JPWO2010113220A1

JPWO2010113220A1 - 雑音抑圧装置

Info

Publication number: JPWO2010113220A1
Application number: JP2011506852A
Authority: JP
Inventors: 訓古田; 田崎　裕久; 裕久田崎
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2009-04-02
Filing date: 2009-04-02
Publication date: 2012-10-04
Anticipated expiration: 2029-04-02
Also published as: CN102356427A; US20110286605A1; CN102356427B; JP5535198B2; WO2010113220A1; EP2416315B1; EP2416315A1; EP2416315A4

Abstract

低域振幅スペクトル１０２から音声・雑音区間判定部２によって、入力信号１００が音声らしいかどうかを判定する。雑音スペクトル推定部３は、音声・雑音区間判定部２の出力に基づいて低域雑音スペクトルおよび高域雑音スペクトルを推定する。低域処理部２０１と高域処理部２０２とは、雑音スペクトル推定部３から出力された雑音スペクトルに基づいて雑音抑圧を行う。

Description

本発明は、種々の雑音環境下で用いられる音声通信システム、音声蓄積システム、音声認識システム等において、音声・音響信号などの目的信号以外の雑音を抑圧して、カーナビゲーション・携帯電話・インターフォンなどの音声通信システム・ハンズフリー通話システム・ＴＶ会議システム・監視システム等の音質改善や、音声認識システムの認識率の向上等を行う雑音抑圧装置に関するものである。

雑音が混入した入力信号から目的外信号である雑音を抑圧することで、目的信号である音声信号などを強調する雑音抑圧処理の代表的な手法として、例えば、スペクトルサブトラクション（Spectral Subtraction：SS）法があり、これは振幅スペクトルから別途推定した平均的な雑音スペクトルを減算することにより雑音抑圧を行うものである（例えば、非特許文献１参照）。

入力信号を周波数領域信号に変換した後に所定の小帯域に分割し、帯域別に雑音抑圧を行う従来の方法としては、例えば、特許文献１に記載されたものがあった。また、サンプリング周波数が異なる方式を切り替える（狭帯域雑音抑圧方式と広帯域雑音抑圧方式を切り替える）従来の方法としては、例えば、特許文献２に記載されているものがあった。

特許文献１に記載されている方法は、非特許文献１に開示された方法を基本とし、入力信号を低域成分と高域成分に分割し、それぞれの帯域において適した雑音抑圧を行うことで、少ない処理量で音声歪が少なく、かつ雑音抑圧量を大きくできる雑音抑圧装置を得ることを目的としている。

また、特許文献２に記載された方法は、複数のサンプリング変換レートに応じた雑音抑圧処理と切り替え手段を備え、音声復号化処理にとって好適なサンプリング周波数と雑音抑圧装置を切り替えることにより、復号化音声の品質を改善することを目的としている。

特開２００６−２０１６２２号公報（第４頁〜９頁、図１）特開２０００−２０６９９５号公報（第６頁〜１６頁、図４） Steven F. Boll, "Suppression of Acoustic noise in speech using spectral subtraction",IEEE Trans. ASSP, Vol. ASSP-27, No.2, April 1979.

しかしながら、上記の従来法には、以下に述べる課題があった。
例えば、特許文献１に開示された従来の雑音抑圧装置では、低域用、高域用の独立した構成を成しており、低域用、高域用に別個の音声・雑音区間判定手段が必要であるため、全帯域処理よりは少ないものの、依然として処理量やメモリ量が大きいという課題があった。また、雑音抑圧装置において重要な構成である音声・雑音区間判定や雑音スペクトル推定のための制御パラメータを、低域・高域でそれぞれ独立して調整する必要があり、制御や調整が複雑であるという課題があった。

また、特許文献２に開示された受信装置に係る従来の雑音抑圧装置では、複数のサンプリング周波数別に独立した雑音抑圧処理を持っており、特許文献１の場合と同様に、それぞれ制御パラメータを独立して調整する必要があることと、それぞれの雑音抑圧処理毎にプログラムメモリなどを保持する必要があり、メモリ量が大きくなるという課題があった。

この発明は、かかる問題を解決するためになされたもので、小さな処理量およびメモリ量で雑音抑圧が可能、かつ品質劣化の少ない雑音抑圧装置を提供することを目的とすると共に、制御や調整が容易な雑音抑圧装置を提供することを目的とする。

この発明に係る雑音抑圧装置は、入力信号を複数の帯域に分割し、分割した複数の帯域のうち、所定の帯域成分の分析結果に応じて、所定の帯域成分の雑音抑圧と、所定の帯域以外の帯域成分の雑音抑圧を行うようにしたものである。これにより、処理量やメモリ量を削減できると共に、制御や調整が容易な雑音抑圧装置を提供することができる。

この発明に係る雑音抑圧装置の実施の形態１の全体構成図である。この発明の実施の形態１に記載の雑音スペクトル推定部の内部構成図である。この発明の実施の形態１に記載の雑音スペクトルのサブバンド化の一例を示す説明図である。この発明に係る雑音抑圧装置の実施の形態２の全体構成図である。この発明に係る雑音抑圧装置の実施の形態４の全体構成図である。

以下、この発明をより詳細に説明するために、この発明を実施するための最良の形態について、添付の図面に従って説明する。
実施の形態１．
図１は本実施の形態による雑音抑圧装置の全体構成を示したものである。
図１において、雑音抑圧装置２００は、時間・周波数変換部１、音声・雑音区間判定部２、雑音スペクトル推定部３、低域抑圧量制御部４、高域抑圧量制御部５、低域雑音抑圧部６、高域雑音抑圧部７、帯域合成部８、第１の周波数・時間変換部９、第２の周波数・時間変換部１０を備えている。また、音声・雑音区間判定部２、低域抑圧量制御部４および低域雑音抑圧部６で低域処理部２０１を構成し、高域抑圧量制御部５と高域雑音抑圧部７とで高域処理部２０２を構成すると共に、雑音スペクトル推定部３がこれら低域処理部２０１および高域処理部２０２の共通構成要素として設けられている。
従来の雑音抑圧装置の構成と異なる点として、低域処理部２０１内にのみ音声・雑音区間判定部２を持つことと、雑音スペクトル推定部３が低域処理部２０１と高域処理部２０２の共有構成要素となっていることである。

以下、図１に示す雑音抑圧装置の動作原理について説明する。
まず、目的信号である音声・楽音などに雑音が混入した入力信号１００が、Ａ／Ｄ（アナログ／デジタル）変換された後、所定のサンプリング周波数（例えば、１６ｋＨｚ）でサンプリングされ、所定のフレーム周期（例えば、２０ｍｓｅｃ）にフレーム分割されて、雑音抑圧装置２００内の時間・周波数変換部１に入力される。

時間・周波数変換部１は、上記のフレーム周期に分割された入力信号１００に対して、窓掛け処理（必要に応じてゼロ詰め処理も実施）を行い、その窓掛け後の信号に対して、例えば５１２点のＦＦＴ（ＦａｓｔＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ：高速フーリエ変換）を用いて、時間軸上の信号を周波数軸上の信号（スペクトル）に変換する。時間・周波数変換部１から得られる、ｎフレーム目の入力信号１００の振幅スペクトルＳ(n,k)と位相スペクトルＰ(n,k)は、次の式（１）で表すことができる。

ここで、ｋはスペクトル番号、Ｒｅ{X(n,k)}およびＩｍ{X(n,k)}は、それぞれＦＦＴ後の入力信号のスペクトル実数部および虚数部である。以降、特に示す必要が無い限り、現フレームの信号を表す場合にはフレーム番号を省略する。
以上得られた振幅スペクトルＳ(k)について、例えば、０〜４ｋＨｚと４ｋＨｚ〜８ｋＨｚの２帯域に帯域分割し、０〜４ｋＨｚまでの低域成分を低域振幅スペクトル１０２、４〜８ｋＨｚまでの高域成分を高域振幅スペクトル１０３としてそれぞれ出力するとともに、位相スペクトル１０１を出力する。

得られた低域振幅スペクトル１０２は、低域処理部２０１内部の音声・雑音区間判定部２、雑音スペクトル推定部３、低域抑圧量制御部４、低域雑音抑圧部６にそれぞれ出力される。また、高域振幅スペクトル１０３は、高域処理部２０２内部の雑音スペクトル推定部３、高域抑圧量制御部５、高域雑音抑圧部７へそれぞれ出力される。本実施の形態での窓掛け処理には、例えばハニング窓、台形窓など公知の手法を用いることができる。また、ＦＦＴは周知の手法であるので説明は省略する。

まず、低域処理部２０１内部の構成要素の動作について説明する。なお、入力信号１００の様態が“音声らしいかどうか”の判定を行う音声・雑音区間判定部２と、低域処理部２０１と高域処理部２０２の共有構成要素である雑音スペクトル推定部３の動作については後述する。まず、低域抑圧量制御部４は、低域振幅スペクトル１０２と、雑音スペクトル推定部３が出力する低域雑音スペクトル１０５より、次の式（２）に従って、スペクトル成分毎の信号対雑音比ｓｎｒ_Ｌ(k)を計算する。ここで、Ｓ_Ｌ(k)は低域振幅スペクトル１０２の第ｋ番目のスペクトル、Ｎ_Ｌ(k)は低域雑音スペクトル１０５の第ｋ番目のスペクトル、ｋはスペクトル番号、Ｋ_Ｌはスペクトル番号数であり、例えば、ＦＦＴ点数が５１２点で帯域分割点が４ｋＨｚであればＫ_Ｌ＝１２８となる。得られたスペクトル成分毎の信号対雑音比ｓｎｒ_Ｌ(k)を用いて、低域雑音抑圧量１０７を計算する。具体的な計算方法としては、例えば、非特許文献１に開示されているスペクトル減算法や、J.S.Lim and A V.Oppenheim,“Enhancement and Bandwidth Compression of Noisy Speech,”Proc.of the IEEE, vol.67,pp.1586-1604,Dec.1979（以下、非特許文献２という）に開示されている、いわゆるＷｉｅｎｅｒＦｉｌｔｅｒ（ウィナーフィルタ）法などの公知の手法を用いることができる。

低域雑音抑圧部６は、時間・周波数変換部１より入力された低域振幅スペクトル１０２に対し、低域雑音抑圧量１０７を用いて雑音抑圧処理し、得られた結果を、雑音抑圧された低域振幅スペクトル１０９として、第１の周波数・時間変換部９に出力するとともに、帯域合成部８に出力する。

ここで、低域雑音抑圧部６における雑音抑圧処理の手法としては、例えば、非特許文献１に開示されているような、スペクトル減算に基づくものや、非特許文献２に開示されているような、スペクトル成分毎の信号対雑音比に基づいて、スペクトル成分毎に減衰量を与えるスペクトル振幅抑圧などの公知の方法の他、スペクトル減算とスペクトル振幅抑圧を組み合わせた手法（例えば、特許第３４５４１９０号公報に記載の方法）などを用いることが可能である。

第１の周波数・時間変換部９は、低域雑音抑圧部６から入力された雑音抑圧された低域振幅スペクトル１０９と位相スペクトル１０１とを用いて、時間・周波数変換部１で実施したＦＦＴ点数（５１２点）に対応する逆ＦＦＴ処理を行うことで時間領域信号に戻し、前後フレームとの滑らかな接続のための窓掛け処理を行いつつ連接を行い、得られた信号を、雑音抑圧された低域出力信号１１３として出力する。なお、上記の逆ＦＦＴ処理において、４ｋＨｚ〜８ｋＨｚの高域スペクトル成分に関してはゼロ詰めする。

帯域制御信号１１１は、それぞれ後述する狭帯域符号化部１２、広帯域符号化部１３の切り替え制御と、後述するサンプリング変換部１１と帯域合成部８の動作を制御する信号であり、例えば、無線・有線通信路の状況に応じて自動的に符号化方法や伝送帯域を切り替える制御信号や、ユーザからの要求（符号化品質あるいは音声データの圧縮率の変更など）により、手動で符号化方法や周波数帯域を切り替えるための制御信号である。この実施の形態においては、狭帯域符号化部１２における狭帯域符号化と広帯域符号化部１３における広帯域符号化の２種類の方式を切り替えるので、雑音抑圧された入力信号を狭帯域符号化方法にて符号化する場合、即ち、狭帯域符号化部１２を動作させる場合には、“狭帯域モード”を表す値（例えば、０［ゼロ］）を持ち、広帯域符号化部１３を動作させる場合には、“広帯域モード”を表す値（例えば、１）を持つ。

サンプリング変換部１１は、雑音抑圧された低域出力信号１１３と帯域制御信号１１１を入力し、雑音抑圧装置２００に接続されている音声符号化部を切り替えるための帯域制御信号１１１の値が“狭帯域モード”の場合には、入力信号１のサンプリング周波数である１６ｋＨｚから、例えば８ｋＨｚへダウンサンプリングを行い、狭帯域出力信号１１４を狭帯域符号化部１２へ出力する。

狭帯域符号化部１２は、狭帯域出力信号１１４と帯域制御信号１１１とを入力し、帯域制御信号１１１が“狭帯域モード”の場合に、例えば、ＡＭＲ（ＡｄａｐｔｉｖｅＭｕｌｔｉ−Ｒａｔｅ）音声符号化方式などの公知の符号化方法を用いて、狭帯域出力信号１１４の圧縮・符号化を行う。符号化された狭帯域出力信号１１４は、例えば無線・有線通信路を通じて符号化データとして送出されたり、ＩＣレコーダ等のメモリに蓄えられた後に、音声・音響信号データとして読み出されて利用されたりすることとなる。

続いて、高域処理部２０２内部の構成要素の動作について説明する。
高域抑圧量制御部５は、高域振幅スペクトル１０３と、後述説明する雑音スペクトル推定部３が出力する高域雑音スペクトル１０６より、次の式（３）に従って、スペクトル成分毎の信号対雑音比ｓｎｒ_Ｈ(k)を計算する。ここで、Ｓ_Ｈ(k)は高域振幅スペクトル１０３の第ｋ番目のスペクトル、Ｎ_Ｈ(k)は高域雑音スペクトル１０６の第ｋ番目のスペクトル、ｋはスペクトル番号、Ｋ_ＬおよびＫ_Ｈはスペクトル番号数であり、例えば、ＦＦＴ点数が５１２点で、帯域分割点が４ｋＨｚであれば、Ｋ_Ｌ＝１２８およびＫ_Ｈ＝２５６となる。得られたスペクトル成分毎の信号対雑音比ＳＮＲ_Ｈ(k)を用いて、高域雑音抑圧量１０８を計算する。具体的な計算方法としては、低域処理部２０１の場合と同様に、例えば、非特許文献１に開示されているスペクトル減算法や、非特許文献２に開示されている、ＷｉｅｎｅｒＦｉｌｔｅｒ法などの公知の手法を用いることができる。

高域雑音抑圧部７は、時間・周波数変換部１より入力された高域振幅スペクトル１０３に対し、高域雑音抑圧量１０８を用いて雑音抑圧処理し、得られた結果を、雑音抑圧された高域振幅スペクトル１１０として、帯域合成部８に出力する。

ここで、高域雑音抑圧部７における雑音抑圧処理の手法としては、低域処理部２０１の場合と同様に、例えば、非特許文献１に開示されているような、スペクトル減算に基づくものや、非特許文献２に開示されているような、スペクトル成分毎の信号対雑音比に基づいて、スペクトル成分毎に減衰量を与えるスペクトル振幅抑圧などの公知の方法の他、スペクトル減算とスペクトル振幅抑圧を組み合わせた手法などを用いることが可能である。

帯域合成部８は、低域雑音抑圧部６が出力する雑音抑圧された低域振幅スペクトル１０９と、高域雑音抑圧部７が出力する高域振幅スペクトル１１０と、狭帯域・広帯域符号化方法を切り替えるための帯域制御信号１１１とを入力し、帯域制御信号１１１が“広帯域モード”の場合には、振幅スペクトルの高域と低域をつなぎ合わせて全帯域の振幅スペクトルとする帯域合成処理を行い、雑音抑圧された全帯域振幅スペクトル１１２を出力する。

第２の周波数・時間変換部１０は、帯域合成部８が出力する、雑音抑圧された全帯域振幅スペクトル１１２と位相スペクトル１０１とを入力し、時間・周波数変換部１で実施したＦＦＴ点数に対応する逆ＦＦＴ処理を行うことで時間領域信号に戻し、前後フレームとの滑らかな接続のための窓掛け処理（重ね合わせ処理）を行いつつ連接を行い、得られた信号を、雑音抑圧された広帯域出力信号１１５として広帯域符号化部１３へ出力する。

広帯域符号化部１３は、広帯域出力信号１１５と帯域制御信号１１１とを入力し、帯域制御信号１１１が“広帯域モード”の場合に、例えば、ＡＭＲ−ＷＢ（ＡｄａｐｔｉｖｅＭｕｌｔｉ−ＲａｔｅＷｉｄｅＢａｎｄ）音声符号化方式などの公知の符号化方法を用いて、広帯域出力信号１１５の圧縮・符号化を行う。符号化された広帯域出力信号１１５は、狭帯域符号化部１２の場合と同様に、例えば無線・有線通信路を通じて符号化データとして送出されたり、ＩＣレコーダ等のメモリに蓄えられた後に、音声・音響信号データとして読み出されて利用されたりすることとなる。

続いて、低域処理部２０１内の音声・雑音区間判定部２と、低域処理部２０１と高域処理部２０２の共有構成要素である雑音スペクトル推定部３を説明する。雑音スペクトル推定部３は、雑音成分推定手段を構成し、図２に示すように、サブバンド圧縮部１４、雑音スペクトル更新部１５、雑音スペクトル記憶部１６、サブバンド展開部１７を備えている。
以下、図２および図３を参照して、音声・雑音区間判定部２と雑音スペクトル推定部３の詳細な動作説明を行う。

まず、音声・雑音区間判定部２において、時間・周波数変換部１が出力する低域振幅スペクトル１０２と、過去のフレームから推定した低域雑音スペクトル１０５とを用いて、現フレームの入力信号１００が、音声あるいは雑音であるかどうかの度合いとして、例えば、音声の可能性が高い場合には大きな評価値を取り、音声の可能性が低い場合には小さな評価値を取るような、音声らしさ信号ＶＡＤの算出を行う。

音声らしさ信号ＶＡＤの算出方法として、例えば、入力信号１００の低域振幅スペクトル１０２の加算結果と、後述する雑音スペクトル推定部３が出力する、低域雑音スペクトル１０５の加算結果のパワーの比から算出できる現フレームの低域ＳＮ比や、低域振幅スペクトル１０２から得られる低域パワー、あるいは、前述の式（２）にて示したスペクトル成分毎のＳＮ比ｓｎｒ_Ｌ(k)から求めることができるｓｎｒ_Ｌ(k)の分散などを、それぞれ単独あるいは組み合わせて用いることが可能である。ここでは、説明の簡略化のため、現フレームの低域ＳＮ比を単独で用いた場合について示すこととする。現フレームの低域ＳＮ比ＳＮＲ_ＦＬは、次の式（４）で表すことができる。

ここで、Ｓ_Ｌ(k)は低域振幅スペクトル１０２の第ｋ番目の成分、Ｎ_Ｌ(k)は低域雑音スペクトル１０５の第ｋ番目の成分、Ｋ_Ｌは低域のスペクトル番号数である。また、ｍａｘ｛ｘ，ｙ｝は、要素ｘ、ｙのうち、値の大きい方を出力する関数であり、現フレームの低域ＳＮ比ＳＮＲ_ＦＬは、０以上の正値をとることとなる。

式（４）で求められた低域ＳＮ比ＳＮＲ_ＦＬから、音声らしさ信号ＶＡＤは、例えば次の式（５）を用いて算出できる。

ここで、ＴＨ_ＳＮＲ(・)は判定用しきい値であって所定の定数であり、それぞれ騒音の種類や騒音のパワーに応じて、音声区間と雑音区間が好適に判定できるように予め調整すればよい。以上示した処理によって算出された音声らしさ信号ＶＡＤを、音声・雑音区間判定結果信号１０４として雑音スペクトル更新部１５へ出力する。

なお、式（５）では音声らしさ信号ＶＡＤを、所定の判定しきい値による０〜１の範囲の離散値として表現しているが、例えば、式（６）のように最大値（例えば、ＳＮＲmax_ＦＬ＝５０ｄＢ）でＳＮＲ_ＦＬの正規化を行い、０〜１の範囲の連続値として取り扱うことも可能である。

サブバンド圧縮部１４は、雑音スペクトルを記憶するための処理量・メモリ量削減のために、式（７）と図３に示すスペクトル対応表に従って、０〜２５５までの低域振幅スペクトル１０２と高域振幅スペクトル１０３のスペクトル番号ｋの成分を、例えば、３０チャンネルのサブバンドｚ毎にまとめて平均化することで、サブバンドｚ毎の平均スペクトルＢ_Ｌ(z)およびＢ_Ｈ(z)に圧縮し、雑音スペクトル更新部１５に出力する。ここで、ｆ_Ｌ(z)およびｆ_Ｈ(z)は、図３に記載のサブバンドｚに対応するスペクトル成分（帯域）の端点である。

図３では、少ないメモリ量で、低域では聴感上良好な特性で雑音スペクトル推定を行いつつ、高域では雑音成分の周波数方向の追従性に優れた雑音スペクトルの推定を行うことを目的として、０〜４ｋＨｚはバークスケールで帯域分割し、４ｋＨｚ〜８ｋＨｚは４ｋＨｚ近傍のバークスケールに基づく臨界帯域幅で等間隔に帯域分割して平均化する例を示したが、例えば、特定の周波数帯域（全帯域、あるいは高域）の精度を向上させるために、スペクトルの平均化を行わずに振幅スペクトルそのものを用いて、より細かく処理しても良い。

雑音スペクトル更新部１５は、音声・雑音区間判定部２の出力である音声・雑音区間判定結果信号１０４を参照し、現フレームの入力信号１００の様態が雑音の可能性が高い場合、現フレームの入力信号成分である、低域振幅スペクトル１０２および高域振幅スペクトル１０３を用いて、雑音スペクトル記憶部１６に格納してある過去のフレームから推定された推定雑音スペクトルの更新を行う。
例えば、次の式（８）に従って、音声・雑音区間判定結果信号１０４である音声らしさ信号ＶＡＤが例えば０．２以下の場合に、入力信号の振幅スペクトルを雑音スペクトルに反映することで更新を行う。雑音スペクトル記憶部１６は、例えば、半導体メモリやハードディスク等に代表されるような、電気的あるいは磁気的な随時読み出し・書き込み可能な記憶手段にて構成される。

また、α_Ｌ(z)およびα_Ｈ(z)は、０〜１の値を取る所定の更新速度係数であり、比較的０に近い値を設定すると良い。また、周波数が高くになるに従って、係数値をやや大きくした方が良い場合があり、雑音の種類などに応じて調整することも可能である。

サブバンド展開部１７は、上記で更新された雑音スペクトルを、式（７）の逆変換を行うことでサブバンドｚからスペクトルｋの成分に展開し、低域雑音スペクトル１０５は前述の低域抑圧量制御部４と音声・雑音区間判定部２にそれぞれ出力し、高域雑音スペクトル１０６は高域抑圧量制御部５へ出力する。ここで、音声・雑音区間判定部２に出力された低域雑音スペクトル１０５は、次フレーム（ｎ＋１フレーム目）の音声・雑音区間判定において適用されることとなる。

なお、この雑音スペクトルの更新方法については、更に推定精度や推定追従性を向上させるために、例えば、音声・雑音区間判定結果信号１０４の値に応じて、複数の更新速度係数を適用したり、フレーム間での入力信号のパワーや雑音のパワーの変動性を参照し、これらの変動が大きい場合には更新速度を速めるような更新速度係数を適用したり、ある一定時間において、最もパワーが小さいフレーム、あるいは、音声・雑音区間判定結果信号１０４が最も小さい値を取るフレームの入力信号スペクトルで雑音スペクトルを置き換える（リセットする）など、様々な変形・改良が可能である。また、音声・雑音区間判定結果信号１０４の値が十分大きい場合、すなわち、現フレームの入力信号１００が確率的に音声の可能性が高い場合には、雑音スペクトルの更新を行わなくても良い。なお、入力信号１００のパワーや雑音のパワーについては、例えば、低域振幅スペクトル１０２や低域雑音スペクトル１０５から算出できる。

この実施の形態１によれば、入力信号の低域成分だけを使用して音声・雑音区間判定を行い、その結果に応じて低域雑音スペクトルならびに高域雑音スペクトルを推定するようにしたので、従来の方法では必要であった高域処理部の音声・雑音区間判定を省略することができ、処理量やメモリ量を削減できる効果がある。

また、雑音抑圧装置において重要な構成である、音声・雑音区間判定や雑音スペクトル推定が、低域処理と高域処理とで共通化することができるので、低域・高域でそれぞれ制御パラメータを独立して調整する必要が無くなり、それらの制御や調整を簡便化できる効果がある。

また、低域成分だけで音声・雑音区間判定を行うので、高域にパワーが集中するような騒音、例えば、自動車走行時の風切り音やエアコンのファンノイズなどが混入した音声信号でも、低域入力信号の音声・雑音区間判定精度を維持することができるので、正しく雑音スペクトルの推定を行うことができ、その結果、安定した雑音抑圧を行うことができる。

また、この実施の形態１では、各帯域に属する推定雑音成分の内部成分の細分度合いを帯域毎に異なるようにしたので、少ないメモリ量で各帯域に適した雑音スペクトル推定を行うことができる。

また、この実施の形態１における雑音スペクトルのサブバンド構成が、低域ではバークスペクトル帯域、高域では等間隔帯域構成になっているので、少ないメモリ量で低域では聴感上良好な特性で雑音スペクトル推定を行えるとともに、高域では雑音成分の追従性に優れた雑音スペクトル推定を行うことができる。

また、本実施の形態の構成を成すことにより、複数の異なる帯域の音声音響符号化方式に対応可能な帯域スケーラブル構成の雑音抑圧装置を、少ないメモリ量・処理量で構成することができる。

本実施の形態では、説明の簡略化のため帯域分割数を低域・高域の２分割としたが、例えば、０〜４ｋＨｚ／４〜７ｋＨｚ／７〜８ｋＨｚのように３つ以上の分割数でも良いし、分割後の帯域幅が異なっても良く、様々な音声音響符号化方式に対応することができる。この場合には、０〜４ｋＨｚの帯域で音声・雑音区間判定を行い、その音声・雑音区間判定結果を０〜４ｋＨｚ／４〜７ｋＨｚ／７〜８ｋＨｚの各帯域にそれぞれ適用し、各帯域の雑音スペクトル推定を行えばよい。

また、帯域制御信号が“狭帯域モード”の場合、高域処理部２０２内の高域抑圧量制御部５と高域雑音抑圧部７の動作を休止するとともに、低域雑音抑圧部６の出力結果である雑音抑圧された低域振幅スペクトル１０９の帯域合成部８への出力を休止することにより、更に処理量を削減することが可能である。

本実施の形態では、第１の周波数・時間変換部９の逆ＦＦＴ処理に要する周波数点数を、時間・周波数変換部１と同一の点数である５１２点で実施しているが、例えば、低域振幅スペクトル１０２に対応した点数である２５６点の逆ＦＦＴ処理にて実施することで、サンプリング変換部１１が不要となり、更に処理量を削減することが可能である。

実施の形態２．
実施の形態１の変形例として、音声・雑音区間判定だけを全帯域の振幅スペクトルを用いて行い、その後の処理手段については実施の形態１と同様な構成とすることも可能であり、これを実施の形態２として説明する。
図４は、実施の形態２による雑音抑圧装置の全体構成を示すものであり、図１と異なる構成要素として、全帯域音声・雑音区間判定部１８を有する全帯域処理部２０３を備えている。その他の構成要素に関しては、低域処理部２０１から音声・雑音区間判定部２が削除されている他は、図１の構成と同様であるため、対応する部分については同一符号を付してその説明を省略する。なお、全帯域処理部２０３が分析手段を構成し、低域処理部２０１および高域処理部２０２が複数の雑音抑圧手段を、また、帯域合成部８〜サンプリング変換部１１および帯域制御信号１１１が切替手段を構成している。

時間・周波数変換部１は、所定のサンプリング周波数、所定のフレーム長（例えば、それぞれ１６ｋＨｚ、２０ｍｓ）でサンプリング・フレーム分割された入力信号１００に対し、例えば５１２点のＦＦＴを用いて振幅スペクトルと位相スペクトルに変換した後、例えば０〜４ｋＨｚの帯域成分の低域振幅スペクトル１０２と、４ｋＨｚ〜８ｋＨｚの帯域成分の高域振幅スペクトル１０３と、０〜８ｋＨｚの全帯域振幅スペクトル１１６、ならびに位相スペクトル１０１を出力する。

全帯域処理部２０３の構成要素である全帯域音声・雑音区間判定部１８は、時間・周波数変換部１が出力する全帯域振幅スペクトル１１６と、過去のフレームから推定した低域雑音スペクトル１０５と、同じく過去のフレームから推定した高域雑音スペクトル１０６を用いて、現フレームの入力信号１００が、音声あるいは雑音であるかどうかの度合いとして、例えば、音声の可能性が高い場合には大きな評価値を取り、音声の可能性が低い場合には小さな評価値を取るような、全帯域の音声らしさ信号ＶＡＤ_ＷＩＤＥの算出を行う。

全帯域の音声らしさ信号ＶＡＤ_ＷＩＤＥの算出方法として、例えば、入力信号１００の全帯域振幅スペクトル１１６の加算結果と、雑音スペクトル推定部３が出力する、低域雑音スペクトル１０５と高域雑音スペクトル１０６との加算結果のパワーの比から算出できる現フレームの全帯域ＳＮ比や、全帯域振幅スペクトル１１６から得られるフレームパワー、あるいは、前述の式（２）と同様の手法にてスペクトル成分毎にＳＮ比を算出し、得られたスペクトル成分毎のＳＮ比から求めることができる、スペクトル成分毎のＳＮ比の分散などを、それぞれ単独あるいは組み合わせて用いることが可能である。ここでは、実施の形態１と同様に説明の簡略化のため、現フレームの全帯域ＳＮ比を単独で用いた場合について示すこととする。現フレームの全帯域ＳＮ比ＳＮＲ_{ＷＩＤＥ＿ＦＬ}は、次の式（９）で表すことができる。

ここで、Ｓ(K)は、全帯域振幅スペクトル１１６の第ｋ番目の成分、Ｎ_Ｌ(k)とＮ_Ｈ(k)は、それぞれ低域雑音スペクトル１０５、高域雑音スペクトル１０６の第ｋ番目の成分、Ｋ_ＬとＫ_Ｈはそれぞれ低域、高域のスペクトル番号数である。また、ｍａｘ｛ｘ，ｙ｝は、要素ｘ、ｙのうち、値の大きい方を出力する関数であり、現フレームの全帯域ＳＮ比ＳＮＲ_{ＷＩＤＥ＿ＦＬ}は、０以上の正値をとることとなる。

式（９）で求められた全帯域ＳＮ比ＳＮＲ_{ＷＩＤＥ＿ＦＬ}から、全帯域の音声らしさ信号ＶＡＤ_ＷＩＤＥは、実施の形態１と同様に、例えば次の式（１０）を用いて算出できる。

ここで、ＴＨ_ＳＮＲ(・)は判定用しきい値であって所定の定数であり、それぞれ騒音の種類や騒音のパワーに応じて、音声区間と雑音区間が好適に判定できるように予め調整すればよい。以上示した処理によって算出された全帯域の音声らしさ信号ＶＡＤ_ＷＩＤＥを、全帯域音声・雑音区間判定結果信号１１７として雑音スペクトル推定部３内の雑音スペクトル更新部１５へ出力する。

なお、式（１０）では、全帯域の音声らしさ信号ＶＡＤ_ＷＩＤＥを、所定の判定しきい値による０〜１の範囲の離散値として表現しているが、例えば、式（１１）のように最大値（例えば、ＳＮＲｍａｘ_{ＷＩＤＥ＿ＦＬ}＝６０ｄＢ）でＳＮＲ_{ＷＩＤＥ＿ＦＬ}の正規化を行い、０〜１の範囲の連続値として取り扱うことも可能である。

雑音スペクトル推定部３は、全帯域音声・雑音区間判定部１８が出力する全帯域音声・雑音区間判定結果信号１１７と、時間・周波数変換部１が出力する低域振幅スペクトル１０２と、高域振幅スペクトル１０３とを用いて、現フレームの入力信号１００の様態が雑音の可能性が高い場合に雑音スペクトルの更新を行い、低域雑音スペクトル１０５と高域雑音スペクトル１０６を出力する。ここで、雑音スペクトルの更新方法や雑音スペクトルの記憶方法としては、例えば、実施の形態１と同様の方法をとることができる。

低域処理部２０１は、時間・周波数変換部１が出力する低域振幅スペクトル１０２と、雑音スペクトル推定部３が出力する低域雑音スペクトル１０５とを用いて、低域抑圧量制御部４で低域雑音抑圧量１０７の算出を行い、低域雑音抑圧部６では算出された低域雑音抑圧量１０７を用いて、低域振幅スペクトル１０２の雑音抑圧処理を行い、雑音抑圧された低域振幅スペクトル１０９を出力する。ここで、低域抑圧量制御部４と低域雑音抑圧部６の処理方法としては、例えば、実施の形態１と同様の方法をとることができる。

高域処理部２０２は、時間・周波数変換部１が出力する高域振幅スペクトル１０３と、雑音スペクトル推定部３が出力する高域雑音スペクトル１０６とを用いて、高域抑圧量制御部５で高域雑音抑圧量１０８の算出を行い、低域雑音抑圧部７では算出された高域雑音抑圧量１０８を用いて、高域振幅スペクトル１０３の雑音抑圧処理を行い、雑音抑圧された高域振幅スペクトル１１０を出力する。ここで、高域抑圧量制御部５と高域雑音抑圧部７の処理方法としては、例えば、実施の形態１と同様の方法をとることができる。

サンプリング変換部１１は、雑音抑圧された低域出力信号１１３と帯域制御信号１１１とを入力し、雑音抑圧装置２００に接続されている音声符号化部を切り替えるための帯域制御信号１１１の値が“狭帯域モード”の場合には、入力信号１のサンプリング周波数である１６ｋＨｚから、例えば８ｋＨｚへダウンサンプリングを行い、狭帯域出力信号１１４を狭帯域符号化部１２へ出力する。

狭帯域符号化部１２は、狭帯域出力信号１１４と帯域制御信号１１１とを入力し、帯域制御信号１１１が“狭帯域モード”の場合に、実施の形態１と同様に、例えば、ＡＭＲ音声符号化方式などの公知の符号化方法を用いて、狭帯域出力信号１１４の圧縮・符号化を行う。

広帯域符号化部１３は、広帯域出力信号１１５と帯域制御信号１１１とを入力し、帯域制御信号１１１が“広帯域モード”の場合に、実施の形態１と同様に、例えば、ＡＭＲ−ＷＢ音声符号化方式などの公知の符号化方法を用いて、広帯域出力信号１１５の圧縮・符号化を行う。

この実施の形態２によれば、入力信号の全帯域信号を用いて音声・雑音区間判定を行い、その結果に応じて低域雑音スペクトルならびに高域雑音スペクトルを推定するようにしたので、従来の方法では必要であった高域処理部の音声・雑音区間判定を省略することができ、処理量やメモリ量を削減できる効果がある。

上記２つの効果に加え、入力信号の低域成分だけでなく高域成分をも含む全帯域信号を用いて音声・雑音区間判定を行うことで、入力信号の音声らしさを分析するための情報量が多くなって音声・雑音区間判定精度が向上するので、更に雑音抑圧装置の品質を向上することができる。

また、雑音スペクトルのサブバンド構成が、低域ではバークスペクトル帯域、高域では等間隔帯域構成になっているので、少ないメモリ量で低域では聴感上良好な特性で雑音スペクトル推定を行えるとともに、高域では雑音成分の追従性に優れた雑音スペクトル推定を行うことができる。

本実施の形態では、説明の簡略化のため帯域分割数を低域・高域の２分割としたが、例えば、０〜４ｋＨｚ／４〜７ｋＨｚ／７〜８ｋＨｚのように３つ以上の分割数でも良いし、分割後の帯域幅が異なっても良く、様々な音声音響符号化方式に対応することができる。

実施の形態３．
実施の形態２の変形例として、全帯域処理部２０３内の全帯域音声・雑音区間判定部１８に入力する全帯域振幅スペクトルを複数の帯域に帯域分割し、各帯域の音声・雑音区間判定を実施した総合結果を全帯域音声・雑音区間判定結果とし、その後の処理については実施の形態２と同様な構成とすることも可能であり、これを実施の形態３として次に説明する。

全帯域音声・雑音区間判定部１８での全帯域振幅スペクトル１１６の帯域分割方法や帯域分割数は、低域処理部２０１と高域処理部２０２の帯域にとらわれる必要は無く、例えば、０〜２ｋＨｚ／２〜４ｋＨｚ／４〜８ｋＨｚの３分割でも構わない。また、音声検出に重要な帯域に分析帯域を重ねるために０〜４ｋＨｚ／２〜８ｋＨｚなどと帯域が重なったり、ピーク性の雑音が常時混入している帯域を避けて分析するために１ｋＨｚ〜４ｋＨｚ／６〜８ｋＨｚなどと帯域が抜けたりしても構わない。上記のように、音声検出に重要な帯域を重ねたり、ピーク性雑音を避けて分析したりすることで、音声・雑音区間判定精度を更に向上することが可能である。

帯域分割した各帯域の音声・雑音区間判定方法としては、例えば、実施の形態２と同様な手法をとることができ、式（９）ならびに式（１０）を各帯域向けに変形して適用した上、スペクトル数やしきい値定数などのパラメータについては、分割した帯域に併せて適宜調整すればよい。以上、得られた各帯域における音声らしさ信号を、例えば、次の式（１２）に示すような重み付け平均を行い、その結果である全帯域の音声らしさ信号ＶＡＤ_ＷＩＤＥを全帯域音声・雑音区間判定結果信号１１７として出力する。

ここで、Ｍは帯域分割数、ＶＡＤ_ＳＢ(m)は帯域分割した帯域ｍにおける音声らしさ信号である。また、Ｗ_ＶＡＤ(m)は帯域ｍにおける所定の重み付け係数であり、帯域分割方法や騒音の種類などに応じて、音声・雑音区間判定結果が良好になるように適宜調整すればよい。

この実施の形態３によれば、音声・雑音区間判定において、音声検出に重要な帯域を重ねたり、ピーク性雑音を避けて分析したりすることで、音声・雑音区間判定精度を更に向上することができ、実施の形態２にて述べた効果に加え、更に雑音抑圧装置の品質を向上することができる。

実施の形態４．
実施の形態１の変形例として、音声復号化処理後に雑音抑圧することも可能であり、これを実施の形態４として次に説明する。
図５は、実施の形態４による雑音抑圧装置の全体構成を示すものであり、図１の構成と異なる点は、雑音抑圧装置２００の入力側に、狭帯域復号化部１９、広帯域復号化部２０、アップサンプリング部２１、切り替え部２２を備えていることである。また、図１における狭帯域符号化部１２および広帯域符号化部１３は接続されていない。その他の構成については、図１と同様であるため、対応する部分に同一符号を付してその説明を省略する。

例えば、有線・無線通信路やメモリなどの記憶手段などを介して、復号化方式を切り替えるための帯域制御信号１１１に従って、帯域制御信号１１１が“狭帯域モード”の場合には、狭帯域符号化データ１１８が狭帯域復号化部１９に、帯域制御信号１１１が“広帯域モード”の場合には、広帯域符号化データ１１９が広帯域復号化部２０にそれぞれ入力される。なお、それぞれの符号化データは、別途音声符号化部（例えば、ＡＭＲ音声符号化方式やＡＭＲ−ＷＢ音声符号化方式）が音声音響信号を符号化した結果である。

狭帯域復号化部１９は、狭帯域符号化データ１１８に対して前記の音声符号化部に対応する所定の復号化処理を行い、狭帯域復号信号１２０を後述のアップサンプリング部２１に出力する。
広帯域復号化部２０は、広帯域符号化データ１１９に対して前記音声符号化部に対応する所定の復号化処理を行い、広帯域復号信号１２１を切り替え部２２に出力する。
アップサンプリング部２１は、狭帯域復号信号１２０を入力し、広帯域復号信号１２１と同じサンプリング周波数にアップサンプリング処理を行い、アップサンプリングされた狭帯域復号信号１２２として出力する。

切り替え部２２は、広帯域復号信号１２１と、アップサンプリングされた狭帯域復号信号１２２と、帯域制御信号１１１とを入力し、帯域制御信号１１１が“狭帯域モード”の場合には、アップサンプリングされた狭帯域復号信号１２２を復号信号１２３として出力し、帯域制御信号１１１が“広帯域モード”の場合には、広帯域復号信号１２１を復号信号１２３として出力する。

時間・周波数変換部１は、実施の形態１と同様に、入力信号１００の代わりに復号信号１２３に対してフレーム分割、窓掛け処理を行い、窓掛け後の信号に対して例えばＦＦＴを行って、周波数毎のスペクトル成分である低域振幅スペクトル１０２を低域処理部２０１における図示省略した音声・雑音区間判定部２、低域抑圧量制御部４、低域雑音抑圧部６と雑音スペクトル推定部３へと出力し、また、高域振幅スペクトル１０３を高域処理部２０２における図示省略した高域抑圧量制御部５および高域雑音抑圧部７と、雑音スペクトル推定部３とに対してそれぞれ出力する。

雑音スペクトル推定部３は、音声・雑音区間判定結果信号１０４と、低域振幅スペクトル１０２と、高域振幅スペクトル１０３とを用いて、復号信号１２３中の平均的な雑音スペクトルを推定し、低域雑音スペクトル１０５ならびに高域雑音スペクトル１０６として出力する。なお、この雑音スペクトル推定部３内の構成と各処理と、音声・雑音区間判定部２の処理については、実施の形態１と同様なものを用いることが可能である。
以降の処理内容については、実施の形態１と同様であるので、説明を省略する。

この実施の形態４によれば、雑音抑圧装置において重要な構成である、音声・雑音区間判定や雑音スペクトル推定が、低域処理と高域処理とで共通化することができるので、低域・高域でそれぞれ制御パラメータを独立して調整する必要が無くなり、それらの制御や調整を簡便化できる効果がある。

また、本実施の形態の構成を成すことにより、複数の異なる帯域の音声音響復号化方式に対応可能な帯域スケーラブル構成の雑音抑圧装置を、少ないメモリ量・処理量で構成することができる。

なお、図５にて示した本実施の形態における雑音抑圧装置２００の内部構成を、図４にて示した実施の形態２の雑音抑圧装置２００の内部構成に置き換えても、上記述べたのと同様な効果を奏効することが可能である。

実施の形態５．
上記実施の形態１から実施の形態４では、高速フーリエ変換によってスペクトル成分を算出し、変形処理を実施し、逆高速フーリエ変換によって時間領域の信号に戻しているが、高速フーリエ変換の代わりにバンドパスフィルタ群の各出力に対して、雑音抑圧処理を実施し、帯域別信号の加算によって出力信号を得る構成も可能であるし、ウェーブレット（Ｗａｖｅｌｅｔ）変換等の変換関数を用いることも可能である。

この実施の形態５によれば、フーリエ変換を使用しない構成でも、実施の形態１から実施の形態４にて述べたのと同様の効果が得られる。

以上のように、この発明に係る雑音抑圧装置は、雑音が混入した入力信号から目的外信号である雑音を抑圧する構成に関するものであり、種々の雑音環境下で用いられる音声通信システム、音声蓄積システム、音声認識システムに用いるのに適している。

Claims

入力信号を複数の帯域に分割し、当該分割した複数の帯域のうち、所定の帯域成分の分析結果に応じて、前記所定の帯域成分の雑音抑圧と、前記所定の帯域以外の帯域成分の雑音抑圧を行うことを特徴とする雑音抑圧装置。
入力信号から、複数の帯域の各帯域に属する推定雑音成分を抽出する雑音成分推定手段を備え、前記推定雑音成分の内部成分の細分度合いが、前記帯域毎に異なることを特徴とする請求項１記載の雑音抑圧装置。
推定雑音成分の内部成分の細分度合いとして、低域部では前記推定雑音成分を非均等に細分し、高域部では前記推定雑音成分を均等に細分することを特徴とする請求項２記載の雑音抑圧装置。
入力信号の全帯域成分を分析する分析手段と、
前記入力信号を帯域分割して得られた複数の帯域成分の雑音抑圧を行う複数の雑音抑圧手段と、
全帯域成分あるいは一部の帯域成分の雑音抑圧手段を切り替える切替手段とを備え、
前記分析手段の分析結果に応じて、全帯域成分あるいは一部帯域成分の雑音抑圧処理を行うことを特徴とする雑音抑圧装置。