JPH0822295A

JPH0822295A - 音声・非音声判定方法

Info

Publication number: JPH0822295A
Application number: JP6153934A
Authority: JP
Inventors: En Chien Yooku; ヨーク・エン・チェン
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1994-07-05
Filing date: 1994-07-05
Publication date: 1996-01-23

Abstract

(57)【要約】【目的】番組の内容が音声番組であるか、あるいは非音
声番組であるかにつてい、従来に比べてより簡単にしか
もより一層信頼性の高い判定が行える音声・非音声判定
方法を提供することを目的とする。【構成】入力信号Ｓ０に対し、信号処理を行う各処理ス
テップ１〜３と、その入力処理された処理信号の中に、
発声機構から導かれる音のバーストが存在するか否かを
調べ、存在する場合には、入力信号Ｓ０は音声信号、又
存在しない場合には、非音声信号であると判定する各ス
テップ８〜１１等とを備える。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、例えば、テレビ（TV）
やラジオなどのオーディオ/ ビデオ消費材において音声
（speech ）と非音声（non-speech ）の視聴覚番組（au
dio visual programme）の内容を区別し、それぞれの番
組に適した音響処理法を利用することができる、音声あ
るいは非音声としての音響信号の識別等にかかる音声・
非音声判定方法に関する。

【０００２】

【従来の技術】従来、視聴覚番組の理想的な音響効果を
選択するための技術としては、キー選択による手動管理
に限定されている。いくつかの周波数域（一般には低
音域、中音域、高音域）の出力比較をもとにして、音
声番組（speech programme）および音楽番組（music pr
ogramme）を自動的に検出しようという試みがなされて
いる。LPC セプトラム、LPC およびFFT を含むその他の
特殊分析法は集中的および広範囲な計算法である。

【０００３】

【発明が解決しようとする課題】しかしながら、従来の
このような試みによる検出性能は、信頼できるものでは
なかった。これは音声番組と非音声番組（non-speech p
rogramme）が、共に非常に広範囲な周波数域（一般に8
0〜8kHz）を共有しているためである。

【０００４】一方、番組モード（programme mode ）選
択の手動制御は煩雑になりやすい。しかし既存の自動番
組検出方法は費用がかかるか、あるいは、上述のように
信頼性が低いものであるという課題を有していた。

【０００５】本発明は、従来の上記課題を考慮し、番組
の内容が音声番組であるか、あるいは非音声番組である
かにつてい、従来に比べてより簡単にしかもより一層信
頼性の高い判定が行える音声・非音声判定方法を提供す
ることを目的とする。

【０００６】

【課題を解決するための手段】請求項１の本発明は、所
定の入力信号に対し、所定の信号処理を行う入力処理ス
テップと、その入力処理された処理信号の中に、発声機
構から導かれる音のバーストが存在するか否かを調べ、
存在する場合には、前記入力信号は音声信号（speech s
ignals）、又存在しない場合には、非音声信号（non-sp
eech signals）であると判定する解析・判定ステップと
を備えた音声・非音声判定方法である。

【０００７】請求項２の本発明は、上記入力処理ステッ
プが、前記入力信号から無声音信号（non-vocied signa
ls）成分の全部又は一部を除去し、その後、その被除去
入力信号を所定のサンプリング値に基づいて、各々量子
化する音声・非音声判定方法である。

【０００８】請求項３の本発明は、上記処理信号が所定
レベル以上の信号レベルを第１の所定時間以上維持する
場合には、前記入力信号は非音声信号であると判定し、
且つ前記解析・判定ステップを実行せず、又そうでない
場合には、前記信号レベルに基づいて前記解析・判定ス
テップを実行するか否かを決定するステップを備えた音
声・非音声判定方法である。

【０００９】請求項４の本発明は、上記音のバーストが
存在する場合が、前記処理信号に含まれる信号パルスの
内で、パルス幅が所定長以上であり、且つそのピーク値
が所定値以上である信号パルスが少なくとも２個存在す
る場合、及び／又はその信号パルスが少なくとも１個存
在し、且つその信号パルスに第２の所定時間以上のポー
ズが隣接して存在する場合である音声・非音声判定方法
である。

【００１０】

【作用】本発明では、入力処理ステップが、所定の入力
信号に対し、所定の信号処理を行い、解析・判定ステッ
プが、その入力処理された処理信号の中に、発声機構か
ら導かれる音のバーストが存在するか否かを調べ、存在
する場合には、前記入力信号は音声信号、又存在しない
場合には、非音声信号であると判定する。

【００１１】このような方法により、本発明では、例え
ば、音声番組と非音声番組を容易に識別できる特徴を持
たない通常のスペクトル分析ではなく、時間的分析の方
法が使用されている。音声信号に時間的分析を使用した
場合は、バーストのような音声パルスの規則的な列が現
れる。これらのパルスにはいくつかの性質があり、その
性質を利用して音声番組検出に適用することができる。
同様に特定の非音声信号に関しても、非音声番組検出に
利用できる特有の性質がある。

【００１２】又、本発明では、例えば、入力信号のdc成
分を除去するdcリムーバー、言語信号中の高周波数成分
を除去する無声音言語リムーバー、有声音成分の適切な
エンベロープを含む信号エンベロープモデル、さらには
信号連続性チェックと番組（内容）変化チェック用のア
イドルモードと新規信号スタート時に意志決定モードを
作動させるトリガーモード、および信号検出のための各
種言語および非言語エンベロープ特徴を識別するデシジ
ョンモードという３つの独立した処理モードからなる３
モード検出技術で構成されており、これによって本発明
は、番組信号（programme signal）が音声性であるか非
音声性であるかを識別することができる。

【００１３】本発明では、例えば、信号検出が必要にな
るのは番組または信号特性に変化が生じた場合だけであ
ると仮定している。すなわち番組（内容の）変化（prog
ramme transition）が生じた場合だけである。信号検出
のプロセスは、音響信号の波形特性の時間的分析をもと
に行われる。この検出方法の利点は、音響レコーディン
グの形態 (ステレオ、モノ、ドルビープロロジックな
ど) を問わずどのようなオーディオ信号にも適用できる
点である。上記の方法の実践には、ディジタル信号プロ
セッサの利用が便利である。

【００１４】

【実施例】以下、本発明にかかる一実施例の音声・非音
声判定方法について表及び図面に基づき、まず本実施例
の概要を述べ、更にフローチャート等を参照して具体的
な動作の説明を行う。

【００１５】すなわち、（表１）は、いくつかの一般的
なTV番組の分類例である。

【００１６】バック音楽／環境音楽に対する平均音声比
率が29dB以上の場合だけ、その番組は音声番組として認
識される。この概念における上記の信号平均は、10msec
の枠内における入力信号の算出平均に相当する。無声平
均値（silent averege value）は-34dB 以下、非無声平
均値（non-silent averege value）は-34dB 以上にな
る。

【００１７】

【表１】

【００１８】図１は、本実施例のアルゴリズムを示すフ
ローチャートである。

【００１９】図４には２秒間(200ms/div) のウィンドウ
における典型的な音声列（speechtrain）が示されてい
る。音声波形は、図５に示した典型的な非音声（音楽、
または環境音楽を伴う音声）ソースとは非常に異なるバ
ーストのような信号の規則正しい列になっている。この
明らかな違いは人間の声管の動きに限界があることによ
る。つまり人間の声管は、しゃべり続けると、それぞれ
の発音にあわせた形にすぐには変形できなくなる。事実
声管を必要な形と位置に調節するには時間がかかる。こ
のように声管を徐々に動かすことによって、有声音信号
（voicedsignals）がバーストのようなパルスに変わ
る。

【００２０】以上のような音声信号の特徴に着目して、
本実施例は主として、音声信号検出を実行するための時
間的観察をもとにしている。

【００２１】しかしリアルタイム信号のサンプルごとの
処理には、膨大な計算と集中的なメモリーが必要とされ
る。

【００２２】そこで、もとの信号の適当なエンベロープ
を得るために10msecの枠組み（図１のエンベロープ検
出と量子化ステップ３参照）におけるサンプルの平均が
求められる。上記エンベロープ信号Ｓ５（図１参照）を
もとにして次に音声信号と非音声信号の違いを識別し、
音声番組と非音声番組を検出する。

【００２３】実際に、放送されている視聴覚番組の大半
には、同じ番組中に音声部分と非音声部分が交代に登場
する。そのため信号特性の決定を常時行えば、音声と非
音声番組モード（speech and non-speech programme mo
des）間で頻繁に切替えが生じ、かなり煩雑になる。こ
の問題点は検出アルゴリズムの精度とは関係なく、視聴
覚番組における信号成分に特有の性質であるこの問題を解決するために、本実施例のアルゴリズムに
は継続的な意志決定を避ける慣性がかかるように工夫さ
れている。

【００２４】事実、認知された番組信号変化（programm
e signal trasition）Ｓ２１（図１参照）が検出されて
初めて決定がなされる。番組信号変化Ｓ２１が番組（内
容の）変化を判定するステップ１５（図１参照）で検出
されたら、ステップ１７（モード＝０とするステップ）
（図１参照）で、検出モードを後述するトリガーモード
に変換することによってはじめて決定が可能になる。こ
のモードでは、ステップ７（図１参照）が、新たな非無
声信号（non-silent signal）を絶えずチェックする。

【００２５】この非無声信号Ｓ２５が検出されたら、次
にステップ１９で検出モードを正 (モード = +ve) にセ
ットすることにより、その検出モードを決定モードに変
換する。これで番組の性質は、Ｓ２６での信号決定の一
番最初から２秒以内または最高２秒で識別されるものと
する。一度決定が行われると、検出モードはステップ１
２で負 (モード = -ve) に設定され、次の番組信号変化
Ｓ２１が発生するまで、もう新しい決定はされない。

【００２６】この特徴によって優先性が割り当てられ、
不要な番組モード切り換えを防止できる。論点は、番組
内で明白な番組（内容の）変化が生じなければ意志決定
が求められないという事実である。

【００２７】次に、図１を用いて、本実施例の構成と動
作を更に具体的に説明する。

【００２８】図１では、入力信号Ｓ０が入力されるｄｃ
リムーバーによる処理ステップ１と、有声音声（voiced
speech）抽出装置による処理ステップ２、エンベロー
プ検出装置および量子化装置による処理ステップ３、３
モード検出テクニックによるステップ５等からの信号フ
ローの流れが示されている。

【００２９】すなわち、これらについて以下詳細に述べ
る。

【００３０】（ａ）処理ステップ１のＤｃリムーバー入力信号Ｓ０には、前段階からのｄｃオフセットにより
ｄｃ成分が含まれていることが多い。そのため処理ステ
ップ１のｄｃリムーバーを使ってそのｄｃ成分を除去す
る。ｄｃ成分が取り除かれていないと、後の段階での処
理中に望ましくない副産物になってしまう。前記ｄｃリ
ムーバーは、音響信号に影響しない、１０Ｈｚ程度の低
い遮断周波数の、ハイパスフィルターを使って簡単に実
現できる。次にこの処理ステップ１からの出力信号Ｓ１
は、後述する有声音声抽出装置による処理ステップ２で
処理される（ｂ）処理ステップ２の有声音声抽出装置音声信号は有声音声と無声音声（unvoiced speech）の
２種類に分類される。発生源は周期的で、空気の流れが
真声帯によって周期的に妨げられると喉頭において発生
する。無声音声は、上記の音を出す声管を狭めて出され
た信号の不規則性によりノイジーになる。無声音信号は
非音声信号に比べて特別な性質を持たないので、取り除
いて有声音声だけを分離させることができる。このプロ
セスで、有声音声の顕著な性質がより明白になる。無声
音声の大半は、主に２ｋＨｚ以上の高周波数成分で構成
されている。このため、無声音信号（高周波数）成分
（unvoiced components）の全部ではなくてもそのほと
んどを遮断できるような、２ｋＨｚ程度の低い遮断周波
数の、低パスフィルターを使って、処理ステップ２の有
声音声抽出装置を提供することができる。次にこのステ
ップ２からの出力Ｓ２が、処理ステップ３のエンベロー
プ検出装置と量子化装置に送られる。

【００３１】（ｃ）処理ステップ３のエンベロープ検出
装置および量子化装置直流信号での処理には膨大な計算と集約的なメモリーが
必要である。この問題点を解決するために、もとの信号
はまず隣接するエンベロープモデルに変換され、以降の
処理はこのエンベロープモデルをもとに行われる。エン
ベロープ検出装置と量子化装置に使用されるこの隣接法
は、１０ｍｓｅｃの時間枠内の入力信号Ｓ２の平均を出
すという簡単なものである。この算出式を（数１）に示
す。

【００３２】

【数１】

【００３３】ここでは、Ｎ＝１０ｍｓｅｃ間のサンプル数ｉ＝正の整数ｉ≧０（数１）を用い、このようにして得られた平均値は、１
０ｍｓｅｃ枠内のもとの信号を表す。信号を簡単に識別
するために、各１０ｍｓｅｃ枠で求めた平均値を下に示
す６種類の数値のどれかに量子化する（図３参照）。

【００３４】Ａ０：Ａ＜−３４ｄＢＡ１：−３４ｄＢ≦Ａ＜−２２ｄＢＡ２：−２２ｄＢ≦Ａ＜−１８．５ｄＢＡ３：−１８．５ｄＢ≦Ａ＜−１５．９ｄＢＡ４：−１５．９ｄＢ≦Ａ＜−１４ｄＢＡ５：Ａ≧−１４ｄＢここでは、（Ｉ） −４．９ｄＢは通常の入力信号
レベル（II）０ｄｂは最大入力信号レベルしたがってステップ４でチェックされるように、各１０
ｍｓｅｃの終わりでは、新しく量子化された平均値Ｓ５
が、それに続く３つの検出モードのどれかに送られる。
それ以外は、１０ｍｓｅｃの枠がいっぱいになるまで、
次の入力信号とＳ４で平均化プロセスが継続される。
尚、本発明の入力処理ステップは、上述した各処理ステ
ップ１〜３等を含む。

【００３５】（ｄ）３モード検出テクニックによるステ
ップ５各モードの機能は次のようになる。

【００３６】（１）アイドルモード（Ｓ６）−（ａ）信号連続性をチェックするステップ６（ｂ）番組（内容）変化をチェックするステップ１５（２）トリガーモード（Ｓ７）−（ａ）新規信号Ｓ２５開始時での決定モードへのトリガー（３）決定モード（Ｓ８）− （ａ）音声及び非音声の特徴を特定するステップ８（ｂ）音声番組・非音声番組を自動検出（automatic programme detection）するステップ９これら各モードについて更に説明する。（１）アイドルモードＳ６（モード＝−ｖｅ）このモードは、番組信号の特性に則して決定がなされた
直後のみ作動可能である。

【００３７】アイドルモードは主に次の２つの部分から
なっている。

【００３８】（ｉ）番組（内容）変化の検出をするステ
ップ１５視聴覚番組には、ニュースやバラエティ、ゲームショ
ー、映画、コマーシャルを始め、さまざまな種類があ
る。番組によっては（バラエティやコマーシャルな
ど）、音声と非音声部分が交互に登場するような内容の
ものもある。すなわち１つの番組中に、番組モードステ
ータスの切替え（音声から非音声への切替え、あるい
は非音声から音声への切替え）を何度も行わなければな
らない。

【００３９】この問題を解決するためには、番組中にそ
の変化が認められない場合は、決定を行わないことを前
提にすることである。番組（内容）変化が認められるの
は、一定時間（たとえば６００ｍｓｅｃ）以上、上述し
た平均信号レベルＡが、あるレベル（たとえば−３４ｄ
Ｂ、すなわちＡ０）以下になる場合である。この条件が
満たされた場合に限り、新規番組のステータスに関して
新しい決定がなされるのである（認知された番組（内
容）変化に続く信号に適用される）。それ以外は、番組
はそれまでの状態のままを維持される。新しく検出を行
うときには検出モードをまずステップ１７でトリガーモ
ード（Ｓ７）に変換し、次に新規信号Ｓ２５がスタート
したら、ステップ１９で再び決定モード（Ｓ８）に変換
する。

【００４０】（ii）非音声番組に対する信号連続性チェ
ックのステップ６上記特性（ｄ）の副作用は、音声番組終了時に非音声番
組がフェードインすることになっている場合、この番組
（内容）変化はステップ１５では検出されないというこ
とである。信号連続性チェックのステップ６は、この欠
点をカバーするために実行される。たとえば平均信号レ
ベルＡが連続３秒（本発明の第１の所定時間に対応）以
上、上記無声レベルＡ０（−３４ｄＢ）（本発明の所定
レベルに対応）より高いことが確認されたら、番組が進
行して非音声ステータスになったと結論づける（ステッ
プ１３）ことができる。理由は、音声パルスの最大長
は、通常２．５秒を超えることがないからである。（２）トリガーモードＳ７（モード＝０）このモードが作動するのは、ステップ１５で番組信号変
化Ｓ２１が検出された場合だけである。このトリガーモ
ードの目的は、新しく入ってくる番組信号の開始時に、
決定モードにトリガーすることである。すなわち、それ
は、最初の非無声信号Ｓ２５がステップ７で検出される
ときである。その後、ステップ１９で検出モードが決定
モードに設定される（モード＝＋ｖｅ）。尚、請求項３
の本発明のステップは、上記ステップ６，７，１３，１
５，１７，１９等を含む。（３）決定モードＳ８（モード＝＋ｖｅ）このモードは、まず音声および非音声の性質を特定する
ステップ８と、それに続く特徴の一致をチェックするス
テップ９によって構成されており、エンベロープ信号の
特徴の一致をチェックするものである。エンベロープ信
号Ｓ５は、性質分析のために、ＰＵＬＳＥセクションと
ＰＡＵＳＥセクション（図２参照）に分割される。これ
ら２つのセクションの中に、音声および非音声特性の一
致性をチェックする各種の基準がある。この基準をもと
に、２秒のタイムウィンドウ内で意志決定が行われる。
この２秒間の時間枠内に決定に達しなかった場合、番組
は自動的に非音声番組と認められる。新規番組の検出を
行うたびごとに、決定モードは常にＰＵＬＳＥセクショ
ンでの処理を開始する。信号プロセシングは、前述の平
均信号レベルがＡ０に達するまではＰＵＬＳＥセクショ
ンにとどまる。この時点で、その処理はＰＡＵＳＥセク
ションに遷移し、間接的に信号パルスの終了も知らせ
る。信号パルスは、図２に示したように２つのポーズ信
号レベル（前記レベルＡ０）で区切られた上述の非無声
信号レベル（Ａ＞Ａ０）として定義される。

【００４１】次に、上述したＰＵＬＳＥセクションとＰ
ＡＵＳＥセクションについて、更に説明する。

【００４２】ＰＵＬＳＥセクション（図２参照）信号パルスを音声パルスとして認めるためには、このセ
クションにおけるの前述の基準（１），（２）（図２参
照）に一致していなければならない。尚、この基準
（１）の１００ｍｓは、本発明の所定長に対応し、基準
（２）の−１８．５ｄＢは、本発明の所定値に対応す
る。各新規番組の最初のパルスには、さらにそのアタッ
クタイムに対するチェックが行われる。このアタックタ
イムは、一定の最小レベル（例えば、−１８．５ｄＢ）
に上昇するためにエンベロープ信号が取る時間に当ては
まる。このチェックは、前の音声が次の音声に与える影
響を表すコアーティキュレーション作用に影響されない
最初のパルスだけに適用される。ここでもう一度図２を
参照するが、前述の基準（４）と（５）は、いくつかの
番組における低背景音などの非音声信号に対するチェッ
クである。ドアをノックする音や背景の交通の流れの
音、パーティシーンのざわめきなどがこの信号の例であ
る。基準（４）では、長さ８０ｍｓｅｃ以下の連続した
２パルスがあれば、非音声番組と決定されると示されて
いる（ステップ１１）。一方、基準（５）では、ピーク
レベルが−１８．５ｄＢの２連続パルスが検出された場
合も非音声番組と認められるとされている。

【００４３】ＰＡＵＳＥセクション（図２参照）このセクションで最初にチェックするのは、２つの認知
音声パルス（上記のような）が生じたら、番組がただち
に音声番組（ＳＰＥＥＣＨ）と解釈されることである
（ステップ１０）。それに従って検出モードはアイドル
モード（Ｓ６）に変換される（ステップ１２）。次のチ
ェックでは、先行するパルスが音声パルスで、その後
に、本発明の第２の所定時間としての一定の長さ（２０
０ｍｓｅｃなど）以上のポーズが続くと、その番組も音
声番組（ＳＰＥＥＣＨ）とみなされることである。最後
に前述の基準（３）では、ポーズ時間（５００ｍｓｅ
ｃ）が２秒決定ウィンドウ内に生じたら、今度は有効な
信号特性分析が制限されるということが明記されてい
る。これは決定を行う際の障害になる可能性があるた
め、この場合は決定モードをトリガーモード（Ｓ７）に
戻し、次に入ってくる信号を待機させてから信号決定を
再開させるように判断される。尚、本発明の解析・判定
ステップは、上述したステップ８，９，１０，１１等を
含む。

【００４４】図７〜図１０は、現在放送中の一般的なTV
番組のオーディオ信号を使った、３モード検出テクニッ
クによるアルゴリズム実行を図示したいくつかの例であ
る。それぞれの例において、次の３つの波形の分析結果
は以下のようになる。

【００４５】波形１；３検出モードを表示レベル −ｖｅ・・・・アイドルモード（Ｓ６）レベル０・・・・トリガーモード（Ｓ７）レベル＋ｖｅ・・・・決定モード（Ｓ８）波形２；エンベロープパルスを表示波形３；入力信号Ｓ０を表示以下に、各々の例について、図面を参照しながら説明す
る。尚、各図７〜図１０における波形は、５秒(500msec
/div.)の時間枠で捕捉される。

【００４６】例１（図７参照）これは、Ｓ０での入力音声シーケンスのアルゴリズム実
行中の検出ステータスを示した例である。検出モードは
まずアイドルモード（Ｓ６）で始まり、番組（内容）変
化Ｓ２１を確認したらトリガーモード（Ｓ７）に変わ
る。新規信号Ｓ２５が開始されると検出モードは決定モ
ード（Ｓ８）に変換され、新規番組のステータスの特定
が行われる。最初のパルスはＰＵＬＳＥセクションにお
ける前述の基準（１），（２）に一致することが確認さ
れ、音声パルス（ＰＵＬＳＥ＝１）と判断される。この
パルスは既に説明したように、各新規信号の最初のパル
スだけに適用されるＰＵＬＳＥセクションの前述の基準
（３）にも一致する。次に、二番目のパルスもＰＵＬＳ
Ｅセクションの前述の基準（１），（２）に一致するた
め、音声パルスと認められる。連続する２音声パルスが
検出されたら、信号はこうしてＰＡＵＳＥセクションで
の前述の基準（１）に一致し、番組は音声（ＳＰＥＥＣ
Ｈ）と検出される。決定がなされたら、検出モードはア
イドルモードＳ６に戻り、次に新しい番組（内容）変化
が起こるまでそのモードのままである。

【００４７】例２（図８参照）これは、性質特定モジュールのどの基準にも当てはまら
ない音楽シーケンスを示した例である。２秒ウィンドウ
の終了時のように、番組は自動的に非音声と認識され
る。

【００４８】例３（図９参照）これは、後で音声番組に変化する非音声番組の例であ
る。同様に、新規信号Ｓ２５が開始されたら、番組（内
容）変化Ｓ２１の検出後に決定モードＳ６が有効にな
る。ＰＵＬＳＥセクションでは最初のパルスが基準
（１），（２）に一致しているため、音声パルス（ＰＵ
ＬＳＥ＝１）と認められる。次にＰＡＵＳＥセクション
では、最低長さ２００ｍｓｅｃの無声時間（量子化レベ
ル＝Ａ０）が検出され、前述の基準（２）に一致する。
同じように、番組は音声番組として検出され、その検出
モードはその後ステップ１２でアイドルステート（Ｓ
６）に戻る。

【００４９】例４（図１０参照）これは、後で非音声番組に変化する音声番組の例であ
る。決定モードの間は遭遇する最初のパルスは、ＰＵＬ
ＳＥセクションの基準（３）で述べたようにアタックタ
イム基準には一致することができない。こうして新規番
組は非音声ステータスと決定される。

【００５０】このように、本実施例によれば、不要な切
換え回避を優先しながら、求められる仕様に関して音声
および非音声視聴覚番組を検出することができる。しか
も時間的分析を利用しているため、検出概念はシンプル
かつ有効である。番組の性格を考慮した決定にもとず
き、それぞれのモードにふさわしいサウンド処理が適用
される。

【００５１】上記の音声および非音声自動検出法を利用
することによって、ディジタル信号プロセッサを使った
番組検出アルゴリズムが実現される。この方法により、
各番組モード用の音響効果を選択することができる。さ
らに性質特定モジュールにおいて仕様される音声および
非音声特性チェックの変更や追加も簡単に行うことがで
きる。またこの方法はモノラル、ステレオ、ドルビープ
ロロジックなどを問わずどのような音源にも適用可能で
ある。しかし検出アルゴリズムは放送される音響信号の
レベルには敏感なため、適切な調整が必要である。

【００５２】尚、上記実施例では、番組モードの不要な
切換え回避を優先するために、検出モードを変換する場
合について説明したが、これに限らず、例えば、上記検
出モード等を用いない、上記切換え回避を優先を考慮し
ない構成であってもよい。従って、この場合、本発明の
入力処理ステップと解析・判定ステップにより構成され
る。

【００５３】又、上記実施例では、入力処理ステップと
して、各処理ステップ１〜３等を用いた場合について説
明したが、これに限らず、解析・判定ステップにおい
て、実質的に入力信号の判定が、従来に比べてより一層
信頼性の高いものとして行えるものでありさえすれば、
上記処理ステップの内容あるいはその種類等は問わな
い。

【００５４】又、上記実施例では、各ステップ内での各
種基準として示した具体的な数値等は、実状に応じて多
少変更してももちろんよい。

【００５５】

【発明の効果】以上述べたところから明らかなように、
本発明は、入力信号が音声信号であるか、あるいは非音
声信号であるかについて、従来に比べてより一層信頼性
の高い判定が行えるという長所を有する。

【図面の簡単な説明】

【図１】本発明にかかる一実施例のアルゴリズムを示す
フローチャート

【図２】本実施例の音声および非音声性特定方法の内容
を示す説明図

【図３】本実施例のエンベロープ検出に求められる10ms
ecの各フレームでの、信号平均の各種レンジの量子化さ
れた値を示す図

【図４】本実施例の２秒ウィンドウの典型的な音声信号
の時間域波形

【図５】本実施例の２秒ウィンドウの典型的な音楽信号
の時間域波形

【図６】本実施例の音声信号で計算される適切なパルス
エンベロープの例

【図７】放送中の各TV番組を利用した、本実施例の検出
アルゴリズムフローの例１

【図８】放送中の各TV番組を利用した、本実施例の検出
アルゴリズムフローの例２

【図９】放送中の各TV番組を利用した、本実施例の検出
アルゴリズムフローの例３

【図１０】放送中の各TV番組を利用した、本実施例の検
出アルゴリズムフローの例４

【符号の説明】

１ｄｃリムーバー処理ステップ２有声音声抽出装置処理ステップ３エンベロープ検出装置，量子化装置処理ステッ
プ５３モード検出ステップ６信号連続性チェックステップ８音声・非音声特徴特定ステップ９音声番組・非音声番組自動検出ステップ１５番組（内容）変化チェックステップ

Claims

【特許請求の範囲】

【請求項１】所定の入力信号に対し、所定の信号処理
を行う入力処理ステップと、その入力処理された処理信号の中に、発声機構から導か
れる音のバーストが存在するか否かを調べ、存在する場
合には、前記入力信号は音声信号、又存在しない場合に
は、非音声信号であると判定する解析・判定ステップ
と、を備えたことを特徴とする音声・非音声判定方法。
【請求項２】入力処理ステップは、前記入力信号か
ら、所定の周波数以上の高周波を除去することによっ
て、無声音信号成分の全部又は一部を除去し、その後、
その被除去入力信号を所定のサンプリング値に基づい
て、各々量子化することを特徴とする請求項１記載の音
声・非音声判定方法。
【請求項３】処理信号が所定レベル以上の信号レベル
を第１の所定時間以上維持する場合には、前記入力信号
は非音声信号であると判定し、且つ前記解析・判定ステ
ップを実行せず、又そうでない場合には、前記信号レベ
ルに基づいて前記解析・判定ステップを実行するか否か
を決定するステップを備えたことを特徴とする請求項
１、又は２記載の音声・非音声判定方法。
【請求項４】音のバーストが存在する場合とは、前記
処理信号に含まれる信号パルスの内で、パルス幅が所定
長以上であり、且つそのピーク値が所定値以上である信
号パルスが少なくとも２個存在する場合、及び／又はそ
の信号パルスが少なくとも１個存在し、且つその信号パ
ルスに第２の所定時間以上のポーズが隣接して存在する
場合であることを特徴とする請求項２、又は３記載の音
声・非音声判定方法。