JPH04184399A - 音声データ収録装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 「産業上の利用分野」 この発明は、例えば騒音環境のもとで発声された音声を
認識する音声認識装置などで使用する標準パターンを得
るために用いられ、騒音下で発声された音声を収録する
音声データ収録装置に関するものである。

「従来の技術」 音声認識技術においては、さまざまな音響環境下で発声
された音声を認識することが重要視されてきている。高
騒音環境下で発声された音声に対しても、認識率を向上
させるための様々な研究が行われてきている。その理由
は、高騒音環境下で発声した音声については、Ｌｏｍｂ
ａｒｄ効果と呼ばれる音声スペクトルの変形現象が生じ
るため、音声認識装置内に記憶されている静寂な場所で
収録された音声の標準パターンとの間で特徴蓋に大きな
違いが出て、結果として著しい認識率の低下を起こすた
めである。文献り、Ｂ、Ｐｉｓｏｎｉ＋Ｒ，Ｈ，Ｂｅｒ
ｎａｃｋｉ。

Ｈ，Ｃ，Ｎｕｓｂａｕｓ、　ａｎｄ　Ｍ、Ｙａｃｈｔｍ
ａｎ、　”Ｓｏｍｅ　Ａｃｏｕｓｔｉｃ−Ｐｈｏｎｅｔ
ｉｃ　　Ｃｏｒｒｅｌａｔｉｏｎｓ　　ｏｆ　　５ｐｅ
ｅｃｈ　Ｐｒｏｄｕｃｅｄｉｎ　Ｎｏ１ｓｅ”、　　Ｐ
ｒｏｃｅｅｄｉｎｇｓ　ｏｆ　　ＩＣＡＳＳＰ−８５，
４］、１０．ｐｐ。

１５８１−１５８１１　（１９８５０こよると、３．５
　ｋＨｚの低域通過フィルタを通した音圧レベル９０ｃ
ｌＢのｎＩＬｔ下で発声した音声には、静寂な環境で発
声した音声と比較して、ＬｏＩＩｌｂａｒｄ効果として
次のような現像がみられることが報告されている。すな
わち、１、音声発声パワーの６ｄＢの増加、２１発声時
間長の５０　ａ＋ｓｅｃ以上の増加、３．音声のピッチ
周波数の若干の上昇、４．音声スペクトル包絡の傾斜の
１．５ｄＢ１０ｃｔの上昇、高域の増加、低域の減衰、
５．第１ホルマント周波数の上昇、などである。

これらの現象が、発声者に依存し、また、発声者が受聴
する雑音の種類やレベルに依存するため、定量的にその
現象を捉えることが難しい。従って、高騒音下で発声さ
れた音声を認識するために、同様の騒音下で発声された
音声を、認識装置で使用する標準パターンとして収録す
る方法が取られている。このため、騒音を発声者に受聴
させながら発声させることにより、スペクトル変形を生
した音声を収録する方法が種々検討されてきた。

従来より、騒音下で発声された音声を収録する方法とし
て広く行われているものは、発声者二二騒音をヘッドホ
ンで受聴させ、ヘッドホンをつけたまま音声を発声して
もらい、マイクロホンで収録する方法である。この方法
によるよ、へ、ドホンからｌ！音が漏れないと仮定すれ
ば、マイクロホンには発声者が騒音を受聴したことによ
るスペクトルの変形した音声だけが入力される。

「発明が解決しようとする課題」 しかし、この方法では以下のような点が問題になる。第
１にヘッドホンからの騒音の漏洩により、マイクロホン
に一部の騒音が人力される点である。

第２ムこへノドホンからの騒音の漏洩を防ぐため圧迫性
の強いヘッドホンを使用した場合、発声者がへ、ドホン
を装着したことで、口の開き方の変形によるＬｏｍｂａ
ｒｄ効果とは異なる発声変形を生しることである。第３
にＬｏ＋ｎｂａｒｄ効果は発声者が騒音下で自分の音声
をどの程度の相対的なパワーで間き取ることができるか
にも効果の違いが現れるものであるが、一般に、このよ
うな実験形態ではベツドホンに発声者自身の発声した音
声がモニターされることは行われておらず、また、モニ
ターされる場合でも、発声者が実際の雑音環境で聞き取
るパワーレベルとは食い違うことが多い。従って、ヘッ
ドホンで騒音を受聴させながら発声させる方法では、Ｌ
ｏ＋ｎｂａｒｄ効果が定量的に現れた音声データを収録
することが難しくなる。

しｏｍｂａｒｄ効果を正確にとらえた音声を収録しよう
とする場合、その発声形態は発声者に負担を掛けない、
実際の騒音環境下に近僚した騒音環境下で収録されるこ
とが妥当である。しかしながら、高騒音環境下で発声さ
れた音声から音声成分だけを収録するためには、事後的
に雑音を除去することが必要となる。騒音が未知の信号
の場合には除去は難しくなる。

この発明の目的は、発声変形現象の雑音に対する依存性
および発声者への依存性などの定性的な調査、あるいは
、高騒音下で使用する音声認識装置などの標準パターン
音声の収録などに使用する、任意の騒音を受聴した発声
者の発声変形音声を正しく収録することができる音声デ
ータ収録装置を提供することにある。

Ｔ課題を解決するための手段。

この発明では、騒音を発生する騒音発生器と、その騒音
発生器からの騒音を音響信号として放出するスピーカー
と、そのスピーカーにより放出された騒音環境で発声さ
れた音声信号を入力する第１の信号入力器と、上記騒音
発生器の出力を人力する第２の信号入力器と、その第２
の信号入力器の信号を用いて第１の信号入力器で受信さ
れた騒音を推定する゛手段と、その推定された信号を第
１の信号入力器の出力から減算して上記音声信号成分を
取出す減算手段とを具備する。

「作　用」 騒音発生器からスピーカーを通して騒音を放出し、この
騒音を受聴する発声者に音声を発声させ、この騒音およ
び音声を第１の信号入力器により収録し、同時に第２の
信号入力器で騒音発生器の出力を収録し、その第２の信
号入力器の出力から第１の信号入力器に入力された騒音
を推定し、その推定した信号を第１の信号入力器の出力
から減算して高騒音環境下で発声された音声成分のみを
収録する。

「実施例」 第１図にこの発明の実施例を示す。

騒音発生器１１は、空間内に放出する騒音信号の発生源
であり、例えば、白色雑音やＢｏｔｈ雑音などの雑音発
注器を使用したり、あるいは、例えば、テープレコーダ
ーで事前に収録した雑踏などの騒音を使用する。騒音発
生器１１の出力は必要に応して増幅器１２で騒音信号を
任意のレベルに増幅してスピーカー１３へ供給する。増
幅器１２に帯域通過フィルタを接続し、騒音発生器１１
からの信号のうち任意の周波数帯域のみをスピーカー１
３Ｌこ供給してもよい、スピーカー】３は発声環境へ騒
音を音響信号として放出する。ガイダンス信号発生器１
４は、例えば、発声者に対して発話を促す音声信号をス
ピーカー１３から発生するための信号源である。前記発
声環境で発声者１５が発声した音声とその環境での騒音
とが第１信号入力器としてのマイクロホン１６で捕捉さ
れる。Ａ／Ｄ変換器１７および１８は、それぞれ、マイ
クロホン１６および増幅器１２の出力を入力し、そのア
ナログ波形をディジタルのデータに変換するものである
。Ａ／Ｄ変換器１７および１８は同一の規格のものとし
、このときの量子化周波数は、音声および騒音の周波数
帯域よりも十分大きい値とし、また、量子化ビット数は
、騒音および音声のグイナミソクレンジよりも十分大き
いものとする。

推定手段としての適応フィルタ１９は、Ａ／Ｄ変換器１
８の出力である増幅器１２の出力のディジタル波形から
、マイクロホン１６の出力のディジタル波形すなわちＡ
／Ｄ変換器１７の出力波形中の騒音を推定するものであ
る。適応フィルタ１９には、例えば、ＦＩＲフィルタに
よる適応ディジタルフィルタを使用する。減算器２１は
、Ａ／Ｄ変換器１７の出力波形から適応フィルタ１９の
出力波形を減算するもので、その減算器２１の出力はＤ
／Ａ変換器２２に送られると同時にスイッチ２３を通し
て適応フィルタ１９を負帰還制御するようにフィルタ係
数の更新に使用される。スイッチ２３が開放されると、
その出力は常に０になり、適応フィルタ１９のフィルタ
係数は保持される。

Ｄ／Ａ変換器２２は、ディジタル波形である減算器２１
の出力をアナログの信号波形に戻すものである。出力端
子２４はアナログ信号として音声を取り出す端子である
。

以下に動作を説明する。

まず、適応フィルタ１９の学習のために、発声者工５が
発声しない状態でスピーカー１３から騒音だけを発生し
、これをマイクロホン１６で収録する動作を行う。スイ
ッチ２３をオンとし、減算器２１の出力が適応フィルタ
１９に帰還されるようにする。この状態で、騒音環境に
対するフィルタ係数を学習させるために、ガイダンス信
号発生器１４より、「フィルタの学習を行います。発声
をせずムこしばらくお持ち下さいフなどの音声を生成し
、スピーカー１３より発生させて発声者１５に指示する
。次に、騒音発生器１１より騒音を生成し、増幅器１２
を通してスピーカー１３より発声環境へ放出する。この
とき生成する騒音は、例えば、白色雑音などの広帯域な
ランダム雑音とする。また、このときの騒音のバワーレ
ベルは増幅器１２で制御できるようにする。増幅器１２
の出力は、また同時に第２信号入力器としてのＡ／Ｄ変
換器１８に入力され、ディジタルの波形として適応フィ
ルタ１９へ入力される。スピーカー１３の出力騒音は、
発声環境を経由して、マイクロホン１６からＡ／Ｄ変換
器１７に入力され、ディジタルの波形として出力され、
減算器２１へ送られる０次に、適応フィルタ１９の学習
を以下のようニ行う。Ａ／Ｄ変換器１７および１８の各
出力をそれぞれχ＋（ｔＬ　ｘｚＤ）とする。ここで、
ｔはＡ／Ｄ変換器１７および１８のサンプリング時刻で
ある。Ａ／Ｄ変換器１８の出力ｘｔ（ｔ）の時刻ｔから
時刻ｔ−ｎまでの値の線形予測和により、Ａ／Ｄ変換器
１７の出力ｘ、（Ｌ）の推定値ｙ＋（ｔ）が表現可能で
あると仮定すると、（１）式が成立する。

ｙ＋（ｔ）＝　　Σ　　　ａ　　（ｋ）Ｘ　　！　（ｔ
−にン　　　　　　　　　　　　　（＋）ｋ＝。

ここで、ａ　　（ｋ）は適応フィルタ１９のフィルタ係
数である。また、サンプリング周期のｎ倍が発声環境の
残響時間よりも大きく選ばれることが推奨される。そこ
で、ｘ＋（ｔ）の推定波形ｙ＋（ｔ）を適応フィルタ１
９より出力し、これを減算器２ＩでＡ／Ｄ変換器１７の
出力より減算することにより、ｘ＋（ｔ）に対するｙ＋
（ｔ）の予測誤差ｅを（２）式のように求めることがで
きる。

ｅ　＝　Ｘ　Ｉ（ｔ　）　　）’　＋　（ｔ　）　　　
　　　　　（２）ここで、ｅがあるしきい値ｅｔｈと比
較し６　＜　ｅ　ｔｈが成立すれば推定が完了したもの
として学習を終了するが、ｅ≧ｅｔｈとなる場合には、
ｅを減算器２１から適応フィルタ１９に帰還し、（３）
式によりフィルタ係数を更新する。

ａ（ｋ）　−ａ（ｋ）　＋２ａｅ　ｘｚ（ｔ−ｋ）　　
　　　（３）ここでαはフィルタ係数の収束を安定にさ
せるステップサイズ定数であり、一般にｘｚ（ｔ）の時
刻ｔから時刻ｔ−ｎまでの値の２乗和の逆数より小さい
値が選ばれる。このようにして更新されたフィルタ係数
ａ　（ｋ）を使用して次の時刻ｔ−”１におけるｘ＋（
ｔ＋１）の推定が行われる。最終的にｅ＜　ｅ　ｔｈと
なるか、あるいは、フィルタ係数が安定するために十分
な時間が経過し、推定が完了するまで上式（１）、（２
）、（３）の計算が行われる。推定が完了すれば、騒音
発生器１１からの騒音の発生は停止し、スイッチ２３が
開放される。このとき適応フィルタ１９に誤差値ｅとし
てＯが代入されるので、フィルタ係数は以後更新されな
い、この適応フィルタ１９の学習により、発声環境の音
響伝達特性も含めたスピーカー１３からマイクロホン１
６までの間の音響的特性の推定が完了したことになる。

次に、騒音環境下の音声収録を行う。ガイダンス信号発
生器１４より、「音声を発生して下さい」あるいは「単
語を言って下さい」なとの発話を促す音声が生成される
９次に、騒音発生器１１から、対象となる任意の雑音、
例えば、有色雑音、あるいはテープレコーダーで収録し
た雑踏の雑音などを発生させ、増幅器１２を通じてスピ
ーカー１３により発声環境へ放出する。放出された騒音
および発声者１５により騒音受聴下で発声された音声は
、マイクロホン１６により受信され、Ａ／Ｄ変換器１７
を通じて減算器２１に送られる。同時に、増幅器１２の
出力はＡ／Ｄ変換器１８および適応フィルタ１９へ通さ
れ、その出力はマイクロホン１６で受信される騒音の推
定波形として減算器２１に送られ、Ａ／Ｄ変換器１７の
出力より除去される。このとき、先に述べたように適応
フィルタ１９の学習が完了していれば、減算器２１では
Ａ／Ｄ変換器１７の出力すなわちマイクロホン１６の出
力に含まれる騒音波形が除去され、音声波形のディジタ
ルデータが出力される。この結果は、Ｄ／Ａ変換器２２
によりアナログのデータに戻され、また、出力端子２４
より出力されて、アナログ音声波形となる。なお音声認
識装置などで特に元のアナログ波形に戻す必要がなけれ
ばＤ／Ａ変換器２２の前でディジタルの音声波形データ
として取り出すことも可能である１以上の手順により、
騒音受聴による発声変形音声を得ることができる。

また、この実施例では、騒音除去後の波形出力に対して
、短時間パワー分析などを適用することにより、音声区
間の検出も可能である。

「発明の効果」 以上述べたようにこの発明では、■発声者が、口の動き
を規定するヘッドホンやヘッドセットなどにとられれな
い自由な形態での発声が可能になる、■発声者が、騒音
環境下での自分の声を自然なレベルで受聴することがで
きるので、従来ヘッドホンで音声を受聴さ廿ていた方法
に比べて自然に近いＬｏｓｂａｒｄ効果を得ることがで
きる、しかも■騒音の重量しない音声が収録できる、効
果が得られる。

【図面の簡単な説明】

第１図はこの発明の実施例を示すブロック図である。 特許出願人　　日本電信電話株式会社

Claims (1)

【特許請求の範囲】
1. （１）任意の騒音を発生できる騒音発生器とその騒音発
   生器からの出力を音響信号として空間へ放出するための
   スピーカーと、 そのスピーカーが放出された騒音環境のもとで発声され
   た音声信号をその騒音と共に受信する第１信号入力器と
   、 上記騒音発生器からの出力信号を受信する第２信号入力
   器と、 その第２信号入力器で受信した信号を用いて上記第１信
   号入力器で受信される上記騒音の出力信号を推定する推
   定手段と、 その推定した信号を上記第１信号入力器の出力より減算
   して上記音声信号成分を取出す減算手段と、 を具備する音声データ収録装置。