WO2013132926A1 - 雑音推定装置、雑音推定方法、雑音推定プログラム及び記録媒体 - Google Patents

雑音推定装置、雑音推定方法、雑音推定プログラム及び記録媒体 Download PDF

Info

Publication number
WO2013132926A1
WO2013132926A1 PCT/JP2013/051980 JP2013051980W WO2013132926A1 WO 2013132926 A1 WO2013132926 A1 WO 2013132926A1 JP 2013051980 W JP2013051980 W JP 2013051980W WO 2013132926 A1 WO2013132926 A1 WO 2013132926A1
Authority
WO
WIPO (PCT)
Prior art keywords
speech
signal
variance
noise
current frame
Prior art date
Application number
PCT/JP2013/051980
Other languages
English (en)
French (fr)
Inventor
メレツ ソウデン
慶介 木下
中谷　智広
マーク デルクロア
拓也 吉岡
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to JP2014503716A priority Critical patent/JP5842056B2/ja
Priority to US14/382,673 priority patent/US9754608B2/en
Publication of WO2013132926A1 publication Critical patent/WO2013132926A1/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
    • 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
    • G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
    • 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
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/60—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for measuring the quality 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
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0232—Processing in the frequency domain
    • 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
    • G10L21/0272—Voice signal separating
    • G10L21/0308—Voice signal separating characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
    • 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
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • 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
    • G10L25/93—Discriminating between voiced and unvoiced parts of speech 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
    • 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
    • G10L25/84—Detection of presence or absence of voice signals for discriminating voice from noise

Definitions

  • the present invention relates to a technique for estimating a noise component contained in an acoustic signal observed with noise (hereinafter also referred to as “observed acoustic signal”) using only information contained in the observed acoustic signal.
  • the symbol “ ⁇ ” etc. used in the text should be described immediately above the immediately preceding character, but it is described immediately after the character due to text notation restrictions. In the formula, these symbols are written in their original positions.
  • the sound signal is originally observed as a signal in which noise is superimposed on the sound to be collected (hereinafter also referred to as “desired sound”).
  • the desired sound is speech
  • the clarity of speech included in the observed acoustic signal is greatly reduced due to the influence of superimposed noise. This makes it difficult to extract the nature of the original desired sound, and the recognition rate of an automatic speech recognition (hereinafter simply referred to as “speech recognition”) system is significantly reduced.
  • Non-Patent Document 1 improved minima-controlled recursive averaging (hereinafter referred to as “IMCRA”) described in Non-Patent Document 1 is known.
  • IMCRA improved minima-controlled recursive averaging
  • an observed acoustic signal (hereinafter simply referred to as “observed signal”) yn observed at time n includes a desired sound component and a noise component.
  • Each called desired signal and the noise signal a signal corresponding to the desired sound components and noise components, represented by x n and v n.
  • the purpose of the speech enhancement process is to recover the desired signal x n based on the observed signal y n.
  • y n, x n, v signals respectively Y k after short-time Fourier transform of n, and t, X k, t, V k, a t, k is 1, 2, ..., the frequency index that takes a value of K ( Assuming that K is the total number of frequency bands, the observation signal in the current frame t is expressed as follows.
  • the frequency index k is omitted for simplicity. It is also assumed that the desired signal follows a complex Gaussian distribution with mean 0 and variance ⁇ x 2 , and the noise signal has mean 0 and variance ⁇ v 2 .
  • the observation signal includes a section where the desired sound is present (hereinafter referred to as “voice presence section”) and a section where the desired sound is not present (hereinafter referred to as “voice absence section”).
  • voice presence section a section where the desired sound is present
  • voice absence section a section where the desired sound is not present
  • the minimum value tracking type noise estimation unit 91 estimates the characteristic (power spectrum) of the noise signal by obtaining the minimum value in a certain time section of the power spectrum of the observation signal ( Non-patent document 2).
  • the speech absence prior probability estimation unit 92 obtains a ratio between the estimated power spectrum of the noise signal and the power spectrum of the observation signal, and if the ratio is smaller than a certain threshold, the speech absence absence is determined according to the operation principle of the speech absence interval. Find prior probabilities.
  • the speech absence posterior probability estimation unit 93 uses the calculated voice absence posterior probability p (H 0
  • the probability ⁇ 0, i IMCRA is obtained.
  • the noise estimator 94 the calculated speech absence posterior probability ⁇ 0, i IMCRA , the power spectrum of the observation signal of the current frame
  • the calculated speech absence prior probability, speech absent posterior probability, and estimated noise signal variance are calculated based on a likelihood maximization criterion, which is a commonly used optimization criterion. It is determined by a combination of parameters adjusted based on empirical rules. Therefore, there is a problem that the estimated value of the variance value of the noise signal finally obtained is not always optimal, but is suboptimal based on an empirical rule. When the estimated value of the variance value of the noise signal successively estimated is sub-optimal, it cannot be estimated while following the noise characteristic change that changes every moment. As a result, it was difficult to finally obtain high noise removal performance.
  • the noise estimation device uses a complex spectrum of a plurality of observation signals in the frames up to the present time, and represents the Gaussian distribution of each frame.
  • Logarithmic likelihood of the observed signal model in the speech presence interval and the speech a posteriori probability, and the log likelihood and speech absence posterior of the observed signal model in the speech absence interval represented by the Gaussian distribution of each frame The variance value of the noise signal is obtained so that the value obtained by weighting and adding the sum of the probability and the multiplication value becomes larger.
  • a noise estimation method is represented by a Gaussian distribution of each frame using a complex spectrum of a plurality of observation signals in the frames up to now.
  • Logarithmic likelihood of the observed signal model in the speech presence interval and the speech a posteriori probability, and the log likelihood and speech absence posterior of the observed signal model in the speech absence interval represented by the Gaussian distribution of each frame The variance value of the noise signal is obtained so that the value obtained by weighting and adding the sum of the probability and the multiplication value becomes larger.
  • a noise component that changes from moment to moment can be estimated using a likelihood maximization criterion.
  • the functional block diagram of the noise estimation apparatus of a prior art The functional block diagram of the noise estimation apparatus which concerns on 1st embodiment.
  • alteration white noise environment The figure which shows the evaluation result at the time of comparing the noise estimation apparatus which concerns on 1st embodiment and a prior art in bubble noise environment.
  • FIG. 2 is a functional block diagram of the noise estimation apparatus 10, and FIG. 3 shows its processing flow.
  • the noise estimation device 10 includes a likelihood maximization unit 110 and a storage unit 120.
  • the likelihood maximization unit 110 starts receiving the complex spectrum Y i of the observation signal of the first frame (s1), it initializes each parameter as follows (s2).
  • ⁇ and ⁇ are arbitrary values between 0 and 1, and are set in advance. Details of other parameters will be described later.
  • Likelihood maximization unit 110 receives the complex spectrum Y i of the observed signal in the current frame i, in order to sequentially estimate the variance sigma v, i 2 of the noise signal in the current frame i, the current Speech absence posterior probability ⁇ 0, i-1 , speech presence posterior probability ⁇ 1, i-1 , speech absence prior probability ⁇ 0, i-1 , speech presence estimated in frame (i-1) immediately before frame i
  • the prior probabilities ⁇ 1, i ⁇ 1 , the observed signal variance ⁇ y, i ⁇ 1 2 and the noise signal variance ⁇ v, i ⁇ 1 2 are extracted from the storage unit 120 (s3), and from these values (however, When the complex spectrum Y i of the observation signal of the first frame is received, the complex spectrum Y 0 of the observation signal up to the current frame i is not extracted from the storage unit 120 but from the initial value in (A) above.
  • each frame (T 0,1, ..., i ) the log-likelihood of the model of the observed signal of the speech presence intervals represented by a Gaussian distribution of log [ ⁇ 1 p (Y t
  • the variance values ⁇ v, i 2 of the noise signal and the variance values ⁇ x, i 2 of the desired signal are obtained (s4) and stored in the storage unit 120 (s5).
  • the noise estimation device 10 outputs a variance value ⁇ v, i 2 of the noise signal.
  • ⁇ is a forgetting factor and is a parameter set in advance in the range of 0 ⁇ ⁇ 1. Therefore, the weighting factor lambda it is as the difference between the current frame i and the previous frame t is greater value decreases.
  • ⁇ Parameter estimation method for likelihood maximization criterion Deriving an algorithm for estimating the above-mentioned parameters using the likelihood maximization criterion.
  • ⁇ 1 P (H 1 )
  • the parameter vector ⁇ [ ⁇ v 2 , ⁇ x 2 ], respectively.
  • speech existence posterior probability ⁇ 1, t ( ⁇ 0 , ⁇ ) p (H 1
  • Y t ; ⁇ 0 , ⁇ ) and speech absence posterior probability ⁇ 0, t ( ⁇ 0 , ⁇ ) p (H 0
  • Y t ; ⁇ 0 , ⁇ ) can be defined as follows.
  • s is a variable that takes a value of 0 or 1.
  • the auxiliary function Q ( ⁇ 0 , ⁇ ) E ⁇ log [p (Y t , H; ⁇ 0 , ⁇ )]
  • E ⁇ • ⁇ is an expected value calculation function.
  • Formula (10) can be expanded as follows.
  • ⁇ 0, i is defined as the accidental forgetting factor as follows.
  • ⁇ 1, i is defined as the forgetting factor of the event as follows.
  • FIG. 4 is a functional block diagram of the likelihood maximizing unit 110, and FIG. 5 shows a processing flow thereof.
  • the likelihood maximization unit 110 includes an observation signal variance estimation unit 111, a posterior probability estimation unit 113, a prior probability estimation unit 115, and a noise signal variance estimation unit 117.
  • the observed signal variance estimation unit 111 determines the current frame i based on the speech existence posterior probability ⁇ 1, i-1 ( ⁇ 0, i-2 , ⁇ i-2 ) estimated in the immediately preceding frame (i-1).
  • the weighted addition of the complex spectrum Y i of the observed signal at and the second variance ⁇ 2 y, i-1,2 of the observed signal estimated in the frame (i ⁇ 1) immediately before the current frame i Estimate the first variance ⁇ 2 y, i, 1 of the observed signal in the current frame i.
  • the second variance value ⁇ 2 y, i ⁇ 1,2 of the observation signal and using these values, the first variance value ⁇ 2 y, i, 1 of the observation signal in the current frame i is obtained.
  • the observed signal variance estimation unit 111 determines the observed signal in the current frame i based on the speech existence posterior probability ⁇ 1, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) estimated in the current frame i.
  • the complex spectrum Y i and the second variance value ⁇ 2 y, i ⁇ 1,2 of the observed signal estimated in the frame (i ⁇ 1) immediately before the current frame i are weighted and added, and the current frame i
  • the second variance value ⁇ 2 y, i, 2 of the observation signal at is estimated.
  • the speech existence posterior probability ⁇ 1, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) estimated in the current frame i is received, and the second variance value ⁇ 2 y, i, 2
  • the observed signal variance estimation unit 111 uses the speech existence posterior probabilities ⁇ 1, i-1 ( ⁇ 0, i-2 , ⁇ i-2 ) estimated in the immediately preceding frame (i-1) to The variance value ⁇ 2 y, i, 1 is estimated, and the second variance value ⁇ is used by using the speech existence posterior probability ⁇ 1, i ( ⁇ 0, i-1 , ⁇ i-1 ) estimated in the current frame i. 2 Estimate y, i, 2 .
  • the observed signal variance estimation unit 111 stores the second variance value ⁇ 2 y, i, 2 in the storage unit 120 as the variance value ⁇ 2 y, i in the current frame i.
  • the posterior probability estimation unit 113 includes the complex spectrum Y i of the observed signal and the first variance ⁇ 2 y, i, 1 of the observed signal in the current frame i and the presence of the speech estimated in the immediately preceding frame (i ⁇ 1). Using the prior probability ⁇ 1, i ⁇ 1 and the speech absence prior probability ⁇ 0, i ⁇ 1 , the speech existence posterior probability ⁇ 1, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) for the current frame i And the speech absence a posteriori probability ⁇ 0, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) is estimated.
  • the complex spectrum Y i of the observation signal in the current frame i and the first variance ⁇ 2 y, i, 1 of the observation signal and the speech existence prior probability ⁇ 1, estimated in the immediately preceding frame (i ⁇ 1) . i ⁇ 1 , a speech absence prior probability ⁇ 0, i ⁇ 1, and a noise signal variance ⁇ 2 v, i ⁇ 1 are received, and using these values, a speech presence posterior probability ⁇ 1,1 for the current frame i is received .
  • the voice presence posterior probability ⁇ 1, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) and the voice absence posterior probability ⁇ 0, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) are stored in the storage unit 120. Store.
  • the prior probability estimation unit 115 calculates values obtained by weighting and adding the speech existence posterior probabilities and speech absence posterior probabilities estimated up to the current frame i (see Expression (10)), and the speech existence prior probabilities ⁇ 1, i and a speech absence prior probability ⁇ 0, i are estimated. For example, the speech existence posterior probability ⁇ 1, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) and the speech absence posterior probability ⁇ 0, i ( ⁇ 0, i ⁇ 1 , ⁇ i ) estimated in the current frame i. ⁇ 1 ) and using these values, the speech presence prior probability ⁇ 1, i and the speech absence prior probability ⁇ 0, i
  • Equation (10), c s, i may be determined, in which case, all speech presence posterior probability eta 1, 0 up to the current frame, ⁇ 1,1, ..., ⁇ 1 , i and Since it is necessary to add the weighted posterior probabilities ⁇ 0,0 , ⁇ 0,1 ,..., ⁇ 0, i with ⁇ i ⁇ t , the amount of calculation increases.
  • noise signal variance estimation unit 117 The noise signal variance estimation unit 117, based on the speech absence posterior probability estimated in the current frame i, the complex spectrum Y i of the observed signal in the current frame i and the frame (i ⁇ 1) immediately before the current frame i. variance sigma 2 v of the estimated noise signal in, by weighted addition of the i-1, to estimate the variance sigma 2 v, i of the noise signal in the current frame i.
  • the noise signal variance ⁇ 2 v, i ⁇ 1 estimated in step S 1 is obtained.
  • the observed signal variance estimation unit 111 uses the speech existence posterior probability ⁇ 1, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) estimated in the current frame i after the processing of the posterior probability estimation unit 113. The above s45 is performed.
  • a noise component that changes from moment to moment can be sequentially estimated using a likelihood maximization criterion. As a result, it is expected that followability to time-varying noise is improved and noise removal with high accuracy can be performed.
  • noise Two types of noise, artificially modulated white noise and bubble noise (personnel noise), were prepared to simulate the noise environment.
  • Modulated white noise is highly time-varying noise whose characteristics change over time, and valve noise is low-time-varying noise whose characteristics change relatively slowly.
  • These noises were mixed with clean speech at several SNRs to test the performance of noise estimation and denoising.
  • a noise removal method a spectrum subtraction method (reference document) is obtained by subtracting the power spectrum of the noise signal estimated using the first embodiment from the power spectrum of the observation signal to obtain a power spectrum from which the noise signal is removed. 2) was used.
  • Non-Patent Document 3 a combination with a noise removal method (see Non-Patent Document 3 etc.) that requires a power spectrum estimation value of a noise signal for noise removal is possible.
  • Reference 2 P. Loizou, "Speech Enhancement: Theory and Practice", CRC Press, Boca Raton, 2007 (Reference 3) Y. Ephraim, D. Malah, "Speech enhancement using a minimum mean square error short-time spectral amplitude estimator", IEEE Trans. Acoust., Speech, Sig. Process., Dec.1984, vol. ASSP -32, pp. 1109-1121
  • FIG. 6 shows the noise sequential estimation performance by the noise estimation apparatus 10 according to the first embodiment and the noise estimation apparatus 90 of the prior art.
  • the SNR at this time was 10 dB. From FIG. 6, the noise estimation device 10 can effectively and sequentially estimate the noise that changes from moment to moment, while the noise estimation device 90 cannot follow the rapid change in noise and greatly misestimates the estimation. I understand.
  • FIG. 7 shows a speech waveform when noise estimation processing is performed by the noise estimation device 10 and the noise estimation device 90 and noise is removed using the estimated variance value of the noise signal.
  • A is a waveform of a clean speech
  • (b) is a speech waveform on which modulated white noise is superimposed
  • (c) is a speech waveform when noise estimation processing is performed by the noise estimation device 10 and noise is removed.
  • D shows the waveform of speech when noise estimation processing is performed by the noise estimation device 90 and noise is removed. It can be seen that (c) has less residual noise than (d).
  • 8 and 9 show the evaluation results when the noise estimation device 10 and the noise estimation device 90 are compared under the modulated white noise and bubble noise environments, respectively.
  • ⁇ 1, i-1 is calculated in the process (s41) of obtaining the first variance value ⁇ 2 y, i, 1 , but the second variance value is obtained in the immediately preceding frame (i-1).
  • ⁇ 1, i-1 calculated in the process (s45) of obtaining ⁇ 2 y, i-1 , 2 may be stored and used. In that case, the speech existence posterior probability ⁇ 1, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) and the speech absence posterior probability ⁇ 0, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) are stored. It is not necessary to store in the unit 120.
  • c 0, i is calculated in the process (s44) of obtaining the variance value ⁇ 2 v, i , but c calculated in the process (s43) of obtaining the prior probability in the prior probability estimation unit 115. 0 and i may be received and used.
  • c 1, i is calculated in the process (s45) of obtaining the second variance value ⁇ 2 y, i, 2 , but is calculated in the process (s43) of obtaining the prior probability in the prior probability estimation unit 115.
  • C 1, i may be received and used.
  • the first variance value ⁇ 2 y, i, 1 and the second variance value ⁇ 2 y, i, 2 are estimated by the observation signal variance estimation unit 111, but the observation signal variance estimation unit 111 is used instead.
  • the first observation signal variance estimation unit and the second observation signal variance estimation unit are provided, and the first variance value ⁇ 2 y, i, 1 and the second variance value ⁇ 2 y, i, 2 are set as the first observation signal variance, respectively. It is good also as a structure estimated in an estimation part and a 2nd observation signal dispersion
  • the observation signal variance estimation unit 111 includes a first observation signal variance estimation unit and a second observation signal variance estimation unit.
  • the first variance value ⁇ 2 y, i, 1 may not be estimated (s41).
  • a functional block diagram of likelihood maximization section 110 in that case is shown in FIG. 10, and its processing flow is shown in FIG.
  • the variance value of the observation signal in the current frame i is represented as ⁇ 2 y, i .
  • posterior probability estimation unit 113 a first variance value sigma 2 y, in place of i, 1, estimated using variance sigma 2 y in the previous frame (i-1), the i-1.
  • the speech existence posterior probability ⁇ 1, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) and the speech absence posterior probability ⁇ 0, i ( ⁇ 0, i ⁇ 1 , ⁇ i ⁇ 1 ) are stored.
  • the likelihood maximization unit 110 performs speech presence prior probability ⁇ 1, i , speech absence prior probability ⁇ 0, i , speech absence posterior probability ⁇ 0, i , speech presence posterior in the current frame i.
  • the variance of the probability ⁇ 1, i and the desired signal variance ⁇ x, i 2 is obtained.
  • each parameter estimated in the frame (i-1) immediately before the current frame i is extracted from the storage unit 120, but it is not necessarily the frame (i-1) immediately before.
  • each parameter estimated in any past frame (i ⁇ ) may be extracted from the storage unit 120 and used.
  • ⁇ is an integer of 1 or more.
  • the observed signal variance estimation unit 111 uses the parameters ⁇ 0, i ⁇ 2 , ⁇ i ⁇ 2 estimated in the immediately preceding frame (i ⁇ 2) to estimate in the immediately preceding frame (i ⁇ 1).
  • the first variance value ⁇ 2 y, i, 1 of the observed signal in the current frame i is estimated based on the voice existence posterior probability ⁇ 1, i-1 ( ⁇ 0, i-2 , ⁇ i-2 ).
  • the frame (i ⁇ ) speech presence posterior probability eta 1 was estimated at, i- ⁇ ( ⁇ 0, i- ⁇ ', ⁇ i- ⁇ ') based on the first variance value sigma 2 y of the observed signal in the current frame i, i, 1 may be estimated.
  • ⁇ ′ is an integer larger than ⁇ .
  • Q i ( ⁇ 0 , ⁇ ) may be obtained by using all the values of the complex spectrum Y 0 , Y 1 ,..., Y i of the observation signal up to the current frame i. ( ⁇ 0 , ⁇ ) (indirectly up to the immediately preceding frame (i ⁇ 1)) using Q i ⁇ 1 obtained in the frame (i ⁇ 1) and the complex spectrum Y i of the observation signal of the current frame i Complex spectrum Y 0 , Y 1 ,..., Y i-1 )
  • Each parameter may be obtained so that is maximized. Therefore, Q i ( ⁇ 0 , ⁇ ) may be obtained using at least the complex spectrum Y i of the observation signal of the current frame. Further, in s4 of the present embodiment, each parameter is obtained so that Q i ( ⁇ 0 , ⁇ ) is maximized. However, it is not always necessary to maximize it, and the log likelihood before update is not necessarily required.
  • the noise estimation apparatus described above can also be functioned by a computer.
  • each process of a program for causing a computer to function as a target device (a device having the functional configuration shown in the drawings in various embodiments) or a process procedure (shown in each embodiment) is processed by the computer.
  • a program to be executed by the computer may be downloaded from a recording medium such as a CD-ROM, a magnetic disk, or a semiconductor storage device or into the computer via a communication line, and the program may be executed.
  • the present invention can be used as an element technology of various acoustic signal processing systems. By using the present invention, it is a technique that leads to an improvement in the performance of the entire system. For example, the following can be enumerated as a system in which the estimation processing of the noise component included in the spoken speech signal can contribute to performance improvement as an elemental technology.
  • the voice recorded in the real environment always includes noise, but the following system is an example that is assumed to be used in such a situation. 1.
  • a speech recognition system used in a real environment. 2.
  • a machine control interface that gives commands to a machine in response to sounds emitted by a person, and a machine-to-human dialogue device. 3.
  • a music information processing system that removes noise superimposed on music played by a person, singing, playing a musical instrument, or playing a speaker, and searching for music or recording music. 4).
  • a voice call system that removes the noise superimposed on the collected sound collected by the microphone and plays it back on the speaker at the other end.

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)
  • Quality & Reliability (AREA)
  • Noise Elimination (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

　時々刻々と変化する雑音成分を尤度最大化基準で推定する雑音推定装置を提供する。雑音推定装置は、現在までのフレームのうちの複数の観測信号の複素スペクトルを用いて、各フレームのガウス分布で表される音声存在区間の観測信号のモデルの対数尤度と音声存在事後確率との乗算値と、各フレームのガウス分布で表される音声不在区間の観測信号のモデルの対数尤度と音声不在事後確率との乗算値との和を重み付け加算した値が、大きくなるように雑音信号の分散値を求める。

Description

雑音推定装置、雑音推定方法、雑音推定プログラム及び記録媒体
　本発明は、雑音を伴って観測された音響信号（以下「観測音響信号」ともいう）に含まれる雑音成分を、その観測音響信号に含まれる情報のみを用いて推定する技術に関する。
　以下の説明において、テキスト中で使用する記号「~」等は、本来直前の文字の真上に記載されるべきものであるが、テキスト記法の制限により、当該文字の直後に記載する。式中においてはこれらの記号は本来の位置に記述している。雑音のある環境で音響信号を収音すると、本来、収音しようとする音（以下「所望音」ともいう）に雑音が重畳された信号として観測される。その所望音が音声の場合、重畳した雑音の影響により、観測音響信号に含まれる音声の明瞭性は大きく低下してしまう。それにより、本来の所望音の性質を抽出することが困難となり、自動音声認識（以下、単に「音声認識」ともいう）システムの認識率も著しく低下する。これに対し、雑音推定技術を用いて雑音を推定し、推定後に雑音を何かしらの方法で除去することで、音声の明瞭性や音声認識率を改善することができる。雑音推定技術の従来技術として、非特許文献１記載のimproved minima-controlled recursive averaging（以下「ＩＭＣＲＡ」という）が知られている。
　ＩＭＣＲＡの説明をする前に、雑音推定技術において用いられる観測音響信号のモデルについて説明する。一般的な音声強調の問題では、時間ｎで観測される観測音響信号（以下、単に「観測信号」という）ｙｎは、所望音成分と雑音成分とからなる。所望音成分及び雑音成分に対応する信号をそれぞれ所望信号及び雑音信号といい、ｘｎ及びｖｎで表す。音声強調処理の目的は、観測信号ｙｎを基に所望信号ｘｎを回復することである。ｙｎ、ｘｎ、ｖｎの短時間フーリエ変換後の信号をそれぞれＹｋ，ｔ、Ｘｋ，ｔ、Ｖｋ，ｔとし、ｋは１，２，…，Ｋの値をとる周波数インデックス(Ｋは、周波数バンドの総数）とすると、現在のフレームｔでの観測信号は、以下のように表される。
Figure JPOXMLDOC01-appb-M000006
以降では、周波数帯毎での処理を仮定するため、周波数インデックスｋは簡単のため省略する。また、所望信号は平均０及び分散σｘ ２、雑音信号は平均０及び分散σｖ ２の複素ガウス分布に従うものと仮定する。
　また、観測信号には、所望音が存在している区間（以下、「音声存在区間」という）と存在していない区間（以下、「音声不在区間」という）があり、それぞれの区間は、Ｈ１もしくはＨ０の２値を取る潜在変数Ｈを用いて、以下のようにあらわすことができる。
Figure JPOXMLDOC01-appb-M000007
　以降では、上記の変数表記を用いて、従来方法を解説する。
　図１を参照してＩＭＣＲＡを説明する。従来技術の雑音推定装置９０では、はじめに最小値追従型雑音推定部９１において、観測信号のパワースペクトルのある時間区間での最小値を求めることにより、雑音信号の特性（パワースペクトル）を推定する（非特許文献２参照）。
　その後、音声不在事前確率推定部９２において、推定した雑音信号のパワースペクトルと観測信号のパワースペクトルとの比を求め、その比がある閾値よりも小さければ音声不在区間とする動作原理で、音声不在事前確率を求める。
　次に、音声不在事後確率推定部９３において、短時間フーリエ変換後の観測信号及び雑音信号の複素スペクトルは、ガウス分布に従うという仮定を用いて、音声不在事後確率ｐ（Ｈ０｜Ｙｉ；θ～ ｉ ＩＭＣＲＡ）（１か０）を求める。さらに、音声不在事後確率推定部９３において、求めた音声不在事後確率ｐ（Ｈ０｜Ｙｉ；θ～ ｉ ＩＭＣＲＡ）と、適当に事前設定した重み係数αを用いて、修正された音声不在事後確率β０，ｉ ＩＭＣＲＡを求める。
Figure JPOXMLDOC01-appb-M000008
　最後に、雑音推定部９４において、求めた音声不在事後確率β０，ｉ ＩＭＣＲＡと、現在のフレームの観測信号のパワースペクトル｜Ｙｉ｜２、現在のフレームｉの直前のフレーム（ｉ－１）の雑音信号の分散値の推定値σｖ，ｉ－１ ２を用いて、現在のフレームｉの雑音信号の分散値σｖ，ｉ ２を推定する。
Figure JPOXMLDOC01-appb-M000009
このように雑音信号の分散値の推定値σｖ，ｉ ２を逐次的に更新することで、時々刻々と変化する雑音の特徴変化を追従しながら推定することができる。
I. Cohen, "Noise spectrum estimation in adverse environments: improved minima controlled recursive averaging", IEEE Trans. Speech, Audio Process., Sep. 2003, vol. 11, pp.466-475 R. Martin, "Noise power spectral density estimation based on optimal smoothing and minimum statistics", IEEE Trans. Speech Audio Process., Jul. 2001, vol. 9, pp. 504-512,.
　しかし、従来技術では、算出される音声不在事前確率、音声不在事後確率及び雑音信号の分散値の推定値は、一般的に用いられる最適化基準である尤度最大化基準などを基に算出されたものではなく、経験則に基づき調整されたパラメータの組合せで決定されている。そのため、最終的に得られる雑音信号の分散値の推定値は、常に最適なものではなく、経験則に基づく準最適なものであるという問題があった。逐次推定される雑音信号の分散値の推定値が準最適な場合、時々刻々と変化する雑音の特徴変化をうまく追従しながら推定することができない。その結果、最終的に高い雑音除去性能を得ることは困難であった。
　本発明は、時々刻々と変化する雑音成分を尤度最大化基準で推定する雑音推定装置、雑音推定方法及び雑音推定プログラムを提供することを目的とする。
　上記の課題を解決するために、本発明の第一の態様によれば、雑音推定装置は、現在までのフレームのうちの複数の観測信号の複素スペクトルを用いて、各フレームのガウス分布で表される音声存在区間の観測信号のモデルの対数尤度と音声存在事後確率との乗算値と、各フレームのガウス分布で表される音声不在区間の観測信号のモデルの対数尤度と音声不在事後確率との乗算値との和を重み付け加算した値が、大きくなるように雑音信号の分散値を求める。
　上記の課題を解決するために、本発明の第二の態様によれば、雑音推定方法は、現在までのフレームのうちの複数の観測信号の複素スペクトルを用いて、各フレームのガウス分布で表される音声存在区間の観測信号のモデルの対数尤度と音声存在事後確率との乗算値と、各フレームのガウス分布で表される音声不在区間の観測信号のモデルの対数尤度と音声不在事後確率との乗算値との和を重み付け加算した値が、大きくなるように雑音信号の分散値を求める。
　本発明によれば、時々刻々と変化する雑音成分を尤度最大化基準で推定できる。
従来技術の雑音推定装置の機能ブロック図。 第一実施形態に係る雑音推定装置の機能ブロック図。 第一実施形態に係る雑音推定装置の処理フローを示す図。 第一実施形態に係る尤度最大化部の機能ブロック図。 第一実施形態に係る尤度最大化部の処理フローを示す図。 第一実施形態及び従来技術に係る雑音推定装置による雑音逐次推定性能を示す図。 第一実施形態及び従来技術に係る雑音推定装置により雑音推定処理を行い、推定された雑音信号の分散値を用いて、雑音除去を行った際の音声波形を示す図。 変調白色雑音環境下で、第一実施形態及び従来技術に係る雑音推定装置を比較した場合の評価結果を示す図。 バブルノイズ環境下で、第一実施形態及び従来技術に係る雑音推定装置を比較した場合の評価結果を示す図。 第一実施形態の変形例に係る雑音推定装置の機能ブロック図。 第一実施形態の変形例に係る雑音推定装置の処理フローを示す図。
　以下、本発明の実施形態について説明する。なお、以下の説明に用いる図面では、同じ機能を持つ構成部や同じ処理を行うステップには同一の符号を記し、重複説明を省略する。また、ベクトルや行列の各要素単位で行われる処理は、特に断りが無い限り、そのベクトルやその行列の全ての要素に対して適用されるものとする。
＜第一実施形態に係る雑音推定装置１０＞
　図２は雑音推定装置１０の機能ブロック図を、図３はその処理フローを示す。雑音推定装置１０は尤度最大化部１１０と記憶部１２０とを含む。
　尤度最大化部１１０は、最初のフレームの観測信号の複素スペクトルＹｉの受信を開始すると（ｓ１）、各パラメータを以下のように初期化する（ｓ２）。
Figure JPOXMLDOC01-appb-M000010
なお、λ及びκは、それぞれ０～１の間の任意の値であり、事前に設定される。他のパラメータの詳細については後述する。
　尤度最大化部１１０は、現在のフレームｉでの観測信号の複素スペクトルＹｉを受け取ると、現在のフレームｉでの雑音信号の分散値σｖ，ｉ ２を逐次推定するために、現在のフレームｉの直前のフレーム（ｉ－１）で推定された音声不在事後確率η０，ｉ－１、音声存在事後確率η１，ｉ－１、音声不在事前確率α０，ｉ－１、音声存在事前確率α１，ｉ－１、観測信号の分散値σｙ，ｉ－１ ２及び雑音信号の分散値σｖ，ｉ－１ ２を記憶部１２０から取り出し（ｓ３）、これらの値から（ただし、最初のフレームの観測信号の複素スペクトルＹｉを受け取った場合は、記憶部１２０からは取り出さず、上述（Ａ）の初期値から）、現在のフレームｉまでの観測信号の複素スペクトルＹ０，Ｙ１，…，Ｙｉを用いて、各フレームｔ（ｔ＝０，１，…，ｉ）のガウス分布で表される音声存在区間の観測信号のモデルの対数尤度ｌｏｇ［α１ｐ（Ｙｔ｜Ｈ１；θ）］と音声存在事後確率η１，ｔ（α’０，θ’）との乗算値と、各フレームのガウス分布で表される音声不在区間の観測信号のモデルの対数尤度ｌｏｇ［α０ｐ（Ｙｔ｜Ｈ０；θ）］と音声不在事後確率η０，ｔ（α’０，θ’）との乗算値との和を重み付け加算した値、つまり、
Figure JPOXMLDOC01-appb-M000011
が最大化されるように、現在のフレームｉでの音声存在事前確率α１，ｉ、音声不在事前確率α０，ｉ、音声不在事後確率η０，ｉ、音声存在事後確率η１，ｉ、雑音信号の分散値σｖ，ｉ ２及び所望信号の分散値σｘ，ｉ ２の分散値を求め（ｓ４）、記憶部１２０に格納する（ｓ５）。雑音推定装置１０は、雑音信号の分散値σｖ，ｉ ２を出力する。ただし、λは忘却係数であり、０＜λ＜１の範囲で事前に設定されるパラメータである。よって、重み係数λi-tは現在のフレームiと過去のフレームｔとの差が大きいほど値が小さくなる。言い換えれば、現在のフレームに近いフレームほど大きな重みをもつように重み付け加算することを意味する。最後のフレームの観測信号までｓ３～ｓ５の処理を繰り返す（ｓ６、ｓ７）。以下、尤度最大化部１１０の詳細について詳述する。
＜尤度最大化基準におけるパラメータ推定方法＞
　尤度最大化基準で前述のパラメータを推定するためのアルゴリズムの導出を行う。はじめに、音声存在事前確率と音声不在事前確率をそれぞれα１＝Ｐ（Ｈ１）、α０＝Ｐ（Ｈ０）＝１－α１、パラメータベクトルをθ＝［σｖ ２，σｘ ２］Ｔと定義する。なお、σｙ ２，σｘ ２及びσｖ ２は、それぞれ観測信号、所望信号及び雑音信号の分散値を表すとともにパワースペクトルをも表している。
　また、以下のように、観測信号の複素スペクトルＹｔは、音声存在区間と音声不在区間のいずれにおいてもガウス分布に従うものと仮定する。
Figure JPOXMLDOC01-appb-M000012
上記モデルと、音声不在事前確率α０及び音声存在事前確率α１を用いると、時間フレームｔの観測信号の尤度は以下の式で表される。
Figure JPOXMLDOC01-appb-M000013
次に、ベイズ則に従えば、音声存在事後確率η１，ｔ（α０，θ）＝ｐ（Ｈ１｜Ｙｔ；α０，θ）及び音声不在事後確率η０，ｔ（α０，θ）＝ｐ（Ｈ０｜Ｙｔ；α０，θ）は、以下のように定義することができる。
Figure JPOXMLDOC01-appb-M000014
ただし、ｓは、０か１の値を取る変数である。これらのモデルを用いれば、補助関数を繰り返し最大化することで、式（６）で定義される尤度を最大化するパラメータα０及びθを推定することができる。つまり、補助関数Ｑ（α０，θ）＝Ｅ｛ｌｏｇ［ｐ（Ｙｔ，Ｈ；α０，θ）］｜Ｙｔ；α’０，θ’｝を最大化する未知のパラメータ最適値に関する推定値α’０，θ’を繰り返し推定することで、パラメータの（局所）最適値（最尤推定値）を得ることができる。ここでＥ｛・｝は期待値計算関数とする。本実施形態では、時々刻々と変化する雑音信号の分散値を推定する問題を扱うため、推定したいパラメータα０及びθ（期待値最大化アルゴリズムの潜在変数）は時変であることが想定される。そのために、通常の期待値最大化（ＥＭ）アルゴリズムではなく、再帰ＥＭアルゴリズム（参考文献１参照）を用いる。
（参考文献１）L. Deng, J. Droppo, and A. Acero, “Recursive estimation of nonstationary noise using iterative stochastic approximation for robust speech recognition”, IEEE Trans. Speech, Audio Process., Nov. 2003, vol. 11, pp. 568-580
再帰ＥＭアルゴリズムのために、上記補助関数を変形した以下の補助関数Ｑｉ（α０，θ）を導入する。
Figure JPOXMLDOC01-appb-M000015
補助関数Ｑｉ（α０，θ）の最大化を行うことで、時間フレームｉでのパラメータ最適値α０，ｉ、α１，ｉ、θｉ＝｛σｖ，ｉ ２，σｘ，ｉ ２｝を求めることができる。直前のフレーム（ｉ－１）での最適推定値が常に求まっていることを仮定すれば（つまり、α’ｓ＝αｓ，ｉ－１、θ’＝θｉ－１と仮定）、関数Ｌ（α０，θ）＝Ｑｉ（α０，θ）＋μ（α１＋α０－１）をα１とα０に関して偏微分し、結果をゼロとすることで、パラメータ最適値α０，ｉを求めることができる。ここで、μはラグランジュの未定乗数を表す（拘束条件α１＋α０＝１のもとで最適化を行うために導入する）。
　上記の操作を行うことで最終的に、以下の更新式を得ることができる。
Figure JPOXMLDOC01-appb-M000016
上式の各変数は以下のように定義される。
Figure JPOXMLDOC01-appb-M000017
また、式（１０）は、以下のように展開することができる。
Figure JPOXMLDOC01-appb-M000018
次に、補助関数Ｑｉ（α０，θ）をσｖ ２とσｘ ２に関して偏微分し、結果をゼロとすることで、ｓ＝１の場合について、以下の式を得ることができる。
Figure JPOXMLDOC01-appb-M000019
である。また、同様にｓ＝０の場合については、以下の式を得ることができる。
Figure JPOXMLDOC01-appb-M000020
式（１４）の、左辺第一項に式（１０）を挿入し、右辺を展開すると以下の式を得ることができる。
Figure JPOXMLDOC01-appb-M000021
式（１２）と（１５）を用いれば、以下のように雑音信号の分散値σｖ，ｉ ２の逐次推定式を導出することができる。
Figure JPOXMLDOC01-appb-M000022
ここで、β０，ｉは、事変の忘却係数として以下のように定義される。
Figure JPOXMLDOC01-appb-M000023
最後に、式（１２）と（１３）を用いれば、観測信号の分散値σｙ，ｉ ２の更新式も得ることができる。
Figure JPOXMLDOC01-appb-M000024
ここで、β１，ｉは事変の忘却係数として以下のように定義される。
Figure JPOXMLDOC01-appb-M000025
なお、σｙ，ｉ ２とσｖ，ｉ ２とが推定されれば、σｘ，ｉ ２も必然的に推定されるため（σｙ，ｉ ２＝σｖ，ｉ ２＋σｘ，ｉ ２）、σｙ，ｉ ２の推定は、σｘ，ｉ ２の推定と同義である。
＜尤度最大化部１１０＞
　図４は尤度最大化部１１０の機能ブロック図を、図５はその処理フローを示す。尤度最大化部１１０は、観測信号分散推定部１１１、事後確率推定部１１３、事前確率推定部１１５及び雑音信号分散推定部１１７を含む。
（観測信号分散推定部１１１）
　観測信号分散推定部１１１は、直前のフレーム（ｉ－１）において推定された音声存在事後確率η１，ｉ－１（α０，ｉ－２，θｉ－２）に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、現在のフレームｉの直前のフレーム（ｉ－１）において推定された観測信号の第二分散値σ２ ｙ，ｉ－１，２とを重み付け加算して、現在のフレームｉにおける観測信号の第一分散値σ２ ｙ，ｉ，１を推定する。例えば、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、直前のフレーム（ｉ－１）において推定された音声存在事後確率η１，ｉ－１（α０，ｉ－２，θｉ－２）及び観測信号の第二分散値σ２ ｙ，ｉ－１，２とを受け取り、これらの値を用いて、現在のフレームｉにおける観測信号の第一分散値σ２ ｙ，ｉ，１を
Figure JPOXMLDOC01-appb-M000026
として推定し（ｓ４１）（式（１８）、式（１９）、式（１２）参照）、事後確率推定部１１３に出力する。ただし、最初のフレームの観測信号の複素スペクトルＹｉを受け取った場合は、η１，ｉ－１（α０，ｉ－２，θｉ－２）及びσ２ ｙ，ｉ－１，２とを用いずに、上述（Ａ）の初期値β１，ｉ－１＝１－λ及びσｙ，ｉ－１ ２＝｜Ｙｉ｜２から第一分散値σ２ ｙ，ｉ，１を求める。
　さらに、観測信号分散推定部１１１は、現在のフレームｉにおいて推定された音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、現在のフレームｉの直前のフレーム（ｉ－１）において推定された観測信号の第二分散値σ２ ｙ，ｉ－１，２とを重み付け加算して、現在のフレームｉにおける観測信号の第二分散値σ２ ｙ，ｉ，２を推定する。例えば、現在のフレームｉにおいて推定された音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）を受け取り、現在のフレームｉにおける観測信号の第二分散値σ２ ｙ，ｉ，２を
Figure JPOXMLDOC01-appb-M000027
として推定し（ｓ４５）（式（１８）、式（１９）、式（１２）参照）、第二分散値σ２ ｙ，ｉ，２を現在のフレームｉにおける観測信号の分散値σ２ ｙ，ｉとして記憶部１２０に格納する。ただし、最初のフレームの場合は、上述（Ａ）の初期値ｃ１，ｉ－１＝α０，ｉ－１＝κを用いて、ｃ１，ｉを求める。
　つまり、観測信号分散推定部１１１は、直前のフレーム（ｉ－１）において推定された音声存在事後確率η１，ｉ－１（α０，ｉ－２，θｉ－２）を用いて第一分散値σ２ ｙ，ｉ，１を推定し、現在のフレームｉにおいて推定された音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）を用いて第二分散値σ２ ｙ，ｉ，２を推定する。
　観測信号分散推定部１１１は、第二分散値σ２ ｙ，ｉ，２を現在のフレームｉにおける分散値σ２ ｙ，ｉとして記憶部１２０に記憶する。
（事後確率推定部１１３）
　観測信号の音声不在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－１により定まるガウス分布に従うものと仮定し（式（５）参照）、観測信号の音声存在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－１と観測信号の第一分散値σ２ ｙ，ｉ，１とにより定まるガウス分布に従うものと仮定する（式（５）参照、なお、σ２ ｙ，ｉ，１＝σ２ ｖ，ｉ－１＋σ２ ｘ，ｉ－１）。事後確率推定部１１３は、現在のフレームｉにおける観測信号の複素スペクトルＹｉ及び観測信号の第一分散値σ２ ｙ，ｉ，１と、直前のフレーム（ｉ－１）において推定された音声存在事前確率α１，ｉ－１及び音声不在事前確率α０，ｉ－１とを用いて、現在のフレームｉに対する音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）及び音声不在事後確率η０，ｉ（α０，ｉ－１，θｉ－１）を推定する。例えば、現在のフレームｉにおける観測信号の複素スペクトルＹｉ及び観測信号の第一分散値σ２ ｙ，ｉ，１と、直前のフレーム（ｉ－１）において推定された音声存在事前確率α１，ｉ－１、音声不在事前確率α０，ｉ－１及び雑音信号の分散値σ２ ｖ，ｉ－１とを受け取り、これらの値を用いて、現在のフレームｉに対する音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）及び音声不在事後確率η０，ｉ（α０，ｉ－１，θｉ－１）を
Figure JPOXMLDOC01-appb-M000028
として推定し（ｓ４２）（式（７）、式（５）参照）、音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）を観測信号分散推定部１１１に、音声不在事後確率η０，ｉ（α０，ｉ－１，θｉ－１）を雑音信号分散推定部１１７に、音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）及び音声不在事後確率η０，ｉ（α０，ｉ－１，θｉ－１）を事前確率推定部１１５に出力する。また、音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）及び音声不在事後確率η０，ｉ（α０，ｉ－１，θｉ－１）を記憶部１２０に格納する。ただし、最初のフレームｉにおける観測信号の複素スペクトルＹｉを受け取った場合は、上述（Ａ）の初期値σｖ、ｉ－１ ２＝｜Ｙｉ｜２を用いて、σｘ、ｉ－１ ２を求め、初期値α０，ｉ－１＝κ及びα１，ｉ－１＝１－α０，ｉ－１＝１－κを用いて、η１，ｉ（α０，ｉ－１，θｉ－１）及びη０，ｉ（α０，ｉ－１，θｉ－１）を求める。
（事前確率推定部１１５）
　事前確率推定部１１５は、現在のフレームｉまでに推定された音声存在事後確率及び音声不在事後確率をそれぞれ重み付け加算して得られる値を（式（１０）参照）、音声存在事前確率α１，ｉ及び音声不在事前確率α０，ｉとして推定する。例えば、現在のフレームｉにおいて推定された音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）及び音声不在事後確率η０，ｉ（α０，ｉ－１，θｉ－１）を受け取り、これらの値を用いて、音声存在事前確率α１，ｉ及び音声不在事前確率α０，ｉを
Figure JPOXMLDOC01-appb-M000029
として推定し（ｓ４３）（式（９）、式（１２）、式（１１）参照）、記憶部１２０に格納する。なお、ｃｓ，ｉ－１については、フレーム（ｉ－１）において求めたものを記憶しておけばよい。ただし、最初のフレームｉの場合は、上述（Ａ）の初期値ｃ０，ｉ－１＝α０，ｉ－１＝κ、ｃ１，ｉ－１＝α１，ｉ－１＝１－α０，ｉ－１＝１－κ、を用いて、ｃｓ，ｉを求める。
　また、式（１０）により、ｃｓ，ｉを求めてもよいが、その場合、現在のフレームまでの全ての音声存在事後確率η１，０，η１，１，…，η１，ｉ及び音声不在事後確率η０，０，η０，１，…，η０，ｉをλｉ－ｔで重み付き加算する必要があるため、計算量が大きくなる。
（雑音信号分散推定部１１７）
　雑音信号分散推定部１１７は、現在のフレームｉにおいて推定された音声不在事後確率に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、現在のフレームｉの直前のフレーム（ｉ－１）において推定された雑音信号の分散値σ２ ｖ，ｉ－１とを重み付け加算して、現在のフレームｉにおける雑音信号の分散値σ２ ｖ，ｉを推定する。例えば、観測信号の複素スペクトルＹｉと、現在のフレームｉにおいて推定された音声不在事後確率η０，ｉ（α０，ｉ－１，θｉ－１）と、直前のフレーム（ｉ－１）において推定された雑音信号の分散値σ２ ｖ，ｉ－１とを受け取り、これらの値を用いて、現在のフレームｉにおける雑音信号の分散値σ２ ｖ，ｉを
Figure JPOXMLDOC01-appb-M000030
として推定し（ｓ４４）（式（１６）、式（１７）参照）、記憶部１２０に格納する。
　なお、観測信号分散推定部１１１では、事後確率推定部１１３の処理後に現在のフレームｉにおいて推定された音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）を用いて上述のｓ４５を行う。
＜効果＞
　本実施形態では、時々刻々と変化する雑音成分を尤度最大化基準で逐次推定できる。その結果、時変雑音への追従性が高くなり、精度の高い雑音除去を行えることが期待される。
＜シミュレーション結果＞
　本実施形態の効果を検証するため、雑音信号の逐次推定性能、推定した雑音成分を用いた雑音除去性能を、従来技術と比較し、評価する。
　処理の初期化時に必要なパラメータλ及びκは、それぞれ０．９６、０．９９とした。
　雑音環境の模擬のために、人工的に変調した白色雑音及びバブルノイズ（人ごみ雑音）の二種類の雑音を用意した。変調白色雑音は時間的に大きく特性の変わる時変性の高い雑音であり、バルブノイズは比較的緩やかに特性が変化する時変性の低い雑音である。これらの雑音を、クリーン音声にいくつかのＳＮＲで混合し、雑音推定及び雑音除去の性能を試験した。なお、雑音除去方法としては、観測信号のパワースペクトルから、第一実施形態を用いて推定した雑音信号のパワースペクトルを減算し、雑音信号の除去されたパワースペクトルを得る、スペクトル減算法（参考文献２参照）を用いた。スペクトル減算法以外にも、雑音除去のために雑音信号のパワースペクトル推定値を必要とする雑音除去方法（非特許文献３等参照）と組合せが可能である。
（参考文献２） P. Loizou, "Speech Enhancement: Theory and Practice", CRC Press, Boca Raton, 2007
（参考文献３） Y. Ephraim, D. Malah, "Speech enhancement using a minimum mean square error short-time spectral amplitude estimator", IEEE Trans. Acoust., Speech, Sig. Process., Dec.1984, vol. ASSP-32, pp. 1109-1121
　図６に、第一実施形態に係る雑音推定装置１０と従来技術の雑音推定装置９０とによる雑音逐次推定性能を示す。この際のＳＮＲは１０ｄＢであった。図６から、雑音推定装置１０は時々刻々と変化する雑音を効果的に逐次推定できており、一方、雑音推定装置９０は雑音の急速な変化に追従できずに、大きく推定を誤っていることが分かる。
　図７には、雑音推定装置１０と雑音推定装置９０とにより雑音推定処理を行い、推定された雑音信号の分散値を用いて、雑音除去を行った際の音声波形を示した。（ａ）はクリーン音声の波形を、（ｂ）は変調白色雑音の重畳した音声の波形を、（ｃ）は雑音推定装置１０により雑音推定処理を行い、雑音除去を行った際の音声の波形を、（ｄ）は雑音推定装置９０により雑音推定処理を行い、雑音除去を行った際の音声の波形を示す。（ｃ）は、（ｄ）と比べ残留雑音が少ないことが分かる。図８及び図９は、それぞれ変調白色雑音及びバブルノイズ環境下で、雑音推定装置１０と雑音推定装置９０を比較した場合の評価結果を示している。ここでは、評価尺度としてセグメンタルＳＮＲ、ＰＥＳＱ値（参考文献４参照）を用いた。
（参考文献４）P. Loizou, "Speech Enhancement: Theory and Practice", CRC Press, Boca   Raton, 2007
変調白色雑音環境下（図８参照）においては、雑音推定装置１０は雑音推定装置９０に対して大幅に優位な効果を示している。また、バブルノイズ環境下（図９参照）においても、雑音推定装置１０は雑音推定装置９０よりもわずかではあるが高い性能を示している。
＜変形例＞
　本実施形態では、第一分散値σ２ ｙ，ｉ，１を求める過程（ｓ４１）において、β１，ｉ－１を算出しているが、直前のフレーム（ｉ－１）において第二分散値σ２ ｙ，ｉ－１，２を求める過程（ｓ４５）において算出されるβ１，ｉ－１を記憶しておき利用してもよい。その場合には、音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）及び音声不在事後確率η０，ｉ（α０，ｉ－１，θｉ－１）を記憶部１２０に格納する必要はない。
　本実施形態では、分散値σ２ ｖ，ｉを求める過程（ｓ４４）において、ｃ０，ｉを算出しているが、事前確率推定部１１５において事前確率を求める過程（ｓ４３）において算出されるｃ０，ｉを受け取り、利用してもよい。同様に、第二分散値σ２ ｙ，ｉ，２を求める過程（ｓ４５）において、ｃ１，ｉを算出しているが、事前確率推定部１１５において事前確率を求める過程（ｓ４３）において算出されるｃ１，ｉを受け取り、利用してもよい。
　本実施形態では、第一分散値σ２ ｙ，ｉ，１及び第二分散値σ２ ｙ，ｉ，２を観測信号分散推定部１１１において推定しているが、観測信号分散推定部１１１に代えて第一観測信号分散推定部と第二観測信号分散推定部とを設け、第一分散値σ２ ｙ，ｉ，１及び第二分散値σ２ ｙ，ｉ，２をそれぞれ第一観測信号分散推定部及び第二観測信号分散推定部において推定する構成としてもよい。本実施形態では、観測信号分散推定部１１１が、第一観測信号分散推定部及び第二観測信号分散推定部を含んでいる。
　第一分散値σ２ ｙ，ｉ，１を推定（ｓ４１）しなくともよい。その場合の尤度最大化部１１０の機能ブロック図を図１０に、その処理フローを図１１に示す。その場合、現在のフレームｉにおける観測信号の分散値をσ２ ｙ，ｉと表す。事後確率推定部１１３では、第一分散値σ２ ｙ，ｉ，１に代えて、直前のフレーム（ｉ－１）における分散値σ２ ｙ，ｉ－１を用いて推定する。その場合には、音声存在事後確率η１，ｉ（α０，ｉ－１，θｉ－１）及び音声不在事後確率η０，ｉ（α０，ｉ－１，θｉ－１）を記憶部１２０に格納する必要はない。ただし、βｉ－１を用いて第一分散値σ２ ｙ，ｉ，１を求め、βｉを算出した後に調整して第二分散値σ２ ｙ，ｉ，２を求めたほうが、雑音推定精度は高い。直前のフレームの分散値を用いるより、現在のフレームの観測信号の複素スペクトルＹｉが反映された第一分散値を用いる方が、すべてのパラメータが、より現在の観測に適合した形で推定されるからである。つまり、第一分散値σ２ ｙ，ｉ，１を推定しない場合、第一実施形態の場合と比べ、計算量を減らすことができるというメリットがあるが、雑音推定精度が低いというデメリットがある。
　本実施形態のｓ４では、現在のフレームｉでの雑音信号の分散値σｖ，ｉ ２を「逐次」推定するために（次のフレーム（ｉ＋１）でも雑音信号の分散値σｖ，ｉ ２を推定するために）、尤度最大化部１１０は、現在のフレームｉでの音声存在事前確率α１，ｉ、音声不在事前確率α０，ｉ、音声不在事後確率η０，ｉ、音声存在事後確率η１，ｉ及び所望信号の分散値σｘ，ｉ ２の分散値を求めているが、現在のフレームｉでの雑音信号の分散値σｖ，ｉ ２「のみ」を推定するのであれば、現在のフレームｉでの音声存在事前確率α１，ｉ、音声不在事前確率α０，ｉ、音声不在事後確率η０，ｉ、音声存在事後確率η１，ｉ及び所望信号の分散値σｘ，ｉ ２の分散値を求めなくともよい。
　また、本実施形態のｓ４では、現在のフレームｉの直前のフレーム（ｉ－１）で推定された各パラメータを記憶部１２０から取り出しているが、必ずしも直前のフレーム（ｉ－１）である必要はなく、過去の何れかのフレーム（ｉ－τ）で推定された各パラメータを記憶部１２０から取り出して用いてもよい。ただし、τは１以上の整数とする。
　また、観測信号分散推定部１１１では、二つ前のフレーム（ｉ－２）において推定されたパラメータα０，ｉ－２、θｉ－２を用いて直前のフレーム（ｉ－１）において推定された音声存在事後確率η１，ｉ－１（α０，ｉ－２，θｉ－２）に基づき、現在のフレームｉにおける観測信号の第一分散値σ２ ｙ，ｉ，１を推定しているが、フレーム（ｉ－τ）よりも過去の何れかのフレーム（ｉ－τ’）において推定されたパラメータα０，ｉ－τ’、θｉ－τ’を用いてフレーム（ｉ－τ）において推定された音声存在事後確率η１，ｉ－τ（α０，ｉ－τ’，θｉ－τ’）に基づき、現在のフレームｉにおける観測信号の第一分散値σ２ ｙ，ｉ，１を推定してもよい。ただし、τ’はτより大きい整数とする。
　本実施形態のｓ４では、現在のフレームｉでの観測信号の複素スペクトルＹｉを受け取ると、現在のフレームｉまでの観測信号の複素スペクトルＹ０，Ｙ１，…，Ｙｉを用いて、
Figure JPOXMLDOC01-appb-M000031
が最大化されるように、各パラメータを求めている。このとき、実際に、現在のフレームｉまでの観測信号の複素スペクトルＹ０，Ｙ１，…，Ｙｉの全ての値を用いてＱｉ（α０，θ）を求めてもよいし、直前のフレーム（ｉ－１）で得たＱｉ－１と現在のフレームｉの観測信号の複素スペクトルＹｉとを用いて（α０，θ）（間接的に直前のフレーム（ｉ－１）までの観測信号の複素スペクトルＹ０，Ｙ１，…，Ｙｉ－１を用いて）、
Figure JPOXMLDOC01-appb-M000032
が最大化されるように、各パラメータを求めてもよい。よって、少なくとも現在のフレームの観測信号の複素スペクトルＹｉを用いて、Ｑｉ（α０，θ）を求めればよい。
　また、本実施形態のｓ４では、Ｑｉ（α０，θ）が最大化されるように、各パラメータを求めているが、必ずしも一度で最大化される必要はなく、更新前の対数尤度ｌｏｇ［αｓｐ（Ｙｉ｜Ｈｓ；θ）］に基づく値Ｑｉ（α０，θ）よりも、更新後の対数尤度ｌｏｇ［αｓｐ（Ｙｉ｜Ｈｓ；θ）］に基づく値Ｑｉ（α０，θ）が大きくなるように各パラメータを求め、これを所定回数繰り返せば、尤度最大化基準におけるパラメータ推定が可能である。
　本発明は上記の実施形態及び変形例に限定されるものではない。例えば、上述の各種の処理は、記載に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。
＜プログラム及び記録媒体＞
　上述した雑音推定装置は、コンピュータにより機能させることもできる。この場合はコンピュータに、目的とする装置（各種実施形態で図に示した機能構成をもつ装置）として機能させるためのプログラム、またはその処理手順（各実施形態で示したもの）の各過程をコンピュータに実行させるためのプログラムを、ＣＤ－ＲＯＭ、磁気ディスク、半導体記憶装置などの記録媒体から、あるいは通信回線を介してそのコンピュータ内にダウンロードし、そのプログラムを実行させればよい。
　本発明は、様々な音響信号処理システムの要素技術として利用することができる。本発明を用いることで、そのシステム全体の性能向上につながる技術である。発話された音声信号中に含まれる雑音成分の推定処理が要素技術として性能向上に寄与できるようなシステムには、例えば、以下のようなものを列挙できる。実環境で収録された音声には、常に雑音が含まれるが、以下に挙げるシステムは、そのような状況で用いられることを想定した例である。
１．実環境で用いられる音声認識システム。
２．人が発した音に反応して機械にコマンドをわたす機械制御インターフェース、及び機械と人間との対話装置。
３．人が歌ったり、楽器で演奏したり、またはスピーカで演奏された音楽に重畳する雑音を除去して、楽曲を検索したり、採譜したりする音楽情報処理システム。
４．マイクロホンで収音した収音音声に重畳する雑音を除去し、相手側のスピーカで再生する音声通話システム。
 

Claims (15)

  1. 　現在までのフレームのうちの複数の観測信号の複素スペクトルを用いて、各フレームのガウス分布で表される音声存在区間の観測信号のモデルの対数尤度と音声存在事後確率との乗算値と、各フレームのガウス分布で表される音声不在区間の観測信号のモデルの対数尤度と音声不在事後確率との乗算値との和を重み付け加算した値が、大きくなるように雑音信号の分散値を求める、
    　雑音推定装置。
  2. 　請求項１記載の雑音推定装置であって、
    　現在のフレームの観測信号の複素スペクトルを用いて、各フレームのガウス分布で表される音声存在区間の観測信号のモデルの対数尤度と音声存在事後確率との乗算値と、各フレームのガウス分布で表される音声不在区間の観測信号のモデルの対数尤度と音声不在事後確率との乗算値との和を重み付け加算した値が、大きくなるように前記雑音信号の分散値、音声存在事前確率、音声不在事前確率及び所望信号の分散値を求める、
    　雑音推定装置。
  3. 　請求項１または２記載の雑音推定装置であって、前記重み付け加算の重みは、現在のフレームに近いフレームに対する重みほど大きな値をとる、
    　ことを特徴とする雑音推定装置。
  4. 　請求項１乃至３の何れかに記載の雑音推定装置であって、
    　τを１以上の整数とし、現在のフレームｉにおいて推定された音声不在事後確率に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された雑音信号の分散値σ２ ｖ，ｉ－τとを重み付け加算して、現在のフレームｉにおける雑音信号の分散値σ２ ｖ，ｉを推定する雑音信号分散推定部を含む、
    　雑音推定装置。
  5. 　請求項４記載の雑音推定装置であって、
    　過去のフレーム（ｉ－τ）において推定された音声存在事後確率に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された観測信号の第二分散値σ２ ｙ，ｉ－τ，２とを重み付け加算して、現在のフレームｉにおける観測信号の第一分散値σ２ ｙ，ｉ，１を推定する第一観測信号分散推定部と、
    　観測信号の音声不在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－τにより定まるガウス分布に従うものと仮定し、観測信号の音声存在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－τと観測信号の第一分散値σ２ ｙ，ｉ，１とにより定まるガウス分布に従うものと仮定し、現在のフレームｉにおける観測信号の複素スペクトルＹｉ及び観測信号の第一分散値σ２ ｙ，ｉ，１と、過去のフレーム（ｉ－τ）において推定された音声存在事前確率α１，ｉ－τ及び音声不在事前確率α０，ｉ－τとを用いて、現在のフレームｉに対する音声存在事後確率η１，ｉ（α０，ｉ－τ，θｉ－τ）及び音声不在事後確率η０，ｉ（α０，ｉ－τ，θｉ－τ）を推定する事後確率推定部と、
    　現在のフレームｉまでに推定された音声存在事後確率及び音声不在事後確率をそれぞれ重み付け加算して得られる値を、音声存在事前確率α１，ｉ及び音声不在事前確率α０，ｉとして推定する事前確率推定部と、
    　現在のフレームｉにおいて推定された音声存在事後確率に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された観測信号の第二分散値σ２ ｙ，ｉ－τ，２とを重み付け加算して、現在のフレームｉにおける観測信号の第二分散値σ２ ｙ，ｉ，２を推定する第二観測信号分散推定部とを含む、
    　雑音推定装置。
  6. 　請求項４記載の雑音推定装置であって、
    　観測信号の音声不在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－τにより定まるガウス分布に従うものと仮定し、観測信号の音声存在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－τと観測信号の分散値σ２ ｙ，ｉとにより定まるガウス分布に従うものと仮定し、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された観測信号の分散値σ２ ｙ，ｉ－τ、音声存在事前確率α１，ｉ－τ及び音声不在事前確率α０，ｉ－τとを用いて、現在のフレームｉに対する音声存在事後確率η１，ｉ（α０，ｉ－τ，θｉ－τ）及び音声不在事後確率η０，ｉ（α０，ｉ－τ，θｉ－τ）を推定する事後確率推定部と、
    　現在のフレームｉまでに推定された音声存在事後確率及び音声不在事後確率をそれぞれ重み付け加算して得られる値を、音声存在事前確率α１，ｉ及び音声不在事前確率α０，ｉとして推定する事前確率推定部と、
    　現在のフレームｉにおいて推定された音声存在事後確率に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された観測信号の分散値σ２ ｙ，ｉ－τとを重み付け加算して、現在のフレームｉにおける観測信号の分散値σ２ ｙ，ｉを推定する観測信号分散推定部とを含む、
    　雑音推定装置。
  7. 　請求項５記載の雑音推定装置であって、
    　０＜λ＜１とし、τ’をτより大きい整数とし、前記第一観測信号分散推定部は、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された観測信号の第二分散値σ２ ｙ，ｉ－τ，２とを用いて、現在のフレームｉにおける観測信号の第一分散値σ２ ｙ，ｉ，１を
    Figure JPOXMLDOC01-appb-M000001
    として推定し、
    　ｓ＝０またはｓ＝１とし、前記事後確率推定部は、現在のフレームｉにおける観測信号の複素スペクトルＹｉ及び観測信号の第一分散値σ２ ｙ，ｉ，１と、過去のフレーム（ｉ－τ）において推定された音声存在事前確率α１，ｉ－τ、音声不在事前確率α０，ｉ－τ及び雑音信号の分散値σ２ ｖ，ｉ－τとを用いて、現在のフレームｉに対する音声存在事後確率η１，ｉ（α０，ｉ－τ，θｉ－τ）及び音声不在事後確率η０，ｉ（α０，ｉ－τ，θｉ－τ）を
    Figure JPOXMLDOC01-appb-M000002
    として推定し、
    　前記事前確率推定部は、現在のフレームｉにおいて推定された音声存在事後確率η１，ｉ（α０，ｉ－τ，θｉ－τ）及び音声不在事後確率η０，ｉ（α０，ｉ－τ，θｉ－τ）を用いて、音声存在事前確率α１，ｉ及び音声不在事前確率α０，ｉを
    Figure JPOXMLDOC01-appb-M000003
    として推定し、
    　前記雑音信号分散推定部は、観測信号の複素スペクトルＹｉと、現在のフレームｉにおいて推定された音声不在事後確率η０，ｉ（α０，ｉ－τ，θｉ－τ）と、過去のフレーム（ｉ－τ）において推定された雑音信号の分散値σ２ ｖ，ｉ－τとを用いて、現在のフレームｉにおける雑音信号の分散値σ２ ｖ，ｉを
    Figure JPOXMLDOC01-appb-M000004
    として推定し、
    　前記第二観測信号分散推定部は、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、現在のフレームｉにおいて推定された音声存在事後確率η１，ｉ（α０，ｉ－τ，θｉ－τ）と、過去のフレーム（ｉ－τ）において推定された観測信号の第二分散値σ２ ｙ，ｉ－τ，２とを用いて、現在のフレームｉにおける観測信号の第二分散値σ２ ｙ，ｉ，２を
    Figure JPOXMLDOC01-appb-M000005
    として推定する、
    　雑音推定装置。
  8. 　現在までのフレームのうちの複数の観測信号の複素スペクトルを用いて、各フレームのガウス分布で表される音声存在区間の観測信号のモデルの対数尤度と音声存在事後確率との乗算値と、各フレームのガウス分布で表される音声不在区間の観測信号のモデルの対数尤度と音声不在事後確率との乗算値との和を重み付け加算した値が、大きくなるように雑音信号の分散値を求める、
    　雑音推定方法。
  9. 　請求項８記載の雑音推定方法であって、
    　現在のフレームの観測信号の複素スペクトルを用いて、各フレームのガウス分布で表される音声存在区間の観測信号のモデルの対数尤度と音声存在事後確率との乗算値と、各フレームのガウス分布で表される音声不在区間の観測信号のモデルの対数尤度と音声不在事後確率との乗算値との和を重み付け加算した値が、大きくなるように前記雑音信号の分散値、音声存在事前確率、音声不在事前確率及び所望信号の分散値を求める、
    　雑音推定方法。
  10. 　請求項８または９記載の雑音推定方法であって、前記重み付け加算の重みは、現在のフレームに近いフレームに対する重みほど大きな値をとる、
    　ことを特徴とする雑音推定方法。
  11. 　請求項８乃至１０の何れかに記載の雑音推定方法であって、
    　τを１以上の整数とし、現在のフレームｉにおいて推定された音声不在事後確率に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された雑音信号の分散値σ２ ｖ，ｉ－τとを重み付け加算して、現在のフレームｉにおける雑音信号の分散値σ２ ｖ，ｉを推定する雑音信号分散推定ステップを含む、
    　雑音推定方法。
  12. 　請求項１１記載の雑音推定方法であって、
    　過去のフレーム（ｉ－τ）において推定された音声存在事後確率に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された観測信号の第二分散値σ２ ｙ，ｉ－τ，２とを重み付け加算して、現在のフレームｉにおける観測信号の第一分散値σ２ ｙ，ｉ，１を推定する第一観測信号分散推定ステップと、
    　観測信号の音声不在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－τにより定まるガウス分布に従うものと仮定し、観測信号の音声存在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－τと観測信号の第一分散値σ２ ｙ，ｉ，１とにより定まるガウス分布に従うものと仮定し、現在のフレームｉにおける観測信号の複素スペクトルＹｉ及び観測信号の第一分散値σ２ ｙ，ｉ，１と、過去のフレーム（ｉ－τ）において推定された音声存在事前確率α１，ｉ－τ及び音声不在事前確率α０，ｉ－τとを用いて、現在のフレームｉに対する音声存在事後確率η１，ｉ（α０，ｉ－τ，θｉ－τ）及び音声不在事後確率η０，ｉ（α０，ｉ－τ，θｉ－τ）を推定する事後確率推定ステップと、
    　現在のフレームｉまでに推定された音声存在事後確率及び音声不在事後確率をそれぞれ重み付け加算して得られる値を、音声存在事前確率α１，ｉ及び音声不在事前確率α０，ｉとして推定する事前確率推定ステップと、
    　現在のフレームｉにおいて推定された音声存在事後確率に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された観測信号の第二分散値σ２ ｙ，ｉ－τ，２とを重み付け加算して、現在のフレームｉにおける観測信号の第二分散値σ２ ｙ，ｉ，２を推定する第二観測信号分散推定ステップとを含む、
    　雑音推定方法。
  13. 　請求項１１記載の雑音推定方法であって、
    　観測信号の音声不在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－τにより定まるガウス分布に従うものと仮定し、観測信号の音声存在区間の複素スペクトルＹｉは雑音信号の分散値σ２ ｖ，ｉ－τと観測信号の分散値σ２ ｙ，ｉとにより定まるガウス分布に従うものと仮定し、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された観測信号の分散値σ２ ｙ，ｉ－τ、音声存在事前確率α１，ｉ－τ及び音声不在事前確率α０，ｉ－τとを用いて、現在のフレームｉに対する音声存在事後確率η１，ｉ（α０，ｉ－τ，θｉ－τ）及び音声不在事後確率η０，ｉ（α０，ｉ－τ，θｉ－τ）を推定する事後確率推定ステップと、
    　現在のフレームｉまでに推定された音声存在事後確率及び音声不在事後確率をそれぞれ重み付け加算して得られる値を、音声存在事前確率α１，ｉ及び音声不在事前確率α０，ｉとして推定する事前確率推定ステップと、
    　現在のフレームｉにおいて推定された音声存在事後確率に基づき、現在のフレームｉにおける観測信号の複素スペクトルＹｉと、過去のフレーム（ｉ－τ）において推定された観測信号の分散値σ２ ｙ，ｉ－τとを重み付け加算して、現在のフレームｉにおける観測信号の分散値σ２ ｙ，ｉを推定する観測信号分散推定ステップとを含む、
    　雑音推定方法。
  14. 　請求項１から請求項７の何れかに記載の雑音推定装置としてコンピュータを機能させるための雑音推定プログラム。
  15. 　請求項１から請求項７の何れかに記載の雑音推定装置としてコンピュータを機能させるための雑音推定プログラムを記録したコンピュータ読み取り可能な記録媒体。
PCT/JP2013/051980 2012-03-06 2013-01-30 雑音推定装置、雑音推定方法、雑音推定プログラム及び記録媒体 WO2013132926A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2014503716A JP5842056B2 (ja) 2012-03-06 2013-01-30 雑音推定装置、雑音推定方法、雑音推定プログラム及び記録媒体
US14/382,673 US9754608B2 (en) 2012-03-06 2013-01-30 Noise estimation apparatus, noise estimation method, noise estimation program, and recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2012049478 2012-03-06
JP2012-049478 2012-03-06

Publications (1)

Publication Number Publication Date
WO2013132926A1 true WO2013132926A1 (ja) 2013-09-12

Family

ID=49116412

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/051980 WO2013132926A1 (ja) 2012-03-06 2013-01-30 雑音推定装置、雑音推定方法、雑音推定プログラム及び記録媒体

Country Status (3)

Country Link
US (1) US9754608B2 (ja)
JP (1) JP5842056B2 (ja)
WO (1) WO2013132926A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015143811A (ja) * 2013-12-27 2015-08-06 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Ｐａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 雑音抑圧装置および雑音抑圧方法
CN110136738A (zh) * 2019-06-13 2019-08-16 苏州思必驰信息科技有限公司 噪声估计方法及装置
CN110600051A (zh) * 2019-11-12 2019-12-20 乐鑫信息科技（上海）股份有限公司 用于选择麦克风阵列的输出波束的方法
CN112017676A (zh) * 2019-05-31 2020-12-01 京东数字科技控股有限公司 音频处理方法、装置和计算机可读存储介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10141003B2 (en) * 2014-06-09 2018-11-27 Dolby Laboratories Licensing Corporation Noise level estimation
JP2016109725A (ja) * 2014-12-02 2016-06-20 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
JPWO2016092837A1 (ja) * 2014-12-10 2017-09-28 日本電気株式会社 音声処理装置、雑音抑圧装置、音声処理方法およびプログラム
CN106328151B (zh) * 2015-06-30 2020-01-31 芋头科技（杭州）有限公司 一种环噪消除系统及其应用方法
JP6501259B2 (ja) * 2015-08-04 2019-04-17 本田技研工業株式会社 音声処理装置及び音声処理方法
US9756512B2 (en) * 2015-10-22 2017-09-05 Qualcomm Incorporated Exchanging interference values
TWI716123B (zh) * 2019-09-26 2021-01-11 仁寶電腦工業股份有限公司 除噪能力評估系統及方法
CN113625146B (zh) * 2021-08-16 2022-09-30 长春理工大学 一种半导体器件1/f噪声SαS模型参数估计方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009110574A1 (ja) * 2008-03-06 2009-09-11 日本電信電話株式会社 信号強調装置、その方法、プログラム及び記録媒体

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2747870B1 (fr) * 1996-04-19 1998-11-06 Wavecom Sa Signal numerique a blocs de reference multiples pour l'estimation de canal, procedes d'estimation de canal et recepteurs correspondants
US7092436B2 (en) * 2002-01-25 2006-08-15 Mitsubishi Electric Research Laboratories, Inc. Expectation-maximization-based channel estimation and signal detection for wireless communications systems
US6944590B2 (en) * 2002-04-05 2005-09-13 Microsoft Corporation Method of iterative noise estimation in a recursive framework
GB2426166B (en) * 2005-05-09 2007-10-17 Toshiba Res Europ Ltd Voice activity detection apparatus and method
US7590530B2 (en) * 2005-09-03 2009-09-15 Gn Resound A/S Method and apparatus for improved estimation of non-stationary noise for speech enhancement
EP1993320B1 (en) * 2006-03-03 2015-01-07 Nippon Telegraph And Telephone Corporation Reverberation removal device, reverberation removal method, reverberation removal program, and recording medium
US8244523B1 (en) * 2009-04-08 2012-08-14 Rockwell Collins, Inc. Systems and methods for noise reduction
GB2471875B (en) * 2009-07-15 2011-08-10 Toshiba Res Europ Ltd A speech recognition system and method
US8700394B2 (en) * 2010-03-24 2014-04-15 Microsoft Corporation Acoustic model adaptation using splines
GB2482874B (en) * 2010-08-16 2013-06-12 Toshiba Res Europ Ltd A speech processing system and method
US8743658B2 (en) * 2011-04-29 2014-06-03 Siemens Corporation Systems and methods for blind localization of correlated sources
KR101247652B1 (ko) * 2011-08-30 2013-04-01 광주과학기술원 잡음 제거 장치 및 방법
US8880393B2 (en) * 2012-01-27 2014-11-04 Mitsubishi Electric Research Laboratories, Inc. Indirect model-based speech enhancement
US9087513B2 (en) * 2012-03-09 2015-07-21 International Business Machines Corporation Noise reduction method, program product, and apparatus

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009110574A1 (ja) * 2008-03-06 2009-09-11 日本電信電話株式会社 信号強調装置、その方法、プログラム及び記録媒体

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015143811A (ja) * 2013-12-27 2015-08-06 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Ｐａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 雑音抑圧装置および雑音抑圧方法
CN112017676A (zh) * 2019-05-31 2020-12-01 京东数字科技控股有限公司 音频处理方法、装置和计算机可读存储介质
CN110136738A (zh) * 2019-06-13 2019-08-16 苏州思必驰信息科技有限公司 噪声估计方法及装置
CN110600051A (zh) * 2019-11-12 2019-12-20 乐鑫信息科技（上海）股份有限公司 用于选择麦克风阵列的输出波束的方法

Also Published As

Publication number Publication date
JP5842056B2 (ja) 2016-01-13
US20150032445A1 (en) 2015-01-29
JPWO2013132926A1 (ja) 2015-07-30
US9754608B2 (en) 2017-09-05

Similar Documents

Publication Publication Date Title
JP5842056B2 (ja) 雑音推定装置、雑音推定方法、雑音推定プログラム及び記録媒体
JP5666444B2 (ja) 特徴抽出を使用してスピーチ強調のためにオーディオ信号を処理する装置及び方法
Xu et al. An experimental study on speech enhancement based on deep neural networks
JP4765461B2 (ja) 雑音抑圧システムと方法及びプログラム
US9520138B2 (en) Adaptive modulation filtering for spectral feature enhancement
JP6748304B2 (ja) ニューラルネットワークを用いた信号処理装置、ニューラルネットワークを用いた信号処理方法及び信号処理プログラム
JP2010078650A (ja) 音声認識装置及びその方法
Roy et al. DeepLPC-MHANet: Multi-head self-attention for augmented Kalman filter-based speech enhancement
JP6505346B1 (ja) Ｄｎｎ音声合成の教師無し話者適応を実現するコンピュータシステム、そのコンピュータシステムにおいて実行される方法およびプログラム
JP2006349723A (ja) 音響モデル作成装置、音声認識装置、音響モデル作成方法、音声認識方法、音響モデル作成プログラム、音声認識プログラムおよび記録媒体
Dionelis et al. Modulation-domain Kalman filtering for monaural blind speech denoising and dereverberation
KR100784456B1 (ko) Ｇｍｍ을 이용한 음질향상 시스템
JP6142402B2 (ja) 音響信号解析装置、方法、及びプログラム
JP5731929B2 (ja) 音声強調装置とその方法とプログラム
Sehr et al. Model-based dereverberation in the Logmelspec domain for robust distant-talking speech recognition
JP4242320B2 (ja) 音声認識方法、その装置およびプログラム、その記録媒体
JP6000094B2 (ja) 話者適応化装置、話者適応化方法、プログラム
WO2016092837A1 (ja) 音声処理装置、雑音抑圧装置、音声処理方法および記録媒体
JP6521886B2 (ja) 信号解析装置、方法、及びプログラム
JP6553561B2 (ja) 信号解析装置、方法、及びプログラム
JP5885686B2 (ja) 音響モデル適応化装置、音響モデル適応化方法、プログラム
JP5683446B2 (ja) スペクトル歪みパラメータ推定値補正装置とその方法とプログラム

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: 13757639

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2014503716

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 14382673

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: 13757639

Country of ref document: EP

Kind code of ref document: A1