WO2020137585A1 - 特定音検出器および方法、並びにプログラム - Google Patents

特定音検出器および方法、並びにプログラム Download PDF

Info

Publication number
WO2020137585A1
WO2020137585A1 PCT/JP2019/048706 JP2019048706W WO2020137585A1 WO 2020137585 A1 WO2020137585 A1 WO 2020137585A1 JP 2019048706 W JP2019048706 W JP 2019048706W WO 2020137585 A1 WO2020137585 A1 WO 2020137585A1
Authority
WO
WIPO (PCT)
Prior art keywords
microphone
specific sound
sound
microphones
headphone
Prior art date
Application number
PCT/JP2019/048706
Other languages
English (en)
French (fr)
Inventor
優樹 山本
佑司 床爪
徹 知念
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 JP2020563065A priority Critical patent/JPWO2020137585A1/ja
Priority to DE112019006400.2T priority patent/DE112019006400T5/de
Priority to US17/415,648 priority patent/US11990151B2/en
Priority to KR1020217016989A priority patent/KR20210109526A/ko
Priority to CN201980083956.3A priority patent/CN113196792A/zh
Publication of WO2020137585A1 publication Critical patent/WO2020137585A1/ja
Priority to US18/645,857 priority patent/US20240274151A1/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
    • H04R5/00—Stereophonic arrangements
    • H04R5/033—Headphones for stereophonic communication
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1781—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase characterised by the analysis of input or output signals, e.g. frequency range, modes, transfer functions
    • G10K11/17821—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase characterised by the analysis of input or output signals, e.g. frequency range, modes, transfer functions characterised by the analysis of the input signals only
    • G10K11/17827—Desired external signals, e.g. pass-through audio such as music or speech
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1783—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase handling or detecting of non-standard events or conditions, e.g. changing operating modes under specific operating conditions
    • G10K11/17833—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase handling or detecting of non-standard events or conditions, e.g. changing operating modes under specific operating conditions by using a self-diagnostic function or a malfunction prevention function, e.g. detecting abnormal output levels
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1785—Methods, e.g. algorithms; Devices
    • G10K11/17857—Geometric disposition, e.g. placement of microphones
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1787—General system configurations
    • G10K11/17873—General system configurations using a reference signal without an error signal, e.g. pure feedforward
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1787—General system configurations
    • G10K11/17875—General system configurations using an error signal without a reference signal, e.g. pure feedback
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1787—General system configurations
    • G10K11/17879—General system configurations using both a reference signal and an error signal
    • G10K11/17881—General system configurations using both a reference signal and an error signal the reference signal being an acoustic signal, e.g. recorded with a microphone
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L25/84—Detection of presence or absence of voice signals for discriminating voice from noise
    • 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
    • H04R1/04—Structural association of microphone with electric circuitry therefor
    • 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
    • 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
    • H04R1/1041—Mechanical or electronic switches, or control elements
    • 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
    • H04R1/1058—Manufacture or assembly
    • H04R1/1075—Mountings of transducers in earphones or headphones
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R29/00—Monitoring arrangements; Testing arrangements
    • H04R29/004—Monitoring arrangements; Testing arrangements for microphones
    • H04R29/005—Microphone arrays
    • 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
    • G10K2210/10—Applications
    • G10K2210/108—Communication systems, e.g. where useful sound is kept and noise is cancelled
    • G10K2210/1081—Earphones, e.g. for telephones, ear protectors or headsets
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
    • G10K2210/30—Means
    • G10K2210/301—Computational
    • G10K2210/3026—Feedback
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
    • G10K2210/30—Means
    • G10K2210/301—Computational
    • G10K2210/3038—Neural networks
    • 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
    • H04R1/1083—Reduction of ambient noise
    • 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
    • H04R2201/10—Details of earpieces, attachments therefor, earphones or monophonic headphones covered by H04R1/10 but not provided for in any of its subgroups
    • H04R2201/107—Monophonic and stereophonic headphones with microphone for two-way hands free communication
    • 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
    • H04R2201/40—Details of arrangements for obtaining desired directional characteristic by combining a number of identical transducers covered by H04R1/40 but not provided for in any of its subgroups
    • H04R2201/401—2D or 3D arrays of transducers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2410/00—Microphones
    • H04R2410/05—Noise reduction with a separate noise microphone
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2420/00—Details of connection covered by H04R, not provided for in its groups
    • H04R2420/07—Applications of wireless loudspeakers or wireless microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2460/00—Details of hearing devices, i.e. of ear- or headphones covered by H04R1/10 or H04R5/033 but not provided for in any of their subgroups, or of hearing aids covered by H04R25/00 but not provided for in any of its subgroups
    • H04R2460/01—Hearing devices using active noise cancellation

Definitions

  • the present technology relates to a specific sound detector and method, and a program, and particularly to a specific sound detector and method, and a program capable of improving the detection performance of a specific sound.
  • a sound based on the audio signal includes a specific sound (hereinafter, referred to as a specific sound) such as a human voice or a running sound of a vehicle.
  • a specific sound such as a human voice or a running sound of a vehicle.
  • a technique has been proposed in which a microphone provided in a headphone is used to detect a conversation of a wearer of the headphone, and when the conversation is detected, a transition is made to a conversation mode (for example, See Patent Document 1).
  • the present technology has been made in view of such a situation, and is intended to improve the detection performance of a specific sound.
  • the specific sound detector includes a specific sound detection unit that detects a specific sound based on a plurality of audio signals obtained by collecting sounds by a plurality of microphones provided in the wearable device,
  • the plurality of microphones includes at least two microphones having the same distance from the sound source of the specific sound, and one microphone arranged at a predetermined position.
  • a specific sound detection method or program includes a step of detecting a specific sound based on a plurality of audio signals obtained by picking up sounds by a plurality of microphones provided in a wearable device.
  • the microphone is composed of at least two microphones having the same distance from the sound source of the specific sound, and one microphone arranged at a predetermined position.
  • a specific sound is detected based on a plurality of audio signals obtained by picking up sounds by a plurality of microphones provided in a wearable device.
  • the plurality of microphones include at least two microphones that are at the same distance from the sound source of the specific sound and one microphone that is arranged at a predetermined position.
  • FIG. 13 is a diagram illustrating a configuration example of a computer.
  • the present technology is capable of improving the detection performance of a specific sound by detecting the specific sound based on each of the plurality of audio signals acquired by each of the plurality of microphones.
  • the specific sound that is the specific sound to be detected may be any sound.
  • a microphone used for detecting the specific sound for example, a microphone provided in a wearable device worn by the user can be used.
  • a wearable device as long as it can be worn by the user, for example, overhead type headphones, true wireless type headphones in which parts to be worn on the left and right ears are not physically connected, and a head mounted display? It may be one.
  • the voice of the person wearing the headphone at least any of the voice of the person wearing the headphone, the voice of a person other than the person wearing the headphone, the announcement sound, the running sound of the vehicle, and the horn sound emitted by the vehicle, etc., by the plurality of microphones provided in the headphones.
  • An example of detecting that as a specific sound will be described.
  • FIG. 1 it is assumed that there is a user U11 who is a headphone wearer who wears an overhead type headphone HD11 provided with one microphone MK11, and another user U12 is near the user U11.
  • the voice of the user U11 who is a headphone wearer is detected as a specific sound based on the audio signal obtained by the microphone MK11 collecting sound
  • the voice of the user U12 who is not a headphone wearer is detected. It may be erroneously detected as a specific sound. That is, erroneous detection may occur.
  • the method for detecting the specific sound is different between when the user U11 is an arbitrary person and when the user U11 is a predetermined specific person. In either case, erroneous detection will occur.
  • a detector configured by a neural network or the like for detecting the voice of the arbitrary person is generated by machine learning, and using the obtained detector, the user is a headphone wearer. There is a method of detecting the voice of the user U11 as a specific sound.
  • the distance from the mouth of the user U11 who is a headphone wearer to the microphone MK11 is substantially the same as the distance from the mouth of the user U12 who is not a headphone wearer to the microphone MK11 (equal distance). ).
  • the sound pressure of the audio signal obtained by the microphone MK11 is substantially equal in the voice of the user U11 and the voice of the user U12, and both are the same “human voice”.
  • the detector it is difficult for the detector to distinguish between the voice of the user U11 who is a headphone wearer and the voice of the user U12 who is not a headphone wearer.
  • erroneous detection occurs in which the voice of a user (person) other than the user U11 who is a headphone wearer, that is, the voice of the user U12 here is detected as the specific sound.
  • a detector that detects a predetermined specific person's voice that is, the voice of a specific user U11 who is a headphone wearer here is generated by machine learning, and the detector is used to detect a user who is a headphone wearer.
  • the distance from the mouth of the user U11 who is a specific headphone wearer to the microphone MK11 is approximately the same as the distance from the mouth of the user U12 who is not a headphone wearer to the microphone MK11.
  • the sound pressure of the audio signal acquired by the microphone MK11 is substantially equal in the voice of the user U11 and the voice of the user U12, but the voice of the user U11 and the voice of the user U11 are equal to each other. Since it is different from the voice of U12, erroneous detection of the specific sound is less likely to occur as compared with the case where the user U11 is an arbitrary person.
  • the overhead type headphone HD21 is provided with a microphone MK21-1 and a microphone MK21-2.
  • parts corresponding to those in FIG. 1 are designated by the same reference numerals, and the description thereof will be omitted as appropriate.
  • the user U11 who is a headphone wearer wears the headphone HD21, and there is a user U12 who is not a headphone wearer near the user U11.
  • a microphone MK21-1 is provided in the left housing HW21-1 of the headphone HD21, which is attached to the left ear of the user U11. Further, a microphone MK21-2 is provided in the housing part HW21-2 on the right side of the headphone HD21, which is attached to the right ear of the user U11.
  • the microphone MK21-1 is arranged on the left side of the user U11, and the microphone MK21-2 is arranged on the right side of the user U11.
  • the microphone MK21-1 and the microphone MK21-2 will be simply referred to as the microphone MK21 unless it is necessary to distinguish them.
  • the housing part HW21-1 and the housing part HW21-2 will be simply referred to as the housing part HW21 unless it is necessary to distinguish them.
  • the microphone MK21 is provided outside the outer circumference of the housing HW21 of the headphone HD21. That is, the microphone MK21 is provided so that the sensor portion for collecting sound is not covered by the housing and is exposed to the outside.
  • the microphone MK21 is used as, for example, a feed-forward microphone for realizing a noise canceling function.
  • Feedforward microphone is a microphone for feedforward control of noise canceling, and this feedforward microphone is used not only for noise canceling but also for detecting a specific sound.
  • the two microphones MK21 are arranged so that the distance from the user U11's mouth, which is the sound source position of the specific sound, is approximately equal when the user U11 wears the headphone HD21.
  • the distance from the mouth of the user U11 who is a headphone wearer to the microphone MK21-2 is approximately the same as the distance from the mouth of the user U12 who is not a headphone wearer to the microphone MK21-2. ing. However, the distance from the mouth of the user U11 to the microphone MK21-1 is different from the distance from the mouth of the user U12 to the microphone MK21-1.
  • the microphone MK21-1 and the microphone MK21-2 are arranged at positions approximately equidistant from the mouth of the user U11 that is the sound source of the specific sound, but the positions of those microphones MK21 are the positions of the user U12. Not equidistant from the mouth.
  • the difference in sound pressure in the audio signal acquired by the microphone MK21 arranged at different positions and at positions where the specific sound is substantially equal to the sound source is used.
  • the detected specific sound can be detected. This can improve the detection performance.
  • the distance from the mouth of the user U12 to the microphone MK21-1 is substantially equal to the distance from the mouth of the user U12 to the microphone MK21-2. It is in a state.
  • Such a case may occur, for example, when the user U12 is behind the user U11 on a train or near a railroad crossing. Further, in a train or the like, a voice of a person such as an announcement sound may be reproduced above the user U11, and in such a case, the sound source such as the announcement sound is located on the midline of the user U11. Can occur.
  • a microphone MK21-1 is provided in the left housing part HW21-1 of the headphone HD31, and a microphone MK21-2 is provided in the right housing part HW21-2.
  • the microphone MK21-1 and the microphone MK21-2 are arranged at the same height as seen from the user U11.
  • the microphone MK31 is provided at a position lower than the microphone MK21-1 in the figure in the left housing part HW21-1, that is, at the BTM position (bottom position).
  • This microphone MK31 is, for example, a telephone call microphone provided outside the outer periphery of the housing HW21-1 for telephone calls.
  • the microphone MK31 is arranged closer to the mouth of the user U11 than the microphone MK21 when the user U11 wears the headphone HD31 on the head. That is, the microphone MK31 is arranged at a position where the distance from the mouth of the user U11 is shorter than the distance from the microphone MK21 to the mouth of the user U11.
  • the voice of the user U11 who is a headphone wearer is acquired by the two microphones MK21 and one microphone MK31, the sound pressures of the audio signals obtained by the two microphones MK21 are similar. ..
  • the sound pressure of the audio signal obtained by the microphone MK31 is higher than the sound pressure of the audio signal obtained by each of the two microphones MK21.
  • the voice of the user U11 who is a headphone wearer is input to the two microphones MK21 with a similar sound pressure, but to the microphone MK31 with a higher sound pressure than that in the microphone MK21. ..
  • the microphone MK31 is located closer to the user U11's mouth than the microphone MK21.
  • the headphone HD31 As in the example shown in FIG. 3, even when the user U12 who is not the headphone wearer is on the median plane of the user U11 who is the headphone wearer, the above-mentioned erroneous detection is less likely to occur. .. In other words, the headphone HD31 provided with three microphones can obtain higher detection performance than the headphone HD21 provided with two microphones.
  • the user U12 is located on the median plane of the user U11, below the user U11. Such a positional relationship between the user U12 and the user U11 can occur when the user U11 is standing in front of the user U12 who is seated in a train or the like.
  • the microphone MK31 is closer to the mouth of the user U12 than the microphone MK21, and the two microphones MK21 are arranged at positions substantially equidistant from the mouth of the user U12.
  • the sound pressure of the audio signal obtained by the microphone MK31 is higher than the sound pressure of the audio signal obtained by the microphone MK21.
  • erroneous detection may occur as in the example shown in FIG.
  • FIG. 6 portions corresponding to those in FIG. 4 are denoted by the same reference numerals, and description thereof will be omitted as appropriate.
  • a microphone MK21-1 and a microphone MK31 are provided in the left housing portion HW21-1 of the headphone HD41, and a microphone MK21-2 is provided in the right housing portion HW21-2.
  • the arrangement of these microphones MK21 and MK31 is the same as in the case of FIG.
  • the microphone MK41 is arranged above the microphones MK21 and MK31 when viewed from the user U11.
  • the microphone MK41 is arranged near the crown of the user U11 (near the crown), that is, at the TOP position (top position) when the user U11 wears the headphones HD41.
  • the microphone MK41 is provided at a position approximately equidistant from the two microphones MK21 in the band portion BD41 that connects (connects) the two housing portions HW21.
  • the microphone MK41 is, for example, a microphone for detecting a specific sound provided outside the band portion BD41.
  • the distance from the mouth of the user U11 to the microphone MK21 is substantially equal to the distance from the mouth of the user U11 to the microphone MK41.
  • the two microphones MK21 and MK41 are arranged at positions substantially equidistant from the mouth of the user U11, which is the sound source of the specific sound.
  • the sound pressure of the audio signal obtained by the microphone MK31 is higher than the sound pressure of the audio signal obtained by the microphone MK21 or microphone MK41.
  • the probability that the user U12 who is not a headphone wearer utters a voice is low in general real life, and therefore the headphone HD41 hardly causes false detection. That is, the headphone HD41 provided with four microphones can obtain higher detection performance than the headphone HD31 provided with three microphones.
  • a feedback microphone is disposed inside the housing of the headphones for noise canceling.
  • two microphones MK21 may be provided in the overhead type headphone HD51, and a microphone MK51-1 and a microphone MK51-2 which are feedback microphones for noise canceling.
  • a microphone MK51-1 and a microphone MK51-2 which are feedback microphones for noise canceling.
  • a microphone MK21-1 is provided in the left housing portion HW21-1 of the headphone HD51, and a microphone MK21-2 is provided in the right housing portion HW21-2.
  • the arrangement of these microphones MK21 is the same as in FIG.
  • the microphone MK51-1 that is a feedback microphone is arranged inside the left housing part HW21-1, that is, inside the housing forming the housing part HW21-1 (FBL position). In other words, the microphone MK51-1 is covered by the housing forming the housing portion HW21-1.
  • the microphone MK51-1 includes a diaphragm of a speaker (not shown) provided inside the housing portion HW21-1 and a mesh-shaped protection member that protects the diaphragm by covering the diaphragm. It is placed in the position between.
  • the protective member also functions as a housing.
  • the feedback microphone is a microphone for feedback control of noise canceling.
  • the feedback microphone is used not only for noise canceling but also for detecting a specific sound.
  • the microphone MK51-2 which is a feedback microphone, is arranged at a position (FBR position) inside the housing forming the right housing part HW21-2.
  • the microphone MK51-1 and the microphone MK51-2 will be simply referred to as the microphone MK51 unless it is necessary to distinguish them.
  • the microphone MK51 Since the microphone MK51 is covered by the housing of the headphone HD51, these microphones MK51 hardly input (pick up) external sound including the voice of a person other than the user U11 who is a headphone wearer. That is, the microphone MK51 hardly collects the sound propagating in the air from the outside of the housing portion HW21.
  • the microphone MK51 collects the vibration sound generated by the voice of the user U11.
  • the feedback microphone is mainly used as the microphone for collecting the individual vibration sound of the user U11
  • the individual vibration sound of the user U11 is collected using the bone conduction microphone or the like. You may do it. That is, for example, a bone conduction microphone or the like may be used as the microphone MK51.
  • a specific sound is detected by using a total of two microphones, one feedforward microphone and one feedback microphone, so that the power consumption and the memory amount are suppressed to be small and the false detection occurs. May be suppressed.
  • the microphone MK21-1 that is a feed-forward microphone and the microphone MK51-1 that is a feedback microphone, which are provided in the left housing portion HW21-1, may be used for specific sound detection.
  • the microphone MK21-2 which is a feedforward microphone
  • the microphone MK51-2 which is a feedback microphone, which are provided in the housing HW21-2 on the right side, may be used for specific sound detection. Also in this case, the other microphone may not be provided in the headphones.
  • a true wireless headphone HD61 includes a left headset HS61-1 worn on the left ear of the user, that is, the user U11 and a right headset HS61 worn on the right ear of the user. -2 and consists.
  • the headset HS61-1 and the headset HS61-2 will be simply referred to as the headset HS61 unless it is necessary to distinguish them.
  • the headset HS61-1 on the left side is provided with a microphone MK21-1 that is a feed-forward microphone for noise canceling and a microphone MK51-1 that is a feedback microphone for noise canceling.
  • the headset HS61-2 on the right side is provided with a microphone MK21-2, which is a feed-forward microphone for noise canceling, and a microphone MK51-2, which is a feedback microphone for noise canceling.
  • the placement positions of these microphones MK21 and MK51 are almost the same as in FIG. That is, the microphone MK21 is provided outside the headset HS61, and the microphone MK51 is provided inside the headset HS61.
  • the microphone MK21-1 and the microphone MK51-1 provided in the same left headset HS61-1 can be used to detect a specific sound.
  • the right headset HS61-2 may not be provided with the microphones MK21-2 and MK51-2.
  • the microphones MK21-2 and MK51-2 provided on the right headset HS61-2 may be used for detecting a specific sound.
  • the left and right microphones such as microphone MK21-1 and microphone MK21-2, are independent.
  • the left headset HS61-1 and the right headset HS61-2 are wirelessly connected, but not wired.
  • an audio signal obtained by one microphone MK21 is wirelessly communicated to a headset HS61 provided with the other microphone MK21.
  • wireless communication transmission consumes a large amount of power.
  • the microphone MK21 and the microphone MK51 are arranged in the headset HS61 on one side of the headphone HD61 and these microphones are used to detect a specific sound, the above-mentioned wireless communication transmission is unnecessary, It is possible to obtain high detection performance while suppressing power consumption.
  • the microphone used for detecting the specific sound The number may be any number, and the microphones may be arranged in any manner.
  • a microphone arrangement as shown in FIGS. 9 and 10 may be used.
  • the overhead type headphone HD71 is provided with eight microphones, and any two or more of these eight microphones are used to detect a specific sound. be able to. Note that, in FIG. 9, portions corresponding to those in FIG. 6 or FIG. 7 are denoted by the same reference numerals, and description thereof will be appropriately omitted.
  • the headphone HD71 is provided with two microphones MK21, MK31, and MK41 in the same arrangement as in FIG. 6, and two microphones MK51 in the same arrangement as in FIG. Has been.
  • a microphone MK71-1 for communication and a microphone MK71-2 are provided at a height position between the microphone MK21-1 and the microphone MK31 in the left housing part HW21-1.
  • the microphone MK71-1 is provided at the FRT position outside the outer circumference of the housing HW21-1, that is, the position on the face (mouth) side of the user U11 who is a headphone wearer.
  • the microphone MK71-2 is provided at the REA position outside the outer circumference of the housing HW21-1, that is, at the position on the occipital side of the user U11 who is a headphone wearer.
  • the microphone MK71-1 and the microphone MK71-2 will be simply referred to as the microphone MK71 unless it is necessary to distinguish them.
  • the true wireless headphone HD81 is provided with six microphones, and any two or more of these six microphones are used for detecting a specific sound.
  • FIG. 10 portions corresponding to those in FIG. 8 or 9 are denoted by the same reference numerals, and description thereof will be omitted as appropriate.
  • the headset HS61-1 on the left side of the headphones HD81 is provided with a microphone MK21-1, a microphone MK51-1, a microphone MK31, and a microphone MK71-1.
  • the headset HS61-2 on the right side of the headphones HD81 is provided with a microphone MK21-2 and a microphone MK51-2.
  • the specific sound to be detected is not limited to the voice of the headphone wearer and may be any other sound. Good.
  • the voice or announcement voice of a person who is not a headphone wearer may be detected as a specific sound, or the running sound of a vehicle traveling around the headphone wearer or a horn sound emitted by a vehicle (automobile or bicycle). Such moving sound may be detected as the specific sound.
  • the microphone placement that is suitable for preventing the sound other than the specific sound from being mistakenly detected differs depending on the specific sound to be detected.
  • a specific example of the microphone arrangement for each specific sound will be described.
  • the microphone MK21-1 which is the feedforward microphone arranged at the above-mentioned L position
  • the microphone MK51-1 which is the feedback microphone arranged at the FBL position
  • the BTM position are arranged. It is effective to use the microphone MK31 for talking and the microphone MK41 for detecting a specific sound arranged at the TOP position.
  • the specific sound is erroneously detected as a specific sound by the microphone arrangement described with reference to FIG. It is a voice and an announcement sound on the train, at the platform of the station, or on the street.
  • the sound pressure of the voices and announcement sounds of these headphones wearers to each microphone (hereinafter also referred to as input sound pressure) has the following features.
  • the input sound pressure of the microphone MK31 at the BTM position and the microphone MK51-1 at the FBL position is large, and the input sound pressure of the microphone MK21-1 at the L position and the input sound of the microphone MK41 at the TOP position are large.
  • the pressure is about the same, and both are lower than the input sound pressure of the microphone MK31 at the BTM position.
  • the input sound pressures of the microphone MK31 at the BTM position, the microphone MK21-1 at the L position, and the microphone MK41 at the TOP position are approximately the same, and the FBL position The input sound pressure of the microphone MK51-1 is extremely low.
  • the input sound pressure of the microphone MK41 at the TOP position is high, and the input sound pressure of the microphone MK21-1 at the L position and the microphone MK31 at the BTM position is lower than the input sound pressure of the microphone MK41 at the TOP position. Moreover, the input sound pressure of the microphone MK51-1 at the FBL position is extremely low.
  • the magnitude of the input sound pressure at each microphone differs between the voice of a person other than the headphone wearer who has a specific sound and the voice or announcement sound of the headphone wearer who does not have a specific sound. Therefore, if the voice of a person other than the headphone wearer is detected as the specific sound with the above microphone arrangement, the specific sound can be detected with high detection performance without error.
  • the microphone MK21-1 which is the feedforward microphone arranged in the L position, the feedback microphone arranged in the FBL position. It is effective to use a microphone MK51-1, which is a microphone, a microphone MK31 for a call arranged at the BTM position, and a microphone MK41 for detecting a specific sound arranged at the TOP position.
  • the microphone MK21-1 which is a feedforward microphone arranged at the L position
  • the microphone MK21-2 which is a feedforward microphone arranged at the R position
  • the microphone MK71- for communication arranged at the FRT position. 1 1, and it is effective to use the microphone MK71-2 for communication placed in the REA position.
  • the input sound pressure of each microphone of the moving sound of a sound source located far from the headphone and the moving sound of a sound source located nearby has the following characteristics.
  • the microphone MK21-1 at the L position the microphone MK21-2 at the R position
  • the microphone MK71-1 at the FRT position The input sound pressures of the microphones MK71-2 at the REA position and the input sound pressures of the microphones are also about the same.
  • the change in the input sound pressure with each microphone changes with time as the input sound pressure decreases.
  • the time-dependent change in the input sound pressure in each microphone is a change in which the input sound pressure increases with time.
  • the voice of the headphone wearer the voice of a person other than the headphone wearer, the announcement sound, and the moving sound were detected as specific sounds.
  • detectors for detecting each of these sounds may be operated in parallel.
  • the combination of microphones for obtaining the audio signal input to the detector can be different for each detector, that is, for each specific sound to be detected.
  • the specific sound detection method may be any method that uses a plurality of microphones. It may be a method.
  • a noise canceling headphone with a call function (hereinafter, also simply referred to as headphone) to which the present technology is applied is configured as shown in FIG. 11, for example.
  • the headphone 11 shown in FIG. 11 is an overhead type noise canceling headphone with a call function.
  • the headphone 11 includes the L microphone 21, the R microphone 22, the FBL microphone 23, the FBR microphone 24, the BTM microphone 25, the FRT microphone 26, the REA microphone 27, the TOP microphone 28, the specific sound detection unit 29, the external sound unit 30, and the recording unit 31. It has a noise canceling section 32, a call section 33, a receiving section 34, a mode switching section 35, a control section 36, and a speaker 37.
  • the block portion including the specific sound detecting unit 29 functions as a specific sound detector that detects a specific sound. Therefore, for example, the specific sound detector may include the control unit 36 and the like. Note that the specific sound detector may be provided outside the headphones 11, and the specific sound may be detected by acquiring an audio signal obtained by collecting sound from the headphones 11.
  • the L microphone 21, R microphone 22, FBL microphone 23, and FBR microphone 24 correspond to the microphone MK21-1, microphone MK21-2, microphone MK51-1, and microphone MK51-2 shown in FIG. 9, respectively.
  • the L microphone 21 and the R microphone 22 are feedforward microphones provided at the L position and the R position, respectively.
  • the L microphone 21 and the R microphone 22 collect ambient sounds and supply the resulting audio signals to the external sound unit 30, the noise canceling unit 32, and the specific sound detecting unit 29.
  • the FBL microphone 23 and the FBR microphone 24 are feedback microphones arranged at the FBL position and the FBR position, respectively.
  • the FBL microphone 23 and the FBR microphone 24 pick up ambient sounds and supply the resulting audio signals to the noise canceling section 32 and the specific sound detecting section 29.
  • the BTM microphone 25, the FRT microphone 26, and the REA microphone 27 are microphones for communication arranged at the BTM position, the FRT position, and the REA position, respectively, and are the microphone MK31, the microphone MK71-1, and the microphone MK71 shown in FIG. Corresponds to -2. These BTM microphone 25 to REA microphone 27 pick up ambient sounds and supply the resulting audio signals to the call section 33 and the specific sound detection section 29.
  • the TOP microphone 28 is a microphone for detecting a specific sound arranged at the TOP position and corresponds to the microphone MK41 shown in FIG.
  • the TOP microphone 28 picks up ambient sound and supplies the audio signal obtained as a result to the specific sound detection unit 29.
  • the specific sound detection unit 29 detects a specific sound based on the audio signal supplied from the L microphone 21 to the TOP microphone 28, and supplies the detection result to the control unit 36.
  • the specific sound detection unit 29 has a distribution unit 51, a wearer voice detection unit 52, another person voice detection unit 53, and a moving sound detection unit 54.
  • the distributing unit 51 distributes the audio signal supplied from the L microphone 21 to the TOP microphone 28 to the wearer voice detecting unit 52, the other person voice detecting unit 53, and the moving sound detecting unit 54. That is, the audio signal obtained by each microphone is distributed to the wearer voice detection unit 52, the other person voice detection unit 53, and the moving sound detection unit 54.
  • the distribution unit 51 supplies each audio signal supplied from the L microphone 21, the R microphone 22, and the BTM microphone 25 to the wearer voice detection unit 52.
  • the distribution unit 51 supplies each audio signal supplied from the L microphone 21, the FBL microphone 23, the BTM microphone 25, and the TOP microphone 28 to the other person voice detection unit 53.
  • the distribution unit 51 supplies the audio signals supplied from the L microphone 21, the R microphone 22, the FRT microphone 26, and the REA microphone 27 to the moving sound detection unit 54.
  • the wearer voice detection unit 52 is composed of, for example, a detector including a neural network obtained by machine learning or the like, that is, a detector having a neural network structure.
  • the wearer voice detection unit 52 detects the voice of the wearer of the headphones 11 as a specific sound based on the audio signal supplied from the distribution unit 51, and supplies the detection result to the control unit 36.
  • the detector that constitutes the wearer voice detection unit 52 is based on the audio signals obtained by picking up the sound by the microphones arranged at the L position, the R position, and the BTM position, as input. It is preliminarily obtained by machine learning or the like so as to calculate the probability that the sound includes the voice of the wearer of the headphone 11 as the specific sound, and output the probability as the detection result of the specific sound.
  • the other person voice detection unit 53 is composed of, for example, a detector of a neural network structure obtained by machine learning or the like, and based on the audio signal supplied from the distribution unit 51, the voice of a person other than the wearer of the headphone 11 is detected. It is detected as a specific sound, and the detection result is supplied to the control unit 36.
  • the detector that constitutes the other person's voice detection unit 53 receives the audio signals obtained by picking up sounds by the microphones arranged at the L position, the FBL position, the BTM position, and the TOP position, and inputs those audio signals.
  • the probability that the sound based on the signal includes a voice of a person other than the wearer of the headphone 11 that is the specific sound is calculated in advance by machine learning or the like so as to be output as the detection result of the specific sound. There is.
  • the moving sound detection unit 54 is composed of a detector having a neural network structure obtained by, for example, machine learning, and based on the audio signal supplied from the distribution unit 51, a specific sound such as a vehicle running sound or a horn sound is specified. The moving sound is detected as a specific sound, and the detection result is supplied to the control unit 36.
  • the detector that constitutes the moving sound detection unit 54 receives as an input the audio signals obtained by picking up sounds by the microphones arranged at the L position, the R position, the FRT position, and the REA position, and outputs those audio signals. It is preliminarily obtained by machine learning or the like so as to calculate the probability that the moving sound that is the specific sound is included in the sound based on and to output the probability as the detection result of the specific sound.
  • the information indicating the detection result of each specific sound output from the wearer voice detecting unit 52 to the moving sound detecting unit 54 is, for example, information indicating the probability value between 0% and 100%.
  • the information indicating the detection result of the specific sound may be flag information indicating whether or not the specific sound is detected from the collected sounds.
  • the specific sound detection unit 29 may detect one specific sound or a plurality of specific sounds.
  • the external sound unit 30 sets the audio signals supplied from the L microphone 21 and the R microphone 22 as external sound signals that are external sounds (external sounds) around the headphones 11, and supplies the external sound signals to the control unit 36. ..
  • the recording unit 31 holds (records) a music signal for reproducing music, and supplies the held music signal to the noise canceling unit 32 and the control unit 36 as necessary.
  • the noise canceling unit 32 based on the audio signal supplied from the L microphone 21, the R microphone 22, the FBL microphone 23, and the FBR microphone 24, and the music signal supplied from the recording unit 31, the sound around the headphone 11 ( A noise cancel signal for canceling external sound is generated and supplied to the control unit 36.
  • the noise canceling unit 32 generates, as an inverted signal, a signal obtained by inverting the positive/negative of the audio signal supplied from the L microphone 21 and the R microphone 22. Further, the noise canceling unit 32 subtracts the music signal from the audio signal supplied from the FBL microphone 23 and the FBR microphone 24, and inverts the positive and negative of the resulting signal to generate a subtraction inversion signal. Then, the noise canceling section 32 adds the inversion signal thus obtained and the subtraction inversion signal to obtain a noise cancellation signal.
  • the call unit 33 adds the audio signals from the BTM microphone 25, the FRT microphone 26, and the REA microphone 27 and the voice signal of the call partner of the wearer of the headphone 11 supplied from the receiving unit 34 to generate a call signal. , To the control unit 36.
  • the receiving unit 34 receives the voice signal of the voice of the call partner transmitted by wireless communication from a device such as a mobile phone operated by the call partner of the wearer of the headphone 11 and supplies the voice signal to the call unit 33.
  • the mode switching unit 35 switches the operation mode of the headphones 11 to either the music reproduction mode or the call mode, and supplies the control unit 36 with identification information indicating the operation mode after switching.
  • the music reproduction mode is an operation mode in which music is reproduced based on the music signal held in the recording unit 31 in the headphone 11.
  • the call mode is an operation mode that realizes a voice call between the wearer of the headphones 11 and the call partner.
  • the control unit 36 controls the operation of the headphones 11 as a whole.
  • control unit 36 the external sound signal from the external sound unit 30, the recording unit 31 based on the detection results from the wearer voice detection unit 52 to the moving sound detection unit 54 and the identification information from the mode switching unit 35.
  • a weighted addition signal is generated by performing weighted addition of the music signal from, the noise cancellation signal from the noise canceling unit 32, and the calling signal from the calling unit 33.
  • the control unit 36 also supplies the obtained weighted addition signal to the speaker 37.
  • the speaker 37 outputs a sound based on the weighted addition signal supplied from the control unit 36. As a result, for example, music or a call voice with the other party is reproduced.
  • the following equation (1) is calculated to calculate (generate the weighted addition signal sig_w[i] ) Will be done.
  • i indicates the time sample index of each signal.
  • sig_ambient[i], sig_music[i], sig_noise[i], and sig_tel[i] represent an external sound signal, a music signal, a noise cancellation signal, and a call signal, respectively.
  • A, M, N, and T indicate weighting factors.
  • the weighting factors A, M, N, and T are determined based on the identification information indicating the operation mode and the detection result of each specific sound from the wearer voice detection unit 52 to the moving sound detection unit 54. ..
  • the operation mode indicated by the identification information is the music reproduction mode
  • the probability of showing the detection result of each specific sound supplied from the wearer voice detection unit 52 to the moving sound detection unit 54 is all 90%. It was less than.
  • the specific sound is detected when the probability indicating the detection result of the specific sound is equal to or more than “90%” which is a predetermined threshold value.
  • the operation mode is the music playback mode
  • the voice of the wearer of the headphone 11 the voices of other persons, and the moving sound are not detected from the surroundings of the headphone 11. Therefore, the control unit 36 adds only the music signal sig_music[i] and the noise cancellation signal sig_noise[i] with the same weight to obtain a weighted addition signal sig_w[i].
  • the speaker 37 reproduces the sound based on the weighted addition signal sig_w[i]
  • noise canceling is realized and the wearer of the headphone 11 can hear only the music.
  • the wearer (user) can concentrate on the music being played. That is, in this case, the external sound that is noise is canceled by the sound based on the noise cancel signal sig_noise[i], and the music is reproduced by the music signal sig_music[i].
  • the probability indicated by the detection result from the wearer voice detection unit 52 or the detection result from the other person voice detection unit 53 is 90% or more
  • the operation mode indicated by the identification information is the music reproduction mode
  • the noise canceling function is temporarily stopped and the external sound, that is, the wearer of the headphone 11 and the music.
  • the voices of people other than the wearer will be reproduced at the same time. This makes it possible for the wearer of the headphones 11 to clearly hear not only music but also external sounds, and facilitates conversation with other people.
  • the operation mode indicated by the identification information is the music reproduction mode, and the probability of indicating the detection result of the specific sound (moving sound) supplied from the moving sound detection unit 54 is 90% or more. That is, it is assumed that the moving sound is detected around the headphones 11.
  • the wearer of the headphone 11 can hear only the external sound, that is, the moving sound.
  • the wearer of the headphones 11 can clearly hear a moving sound such as a vehicle running sound or a horn sound that is an external sound, and can easily detect a danger.
  • the operation mode indicated by the identification information is the call mode, and the probability of indicating the detection result of the specific sound (moving sound) supplied from the moving sound detection unit 54 is less than 90%. That is, it is assumed that no moving sound is detected around the headphones 11 and the surroundings of the wearer of the headphones 11 are in a safe state.
  • the operation mode indicated by the identification information is the call mode, and the probability of indicating the detection result of the specific sound (moving sound) supplied from the moving sound detection unit 54 is 90% or more. That is, it is assumed that the moving sound is detected around the headphones 11.
  • the voice call with the other party is interrupted, and the wearer of the headphone 11 receives an external sound, that is, a moving sound. Only can be heard.
  • the wearer of the headphones 11 can clearly hear a moving sound such as a vehicle running sound or a horn sound that is an external sound, and can easily detect a danger.
  • control unit 36 switches the processing to be executed according to the detection result of one or more specific sounds when operating in each operation mode. By doing so, it is possible to appropriately secure safety and facilitate conversation, depending on the surrounding situation, and improve the usability of the headphones 11.
  • step S11 the L microphone 21 to the TOP microphone 28 pick up ambient sound and output the audio signal obtained as a result.
  • the audio signals obtained by the L microphone 21 to the TOP microphone 28 are supplied to the distribution unit 51 and the like. Then, the distribution unit 51 distributes the audio signal supplied from the L microphone 21 to the TOP microphone 28 to the wearer voice detection unit 52, the other person voice detection unit 53, and the moving sound detection unit 54.
  • step S12 the wearer voice detection unit 52 to the moving sound detection unit 54 detect a specific sound based on the audio signal supplied from the distribution unit 51, and supply the detection result to the control unit 36.
  • the wearer voice detection unit 52 performs calculation by substituting the audio signals supplied from the distribution unit 51, that is, the audio signals obtained by the L microphone 21, the R microphone 22, and the BTM microphone 25 into the detector. Then, the probability indicating the detection result of the voice of the wearer of the headphone 11 as the specific sound is calculated.
  • the other person's voice detection unit 53 and the moving sound detection unit 54 also substitute the audio signal supplied from the distribution unit 51 into the detector to perform calculation, and the voice of a person other than the person wearing the headphone 11 as the specific sound. And a probability of indicating the detection result of the moving sound.
  • step S13 the control unit 36 responds to the detection result of the specific sound based on the identification information supplied from the mode switching unit 35 and the detection results supplied from the wearer voice detection unit 52 to the moving sound detection unit 54. Then, the specific sound detection process ends. In other words, the control unit 36 switches the processing to be executed according to the detection result of the specific sound.
  • control unit 36 performs the calculation of Expression (1) based on the weighting coefficient determined based on the identification information and the detection result as described above, and supplies the weighted addition signal obtained as a result to the speaker 37. And output the sound.
  • the headphone 11 picks up ambient sound with a plurality of appropriately arranged microphones, and detects a specific sound based on the audio signal obtained as a result.
  • the plurality of microphones at the appropriate arrangement positions, it is possible to suppress the occurrence of erroneous detection and improve the detection performance of the specific sound.
  • the series of processes described above can be executed by hardware or software.
  • the program that constitutes the software is installed in the computer.
  • the computer includes a computer incorporated in dedicated hardware and, for example, a general-purpose personal computer capable of executing various functions by installing various programs.
  • FIG. 13 is a block diagram showing a hardware configuration example of a computer that executes the series of processes described above by a program.
  • a CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • An input/output interface 505 is further connected to the bus 504.
  • An input unit 506, an output unit 507, a recording unit 508, a communication unit 509, and a drive 510 are connected to the input/output interface 505.
  • the input unit 506 includes a keyboard, a mouse, a microphone, an image sensor, and the like.
  • the output unit 507 includes a display, a speaker and the like.
  • the recording unit 508 includes a hard disk, a non-volatile memory, or the like.
  • the communication unit 509 includes a network interface or the like.
  • the drive 510 drives a removable recording medium 511 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory.
  • the CPU 501 loads the program recorded in the recording unit 508 into the RAM 503 via the input/output interface 505 and the bus 504 and executes the program, thereby performing the above-described series of operations. Is processed.
  • the program executed by the computer (CPU 501) can be provided by being recorded in a removable recording medium 511 such as a package medium, for example. Further, the program can be provided via a wired or wireless transmission medium such as a local area network, the Internet, or digital satellite broadcasting.
  • the program can be installed in the recording unit 508 via the input/output interface 505 by mounting the removable recording medium 511 in the drive 510. Further, the program can be received by the communication unit 509 via a wired or wireless transmission medium and installed in the recording unit 508. In addition, the program can be installed in the ROM 502 or the recording unit 508 in advance.
  • the program executed by the computer may be a program in which processing is performed in time series in the order described in the present specification, or in parallel or at a necessary timing such as when a call is made. It may be a program for processing.
  • the present technology can be configured as cloud computing in which one function is shared by a plurality of devices via a network and jointly processes.
  • each step described in the above flow chart can be executed by one device or shared by a plurality of devices.
  • one step includes a plurality of processes
  • the plurality of processes included in the one step can be executed by one device or shared by a plurality of devices.
  • this technology can be configured as follows.
  • a specific sound detection unit that detects a specific sound is provided, A specific sound detector in which the plurality of the microphones include at least two microphones having an equal distance from the sound source of the specific sound and one microphone arranged at a predetermined position.
  • the specific sound detector according to (1) wherein the specific sound detection unit includes a detector having a neural network structure.
  • the specific sound detector according to (1) or (2), wherein the specific sound is a voice of a wearer of the wearable device.
  • the specific sound detector according to (4), wherein the one microphone arranged at the predetermined position is the feedback microphone.
  • the specific sound detector according to (7), wherein the one microphone arranged at the predetermined position is the bone conduction microphone.
  • the specific sound detector according to any one of (1) to (3), wherein at least one of the plurality of microphones is a microphone for communication.
  • the specific sound detector according to (9), wherein the one microphone arranged at the predetermined position is the communication microphone.
  • the specific sound detector according to any one of (1) to (13), further including a control unit that switches processing to be executed according to a detection result of the specific sound.
  • the specific sound detector Based on a plurality of audio signals obtained by picking up by a plurality of microphones provided in the wearable device, a specific sound is detected, The specific sound detection method, wherein the plurality of microphones include at least two microphones having an equal distance from a sound source of the specific sound and one microphone arranged at a predetermined position.
  • the computer Based on a plurality of audio signals obtained by picking up sounds by a plurality of microphones provided in the wearable device, the computer is caused to execute a process including a step of detecting a specific sound, A program in which the plurality of the microphones include at least two microphones having an equal distance from a sound source of the specific sound and one microphone arranged at a predetermined position.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Otolaryngology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Headphones And Earphones (AREA)
  • Soundproofing, Sound Blocking, And Sound Damping (AREA)
  • Details Of Audible-Bandwidth Transducers (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

本技術は、特定音の検出性能を向上させることができるようにする特定音検出器および方法、並びにプログラムに関する。 特定音検出器は、ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音を検出する特定音検出部を備える。また、複数のマイクロフォンは、少なくとも特定音の音源からの距離が等しい２個のマイクロフォンと、所定位置に配置された１個のマイクロフォンとからなる。本技術はヘッドフォンに適用することができる。

Description

特定音検出器および方法、並びにプログラム
　本技術は、特定音検出器および方法、並びにプログラムに関し、特に、特定音の検出性能を向上させることができるようにした特定音検出器および方法、並びにプログラムに関する。
　従来、マイクロフォンにより取得されるオーディオ信号に基づいて、そのオーディオ信号に基づく音に、人の声や車両の走行音などの特定の音（以下、特定音と称する）が含まれているかを検出する特定音検出の技術が知られている。
　例えば、そのような技術として、ヘッドフォンに設けられたマイクロフォンを用いて、そのヘッドフォンの装着者の会話を検出し、会話が検出されると会話モードへと遷移する技術が提案されている（例えば、特許文献１参照）。
特開２０１１－９７２６８号公報
　ところが、特定音を検出しようとするときに、マイクロフォンの配置等によっては十分な検出性能を得ることができないことがあった。
　本技術は、このような状況に鑑みてなされたものであり、特定音の検出性能を向上させることができるようにするものである。
　本技術の一側面の特定音検出器は、ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音を検出する特定音検出部を備え、前記複数の前記マイクロフォンは、少なくとも前記特定音の音源からの距離が等しい２個の前記マイクロフォンと、所定位置に配置された１個の前記マイクロフォンとからなる。
　本技術の一側面の特定音検出方法またはプログラムは、ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音を検出するステップを含み、前記複数の前記マイクロフォンは、少なくとも前記特定音の音源からの距離が等しい２個の前記マイクロフォンと、所定位置に配置された１個の前記マイクロフォンとからなる。
　本技術の一側面においては、ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音が検出される。また、前記複数の前記マイクロフォンは、少なくとも前記特定音の音源からの距離が等しい２個の前記マイクロフォンと、所定位置に配置された１個の前記マイクロフォンとからなる。
マイクロフォンを用いた特定音の検出について説明する図である。 ヘッドフォンにおけるマイクロフォン配置例を示す図である。 マイクロフォンを用いた特定音の検出について説明する図である。 ヘッドフォンにおけるマイクロフォン配置例を示す図である。 マイクロフォンを用いた特定音の検出について説明する図である。 ヘッドフォンにおけるマイクロフォン配置例を示す図である。 ヘッドフォンにおけるマイクロフォン配置例を示す図である。 ヘッドフォンにおけるマイクロフォン配置例を示す図である。 ヘッドフォンにおけるマイクロフォン配置例を示す図である。 ヘッドフォンにおけるマイクロフォン配置例を示す図である。 ヘッドフォンの機能的な構成例を示す図である。 特定音検出処理を説明するフローチャートである。 コンピュータの構成例を示す図である。
　以下、図面を参照して、本技術を適用した実施の形態について説明する。
〈第１の実施の形態〉
〈特定音検出時の誤検出について〉
　本技術は、複数のマイクロフォンのそれぞれにより取得される複数のオーディオ信号のそれぞれに基づいて特定音を検出することで、特定音の検出性能を向上させることができるようにするものである。
　なお、検出対象となる特定の音である特定音は、どのようなものであってもよい。また、特定音の検出に用いるマイクロフォンは、例えばユーザに装着されるウェアラブルデバイスに設けられているものを用いるようにすることができる。
　ウェアラブルデバイスは、例えばオーバーヘッド型のヘッドフォンや、左右の耳に装着する部分が物理的に接続されていないトゥルーワイヤレス型のヘッドフォン、ヘッドマウントディスプレイ等、ユーザに装着可能なものであれば、どのようなものであってもよい。
　以下では、ヘッドフォンに設けられた複数のマイクロフォンにより、ヘッドフォンの装着者の声、ヘッドフォンの装着者以外の人の声、アナウンス音、車両の走行音、および車両等により発せられた警笛音の少なくとも何れかを特定音として検出する例について説明する。
　特定音の検出を行う場合、１つのマイクロフォンを用いると、十分な検出性能を得ることは困難である。
　例えば図１に示すように、１つのマイクロフォンMK11が設けられたオーバーヘッド型のヘッドフォンHD11を装着する、ヘッドフォン装着者であるユーザU11がおり、そのユーザU11の近くに他のユーザU12がいるとする。
　このような場合に、マイクロフォンMK11が収音することで得られるオーディオ信号に基づいて、ヘッドフォン装着者であるユーザU11の声を特定音として検出するときに、ヘッドフォン装着者ではないユーザU12の声が誤って特定音として検出されてしまうことがある。すなわち、誤検出が生じることがある。
　ユーザU11の声を特定音として検出するにあたり、ユーザU11が任意の人である場合と、ユーザU11が予め定められた特定の人である場合とで、特定音を検出するための方法が異なるが、それらの何れの場合であっても誤検出が生じてしまう。
　ここで、ユーザU11が任意の人である場合と、ユーザU11が予め定められた特定の人である場合とについてさらに説明する。
　まず、ユーザU11が任意の人である場合、任意の人の声を検出するニューラルネットワーク等により構成される検出器を機械学習により生成し、得られた検出器を用いて、ヘッドフォン装着者であるユーザU11の声を特定音として検出する方法がある。
　このような方法を採用する場合、図１に示す例では誤検出が発生する。
　すなわち、図１に示す例では、任意のヘッドフォン装着者であるユーザU11の口からマイクロフォンMK11までの距離と、ヘッドフォン装着者ではないユーザU12の口からマイクロフォンMK11までの距離とが略同じ（等距離）となっている。
　そのため、マイクロフォンMK11により取得されるオーディオ信号の音圧は、ユーザU11の声とユーザU12の声とで略等しく、かつ、ともに同じ「人の声」である。
　したがって、この例では任意のヘッドフォン装着者であるユーザU11の声と、ヘッドフォン装着者ではないユーザU12の声とを検出器により判別することは困難である。その結果、ヘッドフォン装着者であるユーザU11以外のユーザ（人）の声、すなわちここではユーザU12の声が特定音として検出されるという誤検出が発生してしまうことになる。
　また、予め定められた特定の人の声、すなわちここではヘッドフォン装着者である特定のユーザU11の声を検出する検出器を機械学習により生成し、その検出器を用いてヘッドフォン装着者であるユーザU11の声を特定音として検出する方法がある。
　このような方法を採用して、図１の例で予め定められた特定のユーザU11の声を特定音として検出するものとする。
　図１に示す例では、特定のヘッドフォン装着者であるユーザU11の口からマイクロフォンMK11までの距離と、ヘッドフォン装着者ではないユーザU12の口からマイクロフォンMK11までの距離とが略同じとなっている。
　したがって、ユーザU11が任意の人である場合と同様に、マイクロフォンMK11により取得されるオーディオ信号の音圧は、ユーザU11の声とユーザU12の声とで略等しくなるが、ユーザU11の声とユーザU12の声とは異なるため、上述のユーザU11が任意の人である場合と比較すると特定音の誤検出は生じにくくなる。
　しかしながら、このような場合でもユーザU11の声とユーザU12の声とが似ているときには、ユーザU11ではない他のユーザU12の声が特定音として検出されるという誤検出が発生してしまうことがある。
　そこで、本技術では、複数のマイクロフォンのそれぞれにより取得されるオーディオ信号のそれぞれに基づいて特定音を検出することで、誤検出の発生を抑制できるようにした。
　特に、本技術では複数のマイクロフォンを用いるだけでなく、それらのマイクロフォンの配置、特に特定音の音源からマイクロフォンまでの距離についても工夫することで、特定音の検出性能を向上させることができるようにした。
　これは、複数のマイクロフォンを用いて特定音検出を行う場合、特定音検出に用いるマイクロフォンの数や、それらのマイクロフォンの配置によって、誤検出が解決される程度が異なるからである。以下では、いくつかの例について具体的に説明する。
〈２つのマイクロフォンをLとRに配置する例について〉
　まず、特定音検出に２つのマイクロフォンを用い、それらの２つのマイクロフォンをL位置とR位置、つまりヘッドフォン装着者から見て左右の位置に配置することで、誤検出が生じにくくなる例について説明する。
　この場合、例えば図２に示すようにオーバーヘッド型のヘッドフォンHD21にはマイクロフォンMK21-1と、マイクロフォンMK21-2とが設けられている。なお、図２において図１における場合と対応する部分には同一の符号を付してあり、その説明は適宜省略する。
　この例では、ヘッドフォン装着者であるユーザU11がヘッドフォンHD21を装着しており、そのユーザU11の近くにヘッドフォン装着者ではないユーザU12がいる。
　また、ユーザU11の左耳に装着される、ヘッドフォンHD21における左側のハウジング部HW21-1にはマイクロフォンMK21-1が設けられている。さらにユーザU11の右耳に装着される、ヘッドフォンHD21の右側のハウジング部HW21-2にはマイクロフォンMK21-2が設けられている。
　換言すれば、ユーザU11から見て左側にマイクロフォンMK21-1が配置されており、ユーザU11から見て右側にマイクロフォンMK21-2が配置されている。
　なお、以下、マイクロフォンMK21-1およびマイクロフォンMK21-2を特に区別する必要のない場合、単にマイクロフォンMK21とも称することとする。また、以下、ハウジング部HW21-1およびハウジング部HW21-2を特に区別する必要のない場合、単にハウジング部HW21とも称することとする。
　ここでは、マイクロフォンMK21はヘッドフォンHD21におけるハウジング部HW21の外周の外側に設けられている。すなわち、マイクロフォンMK21は収音のためのセンサ部分が筐体により覆われておらず、外部に露出するように設けられている。
　また、マイクロフォンMK21は、例えばノイズキャンセリング機能を実現するためのフィードフォワードマイクロフォンなどとされる。
　フィードフォワードマイクロフォンは、ノイズキャンセリングのフィードフォワード制御のためのマイクロフォンであり、このフィードフォワードマイクロフォンがノイズキャンセリングだけでなく、特定音の検出にも利用される。
　さらに、２個のマイクロフォンMK21は、ユーザU11がヘッドフォンHD21を装着した状態では、特定音の音源位置となるユーザU11の口からの距離が略等しくなるように配置されている。
　図２に示す例では、ヘッドフォン装着者であるユーザU11の口からマイクロフォンMK21-2までの距離と、ヘッドフォン装着者ではないユーザU12の口からマイクロフォンMK21-2までの距離とは略同じ距離となっている。しかし、ユーザU11の口からマイクロフォンMK21-1までの距離と、ユーザU12の口からマイクロフォンMK21-1までの距離とは異なる距離となる。
　換言すれば、マイクロフォンMK21-1とマイクロフォンMK21-2は、特定音の音源であるユーザU11の口からは略等距離の位置に配置されているが、それらのマイクロフォンMK21の位置は、ユーザU12の口から等距離の位置とはなっていない。
　したがって、マイクロフォンMK21-1とマイクロフォンMK21-2とでヘッドフォン装着者であるユーザU11の声が取得（収音）された場合、それらのマイクロフォンMK21のそれぞれで得られたオーディオ信号のそれぞれの音圧は同程度となる。
　これに対して、マイクロフォンMK21-1とマイクロフォンMK21-2とでヘッドフォン装着者ではないユーザU12の声が取得（収音）された場合、それらのマイクロフォンMK21のそれぞれで得られたオーディオ信号のそれぞれの音圧は異なる音圧となる。
　このように、２つのマイクロフォンMK21を左右のL位置とR位置に配置する場合、それらの２つのマイクロフォンMK21で取得されるオーディオ信号を用いて検出器の機械学習を行えば、上述の誤検出の発生を抑制することができる。
　すなわち、機械学習により得られる検出器を用いれば、互いに異なる位置であって、特定音の音源からの距離が略等しい位置に配置されるマイクロフォンMK21により取得されたオーディオ信号における音圧の差異を利用した特定音の検出を行うことができる。これにより検出性能を向上させることができる。
　しかしながら、例えば図３に示すように、ヘッドフォン装着者ではないユーザU12が、ヘッドフォン装着者であるユーザU11の正中面上にいる場合には、誤検出が発生し得る。なお、図３において図２における場合と対応する部分には同一の符号を付してあり、その説明は適宜省略する。
　図３に示す例では、ユーザU12がユーザU11の正中面上にいるため、ユーザU12の口からマイクロフォンMK21-1までの距離と、ユーザU12の口からマイクロフォンMK21-2までの距離とが略等しい状態となっている。
　例えば電車内や踏切の近く等においてユーザU11の後ろにユーザU12がいる場合などに、このようなケースが発生し得る。また、電車内等においては、ユーザU11の上方でアナウンス音等の人の音声が再生されることもあり、そのような場合においてもアナウンス音等の音源がユーザU11の正中面上に位置するケースが発生し得る。
　このような場合には、マイクロフォンMK21-1とマイクロフォンMK21-2とでユーザU12の声が取得されたときには、それらのマイクロフォンMK21のそれぞれで得られたオーディオ信号のそれぞれの音圧は同程度となるため、上述の誤検出が生じてしまうおそれがある。
〈３個のマイクロフォンをLとRとBTMに配置する例について〉
　そこで、例えば図４に示すように、オーバーヘッド型のヘッドフォンHD31に３個のマイクロフォンMK21-1、マイクロフォンMK21-2、およびマイクロフォンMK31を設けるようにしてもよい。なお、図４において図２における場合と対応する部分には同一の符号を付してあり、その説明は適宜省略する。
　図４に示す例では、ヘッドフォンHD31における左側のハウジング部HW21-1にマイクロフォンMK21-1が設けられており、右側のハウジング部HW21-2にマイクロフォンMK21-2が設けられている。
　特に、この例ではユーザU11が頭部にヘッドフォンHD31を装着した状態では、ユーザU11から見て同じ高さの位置にマイクロフォンMK21-1およびマイクロフォンMK21-2が配置されている。
　また、左側のハウジング部HW21-1における図中、マイクロフォンMK21-1よりも下側の位置、つまりBTM位置（ボトム位置）には、マイクロフォンMK31が設けられている。
　このマイクロフォンMK31は、例えばハウジング部HW21-1の外周の外側に設けられた、電話等の通話のための通話用マイクロフォンなどとされる。
　また、マイクロフォンMK31は、ユーザU11が頭部にヘッドフォンHD31を装着した状態において、マイクロフォンMK21よりもユーザU11の口により近い位置に配置されている。すなわちマイクロフォンMK31は、ユーザU11の口からの距離が、マイクロフォンMK21からユーザU11の口までの距離よりも短くなる位置に配置されている。
　したがって、２つのマイクロフォンMK21と、１つのマイクロフォンMK31でヘッドフォン装着者であるユーザU11の声が取得された場合、２つのマイクロフォンMK21のそれぞれで得られたオーディオ信号のそれぞれの音圧は同程度となる。
　しかし、この場合、マイクロフォンMK31で得られたオーディオ信号の音圧は、２つの各マイクロフォンMK21で得られたオーディオ信号の音圧よりも大きくなる。
　すなわち、ヘッドフォン装着者であるユーザU11の声は、２つのマイクロフォンMK21には同程度の音圧で入力されるが、マイクロフォンMK31にはマイクロフォンMK21における場合よりも大きい音圧で入力されることになる。
　これは、上述したようにユーザU11が頭部にヘッドフォンHD31を装着した状態では、マイクロフォンMK21よりもマイクロフォンMK31の方がユーザU11の口からより近い位置に配置されているからである。
　そのため、ヘッドフォンHD31では、図３に示した例のように、ヘッドフォン装着者ではないユーザU12が、ヘッドフォン装着者であるユーザU11の正中面上にいる場合でも、上述の誤検出が発生しにくくなる。すなわち、３個のマイクロフォンが設けられたヘッドフォンHD31では、２個のマイクロフォンが設けられたヘッドフォンHD21と比較して、より高い検出性能を得ることができる。
　ところが、例えば図５に示すようにヘッドフォン装着者ではないユーザU12が、ヘッドフォン装着者であるユーザU11の正中面上における下方にいる場合には、誤検出が発生し得る。なお、図５において図３または図４における場合と対応する部分には同一の符号を付してあり、その説明は適宜省略する。
　図５に示す例では、ユーザU12がユーザU11の正中面上における、ユーザU11から見て下側に位置している。このようなユーザU12とユーザU11の位置関係は、電車内等において座席に座っているユーザU12の正面にユーザU11が立っている場合などに発生し得る。
　この例では、マイクロフォンMK31がマイクロフォンMK21よりもユーザU12の口により近い位置にあり、かつ２つのマイクロフォンMK21はユーザU12の口から略等距離の位置に配置されている。
　したがって、このような場合には、マイクロフォンMK21とマイクロフォンMK31でユーザU12の声が取得された場合、２つのマイクロフォンMK21で得られたオーディオ信号のそれぞれの音圧は同程度となる。
　また、マイクロフォンMK31で得られたオーディオ信号の音圧は、マイクロフォンMK21で得られたオーディオ信号の音圧よりも大きくなる。その結果、図３に示した例と同様に誤検出が生じてしまうおそれがある。
〈４個のマイクロフォンをLとRとBTMとTOPに配置する例について〉
　そこで、例えば図６に示すように、オーバーヘッド型のヘッドフォンHD41に４個のマイクロフォンMK21-1、マイクロフォンMK21-2、マイクロフォンMK31、およびマイクロフォンMK41を設けるようにしてもよい。
　なお、図６において図４における場合と対応する部分には同一の符号を付してあり、その説明は適宜省略する。
　図６に示す例では、ヘッドフォンHD41における左側のハウジング部HW21-1にマイクロフォンMK21-1およびマイクロフォンMK31が設けられており、右側のハウジング部HW21-2にマイクロフォンMK21-2が設けられている。これらのマイクロフォンMK21およびマイクロフォンMK31の配置は図４における場合と同様となっている。
　また、ヘッドフォンHD41では、ユーザU11がヘッドフォンHD41を装着した状態において、ユーザU11から見てマイクロフォンMK21およびマイクロフォンMK31よりもマイクロフォンMK41が上側に位置するように配置される。
　特に、この例ではマイクロフォンMK41は、ユーザU11がヘッドフォンHD41を装着した状態において、ユーザU11の頭頂部付近（頭頂部近傍）、つまりTOP位置（トップ位置）に配置されるようになされている。
　具体的には、ヘッドフォンHD41では、２つのハウジング部HW21同士を連結（接続）するバンド部BD41における２つのマイクロフォンMK21から略等距離となる位置にマイクロフォンMK41が設けられている。このマイクロフォンMK41は、例えばバンド部BD41の外側に設けられた特定音検出用のマイクロフォンとされる。
　また、ヘッドフォン装着者であるユーザU11が頭部にヘッドフォンHD41を装着した状態では、ユーザU11の口からマイクロフォンMK21までの距離と、ユーザU11の口からマイクロフォンMK41までの距離とが略等しくなるようになっている。換言すれば、２つの各マイクロフォンMK21とマイクロフォンMK41は、特定音の音源であるユーザU11の口から略等距離の位置に配置されている。
　このようなマイクロフォン配置とすることで、各マイクロフォンでヘッドフォン装着者であるユーザU11の声が取得された場合、２つのマイクロフォンMK21およびマイクロフォンMK41の合計３個の各マイクロフォンで得られたオーディオ信号のそれぞれの音圧は同程度となる。
　また、マイクロフォンMK31で得られたオーディオ信号の音圧は、マイクロフォンMK21やマイクロフォンMK41で得られたオーディオ信号の音圧よりも大きくなる。
　一方で、ヘッドフォン装着者ではないユーザU12の声について、各マイクロフォンで得られるオーディオ信号の音圧の相対的な関係として、ユーザU11の声における場合と同様の関係が得られるようにするには、ユーザU12は、自身の口の位置がユーザU11の口に極めて近い位置にある状態で発声しなければならない。
　しかし、そのような状態でヘッドフォン装着者ではないユーザU12が声を発する確率（発生確率）は一般的な実生活において低いので、ヘッドフォンHD41においては誤検出が発生することは殆どない。すなわち、４個のマイクロフォンが設けられたヘッドフォンHD41では、３個のマイクロフォンが設けられたヘッドフォンHD31と比較して、さらに高い検出性能を得ることができる。
〈４個のマイクロフォンをLとRとFBLとFBRに配置する例について〉
　ところで、ヘッドフォンのなかにはノイズキャンセリング用に、ヘッドフォンの筐体の内側にフィードバックマイクロフォンが配置されているものがある。
　そこで、例えば図７に示すようにオーバーヘッド型のヘッドフォンHD51に２個のマイクロフォンMK21と、ノイズキャンセリング用のフィードバックマイクロフォンであるマイクロフォンMK51-1およびマイクロフォンMK51-2とを設けるようにしてもよい。なお、図７において図４における場合と対応する部分には同一の符号を付してあり、その説明は適宜省略する。
　図７に示す例では、ヘッドフォンHD51における左側のハウジング部HW21-1にマイクロフォンMK21-1が設けられており、右側のハウジング部HW21-2にマイクロフォンMK21-2が設けられている。これらのマイクロフォンMK21の配置は図４における場合と同様となっている。
　さらにヘッドフォンHD51では、左側のハウジング部HW21-1の内側、すなわちハウジング部HW21-1を形成する筐体の内側の位置（FBL位置）にフィードバックマイクロフォンであるマイクロフォンMK51-1が配置されている。換言すれば、マイクロフォンMK51-1はハウジング部HW21-1を形成する筐体に覆われている。
　より詳細には、例えばマイクロフォンMK51-1は、ハウジング部HW21-1内部に設けられた図示せぬスピーカの振動板と、その振動板を覆うことで振動板を保護するメッシュ状の保護部材との間の位置などに配置される。ここでは保護部材が筐体としても機能する。
　フィードバックマイクロフォンは、ノイズキャンセリングのフィードバック制御のためのマイクロフォンであり、この例ではフィードバックマイクロフォンがノイズキャンセリングだけでなく、特定音の検出にも利用される。
　同様に右側のハウジング部HW21-2を形成する筐体の内側の位置（FBR位置）にフィードバックマイクロフォンであるマイクロフォンMK51-2が配置されている。
　なお、以下、マイクロフォンMK51-1およびマイクロフォンMK51-2を特に区別する必要のない場合、単にマイクロフォンMK51とも称することとする。
　マイクロフォンMK51は、ヘッドフォンHD51の筐体に覆われているため、これらのマイクロフォンMK51ではヘッドフォン装着者であるユーザU11以外の人の声を含む外音は殆ど入力（収音）されない。すなわち、マイクロフォンMK51では、ハウジング部HW21の外側から空気中を伝搬してきた音は殆ど収音されない。
　一方で、ヘッドフォン装着者であるユーザU11が声を発すると、マイクロフォンMK51ではヘッドフォン装着者であるユーザU11の発声に起因する、ユーザU11の個体振動音が入力（収音）される。つまり、マイクロフォンMK51では、ユーザU11の発声によって発生した振動音が収音される。
　したがって、マイクロフォンMK21およびマイクロフォンMK51で得られたオーディオ信号に基づいて、ユーザU11の声、より詳細にはユーザU11の発話により発生した振動音と、それ以外のユーザU12等の声とを区別することができるようになる。
　これにより、例えばユーザU12の口の位置がユーザU11の口に極めて近い位置にある状態でユーザU12が発声した場合などにおいても、特定音の誤検出が発生することは殆どなく、高い検出性能を得ることができる。
　なお、ここでは主にユーザU11の個体振動音を収音するためのマイクロフォンとして、フィードバックマイクロフォンを用いる例について説明したが、その他、骨伝導マイクロフォンなどを用いてユーザU11の個体振動音を収音するようにしてもよい。すなわち、例えばマイクロフォンMK51として骨伝導マイクロフォンなどを用いてもよい。
〈２個のマイクロフォンをLとFBLまたはRとFBRに配置する例について〉
　また、図７を参照して説明したように２つのマイクロフォンMK21と、２つのマイクロフォンMK51との合計４個のマイクロフォンを用いれば、特定音の誤検出を発生しにくくし、高い特定音の検出性能を得ることができる。
　しかし、ヘッドフォンに設けるマイクロフォンの数が多くなるほど、その分だけ消費電力や特定音の検出で必要となるメモリ量が多くなってしまう。
　そこで、例えば１つのフィードフォワードマイクロフォンと、１つのフィードバックマイクロフォンとの合計２個のマイクロフォンを用いて特定音の検出を行うようにすることで、消費電力やメモリ量を少なく抑え、かつ誤検出の発生を抑制するようにしてもよい。
　具体的には、左側のハウジング部HW21-1に設けられた、フィードフォワードマイクロフォンであるマイクロフォンMK21-1と、フィードバックマイクロフォンであるマイクロフォンMK51-1とを特定音検出に用いるようにしてもよい。
　この場合、特にマイクロフォンMK21-2やマイクロフォンMK51-2などの他のマイクロフォンはヘッドフォンに設けられていなくてもよい。
　逆に、右側のハウジング部HW21-2に設けられた、フィードフォワードマイクロフォンであるマイクロフォンMK21-2と、フィードバックマイクロフォンであるマイクロフォンMK51-2とを特定音検出に用いるようにしてもよい。この場合においても他のマイクロフォンはヘッドフォンに設けられていなくてもよい。
　このように１つのフィードフォワードマイクロフォンと、１つのフィードバックマイクロフォンとを特定音の検出に用いるようにすれば、特定音の検出性能と、消費電力やメモリ量の抑制とのバランス（費用対効果）をよりよくすることができる。すなわち、消費電力やメモリ量を、図２を参照して説明した例と同程度とし、かつ十分に高い検出性能を得ることができる。
〈トゥルーワイヤレス型のヘッドフォンへの適用例〉
　その他、例えば図８に示すようにウェアラブルデバイスとして、トゥルーワイヤレス型のヘッドフォンHD61を特定音の検出に用いる場合においても消費電力やメモリ量を少なく抑えつつ十分に高い検出性能を得ることができる。なお、図８において図７における場合と対応する部分には同一の符号を付してあり、その説明は適宜省略する。
　図８に示す例では、トゥルーワイヤレス型のヘッドフォンHD61はユーザ、すなわち上述したユーザU11の左耳に装着される左側のヘッドセットHS61-1と、ユーザの右耳に装着される右側のヘッドセットHS61-2とからなる。
　なお、以下、ヘッドセットHS61-1およびヘッドセットHS61-2を特に区別する必要のない場合、単にヘッドセットHS61とも称することとする。
　ここでは、左側のヘッドセットHS61-1にはノイズキャンセリング用のフィードフォワードマイクロフォンであるマイクロフォンMK21-1と、ノイズキャンセリング用のフィードバックマイクロフォンであるマイクロフォンMK51-1とが設けられている。
　同様に、右側のヘッドセットHS61-2にはノイズキャンセリング用のフィードフォワードマイクロフォンであるマイクロフォンMK21-2と、ノイズキャンセリング用のフィードバックマイクロフォンであるマイクロフォンMK51-2とが設けられている。
　これらのマイクロフォンMK21とマイクロフォンMK51の配置位置は、図７における場合と略同様である。すなわち、マイクロフォンMK21はヘッドセットHS61の外側に設けられており、マイクロフォンMK51はヘッドセットHS61の内側に設けられている。
　例えば１つのマイクロフォンMK21、および１つのマイクロフォンMK51を特定音の検出に用いる例について考える。
　そのような場合、例えば同じ左側のヘッドセットHS61-1に設けられたマイクロフォンMK21-1とマイクロフォンMK51-1とを特定音の検出に用いるようにすることができる。なお、このとき右側のヘッドセットHS61-2にマイクロフォンMK21-2やマイクロフォンMK51-2が設けられていないようにしてもよい。
　同様に、例えば右側のヘッドセットHS61-2に設けられたマイクロフォンMK21-2とマイクロフォンMK51-2を特定音の検出に用いるようにしてもよい。
　このように特定音検出のための２個のマイクロフォンを片側のヘッドセットHS61に配置することで、トゥルーワイヤレス型のヘッドフォンHD61のように、左右のマイクロフォン、すなわち左右のヘッドセットが独立したヘッドフォンにおいても特定音の誤検出を抑制し、高い検出性能を得ることができる。
　特に、トゥルーワイヤレス型のヘッドフォンHD61では、左右のマイクロフォン、例えばマイクロフォンMK21-1とマイクロフォンMK21-2は独立している。換言すれば、左側のヘッドセットHS61-1と右側のヘッドセットHS61-2とは無線により接続されるが、有線によっては接続されていない。
　そのため、例えばマイクロフォンMK21-1とマイクロフォンMK21-2を特定音の検出に用いる場合には、一方のマイクロフォンMK21で得られたオーディオ信号を、他方のマイクロフォンMK21が設けられたヘッドセットHS61へと無線通信により伝送しなければならないが、無線通信による伝送は消費電力が大きい。
　これに対して、ヘッドフォンHD61の片側のヘッドセットHS61にマイクロフォンMK21とマイクロフォンMK51を配置し、それらのマイクロフォンを特定音の検出に用いるようにすれば、上述の無線通信による伝送は不要となるので、消費電力を抑えつつ高い検出性能を得ることができる。
　なお、以上においては図２や図４、図６、図７、図８を参照して、マイクロフォンの数や配置の例として主に５つの例を挙げて説明を行ったが、本技術はこれらの例に限られるものではない。
　すなわち、ヘッドフォン装着者の声と、ヘッドフォン装着者以外の人の声とで複数のマイクロフォンで得られるオーディオ信号の音圧等の特徴が異なるようにすることができれば、特定音の検出に用いるマイクロフォンの数は何個であってもよく、それらのマイクロフォンの配置もどのような配置であってもよい。
　したがって、例えば図９や図１０に示すようなマイクロフォン配置とされてもよい。
　例えば図９に示す例では、オーバーヘッド型のヘッドフォンHD71には８個のマイクロフォンが設けられており、これらの８個のマイクロフォンのうちの任意の２以上のものを特定音の検出に用いるようにすることができる。なお、図９において図６または図７における場合と対応する部分には同一の符号を付してあり、その説明は適宜省略する。
　この例では、ヘッドフォンHD71には、２つのマイクロフォンMK21、マイクロフォンMK31、およびマイクロフォンMK41が図６における場合と同じ配置で設けられており、また、２つのマイクロフォンMK51が図７における場合と同じ配置で設けられている。
　さらに、この例では左側のハウジング部HW21-1におけるマイクロフォンMK21-1とマイクロフォンMK31の間の高さの位置に通話用のマイクロフォンMK71-1およびマイクロフォンMK71-2が設けられている。
　具体的には、マイクロフォンMK71-1は、ハウジング部HW21-1の外周の外側におけるFRT位置、つまりヘッドフォン装着者であるユーザU11の顔（口）側の位置に設けられている。
　これに対してマイクロフォンMK71-2は、ハウジング部HW21-1の外周の外側におけるREA位置、つまりヘッドフォン装着者であるユーザU11の後頭部側の位置に設けられている。
　なお、以下、マイクロフォンMK71-1およびマイクロフォンMK71-2を特に区別する必要のない場合、単にマイクロフォンMK71とも称することとする。
　また、図１０に示す例では、トゥルーワイヤレス型のヘッドフォンHD81には６個のマイクロフォンが設けられており、これらの６個のマイクロフォンのうちの任意の２以上のものを特定音の検出に用いるようにすることができる。なお、図１０において図８または図９における場合と対応する部分には同一の符号を付してあり、その説明は適宜省略する。
　この例では、ヘッドフォンHD81の左側のヘッドセットHS61-1には、マイクロフォンMK21-1、マイクロフォンMK51-1、マイクロフォンMK31、およびマイクロフォンMK71-1が設けられている。また、ヘッドフォンHD81の右側のヘッドセットHS61-2には、マイクロフォンMK21-2およびマイクロフォンMK51-2が設けられている。
　さらに、以上においてはヘッドフォンにおいて、ヘッドフォン装着者の声を特定音として検出する例について説明したが、検出対象となる特定音はヘッドフォン装着者の声に限らず、他のどのような音であってもよい。
　例えばヘッドフォン装着者ではない人の声やアナウンス音声を特定音として検出してもよいし、ヘッドフォン装着者の周囲を走行する車両の走行音や、車両（自動車や自転車）等により発せられる警笛音などといった移動音を特定音として検出するようにしてもよい。
　検出対象とする特定音をどのような音とするかによって、特定音以外の音を誤って検出しないようにするために適したマイクロフォン配置は異なる。以下、特定音ごとにマイクロフォン配置の具体的な例について説明する。
（ヘッドフォン装着者以外の人の声を検出する場合）
　まず、ヘッドフォン装着者以外の人の声を特定音として検出する例について説明する。
　そのような場合、特定音の検出には、例えば上述したL位置に配置されたフィードフォワードマイクロフォンであるマイクロフォンMK21-1、FBL位置に配置されたフィードバックマイクロフォンであるマイクロフォンMK51-1、BTM位置に配置された通話用のマイクロフォンMK31、およびTOP位置に配置された特定音検出用のマイクロフォンMK41を用いると効果的である。
　ヘッドフォン装着者以外の人の声を特定音として検出する場合、例えば図２を参照して説明したマイクロフォン配置で誤って特定音であると検出されることが多いのは、主にヘッドフォン装着者の声と、電車内や駅のホーム、街頭などでのアナウンス音である。
　これらのヘッドフォン装着者の声やアナウンス音の各マイクロフォンへの入力の音圧（以下、入力音圧とも称する）には、以下のような特徴がある。
　すなわち、ヘッドフォン装着者の声については、BTM位置のマイクロフォンMK31とFBL位置のマイクロフォンMK51-1の入力音圧は大きく、L位置のマイクロフォンMK21-1の入力音圧とTOP位置のマイクロフォンMK41の入力音圧は同程度でともにBTM位置のマイクロフォンMK31の入力音圧よりも小さくなる。
　一方、特定音であるヘッドフォン装着者以外の人の声については、BTM位置のマイクロフォンMK31とL位置のマイクロフォンMK21-1とTOP位置のマイクロフォンMK41との入力音圧が同程度となり、かつFBL位置のマイクロフォンMK51-1の入力音圧は極めて小さくなる。
　また、アナウンス音については、TOP位置のマイクロフォンMK41の入力音圧は大きく、L位置のマイクロフォンMK21-1やBTM位置のマイクロフォンMK31の入力音圧はTOP位置のマイクロフォンMK41の入力音圧よりも小さくなり、かつFBL位置のマイクロフォンMK51-1の入力音圧は極めて小さくなる。
　このように、特定音であるヘッドフォン装着者以外の人の声と、特定音ではないヘッドフォン装着者の声やアナウンス音とで、各マイクロフォンでの入力音圧の大小関係が異なる。したがって、以上のようなマイクロフォン配置でヘッドフォン装着者以外の人の声を特定音として検出すれば、誤りなく高い検出性能で特定音を検出することができる。
（アナウンス音を検出する場合）
　次に、ヘッドフォン装着者の近くで再生されたアナウンス音を特定音として検出する例について説明する。
　そのような場合においても、例えば上述したヘッドフォン装着者以外の人の声を検出する場合と同様に、L位置に配置されたフィードフォワードマイクロフォンであるマイクロフォンMK21-1、FBL位置に配置されたフィードバックマイクロフォンであるマイクロフォンMK51-1、BTM位置に配置された通話用のマイクロフォンMK31、およびTOP位置に配置された特定音検出用のマイクロフォンMK41を用いると効果的である。
　これは、上述したようにアナウンス音と、ヘッドフォン装着者以外の人の声やヘッドフォン装着者の声とでは、各マイクロフォンでの入力音圧の大小関係が異なるからである。
（移動音を検出する場合）
　さらに、移動音を特定音として検出する例について説明する。
　そのような場合、例えばL位置に配置されたフィードフォワードマイクロフォンであるマイクロフォンMK21-1、R位置に配置されたフィードフォワードマイクロフォンであるマイクロフォンMK21-2、FRT位置に配置された通話用のマイクロフォンMK71-1、およびREA位置に配置された通話用のマイクロフォンMK71-2を用いると効果的である。
　このようにヘッドフォンの前後左右に配置されたマイクロフォンを用いることで、特定音である移動音の音源が近傍または遠方にあるかや、音源が遠ざかっていくのか、または音源が近づいてくるのかといった移動音の音源の移動方向を判別することが可能である。
　例えばヘッドフォンから見て遠方にある音源の移動音と近傍にある音源の移動音の各マイクロフォンの入力音圧には、以下のような特徴がある。
　すなわち、ヘッドフォンから見て遠方にある音源の移動音については、音源がヘッドフォンから遠い位置にあるほど、L位置のマイクロフォンMK21-1、R位置のマイクロフォンMK21-2、FRT位置のマイクロフォンMK71-1、およびREA位置のマイクロフォンMK71-2での各入力音圧は同程度となり、それらの各マイクロフォンでの入力音圧の時間変化も同程度となる。
　これに対してヘッドフォン近傍にある音源の移動音については、音源がヘッドフォンから近い位置にあるほど、L位置のマイクロフォンMK21-1、R位置のマイクロフォンMK21-2、FRT位置のマイクロフォンMK71-1、およびREA位置のマイクロフォンMK71-2のうちのいくつかのマイクロフォン間での入力音圧の差（音圧差）は大きくなり、全マイクロフォンでの入力音圧の時間変化は同程度となる。
　また、移動音の音源がヘッドフォンから遠ざかる場合には、各マイクロフォンでの入力音圧の時間変化は、入力音圧が時間とともに小さくなっていく変化となる。逆に、移動音の音源がヘッドフォンへと近づいてくる場合には、各マイクロフォンでの入力音圧の時間変化は、入力音圧が時間とともに大きくなっていく変化となる。
　以上のような入力音圧の違い、つまり入力音圧の特徴により、移動音の音源がヘッドフォンの遠方または近傍にあるかや、音源が遠ざかっていくのか、または音源が近づいてくるのかといった判別が可能となる。
　なお、以上においてはヘッドフォン装着者の声や、ヘッドフォン装着者以外の人の声、アナウンス音、移動音を特定音として検出する例について説明した。しかし、これらの各音を検出するための検出器を並列に動作させるようにしてもよい。そのような場合、検出器ごと、つまり検出対象となる特定音ごとに、検出器に入力されるオーディオ信号を得るためのマイクロフォンの組み合わせが異なるようにすることができる。
　さらに、以上においては機械学習により得られたニューラルネットワーク等の検出器を用いて特定音を検出する例について説明したが、特定音の検出方法は複数のマイクロフォンを用いるものであれば、どのような方法であってもよい。
〈ヘッドフォンの機能的な構成例〉
　次に、以上において説明した本技術を、通話機能付きノイズキャンセリングヘッドフォンに適用した場合における具体的な実施の形態について説明する。
　本技術を適用した通話機能付きノイズキャンセリングヘッドフォン（以下、単にヘッドフォンとも称する）は、例えば図１１に示すように構成される。
　図１１に示すヘッドフォン１１は、オーバーヘッド型の通話機能付きノイズキャンセリングヘッドフォンである。
　ヘッドフォン１１は、Lマイクロフォン２１、Rマイクロフォン２２、FBLマイクロフォン２３、FBRマイクロフォン２４、BTMマイクロフォン２５、FRTマイクロフォン２６、REAマイクロフォン２７、TOPマイクロフォン２８、特定音検出部２９、外音部３０、記録部３１、ノイズキャンセル部３２、通話部３３、受信部３４、モード切替部３５、制御部３６、およびスピーカ３７を有している。
　特にヘッドフォン１１では、少なくとも特定音検出部２９を含むブロック部分が、特定音を検出する特定音検出器として機能する。したがって、例えば特定音検出器には制御部３６等が含まれていてもよい。なお、特定音検出器がヘッドフォン１１の外部に設けられ、ヘッドフォン１１から、収音により得られたオーディオ信号を取得して特定音の検出を行ってもよい。
　Lマイクロフォン２１、Rマイクロフォン２２、FBLマイクロフォン２３、およびFBRマイクロフォン２４は、それぞれ図９に示したマイクロフォンMK21-1、マイクロフォンMK21-2、マイクロフォンMK51-1、およびマイクロフォンMK51-2に対応する。
　すなわち、Lマイクロフォン２１およびRマイクロフォン２２は、それぞれL位置およびR位置に設けられたフィードフォワードマイクロフォンである。Lマイクロフォン２１およびRマイクロフォン２２は周囲の音を収音し、その結果得られたオーディオ信号を外音部３０、ノイズキャンセル部３２、および特定音検出部２９に供給する。
　また、FBLマイクロフォン２３およびFBRマイクロフォン２４は、それぞれFBL位置およびFBR位置に配置されたフィードバックマイクロフォンである。FBLマイクロフォン２３およびFBRマイクロフォン２４は周囲の音を収音し、その結果得られたオーディオ信号をノイズキャンセル部３２および特定音検出部２９に供給する。
　BTMマイクロフォン２５、FRTマイクロフォン２６、およびREAマイクロフォン２７は、それぞれBTM位置、FRT位置、およびREA位置に配置された通話用マイクロフォンであり、図９に示したマイクロフォンMK31、マイクロフォンMK71-1、およびマイクロフォンMK71-2に対応する。これらのBTMマイクロフォン２５乃至REAマイクロフォン２７は周囲の音を収音し、その結果得られたオーディオ信号を通話部３３および特定音検出部２９に供給する。
　TOPマイクロフォン２８は、TOP位置に配置された特定音検出用のマイクロフォンであり、図９に示したマイクロフォンMK41に対応する。TOPマイクロフォン２８は周囲の音を収音し、その結果得られたオーディオ信号を特定音検出部２９に供給する。
　特定音検出部２９は、Lマイクロフォン２１乃至TOPマイクロフォン２８から供給されたオーディオ信号に基づいて特定音を検出し、その検出結果を制御部３６に供給する。
　特定音検出部２９は分配部５１、装着者音声検出部５２、他者音声検出部５３、および移動音検出部５４を有している。
　分配部５１は、Lマイクロフォン２１乃至TOPマイクロフォン２８から供給されたオーディオ信号を装着者音声検出部５２、他者音声検出部５３、および移動音検出部５４へと分配する。すなわち、各マイクロフォンで得られたオーディオ信号が装着者音声検出部５２、他者音声検出部５３、および移動音検出部５４へと振り分けられる。
　例えば分配部５１はLマイクロフォン２１、Rマイクロフォン２２、およびBTMマイクロフォン２５から供給された各オーディオ信号を装着者音声検出部５２に供給する。
　また、例えば分配部５１はLマイクロフォン２１、FBLマイクロフォン２３、BTMマイクロフォン２５、およびTOPマイクロフォン２８から供給された各オーディオ信号を他者音声検出部５３に供給する。
　さらに、例えば分配部５１はLマイクロフォン２１、Rマイクロフォン２２、FRTマイクロフォン２６、およびREAマイクロフォン２７から供給された各オーディオ信号を移動音検出部５４に供給する。
　装着者音声検出部５２は、例えば機械学習等により得られたニューラルネットワーク等により構成される検出器、すなわちニューラルネットワーク構造の検出器などにより構成される。
　装着者音声検出部５２は、分配部５１から供給されたオーディオ信号に基づいて、ヘッドフォン１１の装着者の声を特定音として検出し、その検出結果を制御部３６に供給する。
　例えば装着者音声検出部５２を構成する検出器は、L位置、R位置、およびBTM位置に配置された各マイクロフォンで収音することにより得られたオーディオ信号を入力として、それらのオーディオ信号に基づく音に特定音であるヘッドフォン１１の装着者の声が含まれている確率を算出し、その確率を特定音の検出結果として出力するように予め機械学習等により求められている。
　他者音声検出部５３は、例えば機械学習等により得られたニューラルネットワーク構造の検出器などからなり、分配部５１から供給されたオーディオ信号に基づいて、ヘッドフォン１１の装着者以外の人の声を特定音として検出し、その検出結果を制御部３６に供給する。
　例えば他者音声検出部５３を構成する検出器は、L位置、FBL位置、BTM位置、およびTOP位置に配置された各マイクロフォンで収音することにより得られたオーディオ信号を入力として、それらのオーディオ信号に基づく音に特定音であるヘッドフォン１１の装着者以外の人の声が含まれている確率を算出し、その確率を特定音の検出結果として出力するように予め機械学習等により求められている。
　さらに移動音検出部５４は、例えば機械学習等により得られたニューラルネットワーク構造の検出器などからなり、分配部５１から供給されたオーディオ信号に基づいて、車両の走行音や警笛音などの特定の移動音を特定音として検出し、その検出結果を制御部３６に供給する。
　例えば移動音検出部５４を構成する検出器は、L位置、R位置、FRT位置、およびREA位置に配置された各マイクロフォンで収音することにより得られたオーディオ信号を入力として、それらのオーディオ信号に基づく音に特定音である移動音が含まれている確率を算出し、その確率を特定音の検出結果として出力するように予め機械学習等により求められている。
　なお、装着者音声検出部５２乃至移動音検出部５４から出力される各特定音の検出結果を示す情報は、例えば0％から100％までの間の確率の値を示す情報とされる。しかし、これに限らず、特定音の検出結果を示す情報は、収音された音から特定音が検出されたか否かを示すフラグ情報などであってもよい。
　また、ここでは互いに異なる３つの特定音が検出される例について説明するが、特定音検出部２９で検出対象とされる特定音は１つであってもよいし、複数であってもよい。
　外音部３０は、Lマイクロフォン２１およびRマイクロフォン２２から供給されたオーディオ信号を、ヘッドフォン１１周囲の外音（外部音）である外音信号とし、それらの外音信号を制御部３６に供給する。
　記録部３１は、音楽を再生するための音楽信号を保持（記録）しており、保持している音楽信号を必要に応じてノイズキャンセル部３２および制御部３６に供給する。
　ノイズキャンセル部３２は、Lマイクロフォン２１、Rマイクロフォン２２、FBLマイクロフォン２３、およびFBRマイクロフォン２４から供給されたオーディオ信号と、記録部３１から供給された音楽信号とに基づいて、ヘッドフォン１１周囲の音（外音）をキャンセルするためのノイズキャンセル信号を生成し、制御部３６に供給する。
　具体的には、例えばノイズキャンセル部３２は、Lマイクロフォン２１およびRマイクロフォン２２から供給されたオーディオ信号の正負を反転させた信号を反転信号として生成する。また、ノイズキャンセル部３２は、FBLマイクロフォン２３およびFBRマイクロフォン２４から供給されたオーディオ信号から音楽信号を減算し、その結果得られた信号の正負を反転させることで減算反転信号を生成する。そしてノイズキャンセル部３２は、このようにして得られた反転信号と減算反転信号を加算し、ノイズキャンセル信号とする。
　通話部３３はBTMマイクロフォン２５、FRTマイクロフォン２６、およびREAマイクロフォン２７からのオーディオ信号と、受信部３４から供給されたヘッドフォン１１の装着者の通話相手の音声信号とを加算して通話信号を生成し、制御部３６に供給する。
　受信部３４は、ヘッドフォン１１の装着者の通話相手が操作する携帯電話機等の機器から無線通信により送信されてきた通話相手の音声の音声信号を受信し、通話部３３に供給する。
　モード切替部３５は、ヘッドフォン１１の動作モードを、音楽再生モードまたは通話モードの何れかに切り替えて、切り替え後の動作モードを示す識別情報を制御部３６に供給する。
　例えば音楽再生モードは、ヘッドフォン１１において記録部３１に保持されている音楽信号に基づいて音楽を再生する動作モードである。これに対して、通話モードはヘッドフォン１１の装着者と通話相手との間の音声通話を実現する動作モードである。
　制御部３６は、ヘッドフォン１１全体の動作を制御する。
　例えば制御部３６は、装着者音声検出部５２乃至移動音検出部５４からの検出結果と、モード切替部３５からの識別情報とに基づいて、外音部３０からの外音信号、記録部３１からの音楽信号、ノイズキャンセル部３２からのノイズキャンセル信号、および通話部３３からの通話信号を重み付き加算することで、重み付き加算信号を生成する。また、制御部３６は、得られた重み付き加算信号をスピーカ３７に供給する。
　スピーカ３７は、制御部３６から供給された重み付き加算信号に基づいて音を出力する。これにより、例えば音楽や通話相手との間の通話音声などが再生される。
　例えば制御部３６において行われる外音信号、音楽信号、ノイズキャンセル信号、および通話信号の重み付き加算では、次式（１）の計算が行われて重み付き加算信号sig_w[i]が算出（生成）される。
Figure JPOXMLDOC01-appb-M000001
　なお、式（１）においてiは各信号の時間サンプルインデックスを示している。また、式（１）においてsig_ambient[i]、sig_music[i]、sig_noise[i]、およびsig_tel[i]は、それぞれ外音信号、音楽信号、ノイズキャンセル信号、および通話信号を示している。
　さらに、式（１）においてA、M、N、およびTは重み係数を示している。例えばこれらの重み係数A、M、N、およびTは、動作モードを示す識別情報と、装着者音声検出部５２乃至移動音検出部５４からの各特定音の検出結果とに基づいて決定される。
　具体的には、例えば識別情報により示される動作モードが音楽再生モードであり、かつ装着者音声検出部５２乃至移動音検出部５４から供給された各特定音の検出結果を示す確率が全て90％未満であったとする。ここでは、制御部３６においては特定音の検出結果を示す確率が所定の閾値である「90％」以上であったときに、特定音が検出されたとされる。
　このような場合、制御部３６は重み係数A＝0.0、M＝1.0、N＝1.0、およびT＝0.0として式（１）の計算を行う。
　この例では、動作モードが音楽再生モードであり、かつヘッドフォン１１の周囲からはヘッドフォン１１の装着者の声も、それ以外の人の声も、移動音も検出されていない状態である。そこで、制御部３６は音楽信号sig_music[i]とノイズキャンセル信号sig_noise[i]のみを同じ重みで加算して重み付き加算信号sig_w[i]とする。
　このようにすることで、スピーカ３７が重み付き加算信号sig_w[i]に基づいて音を再生すれば、ノイズキャンセリングが実現されて、ヘッドフォン１１の装着者には音楽のみが聞こえるようになり、装着者（ユーザ）は再生中の音楽に集中することができる。すなわち、この場合、ノイズキャンセル信号sig_noise[i]に基づく音によりノイズである外音がキャンセルされ、音楽信号sig_music[i]により音楽が再生される。
　また、例えば装着者音声検出部５２からの検出結果、または他者音声検出部５３からの検出結果により示される確率が90％以上であり、かつ識別情報により示される動作モードが音楽再生モードであるとする。
　すなわち、音楽再生モードであるときに特定音としてヘッドフォン１１の装着者の声、またはヘッドフォン１１の装着者以外の人の声が検出されたとする。
　そのような場合、制御部３６は重み係数A＝0.5、M＝0.5、N＝0.0、およびT＝0.0として式（１）の計算を行う。したがって、この場合、外音信号sig_ambient[i]と音楽信号sig_music[i]のみが同じ重みで加算されて重み付き加算信号sig_w[i]とされる。
　このようにすることで、スピーカ３７が重み付き加算信号sig_w[i]に基づいて音を再生すれば、ノイズキャンセリング機能は一時的に停止されて音楽とともに外音、つまりヘッドフォン１１の装着者や装着者以外の人の声も同時に再生されるようになる。これにより、ヘッドフォン１１の装着者に音楽だけでなく外音もはっきりと聞こえるようにし、他者との会話をしやすくすることができる。
　さらに、例えば識別情報により示される動作モードが音楽再生モードであり、かつ移動音検出部５４から供給された特定音（移動音）の検出結果を示す確率が90％以上であるとする。つまり、ヘッドフォン１１の周囲で移動音が検出されたとする。
　そのような場合、制御部３６は重み係数A＝1.0、M＝0.0、N＝0.0、およびT＝0.0として式（１）の計算を行う。したがって、この場合、外音信号sig_ambient[i]がそのまま重み付き加算信号sig_w[i]とされる。
　このようにすることで、スピーカ３７が重み付き加算信号sig_w[i]に基づいて音を再生すれば、ヘッドフォン１１の装着者には外音、つまり移動音のみが聞こえるようになる。これにより、ヘッドフォン１１の装着者は、はっきりと外音である車両の走行音や警笛音等の移動音を聞き取ることができ、容易に危険を察知することができるようになる。
　また、例えば識別情報により示される動作モードが通話モードであり、かつ移動音検出部５４から供給された特定音（移動音）の検出結果を示す確率が90％未満であるとする。つまり、ヘッドフォン１１の周囲で移動音が検出されておらず、ヘッドフォン１１の装着者の周囲は安全な状態であるとする。
　そのような場合、制御部３６は重み係数A＝0.0、M＝0.0、N＝1.0、およびT＝1.0として式（１）の計算を行う。したがって、この場合、ノイズキャンセル信号sig_noise[i]と通話信号sig_tel[i]のみが同じ重みで加算されて重み付き加算信号sig_w[i]とされる。
　このようにすることで、スピーカ３７が重み付き加算信号sig_w[i]に基づいて音を再生すれば、ノイズキャンセリングが実現されて、ヘッドフォン１１の装着者には通話相手との通話音声のみが聞こえるようになる。これにより、ヘッドフォン１１の装着者は、通話相手との音声通話に集中することができる。
　その他、例えば識別情報により示される動作モードが通話モードであり、かつ移動音検出部５４から供給された特定音（移動音）の検出結果を示す確率が90％以上であるとする。つまり、ヘッドフォン１１の周囲で移動音が検出されたとする。
　そのような場合、制御部３６は重み係数A＝1.0、M＝0.0、N＝0.0、およびT＝0.0として式（１）の計算を行う。したがって、この場合、外音信号sig_ambient[i]がそのまま重み付き加算信号sig_w[i]とされる。
　このようにすることで、スピーカ３７が重み付き加算信号sig_w[i]に基づいて音を再生すれば、通話相手との音声通話は中断され、ヘッドフォン１１の装着者には外音、つまり移動音のみが聞こえるようになる。これにより、ヘッドフォン１１の装着者は、はっきりと外音である車両の走行音や警笛音等の移動音を聞き取ることができ、容易に危険を察知することができるようになる。
　以上のように、制御部３６は各動作モードで動作しているときに、１または複数の各特定音の検出結果に応じて、実行する処理を切り替える。このようにすることで、周囲の状況に応じて適切に安全を確保したり、会話をしやすくしたりすることができ、ヘッドフォン１１の使い勝手を向上させることができる。
〈特定音検出処理の説明〉
　続いて、ヘッドフォン１１が特定音を検出する処理である特定音検出処理について説明する。すなわち、以下、図１２のフローチャートを参照して、ヘッドフォン１１による特定音検出処理について説明する。
　ステップＳ１１においてLマイクロフォン２１乃至TOPマイクロフォン２８は、周囲の音を収音し、その結果得られたオーディオ信号を出力する。
　ここでは、Lマイクロフォン２１乃至TOPマイクロフォン２８で得られたオーディオ信号が分配部５１等へと供給される。すると、分配部５１はLマイクロフォン２１乃至TOPマイクロフォン２８から供給されたオーディオ信号を装着者音声検出部５２、他者音声検出部５３、および移動音検出部５４へと分配する。
　ステップＳ１２において装着者音声検出部５２乃至移動音検出部５４は、分配部５１から供給されたオーディオ信号に基づいて特定音を検出し、その検出結果を制御部３６に供給する。
　例えば装着者音声検出部５２は、分配部５１から供給されたオーディオ信号、すなわちLマイクロフォン２１、Rマイクロフォン２２、およびBTMマイクロフォン２５で得られた各オーディオ信号を検出器に代入して演算を行うことで、特定音としてのヘッドフォン１１の装着者の声の検出結果を示す確率を算出する。
　同様に、他者音声検出部５３や移動音検出部５４も分配部５１から供給されたオーディオ信号を検出器に代入して演算を行い、特定音としてのヘッドフォン１１の装着者以外の人の声や移動音の検出結果を示す確率を得る。
　ステップＳ１３において制御部３６は、モード切替部３５から供給された識別情報と、装着者音声検出部５２乃至移動音検出部５４から供給された検出結果とに基づいて、特定音の検出結果に応じた処理を行い、特定音検出処理は終了する。換言すれば、制御部３６は、特定音の検出結果に応じて、実行する処理を切り替える。
　例えば制御部３６は、上述したように識別情報と検出結果とに基づいて決定された重み係数に基づいて式（１）の計算を行い、その結果得られた重み付き加算信号をスピーカ３７に供給して音を出力させる。
　以上のようにしてヘッドフォン１１は、適切に配置された複数のマイクロフォンにより周囲の音を収音し、その結果得られたオーディオ信号に基づいて特定音を検出する。このように、適切な配置位置の複数のマイクロフォンを用いることで誤検出の発生を抑制し、特定音の検出性能を向上させることができる。
〈コンピュータの構成例〉
　ところで、上述した一連の処理は、ハードウェアにより実行することもできるし、ソフトウェアにより実行することもできる。一連の処理をソフトウェアにより実行する場合には、そのソフトウェアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウェアに組み込まれているコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。
　図１３は、上述した一連の処理をプログラムにより実行するコンピュータのハードウェアの構成例を示すブロック図である。
　コンピュータにおいて、CPU（Central Processing Unit）５０１，ROM（Read Only Memory）５０２，RAM（Random Access Memory）５０３は、バス５０４により相互に接続されている。
　バス５０４には、さらに、入出力インターフェース５０５が接続されている。入出力インターフェース５０５には、入力部５０６、出力部５０７、記録部５０８、通信部５０９、及びドライブ５１０が接続されている。
　入力部５０６は、キーボード、マウス、マイクロフォン、撮像素子などよりなる。出力部５０７は、ディスプレイ、スピーカなどよりなる。記録部５０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部５０９は、ネットワークインターフェースなどよりなる。ドライブ５１０は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブル記録媒体５１１を駆動する。
　以上のように構成されるコンピュータでは、CPU５０１が、例えば、記録部５０８に記録されているプログラムを、入出力インターフェース５０５及びバス５０４を介して、RAM５０３にロードして実行することにより、上述した一連の処理が行われる。
　コンピュータ（CPU５０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブル記録媒体５１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。
　コンピュータでは、プログラムは、リムーバブル記録媒体５１１をドライブ５１０に装着することにより、入出力インターフェース５０５を介して、記録部５０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部５０９で受信し、記録部５０８にインストールすることができる。その他、プログラムは、ROM５０２や記録部５０８に、あらかじめインストールしておくことができる。
　なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。
　また、本技術の実施の形態は、上述した実施の形態に限定されるものではなく、本技術の要旨を逸脱しない範囲において種々の変更が可能である。
　例えば、本技術は、１つの機能をネットワークを介して複数の装置で分担、共同して処理するクラウドコンピューティングの構成をとることができる。
　また、上述のフローチャートで説明した各ステップは、１つの装置で実行する他、複数の装置で分担して実行することができる。
　さらに、１つのステップに複数の処理が含まれる場合には、その１つのステップに含まれる複数の処理は、１つの装置で実行する他、複数の装置で分担して実行することができる。
　さらに、本技術は、以下の構成とすることも可能である。
（１）
　ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音を検出する特定音検出部を備え、
　前記複数の前記マイクロフォンは、少なくとも前記特定音の音源からの距離が等しい２個の前記マイクロフォンと、所定位置に配置された１個の前記マイクロフォンとからなる
　特定音検出器。
（２）
　前記特定音検出部は、ニューラルネットワーク構造の検出器により構成される
　（１）に記載の特定音検出器。
（３）
　前記特定音は、前記ウェアラブルデバイスの装着者の声である
　（１）または（２）に記載の特定音検出器。
（４）
　前記複数の前記マイクロフォンのうちの少なくとも１つの前記マイクロフォンは、ノイズキャンセリング用のフィードバックマイクロフォンである
　（１）乃至（３）の何れか一項に記載の特定音検出器。
（５）
　前記所定位置に配置された前記１個の前記マイクロフォンは前記フィードバックマイクロフォンである
　（４）に記載の特定音検出器。
（６）
　前記フィードバックマイクロフォンは、前記ウェアラブルデバイスの筐体の内側に配置されている
　（４）または（５）に記載の特定音検出器。
（７）
　前記複数の前記マイクロフォンのうちの少なくとも１つの前記マイクロフォンは、骨伝導マイクロフォンである
　（１）乃至（３）の何れか一項に記載の特定音検出器。
（８）
　前記所定位置に配置された前記１個の前記マイクロフォンは前記骨伝導マイクロフォンである
　（７）に記載の特定音検出器。
（９）
　前記複数の前記マイクロフォンのうちの少なくとも１つの前記マイクロフォンは、通話用マイクロフォンである
　（１）乃至（３）の何れか一項に記載の特定音検出器。
（１０）
　前記所定位置に配置された前記１個の前記マイクロフォンは前記通話用マイクロフォンである
　（９）に記載の特定音検出器。
（１１）
　前記所定位置は、前記ウェアラブルデバイスの装着者の口からの距離が、前記２個の前記マイクロフォンから前記装着者の口までの距離よりも短くなる位置である
　（１０）に記載の特定音検出器。
（１２）
　前記２個の前記マイクロフォンは、ノイズキャンセリング用のフィードフォワードマイクロフォンである
　（１）乃至（１１）の何れか一項に記載の特定音検出器。
（１３）
　前記複数の前記マイクロフォンには、前記２個の前記マイクロフォンおよび前記所定位置に配置された前記１個の前記マイクロフォンとは異なり、装着者が前記ウェアラブルデバイスを装着している状態で前記装着者の頭頂部近傍に配置される１個の前記マイクロフォンが含まれている
　（１）乃至（１２）の何れか一項に記載の特定音検出器。
（１４）
　前記特定音の検出結果に応じて、実行する処理を切り替える制御部をさらに備える
　（１）乃至（１３）の何れか一項に記載の特定音検出器。
（１５）
　特定音検出器が、
　ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音を検出し、
　前記複数の前記マイクロフォンは、少なくとも前記特定音の音源からの距離が等しい２個の前記マイクロフォンと、所定位置に配置された１個の前記マイクロフォンとからなる
　特定音検出方法。
（１６）
　ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音を検出するステップを含む処理をコンピュータに実行させ、
　前記複数の前記マイクロフォンは、少なくとも前記特定音の音源からの距離が等しい２個の前記マイクロフォンと、所定位置に配置された１個の前記マイクロフォンとからなる
　プログラム。
　１１　ヘッドフォン，　２１　Lマイクロフォン，　２２　Rマイクロフォン，　２３　FBLマイクロフォン，　２４　FBRマイクロフォン，　２５　BTMマイクロフォン，　２６　FRTマイクロフォン，　２７　REAマイクロフォン，　２８　TOPマイクロフォン，　２９　特定音検出部，　３６　制御部，　５２　装着者音声検出部，　５３　他者音声検出部，　５４　移動音検出部

Claims (16)

  1. 　ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音を検出する特定音検出部を備え、
    　前記複数の前記マイクロフォンは、少なくとも前記特定音の音源からの距離が等しい２個の前記マイクロフォンと、所定位置に配置された１個の前記マイクロフォンとからなる
    　特定音検出器。
  2. 　前記特定音検出部は、ニューラルネットワーク構造の検出器により構成される
    　請求項１に記載の特定音検出器。
  3. 　前記特定音は、前記ウェアラブルデバイスの装着者の声である
    　請求項１に記載の特定音検出器。
  4. 　前記複数の前記マイクロフォンのうちの少なくとも１つの前記マイクロフォンは、ノイズキャンセリング用のフィードバックマイクロフォンである
    　請求項１に記載の特定音検出器。
  5. 　前記所定位置に配置された前記１個の前記マイクロフォンは前記フィードバックマイクロフォンである
    　請求項４に記載の特定音検出器。
  6. 　前記フィードバックマイクロフォンは、前記ウェアラブルデバイスの筐体の内側に配置されている
    　請求項４に記載の特定音検出器。
  7. 　前記複数の前記マイクロフォンのうちの少なくとも１つの前記マイクロフォンは、骨伝導マイクロフォンである
    　請求項１に記載の特定音検出器。
  8. 　前記所定位置に配置された前記１個の前記マイクロフォンは前記骨伝導マイクロフォンである
    　請求項７に記載の特定音検出器。
  9. 　前記複数の前記マイクロフォンのうちの少なくとも１つの前記マイクロフォンは、通話用マイクロフォンである
    　請求項１に記載の特定音検出器。
  10. 　前記所定位置に配置された前記１個の前記マイクロフォンは前記通話用マイクロフォンである
    　請求項９に記載の特定音検出器。
  11. 　前記所定位置は、前記ウェアラブルデバイスの装着者の口からの距離が、前記２個の前記マイクロフォンから前記装着者の口までの距離よりも短くなる位置である
    　請求項１０に記載の特定音検出器。
  12. 　前記２個の前記マイクロフォンは、ノイズキャンセリング用のフィードフォワードマイクロフォンである
    　請求項１に記載の特定音検出器。
  13. 　前記複数の前記マイクロフォンには、前記２個の前記マイクロフォンおよび前記所定位置に配置された前記１個の前記マイクロフォンとは異なり、装着者が前記ウェアラブルデバイスを装着している状態で前記装着者の頭頂部近傍に配置される１個の前記マイクロフォンが含まれている
    　請求項１に記載の特定音検出器。
  14. 　前記特定音の検出結果に応じて、実行する処理を切り替える制御部をさらに備える
    　請求項１に記載の特定音検出器。
  15. 　特定音検出器が、
    　ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音を検出し、
    　前記複数の前記マイクロフォンは、少なくとも前記特定音の音源からの距離が等しい２個の前記マイクロフォンと、所定位置に配置された１個の前記マイクロフォンとからなる
    　特定音検出方法。
  16. 　ウェアラブルデバイスに設けられた複数のマイクロフォンにより収音して得られた複数のオーディオ信号に基づいて、特定音を検出するステップを含む処理をコンピュータに実行させ、
    　前記複数の前記マイクロフォンは、少なくとも前記特定音の音源からの距離が等しい２個の前記マイクロフォンと、所定位置に配置された１個の前記マイクロフォンとからなる
    　プログラム。
PCT/JP2019/048706 2018-12-25 2019-12-12 特定音検出器および方法、並びにプログラム WO2020137585A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2020563065A JPWO2020137585A1 (ja) 2018-12-25 2019-12-12 特定音検出器および方法、並びにプログラム
DE112019006400.2T DE112019006400T5 (de) 2018-12-25 2019-12-12 Vorrichtung, verfahren und programm zur erkennung bestimmter sounds
US17/415,648 US11990151B2 (en) 2018-12-25 2019-12-12 Particular-sound detector and method, and program
KR1020217016989A KR20210109526A (ko) 2018-12-25 2019-12-12 특정음 검출기 및 방법, 그리고 프로그램
CN201980083956.3A CN113196792A (zh) 2018-12-25 2019-12-12 特定声音检测设备、方法以及程序
US18/645,857 US20240274151A1 (en) 2018-12-25 2024-04-25 Particular-sound detector and method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-240642 2018-12-25
JP2018240642 2018-12-25

Related Child Applications (2)

Application Number Title Priority Date Filing Date
US17/415,648 A-371-Of-International US11990151B2 (en) 2018-12-25 2019-12-12 Particular-sound detector and method, and program
US18/645,857 Continuation US20240274151A1 (en) 2018-12-25 2024-04-25 Particular-sound detector and method, and program

Publications (1)

Publication Number Publication Date
WO2020137585A1 true WO2020137585A1 (ja) 2020-07-02

Family

ID=71127205

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/048706 WO2020137585A1 (ja) 2018-12-25 2019-12-12 特定音検出器および方法、並びにプログラム

Country Status (6)

Country Link
US (2) US11990151B2 (ja)
JP (1) JPWO2020137585A1 (ja)
KR (1) KR20210109526A (ja)
CN (1) CN113196792A (ja)
DE (1) DE112019006400T5 (ja)
WO (1) WO2020137585A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112992178A (zh) * 2021-02-05 2021-06-18 安徽绿舟科技有限公司 一种通过混沌声纹分析管道泄露的方法
WO2023002714A1 (ja) * 2021-07-20 2023-01-26 パナソニックＩｐマネジメント株式会社 ヘッドセットおよび通話用マイクの指向性制御方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3102252B1 (fr) * 2019-10-17 2021-10-15 Sagemcom Broadband Sas Procédé de regroupement d’équipements par espaces sonores
TWI834989B (zh) * 2021-08-30 2024-03-11 寶德科技股份有限公司 具可調整式麥克風的耳機

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011097268A (ja) * 2009-10-28 2011-05-12 Sony Corp 再生装置、ヘッドホン及び再生方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5960391A (en) * 1995-12-13 1999-09-28 Denso Corporation Signal extraction system, system and method for speech restoration, learning method for neural network model, constructing method of neural network model, and signal processing system
US8527280B2 (en) * 2001-12-13 2013-09-03 Peter V. Boesen Voice communication device with foreign language translation
US9099094B2 (en) * 2003-03-27 2015-08-04 Aliphcom Microphone array with rear venting
GB2434708B (en) * 2006-01-26 2008-02-27 Sonaptic Ltd Ambient noise reduction arrangements
JP5269618B2 (ja) * 2009-01-05 2013-08-21 株式会社オーディオテクニカ 骨伝導マイクロホン内蔵ヘッドセット
US8532310B2 (en) * 2010-03-30 2013-09-10 Bose Corporation Frequency-dependent ANR reference sound compression
US9208773B2 (en) * 2011-12-23 2015-12-08 Bose Corporation Headset noise-based pulsed attenuation

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011097268A (ja) * 2009-10-28 2011-05-12 Sony Corp 再生装置、ヘッドホン及び再生方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112992178A (zh) * 2021-02-05 2021-06-18 安徽绿舟科技有限公司 一种通过混沌声纹分析管道泄露的方法
WO2023002714A1 (ja) * 2021-07-20 2023-01-26 パナソニックＩｐマネジメント株式会社 ヘッドセットおよび通話用マイクの指向性制御方法
JP7565529B2 (ja) 2021-07-20 2024-10-11 パナソニックＩｐマネジメント株式会社 ヘッドセットおよび通話用マイクの指向性制御方法

Also Published As

Publication number Publication date
DE112019006400T5 (de) 2021-09-09
US11990151B2 (en) 2024-05-21
KR20210109526A (ko) 2021-09-06
US20240274151A1 (en) 2024-08-15
JPWO2020137585A1 (ja) 2021-11-04
US20220059120A1 (en) 2022-02-24
CN113196792A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
WO2020137585A1 (ja) 特定音検出器および方法、並びにプログラム
US11569789B2 (en) Compensation for ambient sound signals to facilitate adjustment of an audio volume
US10748549B2 (en) Audio signal processing for noise reduction
US8781142B2 (en) Selective acoustic enhancement of ambient sound
CN110100453B (zh) 在双边麦克风阵列中控制风噪声
CN101091412B (zh) 用于声音增强的装置和方法
US8194865B2 (en) Method and device for sound detection and audio control
US20170294179A1 (en) Multi-sensor signal optimization for speech communication
US9779716B2 (en) Occlusion reduction and active noise reduction based on seal quality
KR20210066934A (ko) 환경적 트리거들에 기초한 적응형 ａｎｃ
CN110089130A (zh) 两用双边麦克风阵列
US11467666B2 (en) Hearing augmentation and wearable system with localized feedback
TW200305854A (en) Microphone and voice activity detection (VAD) configurations for use with communication system
JP2014174255A5 (ja)
US20230118803A1 (en) Information processing device, information processing method, information processing program, and information processing system
CN108769857A (zh) 声音补偿方法、系统及耳机
US20090296948A1 (en) MPD custom ear communication device
CN113194383A (zh) 一种声音播放方法、装置、电子设备及可读存储介质
CN113038318B (zh) 一种语音信号处理方法及装置
CN113038315A (zh) 一种语音信号处理方法及装置
WO2023053559A1 (ja) 音声処理装置、音声処理プログラム、音声処理方法及び装着体
US20240064478A1 (en) Mehod of reducing wind noise in a hearing device
WO2022254834A1 (ja) 信号処理装置、信号処理方法およびプログラム
US11412806B2 (en) Protection helmet with two microphones
Amin et al. Impact of microphone orientation and distance on BSS quality within interaction devices

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: 19905310

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020563065

Country of ref document: JP

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 19905310

Country of ref document: EP

Kind code of ref document: A1