WO2010070840A1 - 音声検出装置、音声検出プログラムおよびパラメータ調整方法 - Google Patents

音声検出装置、音声検出プログラムおよびパラメータ調整方法 Download PDF

Info

Publication number
WO2010070840A1
WO2010070840A1 PCT/JP2009/006666 JP2009006666W WO2010070840A1 WO 2010070840 A1 WO2010070840 A1 WO 2010070840A1 JP 2009006666 W JP2009006666 W JP 2009006666W WO 2010070840 A1 WO2010070840 A1 WO 2010070840A1
Authority
WO
WIPO (PCT)
Prior art keywords
speech
section
sections
determination result
voice
Prior art date
Application number
PCT/JP2009/006666
Other languages
English (en)
French (fr)
Inventor
荒川隆行
辻川剛範
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US13/140,364 priority Critical patent/US8812313B2/en
Priority to JP2010542839A priority patent/JP5299436B2/ja
Publication of WO2010070840A1 publication Critical patent/WO2010070840A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L2021/02082—Noise filtering the noise being echo, reverberation of the speech

Definitions

  • the present invention relates to a voice detection device, a voice detection program, and a parameter adjustment method, and more particularly to a voice detection device, a voice detection program, and a parameter adjustment applied to a voice detection device that discriminate between a voice zone and a non-voice zone of an input signal. Regarding the method.
  • Voice detection technology is widely used for various purposes.
  • the voice detection technique is used, for example, for the purpose of improving the voice transmission efficiency by improving the compression rate of a non-voice section or not transmitting only that section in mobile communication or the like. Further, for example, it is widely used for the purpose of estimating and determining noise in a non-speech section in a noise canceller, an echo canceller, etc., and for the purpose of improving the performance and reducing the processing amount in a speech recognition system.
  • Patent Documents 1 and 2 Various devices for detecting speech sections have been proposed (see, for example, Patent Documents 1 and 2).
  • the speech segment detection apparatus described in Patent Literature 1 cuts out a speech frame, smooths the sound volume to calculate the first variation, and smoothes the variation of the first variation to calculate the second variation. Then, the second variation is compared with the threshold value to determine whether the sound is voice or non-voice for each frame. Furthermore, the speech section based on the speech and non-speech frame durations is determined according to the following determination conditions.
  • voice duration threshold Voice segments that do not meet the minimum required duration are not accepted as voice segments.
  • this minimum necessary duration is referred to as a voice duration threshold.
  • a non-speech segment that is sandwiched between speech segments and satisfies a continuation length to be treated as a continuous speech segment is combined with the speech segments at both ends to be one speech segment.
  • the “continuation length to be treated as a continuous speech section” is referred to as a non-speech duration threshold because it is a non-speech section if it is longer than this length.
  • Condition (3) A certain number of frames, which are determined as non-speech because the fluctuation value is small, are added to the speech segment.
  • a certain number of frames to be added to the speech section is referred to as a start / end margin.
  • a threshold for determining whether speech is non-speech for each frame and parameters related to the above conditions is a defined value.
  • the utterance section detection device described in Patent Literature 2 includes, as a voice feature amount, an amplitude level of a speech waveform, the number of zero crossings (the number of times the signal level crosses 0 within a certain time), spectrum information of the speech signal, GMM (Gaussian Mixture Model) log likelihood is used.
  • GMM Gausian Mixture Model
  • the condition (1) and the condition (2) are not necessarily values suitable for noise conditions (for example, the type of noise) and input signal recording conditions (for example, microphone characteristics and AD board performance).
  • noise conditions for example, the type of noise
  • input signal recording conditions for example, microphone characteristics and AD board performance.
  • the present invention determines whether the input signal frame corresponds to a speech segment or a non-speech segment, and when the determination result is shaped according to a predetermined rule, the accuracy of the determination result after shaping
  • An object of the present invention is to provide a voice detection device, a voice detection program, and a parameter adjustment method.
  • the voice detection device determines that the time series of the voice data having the known number of voice sections and the number of non-voice sections is voice or non-voice every unit time, and corresponds to the voice continuously among the judgments. Then, a determination result deriving means for shaping the speech section and the non-speech section by comparing the length of the determined section or the length of the section continuously determined to correspond to non-speech and the duration threshold, From the determination result, a section number calculating means for calculating the number of speech sections and non-speech sections, a difference between the number of speech sections calculated by the section number calculating means and the number of correct speech sections, or a non-speech section calculated by the section number calculating means And a duration threshold updating means for updating the duration threshold so that the difference between the number and the number of correct non-speech intervals is reduced.
  • the parameter adjustment method determines that the time series of the audio data having the known number of speech sections and the number of non-speech sections is speech or non-speech for each unit time,
  • the length of the section determined to correspond to or the length of the section determined to continuously correspond to non-speech and the duration threshold are compared to shape the speech section and non-speech section, and from the determination result after shaping Calculate the number of speech segments and non-speech segments, and the difference between the number of speech segments and the number of correct speech segments calculated from the determination result after shaping, or the number of non-speech segments and correct non-speech calculated from the determination result after shaping
  • the continuation length threshold is updated so that the difference from the number of sections becomes small.
  • the speech detection program determines to the computer that the time series of speech data whose number of speech sections and number of non-speech sections are known is speech or non-speech per unit time,
  • the determination result derivation processing for shaping the speech section and the non-speech section by comparing the length of the section determined to correspond to speech or the length of the section continuously determined to correspond to speech and the duration threshold From the determination result after shaping, a section number calculation process for calculating the number of speech sections and non-speech sections, and a difference between the number of speech sections calculated in the section number calculation process and the number of correct speech sections or a section number calculation process
  • a duration threshold update process for updating the duration threshold is executed so that the difference between the calculated number of non-speech intervals and the number of correct non-speech intervals is reduced.
  • the accuracy of the determination result after shaping can be improved.
  • the voice detection device of the present invention can also be referred to as a voice segment discrimination device because it discriminates between voice segments and non-speech segments in an input voice signal.
  • FIG. FIG. 1 is a block diagram showing a configuration example of a voice detection device according to the first exemplary embodiment of the present invention.
  • the speech detection apparatus according to the first embodiment includes a speech detection unit 100, a sample data storage unit 120, a correct speech / non-speech segment number storage unit 130, a speech / non-speech segment number calculation unit 140, and a segment shaping rule.
  • the update part 150 and the input signal acquisition part 160 are provided.
  • the voice detection device of the present invention cuts out a frame from the input voice signal, and determines whether it corresponds to a voice section or a non-voice section for each frame. Further, the determination result is shaped according to a rule (section shaping rule) for shaping the decision result, and the decision result after shaping is output. Also, the voice detection device determines whether it corresponds to a voice segment or a non-speech segment for each frame even for sample data prepared in advance and defined as a voice segment or a non-speech segment in time series order. Then, the determination result is shaped according to the section shaping rule, and the parameters included in the section shaping rule are determined with reference to the judgment result after shaping. In the determination process for the input audio signal, the determination result is shaped based on the parameter.
  • the section is a portion corresponding to one period in which either the state where the sound exists or the state where the sound does not exist continues in the sample data or the input sound signal.
  • the voice section is a portion corresponding to one period in which the state of the voice continues in the sample data or the input voice signal
  • the non-voice section is a voice in the sample data or the input voice signal. This is a portion corresponding to one period in which the state where no exists exists.
  • Voice segments and non-speech segments appear alternately. When it is determined that the frame corresponds to the voice section, it is determined that the frame is included in the voice section. When it is determined that the frame corresponds to the non-speech section, it is determined that the frame is included in the non-speech section.
  • the voice detection unit 100 discriminates a voice section and a non-voice section in the sample data or the input voice signal and shapes the result.
  • the voice detection unit 100 includes an input signal cutout unit 101, a feature amount calculation unit 102, a threshold storage unit 103, a voice / non-voice determination unit 104, a determination result holding unit 105, a section shaping rule storage unit 106, A voice / non-voice section shaping unit 107;
  • the input signal cutout unit 101 sequentially cuts out waveform data of frames for a unit time in order of time from sample data and input audio signals. That is, the input signal cutout unit 101 extracts a frame from the sample data or the audio signal.
  • the length of the unit time may be set in advance.
  • the feature quantity calculation unit 102 calculates a voice feature quantity for each frame cut out by the input signal cutout unit 101.
  • the threshold storage unit 103 stores a threshold (hereinafter referred to as a determination threshold) for determining whether a frame corresponds to a speech segment or a non-speech segment.
  • the threshold for determination is stored in the threshold storage unit 105 in advance.
  • the determination threshold is represented by ⁇ .
  • the speech / non-speech determination unit 104 compares the feature amount calculated by the feature amount calculation unit 102 with the determination threshold value ⁇ to determine whether the frame corresponds to a speech segment or a non-speech segment. That is, it is determined whether the frame is a frame included in a speech section or a frame included in a non-speech section.
  • the determination result holding unit 105 holds the determination result determined for each frame over a plurality of frames.
  • the section shaping rule storage unit 106 stores a section shaping rule that is a rule for shaping the determination result of whether it corresponds to a voice section or a non-voice section.
  • the following rules are stored as the section shaping rules stored in the section shaping rule storage unit 106.
  • the first section shaping rule is a rule that “a voice section shorter than the voice duration threshold is removed and combined with the preceding and following non-voice sections to form one non-voice section”. In other words, it is a rule that when the number of consecutive frames determined to correspond to a speech section is less than the speech duration threshold, the determination result of that frame is changed to a non-speech section.
  • the second segment shaping rule is a rule that “a non-speech segment shorter than the non-speech duration threshold is removed and combined with the preceding and following speech segments to be one speech segment”. In other words, when the number of consecutive frames determined to correspond to a non-speech segment is less than the non-speech duration threshold, the determination result for that frame is changed to a speech segment.
  • the section shaping rule storage unit 106 may store rules other than those described above.
  • the parameters included in the section shaping rule stored in the section shaping rule storage unit 106 are updated by the section shaping rule update unit 150 from the initial state value (initial value).
  • the voice / non-speech section shaping unit 107 shapes the determination results over a plurality of frames according to the section shaping rules stored in the section shaping rule storage unit 106.
  • the sample data storage unit 120 stores sample data that is voice data for learning parameters included in the section shaping rules.
  • learning means to determine parameters included in the section shaping rules. It can be said that the sample data is learning data for learning parameters included in the section shaping rules.
  • the parameters included in the section shaping rule are specifically a voice duration threshold and a non-voice duration threshold.
  • the correct speech / non-speech interval storage unit 130 stores the number of speech segments and the number of non-speech intervals that are predetermined in the sample data.
  • the number of speech segments that is predetermined in the sample data is referred to as the number of correct speech segments.
  • the number of non-speech intervals predetermined in the sample data is referred to as the correct non-speech interval number.
  • “2” is stored as the number of correct speech segments in the correct speech / non-speech segment number storage unit 130.
  • “3” is stored as the number of correct non-speech intervals.
  • the speech / non-speech section shaping unit 107 After the speech / non-speech section shaping unit 107 performs shaping on the determination result when the determination is performed on the sample data, the speech / non-speech section number calculating unit 140 performs the shaping from the determination result after the shaping, Obtain the number of speech segments and the number of non-speech segments.
  • the section shaping rule update unit 150 includes the number of speech sections and the number of non-speech sections obtained by the speech / non-speech section number calculation unit 140, and the number of correct speech sections stored in the correct speech / non-speech section number storage unit 130.
  • the section shaping rule parameters (speech duration threshold and non-speech duration threshold) are updated based on the number of correct non-speech segments.
  • the section shaping rule update unit 150 may update the part that defines the parameter value in the section shaping rule stored in the section shaping rule storage unit 106.
  • the input signal acquisition unit 160 converts the analog signal of the input voice into a digital signal, and inputs the digital signal to the input signal cutout unit 101 of the voice detection unit 100 as a voice signal.
  • the input signal acquisition unit 160 may acquire an audio signal (analog signal) via the microphone 161.
  • the audio signal may be acquired by another method.
  • the input signal cutout unit 101, the feature amount calculation unit 102, the speech / non-speech determination unit 104, the speech / non-speech segment shaping unit 107, the speech / non-speech segment number computation unit 140, and the segment shaping rule update unit 150 are individually provided. It may be hardware. Alternatively, it may be realized by a CPU that operates according to a program (voice detection program). That is, a program storage means (not shown) provided in the voice detection device stores the program in advance, and the CPU reads the program, and the input signal cutout unit 101, the feature amount calculation unit 102, the voice / non-voice judgment unit according to the program. 104, the voice / non-speech segment shaping unit 107, the voice / non-speech segment number calculating unit 140, and the segment shaping rule updating unit 150 may be operated.
  • a program voice detection program
  • the threshold value storage unit 103, the determination result holding unit 105, the section shaping rule storage unit 106, the sample data storage unit 120, and the correct speech / non-speech section number storage unit 130 are realized by a storage device, for example.
  • the type of storage device is not particularly limited.
  • the input signal acquisition unit 160 is realized by, for example, an A / D converter or a CPU that operates according to a program.
  • sample data stored in the sample data storage unit 120 examples include audio data such as 16-bit Linear-PCM (Pulse Code Modulation), but other audio data may be used.
  • the sample data is preferably audio data recorded in a noisy environment where the use of an audio detection device is expected. However, if no such noise environment is specified, sample audio data recorded in multiple noise environments. It may be used as data. Alternatively, clean speech that does not contain noise and noise may be separately recorded, and data in which the speech and noise are superimposed is created by a computer, and the data may be used as sample data.
  • the number of correct speech segments and the number of correct non-speech segments are determined in advance for the sample data and stored in the correct speech / non-speech segment storage unit 130.
  • a human hears the sound based on the sample data, determines the speech and non-speech intervals in the sample data, counts the number of speech segments and the number of non-speech segments, and determines the number of correct speech segments and the number of correct non-speech segments. It may be determined.
  • voice recognition processing may be performed on the sample data, labeling of whether it is a voice segment or a non-speech segment, and the number of voice segments and non-speech segments may be counted.
  • another voice detection is performed on the clean voice to determine whether it is a voice section or non-voice. You may label whether it is a section.
  • FIG. 3 is a block diagram showing a part related to a learning process for learning parameters (speech duration threshold and non-speech duration threshold) included in the section shaping rules among the components of the speech detection device according to the first embodiment. It is.
  • FIG. 4 is a flowchart showing an example of the progress of the learning process.
  • the learning process will be described with reference to FIGS. 3 and 4.
  • the input signal cutout unit 101 reads the sample data stored in the sample data storage unit 120, and cuts out waveform data of a unit time frame from the sample data in time series order (step S101). At this time, for example, the input signal cutout unit 101 may cut out the waveform data of the frame for the unit time sequentially while shifting the portion to be cut out from the sample data by a predetermined time. This unit time is called a frame width, and this predetermined time is called a frame shift. For example, when the sample data stored in the sample data storage unit 120 is 16-bit Linear-PCM audio data with a sampling frequency of 8000 Hz, the sample data includes 8000 points of waveform data per second.
  • the input signal cutout unit 101 may, for example, cut out waveform data having a frame width of 200 points (25 milliseconds) sequentially from the sample data at a frame shift of 80 points (10 milliseconds) in chronological order. That is, the waveform data of the frame for 25 milliseconds may be cut out while being shifted by 10 milliseconds.
  • the types of the sample data, the frame widths, and the frame shift values are examples, and are not limited to the above examples.
  • the feature calculation unit 102 calculates the feature amount of each waveform data clipped by the frame width by the input signal cutout unit 101 (step S102).
  • the calculated feature amount calculated in step S102 for example, data (corresponding to the second variation in Patent Document 1) obtained by smoothing the fluctuation of the spectrum power (volume) and further smoothing the fluctuation of the smoothing result, The amplitude level of the audio signal, the spectrum information of the audio signal, the number of zero crossings (the number of zero crossings), the GMM log likelihood, and the like described in Patent Document 2 can be used. Further, a feature length obtained by mixing a plurality of types of feature amounts may be calculated. Note that these feature amounts are examples, and other feature amounts may be calculated in step S102.
  • the speech / non-speech determination unit 104 compares the determination threshold value ⁇ stored in the threshold storage unit 103 with the feature amount calculated in step S102, and determines whether the frame corresponds to the speech section. It is determined whether it corresponds to the voice section (step S103). For example, the speech / non-speech determination unit 104 determines that the frame corresponds to the speech section if the calculated feature amount is larger than the determination threshold ⁇ , and the frame is non-speech if the feature amount is equal to or less than the determination threshold ⁇ . It is determined that it corresponds to the section. However, depending on the feature amount, the value may be small in the speech section and large in the non-speech section.
  • the determination threshold value ⁇ if the feature amount is smaller than the determination threshold value ⁇ , it is determined that the frame corresponds to the speech section, and if the feature amount is equal to or greater than the determination threshold value ⁇ , it may be determined that the frame corresponds to the non-speech section.
  • the value of the determination threshold ⁇ may be determined according to the type of feature amount calculated in step S102.
  • the voice / non-voice determination unit 104 causes the determination result holding unit 105 to hold a determination result of whether a frame corresponds to a voice section or a non-voice section over a plurality of frames (step S104).
  • a mode in which the determination result is held (that is, stored) in the determination result holding unit 105 may be a mode in which a voice section or a non-voice section is labeled and stored for each frame. Or you may hold
  • the determination result holding unit 105 may change how long the determination result holding unit 105 holds the determination result as to whether it corresponds to a voice section or a non-voice section. It may be set that the determination result holding unit 105 holds the determination result of the entire frame of one utterance, or the determination result holding unit 105 may hold the determination result of frames for several seconds.
  • the speech / non-speech interval shaping unit 107 shapes the determination result held in the determination result holding unit 105 according to the interval shaping rule (step S105).
  • the speech / non-speech section shaping unit 107 determines the determination result of the frame when the number of consecutive frames determined to fall within the speech section is less than the speech duration threshold. Change to a non-voice segment. That is, the frame is changed to correspond to a non-voice section. As a result, a voice segment whose frame number is shorter than the voice duration threshold is removed, and the voice segment is combined with the preceding and following non-speech segments to form one non-speech segment.
  • the speech / non-speech section shaping unit 107 determines that the frame number of frames that are determined to fall under the non-speech section is less than the non-speech duration threshold. The determination result is changed to the voice section. That is, the frame is changed to correspond to the voice section. As a result, a non-speech segment whose frame number is shorter than the non-speech duration threshold is removed, and the non-speech segment is combined with the preceding and subsequent speech segments to form one speech segment.
  • FIG. 5 is an explanatory diagram showing an example of shaping the determination result.
  • S is a frame determined to correspond to the speech segment
  • N is a frame determined to correspond to the non-speech segment.
  • the upper part of FIG. 5 represents the determination result before shaping
  • the lower part represents the determination result after shaping.
  • the voice duration threshold is greater than 2.
  • the speech / non-speech segment shaping unit 107 shapes the determination result into a non-speech segment for the two frames in accordance with the first segment shaping rule. As a result, as shown in the lower part of FIG.
  • FIG. 5 shows the case of shaping according to the first section shaping rule, but the same applies to the case of following the second section shaping rule.
  • step S105 the section shaping rules stored in the section shaping rule storage unit 106 at that time are followed. For example, when the process proceeds to step S105 for the first time, shaping is performed using the initial values of the voice duration threshold and the non-voice duration threshold.
  • the speech / non-speech section number calculation unit 140 calculates the number of speech sections and the number of non-speech sections with reference to the shaped result (step S106).
  • the voice / non-speech interval number calculation unit 140 uses a set of one or more frames that are continuously determined as a voice interval as one voice interval, and counts the number of sets of such frames. Find the number of intervals. For example, in the example shown in the lower part of FIG. 5, there is one set of one or more frames that are continuously determined as speech sections, so the number of speech sections is 1.
  • the speech / non-speech interval number calculation unit 140 sets a set of one or more frames continuously determined as non-speech intervals as one non-speech interval, and calculates the number of sets of such frames.
  • the number of non-speech intervals is obtained by counting. For example, in the example shown in the lower part of FIG. 5, there are two sets of one or more frames that are continuously determined to be non-speech intervals, so the non-speech interval is set to 2.
  • the section shaping rule update unit 150 calculates the number of speech sections and non-speech sections obtained in step S105, and the number of correct speech sections and correct non-speech sections stored in the correct speech / non-speech section storage unit 130. Based on the number, the voice duration threshold and the non-voice duration threshold are updated (step S107).
  • the section shaping rule update unit 150 updates the voice duration threshold ⁇ voice as shown in Expression (1) below.
  • the left-side ⁇ sound is the updated sound duration threshold
  • the right-side ⁇ sound is the updated sound duration threshold. That is, the section shaping rule update unit 150 calculates ⁇ sound ⁇ ⁇ ⁇ (number of correct sound sections ⁇ number of sound sections) using the sound duration threshold value ⁇ sound before the update, and updates the calculated result to the sound after the update. What is necessary is just to set it as a continuation length threshold value.
  • ⁇ represents the update step size. In other words, ⁇ is a value that defines the magnitude of the ⁇ sound update when the process of step S107 is performed once.
  • the section shaping rule update unit 150 updates the non-speech duration threshold ⁇ non-speech as shown in the following equation (2).
  • the left non-sound ⁇ non-speech is the updated non-speech duration threshold
  • the right non-sound non-speech duration threshold is the non-speech duration threshold before update. That is, the section shaping rule update unit 150 calculates ⁇ non-speech ⁇ ⁇ ′ ⁇ (number of correct non-speech sections ⁇ number of non-speech sections) using the non -speech duration threshold ⁇ non -speech before update, and the calculation The result may be the updated non-speech duration threshold.
  • ⁇ ′ is an update step size, and is a value that defines the update size of ⁇ non-voice when the process of step S107 is performed once.
  • a constant value may be used as the values of the step sizes ⁇ and ⁇ ′.
  • the values of ⁇ and ⁇ ′ may be set as large values, and the values of ⁇ and ⁇ ′ may be gradually decreased.
  • the section shaping rule update unit 150 determines whether or not the update completion conditions for the voice duration threshold and the non-voice duration threshold are satisfied (step S108). If the update end condition is satisfied (Yes in step S108), the learning process ends. If the update termination condition is not satisfied (No in step S108), the processing from step S101 onward is repeated. At this time, when step S105 is executed, the determination result is shaped based on the voice duration threshold and the non-voice duration threshold updated in the previous step S107. As the update end condition, a condition that the change amount before and after the update of the voice duration threshold and the non-voice duration threshold is smaller than a preset value may be used.
  • a predetermined value is satisfied for the change amount (difference) of the voice duration threshold before and after the update and the change amount (difference) of the non-voice duration threshold.
  • a condition that all sample data is learned using a specified number of times may be used.
  • Equation (1) and Equation (2) The update of parameters using Equation (1) and Equation (2) is based on the idea of the steepest descent method. As long as the difference between the number of correct speech sections and the number of speech sections and the difference between the number of correct non-speech sections and the number of non-speech sections are reduced, methods other than the methods shown in Expression (1) and Expression (2) are used. The parameters may be updated.
  • FIG. 6 is a block diagram showing a part of the constituent elements of the speech detection device according to the first embodiment that determines whether the input speech signal frame is a speech segment or a non-speech segment. is there.
  • the determination process after learning the voice duration threshold and the non-voice duration threshold will be described.
  • the input signal acquisition unit 160 acquires an analog signal of speech that is a discrimination target of a speech section and a non-speech section, converts it into a digital signal, and inputs the digital signal to the speech detection unit 100.
  • the acquisition of the analog signal may be performed using, for example, the microphone 161 or the like.
  • the audio detection unit 100 performs the same processing as steps S101 to S105 (see FIG. 4) on the audio signal, and outputs a determination result after shaping.
  • the input signal cutout unit 101 cuts out waveform data of each frame from the input audio data, and each feature amount calculation unit 102 calculates the feature amount of each frame (step S102).
  • the speech / non-speech determination unit 106 compares the feature amount with the threshold for determination, and determines whether each frame corresponds to a speech segment or a non-speech segment (step S103). The result is held in the determination result holding unit 105 (step S104).
  • the speech / non-speech section shaping unit 107 shapes the determination result according to the section shaping rule stored in the section shaping rule storage unit 106 (step S105), and uses the shaped determination result as output data.
  • the parameters (speech duration threshold and non-speech duration threshold) included in the section shaping rule are values determined by learning using sample data, and the determination result is shaped using the parameters.
  • ⁇ L c ⁇ means a sequence of how to divide the input signal into speech and non-speech intervals. Specifically, ⁇ L c ⁇ is a frame in the speech or non-speech interval. Expressed as a sequence of numbers.
  • a non-speech segment lasts 3 frames
  • a speech segment lasts 5 frames
  • a non-speech segment lasts 2 frames
  • Means that 10 frames continue and a non-speech interval lasts 8 frames.
  • P ( ⁇ L c ⁇ ; ⁇ speech , ⁇ non-speech ) on the left side of Expression (3) is ⁇ L when the speech duration threshold is ⁇ speech and the non-speech duration threshold is ⁇ non-speech.
  • c ⁇ is a probability that a shaping result is obtained. That is, it is the probability that the result of shaping using the section shaping rule with respect to the judgment result of the voice / non-voice judgment unit 104 will be ⁇ L c ⁇ .
  • c ⁇ even means an even-numbered section (that is, a voice section)
  • c ⁇ od means an odd-numbered section (that is, a non-voice section).
  • ⁇ and ⁇ ′ are the reliability of the speech detection performance, ⁇ is the reliability regarding the speech interval, and ⁇ ′ is the reliability regarding the non-speech interval. If the voice detection result is always correct, the reliability value is infinite. If the result is not reliable at all, the reliability value is zero.
  • Mc is expressed by Equation (5) from the feature value for each frame and the determination threshold ⁇ used in the determination of whether the speech / non-speech determination unit 104 corresponds to the speech segment or the non-speech segment. It is a value calculated as shown.
  • t represents a frame
  • t ⁇ c represents a frame in the section c of interest.
  • r is a parameter indicating which of the section shaping rule and the determination for each frame is emphasized. r is a positive value greater than or equal to 0. If it is greater than 1, the determination for each frame is more important, and if it is less than 1, the section shaping rule is more important.
  • F t represents a feature amount in the frame t.
  • ⁇ is a threshold for determination.
  • Equation (3) is regarded as a likelihood function and logarithmic likelihood is obtained, Equation (6) shown below is obtained.
  • Equation (7) The ⁇ speech and ⁇ non-speech that maximize Equation (6) are obtained as shown in Equation (7) and Equation (8) below.
  • N even is the number of speech segments
  • N odd is the number of non-speech segments.
  • N even is replaced with the number of correct speech segments
  • N odd is the correct answer. Replaced with the number of non-voice segments.
  • E [N even ] is an expected value of the number of speech segments
  • E [N odd ] is an expected value of the number of non-speech segments.
  • Equations (1) and (2) are equations for sequentially obtaining Equations (7) and (8), and updating by Equations (1) and (2) It is an update that increases the log likelihood of the speech segment.
  • the parameters can be set to appropriate values.
  • the accuracy of the determination result obtained by shaping the determination result by the voice / non-voice determination unit 104 according to the section shaping rule can be improved.
  • Equation (1) and the expression (2) are expressions for sequentially obtaining the expressions (7) and (8), and the expression (7) will be described as an example. Equation (7) can be transformed into Equation (9) shown below.
  • Equation (10) ⁇ is a step size, which is a value that determines the size of the update. Substituting equation (8) into equation (10) yields equation (11).
  • equation (12) is obtained.
  • FIG. FIG. 7 is a block diagram illustrating a configuration example of the voice detection device according to the second exemplary embodiment of the present invention.
  • the same components as those in the first embodiment are denoted by the same reference numerals as those in FIG.
  • the voice detection apparatus according to the second embodiment includes a correct label storage unit 210, an error rate calculation unit 220, and a threshold update unit 230 in addition to the configuration of the first embodiment.
  • the learning for the determination threshold ⁇ is also performed during the parameter learning of the section shaping rule.
  • the correct label storage unit 210 stores a correct answer label, which is predetermined for the sample data and corresponds to a speech segment or a non-speech segment.
  • the correct answer labels are associated with the sample data in chronological order. If the determination result for the frame matches the correct answer label corresponding to the frame, the determination result is correct, and if it does not match, the determination result is incorrect.
  • the error calculation unit 220 calculates an error rate by using the determination result after shaping by the voice / non-voice segment shaping unit 107 and the correct label stored in the correct label storage unit 210.
  • the error rate calculation unit 220 sets the error rate as the error rate (FRR: False Rejection Ratio) and the rate (FAR: False Acceptance Ratio) where the non-speech interval is mistakenly set as the voice segment.
  • FRR False Rejection Ratio
  • FAR False Acceptance Ratio
  • the threshold update unit 230 updates the determination threshold ⁇ stored in the threshold storage unit 103 based on the error rate.
  • the error rate calculation unit 220 and the threshold update unit 230 are realized by a CPU that operates according to a program, for example. Alternatively, it is realized as hardware different from other components.
  • the correct answer label storage unit 210 is realized by a storage device, for example.
  • FIG. 8 is a flowchart illustrating an example of processing progress during parameter learning of the section shaping rule in the second embodiment.
  • the same processes as those in the first embodiment are denoted by the same reference numerals as those in FIG.
  • the process (steps S101 to S107) after the waveform data is cut out from the sample data for each frame until the section shaping rule update unit 150 updates the parameters (speech duration threshold and non-speech duration threshold) is the first step. This is the same as the embodiment.
  • the error rate calculation unit 220 calculates an error rate (FRR, FAR).
  • FRR which is a ratio of erroneously setting a voice segment as a non-speech segment, by the calculation of Expression (13) shown below (step S201).
  • the number of frames in which speech is erroneously made non-speech is a frame in which the correct label is a speech segment in the determination result after shaping by the speech / non-speech segment shaping unit 107 but is determined to fall under a non-speech segment.
  • the number of The number of correct speech frames is the number of frames that are determined to be correct when the correct label is a speech section and corresponds to the speech section in the determination result after shaping.
  • the error rate calculation unit 220 calculates FAR, which is a ratio of erroneously setting a non-speech segment as a speech segment, by calculation of Expression (14) shown below.
  • the number of frames in which non-speech is erroneously converted to speech is a frame in which the correct label is a non-speech segment in the judgment result after shaping by the speech / non-speech segment shaping unit 107 but is determined to correspond to the speech segment.
  • the number of The number of correct non-speech frames is the number of frames that are correctly determined that the correct label is a non-speech segment and corresponds to a non-speech segment in the determination result after shaping.
  • the threshold update unit 230 updates the determination threshold ⁇ stored in the threshold storage unit 103 using the error rates FFR and FAR (step S202).
  • the threshold update unit 230 may update the determination threshold ⁇ as shown in the following equation (15).
  • ⁇ on the left side is a threshold for determination after updating
  • ⁇ on the right side is a threshold for determination before updating. That is, the threshold update unit 230 calculates ⁇ ′′ ⁇ ( ⁇ ⁇ FRR ⁇ (1 ⁇ ) ⁇ FAR) using the determination threshold ⁇ before the update, and the determination result after the update is determined.
  • the threshold value may be used.
  • ⁇ ′′ is an update step size, which is a value that defines the magnitude of ⁇ update.
  • ⁇ ′′ may be the same value as ⁇ or ⁇ ′ (see Equation (1) and Equation (2)). Alternatively, it may be a value different from ⁇ and ⁇ ′.
  • step S202 it is determined whether or not the update end condition is satisfied (step S108), and if not satisfied, the processing from step S101 is repeated. At this time, in step S103, determination is performed using the updated ⁇ .
  • the parameter of the section shaping rule and the threshold for determination may be updated every time the loop processing is performed.
  • the update of the parameter of the section shaping rule and the update of the determination threshold value may be alternately performed for each loop process.
  • the loop processing may be repeated for one of the section shaping rule parameter and the determination threshold, and the loop processing may be performed for the other after the update end condition is satisfied.
  • ⁇ is a value that determines the ratio of the error rates FAR and FRR.
  • the operation of performing speech detection on the input signal using the learned section shaping rule parameters is the same as in the first embodiment.
  • the determination threshold value ⁇ is also learned, the learned ⁇ is compared with the feature amount to determine whether it corresponds to a speech segment or a non-speech segment.
  • the determination threshold ⁇ is a fixed value, but in the second embodiment, the interval shaping rule is set so that the error rate decreases under the condition that the ratio of the error rate is set in advance. Update parameters and thresholds for determination. If the value of ⁇ is set in advance, the threshold value is appropriately updated so as to achieve voice detection that satisfies the ratio between the two expected FRR and FAR error rates. Although voice detection is used for various purposes, it is expected that an appropriate error rate ratio varies depending on the usage. According to the present embodiment, it is possible to set an appropriate error rate ratio according to usage.
  • FIG. 9 is a block diagram illustrating a configuration example of the voice detection device according to the third exemplary embodiment of the present invention.
  • the same components as those in the first embodiment are denoted by the same reference numerals as those in FIG.
  • the voice detection device according to the third embodiment includes a voice signal output unit 360 and a speaker 361 in addition to the configuration of the first embodiment.
  • the audio signal output unit 360 causes the speaker 361 to output the sample data stored in the sample data storage unit 120 as sound.
  • the audio signal output unit 360 is realized by a CPU that operates according to a program, for example.
  • the audio signal output unit 360 causes the speaker 361 to output the sample data as sound in step S101 during parameter learning of the section shaping rule.
  • the microphone 161 is disposed at a position where the sound output from the speaker 361 can be input.
  • the microphone 161 converts the sound into an analog signal and inputs the analog signal to the input signal acquisition unit 160.
  • the input signal acquisition unit 160 converts the analog signal into a digital signal and inputs the digital signal to the input signal cutout unit 101.
  • the input signal cutout unit 101 cuts out frame waveform data from the digital signal. Other operations are the same as those in the first embodiment.
  • the environmental noise around the voice detection device is also input, and the parameter of the section shaping rule is determined in a state including the environmental noise. Therefore, it is possible to set a section shaping rule that is appropriate for the noise environment of a scene where voice is actually input.
  • the third embodiment includes a correct label storage unit 210, an error rate detection unit 220, and a threshold update unit 230, and may be configured to set the determination threshold value ⁇ . Good.
  • the output result in each of the first to third embodiments (the output of the voice detection unit 100 with respect to the input voice) is used in, for example, a voice recognition device or a device for voice transmission.
  • FIG. 10 is a block diagram showing an outline of the present invention.
  • the speech detection apparatus of the present invention includes a determination result deriving unit 74 (for example, the speech detection unit 100), a section number calculation unit 75 (for example, a speech / non-speech segment calculation unit 140), and a duration threshold update unit 76 (for example, And a section shaping rule update unit 150).
  • a determination result deriving unit 74 for example, the speech detection unit 100
  • a section number calculation unit 75 for example, a speech / non-speech segment calculation unit 140
  • a duration threshold update unit 76 for example, And a section shaping rule update unit 150.
  • the determination result deriving unit 74 determines that the time series (for example, sample data) of the speech data whose number of speech sections and the number of non-speech sections are known is speech or non-speech per unit time (for example, every frame).
  • the voice interval and the non-voice interval are shaped.
  • the section number calculation means 75 calculates the number of speech sections and non-speech sections from the determination result after shaping.
  • the continuation length threshold update means 76 calculates the difference between the number of speech sections calculated by the section number calculation means 75 and the number of correct speech sections or the difference between the number of non-speech sections calculated by the section number calculation means 75 and the number of correct non-speech sections.
  • the continuation length threshold is updated so as to decrease.
  • Such a configuration can improve the accuracy of the determination result after shaping.
  • the determination result deriving unit 74 calculates the feature amount of the extracted frame by the frame extraction unit (for example, the input signal extraction unit 101) that extracts a frame from the time series of the audio data.
  • the frame corresponds to the speech section by comparing the amount calculation means (for example, the feature amount calculation unit 102), the determination threshold value to be compared with the feature amount, and the feature amount calculated by the feature amount calculation means.
  • the determination result for example, the voice / non-voice determination unit 104) for determining whether the frame falls within the non-speech section, and the same determination result when the number of consecutive frames having the same determination result is smaller than the duration threshold
  • a determination result shaping unit for example, speech / non-speech section shaping unit 107) that shapes the determination result of the determination unit by changing the determination result for the continuous frames Configuration is disclosed comprising.
  • the determination result shaping unit 74 determines that the number of consecutive frames determined to correspond to the speech section is smaller than a first duration threshold (for example, a speech duration threshold), the speech section Is changed to a non-speech segment, and the number of consecutive frames determined to fall within the non-speech interval is a second duration threshold (for example, a non-speech duration threshold). ), The determination result for the continuous frames determined to correspond to the non-speech segment is changed to the speech segment, and the duration threshold update unit 76 calculates the number of speech segments calculated by the segment number calculation unit 75.
  • a first duration threshold for example, a speech duration threshold
  • a second duration threshold for example, a non-speech duration threshold
  • the first duration threshold is updated so that the difference from the number of correct speech sections is small (for example, updated as in equation (1)), and the number of non-speech sections calculated by the section number calculation means 75 and the non-correct answer voice
  • the difference between the number between is so to update the second duration threshold smaller (e.g., updated as Equation (2)) structure is disclosed.
  • the section number calculation means 75 calculates the number of speech sections and the number of non-speech sections using a set of one or more frames that have the same determination result as one section. A configuration is disclosed.
  • the first error rate for example, FRR
  • FRP the second error rate
  • FAR the second error rate
  • determination for updating the determination threshold so that the ratio between the first error rate and the second error rate approaches a predetermined value
  • the sound signal output means (for example, the sound signal output unit 360) that outputs sound data having a known number of speech sections and the number of non-speech sections as sound, and converts the sound into a sound signal.
  • a configuration including audio signal input means for example, a microphone 161 and an input signal acquisition unit 160) for inputting to the frame cutout means is disclosed.
  • a duration threshold appropriate to the noise environment of the scene in which speech is actually input can be determined.
  • the present invention is preferably applied to a voice detection device that determines whether a voice signal frame corresponds to a voice section or a non-voice section.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Telephone Function (AREA)

Abstract

　判定結果導出手段７４は、音声区間数および非音声区間数が既知の音声データの時系列に対し、単位時間毎に音声もしくは非音声であると判定し、その判定のうち連続して音声に該当すると判定された区間の長さもしくは連続して非音声に該当すると判定された区間の長さと継続長閾値とを比較して音声区間および非音声区間を整形する。区間数算出手段７５は、音声区間および非音声区間の数を算出する。継続長閾値更新手段７６は、算出した音声区間数と正解音声区間数との差分または算出した非音声区間数と正解非音声区間数との差分が小さくなるように、継続長閾値を更新する。

Description

音声検出装置、音声検出プログラムおよびパラメータ調整方法
　本発明は、音声検出装置、音声検出プログラムおよびパラメータ調整方法に関し、特に、入力信号の音声区間と非音声区間とを判別する音声検出装置、音声検出プログラム、および音声検出装置に適用されるパラメータ調整方法に関する。
　音声検出技術は、種々の目的で広く用いられている。音声検出技術は、例えば、移動体通信等において非音声区間の圧縮率を向上させたり、あるいはその区間だけ伝送しないようにしたりして音声伝送効率を向上する目的で用いられる。また、例えば、ノイズキャンセラやエコーキャンセラ等において非音声区間で雑音を推定したり決定したりする目的や、音声認識システムにおける性能向上、処理量削減等の目的で広く用いられている。
　音声区間を検出する装置が種々提案されている（例えば、特許文献１，２参照）。特許文献１に記載された音声区間検出装置は、音声フレームを切り出し、音量をスムージングして第１変動を算出し、第１変動の変動をスムージングして第２変動を算出する。そして、第２変動と閾値とを比較して、フレーム毎に音声か非音声であるのかを判定する。さらに、以下のような判定条件に従って、音声および非音声のフレーム継続長をもとにした音声区間を決定する。
　条件（１）：最低限必要な継続長を満たさなかった音声区間は音声区間として認めない。以下、この最低限必要な継続長を音声継続長閾値と記す。
　条件（２）：音声区間の間に挟まれていて、連続した音声区間として扱うべき継続長を満たした非音声区間は、両端の音声区間と合わせて１つの音声区間とする。以下、この「連続した音声区間として扱うべき継続長」は、この長さ以上であれば非音声区間とすることから、非音声継続長閾値と記す。
　条件（３）：変動の値が小さいために非音声として判定された音声区間始終端の一定数のフレームを音声区間に付け加える。以下、音声区間に付け加える一定数のフレームを始終端マージンと記す。
　特許文献１に記載された音声区間検出装置において、フレーム毎に音声か非音声であるのかを判定する閾値および、上記の条件に関するパラメータ（音声継続長閾値、非音声継続長閾値等）は、予め定められた値である。
　また、特許文献２に記載された発話区間検出装置は、音声の特徴量として、音声波形の振幅レベル、ゼロ交差数（一定時間内に信号レベルが０と交わる回数）、音声信号のスペクトル情報、ＧＭＭ（Gaussian Mixture Model）対数尤度等を用いる。
特開２００６－２０９０６９号公報 特開２００７－１７６２０号公報
　特許文献１に記載された条件（１）や条件（２）等を用いて、音声および非音声のフレーム継続長をもとにした音声区間を決定する場合、条件（１）や条件（２）等において定められたパラメータが、必ずしも雑音条件（例えば雑音の種類）や入力信号の収録条件（例えばマイクロホン特性やＡ－Ｄボードの性能）に適した値であるとは限らない。音声区間検出装置を使用する際、条件（１）や条件（２）等において定められたパラメータが雑音条件や収録条件に適した値になっていないと、条件（１）、条件（２）等による区間決定の精度が低下する。
　そこで、本発明は、入力信号のフレームに対して音声区間に該当するか非音声区間に該当するかを判定し、所定のルールでその判定結果を整形する場合に、整形後の判定結果の精度を向上させることができる音声検出装置、音声検出プログラムおよびパラメータ調整方法を提供することを目的とする。
　本発明による音声検出装置は、音声区間数および非音声区間数が既知の音声データの時系列に対し、単位時間毎に音声もしくは非音声であると判定し、判定のうち連続して音声に該当すると判定された区間の長さもしくは連続して非音声に該当すると判定された区間の長さと継続長閾値とを比較して音声区間および非音声区間を整形する判定結果導出手段と、整形後の判定結果から、音声区間および非音声区間の数を算出する区間数算出手段と、区間数算出手段が算出した音声区間数と正解音声区間数との差分または区間数算出手段が算出した非音声区間数と正解非音声区間数との差分が小さくなるように、継続長閾値を更新する継続長閾値更新手段とを備えることを特徴とする。
　また、本発明によるパラメータ調整方法は、音声区間数および非音声区間数が既知の音声データの時系列に対し、単位時間毎に音声もしくは非音声であると判定し、判定のうち連続して音声に該当すると判定された区間の長さもしくは連続して非音声に該当すると判定された区間の長さと継続長閾値とを比較して音声区間および非音声区間を整形し、整形後の判定結果から、音声区間および非音声区間の数を算出し、整形後の判定結果から算出した音声区間数と正解音声区間数との差分、または整形後の判定結果から算出した非音声区間数と正解非音声区間数との差分が小さくなるように、継続長閾値を更新することを特徴とする。
　また、本発明による音声検出プログラムは、コンピュータに、音声区間数および非音声区間数が既知の音声データの時系列に対し、単位時間毎に音声もしくは非音声であると判定し、判定のうち連続して音声に該当すると判定された区間の長さもしくは連続して非音声に該当すると判定された区間の長さと継続長閾値とを比較して音声区間および非音声区間を整形する判定結果導出処理、整形後の判定結果から、音声区間および非音声区間の数を算出する区間数算出処理、および、区間数算出処理で算出した音声区間数と正解音声区間数との差分または区間数算出処理で算出した非音声区間数と正解非音声区間数との差分が小さくなるように、継続長閾値を更新する継続長閾値更新処理を実行させることを特徴とする。
　本発明によれば、入力信号のフレームに対して音声区間に該当するか非音声区間に該当するかを判定し、所定のルールでその判定結果を整形する場合に、整形後の判定結果の精度を向上させることができる。
本発明の第１の実施形態の音声検出装置の構成例を示すブロック図である。 サンプルデータにおける音声区間および非音声区間の例を示す模式図である。 第１の実施形態の音声検出装置の構成要素のうち学習処理に関する部分を示したブロック図である。 学習処理の処理経過の例を示すフローチャートである。 判定結果の整形の例を示す説明図である。 第１の実施形態の音声検出装置の構成要素のうち、入力された音声信号のフレームに対して音声区間であるか非音声区間であるかを判定する部分を示したブロック図である。 本発明の第２の実施形態の音声検出装置の構成例を示すブロック図である。 第２の実施形態での学習処理の処理経過の例を示すフローチャートである。 本発明の第３の実施形態の音声検出装置の構成例を示すブロック図である。 本発明の概要を示すブロック図である。
　以下、本発明の実施形態を図面を参照して説明する。なお、本発明の音声検出装置は、入力された音声信号における音声区間と非音声区間とを判別するので音声区間判別装置と称することもできる。
実施形態１．
　図１は、本発明の第１の実施形態の音声検出装置の構成例を示すブロック図である。第１の実施形態の音声検出装置は、音声検出部１００と、サンプルデータ格納部１２０と、正解音声・非音声区間数格納部１３０と、音声・非音声区間数算出部１４０と、区間整形ルール更新部１５０と、入力信号取得部１６０とを備える。
　本発明の音声検出装置は、入力された音声信号からフレームを切り出し、フレーム毎に音声区間に該当するのか非音声区間に該当するのかを判定する。さらに、その判定結果を整形するためのルール（区間整形ルール）に従って判定結果を整形し、整形後の判定結果を出力する。また、音声検出装置は、予め用意され、時系列順に音声区間か非音声区間かが定められているサンプルデータに対してもフレーム毎に音声区間に該当するのか非音声区間に該当するのかを判定し、区間整形ルールに従ってその判定結果を整形し、整形後の判定結果を参照して、区間整形ルールに含まれるパラメータを定める。そして、入力された音声信号に対する判定処理では、そのパラメータに基づいて判定結果を整形する。
　また、区間とは、サンプルデータまたは入力された音声信号において、音声が存在する状態または音声が存在しない状態のいずれかが継続する一つの期間に相当する部分である。すなわち、音声区間は、サンプルデータまたは入力された音声信号において、音声が存在する状態が継続する一つの期間に相当する部分であり、非音声区間は、サンプルデータまたは入力された音声信号において、音声が存在しない状態が継続する一つの期間に相当する部分である。音声区間と非音声区間は、交互に現れる。フレームが音声区間に該当すると判定されたということは、そのフレームが音声区間に含まれると判定されたということである。フレームが非音声区間に該当すると判定されたということは、そのフレームが非音声区間に含まれると判定されたということである。
　音声検出部１００は、サンプルデータや入力された音声信号における音声区間と非音声区間とを判別し、その結果を整形する。音声検出部１００は、入力信号切り出し部１０１と、特徴量算出部１０２と、閾値記憶部１０３と、音声・非音声判定部１０４と、判定結果保持部１０５と、区間整形ルール記憶部１０６と、音声・非音声区間整形部１０７とを備える。
　入力信号切り出し部１０１は、サンプルデータや入力された音声信号から、単位時間分のフレームの波形データを時間順に順次、切り出す。すなわち、入力信号切り出し部１０１は、サンプルデータや音声信号からフレームを抽出する。単位時間の長さは、予め設定しておけばよい。
　特徴量算出部１０２は、入力信号切り出し部１０１によって切り出されたフレーム毎に、音声の特徴量を算出する。
　閾値記憶部１０３は、フレームが音声区間と非音声区間のどちらに該当するのかを判定するための閾値（以下、判定用閾値と記す。）を記憶する。判定用閾値は、予め閾値記憶部１０５に記憶させておく。以下、判定用閾値をθで表す。
　音声・非音声判定部１０４は、特徴量算出部１０２によって計算された特徴量と、判定用閾値θとを比較して、フレームが音声区間と非音声区間のどちらに該当するのかを判定する。すなわち、フレームが音声区間に含まれるフレームであるのか、非音声区間に含まれるフレームであるのかを判定する。
　判定結果保持部１０５は、フレーム毎に判定された判定結果を複数フレームに渡り保持する。
　区間整形ルール記憶部１０６は、音声区間に該当するか非音声区間に該当するかの判定結果を整形するためのルールである区間整形ルールを記憶する。区間整形ルール記憶部１０６が記憶する区間整形ルールとして、以下に示すルールを記憶する。
　第１の区間整形ルールは、「音声継続長閾値より短い音声区間を除去し、前後の非音声区間と合わせて一つの非音声区間とする。」というルールである。換言すれば、音声区間に該当すると判定されたフレームの連続数が音声継続長閾値未満である場合、そのフレームの判定結果を非音声区間に変更するというルールである。
　第２の区間整形ルールは、「非音声継続長閾値より短い非音声区間を除去し、前後の音声区間と合わせて一つの音声区間とする。」というルールである。換言すれば、非音声区間に該当すると判定されたフレームの連続数が非音声継続長閾値未満である場合、そのフレームの判定結果を音声区間に変更するというルールである。
　区間整形ルール記憶部１０６は、上記以外のルールを記憶していてもよい。
　区間整形ルール記憶部１０６に記憶される区間整形ルールに含まれるパラメータは、初期状態の値（初期値）から区間整形ルール更新部１５０によって更新されていく。
　音声・非音声区間整形部１０７は、区間整形ルール記憶部１０６に記憶されている区間整形ルールに従って、複数のフレームに渡る判定結果を整形する。
　サンプルデータ格納部１２０は、区間整形ルールに含まれるパラメータを学習するための音声データであるサンプルデータを記憶する。ここで、学習するとは、区間整形ルールに含まれるパラメータを定めることである。サンプルデータは、区間整形ルールに含まれるパラメータを学習するための学習データであるということができる。また、区間整形ルールに含まれるパラメータとは、具体的には、音声継続長閾値と非音声継続長閾値である。
　正解音声・非音声区間数格納部１３０は、サンプルデータに予め定められた音声区間の数と非音声区間の数とを記憶する。以下、サンプルデータに予め定められた音声区間の数を正解音声区間数と記す。また、サンプルデータに予め定められた非音声区間の数を正解非音声区間数と記す。例えば、図２に例示するサンプルデータのように音声区間および非音声区間が定められている場合、正解音声・非音声区間数格納部１３０には、正解音声区間数として“２”が記憶され、正解非音声区間数として“３”が記憶される。
　音声・非音声区間数算出部１４０は、サンプルデータに対して判定を行ったときの判定結果に対して音声・非音声区間整形部１０７が整形を行った後、その整形後の判定結果から、音声区間数および非音声区間数を求める。
　区間整形ルール更新部１５０は、音声・非音声区間数算出部１４０によって求められた音声区間数および非音声区間数と、正解音声・非音声区間数格納部１３０に記憶されている正解音声区間数および正解非音声区間数とに基づいて、区間整形ルールのパラメータ（音声継続長閾値と非音声継続長閾値）を更新する。区間整形ルール更新部１５０は、区間整形ルール記憶部１０６に記憶された区間整形ルールにおけるパラメータの値を規定する箇所を更新すればよい。
　入力信号取得部１６０は、入力された音声のアナログ信号をデジタル信号に変換し、そのデジタル信号を音声信号として音声検出部１００の入力信号切り出し部１０１に入力する。入力信号取得部１６０は、例えば、マイクロホン１６１を介して音声信号（アナログ信号）を取得してもよい。あるいは、他の方法で音声信号を取得してもよい。
　入力信号切り出し部１０１、特徴量算出部１０２、音声・非音声判定部１０４、音声・非音声区間整形部１０７、音声・非音声区間数算出部１４０および区間整形ルール更新部１５０は、それぞれ個別のハードウェアであってもよい。あるいは、プログラム（音声検出プログラム）に従って動作するＣＰＵによって実現されていてもよい。すなわち、音声検出装置が備えるプログラム記憶手段（図示せず）が予めプログラムを記憶し、ＣＰＵがそのプログラムを読み込み、プログラムに従って、入力信号切り出し部１０１、特徴量算出部１０２、音声・非音声判定部１０４、音声・非音声区間整形部１０７、音声・非音声区間数算出部１４０および区間整形ルール更新部１５０として動作してもよい。
　閾値記憶部１０３、判定結果保持部１０５、区間整形ルール記憶部１０６、サンプルデータ格納部１２０、正解音声・非音声区間数格納部１３０は、例えば、記憶装置によって実現される。記憶装置の種類は特に限定されない。また、入力信号取得部１６０は、例えば、Ａ－Ｄ変換器、あるいはプログラムに従って動作するＣＰＵによって実現される。
　次に、サンプルデータについて説明する。サンプルデータ格納部１２０に格納しておくサンプルデータの例として、１６ｂｉｔ　Ｌｉｎｅａｒ－ＰＣＭ（Pulse Code Modulation ）等の音声データが挙げられるが、他の音声データであってもよい。サンプルデータは、音声検出装置の使用が想定される雑音環境で収録された音声データが好ましいが、そのような雑音環境が定められない場合には、複数の雑音環境で収録された音声データをサンプルデータとして用いてもよい。また、雑音の含まれていないクリーンな音声と雑音とを分けて収録し、その音声と雑音とを重畳したデータを計算機によって作成し、そのデータをサンプルデータとしてもよい。
　正解音声区間数および正解非音声区間数は、予めサンプルデータに対して定めておき、正解音声・非音声区間数格納部１３０に記憶させておく。人間が、サンプルデータに基づく音を聞いてサンプルデータにおける音声区間、非音声区間を判断し、音声区間の数および非音声区間の数を計数して、正解音声区間数および正解非音声区間数を定めてもよい。あるいは、サンプルデータに対して音声認識処理を行って、音声区間であるか非音声区間であるかのラベリングを行い、音声区間および非音声区間の数を計数してもよい。また、サンプルデータがクリーンな音声と雑音とが重畳された音声であるならば、クリーンな音声に対して別の音声検出（一般的な音声検出技術）を行って、音声区間であるか非音声区間であるかのラベリングを行ってもよい。
　次に、動作について説明する。
　図３は、第１の実施形態の音声検出装置の構成要素のうち、区間整形ルールに含まれるパラメータ（音声継続長閾値、非音声継続長閾値）を学習する学習処理に関する部分を示したブロック図である。また、図４は、この学習処理の処理経過の例を示すフローチャートである。以下、図３および図４を参照して、学習処理の動作を説明する。
　まず、入力信号切り出し部１０１は、サンプルデータ格納部１２０に記憶されているサンプルデータを読み出し、サンプルデータから単位時間分のフレームの波形データを、時系列順に切り出す（ステップＳ１０１）。このとき、入力信号切り出し部１０１は、例えば、サンプルデータからの切り出し対象となる部分を、所定時間ずつずらしながら、単位時間分のフレームの波形データを順次、切り出せばよい。この単位時間をフレーム幅と呼び、この所定時間をフレームシフトと呼ぶ。例えば、サンプルデータ格納部１２０に記憶されたサンプルデータが、サンプリング周波数８０００Ｈｚの１６ｂｉｔ　Ｌｉｎｅａｒ－ＰＣＭの音声データである場合、サンプルデータは、１秒当たり８０００点分の波形データを含む。入力信号切り出し部１０１は、このサンプルデータから、例えば、フレーム幅２００点（２５ミリ秒）の波形データを、フレームシフト８０点（１０ミリ秒）で時系列順に順次、切り出してもよい。すなわち、２５ミリ秒分のフレームの波形データを１０ミリ秒分ずつずらしながら切り出してもよい。ただし、上記のサンプルデータの種類や、フレーム幅およびフレームシフトの値は例示であり、上記の例に限定されない。
　次に、特徴算出部１０２は、入力信号切り出し部１０１によってフレーム幅ずつ切り出された各波形データの特徴量を算出する（ステップＳ１０２）。ステップＳ１０２で算出する算出特徴量の例として、例えば、スペクトルパワー（音量）の変動を平滑化し、さらにその平滑化結果の変動を平滑化したデータ（特許文献１における第２変動に相当）や、特許文献２に記載されている音声信号の振幅レベル、音声信号のスペクトル情報、ゼロ交差数（零点交差数）、ＧＭＭ対数尤度等を用いることができる。また、複数種類の特徴量を混合して得られる特徴長を算出してもよい。なお、これらの特徴量は例示であり、ステップＳ１０２ではこれら以外の特徴量を算出してもよい。
　次に、音声・非音声判定部１０４は、閾値記憶部１０３に記憶されている判定用閾値θと、ステップＳ１０２で算出された特徴量とを比較し、フレーム毎に音声区間に該当するか非音声区間に該当するのかを判定する（ステップＳ１０３）。例えば、音声・非音声判定部１０４は、算出された特徴量が判定用閾値θよりも大きければフレームは音声区間に該当すると判定し、特徴量が判定用閾値θ以下であればフレームは非音声区間に該当すると判定する。ただし、特徴量によっては音声区間で値が小さく、非音声区間で値が大きいこともあり得る。この場合、特徴量が判定用閾値θよりも小さければフレームは音声区間に該当すると判定し、特徴量が判定用閾値θ以上であればフレームは非音声区間に該当すると判定すればよい。判定用閾値θの値は、ステップＳ１０２で算出する特徴量の種類に応じて定めておけばよい。
　音声・非音声判定部１０４は、フレームが音声区間に該当するか非音声区間に該当するかの判定結果を複数フレームに渡って判定結果保持部１０５に保持させる（ステップＳ１０４）。判定結果を判定結果保持部１０５に保持させる（すなわち記憶させる）態様は、フレーム毎に音声区間または非音声区間のラベルを付けて記憶させる態様であってもよい。あるいは、区間として保持させてもよい。例えば、音声区間と判定された連続するフレームに関して、同じ音声区間に属する旨の情報を記憶させ、非音声区間と判定された連続するフレームに関して、同じ非音声区間に属する旨の情報を記憶させてもよい。また、音声区間に該当するか非音声区間に該当するかの判定結果をどのくらいの長さに渡って判定結果保持部１０５に保持させるかは、変更可能とすることが好ましい。一発声全体のフレームの判定結果を判定結果保持部１０５に保持させると設定してもよく、また、数秒分のフレームの判定結果を判定結果保持部１０５に保持させると設定してもよい。
　次に、音声・非音声区間整形部１０７は、判定結果保持部１０５に保持されている判定結果を、区間整形ルールに従って整形する（ステップＳ１０５）。
　例えば、前述の第１の区間整形ルールに従って、音声・非音声区間整形部１０７は、音声区間に該当すると判定されたフレームの連続数が音声継続長閾値未満である場合、そのフレームの判定結果を非音声区間に変更する。すなわち、そのフレームが非音声区間に該当する旨に変更する。この結果、フレーム連続数が音声継続長閾値より短い音声区間が除去され、その音声区間は前後の非音声区間と合わさって一つの非音声区間になる。
　また、例えば、前述の第２の区間整形ルールに従って、音声・非音声区間整形部１０７は、非音声区間に該当すると判定されたフレームの連続数が非音声継続長閾値未満である場合、そのフレームの判定結果を音声区間に変更する。すなわち、そのフレームが音声区間に該当する旨に変更する。この結果、フレーム連続数が非音声継続長閾値より短い非音声区間が除去され、その非音声区間は前後の音声区間と合わさって一つの音声区間になる。
　図５は、判定結果の整形の例を示す説明図である。図５において、Ｓは、音声区間に該当すると判定されたフレームであり、Ｎは、非音声区間に該当すると判定されたフレームである。また、図５の上段は整形前の判定結果を表し、下段は整形後の判定結果を表す。音声継続長閾値が２よりも大きいとする。すると、音声区間と判定されたフレームの連続数が２である場合、その連続数“２”は、音声継続長閾値未満である。よって、音声・非音声区間整形部１０７は、第１の区間整形ルールに従って、その２つのフレームに関し、判定結果を非音声区間に整形する。この結果、図５の下段に示すように、整形前に音声区間であった部分は、その前後の非音声区間と合わさって一つの非音声区間とされる。図５では、第１の区間整形ルールに従って整形する場合を示したが、第２の区間整形ルールに従う場合も同様である。
　ステップＳ１０５では、その時点で区間整形ルール記憶部１０６に記憶されている区間整形ルールに従う。例えば、最初にステップＳ１０５に移行したときには、音声継続長閾値や非音声継続長閾値の初期値を用いて整形する。
　ステップＳ１０５の後、音声・非音声区間数算出部１４０は、整形された結果を参照して、音声区間数および非音声区間数を算出する（ステップＳ１０６）。音声・非音声区間数算出部１４０は、連続して音声区間と判定されている１つ以上のフレームからなる集合を一つの音声区間として、そのようなフレームの集合の数を計数することによって音声区間数を求める。例えば、図５の下段に示す例では、連続して音声区間と判定されている１つ以上のフレームからなる集合は一つ存在するので、音声区間数を１とする。同様に、音声・非音声区間数算出部１４０は、連続して非音声区間と判定されている１つ以上のフレームからなる集合を一つの非音声区間として、そのようなフレームの集合の数を計数することによって非音声区間数を求める。例えば、図５の下段に示す例では、連続して非音声区間と判定されている１つ以上のフレームからなる集合は二つ存在するので、非音声区間を２とする。
　次に、区間整形ルール更新部１５０は、ステップＳ１０５で求めた音声区間数および非音声区間数と、正解音声・非音声区間数格納部１３０に記憶されている正解音声区間数および正解非音声区間数とに基づいて、音声継続長閾値と非音声継続長閾値を更新する（ステップＳ１０７）。
　音声継続長閾値をθ音声と表すこととすると、区間整形ルール更新部１５０は、以下に示す式（１）のように、音声継続長閾値θ音声を更新する。
　θ音声　←　θ音声―ε×（正解音声区間数―音声区間数）　　　式（１）
　式（１）における左辺のθ音声は更新後の音声継続長閾値であり、右辺のθ音声は更新前の音声継続長閾値である。すなわち、区間整形ルール更新部１５０は、更新前の音声継続長閾値θ音声を用いて、θ音声―ε×（正解音声区間数―音声区間数）を計算し、その計算結果を更新後の音声継続長閾値とすればよい。式（１）においてεは、更新のステップサイズを表す。すなわち、εはステップＳ１０７の処理を一回行うときにおけるθ音声の更新の大きさを規定する値である。
　また、非音声継続長閾値をθ非音声と表すこととすると、区間整形ルール更新部１５０は、以下に示す式（２）のように、非音声継続長閾値θ非音声を更新する。
　θ非音声　←　θ非音声―ε’×（正解非音声区間数―非音声区間数）
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　式（２）
　式（２）における左辺のθ非音声は更新後の非音声継続長閾値であり、右辺のθ非音声は更新前の非音声継続長閾値である。すなわち、区間整形ルール更新部１５０は、更新前の非音声継続長閾値θ非音声を用いて、θ非音声―ε’×（正解非音声区間数―非音声区間数）を計算し、その計算結果を更新後の非音声継続長閾値とすればよい。式（２）においてε’は、更新のステップサイズであり、ステップＳ１０７の処理を一回行うときにおけるθ非音声の更新の大きさを規定する値である。
　ステップサイズε，ε’の値としては一定の値を用いてもよい。あるいは、最初にεおよびε’の値を大きな値として設定しておき、徐々にε，ε’の値を小さくしてもよい。
　次に、区間整形ルール更新部１５０は、音声継続長閾値および非音声継続長閾値の更新の終了条件が満たされているか否かを判定する（ステップＳ１０８）。更新の終了条件が満たされていれば（ステップＳ１０８におけるＹｅｓ）、学習処理を終了する。また、更新の終了条件が満たされていなければ（ステップＳ１０８におけるＮｏ）、ステップＳ１０１以降の処理を繰り返す。このとき、ステップＳ１０５を実行する際には、直前のステップＳ１０７で更新された音声継続長閾値および非音声継続長閾値に基づいて、判定結果に対する整形を行う。更新の終了条件として、音声継続長閾値および非音声継続長閾値の更新前後の変化量が予め設定した値より小さいという条件を用いてもよい。すなわち、更新前後での音声継続長閾値の変化量（差分）や、非音声継続長閾値の変化量（差分）が、予め定めた値という条件が満たされているか否かを判定してもよい。あるいは、全てのサンプルデータを規定の回数用いて学習したという条件（換言すれば、ステップＳ１０１からステップＳ１０８までの処理を規定回数行ったという条件）を用いてもよい。
　式（１）および式（２）によるパラメータの更新は、最急降下法の考え方に基づいている。正解音声区間数と音声区間数との差分、および正解非音声区間数と非音声区間数との差分が小さくなる方法であれば、式（１）および式（２）に示す方法以外の方法で、パラメータを更新してもよい。
　図６は、第１の実施形態の音声検出装置の構成要素のうち、入力された音声信号のフレームに対して音声区間であるか非音声区間であるかを判定する部分を示したブロック図である。以下、図４を参照して、音声継続長閾値および非音声継続長閾値の学習後における判定処理を説明する。
　まず、入力信号取得部１６０は、音声区間と非音声区間の判別対象となる音声のアナログ信号を取得し、デジタル信号に変換し、音声検出部１００に入力する。なお、アナログ信号の取得は、例えばマイクロホン１６１等を用いて行えばよい。音声検出部１００は、音声信号が入力されると、その音声信号を対象としてステップＳ１０１～ステップＳ１０５（図４参照）と同様の処理を行い、整形後の判定結果を出力する。
　すなわち、入力信号切り出し部１０１が、入力された音声データから各フレームの波形データを切り出し、各特徴量算出部１０２が各フレームの特徴量を算出する（ステップＳ１０２）。次に、音声・非音声判定部１０６が、その特徴量と判定用閾値とを比較し、フレーム毎に音声区間に該当するのか非音声区間に該当するのかを判定し（ステップＳ１０３）、その判定結果を判定結果保持部１０５に保持させる（ステップＳ１０４）。音声・非音声区間整形部１０７は、区間整形ルール記憶部１０６に記憶された区間整形ルールに従って、その判定結果を整形し（ステップＳ１０５）、整形後の判定結果を出力データとする。区間整形ルールに含まれるパラメータ（音声継続長閾値および非音声継続長閾値）は、サンプルデータを用いた学習で定められた値であり、そのパラメータを用いて、判定結果を整形する。
　次に、本実施形態の効果を説明する。
　音声・非音声判定部１０４の判定結果に対して、前述の区間整形ルールを用いて整形を行ったときに、個別具体的な整形結果が得られる確率を式で表すと、以下に示す式（３）および式（４）のように表すことができる。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
　式（３）および式（４）において、ｃは区間を表し、Ｌｃは区間ｃにおけるフレーム数を表す。音声区間と非音声区間は交互に現れるので、最初の区間が必ず非音声区間になるとすると、以降、非音声区間は必ず奇数（odd ）番目となり、音声区間は必ず偶数（even）番目となる。また、｛Ｌｃ｝は、入力信号をどのように音声区間と非音声区間とに分割するのかという系列を意味し、具体的には、｛Ｌｃ｝は、音声区間や非音声区間におけるフレーム数の並びで表される。例えば、｛Ｌｃ｝＝｛３，５，２，１０，８｝であったとすると、非音声区間が３フレーム続いた後、音声区間が５フレーム続き、非音声区間が２フレーム続き、音声区間が１０フレーム続き、非音声区間が８フレーム続くことを意味する。
　そして、式（３）の左辺のＰ（｛Ｌｃ｝；θ音声，θ非音声）は、音声継続長閾値がθ音声であり、非音声継続長閾値がθ非音声である場合に｛Ｌｃ｝という整形結果が得られる確率である。すなわち、音声・非音声判定部１０４の判定結果に対して区間整形ルールを用いて整形した結果が｛Ｌｃ｝となる確率である。ｃ∈ｅｖｅｎは、偶数番目の区間（すなわち、音声区間）を意味し、ｃ∈ｏｄｄは、奇数番目の区間（すなわち、非音声区間）を意味する。
　γおよびγ’は、音声検出性能の信頼度であり、γは音声区間に関する信頼度であり、γ’は非音声区間に関する信頼度である。音声検出結果が必ず正しければこの信頼度の値は無限大であり、結果が全く信頼できなければ信頼度の値は０である。
　また、Ｍｃは、音声・非音声判定部１０４による音声区間と非音声区間のどちらに該当するかについての判定で用いられたフレーム毎の特徴量および判定用閾値θから、式（５）に示すように計算される値である。
Figure JPOXMLDOC01-appb-M000003
　ｔはフレームを表し、ｔ∈ｃは着目する区間ｃの中にあるフレームを表している。ｒは、区間整形ルールとフレーム毎の判定のどちらを重んじるかを表すパラメータである。ｒは、０以上の正の値であり、１より大きければフレーム毎の判定の方を重んじることとなり、１より小さければ区間整形ルールの方を重んじることとなる。また、Ｆｔはフレームｔにおける特徴量を表す。θは判定用閾値である。
　式（３）を尤度関数とみなし、対数尤度を求めると、以下に示す式（６）のようになる。
Figure JPOXMLDOC01-appb-M000004
　式（６）を最大化するθ音声およびθ非音声は、以下に示す式（７）および式（８）のように求まる。
Figure JPOXMLDOC01-appb-M000005
Figure JPOXMLDOC01-appb-M000006
　ここで、Ｎｅｖｅｎは音声区間の数であり、Ｎｏｄｄは非音声区間の数である。ここでは、正解の音声区間・非音声区間（すなわち、予め定められた音声区間・非音声区間）に対する対数尤度を最大化したいので、Ｎｅｖｅｎは正解音声区間数に置き換えられ、Ｎｏｄｄは正解非音声区間数に置き換えられる。また、Ｅ［Ｎｅｖｅｎ］は音声区間の数の期待値であり、Ｅ［Ｎｏｄｄ］は非音声区間の数の期待値である。Ｅ［Ｎｅｖｅｎ］は、音声・非音声区間数算出部１４０で求められた音声区間数で置き換えられ、Ｅ［Ｎｏｄｄ］は、音声・非音声区間数算出部１４０で求められた非音声区間数で置き換えられるとする。式（１）および式（２）は、式（７）および式（８）を逐次的に求める式となっており、式（１）、式（２）による更新は、正解の音声区間・非音声区間の対数尤度を増加させる更新となっている。
　このように、式（１）および式（２）を用いて区間整形ルールにおけるパラメータ（音声継続長閾値、非音声継続長閾値）を更新することで、パラメータを適切な値に定めることができる。その結果、音声・非音声判定部１０４による判定結果を区間整形ルールに従い整形して得られる判定結果の精度を向上させることができる。
　式（１）および式（２）が式（７）および式（８）を逐次的に求める式となっていることを、式（７）を例にして説明する。式（７）は、以下に示す式（９）に変形することができる。
Figure JPOXMLDOC01-appb-M000007
　最急降下法において、Ｌを極大化する（－Ｌを極小化する）θｓは、以下に示す式（１０）を逐次的に計算することで求めることができる。
Figure JPOXMLDOC01-appb-M000008
　式（１０）におけるεはステップサイズであり、更新の大きさを決定する値である。式（１０）に式（８）を代入すると、式（１１）のようになる。
　θｓ　←　θｓ－εγθ音声（正解音声区間数－音声区間数）　　式（１１）
　ここで、ステップサイズεを定義し直すことにより、式（１２）のようになる。
　θｓ　←　θｓ－ε（正解音声区間数－音声区間数）　　　　　式（１２）
　ここでは、式（７）に関して説明したが、式（８）についても同様である。
実施形態２．
　図７は、本発明の第２の実施形態の音声検出装置の構成例を示すブロック図である。第１の実施形態と同様の構成要素については、図１と同一の符号を付し、説明を省略する。第２の実施形態の音声検出装置は、第１の実施形態の構成に加えて、正解ラベル格納部２１０と、エラー率算出部２２０と、閾値更新部２３０とを備える。本実施形態では、区間整形ルールのパラメータ学習時に、判定用閾値θに対する学習も行う。
　正解ラベル格納部２１０は、サンプルデータに対して予め定められた、音声区間に該当するか非音声区間に該当するかに関する正解ラベルを記憶する。正解ラベルは、サンプルデータと時系列順に関連付けられる。フレームに対する判定結果が、そのフレームに応じた正解ラベルと一致していればその判定結果は正しく、一致していなければその判定結果は誤りとなる。
　エラー算出部２２０は、音声・非音声区間整形部１０７による整形後の判定結果と、正解ラベル格納部２１０に記憶された正解ラベルとを用いて、エラー率を計算する。エラー率算出部２２０は、音声区間を誤って非音声区間としてしまう割合（ＦＲＲ：Ｆａｌｓｅ　Ｒｅｊｅｃｔｉｏｎ　Ｒａｔｉｏ）、および非音声区間を誤って音声区間としてしまう割合（ＦＡＲ：Ｆａｌｓｅ　Ａｃｃｅｐｔａｎｃｅ　Ｒａｔｉｏ）を、それぞれエラー率として算出する。ＦＲＲは、より具体的には、音声区間に該当すると判定すべきフレームを、誤って、非音声区間に該当すると判定してしまう割合である。同様に、ＦＡＲは、非音声区間に該当すると判定すべきフレームを、誤って、音声区間に該当すると判定してしまう割合である。
　閾値更新部２３０は、閾値記憶部１０３に記憶された判定用閾値θをエラー率に基づいて更新する。
　エラー率算出部２２０および閾値更新部２３０は、例えば、プログラムに従って動作するＣＰＵによって実現される。あるいは、他の構成要素とは別のハードウェアとして実現される。正解ラベル格納部２１０は、例えば記憶装置によって実現される。
　次に、第２の実施形態の動作について説明する。
　図８は、第２の実施形態での区間整形ルールのパラメータ学習時の処理経過の例を示すフローチャートである。第１の実施形態と同様の処理は、図４と同一の符号を付して説明を省略する。サンプルデータからフレーム毎に波形データを切り出してから、区間整形ルール更新部１５０がパラメータ（音声継続長閾値および非音声継続長閾値）を更新するまでの処理（ステップＳ１０１～Ｓ１０７）は、第１の実施形態と同様である。
　ステップＳ１０７の後、エラー率算出部２２０は、エラー率（ＦＲＲ，ＦＡＲ）を算出する。エラー率算出部２２０は、音声区間を誤って非音声区間としてしまう割合であるＦＲＲを、以下に示す式（１３）の計算により算出する（ステップＳ２０１）。
ＦＲＲ≡音声を誤って非音声としたフレーム数÷正解音声フレーム数
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　式（１３）
　「音声を誤って非音声としたフレーム数」は、音声・非音声区間整形部１０７による整形後の判定結果において、正解ラベルが音声区間であるが、非音声区間に該当すると判定されているフレームの数である。正解音声フレーム数は、整形後の判定結果において、正解ラベルが音声区間であって、音声区間に該当すると正しくと判定されているフレームの数である。
　また、エラー率算出部２２０は、非音声区間を誤って音声区間としてしまう割合であるＦＡＲを、以下に示す式（１４）の計算により算出する。
ＦＡＲ≡非音声を誤って音声としたフレーム数÷正解非音声フレーム数
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　式（１４）
　「非音声を誤って音声としたフレーム数」は、音声・非音声区間整形部１０７による整形後の判定結果において、正解ラベルが非音声区間であるが、音声区間に該当すると判定されているフレームの数である。正解非音声フレーム数は、整形後の判定結果において、正解ラベルが非音声区間であって、非音声区間に該当すると正しく判定されているフレームの数である。
　次の、ステップＳ２０２において、閾値更新部２３０は、閾値記憶手段１０３に記憶された判定用閾値θを、エラー率ＦＦＲ，ＦＡＲを用いて更新する（ステップＳ２０２）。閾値更新部２３０は、以下に示す式（１５）のように判定用閾値θを更新すればよい。
　θ　←　θ　－　ε’’×（α×ＦＲＲ―（１－α）×ＦＡＲ）
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　式（１５）
　式（１５）における左辺のθは更新後の判定用閾値であり、右辺のθは更新前の判定用閾値である。すなわち、閾値更新部２３０は、更新前の判定用閾値θを用いて、θ－ε’’×（α×ＦＲＲ―（１－α）×ＦＡＲ）を計算し、その計算結果を更新後の判定用閾値とすればよい。式（１５）においてε’’は更新のステップサイズであり、θの更新の大きさを規定する値である。ε’’は、εあるいはε’（式（１）、式（２）参照）と同様の値であってもよい。あるいは、ε，ε’と異なる値であってもよい。
　ステップＳ２０２の後、更新の終了条件が満たされたか否かを判定し（ステップＳ１０８）、満たされていなければステップＳ１０１以降の処理を繰り返す。このとき、ステップＳ１０３では更新後のθを用いて判定を行う。
　ステップＳ１０１～Ｓ１０８のループ処理において、ループ処理毎に毎回、区間整形ルールのパラメータの更新および判定用閾値の更新を行ってもよい。あるいは、ループ処理毎に、区間整形ルールのパラメータの更新と、判定用閾値の更新とを交互に行ってもよい。あるいは、区間整形ルールのパラメータと判定用閾値のいずれか一方に関してループ処理を繰り返し、更新の終了条件が満たされた後に、他方に関してもループ処理を行ってもよい。
　式（１５）に示す更新処理を複数回行うことにより、２つのエラー率の比は以下の式（１６）に示す比に近づく。よって、αは、エラー率ＦＡＲ，ＦＲＲの比を定める値である。
　ＦＡＲ：ＦＲＲ＝α：１－α　　　　　式（１６）
　学習された区間整形ルールのパラメータを用いて入力信号に対する音声検出を行う動作は、第１の実施形態と同様である。本実施形態では、判定用閾値θも学習されているので、学習されたθと特徴量とを比較して、音声区間に該当するのか非音声区間に該当するのかを判定する。
　次に、本実施形態の効果について説明する。
　第１の実施形態では判定用閾値θを固定値としたが、第２の実施形態では、予め設定したエラー率の比になるという条件の下でエラー率が減少するように、区間整形ルールのパラメータおよび判定用閾値を更新する。予めαの値を設定しておけば、期待するＦＲＲとＦＡＲの２つのエラー率の比を満たす音声検出になるように、閾値が適切に更新される。音声検出はさまざまな用途に利用されるが、その利用用途に応じて適切なエラー率の比が異なることが予想される。本実施形態によれば、利用用途に応じた適切なエラー率の比を設定できる。
実施形態３．
　第１および第２の実施形態では、サンプルデータ格納部１２０に記憶されたサンプルデータを直接、入力信号切り出し部１０１の入力とする場合を説明した。第３の実施形態では、サンプルデータを音として出力し、その音を入力してデジタル信号として入力信号切り出し部１０１の入力とする。図９は、本発明の第３の実施形態の音声検出装置の構成例を示すブロック図である。第１の実施形態と同様の構成要素については、図１と同一の符号を付し、説明を省略する。第３の実施形態の音声検出装置は、第１の実施形態の構成に加えて、音声信号出力部３６０およびスピーカ３６１を備える。
　音声信号出力部３６０は、サンプルデータ格納部１２０に記憶されたサンプルデータを音としてスピーカ３６１に出力させる。音声信号出力部３６０は、例えば、プログラムに従って動作するＣＰＵによって実現される。
　本実施形態では、区間整形ルールのパラメータ学習時におけるステップＳ１０１で、音声信号出力部３６０がサンプルデータを音としてスピーカ３６１に出力させる。このとき、マイクロホン１６１は、スピーカ３６１から出力された音を入力可能な位置に配置される。マイクロホン１６１はその音が入力されると、その音をアナログ信号に変換し、入力信号取得部１６０に入力する。入力信号取得部１６０は、そのアナログ信号をデジタル信号に変換し、入力信号切り出し部１０１に入力する。入力信号切り出し部１０１は、そのデジタル信号からフレームの波形データを切り出す。その他の動作は第１の実施形態と同様である。
　本実施形態によれば、サンプルデータの音の入力時に音声検出装置の周囲の環境の雑音も入力され、環境雑音も含む状態で区間整形ルールのパラメータを定める。従って、実際に音声が入力される場面の雑音環境に適切な区間整形ルールを設定することができる。
　第３の実施形態において、第２の実施形態と同様に、正解ラベル格納部２１０と、エラー率検出部２２０と、閾値更新部２３０とを備え、判定用閾値θの値を設定する構成としてもよい。
　第１から第３までの各実施形態における出力結果（入力された音声に対する音声検出部１００の出力）は、例えば、音声認識装置や、音声伝送向けの装置で利用される。
　次に、本発明の概要について説明する。図１０は、本発明の概要を示すブロック図である。本発明の音声検出装置は、判定結果導出手段７４（例えば、音声検出部１００）と、区間数算出手段７５（例えば、音声・非音声区間算出部１４０）と、継続長閾値更新手段７６（例えば、区間整形ルール更新部１５０）とを備える。
　判定結果導出手段７４は、音声区間数および非音声区間数が既知の音声データの時系列（例えば、サンプルデータ）に対し、単位時間毎（例えば、フレーム毎）に音声もしくは非音声であると判定し、判定のうち連続して音声に該当すると判定された区間の長さもしくは連続して非音声に該当すると判定された区間の長さと継続長閾値（例えば、音声継続長閾値、非音声継続長閾値）とを比較して音声区間および非音声区間を整形する。
　区間数算出手段７５は、整形後の判定結果から、音声区間および非音声区間の数を算出する。継続長閾値更新手段７６は、区間数算出手段７５が算出した音声区間数と正解音声区間数との差分または区間数算出手段７５が算出した非音声区間数と正解非音声区間数との差分が小さくなるように、継続長閾値を更新する。
　そのような構成により、整形後の判定結果の精度を向上させることができる。
　また、上記の実施形態には、判定結果導出手段７４が、音声データの時系列からフレームを切り出すフレーム切り出し手段（例えば、入力信号切り出し部１０１）と、切り出されたフレームの特徴量を算出する特徴量算出手段（例えば、特徴量算出部１０２）と、特徴量との比較対象となる判定用閾値と、特徴量算出手段に算出された特徴量とを比較して、フレームが音声区間に該当するか非音声区間に該当するかを判定する判定手段（例えば、音声・非音声判定部１０４）と、同一の判定結果となったフレームの連続数が継続長閾値より小さい場合に、同一の判定結果となった連続しているフレームに対する判定結果を変更することにより、判定手段の判定結果を整形する判定結果整形手段（例えば、音声・非音声区間整形部１０７）とを備える構成が開示されている。
　また、上記の実施形態には、判定結果整形手段７４が、音声区間に該当すると判定されたフレームの連続数が第１の継続長閾値（例えば、音声継続長閾値）より小さい場合に、音声区間に該当すると判定された連続しているフレームに対する判定結果を非音声区間に変更し、非音声区間に該当すると判定されたフレームの連続数が第２の継続長閾値（例えば、非音声継続長閾値）より小さい場合に、非音声区間に該当すると判定された連続しているフレームに対する判定結果を音声区間に変更し、継続長閾値更新手段７６が、区間数算出手段７５が算出した音声区間数と正解音声区間数との差分が小さくなるように第１の継続長閾値を更新し（例えば、式（１）のように更新し）、区間数算出手段７５が算出した非音声区間数と正解非音声区間数との差分が小さくなるように第２の継続長閾値を更新する（例えば、式（２）のように更新する）構成が開示されている。
　また、上記の実施形態には、区間数算出手段７５が、連続して同じ判定結果となっている１つ以上のフレームからなる集合を一つの区間として音声区間数および非音声区間数を算出する構成が開示されている。
　また、上記の実施形態には、音声区間を誤って非音声区間と判定する第１のエラー率（例えば、ＦＲＲ）と、非音声区間を誤って音声区間とする第２のエラー率（例えば、ＦＡＲ）とを算出するエラー率算出手段（例えば、エラー率算出部２２０）と、第１のエラー率と第２のエラー率との比が所定の値に近づくように判定用閾値を更新する判定用閾値更新手段（例えば、閾値更新部２３０）とを備える構成が開示されている。
　また、上記の実施形態には、音声区間数および非音声区間数が既知の音声データを音として出力させる音声信号出力手段（例えば、音声信号出力部３６０）と、その音を音声信号に変換してフレーム切り出し手段に入力する音声信号入力手段（例えば、マイクロホン１６１および入力信号取得部１６０）とを備える構成が開示されている。実際に音声が入力される場面の雑音環境に適切な継続長閾値を定めることができる。
　以上、実施形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２００８年１２月１７日に出願された日本特許出願２００８－３２１５５１を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　本発明は、音声信号のフレームに対して音声区間に該当するか非音声区間に該当するかを判定する音声検出装置に好適に適用される。
　１００　音声検出部
　１０１　入力信号切り出し部
　１０２　特徴量算出部
　１０３　閾値記憶部
　１０４　音声・非音声判定部
　１０５　判定結果保持部
　１０６　区間整形ルール記憶部
　１０７　音声・非音声区間整形部
　１２０　サンプルデータ格納部
　１３０　正解音声・非音声区間数格納部
　１４０　音声・非音声区間数算出部
　１５０　区間整形ルール更新部
　１６０　入力信号取得部
　２１０　正解ラベル格納部
　２２０　エラー率算出部
　２３０　閾値更新部

Claims (18)

  1. 　音声区間数および非音声区間数が既知の音声データの時系列に対し、単位時間毎に音声もしくは非音声であると判定し、前記判定のうち連続して音声に該当すると判定された区間の長さもしくは連続して非音声に該当すると判定された区間の長さと継続長閾値とを比較して音声区間および非音声区間を整形する判定結果導出手段と、
    　前記整形後の判定結果から、音声区間および非音声区間の数を算出する区間数算出手段と、
    　区間数算出手段が算出した音声区間数と正解音声区間数との差分または区間数算出手段が算出した非音声区間数と正解非音声区間数との差分が小さくなるように、継続長閾値を更新する継続長閾値更新手段とを備える
    　ことを特徴とする音声検出装置。
  2. 　判定結果導出手段は、
    　音声データの時系列からフレームを切り出すフレーム切り出し手段と、
    　切り出されたフレームの特徴量を算出する特徴量算出手段と、
    　前記特徴量との比較対象となる判定用閾値と、特徴量算出手段に算出された特徴量とを比較して、前記フレームが音声区間に該当するか非音声区間に該当するかを判定する判定手段と、
    　同一の判定結果となったフレームの連続数が継続長閾値より小さい場合に、同一の判定結果となった連続している前記フレームに対する判定結果を変更することにより、判定手段の判定結果を整形する判定結果整形手段とを備える
    　請求項１に記載の音声検出装置。
  3. 　判定結果整形手段は、
    　音声区間に該当すると判定されたフレームの連続数が第１の継続長閾値より小さい場合に、音声区間に該当すると判定された連続している前記フレームに対する判定結果を非音声区間に変更し、非音声区間に該当すると判定されたフレームの連続数が第２の継続長閾値より小さい場合に、非音声区間に該当すると判定された連続している前記フレームに対する判定結果を音声区間に変更し、
    　継続長閾値更新手段は、
    　区間数算出手段が算出した音声区間数と正解音声区間数との差分が小さくなるように第１の継続長閾値を更新し、区間数算出手段が算出した非音声区間数と正解非音声区間数との差分が小さくなるように第２の継続長閾値を更新する
    　請求項２に記載の音声検出装置。
  4. 　区間数算出手段は、連続して同じ判定結果となっている１つ以上のフレームからなる集合を一つの区間として音声区間数および非音声区間数を算出する
    　請求項２または請求項３に記載の音声検出装置。
  5. 　音声区間を誤って非音声区間と判定する第１のエラー率と、非音声区間を誤って音声区間とする第２のエラー率とを算出するエラー率算出手段と、
    　第１のエラー率と第２のエラー率との比が所定の値に近づくように判定用閾値を更新する判定用閾値更新手段とを備える
    　請求項１から請求項４のうちのいずれか１項に記載の音声検出装置。
  6. 　音声区間数および非音声区間数が既知の音声データを音として出力させる音声信号出力手段と、
    　前記音を音声信号に変換して判定結果導出手段に入力する音声信号入力手段とを備える
    　請求項１から請求項５のうちのいずれか１項に記載の音声検出装置。
  7. 　音声区間数および非音声区間数が既知の音声データの時系列に対し、単位時間毎に音声もしくは非音声であると判定し、前記判定のうち連続して音声に該当すると判定された区間の長さもしくは連続して非音声に該当すると判定された区間の長さと継続長閾値とを比較して音声区間および非音声区間を整形し、
    　前記整形後の判定結果から、音声区間および非音声区間の数を算出し、
    　前記整形後の判定結果から算出した音声区間数と正解音声区間数との差分、または前記整形後の判定結果から算出した非音声区間数と正解非音声区間数との差分が小さくなるように、継続長閾値を更新する
    　ことを特徴とするパラメータ調整方法。
  8. 　音声データの時系列からフレームを切り出し、
    　切り出されたフレームの特徴量を算出し、
    　前記特徴量との比較対象となる判定用閾値と、算出した特徴量とを比較して、前記フレームが音声区間に該当するか非音声区間に該当するかを判定し、
    　同一の判定結果となったフレームの連続数が継続長閾値より小さい場合に、同一の判定結果となった連続している前記フレームに対する判定結果を変更することにより、判定結果を整形する
    　請求項７に記載のパラメータ調整方法。
  9. 　判定結果を整形するときに、
    　音声区間に該当すると判定されたフレームの連続数が第１の継続長閾値より小さい場合に、音声区間に該当すると判定された連続している前記フレームに対する判定結果を非音声区間に変更し、非音声区間に該当すると判定されたフレームの連続数が第２の継続長閾値より小さい場合に、非音声区間に該当すると判定された連続している前記フレームに対する判定結果を音声区間に変更し、
    　継続長閾値を更新するときに、
    　算出した音声区間数と正解音声区間数との差分が小さくなるように第１の継続長閾値を更新し、算出した非音声区間数と正解非音声区間数との差分が小さくなるように第２の継続長閾値を更新する
    　請求項８に記載のパラメータ調整方法。
  10. 　音声区間数および非音声区間数を算出するときに、
    　連続して同じ判定結果となっている１つ以上のフレームからなる集合を一つの区間として音声区間数および非音声区間数を算出する
    　請求項８または請求項９に記載のパラメータ調整方法。
  11. 　音声区間を誤って非音声区間と判定する第１のエラー率と、非音声区間を誤って音声区間とする第２のエラー率とを算出し、
    　第１のエラー率と第２のエラー率との比が所定の値に近づくように判定用閾値を更新する
    　請求項７から請求項１０のうちのいずれか１項に記載のパラメータ調整方法。
  12. 　音声区間数および非音声区間数が既知の音声データを音として出力させ、
    　前記音を音声信号に変換する
    　請求項７から請求項１１のうちのいずれか１項に記載のパラメータ調整方法。
  13. 　コンピュータに、
    　音声区間数および非音声区間数が既知の音声データの時系列に対し、単位時間毎に音声もしくは非音声であると判定し、前記判定のうち連続して音声に該当すると判定された区間の長さもしくは連続して非音声に該当すると判定された区間の長さと継続長閾値とを比較して音声区間および非音声区間を整形する判定結果導出処理、
    　前記整形後の判定結果から、音声区間および非音声区間の数を算出する区間数算出処理、および、
    　区間数算出処理で算出した音声区間数と正解音声区間数との差分または区間数算出処理で算出した非音声区間数と正解非音声区間数との差分が小さくなるように、継続長閾値を更新する継続長閾値更新処理
    　を実行させるための音声検出プログラム。
  14. 　コンピュータに、
    　判定結果導出処理で、
    　音声データの時系列からフレームを切り出すフレーム切り出し処理、
    　切り出されたフレームの特徴量を算出する特徴量算出処理、
    　前記特徴量との比較対象となる判定用閾値と、特徴量算出処理で算出した特徴量とを比較して、前記フレームが音声区間に該当するか非音声区間に該当するかを判定する判定処理、および、
    　同一の判定結果となったフレームの連続数が継続長閾値より小さい場合に、同一の判定結果となった連続している前記フレームに対する判定結果を変更することにより、判定処理の判定結果を整形する判定結果整形処理を実行させる
    　請求項１３に記載の音声検出プログラム。
  15. 　コンピュータに、
    　判定結果整形処理で、
    　音声区間に該当すると判定されたフレームの連続数が第１の継続長閾値より小さい場合に、音声区間に該当すると判定された連続している前記フレームに対する判定結果を非音声区間に変更させ、非音声区間に該当すると判定されたフレームの連続数が第２の継続長閾値より小さい場合に、非音声区間に該当すると判定された連続している前記フレームに対する判定結果を音声区間に変更させ、
    　継続長閾値更新処理で、
    　区間数算出処理で算出した音声区間数と正解音声区間数との差分が小さくなるように第１の継続長閾値を更新させ、区間数算出処理で算出した非音声区間数と正解非音声区間数との差分が小さくなるように第２の継続長閾値を更新させる
    　請求項１４に記載の音声検出プログラム。
  16. 　コンピュータに、
    　区間数算出処理で、連続して同じ判定結果となっている１つ以上のフレームからなる集合を一つの区間として音声区間数および非音声区間数を算出させる
    　請求項１４または請求項１５に記載の音声検出プログラム。
  17. 　コンピュータに、
    　音声区間を誤って非音声区間と判定する第１のエラー率と、非音声区間を誤って音声区間とする第２のエラー率とを算出するエラー率算出処理、および、
    　第１のエラー率と第２のエラー率との比が所定の値に近づくように判定用閾値を更新する判定用閾値更新処理
    　を実行させる請求項１３から請求項１６のうちのいずれか１項に記載の音声検出プログラム。
  18. 　コンピュータに、
    　音声区間数および非音声区間数が既知の音声データを音としてスピーカに出力させる音声信号出力処理、および、
    　前記音を音声信号に変換する音声変換処理
    　を実行させる請求項１３から請求項１７のうちのいずれか１項に記載の音声検出プログラム。
PCT/JP2009/006666 2008-12-17 2009-12-07 音声検出装置、音声検出プログラムおよびパラメータ調整方法 WO2010070840A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US13/140,364 US8812313B2 (en) 2008-12-17 2009-12-07 Voice activity detector, voice activity detection program, and parameter adjusting method
JP2010542839A JP5299436B2 (ja) 2008-12-17 2009-12-07 音声検出装置、音声検出プログラムおよびパラメータ調整方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2008321551 2008-12-17
JP2008-321551 2008-12-17

Publications (1)

Publication Number Publication Date
WO2010070840A1 true WO2010070840A1 (ja) 2010-06-24

Family

ID=42268522

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/006666 WO2010070840A1 (ja) 2008-12-17 2009-12-07 音声検出装置、音声検出プログラムおよびパラメータ調整方法

Country Status (3)

Country Link
US (1) US8812313B2 (ja)
JP (1) JP5299436B2 (ja)
WO (1) WO2010070840A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012020717A1 (ja) * 2010-08-10 2012-02-16 日本電気株式会社 音声区間判定装置、音声区間判定方法および音声区間判定プログラム
JP2013182150A (ja) * 2012-03-02 2013-09-12 National Institute Of Information & Communication Technology 発話区間検出装置及び発話区間検出のためのコンピュータプログラム
WO2015059947A1 (ja) * 2013-10-22 2015-04-30 日本電気株式会社 音声検出装置、音声検出方法及びプログラム
WO2015059946A1 (ja) * 2013-10-22 2015-04-30 日本電気株式会社 音声検出装置、音声検出方法及びプログラム
JP2017102612A (ja) * 2015-11-30 2017-06-08 富士通株式会社 情報処理装置、活動状態検出プログラムおよび活動状態検出方法
WO2024084998A1 (ja) * 2022-10-19 2024-04-25 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 音響処理装置及び音響処理方法

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103167066A (zh) * 2011-12-16 2013-06-19 富泰华工业（深圳）有限公司 手机及其噪声检测方法
CN103716470B (zh) * 2012-09-29 2016-12-07 华为技术有限公司 语音质量监控的方法和装置
WO2014127543A1 (en) * 2013-02-25 2014-08-28 Spreadtrum Communications(Shanghai) Co., Ltd. Detecting and switching between noise reduction modes in multi-microphone mobile devices
FR3014237B1 (fr) * 2013-12-02 2016-01-08 Adeunis R F Procede de detection de la voix
KR20150105847A (ko) * 2014-03-10 2015-09-18 삼성전기주식회사 음성구간 검출 방법 및 장치
CN105100508B (zh) * 2014-05-05 2018-03-09 华为技术有限公司 一种网络语音质量评估方法、装置和系统
CN104168394B (zh) * 2014-06-27 2017-08-25 国家电网公司 一种呼叫中心抽样质检方法及系统
CN108550371B (zh) * 2018-03-30 2021-06-01 云知声智能科技股份有限公司 智能语音交互设备快速稳定的回声消除方法
US10892772B2 (en) * 2018-08-17 2021-01-12 Invensense, Inc. Low power always-on microphone using power reduction techniques
CN109360585A (zh) * 2018-12-19 2019-02-19 晶晨半导体(上海)股份有限公司 一种语音激活检测方法
JP7347520B2 (ja) * 2019-09-27 2023-09-20 日本電気株式会社 音信号処理装置、音信号処理方法および音信号処理プログラム
CN112235469A (zh) * 2020-10-19 2021-01-15 上海电信科技发展有限公司 人工智能呼叫中心录音质检的方法及系统
US11848019B2 (en) * 2021-06-16 2023-12-19 Hewlett-Packard Development Company, L.P. Private speech filterings

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62223798A (ja) * 1986-03-25 1987-10-01 株式会社リコー 音声認識装置
JP2004510209A (ja) * 2000-09-29 2004-04-02 テレフオンアクチーボラゲット　エル　エム　エリクソン（パブル） 発声された番号シーケンスの分析方法及び装置
JP2005017932A (ja) * 2003-06-27 2005-01-20 Nissan Motor Co Ltd 音声認識装置および音声認識用プログラム
JP2006209069A (ja) * 2004-12-28 2006-08-10 Advanced Telecommunication Research Institute International 音声区間検出装置および音声区間検出プログラム
JP2008151840A (ja) * 2006-12-14 2008-07-03 Nippon Telegr & Teleph Corp <Ntt> 仮音声区間決定装置、方法、プログラム及びその記録媒体、音声区間決定装置
JP2008170789A (ja) * 2007-01-12 2008-07-24 Raytron:Kk 音声区間検出装置および音声区間検出方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0731509B2 (ja) * 1986-07-08 1995-04-10 株式会社日立製作所 音声分析装置
US6889187B2 (en) * 2000-12-28 2005-05-03 Nortel Networks Limited Method and apparatus for improved voice activity detection in a packet voice network
US7454010B1 (en) * 2004-11-03 2008-11-18 Acoustic Technologies, Inc. Noise reduction and comfort noise gain control using bark band weiner filter and linear attenuation
JP2007017620A (ja) 2005-07-06 2007-01-25 Kyoto Univ 発話区間検出装置、そのためのコンピュータプログラム及び記録媒体
JP4563418B2 (ja) 2007-03-27 2010-10-13 株式会社コナミデジタルエンタテインメント 音声処理装置、音声処理方法、ならびに、プログラム
GB2450886B (en) * 2007-07-10 2009-12-16 Motorola Inc Voice activity detector and a method of operation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62223798A (ja) * 1986-03-25 1987-10-01 株式会社リコー 音声認識装置
JP2004510209A (ja) * 2000-09-29 2004-04-02 テレフオンアクチーボラゲット　エル　エム　エリクソン（パブル） 発声された番号シーケンスの分析方法及び装置
JP2005017932A (ja) * 2003-06-27 2005-01-20 Nissan Motor Co Ltd 音声認識装置および音声認識用プログラム
JP2006209069A (ja) * 2004-12-28 2006-08-10 Advanced Telecommunication Research Institute International 音声区間検出装置および音声区間検出プログラム
JP2008151840A (ja) * 2006-12-14 2008-07-03 Nippon Telegr & Teleph Corp <Ntt> 仮音声区間決定装置、方法、プログラム及びその記録媒体、音声区間決定装置
JP2008170789A (ja) * 2007-01-12 2008-07-24 Raytron:Kk 音声区間検出装置および音声区間検出方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012020717A1 (ja) * 2010-08-10 2012-02-16 日本電気株式会社 音声区間判定装置、音声区間判定方法および音声区間判定プログラム
JPWO2012020717A1 (ja) * 2010-08-10 2013-10-28 日本電気株式会社 音声区間判定装置、音声区間判定方法および音声区間判定プログラム
JP5725028B2 (ja) * 2010-08-10 2015-05-27 日本電気株式会社 音声区間判定装置、音声区間判定方法および音声区間判定プログラム
US9293131B2 (en) 2010-08-10 2016-03-22 Nec Corporation Voice activity segmentation device, voice activity segmentation method, and voice activity segmentation program
JP2013182150A (ja) * 2012-03-02 2013-09-12 National Institute Of Information & Communication Technology 発話区間検出装置及び発話区間検出のためのコンピュータプログラム
WO2015059947A1 (ja) * 2013-10-22 2015-04-30 日本電気株式会社 音声検出装置、音声検出方法及びプログラム
WO2015059946A1 (ja) * 2013-10-22 2015-04-30 日本電気株式会社 音声検出装置、音声検出方法及びプログラム
JPWO2015059946A1 (ja) * 2013-10-22 2017-03-09 日本電気株式会社 音声検出装置、音声検出方法及びプログラム
JPWO2015059947A1 (ja) * 2013-10-22 2017-03-09 日本電気株式会社 音声検出装置、音声検出方法及びプログラム
JP2017102612A (ja) * 2015-11-30 2017-06-08 富士通株式会社 情報処理装置、活動状態検出プログラムおよび活動状態検出方法
WO2024084998A1 (ja) * 2022-10-19 2024-04-25 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 音響処理装置及び音響処理方法

Also Published As

Publication number Publication date
JP5299436B2 (ja) 2013-09-25
US20110251845A1 (en) 2011-10-13
JPWO2010070840A1 (ja) 2012-05-24
US8812313B2 (en) 2014-08-19

Similar Documents

Publication Publication Date Title
JP5299436B2 (ja) 音声検出装置、音声検出プログラムおよびパラメータ調整方法
JP5621783B2 (ja) 音声認識システム、音声認識方法および音声認識プログラム
US8315856B2 (en) Identify features of speech based on events in a signal representing spoken sounds
CN101399039B (zh) 一种确定非噪声音频信号类别的方法及装置
JP5949550B2 (ja) 音声認識装置、音声認識方法、及びプログラム
EP3910630A1 (en) Transient speech or audio signal encoding method and device, decoding method and device, processing system and computer-readable storage medium
JP2005043666A (ja) 音声認識装置
JP5234117B2 (ja) 音声検出装置、音声検出プログラムおよびパラメータ調整方法
EP2927906B1 (en) Method and apparatus for detecting voice signal
US20110238417A1 (en) Speech detection apparatus
CN101625858B (zh) 语音端点检测中短时能频值的提取方法
US8942977B2 (en) System and method for speech recognition using pitch-synchronous spectral parameters
CN108986844B (zh) 一种基于说话人语音特征的语音端点检测方法
JP5621786B2 (ja) 音声検出装置、音声検出方法、および音声検出プログラム
US8103512B2 (en) Method and system for aligning windows to extract peak feature from a voice signal
EP1489597B1 (en) Vowel recognition device
WO2009055701A1 (en) Processing of a signal representing speech
EP0537316B1 (en) Speaker recognition method
JP2004145154A (ja) 音高音価決定方法およびその装置と、音高音価決定プログラムおよびそのプログラムを記録した記録媒体
JP4524866B2 (ja) 音声認識装置、及び音声認識方法
JP2005070377A (ja) 音声認識装置、音声認識方法及び音声認識処理プログラム
JP2003280678A (ja) 音声認識装置
Hagmüller et al. Poincaré sections for pitch mark determination in dysphonic speech
Kubin et al. Voice Analysis-Poincaré Sections for Pitch Mark Determination in Dysphonic Speech
JP2006071956A (ja) 音声信号処理装置及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09833150

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2010542839

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 13140364

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 09833150

Country of ref document: EP

Kind code of ref document: A1