JP6936709B2

JP6936709B2 - 音声検知システム及び音声検知方法

Info

Publication number: JP6936709B2
Application number: JP2017220862A
Authority: JP
Inventors: 崇増田; 隆士松尾
Original assignee: Shimizu Corp
Current assignee: Shimizu Corp
Priority date: 2017-11-16
Filing date: 2017-11-16
Publication date: 2021-09-22
Anticipated expiration: 2037-11-16
Also published as: JP2019090962A

Description

本発明は、例えば、オフィス内におけるコミュニケーションの活性度を計測する際に用い得る音声検知システム及び音声検知方法に関する。

ある空間内に人が居るかコミュニケーションが活発に行われているかを判定する手段として、音声を検知することは有効な方法である。このような音声検知方法が確立されていれば、例えば、オフィス内のコミュニケーション活性度の計測を行ったり、或いは、公共施設などの交流ペースの活用度を計測したり、といったことが可能となる。

業務に適したオフィス環境が提供されているかを知る尺度として、例えば、特許文献１（特開２０１６−１１５００３号公報）には、複数の種類の業務が各ユーザによってそれぞれ遂行されるように構成される施設におけるオフィス活動を分析するオフィス活動分析システムにおいて、対話などによる現場の音をセンサーであるマイクによって集音して、マイクで集音した音の音圧レベルがある値を超える場合や音圧レベルが変動する場合に会話が行われていると判断する技術が開示されている。
特開２０１６−１１５００３号公報

しかしながら、特許文献１記載の従来技術で利用される、会話が行われている場合の音圧レベルの値や変動幅は、マイクと音源である人との位置関係や暗騒音を含む周囲の状況により異なり、精度高く音声の有無を検知することが難しい、という問題があった。また、従来技術では、音声以外の音が混入して音圧レベルが上昇したり、変動したりすることに対することが考慮されておらず、高い精度で音声の有無を検知することが困難である、という問題があった。

一方、高度な信号処理技術や人工知能等を用いて収録した音の特徴から音声が含まれるか判定する方法が考えられるが、データ処理量が多く計測装置や判定を行うシステムが複雑かつ高価になる、という問題が発生する。

また、これまで、広い空間内や建物内各所の多点で簡便に音声を検知する方法については、提案がなされていなかった。

この発明は、上記のような問題を解決するものであって、本発明に係る音声検知システムは、所定空間における音を集音する集音部と、前記集音部で集音された音に基づいて、設定された時間間隔帯におけるＡ特性等価音圧レベルと、中心周波数５００Ｈｚのオクターブバンド等価音圧レベルとを算出する算出部と、中心周波数５００Ｈｚのオクターブバンド等価音圧レベルからＡ特性等価音圧レベルを引いた差分が予め設定された閾値以上である場合、前記集音部で集音された音に、音声が含まれていると判定する判定部と、を有することを特徴とする。

また、本発明に係る音声検知システムは、前記判定部における判定結果を履歴として記録する記録部をさらに有することを特徴とする。

また、本発明に係る音声検知方法は、所定空間における音を集音する集音ステップと、前記集音ステップで集音された音に基づいて、設定された時間間隔帯におけるＡ特性等価音圧レベルと、中心周波数５００Ｈｚのオクターブバンド等価音圧レベルとを算出する算出ステップと、前記算出ステップで算出された中心周波数５００Ｈｚのオクターブバンド等価音圧レベルからＡ特性等価音圧レベルを引いた差分が予め設定された閾値以上である場合、前記集音ステップで集音された音に、音声が含まれていると判定する判定ステップと、を有することを特徴とする。

また、本発明に係る音声検知方法は、前記判定ステップにおける判定結果を履歴として記録する記録ステップをさらに有することを特徴とする。

本発明に係る音声検知システム及び音声検知方法は、集音部で集音された音に基づいて、設定された時間間隔帯におけるＡ特性等価音圧レベル（Ｌ_Aeq）と、中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）とを算出し、中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）からＡ特性等価音圧レベル（Ｌ_Aeq）を引いた差分が予め設定された閾値以上である場合、集音された音に音声が含まれていると判定するものであり、このような本発明に係る音声検知システム及び音声検知方法によれば、音圧レベルの値や変動幅を用いることなく、高い精度で音声の有無を検知することが可能となる。

また、本発明に係る音声検知システム及び音声検知方法は、高度な信号処理技術や人工知能等を用い、音声が含まれているかを判定することのではなく、安価で簡便な装置構成で検知を行うものであり、広い空間内や建物内各所の多点で簡便に音声を検知することが可能となる。

本発明の実施形態に係る音声検知システム１のブロック図と使用形態とを示している。本発明の実施形態に係る音声検知システム１の設定時間間隔毎の処理アルゴリズムのフローチャートを示す図である。打合スペースにおける会話の有無に応じた音圧レベルの周波数特性を示す図である。打合スペースにおける会話の有無に応じたＬ_diffの度数分布を示す図である。閾値Ｌ_Tの設定値と判定精度の関係を示す図である。本発明の他の実施形態に係る音声検知システム１のブロック図を示している。本発明の他の実施形態に係る音声検知システム１のブロック図を示している。

以下、本発明の実施の形態を図面を参照しつつ説明する。図１は本発明の実施形態に係る音声検知システム１のブロック図と使用形態とを示している。本発明の実施形態に係る音声検知システム１は、特定の空間で集音された音に、音声（人の発する声）が含まれているか否かを判定することで、例えば、オフィス内におけるコミュニケーションの活性度を計測することなどに利用されるものである。そして、本発明は、比較的簡単に測定・分析できる音圧レベルを用いて、音声を検知するシステム・方法を提供するものである。

本発明に係る音声検知システム・音声検知方法では、予め設定された時間間隔幅（タイムスロット）におけるＡ特性等価音圧レベル（Ｌ_Aeqともいう）及び中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eqともいう）の測定結果から、測定した音に音声が含まれているか否かを判定するようにしている。

本発明の実施形態に係る音声検知システム１は、例えば、オフィス内の打合スペースにおける音を集音する集音部２と、この集音部２で集音された音に基づいて、設定された時間間隔帯におけるＡ特性等価音圧レベル（Ｌ_Aeq）と、中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）とを算出する算出部４と、中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）からＡ特性等価音圧レベル（Ｌ_Aeq）を引いた差分が予め設定された閾値以上である場合、集音部２で集音された音に、音声が含まれていると判定する判定部６と、この判定部６における判定結果を履歴として記録する記録部８と、を有している。

集音部２はマイクロホンから構成することができる。また、算出部４は、特性等価音圧レベル（Ｌ_Aeq）及び中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）について、それぞれ指定した時間間隔幅の等価音圧レベルを算出する機能を有する。

本実施形態では、ブロック図における集音部２及び算出部４として、オクターブ分析機能を持った騒音計１０（音圧レベル計）を用いるようにしたが、集音部２や算出部４としては他の機器を利用することも可能である。

また、本実施形態では、判定部６と記録部８としては、パーソナルコンピューターなどの汎用の情報処理装置２０を用いるようにしたが、判定部６と記録部８についても他の機器を利用するようにしてもよい。

さて、算出部４から情報処理装置２０により構成される判定部６に対しては算出されたＡ特性等価音圧レベル（Ｌ_Aeq）と、中心周波数５００Ｈｚのオクターブバンドの等価音圧レベル（Ｌ_500eq）とがデータ通信（有線又は無線のいすれでも可）により送信される。

判定部６では、Ａ特性等価音圧レベル（Ｌ_Aeq）と中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）との差Ｌ_diff（式（１））が設定した閾値Ｌ_T以上となった場合に、Ａ特性等価音圧レベル（Ｌ_Aeq）と中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）を測定した時間範囲に音声が含まれていると判定する。すなわち、式（２）の不等式が成り立つときに、音声が含まれていると判定する。
Ｌ_diff＝Ｌ_500eq−Ｌ_Aeq （１）
Ｌ_diff≧ Ｌ_T （２）
情報処理装置２０の記録部８（例えば、ハードディスク等）には、判定部６による判定結果（音声を含む、又は、音声を含まない、のいずれかの判定結果）が履歴として保存される。

次に、以上のように構成される本発明の実施形態に係る音声検知システム１の処理について説明する。図２は本発明の実施形態に係る音声検知システム１の設定時間間隔毎の処理アルゴリズムのフローチャートを示す図である。

図２に示すフローチャートにおいて、ステップＳ１００で処理が開始され、ステップＳ１１０で処理が終了するまでに、ステップＳ１０１乃至ステップＳ１０４までは騒音計１０によって実行され、ステップＳ１０５乃至ステップＳ１０９までは情報処理装置２０によって実行されことが想定されている。

また、図２に示すフローチャートは、予め設定された時間間隔幅（タイムスロット）１つに対する処理を示すものであり、設定時間より長い時間にわたって音声検知を行う場合、図２に示すフローチャートが複数回繰り返して実行されることとなる。

図２に示すフローチャートにおいて、ステップＳ１００で処理が開始されると、続いて、ステップＳ１０１に進み、騒音計１０の集音部２によって、設定時間間隔幅の集音データを取得する。

ステップＳ１０２では、取得された集音データに対して設定された時間間隔幅の中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）を算出する。

次のステップＳ１０３では、騒音計１０の機能により、集音データに対して、Ａ特性重み付け補正を実行する。このようなＡ特性重み付け補正については、騒音計１０に内蔵される周知の回路によって実行され得るものである。

ステップＳ１０４では、ステップＳ１０３でＡ特性重み付け補正された集音データに対して設定時間間隔幅のＡ特性等価音圧レベル（Ｌ_Aeq）を算出する。

続いて、情報処理装置２０がＡ特性等価音圧レベル（Ｌ_Aeq）と中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）を受信すると、ステップＳ１０５では、
Ｌ_diff＝Ｌ_500eq−Ｌ_Aeq （１）
の演算が実行され、ステップＳ１０６では、
Ｌ_diff≧ Ｌ_T （２）
の真否が判定される。

ステップＳ１０６の判定結果がＹＥＳであるときには、ステップＳ１０７に進み、当該時間間隔幅における検知結果は「音声含む」とし、ステップＳ１０９で「音声含む」の検知結果を履歴として記録部８に記録する。

一方、ステップＳ１０６の判定結果がＮＯであるときには、ステップＳ１０８に進み、当該時間間隔幅における検知結果は「音声含まない」とし、ステップＳ１０９で「音声含まない」の検知結果を履歴として記録部８に記録する。

次に上記のような本発明に係る音声検知システム・音声検知方法の技術的根拠を示す。

図３に、オフィス内の打合スペースにおいて会話が行われていた場合と会話が行われていない場合の音圧レベルの周波数特性を示す。図３の周波数特性の測定は１分間オクターブバンド等価音圧レベルを連続測定した。全測定サンプルは５６２２サンプル、その内会話が行われていた場合は１４０６サンプル、会話が行われていない場合は４２１６サンプルであった。図３には、打合スペースで会話が行われていた場合と会話が行われていない場合それぞれにおける測定結果の平均値と平均値±標準偏差を示す。なお、各周波数における音圧レベルはＡ特性により重み付けされた値である。

図３からは、等価音圧レベルを測定した１分間に会話が行われている場合、即ち音声が含まれている場合は５００Ｈｚオクターブバンド音圧レベルが卓越した周波数特性であることがわかる。一方、会話が行われていない場合、即ち音声が含まれていない場合はこのような特徴は示されていない。以上の測定結果は、音声は５００Ｈｚオクターブバンドに主な周波数成分を持つことを示している。

逆に言えば、測定した音の周波数特性において５００Ｈｚオクターブバンド音圧レベルが卓越している場合、その測定した音には音声が含まれている可能性が高いことを示唆する。

ここで、Ａ特性音圧レベルと５００Ｈｚオクターブバンド音圧レベルの関係を考える。仮に、測定した音が５００Ｈｚオクターブバンドにのみ周波数成分を持つとすると、Ａ特性音圧レベルの定義からその差Ｌ_diffは３．２ｄＢとなる。

実際には、音声は５００Ｈｚオクターブバンド以外の帯域にも周波数成分を持つため、Ａ特性音圧レベルとＬ_diffがちょうど３．２ｄＢとなることはないが、Ｌ_diffが３．２ｄＢに近いほど測定した音の５００Ｈｚオクターブバンド音圧レベルが卓越していることを意味する。

図３に示した測定結果からＬ_diffを算出し、打合スペースにおいて会話が行われていた場合と会話が行われていない場合それぞれにおけるＬ_diffの度数分布を図４に示す。

図４から、会話が行われている場合は、会話が行われていない場合と比較してＬ_diffが大きい、即ちＬ_diffが３．２ｄＢに近いことが示されている。

Ｌ_diffから測定した音に音声が含まれていると判定する閾値Ｌ_Tの設定値により、判定精度が変化する。図５に、閾値Ｌ_Tの設定値と判定精度の関係を示す。

ここで示した測定例では、閾値Ｌ_Tを−１ｄＢに設定した場合に、会話が行われていること及び会話が行われていないことの判定精度が共に９０％程度であった。

閾値Ｌ_Tを大きい値に設定すると、測定した音に音声が含まれているにも関わらず音声が含まれていないと誤判定する確率が高くなる。一方で、閾値Ｌ_Tを小さい値に設定すると、測定した音に音声が含まれていないにも関わらず音声が含まれていると誤判定する確率が高くなる。閾値Ｌ_Tは音声以外の周囲の騒音等の影響を加味して設定する必要がある。

ここで示した測定例では、１分間の等価音圧レベルを測定しているが、等価音圧レベルの測定時間は１分間に限定されるものではない。等価音圧レベルの測定時間は必要な音声検出頻度により設定するが、一般的には１０秒間から１０分間程度と設定することが適当である。なお、等価音圧レベルの測定時間を長く設定した場合、測定時間内の短い時間にのみ音声が含まれる場合は音声が含まれないものと判定されることがある。

上記のような、技術的な根拠により、本発明に係る音声検知システム・音声検知方法は音声検出を行うものであり、原理的にみても、複雑なデータ処理等が不要なことが明白である。

以上、本発明に係る音声検知システム１は、集音部２で集音された音に基づいて、設定された時間間隔帯におけるＡ特性等価音圧レベル（Ｌ_Aeq）と、中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）とを算出し、中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）からＡ特性等価音圧レベル（Ｌ_Aeq）を引いた差分が予め設定された閾値以上である場合、集音された音に音声が含まれていると判定するものであり、このような本発明に係る音声検知システム１によれば、音圧レベルの値や変動幅を用いることなく、高い精度で音声の有無を検知することが可能となる。

また、本発明に係る音声検知システム１は、高度な信号処理技術や人工知能等を用い、音声が含まれているかを判定することのではなく、安価で簡便な装置構成で検知を行うものであり、広い空間内や建物内各所の多点で簡便に音声を検知することが可能となる。

次に、本発明の他の実施形態について説明する。図６は本発明の他の実施形態に係る音声検知システム１のブロック図を示している。

先の実施形態では、集音部２及び算出部４として、オクターブ分析機能を持った騒音計１０（音圧レベル計）を用いるようにしたが、本実施形態では、集音部２としてはＭＥＭＳマイクロホンなどのようなマイクロホン３０を用い、算出部４としてはワンボードマイクロコンピューターなどの通信機能付きマイクロコンピューター４０を用いる構成としている。そして、通信機能付きマイクロコンピューター４０で算出されたＡ特性等価音圧レベル（Ｌ_Aeq）と中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）を、情報処理装置２０側に有線又は無線で送信するようにしている。

このような実施形態によれば、マイクロホン３０と通信機能付きマイクロコンピューター４０とから、ブロック図における集音部２及び算出部４を安価に構成するとことができ、集音部２及び算出部４を多数のポイントに設置することが可能となる。一方、１台の情報処理装置２０によって、多数のポイントにおける集音部２及び算出部４からのＡ特性等価音圧レベル（Ｌ_Aeq）と中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）を受信する構成とすれば、判定部６と記録部８も安価に構成することができるようになる。これにより、広い空間内や建物内各所の多点で簡便に音声を検知するシステムを構成することが可能となる。

次に、本発明の他の実施形態について説明する。図７は本発明の他の実施形態に係る音声検知システム１のブロック図を示している。

本実施形態では、ブロック図における集音部２、算出部４、判定部６と記録部８の全ての機能を、一般に普及しているタブレット型端末５０によって賄うよう構成としている。集音部２としては、タブレット型端末５０に内蔵されるマイクロホンを用いる。また、算出部４、判定部６はタブレット型端末５０上で動作するアプリケーションソフトウエアによって実行される。また、記録部８にはタブレット型端末５０内蔵のメモリ（不図示）が当てられる。

このような実施形態によれば、広く安価に普及しているタブレット型端末５０を本発明に係る音声検知システム１として用いることができ、簡単にシステムを構成することが可能となる。

なお、本実施形態では、ブロック図における集音部２、算出部４、判定部６と記録部８の全てを、タブレット型端末５０によって機能させる構成としたが、タブレット型端末５０に代え、スマートホンなどの情報端末も用いることが可能である。

以上、本発明に係る音声検知システム及び音声検知方法は、集音された音に基づいて、設定された時間間隔帯におけるＡ特性等価音圧レベル（Ｌ_Aeq）と、中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）とを算出し、中心周波数５００Ｈｚのオクターブバンド等価音圧レベル（Ｌ_500eq）からＡ特性等価音圧レベル（Ｌ_Aeq）を引いた差分が予め設定された閾値以上である場合、集音された音に音声が含まれていると判定するものであり、このような本発明に係る音声検知システム及び音声検知方法によれば、音圧レベルの値や変動幅を用いることなく、高い精度で音声の有無を検知することが可能となる。

１・・・音声検知システム
２・・・集音部
４・・・算出部
６・・・判定部
８・・・記録部
１０・・・騒音計
２０・・・情報処理装置
３０・・・マイクロホン
４０・・・通信機能付きマイクロコンピューター
５０・・・タブレット型端末

Claims

所定空間における音を集音する集音部と、
前記集音部で集音された音に基づいて、設定された時間間隔帯におけるＡ特性等価音圧レベルと、中心周波数５００Ｈｚのオクターブバンド等価音圧レベルとを算出する算出部と、
中心周波数５００Ｈｚのオクターブバンド等価音圧レベルからＡ特性等価音圧レベルを引いた差分が予め設定された閾値以上である場合、前記集音部で集音された音に、音声が含まれていると判定する判定部と、を有することを特徴とする音声検知システム。
前記判定部における判定結果を履歴として記録する記録部をさらに有することを特徴とする請求項１に記載の音声検知システム。
所定空間における音を集音する集音ステップと、
前記集音ステップで集音された音に基づいて、設定された時間間隔帯におけるＡ特性等価音圧レベルと、中心周波数５００Ｈｚのオクターブバンド等価音圧レベルとを算出する算出ステップと、
前記算出ステップで算出された中心周波数５００Ｈｚのオクターブバンド等価音圧レベルからＡ特性等価音圧レベルを引いた差分が予め設定された閾値以上である場合、前記集音ステップで集音された音に、音声が含まれていると判定する判定ステップと、を有することを特徴とする音声検知方法。
前記判定ステップにおける判定結果を履歴として記録する記録ステップをさらに有することを特徴とする請求項３に記載の音声検知方法。