WO2014129233A1

WO2014129233A1 - 音声強調装置

Info

Publication number: WO2014129233A1
Application number: PCT/JP2014/050573
Authority: WO
Inventors: 訓古田; 耕佑細谷
Original assignee: 三菱電機株式会社
Priority date: 2013-02-22
Filing date: 2014-01-15
Publication date: 2014-08-28
Also published as: DE112014000945B4; DE112014000945T5; JPWO2014129233A1; JP6073456B2; US9530430B2; CN104981870A; US20160005420A1; CN104981870B

Abstract

入力信号分析部３は、入力信号の態様から、第１の周波数を越えない範囲で、境界周波数を決定する。スペクトル圧縮部６は、第１の周波数より上の帯域の周波数のパワースペクトルを周波数方向に圧縮する。ゲイン補正部７は、圧縮されたパワースペクトルのゲイン補正を行う。スペクトル合成部８は、ゲイン補正部７から出力されたパワースペクトルを第１の周波数と境界周波数で決定される帯域に反映させる。周波数－時間変換部９は、スペクトル合成部８の合成パワースペクトルをと入力信号の位相スペクトルを時間領域に変換して出力する。

Description

音声強調装置

　本発明は、音声通信・音声蓄積・音声合成・音声認識システムが導入された、カーナビゲーション・携帯電話・インターフォン・収音装置などの音声通信システム・ハンズフリー通話システム・ＴＶ会議システム・監視システム・放送システム・音声合成システム等の音質改善や、音声認識システムの認識率の向上に用いられ、音声信号の品質および了解度を改善する音声強調装置に関するものである。

　アナログ電話では、電話回線を通じて送られてくる音声信号の周波数帯域は、例えば上限の周波数は３４００Ｈｚと狭く帯域制限されている。このため、従来の電話回線の音質はあまり良好とはいえない。また、携帯電話や業務無線などのデジタル音声通信では、ビットレートの厳しい制限によりアナログ回線と同様に帯域幅が制限されるため、この場合にも音質が良いとは言えない。音声の子音成分や、音声の持つ“個人性（その人らしさ）”や“自然性”については、しばしば３４００Ｈｚ以上の帯域にも存在するが、上述の帯域幅制限によりそれらは大きく失われる。

　ところで、近年では、音声圧縮技術（音声符号化技術）の進展に伴い、低ビットレートで広帯域（例えば上限の周波数が７０００Ｈｚ）の音声信号が無線伝送できるようになっている。しかしながら、送信側端末および受信側端末の双方が、対応する広帯域音声符号化・復号化方法をサポートする必要があるのと、双方の基地局においても広帯域符号化のためのネットワークを完備することが必要なことから、一部の業務通信システムにおいて実用化されているのみであり、公衆電話通信網で実施するには経済的に大きな負担となるばかりでなく、普及するまでに多くの時間を要する。

　そこで、音声信号の周波数を圧縮して、そのスペクトル全体が通過帯域内に収まるようにする試みが行われてきている。しかしながらこの方法では、元の音声信号と比較すると、音声の基本周期（ピッチ）を含む低周波数帯域の信号を含めてより低い周波数範囲に圧縮されるが、この圧縮された信号が再拡張されることなく再生される場合、再生された音声は不自然に低いピッチとなり、音声の個人性が欠落して品質が著しく低下する課題がある。これに対し、受信側端末で圧縮信号を拡張することでこの問題を解決可能であるが、このためには、送信側端末にて圧縮された高域信号に対し、再び展開する作業を受信側端末が対応する必要がある。広帯域化対応と同様、音声信号と一緒に圧縮情報を送信し、それを再び展開する備えの無い通信端末に対して、このような解決策は実用的ではない。

　上記の課題に対し、例えば、特許文献１に記載されているような技術があった。この技術では、音声のピッチを改変することなく所定の高域だけ圧縮する方法により、明瞭な音声信号を得ている。

特開２０１１－１４１５５１号公報

　しかしながら、上記特許文献１に開示されたような従来の技術では、音声の個人性は保たれる利点はあるが、圧縮した高域信号成分を、低域の予め決められた固定帯域にマッピングしているだけであるため、入力信号の音声の様態によっては上記の帯域幅が最適では無い場合があり、この場合は音質の劣化が避けられないという課題があった。

　この発明は上記のような課題を解決するためになされたもので、高品質な音声を生成することのできる音声強調装置を得ることを目的とする。

　この発明に係る音声強調装置は、時間領域の入力信号を周波数領域の信号であるパワースペクトルに変換する時間－周波数変換部と、パワースペクトルから入力信号の態様を分析する入力信号分析部と、入力信号の態様から、予め定めた第１の周波数を越えない範囲で、境界周波数を決定する帯域決定部と、第１の周波数より上の帯域の周波数のパワースペクトルを周波数方向に圧縮するスペクトル圧縮部と、圧縮されたパワースペクトルを、第１の周波数と境界周波数で決定される帯域に反映するスペクトル合成部と、スペクトル合成部から出力された合成パワースペクトルと入力信号の位相スペクトルを時間領域へ変換して強調信号を得る周波数－時間変換部とを備えたものである。

　この発明の音声強調装置は、入力信号の態様に基づいて、高域成分を反映させる帯域を決定する境界周波数を定めるようにしたので、スペクトル合成による異音を防止することができ、良好で明瞭な音声強調処理が可能となる。

この発明の実施の形態１による音声強調装置を示す構成図である。この発明の実施の形態１による音声強調装置の入力信号分析部の詳細を示す構成図である。この発明の実施の形態１による音声強調装置の処理の流れを模式的に表した説明図である。この発明の実施の形態１による音声強調装置の入力信号スペクトルの一例を示す説明図である。従来の方法による音声強調処理を示す説明図である。この発明の実施の形態１の音声強調装置による音声強調処理を示す説明図である。

　以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、この発明の実施の形態１による音声強調装置を示す構成図である。
　本実施の形態１の音声強調装置は、入力端子１、時間－周波数変換部２、入力信号分析部３、帯域決定部４、高域成分切出し部５、スペクトル圧縮部６、ゲイン補正部７、スペクトル合成部８、周波数－時間変換部９、出力端子１０で構成されている。また、図２は入力信号分析部３の内部構成を示すものであり、入力信号分析部３は、自己相関分析部１１、雑音スペクトル推定部１２、ＳＮ比計算部１３、パワー比分析部１４、判定部１５で構成されている。

　入力端子１は、入力信号として、音声信号といった信号が入力される端子である。時間－周波数変換部２は、時間領域の入力信号を周波数領域の信号であるパワースペクトルに変換する処理部である。入力信号分析部３は、時間－周波数変換部２から出力されたパワースペクトルから入力信号が音声であるか雑音であるか、また音声の場合は母音であるか子音であるか、といった入力信号の態様を分析する処理部である。帯域決定部４は、入力信号分析部３で分析された入力信号の態様から、予め定めた第１の周波数を越えない範囲で、境界周波数を決定する処理部である。高域成分切出し部５は、第１の周波数より上の帯域の周波数のパワースペクトルを切出す処理部である。スペクトル圧縮部６は、高域成分切出し部５で切出された帯域のパワースペクトルを周波数方向に圧縮する処理部である。ゲイン補正部７は、スペクトル圧縮部６で圧縮されたゲイン補正を行う処理部である。スペクトル合成部８は、ゲイン補正部７でゲイン補正された圧縮パワースペクトルを、第１の周波数と境界周波数とで決定される帯域に反映させる処理部である。周波数－時間変換部９は、スペクトル合成部８から出力された合成パワースペクトルと入力信号の位相スペクトルを時間領域に変換して強調音声（強調信号）を得るための処理部である。出力端子１０は、周波数－時間変換部９から出力された強調音声を外部に出力するための端子である。

　次に、図２に示す入力信号分析部３の詳細について説明する。
　自己相関分析部１１は、入力信号のパワースペクトルから正規化自己相関関数を求める処理部である。雑音スペクトル推定部１２は、入力信号のパワースペクトルから推定雑音スペクトルを求める処理部である。ＳＮ比計算部１３は、時間－周波数変換部２が出力するパワースペクトルと雑音スペクトル推定部１２が出力する推定雑音スペクトルから、原フレームの平均ＳＮ比を計算する処理部である。パワー比分析部１４は、入力信号のパワースペクトルから高域・低域パワー比を求める処理部である。判定部１５は、時間－周波数変換部２が出力するパワースペクトルと、自己相関分析部１１で得られた正規化自己相関関数の最大値と、パワー比分析部１４で得られた高域・低域パワー比と、雑音スペクトル推定部１２が出力する推定雑音スペクトルを入力し、現フレームの入力信号が音声（母音・子音）であるか雑音であるかどうかの判定を行う処理部である。

　以下、図１及び図２に基づいて本発明の音声強調装置の動作原理について説明する。
　まず、マイクロホンなどを通じて取り込まれた音声や音楽などが、Ａ／Ｄ（アナログ・デジタル）変換された後、所定のサンプリング周波数（例えば、１６ｋＨｚ）でサンプリングされる共にフレーム単位に分割（例えば１０ｍｓ）され、入力端子１を通じて音声強調装置へ入力される。なお、本実施の形態では、最終的に得る処理信号の帯域は０Ｈｚ～３４００Ｈｚ（第１の周波数）とし、０Ｈｚ～３４００Ｈｚを通過帯域、３４００Ｈｚ～８０００Ｈｚを高周波帯域と称して説明する。また、特に指定がなければ、０～８０００Ｈｚの通過帯域と高周波帯域を含めた信号に対して処理を行うものとする。また、高周波帯域の信号を高域成分とも称して説明する。

　時間－周波数変換部２は、フレーム単位に分割された入力信号ｘ（ｔ）を、例えばハニング窓掛けを行った後、例えば次の式（１）のように５１２点の高速フーリエ変換（Ｆａｓｔ　Ｆｏｕｒｉｅｒ　Ｔｒａｎｓｆｏｒｍ：　ＦＦＴ）を行って、時間領域の信号から周波数領域の信号であるスペクトル成分Ｘ（λ，ｋ）に変換する。

　ここで、ｔはサンプリング時間、λは入力信号をフレーム分割したときのフレーム番号、ｋはスペクトルの周波数帯域の周波数成分を指定する番号（以下、スペクトル番号と称する）、ＦＴ[・]は高速フーリエ変換処理を表す。続いて、次の式（２）を用いて、入力信号のスペクトル成分からパワースペクトルＹ（λ，ｋ）を得ると共に、位相スペクトルθ（λ，ｋ）を得る。

　ここで、Ｒｅ｛Ｘ（λ，ｋ）｝およびＩｍ｛Ｘ（λ，ｋ）｝は、それぞれフーリエ変換後の入力信号スペクトルの実数部および虚数部を示す。

　入力信号分析部３は、現フレームの入力信号が音声であるか雑音であるかの判定を行う。また、音声の場合、音声が母音であるか子音であるかの判定についても行う。まず、自己相関分析部１１において、次の式（３）を用いて、パワースペクトルＹ（λ，ｋ）から正規化自己相関関数ρ_Ｎ（λ，τ）を求める。

　ここで、τは遅延時間であり、ＦＴ[・]はフーリエ変換処理を表し、例えば式（１）と同じポイント数＝５１２にて高速フーリエ変換を行えばよい。なお、式（３）はウィナーヒンチン（Ｗｉｅｎｅｒ－Ｋｈｉｎｔｃｈｉｎｅ）の定理であるので説明は省略する。次に、式（４）を用いて正規化自己相関関数の最大値ρ_ｍａｘ（λ）を求める。ここで、式（４）は３２≦τ≦１９２の範囲でρ（λ，τ）の最大値を検索することを意味している。

　続いて、ＳＮ比計算部１３では、時間－周波数変換部２が出力するパワースペクトルＹ（λ，ｋ）と、後述する雑音スペクトル推定部１２が出力する推定雑音スペクトルとＮ（λ，ｋ）を入力し、現フレームの平均ＳＮ比ＳＮＲ_ＡＶＥ（λ）を計算する。

　ここで、式（５）において、Ｎ（λ，ｋ）は推定雑音スペクトルであり、Ｓ_ｐｏｗとＮ_ｐｏｗはそれぞれ入力信号のパワースペクトルの総和、推定雑音スペクトルの総和を表す。

　また、スペクトル成分毎のＳＮ比としてサブバンドＳＮ比ＳＮＲ（λ，ｋ）を式（６）にて計算し、後述するスペクトル合成部８へ出力する。

　パワー比分析部１４は、現フレームの入力信号の高域パワーと低域パワーの比（高域・低域パワー比）を求める。この比は、低域から高域に向かってのスペクトル傾斜の度合いを近似しており、低域パワーよりも高域パワーの方が大きい場合には子音の可能性が高く、この値を用いることで入力信号の様態が母音であるか子音であるかが判定できる。具体的には、例えば、式（７）のように、１２５Ｈｚ～３０００Ｈｚの帯域と、３０００Ｈｚ～６０００Ｈｚの帯域のパワー比を求める。

ここで、Ｐ_{ｓ＿Ｌｏｗ}（λ）は入力信号の１２５Ｈｚ～３０００Ｈｚの帯域パワー、Ｐ_{ｓ＿Ｈｉｇｈ}（λ）は３０００Ｈｚ～６０００Ｈｚの帯域パワーであり、以下のように計算される。

　以上、得られた現フレームの高域・低域パワー比Ｐ_{Ｒａｔｉｏ}（λ）を判定部１５へ出力する。

　判定部１５は、時間－周波数変換部２が出力するパワースペクトルＹ（λ，ｋ）と、自己相関分析部１１で得られた正規化自己相関関数の最大値ρ_ｍａｘ（λ）と、パワー比分析部１４で得られた高域・低域パワー比Ｐ_{Ｒａｔｉｏ}（λ）と、後述する雑音スペクトル推定部１２が出力する推定雑音スペクトルＮ（λ，ｋ）を入力し、現フレームの入力信号が音声（母音・子音）であるか雑音であるかどうかの判定を行い、その結果を判定フラグとして出力する。音声／雑音区間の判定方法として、例えば、次の式（９）の条件を満たす場合に、音声であるとして判定フラグＶｆｌａｇを“１（音声）”にセットし、それ以外の場合には雑音であるとして判定フラグＶｆｌａｇを“０（雑音）”にセットして出力する。

　また、式（９）にて音声と判定された場合、次の式（１０）を用いて、パワー比分析部１４が出力する高域・低域パワー比Ｐ_{Ｒａｔｉｏ}（λ）が所定の閾値を越える場合には、子音であると判定し、判定フラグＶｆｌａｇを“２（子音）”にセットして出力する。

　ここで、ＴＨ_{ＦＲ＿ＳＮ}、ＴＨ_ＡＣＦおよびＴＨ_{ＰＯＷ＿Ｒａｔｉｏ}は、判定用の所定の定数閾値であり、好適な例としてＴＨ_{ＰＲ＿ＳＮ}＝３．０、ＴＨ_ＡＣＦ＝０．３およびＴＨ_{ＰＯＷ＿Ｒａｔｉｏ}＝１．２５であるが、入力信号の状態や雑音レベルに応じて適宜変更することもできる。

　なお、本実施の形態では入力音声分析方法として、自己相関関数法、入力信号の平均ＳＮ比および高域・低域パワー比を用いているが、この方法に限ることは無く、ケプストラム分析など公知の手法を用いるなど他の方法も取ってもよい。また、当業者の自由裁量で様々な公知の手法、例えば、零交差数などを組み合わせることにより、判定精度を向上させることも可能である。

　雑音スペクトル推定部１２は、時間－周波数変換部２が出力するパワースペクトルＹ（λ，ｋ）と、判定部１５が出力する判定フラグＶｆｌａｇとを入力し、次の式（１１）と判定フラグＶｆｌａｇに従って雑音スペクトルの推定と更新を行い、推定雑音スペクトルＮ（λ，ｋ）を出力する。

　ここで、Ｎ（λ－１，ｋ）は前フレームにおける推定雑音スペクトルであり、雑音スペクトル推定部１２内の例えばＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）などの記憶手段において保持されている。式（１１）において、判定フラグＶｆｌａｇ＝０の場合には、現フレームの入力信号が雑音と判定されていることから、入力信号のパワースペクトルＹ（λ，ｋ）と更新係数αを用いて、前フレームの推定雑音スペクトルＮ（λ－１，ｋ）の更新を行っている。なお、更新係数αは０＜α＜１の範囲の所定の定数であり、好適な例としてα＝０．９５であるが、入力信号の状態や雑音レベルに応じて適宜変更することもできる。
　一方、判定フラグＶｆｌａｇ＝１あるいはＶｆｌａｇ＝２の場合には、現フレームの入力信号が音声であり、前フレームの推定雑音スペクトルＮ（λ－１，ｋ）を、そのまま現フレームの推定雑音スペクトルＮ（λ，ｋ）として出力する。

　帯域決定部４は、入力信号分析部３が出力する判定フラグＶｆｌａｇを入力し、通過帯域に対して、後述する高域成分を合成する（あるいは畳み込む）帯域幅を表す境界周波数Ｂ（λ）を決定する。境界周波数Ｂ（λ）は、例えば式（１２）および式（１３）を用いて決定できる。式（１２）において、現フレームが雑音区間と判定された場合には、帯域幅を最小にする、すなわち、境界周波数を通過帯域の上限周波数である３４００Ｈｚに近い値（３３００Ｈｚ）にする。また、現フレームが音声区間であって母音の場合には、３０００Ｈｚ以下の周波数に音声のフォルマントが集中することが多く、３０００Ｈｚ以下のフォルマントを保持しつつ高域成分を反映するために、設定する境界周波数を３０００Ｈｚとして３０００Ｈｚ～３４００Ｈｚの帯域幅に高域成分を畳み込む。子音の場合には、３４００Ｈｚ以上の高域にも子音成分が多く存在するので、この成分をより多く通過帯域に反映するために帯域を広くする、すなわち、境界周波数を母音の境界周波数よりも低い値（２５００Ｈｚ）にし、２５００Ｈｚ～３４００Ｈｚの帯域に高域成分を畳み込む。

　上述の式（１２）で基本の境界周波数を決定した後、切出す高域周波数の最低周波数（３４００Ｈｚ）におけるスペクトル成分のパワーを参照し、後述する周波数合成時のパワーの違い（パワースペクトルの段差）による異音を軽減するために、境界周波数を上下に移動させて最適な周波数に調整する。具体的に言えば、例えば式（１２）においてＢ_Ｆ＝３０００Ｈｚが選択された場合、その上下１００Ｈｚの範囲（２９００Ｈｚ～３１００Ｈｚ）にて、仮の境界周波数のパワースペクトルと３４００Ｈｚのパワースペクトルと比較し、最もパワーの差が小さい仮の境界周波数が２９８０Ｈｚであった場合、Ｂ_Ｆ＝２９８０Ｈｚとして修正する。

　続いて、修正された境界周波数Ｂ_Ｆについて、フレーム間の帯域幅の急変による異音の発生を抑制するために、式（１３）のように前フレームの境界周波数Ｂ（λ－１）を用いて、境界周波数の時間方向の平滑化を行う。

　ここでＷ_Ｂは、時間方向平滑化のための所定の定数であり、好適な例としてＷ_Ｂ＝０．８であるが、入力信号の種類等に応じて良好に動作するように、適宜変更することができる。

　高域成分切出し部５は、入力信号分析部３が出力する判定フラグに基づいて、高域成分の切出しを行う。本実施の形態では、高域成分の周波数範囲が３４００Ｈｚ～８０００Ｈｚであるので、この範囲のパワースペクトルＹ（λ，ｋ）が切出され、高域成分のパワースペクトルＹ_ｈ（λ，ｋ）として出力される。
　なお、判定フラグが音声区間の場合は切出しを行うが、判定フラグが雑音区間（あるいは無音区間）の場合には、切出しを行わないことも可能である。この場合、後述のスペクトル圧縮処理や、スペクトル合成処理を行わないので処理量の削減ができる。切出された高域成分は後段のスペクトル圧縮部６へ送出される。

　スペクトル圧縮部６は、高域成分切出し部５に従って切出した高域成分のパワースペクトルＹ_ｈ（λ，ｋ）を、通過帯域上のスペクトルと合成可能なようにスペクトルの周波数方向の帯域圧縮を行い、通過帯域との帯域幅を合致させる。
　境界周波数Ｂ（λ）と通過帯域の上限周波数Ｂ_ＮＬ＝３４００Ｈｚが現す帯域幅、すなわち、通過帯域へ高域成分を反映する帯域幅をＢ_Ｗ＿Ｃ（λ）とし、高周波帯域の上限周波数Ｂ_ＮＨ＝８０００Ｈｚと、通過帯域の上限周波数Ｂ_ＮＬ＝３４００Ｈｚの間の帯域、すなわち、高域成分の帯域幅をＢ_Ｗ＿Ｈとすると、例えばスペクトル帯域の線形圧縮は次の式（１４）のように表すことができる。

　スペクトル合成には、式（１５）のように、入力信号分析部３が出力するサブバンドＳＮ比を用いて、通過帯域のスペクトル成分のサブバンドＳＮ比ＳＮＲ（λ，ｋ）と、周波数圧縮した高域のスペクトル成分のサブバンドＳＮ比ＳＮＲ_ｍ（λ，ｋ）とを比較し、サブバンドＳＮ比が大きい方を選択することにより強調音声のパワースペクトルを得る。

　ここで、Ｂ_Ｗ＿Ｃ（λ）は、スペクトル圧縮部６で述べたのと同様に、境界周波数Ｂ（λ）と通過帯域の上限周波数Ｂ_ＮＬ＝３４００Ｈｚが現す帯域幅である。続いて、スペクトル合成後、境界周波数近傍の帯域において周波数間の平滑化を行う。平滑化には例えば移動平均フィルタ等の公知の手法を用いて、境界周波数の上下１００Ｈｚ（２００Ｈｚの幅）で滑らかになるように平滑化する。平滑化することで、スペクトル合成時のパワースペクトルのパワーの差（段差）を更に緩和でき、異音発生を抑制する効果がある。

　図３は、この実施の形態１の一連の動作原理について、より分かり易く説明するために模式的に図示したものである。（ａ）は入力される音声信号のパワースペクトルを表し、（ｂ）は高域成分切出し部５の出力である、高域成分のパワースペクトルを表し、（ｃ）はスペクトル圧縮部６の出力である、周波数圧縮された高域成分のパワースペクトルを表し、（ｄ）はゲイン補正部７の出力である、周波数圧縮ならびにゲイン補正された高域成分のパワースペクトルを表している。また、矢印は処理の順序を表している。

　図４は、音声区間の入力信号スペクトルの一例である。（ａ）は子音区間の音声信号、（ｂ）は子音区間であるものの、３４００Ｈｚ以上の高域成分のパワーが小さく子音特徴に乏しい場合の信号である。図５は、図４に示す入力信号を従来方法による処理を実施した場合の一例であり、図６は、同じく図４に示す入力信号を本実施の形態１の処理を実施した場合の一例である。図５の従来方法では、（ａ）の矢印５００ａ、（ｂ）の矢印５００ｂに示すように、帯域幅は固定であるため、子音特徴が無い（ｂ）の音声信号だと処理音声に異音が生じてしまう（破線部分５０１に示すようにスペクトルにピーク成分が発生し異音が生じる）が、図６の本発明による方法では、（ａ）の矢印６００ａ、（ｂ）の矢印６００ｂに示すように、帯域幅は入力信号の態様に応じて可変するため、（ａ）の音声信号は、より子音特徴を通過帯域に反映される（範囲６０１ａに示すように高域成分がより広範囲の低域部分に反映される）だけでなく、（ｂ）の子音特徴が無い場合であっても、異音が生じない良好な音声強調処理が可能となる（範囲６０１ｂに示すようにピーク成分の発生は抑制され、異音は生じない）。

　以上、この実施の形態１の音声強調装置によれば、時間領域の入力信号を周波数領域の信号であるパワースペクトルに変換する時間－周波数変換部と、パワースペクトルから入力信号の態様を分析する入力信号分析部と、入力信号の態様から、予め定めた第１の周波数を越えない範囲で、境界周波数を決定する帯域決定部と、第１の周波数より上の帯域の周波数のパワースペクトルを周波数方向に圧縮するスペクトル圧縮部と、圧縮されたパワースペクトルを、第１の周波数と境界周波数で決定される帯域に反映するスペクトル合成部と、スペクトル合成部から出力された合成パワースペクトルと入力信号の位相スペクトルを時間領域へ変換して強調信号を得る周波数－時間変換部とを備えたので、入力信号の様態に応じて通過帯域以上の高域信号を反映し入力信号の強調を行うことができるので、高域の特徴を適切に通過帯域に反映することができ、スペクトル合成による異音が無く、良好で明瞭な音声強調処理が可能となる。

　また、この実施の形態１の音声強調装置によれば、スペクトル圧縮部が圧縮する帯域における圧縮前のパワースペクトルのパワーと圧縮後のパワースペクトルのパワーが同等になるようスペクトル圧縮部が圧縮するパワースペクトルを補正するか、または、聴感上の要因に基づいて決定される所定の補正係数を乗じるかにより圧縮されるパワースペクトルのパワー補正を行うゲイン補正部を備え、スペクトル合成部は、ゲイン補正部で補正されたパワースペクトルを反映させるようにしたので、スペクトル合成時の異音発生が抑えられ、良好な音声強調処理が可能となる。

　また、実施の形態１の音声強調装置によれば、帯域決定部は、圧縮されたパワースペクトルを反映した場合に、第１の周波数に属するパワースペクトルとのパワーの差が最も小さい周波数に境界周波数を決定するようにしたので、スペクトル合成時の異音発生が抑えられ、良好な音声強調処理が可能となる。

　また、実施の形態１の音声強調装置によれば、帯域決定部は、前フレームの境界周波数を用いて、現フレームの境界周波数の時間方向の平滑化を行うようにしたので、スペクトル合成時の異音発生が抑えられ、良好な音声強調処理が可能となる。

　また、実施の形態１の音声強調装置によれば、スペクトル合成部は、入力信号のパワースペクトルのＳＮ比と、圧縮されたパワースペクトルのＳＮ比とを比較し、ＳＮ比が高い方のパワースペクトルを選択して合成パワースペクトルを生成するようにしたので、高域成分とのスペクトル合成時において、高周波帯域信号のサブバンドＳＮ比が低い場合にはそのスペクトル成分を通過帯域に反映しない、すなわち、劣化した高周波数成分を通過帯域に反映することを防止できるので、音声の劣化感が増大することを抑制しつつ、良好な音声強調処理が可能となる。

実施の形態２．
　実施の形態１では、帯域決定部４における境界周波数の決定に、入力信号分析結果である判定フラグを用いることで入力信号の様態に応じた制御を行っているが、これに限定されることは無く、例えば、ＳＮ比計算部１３が出力する平均ＳＮ比と、パワー比計算部１４が出力する高域・低域パワー比を用いて制御することも可能である。その際、式（１１）のように境界周波数を３つの離散値で表現するのではなく、例えば、両ＳＮ比の値に応じて２５００Ｈｚ～３４００Ｈｚの間の連続的な値を取るようにしてもよい。

　具体的には、平均ＳＮ比ＳＮＲ_ＡＶＥ（λ）が大きくなれば、入力信号は音声の可能性が高くなるので境界周波数Ｂ（λ）を低くして高域成分を反映する帯域幅を広くする、また、高域・低域パワー比Ｐ_{Ｒａｔｉｏ}（λ）が大きくなれば子音の可能性が高くなるので境界周波数Ｂ（λ）を低くする。逆に、平均ＳＮ比ＳＮＲ_ＡＶＥ（λ）が低くなれば、境界周波数Ｂ（λ）を高くして高域成分を反映する帯域幅を狭くする。

　この実施の形態２によれば、入力信号のＳＮ比に応じて境界周波数を連続的に制御できるので、入力信号のＳＮ比に応じた最適な帯域幅に設定できる上、入力信号の平均ＳＮ比が低い場合には、帯域を狭くすることで余分な高周波数成分を通過帯域に反映することが抑制されるので、音声の劣化感増大を防止でき、更に良好な音声強調処理を行うことができる。

　以上説明したように、実施の形態２の音声強調装置によれば、帯域決定部は、入力信号のＳＮ比が高い場合、境界周波数を低く設定し、ＳＮ比が低くなるに従って境界周波数を高く設定するようにしたので、音声の劣化感増大を防止でき、更に良好な音声強調処理を行うことができる。

実施の形態３．
　実施の形態１では、スペクトル合成部８において、高域成分のサブバンドＳＮ比と、通過帯域のサブバンドＳＮ比とを比較して、サブバンドＳＮ比に応じてスペクトル合成を行っていたが、サブバンドＳＮ比を用いてスペクトル成分を選択せずに、式（１６）のようにスペクトル成分毎に入力信号のパワースペクトルＹ（λ，ｋ）と、周波数圧縮ならびにゲイン補正した高域成分のパワースペクトルＹ_ｍ（λ，ｋ）の重み付き平均を取って合成し、強調信号のパワースペクトルを求めることも可能である。

　ここでＷ_Ｓ（ｋ）は、重み付けのための所定の定数であり、好適な例として式（１７）のように周波数が高くなるに従って高域成分のパワースペクトルの重みが大きくなるようにすることが可能であるが、入力信号の種類等に応じて良好に動作するように、適宜変更することができる。

　ここでＢ_Ｗ＿ｃ（λ）は、スペクトル圧縮部６で述べたのと同様に、境界周波数Ｂ（λ）と通過帯域の上限周波数Ｂ_ＮＬ＝３４００Ｈｚが表す帯域幅であり、また、Ｗ_Ｓ（ｋ）を決定している定数値は、入力信号の様態に応じて予め好適な値に調整が可能である。

　以上のように、実施の形態３の音声強調装置によれば、スペクトル合成部は、入力信号のパワースペクトルと、圧縮されたパワースペクトルとを重み付け平均して合成パワースペクトルを生成するようにしたので、周波数方向のスペクトルのパワー不連続が緩和できる効果が有る。また、例えば、周波数が高くなるに従って高域成分のパワースペクトルの重みを大きくすることで、高域により多くの高域成分を反映することが可能となり、より自然で明瞭な音声強調処理が可能となる。

実施の形態４．
　上述の実施の形態１において、スペクトル圧縮部６でスペクトルを周波数方向に圧縮した際に、フォルマント周波数に代表されるような、スペクトルのピーク（スペクトルの山谷構造の“山”の部分）が接近した場合、強調音声に反響感を生じることがある。この反響感を抑制するために、例えば、ピークに相当するパワースペクトルを比較して大きい成分の方を選択したり、あるいは、そのピークに相当するパワースペクトルの近傍周波数ではスペクトル圧縮をしないといったことにより、ピークを離して配置する。

　以上説明したように、実施の形態４の音声強調装置によれば、スペクトル圧縮部は、圧縮する際に、パワースペクトルのピークが所定周波数以内に複数生成される場合、複数のピークに相当するパワースペクトルのうち大きい成分を選択するか、または、複数のピークに相当するパワースペクトルの近傍周波数ではスペクトル圧縮を行わないようにしたので、スペクトル圧縮時に反響感の要因となり得るスペクトルのピークを離して配置できるので、強調音声の異音感を抑制でき、良好な音声強調処理が可能となる。

実施の形態５．
　実施の形態４の変形として、スペクトル合成部８におけるスペクトル合成の際に生成されるパワースペクトルのピークに対する処理を実施の形態５として以下説明する。

　スペクトル合成部８において、入力信号のパワースペクトルとスペクトル圧縮した高域成分のパワースペクトルとを合成した結果、フォルマント周波数に代表されるような、スペクトルのピークが接近した場合、強調音声に反響感を生じることがある。この反響感を抑制するために、例えば、入力信号のパワースペクトルと高域成分のパワースペクトルのそれぞれのピークに相当する成分を比較し、大きい成分の方を選択するか、あるいは、そのピークに相当するパワースペクトルの近傍周波数ではスペクトル圧縮せず、ピークを離して合成する、といった処理を行う。これにより、スペクトル圧縮時に反響感の要因となり得るスペクトルのピークを離して配置することができる。

　以上説明したように、実施の形態５の音声強調装置によれば、スペクトル合成部が合成する際に、パワースペクトルのピークが所定周波数以内に複数生成される場合、入力信号のパワースペクトルと高域成分のパワースペクトルのそれぞれのピークに相当する成分を比較して、大きい成分の方を選択するか、または、スペクトル圧縮部が、複数のピークに相当するパワースペクトルの近傍周波数ではスペクトル圧縮を行わないようにしたので、スペクトル圧縮時に反響感の要因となり得るスペクトルのピークを離して配置することができるため、強調音声の異音感を抑制でき、良好な音声強調処理が可能となる。

　なお、上記各実施の形態では、通過帯域を３４００Ｈｚで説明しているが、これに限定されることはなく、例えば、７０００Ｈｚの広帯域伝送でも可能である。この場合には、例えば１１ｋＨｚ帯域の入力信号を入力し、分析を行うことで可能である。

　本発明は、通過帯域を越える広帯域感や明瞭性を実現するとともに、受信側での高域成分の再展開処理が不要、すなわち、受信端末側の追加処理が不要であるので、メモリ量や処理量の増加無しで且つ受信端末の種類を問わず、品質向上するという効果がある。

　また、本発明は、音声だけを対象とせず、音楽等の非音声信号でも適用可能である。その際には入力信号分析部３を楽音に適応したものに交換するが、音声の子音・母音に相当する楽音に対応した公知の分析手段を用いて判定すればよい。

　さらに、本発明は、無線通信伝送時の帯域幅制限に対する音質向上策として有効なだけでなく、スピーカの高域再生能力が乏しい場合や、拡声放送などで高域成分が減衰する場合にも有効であり、高域成分の特徴をスピーカ再生可能な帯域や、減衰しにくい低周波数帯域に反映できるので、明瞭な音声を再生できる効果がある。また、テレビの番組表の音声読み上げや、玩具の合成音声出力などに代表されるような、コスト要求が厳しい家電や玩具などにおいて、蓄積装置のメモリ容量制限やＤ／Ａ（デジタル・アナログ）変換の制限によりサンプリング周波数が制限されている場合にも、聴感的にサンプリング周波数を越える明瞭な音声信号を再生できる効果がある。

　また、上記各実施の形態において、強調処理された出力信号は、デジタルデータ形式で音声符号化装置、音声認識装置、音声蓄積装置、ハンズフリー通話装置などの各種音声音響処理装置へ送出されるが、各実施の形態の音声強調装置は、単独または上述の他の装置とともにＤＳＰ（デジタル信号処理プロセッサ）によって実現したり、ソフトウエアプログラムとして実行したりすることでも実現可能である。プログラムはソフトウエアプログラムを実行するコンピュータ装置の記憶装置に記憶していても良いし、ＣＤ－ＲＯＭなどの記憶媒体にて配布される形式でも良い。また、ネットワークを通じてプログラムを提供することも可能である。また、各種音声音響処理装置へ送出される他、Ｄ／Ａ変換の後、増幅装置にて増幅し、スピーカなどから直接音声信号として出力することも可能である。

　なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

　この発明に係る音声強調装置は、入力信号の態様に基づいて、予め定めた第１の周波数を越えない範囲で、高域成分を反映させる帯域を決定する帯域決定部を備え、スペクトル合成による異音を防止することができ、良好で明瞭な音声強調処理が可能となるので、音声通信・音声蓄積・音声合成・音声認識システムが導入された、カーナビゲーション・携帯電話・インターフォン・収音装置などに用いるのに適している。

　１　入力端子、２　時間－周波数変換部、３　入力信号分析部、４　帯域決定部、５　高域成分切出し部、６　スペクトル圧縮部、７　ゲイン補正部、８　スペクトル合成部、９　周波数－時間変換部、１０　出力端子、１１　自己相関分析部、１２　雑音スペクトル推定部、１３　ＳＮ比計算部、１４　パワー比分析部、１５　判定部。

Claims

　時間領域の入力信号を周波数領域の信号であるパワースペクトルに変換する時間－周波数変換部と、
　前記パワースペクトルから前記入力信号の態様を分析する入力信号分析部と、
　前記入力信号の態様から、予め定めた第１の周波数を越えない範囲で、境界周波数を決定する帯域決定部と、
　前記第１の周波数より上の帯域の周波数のパワースペクトルを周波数方向に圧縮するスペクトル圧縮部と、
　前記圧縮されたパワースペクトルを、前記第１の周波数と前記境界周波数で決定される帯域に反映するスペクトル合成部と、
　前記スペクトル合成部から出力された合成パワースペクトルと前記入力信号の位相スペクトルを時間領域へ変換して強調信号を得る周波数－時間変換部とを備えたことを特徴とする音声強調装置。
　前記スペクトル圧縮部が圧縮する帯域における圧縮前のパワースペクトルのパワーと圧縮後のパワースペクトルのパワーが同等になるよう当該スペクトル圧縮部が圧縮するパワースペクトルを補正するか、または、聴感上の要因に基づいて決定される所定の補正係数を乗じるかにより前記圧縮されるパワースペクトルのパワー補正を行うゲイン補正部を備え、
　前記スペクトル合成部は、前記ゲイン補正部で補正されたパワースペクトルを反映させることを特徴とする請求項１記載の音声強調装置。
　前記帯域決定部は、前記圧縮されたパワースペクトルを反映した場合に、前記第１の周波数に属するパワースペクトルとのパワーの差が最も小さい周波数に前記境界周波数を決定することを特徴とする請求項１記載の音声強調装置。
　前記帯域決定部は、前フレームの境界周波数を用いて、現フレームの境界周波数の時間方向の平滑化を行うことを特徴とする請求項１記載の音声強調装置。
　前記スペクトル合成部は、前記入力信号のパワースペクトルのＳＮ比と、前記圧縮されたパワースペクトルのＳＮ比とを比較し、ＳＮ比が高い方のパワースペクトルを選択して合成パワースペクトルを生成することを特徴とする請求項１記載の音声強調装置。
　前記帯域決定部は、前記入力信号のＳＮ比が高い場合、前記境界周波数を低く設定し、前記ＳＮ比が低くなるに従って前記境界周波数を高く設定することを特徴とする請求項１記載の音声強調装置。
　前記スペクトル合成部は、入力信号のパワースペクトルと、圧縮されたパワースペクトルとを重み付け平均して合成パワースペクトルを生成することを特徴とする請求項１記載の音声強調装置。
　前記スペクトル圧縮部は、圧縮する際に、パワースペクトルのピークが所定周波数以内に複数生成される場合、当該複数のピークに相当するパワースペクトルのうち大きい成分を選択するか、または、前記複数のピークに相当するパワースペクトルの近傍周波数ではスペクトル圧縮を行わないことを特徴とする請求項１記載の音声強調装置。
　前記スペクトル合成部が合成する際に、パワースペクトルのピークが所定周波数以内に複数生成される場合、入力信号のパワースペクトルと高域成分のパワースペクトルのそれぞれのピークに相当する成分を比較して、大きい成分の方を選択するか、または、前記スペクトル圧縮部が、前記複数のピークに相当するパワースペクトルの近傍周波数ではスペクトル圧縮を行わないことを特徴とする請求項１記載の音声強調装置。