素分布に対応するマスクとを、各時間周波数成分において
掛け合わせることによって、n番目の目的音声に対応する分離音を計算する。
The sound source separation unit 13P receives the mask relating to the observation vector and the target sound source, and multiplies one element of the observation vector by the mask corresponding to the nth element distribution in each time frequency component, thereby obtaining the nth object. Calculate the separated sound corresponding to the voice.

初期値生成部14Pは、分布パラメータの初期値を生成し、パラメータ推定部12Pに出力する。   The initial value generation unit 14P generates an initial value of the distribution parameter and outputs it to the parameter estimation unit 12P.

ここで、短時間フーリエ変換などの短時間信号分析を用いて得られる観測ベクトルをyf,tと表す。このうち、t及びfは、それぞれ時間と周波数の番号であり、tは、1〜Tの整数であり、fは、0〜Fの整数である。非特許文献1では、目的音源及び雑音は、スパース性を有し、各時間周波数点において高々一つの目的音源だけが存在すると仮定されている。このため、各時間周波数点における観測ベクトルyf,tは、以下の(1)式でモデル化できるとされている。 Here, an observation vector obtained by using short-time signal analysis such as short-time Fourier transform is represented as y f, t . Of these, t and f are time and frequency numbers, respectively, t is an integer from 1 to T, and f is an integer from 0 to F. In Non-Patent Document 1, it is assumed that the target sound source and noise have sparsity, and there is at most one target sound source at each time frequency point. For this reason, the observation vector y f, t at each time frequency point can be modeled by the following equation (1).

Figure 0006581054
Figure 0006581054

この(1)式のうち、s(n) f,tは、n番目の音源の時間周波数成分であり、df,tは、時間周波数点(f,t)において優勢な音源の番号を表す。音源分離部13Pは、この仮定に基づき、各時間周波数点の観測ベクトルyf,tを、N個の目的音源に対応するN個のクラスタに分類し、各音源のクラスタに属する成分のみそれぞれ抽出することによって、各目的音源に対応する分離音を得ることができる。以上の流れで音源分離を行うために、パラメータ推定部12Pは、各時間周波数点の観測ベクトルyf,tがどれだけ各目的音源のクラスタに属しているらしいかを、以下の方法で推定する。パラメータ推定部12Pは、まず、(2)式を用いて、観測ベクトルyf,tの確率分布をN個の要素分布からなる混合分布でモデル化する。 In this equation (1), s (n) f, t is the time frequency component of the nth sound source, and df, t represents the number of the sound source that is dominant at the time frequency point (f, t). . Based on this assumption, the sound source separation unit 13P classifies the observation vectors y f, t at each time frequency point into N clusters corresponding to the N target sound sources, and extracts only components belonging to the clusters of the respective sound sources. By doing so, the separated sound corresponding to each target sound source can be obtained. In order to perform sound source separation according to the above flow, the parameter estimation unit 12P estimates how many observation vectors y f, t at each time frequency point are likely to belong to each target sound source cluster by the following method. . First, the parameter estimation unit 12P models the probability distribution of the observation vectors y f, t with a mixed distribution including N element distributions using the equation (2).

Figure 0006581054
Figure 0006581054

ここで、φ(n) f,tは、n番目の目的音源のパワーに相当するスカラー値のパラメータである。また、R(n) は、n番目の目的音源の時不変な空間相関行列に相当するM×Mの行列パラメータである。また、α(n) は、Σα(n) =1を満たす重みパラメータ(スカラー値)である。上記の確率分布に基づき、各パラメータを推定するための尤度関数は、以下の(3)式で定義できる。 Here, φ (n) f, t is a parameter of a scalar value corresponding to the power of the nth target sound source. R (n) f is an M × M matrix parameter corresponding to the time-invariant spatial correlation matrix of the nth target sound source. Α (n) f is a weight parameter (scalar value) that satisfies Σ n α (n) f = 1. A likelihood function for estimating each parameter based on the above probability distribution can be defined by the following equation (3).

Figure 0006581054
Figure 0006581054

ただし、(3)式において、yは、観測ベクトルの集合を表し、Θは、分布パラメータの集合を表し、FNc(yf,t;0,φ(n) f,t(n) )は、観測ベクトルyf,tに関する平均0、分散共分散行列φ(n) f,t(n) の複素正規分布の確率密度関数である。パラメータ推定部12Pは、この目的関数が局所最大となる分布パラメータ、すなわち、当該混合分布が受け取った観測ベクトルの分布に近くなるような分布パラメータを求める。その後、パラメータ推定部12Pが、目的音源に対応する要素分布の事後確率を、目的音源に対応するマスクの推定値とするのが、非特許文献1におけるマスク推定方法の基本的考え方である。Expectation-Maximization(EM)アルゴリズムの原理に基づき、対数尤度関数を局所最大化するためのQ関数は、以下の(4)式のように定義できる。 In equation (3), y represents a set of observation vectors, Θ represents a set of distribution parameters, and F Nc (y f, t ; 0, φ (n) f, t R (n) f ) Is the probability density function of a complex normal distribution with mean 0 and variance-covariance matrix φ (n) f, t R (n) f for the observed vector y f, t . The parameter estimation unit 12P obtains a distribution parameter in which the objective function is a local maximum, that is, a distribution parameter that makes the mixed distribution close to the received observation vector distribution. After that, the basic idea of the mask estimation method in Non-Patent Document 1 is that the parameter estimation unit 12P uses the posterior probability of the element distribution corresponding to the target sound source as the estimated value of the mask corresponding to the target sound source. Based on the principle of the Expectation-Maximization (EM) algorithm, the Q function for locally maximizing the log likelihood function can be defined as the following equation (4).

Figure 0006581054
Figure 0006581054

ここで、λ(n) f,tは、n番目の目的音源の事後確率に相当する補助パラメータであり、現在保持している分布パラメータを用いて、Eステップにおいて、以下の(5)式のように計算できる。 Here, λ (n) f, t is an auxiliary parameter corresponding to the posterior probability of the n-th target sound source, and in the E step using the currently held distribution parameter, Can be calculated as follows.

Figure 0006581054
Figure 0006581054

分布パラメータについては、Mステップにおいて上記のQ関数をそれぞれのパラメータで偏微分したものを0とおくことで、以下の(6)式〜(8)式に示す更新則が導出できる。   With regard to the distribution parameters, the update rule shown in the following formulas (6) to (8) can be derived by setting the partial differentiation of the above-mentioned Q function in each M parameter to 0.

Figure 0006581054
Figure 0006581054
Figure 0006581054
Figure 0006581054
Figure 0006581054
Figure 0006581054

パラメータ推定部12Pは、Mステップにおける、上記の更新則による分布パラメータ更新と、Eステップにおける、更新されたパラメータによるλ(n) f,tの計算を反復的に行うことで、目的関数を局所最大化するような分布パラメータを推定することができる。そして、非特許文献1に記載の音源分離装置1Pでは、推定したλ(n) f,tを観測信号に掛け合わせることで、n番目の目的音源に対応する分離音を得ている。 The parameter estimator 12P repeats the distribution parameter update according to the above update rule in the M step and the calculation of λ (n) f, t using the updated parameter in the E step, thereby locally changing the objective function. The distribution parameter that maximizes can be estimated. Then, in the sound source separation device 1P described in Non-Patent Document 1, the estimated sound λ (n) f, t is multiplied by the observation signal to obtain a separated sound corresponding to the nth target sound source.

続いて、非特許文献2に記載の音源分離装置について説明する。図5は、従来の音源分離装置の構成の他の例を示すブロック図である。図5には、非特許文献2に開示された音源分離装置の機能構成を示す。図5に示す従来の音源分離装置1P’は、時間周波数分析部11P’、パラメータ推定部12P’、音源分離部13P’及び初期値生成部14P’を有する。   Next, the sound source separation device described in Non-Patent Document 2 will be described. FIG. 5 is a block diagram showing another example of the configuration of a conventional sound source separation device. FIG. 5 shows a functional configuration of the sound source separation device disclosed in Non-Patent Document 2. A conventional sound source separation device 1P ′ shown in FIG. 5 includes a time frequency analysis unit 11P ′, a parameter estimation unit 12P ′, a sound source separation unit 13P ′, and an initial value generation unit 14P ′.

時間周波数分析部11P’は、N(N>1)個の目的音源に対応する音響信号が混在する状況において、1つのマイクで収録された1個の観測信号を受け取り、観測信号に短時間信号分析を適用して時間周波数点ごとの観測音響信号を抽出する。   The time-frequency analysis unit 11P ′ receives one observation signal recorded by one microphone in a situation where acoustic signals corresponding to N (N> 1) target sound sources are mixed, and receives the observation signal as a short-time signal. Apply the analysis to extract the observed acoustic signal for each time frequency point.

パラメータ推定部12P’は、時間周波数分析部11P’から観測音響信号を受け取る。パラメータ推定部12P’は、初期値生成部14P’からパラメータの初期値を受け取る。そして、パラメータ推定部12P’は、K個の基底スペクトルと、それぞれの基底スペクトルに対応するアクティベーションの積和(これをモデルスペクトログラムと呼ぶ。)と、によってモデル化する。続いて、パラメータ推定部12P’では、パラメータ推定処理部121P’が、モデルスペクトログラムが、時間周波数分析部11P’から受け取った観測音響信号に近くなるように、基底スペクトルとアクティベーションとを推定する。   The parameter estimation unit 12P ′ receives the observed acoustic signal from the time frequency analysis unit 11P ′. The parameter estimation unit 12P ′ receives the initial value of the parameter from the initial value generation unit 14P ′. Then, the parameter estimation unit 12P ′ performs modeling using K basis spectra and a product sum of activations corresponding to the respective basis spectra (this is referred to as a model spectrogram). Subsequently, in the parameter estimation unit 12P ′, the parameter estimation processing unit 121P ′ estimates the base spectrum and the activation so that the model spectrogram is close to the observed acoustic signal received from the time-frequency analysis unit 11P ′.

音源分離部13P’は、観測音響信号と基底スペクトルとアクティベーションと、を受け取り、各目的音源に対応する分離音を計算する。なお、初期値生成部14P’は、初期値生成部14Pと同様の機能を有する。   The sound source separation unit 13P ′ receives the observed acoustic signal, the base spectrum, and the activation, and calculates a separated sound corresponding to each target sound source. The initial value generator 14P ′ has the same function as the initial value generator 14P.

ここで、短時間フーリエ変換などの短時間信号分析を用いて得られる観測音響信号を、xf,tと表す。t及びfは、それぞれ時間と周波数の番号であり、tは、1〜Tの整数であり、fは、0〜Fの整数である。非特許文献2に記載の音源分離装置1P’では、観測音響信号を、限られた数のスペクトル(基底スペクトル)と、それぞれの基底スペクトルに対応するアクティベーションの積和(これをモデルスペクトログラムと呼ぶ。)によってモデル化する。このため、各時間周波数点における観測音響信号xf,tは、以下の(9)式でモデル化できるとされている。 Here, the observed acoustic signal obtained by using short-time signal analysis such as short-time Fourier transform is represented as xf, t . t and f are time and frequency numbers, respectively, t is an integer from 1 to T, and f is an integer from 0 to F. In the sound source separation device 1P ′ described in Non-Patent Document 2, the observed acoustic signal is obtained by multiplying a limited number of spectra (base spectra) and activation products corresponding to the respective base spectra (this is called a model spectrogram). .) To model. For this reason, it is supposed that the observation acoustic signal xf, t at each time frequency point can be modeled by the following equation (9).

Figure 0006581054
Figure 0006581054

この(9)式のうち、wf,kは、k番目の基底スペクトルの周波数fでの成分を表し、hk,tは、k番目の基底スペクトルに対応するアクティベーションの時刻tでの成分を表す。そして、パラメータ推定部12P’は、何らかの距離規準における、観測音響信号とモデルスペクトログラムとの間の距離を最小化することで、観測音響信号を近似するwf,k,hk,tを得る。 In the equation (9), w f, k represents a component at the frequency f of the k th base spectrum, and h k, t represents a component at the activation time t corresponding to the k th base spectrum. Represents. Then, the parameter estimation unit 12P ′ obtains w f, k , h k, t that approximates the observed acoustic signal by minimizing the distance between the observed acoustic signal and the model spectrogram in some distance criterion.

Figure 0006581054
Figure 0006581054

なお、D(a|b)は、aとbとの間の何らかの距離規準を表し、具体的には、二乗距離規準、カルバックライブラー距離規準、板倉斉藤距離規準などが用いられる。そして、音源分離装置1P’では、(10)式で表される最適化問題を解くことによって得られた基底スペクトルとアクティベーションとを用いて、音源分離部13P’が、各目的音源に対応する分離音を得る。具体的には、音源分離部13P’として、ウィーナーフィルタなどが用いられる。   Note that D (a | b) represents some distance criterion between a and b, and specifically, a square distance criterion, a Cullback library distance criterion, a Saikura Saito distance criterion, or the like is used. Then, in the sound source separation device 1P ′, the sound source separation unit 13P ′ corresponds to each target sound source using the base spectrum and activation obtained by solving the optimization problem expressed by the equation (10). Get separated sound. Specifically, a Wiener filter or the like is used as the sound source separation unit 13P ′.

非特許文献1に記載の方法では、n番目の音源信号の時間周波数点(f,t)におけるパワーに相当するパラメータφ(n) f,tは、各時間周波数点で個別に推定されている。しかしながら、非特許文献1に記載の方法では、音源信号の持つスペクトル構造(周波数方向の構造)は、マスクを推定する上でまったく考慮されていない。一方、非特許文献2に記載の方法は、音源信号の持つスペクトル構造に着目した音源分離方法の代表例として挙げられるものの、非特許文献2に記載の方法を非特許文献1に記載の方法に組み込むことは容易ではない。 In the method described in Non-Patent Document 1, the parameter φ (n) f, t corresponding to the power at the time frequency point (f, t) of the nth sound source signal is estimated individually at each time frequency point. . However, in the method described in Non-Patent Document 1, the spectrum structure (structure in the frequency direction) of the sound source signal is not considered at all in estimating the mask. On the other hand, the method described in Non-Patent Document 2 can be cited as a representative example of the sound source separation method focusing on the spectral structure of the sound source signal, but the method described in Non-Patent Document 2 is changed to the method described in Non-Patent Document 1. It is not easy to incorporate.

例えば、非特許文献1に記載の方法を用いて音源を分離した後に、非特許文献2に記載の方法を用いて目的音源成分を抽出する方法は、自然な発想として考えられる。しかしながら、この場合、非特許文献1に記載の方法におけるマスクを推定する部分では、(5)式によって各時間周波数点のマスクが計算されるため、音源信号のもつスペクトル構造は、全く考慮されることがない。同様に、非特許文献2に記載の方法の後に非特許文献1に記載の方法を用いた場合では、前段で非特許文献2に記載の方法を用いるときに、複数マイクによって得られた空間的情報は、全く考慮されずに、音源分離のためのパラメータ(wf,k,hk,t)が推定されることになる。 For example, a method of extracting a target sound source component using the method described in Non-Patent Document 2 after separating a sound source using the method described in Non-Patent Document 1 is considered as a natural idea. However, in this case, in the part for estimating the mask in the method described in Non-Patent Document 1, the mask at each time frequency point is calculated by the equation (5), so the spectral structure of the sound source signal is completely taken into consideration. There is nothing. Similarly, in the case where the method described in Non-Patent Document 1 is used after the method described in Non-Patent Document 2, when the method described in Non-Patent Document 2 is used in the previous stage, the spatial obtained by a plurality of microphones is used. Information is not considered at all, and parameters (w f, k , h k, t ) for sound source separation are estimated.

本発明は、上記に鑑みてなされたものであって、音源分離を正確に行うことができる音響分離装置、音響分離方法及び音響分離プログラムを提供することを目的とする。   The present invention has been made in view of the above, and an object thereof is to provide an acoustic separation device, an acoustic separation method, and an acoustic separation program that can accurately perform sound source separation.

上述した課題を解決し、目的を達成するために、本発明に係る音響分離装置は、N(N>1)個の目的音源に対応する音響信号が混在する状況において、異なる位置で収録されたM(M>1)個の観測信号を受け取り、各観測信号に短時間信号分析を適用して時間周波数点ごとの観測音響信号を抽出した後に時間周波数点ごとに全ての観測音響信号をまとめたM次元縦ベクトルである観測ベクトルを構成する時間周波数分析部と、時間周波数分析部から観測ベクトルを受け取り、各周波数における観測ベクトルの確率分布を、N個の音源に対応するN個の要素分布からなるとともに分布パラメータのうち各音源のパワーに相当するパラメータが周波数方向に構造を持った基底ベクトルとその時変であるアクティベーションとの積和によってモデル化された混合分布でモデル化し、モデル化した混合分布が、時間周波数分析部から受け取った観測ベクトルの分布に近くなるように混合分布のパラメータを推定したのちに各要素分布の事後確率を各音響信号に対応するマスクの推定値とするパラメータ推定部と、観測ベクトルと、マスクと、基底ベクトル、アクティベーション及び空間相関行列である分布パラメータ、或いは、その一部を受け取り、分離音を計算する音源分離部と、を有する。   In order to solve the above-described problems and achieve the object, the sound separation device according to the present invention was recorded at different positions in a situation where sound signals corresponding to N (N> 1) target sound sources are mixed. After receiving M (M> 1) observation signals and applying short-time signal analysis to each observation signal to extract the observation acoustic signals for each time frequency point, all the observation acoustic signals are collected for each time frequency point. The observation frequency is received from the time-frequency analysis unit that constitutes the observation vector that is an M-dimensional vertical vector, and the time-frequency analysis unit, and the probability distribution of the observation vector at each frequency is determined from N element distributions corresponding to N sound sources. Among the distribution parameters, the parameter corresponding to the power of each sound source is calculated by multiplying the product of the basis vector having a structure in the frequency direction and its time-varying activation. After estimating the parameters of the mixture distribution so that the modeled mixture distribution is close to the distribution of the observation vector received from the time-frequency analyzer, the posterior probabilities of each element distribution are Receives a parameter estimator, which is an estimated value of a mask corresponding to an acoustic signal, an observation vector, a mask, a base vector, a distribution parameter that is an activation and spatial correlation matrix, or a part thereof, and calculates a separated sound. And a sound source separation unit.

本発明によれば、音源分離を正確に行うことができる。   According to the present invention, sound source separation can be performed accurately.

図1は、実施の形態に係る音源分離装置の構成の一例を示すブロック図である。FIG. 1 is a block diagram illustrating an example of a configuration of a sound source separation device according to an embodiment. 図2は、図1に示す音源分離装置が実行する音源分離処理の処理手順を示すフローチャートである。FIG. 2 is a flowchart showing a processing procedure of sound source separation processing executed by the sound source separation device shown in FIG. 図3は、プログラムが実行されることにより、音源分離装置が実現されるコンピュータの一例を示す図である。FIG. 3 is a diagram illustrating an example of a computer in which a sound source separation device is realized by executing a program. 図4は、従来の音源分離装置の構成の一例を示すブロック図である。FIG. 4 is a block diagram showing an example of the configuration of a conventional sound source separation device. 図5は、従来の音源分離装置の構成の他の例を示すブロック図である。FIG. 5 is a block diagram showing another example of the configuration of a conventional sound source separation device.

以下、図面を参照して、本発明の一実施形態を詳細に説明する。なお、この実施の形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。   Hereinafter, an embodiment of the present invention will be described in detail with reference to the drawings. In addition, this invention is not limited by this embodiment. Moreover, in description of drawing, the same code | symbol is attached | subjected and shown to the same part.

[実施の形態]
実施の形態に係る音源分離装置について、音源分離装置の概略構成、音源分離装置における処理の流れを説明する。まず、図1を参照して、本実施の形態に係る音源分離装置の構成について説明する。
[Embodiment]
Regarding the sound source separation device according to the embodiment, a schematic configuration of the sound source separation device and a flow of processing in the sound source separation device will be described. First, the configuration of a sound source separation device according to the present embodiment will be described with reference to FIG.

図1は、本実施の形態に係る音源分離装置の構成の一例を示すブロック図である。図1に示すように、実施の形態に係る音源分離装置1は、時間周波数分析部11、パラメータ推定部12、音源分離部13及び初期値生成部14を有する。   FIG. 1 is a block diagram illustrating an example of a configuration of a sound source separation device according to the present embodiment. As illustrated in FIG. 1, the sound source separation device 1 according to the embodiment includes a time-frequency analysis unit 11, a parameter estimation unit 12, a sound source separation unit 13, and an initial value generation unit 14.

時間周波数分析部11は、N(N>1)個の目的音源に対応する音響信号が混在する状況において、異なる位置で収録されたM(M>1)個の観測信号を受け取る。すなわち、時間周波数分析部11は、多チャンネル観測信号を入力信号として受け取る。そして、時間周波数分析部11は、各観測信号に短時間信号分析を適用して時間周波数点ごとの観測音響信号を抽出する。この後に、時間周波数分析部11は、時間周波数点ごとに全ての観測音響信号をまとめたM次元縦ベクトルである観測ベクトルを構成する。言い換えると、時間周波数分析部11は、2つ以上のマイクによって録音された音響信号を入力とし、短時間信号分布を適用して観測ベクトルを得る機能を有する。   The time-frequency analysis unit 11 receives M (M> 1) observation signals recorded at different positions in a situation where acoustic signals corresponding to N (N> 1) target sound sources are mixed. That is, the time frequency analysis unit 11 receives a multi-channel observation signal as an input signal. And the time frequency analysis part 11 extracts the observation acoustic signal for every time frequency point by applying a short time signal analysis to each observation signal. Thereafter, the time-frequency analysis unit 11 configures an observation vector that is an M-dimensional vertical vector in which all observation acoustic signals are collected for each time-frequency point. In other words, the time-frequency analysis unit 11 has a function of receiving an acoustic signal recorded by two or more microphones and applying a short-time signal distribution to obtain an observation vector.

パラメータ推定部12は、初期値生成部14からパラメータの初期値を受け取る。パラメータ推定部12は、時間周波数分析部11から観測ベクトルを受け取る。そして、パラメータ推定部12は、各周波数における観測ベクトルの確率分布を、N個の音源に対応するN個の要素分布からなる混合分布でモデル化する。ここで、分布パラメータのうち各要素分布における各音源のパワーに相当するパラメータは、周波数方向に構造を持った基底ベクトルとその時変であるアクティベーションとの積和によってモデル化されたものである。   The parameter estimation unit 12 receives the initial value of the parameter from the initial value generation unit 14. The parameter estimation unit 12 receives the observation vector from the time frequency analysis unit 11. Then, the parameter estimation unit 12 models the probability distribution of the observation vector at each frequency with a mixed distribution composed of N element distributions corresponding to N sound sources. Here, among the distribution parameters, a parameter corresponding to the power of each sound source in each element distribution is modeled by a product sum of a basis vector having a structure in the frequency direction and its activation that is time-varying.

続いて、パラメータ推定部12は、モデル化した混合分布が、時間周波数分析部11から受け取った観測ベクトルの分布に近くなるように混合分布のパラメータを推定したのちに、各要素分布の事後確率を各音響信号に対応するマスクの推定値とする。すなわち、パラメータ推定部12は、観測ベクトルとパラメータの初期値とを受け取り、マスクと分布パラメータ(基底スペクトル、アクティベーション、空間相関行列)を更新する。   Subsequently, the parameter estimation unit 12 estimates the parameters of the mixture distribution so that the modeled mixture distribution is close to the distribution of the observation vector received from the time-frequency analysis unit 11, and then calculates the posterior probability of each element distribution. The estimated value of the mask corresponding to each acoustic signal is used. That is, the parameter estimation unit 12 receives the observation vector and the initial value of the parameter, and updates the mask and the distribution parameter (base spectrum, activation, spatial correlation matrix).

パラメータ推定部12は、分布パラメータ推定部121及びマスク推定部122を有する。分布パラメータ推定部121は、モデル化した混合分布が、時間周波数分析部11から受け取った観測ベクトルの分布に近くなるように混合分布のパラメータを推定する。そして、マスク推定部122は、各要素分布の事後確率を求め、該求めた事後確率を各音響信号に対応するマスクの推定値とする。   The parameter estimation unit 12 includes a distribution parameter estimation unit 121 and a mask estimation unit 122. The distribution parameter estimation unit 121 estimates the parameters of the mixture distribution so that the modeled mixture distribution is close to the distribution of the observation vector received from the time-frequency analysis unit 11. Then, the mask estimation unit 122 obtains the posterior probability of each element distribution, and uses the obtained posterior probability as an estimated value of the mask corresponding to each acoustic signal.

音源分離部13は、観測ベクトルと、マスクと、分布パラメータ、或いは、その一部をパラメータ推定部12から受け取り、分離音を計算する。分布パラメータは、基底ベクトル、アクティベーション及び空間相関行列である。   The sound source separation unit 13 receives an observation vector, a mask, a distribution parameter, or a part thereof from the parameter estimation unit 12 and calculates a separated sound. Distribution parameters are basis vectors, activations and spatial correlation matrices.

初期値生成部14は、分布パラメータの初期値を生成し、パラメータ推定部12に出力する。   The initial value generation unit 14 generates an initial value of the distribution parameter and outputs it to the parameter estimation unit 12.

音源分離装置1が実行する演算処理の概略について説明する。まず、短時間フーリエ変換などの短時間信号分析を用いて得られる観測ベクトルをyf,tと表す。t及びfは、それぞれ時間と周波数の番号であり、tは、1〜Tの整数であり、fは、0〜Fの整数である。そして、目的音源及び雑音は、スパース性を有し、各時間周波数点において高々一つの目的音源だけが存在すると仮定されている。本実施の形態では、この仮定を用いて、各時間周波数点における観測ベクトルyf,tを、以下の(11)式でモデル化する。 An outline of arithmetic processing executed by the sound source separation device 1 will be described. First, an observation vector obtained by using short-time signal analysis such as short-time Fourier transform is represented as y f, t . t and f are time and frequency numbers, respectively, t is an integer from 1 to T, and f is an integer from 0 to F. The target sound source and noise are sparse, and it is assumed that only one target sound source exists at each time frequency point. In the present embodiment, using this assumption, the observation vector y f, t at each time frequency point is modeled by the following equation (11).

Figure 0006581054
Figure 0006581054

この(11)式のうち、s(n) f,tは、n番目の音源の時間周波数成分であり、df,tは、時間周波数点(f,t)において優勢な音源の番号を表す。r(n) は、周波数fにおいて、n番目の音源から各マイクまでの伝達特性が並んだベクトルである。この仮定に基づき、各時間周波数点の観測ベクトルyf,tを、それぞれN個の目的音源に対応するN個のクラスタに分類し、各音源のクラスタに属する成分のみそれぞれ抽出することで、音源分離部13は、各目的音源に対応する分離音を得ることができる。 In this equation (11), s (n) f, t is the time frequency component of the nth sound source, and df, t represents the number of the sound source that is dominant at the time frequency point (f, t). . r (n) f is a vector in which transfer characteristics from the n-th sound source to each microphone are arranged at the frequency f. Based on this assumption, the observation vectors y f, t at each time frequency point are classified into N clusters corresponding to N target sound sources, respectively, and only the components belonging to the clusters of the respective sound sources are extracted. The separation unit 13 can obtain separated sounds corresponding to each target sound source.

以上の流れで音源分離を行うために、パラメータ推定部12は、各時間周波数点の観測ベクトルがどれだけ各目的音源のクラスタに属しているらしいかを、以下の方法で推定する。まず、パラメータ推定部12は、観測ベクトルの確率分布をN個の要素分布からなる混合分布でモデル化する。このとき、各要素分布は、各音源信号のクラスタに対応しているので、それぞれの音源のパワーに対応するパラメータを持つ。時間周波数点(f,t)におけるn番目のパワーに相当するパラメータφ(n) f,tを、以下の(12)式のように、基底スペクトルとアクティベーションとの積和で表す。 In order to perform sound source separation according to the above flow, the parameter estimation unit 12 estimates how many observation vectors at each time frequency point belong to each target sound source cluster by the following method. First, the parameter estimation unit 12 models the probability distribution of the observation vector with a mixed distribution including N element distributions. At this time, each element distribution corresponds to a cluster of each sound source signal, and therefore has a parameter corresponding to the power of each sound source. The parameter φ (n) f, t corresponding to the n-th power at the time frequency point (f, t) is expressed by the product sum of the base spectrum and the activation as shown in the following equation (12).

Figure 0006581054
Figure 0006581054

ここで、wf,kは、k番目の基底スペクトルの周波数fでの成分を表す。hk,tは、k番目の基底スペクトルに対応するアクティベーションの時刻tでの成分を表す。パラメータ推定部12は、以上で述べた性質を持つ確率分布が、観測ベクトルの確率分布に近くなるように、分布パラメータを推定することによって、音源信号の周波数方向の構造と空間的情報の双方を考慮しながら分布パラメータとマスクを推定している。この推定したマスクと分布パラメータとは、音源分離部13で、各音源を分離するために使用される。 Here, w f, k represents a component at the frequency f of the k-th base spectrum. h k, t represents a component at the time t of activation corresponding to the k-th base spectrum. The parameter estimation unit 12 estimates both the structure of the sound source signal in the frequency direction and the spatial information by estimating the distribution parameters so that the probability distribution having the properties described above is close to the probability distribution of the observation vector. The distribution parameters and mask are estimated while taking into consideration. The estimated mask and distribution parameter are used by the sound source separation unit 13 to separate each sound source.

[時間周波数分析部の処理]
そこで、時間周波数分析部11の処理の内容について説明する。例えば、N個の音源から出た音響信号をM個のマイクロホンで収録しているとする。この時、マイクロホンmで収録された観測信号をx(m)(τ)とすると、x(m)(τ)は、以下の(13)式に示すように、各音源信号nに由来する音響信号s(m) (τ)の和で構成される。
[Processing of time-frequency analyzer]
Therefore, the contents of the processing of the time frequency analysis unit 11 will be described. For example, it is assumed that sound signals output from N sound sources are recorded by M microphones. At this time, when the observed signal was recorded by the microphone m and x (m) (tau), x (m) (tau), as shown in the following equation (13), derived from each source signal n acoustic It is composed of the sum of signals s (m) n (τ).

Figure 0006581054
Figure 0006581054

時間周波数分析部11は、全てのマイクロホンmで収録された上記観測信号を受け取り、各観測信号x(m)(τ)ごとに短時間信号分析を適用して時間周波数ごとの信号特徴量x(m)(t,f)を求める。短時間信号分析としては、短時間離散フーリエ変換や短時間離散コサイン変換など様々な方法を用いることができる。時間周波数分析部11は、さらに、各時間周波数で得られた信号特徴量x(m)(t,f)を全てのマイクロホンmに関してまとめたベクトルとして、以下の(14)式に示す観測ベクトルyt,fを構成する。時間周波数分析部11は、パラメータ推定部12及び音源分離部13に、観測ベクトルyt,fを出力する。 The time-frequency analysis unit 11 receives the observation signals recorded by all the microphones m, applies a short-time signal analysis for each observation signal x (m) (τ), and a signal feature amount x ( for each time frequency ). m) Find (t, f). As the short-time signal analysis, various methods such as a short-time discrete Fourier transform and a short-time discrete cosine transform can be used. The time-frequency analysis unit 11 further uses an observation vector y shown in the following equation (14) as a vector in which the signal feature amounts x (m) (t, f) obtained at each time frequency are collected for all microphones m. t, f are constructed. The time frequency analysis unit 11 outputs the observation vectors yt , f to the parameter estimation unit 12 and the sound source separation unit 13.

Figure 0006581054
Figure 0006581054

本実施の形態では、非特許文献1に記載の方法と同様に、目的音源及び雑音はスパース性を有し、各時間周波数点において高々一つの目的音源だけが存在すると仮定する。このため、各時間周波数点における観測ベクトルyf,tは、以下の(15)式でモデル化できる。 In the present embodiment, as in the method described in Non-Patent Document 1, it is assumed that the target sound source and noise have sparsity, and there is at most one target sound source at each time frequency point. Therefore, the observation vector y f, t at each time frequency point can be modeled by the following equation (15).

Figure 0006581054
Figure 0006581054

この(15)式のうち、s(n) f,tは、n番目の音源の時間周波数成分を表す。df,tは、時間周波数点(f,t)において優勢な音源の番号を表す。r(n) は、周波数fにおいて、n番目の音源から各マイクまでの伝達特性が並んだベクトルである。この仮定に基づき、音源分離部13は、各時間周波数点の観測ベクトルyf,tを、N個の目的音源に対応するN個のクラスタに識別し、各音源のクラスタに属する成分のみそれぞれ抽出することで、各目的音源に対応する分離音を得ることができる。また、以上の流れで音源分離を行うために、パラメータ推定部12は、各時間周波数点の観測ベクトルがどれだけ各目的音源のクラスタに属しているらしいかを、以下の方法で推定する。 In this equation (15), s (n) f, t represents the time frequency component of the nth sound source. df , t represents the number of the sound source that is dominant at the time frequency point (f, t). r (n) f is a vector in which transfer characteristics from the n-th sound source to each microphone are arranged at the frequency f. Based on this assumption, the sound source separation unit 13 identifies the observation vectors y f, t at each time frequency point into N clusters corresponding to the N target sound sources, and extracts only the components belonging to the clusters of the respective sound sources. By doing so, the separated sound corresponding to each target sound source can be obtained. In addition, in order to perform sound source separation according to the above flow, the parameter estimation unit 12 estimates how many observation vectors at each time frequency point belong to each target sound source cluster by the following method.

[パラメータ推定部の処理]
そこで、パラメータ推定部12の処理について説明する。まず、パラメータ推定部12は、観測ベクトルの確率分布を、以下の(16)式に示すように、N個の要素分布からなる混合分布でモデル化する。
[Processing of parameter estimation unit]
Therefore, the process of the parameter estimation unit 12 will be described. First, the parameter estimation unit 12 models the probability distribution of an observation vector as a mixed distribution including N element distributions as shown in the following equation (16).

Figure 0006581054
Figure 0006581054

ここで、wf,kは、k番目の基底スペクトルの周波数fでの成分を表す。hk,tは、k番目の基底スペクトルに対応するアクティベーションの時刻tでの成分を表す。R(n) は、r(n) (n) に相当する、n番目の目的音源の時不変な空間相関行列であり、M×Mの行列パラメータである。α(n) は、Σα(n) =1を満たす重みパラメータ(スカラー値)である。したがって、混合分布の各要素分布は、平均0,分散共分散行列が基底ベクトルとアクティベーションとの積和に空間相関行列を掛けたものであるといえる。そして、上記の確率分布に基づき、各パラメータを推定するための尤度関数は、以下の(17)式のように定義できる。 Here, w f, k represents a component at the frequency f of the k-th base spectrum. h k, t represents a component at the time t of activation corresponding to the k-th base spectrum. R (n) f is a time-invariant spatial correlation matrix of the n-th target sound source corresponding to r (n) f r (n) f H , and is an M × M matrix parameter. α (n) f is a weight parameter (scalar value) that satisfies Σ n α (n) f = 1. Therefore, it can be said that each element distribution of the mixed distribution is obtained by multiplying the product sum of the basis vector and the activation by the spatial correlation matrix by the mean 0 and the variance covariance matrix. Based on the above probability distribution, the likelihood function for estimating each parameter can be defined as the following equation (17).

Figure 0006581054
Figure 0006581054

ただし、yは、観測ベクトルの集合を表す。Θは、分布パラメータの集合を表す。FNc(yf,t;0,Σ(n) f,k(n) k,t(n) )は、yf,tに関する平均0、分散共分散行列Σ(n) f,k(n) k,t(n) の複素正規分布の確率密度関数である。 Here, y represents a set of observation vectors. Θ represents a set of distribution parameters. F Nc (y f, t; 0, Σ k w (n) f, k h (n) k, t R (n) f) is, y f, mean for t 0, variance-covariance matrix sigma k w ( n) f, k h (n) k, t R (n) The probability density function of the complex normal distribution of f .

パラメータ推定部12は、この目的関数が局所最大となる分布パラメータ、すなわち、モデル化した混合分布が受け取った観測ベクトルの分布に近くなるような分布パラメータを求める。この後、パラメータ推定部12は、目的音源に対応する要素分布の事後確率を、目的音源に対応するマスクの推定値とすることで、空間的情報と、音源信号の周波数方向の構造との双方を考慮に入れて、マスクと分布パラメータとを推定する。   The parameter estimation unit 12 obtains a distribution parameter in which the objective function is a local maximum, that is, a distribution parameter in which the modeled mixture distribution is close to the received observation vector distribution. Thereafter, the parameter estimation unit 12 uses the posterior probability of the element distribution corresponding to the target sound source as an estimated value of the mask corresponding to the target sound source, so that both spatial information and the structure in the frequency direction of the sound source signal are obtained. Is taken into account and the mask and distribution parameters are estimated.

まず、非特許文献1に記載の方法と同様に、Expectation-Maximization(EM)アルゴリズムの原理に基づき、対数尤度関数を局所最大化するためのQ関数は、以下の(18)式のように定義できる。   First, similarly to the method described in Non-Patent Document 1, based on the principle of the Expectation-Maximization (EM) algorithm, the Q function for locally maximizing the log-likelihood function is expressed by the following equation (18): Can be defined.

Figure 0006581054
Figure 0006581054

ここで、λ(n) f,tは、n番目の目的音源の事後確率に相当する補助パラメータであり、現在保持している分布パラメータを用いて、Eステップにおいて、以下の(19)式のように計算できる。なお、以下で示す(19)式〜(21)式、(25)式及び(26)式で表されるパラメータ更新則を十分反復することによって最終的に推定されたλ(n) f,tは、マスクとして、音源分離部13に出力される。 Here, λ (n) f, t is an auxiliary parameter corresponding to the posterior probability of the n-th target sound source, and in the E step using the distribution parameter currently held, Can be calculated as follows. It should be noted that λ (n) f, t finally estimated by sufficiently repeating the parameter update rules expressed by the following equations (19) to (21), (25), and (26) : Is output to the sound source separation unit 13 as a mask.

Figure 0006581054
Figure 0006581054

そして、分布パラメータのうち、空間相関行列R(n) と、重みパラメータα(n) については、Mステップにおいて、上記のQ関数をそれぞれのパラメータで偏微分したものを0とおくことで、以下の(20)式及び(21)式に示す更新則が導出できる。 Of the distribution parameters, the spatial correlation matrix R (n) f and the weight parameter α (n) f are set to 0 in the M step by partial differentiation of the above Q function with the respective parameters. The update rules shown in the following equations (20) and (21) can be derived.

Figure 0006581054
Figure 0006581054
Figure 0006581054
Figure 0006581054

次に、本実施の形態では、上記Q関数に対して、対数関数とその接線の間に成り立つ不等式と、逆数関数に対するジェンセン(Jensen)の不等式とに基づいて設計された下限関数Q´(Θ,Λ)を以下の(22)式のように設計する。   Next, in the present embodiment, the lower limit function Q ′ (Θ) designed based on the inequality between the logarithmic function and its tangent and the Jensen inequality for the reciprocal function with respect to the Q function. , Λ) is designed as in the following equation (22).

Figure 0006581054
Figure 0006581054

パラメータ推定部12は、(22)式に示す下限関数Q´(Θ,Λ)を用いてパラメータを最適化する。なお、Λは、補助パラメータγ(n) f,tとβ(n) k,f,tとの集合を表す。そして、(22)式の等号成立条件は、以下の(23)式及び(24)式で表せる。 The parameter estimation unit 12 optimizes the parameters using the lower limit function Q ′ (Θ, Λ) shown in Equation (22). Λ represents a set of auxiliary parameters γ (n) f, t and β (n) k, f, t . And the equality establishment condition of the equation (22) can be expressed by the following equations (23) and (24).

Figure 0006581054
Figure 0006581054
Figure 0006581054
Figure 0006581054

(23)式及び(24)式の条件下において、下限関数Q′(Θ,Λ)の偏微分を0と置くことで、基底スペクトルとアクティベーションとの更新則は、以下の(25)式及び(26)式のように導ける。   By setting the partial derivative of the lower limit function Q ′ (Θ, Λ) to 0 under the conditions of the equations (23) and (24), the update rule between the base spectrum and the activation can be expressed by the following equation (25): And (26).

Figure 0006581054
Figure 0006581054

Figure 0006581054
Figure 0006581054

パラメータ推定部12は、上記の(19)式〜(21)式、(25)式及び(26)式で表されるパラメータ更新則を十分反復することで、観測分布を近似するような分布パラメータ(基底ベクトル、アクティベーション及び空間相関行列)及びマスクを推定することができる。パラメータ推定部12は、観測分布を近似するような分布パラメータ(基底ベクトル、アクティベーション及び空間相関行列)及びマスクを、音源分離部13に出力する。   The parameter estimator 12 is a distribution parameter that approximates the observed distribution by sufficiently repeating the parameter update rules expressed by the above equations (19) to (21), (25), and (26). (Basic vectors, activation and spatial correlation matrix) and mask can be estimated. The parameter estimation unit 12 outputs distribution parameters (basis vectors, activation and spatial correlation matrix) and a mask that approximate the observation distribution to the sound source separation unit 13.

[音源分離部の処理]
次に、音源分離部13の処理について説明する。音源分離部13は、以下に示すいずれかの手法に基づいて、パラメータ推定部12が推定したパラメータを用いて音源を分離する。
[Processing of sound source separation unit]
Next, processing of the sound source separation unit 13 will be described. The sound source separation unit 13 separates sound sources using the parameters estimated by the parameter estimation unit 12 based on any of the following methods.

まず、第1の手法について説明する。第1の手法として、音源分離部13は、推定したマスクλ(n) f,tを、観測信号に掛け合わせることによって、n番目の目的音源に対応する分離音を得る。 First, the first method will be described. As a first method, the sound source separation unit 13 obtains a separated sound corresponding to the nth target sound source by multiplying the estimated mask λ (n) f, t by the observation signal.

そして、第2の手法として、音源分離部13は、推定した基底スペクトルとアクティベーションとを用いて、単チャンネルウィーナーフィルタを設計し、観測信号に掛け合わせることによって、n番目の目的音源に対応する分離音を得る。   As a second method, the sound source separation unit 13 designs a single channel Wiener filter using the estimated base spectrum and activation, and multiplies it with the observation signal to correspond to the nth target sound source. Get separated sound.

また、第3の手法として、音源分離部13は、推定した基底スペクトル、アクティベーション、空間相関行列、或いは、空間相関行列のみを用いて、多チャンネルウィーナーフィルタを設計し、観測信号に掛け合わせることによって、n番目の目的音源に対応する分離音を得る。   As a third method, the sound source separation unit 13 designs a multi-channel Wiener filter using only the estimated base spectrum, activation, spatial correlation matrix, or spatial correlation matrix, and multiplies it to the observation signal. Thus, a separated sound corresponding to the nth target sound source is obtained.

また、音源分離部13は、第1の手法を、第2の手法或いは第3の手法と組み合わせた第4の手法を用いて、n番目の目的音源に対応する分離音を得ることもできる。   The sound source separation unit 13 can also obtain a separated sound corresponding to the nth target sound source by using the fourth method in which the first method is combined with the second method or the third method.

[音源分離処理]
次に、音源分離装置1が実行する音源分離処理の処理手順について説明する。図2は、図1に示す音源分離装置1が実行する音源分離処理の処理手順を示すフローチャートである。
[Sound source separation processing]
Next, a processing procedure of sound source separation processing executed by the sound source separation device 1 will be described. FIG. 2 is a flowchart showing a processing procedure of sound source separation processing executed by the sound source separation device 1 shown in FIG.

図2に示すように、まず、音源分離装置1では、時間周波数分析部11が、N個の目的音源に対応する音響信号が混在する状況において、異なる位置で収録されたM個の観測信号を入力信号として受け取る(ステップS1)。言い換えると、時間周波数分析部11は、多チャンネル観測信号を入力信号として受け取る。そして、時間周波数分析部11は、各観測信号に短時間信号分析を適用して時間周波数点ごとの観測音響信号を抽出する(ステップS2)。続いて、時間周波数分析部11は、時間周波数点ごとに全ての観測音響信号をまとめた観測ベクトルを構成する(ステップS3)。   As shown in FIG. 2, first, in the sound source separation device 1, the time-frequency analysis unit 11 selects M observation signals recorded at different positions in a situation where acoustic signals corresponding to N target sound sources are mixed. Received as an input signal (step S1). In other words, the time frequency analysis unit 11 receives a multi-channel observation signal as an input signal. Then, the time frequency analysis unit 11 extracts the observation acoustic signal for each time frequency point by applying short time signal analysis to each observation signal (step S2). Subsequently, the time-frequency analysis unit 11 configures an observation vector in which all observation acoustic signals are collected for each time-frequency point (step S3).

パラメータ推定部12は、初期値生成部14からパラメータの初期値を受け取る(ステップS4)。パラメータ推定部12は、時間周波数分析部11から観測ベクトルを受け取る。そして、パラメータ推定部12は、各周波数における観測ベクトルの確率分布を、N個の音源に対応するN個の要素分布からなる混合分布でモデル化する(ステップS5)。   The parameter estimation unit 12 receives the initial value of the parameter from the initial value generation unit 14 (step S4). The parameter estimation unit 12 receives the observation vector from the time frequency analysis unit 11. Then, the parameter estimation unit 12 models the probability distribution of the observation vector at each frequency with a mixed distribution composed of N element distributions corresponding to the N sound sources (step S5).

続いて、パラメータ推定部12は、モデル化した混合分布が、時間周波数分析部11から受け取った観測ベクトルの分布に近くなるように混合分布のパラメータを推定する分布パラメータ推定処理を行う(ステップS6)。パラメータ推定部12は、各要素分布の事後確率を各音響信号に対応するマスクの推定値とするマスク推定処理を行う(ステップS7)。なお、実際には、ステップS6及びステップS7は、所定回反復される。すなわち、ステップS6及びステップS7では、上述したパラメータ更新則を反復することによって、観測分布を近似するような分布パラメータ(基底ベクトル、アクティベーション及び空間相関行列)及びマスクを推定している。   Subsequently, the parameter estimation unit 12 performs a distribution parameter estimation process for estimating the parameters of the mixture distribution so that the modeled mixture distribution is close to the distribution of the observation vector received from the time-frequency analysis unit 11 (step S6). . The parameter estimation unit 12 performs a mask estimation process using the posterior probability of each element distribution as an estimated value of a mask corresponding to each acoustic signal (step S7). Actually, step S6 and step S7 are repeated a predetermined number of times. That is, in step S6 and step S7, distribution parameters (basis vectors, activation and spatial correlation matrix) and a mask that approximate the observation distribution are estimated by repeating the parameter update rule described above.

そして、音源分離部13は、観測ベクトルと、マスクと、分布パラメータ、或いは、その一部をパラメータ推定部12から受け取り、分離音を計算し(ステップS8)、計算した分離音を出力する。分布パラメータは、基底ベクトル、アクティベーション及び空間相関行列である。   The sound source separation unit 13 receives the observation vector, the mask, the distribution parameter, or a part thereof from the parameter estimation unit 12, calculates the separated sound (step S8), and outputs the calculated separated sound. Distribution parameters are basis vectors, activations and spatial correlation matrices.

[確認実験]
本実施の形態に対し、確認実験を行った。残響時間0.44秒の可変残響室において測定した室内インパルス応答に、2つの音声をそれぞれ畳み込み足し合わせることで、擬似的に、M=2個のマイクで収録された、混合音を得た。この混合音に対して、以下の(表1)の条件下で、本実施の形態に係る音源分離方法を適用し、分離音を得た。
[Confirmation experiment]
A confirmation experiment was performed on the present embodiment. By mixing and adding two voices to the room impulse response measured in the variable reverberation room having a reverberation time of 0.44 seconds, a mixed sound recorded by M = 2 microphones was obtained in a pseudo manner. The sound source separation method according to the present embodiment was applied to the mixed sound under the following conditions (Table 1) to obtain a separated sound.

Figure 0006581054
Figure 0006581054

本実施の形態を適用して音源分離を行った結果、非特許文献1記載の方法を用いて音源分離を行った場合に対して、信号対ひずみ比が0.26dB向上し、信号対干渉比が1.96dB向上した。なお、本実施の形態における、マスクλ(n) f,tと、空間相関行列R(n) の初期値は、非特許文献1に記載の方法を用いて求めた。基底スペクトルの初期値は、乱数を用いて設定し、アクティベーションの初期値は、全ての成分を1とした。また、簡単のため、重みパラメータα(n) の値は、全てのn,fについて一様とした。 As a result of performing sound source separation by applying this embodiment, the signal-to-distortion ratio is improved by 0.26 dB compared to the case where sound source separation is performed using the method described in Non-Patent Document 1, and the signal-to-interference ratio Improved by 1.96 dB. Note that the initial values of the mask λ (n) f, t and the spatial correlation matrix R (n) f in the present embodiment were obtained using the method described in Non-Patent Document 1. The initial value of the base spectrum was set using random numbers, and the initial value of activation was set to 1 for all components. For simplicity, the value of the weight parameter α (n) f is uniform for all n and f.

[実施の形態の効果]
このように、本実施の形態によれば、マスクや基底スペクトル、アクティベーションなどの、音源分離のためのパラメータを正確に推定することによって、音源分離を正確に行うことができる。また、本実施の形態によれば、音源信号の周波数方向の構造を考慮することによって、より正確にマスクを推定することができる。さらに、本実施の形態によれば、空間的情報に基づいて推定されたマスクを考慮することによって、より正確に基底ベクトルやアクティベーションを推定して、音源分離を正確に行うことができる。
[Effect of the embodiment]
Thus, according to the present embodiment, sound source separation can be performed accurately by accurately estimating parameters for sound source separation such as a mask, a base spectrum, and activation. Further, according to the present embodiment, the mask can be estimated more accurately by considering the structure of the sound source signal in the frequency direction. Furthermore, according to the present embodiment, by considering a mask estimated based on spatial information, it is possible to more accurately estimate a base vector and activation and accurately perform sound source separation.

したがって、本実施の形態によれば、確認実験の結果でも示したように、従来の方法と比して、信号対ひずみ比及び信号対干渉比を高めた音源分離、すなわち、正確な音源分離を行うことが可能になる。   Therefore, according to the present embodiment, as shown in the result of the confirmation experiment, sound source separation in which the signal-to-distortion ratio and the signal-to-interference ratio are increased as compared with the conventional method, that is, accurate sound source separation is performed. It becomes possible to do.

[他の実施の形態]
[システム構成等]
図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部又は任意の一部が、CPU(Central Processing Unit)及び当該CPUにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
[Other embodiments]
[System configuration, etc.]
Each component of each illustrated device is functionally conceptual and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to the one shown in the figure, and all or a part of the distribution / integration is functionally or physically distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured. Further, all or any part of each processing function performed by each device is realized by a CPU (Central Processing Unit) and a program analyzed and executed by the CPU, or hardware by wired logic. Can be realized as

また、本実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部又は一部を手動的におこなうこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部又は一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。   In addition, among the processes described in this embodiment, all or a part of the processes described as being automatically performed can be manually performed, or the processes described as being manually performed can be performed. All or a part can be automatically performed by a known method. In addition, the processing procedure, control procedure, specific name, and information including various data and parameters shown in the above-described document and drawings can be arbitrarily changed unless otherwise specified.

[プログラム]
図3は、プログラムが実行されることにより、音源分離装置1が実現されるコンピュータの一例を示す図である。コンピュータ1000は、例えば、メモリ1010、CPU1020を有する。また、コンピュータ1000は、ハードディスクドライブインタフェース1030、ディスクドライブインタフェース1040、シリアルポートインタフェース1050、ビデオアダプタ1060、ネットワークインタフェース1070を有する。これらの各部は、バス1080によって接続される。
[program]
FIG. 3 is a diagram illustrating an example of a computer in which the sound source separation device 1 is realized by executing a program. The computer 1000 includes a memory 1010 and a CPU 1020, for example. The computer 1000 also includes a hard disk drive interface 1030, a disk drive interface 1040, a serial port interface 1050, a video adapter 1060, and a network interface 1070. These units are connected by a bus 1080.

メモリ1010は、ROM(Read Only Memory)1011及びRAM(Random Access Memory)1012を含む。ROM1011は、例えば、BIOS(Basic Input Output System)等のブートプログラムを記憶する。ハードディスクドライブインタフェース1030は、ハードディスクドライブ1090に接続される。ディスクドライブインタフェース1040は、ディスクドライブ1100に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ1100に挿入される。シリアルポートインタフェース1050は、例えばマウス1110、キーボード1120に接続される。ビデオアダプタ1060は、例えばディスプレイ1130に接続される。   The memory 1010 includes a ROM (Read Only Memory) 1011 and a RAM (Random Access Memory) 1012. The ROM 1011 stores a boot program such as BIOS (Basic Input Output System). The hard disk drive interface 1030 is connected to the hard disk drive 1090. The disk drive interface 1040 is connected to the disk drive 1100. For example, a removable storage medium such as a magnetic disk or an optical disk is inserted into the disk drive 1100. The serial port interface 1050 is connected to a mouse 1110 and a keyboard 1120, for example. The video adapter 1060 is connected to the display 1130, for example.

ハードディスクドライブ1090は、例えば、OS1091、アプリケーションプログラム1092、プログラムモジュール1093、プログラムデータ1094を記憶する。すなわち、音源分離装置1の各処理を規定するプログラムは、コンピュータ1000により実行可能なコードが記述されたプログラムモジュール1093として実装される。プログラムモジュール1093は、例えばハードディスクドライブ1090に記憶される。例えば、音源分離装置1における機能構成と同様の処理を実行するためのプログラムモジュール1093が、ハードディスクドライブ1090に記憶される。なお、ハードディスクドライブ1090は、SSD(Solid State Drive)により代替されてもよい。   The hard disk drive 1090 stores, for example, an OS 1091, an application program 1092, a program module 1093, and program data 1094. That is, a program that defines each process of the sound source separation device 1 is implemented as a program module 1093 in which a code executable by the computer 1000 is described. The program module 1093 is stored in the hard disk drive 1090, for example. For example, a program module 1093 for executing processing similar to the functional configuration in the sound source separation device 1 is stored in the hard disk drive 1090. The hard disk drive 1090 may be replaced by an SSD (Solid State Drive).

また、上述した実施形態の処理で用いられる設定データは、プログラムデータ1094として、例えばメモリ1010やハードディスクドライブ1090に記憶される。そして、CPU1020が、メモリ1010やハードディスクドライブ1090に記憶されたプログラムモジュール1093やプログラムデータ1094を必要に応じてRAM1012に読み出して実行する。   The setting data used in the processing of the above-described embodiment is stored as program data 1094 in, for example, the memory 1010 or the hard disk drive 1090. Then, the CPU 1020 reads the program module 1093 and the program data 1094 stored in the memory 1010 and the hard disk drive 1090 to the RAM 1012 and executes them as necessary.

なお、プログラムモジュール1093やプログラムデータ1094は、ハードディスクドライブ1090に記憶される場合に限らず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ1100等を介してCPU1020によって読み出されてもよい。あるいは、プログラムモジュール1093及びプログラムデータ1094は、ネットワーク(LAN、WAN等)を介して接続された他のコンピュータに記憶されてもよい。そして、プログラムモジュール1093及びプログラムデータ1094は、他のコンピュータから、ネットワークインタフェース1070を介してCPU1020によって読み出されてもよい。   The program module 1093 and the program data 1094 are not limited to being stored in the hard disk drive 1090, but may be stored in, for example, a removable storage medium and read out by the CPU 1020 via the disk drive 1100 or the like. Alternatively, the program module 1093 and the program data 1094 may be stored in another computer connected via a network (LAN, WAN, etc.). Then, the program module 1093 and the program data 1094 may be read by the CPU 1020 from another computer via the network interface 1070.

以上、本発明者によってなされた発明を適用した実施形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施形態、実施例及び運用技術等は全て本発明の範疇に含まれる。   As mentioned above, although embodiment which applied the invention made | formed by this inventor was described, this invention is not limited with the description and drawing which make a part of indication of this invention by this embodiment. That is, other embodiments, examples, operation techniques, and the like made by those skilled in the art based on this embodiment are all included in the scope of the present invention.

1,1P,1P’ 音源分離装置
11,11P,11P’ 時間周波数分析部
12,12P,12P’ パラメータ推定部
13,13P,13P’ 音源分離部
14,14P,14P’ 初期値生成部
121,121P 分布パラメータ推定部
122,122P マスク推定部
121P’ パラメータ推定処理部
1, 1P, 1P ′ sound source separation device 11, 11P, 11P ′ time frequency analysis unit 12, 12P, 12P ′ parameter estimation unit 13, 13P, 13P ′ sound source separation unit 14, 14P, 14P ′ initial value generation unit 121, 121P Distribution parameter estimation unit 122, 122P Mask estimation unit 121P 'Parameter estimation processing unit

Claims (7)

N(N>1)個の目的音源に対応する音響信号が混在する状況において、異なる位置で収録されたM(M>1)個の観測信号を受け取り、各観測信号に短時間信号分析を適用して時間周波数点ごとの観測音響信号を抽出した後に時間周波数点ごとに全ての観測音響信号をまとめたM次元縦ベクトルである観測ベクトルを構成する時間周波数分析部と、
個の音源に対応するN個の要素分布の各々は、分布パラメータのうち各音源のパワーに相当するパラメータが周波数方向に構造を持った基底ベクトルとその時変であるアクティベーションとの積和によってモデル化されるものとし、各周波数における観測ベクトルの確率分布は、前記N個の要素分布の混合分布でモデル化されるものとし、前記時間周波数分析部から観測ベクトルを受け取り、モデル化した前記混合分布が、前記時間周波数分析部から受け取った観測ベクトルの分布に近くなるように前記混合分布のパラメータを推定するパラメータ推定部と、
前記推定したパラメータを用いて、分離音を計算する音源分離部と、
を有することを特徴とする音源分離装置。
In a situation where acoustic signals corresponding to N (N> 1) target sound sources are mixed, M (M> 1) observation signals recorded at different positions are received, and short-term signal analysis is applied to each observation signal. Then, after extracting the observation acoustic signal for each time frequency point, a time frequency analysis unit that configures an observation vector that is an M-dimensional vertical vector that summarizes all the observation acoustic signals for each time frequency point;
Each of the N elements distribution corresponding to N sound sources, the sum of products of the activation parameter corresponding to the power of each sound source is time varying its a base vector having a structure in frequency direction in the distribution parameter modeled as shall probability distribution of the observed vectors at each frequency, the shall be modeled in a mixed distribution of the N elements distribution, receives the observation vectors from the time-frequency analysis unit, the mixture was modeled distribution, and a parameter estimating section Ru estimation Teisu parameters of the mixture distribution to be close to the distribution of observed vectors received from the time-frequency analysis unit,
A sound source separation unit for calculating a separated sound using the estimated parameter ;
A sound source separation device comprising:
前記混合分布の各要素分布は、平均とし,分散共分散行列基底ベクトルとアクティベーションとの積和に空間相関行列を掛けたものとするガウス分布であることを特徴とする請求項1に記載の音源分離装置。 2. Each element distribution of the mixed distribution is a Gaussian distribution in which an average is 0 and a variance-covariance matrix is obtained by multiplying a product sum of a basis vector and an activation by a spatial correlation matrix. The sound source separation device according to 1. 前記パラメータ推定部は、対数関数とその接線の間に成り立つ不等式と、逆数関数に対するジェンセン(Jensen)の不等式とに基づいて設計された下限関数を用いてパラメータを最適化することを特徴とする請求項1または2に記載の音源分離装置。   The parameter estimator optimizes parameters using a lower limit function designed based on an inequality established between a logarithmic function and its tangent and a Jensen inequality for an inverse function. Item 3. The sound source separation device according to item 1 or 2. 目的音源を分離する音源分離装置が行う音源分離方法であって、
N(N>1)個の目的音源に対応する音響信号が混在する状況において、異なる位置で収録されたM(M>1)個の観測信号を受け取り、各観測信号に短時間信号分析を適用して時間周波数点ごとの観測音響信号を抽出した後に時間周波数点ごとに全ての観測音響信号をまとめたM次元縦ベクトルである観測ベクトルを構成する時間周波数分析工程と、
個の音源に対応するN個の要素分布の各々は、分布パラメータのうち各音源のパワーに相当するパラメータが周波数方向に構造を持った基底ベクトルとその時変であるアクティベーションとの積和によってモデル化されるものとし、各周波数における観測ベクトルの確率分布は、前記N個の要素分布の混合分布でモデル化されるものとし、前記時間周波数分析工程における観測ベクトルを受け取り、モデル化した前記混合分布が、前記観測ベクトルの分布に近くなるように前記混合分布のパラメータを推定するパラメータ推定工程と、
前記推定されたパラメータを用いて、分離音を計算する音源分離工程と、
を含んだことを特徴とする音源分離方法。
A sound source separation method performed by a sound source separation device for separating a target sound source,
In a situation where acoustic signals corresponding to N (N> 1) target sound sources are mixed, M (M> 1) observation signals recorded at different positions are received, and short-term signal analysis is applied to each observation signal. A time-frequency analysis step of constructing an observation vector which is an M-dimensional vertical vector in which all the observation sound signals are collected for each time frequency point after extracting the observation sound signal for each time frequency point;
Each of the N elements distribution corresponding to N sound sources, the sum of products of the activation parameter corresponding to the power of each sound source is time varying its a base vector having a structure in frequency direction in the distribution parameter modeled as shall probability distribution of the observed vectors at each frequency, the shall be modeled in a mixed distribution of the N elements distribution, receive observation vector in the time-frequency analysis step, the mixture obtained by modeling distribution, and a parameter estimation step Ru estimation Teisu parameters of the mixture distribution to be close to the distribution of the observed vectors,
A sound source separation step of calculating a separated sound using the estimated parameters ;
A sound source separation method comprising:
前記混合分布の各要素分布は、平均とし,分散共分散行列基底ベクトルとアクティベーションとの積和に空間相関行列を掛けたものとするガウス分布であることを特徴とする請求項4に記載の音源分離方法。 5. Each element distribution of the mixed distribution is a Gaussian distribution in which an average is 0 and a variance-covariance matrix is obtained by multiplying a product sum of a basis vector and an activation by a spatial correlation matrix. The sound source separation method described in 1. 前記パラメータ推定工程は、対数関数とその接線の間に成り立つ不等式と、逆数関数に対するジェンセンの不等式とに基づいて設計された下限関数を用いてパラメータを最適化することを特徴とする請求項4または5に記載の音源分離方法。   5. The parameter estimation step of optimizing a parameter using a lower limit function designed based on an inequality established between a logarithmic function and its tangent and a Jensen inequality for an inverse function. 6. The sound source separation method according to 5. コンピュータを請求項1〜3のいずれか一つに記載の音源分離装置として機能させるための音源分離プログラム。   A sound source separation program for causing a computer to function as the sound source separation device according to claim 1.
JP2016173580A 2016-09-06 2016-09-06 Sound source separation apparatus, sound source separation method, and sound source separation program Active JP6581054B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016173580A JP6581054B2 (en) 2016-09-06 2016-09-06 Sound source separation apparatus, sound source separation method, and sound source separation program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016173580A JP6581054B2 (en) 2016-09-06 2016-09-06 Sound source separation apparatus, sound source separation method, and sound source separation program

Publications (2)

Publication Number Publication Date
JP2018040880A JP2018040880A (en) 2018-03-15
JP6581054B2 true JP6581054B2 (en) 2019-09-25

Family

ID=61625709

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016173580A Active JP6581054B2 (en) 2016-09-06 2016-09-06 Sound source separation apparatus, sound source separation method, and sound source separation program

Country Status (1)

Country Link
JP (1) JP6581054B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020172790A1 (en) * 2019-02-26 2020-09-03 Harman International Industries, Incorporated Method and system for voice separation based on degenerate unmixing estimation technique
CN113178204B (en) * 2021-04-28 2023-05-30 云知声智能科技股份有限公司 Single-channel noise reduction low-power consumption method, device and storage medium

Also Published As

Publication number Publication date
JP2018040880A (en) 2018-03-15

Similar Documents

Publication Publication Date Title
JP6434657B2 (en) Spatial correlation matrix estimation device, spatial correlation matrix estimation method, and spatial correlation matrix estimation program
Sprechmann et al. Supervised non-euclidean sparse NMF via bilevel optimization with applications to speech enhancement
WO2019198306A1 (en) Estimation device, learning device, estimation method, learning method, and program
JP6517760B2 (en) Mask estimation parameter estimation device, mask estimation parameter estimation method and mask estimation parameter estimation program
JP6783475B2 (en) Voice conversion device, voice conversion method and program
JP2008158035A (en) Device for determining voiced sound interval of multiple sound sources, method and program therefor, and its recording medium
JP6348427B2 (en) Noise removal apparatus and noise removal program
JP6748304B2 (en) Signal processing device using neural network, signal processing method using neural network, and signal processing program
JP6538624B2 (en) Signal processing apparatus, signal processing method and signal processing program
JP6499095B2 (en) Signal processing method, signal processing apparatus, and signal processing program
JP5994639B2 (en) Sound section detection device, sound section detection method, and sound section detection program
JP6581054B2 (en) Sound source separation apparatus, sound source separation method, and sound source separation program
JP5974901B2 (en) Sound segment classification device, sound segment classification method, and sound segment classification program
JP6505346B1 (en) Computer system for unsupervised speaker adaptation of DNN speech synthesis, method and program implemented in the computer system
JP5726790B2 (en) Sound source separation device, sound source separation method, and program
Giacobello et al. Speech dereverberation based on convex optimization algorithms for group sparse linear prediction
JP5807914B2 (en) Acoustic signal analyzing apparatus, method, and program
JP6290803B2 (en) Model estimation apparatus, objective sound enhancement apparatus, model estimation method, and model estimation program
JP6636973B2 (en) Mask estimation apparatus, mask estimation method, and mask estimation program
JP6734237B2 (en) Target sound source estimation device, target sound source estimation method, and target sound source estimation program
JP5731929B2 (en) Speech enhancement device, method and program thereof
JP6564744B2 (en) Signal analysis apparatus, method, and program
JP2019193073A (en) Sound source separation device, method thereof, and program
JP6553561B2 (en) Signal analysis apparatus, method, and program
Nasersharif et al. Speech/music separation using non-negative matrix factorization with combination of cost functions

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180824

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190527

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190611

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190806

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190827

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190829

R150 Certificate of patent or registration of utility model

Ref document number: 6581054

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150