JPH09172496A - 話者判定方法及び話者判定装置 - Google Patents

Abstract

(57)【要約】 【課題】テレビ会議システムにおいて、複数入力された
音声信号より話者を自動的に判定する。 【解決手段】音声信号蓄積処理部６１は、所定間隔毎に
入力された複数音声信号１１をリング型のメモリに蓄積
する。話者判定処理部６２は、前記音声信号蓄積処理部
６１が蓄積した音声信号を参照し話者を判定する。また
判定した話者の音声チャンネルを指示する制御信号をカ
メラ制御処理部６３へ入力する。カメラ制御処理部６３
は入力された制御信号に基づきカメラの撮影条件を決定
し、その条件を指示する制御信号１４を撮影用のカメラ
２に入力する。カメラ２は、入力された制御信号１４に
従い話者の撮影を行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、話者判定方法およ
び話者判定装置に関する。

【０００２】

【従来の技術】従来の技術として、特開平6−292198 号
公報に開示の話者判定方式が知られている。この話者判
定方式はテレビ会議システム等において、複数端末から
の音声信号を入力し、所定長の音声検出期間毎に音声の
有無を検出するとともに、この音声検出期間を複数個ま
とめた話者判定期間毎に話者を判定し、音声検出量の大
きい上位２つのテレビ会議端末の一方が前回話者である
とき、前回話者を優先する方式である。また話者判定後
は、話者判定に用いた音声データをクリアし次の話者判
定を行う方式である。

【０００３】

【発明が解決しようとする課題】上記従来の話者判定方
式には、次の問題点がある。

【０００４】（１）所定長の音声検出期間毎に音声の有
無を検出し、さらに音声検出期間を複数まとめた話者判
定期間毎に話者を判定する場合、この話者判定期間の間
は話者が判定されない。つまり次の話者判定期間後まで
話者を判定できず、話者が交代した場合に即座に次の話
者を判定できない。

【０００５】（２）話者判定後、話者判定に用いたメモ
リ及びカウンタのデータをクリアするため、話者判定期
間以前の話者の状態を考慮せず話者を判定することにな
り、話者判定において誤判定を導く恐れがある。例えば
前回話者判定期間の後半から話し始め、今回話者判定期
間の前半で話し終えた話者がいる場合、前回話者判定で
は話者と判定されない場合でも、今回話者判定では話者
と判定される可能性が高い。ところが前回話者判定期間
のデータが失われると、話者としてのデータが減少す
る。その結果、話者として判定される確率が減少するこ
とになり、話者判定において誤判定を導く恐れがある。

【０００６】（３）音声検出量の大きい上位２つのテレ
ビ会議端末の一方が前回話者であるとき、前回話者を優
先する方式では、会話において常に同一の人物を撮影し
続ける場合がある。

【０００７】本発明の第１の目的は、話者判定後、話者
判定に用いたメモリ及びカウンタの内容をクリアせず、
話者判定の誤判定率を減少させるためできるだけ長時間
に渡る話者判定用のデータを蓄積し、且つ話者が交代し
た場合に、次の話者を即座に判定可能とするような、話
者判定頻度を可能なだけ高めた話者判定方法、及びその
ための話者判定装置を提供することにある。

【０００８】また本発明の第２の目的は、話者が複数の
場合、常に同一の人物を撮影し続けることなく、話者の
人数や位置関係に応じた撮影が可能な話者判定方法、及
びそのための話者判定装置を提供することにある。

【０００９】

【課題を解決するための手段】この発明は、話者判定の
誤判定率を減少させるためできるだけ長時間に渡る話者
判定用のデータを蓄積し、且つ話者が交代した場合に、
次の話者を即座に判定可能とするような話者判定頻度を
可能なだけ高めるため、入力された複数音声信号を所定
の期間毎に所定数の蓄積領域を持つリングメモリに蓄積
し、前記所定の期間毎にその蓄積した音声信号を絶対値
加算し、その加算した値が最大値となる者を話者と判定
する話者判定方法を提供する。

【００１０】この発明は、複数の音声信号を入力する手
段と、入力された複数音声信号を所定の期間毎に所定数
の蓄積領域を持つリングメモリに蓄積する手段と、前記
所定の期間毎にその蓄積した音声信号を絶対値加算する
手段と、その加算した値が最大となる者を話者と判定す
る手段とを備えたことを特徴とする話者判定装置を提供
する。

【００１１】この発明は、複数音声信号を入力し、所定
の期間毎に複数音声信号の絶対値の最大値を検出し、所
定数の蓄積領域を持つリングメモリに検出した最大値を
蓄積し、前記所定の期間毎にその蓄積した最大値を各々
の話者に対して加算し、さらに加算した値が最大となる
者を話者と判定する話者判定方法を提供する。

【００１２】この発明は、複数音声信号を入力し、各々
の音声信号に対して所定の期間毎に絶対値が所定値以上
の音声を検出し、所定数の蓄積領域を持つリングメモリ
に音声を蓄積し、その蓄積した音声信号を前記所定の期
間毎に絶対値加算し、その加算した値が最大となる者を
話者と判定する話者判定方法を提供する。

【００１３】この発明は、複数音声信号を入力し、各々
の音声信号に対して所定の期間毎に絶対値が所定値以上
の音声を検出し、所定数の蓄積領域を持つリングメモリ
に音声を蓄積し、前記所定の期間毎にその蓄積した音声
信号が所定回数以上の場合、話者と判定する話者判定方
法を提供する。

【００１４】この発明は、複数音声信号を入力し、各々
の音声信号に対して所定の期間毎に所定数の蓄積領域を
持つリングメモリに音声を蓄積し、前記所定の期間毎に
その蓄積した音声信号を絶対値加算し、その加算した値
が所定値以上の者を話者と判定する話者判定方法を提供
する。

【００１５】この発明は、複数音声信号を入力し、各々
の音声信号に対して所定の期間毎に所定数の蓄積領域を
持つリングメモリに音声を蓄積し、前記所定の期間毎に
その蓄積した音声信号を絶対値加算し、所定人数の上位
者を話者と判定する話者判定方法を提供する。

【００１６】

【発明の実施の形態】以下、本発明の実施例を図面を用
いて説明する。尚、これにより本発明が限定されるもの
ではない。

【００１７】（第１実施例）第１実施例は、所定の期間
毎にリングメモリに音声を蓄積し、その蓄積した音声信
号を各々の話者に対して絶対値加算し、その加算した値
が最大となる者を話者と判定する実施例である。

【００１８】図１２は、本発明の一実施例のテレビ会議
システムのブロック図である。このテレビ会議システム
１００において、１はマイクを表し、２はカメラを表
す。３はスピーカを表し、４は映像信号の表示装置を表
す。５は、映像信号及び音声信号の送受信装置を表す。
６は、本発明の話者判定カメラ制御装置を表す。１３及
び１３′は音声信号を表し、１２及び１２′は映像信号
を表す。また１４はカメラ制御用の制御信号を表す。人
物（乙1〜乙n）は会議参加者である。

【００１９】次に各部の動作を通信回線によって接続さ
れた遠隔の図示せぬテレビ会議システムとのテレビ会議
を想定して説明する。尚、図示せぬテレビ会議システム
は、テレビ会議システム１００と同じ構成であり、その
会議参加者は人物(甲1〜甲n)である。

【００２０】前記カメラ２は会議参加者である人物（乙
1〜乙n）を撮影し、その映像信号１２′を送受信装置５
に入力する。前記マイク１は人物（乙1〜乙n）の音声を
収音し、音声信号１１を前記話者判定カメラ制御装置６
に入力する。前記話者判定カメラ制御装置６は入力され
た音声信号１１より、乙1から乙nまでのどの人が話者で
あるかを判定し、前記撮影用のカメラ２を制御するため
の制御信号１４を前記カメラ２に入力する。また話者判
定カメラ制御装置６は、通信相手側で音声再生を行った
場合、表示画面内に音像が定位するよう音像定位処理を
行い、音像定位処理した音声信号１３′を前記送受信装
置５に入力する。

【００２１】前記送受信装置５は、前記カメラ２から入
力された映像信号１２′及び前記話者判定カメラ制御装
置６から入力された音声信号１３′を通信回線を介し
て、図示せぬテレビ会議システムへ送信する。また、前
記送受信装置５は、図示せぬテレビ会議システムから通
信回線を介して送信されてきた映像信号及び音声信号を
受信し、映像信号１２を表示装置４に入力し、音声信号
１３をスピーカ３に入力する。前記表示装置４は、入力
された映像信号１２により画面に会議参加者映像を実時
間で表示する。前記スピーカ３は、入力された音声信号
１３により音声を実時間で再生する。なお本説明では、
話者判定カメラ制御装置６を自サイトに設置した場合に
ついて行ったが、通信相手側に設置することも可能であ
る。

【００２２】図１は、前記話者判定カメラ制御装置６の
構成を示す装置のブロック図である。この話者判定カメ
ラ制御装置６は、音声信号蓄積処理部６１と、話者判定
処理部６２と、カメラ制御処理部６３とから構成され
る。

【００２３】前記音声信号蓄積処理部６１は、音声信号
１１をメモリに蓄積する。また音声信号１１に対して、
通信相手側で音声を再生した場合、表示画面内に音像が
定位するよう音像定位処理を行い、定位処理後の音声信
号１３を送受信装置５に入力する。

【００２４】前記話者判定処理部６２は、前記音声信号
蓄積処理部６１が蓄積した音声信号を参照し、話者を判
定する。またその判定結果を前記カメラ制御処理部６３
へ入力する。

【００２５】前記カメラ制御処理部６３は、話者の判定
結果に基づきカメラの撮影条件を決定し、その撮影条件
を指示する制御信号１４を撮影用のカメラ２へ入力す
る。前記制御信号１４は、例えば撮影方向や撮影画角を
含んでいる。

【００２６】図２は、第１実施例の前記音声信号蓄積処
理部６１を示すブロック図である。図２において、11a1
〜11anは前記マイク１より入力された複数の音声信号を
表す。初めに音声信号蓄積処理部６１では、サンプリン
グ毎に前記入力された複数の音声信号（11a1〜11an）を
分配して音像定位処理部６１０及びアイドリング処理部
６１１へと入力する。前記音像定位処理部６１０では、
入力された音声（11a1〜11an）を通信相手側において再
生した場合、通信相手側の表示装置４の画面内に音像が
定位するよう実時間で音像定位処理を行う。前記アイド
リング処理部６１１では、所定の期間毎に入力された複
数音声信号（11a1〜11an）を、加算処理部６１５からの
制御信号６１６に従い規格化係数乗算処理部６１２へ入
力する。

【００２７】規格化係数乗算処理部６１２では、入力さ
れた複数音声信号（11b1〜11bn）に所定の規格化係数を
掛け絶対値処理部６１３に入力する。絶対値処理部６１
３では、入力された複数音声信号（11c1〜11cn）の絶対
値をとり、所定数ｍの蓄積領域を持つリングメモリ（61
4a〜614n）に、前回蓄積した次の番地に蓄積を行う。
尚、ｍ個の音声信号を蓄積した場合は、自動的に最初の
番地に戻って蓄積を実行する。

【００２８】次に加算処理部６１５では、所定の期間毎
にリングメモリ（614a〜614n）に蓄積されているデータ
（11d1(1)〜11d1(m),11d2(1)〜11d2(m),11dn(1)〜11dn
(m)）の加算を各々の話者について行う。また、その加
算した複数データ(11f1〜11fn)の蓄積を行う。さらに加
算処理部６１５では、前記所定の期間毎のタイミングを
知らせる制御信号６１６を前記アイドリング処理部６１
１へ送る。

【００２９】図３は、第１実施例の話者判定処理部６２
を示すブロック図である。最大値検出処理部６２０は、
前記加算処理部６１５が蓄積した各々の話者に対する加
算データ（11f1〜11fn）を参照し、その中での最大値を
検出する。また、最大である話者の音声チャンネル番号
を示す制御信号６２１をカメラ制御部へ送る。

【００３０】図４は、第１実施例のカメラ制御処理部６
３を示すブロック図である。図４における６３１は、予
め蓄積されている最大チャンネル数とカメラの撮影条件
を示したデータベースである。カメラ制御部６３０は、
前記最大値検出処理部６２０より送られた制御信号６２
１を基に、データベース６３１を参照し、カメラの撮影
条件を決定する。例えば、複数話者のうち２チャンネル
目の人のデータが最大の場合、カメラの撮影条件は撮影
２となる。またカメラ制御部６３０は、カメラの撮影条
件を指定する制御信号１４を前記カメラ２へ入力する。
前記制御信号１４は、例えば撮影方向や撮影画角を含ん
でいる。

【００３１】以上の第１実施例によれば、所定の期間毎
に入力された音声信号をリングメモリに蓄積し話者を判
定するため、話者が交代した場合、次の話者を即時に判
定可能である。また話者判定後、話者判定に用いたデー
タであるリングメモリの内容をクリアしないため、話者
判定期間における音声データを消失しない。

【００３２】（第２実施例）第２実施例は、複数音声信
号を入力し所定の期間毎に複数音声信号の絶対値の最大
値を検出し、所定数の蓄積領域を持つリングメモリに検
出した最大値を蓄積し、前記所定の期間毎にその蓄積し
た最大値を各々の話者に対して加算し、さらに加算した
値が最大となる者を話者と判定する実施例である。第１
実施例と異なる点は入力された複数音声信号をリングメ
モリに蓄積するまでであり、その後の処理は第１実施例
と同じである。以下、第１実施例と異なる点について説
明をする。

【００３３】図５は、第２実施例の音声信号蓄積処理部
６１Ａを示すブロック図である。図５において、11a1〜
11anは前記送受信部５より入力された複数の音声信号を
表す。初めに音声信号蓄積処理部６１Ａでは、サンプリ
ング毎に前記マイク１より入力された複数の音声信号
（11a1〜11an）を分配して音像定位処理部６１０及びア
イドリング処理部６１１へと入力する。前記音像定位処
理部６１０では、入力された音声（11a1〜11an）を通信
相手側において再生した場合、通信相手側の表示装置４
の画面内に音像が定位するよう実時間で音像定位処理を
行う。前記アイドリング処理部６１１では、前記所定の
期間毎に入力された複数音声信号（11a1〜11an）を、加
算処理部６１５からの制御信号６１６に従い絶対値処理
部６１３へ入力する。絶対値処理部６１３では、入力さ
れた複数音声信号（11b1〜11bn）の絶対値を計算し最大
値処理部６１６に入力する。最大値処理部６１６では、
入力された複数音声信号（11d1〜11dn）の最大値のみ所
定数ｍの蓄積領域を持つリングメモリ（614a〜614n）
に、前回蓄積した次の番地に蓄積を行い、その他の値は
０値の蓄積を行う。尚、ｍ個の音声信号を蓄積した場合
は、自動的に最初の番地に戻って蓄積を実行する。

【００３４】次に加算処理部６１５では、前記所定の期
間毎にリングメモリ（614a〜614n）に蓄積されているデ
ータ（11g1(1)〜11g1(m)，11g2(1)〜11g2(m)，…11gn
(1)〜11gn(m)）の加算を各々の話者について行う。ま
た、その加算した複数データ （11h1〜11hn）の蓄積を
行う。さらに加算処理部６１５では、前記所定の期間毎
のタイミングを知らせる制御信号６１６を前記アイドリ
ング処理部６１１へ送る。前記話者判定処理部６２で
は、前記蓄積された複数データ（11h1〜11hn）を参照
し、その最大値より話者を判定する。

【００３５】以上の第２実施例によれば、所定の期間毎
に入力された複数音声信号の絶対値の最大値のみを検出
してリングメモリに蓄積し、さらに各々の話者に対して
加算した値の最大値を話者と判定するため、話者が交代
した場合、次の話者を即時に判定可能である。また話者
判定後、リングメモリの内容をクリアしないため、話者
判定期間における音声データを消失しない。

【００３６】（第３実施例）第３実施例は、複数音声信
号を入力し、各々の音声信号に対して所定の期間毎に絶
対値が所定の値以上の音声を検出し、所定数の蓄積領域
を持つリングメモリに音声を蓄積し、その蓄積した音声
信号を前記所定の期間毎に絶対値加算し、その加算した
値が最大値となる者を話者と判定する実施例である。第
２実施例と異なる点は入力された複数音声信号をリング
メモリに蓄積するまでであり、その後の処理は第２実施
例と同じである。以下、第２実施例と異なる点について
説明をする。

【００３７】図６は、第３実施例の音声信号蓄積処理部
６１Ｂを示すブロック図である。図６において、11a1〜
11anは前記マイク１より入力された複数の音声信号を表
す。初めに音声信号蓄積処理部６１Ｂでは、サンプリン
グ毎に前記入力された複数の音声信号（11a1〜11an）を
分配して音像定位処理部６１０及びアイドリング処理部
６１１へと入力する。前記音像定位処理部６１０では、
入力された音声（11a1〜11an）を通信相手側において再
生した場合、通信相手側の表示装置４の画面内に音像が
定位するよう実時間で音像定位処理を行う。前記アイド
リング処理部６１１では、所定の期間毎に入力された複
数音声信号（11a1〜11an）を、加算処理部６１５からの
制御信号６１６に従い選択的に絶対値処理部６１３へ入
力する。

【００３８】絶対値処理部６１３では、入力された複数
音声信号（11b1〜11bn）の絶対値を計算し、しきい値処
理部６１７に入力する。しきい値処理部６１７では、入
力された複数音声信号（11d1〜11dn）に対して、ある値
（しきい値）以上の信号を検出し、所定数ｍの蓄積領域
を持つリングメモリ（614a〜614n）に、前回蓄積した次
の番地に蓄積を行う。また、しきい値以下の場合は０値
の蓄積を行う。尚、ｍ個の音声信号を蓄積した場合は、
自動的に最初の番地に戻って蓄積を実行する。

【００３９】次に加算処理部６１５では、前記所定の期
間毎にリングメモリ（614a〜614n）に蓄積されているデ
ータ（11i1(1)〜11i1(m)，11i2(1)〜11i2(m)，…11in
(1)〜11in(m)）の加算を各々の話者について行う。ま
た、その加算した複数データ （11j1〜11jn）の蓄積を
行う。さらに加算処理部６１５では、前記所定の期間毎
のタイミングを知らせる制御信号６１６を前記アイドリ
ング処理部６１１へ送る。前記話者判定処理部６２で
は、前記蓄積された複数データ（11j1〜11jn）を参照
し、その最大値より話者を判定する。

【００４０】以上の第３実施例によれば、所定の期間毎
に入力された複数音声信号の絶対値がある値以上の信号
を検出してリングメモリに蓄積し、さらに各々の話者に
対して加算した値の最大値を話者と判定するため、話者
が交代した場合、次の話者を即時に判定可能である。ま
た話者判定後、リングメモリの内容をクリアしないた
め、話者判定期間における音声データを消失しない。

【００４１】（第４実施例）第４実施例は、複数音声信
号を入力し、各々の音声信号に対して所定の期間毎に絶
対値が所定の値以上の音声を検出し、所定数の蓄積領域
を持つリングメモリに音声を蓄積し、前記所定の期間毎
にその蓄積した音声信号が所定回数以上の場合、話者と
判定する実施例である。

【００４２】図７は、第４実施例の音声信号蓄積処理部
６１Ｃを示すブロック図である。図７において、11a1〜
11anは前記マイク１より入力された複数の音声信号を表
す。初めに音声信号蓄積処理部６１Ｃでは、サンプリン
グ毎に前記入力された複数の音声信号（11a1〜11an）を
分配して音像定位処理部６１０及びアイドリング処理部
６１１へと入力する。前記音像定位処理部６１０では、
入力された音声（11a1〜11an）を通信相手側において再
生した場合、通信相手側の表示装置４の画面内に音像が
定位するよう実時間で音像定位処理を行う。前記アイド
リング処理部６１１では、所定の期間毎に入力された複
数音声信号（11a1〜11an）を、カウンタ処理部６１８か
らの制御信号６１６に従い絶対値処理部６１３へ入力す
る。絶対値処理部６１３では、入力された複数音声信号
（11b1〜11bn）の絶対値を計算し、しきい値処理部６１
７に入力する。

【００４３】しきい値処理部６１７では、入力された複
数音声信号（11d1〜11dn）に対して、ある値（しきい
値）以上の信号を検出し、所定数ｍの蓄積領域を持つリ
ングメモリ（614a〜614n）に、前回蓄積した次の番地に
蓄積を行う。また、しきい値以下の場合は０値の蓄積を
行う。尚、ｍ個の音声信号を蓄積した場合は、自動的に
最初の番地に戻って蓄積を実行する。

【００４４】次に前記カウンタ処理部６１８では、前記
所定の期間毎にリングメモリ（614a〜614n）に蓄積され
ているデータ（11i1(1)〜11i1(m)，11i2(1)〜11i2(m)，
…11in(1)〜11in(m)）の数を各々の話者についてカウン
トする。また、そのカウント数のデータ（11k1〜11kn）
の蓄積を行う。さらにカウンタ処理部６１８では、前記
所定の期間毎のタイミングを知らせる制御信号６１６を
前記アイドリング処理部６１１へ送る。

【００４５】図８は、第４実施例の話者判定処理部６２
Ａを示すブロック図である。しきい値処理部６２２は、
前記カウンタ処理部６１８が蓄積した各々の話者に対す
るカウントデータ（11k1〜11kn）を参照し、所定回数以
上の者を検出する。また検出した話者の音声チャンネル
番号を示す制御信号６２３をカメラ制御部へ送る。

【００４６】図９は、第４実施例のカメラ制御処理部６
３Ａを示すブロック図である。図９における６３２は、
予め蓄積されている話者のチャンネル数とカメラの撮影
条件を示したデータベースである。カメラ制御部６３０
は、前記しきい値処理部622より送られた制御信号６２
３を基に、データベース６３２を参照し、通信相手側で
のカメラの撮影条件を決定する。例えば複数話者のう
ち、１チャンネル及び２チャンネル目の人のデータが前
記しきい値処理部６２２により検出された場合、カメラ
の撮影条件は撮影２−２となる。またカメラ制御部６３
０は、カメラの撮影条件を指定する制御信号１４を前記
カメラ２へ入力する。前記制御信号１４は、例えば撮影
方向や撮影画角を含んでいる。

【００４７】以上の第４実施例によれば、所定の期間毎
に入力された複数音声信号の絶対値がある値以上の信号
を検出してリングメモリに蓄積し、所定の回数以上の蓄
積のある者を話者と判定するため、話者が交代した場
合、次の話者を即時に判定可能である。また話者判定
後、リングメモリの内容をクリアしないため、話者判定
期間における音声データを消失しない。さらに話者とし
ての認定を複数許可するため、常に同一の人物を撮影し
続けることなく話者の人数や位置に応じたカメラの撮影
が可能となる。

【００４８】（第５実施例）第５実施例は、複数音声信
号を入力し、各々の音声信号に対して所定の期間毎に所
定数の蓄積領域を持つリングメモリに音声を蓄積し、前
記所定の期間毎にその蓄積した音声信号を絶対値加算
し、その加算した値が所定値以上の者を話者と判定する
実施例である。本実施例は第１実施例の変形であり、前
記所定の期間毎に所定数の蓄積領域を持つリングメモリ
に音声を蓄積する所までは第１実施例と同じである。こ
こでは、検出音声の蓄積以後について説明を行う。

【００４９】図１０は、第５実施例の話者判定処理部６
２Ｂを示すブロック図である。しきい値処理部６２４
は、前記加算処理部６１５が蓄積した各々の話者に対す
る加算データ（11f1〜11fn）を参照し、前記所定値以上
の者を検出する。また検出した話者の音声チャンネル番
号を示す制御信号６２３をカメラ制御部６３０へ送る。
カメラ制御部６３０は、前記しきい値処理部６２４より
送られた制御信号６２５を基に、データベース６３２を
参照し、カメラの撮影条件を決定する。例えば複数話者
のうち、１チャンネル及び２チャンネル目の人のデータ
が前記しきい値処理部６２４により検出された場合、カ
メラの撮影条件は撮影２−２となる。またカメラ制御部
６３０は、カメラの撮影条件を指定する制御信号１４を
前記カメラ２へ入力する。前記制御信号１４は、例えば
撮影方向や撮影画角を含んでいる。

【００５０】以上の第５実施例によれば、所定の期間毎
に入力された音声信号の絶対値をリングメモリに蓄積
し、所定値以上の者を話者と判定するため、話者が交代
した場合、次の話者を即時に判定可能である。また話者
判定後、リングメモリの内容をクリアしないため、話者
判定期間における音声データを消失しない。さらに話者
としての認定を複数許可するため、常に同一の人物を撮
影し続けることなく話者の人数に応じたカメラの撮影が
可能である。

【００５１】（第６実施例）第６実施例は、複数音声信
号を入力し、各々の音声信号に対して所定の期間毎に所
定数の蓄積領域を持つリングメモリに音声を蓄積し、前
記所定の期間毎にその蓄積した音声信号を絶対値加算
し、所定人数の上位者を話者と判定する実施例である。
本実施例は第１実施例の変形であり、前記所定の期間毎
に前記所定数の蓄積領域を持つリングメモリに音声を蓄
積する所までは第１実施例と同じである。ここでは、検
出音声の蓄積以後について説明を行う。

【００５２】図１１は、第６実施例の話者判定処理部６
２Ｃを示すブロック図である。上位者検出処理部６２６
は、前記加算処理部６１５が蓄積した各々の話者に対す
る加算データ（11f1〜11fn）を参照し、前記所定人数の
者を検出する。また検出した話者の音声チャンネル番号
を示す制御信号６２７をカメラ制御部６３０へ送る。カ
メラ制御部６３０は、前記上位者検出処理部６２６より
送られた制御信号627を基に、データベース６３２を参
照し、カメラの撮影条件を決定する。例えば上位者２名
を話者と判定する場合で、複数話者のうち１チャンネル
及び２チャンネル目の人のデータが前記上位者検出処理
部６２６により検出された場合、カメラの撮影条件は撮
影２−２となる。またカメラ制御部６３０は、カメラの
撮影条件を指定する制御信号１４を前記カメラ２へ入力
する。前記制御信号１４は、例えば撮影方向や撮影画角
を含んでいる。

【００５３】以上の第６実施例によれば、前記所定の期
間毎に入力された音声信号の絶対値をリングメモリに蓄
積し、所定人数の上位者を話者と判定するため、話者が
交代した場合、次の話者を即時に判定可能である。また
話者判定後、リングメモリの内容をクリアしないため、
話者判定期間における音声データを消失しない。さらに
話者としての認定を複数許可するため、常に同一の人物
を撮影し続けることなく話者の人数や位置に応じたカメ
ラの撮影が可能である。

【００５４】

【発明の効果】本発明の話者判定方法及び話者判定装置
によれば、次の効果が得られる。

【００５５】（１）所定の期間(例えば０.１秒間隔）毎
に話者判定を行うため、話者が交代した場合に即座に次
の話者を判定可能となる。

【００５６】（２）話者判定用のデータをリングメモリ
に蓄積することにより、話者判定の誤判定率を減少させ
るために必要な長時間に渡る話者判定用のデータ蓄積が
可能となる。

【００５７】（３）話者が複数の場合、話者としての認
定を複数許可するため、常に同一の人物を撮影し続ける
ことなく話者の人数や位置に応じたカメラの撮影が可能
となる。

【図面の簡単な説明】

【図１】本発明の第１実施例の話者判定カメラ制御装置
を示すブロック図。

【図２】本発明の第１実施例の音声信号蓄積処理部を示
すブロック図。

【図３】本発明の第１実施例の話者判定処理部を示すブ
ロック図。

【図４】本発明の第１実施例のカメラ制御処理部を示す
ブロック図。

【図５】本発明の第２実施例の音声信号蓄積処理部を示
すブロック図。

【図６】本発明の第３実施例の音声信号蓄積処理部を示
すブロック図。

【図７】本発明の第４実施例の音声信号蓄積処理部を示
すブロック図。

【図８】本発明の第４実施例の話者判定処理部を示すブ
ロック図。

【図９】本発明の第４実施例のカメラ制御処理部を示す
ブロック図。

【図１０】本発明の第５実施例の話者判定処理部を示す
ブロック図。

【図１１】本発明の第６実施例の話者判定処理部を示す
ブロック図。

【図１２】本発明の一実施例のテレビ会議システムを示
すブロック図。

【符号の説明】

１…マイク、２…カメラ、３…スピーカ、４…表示装
置、５…送受信装置、６…話者判定カメラ制御装置、１
１，１３…音声信号、１２，１２′…映像信号、１４…
制御信号、６１…音声信号蓄積処理部、６２…話者判定
処理部、６３…カメラ制御処理部、６１４ａ〜６１４ｎ
…リングメモリ、１００…テレビ会議システム。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 亀山 達也 東京都国分寺市東恋ケ窪１丁目280番地 株式会社日立製作所中央研究所内 (72)発明者 伊達 哲 東京都国分寺市東恋ケ窪１丁目280番地 株式会社日立製作所中央研究所内

Claims (7)

【特許請求の範囲】
1. 【請求項１】複数音声信号を入力し、各々の音声信号に
   対して所定の期間毎に所定数の蓄積領域を持つリングメ
   モリに音声信号を蓄積し、その蓄積した音声信号を前記
   所定の期間毎に絶対値加算し、その加算した値が最大と
   なる者を話者と判定することを特徴とする話者判定方
   法。
2. 【請求項２】複数音声信号を入力する手段と、各々の音
   声信号に対して所定の期間毎に所定数の蓄積領域を持つ
   リングメモリに音声信号を蓄積する手段と、その検出し
   た音声信号を前記所定の期間毎に絶対値加算する手段
   と、その加算した値が最大となる者を話者と判定する手
   段とを具備したことを特徴とする話者判定装置。
3. 【請求項３】複数音声信号を入力し、所定の期間毎に複
   数音声信号の絶対値の最大値を検出し、所定数の蓄積領
   域を持つリングメモリに検出した最大値を蓄積し、前記
   所定の期間毎にその蓄積した最大値を各々の話者に対し
   て加算し、さらに加算した値が最大となる者を話者と判
   定することを特徴とする話者判定方法。
4. 【請求項４】複数音声信号を入力し、各々の音声信号に
   対して所定の期間毎に絶対値が所定値以上の音声信号を
   検出し、所定数の蓄積領域を持つリングメモリに音声信
   号を蓄積し、その蓄積した音声信号を前記所定の期間毎
   に絶対値加算し、その加算した値が最大となる者を話者
   と判定することを特徴とする話者判定方法。
5. 【請求項５】複数音声信号を入力し、各々の音声信号に
   対して所定の期間毎に絶対値が所定の値以上の音声信号
   を検出し、所定数の蓄積領域を持つリングメモリに音声
   信号を蓄積し、所定の期間毎にその蓄積した音声信号が
   所定回数以上の場合、話者と判定することを特徴とする
   話者判定方法。
6. 【請求項６】複数音声信号を入力し、各々の音声信号に
   対して所定の期間毎に所定数の蓄積領域を持つリングメ
   モリに音声信号を蓄積し、前記所定の期間毎にその蓄積
   した音声信号を絶対値加算し、その加算した値が所定値
   以上の者を話者と判定することを特徴とする話者判定方
   法。
7. 【請求項７】複数音声信号を入力し、各々の音声信号に
   対して所定の期間毎に所定数の蓄積領域を持つリングメ
   モリに音声信号を蓄積し、前記所定の期間毎にその蓄積
   した音声信号を絶対値加算し、所定人数の上位者を話者
   と判定することを特徴とする話者判定方法。