WO2016063587A1 - 音声処理システム - Google Patents

音声処理システム Download PDF

Info

Publication number
WO2016063587A1
WO2016063587A1 PCT/JP2015/070040 JP2015070040W WO2016063587A1 WO 2016063587 A1 WO2016063587 A1 WO 2016063587A1 JP 2015070040 W JP2015070040 W JP 2015070040W WO 2016063587 A1 WO2016063587 A1 WO 2016063587A1
Authority
WO
WIPO (PCT)
Prior art keywords
voice
user
processing system
unit
control unit
Prior art date
Application number
PCT/JP2015/070040
Other languages
English (en)
French (fr)
Inventor
俊之 関矢
秀人 森
誠 羽生田
優 東ヶ崎
雄哉 平野
Original Assignee
ソニー株式会社
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 ソニー株式会社 filed Critical ソニー株式会社
Priority to JP2016555104A priority Critical patent/JP6503559B2/ja
Priority to EP15852448.8A priority patent/EP3211918B1/en
Priority to EP18186728.4A priority patent/EP3413583A1/en
Priority to US15/504,063 priority patent/US10306359B2/en
Publication of WO2016063587A1 publication Critical patent/WO2016063587A1/ja
Priority to US16/012,473 priority patent/US10674258B2/en
Priority to US16/816,479 priority patent/US11172292B2/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R3/00—Circuits for transducers, loudspeakers or microphones
    • H04R3/005—Circuits for transducers, loudspeakers or microphones for combining the signals of two or more microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/20—Arrangements for obtaining desired frequency or directional characteristics
    • H04R1/32—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only
    • H04R1/40—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers
    • H04R1/406—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers microphones
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • 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 TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M9/00—Arrangements for interconnection not involving centralised switching
    • H04M9/08—Two-way loud-speaking telephone systems with means for conditioning the signal, e.g. for suppressing echoes for one or both directions of traffic
    • H04M9/082—Two-way loud-speaking telephone systems with means for conditioning the signal, e.g. for suppressing echoes for one or both directions of traffic using echo cancellers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/02—Casings; Cabinets ; Supports therefor; Mountings therein
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/20—Arrangements for obtaining desired frequency or directional characteristics
    • H04R1/32—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only
    • H04R1/40—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R3/00—Circuits for transducers, loudspeakers or microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/10—Earpieces; Attachments therefor ; Earphones; Monophonic headphones
    • H04R1/1008—Earpieces of the supra-aural or circum-aural type
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2201/00—Details of transducers, loudspeakers or microphones covered by H04R1/00 but not provided for in any of its subgroups
    • H04R2201/02—Details casings, cabinets or mounting therein for transducers covered by H04R1/02 but not provided for in any of its subgroups
    • H04R2201/023—Transducers incorporated in garment, rucksacks or the like
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2430/00—Signal processing covered by H04R, not provided for in its groups
    • H04R2430/20—Processing of the output signals of the acoustic transducers of an array for obtaining a desired directivity characteristic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2499/00—Aspects covered by H04R or H04S not otherwise provided for in their subgroups
    • H04R2499/10—General applications
    • H04R2499/11—Transducers incorporated or for use in hand-held devices, e.g. mobile phones, PDA's, camera's

Definitions

  • This disclosure relates to a voice processing system.
  • wearable devices that are worn at any place on a user's body to sense the user's state, capture or record surroundings, and output various information to the user are becoming widespread.
  • wearable devices are used in various fields such as life log fields and sports support fields.
  • the information acquired by the wearable device can be greatly influenced by the mounting location, the user's condition, and the surrounding environment.
  • audio audio emitted from the user's mouth (hereinafter also referred to as user audio) may be buried in noise such as frictional and vibrational sounds between the wearable device and clothes, ambient environmental sounds, and the like. .
  • user audio audio emitted from the user's mouth
  • noise such as frictional and vibrational sounds between the wearable device and clothes, ambient environmental sounds, and the like.
  • Patent Document 1 there is a technology for acquiring a voice signal that suppresses noise and emphasizes a user voice by providing two microphones in a headset and performing a microphone array process on a voice signal input from each microphone. It is disclosed.
  • the present disclosure proposes a new and improved voice processing system that can more clearly acquire user voice.
  • an audio processing system including an attachment unit attached to a user, wherein the attachment unit includes at least three audio acquisition units that acquire audio data for beam forming.
  • elements having substantially the same functional configuration may be distinguished by adding different alphabets after the same reference numerals.
  • a plurality of elements having substantially the same functional configuration are distinguished as necessary, such as voice acquisition units 110A, 110B, and 110C.
  • voice acquisition units 110A, 110B, and 110C are simply referred to as the voice acquisition unit 110.
  • FIGS. 1 to 3 are diagrams showing an example of an external configuration of the speech processing system according to the present embodiment.
  • the speech processing system 1 according to the present embodiment includes a mounting unit (a mounting portion) shaped to make a half turn from both sides of the neck to the back side (back side).
  • wearing unit is mounted
  • FIGS. 1 to 3 show views of the mounting unit mounted by the user from various viewpoints. Specifically, FIG. 1 is a perspective view, and FIG. 2 is viewed from the right side of the user. FIG. 3 is a side view, and FIG. 3 is a plan view seen from the upper side of the user.
  • directions such as up / down / left / right and front / rear are used. These directions are viewed from the center of the user's body (for example, the position of the pigeon tail) in the upright posture of the user as shown in FIG.
  • the direction shall be indicated.
  • “right” indicates the direction of the user's right side
  • “left” indicates the direction of the user's left side
  • “up” indicates the direction of the user's head
  • “down” Indicates the direction of the user's foot.
  • front indicates a direction in which the user's body faces
  • “rear” indicates a direction on the user's back side.
  • the mounting unit may be a neck-mounted type that is mounted around the user's neck.
  • the mounting unit may be mounted in close contact with the user's neck or may be mounted separately.
  • Other shapes of the neck-mounted mounting unit include, for example, a pendant type that is attached to the user by a neck strap, or a headset type that has a neck band that passes through the back of the neck instead of a head band that is applied to the head. It is done.
  • the usage form of the wearable unit may be a form that is used by being worn directly on the human body.
  • the form used by being directly worn refers to a form used without any object between the wearable unit and the human body.
  • the case where the mounting unit shown in FIGS. 1 to 3 is mounted so as to be in contact with the skin of the user's neck corresponds to this embodiment.
  • various forms such as a headset type and a glasses type that are directly attached to the head are conceivable.
  • the usage form of the wearable unit may be a form that is used by being indirectly worn on the human body.
  • the form that is used by being indirectly attached refers to a form that is used in a state where some object exists between the wearable unit and the human body.
  • the wearing unit shown in FIGS. 1 to 3 is worn so as to be hidden under the collar of a shirt so as to be in contact with the user from the top of the clothes, it corresponds to this embodiment.
  • various forms such as a pendant type attached to the user by a neck strap and a broach type fastened to clothes by a fastener or the like are conceivable.
  • the mounting unit has a plurality of sound acquisition units 110 (110A, 110B, 110C, and 110D) as shown in FIGS.
  • the voice acquisition unit 110 acquires voice data such as user voice, voice uttered by the user's speaking partner, or ambient environmental sound.
  • the voice data acquired by the voice acquisition unit 110 is a target of beam forming processing that makes the user voice clear, makes the voice spoken by the user's talking partner clear, and suppresses other noises.
  • FIGS. 1 to 3 show a configuration in which four audio acquisition units 110 are provided in the mounting unit, the present technology is not limited to such an example.
  • the mounting unit may have at least three voice acquisition units, or may have five or more.
  • the voice processing system 1 may be realized as a single mounting unit or may be realized as a combination of a plurality of devices.
  • the voice processing system 1 may be realized as a combination of the neck-mounted mounting unit and the wristband-type mounting unit mounted on the arm shown in FIGS.
  • the sound processing system 1 may perform beam forming processing using sound data acquired by a plurality of sound acquisition units provided in a plurality of devices.
  • the voice processing system 1 is realized as a single mounting unit shown in FIGS.
  • FIGS. 4 and 5 are diagrams showing another example of the external configuration of the sound processing system according to the present embodiment.
  • FIG. 4 shows an external configuration of the sound processing system 1 composed of a single glasses-type wearing unit.
  • FIG. 5 shows an external configuration of the sound processing system 1 composed of a single neckband type mounting unit. 4 and 5, the voice processing system 1 includes a plurality of voice acquisition units 110 (110A, 110B, 110C, and 110D) as in the examples shown in FIGS. Yes.
  • FIG. 6 is a diagram illustrating an example of an external configuration of a sound processing system according to a comparative example.
  • the left diagram and the right diagram in FIG. 6 show an example of the external configuration of a so-called Bluetooth (registered trademark) headset.
  • the audio processing system according to the comparative example includes two audio acquisition units 910 (910A and 910B), and is worn by the user by being put on the user's right ear.
  • the audio processing system according to the comparative example includes two audio acquisition units 910 (910C and 910D) provided symmetrically on the cable connected to the left and right earphones.
  • the distance between the microphone and the user's mouth may be increased during use, and the user's voice may be buried in noise. Even if the beam forming process using the audio data acquired by the two audio acquisition units as in the comparative example is performed, it is difficult to solve such a problem.
  • FIG. 7 is a diagram for explaining an arrangement policy of the voice acquisition unit 110 according to the present embodiment.
  • the first arrangement policy is to arrange the voice acquisition unit 110 linearly with respect to the direction 210 in which the target sound arrives.
  • the second arrangement policy is to arrange the voice acquisition unit 110 linearly with respect to the direction 220 in which the noise to be suppressed arrives.
  • the sound acquisition units 110A and 110B may be arranged linearly with respect to the direction 210 of the user's mouth, which is the direction in which the user sound that is the target sound arrives. According to the first and second arrangement policies, it is possible to efficiently suppress the noise component coming from the opposite direction 220.
  • phase difference time difference
  • the voice arriving from the opposite direction 220 is voice acquisition units 110B and 110A.
  • the phase difference until it reaches is large.
  • the polar pattern shown in the right diagram of FIG. 7 user speech arriving from the user's mouth direction 210 is emphasized and beam directions from the opposite directions 220 ⁇ / b> A, 220 ⁇ / b> B, and 220 ⁇ / b> C are enhanced by beam forming processing by the control unit 160 described later. Noise component is suppressed.
  • FIG. 8 is a diagram for explaining an arrangement policy of the voice acquisition unit 110 according to the present embodiment.
  • the third arrangement policy is to arrange the voice acquisition units 110A and 110B linearly in the downward direction.
  • the voice processing system 1 is used outdoors, most of the noise generated outdoors comes from the ground direction (downward) or the horizontal direction with reference to the user's mouth as shown in FIG. Note that noise coming from the direction of the ground is also referred to as road noise.
  • road noise can be efficiently suppressed by beam forming processing. Become.
  • the sound acquisition units 110A and 110B may not be strictly arranged linearly in the downward direction (vertical direction), or may be inclined.
  • FIG. 9 is a diagram for explaining an arrangement policy of the voice acquisition unit 110 according to the present embodiment.
  • the fourth arrangement policy is to arrange a plurality of sound acquisition units 110 in a three-dimensional manner.
  • the shape formed by connecting the positions where the four sound acquisition units 110 are provided is a three-dimensional shape.
  • the remaining one voice acquisition unit 110 does not exist on the plane including the positions of any three voice acquisition units 110.
  • FIG. 9 is a diagram for explaining an arrangement policy of the voice acquisition unit 110 according to the present embodiment.
  • the shape formed by connecting the positions where the four sound acquisition units 110 are provided is a regular tetrahedron.
  • the shape formed by connecting the positions where the plurality of sound acquisition units 110 are provided is a regular polyhedron such as a regular tetrahedron in which the distances from the sound acquisition units 110 to the user's mouth are equally spaced. desirable.
  • the shape formed by connecting the positions where the four sound acquisition units 110 are provided may be a tetrahedron that is not a regular tetrahedron, depending on the shape of the mounting unit. .
  • FIG. 10 is a diagram for explaining an arrangement policy of the voice acquisition unit 110 according to the present embodiment.
  • the fifth arrangement policy is to bring at least one of the sound acquisition units 110 closer to the user's mouth.
  • at least one voice acquisition unit 110 can acquire a user voice at a louder volume than other noises.
  • the enhancement effect of the user voice by the beam forming process can be further increased.
  • a fifth voice acquisition unit 110E may be provided at a position closer to the user's mouth than the four voice acquisition units 110 forming the tetrahedron.
  • any of the voice acquisition units 110 located at the vertices of the tetrahedron (the voice acquisition unit 110 ⁇ / b> A in the example shown in the right diagram of FIG. 9) It may be provided at a position closest to the user's mouth as compared with the above.
  • the sound acquisition unit 110 ⁇ / b> A and the sound acquisition unit 110 ⁇ / b> B are arranged in the same direction as viewed from the user's mouth in a state where the mounting unit is mounted on the user. Further, in a state where the mounting unit is attached to the user, the distance between the voice acquisition unit 110A (first voice acquisition unit) included in the four voice acquisition units 110 and the user's mouth, and the four voice acquisition units 110 The included voice acquisition unit 110B (second voice acquisition unit) and the distance between the user's mouth are different from each other.
  • the voice acquisition units 110A and 110B are arranged linearly with respect to the direction of the user's mouth where the target sound arrives, the user is subjected to the beam forming process. The voice can be emphasized efficiently.
  • the sound acquisition unit 110 ⁇ / b> A and the sound acquisition unit 110 ⁇ / b> B are arranged in the same direction as viewed from the user's mouth in a state where the mounting unit is mounted on the user.
  • the voice acquisition unit 110A (first voice acquisition unit) and the voice acquisition unit 110B (second voice acquisition unit) are attached to the user while the mounting unit is attached to the user. Provided on the side.
  • the voice acquisition units 110A and 110B are linearly arranged with respect to the direction of the ground where the noise to be suppressed arrives, the noise is generated by the beam forming process. It can be suppressed efficiently.
  • the shapes formed by connecting the positions where the sound acquisition units 110A, 110B, 110C, and 110D are provided are three-dimensional. As described above, in the example shown in FIGS. 1 to 3, since the plurality of voice acquisition units 110 are arranged in a three-dimensional manner, it is possible to suppress noise coming from all directions by beam forming processing.
  • the sound acquisition unit 110A (first sound acquisition unit) is closest to the user's mouth compared to other sound acquisition units in a state where the mounting unit is mounted on the user. In the position. In this way, in the example shown in FIGS. 1 to 3, since the voice acquisition unit 110A is provided at a position close to the user's mouth, the user voice can be acquired with a louder volume than other noises. It becomes possible.
  • the sound acquisition unit 110B (second sound acquisition unit) is the position closest to the user's mouth in the user's upright posture.
  • the voice acquisition unit 110A (first voice acquisition unit) provided on the user's foot side. Thereby, in the example shown in FIGS. 1 to 3, it is possible to achieve both the user voice enhancement effect and the noise suppression effect. 1 to 3, the voice acquisition unit 110A is also provided below the user's mouth, but the voice acquisition unit 110A may be provided above the mouth.
  • the arrangement of the voice acquisition unit 110 in the voice processing system 1 according to this embodiment has been described above. Next, with reference to FIG. 11, an internal configuration of the voice processing system 1 according to the present embodiment will be described.
  • FIG. 11 is a block diagram illustrating an example of an internal configuration of the voice processing system 1 according to the present embodiment.
  • the voice processing system 1 includes voice acquisition units 110A to 110D, an imaging unit 120, an operation unit 130, a sensor unit 140, a communication unit 150, and a control unit 160.
  • the sound acquisition unit 110 has a function of acquiring sound data for beam forming.
  • the voice acquisition unit 110 acquires a user voice uttered by a user wearing the voice processing system 1 (a mounting unit) or surrounding sounds.
  • the sound acquisition unit 110 is realized by a microphone.
  • the sound acquisition unit 110 may be provided in one mounting unit, may be provided in a device different from the mounting unit, or may be provided in a plurality of devices.
  • the voice acquisition unit 110 may be provided in a wristband-type mounting unit, a glasses-type mounting unit, and a smartphone.
  • the voice acquisition unit 110 may not be a directional microphone.
  • the voice acquisition unit 110 may be a microphone having sensitivity in all directions. Having sensitivity in all directions means that there is no insensitive area (orientation) in the polar pattern. Such a microphone may also be referred to as a semi-directional microphone.
  • the voice acquisition unit 110 may be a microphone whose sensitivity is uniform or substantially uniform in all directions. Sensitivity is uniform or substantially uniform in all directions indicates that the sensitivity is circular in the polar pattern, but not necessarily a perfect circle. That is, the sound acquisition unit 110 may be an omnidirectional microphone.
  • the sound acquisition unit 110 may include a microphone amplifier circuit and an A / D converter that amplify the sound signal obtained by the microphone.
  • the voice acquisition unit 110 outputs the acquired voice data to the control unit 160.
  • Imaging unit 120 photoelectrically converts imaging light obtained by the lens system including a lens system including an imaging lens, a diaphragm, a zoom lens, and a focus lens, a drive system that causes the lens system to perform a focus operation and a zoom operation, and the lens system.
  • a solid-state imaging device array that generates an imaging signal.
  • the solid-state imaging device array may be realized by, for example, a CCD (Charge Coupled Device) sensor array or a CMOS (Complementary Metal Oxide Semiconductor) sensor array.
  • the imaging unit 120 may be provided so that the front of the user can be imaged in a state where the audio processing system 1 (installation unit) is attached to the user.
  • the imaging unit 120 can capture, for example, the user's talking partner.
  • the imaging unit 120 may be provided so that the user's face can be imaged in a state where the voice processing system 1 is attached to the user.
  • the voice processing system 1 can specify the position of the user's mouth from the captured image.
  • the imaging unit 120 outputs the captured image data, which is a digital signal, to the control unit 160.
  • Operation unit 130 The operation unit 130 is operated by a user and has a function of receiving input from the user.
  • the operation unit 130 may be realized as a camera button that receives an input instructing the imaging unit 120 to capture a still image and an input instructing the start or stop of moving image imaging.
  • the operation unit 130 may be realized as a voice input button that receives an input for instructing start or stop of voice input by the voice acquisition unit 110.
  • the operation unit 130 may be realized as a touch slider that accepts a touch operation or a slide operation.
  • the operation unit 130 may be realized as a power button that receives an operation for instructing to turn on or off the power of the voice processing system 1.
  • the operation unit 130 outputs information indicating user input to the control unit 160.
  • the sensor unit 140 has a function of sensing the state of the user wearing the voice processing system 1 or the surrounding state.
  • the sensor unit 140 may include at least one of an acceleration sensor, a speed sensor, a gyro sensor, a geomagnetic sensor, a GPS (Global Positioning System) module, or a vibration sensor.
  • the sensor unit 140 may be provided in a device different from the mounting unit, or may be provided dispersedly in a plurality of devices.
  • a pulse sensor may be provided in a wristband type device, and a vibration sensor may be provided in a smartphone.
  • the sensor unit 140 outputs information indicating the sensing result to the control unit 160.
  • the communication unit 150 is a communication module for performing transmission / reception of data between the voice processing system 1 and another device by wire / wireless.
  • the communication unit 150 is, for example, a wired LAN (Local Area Network), wireless LAN, Wi-Fi (Wireless Fidelity, registered trademark), infrared communication, Bluetooth, NFC (Near field communication), etc. Wireless communication is performed via a network access point.
  • the communication unit 150 is acquired by the voice acquisition unit 110, the imaging unit 120, the operation unit 130, and the sensor unit 140. Transmitted data may be transmitted. In this case, beam forming processing, speech recognition processing, and the like are performed by another device.
  • the communication unit 150 receives and controls data acquired by them. The data may be output to the unit 160. Further, the communication unit 150 may transmit the audio data after the beam forming processing by the control unit 160 to a storage device for storing the audio data.
  • Control unit 160 functions as an arithmetic processing unit and a control unit, and controls the overall operation in the voice processing system 1 according to various programs.
  • the control unit 160 is realized by an electronic circuit such as a CPU (Central Processing Unit) or a microprocessor, for example.
  • the control unit 160 may include a ROM (Read Only Memory) that stores programs to be used, calculation parameters, and the like, and a RAM (Random Access Memory) that temporarily stores parameters that change as appropriate.
  • ROM Read Only Memory
  • RAM Random Access Memory
  • the control unit 160 performs beam forming processing that forms directivity for acquiring sound from the direction of the user's mouth, using the plurality of sound data acquired by the sound acquisition unit 110.
  • the beam forming process is a process for changing the degree of enhancement for each region where sound comes.
  • the beam forming process performed by the control unit 160 may include a process of suppressing sound arriving from a specific area, or may include a process of enhancing sound from a desired direction.
  • the control unit 160 may suppress voice from a direction other than the direction of the user's mouth as noise.
  • the control part 160 may emphasize the audio
  • the voice acquisition unit 110 itself may not have directivity.
  • the control unit 160 controls the directivity by performing beam forming processing on the audio data acquired by each audio acquisition unit 110.
  • the control unit 160 can perform the beam forming process using the phase difference between the audio data acquired by each audio acquisition unit 110.
  • the control unit 160 can control the beam forming process from various viewpoints.
  • the control unit 160 can control the direction and / or range in which directivity is formed from the viewpoint described below as an example.
  • the control unit 160 may control the beam forming process based on the positional relationship between the noise generation source and the voice acquisition unit 110. For example, since the road noise generation source is the ground as described above, the control unit 160 may control the beam forming process so as to suppress sound from the direction of the ground. For example, when it can be determined from the position information that there is a road or a road with a large amount of traffic in a specific direction, the control unit 160 may control the beam forming process so as to suppress the sound from the direction. In addition, for example, when there is a user instruction specifying the position of the noise generation source, the control unit 160 may control the beam forming process so as to suppress the sound from the position indicated by the user instruction.
  • control unit 160 may control the beam forming process based on the position of a speaker other than the user.
  • the control unit 160 may perform a beamforming process that emphasizes voices from speakers other than the user.
  • the control unit 160 may perform beam forming processing for suppressing speech from other speakers other than the user.
  • Various methods for specifying the presence or position (direction) of speakers other than the user can be considered. For example, when the spoken voice is acquired from a direction other than the user, the control unit 160 may determine that there is another speaker and specify the direction. The control unit 160 may determine that another speaker is present when it is recognized that the voice of another speaker has been acquired by voice recognition.
  • control unit 160 may specify the presence and position of another speaker based on the image recognition result of the captured image captured by the imaging unit 120.
  • control unit 160 identifies the presence and position of another speaker by comparing the user's position information acquired by the GPS module of the sensor unit 140 with the position information of the other speaker. Also good.
  • control unit 160 identifies the presence and position of the other speaker by measuring the radio wave intensity (for example, Wi-Fi radio wave intensity) of the radio wave emitted from the device possessed by the other speaker. Also good.
  • the control unit 160 may control the beam forming process based on information indicating the user state.
  • the user state may refer to an exercise state such as a user running, walking, or riding a vehicle.
  • the control unit 160 can estimate the user's motion state according to the sensing result acquired by the sensor unit 140.
  • the controller 160 may estimate a detailed motion state by combining a plurality of sensing results.
  • the control unit 160 may estimate that the user is riding a bicycle when the vibration level and the speed are larger than those during walking by combining the sensing results of the vibration sensor and the speed sensor.
  • the control unit 160 may estimate that the vehicle is riding in an automobile when the vibration level is low and the speed is high compared to when riding a bicycle.
  • control part 160 may expand or reduce the directivity range to form according to the estimated user's exercise state. For example, when the intensity of exercise indicated by the exercise state (for example, a numerical value output from each sensor) is relatively large, the control unit 160 may expand the directivity range as compared to the case where the exercise intensity is small. Good. Note that enlarging or reducing the directivity range may be understood as enlarging or reducing the range of a region that exhibits a sensitivity equal to or higher than a predetermined value with respect to the incoming sound.
  • the user's state may refer to the posture of the user such as the orientation and posture of the user's face.
  • control unit 160 may estimate the orientation of the user's face from the image recognition result of the captured image captured by the imaging unit 120 and control the direction of directivity according to the orientation. In this case, even when the orientation of the face changes and the positional relationship between the user's mouth and the sound acquisition unit 110 changes, the control unit 160 controls the directivity so that the sound emitted from the user's mouth is clearly acquired. It is possible.
  • control unit 160 may perform a process according to the result of the voice recognition performed based on the voice data subjected to the beam forming process.
  • the voice recognition process may be executed by the control unit 160 or may be executed by another device such as a server on the cloud.
  • the control unit 160 may control the operation of the speech processing system 1 based on the result of speech recognition.
  • the control unit 160 may control the directivity related to the beam forming process based on the result of speech recognition.
  • the user can instruct the voice to direct the directivity in the direction of the voice to be recorded, for example.
  • the control unit 160 may start or stop imaging with a camera or record a specific sensing result based on the result of voice recognition.
  • the user can instruct by voice to record, for example, the scenery or motion state to be recorded.
  • control unit 160 may be realized as a mobile processor, for example. As described above, the control unit 160 may be included in the mounting unit, or may be included in another arbitrary device such as a smartphone or a server on the cloud.
  • the speech processing system 1 may have various components.
  • the voice processing system 1 may have a battery.
  • the battery is preferably a curved curved battery.
  • the voice processing system 1 may have a charging connector to which a cable for charging the battery can be connected.
  • the charging connector may be a charging communication connector having a function as a communication connector to which a communication cable can be connected.
  • the voice processing system 1 may have a vibrator that functions as an output device to the user.
  • the voice processing system 1 may have a speaker that functions as an output device to the user.
  • the audio processing system 1 may have an earphone connector to which an earphone that functions as an output device for a user can be connected.
  • the earphone connector may have a magnetic force, and the earphone connector and the earphone may be detachable by the magnetic force.
  • the sound processing system 1 may include a storage unit for storing sound data after the beam forming process by the control unit 160.
  • FIG. 12 is a flowchart showing an example of the flow of audio signal processing executed in the audio processing system 1 according to the present embodiment.
  • step S102 the voice processing system 1 acquires voice data.
  • each of the sound acquisition units 110A, 110B, 110C, and 110D acquires sound data and outputs the sound data to the control unit 160.
  • the sound processing system 1 acquires information indicating the positional relationship between the sound source and the sound acquisition unit 110.
  • the sound source may be a noise generation source, a user's mouth that is a generation source of user voice, or a speaker other than the user.
  • the control unit 160 acquires information indicating the positional relationship between these sound sources and the sound acquisition unit 110, specifically, the direction viewed from the sound acquisition unit 110.
  • the sensing result by the sensor unit 140, information acquired from another device by the communication unit 150, and the like can be given.
  • the voice processing system 1 acquires information indicating the user state.
  • the control unit 160 acquires information indicating the user's exercise state or the user's posture.
  • the voice recognition result of the voice acquired by the voice acquisition unit 110, the image recognition result of the captured image captured by the imaging unit 120, the information indicating the user input acquired by the operation unit 130, The sensing result by the sensor unit 140, information acquired from another device by the communication unit 150, and the like can be given.
  • the sound processing system 1 performs a beam forming process.
  • the control unit 160 performs beam forming processing for forming directivity for acquiring sound from the direction of the mouth of the user, using the plurality of sound data acquired in step S102.
  • the control unit 160 may control the beam forming process so as to suppress noise based on the positional relationship between the noise generation source and the voice acquisition unit 110.
  • the control unit 160 may perform a beamforming process that emphasizes or suppresses sound from a speaker other than the user based on the position of the speaker other than the user.
  • the control part 160 may control the direction and / or range which form directivity according to a user's state.
  • step S110 the speech processing system 1 performs speech recognition processing.
  • the control unit 160 performs a voice recognition process based on the voice data that has undergone the beamforming process.
  • the control part 160 may control operation
  • the voice processing system 1 has at least three voice acquisition units in the mounting unit. Thereby, the audio processing system 1 can acquire audio data suitable for performing the beam forming process that makes the user audio clearer.
  • each device described in this specification may be realized using any of software, hardware, and a combination of software and hardware.
  • the program constituting the software is stored in advance in a storage medium (non-transitory medium) provided inside or outside each device.
  • Each program is read into a RAM when executed by a computer and executed by a processor such as a CPU.
  • the mounting unit includes at least three sound acquisition units that acquire sound data for beam forming.
  • the mounting unit includes at least four of the sound acquisition units,
  • the voice processing system according to (1) wherein the shape formed by connecting the positions where the four voice acquisition units are provided is a solid.
  • (3) In a state where the wearing unit is worn by the user, the distance between the first voice obtaining unit included in the four voice obtaining units and the mouth of the user, and the second contained in the four voice obtaining units.
  • the speech processing system according to (1) or (2), wherein the distance between the speech acquisition unit and the user's mouth is provided differently.
  • the first voice acquisition unit is provided at a position closest to the mouth of the user as compared with the other voice acquisition units, The voice processing system according to (3), wherein the second voice acquisition unit is provided closer to the user's foot than the first voice acquisition unit in the upright posture of the user.
  • the voice processing system further includes a control unit that performs beam forming processing for forming directivity for acquiring voice from the direction of the user's mouth using the plurality of voice data acquired by the voice acquisition unit.
  • the speech processing system according to any one of (2) to (7), comprising: (9) The sound processing system according to (8), wherein the beam forming process is a process of changing a degree of enhancement for each region where sound comes. (10) The voice processing system according to (9), wherein the beam forming process includes a process of suppressing sound coming from a specific region.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Otolaryngology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Circuit For Audible Band Transducer (AREA)
  • User Interface Of Digital Computer (AREA)
  • Obtaining Desirable Characteristics In Audible-Bandwidth Transducers (AREA)

Abstract

【課題】より鮮明にユーザ音声を取得することが可能な音声処理システムを提供する。 【解決手段】ユーザに装着される装着部を備え、前記装着部は、ビームフォーミングのための音声データを取得する音声取得部を少なくとも３つ有する、音声処理システム。

Description

音声処理システム
　本開示は、音声処理システムに関する。
　近年、ユーザの体の任意の場所に装着して、ユーザの状態をセンシングしたり、周囲の様子を撮像又は録音等したり、多様な情報をユーザに出力したりするウェアラブルデバイスが普及しつつある。例えば、ウェアラブルデバイスは、ライフログの分野やスポーツ支援の分野等の多様な分野で利用されている。
　ウェアラブルデバイスが取得する情報は、装着場所やユーザの状態、周囲の環境から多大な影響を受け得る。例えば、音声に関しては、ユーザの口から発せられる音声（以下、ユーザ音声とも称する）は、ウェアラブルデバイスと衣服との摩擦音や振動に係る音、周囲の環境音等の雑音に埋もれてしまう場合がある。このため、ユーザ音声をより鮮明に取得するための技術が求められている。
　例えば、下記特許文献１では、ヘッドセットにマイクを２つ設け、各マイクから入力された音声信号をマイクロホンアレー処理することで、雑音を抑圧してユーザ音声を強調した音声信号を取得する技術が開示されている。
特開２００５－３０３５７４号公報
　しかし、本技術分野では、さらなる性能向上が望まれている。そこで、本開示では、より鮮明にユーザ音声を取得することが可能な、新規かつ改良された音声処理システムを提案する。
　本開示によれば、ユーザに装着される装着部を備え、前記装着部は、ビームフォーミングのための音声データを取得する音声取得部を少なくとも３つ有する、音声処理システムが提供される。
　以上説明したように本開示によれば、より鮮明にユーザ音声を取得することが可能である。
　なお、上記の効果は必ずしも限定的なものではなく、上記の効果とともに、または上記の効果に代えて、本明細書に示されたいずれかの効果、または本明細書から把握され得る他の効果が奏されてもよい。
本実施形態に係る音声処理システムの外観構成の一例を示す図である。 本実施形態に係る音声処理システムの外観構成の一例を示す図である。 本実施形態に係る音声処理システムの外観構成の一例を示す図である。 本実施形態に係る音声処理システムの外観構成の他の一例を示す図である。 本実施形態に係る音声処理システムの外観構成の他の一例を示す図である。 比較例に係る音声処理システムの外観構成の一例を示す図である。 本実施形態に係る音声取得部の配置方針について説明するための図である。 本実施形態に係る音声取得部の配置方針について説明するための図である。 本実施形態に係る音声取得部の配置方針について説明するための図である。 本実施形態に係る音声取得部の配置方針について説明するための図である。 本実施形態に係る音声処理システムの内部構成の一例を示すブロック図である。 本実施形態に係る音声処理システムにおいて実行される音声信号処理の流れの一例を示すフローチャートである。
　以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　また、本明細書及び図面において、実質的に同一の機能構成を有する要素を、同一の符号の後に異なるアルファベットを付して区別する場合もある。例えば、実質的に同一の機能構成を有する複数の要素を、必要に応じて音声取得部１１０Ａ、１１０Ｂ及び１１０Ｃのように区別する。ただし、実質的に同一の機能構成を有する複数の要素の各々を特に区別する必要がない場合、同一符号のみを付する。例えば、音声取得部１１０Ａ、１１０Ｂ及び１１０Ｃを特に区別する必要が無い場合には、単に音声取得部１１０と称する。
　なお、説明は以下の順序で行うものとする。
　　１．外観構成
　　２．音声取得部の配置
　　　２－１．配置方針
　　　２－２．実際の配置例
　　３．内部構成
　　４．動作処理
　　５．まとめ
　＜１．外観構成＞
　まず、図１～図６を参照して、本開示の一実施形態に係る音声処理システムの外観構成を説明する。
　図１～図３は、本実施形態に係る音声処理システムの外観構成の一例を示す図である。図１～図３に示すように、本実施形態に係る音声処理システム１は、首の両側から後ろ側（背中側）にかけて半周回するような形状の装着ユニット（装着部）を有する。そして、装着ユニットは、ユーザの首にかけられることでユーザに装着される。なお、図１～図３は、装着ユニットをユーザが装着した状態を各観点からみた図を示しており、具体的には、図１は、斜視図であり、図２はユーザの右側からみた側面図であり、図３はユーザの上側からみた平面図である。
　なお、本明細書では、上下左右前後といった方向を示す言葉を用いるが、これらの方向は後述する図８に示すようなユーザの直立姿勢における、ユーザの体の中心（例えば鳩尾の位置）からみた方向を示すものとする。例えば、「右」とはユーザの右半身側の方向を示し、「左」とはユーザの左半身側の方向を示し、「上」とはユーザの頭側の方向を示し、「下」とはユーザの足側の方向を示すものとする。また、「前」とはユーザの体が向く方向を示し、「後」とはユーザの背中側の方向を示すものとする。
　図１～図３に示すように、本実施形態に係る装着ユニットは、ユーザの首回りに装着される首かけ型であってもよい。装着ユニットは、ユーザの首に密着して装着されてもよいし、離間して装着されてもよい。首かけ型の装着ユニットの他の形状としては、例えば首下げ紐によりユーザに装着されるペンダント型や、頭にかけるヘッドバンドの代わりに首の後ろ側を通るネックバンドを有するヘッドセット型が考えられる。
　装着型ユニットの使用形態は、人体に直接的に装着されて使用される形態であってもよい。直接的に装着されて使用される形態とは、装着型ユニットと人体との間に何らの物体も存在しない状態で使用される形態を指す。例えば、図１～図３に示した装着ユニットが、ユーザの首の肌に接するように装着される場合は、本形態に該当する。他にも、頭部に直接的に装着されるヘッドセット型やメガネ型等の多様な形態が考えられる。
　装着型ユニットの使用形態は、人体に間接的に装着されて使用される形態であってもよい。間接的に装着されて使用される形態とは、装着型ユニットと人体との間に何らかの物体が存在する状態で使用される形態を指す。例えば、図１～図３に示した装着ユニットが、シャツの襟の下に隠れるように装着される等、服の上からユーザに接するように装着される場合は、本形態に該当する。他にも、首下げ紐によりユーザに装着されるペンダント型や、衣服に留め具等で留められるブローチ型等の多様な形態が考えられる。
　装着ユニットは、図１～図３に示すように、複数の音声取得部１１０（１１０Ａ、１１０Ｂ、１１０Ｃ及び１１０Ｄ）を有している。音声取得部１１０は、ユーザ音声、ユーザの話し相手が発話した音声、又は周囲の環境音等の音声データを取得する。音声取得部１１０により取得された音声データは、ユーザ音声を鮮明にしたり、ユーザの話し相手が発話した音声を鮮明にしたり、他の雑音を抑圧したりするビームフォーミング処理の対象となる。図１～図３に示すように、音声取得部がユーザに直に接しないようユーザ側に面しない部分（例えば、ユーザに接する面と反対側の面）に設けられる場合、首と装着ユニットとの摩擦により発生する雑音の影響を低減することができる。なお、図１～図３では、装着ユニットに音声取得部１１０が４つ設けられる構成を示したが、本技術はかかる例に限定されない。例えば、装着ユニットは、音声取得部を少なくとも３つ有していてもよく、５つ以上有していてもよい。
　本実施形態に係る音声処理システム１は、装着ユニット単体として実現されてもよいし、複数の装置の組み合わせとして実現されてもよい。例えば、音声処理システム１は、図１～図３に示した首かけ型の装着ユニット及び腕に装着されるリストバンド型の装着ユニットの組み合わせとして実現されてもよい。そして、音声処理システム１は、複数の装置に設けられた複数の音声取得部により取得された音声データを用いてビームフォーミング処理を行ってもよい。なお、以下では、音声処理システム１は図１～図３に示した装着ユニット単体として実現されるものとして説明を行う。
　装着ユニットの他の例を、図４及び図５に示した。図４及び図５は、本実施形態に係る音声処理システムの外観構成の他の一例を示す図である。図４は、メガネ型の装着ユニット単体から成る音声処理システム１の外観構成を示している。図５は、ネックバンド型の装着ユニット単体から成る音声処理システム１の外観構成を示している。図４及び図５に示した例においても、音声処理システム１は、図１～図３に示した例と同様に、複数の音声取得部１１０（１１０Ａ、１１０Ｂ、１１０Ｃ及び１１０Ｄ）を有している。
　ここで、図６を参照して、比較例について説明する。図６は、比較例に係る音声処理システムの外観構成の一例を示す図である。図６の左図及び右図は、いわゆるＢｌｕｅｔｏｏｔｈ（登録商標）ヘッドセットの外観構成例を示している。図６の左図に示した例では、比較例に係る音声処理システムは、２つの音声取得部９１０（９１０Ａ及び９１０Ｂ）を有し、ユーザの右耳にかけられることでユーザに装着される。図６の右図に示した例では、比較例に係る音声処理システムは、左右のイヤホンに連結されるケーブルに左右対称に設けられる２つの音声取得部９１０（９１０Ｃ及び９１０Ｄ）を有する。このように、図６の左図及び右図に示した例では、いずれも２つの音声取得部を有している。
　ここで、ウェアラブルデバイスでは、使用時にマイクとユーザの口との距離が離れてしまう場合があり、ユーザ音声が雑音に埋もれてしまう場合があった。比較例のような２つの音声取得部により取得された音声データを用いたビームフォーミング処理が行われたとしても、このような問題を解決することは困難である。
　そこで、本実施形態では、ビームフォーミング処理により雑音抑圧する場合における、雑音抑圧性能を向上させるような音声取得部１１０の配置を提案する。
　＜２．音声取得部の配置＞
　［２－１．配置方針］
　まず、図７～図１０を参照して、音声取得部１１０の配置方針について説明する。
　図７は、本実施形態に係る音声取得部１１０の配置方針について説明するための図である。図７の左図に示すように、目的音が到来する方向２１０に対して、直線的に音声取得部１１０を配置することを第１の配置方針とする。また、図７の左図に示すように、抑圧したい雑音が到来する方向２２０に対して、直線的に音声取得部１１０を配置することを第２の配置方針とする。本実施形態では、目的音であるユーザ音声が到来する方向である、ユーザの口の方向２１０に対して、直線的に音声取得部１１０Ａ及び１１０Ｂが配置され得る。第１及び第２の配置方針によれば、反対方向２２０から到来する雑音成分を効率的に抑圧することが可能である。なぜならば、ユーザの口の方向２１０から到来するユーザ音声が音声取得部１１０Ａ及び１１０Ｂに到達するまでの位相差（時間差）が大きい上に、反対方向２２０から到来する音声が音声取得部１１０Ｂ及び１１０Ａに到達するまでの位相差も大きいためである。図７の右図に示したポーラパターンが示すように、後述する制御部１６０によるビームフォーミング処理により、ユーザの口の方向２１０から到来するユーザ音声が強調され、反対方向２２０Ａ、２２０Ｂ及び２２０Ｃから到来する雑音成分が抑圧される。
　次いで、図８を参照して、抑圧したい雑音が到来する方向に関する音声取得部１１０の配置方針について詳しく説明する。
　図８は、本実施形態に係る音声取得部１１０の配置方針について説明するための図である。図８に示すように、本実施形態では、下方向に対して直線的に音声取得部１１０Ａ及び１１０Ｂを配置することを第３の配置方針とする。音声処理システム１が屋外で使用されることを想定すると、屋外で生じる雑音の多くは、図８に示すようにユーザの口を基準として地面の方向（下方向）又は水平方向から到来する。なお、地面の方向から到来する雑音は、ロードノイズとも称される。本配置方針によれば、ロードノイズが到来する下方向に対して直線的に音声取得部１１０が配置されることになるので、ビームフォーミング処理によりロードノイズが効率的に抑圧されることが可能となる。また、本配置方針によれば、下方向と水平方向との中間の斜め方向から到来する雑音についても、音声取得部１１０Ｂ及び１１０Ａに到達するまでの位相差が存在するため、ビームフォーミング処理により雑音が抑圧され得る。このように、本配置方針によれば、屋外環境における雑音を効率的に抑圧することが可能である。なお、ヘリコプターのプロペラ音や頭上に設置された液晶ディスプレイからの音声等に関しては、抑圧が困難な場合もあり得る。もちろん、装着ユニットの形状に応じて、音声取得部１１０Ａ及び１１０Ｂは、厳密に下方向（鉛直方向）へ直線的に配置されていなくてもよく、傾いて配置されてもよい。
　次いで、図９及び図１０を参照して、４つ以上の音声取得部１１０が設けられる場合における配置方針について詳しく説明する。
　図９は、本実施形態に係る音声取得部１１０の配置方針について説明するための図である。図９の左図に示すように、本実施形態では、複数の音声取得部１１０を立体的に配置することを第４の配置方針とする。詳しくは、４つの音声取得部１１０が設けられる位置をそれぞれ結んで形成される形状は立体である。なお、立体であるとは、任意の３つの音声取得部１１０の位置を含む平面上に、残り1つの音声取得部１１０が存在しないとも捉えることができる。このように立体的に配置される場合には、どの方向から到来する音声であっても、いずれか２以上の音声取得部１１０により取得された音声データに位相差が生じるので、あらゆる方向から到来する雑音を抑圧することが可能になる。また、図９の左図に示すように、４つの音声取得部１１０が設けられる位置をそれぞれ結んで形成される形状は正四面体である。複数の音声取得部１１０が設けられる位置をそれぞれ結んで形成される形状は、各音声取得部１１０からユーザの口までの距離が等間隔となる、正四面体のような正多面体であることが望ましい。もちろん、図９の右図の示すように、装着ユニットの形状に応じて、４つの音声取得部１１０が設けられる位置を結んで形成される形状が正四面体ではない四面体であってもよい。
　図１０は、本実施形態に係る音声取得部１１０の配置方針について説明するための図である。図１０に示すように、本実施形態では、少なくともいずれかのひとつの音声取得部１１０をユーザの口に近づけることを第５の配置方針とする。本配置方針によれば、少なくともひとつの音声取得部１１０は、ユーザ音声を他の雑音と比較して大きな音量で取得することが可能となる。これにより、ビームフォーミング処理によるユーザ音声の強調効果がより増大し得る。例えば、図１０に示すように、４面体を形成する４つの音声取得部１１０よりもユーザの口に近い位置に、５つ目の音声取得部１１０Ｅが設けられてもよい。他にも、例えば図９の右図に示したように、４面体の頂点に位置する音声取得部１１０のうちいずれか（図９の右図に示した例では音声取得部１１０Ａ）が、他と比較して最もユーザの口に近い位置に設けられてもよい。
　以上、音声取得部１１０の配置方針について説明した。
　［２－２．実際の配置例］
　続いて、再度図１～図３を参照しながら、上述した配置方針に従った音声取得部１１０の実際の配置例を説明する。なお、音声取得部１１０の実際の配置は、装着ユニットの形状や各部品の重量等の制約条件により、上述した配置方針に必ずしも完全に従っていなくてもよい。
　まず、第１の配置方針に関して説明する。図２に示すように、装着ユニットがユーザに装着された状態で、音声取得部１１０Ａ及び音声取得部１１０Ｂは、ユーザの口からみて同一方向上に配置されている。また、装着ユニットがユーザに装着された状態で、４つの音声取得部１１０に含まれる音声取得部１１０Ａ（第１の音声取得部）とユーザの口との距離と、４つの音声取得部１１０に含まれる音声取得部１１０Ｂ（第２の音声取得部）とユーザの口との距離と、を異ならせて設けられている。このように、図１～図３に示した例では、目的音が到来するユーザの口の方向に対して、直線的に音声取得部１１０Ａ及び１１０Ｂが配置されているので、ビームフォーミング処理によりユーザ音声が効率的に強調されることが可能となる。
　次いで、第２及び第３の配置方針に関して説明する。図２に示すように、装着ユニットがユーザに装着された状態で、音声取得部１１０Ａ及び音声取得部１１０Ｂは、ユーザの口からみて同一方向上に配置されている。また、装着ユニットがユーザに装着された状態で、音声取得部１１０Ａ（第１の音声取得部）及び音声取得部１１０Ｂ（第２の音声取得部）は、ユーザの直立姿勢におけるユーザの口より足側に設けられる。このように、図１～図３に示した例では、抑圧したい雑音が到来する地面の方向に対して、直線的に音声取得部１１０Ａ及び１１０Ｂが配置されているので、ビームフォーミング処理により雑音が効率的に抑圧されることが可能となる。
　次に、第４の配置方針に関して説明する。図１～図３に示すように、音声取得部１１０Ａ、１１０Ｂ、１１０Ｃ、及び１１０Ｄが設けられる位置をそれぞれ結んで形成される形状は立体である。このように、図１～図３に示した例では、複数の音声取得部１１０が立体的に配置されているので、ビームフォーミング処理によりあらゆる方向から到来する雑音を抑圧することが可能となる。
　次いで、第５の配置方針に関して説明する。図１～図３に示すように、装着ユニットがユーザに装着された状態で、音声取得部１１０Ａ（第１の音声取得部）は、他の音声取得部と比較して最もユーザの口に近い位置に設けられている。このように、図１～図３に示した例では、音声取得部１１０Ａがユーザの口に近い位置に設けられているので、ユーザ音声を他の雑音と比較して大きな音量で取得することが可能となる。また、第２及び第３の配置条件に関して、装着ユニットがユーザに装着された状態で、音声取得部１１０Ｂ（第２の音声取得部）は、ユーザの直立姿勢における、ユーザの口に最も近い位置に設けられる音声取得部１１０Ａ（第１の音声取得部）よりユーザの足側に設けられる。これにより、図１～図３に示した例では、ユーザ音声の強調効果と雑音の抑圧効果とを両立させることが可能となっている。なお、図１～図３に示した例では、音声取得部１１０Ａもユーザの口より下側に設けられているが、音声取得部１１０Ａは口より上側に設けられてもよい。
　以上、本実施形態に係る音声処理システム１における音声取得部１１０の配置について説明した。続いて、図１１を参照して、本実施形態に係る音声処理システム１の内部構成について説明する。
　＜３．内部構成＞
　図１１は、本実施形態に係る音声処理システム１の内部構成の一例を示すブロック図である。図１１に示すように、音声処理システム１は、音声取得部１１０Ａ～１１０Ｄ、撮像部１２０、操作部１３０、センサ部１４０、通信部１５０、及び制御部１６０を有する。
　（１）音声取得部１１０
　音声取得部１１０は、ビームフォーミングのための音声データを取得する機能を有する。例えば、音声取得部１１０は、音声処理システム１（装着ユニット）を装着したユーザが発するユーザ音声、または周囲の音声を取得する。例えば、音声取得部１１０は、マイクロホンにより実現される。音声取得部１１０は、ひとつの装着ユニットに設けられてもよいし、装着ユニットとは別の装置に設けられていてもよいし、複数の装置に分散して設けられていてもよい。例えば、図１～図３に示した首かけ型の装着ユニットに加え、リストバンド型の装着ユニット、メガネ型の装着ユニット、及びスマートフォンに音声取得部１１０が設けられてもよい。
　音声取得部１１０は、有指向性のマイクロホンでなくてもよい。例えば、音声取得部１１０は、全方位に感度を有するマイクロホンであってもよい。全方位に感度を有するとは、ポーラパターンにおいて不感性の領域（方位）がないことを指す。このようなマイクロホンは、半指向性のマイクロホンとも称されてもよい。さらに、音声取得部１１０は、感度が全方位に一様又は略一様なマイクロホンであってもよい。感度が全方位に一様又は略一様とは、ポーラパターンにおいて感度が円形であるが、必ずしも真円でなくてもよいことを指す。つまり、音声取得部１１０は、無指向性のマイクロホンであってもよい。
　音声取得部１１０は、マイクロホンで得られた音声信号を増幅処理するマイクアンプ回路やＡ／Ｄ変換器を有していてもよい。音声取得部１１０は、取得した音声データを制御部１６０へ出力する。
　（２）撮像部１２０
　撮像部１２０は、撮像レンズ、絞り、ズームレンズ、及びフォーカスレンズ等により構成されるレンズ系、レンズ系に対してフォーカス動作やズーム動作を行わせる駆動系、レンズ系で得られる撮像光を光電変換して撮像信号を生成する固体撮像素子アレイ等を有する。固体撮像素子アレイは、例えばＣＣＤ（Ｃｈａｒｇｅ　Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅ）センサアレイや、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　Ｍｅｔａｌ　Ｏｘｉｄｅ　Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）センサアレイにより実現されてもよい。例えば、撮像部１２０は、音声処理システム１（装着ユニット）がユーザに装着された状態で、ユーザの前方を撮像可能に設けられてもよい。この場合、撮像部１２０は、例えばユーザの話し相手を撮像することが可能となる。また、撮像部１２０は、音声処理システム１がユーザに装着された状態で、ユーザの顔を撮像可能に設けられてもよい。この場合、音声処理システム１は、撮像画像からユーザの口の位置を特定することが可能となる。撮像部１２０は、デジタル信号とされた撮像画像のデータを制御部１６０へ出力する。
　（３）操作部１３０
　操作部１３０は、ユーザにより操作され、ユーザからの入力を受け付ける機能を有する。例えば、操作部１３０は、撮像部１２０による静止画像の撮像を指示する入力、動画像の撮像開始又は停止を指示する入力を受け付けるカメラボタンとして実現されてもよい。また、操作部１３０は、音声取得部１１０による音声入力の開始又は停止を指示する入力を受け付ける音声入力ボタンとして実現されてもよい。また、操作部１３０は、タッチ操作やスライド操作を受け付けるタッチスライダーとして実現されてもよい。また、操作部１３０は、音声処理システム１の電源ＯＮ又はＯＦＦを指示する操作を受け付ける電源ボタンとして実現されてもよい。操作部１３０は、ユーザ入力を示す情報を制御部１６０へ出力する。
　（４）センサ部１４０
　センサ部１４０は、音声処理システム１を装着したユーザの状態又は周囲の状態をセンシングする機能を有する。例えば、センサ部１４０は、加速度センサ、速度センサ、ジャイロセンサ、地磁気センサ、ＧＰＳ（Global　Positioning　System）モジュール、又は振動センサの少なくともいずれかを有していてもよい。センサ部１４０は、装着ユニットとは別の装置に設けられていてもよいし、複数の装置に分散して設けられていてもよい。例えば、リストバンド型の装置に脈拍センサが設けられ、スマートフォンに振動センサが設けられてもよい。センサ部１４０は、センシング結果を示す情報を制御部１６０へ出力する。
　（５）通信部１５０
　通信部１５０は、有線／無線により音声処理システム１と他の装置との間でデータの送受信を行うための通信モジュールである。通信部１５０は、例えば有線ＬＡＮ（Local　Area　Network）、無線ＬＡＮ、Ｗｉ－Ｆｉ（Wireless　Fidelity、登録商標）、赤外線通信、Ｂｌｕｅｔｏｏｔｈ、ＮＦＣ（Near　field　communication）等の方式で、外部機器と直接、またはネットワークアクセスポイントを介して無線通信する。
　例えば、後述する制御部１６０としての機能がスマートフォン又はクラウド上のサーバ等の他の装置に含まれる場合、通信部１５０は、音声取得部１１０、撮像部１２０、操作部１３０、センサ部１４０により取得されたデータを送信してもよい。この場合、他の装置により、ビームフォーミング処理や音声認識処理等が行われる。他にも、例えば音声取得部１１０、撮像部１２０、操作部１３０、又はセンサ部１４０が別箇の装置に設けられる場合には、通信部１５０は、それらにより取得されたデータを受信して制御部１６０に出力してもよい。また、通信部１５０は、制御部１６０によるビームフォーミング処理後の音声データを、当該音声データを記憶するための記憶装置へ送信してもよい。
　（６）制御部１６０
　制御部１６０は、演算処理装置および制御装置として機能し、各種プログラムに従って音声処理システム１内の動作全般を制御する。制御部１６０は、例えばＣＰＵ（Central　Processing　Unit）、マイクロプロセッサ等の電子回路によって実現される。なお、制御部１６０は、使用するプログラムや演算パラメータ等を記憶するＲＯＭ（Read　Only　Memory）、及び適宜変化するパラメータ等を一時記憶するＲＡＭ（Random　Access　Memory）を含んでいてもよい。
　例えば、制御部１６０は、音声取得部１１０により取得された複数の音声データを用いて、ユーザの口の方向からの音声を取得するための指向性を形成するビームフォーミング処理を行う。ビームフォーミング処理とは、音の到来する領域ごとに強調の度合を変化させる処理である。具体的には、制御部１６０が行うビームフォーミング処理は、特定の領域から到来する音を抑圧する処理を含んでもよいし、所望する方位からの音声を強調する処理を含んでもよい。例えば、制御部１６０は、ユーザの口の方向以外の方向からの音声を雑音として抑圧してもよい。また、制御部１６０は、ユーザの口の方向からの音声を強調してもよい。上述したように、音声取得部１１０自体が指向性を有していなくてもよい。制御部１６０は、各音声取得部１１０により取得された音声データを対象としたビームフォーミング処理を行うことで、指向性を制御する。制御部１６０は、各音声取得部１１０により取得される音声データ間の位相差を用いて、ビームフォーミング処理を行い得る。
　制御部１６０は、多様な観点でビームフォーミング処理を制御することができる。例えば、制御部１６０は、一例として以下に説明する観点で、指向性を形成する方向及び／又は範囲を制御し得る。
　例えば、制御部１６０は、雑音発生源と音声取得部１１０との位置関係に基づいてビームフォーミング処理を制御してもよい。例えば上述したようにロードノイズの発生源は地面であるため、制御部１６０は、地面の方向からの音声を抑圧するようビームフォーミング処理を制御してもよい。また、例えば位置情報から特定の方向に交通量の多い道路や線路等があると判別可能な場合、制御部１６０は、当該方向からの音声を抑圧するようビームフォーミング処理を制御してもよい。他にも、例えば雑音発生源の位置を指定するユーザ指示がある場合、制御部１６０は、ユーザ指示が示す位置からの音声を抑圧するようビームフォーミング処理を制御してもよい。
　例えば、制御部１６０は、ユーザ以外の話者の位置に基づいてビームフォーミング処理を制御してもよい。例えば、制御部１６０は、ユーザ以外の他の話者からの音声を強調するビームフォーミング処理を行ってもよい。また、制御部１６０は、ユーザ以外の他の話者からの音声を抑圧するビームフォーミング処理を行ってもよい。ユーザ以外の他の話者の存在又は位置（方向）を特定する方法は多様に考えらえる。例えば、制御部１６０は、ユーザ以外の方向から話し声が取得された場合、他の話者が存在すると判定し、方向を特定してもよい。また、制御部１６０は、音声認識により他の話者の話し声が取得されたことが認識された場合、他の話者が存在すると判定してもよい。また、制御部１６０は、撮像部１２０により撮像された撮像画像の画像認識結果により、他の話者の存在及び位置を特定してもよい。また、制御部１６０は、センサ部１４０が有するＧＰＳモジュールにより取得されたユーザの位置情報と、他の話者の位置情報とを比較することで、他の話者の存在及び位置を特定してもよい。また、制御部１６０は、他の話者が所持する装置から発せられる電波の電波強度（例えば、Ｗｉ－Ｆｉの電波強度）を測定することで、他の話者の存在及び位置を特定してもよい。
　例えば、制御部１６０は、ユーザの状態を示す情報に基づいてビームフォーミング処理を制御してもよい。ユーザの状態とは、例えばユーザが走っている、歩いている、又は乗り物に乗っている等の運動状態を指していてもよい。例えば、制御部１６０は、センサ部１４０により取得されるセンシング結果に応じて、ユーザの運動状態を推定し得る。制御部１６０は、複数のセンシング結果を組み合わせることで、詳細な運動状態を推定してもよい。例えば、制御部１６０は、振動センサ及び速度センサによるセンシング結果を組み合わせることで、振動レベル及び速度が歩行時と比較して大きい場合は自転車に乗っていると推定してもよい。他にも、制御部１６０は、自転車に乗っている場合と比較して振動レベルが小さく速度が大きい場合は自動車に乗っていると推定してもよい。そして、制御部１６０は、推定したユーザの運動状態に応じて、形成する指向性の範囲を拡大又は縮小してもよい。例えば、制御部１６０は、運動状態が示す運動の激しさ（例えば、各センサから出力された数値）が相対的に大きい場合には、小さい場合と比較して指向性の範囲を拡大してもよい。なお、指向性の範囲を拡大又は縮小するとは、到来する音に対して所定の値以上の感度を示す領域の範囲を拡大又は縮小することであると捉えてもよい。他にも、ユーザの状態とは、ユーザの顔の向きや姿勢等のユーザの体勢を指していてもよい。例えば、制御部１６０は、撮像部１２０により撮像された撮像画像の画像認識結果等によりユーザの顔の向きを推定し、向きに応じて指向性の向きを制御してもよい。この場合、顔の向きが変わり、ユーザの口と音声取得部１１０との位置関係が変化した場合にも、制御部１６０は、ユーザが口から発する音声を鮮明に取得するよう指向性を制御することが可能である。
　また、制御部１６０は、ビームフォーミング処理を行った音声データに基づいて実行された音声認識の結果に応じた処理をしてもよい。音声認識処理は、制御部１６０により実行されてもよいし、クラウド上のサーバ等の他の装置により実行されてもよい。例えば、制御部１６０は、音声認識の結果に基づいて音声処理システム１の動作を制御してもよい。具体的には、制御部１６０は、音声認識の結果に基づいてビームフォーミング処理に係る指向性を制御してもよい。これにより、ユーザは、例えば記録したい音声の方向に指向性を向けるよう、音声で指示することが可能となる。他にも、制御部１６０は、音声認識の結果に基づいて、カメラでの撮像を開始又は停止させたり、特定のセンシング結果を記録したりしてもよい。これにより、ユーザは、例えば記録したい風景や運動状態を記録するよう、音声で指示することが可能となる。
　なお、制御部１６０は、例えばモバイルプロセッサとして実現され得る。上述したように、制御部１６０は、装着ユニットが有していてもよく、スマートフォン又はクラウド上のサーバ等の他の任意の装置が有していてもよい。
　（７）その他
　他にも、音声処理システム１は、多様な構成要素を有し得る。例えば、音声処理システム１は、バッテリーを有していてもよい。図１～図３に示すように、装着ユニットが湾曲した形状を有し得るため、バッテリーは曲面状の曲面バッテリーであることが望ましい。また、音声処理システム１は、バッテリーに充電するためのケーブルを接続可能な充電コネクタを有していてもよい。充電コネクタは、通信ケーブルを接続可能な通信コネクタとしての機能を兼ね備える、充電通信コネクタであってもよい。また、音声処理システム１は、ユーザへの出力装置として機能するバイブレータを有していてもよい。また、音声処理システム１は、ユーザへの出力装置として機能するスピーカを有していてもよい。また、音声処理システム１は、ユーザへの出力装置として機能するイヤホンを接続可能なイヤホンコネクタを有していてもよい。イヤホンコネクタは、磁力を有していてもよく、磁力によりイヤホンコネクタとイヤホンとが着脱可能であってもよい。また、音声処理システム１は、制御部１６０によるビームフォーミング処理後の音声データを記憶するための記憶部を有していてもよい。
　以上、本実施形態に係る音声処理システム１の内部構成について説明した。続いて、図１２を参照して、本実施形態に係る音声処理システム１の動作処理について説明する。
　＜４．動作処理＞
　図１２は、本実施形態に係る音声処理システム１において実行される音声信号処理の流れの一例を示すフローチャートである。
　図１２に示すように、まず、ステップＳ１０２で、音声処理システム１は、音声データを取得する。例えば、音声取得部１１０Ａ、１１０Ｂ、１１０Ｃ及び１１０Ｄは、それぞれ音声データを取得して制御部１６０へ出力する。
　次いで、ステップＳ１０４で、音声処理システム１は、音源と音声取得部１１０との位置関係を示す情報を取得する。音源とは、雑音発生源であってもよいし、ユーザ音声の発生源であるユーザの口であってもよいし、ユーザ以外の話者であってもよい。制御部１６０は、これらの音源と音声取得部１１０との位置関係、詳しくは音声取得部１１０からみた方向を示す情報を取得する。このような情報としては、例えば、音声取得部１１０により取得された音声の音声認識結果、撮像部１２０により撮像された撮像画像の画像認識結果、操作部１３０により取得されたユーザ入力を示す情報、センサ部１４０によるセンシング結果、通信部１５０により他の装置から取得された情報等が挙げられる。
　次に、ステップＳ１０６で、音声処理システム１は、ユーザの状態を示す情報を取得する。例えば、制御部１６０は、ユーザの運動状態又はユーザの体勢を示す情報を取得する。このような情報としては、例えば、音声取得部１１０により取得された音声の音声認識結果、撮像部１２０により撮像された撮像画像の画像認識結果、操作部１３０により取得されたユーザ入力を示す情報、センサ部１４０によるセンシング結果、通信部１５０により他の装置から取得された情報等が挙げられる。
　そして、ステップＳ１０８で、音声処理システム１は、ビームフォーミング処理を行う。例えば、制御部１６０は、上記ステップＳ１０２において取得された複数の音声データを用いて、ユーザの口の方向からの音声を取得するための指向性を形成するビームフォーミング処理を行う。このとき、制御部１６０は、雑音発生源と音声取得部１１０との位置関係に基づいて、雑音を抑圧するようビームフォーミング処理を制御してもよい。また、制御部１６０は、ユーザ以外の話者の位置に基づいて、ユーザ以外の他の話者からの音声を強調する又は抑圧するビームフォーミング処理を行ってもよい。また、制御部１６０は、ユーザの状態に応じて、指向性を形成する方向及び／又は範囲を制御してもよい。
　その後、ステップＳ１１０で、音声処理システム１は、音声認識処理を行う。例えば、制御部１６０は、ビームフォーミング処理を行った音声データに基づいて音声認識処理を実行する。そして、制御部１６０は、音声認識結果に応じて音声処理システム１の動作を制御してもよい。
　以上、音声処理システム１において実行される音声信号処理の流れの一例を説明した。
　＜５．まとめ＞
　以上、図１～図１２を参照して、本開示の一実施形態について詳細に説明した。上記説明したように、本実施形態に係る音声処理システム１は、装着ユニットに少なくとも３つの音声取得部を有する。これにより、音声処理システム１は、ユーザ音声をより鮮明にするビームフォーミング処理を行うために適した音声データを取得することが可能となる。
　以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
　なお、本明細書において説明した各装置による一連の処理は、ソフトウェア、ハードウェア、及びソフトウェアとハードウェアとの組合せのいずれを用いて実現されてもよい。ソフトウェアを構成するプログラムは、例えば、各装置の内部又は外部に設けられる記憶媒体（非一時的な媒体：non-transitory　media）に予め格納される。そして、各プログラムは、例えば、コンピュータによる実行時にＲＡＭに読み込まれ、ＣＰＵなどのプロセッサにより実行される。
　また、本明細書においてフローチャート及びシーケンス図を用いて説明した処理は、必ずしも図示された順序で実行されなくてもよい。いくつかの処理ステップは、並列的に実行されてもよい。また、追加的な処理ステップが採用されてもよく、一部の処理ステップが省略されてもよい。
　また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。
　なお、以下のような構成も本開示の技術的範囲に属する。
（１）
　ユーザに装着される装着部を備え、
　前記装着部は、ビームフォーミングのための音声データを取得する音声取得部を少なくとも３つ有する、音声処理システム。
（２）
　前記装着部は、少なくとも４つの前記音声取得部を有し、
　４つの前記音声取得部が設けられる位置をそれぞれ結んで形成される形状は立体である、前記（１）に記載の音声処理システム。
（３）
　前記装着部が前記ユーザに装着された状態で、前記４つの音声取得部に含まれる第１の音声取得部と前記ユーザの口との距離と、前記４つの音声取得部に含まれる第２の音声取得部と前記ユーザの口との距離と、を異ならせて設けられる、前記（１）又は（２）に記載の音声処理システム。
（４）
　前記装着部が前記ユーザに装着された状態で、
　前記第１の音声取得部は、他の前記音声取得部と比較して最も前記ユーザの口に近い位置に設けられ、
　前記第２の音声取得部は、前記ユーザの直立姿勢における前記第１の音声取得部より前記ユーザの足側に設けられる、前記（３）に記載の音声処理システム。
（５）
　前記第１の音声取得部及び前記第２の音声取得部は、前記ユーザの直立姿勢における前記ユーザの口より足側に設けられる、前記（３）又は（４）に記載の音声処理システム。
（６）
　前記音声取得部は、全方位に感度を有するマイクロホンである、前記（２）～（５）のいずれか一項に記載の音声処理システム。
（７）
　前記音声取得部は、感度が全方位に一様又は略一様なマイクロホンである、前記（６）に記載の音声処理システム。
（８）
　前記音声処理システムは、前記音声取得部により取得された複数の音声データを用いて、前記ユーザの口の方向からの音声を取得するための指向性を形成するビームフォーミング処理を行う制御部をさらに備える、前記（２）～（７）のいずれか一項に記載の音声処理システム。
（９）
　前記ビームフォーミング処理は、音の到来する領域ごとに強調の度合を変化させる処理である、前記（８）に記載の音声処理システム。
（１０）
　前記ビームフォーミング処理は、特定の領域から到来する音を抑圧する処理を含む、前記（９）に記載の音声処理システム。
（１１）
　前記制御部は、雑音発生源と前記音声取得部との位置関係に基づいて前記ビームフォーミング処理を制御する、前記（８）～（１０）のいずれか一項に記載の音声処理システム。
（１２）
　前記制御部は、前記ユーザ以外の話者の位置に基づいて前記ビームフォーミング処理を制御する、前記（８）～（１１）のいずれか一項に記載の音声処理システム。
（１３）
　前記制御部は、前記ユーザの状態を示す情報に基づいて前記ビームフォーミング処理を制御する、前記（８）～（１２）のいずれか一項に記載の音声処理システム。
（１４）
　前記制御部は、前記ビームフォーミング処理を行った音声データに基づいて実行された音声認識の結果に応じた処理をする、前記（８）～（１３）のいずれか一項に記載の音声処理システム。
（１５）
　前記制御部は、前記音声認識の結果に基づいて前記音声処理システムの動作を制御する、前記（１４）に記載の音声処理システム。
（１６）
　前記制御部は、前記音声認識の結果に基づいて前記指向性を制御する、前記（１５）に記載の音声処理システム。
（１７）
　前記装着部は、前記制御部を有する、前記（８）～（１６）のいずれか一項に記載の音声処理システム。
（１８）
　前記装着部は、前記ユーザの首回りに装着される、前記（２）～（１７）のいずれか一項に記載の音声処理システム。
　１　　　音声処理システム
　１１０　　音声取得部
　１２０　　撮像部
　１３０　　操作部
　１４０　　センサ部
　１５０　　通信部
　１６０　　制御部

Claims (18)

  1. 　ユーザに装着される装着部を備え、
    　前記装着部は、ビームフォーミングのための音声データを取得する音声取得部を少なくとも３つ有する、音声処理システム。
  2. 　前記装着部は、少なくとも４つの前記音声取得部を有し、
    　４つの前記音声取得部が設けられる位置をそれぞれ結んで形成される形状は立体である、請求項１に記載の音声処理システム。
  3. 　前記装着部が前記ユーザに装着された状態で、前記４つの音声取得部に含まれる第１の音声取得部と前記ユーザの口との距離と、前記４つの音声取得部に含まれる第２の音声取得部と前記ユーザの口との距離と、を異ならせて設けられる、請求項１に記載の音声処理システム。
  4. 　前記装着部が前記ユーザに装着された状態で、
    　前記第１の音声取得部は、他の前記音声取得部と比較して最も前記ユーザの口に近い位置に設けられ、
    　前記第２の音声取得部は、前記ユーザの直立姿勢における前記第１の音声取得部より前記ユーザの足側に設けられる、請求項３に記載の音声処理システム。
  5. 　前記第１の音声取得部及び前記第２の音声取得部は、前記ユーザの直立姿勢における前記ユーザの口より足側に設けられる、請求項３に記載の音声処理システム。
  6. 　前記音声取得部は、全方位に感度を有するマイクロホンである、請求項２に記載の音声処理システム。
  7. 　前記音声取得部は、感度が全方位に一様又は略一様なマイクロホンである、請求項６に記載の音声処理システム。
  8. 　前記音声処理システムは、前記音声取得部により取得された複数の音声データを用いて、前記ユーザの口の方向からの音声を取得するための指向性を形成するビームフォーミング処理を行う制御部をさらに備える、請求項２に記載の音声処理システム。
  9. 　前記ビームフォーミング処理は、音の到来する領域ごとに強調の度合を変化させる処理である、請求項８に記載の音声処理システム。
  10. 　前記ビームフォーミング処理は、特定の領域から到来する音を抑圧する処理を含む、請求項９に記載の音声処理システム。
  11. 　前記制御部は、雑音発生源と前記音声取得部との位置関係に基づいて前記ビームフォーミング処理を制御する、請求項８に記載の音声処理システム。
  12. 　前記制御部は、前記ユーザ以外の話者の位置に基づいて前記ビームフォーミング処理を制御する、請求項８に記載の音声処理システム。
  13. 　前記制御部は、前記ユーザの状態を示す情報に基づいて前記ビームフォーミング処理を制御する、請求項８に記載の音声処理システム。
  14. 　前記制御部は、前記ビームフォーミング処理を行った音声データに基づいて実行された音声認識の結果に応じた処理をする、請求項８に記載の音声処理システム。
  15. 　前記制御部は、前記音声認識の結果に基づいて前記音声処理システムの動作を制御する、請求項１４に記載の音声処理システム。
  16. 　前記制御部は、前記音声認識の結果に基づいて前記指向性を制御する、請求項１５に記載の音声処理システム。
  17. 　前記装着部は、前記制御部を有する、請求項８に記載の音声処理システム。
  18. 　前記装着部は、前記ユーザの首回りに装着される、請求項２に記載の音声処理システム。
PCT/JP2015/070040 2014-10-20 2015-07-13 音声処理システム WO2016063587A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2016555104A JP6503559B2 (ja) 2014-10-20 2015-07-13 音声処理システム
EP15852448.8A EP3211918B1 (en) 2014-10-20 2015-07-13 Voice processing system
EP18186728.4A EP3413583A1 (en) 2014-10-20 2015-07-13 Voice processing system
US15/504,063 US10306359B2 (en) 2014-10-20 2015-07-13 Voice processing system
US16/012,473 US10674258B2 (en) 2014-10-20 2018-06-19 Voice processing system
US16/816,479 US11172292B2 (en) 2014-10-20 2020-03-12 Voice processing system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-213496 2014-10-20
JP2014213496 2014-10-20

Related Child Applications (2)

Application Number Title Priority Date Filing Date
US15/504,063 A-371-Of-International US10306359B2 (en) 2014-10-20 2015-07-13 Voice processing system
US16/012,473 Continuation US10674258B2 (en) 2014-10-20 2018-06-19 Voice processing system

Publications (1)

Publication Number Publication Date
WO2016063587A1 true WO2016063587A1 (ja) 2016-04-28

Family

ID=55760637

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/070040 WO2016063587A1 (ja) 2014-10-20 2015-07-13 音声処理システム

Country Status (5)

Country Link
US (3) US10306359B2 (ja)
EP (2) EP3211918B1 (ja)
JP (2) JP6503559B2 (ja)
CN (3) CN205508399U (ja)
WO (1) WO2016063587A1 (ja)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018007256A (ja) * 2016-07-04 2018-01-11 イーエム−テック・カンパニー・リミテッドＥＭ−ＴＥＣＨ．Ｃｏ．，Ｌｔｄ． オーディオフォーカシング機能を備える音声増幅装置
WO2018051663A1 (ja) * 2016-09-13 2018-03-22 ソニー株式会社 音源位置推定装置及びウェアラブルデバイス
WO2018116678A1 (ja) 2016-12-22 2018-06-28 ソニー株式会社 情報処理装置及びその制御方法
WO2018216339A1 (ja) 2017-05-23 2018-11-29 ソニー株式会社 情報処理装置及びその制御方法、並びに記録媒体
JPWO2018207453A1 (ja) * 2017-05-08 2020-03-12 ソニー株式会社 情報処理装置
JP2021082904A (ja) * 2019-11-15 2021-05-27 Ｆａｉｒｙ Ｄｅｖｉｃｅｓ株式会社 首掛け型装置
JP2021083079A (ja) * 2019-11-20 2021-05-27 ダイキン工業株式会社 遠隔作業支援システム
JP2021527853A (ja) * 2018-06-21 2021-10-14 マジック リープ， インコーポレイテッドＭａｇｉｃ Ｌｅａｐ，Ｉｎｃ． ウェアラブルシステム発話処理
JP2022533391A (ja) * 2019-05-22 2022-07-22 ソロズ・テクノロジー・リミテッド 眼鏡デバイス、システム、装置、および方法のためのマイク配置
US11642431B2 (en) 2017-12-08 2023-05-09 Sony Corporation Information processing apparatus, control method of the same, and recording medium
US11790935B2 (en) 2019-08-07 2023-10-17 Magic Leap, Inc. Voice onset detection
US11854550B2 (en) 2019-03-01 2023-12-26 Magic Leap, Inc. Determining input for speech processing engine
US11917384B2 (en) 2020-03-27 2024-02-27 Magic Leap, Inc. Method of waking a device using spoken voice commands

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017027397A2 (en) * 2015-08-07 2017-02-16 Cirrus Logic International Semiconductor, Ltd. Event detection for playback management in an audio device
WO2017060828A1 (en) 2015-10-08 2017-04-13 Cordio Medical Ltd. Assessment of a pulmonary condition by speech analysis
JP1589838S (ja) * 2017-01-20 2017-11-06
JP6766086B2 (ja) 2017-09-28 2020-10-07 キヤノン株式会社 撮像装置およびその制御方法
CN108235165B (zh) * 2017-12-13 2020-09-15 安克创新科技股份有限公司 一种麦克风颈环耳机
CN108235164B (zh) * 2017-12-13 2020-09-15 安克创新科技股份有限公司 一种麦克风颈环耳机
JP2019186630A (ja) * 2018-04-03 2019-10-24 キヤノン株式会社 撮像装置及びその制御方法及びプログラム
US11172293B2 (en) * 2018-07-11 2021-11-09 Ambiq Micro, Inc. Power efficient context-based audio processing
US10847177B2 (en) * 2018-10-11 2020-11-24 Cordio Medical Ltd. Estimating lung volume by speech analysis
US11024327B2 (en) 2019-03-12 2021-06-01 Cordio Medical Ltd. Diagnostic techniques based on speech models
US11011188B2 (en) 2019-03-12 2021-05-18 Cordio Medical Ltd. Diagnostic techniques based on speech-sample alignment
JP7408414B2 (ja) * 2020-01-27 2024-01-05 シャープ株式会社 ウェアラブルマイクスピーカ
US11484211B2 (en) 2020-03-03 2022-11-01 Cordio Medical Ltd. Diagnosis of medical conditions using voice recordings and auscultation
US11417342B2 (en) 2020-06-29 2022-08-16 Cordio Medical Ltd. Synthesizing patient-specific speech models
JP6786139B1 (ja) 2020-07-06 2020-11-18 Ｆａｉｒｙ Ｄｅｖｉｃｅｓ株式会社 音声入力装置
JP2022119582A (ja) * 2021-02-04 2022-08-17 株式会社日立エルジーデータストレージ 音声取得装置および音声取得方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001095098A (ja) * 1999-09-27 2001-04-06 Harada Denshi Kogyo Kk 体感補聴器
JP2009017083A (ja) * 2007-07-03 2009-01-22 Data Bank Commerce:Kk ノイズキャンセル装置
JP2009514312A (ja) * 2005-11-01 2009-04-02 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 音響追跡手段を備える補聴器
JP2012133250A (ja) * 2010-12-24 2012-07-12 Sony Corp 音情報表示装置、音情報表示方法およびプログラム
JP2012524505A (ja) * 2010-02-18 2012-10-11 クゥアルコム・インコーポレイテッド ロバストな雑音低減のためのマイクロフォンアレイサブセット選択

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0631835Y2 (ja) 1988-06-27 1994-08-22 株式会社オーディオテクニカ 咽喉マイクロホンの保持装置
US5793875A (en) * 1996-04-22 1998-08-11 Cardinal Sound Labs, Inc. Directional hearing system
US6091832A (en) * 1996-08-12 2000-07-18 Interval Research Corporation Wearable personal audio loop apparatus
US7099821B2 (en) * 2003-09-12 2006-08-29 Softmax, Inc. Separation of target acoustic signals in a multi-transducer arrangement
JP2005303574A (ja) 2004-04-09 2005-10-27 Toshiba Corp 音声認識ヘッドセット
US7522738B2 (en) * 2005-11-30 2009-04-21 Otologics, Llc Dual feedback control system for implantable hearing instrument
CN101390440B (zh) * 2006-02-27 2012-10-10 松下电器产业株式会社 可穿戴终端、控制可穿戴终端的处理器及方法
SE530137C2 (sv) 2006-06-27 2008-03-11 Bo Franzen Headset med strupmikrofon i kombination med en mot hörselgången ljudtätande öronhögtalare
JP5401760B2 (ja) * 2007-02-05 2014-01-29 ソニー株式会社 ヘッドフォン装置、音声再生システム、音声再生方法
US10226234B2 (en) * 2011-12-01 2019-03-12 Maui Imaging, Inc. Motion detection using ping-based and multiple aperture doppler ultrasound
JP2010187218A (ja) * 2009-02-12 2010-08-26 Sony Corp 制御装置、制御方法及び制御プログラム
BR112013012539B1 (pt) 2010-11-24 2021-05-18 Koninklijke Philips N.V. método para operar um dispositivo e dispositivo
WO2012083989A1 (en) * 2010-12-22 2012-06-28 Sony Ericsson Mobile Communications Ab Method of controlling audio recording and electronic device
US9711127B2 (en) * 2011-09-19 2017-07-18 Bitwave Pte Ltd. Multi-sensor signal optimization for speech communication
CN102393520B (zh) * 2011-09-26 2013-07-31 哈尔滨工程大学 基于目标回波多普勒特性的声纳运动目标成像方法
JP5772448B2 (ja) * 2011-09-27 2015-09-02 富士ゼロックス株式会社 音声解析システムおよび音声解析装置
CN103024629B (zh) * 2011-09-30 2017-04-12 斯凯普公司 处理信号
JP6031761B2 (ja) 2011-12-28 2016-11-24 富士ゼロックス株式会社 音声解析装置および音声解析システム
JP2013191996A (ja) 2012-03-13 2013-09-26 Seiko Epson Corp 音響装置
EP2736272A1 (en) * 2012-11-22 2014-05-28 ETH Zurich Wearable microphone array apparatus
CN202998463U (zh) * 2012-12-11 2013-06-12 启通科技有限公司 一种挂颈式助听器
RU2520184C1 (ru) * 2012-12-28 2014-06-20 Алексей Леонидович УШАКОВ Гарнитура для мобильного электронного устройства
CN103135092A (zh) * 2013-02-05 2013-06-05 中国科学院上海微系统与信息技术研究所 一种微孔径声阵列运动目标定向方法
US9525938B2 (en) * 2013-02-06 2016-12-20 Apple Inc. User voice location estimation for adjusting portable device beamforming settings
US10229697B2 (en) * 2013-03-12 2019-03-12 Google Technology Holdings LLC Apparatus and method for beamforming to obtain voice and noise signals
JP6375362B2 (ja) * 2013-03-13 2018-08-15 コピン コーポレーション 雑音キャンセリングマイクロホン装置
US9343053B2 (en) * 2013-05-13 2016-05-17 Sound In Motion Adding audio sound effects to movies
EP2840807A1 (en) * 2013-08-19 2015-02-25 Oticon A/s External microphone array and hearing aid using it

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001095098A (ja) * 1999-09-27 2001-04-06 Harada Denshi Kogyo Kk 体感補聴器
JP2009514312A (ja) * 2005-11-01 2009-04-02 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 音響追跡手段を備える補聴器
JP2009017083A (ja) * 2007-07-03 2009-01-22 Data Bank Commerce:Kk ノイズキャンセル装置
JP2012524505A (ja) * 2010-02-18 2012-10-11 クゥアルコム・インコーポレイテッド ロバストな雑音低減のためのマイクロフォンアレイサブセット選択
JP2012133250A (ja) * 2010-12-24 2012-07-12 Sony Corp 音情報表示装置、音情報表示方法およびプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3211918A4 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018007256A (ja) * 2016-07-04 2018-01-11 イーエム−テック・カンパニー・リミテッドＥＭ−ＴＥＣＨ．Ｃｏ．，Ｌｔｄ． オーディオフォーカシング機能を備える音声増幅装置
WO2018051663A1 (ja) * 2016-09-13 2018-03-22 ソニー株式会社 音源位置推定装置及びウェアラブルデバイス
US11402461B2 (en) 2016-09-13 2022-08-02 Sony Corporation Sound source position estimation device and wearable device
JPWO2018051663A1 (ja) * 2016-09-13 2019-06-24 ソニー株式会社 音源位置推定装置及びウェアラブルデバイス
WO2018116678A1 (ja) 2016-12-22 2018-06-28 ソニー株式会社 情報処理装置及びその制御方法
JP7103353B2 (ja) 2017-05-08 2022-07-20 ソニーグループ株式会社 情報処理装置
JPWO2018207453A1 (ja) * 2017-05-08 2020-03-12 ソニー株式会社 情報処理装置
US11468884B2 (en) 2017-05-08 2022-10-11 Sony Corporation Method, apparatus and computer program for detecting voice uttered from a particular position
US10869124B2 (en) 2017-05-23 2020-12-15 Sony Corporation Information processing apparatus, control method, and recording medium
WO2018216339A1 (ja) 2017-05-23 2018-11-29 ソニー株式会社 情報処理装置及びその制御方法、並びに記録媒体
US11642431B2 (en) 2017-12-08 2023-05-09 Sony Corporation Information processing apparatus, control method of the same, and recording medium
JP2021527853A (ja) * 2018-06-21 2021-10-14 マジック リープ， インコーポレイテッドＭａｇｉｃ Ｌｅａｐ，Ｉｎｃ． ウェアラブルシステム発話処理
US11854566B2 (en) 2018-06-21 2023-12-26 Magic Leap, Inc. Wearable system speech processing
JP7419270B2 (ja) 2018-06-21 2024-01-22 マジック リープ， インコーポレイテッド ウェアラブルシステム発話処理
US11854550B2 (en) 2019-03-01 2023-12-26 Magic Leap, Inc. Determining input for speech processing engine
JP2022533391A (ja) * 2019-05-22 2022-07-22 ソロズ・テクノロジー・リミテッド 眼鏡デバイス、システム、装置、および方法のためのマイク配置
JP7350092B2 (ja) 2019-05-22 2023-09-25 ソロズ・テクノロジー・リミテッド 眼鏡デバイス、システム、装置、および方法のためのマイク配置
US11790935B2 (en) 2019-08-07 2023-10-17 Magic Leap, Inc. Voice onset detection
US12094489B2 (en) 2019-08-07 2024-09-17 Magic Leap, Inc. Voice onset detection
JP2021082904A (ja) * 2019-11-15 2021-05-27 Ｆａｉｒｙ Ｄｅｖｉｃｅｓ株式会社 首掛け型装置
JP2021083079A (ja) * 2019-11-20 2021-05-27 ダイキン工業株式会社 遠隔作業支援システム
JP7270154B2 (ja) 2019-11-20 2023-05-10 ダイキン工業株式会社 遠隔作業支援システム
US11917384B2 (en) 2020-03-27 2024-02-27 Magic Leap, Inc. Method of waking a device using spoken voice commands

Also Published As

Publication number Publication date
CN108683972B (zh) 2022-08-09
EP3211918A1 (en) 2017-08-30
JP6747538B2 (ja) 2020-08-26
US20170280239A1 (en) 2017-09-28
US11172292B2 (en) 2021-11-09
US10306359B2 (en) 2019-05-28
EP3211918A4 (en) 2018-05-09
CN205508399U (zh) 2016-08-24
CN105529033B (zh) 2020-11-10
CN108683972A (zh) 2018-10-19
CN105529033A (zh) 2016-04-27
US20200213730A1 (en) 2020-07-02
JP6503559B2 (ja) 2019-04-24
US10674258B2 (en) 2020-06-02
JP2019134441A (ja) 2019-08-08
JPWO2016063587A1 (ja) 2017-08-03
US20180317005A1 (en) 2018-11-01
EP3413583A1 (en) 2018-12-12
EP3211918B1 (en) 2021-08-25

Similar Documents

Publication Publication Date Title
JP6747538B2 (ja) 情報処理装置
KR102378762B1 (ko) 지향성의 사운드 변형
US10257637B2 (en) Shoulder-mounted robotic speakers
US20160249141A1 (en) System and method for improving hearing
JPWO2019053993A1 (ja) 音響処理装置及び音響処理方法
JP2019054337A (ja) イヤホン装置、ヘッドホン装置及び方法
CN113393856A (zh) 拾音方法、装置和电子设备
US11785389B2 (en) Dynamic adjustment of earbud performance characteristics
JP2023514462A (ja) 眼鏡フレーム内に一体化可能な補聴システム
JP7065353B2 (ja) ヘッドマウントディスプレイ及びその制御方法
KR20230112688A (ko) 마이크로폰 빔 스티어링이 있는 머리-착용형 컴퓨팅 장치
US20230036986A1 (en) Processing of audio signals from multiple microphones
TW202314478A (zh) 音訊事件資料處理
TW202314684A (zh) 對來自多個麥克風的音訊信號的處理
US11689878B2 (en) Audio adjustment based on user electrical signals
CN118020314A (zh) 音频事件数据处理
CN118020313A (zh) 处理来自多个麦克风的音频信号
CN117499837A (zh) 音频处理方法、装置以及音频播放设备

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: 15852448

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016555104

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15504063

Country of ref document: US

REEP Request for entry into the european phase

Ref document number: 2015852448

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2015852448

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE