WO2014112023A1 - 雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラム - Google Patents

雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラム Download PDF

Info

Publication number
WO2014112023A1
WO2014112023A1 PCT/JP2013/007573 JP2013007573W WO2014112023A1 WO 2014112023 A1 WO2014112023 A1 WO 2014112023A1 JP 2013007573 W JP2013007573 W JP 2013007573W WO 2014112023 A1 WO2014112023 A1 WO 2014112023A1
Authority
WO
WIPO (PCT)
Prior art keywords
noise
estimated
input signal
stationary
unit
Prior art date
Application number
PCT/JP2013/007573
Other languages
English (en)
French (fr)
Inventor
剛範 辻川
健 花沢
秀治 古明地
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 JP2014557199A priority Critical patent/JP6265136B2/ja
Priority to US14/760,814 priority patent/US9449616B2/en
Publication of WO2014112023A1 publication Critical patent/WO2014112023A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal 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
    • G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
    • G10L2021/02165—Two microphones, one receiving mainly the noise signal and the other one mainly the speech signal

Definitions

  • the present invention relates to a noise removal system, a voice detection system, a speech recognition system, a noise removal method, and a noise removal program for removing noise contained in speech mixed with noise, and more particularly to both stationary noise and non-stationary noise.
  • the present invention relates to a noise removal system, a voice detection system, a voice recognition system, a noise removal method, and a noise removal program that can be removed with high accuracy.
  • Patent Document 1 describes an example of a noise estimation system and a noise attenuation system that performs noise removal using noise estimated by the noise estimation system.
  • FIG. 8 is a block diagram showing the configuration of the noise estimation system described in Patent Document 1. As shown in FIG. As shown in FIG. 8, the noise estimation system described in Patent Document 1 includes a first noise estimation unit 611, a first noise attenuation unit 621, a voice pattern storage unit 631, and a second noise attenuation unit. 622 and a second noise estimator 612.
  • the noise estimation system having such a configuration operates as follows.
  • the noise included in the input signal is estimated by the first noise estimation unit 611, and the first noise attenuation unit 621 subtracts the estimated first noise from the input signal to obtain a first noise attenuation signal.
  • the second noise attenuation unit 622 obtains a second noise attenuation signal using the first noise attenuation signal and the audio pattern stored in the audio pattern storage unit 631.
  • the second noise estimator 612 obtains the second noise using the second noise attenuation signal.
  • Patent Document 2 describes a technique for improving noise resistance in an environment where non-stationary noise such as CD player or radio sound exists in addition to stationary noise.
  • the noise estimation system described in Patent Literature 1 obtains a noise attenuation signal using the first noise estimated by the first noise estimation unit, and re-estimates the noise using the noise attenuation signal. Thereby, the noise estimation system can estimate the noise included in the input signal with higher accuracy than the first noise.
  • the noise estimation system has the following problems.
  • the problem is that a noise component that is not included in the first noise estimated by the first noise estimation unit, that is, a component that is not regarded as noise by the first noise estimation unit, is output from the second noise estimation unit. It is also not included in some second noise.
  • the first noise estimation unit estimates a stationary noise component (noise average value, noise component with small variation in time of dispersion value), non-stationary noise component (noise average value, dispersion value Since a noise component having a large time variation is not included in the first noise, an unsteady noise component remains in the noise attenuation signal.
  • the second noise does not include non-stationary noise, and even if the noise attenuation signal is calculated using the second noise, the noise attenuation signal is non-stationary. Noise component remains.
  • the present invention estimates noise included in an input signal with high accuracy, and uses the estimated noise to remove noise included in the input signal with high accuracy, a speech detection system, a speech recognition system,
  • An object of the present invention is to provide a noise removal method and a noise removal program.
  • the noise removal system estimates a stationary noise component included in a first input signal, outputs a first estimated noise, a first input signal, and a first input signal.
  • a first noise removing unit that outputs a first estimated speech obtained by removing a stationary noise component from the first input signal using the first estimated noise from the noise estimating unit; and a first input signal.
  • the first estimated speech from the first noise removing unit, the second noise that re-estimates the stationary noise component included in the first input signal and outputs the second estimated noise
  • a second non-stationary component composed of a sum of a stationary noise component and a non-stationary noise component included in the first input signal using the estimation unit, the first input signal, and the second input signal.
  • a third noise estimator that estimates a stationary noise component and outputs a third estimated noise; and a second noise estimator
  • the stationary noise component and the second non-stationary noise component included in the first input signal are estimated using the second estimated noise and the third estimated noise from the third noise estimator.
  • a second noise removing unit that removes a stationary noise component and a second non-stationary noise component included in the first input signal.
  • the speech detection system estimates a stationary noise component included in a first input signal, outputs a first estimated noise, a first input signal, and a first input signal.
  • a first noise removing unit that outputs a first estimated speech obtained by removing a stationary noise component from the first input signal using the first estimated noise from the noise estimating unit; and a first input signal.
  • the first estimated speech from the first noise removing unit, the second noise that re-estimates the stationary noise component included in the first input signal and outputs the second estimated noise
  • a second non-stationary component composed of a sum of a stationary noise component and a non-stationary noise component included in the first input signal using the estimation unit, the first input signal, and the second input signal.
  • a third noise estimator that estimates a stationary noise component and outputs a third estimated noise; and a second noise estimator
  • the stationary noise component and the second non-stationary noise component included in the first input signal are estimated using the second estimated noise and the third estimated noise from the third noise estimator.
  • a normalizing unit that normalizes the second estimated speech from the noise removing unit with the second estimated noise from the second noise estimating unit or the first estimated noise from the first noise estimating unit;
  • a voice detection unit for detecting voice using the normalized voice from the above.
  • the speech recognition system estimates a stationary noise component included in a first input signal, outputs a first estimated noise, a first input signal, and a first input signal.
  • a first noise removing unit that outputs a first estimated speech obtained by removing a stationary noise component from the first input signal using the first estimated noise from the noise estimating unit; and a first input signal.
  • the first estimated speech from the first noise removing unit, the second noise that re-estimates the stationary noise component included in the first input signal and outputs the second estimated noise
  • a second non-stationary component composed of a sum of a stationary noise component and a non-stationary noise component included in the first input signal using the estimation unit, the first input signal, and the second input signal.
  • a third noise estimator that estimates a stationary noise component and outputs a third estimated noise; and a second noise estimator
  • the stationary noise component and the second non-stationary noise component included in the first input signal are estimated using the second estimated noise and the third estimated noise from the third noise estimator.
  • An estimated noise integrating unit a second noise removing unit that outputs a second estimated speech obtained by removing stationary noise components and second non-stationary noise components from the first input signal,
  • a normalizing unit that normalizes the second estimated speech from the noise removing unit with the second estimated noise from the second noise estimating unit or the first estimated noise from the first noise estimating unit;
  • a speech detection unit that detects speech using the normalized speech from a first recognition speech from the first noise removal unit and a speech recognition unit that recognizes speech based on a detection result from the speech detection unit It is characterized by providing.
  • the speech recognition system estimates a stationary noise component included in a first input signal, outputs a first estimated noise, a first input signal, and a first input signal.
  • a first noise removing unit that outputs a first estimated speech obtained by removing a stationary noise component from the first input signal using the first estimated noise from the noise estimating unit; and a first input signal.
  • the first estimated speech from the first noise removing unit, the second noise that re-estimates the stationary noise component included in the first input signal and outputs the second estimated noise
  • a second non-stationary component composed of a sum of a stationary noise component and a non-stationary noise component included in the first input signal using the estimation unit, the first input signal, and the second input signal.
  • a third noise estimator that estimates a stationary noise component and outputs a third estimated noise; and a second noise estimator
  • the stationary noise component and the second non-stationary noise component included in the first input signal are estimated using the second estimated noise and the third estimated noise from the third noise estimator.
  • a normalizing unit that normalizes the second estimated speech from the noise removing unit with the second estimated noise from the second noise estimating unit or the first estimated noise from the first noise estimating unit;
  • the first input signal is stationary using a voice detection unit that detects voice using the normalized voice from the first input signal and the second estimated noise from the second noise estimation unit.
  • a third noise removing unit that outputs a third estimated speech from which noise components have been removed; a third estimated speech from the third noise removing unit; Receives the detection result from the voice detecting unit, characterized in that it comprises a
  • the noise removal method estimates a stationary noise component included in a first input signal, outputs a first estimated noise, and uses the first input signal and the first estimated noise, A first estimated speech obtained by removing a stationary noise component from the first input signal is output, and at least the first input signal and the first estimated speech are used to attain a stationary state included in the first input signal.
  • a second non-stationary noise component composed of a sum of various noise components is output, a third estimated noise is output, and the first estimated noise is output using the second estimated noise and the third estimated noise.
  • a stationary noise component and a second non-stationary noise component included in the input signal are estimated, and a stationary noise component included in the first input signal is estimated. And removing the a noise component and a second non-stationary noise components.
  • the noise removal program estimates a stationary noise component included in the first input signal to the computer and outputs the first estimated noise, and the first input signal and the first estimated noise. Are used to output a first estimated speech obtained by removing a stationary noise component from the first input signal, and at least using the first input signal and the first estimated speech.
  • a stationary noise component included in the input signal is re-estimated and output from the second estimated noise, and the first input signal and the second input signal are included in the first input signal.
  • the noise included in the input signal can be estimated with high accuracy, and the noise included in the input signal can be removed with high accuracy using the estimated noise.
  • a stationary noise component included in the first input signal is estimated with high accuracy using the first input signal, and further included in the first input signal using the second input signal.
  • the non-stationary noise component is estimated, and the estimated stationary noise component and the non-stationary noise component are integrated and removed from the first input signal, so that the noise included in the first input signal is reduced. It can be removed with high accuracy.
  • FIG. 1 It is a block diagram which shows the structure of the noise removal system of the 1st Embodiment of this invention. It is a flowchart which shows the process of the noise removal system of the 1st Embodiment of this invention. It is a block diagram which shows the structure of the audio
  • Embodiment 1 FIG. A first embodiment of the present invention will be described below with reference to the drawings.
  • FIG. 1 is a block diagram showing a configuration of a noise removal system according to a first embodiment of the present invention.
  • the noise removal system includes a first microphone (hereinafter referred to as a microphone) 101, a second microphone 102, a first noise estimation unit 111, a second noise estimation unit 112, and the like. , A third noise estimating unit 113, an estimated noise integrating unit 114, a first noise removing unit 121, and a second noise removing unit 122.
  • the first microphone 101 outputs a signal based on the input voice (hereinafter referred to as a first input signal).
  • the first noise estimation unit 111 estimates a stationary noise component included in the first input signal, and outputs the first estimated noise.
  • the first noise removal unit 121 uses the first input signal and the first estimated noise obtained by the first noise estimation unit 111 to use a stationary noise component included in the first input signal. Remove.
  • the first noise removing unit 121 outputs the first input signal from which the stationary noise component is removed as the first estimated speech.
  • the second noise estimation unit 112 uses at least the first input signal and the first estimated speech obtained by the first noise removal unit 121 to use stationary noise included in the first input signal.
  • the component is re-estimated and the second estimated noise is output.
  • the second microphone 102 outputs a signal based on the input voice (hereinafter referred to as a second input signal).
  • the third noise estimation unit 113 estimates a non-stationary noise component included in the first input signal using the first input signal and the second input signal, and outputs the third estimated noise. To do.
  • the estimated noise integration unit 114 is included in the first input signal using the second estimated noise from the second noise estimation unit 112 and the third estimated noise from the third noise estimation unit 113.
  • a stationary noise component and a non-stationary noise component are estimated, and a fourth estimated noise is output.
  • the second noise removing unit 122 uses the first input signal and the fourth estimated noise obtained by the estimated noise integrating unit 114 to remove the stationary noise component included in the first input signal from the non-steady noise component. Remove stationary noise.
  • the first noise estimation unit 111, the second noise estimation unit 112, the third noise estimation unit 113, the estimated noise integration unit 114, the first noise removal unit 121, and the second noise removal unit 122 are, for example, Realized by a computer operating according to a noise removal program.
  • the CPU reads the noise removal program, and in accordance with the program, the first noise estimation unit 111, the second noise estimation unit 112, the third noise estimation unit 113, the estimated noise integration unit 114, the first noise removal Unit 121 and second noise removal unit 122 operate.
  • the first noise estimation unit 111, the second noise estimation unit 112, the third noise estimation unit 113, the estimated noise integration unit 114, the first noise removal unit 121, and the second noise removal unit 122 are separately provided. It may be realized by hardware.
  • FIG. 2 is a flowchart showing processing of the noise removal system according to the first embodiment of the present invention.
  • the frequency spectrum of the audio signal is S (f, t) and the frequency spectrum of the noise signal is N (k, f, t).
  • the frequency spectrum X1 (f, t) of the first input signal that is the output of the first microphone 101 and the frequency spectrum X2 (f, t) of the second input signal that is the output of the second microphone 102. are modeled by Equation 1 and Equation 2, respectively.
  • f is a frequency index.
  • t is a time index.
  • k is the index of the noise source.
  • the frequency spectrum is handled as a power spectrum and an amplitude power spectrum.
  • the multiplication symbol “x” may be omitted.
  • H0 (f, t) is a frequency spectrum of a path difference when the audio signal S (f, t) is transmitted to the first microphone 101 and the second microphone 102.
  • H (k, f, t) is a frequency spectrum of a path difference when the noise signal N (k, f, t) of the noise source k is transmitted to the second microphone 102 and the first microphone 101.
  • ⁇ _ ⁇ x lower limit ⁇ ⁇ ⁇ upper limit ⁇ f (x) is the sum of f (x) when the variable x is changed from the lower limit to the upper limit.
  • the noise to be removed in Equation 1 is divided into a frequency spectrum Ns (f, t) of stationary noise that is the first noise component and a frequency spectrum Nn (f) of non-stationary noise that is the second noise component.
  • the first noise estimator 111 acquires the first input signal represented by Expression 3 from the first microphone 101 (step S1), and stationary noise included in the first input signal X1 (f, t).
  • the component Ns (f, t) is estimated (step S2).
  • An average (time average) of X1 (f, t) is defined as a first estimated noise Ns′1 (f, t).
  • ave_ ⁇ x ⁇ [f (x)] is an operator that averages f (x) with respect to x.
  • the estimation method of the first estimated noise Ns′1 a histogram of the input signal X1 (f, t) is created and the minimum value is set to the first estimated noise Ns′1 (f, t). t).
  • a method for estimating the first estimated noise Ns′1 (f, t) using the estimation method described in Japanese Patent Laid-Open No. 2002-204175 there is a method for estimating the first estimated noise Ns′1 (f, t) using the estimation method described in Japanese Patent Laid-Open No. 2002-204175.
  • the first noise estimation unit 111 may estimate the first estimated noise Ns′1 (f, t) using a method different from the above example.
  • the first noise removal unit 121 obtains the first estimated speech S′1 (f, t) ( Step S3).
  • An example of a method for estimating the first estimated speech S′1 (f, t) will be described below.
  • the first noise removing unit 121 may estimate the first estimated speech S′1 (f, t) using a method different from the above example.
  • the second noise estimating unit 112 uses the first input signal X1 (f, t) and the first input signal X1 (f, t).
  • a second estimated noise Ns′2 (f, t) is obtained using at least the estimated speech S′1 (f, t) (step S4).
  • Ns′2 (f, t) X1 (f, t) ⁇ S′1 (f, t)
  • the second noise estimator 112 receives the first estimated noise Ns′1 (f , T) may be used to estimate the second estimated noise Ns′2 (f, t).
  • the second noise estimation unit 112 may estimate the second estimated noise Ns′2 (f, t) using a method different from the above example.
  • the second noise estimator 112 uses the first estimated sound S′1 (f, t) in addition to the first input signal X1 (f, t), thereby obtaining the first estimated noise Ns′1 ( It is possible to estimate the stationary noise component Ns (f, t) included in X1 (f, t) with higher accuracy than f, t). In particular, the second noise estimation unit 112 calculates not only the average value Nsm (f, t) of the stationary noise component shown in Equation 3, but also the difference between Ns (f, t) and Nsm (f, t). It can be estimated including a certain Nsv (f, t).
  • WI (f, t) takes a value close to 1, and the WI This is because (f, t) is multiplied by the first input signal X1 (f, t) including Nsv (f, t) to obtain the second estimated noise Ns′2 (f, t).
  • the non-stationary noise component Nn (f, t) is not included in the second estimated noise Ns′2 (f, t). This is because the non-stationary noise component is not regarded as noise in the first estimated noise Ns′1 (f, t).
  • the third noise estimation unit 113 obtains the second input signal from the second microphone 102 (step S5), the first input signal X1 (f, t) and the second input signal X2 ( The third estimated noise Nn′1 (f, t) is obtained using (f, t) (step S6).
  • H ′ (f, t) is an estimated value of H (k, f, t) included in Equation 1, and may be estimated by a method other than the method shown in the above example. If the value of H ′ (f, t) can be obtained in advance, that value may be used.
  • the third estimated noise Nn′1 (f, t) includes a non-stationary noise component that is not included in the second estimated noise Ns′2 (f, t). However, for a stationary noise component included in the first input signal from the first microphone 101, the difference Nsv (f, t) between Ns (f, t) and its average value Nsm (f, t).
  • the second estimated noise Ns′2 (f, t) estimated including the second is more accurate than the third estimated noise Nn′1 (f, t) based on the second input signal.
  • the estimated noise integration unit 114 outputs the second estimated noise Ns′2 (f, t) output from the second noise estimation unit 112 and the third noise output from the third noise estimation unit 113.
  • Stationary noise and non-stationary noise included in the first input signal are estimated with high accuracy using the estimated noise Nn′1 (f, t) (step S7).
  • the estimated noise integration unit 114 outputs the estimated noise as the fourth estimated noise N ′ (f, t).
  • N ′ (f, t) (1 ⁇ (f, t)) ⁇ s (f, t) Ns′2 (f, t) ⁇ + ⁇ (f, t) ⁇ n (f, t) Nn′1 (F, t) ⁇
  • ⁇ (f, t) is a coefficient for controlling the mixing of ⁇ s (f, t) Ns′2 (f, t) and ⁇ n (f, t) Nn′1 (f, t) (hereinafter referred to as mixing) It is called a coefficient.)
  • ⁇ s (f, t) is a coefficient (hereinafter referred to as an adjustment coefficient) for finely adjusting the estimated value Ns′2 (f, t) of the stationary noise component.
  • ⁇ n (f, t) is an adjustment coefficient for finely adjusting the estimated value Nn′1 (f, t) of noise including non-stationary noise.
  • ⁇ s (f, t) and ⁇ n (f, t) are normally preferably 1.0, but if noise is to be overestimated, the value is greater than 1.0, and if it is to be underestimated, it is greater than 1.0. A small value may be set.
  • the mixing coefficient ⁇ (f, t) takes a value close to 1.0 when non-stationary noise exists, and takes a value close to 0.0 when non-stationary noise does not exist. That's fine. For example, the following may be performed.
  • the fourth estimated noise N ′ (f, t) is as follows when the operation max [] taking the maximum value is used.
  • N ′ (f, t) max [ ⁇ s (f, t) Ns′2 (f, t), ⁇ n (f, t) Nn′1 (f, t)]
  • ⁇ (f, t) approaches 1.0 and decreases.
  • ⁇ (f, t) approaches 1.0 and decreases.
  • ⁇ (f, t) approaches 0.0. Note that a calculation method of ⁇ (f, t) may be different from the above example.
  • the second noise removal unit 122 removes the noise included in the first input signal X1 (f, t) using the fourth estimated noise N ′ (f, t) (step S8).
  • the first input signal X1 (f, t) from which noise is removed is output as the second estimated speech S′2 (f, t).
  • the second noise removing unit 122 can use the method shown in the following example.
  • the second noise removal unit 122 may estimate the second estimated speech S′2 (f, t) using a method different from the above example.
  • the noise estimation value Nn′1 (f, t) including a non-stationary noise component based on the signal is integrated.
  • the stationary noise component and the non-stationary noise component included in the first input signal can be estimated with high accuracy.
  • noise is removed from the first input signal based on the estimated stationary noise component and unsteady noise component, so that noise can be removed with high accuracy. it can.
  • the unsteady noise component to be removed in the method described in Patent Document 2 is a reproduction sound (echo from a speaker such as a CD player) input from a CD player or the like input via a microphone.
  • an unsteady noise component is estimated from a CD player or the like using an electric signal before being converted into sound as a reference signal. Therefore, non-stationary noise components not included in the reference signal cannot be estimated and cannot be removed.
  • the non-stationary noise component estimated by the third noise estimation unit 113 is transmitted from the speaker.
  • the stationary noise component and the non-stationary noise component not reproduced from the speaker are also included. That is, the third noise estimation unit 113 expresses a non-stationary noise component (hereinafter, referred to as a second non-stationary noise component) composed of a sum of a stationary noise component and a non-stationary noise component. ). Therefore, according to the present embodiment, in addition to the non-stationary noise component reproduced from the speaker, the stationary noise component and the non-stationary noise component not reproduced from the speaker can be removed.
  • FIG. 3 is a block diagram showing the configuration of the voice detection system according to the second embodiment of the present invention.
  • FIG. 4 is a block diagram illustrating another configuration of the voice detection system according to the second embodiment.
  • symbol same as FIG. 1 is attached
  • subjected and description is abbreviate
  • the voice detection system includes a normalization unit 131 and a voice detection unit 132 in addition to the configuration of the noise removal system of the first embodiment.
  • the normalization unit 131 converts the second estimated speech S′2 (f, t) from the second noise removal unit 122 into the second estimated noise Ns′2 (f, t) from the second noise estimation unit 112. Normalize using t).
  • the sound detection unit 132 detects the sound using the normalized sound from the normalization unit 131.
  • the noise removal unit 122, the normalization unit 131, and the voice detection unit 132 are realized by a computer that operates according to a voice detection program, for example.
  • the CPU reads the voice detection program, and in accordance with the program, the first noise estimation unit 111, the second noise estimation unit 112, the third noise estimation unit 113, the estimated noise integration unit 114, the first noise removal Unit 121, second noise removal unit 122, normalization unit 131, and voice detection unit 132.
  • the unit 131 and the voice detection unit 132 may be realized by separate hardware.
  • the normalization unit 131 converts the second estimated speech S′2 (f, t) from the second noise removal unit 122 into the second estimated noise Ns′2 (f, t) from the second noise estimation unit 112. ) And normalized speech Sn ′ (f, t) is output. Equation 4 shows an example of normalization of the second estimated speech S′2 (f, t).
  • the value of the normalized sound Sn ′ (f, t) is changed. do not do. That is, when detecting sound using Sn ′ (f, t), the detection threshold value can be easily set.
  • the first term H0 (f, t) S (f, t) (hereinafter referred to as crosstalk) of the right side of the second input signal expressed by Expression 2 cannot be ignored, the fourth estimated noise N ′ (
  • Sn ′ (f, t) becomes a larger value in the speech section. That is, when detecting voice using Sn ′ (f, t), the voice section can be detected with higher accuracy.
  • the normalized speech is output for each of the frequency index f and the time index t in Equation 4, normalized speech is output, but it may be averaged by frequency or time. Further, as illustrated in FIG. 4, the normalization unit 131 similarly uses the first estimated noise Ns′1 (f, t, which does not include crosstalk instead of the second estimated noise Ns′2 (f, t). t) may be input and normalized using the first estimated noise Ns′1 (f, t).
  • a small amount of non-stationary noise is generated with respect to the second estimated noise Ns′2 (f, t) and the first estimated noise Ns′1 (f, t) used for normalization. May be mixed. That is, the second estimated noise Ns′2 (f, t) and the first estimated noise Ns′1 (f, t) mixed with the small amount of non-stationary noise may be used for normalization.
  • ⁇ (f, t) is a coefficient that controls the degree of non-stationary noise mixed into Ns′2 (f, t) or Ns′1 (f, t), and is a positive number smaller than 1. is there.
  • Ns′2 (f, t) 0.01 is set, N′2 (f, t) is included in Nn′1 (f, t). 1% of unsteady noise is mixed.
  • 1% of nonstationary noise is mixed into N′2 (f, t).
  • the adverse effect of a small amount of non-stationary noise remaining in S′2 (f, t) can be reduced.
  • the stationary noise is very small compared to the non-stationary noise, the adverse effect of the remaining trace amount of the non-stationary noise is great, so that the effect of mixing the trace amount of the non-stationary noise is great.
  • ⁇ (f, t) may be set to a larger value as the low frequency (f is smaller), which is more difficult to estimate the non-stationary noise.
  • the stationary noise may be set to a larger value as it is smaller than the non-stationary noise.
  • the voice detection unit 132 detects the voice using the normalized voice Sn ′ (f, t) from the normalization unit 131 and outputs the detection result. Examples of detection results are shown below.
  • Sn ′ (t) is a normalized speech calculated after averaging with respect to the frequency f when calculating Sn ′ (f, t). At time t, if Sn ′ (t) is larger than the threshold Th, it is determined that it is not the target voice section, and if it is smaller than the threshold Th, it is not the target voice section.
  • the second estimated speech S′2 (f, t) from the second noise removing unit 122 from which noise has been removed with high accuracy is used as the second noise estimating unit 112. Is normalized using the second estimated noise Ns′2 (f, t). Thereby, setting of the threshold value in the voice detection unit 132 is facilitated.
  • the second estimated noise Ns′2 (f, t) that does not include the crosstalk is not a normal value instead of the fourth estimated noise N ′ (f, t). Turn into. As a result, Sn ′ (f, t) becomes a larger value in the speech section. That is, when detecting speech using Sn ′ (f, t), the speech section can be detected with higher accuracy.
  • FIG. 5 is a block diagram showing the configuration of the speech recognition system according to the third embodiment of the present invention.
  • symbol same as FIG. 3 is attached
  • subjected and description is abbreviate
  • the voice recognition system includes a voice recognition unit 133 in addition to the configuration of the voice detection system of the second embodiment.
  • the voice recognition unit 133 recognizes the voice in response to the first estimated voice S′1 (f, t) from the first noise removal unit 121 and the detection result from the voice detection unit 132.
  • the voice recognition unit 133 recognizes the voice in response to the first estimated voice S′1 (f, t) from the first noise removal unit 121 and the detection result from the voice detection unit 132, and outputs the voice recognition result. To do.
  • the speech recognition unit 133 recognizes the first estimated speech S′1 (f, t) from the first noise removal unit 121 when the received detection result is the target speech section.
  • the first estimated speech from the first noise removing unit 121 that is not affected by the crosstalk not the second estimated speech S′2 (f, t) from the second noise removing unit 122.
  • S′1 (f, t) as an input to the speech recognition unit 133, it is possible to prevent a decrease in speech recognition rate due to the influence of crosstalk.
  • FIG. 6 is a block diagram illustrating another configuration of the speech recognition system according to the third embodiment.
  • the voice recognition system shown in FIG. 6 includes a third noise removal unit 123 in addition to the configuration of the voice recognition system shown in FIG.
  • the third noise removing unit 123 uses the second estimated noise Ns′2 (f, t) that does not include the first input signal and crosstalk, and uses the first noise removing unit 121 and the second noise.
  • a third estimated speech is obtained by the same method as the removal unit 122. Then, the third noise removal unit 123 outputs the third estimated speech to the speech recognition unit 133.
  • the voice is recognized by receiving the first estimated voice S′1 (f, t) from the first noise removing unit 121 and the detection result from the voice detecting unit 132. Then, the speech recognition result is output. As described above, the high-precision detection result from the voice detection unit 132 and the first estimated voice S′1 (f, t) from the first noise removal unit 121 that is not affected by the crosstalk are recognized as voices. By using the input of the unit 133, a high speech recognition rate can be achieved.
  • the noise removal unit 122, the normalization unit 131, the voice detection unit 132, the voice recognition unit 133, and the third noise removal unit 123 are realized by, for example, a computer that operates according to a voice recognition program.
  • the CPU reads the voice recognition program, and according to the program, the first noise estimation unit 111, the second noise estimation unit 112, the third noise estimation unit 113, the estimated noise integration unit 114, the first noise removal Unit 121, second noise removal unit 122, normalization unit 131, voice detection unit 132, voice recognition unit 133, and third noise removal unit 123.
  • the unit 131, the voice detection unit 132, the voice recognition unit 133, and the third noise removal unit 123 may be realized by separate hardware.
  • FIG. 7 is an explanatory diagram showing an embodiment of a voice recognition system according to the present invention.
  • the terminal 200 is a tablet terminal, for example, and the speaker 300 operates the touch panel 201 installed on the terminal 200.
  • the side on which the touch panel 201 is installed is the surface of the terminal 200.
  • the voice uttered by the speaker 300 is picked up by the first microphone 101 and the second microphone 102. It is desirable that the first microphone 101 and the second microphone 102 be arranged so that the speaker's voice is greatly input by the first microphone 101. Therefore, in this embodiment, as shown in FIG. 7, the first microphone 101 is arranged on the surface of the terminal 200. Then, the second microphone 102 is arranged on the back surface of the terminal 200 so that the direct sound of the voice of the speaker 300 is not input to the second microphone 102.
  • the direct sound of the speaker 300 is input to the first microphone 101, but only the reflected sound and the diffracted sound are input to the second microphone 102. For this reason, the voice of the speaker 300 is greatly input by the first microphone 101.
  • it is desirable that the noise from the air conditioner 400 and the television 500 that generate noise is input largely by the second microphone 102.
  • the speech recognition system can recognize speech with high accuracy.
  • the speech recognition system accurately estimated and estimated the stationary noise component and the non-stationary noise component included in the first input signal output from the first microphone 101. This is because noise is removed from the first input signal based on the stationary noise component and the non-stationary noise component.
  • the speech recognition system includes the first microphone 101 and the second microphone 102
  • the speech recognition system includes the first microphone 101 and the second microphone. 102 may not be provided.
  • a microphone included in terminal 200 may be used as the first microphone and the second microphone.
  • the noise removal system and the voice detection system may not include the first microphone 101 and the second microphone 102.
  • the present invention can be applied to uses such as a noise removal system that can remove noise contained in an input signal, and a program for realizing the noise removal system in a computer.
  • the estimated noise integration unit multiplies the second estimated noise from the second noise estimator and the third estimated noise from the third noise estimator by the adjustment coefficient, and multiplies the adjustment coefficient.
  • the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient in accordance with the magnitude of the third estimated noise multiplied by the second estimated noise and the adjustment coefficient.
  • the first input by controlling the mixing coefficient for mixing and multiplying each of the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient after multiplying each mixing coefficient.
  • the speech detection system according to appendix 1, wherein the stationary noise component and the second non-stationary noise component included in the signal are estimated.
  • the voice section can be detected with higher accuracy.
  • the estimated noise integration unit multiplies the second estimated noise from the second noise estimator and the third estimated noise from the third noise estimator by the adjustment coefficient, and multiplies the adjustment coefficient.
  • the speech detection system according to supplementary note 1, wherein noise included in the first input signal is estimated by selecting a larger one of the third estimated noise multiplied by the second estimated noise and the adjustment coefficient.
  • a first voice input device that outputs an input voice as a first input signal and a second voice input device that outputs an input voice as a second input signal.
  • the speech to be noise-removed input to the input device is greater than the speech to be noise-removed to be input to the second speech input device, according to any one of supplementary notes 1 to 3 Voice detection system.
  • the voice can be detected with higher accuracy.
  • a first noise removing unit that outputs a first estimated speech obtained by removing a stationary noise component from the first input signal using the first estimated noise, a first input signal, and a first
  • a second noise estimator that re-estimates a stationary noise component included in the first input signal and outputs a second estimated noise using at least the first estimated speech from the noise removing unit
  • Second non-stationary noise composed of a sum of stationary noise components and non-stationary noise components included in the first input signal using the first input signal and the second input signal
  • a third noise estimator that estimates the component and outputs a third estimated noise; a second estimated noise from the second noise estimator;
  • An estimated noise integrating unit that estimates a stationary noise component and a second non-stationary noise component included in the first input signal using the third estimated noise from the noise estimating unit;
  • a speech recognition system comprising: a speech detection unit for detection; and a speech recognition unit that receives a first estimated speech from the first noise removal unit and a detection result from the speech detection unit and recognizes speech.
  • the estimated noise integration unit multiplies the second estimated noise from the second noise estimator and the third estimated noise from the third noise estimator by the adjustment coefficient, and multiplies the adjustment coefficient.
  • the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient in accordance with the magnitude of the third estimated noise multiplied by the second estimated noise and the adjustment coefficient.
  • the first input by controlling the mixing coefficient for mixing and multiplying each of the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient after multiplying each mixing coefficient.
  • the estimated noise integration unit multiplies the second estimated noise from the second noise estimator and the third estimated noise from the third noise estimator by the adjustment coefficient, and multiplies the adjustment coefficient.
  • the speech recognition system according to supplementary note 5, wherein the noise included in the first input signal is estimated by selecting the larger one of the third estimated noise multiplied by the second estimated noise and the adjustment coefficient.
  • a first voice input device that outputs an input voice as a first input signal and a second voice input device that outputs an input voice as a second input signal, the first voice
  • the speech to be noise-removed input to the input device is greater than the speech to be noise-removed to be input to the second speech input device, according to any one of supplementary notes 5 to 7 Speech recognition system.
  • a higher speech recognition rate can be achieved even when stationary noise from an air conditioner or non-stationary noise from a television is emitted.
  • a third noise removing unit that outputs a third estimated speech from the third noise removing unit and a detection result from the speech detecting unit
  • Receiving a speech recognition system comprising: a recognizing speech recognition unit the speech.
  • the estimated noise integration unit multiplies the second estimated noise from the second noise estimator and the third estimated noise from the third noise estimator by the adjustment coefficient, and multiplies the adjustment coefficient.
  • the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient in accordance with the magnitude of the third estimated noise multiplied by the second estimated noise and the adjustment coefficient.
  • the first input by controlling the mixing coefficient for mixing and multiplying each of the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient after multiplying each mixing coefficient.
  • the speech recognition system according to appendix 9, which estimates a stationary noise component and a second non-stationary noise component included in the signal.
  • the estimated noise integration unit multiplies the second estimated noise from the second noise estimator and the third estimated noise from the third noise estimator by the adjustment coefficient, and multiplies the adjustment coefficient.
  • the speech recognition system according to supplementary note 9, wherein the noise included in the first input signal is estimated by selecting the larger one of the third estimated noise multiplied by the second estimated noise and the adjustment coefficient.
  • a first voice input device that outputs an input voice as a first input signal
  • a second voice input device that outputs the input voice as a second input signal.
  • the speech to be noise-removed input to the input device is greater than the speech to be noise-removed to be input to the second speech input device, as described in any one of supplementary notes 9 to 11 Speech recognition system.
  • a stationary noise component included in the first input signal is estimated, the first estimated noise is output, and the first input signal and the first estimated noise are used to input the first input signal.
  • a first estimated speech from which a stationary noise component is removed from the signal is output, and at least the first input signal and the first estimated speech are used to obtain a stationary noise component included in the first input signal.
  • a second non-stationary noise component composed of the sum is estimated, a third estimated noise is output, and is included in the first input signal using the second estimated noise and the third estimated noise.
  • the stationary noise component and the second non-stationary noise component are estimated, and the stationary noise component and the second non-stationary noise component are estimated from the first input signal. Noise removing method and outputting a second estimation speech to remove specific noise components.
  • the second estimated noise and the third estimated noise are respectively multiplied by the adjustment coefficient, and the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient are multiplied by the magnitude.
  • a mixing coefficient for mixing the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is controlled, and the second estimated noise multiplied by the adjustment coefficient
  • the stationary noise component and the second non-stationary noise component included in the first input signal are estimated by multiplying the third estimated noise multiplied by the adjustment coefficient by the respective mixing coefficients and adding them.
  • the second estimated noise and the third estimated noise are multiplied by the adjustment coefficient, respectively, and the value of the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is 14.
  • a stationary noise component included in the first input signal is estimated, the first estimated noise is output, and the first input is performed using the first input signal and the first estimated noise.
  • a first estimated speech from which a stationary noise component is removed from the signal is output, and at least the first input signal and the first estimated speech are used to obtain a stationary noise component included in the first input signal.
  • a second non-stationary noise component composed of the sum is estimated, a third estimated noise is output, and is included in the first input signal using the second estimated noise and the third estimated noise.
  • the stationary noise component and the second non-stationary noise component are estimated, and the stationary noise component and the second non-stationary noise component are estimated from the first input signal.
  • a second estimated speech from which a noise component is removed is output, and the second estimated speech is detected by using the second estimated noise or a normalized speech obtained by normalizing with the first estimated noise. Voice detection method.
  • the second estimated noise and the third estimated noise are respectively multiplied by the adjustment coefficient, and the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient are multiplied by the magnitude.
  • a mixing coefficient for mixing the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is controlled, and the second estimated noise multiplied by the adjustment coefficient
  • the stationary noise component and the second non-stationary noise component included in the first input signal are estimated by multiplying the third estimated noise multiplied by the adjustment coefficient by the respective mixing coefficients and adding them.
  • the second estimated noise and the third estimated noise are multiplied by the adjustment coefficient, respectively, and the value of the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is 18.
  • a stationary noise component included in the first input signal is estimated, the first estimated noise is output, and the first input is performed using the first input signal and the first estimated noise.
  • a first estimated speech from which a stationary noise component is removed from the signal is output, and at least the first input signal and the first estimated speech are used to obtain a stationary noise component included in the first input signal.
  • a second non-stationary noise component composed of the sum is estimated, a third estimated noise is output, and is included in the first input signal using the second estimated noise and the third estimated noise.
  • the stationary noise component and the second non-stationary noise component are estimated, and the stationary noise component and the second non-stationary noise component are estimated from the first input signal.
  • the second estimated speech from which the noise component is removed is output, the second estimated speech is normalized with the second estimated noise or the first estimated noise, and the speech is detected.
  • a speech recognition method characterized by recognizing speech by receiving the estimated speech and the detection result.
  • the second estimated noise and the third estimated noise are respectively multiplied by the adjustment coefficient, and the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient are multiplied by the magnitude.
  • a mixing coefficient for mixing the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is controlled, and the second estimated noise multiplied by the adjustment coefficient
  • the stationary noise component and the second non-stationary noise component included in the first input signal are estimated by multiplying the third estimated noise multiplied by the adjustment coefficient by the respective mixing coefficients and adding them.
  • the second estimated noise and the third estimated noise are multiplied by the adjustment coefficient, respectively, and the value of the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is the value.
  • the stationary noise component included in the first input signal is estimated, the first estimated noise is output, and the first input is performed using the first input signal and the first estimated noise.
  • a first estimated speech from which a stationary noise component is removed from the signal is output, and at least the first input signal and the first estimated speech are used to obtain a stationary noise component included in the first input signal.
  • a second non-stationary noise component composed of the sum is estimated, a third estimated noise is output, and is included in the first input signal using the second estimated noise and the third estimated noise.
  • the stationary noise component and the second non-stationary noise component are estimated, and the stationary noise component and the second non-stationary noise component are estimated from the first input signal.
  • the second estimated speech from which the noise component is removed is output, the second estimated speech is normalized with the second estimated noise or the first estimated noise, and the speech is detected.
  • the third estimated speech obtained by removing the stationary noise component from the first input signal is output using the input signal and the second estimated noise, and the third estimated speech and the detection result are received as speech.
  • a speech recognition method characterized by recognizing a voice.
  • the second estimated noise and the third estimated noise are multiplied by the adjustment coefficient, respectively, and the magnitude of the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient are obtained.
  • a mixing coefficient for mixing the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is controlled, and the second estimated noise multiplied by the adjustment coefficient
  • the stationary noise component and the second non-stationary noise component included in the first input signal are estimated by multiplying the third estimated noise multiplied by the adjustment coefficient by the respective mixing coefficients and adding them.
  • the second estimated noise and the third estimated noise are multiplied by the adjustment coefficient, respectively, and the value of the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is 26.
  • the second estimated noise multiplied by the adjustment coefficient is multiplied by the second estimated noise and the third estimated noise, respectively, and the third estimated noise multiplied by the adjusted coefficient is multiplied by the computer.
  • a mixing coefficient for mixing the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is controlled according to the magnitude, and the second estimated noise is multiplied by the second estimated noise multiplied by the adjustment coefficient.
  • the stationary noise component and the second non-stationary noise component included in the first input signal are obtained by multiplying the third estimated noise multiplied by the estimated noise and the adjustment coefficient after multiplying the respective mixed coefficients.
  • the noise removal program according to appendix 29, which executes a process for estimating the noise.
  • the second estimated noise multiplied by the adjustment coefficient is multiplied by the second estimated noise and the third estimated noise, respectively, and the third estimated noise multiplied by the adjustment coefficient is multiplied by the computer.
  • the noise removal program according to supplementary note 29, wherein a process of estimating noise included in the first input signal is executed by selecting one having a larger value.
  • the first input signal and the second input signal are transmitted to the computer so that the noise removal target speech included in the first input signal is larger than the noise removal target speech included in the second input signal.
  • the noise removal program according to any one of supplementary note 29 to supplementary note 31, which executes a process of inputting the input signal.
  • a voice detection program for executing a process of detecting a voice using a normalized voice normalized with the first estimated noise.
  • the second estimated noise multiplied by the adjustment coefficient is multiplied by the second estimated noise and the third estimated noise respectively, and the third estimated noise multiplied by the adjusted coefficient is multiplied by the computer.
  • a mixing coefficient for mixing the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is controlled according to the magnitude, and the second estimated noise is multiplied by the second estimated noise multiplied by the adjustment coefficient.
  • the stationary noise component and the second non-stationary noise component included in the first input signal are obtained by multiplying the third estimated noise multiplied by the estimated noise and the adjustment coefficient after multiplying the respective mixed coefficients. 34.
  • the voice detection program according to supplementary note 33, which executes a process of estimating the frequency.
  • the second estimated noise multiplied by the adjustment coefficient is multiplied by the second estimated noise and the third estimated noise, respectively, and the third estimated noise multiplied by the adjustment coefficient is multiplied by the computer.
  • 34 The voice detection program according to supplementary note 33, wherein a process of estimating noise included in the first input signal is executed by selecting one having a larger value.
  • the computer uses the first input signal and the second input signal so that the noise removal target speech included in the first input signal is larger than the noise removal target speech included in the second input signal.
  • the voice detection program according to any one of supplementary note 33 to supplementary note 35, which executes a process of inputting the input signal.
  • a voice recognition program for executing a process of detecting a voice using a normalized voice normalized with the first estimated noise and a process of recognizing the voice in response to the first estimated voice and the voice detection result .
  • the second estimated noise multiplied by the adjustment coefficient is multiplied by the second estimated noise and the third estimated noise, respectively, and the third estimated noise multiplied by the adjusted coefficient is multiplied by the computer.
  • a mixing coefficient for mixing the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is controlled according to the magnitude, and the second estimated noise is multiplied by the second estimated noise multiplied by the adjustment coefficient.
  • the stationary noise component and the second non-stationary noise component included in the first input signal are obtained by multiplying the third estimated noise multiplied by the estimated noise and the adjustment coefficient after multiplying the respective mixed coefficients.
  • the speech recognition program according to appendix 37 which executes a process of estimating
  • the second estimated noise multiplied by the adjustment coefficient is multiplied by the second estimated noise and the third estimated noise, respectively, and the third estimated noise multiplied by the adjustment coefficient is multiplied by the computer. 38.
  • the speech recognition program according to supplementary note 37 wherein a process of estimating noise included in the first input signal is executed by selecting a larger value.
  • the computer uses the first input signal and the second input signal so that the noise removal target speech included in the first input signal is larger than the noise removal target speech included in the second input signal.
  • the speech recognition program according to any one of supplementary note 37 to supplementary note 39 for executing a process of inputting the input signal.
  • a stationary noise component is detected from the first input signal using the process of detecting the voice using the normalized voice normalized with the first estimated noise, and the first input signal and the second estimated noise.
  • a speech recognition program for recognizing speech in response to a process of outputting the removed third estimated speech and the third estimated speech and speech detection results.
  • the second estimated noise multiplied by the adjustment coefficient and the second estimated noise multiplied by the adjustment coefficient are multiplied by the second estimated noise and the third estimated noise, respectively.
  • a mixing coefficient for mixing the second estimated noise multiplied by the adjustment coefficient and the third estimated noise multiplied by the adjustment coefficient is controlled according to the magnitude, and the second estimated noise is multiplied by the second estimated noise multiplied by the adjustment coefficient.
  • the stationary noise component and the second non-stationary noise component included in the first input signal are obtained by multiplying the third estimated noise multiplied by the estimated noise and the adjustment coefficient after multiplying each of the mixing coefficients. 42.
  • the speech recognition program according to appendix 41 which executes a process for estimating
  • the second estimated noise multiplied by the adjustment coefficient is multiplied by the second estimated noise and the third estimated noise, respectively, and the third estimated noise multiplied by the adjustment coefficient is multiplied by the computer. 42.
  • the speech recognition program according to appendix 41 wherein a process of estimating noise included in the first input signal is executed by selecting a larger value.
  • the computer uses the first input signal and the second input signal so that the noise removal target speech included in the first input signal is larger than the noise removal target speech included in the second input signal. 44.
  • the speech recognition program according to any one of appendix 41 to appendix 43, which executes a process of inputting an input signal of No. 41.

Abstract

　入力信号に含まれる雑音を高精度に推定し、その推定した雑音を用いて入力信号に含まれる雑音を高精度に除去する雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラムを提供する。第１の入力信号に含まれる定常的な雑音成分を推定する第１の雑音推定部１１１と、第１の入力信号から定常的な雑音成分を除去する第１の雑音除去部１２１と、第１の入力信号に含まれる定常的な雑音成分を再推定する第２の雑音推定部１１２と、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定する第３の雑音推定部１１３と、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部１１４と、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を除去する第２の雑音除去部１２２とを備える。

Description

雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラム
　本発明は、雑音混じりの音声に含まれる雑音を除去する雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラムに関し、特に定常的な雑音と非定常的な雑音の両方を精度良く除去できる雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラムに関する。
　特許文献１には、雑音推定システムと、雑音推定システムが推定した雑音を用いて雑音除去を行う雑音減衰システムの一例が記載されている。図８は、特許文献１に記載された雑音推定システムの構成を示すブロック図である。図８に示すように、特許文献１に記載された雑音推定システムは、第１の雑音推定部６１１と、第１の雑音減衰部６２１と、音声パタン記憶部６３１と、第２の雑音減衰部６２２と、第２の雑音推定部６１２とを備えている。このような構成を有する雑音推定システムは次のように動作する。
　入力信号に含まれる雑音を第１の雑音推定部６１１で推定し、推定した第１の雑音を第１の雑音減衰部６２１で入力信号から減じることで第１の雑音減衰信号を得る。第１の雑音減衰信号と音声パタン記憶部６３１に記憶されている音声パタンとを用いて、第２の雑音減衰部６２２で第２の雑音減衰信号を得る。第２の雑音減衰信号を用いて、第２の雑音推定部６１２で第２の雑音を求める。
　特許文献２には、定常雑音に加え、ＣＤプレーヤやラジオの音声等の非定常雑音が存在する環境における耐雑音性を向上させる技術が記載されている。
特願２００７－１９３５１７号公報 特開２００６－１６３２３１号公報
　特許文献１に記載された雑音推定システムは、第１の雑音推定部で推定した第１の雑音を用いて雑音減衰信号を求め、その雑音減衰信号を用いて雑音を再推定する。それにより、当該雑音推定システムは、第１の雑音に比べて高精度に入力信号に含まれる雑音を推定することができる。しかし、当該雑音推定システムは下記の問題を有する。
　その問題点は、第１の雑音推定部で推定した第１の雑音に含まれない雑音成分、つまり第１の雑音推定部で雑音とみなしていない成分は、第２の雑音推定部の出力である第２の雑音にも含まれないということである。
　例えば、第１の雑音推定部で定常的な雑音成分（雑音の平均値、分散値の時間変動が小さい雑音成分）を推定した場合、非定常的な雑音成分（雑音の平均値、分散値の時間変動が大きい雑音成分）は第１の雑音に含まれないため、雑音減衰信号には非定常的な雑音成分が残留する。結果として、第１の雑音と同様に、第２の雑音にも非定常的な雑音は含まれず、第２の雑音を用いて雑音減衰信号を計算しても、その雑音減衰信号には非定常的な雑音成分が残留してしまう。
　そこで、本発明は、入力信号に含まれる雑音を高精度に推定し、その推定した雑音を用いて入力信号に含まれる雑音を高精度に除去する雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラムを提供することを目的とする。
　本発明による雑音除去システムは、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、第１の入力信号と第１の雑音推定部からの第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、第１の入力信号と第１の雑音除去部からの第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を除去する第２の雑音除去部とを備えることを特徴とする。
　本発明による音声検出システムは、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、第１の入力信号と第１の雑音推定部からの第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、第１の入力信号と第１の雑音除去部からの第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する第２の雑音除去部と、第２の雑音除去部からの第２の推定音声を第２の雑音推定部からの第２の推定雑音または第１の雑音推定部からの第１の推定雑音で正規化する正規化部と、正規化部からの正規化音声を用いて音声を検出する音声検出部とを備えることを特徴とする。
　本発明による音声認識システムは、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、第１の入力信号と第１の雑音推定部からの第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、第１の入力信号と第１の雑音除去部からの第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する第２の雑音除去部と、第２の雑音除去部からの第２の推定音声を第２の雑音推定部からの第２の推定雑音または第１の雑音推定部からの第１の推定雑音で正規化する正規化部と、正規化部からの正規化音声を用いて音声を検出する音声検出部と、第１の雑音除去部からの第１の推定音声と音声検出部からの検出結果を受けて音声を認識する音声認識部とを備えることを特徴とする。
　本発明による音声認識システムは、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、第１の入力信号と第１の雑音推定部からの第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、第１の入力信号と第１の雑音除去部からの第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する第２の雑音除去部と、第２の雑音除去部からの第２の推定音声を第２の雑音推定部からの第２の推定雑音または第１の雑音推定部からの第１の推定雑音で正規化する正規化部と、正規化部からの正規化音声を用いて音声を検出する音声検出部と、第１の入力信号と第２の雑音推定部からの第２の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第３の推定音声を出力する第３の雑音除去部と、第３の雑音除去部からの第３の推定音声と音声検出部からの検出結果を受けて音声を認識する音声認識部とを備えることを特徴とする。
　本発明による雑音除去方法は、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力し、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力し、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力し、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力し、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定し、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を除去することを特徴とする。
　本発明による雑音除去プログラムは、コンピュータに、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する処理と、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する処理と、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する処理と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する処理と、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理と、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を除去する処理とを実行させることを特徴とする。
　本発明によれば、入力信号に含まれる雑音を高精度に推定し、その推定した雑音を用いて入力信号に含まれる雑音を高精度に除去することができる。具体的には、第１の入力信号を用いて第１の入力信号に含まれる定常的な雑音成分を高精度に推定し、さらに第２の入力信号も用いて第１の入力信号に含まれる非定常的な雑音成分を推定し、推定した定常的な雑音成分と非定常的な雑音成分とを統合し、第１の入力信号から除去することにより、第１の入力信号に含まれる雑音を高精度に除去することができる。
本発明の第１の実施形態の雑音除去システムの構成を示すブロック図である。 本発明の第１の実施形態の雑音除去システムの処理を示すフローチャートである。 本発明の第２の実施形態の音声検出システムの構成を示すブロック図である。 本発明の第２の実施形態の音声検出システムの他の構成を示すブロック図である。 本発明の第３の実施形態の音声認識システムの構成を示すブロック図である。 本発明の第３の実施形態の音声認識システムの他の構成を示すブロック図である。 本発明による音声認識システムの実施例を示す説明図である。 特許文献１に記載された雑音推定システムの構成を示すブロック図である。
実施形態１．
　以下、本発明の第１の実施形態を図面を参照して説明する。
　図１は、本発明の第１の実施形態の雑音除去システムの構成を示すブロック図である。
　図１に示すように、雑音除去システムは、第１のマイクロフォン（以下、マイクという。）１０１と、第２のマイク１０２と、第１の雑音推定部１１１と、第２の雑音推定部１１２と、第３の雑音推定部１１３と、推定雑音統合部１１４と、第１の雑音除去部１２１と、第２の雑音除去部１２２とを備える。
　第１のマイク１０１は、入力した音声に基づく信号（以下、第１の入力信号という。）を出力する。
　第１の雑音推定部１１１は、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する。
　第１の雑音除去部１２１は、第１の入力信号と、第１の雑音推定部１１１で得られた第１の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分を除去する。第１の雑音除去部１２１は、定常的な雑音成分を除去した第１の入力信号を第１の推定音声として出力する。
　第２の雑音推定部１１２は、第１の入力信号と、第１の雑音除去部１２１で得られた第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する。
　第２のマイク１０２は、入力した音声に基づく信号（以下、第２の入力信号という。）を出力する。
　第３の雑音推定部１１３は、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる非定常的な雑音成分を推定し、第３の推定雑音を出力する。
　推定雑音統合部１１４は、第２の雑音推定部１１２からの第２の推定雑音と、第３の雑音推定部１１３からの第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分とを推定し、第４の推定雑音を出力する。
　第２の雑音除去部１２２は、第１の入力信号と、推定雑音統合部１１４で得られた第４の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音分とを除去する。
　なお、第１の雑音推定部１１１、第２の雑音推定部１１２、第３の雑音推定部１１３、推定雑音統合部１１４、第１の雑音除去部１２１および第２の雑音除去部１２２は、例えば、雑音除去プログラムに従って動作するコンピュータによって実現される。この場合、ＣＰＵが雑音除去プログラムを読み込み、そのプログラムに従って、第１の雑音推定部１１１、第２の雑音推定部１１２、第３の雑音推定部１１３、推定雑音統合部１１４、第１の雑音除去部１２１および第２の雑音除去部１２２として動作する。また、第１の雑音推定部１１１、第２の雑音推定部１１２、第３の雑音推定部１１３、推定雑音統合部１１４、第１の雑音除去部１２１および第２の雑音除去部１２２が別々のハードウェアで実現されていてもよい。
　次に、図１および図２を参照して、雑音除去システムの動作を説明する。
　図２は、本発明の第１の実施形態の雑音除去システムの処理を示すフローチャートである。
　音声信号の周波数スペクトルをＳ（ｆ，ｔ）、雑音信号の周波数スペクトルをＮ（ｋ，ｆ，ｔ）とする。そして、第１のマイク１０１の出力である第１の入力信号の周波数スペクトルＸ１（ｆ，ｔ）と、第２のマイク１０２の出力である第２の入力信号の周波数スペクトルＸ２（ｆ，ｔ）とをそれぞれ式１、式２でモデル化する。ただし、ｆは周波数のインデックスである。ｔは時間のインデックスである。ｋは雑音源のインデックスである。また、雑音源はＫ個存在するとする。なお、特に断りがない限り、周波数スペクトルはパワースペクトル、振幅パワースペクトルとして取り扱う。また、以降に示す式において、乗算記号「×」を省略する場合がある。
　Ｘ１（ｆ，ｔ）＝Ｓ（ｆ，ｔ）＋Σ＿｛ｋ＝１｝＾｛Ｋ｝Ｈ（ｋ，ｆ，ｔ）Ｎ（ｋ，ｆ，ｔ）　（式１）
　Ｘ２（ｆ，ｔ）＝Ｈ０（ｆ，ｔ）Ｓ（ｆ，ｔ）＋Σ＿｛ｋ＝１｝＾｛Ｋ｝Ｎ（ｋ，ｆ，ｔ）　（式２）
　ここで、Ｈ０（ｆ，ｔ）は音声信号Ｓ（ｆ，ｔ）が第１のマイク１０１と第２のマイク１０２に伝達する時の経路差の周波数スペクトルである。Ｈ（ｋ，ｆ，ｔ）は、雑音源ｋの雑音信号Ｎ（ｋ，ｆ，ｔ）が第２のマイク１０２と第１のマイク１０１に伝達する時の経路差の周波数スペクトルである。Σ＿｛ｘ＝下限｝＾｛上限｝ｆ（ｘ）は変数ｘを下限から上限まで変化させたときのｆ（ｘ）の和である。
　本発明の雑音除去システムにおける除去対象は、第１の入力信号Ｘ１（ｆ，ｔ）に含まれる雑音信号、つまり、式１の第２項Σ＿｛ｋ＝１｝＾｛Ｋ｝Ｈ（ｋ，ｆ，ｔ）Ｎ（ｋ，ｆ，ｔ）である。式１におけるこの除去対象の雑音を、第１の雑音成分である定常的な雑音の周波数スペクトルＮｓ（ｆ，ｔ）と、第２の雑音成分である非定常的な雑音の周波数スペクトルＮｎ（ｆ，ｔ）とを用いて書き直し、さらに定常的な雑音の周波数スペクトルＮｓ（ｆ，ｔ）をその平均値Ｎｓｍ（ｆ，ｔ）と差分Ｎｓｖ（ｆ，ｔ）とに分解して書き直すと、式１は式３となる。
Ｘ１（ｆ，ｔ）＝Ｓ（ｆ，ｔ）＋Ｎｓ（ｆ，ｔ）＋Ｎｎ（ｆ，ｔ）＝Ｓ（ｆ，ｔ）＋｛Ｎｓｍ（ｆ，ｔ）＋Ｎｓｖ（ｆ，ｔ）｝＋Ｎｎ（ｆ，ｔ）　（式３）
　第１の雑音推定部１１１は、式３で示す第１の入力信号を第１のマイク１０１から取得し（ステップＳ１）、第１の入力信号Ｘ１（ｆ，ｔ）に含まれる定常的な雑音成分Ｎｓ（ｆ，ｔ）を推定する（ステップＳ２）。
　推定方法の例として、以下のように、所定期間（０＜＝ｔ＜ｉｎｉｔＬｅｎ）では、入力信号Ｘ１（ｆ，ｔ）が定常的な雑音成分のみから構成されていると仮定して、入力信号Ｘ１（ｆ，ｔ）を平均化（時間平均）したものを、第１の推定雑音Ｎｓ’１（ｆ，ｔ）とする。
Ｎｓ’１（ｆ，ｔ）＝ａｖｅ＿｛ｔ｝［Ｘ１（ｆ，ｔ）］　（０＜＝ｔ＜ｉｎｉｔＬｅｎ）
　ただし、ａｖｅ＿｛ｘ｝［ｆ（ｘ）］はｘについてｆ（ｘ）を平均する演算子である。
　第１の推定雑音Ｎｓ’１（ｆ，ｔ）の推定方法の別の例として、入力信号Ｘ１（ｆ，ｔ）のヒストグラムを作成し、最小値を第１の推定雑音Ｎｓ’１（ｆ，ｔ）とする方法がある。または、特開２００２－２０４１７５号公報に記載された推定方法を用いて第１の推定雑音Ｎｓ’１（ｆ，ｔ）を推定する方法がある。
　なお、第１の雑音推定部１１１は、上記の例と異なる方法を用いて第１の推定雑音Ｎｓ’１（ｆ，ｔ）を推定してもよい。
　第１の雑音推定部１１１が第１の推定雑音Ｎｓ’１（ｆ，ｔ）を計算した後、第１の雑音除去部１２１は第１の推定音声Ｓ’１（ｆ，ｔ）を求める（ステップＳ３）。以下に第１の推定音声Ｓ’１（ｆ，ｔ）の推定方法の一例を示す。
Ｓ’１（ｆ，ｔ）＝Ｗ（ｆ，ｔ）Ｘ１（ｆ，ｔ）
Ｗ（ｆ，ｔ）＝Ｓ’’１（ｆ，ｔ）／｛Ｓ’’１（ｆ，ｔ）＋Ｎｓ’１（ｆ，ｔ）｝
Ｓ’’１（ｆ，ｔ）＝０．９８×Ｓ’’１（ｆ，ｔ－１）＋０．０２×ｍａｘ［Ｘ１（ｆ，ｔ）－Ｎｓ’１（ｆ，ｔ），０］
　第１の推定音声Ｓ’１（ｆ，ｔ）の推定方法の別の例として、Ｓ’’１（ｆ，ｔ）を第１の推定音声Ｓ’１（ｆ，ｔ）に代入する方法がある。または、特許文献１に記載された方法と同様に、Ｓ’’１（ｆ，ｔ）を事前に学習した音声のパタンを用いて補正した後にＷ（ｆ，ｔ）を計算し、Ｘ１（ｆ，ｔ）に乗算することでＳ’１（ｆ，ｔ）を推定する方法がある。または、Ｓ’’１（ｆ，ｔ）を音声のパタンを用いて補正して、第１の推定音声としてＳ’１（ｆ，ｔ）に代入する方法がある。
　なお、第１の雑音除去部１２１は、上記の例と異なる方法を用いて第１の推定音声Ｓ’１（ｆ，ｔ）を推定してもよい。
　第１の雑音除去部１２１が第１の推定音声Ｓ’１（ｆ，ｔ）を計算した後、第２の雑音推定部１１２は、第１の入力信号Ｘ１（ｆ，ｔ）と第１の推定音声Ｓ’１（ｆ，ｔ）とを少なくとも用いて、第２の推定雑音Ｎｓ’２（ｆ，ｔ）を求める（ステップＳ４）。以下に第２の推定雑音Ｎｓ’２（ｆ，ｔ）の推定方法の一例を示す。
　Ｎｓ’２（ｆ，ｔ）＝Ｘ１（ｆ，ｔ）－Ｓ’１（ｆ，ｔ）
　また、第２の雑音推定部１１２は、第１の入力信号Ｘ１（ｆ，ｔ）、第１の推定音声Ｓ’１（ｆ，ｔ）の他に、第１の推定雑音Ｎｓ’１（ｆ，ｔ）を用いて、第２の推定雑音Ｎｓ’２（ｆ，ｔ）を推定してもよい。
　第２の推定雑音Ｎｓ’２（ｆ，ｔ）の推定方法の別の例として、以下のように第２の推定雑音Ｎｓ’２（ｆ，ｔ）を求める方法がある。
　Ｎｓ’２（ｆ，ｔ）＝ＷＩ（ｆ，ｔ）Ｘ１（ｆ，ｔ）
　ＷＩ（ｆ，ｔ）＝Ｎｓ’１（ｆ，ｔ）／｛Ｓ’１（ｆ，ｔ）＋Ｎｓ’１（ｆ，ｔ）｝
または、
　ＷＩ（ｆ，ｔ）＝１－Ｓ’１（ｆ，ｔ）／｛Ｓ’１（ｆ，ｔ）＋Ｎｓ’１（ｆ，ｔ）｝
　なお、第２の雑音推定部１１２は、上記の例と異なる方法を用いて第２の推定雑音Ｎｓ’２（ｆ，ｔ）を推定してもよい。
　第２の雑音推定部１１２は、第１の入力信号Ｘ１（ｆ，ｔ）に加えて第１の推定音声Ｓ’１（ｆ，ｔ）を用いることにより、第１の推定雑音Ｎｓ’１（ｆ，ｔ）より高精度にＸ１（ｆ，ｔ）に含まれる定常的な雑音成分Ｎｓ（ｆ，ｔ）を推定することができる。特に、第２の雑音推定部１１２は、式３に示す定常的な雑音成分の平均値Ｎｓｍ（ｆ，ｔ）だけでなく、Ｎｓ（ｆ，ｔ）とＮｓｍ（ｆ，ｔ）との差分であるＮｓｖ（ｆ，ｔ）も含めて推定することができる。それは、第１の推定雑音Ｎｓ’１（ｆ，ｔ）が第１の推定音声Ｓ’１（ｆ，ｔ）より十分大きい場合にＷＩ（ｆ，ｔ）が１に近い値をとり、そのＷＩ（ｆ，ｔ）をＮｓｖ（ｆ，ｔ）が含まれる第１の入力信号Ｘ１（ｆ，ｔ）に乗じて、第２の推定雑音Ｎｓ’２（ｆ，ｔ）を得るためである。しかし、第２の推定雑音Ｎｓ’２（ｆ，ｔ）には、非定常的な雑音成分Ｎｎ（ｆ，ｔ）は含まれない。それは、第１の推定雑音Ｎｓ’１（ｆ，ｔ）において、非定常的な雑音成分を雑音とみなしていないためである。
　次に、第３の雑音推定部１１３は、第２のマイク１０２から第２の入力信号を取得し（ステップＳ５）、第１の入力信号Ｘ１（ｆ，ｔ）と第２の入力信号Ｘ２（ｆ，ｔ）とを用いて、第３の推定雑音Ｎｎ’１（ｆ，ｔ）を求める（ステップＳ６）。
　Ｎｎ’１（ｆ，ｔ）=Ｈ’（ｆ，ｔ）Ｘ２（ｆ，ｔ）
　Ｈ’（ｆ，ｔ）＝ａｖｅ＿｛ｔ｝［Ｘ１（ｆ，ｔ）］／ａｖｅ＿｛ｔ｝［Ｘ２（ｆ，ｔ）］
　なお、Ｈ’（ｆ，ｔ）は式１に含まれるＨ（ｋ，ｆ，ｔ）の推定値であり、上記の例で示した方法以外で推定してもよい。また、事前にＨ’（ｆ，ｔ）の値を求めることができる場合には、その値を使用してもよい。
　第３の推定雑音Ｎｎ’１（ｆ，ｔ）は、第２の推定雑音Ｎｓ’２（ｆ，ｔ）が含んでいない非定常的な雑音成分を含んでいる。しかし、第１のマイク１０１からの第１の入力信号に含まれる定常的な雑音成分については、Ｎｓ（ｆ，ｔ）とその平均値Ｎｓｍ（ｆ，ｔ）との差分Ｎｓｖ（ｆ，ｔ）も含めて推定している第２の推定雑音Ｎｓ’２（ｆ，ｔ）の方が、第２の入力信号に基づく第３の推定雑音Ｎｎ’１（ｆ，ｔ）より高精度である。
　次に、推定雑音統合部１１４は、第２の雑音推定部１１２から出力された第２の推定雑音Ｎｓ’２（ｆ，ｔ）と、第３の雑音推定部１１３から出力された第３の推定雑音Ｎｎ’１（ｆ，ｔ）とを用いて、第１の入力信号に含まれる定常的な雑音、非定常的な雑音を高精度に推定する（ステップＳ７）。そして、推定雑音統合部１１４は、推定した雑音を第４の推定雑音Ｎ’（ｆ，ｔ）として出力する。
　Ｎ’（ｆ，ｔ）＝（１－α（ｆ，ｔ））｛βｓ（ｆ，ｔ）Ｎｓ’２（ｆ，ｔ）｝＋α（ｆ，ｔ）｛βｎ（ｆ，ｔ）Ｎｎ’１（ｆ，ｔ）｝
　ここで、α（ｆ，ｔ）はβｓ（ｆ，ｔ）Ｎｓ’２（ｆ，ｔ）とβｎ（ｆ，ｔ）Ｎｎ’１（ｆ，ｔ）との混合を制御する係数（以下、混合係数という。）である。また、βｓ（ｆ，ｔ）は定常的な雑音成分の推定値Ｎｓ’２（ｆ，ｔ）を微調整する係数（以下、調整係数という。）である。βｎ（ｆ，ｔ）は非定常的な雑音を含む雑音の推定値Ｎｎ’１（ｆ，ｔ）を微調整する調整係数である。βｓ（ｆ，ｔ）とβｎ（ｆ，ｔ）は通常は１．０という値が望ましいが、雑音を過大に推定したい場合は１．０より大きい値、過小に推定したい場合は１．０より小さい値に設定してもよい。混合係数α（ｆ，ｔ）は、非定常的な雑音が存在する場合に１．０に近い値を取り、非定常的な雑音が存在しない場合に０．０に近い値を取るようにすればよい。例えば、以下のようにすればよい。
　α（ｆ，ｔ）＝１．０　ｆｏｒ　βｓ（ｆ，ｔ）Ｎｓ’２（ｆ，ｔ）　＜　βｎ（ｆ，ｔ）Ｎｎ’１（ｆ，ｔ）
　α（ｆ，ｔ）＝０．０　ｆｏｒ　βｓ（ｆ，ｔ）Ｎｓ’２（ｆ，ｔ）　＞＝　βｎ（ｆ，ｔ）Ｎｎ’１（ｆ，ｔ）
　ただし、この場合は最大値をとる演算ｍａｘ［］を用いると、第４の推定雑音Ｎ’（ｆ，ｔ）は以下のようになる。
　Ｎ’（ｆ，ｔ）＝ｍａｘ［βｓ（ｆ，ｔ）Ｎｓ’２（ｆ，ｔ），　βｎ（ｆ，ｔ）Ｎｎ’１（ｆ，ｔ）］
　α（ｆ，ｔ）の計算方法の別の例として、βｓ（ｆ，ｔ）Ｎｓ’２（ｆ，ｔ）よりβｎ（ｆ，ｔ）Ｎｎ’１（ｆ，ｔ）の値が大きいほど、すなわち比｛βｎ（ｆ，ｔ）Ｎｎ’１（ｆ，ｔ）／βｓ（ｆ，ｔ）Ｎｓ’２（ｆ，ｔ）｝が大きいほどα（ｆ，ｔ）が１．０に近づき、小さいほどα（ｆ，ｔ）が０．０に近づくように、α（ｆ，ｔ）を算出する方法がある。なお、α（ｆ，ｔ）の計算方法は上記の例と異なる方法を用いてもよい。
　最後に、第２の雑音除去部１２２は、第４の推定雑音Ｎ’（ｆ，ｔ）を用いて、第１の入力信号Ｘ１（ｆ，ｔ）に含まれる雑音を除去し（ステップＳ８）、雑音を除去した第１の入力信号Ｘ１（ｆ，ｔ）を第２の推定音声Ｓ’２（ｆ，ｔ）として出力する。このとき、第２の雑音除去部１２２は、第１の雑音除去部１２１と同様、以下の例に示す方法を用いることができる。
　Ｓ’２（ｆ，ｔ）＝Ｗ（ｆ，ｔ）Ｘ１（ｆ，ｔ）
　Ｗ（ｆ，ｔ）＝Ｓ’’２（ｆ，ｔ）／｛Ｓ’’２（ｆ，ｔ）＋Ｎ’（ｆ，ｔ）｝
　Ｓ’’２（ｆ，ｔ）＝０．９８×Ｓ’’２（ｆ，ｔ－１）＋０．０２×ｍａｘ［Ｘ１（ｆ，ｔ）－Ｎ’（ｆ，ｔ），０］
　第２の推定音声Ｓ’２（ｆ，ｔ）の推定方法の別の例として、Ｓ’’２（ｆ，ｔ）を第２の推定音声Ｓ’２（ｆ，ｔ）に代入する方法がある。または、特許文献１に記載された方法と同様に、Ｓ’’２（ｆ，ｔ）を事前に学習した音声のパタンを用いて補正した後にＷ（ｆ，ｔ）を計算し、Ｘ１（ｆ，ｔ）に乗算することでＳ’２（ｆ，ｔ）を推定する。または、Ｓ’’２（ｆ，ｔ）を音声のパタンを用いて補正して、第２の推定音声としてＳ’２（ｆ，ｔ）に代入する方法がある。
　なお、第２の雑音除去部１２２は、上記の例と異なる方法を用いて第２の推定音声Ｓ’２（ｆ，ｔ）を推定してもよい。
　以上に説明したように、本実施形態では、定常的な雑音成分の高精度な推定値である第２の推定雑音Ｎｓ’２（ｆ，ｔ）と、第２のマイクからの第２の入力信号に基づく非定常的な雑音成分を含む雑音の推定値Ｎｎ’１（ｆ，ｔ）とを統合する。それにより、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分を高精度に推定することができる。また、本実施形態では、推定された当該定常的な雑音成分と当該非定常的な雑音成分とをもとに第１の入力信号から雑音を除去するので、高精度に雑音を除去することができる。
　特許文献２に記載された方法における除去対象の非定常雑音成分は、マイクを介して入力されるＣＤプレーヤ等の再生音（ＣＤプレーヤ等のスピーカからのエコー）である。特許文献２に記載された方法では、ＣＤプレーヤ等から、音に変換される前の電気信号を参照信号として用いて非定常雑音成分を推定する。そのため、参照信号に含まれない非定常雑音成分は推定できず、除去できない。
　それに対して、本実施形態では、マイクから入力された音声信号に基づいて非定常的な雑音成分を推定するため、第３の雑音推定部１１３が推定する非定常的な雑音成分にはスピーカから再生された非定常的な雑音成分に加えて、定常的な雑音成分やスピーカから再生されていない非定常的な雑音成分も含まれる。すなわち、第３の雑音推定部１１３は、定常的な雑音成分と非定常的な雑音成分との和から構成される非定常的な雑音成分（以下、第２の非定常的な雑音成分と表現する。）を推定する。従って、本実施形態によれば、スピーカから再生された非定常的な雑音成分に加えて、定常的な雑音成分やスピーカから再生されていない非定常的な雑音成分も除去できる。
実施形態２．
　以下、本発明の第２の実施形態を図面を参照して説明する。
　図３は、本発明の第２の実施形態の音声検出システムの構成を示すブロック図である。図４は、第２の実施形態の音声検出システムの他の構成を示すブロック図である。なお、第１の実施形態と同様の構成については、図１と同一の符号を付し、説明を省略する。
　図３に示すように、音声検出システムは、第１の実施形態の雑音除去システムの構成に加え、正規化部１３１と、音声検出部１３２とを備える。
　正規化部１３１は、第２の雑音除去部１２２からの第２の推定音声Ｓ’２（ｆ，ｔ）を、第２の雑音推定部１１２からの第２の推定雑音Ｎｓ’２（ｆ，ｔ）を用いて正規化する。
　音声検出部１３２は、正規化部１３１からの正規化音声を用いて音声を検出する。
　なお、第２の実施形態における、第１の雑音推定部１１１、第２の雑音推定部１１２、第３の雑音推定部１１３、推定雑音統合部１１４、第１の雑音除去部１２１、第２の雑音除去部１２２、正規化部１３１および音声検出部１３２は、例えば、音声検出プログラムに従って動作するコンピュータによって実現される。この場合、ＣＰＵが音声検出プログラムを読み込み、そのプログラムに従って、第１の雑音推定部１１１、第２の雑音推定部１１２、第３の雑音推定部１１３、推定雑音統合部１１４、第１の雑音除去部１２１、第２の雑音除去部１２２、正規化部１３１および音声検出部１３２として動作する。また、第１の雑音推定部１１１、第２の雑音推定部１１２、第３の雑音推定部１１３、推定雑音統合部１１４、第１の雑音除去部１２１、第２の雑音除去部１２２、正規化部１３１および音声検出部１３２が別々のハードウェアで実現されていてもよい。
　音声検出システムのその他の構成および動作は、第１の実施形態の雑音除去システムと同様である。したがって、正規化部１３１および音声検出部１３２について説明する。
　正規化部１３１は、第２の雑音除去部１２２からの第２の推定音声Ｓ’２（ｆ，ｔ）を第２の雑音推定部１１２からの第２の推定雑音Ｎｓ’２（ｆ，ｔ）を用いて正規化し、正規化音声Ｓｎ’（ｆ，ｔ）を出力する。式４に第２の推定音声Ｓ’２（ｆ，ｔ）の正規化の一例を示す。
　Ｓｎ’（ｆ，ｔ）＝Ｓ’２（ｆ，ｔ）／Ｎｓ’２（ｆ，ｔ）　（式４）
　上記のように正規化することにより、例えば、第１のマイク１０１の感度が異なり、第１の入力信号の音量が変化した場合においても、正規化音声Ｓｎ’（ｆ，ｔ）の値は変化しない。すなわち、Ｓｎ’（ｆ，ｔ）を用いて音声を検出する際に、検出閾値の設定が容易になる。また、式２で示す第２の入力信号の右辺第１項Ｈ０（ｆ，ｔ）Ｓ（ｆ，ｔ）（以降、クロストークと呼ぶ。）が無視できない場合、第４の推定雑音Ｎ’（ｆ，ｔ）ではなく、クロストークが含まれない第２の推定雑音Ｎｓ’２（ｆ，ｔ）で正規化することにより、Ｓｎ’（ｆ，ｔ）が音声区間でより大きな値となる。すなわち、Ｓｎ’（ｆ，ｔ）を用いて音声を検出する際に、より音声区間を高精度に検出できる。
　なお、式４では周波数のインデックスｆと時間のインデックスｔ毎に正規化し、正規化音声を出力しているが、周波数や時間で平均化してもよい。また、図４に示すように、正規化部１３１は、第２の推定雑音Ｎｓ’２（ｆ，ｔ）の代わりに同様にクロストークが含まれない第１の推定雑音Ｎｓ’１（ｆ，ｔ）を入力して、第１の推定雑音Ｎｓ’１（ｆ，ｔ）を用いて正規化してもよい。
　また、以下の式に示すように、正規化に用いる第２の推定雑音Ｎｓ’２（ｆ，ｔ）や第１の推定雑音Ｎｓ’１（ｆ，ｔ）に対して、微量の非定常雑音を混入させてもよい。すなわち、当該微量の非定常雑音を混入した第２の推定雑音Ｎｓ’２（ｆ，ｔ）や第１の推定雑音Ｎｓ’１（ｆ，ｔ）を、正規化に用いてもよい。
　Ｎｓ’２（ｆ，ｔ）＝（１－γ（ｆ，ｔ））Ｎｓ’２（ｆ，ｔ）＋γ（ｆ，ｔ）Ｎｎ’１（ｆ，ｔ）
　Ｎｓ’１（ｆ，ｔ）＝（１－γ（ｆ，ｔ））Ｎｓ’１（ｆ，ｔ）＋γ（ｆ，ｔ）Ｎｎ’１（ｆ，ｔ）
　ここで、γ（ｆ，ｔ）は、Ｎｓ’２（ｆ，ｔ）またはＮｓ’１（ｆ，ｔ）への非定常雑音の混入度合いを制御する係数であり、１より小さい正の数である。例えば、Ｎｓ’２（ｆ，ｔ）を用いた場合に、γ（ｆ，ｔ）＝０．０１と設定すると、Ｎ’２（ｆ，ｔ）にはＮｎ’１（ｆ，ｔ）に含まれる非定常雑音が１％混入する。非定常雑音の微量な推定誤差により式４のＳ’２（ｆ，ｔ）に微量な非定常雑音が残留した場合に、Ｎ’２（ｆ，ｔ）に非定常雑音を１％混入することによって、Ｓ’２（ｆ，ｔ）に残留した微量な非定常雑音の悪影響を軽減できる。特に、定常雑音が非定常雑音に比べて非常に小さい場合に、残留した微量な非定常雑音の悪影響が大きいため、微量な非定常雑音を混入する効果が大きい。非定常雑音を混入する際、同時に微量なクロストークが混入するが、その悪影響は小さい。なお、γ（ｆ，ｔ）は、非定常雑音の推定がより難しい低い周波数（ｆが小さい）ほど、大きな値に設定してもよい。また、定常雑音が非定常雑音に比べて小さいほど大きな値に設定してもよい。
　次に、音声検出部１３２は、正規化部１３１からの正規化音声Ｓｎ’（ｆ，ｔ）を用いて音声を検出し、検出結果を出力する。検出結果の例を以下に示す。
　検出結果＝対象音声区間　ｆｏｒ　Ｓｎ’（ｔ）　＞＝　Ｔｈ
　検出結果＝非対象音声区間　ｆｏｒ　Ｓｎ’（ｔ）　＜　Ｔｈ
　ここで、Ｓｎ’（ｔ）は、Ｓｎ’（ｆ，ｔ）を計算する際に周波数ｆに関して平均した後に計算した正規化音声である。時刻ｔにおいて、Ｓｎ’（ｔ）が閾値Ｔｈより大きければ対象音声区間、閾値Ｔｈより小さければ対象音声区間ではないと判定する。
　以上に説明したように、本実施形態では、高精度に雑音除去された第２の雑音除去部１２２からの第２の推定音声Ｓ’２（ｆ，ｔ）を、第２の雑音推定部１１２からの第２の推定雑音Ｎｓ’２（ｆ，ｔ）を用いて正規化する。それにより、音声検出部１３２における閾値の設定が容易になる。また、本実施形態では、クロストークが無視できない場合、第４の推定雑音Ｎ’（ｆ，ｔ）ではなく、クロストークが含まれない第２の推定雑音Ｎｓ’２（ｆ，ｔ）で正規化する。それにより、Ｓｎ’（ｆ，ｔ）が音声区間でより大きな値となる。すなわちＳｎ’（ｆ，ｔ）を用いて音声を検出する際に、より音声区間を高精度に検出できる。
実施形態３．
　以下、本発明の第３の実施形態を図面を参照して説明する。
　図５は、本発明の第３の実施形態の音声認識システムの構成を示すブロック図である。なお、第２の実施形態と同様の構成については、図３と同一の符号を付し、説明を省略する。
　図５に示すように、音声認識システムは、第２の実施形態の音声検出システムの構成に加え、音声認識部１３３を備える。
　音声認識部１３３は、第１の雑音除去部１２１からの第１の推定音声Ｓ’１（ｆ，ｔ）と音声検出部１３２からの検出結果を受けて音声を認識する。
　音声認識システムのその他の構成および動作は、第２の実施形態の音声検出システムと同様である。したがって、音声認識部１３３について説明する。
　音声認識部１３３は、第１の雑音除去部１２１からの第１の推定音声Ｓ’１（ｆ，ｔ）と音声検出部１３２からの検出結果を受けて音声を認識し、音声認識結果を出力する。音声認識部１３３は、受け取った検出結果が対象音声区間の場合に、第１の雑音除去部１２１からの第１の推定音声Ｓ’１（ｆ，ｔ）を認識する。
　このように、第２の雑音除去部１２２からの第２の推定音声Ｓ’２（ｆ，ｔ）ではなくクロストークの影響を受けていない第１の雑音除去部１２１からの第１の推定音声Ｓ’１（ｆ，ｔ）を音声認識部１３３の入力とすることにより、クロストークの影響による音声認識率の低下を防ぐことができる。
　また、音声認識システムは、図６に示すように構成されていてもよい。図６は、第３の実施形態の音声認識システムの他の構成を示すブロック図である。
　図６に示す音声認識システムは、図５に示す音声認識システムの構成に加え、第３の雑音除去部１２３を備える。
　第３の雑音除去部１２３は、第１の入力信号とクロストークが含まれない第２の推定雑音Ｎｓ’２（ｆ，ｔ）を用いて、第１の雑音除去部１２１や第２の雑音除去部１２２と同様な手法で第３の推定音声を求める。そして、第３の雑音除去部１２３は、第３の推定音声を音声認識部１３３に出力する。
　このように、クロストークの影響を受けていない第３の推定音声を音声認識部１３３の入力とすることにより、図５に示すシステムと同様にクロストークの影響による音声認識率の低下を防ぐことができる。
　以上に説明したように、本実施形態では、第１の雑音除去部１２１からの第１の推定音声Ｓ’１（ｆ，ｔ）と音声検出部１３２からの検出結果とを受けて音声を認識し、音声認識結果を出力する。このように、音声検出部１３２からの高精度な検出結果とクロストークの影響を受けていない第１の雑音除去部１２１からの第１の推定音声Ｓ’１（ｆ，ｔ）とを音声認識部１３３の入力とすることにより、高い音声認識率を達成できる。
　なお、第３の実施形態における、第１の雑音推定部１１１、第２の雑音推定部１１２、第３の雑音推定部１１３、推定雑音統合部１１４、第１の雑音除去部１２１、第２の雑音除去部１２２、正規化部１３１、音声検出部１３２、音声認識部１３３および第３の雑音除去部１２３は、例えば、音声認識プログラムに従って動作するコンピュータによって実現される。この場合、ＣＰＵが音声認識プログラムを読み込み、そのプログラムに従って、第１の雑音推定部１１１、第２の雑音推定部１１２、第３の雑音推定部１１３、推定雑音統合部１１４、第１の雑音除去部１２１、第２の雑音除去部１２２、正規化部１３１、音声検出部１３２、音声認識部１３３および第３の雑音除去部１２３として動作する。また、第１の雑音推定部１１１、第２の雑音推定部１１２、第３の雑音推定部１１３、推定雑音統合部１１４、第１の雑音除去部１２１、第２の雑音除去部１２２、正規化部１３１、音声検出部１３２、音声認識部１３３および第３の雑音除去部１２３が別々のハードウェアで実現されていてもよい。
　以下、具体的な実施例により本発明を説明するが、本発明の範囲は以下に説明する内容に限定されない。
　図７は、本発明による音声認識システムの実施例を示す説明図である。
　図７に示す端末２００は、本発明による音声認識システムを含む。端末２００は、例えばタブレット端末であって、話者３００は、端末２００に設置されたタッチパネル２０１を操作する。なお、タッチパネル２０１が設置された側を端末２００の表面とする。
　話者３００が発声した音声を第１のマイク１０１と第２のマイク１０２で収音する。第１のマイク１０１と第２のマイク１０２は話者の音声が第１のマイク１０１により大きく入力されるように配置することが望ましい。従って、本実施例では、図７に示すように、端末２００の表面に第１のマイク１０１を配置する。そして、話者３００の音声の直接音が第２のマイク１０２に入力されないように、端末２００の裏面に第２のマイク１０２を配置する。
　図７に示す例では、第１のマイク１０１には話者３００の音声の直接音が入力されるが、第２のマイク１０２へは反射音と回折音しか入力されない。そのため、話者３００の音声は第１のマイク１０１により大きく入力される。一方、雑音を発する空調機４００やテレビ５００からの雑音は、第２のマイク１０２により大きく入力されることが望ましい。
　本実施例のように空調機４００からの定常的な雑音、テレビ５００からの非定常的な雑音が発せられた場合においても、本発明による音声認識システムは、高精度に音声を認識できる。その理由は、上述のとおり、音声認識システムが、第１のマイク１０１が出力する第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分を高精度に推定し、推定した当該定常的な雑音成分と当該非定常的な雑音成分とをもとに第１の入力信号から雑音を除去するからである。
　なお、本実施例および第３の実施形態では、音声認識システムが第１のマイク１０１および第２のマイク１０２を備える場合について説明したが、音声認識システムは第１のマイク１０１および第２のマイク１０２を備えていなくてもよい。例えば、端末２００が備えるマイクを第１のマイクおよび第２のマイクとして利用するようにしてもよい。また、第１の実施形態および第２の実施形態についても同様に、雑音除去システムおよび音声検出システムは、第１のマイク１０１および第２のマイク１０２を備えていなくてもよい。
　以上、本発明を上記各実施形態および実施例に即して説明したが、本発明は、上記の各実施形態の構成のみに限定されるものでなく、本発明の原理に準ずる範囲内で当業者であればなし得るであろう各種変形、修正を含むことは勿論である。
　また、本発明は、入力信号に含まれる雑音を除去できる雑音除去システムや、雑音除去システムをコンピュータに実現するためのプログラムといった用途に適用できる。
　また、上記の各実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下に限られない。
（付記１）第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、第１の入力信号と第１の雑音推定部からの第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、第１の入力信号と第１の雑音除去部からの第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を除去する第２の雑音除去部と、第２の雑音除去部からの第２の推定音声を第２の雑音推定部からの第２の推定雑音または第１の雑音推定部からの第１の推定雑音で正規化する正規化部と、正規化部からの正規化音声を用いて音声を検出する音声検出部とを備えることを特徴とする音声検出システム。
（付記２）推定雑音統合部は、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する付記１に記載の音声検出システム。
　そのような構成によれば、調整係数を調整することにより、第２の推定雑音および第３の推定雑音を過大に推定したり、過小に推定したりすることができる。また、混合係数を制御することにより、定常的な雑音および非定常的な雑音が存在する度合いに応じた雑音推定を行うことができる。従って、音声区間をより高精度に検出できる。
（付記３）推定雑音統合部は、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する付記１に記載の音声検出システム。
　そのような構成によれば、混合係数を用いることなく、定常的な雑音および非定常的な雑音が存在する度合いに応じた雑音推定を行うことができるので、高精度な音声検出をより簡易に行うことができる。
（付記４）入力した音声を第１の入力信号として出力する第１の音声入力装置と、入力した音声を第２の入力信号として出力する第２の音声入力装置とを備え、第１の音声入力装置に入力される雑音除去の対象となる音声が、第２の音声入力装置に入力される雑音除去の対象となる音声よりも大きい付記１から付記３のうちのいずれか１つに記載の音声検出システム。
　そのような構成によれば、空調機からの定常的な雑音、テレビからの非定常的な雑音が発せられた場合においても、音声をより高精度に検出することができる。
（付記５）第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、第１の入力信号と第１の雑音推定部からの第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、第１の入力信号と第１の雑音除去部からの第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する第２の雑音除去部と、第２の雑音除去部からの第２の推定音声を第２の雑音推定部からの第２の推定雑音または第１の雑音推定部からの第１の推定雑音で正規化する正規化部と、正規化部からの正規化音声を用いて音声を検出する音声検出部と、第１の雑音除去部からの第１の推定音声と音声検出部からの検出結果を受けて音声を認識する音声認識部とを備えることを特徴とする音声認識システム。
（付記６）推定雑音統合部は、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する付記５に記載の音声認識システム。
　そのような構成によれば、調整係数を調整することにより、第２の推定雑音および第３の推定雑音を過大に推定したり、過小に推定したりすることができる。また、混合係数を制御することにより、定常的な雑音および非定常的な雑音が存在する度合いに応じた雑音推定を行うことができる。従って、音声区間をより高精度に検出できる。それにより、高い音声認識率を達成できる。
（付記７）推定雑音統合部は、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する付記５に記載の音声認識システム。
　そのような構成によれば、混合係数を用いることなく、定常的な雑音および非定常的な雑音が存在する度合いに応じた雑音推定を行うことができるので、より簡易に高い音声認識率を達成できる。
（付記８）入力した音声を第１の入力信号として出力する第１の音声入力装置と、入力した音声を第２の入力信号として出力する第２の音声入力装置とを備え、第１の音声入力装置に入力される雑音除去の対象となる音声が、第２の音声入力装置に入力される雑音除去の対象となる音声よりも大きい付記５から付記７のうちのいずれか１つに記載の音声認識システム。
　そのような構成によれば、空調機からの定常的な雑音、テレビからの非定常的な雑音が発せられた場合においても、より高い音声認識率を達成できる。
（付記９）第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、第１の入力信号と第１の雑音推定部からの第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、第１の入力信号と第１の雑音除去部からの第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する第２の雑音除去部と、第２の雑音除去部からの第２の推定音声を第２の雑音推定部からの第２の推定雑音または第１の雑音推定部からの第１の推定雑音で正規化する正規化部と、正規化部からの正規化音声を用いて音声を検出する音声検出部と、第１の入力信号と第２の雑音推定部からの第２の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第３の推定音声を出力する第３の雑音除去部と、第３の雑音除去部からの第３の推定音声と音声検出部からの検出結果を受けて音声を認識する音声認識部とを備えることを特徴とする音声認識システム。
（付記１０）推定雑音統合部は、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する付記９に記載の音声認識システム。
（付記１１）推定雑音統合部は、第２の雑音推定部からの第２の推定雑音と第３の雑音推定部からの第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する付記９に記載の音声認識システム。
（付記１２）入力した音声を第１の入力信号として出力する第１の音声入力装置と、入力した音声を第２の入力信号として出力する第２の音声入力装置とを備え、第１の音声入力装置に入力される雑音除去の対象となる音声が、第２の音声入力装置に入力される雑音除去の対象となる音声よりも大きい付記９から付記１１のうちのいずれか１つに記載の音声認識システム。
（付記１３）第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力し、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力し、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力し、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力し、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定し、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力することを特徴とする雑音除去方法。
（付記１４）第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する付記１３に記載の雑音除去方法。
（付記１５）第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する付記１３に記載の雑音除去方法。
（付記１６）第２の入力信号に含まれる雑音除去の対象音声に比べて第１の入力信号に含まれる雑音除去の対象音声が大きくなるように、第１の入力信号および第２の入力信号を入力する付記１３から付記１５のうちのいずれか１つに記載の雑音除去方法。
（付記１７）第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力し、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力し、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力し、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力し、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定し、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力し、第２の推定音声を第２の推定雑音または第１の推定雑音で正規化した正規化音声を用いて音声を検出することを特徴とする音声検出方法。
（付記１８）第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する付記１７に記載の音声検出方法。
（付記１９）第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する付記１７に記載の音声検出方法。
（付記２０）第２の入力信号に含まれる雑音除去の対象音声に比べて第１の入力信号に含まれる雑音除去の対象音声が大きくなるように、第１の入力信号および第２の入力信号を入力する付記１７から付記１９のうちのいずれか１つに記載の音声検出方法。
（付記２１）第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力し、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力し、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力し、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力し、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定し、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力し、第２の推定音声を第２の推定雑音または第１の推定雑音で正規化した正規化音声を用いて音声を検出し、第１の推定音声と検出結果とを受けて音声を認識することを特徴とする音声認識方法。
（付記２２）第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する付記２１に記載の音声認識方法。
（付記２３）第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する付記２１に記載の音声認識方法。
（付記２４）第２の入力信号に含まれる雑音除去の対象音声に比べて第１の入力信号に含まれる雑音除去の対象音声が大きくなるように、第１の入力信号および第２の入力信号を入力する付記２１から付記２３のうちのいずれか１つに記載の音声認識方法。
（付記２５）第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力し、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力し、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力し、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力し、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定し、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力し、第２の推定音声を第２の推定雑音または第１の推定雑音で正規化した正規化音声を用いて音声を検出し、第１の入力信号と第２の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第３の推定音声を出力し、第３の推定音声と検出結果とを受けて音声を認識することを特徴とする音声認識方法。
（付記２６）第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する付記２５に記載の音声認識方法。
（付記２７）第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する付記２５に記載の音声認識方法。
（付記２８）第２の入力信号に含まれる雑音除去の対象音声に比べて第１の入力信号に含まれる雑音除去の対象音声が大きくなるように、第１の入力信号および第２の入力信号を入力する付記２５から付記２７のうちのいずれか１つに記載の音声認識方法。
（付記２９）コンピュータに、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する処理と、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する処理と、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する処理と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する処理と、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理と、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する処理とを実行させるための雑音除去プログラム。
（付記３０）コンピュータに、第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理を実行させる付記２９に記載の雑音除去プログラム。
（付記３１）コンピュータに、第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する処理を実行させる付記２９に記載の雑音除去プログラム。
（付記３２）コンピュータに、第２の入力信号に含まれる雑音除去の対象音声に比べて第１の入力信号に含まれる雑音除去の対象音声が大きくなるように、第１の入力信号および第２の入力信号を入力する処理を実行させる付記２９から付記３１のうちのいずれか１つに記載の雑音除去プログラム。
（付記３３）コンピュータに、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する処理と、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する処理と、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する処理と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する処理と、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理と、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する処理と、第２の推定音声を第２の推定雑音または第１の推定雑音で正規化した正規化音声を用いて音声を検出する処理とを実行させるための音声検出プログラム。
（付記３４）コンピュータに、第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理を実行させる付記３３に記載の音声検出プログラム。
（付記３５）コンピュータに、第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する処理を実行させる付記３３に記載の音声検出プログラム。
（付記３６）コンピュータに、第２の入力信号に含まれる雑音除去の対象音声に比べて第１の入力信号に含まれる雑音除去の対象音声が大きくなるように、第１の入力信号および第２の入力信号を入力する処理を実行させる付記３３から付記３５のうちのいずれか１つに記載の音声検出プログラム。
（付記３７）コンピュータに、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する処理と、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する処理と、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する処理と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する処理と、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理と、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する処理と、第２の推定音声を第２の推定雑音または第１の推定雑音で正規化した正規化音声を用いて音声を検出する処理と、第１の推定音声と音声の検出結果とを受けて音声を認識する処理とを実行させるための音声認識プログラム。
（付記３８）コンピュータに、第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理を実行させる付記３７に記載の音声認識プログラム。
（付記３９）コンピュータに、第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する処理を実行させる付記３７に記載の音声認識プログラム。
（付記４０）コンピュータに、第２の入力信号に含まれる雑音除去の対象音声に比べて第１の入力信号に含まれる雑音除去の対象音声が大きくなるように、第１の入力信号および第２の入力信号を入力する処理を実行させる付記３７から付記３９のうちのいずれか１つに記載の音声認識プログラム。
（付記４１）コンピュータに、第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する処理と、第１の入力信号と第１の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する処理と、第１の入力信号と第１の推定音声とを少なくとも用いて、第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する処理と、第１の入力信号と第２の入力信号とを用いて、第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する処理と、第２の推定雑音と第３の推定雑音とを用いて、第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理と、第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する処理と、第２の推定音声を第２の推定雑音または第１の推定雑音で正規化した正規化音声を用いて音声を検出する処理と、第１の入力信号と第２の推定雑音とを用いて、第１の入力信号から定常的な雑音成分を除去した第３の推定音声を出力する処理と、第３の推定音声と音声の検出結果とを受けて音声を認識するための音声認識プログラム。
（付記４２）コンピュータに、第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音の大きさに応じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理を実行させる付記４１に記載の音声認識プログラム。
（付記４３）コンピュータに、第２の推定雑音と第３の推定雑音にそれぞれ調整係数を乗じて、調整係数が乗じられた第２の推定雑音と調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより第１の入力信号に含まれる雑音を推定する処理を実行させる付記４１に記載の音声認識プログラム。
（付記４４）コンピュータに、第２の入力信号に含まれる雑音除去の対象音声に比べて第１の入力信号に含まれる雑音除去の対象音声が大きくなるように、第１の入力信号および第２の入力信号を入力する処理を実行させる付記４１から付記４３のうちのいずれか１つに記載の音声認識プログラム。
　この出願は、２０１３年１月１７日に出願された日本特許出願２０１３－００６０４４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。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記の実施形態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。
　１０１　第１のマイク
　１０２　第２のマイク
　１１１　第１の雑音推定部
　１１２　第２の雑音推定部
　１１３　第３の雑音推定部
　１１４　推定雑音統合部
　１２１　第１の雑音除去部
　１２２　第２の雑音除去部
　１２３　第３の雑音除去部
　１３１　正規化部
　１３２　音声検出部
　１３３　音声認識部
　２００　端末
　２０１　タッチパネル
　３００　話者
　４００　空調機
　５００　テレビ
　６１１　第１の雑音推定部
　６１２　第２の雑音推定部
　６２１　第１の雑音減衰部
　６２２　第２の雑音減衰部
　６３１　音声パタン記憶部

Claims (9)

  1. 　第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、
    　前記第１の入力信号と前記第１の雑音推定部からの第１の推定雑音とを用いて、前記第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、
    　前記第１の入力信号と前記第１の雑音除去部からの第１の推定音声とを少なくとも用いて、前記第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、
    　前記第１の入力信号と第２の入力信号とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、
    　前記第２の雑音推定部からの第２の推定雑音と前記第３の雑音推定部からの第３の推定雑音とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、
    　前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を除去する第２の雑音除去部とを備える
    　ことを特徴とする雑音除去システム。
  2. 　前記推定雑音統合部は、前記第２の雑音推定部からの第２の推定雑音と前記第３の雑音推定部からの第３の推定雑音にそれぞれ調整係数を乗じて、前記調整係数が乗じられた第２の推定雑音と前記調整係数が乗じられた第３の推定雑音の大きさに応じて、前記調整係数が乗じられた第２の推定雑音と前記調整係数が乗じられた第３の推定雑音とを混合するための混合係数を制御し、前記調整係数が乗じられた第２の推定雑音と前記調整係数が乗じられた第３の推定雑音にそれぞれの混合係数を乗じた後に加算することにより前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する
    　請求項１に記載の雑音除去システム。
  3. 　前記推定雑音統合部は、前記第２の雑音推定部からの第２の推定雑音と前記第３の雑音推定部からの第３の推定雑音にそれぞれ調整係数を乗じて、前記調整係数が乗じられた第２の推定雑音と前記調整係数が乗じられた第３の推定雑音のうち値が大きい方を選択することにより前記第１の入力信号に含まれる雑音を推定する
    　請求項１に記載の雑音除去システム。
  4. 　入力した音声を第１の入力信号として出力する第１の音声入力装置と、入力した音声を第２の入力信号として出力する第２の音声入力装置とを備え、
    　前記第１の音声入力装置に入力される雑音除去の対象となる音声が、前記第２の音声入力装置に入力される雑音除去の対象となる音声よりも大きい
    　請求項１から請求項３のうちのいずれか１項に記載の雑音除去システム。
  5. 　第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、
    　前記第１の入力信号と前記第１の雑音推定部からの第１の推定雑音とを用いて、前記第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、
    　前記第１の入力信号と前記第１の雑音除去部からの第１の推定音声とを少なくとも用いて、前記第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、
    　前記第１の入力信号と第２の入力信号とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、
    　前記第２の雑音推定部からの第２の推定雑音と前記第３の雑音推定部からの第３の推定雑音とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、
    　前記第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する第２の雑音除去部と、
    　前記第２の雑音除去部からの第２の推定音声を前記第２の雑音推定部からの第２の推定雑音または前記第１の雑音推定部からの第１の推定雑音で正規化する正規化部と、
    　前記正規化部からの正規化音声を用いて音声を検出する音声検出部とを備える
    　ことを特徴とする音声検出システム。
  6. 　第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、
    　前記第１の入力信号と前記第１の雑音推定部からの第１の推定雑音とを用いて、前記第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、
    　前記第１の入力信号と前記第１の雑音除去部からの第１の推定音声とを少なくとも用いて、前記第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、
    　前記第１の入力信号と第２の入力信号とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、
    　前記第２の雑音推定部からの第２の推定雑音と前記第３の雑音推定部からの第３の推定雑音とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、
    　前記第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する第２の雑音除去部と、
    　前記第２の雑音除去部からの第２の推定音声を前記第２の雑音推定部からの第２の推定雑音または前記第１の雑音推定部からの第１の推定雑音で正規化する正規化部と、
    　前記正規化部からの正規化音声を用いて音声を検出する音声検出部と、
    　前記第１の雑音除去部からの第１の推定音声と前記音声検出部からの検出結果を受けて音声を認識する音声認識部とを備える
    　ことを特徴とする音声認識システム。
  7. 　第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する第１の雑音推定部と、
    　前記第１の入力信号と前記第１の雑音推定部からの第１の推定雑音とを用いて、前記第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する第１の雑音除去部と、
    　前記第１の入力信号と前記第１の雑音除去部からの第１の推定音声とを少なくとも用いて、前記第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する第２の雑音推定部と、
    　前記第１の入力信号と第２の入力信号とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する第３の雑音推定部と、
    　前記第２の雑音推定部からの第２の推定雑音と前記第３の雑音推定部からの第３の推定雑音とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する推定雑音統合部と、
    　前記第１の入力信号から定常的な雑音成分と第２の非定常的な雑音成分を除去した第２の推定音声を出力する第２の雑音除去部と、
    　前記第２の雑音除去部からの第２の推定音声を前記第２の雑音推定部からの第２の推定雑音または前記第１の雑音推定部からの第１の推定雑音で正規化する正規化部と、
    　前記正規化部からの正規化音声を用いて音声を検出する音声検出部と、
    　前記第１の入力信号と前記第２の雑音推定部からの第２の推定雑音とを用いて、前記第１の入力信号から定常的な雑音成分を除去した第３の推定音声を出力する第３の雑音除去部と、
    前記第３の雑音除去部からの第３の推定音声と前記音声検出部からの検出結果を受けて音声を認識する音声認識部とを備える
    　ことを特徴とする音声認識システム。
  8. 　第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力し、
    　前記第１の入力信号と第１の推定雑音とを用いて、前記第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力し、
    　前記第１の入力信号と第１の推定音声とを少なくとも用いて、前記第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力し、
    　前記第１の入力信号と第２の入力信号とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力し、
    　第２の推定雑音と第３の推定雑音とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定し、
    　前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を除去する
    　ことを特徴とする雑音除去方法。
  9. 　コンピュータに、
    　第１の入力信号に含まれる定常的な雑音成分を推定し、第１の推定雑音を出力する処理と、
    　前記第１の入力信号と第１の推定雑音とを用いて、前記第１の入力信号から定常的な雑音成分を除去した第１の推定音声を出力する処理と、
    　前記第１の入力信号と第１の推定音声とを少なくとも用いて、前記第１の入力信号に含まれる定常的な雑音成分を再推定し、第２の推定雑音を出力する処理と、
    　前記第１の入力信号と第２の入力信号とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と非定常的な雑音成分の和から構成される第２の非定常的な雑音成分を推定し、第３の推定雑音を出力する処理と、
    　第２の推定雑音と第３の推定雑音とを用いて、前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を推定する処理と、
    　前記第１の入力信号に含まれる定常的な雑音成分と第２の非定常的な雑音成分を除去する処理とを実行させる
    　ための雑音除去プログラム。
PCT/JP2013/007573 2013-01-17 2013-12-25 雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラム WO2014112023A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2014557199A JP6265136B2 (ja) 2013-01-17 2013-12-25 雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラム
US14/760,814 US9449616B2 (en) 2013-01-17 2013-12-25 Noise reduction system, speech detection system, speech recognition system, noise reduction method, and noise reduction program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013006044 2013-01-17
JP2013-006044 2013-01-17

Publications (1)

Publication Number Publication Date
WO2014112023A1 true WO2014112023A1 (ja) 2014-07-24

Family

ID=51209149

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/007573 WO2014112023A1 (ja) 2013-01-17 2013-12-25 雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラム

Country Status (3)

Country Link
US (1) US9449616B2 (ja)
JP (1) JP6265136B2 (ja)
WO (1) WO2014112023A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6559576B2 (ja) * 2016-01-05 2019-08-14 株式会社東芝 雑音抑圧装置、雑音抑圧方法及びプログラム
GB201615538D0 (en) * 2016-09-13 2016-10-26 Nokia Technologies Oy A method , apparatus and computer program for processing audio signals
US10535360B1 (en) * 2017-05-25 2020-01-14 Tp Lab, Inc. Phone stand using a plurality of directional speakers
JP6948609B2 (ja) * 2018-03-30 2021-10-13 パナソニックＩｐマネジメント株式会社 騒音低減装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0667691A (ja) * 1992-08-18 1994-03-11 Nec Corp 雑音除去装置
JP2000163099A (ja) * 1998-11-25 2000-06-16 Brother Ind Ltd 雑音除去装置、音声認識装置および記憶媒体
JP2003195882A (ja) * 2001-12-21 2003-07-09 Fujitsu Ltd 信号処理システムおよび方法
JP2006163231A (ja) * 2004-12-10 2006-06-22 Internatl Business Mach Corp <Ibm> 雑音除去装置、雑音除去プログラム、及び雑音除去方法
JP2009075536A (ja) * 2007-08-28 2009-04-09 Nippon Telegr & Teleph Corp <Ntt> 定常率算出装置、雑音レベル推定装置、雑音抑圧装置、それらの方法、プログラム及び記録媒体
JP2011186384A (ja) * 2010-03-11 2011-09-22 Fujitsu Ltd 雑音推定装置、雑音低減システム、雑音推定方法、及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007193517A (ja) 2006-01-18 2007-08-02 Sharp Corp 電波方式認識を用いた搭載部品チェックシステム、搭載部品チェック方法、搭載部品チェックプログラム、および搭載部品チェックプログラムを格納した記録媒体
JP5423966B2 (ja) * 2007-08-27 2014-02-19 日本電気株式会社 特定信号消去方法、特定信号消去装置、適応フィルタ係数更新方法、適応フィルタ係数更新装置及びコンピュータプログラム
US8571231B2 (en) * 2009-10-01 2013-10-29 Qualcomm Incorporated Suppressing noise in an audio signal

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0667691A (ja) * 1992-08-18 1994-03-11 Nec Corp 雑音除去装置
JP2000163099A (ja) * 1998-11-25 2000-06-16 Brother Ind Ltd 雑音除去装置、音声認識装置および記憶媒体
JP2003195882A (ja) * 2001-12-21 2003-07-09 Fujitsu Ltd 信号処理システムおよび方法
JP2006163231A (ja) * 2004-12-10 2006-06-22 Internatl Business Mach Corp <Ibm> 雑音除去装置、雑音除去プログラム、及び雑音除去方法
JP2009075536A (ja) * 2007-08-28 2009-04-09 Nippon Telegr & Teleph Corp <Ntt> 定常率算出装置、雑音レベル推定装置、雑音抑圧装置、それらの方法、プログラム及び記録媒体
JP2011186384A (ja) * 2010-03-11 2011-09-22 Fujitsu Ltd 雑音推定装置、雑音低減システム、雑音推定方法、及びプログラム

Also Published As

Publication number Publication date
US20150356983A1 (en) 2015-12-10
JP6265136B2 (ja) 2018-01-24
JPWO2014112023A1 (ja) 2017-01-19
US9449616B2 (en) 2016-09-20

Similar Documents

Publication Publication Date Title
EP3276621B1 (en) Noise suppression device and noise suppressing method
US8824700B2 (en) Multi-input noise suppression device, multi-input noise suppression method, program thereof, and integrated circuit thereof
US8675901B2 (en) Howling suppression device, hearing aid, howling suppression method, and integrated circuit
US20080085012A1 (en) Sound signal correcting method, sound signal correcting apparatus and computer program
JP2006163231A (ja) 雑音除去装置、雑音除去プログラム、及び雑音除去方法
CN106575511B (zh) 用于估计背景噪声的方法和背景噪声估计器
JP6265136B2 (ja) 雑音除去システム、音声検出システム、音声認識システム、雑音除去方法および雑音除去プログラム
JP2009075536A (ja) 定常率算出装置、雑音レベル推定装置、雑音抑圧装置、それらの方法、プログラム及び記録媒体
JP7325445B2 (ja) ギャップ信頼度を用いた背景雑音推定
US9467571B2 (en) Echo removal
US8259961B2 (en) Audio processing apparatus and program
KR20170032603A (ko) 전자 장치, 그의 반향 신호 제거 방법 및 비일시적 컴퓨터 판독가능 기록매체
WO2014194013A1 (en) Echo removal
US10438606B2 (en) Pop noise control
EP3288030B1 (en) Gain adjustment apparatus and gain adjustment method
WO2012176932A1 (ja) 音声処理装置、音声処理方法および音声処理プログラム
JP2011069901A (ja) 雑音除去装置
JP6182862B2 (ja) 信号処理装置、信号処理方法、及び信号処理プログラム
JP2000010593A (ja) スペクトル雑音除去装置
JP4395105B2 (ja) 音響結合量推定方法、音響結合量推定装置、プログラム、記録媒体
JP6716933B2 (ja) 雑音推定装置、プログラム及び方法、並びに、音声処理装置
US10109291B2 (en) Noise suppression device, noise suppression method, and computer program product
JP6720772B2 (ja) 信号処理装置、信号処理方法、及び、信号処理プログラム
JP2001067092A (ja) 音声検出装置
JP2003177783A (ja) 音声認識装置、音声認識方式及び音声認識プログラム

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: 13871719

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2014557199

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 14760814

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: 13871719

Country of ref document: EP

Kind code of ref document: A1